基于信息物理系统的机械臂自主决策与控制

This project studies the decision-making and control problems for multi-joint robotic arm operating in complex environments. This project proposes, in the framework of cyber-physical system (CPS) theory, the following four-step approach: .1) Building the sensing and networking layers of CPS through sensor networks; .2) Building the perceptual layer of CPS through a data-driven modeling scheme that uses a deep neural network to model robotic arm and a fast inverse kinematics algorithm using optimization; .3) Building the control layer of CPS through an imitation learning method for robotic arm trajectory planning under task constraints, leading to high control precision; and .4) Building the application layer of CPS through a reinforcement learning decision-making network for the robotic arm interacting with the unstructured environment..The project aims to improve the perception of the environment, decision-making ability and control ability of robotic arms in unstructured environment by using the sensor network data and state-of-the-art machine learning methods.

本项目基于信息物理系统理论，研究非结构环境中多关节机械臂的决策与控制技术。通过搭建传感器网络，建立信息物理系统感知层与网络层；通过深入研究传感信息与机械臂物理实体的联系与相互作用，提出基于深度学习的机械臂离线建模与在线更新方法，以得到机械臂动力学高精度近似模型与快速逆运动求解算法，建立信息物理系统认知层；通过模仿学习的方法，在非结构环境中进行轨迹规划训练，得到空间约束条件下的机械臂轨迹规划器，建立信息物理系统控制层；通过深度强化学习的方法，研究非结构环境下的自主决策问题，建立信息物理系统应用层，最终实现机械臂的自主决策与运动控制。本项目旨在利用传感器网络建立系统观测，结合最新机器学习理论，以提高机械臂在非结构化环境中的感知、决策与控制能力，进而解决机械臂这一典型信息物理系统在非结构化环境中普遍存在的模型失效、低控制精度与难以自主决策等问题。

多自由度机械臂可以在工业环境中实现大负载、高灵活性、高精度作业。但由于机械臂作为高度非线性机电耦合系统，存在动态模型不准确、智能决策不实时与控制不鲁棒的问题。本项目基于信息物理系统理论，发现机械臂的耦合动力学机理模型，研究机械臂的感知决策与控制技术。.本项目实现了高度非线性耦合系统的机理模型发现，并且通过挖掘子系统之间的切换逻辑进一步揭示基于信息物理系统的机械臂动力学耦合规律。基于精确的动力学模型，本项目分别提出了基于稀疏贝叶斯理论、Powerball优化理论和强化学习方法的机械臂智能决策算法，提高了复杂环境中机械臂的决策效率。并且应对信息物理系统中机械臂与环境交互的需求，强化机械臂与环境共融，实现了双机械臂协作的高精度控制。基于上述理论突破，本项目实现了复杂环境中机械臂的自主决策和作业。本项目的理论成果在国内外期刊会议发表论文十余篇，其中包括《Nature》子刊1篇、《National Science Review》1篇。在理论突破的同时，本项目的成果应用于工业、交通和国防关键场景中,申请了多项专利。