买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华侨大学申请的专利基于深度强化学习的机械臂智能阻抗控制方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116587275B 。

龙图腾网通过国家知识产权局官网在2026-02-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310611177.4，技术领域涉及：B25J9/16；该发明授权基于深度强化学习的机械臂智能阻抗控制方法及系统是由邵辉;黄志恒;董梓呈;李颖;郭霖设计研发完成，并于2023-05-29向国家知识产权局提交的专利申请。

本基于深度强化学习的机械臂智能阻抗控制方法及系统在说明书摘要公布了：本发明公开一种基于深度强化学习的机械臂智能阻抗控制方法及系统，涉及机械臂控制技术领域，方法包括：基于刚性机械臂在不确定环境下的阻抗模型获取当前状态数据集，进而确定刚性机械臂的当前动作、对应的奖励值、下一状态数据集；刚性机械臂的当前状态数据集、当前动作、当前动作对应的奖励值以及下一状态数据集构成经验四元组；从机械臂动作经验池中选取多个经验四元组作为训练样本对DDPG模型中Actor‑Critic神经网络进行训练，以得到最优的Actor‑Critic神经网络，从而根据刚性机械臂在不确定环境下的状态数据集确定对应最优的动作。本发明提高机械臂在复杂不确定环境下的力跟踪控制性能。

本发明授权基于深度强化学习的机械臂智能阻抗控制方法及系统在权利要求书中公布了：1.一种基于深度强化学习的机械臂智能阻抗控制方法，其特征在于，方法包括： 构建刚性机械臂在不确定环境下的阻抗模型； 基于所述刚性机械臂在不确定环境下的阻抗模型，获取所述刚性机械臂的当前状态数据集；所述当前状态数据集用于表征所述刚性机械臂与不确定环境接触时，所述刚性机械臂末端位置变化与接触力的动态映射关系； 所述刚性机械臂在不确定环境下的阻抗模型为： ； ； ； 其中，分别表示初始惯性参数和初始阻尼参数，ef表示刚性机械臂在力约束方向上的力跟踪偏差量，表示由于接触力不确定性造成的估计误差，表示由于环境位置不确定性造成的估计误差的导数，表示由于环境位置不确定性造成的估计误差的二次导数，和分别表示阻尼调整参数和刚度调整参数；表示刚性机械臂在力约束方向上的位置估计偏差，e表示刚性机械臂的位置偏差量，表示刚性机械臂的位置偏差量的二次导数，表示刚性机械臂在力约束方向上的位置估计偏差的导数，表示由于环境位置不确定性造成的估计误差； 预设机械臂动作策略为：；其中，A表示刚性机械臂的动作； 基于强化学习算法和预设机械臂动作策略，根据所述刚性机械臂的当前状态数据集，确定所述刚性机械臂的当前动作以及对应的奖励值； 所述刚性机械臂的当前动作对应的奖励值的计算公式为： ； ； ； ； 其中，reward表示刚性机械臂的当前动作对应的奖励值，为动态奖励；为稳态奖励；为任务完成奖励；为分配权重；，为设定的最大区间数，为到达每一区间的固定奖励值，表示刚性机械臂在力约束方向上的力跟踪偏差量的值，为每一区间对的缩放系数，区间是以所述力跟踪偏差量的值为基准划分得到的；表示预设常数值，和分别表示任务完成获得的固定奖励值以及任务失败获得的固定奖励值，所述任务表示所述刚性机械臂在所述不确定环境下执行所述当前动作； 基于所述刚性机械臂的当前动作对所述刚性机械臂的当前状态数据集进行更新，以得到下一状态数据集；所述刚性机械臂的当前状态数据集、当前动作、当前动作对应的奖励值以及下一状态数据集构成经验四元组；多个经验四元组构成机械臂动作经验池； 从所述机械臂动作经验池中选取多个经验四元组作为训练样本，对DDPG模型中Actor-Critic神经网络进行训练，以得到最优的Actor-Critic神经网络；所述最优的Actor-Critic神经网络用于根据所述刚性机械臂在不确定环境下的状态数据集，确定对应最优的动作。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华侨大学，其通讯地址为：361021 福建省泉州市丰泽区城华北路269号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。