基于深度强化学习的工业机器人复杂曲面高精度打磨轨迹规划

摘要

工业机器人在复杂曲面打磨任务中面临轨迹连续性差、表面质量不稳定及动态适应能力不足等核心挑战。本研究提出一种基于深度强化学习的端到端轨迹规划方法，将曲面几何特征、实时力反馈与运动学约束统一建模为马尔可夫决策过程。通过设计多尺度状态表征机制与分层动作空间，使智能体在仿真与物理平台联合训练中自主习得高精度、低振荡的打磨路径生成策略。实验表明，该方法在曲率突变区域的轨迹跟踪误差降低至0.12毫米以内，表面粗糙度标准差较传统插补方法下降41%，且对未知曲面拓扑具备良好泛化能力。整个流程不依赖预设数学模型或人工示教，实现了从点云输入到执行指令输出的闭环优化。