基于SAC算法的機械臂控制方法與分析

王駿超

摘 要：機械臂作為一種常見的自動化設(shè)備，關(guān)于其控制算法的研究，一直是相關(guān)領(lǐng)域的熱點。本文結(jié)合目前比較熱門的人工智能理論，將強化學(xué)習(xí)方法引入到機械臂控制中，提出一種基于Soft Actor-Critic Algorithms算法的控制策略，以更好地解決三維空間下多軸機械臂的軌跡規(guī)劃問題。利于CoppeliaSim平臺，搭建仿真環(huán)境，選擇UR5機械臂作為實驗對象，進行了多組對比實驗。結(jié)果表明：基于策略熵最大化的SAC算法，提高了訓(xùn)練樣本利用率，保證了學(xué)習(xí)結(jié)果的最優(yōu)。在用于三維空間中多軸機械臂控制任務(wù)時，不僅可以克服傳統(tǒng)控制算法存在的模型依賴性高，規(guī)劃精度低的不足，并且相比一般強化學(xué)習(xí)算法，具有更快的學(xué)習(xí)效率和更高的穩(wěn)定性，軌跡也更為平滑，具有很好的實用價值。

關(guān)鍵詞：機械臂控制;SAC算法;軌跡規(guī)劃;強化學(xué)習(xí)

中圖分類號：TP242? 文獻標識碼：A? 文章編號：1673-260X（2020）10-0033-07

1 引言

機械臂是一種最常見的也是最早出現(xiàn)的自動化設(shè)備，關(guān)于其控制算法的研究一直是業(yè)內(nèi)關(guān)注的焦點[1，2]。目前比較常見的機械臂軌跡規(guī)劃方法主要包括A*算法、人工勢場法、快速擴展隨機樹算法等。A*算法是一種典型的啟發(fā)式搜索（Heuristically Search），一直受到廣泛的研究[3]，但是A*算法的估價函數(shù)構(gòu)造往往需要人工經(jīng)驗嘗試，影響了規(guī)劃的穩(wěn)定性和精度。人工勢場法具有良好的實時性[4]，但會出現(xiàn)局部最優(yōu)或振蕩不收斂的情況，在環(huán)境比較復(fù)雜或者機械臂自由度較高時，不能保證規(guī)劃的穩(wěn)定性和可靠性?？焖贁U展隨機樹法理論簡單且容易實現(xiàn)[5]，當參數(shù)設(shè)置合理時，可有效避免出現(xiàn)局部最小值的情況。但是所得到的軌跡曲線比較粗糙，往往并不是最優(yōu)[6]，算法的效率較低，并且重復(fù)性較差，控制效果不穩(wěn)定[7]。因此，傳統(tǒng)的軌跡規(guī)劃算法在解決機械臂控制問題時均存在著效率低、穩(wěn)定性差、模型依賴性高的缺陷。

將強化學(xué)習(xí)算法理論與機械臂運動軌跡規(guī)劃控制問題相結(jié)合，可以有效彌補和改善傳統(tǒng)算法存在的不足。并且，隨著研究的深入也出現(xiàn)了一些成功的案例，例如：Peters J等人在2006年利用強化學(xué)習(xí)方法使7自由度的SARCOS Master機械臂完成揮棒擊球的任務(wù)[8];2011年，Durrant-Whyte H利用一個桌面級機械臂和深度攝像頭[9]，通過強化學(xué)習(xí)的方法使其完成了空間積木塊的堆疊任務(wù);Mulling K和Kober J等人在2013年以學(xué)習(xí)打乒乓球為例，介紹了一種機器人通過與人的物理交互來學(xué)習(xí)的新框架[10];Gu S等人在2017年提出一種基于深度Q函數(shù)離線訓(xùn)練策略的深度強化學(xué)習(xí)算法，通過多臺機器人并行學(xué)習(xí)來訓(xùn)練真實的物理機器人執(zhí)行復(fù)雜的三維操作任務(wù)[11]。雖然強化學(xué)習(xí)算法比較適合應(yīng)用于機械臂的運動控制，但是，不同類型的強化學(xué)習(xí)算法在實際使用時還存在著一些問題：

（1）On-policy類強化學(xué)習(xí)算法的樣本效率低下。例如，目前主流的用于連續(xù)控制的深度強化學(xué)習(xí)（DRL）：TRPO算法，PPO算法和A3C算法在每執(zhí)行一步都需要收集新的樣本[12]，因此所需的步驟數(shù)和樣本量會隨著任務(wù)復(fù)雜性增加而增加，即使是相對簡單的任務(wù)也可能需要數(shù)百萬個數(shù)據(jù)收集步驟，而具有高維度的復(fù)雜任務(wù)可能需要訓(xùn)練一天甚至幾天的才能收斂，成本高昂。

（2）對于基于Q-learning（QL）類的強化學(xué)習(xí)算法來說，提高樣本效率，復(fù)用先前經(jīng)驗是相對容易的[13]。但是，其離散的狀態(tài)空間在處理連續(xù)控制問題時可能會導(dǎo)致維數(shù)災(zāi)難（Curse of Dimensionality）。通過連續(xù)狀態(tài)離散化的方式進行機械臂的動作控制，往往穩(wěn)定性和收斂性都無法保證。

（3）另一類Off-policy算法，如深度確定性策略梯度算法（deep policy gradient， DDPG）[14]，相比QL算法更適合解決連續(xù)控制問題，相比PPO等算法也有更高效的樣本學(xué)習(xí)。但是，DDPG算法在面對高維任務(wù)時，Actor網(wǎng)絡(luò)與Q網(wǎng)絡(luò)的相互影響造成了算法的脆弱性和超參數(shù)敏感，這嚴重限制了在現(xiàn)實任務(wù)中的適用性，甚至需要依靠精確的建模，才能實現(xiàn)對真實機械臂的有效控制[15]。

針對目前常用算法在用于多軸機械臂控制時存在的一些不足和問題，本文提出了一種基于柔性角色行為評價算法（Soft Actor-Critic Algorithms，SAC）[16]的機械臂控制方法，并且在CoppeliaSim平臺上搭建了UR5多軸機械臂的仿真環(huán)境，進行多組對比實驗予以驗證。

2 SAC算法

Soft Actor-Critic Algorithms是一種基于最大化熵理論的無模型深度學(xué)習(xí)算法，同時具備了Actor-Critic算法框架。不同于確定性策略（Deterministic Policy）算法，SAC算法的主要特征是策略隨機化（Stochastic Policy）。經(jīng)過訓(xùn)練，盡可能地在收益和熵（即策略的隨機性）之間取得最大化平衡。這就是使探索與決策的關(guān)系非常密切：熵的增加會使智能體傾向于探索更多的情況，從而可以加快后續(xù)的學(xué)習(xí)速度。同時策略的隨機性還可以避免出現(xiàn)過早收斂到某個局部最優(yōu)值。

2.1 熵最大策略

最大熵原理最早是在信息論中提出的[17]，目的是為了讓獲取的數(shù)據(jù)足夠隨機分散。這樣的思想同樣可以用在強化學(xué)習(xí)中。使用最大熵原理的強化學(xué)習(xí)，除了要實現(xiàn)價值最大的目標，還要求策略？仔選擇的每一次動作的熵（Entropy）最大，如式（1），其中st，at為t時刻的狀態(tài)和動作，R為得到的獎勵，H為熵函數(shù)，？琢為溫度參數(shù)，用于控制優(yōu)化目標更關(guān)注獎勵還是熵。

3 實驗部分

3.1 實驗仿真平臺

選用CoppeliaSim進行實驗仿真。CoppeliaSim具有完善的集成開發(fā)環(huán)境，是非常理想的機器人仿真建模的工具。用于實驗的機械臂為Universal Robots公司的優(yōu)傲機械臂UR5。UR5是一種高自由度的機械臂，更能驗證本文算法在多軸復(fù)雜的真實機械臂中的性能表現(xiàn)。其機械臂坐標系如圖3，D-H參數(shù)如表1。

根據(jù)UR5的數(shù)據(jù)，在仿真平臺CoppeliaSim中配置出UR5的3D可視模型，如圖4。

3.2 實驗設(shè)計

選用UR5的第一關(guān)節(jié)Joint 1到第四關(guān)節(jié)Joint 4的角度作為控制變量，關(guān)節(jié)Joint 5和Joint 6是控制末端執(zhí)行控制器精細位姿，在實驗過程中固定角度，通過其他四個關(guān)節(jié)角度改變來實現(xiàn)控制。SAC算法狀態(tài)輸入量為機械臂UR5的四個關(guān)節(jié)角度以及目標點坐標，即：

3.3 對比實驗一

在上述仿真環(huán)境中，驗證SAC算法用于機械臂控制的性能表現(xiàn)，并用深度確定性策略梯度算法（DDPG）作為對比實驗。

DDPG算法是常見的用于解決連續(xù)空間規(guī)劃問題的強化學(xué)習(xí)算法。與SAC算法最大的不同，是其策略的更新梯度是固定的。并且由于結(jié)合了DQN算法的思想，DDPG算法中具有四個網(wǎng)絡(luò)（現(xiàn)實策略網(wǎng)絡(luò)、目標策略網(wǎng)絡(luò)、現(xiàn)實Q網(wǎng)絡(luò)、目標Q網(wǎng)絡(luò)）。為了確保實驗結(jié)果的可靠性，DDPG算法的參數(shù)設(shè)置與SAC算法基本保持相同。

最大訓(xùn)練回合數(shù)設(shè)置為3000，每回合最大步數(shù)為100，當超過100步仍未到達目標點，則結(jié)束此次訓(xùn)練回合，訓(xùn)練流程圖如圖6：

選擇平均獎勵變化和成功率變化兩個指標作為對比標準。

圖7是機械臂UR5在有障礙物的環(huán)境中，分別使用SAC算法和DDPG算法得到平均獎勵曲線。圖中綠色點線圖代表SAC算法，黃色點線圖代表DDPG算法。圖7可以反映出UR5經(jīng)過兩種強化學(xué)習(xí)算法訓(xùn)練后，執(zhí)行每步動作得到的平均獎勵的變化情況。

從圖7可以看出，SAC算法和DDPG算法訓(xùn)練后期均穩(wěn)定在-10左右，說明兩個算法在機械臂避障實驗中均可以有效地控制UR5機械臂到達目標點，但是DDPG算法直到14000步左右平均獎勵值的變化才趨于穩(wěn)定，慢于SAC算法，說明在三維空間的規(guī)劃任務(wù)中，DDPG算法的樣本效率和速度是低于SAC算法的。同時，DDPG的平均獎勵曲線變化的幅度是大于SAC算法的，為了保證對比實驗的客觀可靠，DDPG直接采用了與SAC算法基本一致的參數(shù)設(shè)置，而沒有進行專門的調(diào)參，可見在算法穩(wěn)定性方面，DDPG低于SAC算法。

按照閾值條件：||Parm-Ptarget||≤2.5時機械臂規(guī)劃成功，統(tǒng)計出基于SAC算法和DDPG算法的機械臂UR5的避障控制成功率曲線。圖8中，綠色帶倒三角曲線是SAC算法的成功率，黃色帶正方形曲線是DDPG算法的成功率。

圖8中SAC算法和DDPG算法的成功率曲線與平均獎勵曲線的趨勢基本相同。SAC算法在18000步左右達到了96%以上的成功率，相比較之下，DDPG算法在20000步之后成功率才穩(wěn)定在相同水平。從成功率變化曲線的對比中，也可以說明SAC算法的速度是快于DDPG算法的。

3.4 對比實驗二

在相同的仿真環(huán)境中，選擇傳統(tǒng)算法中的RRTstar算法，比較在相同環(huán)境下兩種算法的規(guī)劃效果。RRTstar算法是一種應(yīng)用比較廣泛的避障算法。相比較一般的RRT算法，具有漸進最優(yōu)性，而且規(guī)劃速度也比較快。RRTstar作為一種基于隨機樹策略的算法，與SAC算法原理上是不同的。因此，不同于第一組對比實驗，在本組實驗對比中，分別選擇機械臂軌跡規(guī)劃路徑代價（長度/用時）和關(guān)節(jié)角度變化曲線作為兩個對比標準。

RRTstar避障算法的規(guī)劃流程示意圖如圖9。

表4是RRTstar算法的參數(shù)設(shè)置，迭代次數(shù)超過1000次則此次規(guī)劃任務(wù)失敗;γ是常量系數(shù)，影響每次取球狀節(jié)點集合的半徑大小;d是規(guī)劃空間維度;δ是步長（單位cm）。

首先把RRTstar算法運行十次，統(tǒng)計其規(guī)劃的結(jié)果，規(guī)劃路徑代價用軌跡長度和規(guī)劃用時表示。

作為比較，在同一環(huán)境中使用SAC算法進行避障控制實驗。為了保證對比實驗的可靠性，初始化SAC算法的經(jīng)驗重播緩沖區(qū)，再次進行訓(xùn)練。SAC算法的其他參數(shù)設(shè)置不變，最大訓(xùn)練回合數(shù)設(shè)置為3000，每回合最大步數(shù)為100。訓(xùn)練結(jié)束后，用所得的模型進行UR5機械臂的避障規(guī)劃。同樣規(guī)劃十次，統(tǒng)計其結(jié)果，如表6。

從表7和圖10對比中可得，在十次規(guī)劃中，相比于RRTstar算法，使用SAC算法得到的軌跡路徑長度比較穩(wěn)定，與平均長度接近，并且平均長度更小。SAC算法規(guī)劃的平均用時只有7.9秒，遠遠小于RRTstar算法39.48秒的平均時間。此外，RRTstar的規(guī)劃用時的波動幅度較大，說明在控制機械臂執(zhí)行同一任務(wù)時，基于隨機策略的RRTstar算法的重復(fù)穩(wěn)定性較差。十次規(guī)劃中，SAC算法均可以使機械臂成功到達目標點，成功率高于RRTstar算法。綜上所述，從規(guī)劃路徑長度，規(guī)劃用時以及成功率三個方面的對比，均說明了SAC算法相比于RRTstar算法性能更加優(yōu)越，更適用于多軸機械臂三維空間的避障控制。

圖11展示了從RRTstar算法和SAC算法十次規(guī)劃中，各取一次的規(guī)劃軌跡對比圖。圖12是RRT算法和SAC算法控制UR5機械臂進行避障時的關(guān)節(jié)角度變化對比圖。

圖11表明：二者的規(guī)劃軌跡的長度比較接近，最后到達目標點存在一定的誤差，但是都達到了規(guī)劃要求。但是相比于RRTstar算法，SAC算法的規(guī)劃軌跡更加平滑，角度變化的幅度和突變較小。圖12表明：在分別使用RRTstar算法和SAC算法規(guī)劃時，UR5機械臂的關(guān)節(jié)角度變化范圍相近，但是SAC算法的角度變化更加平緩，突變較少。這說明RRTstar算法用于機械臂控制時存在著規(guī)劃路徑粗糙的短板，而SAC算法規(guī)劃路徑更加平滑。這在應(yīng)用于真實機械臂控制時，能夠減少機械臂的自身磨損，延長使用壽命，有利于提高規(guī)劃控制的經(jīng)濟性和安全性。

4 結(jié)論

本文通過研究分析機械臂控制模型和強化學(xué)習(xí)的相關(guān)理論;結(jié)合機械臂控制的特點和常見控制算法存在的不足，提出了基于柔性角色行為評價算法（Soft Actor-Critic Algorithms，SAC）的機械臂控制方法。利用SAC算法處理連續(xù)動作與狀態(tài)空間任務(wù)的優(yōu)越性能，提高了訓(xùn)練的效率和穩(wěn)定性。為了驗證本文方法用于真實機械臂規(guī)劃控制的實際效果，選用CoppeliaSim作為實驗平臺，UR5機械臂作為實驗對象。比較了SAC算法與DDPG算法、RRTstar算法在相同環(huán)境下的性能表現(xiàn)。選取不同的評價指標均表明SAC算法相比于DDPG算法速度更快，穩(wěn)定性更高;相比RRTstar算法規(guī)劃的軌跡更加平滑，機械臂關(guān)節(jié)角度不會突變，并且速度和成功率更高。由此說明，本文提出的基于SAC算法的機械臂控制方法可以有效彌補傳統(tǒng)控制算法的不足，具有一定的自身優(yōu)勢和較好的應(yīng)用價值。

參考文獻：

〔1〕馮旭，宋明星，倪笑宇，等.工業(yè)機器人發(fā)展綜述[J].科技創(chuàng)新與應(yīng)用，2019，9（24）.

〔2〕Schaal， Stefan. The new robotics towards human-centered machines[J]. Hfsp Journal， 2007， 1（02）：115-126.

〔3〕Schaal， Stefan. The new robotics towards human-centered machines[J]. Hfsp Journal， 2007， 1（02）：115-126.

〔4〕Khatib O. Real-Time Obstacle Avoidance for Manipulators and Mobile Robots[J]. 1986.

〔5〕Lavalle S M. Rapidly-Exploring Random Trees： A New Tool for Path Planning[J]. Algorithmic & Computational Robotics New Directions， 1998： 293-308.

〔6〕Lindemann S R， Lavalle S M. Current issues in sampling-based motion planning[J]. Springer Tracts in Advanced Robotics， 2005， 15： 36-54.

〔7〕王濱，金明河，謝宗武，等.基于啟發(fā)式的快速擴展隨機樹路徑規(guī)劃算法[J].機械制造，2007，58（12）：13-16.

〔8〕Peters J， Schaal S. Policy Gradient Methods for Robotics[C]// Intelligent Robots and Systems， 2006 IEEE/RSJ International Conference on. IEEE， 2006.

〔9〕Durrant-Whyte H， Roy N， Abbeel P. Learning to Control a Low-Cost Manipulator Using Data-Efficient Reinforcement Learning[C]// Robotics： Science and Systems VII. MIT Press， 2011.

〔10〕Mulling K， Kober J， Kroemer O， et al. Learning to select and generalize striking movements in robot table tennis[J]. The International Journal of Robotics Research， 2013， 32（03）： 263-279.

〔11〕Gu S， Holly E， Lillicrap T， et al. Deep reinforcement learning for robotic manipulation with asynchronous off-policy updates[C]// 2017 IEEE International Conference on Robotics and Automation （ICRA）. IEEE， 2017.

〔12〕Schulman， John， Wolski， Filip， et al. Proximal Policy Optimization Algorithms[J].2017.

〔13〕Mnih， V.， Kavukcuoglu， K.， Silver， D.， Rusu， A. A.， Veness， J.， Bellemare， M. G.， Graves， A.， Riedmiller， M.， Fidjeland， A. K.， Ostrovski， G.， et al. Human-level control through deep reinforcement learning[J]. Nature， 2015， 518（7540）： 529-533.

〔14〕Lillicrap T P， Hunt J J， Pritzel A， et al. Continuous control with deep reinforcement learning[J]. computer science， 2015， 8（06）： A187.

〔15〕Duan Y， Chen X， Houthooft R， et al. Benchmarking Deep Reinforcement Learning for Continuous Control[J]. 2016.

〔16〕Haarnoja， Tuomas， Zhou， Aurick， Hartikainen， Kristian， et al. Soft Actor-Critic Algorithms and Applications[J]. arXiv preprint arXiv， 2018：1812.05905.

〔17〕馮尚友.信息熵與最大熵原理[J].水利電力科技，1995，24（03）：26-31.