HUẤN LUYỆN CÁNH TAY ROBOT SỬ DỤNG HỌC TĂNG CƯỜNG SÂU
Từ khóa:
Robotics, Deep Learning, Isaac Lab, Deep Reinforcement Learning, Reinforcement Learning, CSAC, RHER, SeqGRUNet, GPU, Franka, Shadow HandTóm tắt
Việc điều khiển cánh tay robot thực hiện các tác vụ phức tạp như nâng và thao tác vật thể vẫn là một thách thức lớn trong lĩnh vực robotics, đặc biệt khi yêu cầu độ chính xác cao và khả năng thích ứng với môi trường động. Nghiên cứu này tập trung phát triển hệ thống huấn luyện cánh tay robot Franka kết hợp bàn tay Shadow Hand, ứng dụng thuật toán học tăng cường sâu (Deep Reinforcement Learning) trên nền tảng Isaac Lab. Môi trường mô phỏng hoàn chỉnh được thiết kế với cấu hình robot Franka + Shadow Hand, triển khai thuật toán Continuous Soft Actor-Critic (CSAC) kết hợp Recurrent Hindsight Experience Replay (RHER). Hệ thống sử dụng mạng nơ-ron hồi tiếp SeqGRUNet để xử lý chuỗi quan sát và học đa mục tiêu trong thiết lập Goal-Conditioned Reinforcement Learning, kết hợp với Continuous Soft Actor–Critic và Relabeling HER để tối ưu hóa chính sách dưới các ràng buộc. Kết quả thực nghiệm chứng minh phương pháp đề xuất có khả năng học hiệu quả các chính sách điều khiển phức tạp, cho phép robot thực hiện tác vụ nâng vật thể với độ chính xác cao. Mô hình được huấn luyện trên GPU với 32 môi trường song song, batch size 512 và future probability 0.8 trong RHER.
