FTDRL-HGSO：一种高效的、能适应地形变化的、由深度强化学习驱动的六足机器人步态与路径控制框架

《Scientific Reports》：FTDRL-HGSO: an efficient terrain-adaptive DRL-driven gait and path control framework for hexapod robots

　　

摘要

该模型在融合地形感知的深度强化学习（FTDRL）方法的基础上，引入了FTDRL-HGSO（亨利气体溶解度优化）方法，用于实现六足机器人在不同地形条件下的自适应步态控制与路径优化。所提出的方案通过混合学习-优化模型，整合了多地形分析、动态步态调整以及能量高效的运动方式。通过将深度强化学习策略网络与HGSO元启发式算法相结合，该模型提升了探索与利用之间的平衡，从而加快了向最优运动策略的收敛速度。地形分析模块能够提取地形的高程和表面特征，这些特征随后被用于动态调整步态阶段和控制参数。在MATLAB-Simulink中针对沙地、黏土和岩石等不同地形条件进行的仿真研究表明，与PSO、TGPSO、GWO和NGO等基准模型相比，所提出的FTDRL-HGSO模型具有更快的收敛速度、更好的稳定性以及更低的能耗。实验结果也表明，在岩石、沙地和黏土等不同地形条件下，FTDRL-HGSO模型在稳定性指标、速度指标、COT指标以及适应度函数收敛性等方面均表现更为优异。在该模型在黏土地形上的适应度函数值仅为0.165，而稳定性指标则达到0.69，其在收敛效率及地形适应性方面均优于其他现有模型。