机械臂是工业自动化系统中重要的组成部分,其运动分析与控制具有非线性多耦合的特点。传统机械臂算法大多存在建模复杂与环境适用性差的问题,无法满足多变的生产需求。为此,论文以工业智能化为出发点,提出一种基于强化学习的机械臂运动规划算法。该算法具有环境适用性,无需复杂的运动学建模即可在实际生产环境中进行应用。论文具体研究内容如下:分析强化学习算法的基础原理。结合实际工业生产环境对机械臂运动控制问题进行研究。以传统机械臂运动学算法为基础,结合马尔可夫决策过程对机械臂运动规划与控制问题进行建模。为了缩小仿真与现实之间的差异,构建机械臂仿真镜像模型,实现工艺模型到仿真镜像模型的转化。提出基于置信域策略最优化的机械臂运动规划算法。该算法以Actor-Critic框架为基础,结合实际机械臂运动规划问题进行研究得到价值函数与策略函数的表示方法。为保证机械臂控制策略的安全性与合理性,构造反馈函数对控制策略的优化方向进行约束,从而实现策略的安全搜索。同时,为加快最优策略的搜索速度减轻计算压力,选用“Hessian Free”方法进行策略函数的优化。最后,针对机械臂控制的实时性要求,提出一种基于现实环境建立仿真模型,在仿真环境中进行训练的机械臂强化学习解决方案。结合实验证明本文所提出的机械臂运动规划与控制算法的可行性。基于ROS机器人框架设计出完整的软硬件实验平台。分析实验结果,评估算法性能。经实验验证,基于强化学习的机械臂运动规划算法具有优越环境适用性与强鲁棒性。并且,通过强化学习得到的控制策略能够根据环境进行增量优化。