一种基于RBF神经网络刚度预测与强化学习的机器人力控制方法

本发明提供了一种基于RBF(Radial Basis Function)神经网络刚度预测和强化学习的机器人力控制方法，具体步骤如下：首先，通过多组PD(Proportional‑Derivative)控制收集机器人力跟踪的经验数据；然后，利用这些经验数据拟合强化学习的环境动力学模型；为加速强化学习的收敛速度，采用RBF神经网络对接触环境的刚度进行拟合并预测环境刚度，预测的环境刚度结合高斯模型得到环境刚度选择概率；最后，根据环境刚度选择概率并结合刚度模型修正PD控制参数中P参数的选择概率，从而改善强化学习中的动作选择概率，快速找到机器人力控制的最优参数。