先进制造技术

本发明涉及一种面向机械臂抓取任务的知识图谱深度强化学习迁移系统，包括工作经验模块、知识图谱先验提取模块、先前工作环境模块、先前工作模型模块、知识图谱模块、模型参数转移模块、当前工作环境模块和智能体。工作经验模块通过知识图谱先验提取模块与知识图谱模块通信联通，知识图谱模块和当前工作环境模块共同向智能体提供状态值，当前工作环境模块向智能体输入奖励值。先前工作环境模块通过先前工作模型模块和模型参数转移模块与智能体通信联通，智能体向当前工作环境模块传送动作指令。本发明使用知识图谱作为领域转移的媒介，提升了应用于机械臂抓取任务领域的深度强化学习方法的探索效率，加快了训练速度。

提升抓取任务泛化能力：通过知识图谱整合多领域物体属性与抓取策略，使机械臂快速适应未训练物体的抓取需求，显著降低场景迁移时的重新训练成本。

加速复杂场景决策效率：融合先验知识与实时感知数据，优化抓取路径规划与力度控制，在动态杂乱环境中实现毫秒级应变决策。

降低示范数据依赖：利用知识图谱的逻辑推理能力，减少深度学习对大规模标注数据的需求，解决小样本场景下的技能迁移难题。

在机械臂抓取环境下人类日常的经验构建较为全面的知识图谱，通过知识图谱可以给与深度强化学习足够的先验知识，从而让神经网络较快的探索出最优策略以加快训练速度。

设置面向机械臂抓取任务的特定参数转移函数来进行深度强化学习神经网络的参数传递。通过特定的参数转移函数可以减少在参数转移过程中的负迁移的影响，以提高迁移效果，提升探索效率。

将上述两者相结合，融合成为面向机械臂抓取任务的知识图谱深度强化学习迁移方法。