机械臂作为一种常见的自动化设备,关于其控制算法的研究,一直是相关领域的热点。近年来,随着社会人口老龄化带来的劳动力短缺,以及工业5.0概念的发布,机械臂应用领域在不断扩展,应用环境也变得更加复杂,这对机械臂运动轨迹的规划控制提出了更高的要求。本文结合目前比较热门的人工智能理论,将强化学习方法引入到机械臂控制中,提出一种基于Soft Actor-Critic(以下简称SAC)算法的控制策略,以更好地解决三维空间下多轴机械臂的轨迹规划问题,不仅可以克服传统控制算法存在的模型依赖性高,规划精度低的不足,并且相比一般强化学习算法,具有更快的学习效率和更高的稳定性。本文的主要工作和结论如下:首先,阐述了机械臂控制的相关理论,分析了目前常见机械臂控制算法存在的不足。在此基础上,将基于最大熵理论的SAC算法与机械臂控制相结合,并通过详细的论述,说明了SAC算法的原理和其应用于机械臂控制的优势。其次,针对机械臂控制中比较复杂的规划任务,提出一种策略组合的方法。通过把总体任务拆分为几个子任务后,依次解决子任务后得到相应的模型,利用SAC算法策略熵最大化的特点,将子任务的模型作为初始条件进行训练,最终得到总体任务的最优解。并在Mujoco平台进行模拟实验,验证基于SAC算法的策略组合的可行性,并与直接在线规划的结果进行对比分析。最后,对提出的SAC算法用于三维空间中多轴机械臂的规划控制,进行了实验与分析。在Coppelia Sim平台上搭建仿真环境,选择UR5机械臂作为实验对象,对控制任务进行建模分析后,设计状态与动作变量、奖励函数与系统参数。实验分为三组:无障碍物环境下的控制实验,验证了SAC算法通过改变机械臂关节角度实现机械臂控制的可行性;在有障碍物环境下的两组避障规划对比实验中,根据不同算法的特点,设置了不同的对比标准,分析比较SAC与DDPG,RRTstar两种算法的规划结果。结果表明:基于策略熵最大化的SAC算法,提高了训练样本利用率,保证了学习结果的最优。在用于三维空间中多轴机械臂控制任务时,相比于确定策略的强化学习算法和传统控制算法,规划计算更快、稳定性更好、轨迹更为平滑。在解决复杂规划任务时,通过策略组合的方法,可进一步提高训练速度的同时保证规划结果的最优,降低了规划成本,具有很好的实用价值。