Συντάχθηκε 06-03-2015 11:03
από Esthir Gelasaki
Email συντάκτη: egelasaki<στο>tuc.gr
Ενημερώθηκε:
09-03-2015 10:01
Ιδιότητα: υπάλληλος.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΚΟΥΣΑΝΑΚΗΣ ΒΑΣΙΛΕΙΟΣ
με θέμα
Βιολογικά-εμπνευσμένος έλεγχος κίνησης του ανθρωποειδούς ρομπότ ΝΑΟ με χρήση Κεντρικών Γεννητριών Προτύπων.
Bio-inspired Motion Control of the Humanoid Robot NAO using Central Pattern Generators (CPGs)
Δευτέρα 9 Μαρτίου 2015, 11πμ
Αίθουσα 145Π42, Κτίριο Επιστημών, Πολυτεχνειούπολη
Εξεταστική Επιτροπή
Καθηγητής Γεώργιος Σταυρακάκης (ΗΜΜΥ) (επιβλέπων)
Δρ. Δημήτρης Π. Τσακίρης (ITE)
Αναπληρωτής Καθηγητής Μιχαήλ Γ. Λαγουδάκης (ΗΜΜΥ)
Περίληψη
Οι πρόσφατες εξελίξεις, τόσο στα υπολογιστικά συστήματα, όσο και στα μηχανικά μέρη των ρομποτικών συστημάτων, επέτρεψε την ανάπτυξη πιο σύνθετων συστημάτων, επιτρέποντας τη διερεύνηση και νέων προκλήσεων, όπως την δημιουργία ανθρωποειδών ρομπότ, με τη δυνατότητα να αντιμετωπίζουν περίπλοκα περιβάλλοντα, όπως αυτά στα οποία κινείται ο άνθρωπος. Σημαντικές μελέτες επικεντρώνονται στην κίνησή τους, στον έλεγχό της, όπως και στον τρόπο που αλληλεπιδρούν με ανθρώπινα εργαλεία, αλλά και με τον ίδιο τον άνθρωπο. Η αυξανόμενη πολυπλοκότητα στο σχεδιασμό του σώματός τους, καθιστά αναγκαία την χρήση ακόμη πιο εξελιγμένων μεθόδων ελέγχου της κίνησης από τις ήδη υπάρχουσες. Στην αναζήτηση τέτοιων μεθόδων, οι επιστήμονες της ρομποτικής στράφηκαν προς την μελέτη έμβιων οργανισμών, οι οποίοι μπορούν να επιδείξουν αξιοσημείωτη ευρωστία και προσαρμοστικότητα στην κίνησή τους. Ένα βασικό συστατικό του ελέγχου αυτής της κίνησης είναι νευρωνικά δίκτυα, που ονομάζονται Κεντρικές Γεννήτριες Προτύπων (Central Pattern Generators – CPGs), που βρίσκονται στην σπονδυλική στήλη των οργανισμών, και τα οποία είναι σε μεγάλο βαθμό υπεύθυνα για την παραγωγή των σημάτων ελέγχου κατά την διάρκεια ρυθμικών κινήσεων των οργανισμών. Η αναπαραγωγή αντίστοιχων μηχανισμών ελέγχου κίνησης σε ανθρωποειδή ρομπότ συνιστά μία σημαντική πρόκληση. Ένα από τα βασικά χαρακτηριστικά αυτών των δικτύων είναι ότι μπορούν να αναπαράγουν ρυθμικές συμπεριφορές, ακόμη και χωρίς την παρουσία αισθητηριακής πληροφορίας.
Σε αυτή την διπλωματική εργασία, γίνεται απόπειρα, με τη χρήση κεντρικών γεννητριών προτύπων, να επιτευχθεί η αναπαραγωγή σταθερού περπατήματος στον εξομοιωτή Webots, για το ανθρωποειδές ρομπότ NAO της εταιρίας Aldebaran Robotics. Το είδος των CPGs, που επιλέχθηκε να χρησιμοποιηθεί, έχει σαν βάση του τον μη-γραμμικό ταλαντωτή Hopf, ο οποίος έχει τις δυναμικές ιδιότητες που συσχετίζονται με τα σήματα των αρθρώσεων του ανθρωποειδούς που παράγονται κατά το περπάτημα, και μπορεί να τα αναπαράγει σε ένα ικανοποιητικό βαθμό. Η διαδικασία που ακολουθήθηκε ξεκινάει από την καταγραφή των τροχιών των αρθρώσεων με κατάλληλους αισθητήρες, την εκμάθηση των σημάτων αυτών μέσω του CPG, και, στη συνέχεια, του ελέγχου των αρθρώσεων του ρομπότ μέσω των CPGs, με σκοπό την αναπαραγωγή του περπατήματος. Η παραπέρα βελτιστοποίηση των CPGs έγινε μέσω κατάλληλης εξελικτικής διαδικασίας, με τη χρήση γενετικών αλγορίθμων. Για την επίτευξη της διαδικασίας αυτής έγινε αναλυτικός ορισμός του προβλήματος, με την διατύπωση αντικειμενικών συναρτήσεων που κάνουν χρήση της αισθητηριακής πληροφορίας από τους αισθητήρες του ρομπότ, και εξελίσσουν τα CPGs, με σκοπό να βελτιώσουν την απόκριση του συστήματος ελέγχου της κίνησης του ανθρωποειδούς ρομπότ κατά το περπάτημα.
Επιπλέον, αυτή η διπλωματική εργασία μελετάει, με ρομποτικά πειράματα στο ίδιο το ρομπότ NAO, την ευστάθεια του περπατήματος που έχει υλοποιηθεί από την κατασκευάστρια εταιρία, σε περιβάλλοντα με σκαλιά, επικλινείς επιφάνειες, καθώς και επιφάνειες με εμπόδια και άμμο.
Abstract
Recent developments in computational and hardware systems enabled the development of more complex artificial systems. In particular, this has brought to life new challenges in the field of robotics, such as the development of humanoid robots with the ability to interact with complex environments, like those where humans live and act. Research has addressed the locomotion of such robots and the way that they interact with humans. However, the increasing complexity in the design of the body of humanoid robots, necessitates the development of more satisfactory control methodologies than the existing ones. To that purpose, research in robotics has been inspired by the study of living organisms, which demonstrate robust and adaptable locomotor behavior. Key components of their motion control are neural networks, called Central Pattern Generators (CPGs), which are usually located on the spine of their bodies, and are responsible for the production of rhythmic control signals during walking, running, swimming or flying, even in the absence of sensory feedback. Reproducing such motion control schemes in humanoid robots represents a significant challenge, made even more important from the requirement of controlling fast and efficiently a large number of degrees of freedom in such robots.
In this thesis, an attempt is made to set up and exploit a CPGs-based motion control strategy, in order to achieve stable walking locomotion for the simulated humanoid robot NAO, developed by the company Aldebaran Robotics, and using the Webots simulator. The type of the Central Pattern Generators that were selected is based on the Hopf nonlinear oscillator, which has properties associated with the signals produced in the joints of the robot during walking, and is able to reproduce them in a satisfactory way. The procedure followed starts with the recording of the joint trajectories of the robot during walking, then these are learned by the CPGs via an appropriate learning process, and, then, the CPGs take the control of the robot in order to reproduce the walking gait. Furthermore, an optimization process based on genetic algorithms is employed, for achieving the fine tuning of the CPGs via well-defined objective functions exploiting sensory information provided from the sensors of the robot.
Moreover, this thesis studies, by robotic experiments on the NAO robot itself, the robustness of its built-in walking behavior on steps, inclines, as well as rugged and granular substrates.
