THÔNG TIN TÀI LIỆU
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH TRẦN THIỆN HUÂN BÀI TOÁN NGƯỢC VẬN ĐỘNG ROBOT DẠNG NGƯỜI TRONG PHÂN TÍCH ỔN ĐỊNH, TẠO DÁNG ĐI VÀ ĐIỀU KHIỂN ỨNG DỤNG MƠ HÌNH MẠNG NƠ-RƠN MIMO NARX THÍCH NGHI TÓM TẮT LUẬN ÁN TIẾN SĨ NGÀNH: CƠ KỸ THUẬT MÃ SỐ: 9520101 Tp Hồ Chí Minh, tháng 9/2019 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH Người hướng dẫn khoa học 1: PGS TS HỒ PHẠM HUY ÁNH (Ghi rõ họ, tên, chức danh khoa học, học vị chữ ký) Người hướng dẫn khoa học 2: TS PHAN ĐỨC HUYNH (Ghi rõ họ, tên, chức danh khoa học, học vị chữ ký) Luận án tiến sĩ bảo vệ trước HỘI ĐỒNG CHẤM BẢO VỆ LUẬN ÁN TIẾN SĨ TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT, Ngày tháng năm DANH MỤC CÔNG TRÌNH ĐÃ CƠNG BỐ Tran Thien Huan, Ho Pham Huy Anh, Cao Van Kien, “Optimal NatureWalking Gait for Humanoid Robot Using Jaya Optimization Algorithm”, Journal Advances in Mechanical Engineering, (In revision 3rd, SCIE, IF=1.024), 2019 Tran Thien Huan, Ho Pham Huy Anh, “Optimal Stable Gait for Nonlinear Uncertain Humanoid Robot Using Central Force Optimization Algorithm”, Journal of Engineering Computations, (SCIE, Q2IF=1.177), DOI: 10.1108/EC-03-2018-0154, 2019 Tran Thien Huan, Cao Van Kien, Ho Pham Huy Anh, Nguyen Thanh Nam, “Adaptive Gait Generation for Biped Robot Using Evolutionary Neural Model Optimized with Modified Differential Evolution”, Neurocomputing, (SCIE, Q1-IF=3.02), DOI: 10.1016/j.neucom.2018.08.074, 2018 Trần Thiện Huân, Hồ Phạm Huy Ánh, “Tối ưu hóa dáng ổn định cho robot dạng người kích thước nhỏ sử dụng thuật tốn tiến hóa vi sai (MDE) cải tiến”, Chuyên san Đo lường, Điều khiển & Tự động hóa, 21, số 1, trang 63-74, 2018 Tran Thien Huan, Phan Duc Huynh, Cao Van Kien, Ho Pham Huy Anh, “Implementation of Hybrid Adaptive Fuzzy Sliding Mode Control and Evolution Neural Observer for Biped Robot Systems”, IEEE International Conference on System Science and Engineering (IEEEICSSE 2017), Ho Chi Minh, Vietnam, pp 77-82, 2017 T T Huan and H P H Anh, “Implementation of Novel Stable Walking Method for Small-Sized Biped Robot”, Proceedings The 8th Viet Nam Conference on Mechatronics (VCM-2016), Can Tho, Viet Nam, pp 283292, 25-26 November 2016 Tran Thien Huan, Ho Pham Huy Anh, “Novel Stable Walking for Humanoid Robot Using Particle Swarm Optimization Algorithm”, Journal of Advances in Intelligent Systems Research, vol.123, July 2015, pp 322-325, Atlantis Press MỞ ĐẦU Động lực nghiên cứu Trong năm gần đây, nhiều nhà khoa học tham gia để nghiên cứu giải nhiều vấn đề liên quan đến robot dạng người cho đời 14 robot dạng người tiếng: ASIMO công ty Honda, Cog MIT, HRP-5P AIST, HUBO KAIST, Lohnnie LoLa TUM, NAO công ty Aldebaran, Atlas Robots công ty Boston Dynamics, QRIO công ty Sony, Robonaut NASA, T-HR3 công ty Toyota, WABIAN-2R đại học Waseda, iCub IIT, Robot Sarcos công ty Sarcos, ARMARX KIT Tuy nhiên, việc nghiên cứu robot dạng người tồn thách thức lớn loại robot giống người, để mơ tả động tác cử động giống người đòi hỏi có nhiều nghiên cứu chuyên sâu về: kết cấu khí, mơ hình tốn điều khiển Ở Việt Nam, cơng trình nghiên cứu robot dạng người hạn chế Với mong muốn chế tạo robot dạng người Việt Nam có khả bước giống người góp phần vào dự án nghiên cứu robot hai chân mô người thực Phòng Thí Nghiệm Trọng Điểm Quốc Gia Điều Khiển Số Kỹ Thuật Hệ Thống (DCSELAB) với hai phiên (HUBOT-2 HUBOT-3), động lực nghiên cứu Mục tiêu nghiên cứu Hoạch định, tối ưu hóa tạo dáng cho robot dạng người nhằm làm cho robot cách tự nhiên ổn định người Hiện tốn khó kỹ thuật chưa tiếp cận đối tượng sinh học vô phức tạp kết cấu tinh vi hoạt động Luận án tiếp tục tập trung nghiên cứu đề xuất giải pháp hoạch định, tối ưu hóa tạo dáng cho robot dạng người kích thước nhỏ có khả bước thẳng cách tự nhiên ổn định người địa hình phẵng, nhằm mục đích hướng tới cải thiện khả bước ổn định bền vững địa hình phẳng cho HUBOT-3 Phương pháp nghiên cứu Từ quan điểm toán học, hoạch định, tối ưu hóa tạo dáng robot dạng người trở thành vấn đề tối ưu có ràng buộc phù hợp với kỹ thuật tính tốn tối ưu Trong luận án này, tác giả thực nghiên cứu phát triển tạo dáng (Walking Pattern Generator - WPG) phụ thuộc thông số Dip (chiều dài bước S, độ nhấc chân - H, độ khuỵu gối - h độ lắc hông - n) kết hợp phương pháp tối ưu hóa ngẫu nhiên (meta-heuristic optimization approaches) mơ hình mạng nơrơn tiến hóa thích nghi (Adaptive Evolutionary Neural Model - AENM) để robot dạng người bước ổn định tự nhiên người Kết nghiên cứu Các kết nghiên cứu đạt luận án, tóm tắt sau: Một là, Dip đề xuất tạo dáng (WPG) phụ thuộc thông số (S, H, h, n) thực tối ưu thông số tạo dáng (WPG) để robot dạng người (kích thước nhỏ) bước ổn định với vận tốc nhanh sử dụng thuật tốn di truyền (Genetic Algorithm - GA) Tuy nhiên, để bắt chướt dáng người robot dạng người phải kiểm sốt độ nhấc chân Vì vậy, tác giả tiếp tục thực tối ưu thông số dáng (S, H, h, n) tạo dáng (WPG) để robot dạng người bước ổn định với độ nhấc chân mong muốn sử dụng phương pháp tối ưu hóa ngẫu nhiên (meta-heuristic optimization approaches) Kết mô thực nghiệm mơ hình robot dạng người kích thước nhỏ HUBOT-5 chứng minh đề xuất luận án khả thi Kết nghiên cứu trình bày báo [2], [4] [7], danh mục cơng trình cơng bố tác giả Hai là, q trình robot dạng người bước thơng số tạo dáng (WPG) Dip không đổi Điều làm cho robot dạng người khó thực bước ổn định tự nhiên với quỹ đạo ZMP (Zero Momen Point) mong muốn Để vượt qua khó khăn này, tác giả thực nhận dạng điều khiển thông số tạo dáng (WPG) sử dụng mơ hình mạng nơ-rơn tiến hóa thích nghi (Adaptive Evolutionary Neural Model - AENM) tối ưu thuật toán (Modified Differential Evolution – MDE) Kết mơ mơ hình robot dạng người kích thước nhỏ HUBOT-5 chứng minh đề xuất luận án khả thi Kết nghiên cứu trình bày báo [3], danh mục cơng trình cơng bố tác giả Ba là, tạo dáng (WPG) phụ thuộc thông số (S, H, h, n) Dip đề xuất áp dụng cho robot dạng người giai đoạn bước thiếu giai đoạn chuẩn bị giai đoạn kết thúc Để bổ sung, tác giả tiếp tục hoàn thiện tạo dáng (WPG) Dip với đầy đủ giai đoạn mong muốn với tên gọi tạo mẫu tự nhiên (N-WPG) Kết mô mơ hình robot dạng người kích thước nhỏ HUBOT-4 chứng minh đề xuất luận án khả thi Kết nghiên cứu trình bày báo [1] [6], danh mục cơng trình công bố tác giả Bố cục luận án Luận án chia làm chương sau: Chương 1: Nghiên cứu tổng quan Chương 2: Tối ưu hóa dáng cho robot dạng người kích thước nhỏ bước ổn định với độ nhấc chân mong muốn sử dụng thuật tốn tiến hóa vi sai cải tiến (MDE) Chương 3: Tạo dáng thích nghi cho robot dạng người bước ổn định sử dụng mơ hình mạng nơ-rơn tiến hóa thích nghi (AENM) tối ưu thuật tốn tiến hóa vi sai cải tiến (MDE) Chương 4: Hoạch định dáng tự nhiên cho robot dạng người Chương 5: Kết luận kiến nghị CHƯƠNG NGHIÊN CỨU TỔNG QUAN 1.1 Robot dạng người Biped robot khái niệm dùng để robot có khả bước chân, người ta chủ yếu sử dụng biped robot khái niệm robot dạng người Năm 1970, tiên phong nghiên cứu biped robot hai nhà nghiên cứu tiếng Kato Vukobratovic Họ xây dựng mơ hình thực nghiệm biped robot sử dụng khái niệm ZMP kết hợp sơ đồ điều khiển đơn giản để robot dạng người thực vài bước chậm trường hợp thăng tĩnh Vào thập niên – 1980, đột phá đến từ Mỹ với hai nhà nghiên cứu R MC Ghee M Raibert Thật sự, R MC Ghee bắt đầu nghiên cứu biped robot vào thập niên 60 đại học Nam Cali (USC) thập niên 70 đại học Ohio (OSU) với kết bật điều khiển biped robot máy tính M Raibert đại học Carnegie Mellon (CMU) bắt đầu nghiên cứu ổn định động lực học chạy Sau đó, M Raibert thành lập phòng thí nghiệm LEGLAB Viện kỹ thuật Massachusetts (MIT) đạt kết ấn tượng cho robot có chân, hai chân bốn chân Cuối thập niên 90, với phát triển khoa học kỹ thuật chứng minh xây dựng robot dạng người Trong số robot dạng người lúc ASIMO hãng HONDA giống người Hiện nay, thành ấn tượng thường xuyên đề cập sản phẩm giới thiệu trường đại học, viện nghiên cứu, công ty dự án Các hoạt động nghiên cứu robot dạng người khắp giới tăng tốc thập kỷ qua Ngồi ra, có nhiều robot dạng người kích thước nhỏ để nghiên cứu chơi Ví dụ: chọn NAO Aldebaran Robotics, DARwInOP ROBOTIS, PALRO FujitSoft sê-ri KHR Kondo Kagaku Vào ngày 10 tháng năm 2012, dự án Nghiên cứu Quốc phòng Tiên tiến (DARPA) Hoa Kỳ công bố chương trình, cụ thể Thử thách Robot DARPA (DRC) Mục tiêu phát triển cơng nghệ robot thực nhiệm vụ phức tạp môi trường nguy hiểm người cách sử dụng công cụ, thiết bị phương tiện có sẵn người Như vậy, nghiên cứu robot dạng người phổ biến nhiều nước giới Ngoài việc tập trung vào phần trí tuệ nhân tạo, nghiên cứu hoạch định quỹ đạo bước điều khiển cân bước cho robot xem xét Hầu hết robot sử dụng tiêu chuẩn ổn định ZMP để thiết kế quỹ đạo động lực học thiết kế điều khiển nhằm giúp robot bước ổn định địa hình khơng biết trước 1.2 Tổng quan xây dựng quỹ đạo điều khiển robot dạng người Bước người ln ẩn chứa nhiều bí ẩn mà mẫu robot dạng người hai chân chưa thể hết Chính thế, nghiên cứu dành cho chế bước robot dạng người phát triển theo nhiều hướng khác Một số tiêu chuẩn áp dụng cho robot dạng người để bảo đảm bước ổn định tự nhiên Bước tĩnh (static walking) nguyên lý áp dụng đầu tiên, hình chiếu thẳng đứng khối tâm (CoM - center of mass) xuống mặt đất nằm lòng bàn chân chống (supporting foot); nói cách khác, robot dạng người dừng lại thời điểm lúc bước mà không bị ngã Với chất đơn giản, nguyên lý áp dụng hiệu cho robot dạng người có tốc độ chậm, qua hiệu ứng động lực học bỏ qua Sau đó, nhà nghiên cứu bắt đầu tập trung phát triển bước động (dynamic walking) Phương pháp cho phép robot dạng người đạt tốc độ bước nhanh Tuy nhiên, trình robot dạng người thực bước động, robot bị ngã ảnh hưởng nhiễu môi trường dừng đột ngột Vì vậy, bước dựa nguyên lý ZMP (ZMP-based walking) đề xuất Hầu hết robot đồ chơi thực tĩnh cách sử dụng bàn chân lớn Điều không thú vị theo quan điểm kỹ thuật điều khiển dễ dàng Tuy nhiên, bàn chân người nhỏ so với chiều cao khối tâm để thực bước tĩnh thực bước động sống hàng ngày Chúng ta thực phong cách cách kiểm sốt khéo léo cân tồn thể mà không ổn định Do đó, robot dạng người vượt ngồi phạm vi kỹ thuật khí thơng thường Đây lý mà nhiều nhà nghiên cứu kỹ sư bị thu hút để robot dạng người bước giống người Theo quan điểm Shuuji Kajita, để robot dạng người bước mong muốn phải có mẫu (Walking Pattern) Để tạo mẫu bộ, ta sử dụng tạo dáng (Walking Pattern Generator - WPG) Trong điều kiện lý tưởng, robot dạng người thực bước mong muốn thỏa điều kiện: mơ hình tốn học robot dạng người xác, kết cấu khí truyền động điện robot dạng người đáp ứng xác yêu cầu mẫu bộ, mặt phẳng robot dạng người bước không nhấp nhô Thực tế, robot dạng người bước vài milimeters mặt phẳng khơng phẳng ngã Khối tâm robot dạng người thay đổi nhanh robot dạng người thay đổi tư thế, nên robot dạng người bị thăng Để vượt qua khó khăn này, cần phần mềm thứ để điều chỉnh mẫu bộ, cách sử dụng quay hồi chuyển, cảm biến gia tốc, cảm biến lực thiết bị khác hay gọi cân Bộ tạo dáng (WPG) thiết kế dựa theo tiêu chuẩn ZMP, có hai kiểu thiết kế tạo dáng thịnh hành là: dựa vào mơ hình lắc ngược dựa vào quỹ đạo bàn chân hông Người tiên phong theo mơ hình lắc ngược Shuuji Kajita Từ đó, nhiều nghiên cứu giới tập trung vào việc khảo sát mơ hình lắc ngược 3D để áp dụng điều khiển cho robot hai chân mô người Người tiên phong theo dựa vào quỹ đạo bàn chân hông Qiang Huang Phương pháp đưa ràng buộc cho hông chân, từ xây dựng phương trình quỹ đạo bước cách nội suy spline bậc ba Sau có phương trình quỹ đạo bước khớp hơng, chương trình tính tốn ZMP dựa theo ZMP để chọn hệ số phương trình quỹ đạo bước cho robot trạng thái cân Bộ cân xây dựng dựa nhiều nguyên tắc khác Bộ cần dựa vào điều khiển momen xoắn cổ chân robot dạng người Phương pháp sử dụng nhiều robot dạng người phát triển vào thập niên 1980 1990 Phương pháp thứ hai dựa mơ hình lắc ngược sửa đổi vị trí chân để ổn định Bộ cân dựa điều khiển gia tốc khối tâm CoM thông qua thay đổi động thời gian lấy mẫu Bộ cân dựa vào điều khiển tư robot dạng người khớp hông Đối với hầu hết robot bộ, mong muốn thể trì tư thẳng đứng Cách dễ xoay khớp hông để thể giữ trạng thái mong muốn dựa cảm biến tư Gần đây, Shuuji Kajita đồng nghiệp đề xuất ổn định dựa mơ hình LIPM với điều khiển ZMP Bộ ổn định cho phép robot hình người HRP-4C họ bề mặt không phẳng thực giống người với hỗ trợ ngón chân Mẫu (WP) dựa vào Bộ tạo dáng (WPG) đề xuất cách Đối với tạo mẫu (WP) online, Kajita đề xuất phương pháp điều khiển preview Đối với phương pháp thực tế, Harada et al đề xuất sử dụng giải pháp phân tích phương trình ZMP Sau đó, điều cải thiện Morisawa et al để thực WP hiệu Những phương pháp kiểm chứng thực nghiệm HRP-2 Điều khiển preview gọi chung điều khiển dự báo theo mơ hình (MPC-Model Predictive Control), mà việc tính tốn điều khiển đầu vào cách thực tối ưu hóa quỹ đạo tương lai Dựa MPC, Wieber đề xuất phương pháp tạo mẫu (WP) dựa việc tối ưu hóa chương trình bậc hai (QP) mà khơng u cầu ZMP quy định Bằng phương pháp này, quỹ đạo ZMP CoM tạo đồng thời từ phần tử vùng chân trụ Dưới quan điểm toán học, nhiệm vụ tạo mẫu (WP) nghiên cứu vấn đề tối ưu đa mục tiêu có ràng buộc, tốn cần giải phù hợp với kỹ thuật tính tốn mềm Trong khứ, có đóng góp đáng kể việc phát triển robot dạng người nhằm mang lại hiệu mặt lượng tối ưu hóa thơng số dáng chúng thuật tốn tiến hóa Người ta thấy rằng, điểm yếu robot dạng người sử dụng ZMP chúng tiêu thụ nhiều lượng Năng lượng tiêu thụ robot dạng người bước phụ thuộc vào mẫu (WP) Do đó, việc thiết kế cẩn thận mẫu (WP) robot dạng người giúp ích nhiều, việc giảm mức tiêu thụ lượng tăng tính ổn định Một số đóng góp liên quan đến tối ưu hóa dáng đáng đề cập Capi đồng nghiệp sử dụng thuật toán di truyền mã hóa thực (Real Coded Genetic Algorithm - RCGA) để tối ưu hóa lượng tiêu thụ robot dạng người Mục tiêu tìm quỹ đạo góc quay khớp để robot dạng người tiêu thụ lượng tối thiểu Hàm lượng xây dựng dự vào mô-men xoắn tạo khớp động robot dạng người Capi đồng nghiệp tạo mẫu (WP) hiệu lượng thời gian thực sử dụng thuật toán di truyền (GA) mạng nơ-rôn hàm sở xuyên tâm (RBFNN - Radial Basis Function Neural Network) Park đồng nghiệp sử dụng GA để giảm thiểu lượng tiêu thụ robot dạng người, cách chọn vị trí tối ưu cho khối tâm khâu Choi đồng nghiệp sử dụng GA để tối ưu hóa quỹ đạo robot dạng người (IWR-III) cách giảm thiểu tổng độ lệch vận tốc (hay gia tốc) để trì liên tục quỹ đạo phân phối lượng điểm Bên cạnh tiêu thụ lượng, mối quan tâm lớn khác cho robot dạng người ổn định Khái niệm ZMP nhà nghiên cứu lựa chọn để đảm bảo ổn định robot dạng người Ames đồng nghiệp tối ưu hóa tham số dáng robot NaO cho mẫu (WP) robot gần với mẫu (WP) người sử dụng phương pháp bình phương tối thiểu Lin và đồng nghiệp đề xuất phương pháp cân động cho robot dạng người cách sử dụng mạng nơ-rôn máy tính số học mơ hình tiểu não (Cerebellar Model Arithmetic Computer - CMAC) Phương pháp tìm tham số dáng tối ưu hóa thời gian thực Miller đồng nghiệp cải tiến thuật tốn điều khiển cho robot dạng người tăng tính ổn định Cụ thể, Miller mơ hình hóa dáng dao động đơn giản, áp dụng thuật tốn điều khiển PID sau thực huấn luyện mạng nơ-rôn Phương pháp không cần biết thông tin động học động lực học mà robot dạng người bước ổn định Zhou đồng nghiệp sử dụng học tăng cường mờ (Fuzzy Reinforcement Learning - FRL) để tạo mẫu (WP) ổn định cho robot dạng người Mặc dù phương pháp không yêu cầu thông tin động học động lực học số bậc tự (Dof) robot dạng người tăng thời gian để để tạo mẫu (WP) phù hợp cho trạng thái tăng Jha đồng nghiệp sử dụng GA để tạo quy tắc sở cho điều khiển logic mờ (FLC) tạo dáng ổn định cho robot dạng người Udai đề xuất GA Mostafa đồng nghiệp đề xuất WOA, để tối ưu hóa quỹ đạo hơng robot dạng người cho độ lệch ZMP tâm bàn chân trụ nhỏ nhất, điều làm tăng tính ổn định robot dạng người Vundavilli đồng nghiệp sử dụng hai phương pháp lai GA-NN GA-FLC để tạo dáng ổn định cho robot dạng người lên xuống cầu thang Mặc dù, lượng độ ổn định tối ưu hóa cách riêng biệt đề cập trên, thấy hai mục tiêu đối lập Để vượt qua khó khăn này, nhiều nghiên cứu thực tối ưu hóa đa mục tiêu số kết thực thời gian qua sau Lee đồng nghiệp sử dụng thuật tốn tối ưu đa mục tiêu tiến hóa (MOEA) để tạo mẫu (WP) cho robot dạng người với ba mục tiêu tương phản: lượng tiêu thụ, tốc độ độ ổn định Dip đồng nghiệp áp dụng thuật toán di truyền (GA) để tạo mẫu (WP) cho robot dạng người với hai mục tiêu tương phản: tốc độ độ ổn định Huan Dau đồng nghiệp áp dụng thuật toán di truyền (GA) để tạo mẫu (WP) cho robot dạng người với hai mục tiêu tương phản: lượng tiêu thụ độ ổn định Pratihar đồng nghiệp cho thấy MO-PSO hoạt động tốt MO-GA, việc tối ưu hóa dáng cho robot dạng người với hai mục tiêu tương phản: công suất tiêu thụ độ ổn định Điều thuật tốn PSO tìm kiếm giải pháp tối ưu khơng gian tìm kiếm cục toàn cầu Jaj đồng nghiệp áp dụng MOEA để tạo dáng cho robot dạng người NAO với hai mục tiêu tương phản: độ ổn định lượng Fattah đồng nghiệp sử dụng GA để tạo dáng cho robot dạng người với hai mục tiêu đối lập độ ổn định công suất 1.3 Kết luận Mặc dù có nhiều lý thuyết thành công việc xây dựng quỹ đạo điều khiển robot dạng người ứng dụng vào robot thực tế Tuy nhiên so sánh với người nhiều cấp độ khác kết quỹ đạo bước dáng robot dạng người có được, chưa thật tự nhiên, ổn định bền vững Rõ ràng robot hai chân mô người đối mặt với nhiều thách thức phải vượt qua Trong luận án này, tác giả thực nghiên cứu phát triển tạo dáng (WPG) phụ thuộc thông số Dip (chiều dài bước - S, độ nhấc chân - H, độ khuỵu gối - h độ lắc hông - n) kết hợp phương pháp tối ưu hóa ngẫu nhiên mơ hình mạng nơ-rơn tiến hóa thích nghi để robot dạng người bước ổn định tự nhiên người Mục tiêu nghiên cứu trọng tâm luận án bao gồm vấn đề sau: - Dip đề xuất tạo dáng (WPG) phụ thuộc thông số (S, H, h, n) thực tối ưu thông số tạo dáng (WPG) để robot dạng người (kích thước nhỏ) bước ổn định với vận tốc nhanh sử dụng thuật toán di truyền (GA) Tuy nhiên, để bắt chướt dáng người robot dạng người phải kiểm sốt độ nhấc chân Vì vậy, tác giả tiếp tục thực tối ưu thông số dáng (S, H, h, n) tạo dáng (WPG) để robot dạng người bước ổn định với độ nhấc chân mong muốn sử dụng phương pháp tối ưu hóa ngẫu nhiên (meta-heuristic optimization approaches) - Trong q trình robot dạng người bước thơng số tạo dáng (WPG) Dip không đổi Điều làm cho robot dạng người khó thực bước ổn định tự nhiên với quỹ đạo ZMP mong muốn Để vượt qua khó khăn này, tác giả thực nhận dạng điều khiển thông số tạo dáng (WPG) sử dụng mơ hình mạng nơ-rơn tiến hóa thích nghi (AENM) tối ưu thuật toán MDE - Bộ tạo dáng (WPG) phụ thuộc thông số (S, H, h, n) Dip đề xuất năm 2009 áp dụng cho robot dạng người giai đoạn bước thiếu giai đoạn chuẩn bị giai đoạn kết thúc Để bổ sung, tác giả tiếp tục hoàn thiện tạo dáng (WPG) Dip với đầy đủ giai đoạn mong muốn Hình 2.8 [A] [B] minh họa điểm ZMP hình chiếu COM tương ứng với trường hợp có độ nhấc chân H= 2cm H=4cm Điều cho thấy điểm ZMP ln nằm diện tích vùng chân trụ, nghĩa HUBOT-5 khơng bị ngã Hình 2.9 minh họa hình ảnh HUBOT-5 thực bước ổn định với độ nhấc chân H ref =2cm H ref =4cm Hình 2.10 minh họa 10 quỹ đạo góc quay tham chiếu góc quay thực tế chu kỳ bước chân HUBOT-5, thực bước với tham số dáng có độ nhấc chân khác Tóm lại, kết tối ưu chạy mô thể đầy đủ bảng 2.4, hình 2.7, hình 2.8 Tương ứng, kết thực nghiệm giải thuật đề xuất nhúng mơ hình robot dạng người kích thước nhỏ HUBOT-5 thể hình 2.9, hình 2.10, ứng với độ nhấc chân H ref 2cm 4cm Các kết mô thực nghiệm cho thấy việc cài đặt dáng có độ nhấc chân theo ý muốn – H ref với tham số dáng (chiều dài bước –S, độ nhấc chân – H, độ khuỵu gối – h độ lắc hông – n) tối ưu giúp robot dạng người HUBOT-5 bước ổn định không ngã đạt khả bám sát giá trị độ nhấc chân – H ref theo ý muốn, nhờ sử dụng thuật toán MDE khả thi 2.6 Kết luận Chương giới thiệu thuật toán cho phép tạo dáng cân động cho robot dạng người dựa thuật tốn tiến hóa vi sai cải tiến MDE Đầu tiên, động học ngược sử dụng để ước tính vị trí động đặt khớp chân Sau 14 đó, thuật tốn tối ưu MDE sử dụng để tìm giá trị tốt cho tham số dáng robot dạng người cho robot dạng người bước ổn định với độ nhấc chân cài đặt trước Kết mô thực nghiệm robot dạng người kích thước nhỏ HUBOT-5 cho thấy việc sử dụng thuật toán MDE với hàm mục tiêu hợp lý, cho phép robot dạng người bước bền vững với thời gian huấn luyện rút ngắn hiệu CHƯƠNG TẠO DÁNG ĐI THÍCH NGHI CHO ROBOT DẠNG NGƯỜI BƯỚC ĐI ỔN ĐỊNH SỬ DỤNG MƠ HÌNH MẠNG NƠ-RƠN TIẾN HĨA THÍCH NGHI (AENN) ĐƯỢC TỐI ƯU BỞI THUẬT TỐN MDE 3.1 Giới thiệu Trong trình robot dạng người bước thơng số tạo dáng (WPG) Dip không đổi Điều làm cho robot dạng người khó thực bước ổn định tự nhiên với quỹ đạo ZMP mong muốn Để vượt qua khó khăn này, tác giả thực nhận dạng điều khiển thông số tạo dáng (WPG) sử dụng mơ hình mạng nơ-rơn tiến hóa thích nghi (AENM) tối ưu thuật tốn MDE Kết mơ mơ hình robot dạng người kích thước nhỏ HUBOT-5 chứng minh đề xuất luận án khả thi 3.2 Nhận dạng tối ưu mơ hình mạng nơ-rơn tiến hóa thích nghi (AENM) sử dụng thuật tốn tiến hóa vi sai cải tiến (MDE) Trong chương này, mơ hình nơ-rơn tiến hóa thích nghi (AENM) đề xuất để tạo tham số đầu vào cho tạo dáng (WPG) minh họa hình 3.1 Bộ tạo mẫu (WPG) mơ tả Goswami Dip trình bày mục 2.2 Mơ hình nơ-rơn tiến hóa thích nghi (AENM) khảo sát kết hợp cấu trúc mạng nơ-rôn đa lớp (MLPNN) với mơ hình hồi qui phi tuyến (NARXAuto Regressive eXogenous model) thường dùng kỹ thuật nhận dạng Nhờ kết hợp này, mơ hình nơ-rơn tiến hóa thích nghi kết hợp khả xấp xỉ mạnh mạng nơ rơn đa lớp với tính nhớ dự báo tốt mơ hình hồi qui phi tuyến NARX Ngõ mơ hình nơ-rơn tiến hóa thích nghi ngõ vào tạo mẫu (WPG) ngõ tạo mẫu (WPG) tạo giá trị góc quay khớp hai chân robot dạng người Ngõ mơ hình robot dạng người giá trị điểm ZMP (được tính trình bày mục 2.3.3) Ngõ vào mơ hình nơ-rơn tiến hóa thích nghi giá trị điểm ZMP mong muốn ngõ mơ hình robot dạng người Các giá trị trọng số mơ hình nơ-rơn tiến hóa thích nghi nhận 15 dạng tối ưu thuật tốn tiến hóa vi sai cải tiến (MDE) Mạng nơ-rơn có tế bào thần kinh lớp vào (tương ứng desiredZMPx[n], DesiredZMPy[n], ZMPx[n-1] ZMPy[n-1] ) tế bào thần kinh lớp (tương ứng S[n], H[n], h[n], n[n]) Ngõ mô hình mạng nơ-rơn tiến hóa thích nghi (AENM) mơ tả sau: neth [n] vT [n] x[n] bh 1 eneth eneth neto [n] wT yh [n] bo yh [ n ] yo [n] neto [n] đó, neth tổng có trọng số (v) tín hiệu vào (x) mức ngưỡng (bh) trước đưa vào hàm tác động tế bào thần kinh lớp ẩn yh tín hiệu tế bào thần kinh lớp ẩn yo tín hiệu tế bào thần kinh lớp có giá trị với tổng có trọng số (w) tín hiệu (yh) mức ngưỡng (bo) Như bốn tham số H, h, s n nhận dạng tối ưu để giúp robot dạng người bước theo quỹ đạo ZMP tham chiếu 3.4 Kết nhận dạng tạo dáng cho robot dạng người sử dụng mơ hình AENM Trong chương này, mơ hình mạng nơ-rơn tiến hóa thích nghi thiết kế với tế bào thần kinh lớp ẩn, tế bào thần kinh lớp vào, tế bào thần kinh lớp ra, với cấu trúc Hình 3.3 Mơ hình mạng nơ-ron hoạt động điều khiển vòng kín đảm bảo robot dạng người bước ổn định Các ngõ vào tọa độ điểm ZMP bị trễ bước (x[n1] y[n-1]) tọa độ điểm ZMP mong muốn (xd[n], yd[n]) Các ngõ tham số (S[n], H[n], h[n], n[n]) tham số ngõ vào tạo mẫu dáng (WPG) Trọng số mơ hình mạng nơ-rơn tiến hóa (AENM) đề xuất nhận dạng tối ưu cách sử dụng thuật tốn tiến hóa vi sai cải tiến (MDE) Hàm mục tiêu tính tốn dựa vào tiêu chuẩn sai số bình phương tối thiểu (LMS) cơng thức (3.1) f X Total Sample desiredX zmp Yzmp desiredYzmp zmp (3.1) Ban đầu, trọng số mơ hình mạng nơ-rơn tiến hóa thích nghi (AENM) khởi tạo ngẫu nhiên Sau đó, trọng số AENM cập nhật tối ưu với bốn giá trị đầu (S, H, h, n) để cấp cho tạo dáng (WPG), WPG tạo 10 giá trị góc khớp cho điều khiển robot dạng người Tiêu chuẩn ZMP chọn 16 để đảm bảo độ ổn định cho robot dạng người bước đi, ZMP tính toán từ AENM so sánh với ZMP mong muốn Sau đó, hàm mục tiêu tính phương trình (3.1) Phương trình (3.1) cho thấy giá trị nhỏ hàm mục tiêu trở nên xác mô AENM đề xuất đạt Các kết so sánh thu từ ba thuật toán thử nghiệm, cụ thể PSO, GA MDE đề xuất, trình bày đầy đủ Mỗi thuật toán ngẫu nhiên áp dụng để huấn luyện AENM thực 10 lần với trọng số ban đầu ngẫu nhiên khác Mỗi lần huấn luyện lặp 200 hệ cho mục đích so sánh Các tham số ba thuật tốn tối ưu hóa tổng hợp Bảng 3.1 Các tham số c1, c2 đại diện cho gia tốc w đại diện cho qn tính thuật tốn tối ưu hóa PSO Trong trường hợp thuật toán GA, tham số CP tương ứng với xác suất lai ghép giá trị MP tương ứng với xác suất đột biến Hình 3.4 trình bày kết so sánh hội tụ hàm mục tiêu tương ứng ba thuật toán thử nghiệm, PSO, GA MDE đề xuất hệ trục tọa độ logarit Màu xanh đại diện cho hội tụ hàm mục tiêu sử dụng thuật tốn PSO, đó, đường gạch ngang màu xanh hội tụ hàm mục tiêu trung bình tính từ 10 đường chấm màu xanh Tương tự, màu xanh lam đại diện cho hội tụ hàm mục tiêu sử dụng thuật tốn GA, đó, đường gạch ngang màu xanh lam hội tụ hàm mục tiêu trung bình xác định từ 10 đường chấm màu xanh lam Cuối cùng, màu đỏ đại diện cho hội tụ hàm mục tiêu sử dụng thuật toán MDE đề xuất, đó, đường gạch ngang màu đỏ hội tụ hàm mục tiêu trung bình tính từ 10 đường chấm màu đỏ Trong Hình 3.4, kết so sánh hội tụ hàm mục tiêu cho thấy thuật toán PSO bị rơi vào nghiệm cực trị cục nên nhận dạng thành công AENM đề xuất Trong GA MDE chứng minh thành cơng để có nghiệm tồn cục Đường màu xanh lam hội tụ dựa GA đường màu đỏ hội tụ dựa MDE đề xuất cho kết tốt so với đường màu xanh Hơn nữa, so sánh GA MDE đề xuất, Hình 3.4 cho thấy hội tụ hàm mục tiêu dựa MDE đề xuất chứng minh tốt thuật tốn tối ưu hóa GA Trong hình Hình 3.5 cho thấy kết so sánh đáp ứng quỹ đạo ZMP AENM đề xuất ZMP mong muốn Rõ ràng để thấy kết màu xanh 17 lam màu đỏ đại diện cho đáp ứng quỹ đạo ZMP mơ hình AENM đề xuất huấn luyện với thuật toán GA MDE, giống với ZMP mong muốn Hơn nữa, rõ ràng xác nhận đường màu xanh lam đường màu đỏ theo quỹ đạo ZMP định hướng tốt đường màu xanh mà thể đáp ứng ZMP AENM đề xuất sau huấn luyện với PSO Bảng 3.2 cho thấy kết huấn luyện so sánh PSO, GA MDE Dựa kết trung bình từ 10 lần chạy thử, giá trị hàm mục tiêu MDE chứng minh tốt GA khoảng 14,9% nhanh GA 3,8% Sử dụng kết so sánh lập bảng Bảng 3.2, rõ ràng kết luận thuật toán MDE đề xuất chứng minh khả tốt mạnh mẽ so với thuật tốn PSO GA Hình 3.6 cho thấy kết so sánh góc quay 10 khớp robot dạng người Từ Hình 3.6, nhận thấy giá trị góc quay 10 khớp xác định sử dụng GA gần với MDE Thực tế khác biệt nhỏ tạo tác động đáng kể định đến robot dạng người việc ổn định mạnh mẽ Góc quay θ3 θ8 xác định sử dụng GA có thay đổi lớn so với MDE Điều khiến robot dạng người không đòi hỏi nhiều lượng mà phải chịu ổn định so với kết xác định dựa MDE Các giá trị trọng số phù hợp AENM đề xuất huấn luyện tối ưu thuật toán MDE trình bày Bảng 3.3 Bảng cho thấy vij đại diện cho giá trị trọng số ngõ vào lớp ẩn, i từ đến số ngõ vào, j từ đến số tế bào thần kinh lớp ẩn, tương ứng; bh biểu thị mức ngưỡng lớp ẩn; wij đại diện cho giá trị trọng số ngõ vào 18 lớp ra, i từ đến số tế bào thần kinh lớp ẩn, j từ đến số ngõ ra; b0 đại diện cho mức ngưỡng lớp 3.6 Kết luận Chương đề xuất tạo dáng áp dụng cho robot dạng người kích thước cỡ nhỏ, nhận dạng tối ưu thuật tốn tiến hóa vi sai cải tiến (MDE), cụ thể mơ hình mạng nơ-rơn tiến hóa thích nghi (AENM) Thông qua mô động lực học robot dạng người ổn định kết hợp động học ngược nguyên lý ZMP, kết chứng minh ứng dụng có hiệu suất cao cho tạo dáng cho robot dạng người mạnh mẽ xác AENM đề xuất thực khả dự đoán tốt để robot dạng người bước tự nhiên Thơng qua thuật tốn MDE sử dụng vai trò tìm kiếm, khơng đòi hỏi điều kiện ban đầu cụ thể, dễ dàng tránh cực tiểu cục nhanh chóng hội tụ đến nghiệm tối ưu toàn cục CHƯƠNG4 HOẠCH ĐỊNH DÁNG ĐI TỰ NHIÊN CHO ROBOT DẠNG NGƯỜI 4.1 Giới thiệu Bộ tạo dáng (WPG) phụ thuộc thông số (S, H, h, n) Dip đề xuất áp dụng cho robot dạng người giai đoạn bước thiếu giai đoạn chuẩn bị giai đoạn kết thúc Để bổ sung, tác giả tiếp tục hoàn thiện tạo dáng (WPG) Dip với đầy đủ giai đoạn mong muốn với tên gọi tạo mẫu tự nhiên (N-WPG) Kết mơ mơ hình robot dạng người kích thước nhỏ HUBOT-4 chứng minh đề xuất luận án khả thi 4.2 Bộ tạo mẫu tự nhiên (N-WPG) cho robot dạng người 4.2.1 Chu kỳ bước tự nhiên Như Hình 4.1, trình robot dạng người bước tự nhiên có đầy đủ giai đoạn: Giai đoạn chuẩn bị liên quan đến robot dạng người bắt đầu chuyển tư thế, từ tư chân đứng thẳng sang tư chân khuỵa gối so le Giai đoạn bước liên quan đến robot dạng người thực bước phía trước với chân trụ chân di chuyển thay đổi liên tục cho (tuy nhiên hình minh họa bước giai đoạn bước đi) Giai đoạn kết thúc liên quan đến robot 19 dạng người chuyển tư chân khuỵa gối so le sang thư chân đứng thẳng Thời gian bước (0 – T) giai đoạn chia thành khoảng thời gian Khoảng thời gian (0 – T1) pha đôi (DSP – Double Support Phase), robot dạng người lắc hơng phía chân trụ Khoảng thời gian thứ hai (T1 – T2) pha đơn (SSP – Single Support Phase), robot dạng người nhấc chân di chuyển phía trước hạ chân xuống Khoảng thời gian thứ ba (T2 – 0) pha đôi (DSP – Double Support Phase), robot dạng người lắc hông ngược lại Khoảng thời gian bước minh họa Hình 4.2 Mỗi dáng robot dạng người phụ thuộc vào tham số: S – chiều dài bước, h – độ khuỵa chân, H – độ nhấc chân, n – độ lắc hông, T – chu kỳ bước Hình 4.2 Vận động robot dạng người thực cách dựa vào hàm phụ 20 thuộc thời gian vị trí tham chiếu: P5 =[ P5 x , P5 y , P5 z ] hông, P1 =[ P1x , P1y , P1z ] P10 =[ P10 x , P10 y , P10 z ] bàn chân trái phải Dựa vào chu kỳ bước tự nhiên phân tích trên, tạo mẫu tự nhiên (NWPG) cho robot dạng người tiếp tục xây dựng với phát quỹ đạo cổ chân (P1, P10) hông (P5) phụ thuộc vào thông số dáng (S, H, h, n) mục 4.2.2; tạo quỹ đạo 10 góc quay ( 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 10 ) cho khớp chân từ quỹ đạo (P1, P5, P10) mục 4.2.3 4.2.2 Quỹ đạo tham chiếu hai bàn chân hông 4.2.2.1 Quỹ đạo tham chiếu chân phải Quỹ đạo mong muốn P1x mô tả công thức (4.1) 0 S S P1x t t T 3 S , t T 3 , T 3 t T 5 (4.1) , T 5 t 3T Tại thời điểm T 3 T 5 robot dạng người bị dừng đột ngột giật mạnh Để giải vấn đề, hàm sin sử dụng để thay như công thức (4.2) 0 , 0t T w S P1x t 1 sin t , T t 2T 2 2 , 2T t 3T S Quỹ đạo mong muốn P1y mô tả công thức (4.3) P1 y t , t 3T Quỹ đạo mong muốn (4.2) (4.3) P1z mô tả công thức (4.4) T H t H 2 P1z t H T H t H 6 , t T 2 , T 2 t T 3 , T 3 t T 5 , T 5 t T 6 , T 6 t 3T 21 (4.4) Tại thời điểm T 2 , T 3 , T 5 T 6 robot dạng người bị dừng đột ngột giật mạnh Để giải vấn đề, hàm sin sử dụng để thay công thức (4.5) 0 w P1z t H sin( sin t 1) 2 0 , t T , T t 2T (4.5) , 2T t 3T 4.2.2.2 Quỹ đạo tham chiếu chân trái Quỹ đạo mong muốn P10 x mô tả công thức (4.6) S t S S P10 x t S S 1 T t S , t 3 , 3 t 5 , 5 t 2T 3 (4.6) , 2T 3 t 2T 5 , 2T 5 t 3T Tại thời điểm 3 , 5 , 2T 3 2T 5 robot dạng người bị dừng đột ngột giật mạnh Để giải vấn đề, hàm sin sử dụng để thay công thức (4.7) w S 1 sin t , t T 2 S P10 x t , T t 2T S 3 sin w t 5 , 2T t 3T 2 Quỹ đạo mong muốn P10 y t w P10 y mô tả công thức (4.8) , t 3T Quỹ đạo mong muốn (4.7) (4.8) P10 z mô tả công thức (4.9) 22 H t 2H H H t 6H P10 z t 0 H T t H 1 H T H t H 3 , t 2 , 2 t 3 , 3 t 5 , 5 t 6 (4.9) , 6 t 2T 2 , 2T 2 t 2T 3 , 2T 3 t 2T 5 , 2T 5 t 2T 6 , 2T 6 t 3T Tại thời điểm 2 , 3 , 5 , 6 , 2T 2 , 2T 3 , 2T 5 2T 6 robot dạng người bị dừng đột ngột giật mạnh Để giải vấn đề, hàm sin sử dụng để thay công thức (4.10) w H sin( sin t 1) , t T 2 P10 z t 0 , T t 2T w 5 H sin( sin t 1) , 2T t 3T 2 2 (4.10) 4.2.2.3 Quỹ đạo tham chiếu hông Quỹ đạo mong muốn P5 x mô tả công thức (4.11) 0 S t S 8 S S T S P5 x t t 1 4 2 3S S S 3 T t 2 8 S , t 3 , 3 t 5 , 5 t T 3 , T 3 t T 5 , T 5 t 2T 3 , 2T 3 t 2T 5 , 2T 5 t 3T 23 (4.11) Tại thời điểm 3 , 5 , T 3 , T 5 2T 3 2T 5 robot dạng người bị dừng đột ngột giật mạnh Để giải vấn đề, hàm sin sử dụng để thay công thức (4.12) w S 1 sin t , t T 2 S w 3 P5 x t 1 sin t , T t 2T 2 S w 5 7 sin t , 2T t 3T 2 Quỹ đạo mong muốn (4.12) P5 y mô tả công thức (4.13) Tại thời điểm 2 , 6 , T 2 , T 6 2T 2 2T 6 robot dạng người bị dừng đột ngột giật mạnh Để giải vấn đề, hàm sin sử dụng để thay như công thức (4.14) n t n 2n 12 t n 1 T T P5 y t n 4T 2n t n 1 4 T 4 T n n 3nT t T T , t 2 , 2 t 6 , 2 t T 2 (4.13) , T 2 t T 6 , T 6 t 2T 2 , 2T 2 t 2T 6 , 2T 6 t 3T P5 y _ first _ half _ cycle t .[u (t ) u (t T )] P5 y _ first _ half _ cycle t .[u (t 2T ) u (t T )] , t T (4.14) P5 y _ first _ half _ cycle t1 .[u (t1 ) u (t1 T )] P5 y t P5 y _ first _ half _ cycle t1 .[u (t1 2T ) u (t1 T )] w , t1 t T and T t 2T P t .[u (t2 ) u (t2 T )] y _ first _ half _ cycle , t2 t 2T and 2T t 3T P5 y _ first _ half _ cycle t .[u (t2 2T ) u (t2 T )] : T T T P5 y _ first _ half _ cycle t n sin u u n cos u u T T 2 T 24 t if t T 0 if t u t t T if t T 1 if t Quỹ đạo mong muốn P5 z mô tả công thức (4.15) h t l , 0t T T P5 z t l h , T t 2T h t l 3h , 2T t 3T T đó: l d1 d d d (4.15) Tại thời điểm T 2T robot dạng người bị dừng đột ngột giật mạnh Để giải vấn đề, hàm sin sử dụng để thay công thức (4.16) w w , t T k1 h.sin sin t 1.sin t 4 2 2 2 P5 z t k1 , T t 2T w w k1 h.sin sin 3T t 1.sin 3T t , 2T t 3T (4.16) đó: k1 d1 d d d h 4.2.3 Phân tích động học ngược robot dạng người Cuối cùng, quỹ đạo 10 góc quay chân robot dạng người q trình bước xác định dựa vào P1 = [ P1x , P1y , P1z ], P5 = [ P5 x , P5 y , P5 z ] P10 = [ P10 x , P10 y , P10 z ] Bài toán động học ngược robot dạng người giải phương pháp giải tích phương pháp số phương pháp hình học 10 góc khớp quay chân robot dạng người xác định công thức (2.4) 4.3 Vận động robot dạng người dựa nguyên lý ZMP Mục tiêu điều khiển robot dạng người nhằm đạt dáng tự nhiên ổn định Muốn thế, điểm ZMP ln nằm bên diện tích vùng chân trụ Khi hai chân chạm đất diện tích vùng chân trụ diện tích bao quanh bàn chân robot dạng người, chân chạm đất diện tích vùng chân trụ diện tích bàn chân chạm đất Nếu ZMP nằm vùng diện tích vùng chân trụ robot dạng người không bị ngã Đối với robot dạng người kích thước nhỏ, giả thiết mơ-men qn tính gia tốc góc tuyệt đối liên kết đủ nhỏ để bỏ qua, cơng thức ZMP tính cơng thức (2.10) 25 4.4 Phân tích quỹ đạo ZMP tạo mẫu tự nhiên Trong phần này, chất lượng quỹ đạo ZMP trình bước tự nhiên robot dạng người mô tả mục 4.2 phân tích Trong trường hợp quỹ đạo ZMP khơng nằm hồn tồn bên vùng ổn định, quỹ đạo ZMP thực điều chỉnh thông qua việc sửa đổi tham số dáng (S, H, h, n) Để ảnh hưởng tham số dáng quỹ đạo ZMP, thiết lập số mẫu tự nhiên quan sát hiệu ứng chúng quỹ đạo ZMP cho robot dạng người kích thước nhỏ HUBOT-4 chúng tơi Robot dạng người kích thước nhỏ (HUBOT4) có thân hai chân mơ tả Hình 4.3 Bảng 4.1 trình bày tham số dáng cho việc khảo sát Hình 4.4 minh họa quỹ đạo ZMP GCOM HUBOT-4 trình bước tự nhiên tương ứng với dáng Mẫu a (trong bảng 4.1) lựa chọn để thực khảo sát dáng cho HUBOT-4 Dáng HUBOT-4 mặt phẳng đứng ngang mặt phẳng đứng dọc thể Hình 4.5 Hình 4.6 với [A]: Giai đoạn chuẩn bị [B]: Giai đoạn bước [C]: Giai đoạn kết thúc Các quỹ đạo khớp cho chân trái phải thể Hình 4.7 với [Xanh lá]: Giai đoạn chuẩn bị [Đỏ]: Giai đoạn bước [Xanh dương]: Giai đoạn kết thúc 26 4.5 Kết luận Chương chủ yếu trình bày phương pháp off-line cho tạo mẫu tự nhiên ổn định lần áp dụng cho robot dạng người kích thước nhỏ HUBOT-4 xét theo mặt đứng ngang (YZ-Frontal View) mặt đứng dọc (XZ-Sagittal View) Bộ tạo mẫu tự nhiên ổn định phụ thuộc vào bốn tham số (chiều dài bước, độ nhấc chân, độ khụy gối, độ lắc hông) robot dạng người kích thước nhỏ thực dựa vào phân tích dáng thực tế người Quỹ đạo góc quay cổ chân, đầu gối hơng robot dạng người thực dựa vào thông số vật lý robot dạng người điều kiện tương tác mặt đất Dựa thơng số này, chuyển động chân khác tạo ra, quỹ đạo cuối đáp ứng ràng buộc ZMP ổn định xác định để tạo góc quay khớp tương ứng Kết mô phỏng, chứng minh tạo mẫu tự nhiên đề xuất cho phép robot dạng người bước vững mạnh mẽ mà không ngã 27 CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ 5.1 Kết luận Trong luận án tác giả nghiên cứu phát triển tạo dáng (WPG) phụ thuộc thông số Dip để robot dạng người bước ổn định tự nhiên người Trên sở kết mô thực nghiệm, tác giả đề xuất thành công số cải tiến để tăng hiệu chất lượng robot dạng người Các đóng góp tác giả luận án tóm tắt sau: - Tối ưu thông số dáng (S, H, h, n) tạo dáng (WPG) để robot dạng người bước ổn định với độ nhấc chân mong muốn sử dụng phương pháp tối ưu hóa ngẫu nhiên (meta-heuristic optimization approaches) Kết nghiên cứu trình bày báo [2], [4] [7], danh mục cơng trình cơng bố tác giả - Tạo dáng thích nghi cho robot dạng người bước ổn định với quỹ đạo ZMP mong muốn sử dụng mơ hình mạng nơ-rơn tiến hóa thích nghi (AENM) tối ưu thuật toán MDE Kết nghiên cứu trình bày báo [3], danh mục cơng trình cơng bố tác giả - Hoạch định dáng tự nhiên (đầy đủ giai đoạn: chuẩn bị bước, bước đều, dừng) cho robot dạng người phụ thuộc vào thông số (chiều dài bước - S, độ nhấc chân H, độ khuỵu gối – h độ lắc hông - n) Kết nghiên cứu trình bày báo [1] [6], danh mục cơng trình cơng bố tác giả 5.2 Kiến nghị - Tiếp tục thực điều khiển vòng kín để kiểm sốt tốc độ robot dạng người sử dụng tạo dáng (WPG) đề xuất luận án - Tiếp tục phát triển tạo dáng (WPG) để robot dạng người bước thẳng bề mặt khơng phẳng (ví dụ: lên dốc xuống dốc, lên xuống cầu thang), bước vòng bề mặt phẳng - Áp dụng tạo dáng (WPG) phụ thuộc thơng số cho robot dạng người kích thước thật (HUBOT-3) 28 ... nhận dạng tối ưu để giúp robot dạng người bước theo quỹ đạo ZMP tham chiếu 3.4 Kết nhận dạng tạo dáng cho robot dạng người sử dụng mô hình AENM Trong chương này, mơ hình mạng nơ-rơn tiến hóa thích. .. tốt mơ hình hồi qui phi tuyến NARX Ngõ mơ hình nơ-rơn tiến hóa thích nghi ngõ vào tạo mẫu (WPG) ngõ tạo mẫu (WPG) tạo giá trị góc quay khớp hai chân robot dạng người Ngõ mơ hình robot dạng người. .. phép robot dạng người bước bền vững với thời gian huấn luyện rút ngắn hiệu CHƯƠNG TẠO DÁNG ĐI THÍCH NGHI CHO ROBOT DẠNG NGƯỜI BƯỚC ĐI ỔN ĐỊNH SỬ DỤNG MƠ HÌNH MẠNG NƠ-RƠN TIẾN HĨA THÍCH NGHI (AENN)
Ngày đăng: 04/10/2019, 12:30
Xem thêm: