Učení strukturovaného algoritmu pro chůze hexapoda

Abstract

Tato práce se zaměřuje na generování chůzí hexapoda pomocí učení strukturovaného algoritmu skládajícího se z neuronové sítě, která generuje řídící parametry ručně navrženého generátoru pohybu. Navrhovaná metoda je porovnána s variantou, kde je neuronová síť nahrazena ručně navrženým ovladačem chůze. Navrhovaná metoda je také porovnána s neuronovsou sítí, která přímo řídí úhly kloubů hexapoda. Všechny použité neuronové sítě jsou trénovány pomocí evoluční strategie. Výsledky tréninku a hodnocení na pěti terénech ukazují, že učení parametrů pro generátor pohybu funguje lépe než jejich ruční návrh. Navrhovaná metoda také dává hladší výsledky než samotná neuronová síť a učí se rychleji. Tato metoda poskytuje robustní základ s předdefinovaným chováním, ale je schopná se adaptovat na různé terény, bez nutnosti změnit implementaci algoritmu.

This thesis focuses on generation of hexapod locomotion using a learnable structured algorithm consisting of a neural network that generates control parameters to a hand-designed movement generator. The proposed method is compared with a variant where the neural network is replaced with a simple hand-designed gait controller. The proposed method is also compared with an end-to-end neural network. All neural networks are trained using an evolution strategy optimizer. The results of training and evaluation on five terrains show that training the control parameters for the movement generator gives higher performance than hand-designing them. The proposed method also gives smoother results than the end-to-end neural network and trains faster. This method provides a robust foundation with predefined behavior but can adapt to different terrains without having to redesign the implementation of the algorithm.