Neurální emergentní generátor vzorů chůze pro vícenohý kráčející robot

Abstract

Vzory chůze popisují periodicky se opakující kráčivý pohyb vícenohého robotu určením fáze pohybu jednotlivých nohou. Aby mohl robot autonomně vykonávat úkoly ve špatně přístupném měnícím se prostředí, je nutné proces lokomoce automatizovat. Během lokomoce probíhá v neurálním systému mnoho komplexních procesů, jejichž některé principy jsou popsány díky probíhajícímu výzkumu lokomoce vícenohých organismů. Některé z těchto principů, jako například Centrální Generátory Vzorů (CGV) a pravidla určující vzájemnou koordinaci nohou, jsou v této práci využity. CGV je neurální oscilátor, který v živých organismech produkuje rytmus pro lokomoci. Koordinační pravidla určují, jak jsou pohyby nohou mezi sebou v rámci fáze koordinovány. Řídící systémy navržené pro řízení lokomoce často vyžadují proces manuálního zadávání velkého množství hyperparametrů určujících konkrétní vzor chůze, což je proces, který se tato práce snaží automatizovat. V této práci jsou představeny dvě metody, které se různým způsobem vypořádávají s neznámým vztahem mezi fází CGV a pohybovými akcemi nohou. První z metod využívá aproximace vztahu mezi vzdáleností stavů CGV ve stavovém prostoru a jejich vzájemným fázovým posunem. Druhá metoda odhaduje neznámou fázi CGV a hledá vztah mezi fází CGV a jeho stavy. Obě metody úspěšně generují všechny tři požadované vzory chůze, což je demonstrováno simulacemi šestinohého kráčejícího robotu v simulátoru CoppeliaSim.

The gait patterns describe periodically repeating motion of a legged robot by determining a phase of its legs' movement. If a robot on a long-term mission in an inaccessible unknown dynamic environment should function autonomously, it is crucial to automatize the locomotion process. The ongoing research of legged organisms' locomotion describes some principles of complex neural system processes, such as Central Pattern Generators (CPGs) and inter-leg coordination rules used in this thesis. The CPG is a neural oscillator producing rhythm for locomotion in living organisms. The coordination rules determine how legs' actions are coordinated within the CPG's phase. Many locomotion controllers require a process of hand-setting many gait-pattern-determining hyperparameters, which this thesis aims to automatize. Two different methods are proposed in this work, dealing with the unknown relation between the CPG's phase and the legs' actions. The first method uses an approximation of a relation between a distance of CPG's states in its state space and the phase offset of the CPG's states. The second method estimates CPG's unknown phase and finds the phase's relation to CPG's states. Both methods successfully generate all three desired gait patterns, which is demonstrated by running simulations on a hexapod walking robot in the CoppeliaSim simulator.