Learnable state estimator for multi-legged robot

Abstract

Vícenozí kráčející roboti mají v porovnání se svými kolovými nebo pásovými protějšky relativně komplexní morfologii, která jim poskytuje výhodu při překonávání náročného terénu. Nicméně efektivní lokomoce v náročném terénu vyžaduje spolehlivou detekci došlapů, jedině tak je možné zajistit, aby robot přizpůsobil své chování okolnímu prostředí. Pro cenově dostupného robota vybaveného pouze poziční zpětnou vazbou byl v rámci této diplomové práce vyvinut odhadce kontaktu nohy, který jsa založen na metodách strojového učení jest podroben experimentálnímu ohodnocení. Tři metody strojového učení jsou použity k předpovědi polohy nohy robotu na základě posloupnosti posledních nastavených a změřených pozic nohy. Konkrétně byla použita regrese nejmenších čtverců (Ordinary Least Squares regression), regrese nejmenších čtverců s druhořádovými polynomiálními příznaky a třívrstvá dopředná neuronová síť využívající ReLU aktivační funkci. Navržené metody jsou experimentálně vyšetřovány s ohledem na přesnost navržených modelů, robustnost vůči změnám parametrů systému, velikosti souboru nasbíraných dat použitého k učení, využívaným výpočetním prostředkům a na závěr nasazeny na šestinohou robotickou platformu SCARAB za účelem detekce kontaktu nohy. Navíc, statistické vlastnosti souboru nasbíraných dat použitých k učení, citlivost regresorů vůči rychlosti pohybu nohy v souboru nasbíraných dat, v neposlední řadě vliv změřených a nastavených pozic ve vstupních datech regresorů na jejich předpovědi je detailně zkoumán za účelem objasnění neúspěšného nasazení regresorů na robotickou platformu. Na závěr byl uměle vytvořen scénář kontaktu nohy s cílem prozkoumat jak regresory reagují na nahodilé kolize. Výsledky této práce ukazují, že navzdory slibnému výkonu regresorů v prvních ohodnocovacích scénářích, nejsou navržené regresory vhodné k detekci kontaktu, jelikož se buď přeučí a nebo neposkytují dostatečně spolehlivé predikce.

The enhanced rough terrain traversability of the multilegged robots is directly connected to their relative complex morphology in comparison to the wheeled or tracked robots. However, the efficient rough terrain locomotion requires reliable contact sensing necessary to adapt robot behaviour and cope with the terrain irregularities. In this thesis, the learnable leg contact estimator for an affordable hexapod robot with positional feedback-only has been developed and experimentally evaluated. In particular, three light-weight machine learning approaches, namely Ordinary Least Squares regression, Ordinary Least Squares regression with second-order polynomial features and three-layer feed-forward neural network with the Rectified Linear Unit activation function, are used to predict leg position based on the sequence of the measured and set positions of a particular leg. The proposed methods are investigated experimentally w.r.t. the model precision, robustness to the parameter changes, size of the training set and computational requirements and experimentally deployed to the SCARAB hexapod platform to detect foot-contact. Additionally, the statistical properties of training datasets, the regressors sensitivity to the leg movement speed, the effect of the measured and the set positions on the prediction are examined to explain the unsuccessful deployment. Finally, the artificial foot contact scenarios have been designed to examine how the regressors react to arbitrary collisions. The collected results show that despite the promising performance in the initial scenarios, proposed regressors are not suitable for the contact detections since the regressors either overfit or provide unreliable predictions.