Preview

Известия Юго-Западного государственного университета

Расширенный поиск

Использование нейронных сетей для прогнозирования нормальных реакций шагающего робота

https://doi.org/10.21869/2223-1560-2019-23-4-8-18

Полный текст:

Аннотация

Цель исследования. Данная работа посвящена решению одной из проблем, связанных с управлением шагающими роботами на основе их динамической математической модели, − наличию в ней явных механических связей, обусловленных реакциями связей с опорной поверхностью. Для решения указанной проблемы предлагается использовать полносвязную нейронную сеть для оценки сил нормальных реакций между поверхностью и стопами двуногого шагающего робота во время реализации им одного шага.

Методы. В работе рассмотрены две архитектуры нейронной сети, основанные на полносвязных слоях с ReLU активационными функциями. Архитектура нейронной сети включает в себя пять полносвязных слоев (входной, выходной и три скрытых), а альтернативная архитектура  включает в себя слой прореживания после каждого полносвязного слоя. Входными данными для сети являются состояние робота и требуемые управляющие воздействия, а выходными − предсказанные силы реакции. Обучающая выборка генерируется с помощью моделирования полной динамической модели робота. Сеть построена и обучена с использованием библиотек машинного обучения Keras и TensorFlow.

Результаты. Описана генерация обучающей выборки для нейронной сети, проведено обучение двух архитектур нейронных сетей. На основании данных моделирования установлено, что обе обученные нейронные сети способны точно предсказывать значения нормальных реакций с использованием значений обобщенных координат и скоростей, а также управляющих воздействий в качестве входных данных, однако при этом наблюдается статическая ошибка предсказания.

Заключение. Полученные в рамках статьи результаты могут в дальнейшем использоваться для управления движением двуногих шагающих роботов по различным типам поверхностей. 

Об авторах

С. И. Савин
Университет Иннополис
Россия

Савин Сергей Игоревич, кандидат  технических наук, старший научный сотрудник  лаборатории мехатроники, управления  и прототипирования

ул. Университетская, д.1, г. Иннополис, 420500



Л. Ю. Ворочаева
ФГБОУ ВО «Юго-Западный государственный университет»
Россия

Ворочаева Людмила Юрьевна, кандидат  технических наук,  доцент кафедры механики, мехатроники и робототехники

ул. 50 лет Октября, 94, г. Курск, 305040



Список литературы

1. Werner A., Henze B., Rodriguez D.A., Gabaret J., Porges O., Roa M.A. Multi-contact planning and control for a torque-controlled humanoid robot // Intelligent Robots and Systems (IROS): Proc. IEEE/RSJ Intern. Conf., Daejeon, South Korea. 2016. P. 5708-5715.

2. Posa M., Cantu C., Tedrake R. A direct method for trajectory optimization of rigid bodies through contact // Intern. J. of Robotics Research. 2014. Vol. 33(1). P. 69-81.

3. Jatsun S., Savin S., Yatsun A. Parameter optimization for exoskeleton control system using sobol sequences // Symposium on Robot Design, Dynamics and Control. Springer, Cham. 2016. P. 361-368.

4. Featherstone R. Rigid Body Dynamics Algorithms. Boston, MA: Springer US, 2014. 271 p.

5. Mason S., Righetti L., Schaal S. Full dynamics LQR control of a humanoid robot: An experimental study on balancing and squatting // Humanoid Robots: Proc. IEEE-RAS Intern. Conf., Madrid, Spain, 2014. P. 374-379.

6. Savin S., Jatsun S., Vorochaeva L. Modification of constrained LQR for control of walking in-pipe robots // Dynamics of Systems, Mechanisms and Machines (Dynamics): Proc. IEEE Intern. Conf., Omsk, Russia, 2017. P. 1-6.

7. Savin S., Jatsun S., Vorochaeva L. State observer design for a walking in-pipe robot // MATEC Web of Conferences: EDP Sciences. 2018. Vol. 161. P. 03012.

8. Schmidhuber J. Deep learning in neural networks: An overview // Neural Networks. 2015. Vol. (61). P. 85–117.

9. Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: a simple way to prevent neural networks from overfitting // J. of Machine Learning Research. 2014. Vol. 15(1). P. 1929-1958.

10. Abadi M., Barham P., Chen J., Chen Z., Davis A., Dean J., … Kudlur M. Tensorflow: A system for large-scale machine learning // Operating Systems Design and Implementation: Proc. 12th Symposium, Savannah, GA, USA, 2016. P. 265-283.

11. Glorot X., Bengio Y. Understanding the difficulty of training deep feedforward neural networks // Artificial Intelligence and Statistics: Proc. of the 13-th Intern. Conf., Scottsdale, AZ, USA, 2010. P. 249-256.


Для цитирования:


Савин С.И., Ворочаева Л.Ю. Использование нейронных сетей для прогнозирования нормальных реакций шагающего робота. Известия Юго-Западного государственного университета. 2019;23(4):8-18. https://doi.org/10.21869/2223-1560-2019-23-4-8-18

For citation:


Savin S.I., Vorochaeva L.Yu. Using Neural Networks to Predict the Normal Reactions of a Walking Robot. Proceedings of the Southwest State University. 2019;23(4):8-18. (In Russ.) https://doi.org/10.21869/2223-1560-2019-23-4-8-18

Просмотров: 207


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2223-1560 (Print)
ISSN 2686-6757 (Online)