Использование нейронных сетей для прогнозирования нормальных реакций шагающего робота

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. 

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.