Divers

Les scientifiques Crack Framework pour contrôler le mouvement des jambes des micro-robots

Les scientifiques Crack Framework pour contrôler le mouvement des jambes des micro-robots

Les animaux qui vivent et se déplacent principalement sur terre naviguent sur leurs terrains naturels en utilisant un ensemble de trajectoires de jambes complexes.

Les trajectoires individuelles des pattes des animaux sont influencées par une variété de facteurs, notamment la posture de l'animal, la vision de la jambe et de la hanche ainsi que la cheville et la forme du pied et les capacités d'actionnement.

Pour les ingénieurs en robotique, imiter ces mouvements est souvent extrêmement difficile car les possibilités sont nombreuses. La tâche vient de devenir un peu plus facile grâce à une équipe de chercheurs de l'Université Harvard et du Wyss Institute for Biologically Inspired Engineering, qui ont développé un cadre informatique efficace pour l'estimation et le contrôle des trajectoires des jambes sur un microrobot quadrupède.

Le travail des scientifiques pour mieux imiter les animaux

Ils ont pré-publié leurs résultats sur arXiv. L'article détaille comment ils ont obtenu une estimation et un contrôle précis de la position, alors que le robot se déplaçait sur une large gamme de fréquences de foulée (10-50Hz).

«Les animaux modifient également la trajectoire de leurs pattes pour répondre aux exigences de performance telles que la vitesse, la stabilité et l'économie, ainsi que pour s'adapter à des facteurs externes tels que le type de terrain et les propriétés de surface», ont écrit les chercheurs dans leur article.

«Inspirés par leurs homologues biologiques, les grands robots bipèdes et quadrupèdes (longueur du corps ~ 100 cm) ont généralement deux degrés de liberté (DOF) actionnés ou plus par jambe pour permettre des trajectoires de jambe complexes.»

Dans le passé, la plupart des robots à petites pattes ne pouvaient réaliser un mouvement vers l'avant que grâce à des trajectoires de jambe mécaniques soigneusement réglées. Cependant, les récentes améliorations de la fabrication ont permis des fréquences de foulées multiples dans des robots à petites pattes.

Une variété de schémas de contrôle sont utilisés pour les robots à petites pattes pour réaliser une locomotion réglable sur des terrains variés; ceux-ci incluent des algorithmes d'optimisation, des contrôleurs utilisant des modèles cinématiques stochastiques et des algorithmes d'apprentissage par renforcement profond.

Base parfaite du robot HAMR pour l'hypothèse de la locomotive

Bien qu'il y ait eu de nombreux robots à succès construits avec ces techniques, ils ont chacun leur propre ensemble de limitations. La nouvelle recherche visait à améliorer le Harvard Ambulatory MicroRobot (HAMR), qui utilise des actionneurs de flexion piézoélectriques à large bande passante afin de permettre une locomotion efficace à plusieurs fréquences de foulée.

"Dans ce travail, nous tirons parti de la détection concomitante pour l'actionnement piézoélectrique pour développer un cadre de calcul efficace pour l'estimation et le contrôle des trajectoires des jambes sur un microrobot quadrupède", ont écrit les chercheurs dans leur article.

«Nous démontrons une estimation précise de la position (<16% d'erreur quadratique moyenne) et un contrôle (<16% d'erreur de suivi quadratique moyen) pendant la locomotion sur une large gamme de fréquences de foulée (10-50 Hz)."

Le robot HAMR mesure 4,5 cm de long avec quatre pattes, il pèse 1,4 g. Chacune de ses jambes a deux DOF, qui sont entraînés par des actionneurs de flexion piézoélectriques commandés avec des signaux de tension alternative. La nouvelle approche estime les positions et la vitesse des jambes des robots, puis génère une variété de trajectoires de jambes pour une locomotion améliorée basée sur ces estimations.

«À l'avenir, nous visons à utiliser ce contrôleur de bas niveau en conjonction avec l'optimisation de la trajectoire pour concevoir des trajectoires de jambe réalisables qui optimisent un coût donné (par exemple, la vitesse, le COT, etc.) dans une condition de fonctionnement particulière», ont écrit les chercheurs.

«Cela peut automatiser la tâche difficile de concevoir des trajectoires de jambe appropriées pour un système à jambes complexe et se traduire par de meilleures performances de locomotion.


Voir la vidéo: 181st Knowledge Seekers Workshop, Thursday, July 20, 2017 (Octobre 2021).