Online Learning of Joint-Muscle Mapping Using Vision in Tendon-driven Musculoskeletal Humanoids

要約

腱駆動筋骨格ヒューマノイドの身体構造は複雑であり、人間の身体構造を模倣して作られているため、正確なモデリングが困難です。
そのため、各軸のアクチュエータによって駆動される通常のヒューマノイドのように正確に動かすことができず、形状モデルと実際のロボットとのモデル誤差により大きな内部筋肉の緊張や腱ワイヤーの弛みが発生してしまいます。
そこで、関節角度と筋長の非線形関係を表現するニューラルネットワーク（NN）を用いて関節筋マッピング（JMM）を構築し、JMMをオンラインで更新することで腱駆動型筋骨格系ヒューマノイドを正確に動かすことを目指しています。
実際のロボット。
この研究では、ロボットが正しい位置に移動するように、ロボットの視覚を使用して JMM をオンラインで更新します (Vision Updater)。
また、筋肉の拮抗作用を正しく修正するために別のアップデートを実行します (Antagonism Updater)。
これら 2 つのアップデータを使用することで、5 分間で目標関節角度と実際の関節角度の誤差が約 40% に減少し、腱駆動型筋骨格ヒューマノイド ケンゴロウが意図したとおりに動けるようになることを操作実験で示しました。
この新しいシステムは、JMM をオンラインで逐次更新するため、ロボットの状態変化や成長に適応できます。

要約(オリジナル)

The body structures of tendon-driven musculoskeletal humanoids are complex, and accurate modeling is difficult, because they are made by imitating the body structures of human beings. For this reason, we have not been able to move them accurately like ordinary humanoids driven by actuators in each axis, and large internal muscle tension and slack of tendon wires have emerged by the model error between its geometric model and the actual robot. Therefore, we construct a joint-muscle mapping (JMM) using a neural network (NN), which expresses a nonlinear relationship between joint angles and muscle lengths, and aim to move tendon-driven musculoskeletal humanoids accurately by updating the JMM online from data of the actual robot. In this study, the JMM is updated online by using the vision of the robot so that it moves to the correct position (Vision Updater). Also, we execute another update to modify muscle antagonisms correctly (Antagonism Updater). By using these two updaters, the error between the target and actual joint angles decrease to about 40% in 5 minutes, and we show through a manipulation experiment that the tendon-driven musculoskeletal humanoid Kengoro becomes able to move as intended. This novel system can adapt to the state change and growth of robots, because it updates the JMM online successively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google