Online DNN-driven Nonlinear MPC for Stylistic Humanoid Robot Walking with Step Adjustment

要約

この論文では、オンラインでの接触位置調整による様式的な移動を可能にする 3 層アーキテクチャを紹介します。
私たちの方法では、軌道生成層として機能する自己回帰ディープ ニューラル ネットワーク (DNN) と、モデルベースの軌道調整層および軌道制御層を組み合わせます。
DNN は、他の層の初期推定および正則化として機能する重心および姿勢参照を生成します。
人間のモーション キャプチャ データでトレーニングされた DNN であるため、結果として得られるロボットの動作は、人間の歩行スタイルに似た移動パターンを示します。
軌道調整レイヤーは非線形最適化を利用して、ステップ調整に対処しながら動的に実行可能な質量中心 (CoM) の動きを保証します。
軌道調整層の 2 つの実装を比較します。1 つは後退ホライズン プランナー (RHP) として、もう 1 つはモデル予測コントローラー (MPC) としてです。
MPC のパフォーマンスを向上させるために、カルマン フィルターを導入して測定ノイズを低減します。
フィルター パラメーターは、遺伝的アルゴリズムを使用して自動的に調整されます。
エルゴカブ ヒューマノイド ロボットの実験結果では、転倒を防止し、人間の歩行スタイルを再現し、最大 68 ニュートンの外乱に耐えるシステムの能力が実証されています。
ウェブサイト: https://sites.google.com/view/dnn-mpc-walking Youtube ビデオ: https://www.youtube.com/watch?v=x3tzEfxO-xQ

要約(オリジナル)

This paper presents a three-layered architecture that enables stylistic locomotion with online contact location adjustment. Our method combines an autoregressive Deep Neural Network (DNN) acting as a trajectory generation layer with a model-based trajectory adjustment and trajectory control layers. The DNN produces centroidal and postural references serving as an initial guess and regularizer for the other layers. Being the DNN trained on human motion capture data, the resulting robot motion exhibits locomotion patterns, resembling a human walking style. The trajectory adjustment layer utilizes non-linear optimization to ensure dynamically feasible center of mass (CoM) motion while addressing step adjustments. We compare two implementations of the trajectory adjustment layer: one as a receding horizon planner (RHP) and the other as a model predictive controller (MPC). To enhance MPC performance, we introduce a Kalman filter to reduce measurement noise. The filter parameters are automatically tuned with a Genetic Algorithm. Experimental results on the ergoCub humanoid robot demonstrate the system’s ability to prevent falls, replicate human walking styles, and withstand disturbances up to 68 Newton. Website: https://sites.google.com/view/dnn-mpc-walking Youtube video: https://www.youtube.com/watch?v=x3tzEfxO-xQ

arxiv情報

提供元, 利用サービス

arxiv.jp, Google