Learn to Swim: Data-Driven LSTM Hydrodynamic Model for Quadruped Robot Gait Optimization

要約

このホワイトペーパーでは、私たちが構築した水中の四足動物ロボットの不安定で非線形の流体力学的力を予測するための、長期の短期メモリネットワークベースの流体実験データ駆動型モデル（FED-LSTM）を提示します。
再循環水タンクとけん引タンクの両方で実施さ​​れた脚力とボディの抗力検査からの実験データで訓練されたFed-LSTMは、平らな表面上のフロー予測に一般的に使用される伝統的な経験式（EF）を上回ります。
このモデルは、特にNSGA-IIアルゴリズムを介した直線およびターニングゲートの最適化において、複雑な流体のダイナミクスをキャプチャする際の優れた精度と適応性を示しています。
FED-LSTMは、直線水泳中にたわみエラーを減らし、回転半径を増やすことなくターンタイムを改善します。
ハードウェア実験により、モデルのEFに対する安定性がさらに検証されます。
このアプローチは、足のロボットの水泳パフォーマンスを向上させるための堅牢なフレームワークを提供し、水中ロボットの移動における将来の進歩の基礎を築きます。

要約(オリジナル)

This paper presents a Long Short-Term Memory network-based Fluid Experiment Data-Driven model (FED-LSTM) for predicting unsteady, nonlinear hydrodynamic forces on the underwater quadruped robot we constructed. Trained on experimental data from leg force and body drag tests conducted in both a recirculating water tank and a towing tank, FED-LSTM outperforms traditional Empirical Formulas (EF) commonly used for flow prediction over flat surfaces. The model demonstrates superior accuracy and adaptability in capturing complex fluid dynamics, particularly in straight-line and turning-gait optimizations via the NSGA-II algorithm. FED-LSTM reduces deflection errors during straight-line swimming and improves turn times without increasing the turning radius. Hardware experiments further validate the model’s precision and stability over EF. This approach provides a robust framework for enhancing the swimming performance of legged robots, laying the groundwork for future advances in underwater robotic locomotion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google