Deep Learning Technology-Based Exoskeleton Robot Controller Development

要約

モデルベース制御は、ロボットの非線形ダイナミクスを線形化して制御する体系的なアプローチのため、ロボット工学アプリケーションに好まれます。
ロボット工学アプリケーション向けのモデルベースのコントローラーの実装に伴う基本的な課題は、ロボット ダイナミクスのリアルタイム計算に伴う時間遅延です。
ロボットの動的運動方程式は逐次構造であるため、マルチコアCPUでは制御アルゴリズムの実行時間を短縮できません。
より高いサンプリング レートを維持するには、高速プロセッサが必要です。
ニューラル ネットワーク ベースのモデリングは、並列処理に適した逐次モデルの並列構造の等価モデルを開発するための優れたソリューションを提供します。
本論文では,ディープニューラルネットワークベースの並列構造7自由度人間下肢外骨格ロボットコントローラを開発した。
49 個の密に接続されたニューロンが 4 層に配置され、軌道を追跡するための関節トルク要件を推定します。
トレーニングのために、分析モデルベースのデータ生成手法であるディープ ニューラル ネットワークが紹介されます。
トレーニングされたディープ ニューラル ネットワークはリアルタイムの関節トルク予測に使用され、予測誤差を軽減するために PD コントローラーが組み込まれています。
シミュレーション結果からは高い弾道追従性が得られます。
開発したコントローラの安定性解析が証明された。
パラメーターの変動に対するコントローラーの堅牢性は、分散分析 (ANOVA) を利用して分析されます。
同じロボットダイナミクスを維持しながら、開発したコントローラと計算トルク コントローラ、モデル参照計算トルク コントローラ、スライディング モード コントローラ、適応コントローラ、および線形 2 次レギュレータとの比較研究を示します。

要約(オリジナル)

Model-based control is preferred for robotics applications due to its systematic approach to linearize and control the robot’s nonlinear dynamics. The fundamental challenge involved in implementing a model-based controller for robotics applications is the time delay associated with the real-time computation of the robot dynamics. Due to the sequential structure of the robot’s dynamic equation of motion, the multicore CPU cannot reduce the control algorithm execution time. A high-speed processor is required to maintain a higher sampling rate. Neural network-based modeling offers an excellent solution for developing a parallel structured equivalent model of the sequential model that is suitable for parallel processing. In this paper, a Deep neural network-based parallel structured 7 degrees of freedom human lower extremity exoskeleton robot controller is developed. Forty-nine densely connected neurons are arranged in four layers to estimate joint torque requirements for tracking trajectories. For training, the deep neural network, an analytical model-based data generation technique is presented. A trained deep neural network is used for real-time joint torque prediction and a PD controller is incorporated to mitigate the prediction errors. Simulation results show high trajectory tracking performances. The developed controller’s stability analysis is proved. The robustness of the controller against the parameter variation is analyzed with the help of the analysis of variance (ANOVA). A comparative study between the developed controller and the Computed Torque Controller, Model Reference Computed Torque Controller, Sliding Mode Controller, Adaptive controller, and Linear Quadratic Regulator are presented while keeping the same robot dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google