عنوان پایان‌نامه
بررسی تاثیر ساختارهای متفاوت نرمی در رباتهای چهارپا بر کیفیت و سرعت یادگیری راه رفتن
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2764;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 69857
- تاریخ دفاع
- ۲۸ بهمن ۱۳۹۳
- دانشجو
- سروش ملکی
- استاد راهنما
- مجید نیلی احمدآبادی
- چکیده
- یکی از مسایلی که در روباتیک وجود دارد کنترل روباتها با خطای کم و مصرف انرژی بهینه است. در صورتی که در روبات، دینامیک مدل نشده وجود داشته باشد مانند موردهایی از روباتهای دوپا و چهارپا، روشهای کنترل غیر خطی بر اساس مدل نمی‌توانند خطای کنترلی را کاهش دهند. در این صورت می‌توان از روش کنترلی تطبیقی استفاده کرد. این روشهای نیز می‌توانند یا مدل دینامیکی روبات را یاد بگیرند و بر اساس آن فرمان کنترلی را صادر کنند یا این که به صورت کلی بدون مدل کار کنند. کنترل کننده‌ی پیشروی یادگیر، یکی از این روشهای کنترلی است که می‌تواند بدون یادگیری مدل روبات، برای مسیرهای تناوبی با یادگیری سیگنال کنترلی، خطای ردیابی را کاهش دهد. در این پایان نامه اثر نرمی‌های موازی و سری با عملگر در کیفیت و سرعت یادگیری شکل سیگنال کنترلی مورد نظر بررسی شده است. نرمی موازی با عملگر، می‌تواند، نیروی مورد نیاز را برای ردیابی مسیر تغییر دهد. بنابراین در این پژوهش با بکار گیری آن و نوشتن تابع هزینه برای صاف کردن شکل گشتاور می‌تواند شکل سیگنال گشتاور مورد نیاز عملگر را ساده کند. این سادگی به معنای کاهش نیاز به فرکانس‌های بالاتر گشتاور مورد نیاز است. در این صورت، کنترل کننده‌ی پیشروی یادگیر، تنها با یادگیری مولفه‌های فرکانس پایین گشتاور، می‌تواند خطای ردیابی را کاهش دهد. این مراحل طی چند شبیه‌سازی برای روباتهای متفاوت و با مسیرهای مرجع متفاوت نشان داده شده است. همچنین برای نرمی موازی قانون تطبیقی ارایه شده است که می‌تواند به مرور شکل کلی گشتاور را صاف کند و نرمی بهینه را بیابد. در مواردی که در آن قانون تطبیقی و کنترل کننده‌ی پیشخور همراه همدیگر کار می‌کنند، نشان داده شده که همگرایی هر دو با هم به وقوع می‌پیوندد. و در این صورت کنترل کننده‌ی پیشخور با تعداد توابع پایه‌ی کمتری شکل گشتاور را یاد می‌گیرد و خطا را کاهش می‌دهد. نرمی سری با عملگر این توانایی را دارد که سرعت متوسط مورد نیاز عملگر را برای حرکتی تناوبی تغییر دهد. در این پایان نامه اثر نرمی سری بر سرعت متوسط عملگر بررسی شده است. تابع هزینه‌ای نوشته شده که هدفش کاهش سرعت متوسط عملگر است. این کاهش مزیت‌هایی نظیر کاهش مولفه‌های فرکانس بالای مسیر عملگر، و کاهش نیاز به توان توسط عملگر را دارد. در صورتی که که مقدار این فنر بهینه باشد، یادگیری می‌تواند با تعداد توابع پایه‌ی کمتری انجام شود که سرعت یادگیری تقویتی را برای کنترل کننده‌ی پیشخور بالا می‌برد. سپس طی شبیه سازی‌هایی این اثر فنر بر کیفیت و سرعت یادگیری کنترل کننده‌ی پیشخور نشان داده شده است. همچنین، قانون تطبیقی برای یادگیری فنر سری جهت کاهش سرعت عملگر به همراه اثبات پایداری آن ارایه شده است. این قانون تطبیقی به تدریج می‌تواند سرعت مورد نیاز عملگر و مولفه‌های فرکانس بالای مسیر عملگر را کاهش دهد. این کار به کاهش تدریجی توان مورد نیاز عملگر و در نتیجه بهینگی مصرف انرژی می‌انجامد. سپس از کنترل کننده‌ی پیشخور در حین تطبیق نرمی برای یادگیری مسیر مرجع عملگر استفاده می‌شود که به کاهش خطای ردیابی می‌انجامد. در این صورت نیاز به توابع پایه‌ی فرکانس بالا برای یادگیری مسیر عملگر کاهش می‌یابد. صحت عملکرد این موارد در شبیه‌سازی‌ها تصدیق شده است. در انتها یک روبات چهارپا با 12 درجه آزادی و کمر فعال، مدل‌سازی شده، برایش طراحی مسیر شده و در نهایت به کمک روشهای غیر خطی کنترل شده است. سپس نشان داده شده که در صورتی که فنر سری برای کمر فعال استفاده شود، سرعت متوسط موتور برای این مفصل می‌تواند کاهش یابد و در نتیجه در مصرف انرژی کاهش یابد.
- Abstract
- One of the hot issues in the field of robotics is to increase the robot's energy efficiency while tracking error is reduced. If there are unmodeled dynamics in the equations of motion for the robot, ordinary model based controlling techniques cannot reduce the tracking error. To address the problem, adaptive control methods could be facilitated. These methods can either learn dynamics of the robot or work completely without model. The learning feed-forward control is one of the methods that can reduce tracking error without learning the robot model. In this thesis the effect of parallel and series compliances in learning speed and quality to reduce tracking error is investigated. The parallel spring can change the shape of required torque and can soften this signal. Thus in this research a design method to soften the shape of motor torque using parallel compliance is proposed. The softening simply means reducing higher frequency components of a signal. Then the feed-forward controller can reduce the tracking error significantly by just learning the lower frequency components. These effects are investigated in a series of simulations. Also for the parallel compliance an adaptation law is proposed that can gradually soften motor toque and find the optimal compliance in this regard. In cases where the feed-forward learning controller and adaptation law are both working together, it was observed that the convergence happens for both of them. As the adaptation law reduces the need for higher frequency components, the feed-forward learning controller, just by learning the lower frequency components can reduce the tracking error. The series compliance has the ability to change the average motor velocity. In this thesis the effect of series compliance with actuator on motor speed is investigated. By writing a cost function, an approach towards reducing the required speed is obtained. The reduction has the advantages of reduction of higher frequency components of motor trajectory as well as reduction in the required actuator power. If the stiffness of the series spring is optimal, then the learning process could be done easier and with less number of basis functions which in turn increases learning speed if the motor tracks it's produced reference perfectly. Also an adaptation law to reduce actuator output velocity is proposed and its convergence for linear spring is proofed. The adaptation law has the ability to gradually reduce actuator output power as well as reducing the need for higher frequency components. This leads to reduction in motor required output power. Then the feed-forward controller is used to reduce tracking error. It will be shown that if the adaptation law in addition to the feed-forward learning control is active, the learning can be done with less frequency basis functions in case motor tracks it's reference trajectory perfectly. In the end, a quadruped robot with 12 degrees of freedom with an active spine is modeled. The gait for slow trot motion is designed and the robot is controlled using non-linear techniques. Then the effect of series compliance in spine is shown. It was shown that if the series compliance is tuned properly, the average motor speed as well as average power can be lowered.
