كنترل پيش‌بين ربات دوپا در بالا و پايين‌رفتن از پله برمبناي مدل پيش‌بين عصبي-تطبيقي

Model Predictive Control of Biped Robot in Up and Down Stairs Based on Neuro-Adaptive Predictor Model

در اين مقاله، از كنترل پيش‌بين غيرخطي براي كنترل ربات دوپا با پنچ درجه آزادي در بالا و پايين‌رفتن از پله‌ها استفاده‌شده‌است. در اين روش، طراحي الگوي حركت به‌طور بي‌درنگ در كنترل‌كننده پيش‌بين انجام‌شده‌است. بدين صورت كه هيچ مسير از قبل‌ تعيين‌شده‌اي براي حركت ربات تعيين و مشخص‌نشده و حركت ربات تنها در قالب قيود بيان شده است. از ويژگي‌هاي اصلي اين روش مي‌توان به طراحي مسير به‌صورت وصل‌خط اشاره كرد كه اين كار مي‌تواند مقاوم بودن كنترل‌كننده در مواجه با عدم‌قطعيت در محيط را بهبود دهد. هم‌چنين، كنترل پيش‌بين به‌نحوي طراحي ‌شده كه ربات قادر باشد از پله‌هايي با طول و ارتفاع متفاوت نيز بالا و پايين برود و طول گام را نيز تعيين كند. اما مشكل جدي كه در استفاده از كنترل پيش‌بين مطرح مي‌شود، مدل‌گرا بودن اين كنترل‌كننده است. به‌همين دليل از شبكه عصبي RBF براي شناسايي وصل‌خط مدل ربات استفاده شده‌است. در اين صورت، كنترل پيش-بين، به يك كنترل‌كننده تطبيقي تبديل شده و خود را با تغيير پارامترهاي سيستم تطبيق مي‌دهد. نتايج شبيه‌سازي‌ها نشان از عملكرد مناسب روش پيشنهادي در مقايسه با روش‌هاي موجود در مقالات اخير دارد.

In this paper, the Nonlinear Model Predictive Control (NMPC) approach is employed to control the five-DOF biped robot in moving up and down the stairs. In the proposed method, the path planning is performed in real time. That is, there are no predefined trajectories to track by the robot and the motion of the robot is expressed in terms of some constraints. The main feature of the proposed method is the online path planning, which leads to more robustness of the controller against the uncertainties in the environment. Moreover, the NMPC is designed in such a way the robot is able to climb the stairs with different heights and depths; hence, the gaits are defined adaptively. One major issue in using the MPC is its dependency to an accurate model. In this paper, the robot is modeled online using the Radial Basis Function (RBF) neural networks. In this way, the NMPC is turned into an adaptive controller that can adapt itself to changes in the system parameters. Simulation results show good performance of the proposed method as compared to the recently proposed methods in literature.