كنترل‌كننده آموزش پذير برگرفته از ساختار سيستم عصبي جهت توليد رفتارهاي پيچيده در ربات انسان‌نما

Design of a Trainable Controller Inspired from Neural System to Generate Complex Behaviors in Humanoid Robots

در اين مقاله مسيله‌ي كنترل حركت ربات‌هاي انسان‌نما مورد بررسي قرار مي گيرد. مسيله‌ي يادگيري حركات مشابه انسان به‌خصوص حركات موزون و تكرارشونده به ربات هاي انسان نما چالشي بزرگ در زمينه علم رباتيك محسوب مي شود. يادگيري تقليدي كه زيرمجموعه‌اي از يادگيري بانظارت است، يك فرم اصلي جهت ياد دادن كارهاي پيچيده به ربات به شمار مي آيد و بر اين اساس استوار است كه يك سيستم مصنوعي مي تواند حجم بالايي از اطلاعات را از طريق يادگيري تقليدي از فرد آموزش دهنده ياد بگيرد. روش اصلي به كار گرفته ‌شده در اين تحقيق جهت يادگيري حركات موزون و تكرارشونده به ربات انسان نماي نايو، يادگيري تقليدي است. تكنيك اصلي به‌كار رفته در اين پژوهش استفاده از ساختارهاي عصبي موسوم به مولد مركزي الگو مي‌باشد كه قادر است الگوي موردنياز براي حركت در يك ربات را بر اساس يك نوع آموزش نمايشي به دست آورد. نحوه‌ي طراحي سيستماتيك اين ساختار عصبي مصنوعي كه در علم كنترل كاربرد‌هاي فراواني دارد، اصلي‌ترين چالش پيش روست كه در اين مقاله به ارايه‌ي روشي براي آن پرداخته‌ شده است. روش سيستماتيك طراحي و آموزش مولد‌هاي مركزي الگو كه از بازخوردهاي حسي جهت تطابق خود با شرايط جديد استفاده مي‌كند، در يك مدل دولايه‌اي مورد بحث و بررسي قرار داده‌ شده است. مدل ارايه‌ شده يك بستر مناسب جهت ارايه‌ي آموزش‌هاي نمايشي و مبتني بر نمايش براي ربات‌هاي انسان‌نما محسوب مي‌شود كه نياز به كنترل صريح و برنامه‌نويسي مستقيم را برطرف مي‌سازد و امكان آموزش غيرمستقيم رفتارهاي پيچيده روي انواع ربات‌ها را مهيا مي‌سازد.

In this paper a new method for motion control in humanoid robots has been introduced. The problem of movement learning, especially dance and repetitive actions of human beings to humanoid robots is a major challenge in the field of robotics. Imitation learning, which is a subset of supervised learning, is one of the main forms used to teach complex tasks to the humanoid robot, and is, accordingly based on the concept that an artificial system can imitate a great deal of information through learning from a human trainer. The main technique uses Central Pattern Generators structures which are able to produce required motion trajectories based on imitation learning. Systematic design of these neural networks is the main problem that is solved in this paper. The proposed model is a basic paradigm for imitation learning in the humanoid robots which do not require direct design of controller and programming. The proposed model has many benefits including smooth walking patterns and modulation during imitation. Simulation results of this learning system in the robot simulator (WEBOTS) have been linked with MATLAB software and its implementation on a NAO robot demonstrates that the robot has learned the desired motion with high accuracy. This model can be extended and used in the Nao soccer player both for the standard platform and the 3D soccer simulation leagues of Robocup SPL competitions to train different types of motions.