Optimalisering av gangmønster for firebeint robot med en genetisk algoritme

Abstract

Virveldyr har igjennom evolusjon utviklet kompliserte sentrale mønstergeneratorer (CPG) i sentralnervesystemet for lokomosjon for å avlaste hjernen med sykliske arbeidsoppgaver. Innen robotikk er det interessant å etterligne disse mønstergeneratorene for bevegelseskontroll. Det er laget en forenklet modell for å etterligne CPG med Hopf-stabile oscillatorer i et periodisk nevralnettverk. Noder i nevralnettverket optimaliseres ved hjelp av en evolusjonsalgoritme kalt genetisk algoritme. Det er konstruert en firebeinet ”quadroped” robot hvor nevralnettverket er implementert. Videre er det laget et treningssystem som trener opp roboten basert på ulike ytelsesmål som hastighet, balanse og energieffektivitet. Resultatene viser at treningssystemet basert på genetiske algoritmer har en unik evne til å raskt finne løsninger i et komplekst løsningsrom med bedre resultat enn ved typisk "ovenfra og ned design". Etter trening sammenlignes egenskaper innen lokomosjon med manuelt instilte parametere. De opptrente parameterene gir roboten en signifikant forbedring iht. stabilitet og energieffektivitet. Det er også testet hvordan genetiske algoritmer kan anvendes til å trene opp robotens adaptive egenskaper. Ved å ødelegge to av beinene til roboten, klarte den ikke å balansere med tidligere optimale bevegelsesparametere. Den ble så overlatt til treningssystemet, hvor roboten raskt lærte seg å finne nye måter å gå på.