31631

تخمين وضعيت تماسي پاي ربات با زمين با استفاده از يادگيري عميق و بدون نياز به حسگرهاي تماسي

كارشناسي ارشد

مهندسي مكانيك

1401

1403/7/11

محمد شهبازي

-

مهندسي مكانيك

در اين پايان‌نامه، دو چالش اصلي در بهبود پايداري و عملكرد ربات‌هاي پادار بررسي شده است. در بخش اول، مسئله تخمين دقيق فاز براي افزايش كارايي ربات‌ها در محيط‌هايي با سطوح ناهموار و موانع ديناميك مد نظر قرار گرفته است. ما روشي نوآورانه براي تخمين فاز ارائه داديم كه در آن داده‌هاي زماني از سنسورهاي IMU و انكودرهاي مفصلي جمع‌آوري شده و سپس با استفاده از دو روش رمزگذاري سيگنال به تصوير يعني Stacked Channel Image (SCI) و Recurrence Plot (RP) به تصاوير تبديل مي‌شوند. اين روش ديناميك سيستم را در يك تصوير نمايش خواهد داد لذا طبق مطالعات مشابه دقت و صحت شبكه به دليل در دسترس داشتن ديناميك سيستم بهبود خواهد بخشيد. اين تصاوير با بهره‌گيري از شبكه‌هاي عصبي كانولوشن عميق سبك‌وزن مانند ShuffleNet و EfficientNet پردازش مي‌شوند. يكي از مزاياي كليدي اين روش، حذف نياز به استفاده از سنسورهاي نيرو است كه معمولاً به خرابي و نويز حساس هستند. با تركيب داده‌هاي چندسنسوره و بهينه‌سازي اين شبكه‌ها، ما توانستيم دقت و قابليت اطمينان مدل را به طور قابل‌توجهي افزايش دهيم. در آزمايش‌ها، عملكرد اين مدل در زمان واقعي با زمان استنتاج تنها 2 ميلي‌ثانيه و دقت 97.98 درصد براي طبقه‌بندي فاز‌ها با استفاده از EfficientNet-B0 و تصاوير RP به اثبات رسيد. بخش دوم اين پايان‌نامه به بررسي مسئله تشخيص دقيق زمان تغييرات فاز در ربات‌ها پرداخته است. براي اين منظور، ما از رويكرد تشخيص ناهنجاري بهره گرفتيم و از يك مدل LSTM Autoencoder و Decoder براي شناسايي تغييرات ناگهاني و غيرمنتظره در داده‌ها استفاده كرديم. اين مدل به طور خاص بر روي مجموعه داده عمومي شامل داده‌هاي حاصل از IMU سنسورهاي تماس و انكودرهاي مفصلي يك ربات با 3 درجه آزادي مورد آزمايش قرار گرفته است. با استفاده از اين مدل، توانستيم به دقت 98.55 درصد در تشخيص ناهنجاري‌ها دست يابيم كه معادل تشخيص زمان دقيق برخورد پا با زمين است. نتايج اين بخش نشان‌دهنده قدرت و دقت بالاي مدل پيشنهادي در تشخيص دقيق تغييرات فاز و افزايش اطمينان در عملكرد ربات‌ها در شرايط مختلف محيطي است.

1403/09/12

Estimating the contact state of a robot’s foot with the ground using deep learning without the need for contact sensors

10/2/2025 12:00:00 AM

In this thesis, two main challenges in improving the stability and performance of legged robots are addressed. In the first section, the issue of precise phase estimation to enhance robot efficiency in environments with uneven surfaces and dynamic obstacles is considered. We proposed an inno- vative method for phase estimation, where time-series data from IMU sensors and joint encoders are collected and then converted into images using two signal-to-image encoding methods: Stacked Channel Image (SCI) and Recurrence Plot (RP). This method represents the system’s dynamics in a single image, which, according to similar studies, improves the network’s accuracy due to the availability of dynamic data. These images are processed by lightweight deep convolutional neural networks like ShuffleNet and EfficientNet. One of the key advantages of this approach is elimi- nating the need for force sensors, which are typically prone to failure and noise. By integrating multi-sensor data and optimizing these networks, we significantly enhanced the model’s accuracy and reliability. In experiments, the model’s real-time performance with an inference time of just 2 milliseconds and a 98.97% phase classification accuracy using EfficientNet-B0 and RP images was validated. The second section of this thesis focuses on the precise detection of phase change timings in robots. For this, we employed an anomaly detection approach using an LSTM Autoencoder and Decoder model to identify sudden and unexpected changes in data. This model was specifically tested on a public dataset containing data from IMU, contact sensors, and joint encoders of a robot with 3 degrees of freedom. Using this model, we achieved a 98.55% accuracy in anomaly detection, which corresponds to detecting the exact timing of foot-ground contact. The results of this section highlight the high accuracy and robustness of the proposed model in detecting phase changes and improving robot performance across various environmental conditions.

ربات پادار , يادگيري عميق , كدگذاري سيگنال , تشخيص ناهنجاري

Legged robots , deep learning , signal encoding , Anomaly detection

Nooshin Kohli

Dr. Mohammad Shahbazi