21456

21456

كنترل مدل پيش بين ربات چهارپاي آزمايشگاهي برمبناي شبكه عصبي بازگشتي تصوير

كارشناسي ارشد

كنترل

1395

1398/8/26

دكتر محمد فرخي

برق

ربات‌هاي راه‌رونده گروه جديدي از خانواده بزرگ ربات‌ها هستند كه با توجه به توانمندي‌هاي متفاوت نسبت‌ به ساير ربات‌ها مورد توجه قرارگرفته¬اند. طي دهه‌هاي گذشته نمونه‌هاي پيشرفته اين ربات توسط آزمايشگاه‌هاي تحقيقاتي بزرگ دنيا موردبررسي قرارگرفته است. در اين پايان‌نامه كنترل ربات چهارپا موردبررسي قرارگرفته‌است. پايداري حركتي، رعايت قيود و حركت رو به‌ جلو ربات به ‌كمك حل مساله بهينه‌سازي مقيد تضمين مي‌شود. براي يافتن بهترين پاسخ، فرايند بهينه‌سازي در هر زمان نمونه¬برداري اجرامي‌شود. براي اين منظور، از روش كنترل مدل¬پيش‌بين براي بهينه‌سازي مقيد استفاده¬شده‌است. اين روش كنترلي زيادي از‌جمله بررسي وقايع پيش‌رو را دارد. برقراري قيود در حركت‌هاي پيش‌رو ربات و عملكرد آن طي لحظات آينده در اين روش مورد بحث قرارگرفته است. مدل پيش‌بيني ابتدا تخميني از مدل سيستم به كنترل‌كننده ارسال مي‌كند و بر مبناي آن، تحليل رفتار آينده سيستم تحت بررسي قرارمي‌گيرد. درنظرگرفتن افق پيش‌رو براي تحليل رفتار سيستم منجر به يافتن ورودي كنترلي مناسب‌تري خواهدشد. اگرچه، يكي ‌از مشكلات روش كنترل مدل¬پيش‌بين حجم بالاي محاسبات آن و زمان ‌حل زياد هر سيكل بهينه‌سازي است. براي مصارف عملي نمي‌توان از روش‌هايي كه امكان پياده‌سازي بي‌درنگ آن وجودندارد، بهره‌برد. براي استفاده هم‌زمان از مزاياي كنترل مدل‌پيش‌بين و افزايش سرعت آن، بايد از روش‌هاي تركيبي بهره‌برد. در اين پايان‌نامه، با تركيب روش كنترل مدل¬پيش‌بين با شبكه‌ عصبي تصوير به‌ عنوان بخش بهينه‌ساز، زمان ‌حل به‌صورت چشم‌گيري كاهش مي‌يابد. ليكن نحوه اعمال قيود مساله بهينه‌سازي به شبكه تصوير مشكل عمده¬اي است كه در اين پايان¬نامه روش¬هايي براي اين مساله ارايه¬شده است. در نهايت پس ‌از اثبات پايداري روش تبيين‌شده، كنترل بر روي يك نمونه آزمايشگاهي پياده‌سازي‌ شده‌است. نتايج نشان‌مي‌دهد افزايش سرعت‌ حل و امكان پياده‌سازي بي‌درنگ با روش مذكور قابل‌اجراست.

1398/10/02

Model predictive control of a laboratory quadruped robot based on projection recurrent neural network

11/17/2019 12:00:00 AM

Walking robots present a new group in robots family that have gained lots of attentions due to their different abilities from other robots. During the last decades, several advanced research laboratory robots have been under investigations. In this thesis, control of quadruped robots was investigated. Walking stability, constraints satisfaction and forward movement was guaranteed by solving constraint optimization problem. In order to find the best answer, the optimization process was applied at every sampling time. Model Predictive Control (MPC) is selected for optimization at every sampling time. This control method has many advantages such as considering future events. Fulfillment of constraints in robot’s forward movement and its future performance is discussed in this method. The prediction model sends an estimation of the system model to the controller and based on that, the system future behavior was discussed. Considering receding horizon for analyzing system behavior leads to finding better control inputs. However, time consuming calculation and high solving time for each control cycle is one of the model predictive control problems. For practical purposes, non-real-time methods cannot be applied. To benefit from the advantages of the model predictive control and at the same time reducing its calculation time , hybrid methods must be applied. In this thesis, combining model predictive control method with projection recurrent neural network as the optimizer, solving time was decreased significantly. However, incorporating constraints to this optimizer is a challenging problem that has been circumvented by some proposed methods in this thesis. Finally, after proving stability for the presented method, it was applied to a laboratory quadruped robot. The results show drastic reduction in calculation time, which leads to real-time feasibility of the proposed method.

كنترل

كنترل