Learning of Balance Controller Considering Changes in Body State for Musculoskeletal Humanoids
作者: Kento Kawaharazuka, Yoshimoto Ribayashi, Akihiro Miki, Yasunori Toshimitsu, Temma Suzuki, Kei Okada, Masayuki Inaba
分类: cs.RO
发布日期: 2024-05-20
备注: Accepted at IROS2022
DOI: 10.1109/IROS47612.2022.9981051
💡 一句话要点
针对骨骼肌肉人形机器人，提出一种考虑身体状态变化的平衡控制学习方法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 骨骼肌肉人形机器人 平衡控制 机器学习 参数偏置 在线学习
📋 核心要点
- 骨骼肌肉人形机器人因其高自由度和复杂动力学，难以建立精确模型，传统的PID控制难以保证其平衡。
- 论文提出一种基于学习的平衡控制方法，通过学习关节角度、肌肉张力等与零力矩点之间的关系，实现平衡。
- 该方法通过参数偏置嵌入身体状态信息，使模型能够在线适应身体状态的变化，并在仿真和实际机器人上验证了有效性。
📝 摘要（中文）
由于骨骼肌肉人形机器人的身体具有柔性和冗余性，难以建模，其状态随时间变化，因此腿部平衡控制具有挑战性。在某些情况下，普通的PID控制可能导致不稳定。为了解决这些问题，本研究提出了一种学习踝关节的关节角度、肌肉张力、肌肉长度和零力矩点之间相关性模型的方法，以进行平衡控制。此外，通过参数偏置将变化的身体状态信息嵌入到模型中，模型通过在线学习这些信息来估计和适应当前的身体状态。这使得模型能够适应未直接考虑在上半身姿势变化，因为考虑到数据量和计算量，很难学习整个身体的完整动力学。该模型还可以适应身体状态的变化，例如鞋子的变化和由于重新校准引起的关节原点变化。通过仿真和使用实际的骨骼肌肉人形机器人Musashi验证了该方法的有效性。
🔬 方法详解
问题定义：骨骼肌肉人形机器人的平衡控制是一个复杂的问题，传统的PID控制方法难以适应机器人身体状态的变化，例如姿势改变、穿不同鞋子或关节重新校准等。现有的动力学模型难以精确捕捉机器人的复杂动力学特性，且计算量大，难以实时应用。因此，需要一种能够适应身体状态变化且计算效率高的平衡控制方法。
核心思路：论文的核心思路是通过学习建立踝关节的关节角度、肌肉张力、肌肉长度和零力矩点（ZMP）之间的相关性模型。该模型能够根据当前的身体状态估计所需的控制量，从而实现平衡控制。为了适应身体状态的变化，论文引入了参数偏置，将身体状态信息嵌入到模型中，并通过在线学习的方式更新这些参数偏置。
技术框架：该方法主要包含以下几个模块：1) 数据采集模块：采集踝关节的关节角度、肌肉张力、肌肉长度和零力矩点等数据。2) 模型学习模块：使用采集到的数据学习关节角度、肌肉张力、肌肉长度和零力矩点之间的相关性模型。该模型可以是一个神经网络或其他的回归模型。3) 参数偏置更新模块：根据当前的身体状态，在线更新模型中的参数偏置。4) 平衡控制模块：根据模型输出的控制量，控制机器人的踝关节，实现平衡控制。
关键创新：该方法最重要的技术创新点在于引入了参数偏置，将身体状态信息嵌入到平衡控制模型中。这使得模型能够适应身体状态的变化，而无需重新训练整个模型。与传统的基于模型的控制方法相比，该方法不需要精确的动力学模型，且计算效率更高。与传统的基于学习的控制方法相比，该方法能够更好地适应身体状态的变化。
关键设计：论文中关键的设计包括：1) 参数偏置的选取：参数偏置需要能够有效地表示身体状态的变化。2) 在线学习算法的选择：在线学习算法需要能够快速地更新参数偏置，并保证模型的稳定性。3) 模型的结构：模型的结构需要能够有效地捕捉关节角度、肌肉张力、肌肉长度和零力矩点之间的复杂关系。具体的参数设置、损失函数、网络结构等技术细节在论文中没有详细描述，属于未知信息。
🖼️ 关键图片
📊 实验亮点
论文通过仿真和实际机器人实验验证了该方法的有效性。实验结果表明，该方法能够有效地控制骨骼肌肉人形机器人的平衡，并能够适应身体状态的变化。具体的性能数据和提升幅度在摘要中没有给出，属于未知信息。
🎯 应用场景
该研究成果可应用于各种骨骼肌肉人形机器人，提高其在复杂环境下的平衡能力和适应性。例如，可以应用于康复机器人，帮助患者恢复平衡能力；也可以应用于服务机器人，使其能够在拥挤的环境中稳定行走。此外，该方法还可以推广到其他类型的机器人，例如四足机器人和轮式机器人，提高其运动控制性能。
📄 摘要（原文）
The musculoskeletal humanoid is difficult to modelize due to the flexibility and redundancy of its body, whose state can change over time, and so balance control of its legs is challenging. There are some cases where ordinary PID controls may cause instability. In this study, to solve these problems, we propose a method of learning a correlation model among the joint angle, muscle tension, and muscle length of the ankle and the zero moment point to perform balance control. In addition, information on the changing body state is embedded in the model using parametric bias, and the model estimates and adapts to the current body state by learning this information online. This makes it possible to adapt to changes in upper body posture that are not directly taken into account in the model, since it is difficult to learn the complete dynamics of the whole body considering the amount of data and computation. The model can also adapt to changes in body state, such as the change in footwear and change in the joint origin due to recalibration. The effectiveness of this method is verified by a simulation and by using an actual musculoskeletal humanoid, Musashi.