Although bipedal walking based on Central Pattern Generator (CPG) is promising, parameter search of CPG is hard because there is no methodology to set the parameters and the search space is too big. Therefore, evolutionary computation(EC) methods such as Genetic Algorithms(GAs), multi-objective Genetic Algorithms, and Genetic Programming(GP) are often used to optimize the parameters. However, when EC is used to find parameters of CPG, the fitness of the parameters is evaluated by applying to a robot and the evaluation takes long time. So fast convergence is a important factor for selecting a method to prevent robot from too much iterations of the method.
In this thesis, nonparametric estimation based Particle Swarm Optimization (NEPSO) is suggested to search parameters of CPG for bipedal walking. Canonical Particle Swarm Optimization (PSO) generally converges faster than the other EC method such as GAs and GP and the suggested algorithm converges faster than the PSO. The NEPSO uses a concept experience repository to store previous position and fitness of particles in PSO and estimated best position to accelerate convergence speed. The proposed algorithm is compared with PSO variants in numerical experiments and a tested in a three dimensional dynamic simulator for bipedal walking.
두발 로봇은 바퀴 로봇에 비해 다양한 지형에서 이동성이 좋은 장점과 사람과 비슷한 비슷한 구조를 가지고 있어 사람이 생활하는 공간에 있는 계단이나 문턱과 같은 곳에서 잘 움직일 수 있다는 장점이 있다. 그래서 앞으로 우리들의 일상에 두발로봇 형태의 로봇이 다양하게 사용 될 것이다. 두발 로봇의 연구에 있어서 핵심은 보행인데 기존의 두발로봇 보행에 대한 연구 중 Zero Moment Point (ZMP)를 기반으로 한 연구가 중심적으로 이루어 졌다. 하지만 ZMP를 사용 하기 위해서는 로봇에 대한 정확한 모델링 정보가 필요하고 외부에서 힘이 가해졌을 때도 안정성을 유지 하기 위해서는 추가적인 제어가 필요 하다. 이런 ZMP를 이용할 때 발생하는 문제점을 해결 하고자 최근들어 동물들이 움직이는 모습에서 영감을 얻어 그 모습을 두발 로봇의 보행에도 적용하려는 시도가 있다. 이러한 방법에서는 동물들이 운동발생중추(CPG, central pattern generator)에서 나오는 신호에 의해 근육들이 움직여서 원하는 동작을 이루어 내는 것처럼 이 CPG를 두발로봇의 각 관절에 할당을 한 후 각 CPG들의 조합에 의해 로봇을 걷게 한다. 하지만 CPG를 이용하여 두발 로봇을 걷게 하기 위해서는 CPG의 파라미터 값을 설정 해야 하는데 이 파라미터들을 설정 정할 때 참고 할 수있는 기준이 없고 파라미터 수도 많아 유전자 알고리즘, 유전자 프로그래밍와 같은 진화 연산 기법을 사용 하여 파라미터들을 찾는다. 진화 연산 기법을 이용하여 CPG의 파라미터를 찾는 과정을 보면 진화 연산에서 구한 파라미터 값을 직접 로봇에 적용 시켜서 그 적합도를 측정해 가며 진화를 진행해 나간다. 로봇에 파라미터 값을 적용 시키는 과정에는 많은 시간이 소요 되며 그 적용시키는 횟수가 증가 함에 따라 로봇에 무리가 간다. 그래서 적은 수의 평가 만으로 파라미터를 찾는 알고리즘이 필요하다.
이 논문에서는 기존에 CPG의 파라미터를 찾는데 사용한 진화연산인 유전자 알고리즘, 유전자 프로그래밍 보다 빠른 수렴을 보이는 입자 군집 최적화(PSO, Particle Swarm Optimization)을 이용하여 CPG 파라미터를 찾는 것을 제안한다. 또한 비모수추정에 기반한 입자군집 최적화 방법(NEPSO, Nonparametric estimation based Particle Swarm Optimization)을 제안한다. 제안된 방법을 기존의 PSO 그리고 여러 종류의 PSO 변형 형태와의 수치적인 실험 비교와 시뮬레이터 상에서 CPG 파라미터 탐색 실험 비교를 통해 제안된 방법의 성능을 검증 하였다.
