In this dissertation, parallel type leg and walking control algorithm using learning are proposed to solve the problem of existing nuclear plant robot. The parallel leg is non-linearly optimized for minimizing actuation torque. This dissertation propose a realtime feedback walking controller based on neural network contact force control. Walking algorithm using push-off improves moving efficiency and disturbance rejection performance. However, the algorithm based on classical contact force control requires exact model or Force/Torque sensor. This thesis proposes a novel contact force control algorithm based on neural networks. The proposed model is adapted to a model predictive controller for position control and balance. The results demonstrate that neural network-based model can accurately generate force and effectively reduce error without requiring a sensor. The effectiveness of the algorithm is assessed with realistic test model. Compared to jacobian-based calculation, our algorithm significantly improves the accuracy of force control. One step simulation was used to analyze the robustness of the algorithm. Walking parameter is optimized by Deep Deterministic Policy Gradient method and performance is evaluated by walking simulation using realistic CAD model. The simulation demonstrated that the developed algorithm withstands disturbance like model error.
In summary, this walking control algorithm generates push-off force with precision and enables it to reject disturbance rapidly. Consequently, the robot achieves mobility improvement.
본 논문의 목적은 원전 작업용 로봇의 태스크 수행 능력을 유지하면서 이동성을 향상시키는 것이다. 보행로봇의 경우 구동기가 차지할 수 있는 부피가 한정되므로 로봇의 무게에 의해 이동성이 저하된다. 또한 ZMP보행은 push-off를 이용하는 사람의 보행보다 비효율적이며 도달할 수 있는 속도가 제한된다. 이를 해결하기 위해 push-off를 이용한 보행로봇이 제작되었지만 양발 지지상태에서 균형을 잡을 수 없는 한계를 가진다. 따라서 본 연구에서는 경량으로 높은 부하를 버틸 수 있는 병렬형 다리와 Push-off를 이용한 보행제어 기법을 제안했다. 병렬형 다리의 요구토크가 최소화 되도록 비선형 최적화를 수행하고자 한다. 그리고 보행제어 시 복잡한 모델링을 수행하지 않고 잡음이 심한 센서정보를 이용하지 않기위해 신경망을 사용하여 접촉력 모델을 학습시키고자 한다. 그리고 신경망 접촉력 모델과 Push-off 제어기를 동적 보행 시뮬레이션에 적용하여 제한되 알고리즘의 성능 및 외란에 대한 강인함을 검증한다. 또한 Push-off 보행제어의 파라미터를 심층 학습으로 최적화하여 최대 속도를 향상시키고자 한다. 심층 학습 에이전트와 균형제어기를 분리하여 실제 로봇에 적용시 혹은 온라인 학습과정에서 모델 오차가 존재하거나 외란이 있더라도 최대한 넘어지지 않도록 한다. 이 에이전트가 임의의 모델 오차를 가지는 상황에서도 전복 확률을 최소화 할 수 있음을 시뮬레이션으로 검증한다.
본 연구에서 사용된 제어기와 학습 모델은 복잡한 병렬 로봇의 접촉력 제어에 대해 가능성 있는 해법을 제시한다.
