機器人運動員

本計畫旨在創建新穎的演算法與技術，以支持高精度的移動操作任務，即要求精度至少為0.5毫米的任務。本研究擬使用機器人運動員，尤其是以機器人射箭作為基準應用程序。射箭是一個有趣且具有挑戰性的基準問題。機器人必須精確定位目標、必須拿起弓箭然後移動箭頭來瞄準目標。而且機器人必須同步其軀幹、弓箭和射擊臂的運動，以產生最大的拉功力。 奧運弓箭手的拉力約20公斤。最後，機器人必須補償風和溫度等外部因素，並平穩釋放箭頭。感知和運動成分都要求在負載下具有較高的精度，而研究文獻中流行的方法都無法完成這項任務。 為了感知，我提出了一種基於定向梯度直方圖(HoG)的方法來找到目標的粗略位置。然後使用局部特徵來改善目標位置，以找到目標的確切中心並將其從相機映射到3D世界座標上。 我擴展了Voxnet和V-CNN1深度學習架構來用於物件識別(如弓和箭)，以提高其準確性。使用來自攝影機、激光雷達掃瞄器和RGBD鏡頭的多模式傳感器輸入，所提出的算法將提供弓、箭和拉繩的準確估計。 當機器人在重負載下移動時(如，當試圖瞄準以遠距離射擊時)，通常使用的逆向運動學和動力學方法會導致誤差。我透過深度學習網路擴展了逆向運動學引擎來微調 在負載下的IK引擎。 運動規劃器必須能夠操控弓箭，以便在釋放弓箭時，能使箭有通往目標的乾淨路徑。該規劃必須根據機器人與目標之間的相對方向和距離進行調整。機器人必須在高負荷下拉弓，並使其與目標對準。最後，機器人必須補償環境中的外部因素，例如風和溫度。由於許多參數未知(如齒輪的齒隙、弓的剛度、風)，我提出了一種基於強化學習的方法。我和我的學生以前已經證明了強化學習在學習運動規劃以操控簡單平面物件方面的有用性。但是，標準DRL方法卻很難應用於複雜的多維方案。在此研究中，我提出了對SAC方法的擴展。 我們將在國際機器人競賽以及針對台灣體育和工業的若干現場試驗中展示我們研究的有效性。機器人射箭應用程序的目標是開發一種能夠與奧林匹克射手競爭的機器人射手。這是機器人開發中的重要一步，因為這將是機器人首次在官方比賽規則下擊敗人類。