Controlo da locomoção e previsão de eficiência de um robô hexápode recorrendo a aprendizagem supervisionada

Abstract

O crescente interesse no campo da robótica móvel tem levado a um aumento na investigação e desenvolvimento de robôs móveis autónomos, especialmente para realizar tarefas perigosas para os seres humanos. Para se deslocarem em ambientes complexos, os robôs hexápodes são uma boa escolha devido à sua capacidade de se adaptarem a diferentes tipos de terreno graças ao seu elevado número de marchas. Além disso, a estabilidade corporal dos robôs hexápodes é considerada uma prioridade para a navegação em ambientes desafiantes. A dissertação enquadra-se no projeto “ATHENA” (All-Terrain Hexapod for Environment Navigation Adaptability) e tem o intuito de desenvolver um modelo de um robô hexápode, tal como o seu controlo para locomoção em diferentes tipos de marcha. Ademais, procura-se também nesta dissertação a previsão da eficiência da marcha em diferentes topologias de terreno, recorrendo a técnicas de aprendizagem supervisionada para prever qual a marcha mais adequada em cada um. Após uma introdução ao tema, é realizada uma revisão dos principais conceitos para o desenvolvimento do projeto. Posteriormente, é abordado o desenvolvimento do protótipo do robô hexápode, englobando a seleção de todo o hardware utilizado e o desenvolvimento dos diferentes componentes do modelo físico final. Concluída a parte relativa ao protótipo, é feita uma abordagem à cinemática e controlo do robô, onde se aborda a cinemática direta e cinemática inversa da perna, assim como curvas de Bézier para definição da trajetória do pé. Ainda nesta secção, é apresentada a aplicação dos conceitos no robô de forma a permitir a locomoção do mesmo em diferentes tipos de marcha, utilizando para o efeito Arduíno e a linguagem de programação Python. De seguida, é feita a avaliação das diferentes marchas em diferentes tipos de terreno, recorrendo à utilização de um IMU e de visão por computador para recolha de dados propriocetivos e dados exterocetivos, utilizados posteriormente num algoritmo de aprendizagem supervisionada para perceber qual a marcha mais adequada para cada topologia. Por fim, é feita uma avaliação final de todo o trabalho desenvolvido.

The growing interest in the field of mobile robotics has led to an increase in research and development of autonomous mobile robots, particularly for performing tasks that are dangerous for humans. For movement in complex environments, hexapod robots are a good choice due to their ability to adapt to different types of terrain thanks to their high number of stable gait. In addition, the body stability of hexapod robots is considered a priority for navigation in challenging environments The dissertation is part of the "ATHENA" (All-Terrain Hexapod for Environment Navigation Adaptability) project and aims to develop a model of a hexapod robot, as well as its control for movement in different types of gait. In addition, this dissertation also aims to predict the efficiency of gait in different types of terrain, using supervised learning techniques to predict the most appropriate gait in each one. After an introduction to the topic, a review of the main concepts for the development of the project is carried out. Subsequently, the development of the hexapod robot prototype is addressed, including the selection of all the hardware used and the development of the different components of the final physical model. Once the prototype section is completed, an approach to the kinematics and control of the robot is made, where the direct kinematics and inverse kinematics of the leg are addressed, as well as Bézier curves for defining the foot trajectory. In this section, the application of the concepts on the robot is also presented in order to allow its movement in different types of gait, using Arduino and the Python programming language. Next, the evaluation of the different gaits on different types of terrain is made, using an IMU and computer vision for proprioceptive and exteroceptive data collection, which are subsequently used in a supervised learning algorithm to understand the most appropriate gait for each typology. Finally, a final evaluation of all the work developed is made.