Modeling and simulation of the central generator of the pattern to produce curved-linear motions in the snake robot
Subject Areas : General
morteza vasegh
1
()
yaghoub pourasad
2
()
Keywords: Central pattern generator, simulation, snake robot, neural control,
Abstract :
With the advancement of science and technology and the importance of using robots, the need to use automated systems seems essential. Since most applications of snake robots move in unfamiliar and sometimes complex environments, there is a need to develop different control methods for them. The product of the integration of the two sciences of neuroscience and robotics, are motor neuron producers known as model central generators, which is the problem of producing motion in the robot. In this paper, we control the movement of a snake-like robot with a central pattern generator (CPG) that is able to produce coordinated patterns of output signals with different frequencies. For this purpose, it is necessary to model the snake robot first and then apply control Be. In this paper, the control of robot motion control in two modes of open loop and closed loop for CPG network is presented. At the same time, this study with simulations shows that the lower the level of stimulation and the lower its level, the lower the frequency of motion production and vice versa. Then, the effect of CPG models, which are used as neural networks, is simulated in motion control. In this paper, the remarkable point in comparison with other controllers is that in the central generating neural networks, the pattern of simple signals is sufficient to stimulate and induce the movement of robots, which is shown in the simulation
با پیشرفت علوم و صنایع و اهمیت به کارگیری ربات‌ها، ضرورت استفاده از سیستم‌های خودکار امری ضروری به نظر می‌رسد. از آنجا که بیشتر کاربردهای رباتهای مار حرکت در محیط‌های ناشناخته و بعضاً پیچیده است، لزوم ایجاد روش‌های کنترلی متفاوت برای آنها احساس میشود. ماحصل ادغام دو علم عصب شناسی و رباتیک، تولید کننده‌های عصبی حرکتی هستند که با نام مولدهای مرکزی الگو شناخته می‌شوند که مسئله تولید حرکت در ربات میباشد. در این مقاله به بررسی کنترل حرکت ربات مار مانند با مولد مرکزی الگو (CPG) پرداخته شده که قادر به تولید الگوهای هماهنگ سیگنال‌های خروجی با فرکانس‌های مختلف هستند، بدین منظور لازم است که در ابتدا ربات مار مدل شود و پس از آن اعمال کنترلی اعمال شود. در این مقاله بررسی کنترل حرکت ربات در دو حالت حلقه باز و حلقه بسته برای شبکه CPG ارائه شده است. در عین حال این پژوهش با شبیه‌سازی‌های انجام شده نشان میدهد که هر چه میزان تحریک کمتر باشد و سطح آن پایین‌تر، منجر به تولید حرکتی با فرکانس پایین‌تر میشود و بالعکس. سپس نحوه تاثیر مدل‌های CPG که به عنوان شبکه‌های عصبی استفاده می‌شوند، در کنترل حرکت شبیهسازی شدهاند. در این مقاله نکته قابل توجه در مقایسه با سایر کنترل کننده‌ها این است که در شبکه‌های عصبی مولد مرکزی الگو سیگنال‌های ساده برای تحریک و القای حرکت ربات‌ها کافی میباشد که در شبیهسازی نشان داده شده است.
دو فصلنامه علمي فناوري اطلاعات و ارتباطات ایران | سال دوازدهم، شماره‌هاي 43 و 44، بهار و تابستان 1399 صفحات: 169-175 |
|
مدلسازی و شبیهسازی مولد مرکزی الگو جهت تولید حرکات منحنی-خطی در ربات مار
مرتضی واثق* یعقوب پوراسد**
* دانشجوی کارشناسیارشد مهندسی مکاترونیک، دانشگاه صنعتی ارومیه، ایران
**استادیار دانشکده مهندسی برق، دانشگاه صنعتی ارومیه، ایران
تاریخ دریافت: 31/03/1399 تاریخ پذیرش: 05/08/1399
نوع مقاله: پژوهشی
چکیده
با پیشرفت علوم و صنایع و اهمیت به کارگیری ربات‌ها، ضرورت استفاده از سیستم‌های خودکار امری ضروری به نظر می‌رسد. از آنجا که بیشتر کاربردهای رباتهای مار حرکت در محیط‌های ناشناخته و بعضاً پیچیده است، لزوم ایجاد روش‌های کنترلی متفاوت برای آنها احساس میشود. ماحصل ادغام دو علم عصب شناسی و رباتیک، تولید کننده‌های عصبی حرکتی هستند که با نام مولدهای مرکزی الگو شناخته می‌شوند که مسئله تولید حرکت در ربات میباشد. در این مقاله به بررسی کنترل حرکت ربات مار مانند با مولد مرکزی الگو (CPG) پرداخته شده که قادر به تولید الگوهای هماهنگ سیگنال‌های خروجی با فرکانس‌های مختلف هستند، بدین منظور لازم است که در ابتدا ربات مار مدل شود و پس از آن اعمال کنترلی اعمال شود. در این مقاله بررسی کنترل حرکت ربات در دو حالت حلقه باز و حلقه بسته برای شبکه CPG ارائه شده است. در عین حال این پژوهش با شبیه‌سازی‌های انجام شده نشان میدهد که هر چه میزان تحریک کمتر باشد و سطح آن پایین‌تر، منجر به تولید حرکتی با فرکانس پایین‌تر میشود و بالعکس. سپس نحوه تاثیر مدل‌های CPG که به عنوان شبکه‌های عصبی استفاده می‌شوند، در کنترل حرکت شبیهسازی شدهاند. در این مقاله نکته قابل توجه در مقایسه با سایر کنترل کننده‌ها این است که در شبکه‌های عصبی مولد مرکزی الگو سیگنال‌های ساده برای تحریک و القای حرکت ربات‌ها کافی میباشد که در شبیهسازی نشان داده شده است.
واژگان کلیدی: مولد مرکزی الگو، شبیهسازی، ربات مار، کنترل کننده عصبی.
1- مقدمه
پیشرفت روزافزون علوم مختلف کاربرد ربات‌ها را در محیط‌های پیرامون افزایش داده است که در این راستا فضای کاری گسترده هست و نیاز به ربات قابل انعطاف حس میشود که از این رو نسل جدیدی از رباتهای مار مانند به وجود آمدند. اکثر رباتهای مار شکل درجات آزادی زیادی جهت انجام وظایف جانبی و بهینه کردن کاربردی شاخص‌های اصلی دارند. از آنجا که این نسل از ربات‌ها در
محیط‌های ناشناخته و تصادفی کاربردهای بیشتری دارند، الزاماً به کارگیری روش‌های کنترلی جدید برای کنترل آنها نیاز میباشد]1[. یکی از این روشها، ساختار کنترلی مولد مرکزی الگو است که در تحقیقات مختلفی ارائه شده است [2-3]. در [2] مدل دینامیک غیرخطی کنترل کننده بیولوژیکی به وسیله طراحی یک مولد مرکزی الگو انجام شده است که کوپلینگ نوسان‌ها میباشد. تحقیقات متعددی در زمینه بهینهسازی حرکت پیچشی ربات خزندگان با طراحی یک کنترل کننده ارائه شده است [4-6].
مسئله تولید حرکت در ربات مسئله‌ای است که در آن دو علم عصب‌شناسی و رباتیک با یکدیگر ملاقات می‌کنند. وجه مشترک این دو علم تولیدکننده‌های عصبی حرکتی هستند که با نام مولد مرکزی الگو شناخته می‌شوند. مولد مرکزی الگو مدارهای عصبی هستند که معمولاً در بین انتهایی مغز تا نخاع قرار گرفتهاند و قادر هستند الگوهای هماهنگی را جهت حرکت‌های مختلف تولید کنند. ورودی این شبکه‌های عصبی اطلاعات حسگری ساده و خروجی آنها الگوهایی پیچیده، هماهنگ و دارای نظم برای حرکت می‌باشند. با توجه به [7] اساس بسیاری از حرکات ریتمیک در حیوانات( مهرهداران و بیمهره) مولد مرکزی الگو میباشد. در حالت کلی مراحل تولید حرکت در یک ربات را میتوان به سه لایه تقسیم کرد[8]. لایه اول که لایه استراتژی کنترل نام دارد مقاصد سطح بالای ربات جهت حرکت به سمت یک نقطه مشخص و از روی یک منحنی معین را تعیین میکند. این لایه وظیفه تولید سیگنال‌های مرجع برای حرکت را نیز بر عهده دارد. لایه دوم، لایه برنامه‌ریزی و مولفه‌های میانی نام دارد. در این لایه شکل سیگنال‌های مرجع جهت حرکت به مقصدی از قبل تعیین شده و از مسیری معین تولید میشود.
لایه سوم ربات شامل کنترل کننده‌هایی است که برای تطبیق سیگنال‌های مورد نیاز خروجی محرک‌ها استفاده میشود و تضمین‌کننده تعقیب شدن سیگنال‌های مرجع تولید شده در لایه بالایی میباشد و مسئله اصلی حرکت در ربات‌ها شیوه تولید سیگنال‌های مرجع حرکتی با توجه به مقاصد سطح بالای ربات یا در حقیقت لایه دوم میباشد. ربات مار مانند که با الهام از طبیعت و حرکت خزشی مار طراحی میشود جزو رباتهای خزنده محسوب میشود که بدون استفاده از محرک‌هایی قادر به حرکت است. حرکت خزشی به عنوان یک مدل حرکتی که در طبیعت در برخی جانوران از جمله مارها دیده میشود از تحلیل سینماتیکی و دینامیکی خاص برخوردار است.
در طبیعت مار با حرکات گوناگون خود میتواند در محیط‌های مختلفی نظیر آب و خاک، زمین‌های سفت و حتی ناهموار حرکت کنند. این جانور حتی قادر است از اجسام یا درختان بالا رود، از موانع عبور کند و یا در محیط‌های شنی و لغزنده نیز به حرکت خود ادامه دهد؛ بنابراین یک ربات خزنده میتواند از قابلیت‌های بالایی برخوردار باشد. بند بند بودن ربات، افزایش و یا کاهش طول بدنه، مونتاژ عضوها به یکدیگر را به سادگی امکان‌پذیر ساخته است]9[. بالا بودن تعداد درجه آزادی باعث افزایش قدرت مانور و درجه مهارت ربات شده است]10[.
کوتاهی ابعاد ارتفاعی و عرضی ربات امکان حرکت در مسیرهای باریک مثل لوله و همچنین قابلیت استتار را برای آن فراهم ساخته است. در چنین رباتی مشکل تعادل و پایداری عمودی ربات وجود ندارد. با ثابت کردن جزو انتهایی ربات مار مانند میتوان از آن به عنوان یک بازوی مکانیکی ماهر با درجه آزادی اضافی استفاده کرد. عامل محرک در چنین رباتی چرخ و یا اجزا دیگر نیست؛ بلکه میتوان با استفاده از تعدادی راه‌انداز چرخشی، از طریق ایجاد گشتاور در مفاصل عامل محرک را ایجاد کرد. در کنترل و ایجاد حرکت در ربات فقط میتوان با کنترل موقعیت سر ربات مسیر حرکت آن را تعیین کرد به طوری که دیگر عضوها از آن پیروی کنند. در برنامه‌ریزی حرکت ربات مسئله اساسی پیدا کردن یک حرکت ایمن و انجام پذیر برای رسیدن به هدف، با در نظر گرفتن قیود و ملاحظاتی خاص که منجر به چنین حرکتی شود، میباشد]11[.
اجرای عملی CPG در رشد اندام‌های پروتز فعال زانو در [12] پیشنهاد شد. در برخی از پژوهش‌ها، شبیهسازی مدل CPG در متلب برای كنترل رفتار ربات با استفاده از دینامیک غیرخطی هست[13و 14]. در [15] روشي سريع جهت حل سينماتيک معکوس بازوهاي مکانيکي با درجه آزادي بالا ارايه گرديده است که قادر به کمينه کردن مسير حرکت مفاصل، انرژي مصرفي و گشتاور محرکه‌ها در حين رسيدن به هدف با استفاده از الگوریتم ژنتیک میباشد.
در این مقاله کنترل حرکت ربات مار مانند با مولد مرکزی الگو (CPG) ارائه شده است که قادر به تولید الگوهای هماهنگ سیگنال‌های خروجی با فرکانس‌های مختلف می.باشد. حرکت ربات در دو حالت حلقه باز و مقایسه شده و با توجه به استفاده از سیگنال‌های ساده برای تحریک و القای حرکت ربات‌ها، سیستم سریع و دقیق ارائه شده است.
2- فرمولبندی مساله
2-1- ساختار CPG
ساختار اصلی CPG ارائه شده، بر اساس نوسانگر فرکانس تطبیقیHopf است که در شکل (1) ارائه شده است. ساختار CPG از نوسان‌سازهای فرکانس سازگار Hopf ساخته شده است، که نوسان‌سازهای Hopf اصلاح شده هستند که بر اساس [16] توسعه داده شدهاند. این نوسان‌سازها این خاصیت را دارند که می‌توانند فرکانس یک سیگنال ورودی تناوبی را بدون هیچ‌گونه فرآیند بهینهسازی بیرونی ثابت نگه دارند.
شکل 1 : ساختار اصلی CPG بر اساس نوسانگر فرکانس تطبیقی [16].
2-2 - طراحی شبکه مرکزي ایجاد الگو با روش سیستم‌هاي دینامیکی براي ایجاد گیتهاي حرکتی
در ابتدا برای طراحی کنترل کننده نیاز به دانستن دینامیک ربات و نحوه حرکت آن هست که این دینامیک‌ها به صورت معادلات 1 و2 به دست می‌آید.
(1)
(2)
نوسانگرها به عنوان زیرمجموعه مهمی در سیستم‌های دینامیکی می‌باشند که داراي ساختارهاي پایداري مانند سیکل حدي می‌باشند. به طور کلی یک سیستم دینامیکی به صورت مجموعهاي از معادلات دیفرانسیل مدل‌سازي میشود که نرخ تغییرات برخی از متغییرهاي آن توسط تعدادي از پارامترها تنظیم و تغییر مییابد. این مدل‌سازي کلی در معادله 3 نشان داده شده است:
(3)
که 
متغیر سیستم دینامیکی و بردار پارامترهای مدلسازی 
میباشد.
در این مقاله مولد مرکزی الگو به عنوان شبکه‌اي متشکل از نوسانگرهاي غیرخطی مدل‌سازي میشود که با یکدیگر در یک توپولوژي مفروض کوپل شدهاند و گذار این سیستم دینامیکی در طول زمان، توسط تعدادي پارامتر تعیین میشود. خروجی رفتار این سیستم دینامیکی یا مولد مرکزی الگو به صورت متناوب دارای فرکانس مشخص میباشد. با تغییر دادن پارامترهاي اصلی در معادلات نوسانگرها میتوان دامنه، فاز و کوپلینگ بین نوسانگرها را تغییر داد. علت اصلی این توانایی هم این میباشد که نوسانگرها به عنوان یک سیستم دینامیکی قابلیت‌هایی مانند سنکرون کردن و یا قفل کردن فاز و فرکانس آنها را دارند.
2-3- معادلات نوسانگر دینامیکی مولدهای مرکزی الگو
با توجه به نوسانگر دینامیکی غیرخطی، معادله دارای یک حلقه
دو شاخه است که با معادلات متفاوتی ارائه میشود[16] که در اینجا در معادله 4 نشان داده شده است.
(4) |
|
(5) |
|
(6) |
|
(7) |
|
(8) |
|
لایه دوم |
|
لایه پایینی |
شكل 2 : بلوك دیاگرام ساختار دو لایه‌اي جهت تولید الگوهاي ریتمیک و قابل تنظیم.
3- نتایج شبیهسازی
3-1- شبیهسازي کنترل کننده در حالت حلقه باز
در گام اول کنترل کننده CPG به شکل حلقه باز شبیهسازی شده است. در حالت حلقه باز جهت تنظیم حرکت ربات لازم است سیگنال ورودی به واحد CPG اعمال شود. به همین منظور سیگنال پالس مربعی با دامنه واحد و آفست DC برابر با -0.5 به ورودی کنترل کننده وارد میشود. به علت اینکه ساختار اولیه شبیهسازی حلقه بسته نیست؛ بنابراین نوسانگر پالس مربعی به عنوان سیگنال ورودی تحریک وارد میشود(شکل 3).
شكل 3 : سیگنال‌های تحریک کننده ورودی کنترلگر در حالت حلقه باز.
جهت تسریع سرعت حرکت ربات لازم است، دو سیگنال تحریک به ورودی وارد شده به طوری که تاخیری به اندازه 5 ثانیه بین دو سیگنال تحریک ورودی وجود دارد. با اعمال این سیگنال تحریک خروجی‌های کنترل کننده به صورت شکل‌های 4 و 5 به دست آمده است.
شكل 4 : تغییرات فازهای 
، 
و 
در حالت حلقه باز .
شكل 5 : مسیر حرکت ربات در راستای XY.
3-2- حرکت در راستای محور x با سرعت معین
در این حالت پارامتر کنترل جهت حرکت در زاویه صفر درجه تنظیم میشود که هدف حرکت در راستای محور X است که در این حالت سرعت حرکت ربات که قابل تعییر با پارامترSpeed است، به اندازه 2 واحد انتخاب میشود. همانطور که در شکل‌های 6و7 مشخص است، در لحظات اولیه شبیهسازی به علت زیاد بودن زمان نشست سیگنال کنترلی در راستای Y در لحظات اولیه حرکت ربات در راستای محور Y نوسان سینوسی خواهد داشت. پس از حدود 20 ثانیه حرکت در راستای محور Y پایدار خواهد بود و در مجموع حرکت پایداری را از ربات خواهیم دید.
شكل 6 : تغییرات فازها در حالت حلقه بسته.
شكل (7) : مسیر حرکت ربات در راستای XY در حالت حلقه بسته.
3-3- حرکت در راستای مثبت محور y و مثبت محور x با سرعت معین
در این حالت به ازای تغییر پارامتر جهت مسیر حرکت ربات در راستای مثبت محور Y تغییر یافته است. با توجه به شبیه‌سازی‌های انجام شده که در شکل‌های 8و 9 نشان داده شده، میتوان دریافت که فرکانس تغییرات فاز نسبت به نتایج حالت اول کاهش یافته است. با دقت در شبیهسازی شکل 9 به ازای 40 ثانیه شبیهسازی تنها20 واحد حرکت در راستای محور X و 8 واحد حرکت در راستای محور Y وجود دارد.
شكل 8 : تغییرات فازها در حالت حلقه بسته.
شكل 9 : مسیر حرکت ربات در راستای XY در حالت حلقه بسته.
3-4- حرکت در راستای منفی محور y و مثبت محور x در سرعت معین
مشابه حالت دوم، در این حالت به ازای تغییر پارمتر جهت مسیر حرکت ربات در راستای منفی محور Y تغییر یافته است. با توجه به شکل‌های 10 و 11 میتوان دریافت که فرکانس تغییرات فاز نسبت به نتایج حالت اول کاهش یافته است. در شکل 10 به ازای 40 ثانیه شبیهسازی تنها20 واحد حرکت در راستای محور X و 8 واحد حرکت در راستای منفی محور Y وجود دارد.
شكل 10 : تغییرات فازهای ، و در حالت حلقه بسته با Speed=2.
شكل 11 : مسیر حرکت ربات در راستای XY در حالت حلقه بسته.
4- نتيجهگیری
در این مقاله یک معماری معرفی شده است که این ساختار از مولدهای مرکزی الگو(نخاع حیوان) الهام گرفته و حالت‌های زیر را پیشنهاد میدهد که نسبت به کارهای قبلی دارای برتری هست:
-مختصات مورد نیاز مسیرها را برای حرکت ایجاد میکند.
-الگوهای موتور را مطابق با افزایش سرعت مدلسازی تغییر میدهد.
-برای به دست آوردن حرکت در جهت مناسب در سرعت راه رفتن، مسیر و زاویه سرعت مناسب ارائه شده است.
- به علاوه در این مقاله، CPG با استفاده از نوسانگر غیرخطی طراحی میشود که چندین مزیت دلخواه را در کاربردهای ربات نشان میدهد که از آن جمله میتوان به امکان فراهم کردن یکپارچه‌سازی مکانیسم بازخورد حسی اشاره کرد.
-همچنین این کاربردها اجازه میدهند تا مختصات همه مفصل‌ها در تمام جهت‌های مناسب قرار گیرد. در این حالت همچنین یک روش برای مدلسازی همه پارامترهای CPG، نشان داده شده است که فقط در تعداد کمی از پارامترها به تبدیل دستی نیاز دارد.
-به علاوه در این مقاله، دستورات هدایت کردن در فعالیت‌های هدایت رفتار‌های موتور مدلسازی میشود که از طریق مدلسازی دامنه‌های نوسانی و در حال حرکت انجام میشود.
- حرکت ایجاد شده از طریق دستورات سطح بالاتر مدلسازی
میشود و حرکت راه رفتن مطلوب در سرعت انتقالی، جهت راه رفتن در سرعت زاویهای کدگذاری میشود؛ بنابراین، ابعاد کنترل مسئله کاهش پیدا میکند. که این مورد یکی از مزیت‌های مهم این مقاله هست.
نتایج به دست آمده نشان میدهد که کنترلگر ارائه شده بر اساس [7] میتواند جهت حرکت مفصل مورد نیاز را ایجاد کند که شامل حرکت در جهت مناسب و تغییر حرکت است. همچنین نتایج نشان میدهد که محاسبات دامنه حرکت و مسیر هر مفصل، بر خلاف مقدار سرعت تقریبی، میتواند به شکل موفقیت آمیزی در پارامترهای CPG در سرعت انتقالی دلخواه مدل شود و همچنین دامنه حرکت میتواند با سرعت زاویهای و جهت راه رفتن مدلسازی شود و ربات میتواند حرکت در جهت مناسبی را اجرا کند.
مراجع
1. Bamdad M., Mardany A., Motion analysis of continuum robots structures with cable actuation, Modares Mechanical Engineering, 14, 14, 2015, 67-87.
2. Mondal S., Nandy A., Verma, C., Shukla S., & Saxena, N., Chakraborty P., Nandi, G. Modeling a Central Pattern Generator to Generate the Biped Locomotion of a Bipedal Robot Using Rayleigh Oscillators. Communications in Computer and Information Science. 2011, 168, 289-300. 10.1007/978-3-642-22606-9_31.
3. شهبازی ح، جمشیدی ا.، و منجمی ا، ۱۳۹۰، مدلسازی مولد مرکزی الگو در نخاع جهت تولید حرکات منحنی - خطی در ربات انسان نمای نائو، یازدهمین کنفرانس سیستم های فازی ایران، زاهدان، دانشگاه سیستان و بلوچستان.
4. Atoofi P., Hamker F., Nassour J., Learning of Central Pattern Generator Coordination in Robot Drawing, Front. Neurorobot., 23, 2018, 13-22.
5. تقی راد ح.، ظریف لولویی آ.، خسروی م.، رباتهای موازی کابلی: سینماتیک، دینامیک و کنترل، مجله کنترل، جلد 8، شماره 3، 1393، 87-117.
6. Komarov M., Pikovsky A., The Kuramoto model of coupled oscillators with a bi-harmonic coupling function, Physica D: Nonlinear Phenomena, 289, 2014, 18-31.
7. Ijspeert A.J., Central pattern generators for locomotion control in animals and robots: areview, Journal of Neural Networks, 21, 4, 2008, 642-653.
8. صفايي سيف د.، فرشاد ب.، ارايه روش جديد براي حل سينماتيک معکوس و بهينه کردن عملکرد بازوهاي مکانيکي ماهر با درجه آزادي بالا توسط الگوريتم ژنتيک، کنترل، شماره 1 دوره 2، 1387، 65-73.
9. Transeth A., Ytterstad K., Developments in snake robot modeling and locomotion, ICARCV, 2006. 156-164.
10. Ijspeert J., Crespi A., Ryczko D., Cabelguen J. M., From swimming to walking with a salamander robot driven by a spinal cord model, Journal of Science, 315 (5817), 2017, 1416–1420.
A. Ijspeert J., Crespi A., Cabelguen J. M., Simulation and robotics studies of salamander locomotion: Applying neurobiological principles to the control of locomotion in robots, Journal of NeuroInformatics, Vol 3(3), 2015, pp. 171-196.
11. Ludovic R., Auke Jan J., Programmable Central Pattern Generators:an application to biped locomotion control, Proceedings of the 2006 IEEE International Conference on Robotics and AutomationOrlando, Florida - May 2006.
12. خدابنده ب.، شهبازی ح، منجمی ا.، آموزش تقلیدی حرکات پیچیده به رباتهای انسان نما به کمک بهینهسازی تکاملی شبکه عصبی مولد الگوی واحد، نشریه مهندسی مکانیک امیرکبیر، 1397، 50، 1123-1136.
13. Chang H., Vela Patricio A., Shape-centric modeling for control of traveling wave rectilinear locomotion on snake-like robots, Robotics and Autonomous Systems, 124, 2020, 103406.
14. Ludovic R., & Jonas B., Ijspeert, A.J., Dynamic Hebbian learning in adaptive frequency oscillators. Physica D: Nonlinear Phenomena. 216, 2016, 269-281. 10.1016/j.physd.2016.02.009.
15. Castaños F., Franci A., Implementing robust neuromodulation in neuromorphic circuits, Neurocomputing, 233, 12, 2017, 3-13.
16. Dutta, S., Parihar, A., Khanna, A. Programmable coupled oscillators for synchronized locomotion. Nat Commun 2019, 10, 3299. https://doi.org/10.1038/s41467-019-11198-6.
Modeling and simulation of the central generator of the pattern to produce curved-linear motions in the snake robot
Abstract
With the advancement of science and technology and the importance of using robots, the need to use automated systems seems essential. Since most applications of snake robots move in unfamiliar and sometimes complex environments, there is a need to develop different control methods for them. The product of the integration of the two sciences of neuroscience and robotics, are motor neuron producers known as model central generators, which is the problem of producing motion in the robot. In this paper, we control the movement of a snake-like robot with a central pattern generator (CPG) that is able to produce coordinated patterns of output signals with different frequencies. For this purpose, it is necessary to model the snake robot first and then apply control Be. In this paper, the control of robot motion control in two modes of open loop and closed loop for CPG network is presented. At the same time, this study with simulations shows that the lower the level of stimulation and the lower its level, the lower the frequency of motion production and vice versa. Then, the effect of CPG models, which are used as neural networks, is simulated in motion control. In this paper, the remarkable point in comparison with other controllers is that in the central generating neural networks, the pattern of simple signals is sufficient to stimulate and induce the movement of robots, which is shown in the simulation.
Keywords: Central pattern generator, simulation, snake robot, neural control.
Related articles
-
-
The Participation of Three Brain Tissues in Alzheimer’s disease Diagnosis from Structural MRI
Print Date : 2019-11-08 -
-
Performance Analysis of Device to Device Communications Overlaying/Underlaying Cellular Network
Print Date : 2019-11-08 -
Adaptive rotation models and traffic patterns to reduce light loss in networks on optical chip
Print Date : 2020-10-03
The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2024