Μοντελοποίηση και βάσει μοντέλου προβλεπτικός έλεγχος τετράποδων ρομπότ

Αυγέρης, Αθανάσιος; Avgeris, Athanasios

dc.contributor.author	Αυγέρης, Αθανάσιος	el
dc.contributor.author	Avgeris, Athanasios	en
dc.date.accessioned	2024-05-31T09:35:02Z
dc.date.available	2024-05-31T09:35:02Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59596
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27292
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Τετράποδα Ρομπότ	el
dc.subject	Μοντελοποίηση	el
dc.subject	Βάσει Μοντέλου Προβλεπτικός Έλεγχος	el
dc.subject	Βελτιστοποίηση Τροχιάς	el
dc.subject	Κυρτή Βελτιστοποίηση	el
dc.subject	Quadruped Robots	en
dc.subject	Modelling	en
dc.subject	Model Predictive Control	en
dc.subject	Trajectory Optimization	en
dc.subject	Convex Optimization	el
dc.title	Μοντελοποίηση και βάσει μοντέλου προβλεπτικός έλεγχος τετράποδων ρομπότ	el
dc.title	Modeling and model predictive control of quadruped robots	en
heal.type	bachelorThesis
heal.classification	Ρομποτική	el
heal.classification	Αυτόματος έλεγχος	el
heal.classification	Robotics	en
heal.classification	Automatic control	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-02-23
heal.abstract	Η παρούσα εργασία πραγματεύεται τον σχεδιασμό και υλοποίηση ενός μοντέλου προσομοίωσης του τετράποδου ρομπότ ARGOS στον προσομοιωτή Gazebo [1] και ενός ελεγκτή που χρησιμοποιεί βάσει μοντέλου προβλεπτικό έλεγχο (MPC) στο ROS (Robot Operating System) [2]. Το ARGOS είναι ένα τετράποδο ρομπότ που σχεδιάστηκε από το Εργαστήριο Αυτομάτου Ελέγχου της Σχολής Μηχανολόγων Μηχανικών, και σκοπός του είναι η επιθεώρηση αμπελώνων. Σχήματα ελέγχου σαν αυτά που παρουσιάζονται σε αυτή την εργασία θα επιτρέπουν στο τετράποδο να εκτελεί κινήσεις στον τρισδιάστατο χώρο στους αμπελώνες. Το ROS χρησιμοποιήθηκε διότι επιτρέπει την υλοποίηση και εκτέλεση νόμων ελέγχου σε πραγματικό χρόνο, είτε σε hardware είτε σε προσομοίωση. Χάρις στην συνεργασία του Gazebo με το ROS καθίσταται δυνατή η προσομοίωση και ο έλεγχος του ARGOS σε πραγματικό χρόνο. Οι μετρήσεις που χρειάζονται σαν ανάδραση στο σύστημα κλειστού βρόχου είναι οι μετρήσεις που παρέχουν ιδιοδεκτικοί αισθητήρες. Το δεύτερο κεφάλαιο περιλαμβάνει μια αναλυτική επισκόπηση της διαδικασίας μοντελοποίησης ρομπότ στο Gazebo καθώς επίσης και του επιμέρους λογισμικού που διαθέτουν τέτοιου είδους προσομοιωτές ρομπότ. Επικεντρώνεται στην επιλογή και ρύθμιση των διαφόρων παραμέτρων του Gazebo που απαιτούνται για τη δημιουργία μιας ρεαλιστικής προσομοίωσης. Τέλος, πραγματοποιήθηκε μια επαλήθευση της ακρίβεια της προσομοίωσης στο Gazebo χρησιμοποιώντας αναλυτικά μοντέλα του συστήματος που σχεδιάστηκαν στο Simulink. Οι συγκρίσεις ανάμεσα στο μοντέλο στο Gazebo και στο αναλυτικό μοντέλο απέδειξαν ότι η ακρίβεια της μοντελοποίησης στο Gazebo είναι ικανοποιητική. Το τρίτο κεφάλαιο περιλαμβάνει μια αναλυτική επισκόπηση των μεθόδων βέλτιστου ελέγχου (ανοιχτού/κλειστού βρόχου) και πιο συγκεκριμένα των διαφορετικών διατυπώσεων προβλημάτων βέλτιστου ελέγχου (OCPs) και των μεθόδων επίλυσης που χρησιμοποιούνται για κάθε διατύπωση. Στη συνέχεια, οι διάφορες μέθοδοι βελτιστοποίησης τροχιάς (ΤΟ) συγκρίθηκαν μεταξύ τους χρησιμοποιώντας ένα διπλό εκκρεμές σε προσομοίωση προκειμένου να αποφασισθεί ποια είναι η πιο κατάλληλη μέθοδος για τον MPC του τετράποδου. Αυτά τα προβλήματα λύθηκαν χρησιμοποιώντας έτοιμα πακέτα βελτιστοποίησης και επιλύτες καθώς και ειδικά προσαρμοσμένους επιλύτες. Τα αποτελέσματα των συγκρίσεων απέδειξαν ότι η Κυρτή Βελτιστοποίηση (Convex Optimization) είναι η καταλληλότερη μέθοδος καθότι μπορεί να επιλύσει τέτοια προβλήματα πολύ γρήγορα και αξιόπιστα (με εγγυημένες ταχύτητες επίλυσης), γεγονός που την καθιστά ιδανική για εφαρμογές ελέγχου σε πραγματικό χρόνο. Συνεπώς, ο ελεγκτής που θα χρησιμοποιηθεί είναι ένας Convex MPC. Το τέταρτο κεφάλαιο εστιάζει στην εφαρμογή του Convex MPC συγκεκριμένα σε τετράποδα ρομπότ. Αναλύει τις παραδοχές που έγιναν έτσι ώστε να επιτευχθεί η διατύπωση του Convex MPC, την ίδια την διατύπωση του Convex MPC σε τέτοια συστήματα, συμπεριλαμβανομένης της μορφής της συνάρτηση κόστους/δείκτη απόδοσης και των περιορισμών που σχετίζονται με τη δυναμική του συστήματος και με τις δυνάμεις αλληλεπίδρασης των ποδιών με το έδαφος καθώς και τα επιμέρους συστατικά μέρη του συστήματος ελέγχου (π.χ. προγραμματιστής βηματισμού, σχεδιαστής βημάτων). Η επιθυμητή κίνηση προσδιορίζεται από το είδος του βηματισμού και των χαρακτηριστικών του καθώς και από εντολές υψηλού επιπέδου όπως την επιθυμητή πόζα και ταχύτητα του σώματος του ρομπότ κατά τη διάρκεια της κίνησης. Οι είσοδοι ελέγχου που οδηγούν το σύστημα υπολογίζονται βάσει αυτών των εντολών υψηλού επιπέδου. Τέλος, στο πέμπτο κεφάλαιο, παρουσιάζονται τα αποτελέσματα των πειραμάτων τα οποία διεξήχθησαν χρησιμοποιώντας τη προαναφερθείσα προσομοίωση και ελεγκτή στο ARGOS. Ο MPC δοκιμάστηκε για δύο διαφορετικά είδη βηματισμών: περπάτημα (walk) και τροχασμό (trot). Το ρομπότ είναι ικανό να παρακολουθεί με ικανοποιητική ακρίβεια την εντολή πόζας και ταχύτητας χωρίς να υπερβαίνονται τα όρια ροπής των κινητήρων κατά τη διάρκεια του βηματισμού.	el
heal.abstract	The present thesis focuses on the design and implementation of a simulation framework for the quadruped ARGOS using the real-time physics simulator Gazebo [1] and of a control framework that utilizes Model Predictive Control (MPC) in ROS (Robot Operating System) [2]. ARGOS is a quadruped robot designed by the Legged Robots Team of the Control Systems Lab in NTUA, whose main purpose is the inspection of vineyards. Such control schemes will allow the quadruped to execute 3D locomotion maneuvers in the vineyards. ROS was utilized since it allows the implementation and execution of control laws in real-time, whether in hardware or simulation. Gazebo and its tight integration with ROS make the real-time simulation and control of ARGOS possible. The feedback measurements needed by the closed loop system were measurements that proprioceptive sensors provide. The second chapter includes a thorough study of Gazebo modelling procedure of robots and an overview of the constituent functionalities of such simulators, (e.g., physics and collision detection engine). It focuses on the selection and tuning of the various Gazebo parameters needed to create a realistic simulation. Finally, a validation of the accuracy of the Gazebo simulation was conducted using analytical models of the system built in Simulink. The comparisons between the Gazebo and the analytical model proved that the accuracy of the Gazebo modeling was satisfactory. The third chapter includes an overview of the optimal control methods (open/closed loop) and more specifically the different optimal control problem (OCP) formulations and the solution methods utilized for each formulation. Then, the various trajectory optimization (ΤΟ) methods are compared using a simulated double pendulum to determine which is the most suitable for the quadrupeds’ MPC controller. Such problems were solved using off-the-shelf optimization packages and solvers as well as custom made solvers. The findings of the comparisons proved that Convex Optimization is the most suitable method due to its ability to solve such problems very fast and reliably (at guaranteed rates), which is ideal for real-time control applications. Therefore, a Convex MPC controller has been utilized. The fourth chapter focuses on the application of Convex MPC specifically on quadruped robots. It elaborates on the assumptions made to accomplish a Convex MPC formulation, on the formulation of the Convex MPC itself for such systems, including the form that the cost function/performance index and the constraints pertinent to the system’s dynamics and ground reaction forces have and on the constituent components of the control system (e.g., gait scheduler, footstep planner). The desired locomotion task is specified by the gait type and characteristics and by high-level commands like the desired pose and velocity of the robot’s body during that task. The control inputs that drive the system are computed based on these high-level commands. Finally, in the fifth chapter, the results of experiments conducted using the aforementioned simulation and control frameworks on ARGOS are presented. The MPC controller was tested on two different gait types: walk and trot. The robot is capable of tracking accurately enough the commanded pose and velocity without exceeding the motor torque limits during a gait.	en
heal.advisorName	Παπαδόπουλος, Ευάγγελος	el
heal.advisorName	Papadopoulos, Evangelos	en
heal.committeeMemberName	Παπαδόπουλος, Ευάγγελος	el
heal.committeeMemberName	Πουλακάκης, Ιωάννης	el
heal.committeeMemberName	Αντωνιάδης, Ιωάννης	el
heal.committeeMemberName	Papadopoulos, Evangelos	en
heal.committeeMemberName	Poulakakis, Ioannis	en
heal.committeeMemberName	Antoniadis, Ioannis	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Μηχανολογικών Κατασκευών και Αυτομάτου Ελέγχου. Εργαστήριο Αυτομάτου Ελέγχου και Ρυθμίσεως Μηχανών και Εγκαταστάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	252 σ.	el
heal.fullTextAvailability	false