آموزش تقليدي حركات پيچيده به ربات‌هاي انسان‌نما به كمك بهينه سازي تكاملي شبكه‌ عصبي مولد الگوي واحد

Imitation Learning of Complex Behaviors to Humanoid Robots using Evolutionary Optimization of Neural Network of Unit Pattern Generator

در اين مقاله يك سامانه مبتني بر ساختارهاي عصبي موسوم به مولد مركزي الگوي واحد ارائه شده كه قادر است الگوي موردنياز براي حركت در يك ربات را براساس يك نوع آموزش نمايشي به دست آورد. مولد الگوي واحد مي‌تواند به دو زيرسامانه گسسته و ريتميك تقسيم‌بندي شود. زيرسامانه اول مسئوليت توليد حركات كوتاه و معطوف به هدف و زيرسامانه دوم مسئوليت توليد حركات ريتميك را به عهده دارد. الگوريتم آموزشي خاصي براي استفاده از اين مولدهاي الگوي واحد در اين مقاله طراحي شده است. مفاصل و بازوهاي ربات با تشخيص اسكلت بدن انسان توسط حسگر كينكت به‌صورت بلادرنگ كنترل مي‌شوند. اساس كار انجام شده بدين شكل است كه ابتدا به كمك حسگر كينكت دنباله هاي حركتي بدن مربي ضبط شده و به كامپيوتر منتقل مي‌شوند. اين دنباله‌هاي حركتي تعدادي نوسان سازهاي غيرخطي را آموزش داده و سپس نوسان سازهاي غيرخطي حركات را براي ربات انسان نما بازتوليد مي‌كنند. براي ارزيابي نتايج سيگنال‌هاي آموزش داده شده در نرم افزار وي رپ شبيه سازي شده و سپس بر روي ربات انسان نماي بايولويد پياده سازي شدند. مدل ارائه شده يك بستر مناسب جهت ارائه آموزش‌هاي نمايشي و مبتني بر تقليد براي ربات‌هاي انسان‌نما محسوب مي‌شود كه نياز به كنترل صريح و برنامه نويسي مستقيم را برطرف مي‌سازد و امكان آموزش غيرمستقيم رفتارهاي پيچيده روي انواع ربات ها را مهيا مي‌سازد.

In this paper, a system based on neural structures known as central pattern generator is presented which enables to acquire the required patterns to move a robot based on a demonstration training. Unit pattern generator can be divided to two subsystems, one is a rhythmic system and the other is a discrete system. The first subsystem is responsible to produce short movements and the second subsystem is responsible to produce rhythmic movements. The special learning algorithm is designed to use these unit pattern generators. Joints and limbs of robot were controlled by Kinect sensor in real time by recognition of the human body skeleton. The work steps were done in this way that the motion sequences of teacher’ body were recorded by Kinect sensor, then transmitted to the computer. These motion sequences teach some nonlinear oscillators then they reproduce motions for humanoid robot. As a result, humanoid body joints imitate the teacher movement in a real time. The main contribution of this paper is design of this learning algorithm which is able to simultaneously search for the weights and topology of the network the algorithm synchronize the neural network by coupling the neurons at the last stage.