Eingeschränkte Fußschrittplanung unter Verwendung von modellbasierter Verstärkungslernen in virtueller, einschränkungsbasierter Fortbewegung

Die virtuelle, einschränkungsbasierte Gangsteuerung kann eine Vielzahl von Gangbewegungen je nach den bereitgestellten virtuellen Einschränkungen erlangen. Diese Methode leidet jedoch unter Fußschrittbeschränkungen. Dies liegt daran, dass die Bewegung des Schwerpunkts (CoM) nicht analytisch vorhergesagt werden kann. Daher erfordert die Methode eine numerische Lösung des Vorwärtsproblems, die anfällig für Fehler ist. Um das Problem zu lösen, schlagen wir eine Methode zur Fußschrittplanung unter Verwendung von modellbasierter Verstärkungslernen in virtueller, einschränkungsbasierter Fortbewegung vor. In der vorgeschlagenen Methode bewertet die modellprädiktive Regelung (MPC) die Stabilität jedes Schrittes, während sie den Fußschritt anpasst und die erhaltenen Größen manipuliert. Um das optimale Steuerungsproblem zu vereinfachen, wird die passive dynamische autonome Steuerung (PDAC eingesetzt), die die CoM-Bewegung auf die niedrigste Dimension komprimiert, zur Gangsteuerung. Das gesamte Übergangsmodell zur Vorhersage der Zukunft wird in drei Segmente zerlegt, um die Lerngeschwindigkeit durch Nutzung des Wissens über die Gangphasen zu verbessern. Die drei zerlegten Modelle und ein Stabilitätskostenfaktor, der die Fußschrittstabilität bewertet, werden mithilfe von Ensemble-Lernen trainiert, um Modellierungsfehler zu reduzieren und eine effiziente Erkundung zu ermöglichen. Simulationsergebnisse zeigten, dass die vorgeschlagene Methode eine fast doppelt so hohe Zielerreichungsrate wie die vereinfachte Basislinie erzielte. Darüber hinaus hält die vorgeschlagene Methode erfolgreich mehr als 70 % der Einschränkungen sogar in eingeschränkten Umgebungen.