Adaptation de l'espace de travail via l'apprentissage des contrôleurs de démarche de millirobots magnétiques souples

Les robots souples de petite taille et sans fil ont des applications prometteuses dans la chirurgie mini-invasive, la délivrance ciblée de médicaments et les applications en bio-ingénierie car ils peuvent accéder directement et non invasivement à des espaces confinés et difficiles d'accès dans le corps humain. Pour de telles applications biomédicales potentielles, l'adaptabilité du contrôle des robots est essentielle pour garantir la continuité des opérations, car les conditions de l'environnement de travail présentent des variations dynamiques qui peuvent modifier le mouvement et la performance du robot. L'applicabilité des méthodes conventionnelles de modélisation et de contrôle est en outre limitée pour les robots souples à petite échelle en raison de leur cinématique avec des degrés de liberté virtuellement infinis, de la variabilité stochastique inhérente lors de la fabrication et des dynamiques changeantes pendant les interactions dans le monde réel. Pour relever le défi de l'adaptation du contrôleur dans des environnements de travail dynamiquement changeants, nous proposons d'utiliser une approche d'apprentissage probabiliste pour un robot souple marchant à échelle millimétrique utilisant l'optimisation bayésienne (OB) et les processus gaussiens (PGs). Notre approche fournit un schéma d'apprentissage efficace en données en trouvant les paramètres du contrôleur de démarche tout en optimisant la longueur de foulée du millirobot souple marchant en utilisant un petit nombre d'expériences physiques. Pour démontrer l'adaptation du contrôleur, nous testons la démarche de marche du robot dans des environnements de travail avec différentes adhérences de surface et rugosité, et une viscosité moyenne, ce qui vise à représenter les conditions possibles pour de futures tâches robotiques à l'intérieur du corps humain. Nous utilisons également le transfert des paramètres de PG appris entre différents espaces de tâches et robots et comparons leur efficacité sur l'amélioration de l'apprentissage des contrôleurs efficaces en données.