cassie 公開課筆記-- 密西根大學 達興燁 的公開課

cassie 公開課筆記，搬磚有錯誤請指出。

https://pan.baidu.com/s/1hsU791i

從ATRIAS 到 Cassie

ATRIAS 參數

單腿3個電機，軀幹3個電機，共9個電機，每條腿2個板簧，共4個板簧，加9個電機，共13個自由度。

Cassie參數

單腿5個電機，每條腿2個板簧，共14個自由度。

腳關節有一個維度

Cassie的演算法從ATRIAS 演算法轉移過來的，調試工作還是用了1個多月的時間。

演算法

機器人每一個速度下有一個對應的步態參數數組，不同的速度組成一個二維數組，再加上地面的坡度和外界的擾動，形成了高維的參數集合。

當機器人受到外界干擾時，用特殊演算法或插值演算法，將步態逐漸收斂到目標狀態。

4條腿的步態控制與2條腿的原理近似，可以跨欄的cheeta robot演算法工程師從密歇根大學這個研究小組轉過去的？？

下一步研究方向

結合機器視覺

力控

更高自由度步態的演算法

從走路到跳舞

演算法的實現需要電機硬體參數的支持

個人學習心得

機器人步態控制，可以看做一個高維的空間的稀疏解

高維的空間的維度包括

步態

速度

機器人物理參數，（如果可以抽象出這一維度，跨機器人平台演算法的移植會很快）

干擾，包括

控制意圖，

外界的推和踢

地面的不平

機器學習的方法求解也許會讓工作更加容易

有可能加快演算法的移植

語音識別從統計學方法到深度學習方法，建模的速度快了1000倍。

經過簡化的參數，神經網路演算法的速度會達到實時水平

結果的可靠性和可解釋性有待提高

神經網路的構造

依照可解釋性，人工添加/或篩選（修剪）出特定的神經元（核團）

方便訓練，逐步添加數據的維度，逐步增加神經網路的複雜性

訓練神經網路的數據從何處來

人體採集

計算機模擬（V-rep）

遺傳演算法

強化學習

對抗學習

課件屏幕截圖

推薦閱讀：