| 研究課題/領域番号 |
19H02109
|
|---|
| 研究機関 | 名古屋工業大学 |
|---|
研究代表者 |
佐野 明人 名古屋工業大学, 工学(系)研究科(研究院), 教授 (80196295)
|
|---|
| 研究分担者 |
池俣 吉人 帝京大学, 理工学部, 准教授 (70467356)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2022-03-31
|
| キーワード | 歩行・走行ロボット / 受動的力学機序 / 深層学習 / ヒト歩行・走行 / ロボティクス |
|---|
| 研究実績の概要 |
本年度は，ヒトが生れながらにして持っている内臓や皮膚などの柔軟組織による体幹部の動特性に着目し，特に，ヒトの床反力は，剛体・非剛体からなる身体の床面との相互作用から複合的に生成されたものだと考えた．そこで，これを力学原理の共通基盤とし，体幹部に吊り下げられた揺動慣性をユニット化して一つのコア機構に据えた．
２足走行においては，膝を比較的真直ぐにした状態で，起こし回転由来の走行を実機で実現した．床反力に関しては，トップアスリートでも見られる最大３.５[BW]程の非対称な垂直床反力の発現が，左右の接地期で確認できた．ロボット本体は着地後上昇に転じているが，揺動慣性が遅れて押し付ける形となっている．一方，推進力が十分に出ていない点が浮かび上がった．また，３次元歩行においては，上下方向に加え左右方向にも慣性揺動可能なユニットを開発し，ロボットの重心揺動の抑制効果を示した．揺動慣性は前方着地脚側に向かって斜めに下降し，遊脚側への転倒を抑制するとともに，支持脚にしっかり体重を乗せる効果があった．さらに，歩行状態と慣性揺動が密接に関係しているため，揺動慣性の受動的挙動を規範とした制御を行いその有用性を示した．
高速カメラからの映像を用いた深層学習に基づき，股関節サーボモータ駆動により２足走行運動を実現した．推論時には，学習済みのニューラルネットワークから，左右モータに対して周期的かつ逆位相で適切なトルク指令が生成されていることを確認した．一方で，暗黙知の観点から，実験者によるレバー操作の重要性を改めて認識した．また，腕を有するフルボディの２足ロボットで，両手を平行棒についてバランスを取りながら歩くことができており自律性が向上した．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
現在までに，歩行および走行の力学的な共通基盤を発見し統合を進め，体幹部に吊り下げられた揺動慣性の共通化に加え，ヒトの歩行および走行において特徴的な脚運動や床反力の発現に成功している．起こし回転由来の２足走行に関しては，従来なら一瞬にして跳ね返ってしまうところだが，腓腹筋バネ付ワイヤの作用で抑制されている．床反力に関しては，トップアスリートでも見られる最大３.５[BW]程の非対称な垂直床反力の発現が確認でき，狙い通りに揺動慣性が遅れて押し付ける形となっている．一方，推進力が十分に出ていない点が浮かび上がった．また，３次元歩行に関しては，上下方向に加え左右方向にも慣性揺動可能なユニットを開発し，ロボットの重心揺動の抑制効果を示した．揺動慣性は遊脚側への転倒を抑制するとともに，支持脚にしっかり体重を乗せる効果があった．さらに，歩行状態と揺動慣性の受動的挙動が密接に関係しているため，揺動慣性の受動的挙動を規範とした制御を行いその有用性を示した．以上のように，受動歩行由来の歩行および起こし回転由来の走行において，その力学的規範に則りヒトに近い歩行・走行を実現し，当初目的はほぼ達成された．
高速カメラからの映像を用いた深層学習を行った．一流のスプリンターが，走り終えた直後に自身の走行映像を見て分析することで学びを得ているのに近い．学習済みのニューラルネットワークが左右のサーボモータを適切にトルク制御し，アシスト下ではあるが，２足走行運動を実現した．一方で，暗黙知の観点から，実験者によるレバー操作の重要性を改めて認識した．また，腕を有するフルボディの２足ロボットで，両手を平行棒についてバランスを取りながら歩くことができており自律性が向上した．
以上のことから，おおむね順調に進展していると考えている．
|
| 今後の研究の推進方策 |
今後は，同一サイズ（脚長）の歩行・走行ロボットにおいて，より的確に力学的な共通基盤の発見を行っていく．また，自律化に向けて，継続して脚および腕に空圧アクチュエータやBLDCサーボモータを適切な箇所に搭載する．腕を有するフルボディの２足ロボットで，両手を平行棒についてバランスを取りながら歩くことができており，アシストがなく自律性が向上している．なお，床面以外の環境に接触しながらの２足歩行制御は難しいとされるが，受動的力学機序を規範とする本研究では，簡単な腕の制御だけで実現できている．今後，これを活かすことで学習のためのデータ収集を効率化して研究を推進する．さらに，ロコモーティブ・マニピュレーションとして展開・深化させる．一方で，暗黙知の観点から，今後も実験者によるレバー操作の重要性を認識し，教師あり学習・模倣学習などのデータとして利用する．ここで，実験者は歩行あるいは走行の動きを見ながら絶妙に操作していることから，深層学習でも動きの映像を直接用いることが有効だと考えている．さらに，歩行・走行とも推進力の改善が望まれることから，トレッドミル環境に加えて，床面上を周回する実験システムの準備を行ったので，今後は，深層強化学習による取り組みを推進していく．いずれにしても，２足ロボットの進化は進んでおり，深層学習との融合ポイントは明確になりつつある．
|
