Legged Locomotion of Robots (LLR) - Cheatsheet

Biomechanische Modelle der Beinbewegung

Definition:

Biomechanische Modelle der Beinbewegung helfen, die Dynamik und Kinematik von Roboterbeinen zu verstehen und zu simulieren.

Details:

• Analyse der Muskel-Skelett-Interaktionen.
• Verwendung von Bewegungsgleichungen und Muskelmodellen.
• Einfluss von Kräften und Momenten auf die Beinbewegung.
• Modellierung der Gelenkkinematik und -dynamik.
• Grundlegen für die Entwicklung effizienter Steuerungsalgorithmen.
• Beispiele: Pendelmodelle, Mehrgelenkmodelle.
• Wichtige Gleichungen:
• \textbf{Dynamik:} \ F = ma
• \textbf{Kinematik:} \ \theta(t) = \theta_0 + \frac{1}{2} at^2 + v_0t

Übertragung biologischer Prinzipien auf die Robotik

Definition:

Nutzung von Konzepten aus der Biologie zur Verbesserung der Robotik.

Details:

• Inspiriert von Tieren und ihrer Bewegungsarten.
• Optimierung der Energieeffizienz.
• Verbesserung der Stabilität und Beweglichkeit.
• Anwendung in verschiedenen Robotertypen, z.B. vierbeinige Roboter.
• Verwendung von Sensorik und Aktuatoren ähnlich wie in biologischen Systemen.

Materialauswahl für leichte und robuste Strukturen

Definition:

Auswahl von Materialien für Roboterbeine, um optimales Verhältnis von Gewicht zu Robustheit zu erreichen.

Details:

• Dichte (\rho) und Festigkeit (\tau) für optimale Materialbewertung wichtig.
• Häufig genutzte Materialien: Aluminium, Titan, CFK.
• Leichtbauweise vs. Belastungsfähigkeit abwägen.
• Leichtbauweise gemäß der Formel \frac{\tau}{\rho} optimieren.
• CFK (Kohlefaserverstärkter Kunststoff) oft optimal für hohe Festigkeit bei geringem Gewicht.

PID-Regler und ihre Anwendungen

Definition:

PID-Regler für die Regelung bei Robotern mit gelenkter Bewegung

Details:

• PID = Proportional-Integral-Derivat-Regler
• Gleiche Gewichtung von P, I und D: \[ u(t) = K_p e(t) + K_i \int_{0}^{t} e(\tau) \, d\tau + K_d \frac{d e(t)}{d t} \]
• Anwendung in der Robotik für stabile Bewegungssteuerung und -korrektur
• Gelenkte Bewegung: Verbesserte Genauigkeit und Reaktionszeit durch ständige Fehlerkorrektur
• Anpassung der K_p, K_i und K_d Parameter für optimale Leistung
• Verhindert Oszillationen und reduziert den Einfluss externer Störungen

Adaptive und lernbasierte Steuerungsansätze

Definition:

Adaptive und lernbasierte Steuerungsansätze - Methoden zur kontinuierlichen Anpassung und Verbesserung der Steuerung von Robotern mittels Algorithmen, die aus Erfahrungen lernen

Details:

• Adaptive Steuerung: Passt Steuerungsparameter basierend auf Feedback dynamisch an.
• Lernbasierte Steuerung: Verwendet Algorithmen (z.B. Reinforcement Learning), um durch Versuch und Irrtum zu verbessern.
• Ziel: Robuste und effiziente Fortbewegung in wechselnden Umgebungen.
• Beispiele: PID-Regler Anpassung, neuronale Netzwerke.
• Formeln: \[ u(t) = K_p e(t) + K_i \int{e(t)dt} + K_d \frac{de(t)}{dt} \] (PID-Regler), \[ Q(s,a) \leftarrow Q(s,a) + \alpha [r + \gamma \max_{a'} Q(s',a') - Q(s,a)] \] (Q-Learning)

Sensor-Datenfusionstechniken

Definition:

Einsatz von Algorithmen zur Kombination von Daten aus verschiedenen Sensoren zur Verbesserung der Genauigkeit und Robustheit der Erkennung und Entscheidungsfindung.

Details:

• Ziel: Präzision und Zuverlässigkeit von Robotersystemen verbessern
• Kalman-Filter: Optimum-Schätzung von Zuständen
• Baye'sche Filter: Wahrscheinlichkeitsbasiertes Schätzen
• Partikelfilter: Nicht-lineare und nicht-gaussianische Modelle
• Sensorarten: IMU, LIDAR, Kamera
• Datenvorverarbeitung: Rauschen reduzieren, Dynamik berücksichtigen

Echtzeit-Sensordatenauswertung

Definition:

Verarbeitung von Sensordaten in Echtzeit zur Unterstützung der Roboterbewegung.

Details:

• Nutzung von Sensoren wie IMU, LIDAR, Kamera
• Integration ins Steuerungssystem für unmittelbare Reaktionen
• Erfordert schnelle Datenverarbeitung und Analyse
• Algorithmen für Objekterkennung, Hindernisvermeidung
• Wichtige Parameter: Latenz, Genauigkeit

Simulation und Implementierung von Kontrollalgorithmen

Definition:

Simulation und Implementierung von Kontrollalgorithmen für Robotiksysteme, besonders für die Beinkinematik und Stabilität bei LLR.

Details:

• Kontrollalgorithmen: MPC, PID-Regler, SLIP-Modell.
• Simulationstools: MATLAB/Simulink, Gazebo.
• Kinematik: Vorwärts- und inverse Kinematik für Beinbewegungen.
• Dynamik: Newton-Euler oder Lagrange-Methoden.
• Stabilitätskontrolle: ZMP (Zero Moment Point), COG (Center of Gravity).
• Optimierungsstrategien für Energieeffizienz und reale Situationen.