Improved humanoid gait using learning-based analysis of a new wearable 3D force system

Abstract

Humanoid robot locomotion on slippery surfaces poses significant challenges, demanding innovative solutions for stability and adaptability. This doctoral research comprises three integral parts that collectively address these challenges, with each part building upon the last. Part I explores the critical measurement of Ground Reaction Forces (GRFs) in humanoid robots, crucial for biomechanical analysis and potential applications in human walking rehabilitation. A novel, cost-effective, and lightweight instrumented shoe (ITshoe) system is introduced for real-time GRF measurement, enhancing our understanding of robot locomotion across diverse slippery surfaces. Part II delves into the vital task of surface recognition for humanoid robots navigating real-world environments. A comprehensive dataset, acquired through force tactile sensors on varius floors, serves as the foundation. Computational intelligence techniques, including artificial neural networks (ANNs), extreme learning machines (ELMs) and Long short-term memory (LSTM) recurrent neural network are applied to classify different surfaces. Real-time experiments are presented to demonstrate the suitability of the proposed approaches for the multi-classification problem addressed. Part III presents a comprehensive strategy to enhance humanoid robot locomotion on slippery surfaces. It incorporates a Divergent-Component-of- Motion (DCM) based control architecture and an Embedded Yaw Controller (EYC) based on a PID algorithm. This strategy not only addresses slip behavior on low-friction surfaces but also tackles non-straight walking patterns, even on non-slippery floors. Extensive locomotion experiments demonstrate significant improvements in stability, reduced energy consumption, and task duration. The findings presented in this thesis offer compelling evidence of adaptable humanoid locomotion on slippery surfaces. They underscore the potential of a wearable system to enhance the interpretation of ground reaction forces (GRFs) in conjunction with computational intelligence techniques. Moreover, they demonstrate the system’s ability to adapt robot controller, coupled with a well-established PID controller, effectively minimizing slipperiness on classified surfaces.

A locomoção de robôs humanoides em superfícies escorregadias apresenta desafios significativos, exigindo soluções inovadoras para estabilidade e adaptabilidade. Este trabalho de doutoramento é composto por três partes integrantes que abordam coletivamente esses desafios, com cada parte construindo sobre a anterior. Parte I explora a medição crítica das forças de reação do solo em robôs humanoides, fundamentais para a análise biomecânica e aplicações potenciais na reabilitação da marcha humana. Um sistema inovador de sapato instrumentado (ITshoe), económico e leve, é introduzido para a medição em tempo real das forças de reação, melhorando a nossa compreensão da locomoção do robô em diversas superfícies escorregadias. Parte II aprofunda a tarefa vital do reconhecimento de superfícies para robôs humanoides que navegam em ambientes do mundo real. Um conjunto abrangente de dados, obtido através de sensores táteis de força em várias superfícies, serve como base. Técnicas de inteligência computacional, incluindo Artificial Neural Networks (ANNs), Extreme Learning Machines (ELMs) e Long Short-Term Memory (LSTM) recurrent neural network, são aplicadas para classificar diferentes superfícies. Experiências em tempo real são apresentadas para demonstrar a adequação das abordagens propostas para o problema de classificação múltipla abordado. Parte III apresenta uma estratégia abrangente para melhorar a locomoção de robôs humanoides em superfícies escorregadias. Esta estratégia incorpora uma arquitetura de controlo baseada no Divergent-Component-of-Motion (DCM) e um Embbed Yaw Controller (EYC) baseado num algoritmo PID. Esta estratégia não aborda apenas o comportamento de deslize em superfícies de baixa fricção, mas também enfrenta padrões de locomoção nãolineares, mesmo em pisos não escorregadios. Experiências extensivas de locomoção demonstram melhorias significativas na estabilidade, redução do consumo de energia e duração da tarefa. As descobertas apresentadas nesta tese fornecem evidências convincentes de uma locomoção adaptável de humanoides em superfícies escorregadias. Estas experiências destacam o potencial de um sistema wearable para aprimorar a interpretação das forças de reação do solo em conjunto com técnicas de inteligência computacional. Além disso, demonstram a capacidade do sistema de adaptar o controlador do robô, em conjunto com um controlador PID, minimizando eficazmente o escorregamento em superfícies classificadas.