柔性肌骨机器人结构在感觉获取方面的优势

Advantages of flexible musculoskeletal robot structure in sensory
acquisition

Shuhei Ikemoto • Yoichi Nishigori • Koh Hosoda

Artif Life Robotics

摘要：

形态计算是一个设计良好的硬件能够承担部分机器人控制和每次感知所需的计算成本的概念。到目前为止，许多肌肉骨骼机器人已经被开发的灵感来自人类的一个，并显示出优越的运动性能。人工肌肉(PAMs)的使用是实现这些高性能的关键。此外，PAMs有可能被用作环境信息的传感器，因为它们具有灵活性和可回收性。在本研究中，我们将重点阐明PAMs如何与由这些驱动器驱动的机器人的形态计算相关。特别地，我们提出了一种基于传递熵的分析方法，并将此方法应用于一个肌肉骨骼机器人开门的实验数据。

1.介绍

创造一个受生物系统启发的机器人一直是许多机器人研究人员有吸引力的方法。尤其是人类的肌肉骨骼系统，在整个人类进化史中，都是为了实现智能运动而进行优化的，因此一直是人们关注的焦点。到目前为止，已经提出了许多利用良好设计的肌肉骨骼结构所提供的信息处理的肌肉骨骼机器人。这种信息处理称为形态计算，它是代表人工智能领域关注体现[1]的关键字之一。

人工气动肌肉(PAMs)已成为开发肌肉骨骼机器人最合适的驱动器之一。由于PAMs特有的可挠性、反向驱动性和高功率/重量比等有用特性，PAMs驱动的骨骼肌肉机器人已经成功地表现出优越的运动性能[2,3]。此外，PAMs状态有时被用作传感器[4]，提供有关外部世界和机器人状态的信息。这些信息可以被解释为肌肉骨骼机器人的前感受信息，我们认为这一点对于理解机器人感知中的形态计算是非常重要的。然而，在以往的研究中，PAM(在机器人众多的PAM中)包含了外部世界的重要信息，需要事先知道，并且在传感过程中，进出PAM的空气流量必须设置为零。

在本研究中，我们主要研究利用PAMs的灵活性来进行肌肉骨骼机器人感知的形态学计算。特别地，在本文中，我们的目标是表明，即使在PAM被驱动时，获取环境信息也是可能的。此外，我们没有预先指定哪些PAM特别包含环境信息，也没有从机器人中可用的所有PAMs的数据中找出哪些PAM是重要的。为此，我们利用PAMs的灵活性所提供的形态计算，设计了一个能够轻松开门的肌肉骨骼机器人手臂。另外，我们提出了一种基于传递熵的分析方法来研究驱动机器人手臂的PAMs是否能够包含环境信息。最后，我们将所提出的方法应用到一个开门任务的数据中，并讨论了分析结果。

2.肌肉骨骼机械臂

在这项研究中，我们使用的是我们课题组开发的肌肉骨骼机器人手臂。这个机器人手臂由PAMs驱动，有几个传感器来控制和观察状态。

2.1.硬件设计

图1展示了所开发的骨骼肌机器人及其自由度的构型。该机器人的骨骼结构有7个自由度，配置比例与人类的相似。例如，机械臂在前臂和手腕上分别使用了一个桡关节和一个椭球关节[5]。图2显示了PAMs在机器人中的布局。机器人配备了17组PAMs来驱动其骨骼结构。由于PAMs具有灵活性和后驱性，手臂可以相应地改变姿态来施加外力。PAMs的布局也与人体肌肉相似。例如，大部分PAMs配置为拮抗对，不仅有单关节肌，也有双关节肌[5]。此外，机器人在手臂[6]的末端安装由PAMs驱动的机械手。关节运动范围如表1所示。范围的限制很大程度上取决于可动质量。特别是肩关节旋转的最大限制是由手臂整体重量和肩关节肌肉输出力之间的平衡点决定的。另一方面，当可动质量相对于驱动力较小时，如腕部和肘部关节的活动范围，则局限由骨骼结构在机械上决定。由于PAMs是可反向驱动的，因此不需要检测和避免关节运动的机械限制来防止硬件故障。

图1.7自由度骨骼肌机器人手臂。它的结构与人类的结构相似，是由PAMs驱动的

图2.气动机械手PAMs布局图。机械手中有17组不同的PAMs。具有相同肌肉ID的肌肉被当作单独的肌肉来控制

 

表1.7自由度骨骼肌机器人手臂关节活动范围

为了调查在驱动PAMs的情况下，是否有可能从PAMs获取环境信息，机器人手臂上安装了多种传感器。由于PAM的静力分析模型有三个变量，即压力、张力和长度，显然，必须测量三个变量中的至少两个才能知道PAM的静态[7]。在肌肉骨骼机器人手臂中，压力传感器可用于所有PAMs。此外，由于控制系统A/D转换通道的限制，除了图2中的机械手和muscle 17之外，所有PAMs都配备了张力传感器。肌肉17对机械臂的运动贡献不大，因为有好几块肌肉具有类似的功能。

2.2.控制系统

到目前为止，许多研究都集中在PAMs的控制上，并建立了精确的静态模型[7]。然而，由于分析模型非常复杂，很难充分考虑这些模型来生成PAMs驱动的骨骼肌机器人的运动。因此，简单的压力反馈控制常被采用[8,9]。在本研究中，我们也采用了一种基于PID控制的压力反馈系统。

图3展示了机器人的控制系统。注意，所有的传感器信息和控制信号可以在实验期间记录。控制服务器为ART-Linux(由日本国家先进工业科学技术研究所开发的基于Linux的实时操作系统:http://www.dh.aist.go)。采用jp/en/research/humanoid/ART-Linux/)确保数据的实时采样和控制。由于图3所示的控制系统只需要来自所有PAMs的压力信息，所以张力传感器的信息仅用于分析目的。实际上，张力传感器的信息对于分析是非常重要的，因为根据张力，机器人可以在相同的压力下假定不同的姿势。

图3.所研制的肌肉骨骼机器人控制系统

3.肌肉骨骼机器人的运动分析

当一个肌肉骨骼机器人被一系列期望压力控制时，所获得的传感器数据包含了大量的期望压力信息。因此，需要分析物理接触施加的外力变化和机器人的动力学变化所造成的差异。在本研究中，我们以传递熵来提取这些差异。

3.1传递熵

传递熵是一种量化随机生成的时间序列数据与随机变量之间非线性关系的测度。直观地说，传递熵量化了动态信息流，度量了随机变量对时间序列数据的影响有多大。此外，即使在两个随机变量受另一个随机变量影响的情况下，传递熵也能正确地量化信息流。近年来，传递熵被广泛应用于机器人传感器数据[10]之间的因果关系分析。

两个离散随机变量I和J之间的传递熵可以定义为：

其中n是离散时间。这表明在假设I具有马尔可夫性质的概率分布和假设I受J支配的概率分布之间的传递熵类似于Kullback Leibler散度。

3.2分析方法

考虑到期望压力M与实际压力P正相关的压力反馈控制的理想条件，F对M或P的辅助可用传递熵表示为：

如本节开始所述，分析的目的是研究机器人的物理接触所施加的外力的变化和动力学所造成的差异。为此，我们使用理想条件Eq. 2作为基线来评估差异。

为了考虑在实际条件下和的定性意义，我们在图4中用动力学的方法表示了M、P、F与外力的关系。在实际情况下，压力反馈控制的误差必须是由与环境的物理接触产生的外力和机器人的动力学引起的。因此，和必须是不同的。考虑到和与理想状态相比，大于在大多数情况下，由于M, P对于外力的信息比单独的M更大。

图4.M、P、F与外力的关系示意图

在本文中，我们利用作为对机器人的动力学和与环境的物理接触如何影响PAM s状态的一种度量。这个测量可以解释为这样一个事实，即可以减去M的影响，因为两个和包含从M到F的信息流。

可以写成这样：

从减去, 可以写成：

如上所述，此测量方法为应指出外力如何影响PAMs。请注意不具有理论有效性，虽然在相关研究[10]中可以找到类似的方法。此外，我们注意到单独应用于机器人手臂中的所有PAMs，而没有指定应该重点关注哪个PAM。

4.实验

在本研究中，我们以开门任务为例，在这个任务中既存在施加的外力，也存在改变的外力。首先，我们将解释在实验中使用的开门任务，这可以通过使用图1所示的肌肉骨骼机器人的形态学计算来实现。接下来，我们将所提出的基于传递熵的分析方法应用于开门任务中获得的数据。

4.1.开门任务

开门任务是指机器人手臂接触门把手，抓住门把手，然后开门。对于图1所示的肌肉骨骼机器人，由于PAMs所提供的灵活性和后驱力，开门任务是最适合开发其形态学计算能力的任务之一。

图5显示了机器人在开门任务期间的连续运动快照。期望压力的顺序是通过反复试验的过程设计出来的。然而，这个过程并不复杂，因为它可以安全地与门把手接触，并且由于PAMs的灵活性，可以很容易地根据门把手施加的物理约束进行移动。例如，旋转和打开可以通过不准确的控制来完成，因为门的物理约束几乎不能限制机器人的运动，当机器人的手固定在门把手上时，可以引导机器人做一些可用的运动。如图5所示，由于门的开启包含了一个到达、旋转和开启的阶段，这是一个很好的例子，在此之前解释的差异是由物理接触所施加的外力的变化和机器人的动力学所引起的。

图5.开门任务的执行情况。开门任务可分为到达、抓转和开门三个阶段。这张图显示了在这三个阶段机器人运动的连续快照。开发的肌肉骨骼机器人手臂利用其形态计算，能够自适应地抓取、旋转门把手和开门

除了开门任务中的三个阶段之外，我们还为任务添加了以下三个条件：

1. 正常状态(试验成功)；

2. 门锁状态(门打不开)；

3.无接触状态(摸不到门把手)。

本文对这三种情况下的数据进行了分析。特别地，我们调查了处于开门任务的三个阶段，处于三种不同的条件下。

4.2.结果

为了进行分析，每三个条件收集了10个试验数据。在每次试验中，机器人手臂从开始试验开始达到0.9 s，在1.0 s时握住并旋转门把手，旋转后拉动门把手3.0 s。与第一种情况相比，第二种情况在第二阶段有所不同，第三种情况在触摸门把手后也有所不同。可以假设，这三个条件和三个阶段之间的差异将被观察到。

图6显示了值在每种条件的十次试验中。误差条表示标准差。图6左侧为到达阶段每个PAMs的F值。在到达阶段，除了第三个阶段与门把手的接触没有在阶段结束时发生外，三种情况之间没有区别。如图2所示，在驱动机械臂腕部的肌肉1、2、3、4中可以观察到细微的差异。因此，分析结果对于达到阶段是合理的。

图6. 比较;F在三门开启阶段的三门条件中。肌肉数量在T上有显著性差异;F表示肌肉的状态包含有用的信息，可以识别该阶段的门的条件的差异。到达阶段的结果(左);导致旋转相(中间);开启阶段的结果(右)

图6的中间部分显示了旋转相位的结果。在这个阶段，第三个条件与其他条件非常不同，因为它不受门的物理约束。从结果可以看出，第三种状态的肌肉6、7和16与其他状态的肌肉有很大的不同。考虑到为什么这些值在第三种情况下较大，我们注意到，如果机器人的手真的固定在门把手上，当门把手被抓住并旋转时，这些肌肉会从门把手上得到很大的反作用力。换句话说，在第一和第二种条件下，机器人的运动必须服从门所施加的物理约束。因此，我们可以假设值捕获了第三种情况下肌肉6、7和16所反映的环境信息。

图6右侧为开启阶段的结果。在这个阶段，第二种情况提供了很大的阻力在移动手臂，因为门是锁着的，不打开。因此,值在第二种情况下会增加，因为压力的变化更直接更容易反映在张力的变化上。在图6的右边，可以看到在第二种情况下，几乎肌肉的F值都大于第一种情况下的相同值。在第三种情况下，一些肌肉的F值，如肌肉8和肌肉10，比第一种条件下相同数量的F值大。这表明，由于肌肉8和10在这种姿势下主要承担手臂的重量，物理约束有时会减少重力阻力。

通过本实验定性地证实了利用驱动机器人手臂的PAMs可以提取环境信息，如与环境的物理接触所产生的外力，以及机器人的动力学。然而，这仍是一个初步的结果，需要验证，以确认本研究的主要概念。未来的工作将涉及更广泛的实验，以验证我们的假设，目前的初步结果支持。

5.讨论和结论

在本研究中，我们着重于利用PAM s特征在机器人感知中的形态计算。特别地，我们集中在PAMs的可能性，以赞扬形态计算由这些驱动器驱动的机器人。为此，我们提出了一种基于传递熵的分析方法，并将该方法应用于肌肉骨骼机器人开门实验数据的分析。因此，定性地证实了驱动机械臂的PAMs可以用于获取环境信息，如物理接触和机器人的动力学，即使这些信息是主动驱动的。此外，验证了该分析方法可以在没有事先明确重点的情况下应用。

本文的研究结果可用于发现哪些PAM对学习或改进骨骼肌机器人的运动有帮助。事实上，控制PAMs驱动的复杂肌肉骨骼机器人的最大问题之一是状态的高维性和由结构复杂性衍生的运动指令空间。实验表明，少数PAMs能够正确地生成机器人的运动，并作为传感器提取周围环境的信息。

然而，本研究的结果仍处于非常初步的阶段。因此，有必要对机器人的结构和肌骨骼结构提供的形态学计算分析方法进行研究。