以行為模式控制克服地形障礙

個別單元藉由基於行為架構進行運動控制。基於行為決策可在系統模型未知 的情況之下，奠基於馬達扭矩資訊、三軸加速度計等感測資訊，以專家經驗所得 的控制規則，控制機構的運動，以克服地形。本研究所設計的基於行為[18]架構 如下 圖 3-3 所示。基於行為架構的特色為，將機器人整體的動作，依照動機，

劃分為幾個較簡單的行為，再經由行為的協調，決定最終的動作輸出。由於各個 行為都是一個決策模組，因此將來需要增加功能時，可以輕易地增添行為，具良 好的擴充性。

根據單元的角色為 master 或 slave，將致能 master 角色的行為(riser climbing 與 tread landing)，或 slave 角色的行為(master following)。

各行為分別介紹如下：

3.2.1 Riser Climbing 行為

圖 3-4 機器人困住於豎板(riser)前

圖 3-5 master 往上抬以攀爬豎板

如上圖 3-4、圖 3-5 所示，當機器人藉由馬達扭矩資訊偵測到困住時，master 單元將往上抬昇，同時 master 命令 slave 往下壓，以輔助 master 的運動。slave 接收到 master 的命令後，將啟動 master following 行為，執行 master 的命令。狀 態圖如下圖 3-6。

而上抬的關節轉速Speed=MAX_SPEED×μ_stuck(MAX_SPEED 為馬達最大轉 速)，則是由模糊推論(fuzzy reasoning)的第二種型態，Tsukamoto 所提出的方法 [18]，推演而來。使用此方法的好處為，可將關節馬達的轉速命令，以一簡單的 式子表示，無需進行繁複的解模糊化(defuzzification[18])運算。如下圖 3-7 所示，

τ 為偵測到的履帶馬達扭矩，v 為關節馬達轉速命令，利用模糊規則「IF τ is stuck

, T H E N v is m ax」推論而得所需的轉速命令。

max

(v) μ

IF is τ stuck , THEN v is max

stuck

( )

μ τ

圖 3-7 由模糊推論推得所需馬達轉速命令

3.2.2 Tread Landing 行為

圖 3-8 master 困住於踏板(tread)上

Master Slave

圖 3-9 master 往下壓以登上踏板

如上圖 3-8、圖 3-9 所示，當 master 困住在踏板上方時，master 單元將自身 往下壓，同時命令 slave 往上抬，以輔助 master 的運動。狀態圖如下圖 3-10 所 示。

圖 3-10 master 的 tread landing 行為狀態圖

有了行為的設計後，還需要經由行為的協調，master 單元才能決定動作(action) 與訊息(message)的輸出。然而，如下圖 3-11、圖 3-12 的例子所示，當機器人藉 由馬達扭矩資訊偵測到困住時，因感測資訊的不足，並無法分辨圖 3-11、圖 3-12 這兩種情況，換言之，機器人並無法透過對環境的感知，清楚分辨該執行 riser climbing 或 tread landing 行為。

圖 3-11 此時需執行 tread landing 行為 圖 3-12 此時需執行 riser climbing 行為

針對此問題，強化式學習往往是不錯的解決方案。而螞蟻演算法[20][21]可 將候選解的機率分布以費洛蒙濃度表示，費洛蒙濃度愈高的解，表示該解愈能適 應環境。並利用環境給機器人的反饋訊號，更新費洛蒙濃度，調整控制策略。由 於螞蟻演算法在求解過程中，並不會修改或刪除任何現有的解，僅僅改變解的機 率分布，因此螞蟻演算法具有極佳的搜索能力，不易陷入次佳解中。基於搜索能 力強的優點，本論文引入螞蟻演算法，進行機器人的行為協調，使得機器人可以 在運動過程中，自主調整策略，增進克服地形的效率，且即使在缺乏距離感測器 的情況下，依然能透過試誤學習，成功克服地形。將於第四章詳細介紹。