第五章 機器人之打擊策略
5.6 打擊實驗
最後，為了驗證我們提出的控制策略，進行一次打擊測試，由對手發球後，通 過事件(
m
)所設定的虛擬平面，控制系統估測出球於事件(h
)所設定的打擊平面，其 打擊位置及速度，規畫出機器手臂的運動軌跡後，使機器手臂移動並進行打擊使球返 回對手場地。圖 5.15 及圖 5.20 分別顯示第 10 次及第 11 次球移動軌跡及球拍運動軌跡，紅線 代表球拍運動軌跡，而藍線為球移動軌跡，影像以 60Hz 取得球的位置，以’× ’表示 攝影機觀測到球之位置。圖 5.16 及圖 5.21 分別顯示第 10 次及第 11 次球及球拍在 x-z 平面之運動軌跡。圖 5.17 及圖 5.22 分別顯示第 10 次及第 11 次球及球拍在 y-z 平面 之運動軌跡。圖 5.18 及圖 5.19 分別顯示第 10 次的球拍位置及速度變化；圖 5.23 及 圖 5.24 分別顯示第 11 次的球拍位置及速度變化。圖 5.25 用以表示圖 5.15 至圖 5.24 的軌跡位置所相對的原點。
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 -2.2 0.8
-2 -1.8 -1.6 -1.4 -1.2 -1 -0.8 -0.6 -0.4 -0.5 -0.4 -0.3 -0.2
x-dir (m) z-dir (m)
y-dir (m) center of paddle
ball
圖 5.15 球及球拍之移動軌跡(10 次打擊)
-2.2 -2 -1.8 -1.6 -1.4 -1.2 -1 -0.8 -0.6 -0.4 -0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
z-dir (m) x-dir
m( )
center of paddle ball
圖 5.16 在 x-z 平面上的球及球拍之移動軌跡(第 10 次打擊)
-2.2
center of paddle ball
time step (30 ms)
x-dir (m)
time step (30 ms)
y-dir (m)
time step (30 ms)
z-dir (m)
0 2 4 6 8 10 12 14
time step (30 ms)
x-dir (m/s)
0 2 4 6 8 10 12 14
time step (30 ms)
y-dir (m/s)
0 2 4 6 8 10 12 14
time step (30 ms)
z-dir (m/s)
-1
x-dir (m/s) z-dir (m/s)
y-dir (m/s)
圖 5.19 球拍之移動速度變化(10 次打擊)
center of paddle ball
圖 5.20 球及球拍之移動軌跡(11 次打擊)
-2.2 -2 -1.8 -1.6 -1.4 -1.2 -1 -0.8 -0.6 -0.4 -0.4
-0.2
0
0.2
0.4
0.6
0.8
z-dir (m)
x-dir (m)
center of paddle ball
圖 5.21 在 x-z 平面上的球及球拍之移動軌跡(11 次打擊)
-2.2 -2 -1.8 -1.6 -1.4 -1.2 -1 -0.8 -0.6 -0.4 -1 -0.8 -0.6 -0.4 -0.2 0 0.2
z-dir (m)
y-dir (m)
center of paddle ball
圖 5.22 在 y-z 平面上的球及球拍之移動軌跡(11 次打擊)
0 5 10 15
time step (30 ms)
x-dir (m)
time step (30 ms)
y-dir (m)
time step (30 ms)
z-dir (m)
0.15
0.2
-0.48 0.25 -0.46
time step (30 ms)
x-dir (m/s)
0 2 4 6 8 10 12 14
time step (30 ms)
y-dir (m/s)
0 2 4 6 8 10 12 14
time step (30 ms)
z-dir (m/s)
-0.6-0.8
x-dir (m/s) z-dir (m/s)
y-dir (m/s)
圖 5.24 球拍之移動速度變化(11 次打擊)
45
XH 45
ZH 45
YH
圖 5.25 【圖 5.15-圖 5.24】其位置相對之原點示意圖(圖中座標系為座標系
O H 45
)第六章 結論
6.1 結果與討論
本計畫改良先前本實驗室所建構之人形機器人，在雙眼機械頭加入四個攝影機 用以模仿人類視覺，並於頸部機構上加入四個自由度，使眼部能藉由頸部之彎曲及伸 展，來觀察靠近身體的物體。另外，將原本固定於輪式移動平台之身軀，改為一擁有 三自由度的腰部結構，使機器人能側身擊球，或撿拾起在輪式移動平台周圍的物體，
而增加機器人身軀之靈巧度。因此，新的具四十自由度之人形機器人，其上半身擁有 一個具三自由度的腰部的軀體、一個七自由度的雙眼機械頭、各七自由度之左右機械 手臂，以及各七自由度的左右機械手，而在下半身則為一具二自由度之輪式移動平 台。在機器人的控制上，我們發展以 DSP 晶片為核心的嵌入式控制系統，以取代原 PC-based 控制系統，可將機器人的感測與控制，分散在多個處理器中進行計算，以增 加機器人控制的即時性，並得到最佳的控制性能。
在打乒乓球的應用上，我們採用了映射的方法來預測球的軌跡，但是我們了解 此映射的關係是一組高度非線性的函數，因此我們透過類神經網路來學習此一關係，
可於離線時先完成初期訓練後，也應用於線上時繼續學習此關係，減少預測上的誤 差。由於所建構的人形機器人之手臂是具有類似人類手臂且為贅餘自由度的結構，所 以我們在進行拍擊時，可以以人的動作為基礎來進行規劃，在目前的研究中，並未深 入探討此一規劃，僅以數值上最佳化來完成機械手臂的控制，在未來的研究上，我們 將以此做深入探討。
6.2 計畫成果自評
本計畫已完成打乒乓球人形機器人之建構，其主要是由輪移動平台、具腰部之 身軀、雙眼機械頭、雙機械手臂與雙機械手所組成；並完成嵌入式 DSP-based 控制系 統之開發。在視覺伺服控制上，利用 SOIM 類神經網路來學習影像資訊與雙眼機械頭 控制命令間的關係，配合灰色預測對於空間目標物進行視覺追蹤；並透過柯漢寧類神
經網路來學習空間表示式變化與機械手臂空間位置，進而驅動機械手臂的追蹤此目標 物。為了能使機器人能應用於乒乓球打擊運動中，我們定義且分析球於打乒乓球應用 中的行為，提出了機器人之整體打擊運動，且分成打擊程序、返回程序及預備程序，
其中決定球拍和球的打擊時間及球拍的位置、速度是在打擊未發生之前就需完成此決 策，因此，我們提出了利用倒傳遞類神經網路來預測球的軌跡，由實驗結果可看出此 類神經網路於學習及預測球軌跡均有不錯的效果。本計畫完成的內容與原計畫有 95%
的相符，現正將本計畫之成果整理成論文，預期有二至三篇論文發表。
參考文獻
[1]. R. L. Andersson, “Computing the Feasible Configurations of a 7-DOF Arm Subject to Joint Limits,” IEEE Transactions on Robotics and Automation, Vol. 9, No. 2, pp.
186-195, April. 1993.
[2]. R. L. Andersson, “Understanding and Applying a Robot Ping-Pong Player's Expert Controller ”, Proceedings of IEEE International Conference on Robotics and Automation, pp. 1284-1289, 1989.
[3]. R. L. Andersson, “Aggressive Trajectory Generator for a Robot Ping-Pong Player,”
IEEE International Conference on Robotics and Automation, Philadelphia, PA, pp.188-193, April 1988.
[4]. R. L. Andersson, A Robot Ping-Pong Player: Experiment in Real-Time Intelligent
Control, The MIT Press, Cambridge, MA, 1988.
[5]. H. Asada and J-J E. Slotine, Robot Analysis and Control, Wiley-Interscience, 1986.
[6]. R. A. Brooks, C. Brazeal, M. Marjanovic, B. Scassellati and M. Williamson, “The Cog Project: Building a Humanoid Robot,” in C. Nehaniv (ed.), in Computation for Metaphors, Analogy, and Agents, Lecture Notes in Artificial Intelligence 1562, Springer-Verlag, pp. 52-87, 1999.
[7]. R. A. Brooks and L. A. Stein, Building Brains for Bodies, MIT AI Lab Memo #1439, Aug. 1993.
[8]. K. Hirai, M. Hirose, Y. Haikawa and T. Takenaka, “The Development of Honda Humanoid Robot P2 and P3,” Proceedings of 30
th
ISR, Tokyo, Japan, Oct. 1999.[9]. Q. Huang, Y. Nakamura and T. Inamura, “Humanoids Walk with Feedforward Dynamic Pattern and Feedback Sensory Reflection,” Proceedings of IEEE International Conference on Robotics & Automation, pp. 4220-4225, May 2001.
[10]. D. Julong, Grey Forecasting Control in Grey Systems, Beijing, China: China Ocean Press, 1988.
[11]. M. Matsushima, T. Hashimoto, M. Takeuchi and F. Miyazaki, “A Learning Approach to Robotic Table Tennis,” IEEE Transactions on Robotics, Vol. 21, No. 4, pp. 767-771, August 2005.
[12]. T. Morita, H. Iwata and S. Sugano, “Development of Human Symbiotic Robot:
WENDY”, Proceedings of IEEE International Conference on Robotics and Automation, pp. 3183-3188, May 1999.
[13]. T. Morita, K. Shibuya and S. Sugano, “Design and Control of Mobile Manipulation System for Human Symbiotic Humanoid: Hadaly-2,” Proceedings of IEEE International Conference on Robotics and Automation, pp. 1315-1320, May 1998.
[14]. K. Nishiwaki, T. Sugihara, S. Kagami, F. Kanehiro, M. Inaba and H. Inoue, “Design and Development of Research Platform for Perception-Action Integration in Humanoid Robot: H6,” Proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems, Vol. 3, pp. 1559-1564, Oct. 31-Nov. 5 2000.
[15]. D. B. Rosen, G. A. Carpenter and S. Crossberg, “Fuzzy ART: Fast Stable Learning and Categorization of Analog Patterns by an Adaptive Resonance System, ” Neural Networks, Vol. 4, pp. 759-771, 1991.
[16]. N. Srinivasa and R. Sharma, “SOIM: A Self-Organizing Invertible Map with Applications in Active Vision,” IEEE Transactions On Neural Networks, Vol. 8, No.
3, pp. 758-773, May 1997.