1
1.1 研究動機與目的
所謂的串結式機器人(chain-type robot)，係由多個單節履帶機器人串結而 成。相較於單節機器人，串結式機器人可以藉由單節間的推、拉，以及抬舉關節、
旋轉關節等較單節機器人多的自由度，克服更複雜的地形，因此可用於救援、搜 索、監控等領域。
本論文的研究目的為設計串結式機器人的控制策略，以加速度計資訊、馬達 回傳資料等感測資訊，偵測機器人的姿態，及其與環境的互動狀況，讓機器人可 以由這些輸入資訊，自主決定相對應的動作，以克服台階、斜坡上的台階、階梯 以及崎嶇地形。
同時，由於在複雜地形上，距離感測器或接觸感測器容易在機器人與環境的 碰撞時損壞，因此設計控制策略的另一重點即為，如何在缺乏距離感測器或接觸 感測器的情況下，讓機器人仍得以順利克服地形。最後，將於實際搭建的台階、
斜坡上的台階、階梯以及崎嶇地形中，展示與驗證本論文所提出策略的可行性。
1.2 研究背景與發展現況
串結式機器人(chain-type robot)屬仿蛇機器人(snake-inspired robot[1])的其中 一類。自然界中的蛇由於具有良好的攀爬或跨越障礙物能力、穩定的姿態(由於 跟地面具有多點接觸)、多自由度(即使其中一個關節失去效用，依然可以運動) 等優點，因此啟發了很多模仿蛇的機器人研究。仿蛇機器人依其機構設計，主要 可分為三大類：(1)具有被動輪的機器人[2-4]、(2)具有主動輪的機器人[5-7]、(3) 具有主動式履帶的機器人[8-12]。
其中(3)具有主動式履帶的機器人，由於履帶可以提供給機器人相對平坦的 接觸面，同時履帶又具有主動驅動力，因此可適應極端崎嶇複雜的地形。基於此 優點，本論文所使用的串結式機器人，即採用此種機構設計。
雖然串結式機器人具備先天機構上的優越克服地形能力，但多節機構使得機 器人與環境的互動複雜，造成了控制的困難性。針對此控制困難性，過去的研究 者大致提出以下方法。
Wang et al.[13]建構了分散式的串結機器人機構，各個單節的履帶機器人可 以獨立運作，也可以經由電腦操控，組合而成三節的機器人。這篇論文利用紅外 線測距儀、GPS、陀螺儀、影像處理模組等感測器，讓機器人可以偵測環境的狀 態以及自身的姿態。這篇論文僅簡單描述了克服台階地形、從傾倒狀態回復的運 動步驟，但對於如何根據感測資訊，進行進一步的姿態調整，甚至於策略的適應 性，都沒有深入討論。
GAO et al.[14]利用力感測器的回授，機器人得以自主調整姿態，執行跨越高 突的障礙物、攀爬階梯與鑽過牆上的洞等任務。Hutchison et al.[10]利用基因演算
陳俊傑[15]利用擾動觀測器，僅需過馬達的速度與電流，就能估測外界地形 施於機器人的干擾扭矩，設計 admittance 控制器，完全不需外加任何感測器，即 能調整關節馬達轉速，克服步階、斜坡，與複雜地形。這給了本論文利用馬達資 訊偵測機器人與環境互動關係的靈感，但與[15]不同的是，本論文又賦予了串結 式機器人自主學習的能力，機器人透過在運動過程中的試誤學習，得以更穩健、
更有效率地的克服地形。
1.3 問題描述
1、如何利用單節之間的合作協調克服地形
當遭遇到複雜地形時，往往需要將機器人從單節擴充為多節，以增進克服地 形能力。此時，機器人該如何透過單節之間的合作協調，成功地克服複雜地形？
2、如何透過學習，增進機器人克服地形的效率
面對複雜地形，機器人與外界環境的互動模型往往複雜難解，設計者預先藉 由經驗法則設計好的策略，不見得是最能適應環境的策略，此時機器人該如何在 運動過程中，自主調整控制策略，增進克服地形的效率？
1.4 研究方法
1、如何利用單節之間的合作協調克服地形
針對此問題，本論文提出了分散式行為模式多單元控制(distributed multi-unit behavior-based control)，藉由 master 角色與 slave 角色的合作：master 執行攀爬 豎板(riser climbing)與登上踏板(tread landing)行為，slave 遵從 master 的命令，達 到運動的協調合作，以克服複雜地形。同時模組化的架構，使得未來可輕易地增 添新的決策角色或軟體模組，具有良好的擴充性。
2、如何透過學習，增進機器人克服地形的效率
本論文引入螞蟻演算法(ant colony optimization，ACO[20])，進行強化式學習 (reinforcement learning[16])。所謂的強化式學習，係透過嘗試動作，並經由外界 環境對於該動作的反饋，判斷這個動作是否恰當，不斷修正策略，更穩健地、更 有效率地克服地形。而螞蟻演算法則將候選動作的機率分布以費洛蒙(pheromone) 濃度表示，執行完動作後，利用環境的反饋更新費洛蒙，亦即更新候選動作的機 率分布，經由反覆迭代運算後，可漸漸逼近最能適應環境的機率分布。螞蟻演算 法在資料開採(data mining)、網路連線建立(networking)、計算機網路的工作排 程、感測器的自我組織(self-organization of sensors)，甚至於機器人的避障學習 等，都能發揮良好的效果，但未曾應用於串結式機器人的適應地形控制。因此本 論文將螞蟻演算法，於串結式機器人進行嶄新的應用。機器人藉由偵測馬達扭矩 判斷是否困住，以此作為學習的反饋訊號，透過試誤學習，漸漸習得最能適應環 境的策略。並提出序列訓練(sequential training)，以預先定義好的行為序列，取代
1.5 論文架構
本論文共分為五章，第一章旨在簡述研究動機、目的、背景與發展，並陳述 所要研究的問題、方法。第二章介紹機器人平台，並說明整體系統架構，包含使 用的控制核心、周邊電路與感測資訊。第三章描述串結式多單元分散式控制，包 含各單元的運動控制、單元間的溝通與協調。第四章描述螞蟻演算法學習，及提 出改善學習的方法。第五章為實驗結果，讓兩節機器人在台階、斜坡上的台階，
及階梯地形上，驗證比較原始螞蟻演算法，與加入自行提出的改善學習方法，對 於克服地形效率的影響，最後將機器人擴充成三節，驗證分散式架構的擴充性，
並克服階梯與崎嶇地形所組成的複雜地形。第六章對本論文做一個結論，並提出 未來可以再發展之方向。