A cartesian model-free controller for reaching and throwing implemented on a humanoid robot

The world of robotics is centering on the construction of increasingly com- plex robots and the control of robots through classic methods becomes gradually insufficient. For this reason, neuro controllers based on machine learning theory are becoming increasingly important. These controllers are really useful in the field of humanoid robotics for which it is usual to perform complex tasks in a complex environment. In this work we present a new neuro-controller based on recurrent artificial neural networks capable of approximating the forward dynamic model of a generic robot and capable of performing various tasks by only changing objective function. This work is the consequent continuationof previous works using a soft robot . These works have brought a great innova- tion in the field of literature in the approximation of the model and control of soft robots. This work aims to generalize the same approach and validate it on robots of different nature such as humanoid robots. Furthermore, we want to introduce a comparison between different recurrent artificial neural network models, in particular the relationship between the Nonlinear autoregressive ex- ogenous model (NARX) and the Long short-term memory (LSTM) models. We present a comparison between the two RNN through an implementation on the iCub humanoid robot performing reaching tasks in the Cartesian space. In ad- dition, the work shows a guideline for being able to perform different tasks such as throwing an object.

Il mondo della robotica sta vertendo sulla progettazione di robot sempre più complessi e il controllo di questi robot attraverso i metodi più tradizionali sta diventando gradualmente non sufficiente. Per questa ragione sta diventando sempre più comune l’utilizzo di neuro controllori basati sulla teoria del Machine Learning (ML). Questi controllori risultano particolarmente utili nel campo dei robot umanoidi per i quali è usuale svolgere compiti non banali in ambienti complessi. In questo lavoro viene presentato un nuovo neuro controllore basato sull’utilizzo di reti neurali artificiali (RNN) in grado di approssimare la funzione dinamica diretta di un robot generico e in grado di svolgere compiti differenti variando solamente la funzione di costo associata al compito stesso. Questo lavoro è la conseguente continuazione di lavori precedentemente svolti in letteratura ed applicati a robot morbidi. Lo scopo che questo lavoro si pone è quello di generalizzare il medesimo approccio e validarlo su un robot di natura differente come un robot umanoide. Inoltre viene introdotto un confronto tra modelli di reti neurali artificiali differenti, in particolare viene fatto un confronto nella capacità di approssimare il modello dinamico diretto di due RNN differenti ovvero le reti neurali ‘Nonlinear autoregressive exogenous model (NARX)’ e le reti neurali ‘Long short-term memory (LSTM)’. Il confronto presentato tra questi due modelli avviene attraverso una implementazione sul robot umanoide iCub svolgendo il compito di raggiungere un punto nello spazio Cartesiano operativo del robot. Infine, il lavoro mostra come il modello di controllo può essere esteso per lanciare un oggetto in un punto prefissato.