Вычислительное проектирование робота-квадропеда: алгоритм оптимизации параметров вращательных приводов

Представлен алгоритм вычислительного проектирования, предназначенный для поиска оптимальных параметров вращательных приводов локомоционных роботов, удовлетворяющих требованиям по производительности и поведению. Антропоморфные роботы, роботы-квадропеды и так называемые роботы общего назначения оснащаются педипуляторными механизмами для перемещения в неструктурированной и априори неизвестной среде. Предъявляемые к ним требования по грузоподъемности, динамичности, энергоэффективности, безопасности и эстетике могут противоречить друг другу. Например, эстетика предполагает минимизацию габаритных размеров приводов, грузоподъемность требует увеличения передаточного отношения, а это повышает отраженную инерцию и потери на трение, пагубно влияя на динамичность и энергоэффективность. Во внешнем цикле предложенного алгоритма выполняется поиск оптимальных параметров вращательных приводов по общей массе и передаточному числу приводов. Регрессионные модели, обученные на паспортных данных коммерческих приводов, восстанавливают ключевые параметры, такие как номинальный и пиковые крутящие моменты, отраженная инерция, постоянная двигателя, оценка габаритных размеров приводов и коэффициент полезного действия редуктора. Во внутреннем цикле предложенного алгоритма решается задача траекторной оптимизации для полной модели динамики робота с ограничениями по моменту, скорости, кинематике и контактам путем оценки энергии через электрическую модель с разделением электрических потерь и потерь на трение. Предложенный алгоритм апробирован на решении задачи проектирования робота-квадропеда. На вход алгоритма поступают параметры поведения (ходьбы, динамических движений, таких как прыжок) и производительности (например, при работе с полезной нагрузкой). На выход алгоритм выдает оценки физических параметров, набор которых достаточен для конструкторской проработки. Верификация параметров выполнена с помощью средств имитационного моделирования.

1. Tsagarakis N. G., Caldwell D. G. Development and control of a ‘soft-actuated’exoskeleton for use in physiotherapy and training // Autonomous Robots. 2003. Vol. 15, N 1. P. 21–33.

2. Singh A., Kashiri N., Tsagarakis N. Design of a quasi-direct-drive actuator for dynamic motions // Proc. MDPI. 2020. Vol. 64, N 1. P. 11.

3. Wensing P. M. et al. Proprioceptive actuator design in the mit cheetah: Impact mitigation and high-bandwidth physical interaction for dynamic legged robots // IEEE Transactions on Robotics. 2017. Vol. 33, N 3. P. 509–522.

4. Fadini G. et al. Simulation aided co-design for robust robot optimization // IEEE Robotics and Automation Letters. 2022. Vol. 7, N 4. P. 11306–11313.

5. Dinev T. et al. A versatile co-design approach for dynamic legged robots // 2022 IEEE/RSJ Intern. Conf. on Intelligent Robots and Systems (IROS). IEEE, 2022. P. 10343–10349.

6. Fadini G. et al. Computational design of energy-efficient legged robots: Optimizing for size and actuators // 2021 IEEE Intern. Conf. on Robotics and Automation (ICRA). IEEE, 2021. P. 9898–9904.

7. Sim Y., Colin G., Ramos J. Control-& Task-Aware Optimal Design of Actuation System for Legged Robots Using Binary Integer Linear Programming // 2023 IEEE-RAS 22nd Intern. Conf. on Humanoid Robots (Humanoids). IEEE, 2023. P. 1–8.

8. Hanna P., Carmichael M., Clemon L. Benefit of Optimal Actuator Selection–A Comparative Study // ASME Intern. Mechanical Engineering Congress and Exposition. American Society of Mechanical Engineers, 2022. Vol. 86663. P. V004T06A008.

9. Truax R. et al. Optimizing Design and Control of Running Robots Abstracted as a Torque Driven Spring Loaded Inverted Pendulum // Intern. Design Engineering Technical Conf. and Computers and Information in Engineering Conf. American Society of Mechanical Engineers, 2024. Vol. 88377. P. V03BT03A043.

10. Sathuluri A., Sureshbabu A. V., Zimmermann M. Robust co-design of robots via cascaded optimisation // 2023 IEEE Intern. Conf. on Robotics and Automation (ICRA). IEEE, 2023. P. 11280–11286.

11. Fadini G. et al. Co-designing versatile quadruped robots for dynamic and energy-efficient motions // Robotica. 2024. Vol. 42, N 6. P. 2004–2025.

12. Varelas K. et al. A comparative study of large-scale variants of CMA-ES // Intern. Conf. on parallel problem solving from nature. Cham: Springer International Publishing, 2018. P. 3–15.

13. Yesilevskiy Y., Gan Z., David Remy C. Energy-optimal hopping in parallel and series elastic one-dimensional monopeds // Journal of Mechanisms and Robotics. 2018. Vol. 10, N 3. P. 031008.

14. Todorov E., Erez T., Tassa Y. Mujoco: A physics engine for model-based control // 2012 IEEE/RSJ Intern. Conf. on Intelligent Robots and Systems. IEEE, 2012. P. 5026–5033.

15. Jallet W., Bambade A., El Kazdadi S., Carpentier J., Mansard N. Aligator [Электронный ресурс]: . (дата обращения: 07.11.2025)

16. Jallet W., Bambade A., Arlaud E., El-Kazdadi S., Mansard N. and Carpentier J. Proxddp: Proximal constrained trajectory optimization // IEEE Transactions on Robotics. 2025. Vol. 41. P. 2605–2624. DOI: 10.1109/TRO.2025.3554437.

17. IEC 60034-2-1:2024. Rotating electrical machines. Part 2-1: Standard methods for determining losses and efficiency from tests (excluding machines for traction vehicles). International Electrotechnical Commission. Geneva, 2024.