بهینه سازی الگوی فعال سازی مدل اسکلتی عضلانی در شبیه سازی پرش عمودی توسط الگوریتم ژنتیک

مقدمه

بدن انسان را می­توان به شکل یک سیستم با تعداد زیادی ورودی و یک خروجی در نظر گرفت.کنترل این سیستم پیچیده برای رسیدن به خروجی مطلوب برعهده مغز و به طور کلی سیستم عصبی بدن می­باشد. برای ایجاد یک حرکت در بدن و ایجاد گشتاور در مفاصل، عضلات توسط سیستم عصبی تحریک می­شوند. تعداد زیاد عضلات و مفاصل که در طی یک حرکت نقش موثری دارند به عبارت دیگر افزونگی درجه آزادی در طی یک حرکت، نشان­دهنده پیچیدگی کار مغز در کنترل بهینه نیروی تولید شده توسط عضلات برای رسیدن به حرکت مطلوب می­باشد.

آگاهی از مکانیزم بخش­های مختلف بدن و عملکرد یکپارچه این بخش­ها برای ایجاد حرکت در بدن بسیار پرکاربرد و در زمینه­های گوناگونی سودمند می­باشد. یکی از بهترین راه­های بررسی مکانیزم عملکرد بخش­های مختلف بدن،طراحی مدل و شبیه­سازی رفتارهای این بخش­ها و یکپارچه کردن آنها برای بررسی چگونگی حرکات بدن می­باشد. مدل­های دینامیکی را می­توان به دسته مدل­های دینامیک مستقیم و معکوس تقسیم کرد. در مدل­های دینامیک معکوس سینماتیک حرکت به عنوان ورودی در نظرگرفته می­شود و خروجی مدل، سینتیک حرکت می­باشد.

اما در مدل­های دینامیک مستقیم پارامترهای سینتیکی به عنوان ورودی و پارامترهای سینماتیک به عنوان خروجی و جواب مدل درنظر گرفته می­شود. همچنین مدل­های دینامیک مستقیم را می­توان به دو دسته تقسیم کرد. در دسته اول گشتاور به صورت مستقیم به مفاصل اعمال می­شو و در دسته دوم عضلات به عنوان مولد نیرو در مفاصل، شبیه سازی می­شوند. بنابراین مدل­های اسکلتی عضلانی از نوع مدل­های دینامیک مستقیم هستند و در این نوع مدل­ها عضلات به عنوان مولد نیرو شبیه­سازی می­شود. البته بدن انسان برای اجرای یک حرکت علاوه بر سیستم اسکلتی و عضلانی به سیستم دیگری، که بتواند عضلات را برای اجرای حرکت کنترل کند، نیاز دارد که سیستم عصبی نامیده می­شود. پس برای شبیه سازی یک حرکت علاوه بر ساخت یک مدل اسکلتی عضلانی باید عملکرد سیستم عصبی را برای کنترل مدل اسکلتی عضلانی شبیه سازی کرد.

بنابراین می­توان از تئوری­های کنترل بهینه برای کنترل مدل اسکلتی عضلانی استفاده کرد. در این راستا محققین از روش­های مختلفی برای کنترل بهینه حرکت مدل­های اسکلتی و اسکلتی عضلانی بهره­برده­اند. در این رابطه می‌توان به تحقیقات اندرسون و پندی برای کنترل بهینه­ی مدل اسکلتی عضلانی، اشاره کرد. همچنین تلن و اندرسون در تحقیقات خود، مدل­های اسکلتی عضلانی را با استفاده از روشی کهCMC  نام‌گذاری شده، کنترل کردند که در این روش پارامترهای تجربی سینماتیکی حرکت برای رسیدن به کنترل بهینه ضروری است. به عبارت دیگر در این روش یک الگو به عنوان الگوی مرجع در نظر گرفته می­شود.

در سال­های اخیر روش­های­ مختلفی همانند الگوریتم کلونی مورچه، ازدحام ذرات،رقابت استعماری و الگوریتم ژنتیک بر اساس رفتار­های طبیعت و جانوران برای یافتن جواب­ بهینه مسائل در زمینه­های گوناگون ظهور کرده­اند. لازم به ذکر است که این روشها توانسته‌اند جایگاهی مستحکمی در کنار روش‌های کلاسیک همانند حساب تغییرات، اصل حداقل یابی پونتریاگین ، روش‌های عددی تکرارپذیر برای حل مسائل بیابند. یکی از فواید این روش‌ها کاهش احتمال گیر افتادن در حداقل یا حداکثر‌های محلی می‌باشد.

همچنین با استفاده از این روش ها می توان در زمان کوتاه‌تری به جواب مناسب رسید و نیازمند پیش‌فرض‌هایی برای تابع معیار مانند مشتق‌پذیر بودن تابع معیار نمی‌باشند. اما نسبت به روش‌های کلاسیک دقت کمتری دارند. ولی دقت این روش ها در تعیین جواب مسئله کافی است. بنابراین استفاده از این‌روش ها می‌تواند بسیار سودمند باشد. محققین بسیار اندکی از این روش ها برای حل مسائل در گرایش بیومکانیک به خصوص برای کنترل مدل های اسکلتی عضلانی استفاده کرده اند. در این راستا می توان به الگوریتم ژنتیک اشاره کرد که یک الگوریتم اکتشافی مبتنی بر تکرار است و از علم ژنتیک اقتباس شده است.

علم ژنتیک به بررسی چگونگی انتقال صفات و ویژگی‌ها به نسل‌های بعد می‌پردازد که عامل انتقال صفات به نسل بعد کروموزوم و ژن‌ها می‌باشند. در این الگوریتم بر اساس قانون داروین ژن‌ها و کروموزوم‌های قوی بر کروموزوم‌های ضعیف‌تر قالب می‌شوند و موجودات قوی و برتر باقی می‌مانند. در تحقیق حاضر هدف شبیه سازی عملکرد سیستم عصبی در کنترل عضلات برای اجرای حرکت پرش عمودی و رسیدن به کنترل بهینه با استفاده از الگوریتم ژنتیک و بررسی کارایی آن می باشد. شبیه سازی پرش عمودی در مقالات متعددی دیده می شود که در اغلب آنها گشتاور به عنوان ورودی مدل انتخاب شده است. شاید بتوان بدین وسیله به الگوهای حرکتی بهتری برای حرکات ورزشی و حرکات پایه همانند راه رفتن بدون در نظر گرفتن الگوهای موجود دست یافت.

دانلود مقاله

دیدگاهتان را بنویسید