CN101916071B - 仿生机器鱼运动的cpg反馈控制方法 - Google Patents

Abstract

本发明为仿生机器鱼运动的CPG反馈控制方法，提出了由高层控制模块、CPG、运动神经元等不同部位接收反馈信号的CPG反馈控制模型；高层控制模块接收仿生机器鱼本体状态信息与水域环境信息，通过信息处理、决策，发出相应的命令，选择对应的运动模板，从而确定合适的CPG构型，控制仿生机器鱼的身体各部分进行节律运动或非节律运动。本发明将为仿生机器鱼运动的反馈控制理论设计提供参考，并实现机动、灵活、自主的游动控制。

Description

仿生机器鱼运动的CPG反馈控制方法

技术领域

本发明属于仿生学技术领域，涉及基于不同反馈信号接收部位的仿生机器鱼运动的CPG反馈控制方法。

背景技术

中枢模式发生器(Central Pattern Generator，CPG)是一类存在于在无脊椎动物和脊椎动物的中枢神经系统中的神经元电路。它能在没有节律性的控制或反馈输入情况下产生有节律的行为，例如行走、游泳、飞翔、呼吸和咀嚼等。仿生机器人要实现自主运动，必须引入环境信息及机器人本体状态，但是机器人CPG模型多数由非线性微分方程构成，这造成了反馈控制实现难的问题。虽然基于CPG的机器人运动反馈控制受到了越来越多的关注，但多数研究尚处于起步阶段，没有明确给出CPG反馈控制方法的具体实施方案。

发明内容

本发明的目的是针对仿生机器鱼的游动控制，给出一种基于不同反馈信号接收部位的易于实现的CPG反馈控制模型；结合动物运动分层控制概念，首先给出CPG反馈控制结构，然后针对高层控制模块、CPG、运动神经元等不同部位接收反馈信息建立了相应的反馈控制模型，提出一种基于不同反馈接收部位的仿生机器鱼运动的中枢模式发生器(Central Pattern Generator，CPG)反馈控制方法，以解决仿生机器鱼的自主游动控制问题。

为达到上述目的，本发明提出基于不同反馈接收部位的仿生机器鱼运动的CPG反馈控制方法的步骤如下，基于仿生机器鱼不同反馈接收部位，针对高层控制模块、中枢模式发生器、仿生机器鱼的运动神经元建立相应的中枢模式发生器反馈控制模型，高层控制模块接收仿生机器鱼本体状态信息和水域环境信息，对仿生机器鱼本体状态信息和水域环境信息进行处理和智能决策并发出相应的控制命令，选择仿生机器鱼的运动模板，进而确定中枢模式发生器构型，控制仿生机器鱼身体各部分进行节律运动或非节律运动，从而实现仿生机器鱼机动、灵活的自主游动。

其中，所述高层控制模块接收反馈信号时，对于单纯接收速度反馈信息的仿生机器鱼系统采用PID控制方法；针对接收仿生机器鱼的目标物距离信息采用模糊决策控制方法。

其中，所述中枢模式发生器接收反馈信号时，针对中枢模式发生器内部和中枢模式发生器输出的速度反馈信息分别采用中枢模式发生器反馈控制模型。

其中，所述运动神经元根据接收到的不同部位的反馈信号选择相应的反馈控制模型。

其中，所述高层控制模块接收水域环境信息、仿生机器鱼本体运动状态信息，对所述信息及运动状态进行处理，并作出智能决策，发出相应的控制命令，选择仿生机器鱼的运动模板，从而控制中枢模式发生器模型的构型和参数，实现仿生机器鱼的游动控制。

其中，所述CPG反馈控制方法，还包括运动模板与特征模块选择仿生机器鱼的基本状态，基本状态包含前进、后退、左转弯、右转弯、上浮、下潜、加速、减速、起动、停止、滑行状态。

其中，所述中枢模式发生器模块针对相应的运动状态匹配不同的中枢模式发生器构型，主要包含两种构型：胸鳍型弱耦合构型和滑块型弱耦合构型；在确定构型后选择不同的推进控制面为身体-尾鳍型推进、尾鳍型推进、胸鳍型推进、或者它们之间的任意组合。

其中，所述仿生机器鱼本体信息的传感器选择了摄像模块、红外传感器、惯性测量单元、触觉传感器、压力传感器、弯曲度传感器。

本发明的有益效果：

本发明所提出的基于不同反馈接收部位的仿生机器鱼运动的CPG反馈控制方法对具有多关节或多自由度的仿生机器鱼反馈控制有良好的适用性，本发明的方法结合动物运动控制机理，提出了在高层控制模块、CPG、运动神经元等不同部位接收反馈信息的CPG反馈控制方法。利用该CPG反馈控制模型，能够实现仿生机器鱼机动、灵活的自主游动控制。

附图说明

图1仿生机器鱼的CPG反馈控制结构示意图；

图2图1中仿生机器鱼的控制硬件框图；

图3图2中核心扩展板控制软件框图；

图4人或动物运动系统组构略图；

图5高层控制模块接收反馈信息控制框图；

图6高层控制模块接收反馈信息PID控制框图；

图7高层控制模块接收反馈信息模糊控制框图；

图8a-图8d不同CPG模块的构型；

图9a-图9f仿生机器鱼前行状态对应的CPG模块的构型；

图10CPG模块内部耦合传感器信号控制框图；

图11CPG模块输出耦合传感器信号控制框图；

图12CPG模块输出叠加传感器信号控制框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，下面结合所附图和表对本发明基于不同反馈接收部位的仿生机器鱼运动的CPG反馈控制方法做出详细说明。

一、仿生机器鱼的CPG反馈控制系统

图1给出了本发明方法的仿生机器鱼的CPG控制系统示意图，包括：高层控制模块1、运动模板匹配与特征调整模块2、CPG模块3、仿生机器鱼4和水域环境测量模块5。高层控制模块1连接仿生机器鱼4和水域环境测量模块5，高层控制模块1接收并对水域环境测量模块5输出的水域环境信息数据进行处理、决策、及接收并对仿生机器鱼4中的各种传感器的传感信息进行处理、决策，然后发出相应的控制命令。运动模板匹配与特征调整模块2连接高层控制模块1、CPG模块3和仿生机器鱼4，运动模板匹配与特征调整模块2在接收高层控制模块1的控制命令后，再综合仿生机器鱼4的传感信息选择CPG模块3的构型和参数；CPG模块3接收CPG构型和参数生成需要的CPG模型并发送驱动信号。仿生机器鱼4与CPG模块3连接，仿生机器鱼4各关节的驱动控制器接收CPG模块3发送驱动信号，驱动仿生机器鱼4各关节的驱动控制器产生运动，同时依靠仿生机器鱼4上安装的各种传感器产生需要的状态反馈信息，输送给高层控制模块1和运动模板匹配与特征调整模块2，并接收外界的水域环境测量模块5的水环境信息。

二、仿生机器鱼的CPG反馈控制系统的硬件及软件实现

针对仿生机器鱼4的反馈控制需求，根据图1我们设计了如附图2所示的仿生机器鱼CPG反馈控制的硬件框图。它的特点在于采用高速处理器ARM9内核的控制器，并把ARM核心板和仿生机器鱼扩展板分开，这样便于以后的升级换代。在附图1和图2中示出仿生机器鱼4，包括：障碍物感应传感器41、惯性导航传感器42、深度传感器43、触觉或力矩传感器44、弯曲度传感器45、右胸鳍46、尾鳍47、摄像模块48、电池及电源模块49、左胸鳍50、无线收发模块51、仿生机器鱼控制板52、摆动关节53，其中电池及电源模块49负责整个控制系统的电源供应，它输出电能给各传感器41至45、摄像模块48、无线接收模块51、仿生机器鱼控制板52和摆动关节53。仿生机器鱼控制板52接收各传感器41至45的传感信号，负责计算、信息处理、决策、CPG构型选择、CPG模型生成、在线生成离散控制量并输出给仿生机器鱼控制扩展板522；传感器41与仿生机器鱼控制板52之间通过传感器接口523连接；摄像模块48与仿生机器鱼控制板52之间通过图像采集接口524连接，负责采集机器鱼周围环境信息；仿生机器鱼控制板52根据环境信息作出决策，将控制指令经过舵机驱动接口526发送到摆动关节53，实现各个关节的摆动控制；无线收发模块51与仿生机器鱼控制板52之间通过无线收发接口525连接，与上层控制器54进行信息交换，从而构成多级分层控制。

仿生机器鱼4要实现完全自主游动，必须添加多种类型的传感器，以便通过感知外界环境来及时调整自己的行为，从而实现既定目标和游动任务。根据功能需要，我们还可选择的传感器有：障碍物感应传感器41可选择红外传感器、超声传感器、激光传感器、摄像头其中的一种，用于检测障碍物；惯性导航传感器42可选择陀螺仪、加速度计、GPS其中的一种，或具有定位及导航类传感器；深度传感器43可选择压力传感器；触觉或力矩传感器44；弯曲度传感器45。

由于仿生机器鱼4体积较小，为尽量减小惯性测量单元受到舵机磁场的影响，加速度计、陀螺仪等惯性测量单元选择安装在仿生机器鱼4身体内腔前部。摄像模块48、红外光电传感器可以帮助仿生机器鱼4识别障碍物及周围环境。压力传感器可测量仿生机器鱼所处的水下深度；温度传感器可以感知水温。弯曲度传感器可测量鱼体实际弯曲角度，触觉传感器帮助仿生机器鱼识别外界触碰，做出应激行为。电压与电流传感器可以用来计算仿生机器鱼的功耗，并起到过电流和过载保护作用。

基于CPG模型的控制系统其关键点在于CPG的在线计算，由于本发明所采用的CPG模型，采用一类能产生稳定极限环的简单非线性微分方程组来表示其振荡神经元，且以单个振荡神经元构成单元CPG，这大大简化了CPG的参数量及计算量。此外，CPG模型的输出可以分别单参数改变其性能，比如输出波形的振幅和频率，这也给程序编写和计算带来方便。基于不同反馈接收部位的仿生机器鱼运动的反馈控制方法的步骤如下，提出了以一类振荡频率和幅值可分别单参数控制的非线性振荡器作为振荡神经元，见公式(1-1)所示。

$\left\{\begin{array}{c}\stackrel{\·}{x_i}={\mathrm{\ω}}_i{y}_i-x_i(m_i{-x}_i^2-y_i^2)+\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{a}_j{y}_j+s_i\\ {\stackrel{\·}{y}}_i={\mathrm{\ω}}_i{x}_i-y_i(m_i-x_i^2-y_i^2)+\underset{k=1,k\≠i}{\overset{n}{\mathrm{\Σ}}}{b}_k{x}_k-s_i\end{array}\right.---(1-1)$

式(1-1)中i＝1，…，n，n表示振荡器神经元的个数，此处n＝2；其中i＝1表示左胸鳍，i＝2表示右胸鳍；x_i、y_i表示两个振荡器的两个状态变量；ω_i表示振荡器的固有频率，

表示振荡器的固有幅值；a_j、b_k表示振荡器间的耦合系数，s_i为反馈信息。

所述的仿生机器鱼运动的CPG反馈控制方法，提出了一种仿生机器鱼的CPG反馈控制架构，如附图1所示。该CPG反馈系统控制架构主要包含四个部分：高层控制模块1、运动模板匹配与特征调整模块2、CPG模块3、仿生机器鱼4本体(包含其中的各种传感器)。其中，高层控制模块1用于模拟人的大脑、中央神经系统等，主要负责环境信息及仿生机器鱼4本体状态信息的处理、决策，然后发出相应的控制命令，选择对应的运动模板，从而控制CPG模块3的构型和参数，达到控制仿生机器鱼4的目的。通过高层控制模块1的控制，CPG模块3能选择最合适的模式，控制仿生机器鱼4的身体各部分进行节律运动或非节律运动。仿生机器鱼4本体上装有相应的传感器，比如深度传感器、弯曲度传感器、触觉传感器、红外传感器、摄像模块48等。这些传感器信息给高层控制模块1和下层CPG模块3提供了控制依据，从而能实现仿生机器鱼4在复杂水域环境中的自主游动。

所述的仿生机器鱼运动的CPG反馈控制方法，该方法对于CPG内部接收反馈信息采用式(1-2)的耦合方法；对于CPG输出部耦合反馈信息，采取式(1-2)所示方法：

$x_i(k+1)=\left\{\begin{array}{cc}{x}_i\left(k\right)+\mathrm{\Δ}{x}_i\left(k\right)\·\mathrm{\Δt}& t\∉(t_1,t_2)\\ x_i\left(k\right)+\mathrm{\Δ}{x}_i\left(k\right)\·\mathrm{\Δt}+{\mathrm{\λ}}_i\·s_i& t\∈(t_1,t_2)\end{array}\right.---(1-2)$

式(1-2)中Δt为计算步长，s_i为反馈信号，λ_i为反馈信号s_i耦合到状态变量x_i上的比例系数，x_i(k)为状态变量x_i在k·Δt时刻的值，Δx_i(k)为状态变量x_i的增量；t₁和t₂分别表示反馈信号的起始时刻和停止时刻。

对于运动神经元接收反馈信息，采用式(1-3)所示方法：

$x_i^{\′}\left(t\right)=\left\{\begin{array}{cc}{x}_i\left(t\right)& t\∉(t_1,t_2)\\ x_i\left(t\right)+x_{\mathrm{bi}}& t\∈(t_1,t_2)\end{array}\right.---(1-3)$

式(1-3)中x_bi表示第i个CPG的偏移量，t₁和t₂分别表示接收到障碍物信息的起始时刻和停止时刻。一种比较简便的实现方法就是采用简单叠加法，方法如下：

将公式(1-1)离散化，得如下公式：

$\left\{\begin{array}{c}\frac{x_i(k+1)-x_i\left(k\right)}{\mathrm{\ΔT}}=-{\mathrm{\ω}}_i\·y_i\left(k\right)-x_i\left(k\right)\·(m_i-{\left(x_i\left(k\right)\right)}^2-{\left(y_i\left(k\right)\right)}^2)\\ +\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{a}_j\·y_j\left(k\right)+s_i\left(k\right)\\ \frac{y_i(k+1)-y_i\left(k\right)}{\mathrm{\ΔT}}={\mathrm{\ω}}_i\·x_i\left(k\right)-y_i\left(k\right)\·(m_i-{\left(x_i\left(k\right)\right)}^2-{\left(y_i\left(k\right)\right)}^2)\\ +\underset{l=1,l\≠i}{\overset{n}{\mathrm{\Σ}}}{b}_l\·x_l\left(k\right)-s_i\left(k\right)\end{array}\right.---(1-4)$

由上式计算可得x_i(k+1)。该方法控制舵机，计算耗时短，内存小，控制响应及时，输出平滑。

为了便于软件维护和升级，我们将软件分成三个层次，即操作系统级5211、底层驱动级5212和高层用户级5213，设计了如附图3所示的核心扩展板521的控制软件框图；其中，操作系统级5211的程序包括μC/OS-II的配置文件、μC/OS-II的文件和μC/OS-II的移植文件等。底层驱动级5212的程序主要给外围设备提供驱动，例如USB驱动程序、Ethernet驱动程序等。这里将任务Task DI、Task DO、Task AI、Task AO和Task PI也被划分到底层驱动级，主要处理数字量的输入和输出信号、模拟量的输入和输出信号、脉冲信号输入等，包括信号检测、滤波、放大、变换等。高层用户级5213的程序主要是为了完成特定任务而编写的，比如CPG模型实现任务、图像处理与视觉控制任务等。

三、不同部位接收反馈信息的CPG反馈控制建模

生物的运动控制是等级性组织的，越复杂的运动任务由越高级的中枢来组织，如附图4所示人或动物运动系统组构略图，图4中有高级控制中心(对应图1的高层控制模块1)、中枢模式发生器、运动神经元、效应器官、运动、感觉感受器、感觉反馈。在最简单的水平上，感觉感受器在脊髓内与运动神经元形成突触，来介导简单的反射，而不需要高层控制模块1(如大脑、小脑、基底神经节等)的参与。其次，脊髓和脑干的中间神经元网络组成中枢模式发生器(Central Pattern Generator，CPG)，来协调多个运动群的相互作用。在这之上，在运动皮层、小脑和基底神经节中存在着神经元，监控这些低层次上的活动，并产生新的运动模式。运动输出一般是连续更新的，并被分布于运动轴上各个层次的感觉信息调节，反馈的调制作用能及时反映在运动模式的变化上。

仿生机器人的生物控制方法是通过对动物节律运动控制器-中枢模式发生器、高层控制中枢、生物反射等一些生物模型或控制机理的工程模拟、简化和改进，形成一种新的，更加简捷、自然、直接、快速的运动控制方法和理论，实现仿生机器人的节律运动，提高仿生机器人在各种实际环境中的工作性能。

仿生机器鱼在复杂水域环境中执行任务时，需要根据环境信息，比如地形、目标物体距离、水域温度、污染物等，做出决策，以确定需要执行的下一步动作，例如加速、减速、转弯等动作。此时，环境信息及仿生机器鱼本身的状态信息将在高层控制中枢(比如大脑、中央神经系统等)进行融合，然后反馈到CPG模型上控制模型输出。

四、高层控制模块接收反馈信息的CPG反馈控制

水域环境测量模块5将测量得到的水域环境的变化、目标物体的距离等信息送入高层控制模块1(比如大脑)后，高层控制模块1会做出处理、决策，调整仿生机器鱼4的游动速度和航向。附图5给出了高层控制模块1接收反馈信息的CPG反馈控制框图。环境信息和仿生机器鱼4的本体信息进入高层控制模块1后，对环境信息进行计算、处理，CPG模块3完成CPG构型选择、在线生成等步骤后输出到舵机驱动器上，驱动仿生机器鱼4运动，并将仿生机器鱼4的本体状态的速度、位置、摆角等信息反馈到高层控制模块1，再将反馈速度、位置、摆角等信息及环境信息进行耦合处理，重新经过CPG模块3并重复驱动仿生机器鱼4运动。

仿生机器鱼的游动速度与每个关节的摆动频率、幅值以及相互间的相位差等因素有关。由于摆动频率和幅值直接与CPG模块3的振荡频率ω和振荡幅值

有关，而相位差的控制相对较复杂，故从工程角度出发，通过高层控制信号改变CPG模型的输入激励d，从而确定振荡频率ω和振荡幅值从而达到改变游动速度的目的。

假设仿生机器鱼4的期望游动速度v_set∈(0，v_max)，其中v_max为仿生机器鱼4最大设计游动速度；定义仿生机器鱼实际速度为v、速度反馈量v_fb则速度误差e_v＝v_set-v_fb；采用比例-积分-微分(PID)控制，则建立如附图6所示的控制系统结构，高层信息处理、决策与控制单元中的PID控制器的输入期望游动速度v_set和仿生机器鱼4的速度反馈量v_fb，生成并输出一个速度误差e_v，PID控制器接收速度误差e_v并生成速度激励信号d，CPG模块根据速度激励信号d生成CPG模型用于改变仿生机器鱼4的游动速度。

若高层控制模块1接收的是目标物的距离信息，那么速度的调节就需要根据高层控制模块1的决策来进行。因此，在高层控制模块1可采用模糊决策控制器，设计的系统控制框图如附图7所示。环境信息及仿生机器鱼4位置等信息进入高层控制模块1后通过图像处理，由视觉测量模块得出相关的距离、运动等信息，然后通过模糊决策控制器输出激励d控制CPG模块3输出。

五、CPG构型调整

CPG的构型(即拓扑结构)可以通过高层控制模块1来改变，高层控制模块1根据信息处理与决策的结果来改变CPG的构型。例如：附图8a所示CPG模型中的每个单元CPG是由两个相互抑制振荡神经元组成，每个单元CPG控制每个关节部分的伸肌和屈肌，各单元CPG之间又相互耦合；附图8b中单元CPG是由单个振荡神经元组成，多个单元CPG组成链式结构；附图8c和图8d中的CPG构型都是网状结构，但图8c中的CPG间是双向抑制关系，而图8d中仅存在单向抑制。

对于仿生机器鱼来说，每种游动模式都对应一种或几种CPG构型，例如向前游动，附图9a-图9f给出了六种前行状态中常用的构型。其中，加圈序号1-6表示CPG1-CPG6，分别对应仿生机器鱼的摆动部多个关节33即第一关节、第二关节、第三关节、尾鳍34、左胸鳍31、右胸鳍32(图1示出)。由于在前行过程中，仿生机器鱼可以依靠身体后部及尾鳍推进，即BCF方式，如附图9b所示；也可以单独依靠尾鳍推进，即CF方式，如附图9f所示；另外还可以单独靠胸鳍推进，即PF方式(见附图9c)。此外，推进方式还可以是它们的组合，比如BCF+PF(见附图9a)，或者依靠少数的摆动关节参与推进(见附图9d-图9f)。仿生机器鱼还可以依靠少数身体关节和胸鳍组合推进，如BF+CF方式。

在仿生机器鱼控制中，由于不同的CPG构型间的变换对仿生机器鱼嵌入式处理器与存储器有较高的要求，变换起来比较繁杂，比如从附图8a变换到附图8b，势必加大程序量，增加运动控制器的内存需求及任务调度负担。因此，通常在控制中不轻易使用CPG构型变换的方法。

六、CPG内部耦合反馈信号建模

仿生机器鱼的转弯、减速、后退等动作在避障过程中起着重要作用。仿生机器鱼的转弯动作可以由障碍物探测信号触发，在此情况下，传感器信号可以耦合到CPG的内部，也可以耦合到CPG的输出部分。附图10给出了CPG模块内部耦合障碍物信号的控制系统框图，其中反馈通道没有集成障碍物信息，输入可以是速度、航向等控制量。针对仿生机器鱼的特点，建立CPG耦合反馈信号模型如式(1-1)所示。

七、CPG输出部耦合反馈信号建模

对于CPG模块3，也可以在它的输出部分耦合传感器信号，还是以障碍物信号为例，对输出部耦合反馈信号进行建模。附图11给出了CPG模块输出部分耦合障碍物信息的控制框图。图11中包括CPG模块3、耦合处理单元5215、仿生机器鱼4，其中障碍物信息经过耦合处理单元5215反馈到CPG模块3。针对CPG输出部耦合反馈信息建立如下控制模型：

$x_i(k+1)=\left\{\begin{array}{cc}{x}_i\left(k\right)+\mathrm{\Δ}{x}_i\left(k\right)\·\mathrm{\Δt}& t\∉(t_1,t_2)\\ x_i\left(k\right)+\mathrm{\Δ}{x}_i\left(k\right)\·\mathrm{\Δt}+{\mathrm{\λ}}_i\·s_i& t\∈(t_1,t_2)\end{array}\right.---(1-5)$

式(1-5)中Δt为计算步长，s_i为反馈信号，λ_i为反馈信号s_i耦合到状态变量x_i上的比例系数，x_i(k)为状态变量x_i在k·Δt时刻的值，Δx_i(k)为状态变量x_i的增量；t₁和t₂分别表示障碍物信号的起始时刻和停止时刻。

八、CPG输出部叠加反馈信息的CPG反馈控制建模

运动神经元位于CPG的下一层级，CPG的输出信号是运动神经元的输入信号，因此，建立如附图12所示的CPG控制框图。图12中包含CPG模块3、比例增益单元5214、仿生机器鱼4。障碍物信息经过比例增益单元5214放大，然后与CPG模块3的输出相叠加，输出到仿生机器鱼上。针对运动神经元接收反馈信息建立如下模型，其中输出到控制对象上的变量用x′_i(t)表示，CPG模型输出用x_i(t)表示。

$x_i^{\′}\left(t\right)=\left\{\begin{array}{cc}{x}_i\left(t\right)& t\∉(t_1,t_2)\\ x_i\left(t\right)+x_{\mathrm{bi}}& t\∈(t_1,t_2)\end{array}\right.---(1-6)$

式(1-6)中x_bi表示第i个CPG下一层次的运动神经元接收到的反馈信息，t₁和t₂分别表示接收到障碍物信息的起始时刻和停止时刻。

尽管对本发明的原理结合实施例进行了展示和描述，但本领域技术人员将会理解在不偏离本发明的原理和实质的情况下，对这些实施例进行改变，如CPG模型、主控制器CPU型号等，其范围也落入本发明的权利要求及其等同物所限定的范围内。

Claims (7)

1.一种仿生机器鱼运动的CPG反馈控制方法，其特征在于，基于仿生机器鱼不同反馈接收部位，针对高层控制模块、中枢模式发生器、仿生机器鱼的运动神经元建立相应的中枢模式发生器反馈控制模型，高层控制模块接收仿生机器鱼本体状态信息和水域环境信息，对仿生机器鱼本体状态信息和水域环境信息进行处理和智能决策并发出相应的控制命令，选择仿生机器鱼的运动模板，进而确定的中枢模式发生器构型，控制仿生机器鱼身体各部分进行节律运动或非节律运动，从而实现仿生机器鱼机动、灵活的自主游动；所述中枢模式发生器接收反馈信号时，针对中枢模式发生器内部和中枢模式发生器输出的速度反馈信息分别采用中枢模式发生器反馈控制模型为：

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_i=-{\mathrm{\ω}}_i{y}_i-x_i(m_i-x_i^2-y_i^2)+\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{a}_j{y}_j+s_i\\ {\stackrel{\·}{y}}_i={\mathrm{\ω}}_i{x}_i-y_i(m_i-x_i^2-y_i^2)+\underset{k=1,k\≠i}{\overset{n}{\mathrm{\Σ}}}{b}_k{x}_k-s_i\end{array}\right.---(1-1)$

式(1-1)中i＝1，…，n，n表示振荡器神经元的个数，此处n＝2；其中i＝1表示左胸鳍，i＝2表示右胸鳍；x_i、y_i表示两个振荡器的两个状态变量；ω_i表示振荡器的固有频率，

表示振荡器的固有幅值；a_j、b_k表示振荡器间的耦合系数，s_i为反馈信息；

对于CPG输出部耦合反馈信息，采取式(1-2)所示方法：

$x_i(k+1)=\left\{\begin{array}{cc}{x}_i\left(k\right)+\mathrm{\Δ}{x}_i\left(k\right)\·\mathrm{\Δt}& t\∉(t_1,t_2)\\ x_i\left(k\right)+\mathrm{\Δ}{x}_i\left(k\right)\·\mathrm{\Δt}+{\mathrm{\λ}}_i\·s_i& t\∈(t_1,t_2)\end{array}\right.---(1-2)$

式(1-2)中Δt为计算步长，s_i为反馈信号，λ_i为反馈信号s_i耦合到状态变量x_i上的比例系数，x_i(k)为状态变量x_i在k·Δt时刻的值，Δx_i(k)为状态变量x_i的增量；t₁和t₂分别表示反馈信号的起始时刻和停止时刻。

2.根据权利要求1所述的CPG反馈控制方法，其特征在于，所述高层控制模块接收反馈信号时，对于单纯接收速度反馈信息的仿生机器鱼系统采用PID控制方法；针对接收仿生机器鱼的目标物距离信息采用模糊决策控制方法。

3.根据权利要求1所述的CPG反馈控制方法，其特征在于，所述运动神经元根据接收到的不同部位的反馈信号选择相应的反馈控制模型针对运动神经元接收反馈信息建立如下模型，其中输出到控制对象上的变量用x′_i(t)表示，CPG模型输出用x_i(t)表示：

$x_i^{\′}\left(t\right)=\left\{\begin{array}{cc}{x}_i\left(t\right)& t\∉(t_1,t_2)\\ x_i\left(t\right)+x_{\mathrm{bi}}& t\∈(t_1,t_2)\end{array}\right.---(1-6)$

式(1-6)中x_bi表示第i个CPG下一层专利的运动神经元接收到的反馈信息，t₁和t₂分别表示接收到障碍物信息的起始时刻和停止时刻。

4.根据权利要求1所述的CPG反馈控制方法，其特征在于，所述高层控制模块还接收仿生机器鱼本体运动状态信息，对所述信息及运动状态进行处理，从而控制中枢模式发生器模型的参数，实现仿生机器鱼的游动控制。

5.根据权利要求1所述的CPG反馈控制方法，其特征在于，还包括运动模板与特征模块选择仿生机器鱼的基本状态，基本状态包含前进、后退、左转弯、右转弯、上浮、下潜、加速、减速、起动、停止、滑行状态。

6.根据权利要求1所述的CPG反馈控制方法，其特征在于，所述中枢模式发生器针对相应的运动状态匹配不同的中枢模式发生器构型，主要包含两种构型：胸鳍型弱耦合构型和滑块型弱耦合构型；在确定构型后选择不同的推进控制面为身体一尾鳍型推进、尾鳍型推进、胸鳍型推进、或者它们之间的任意组合。

7.根据权利要求1所述的CPG反馈控制方法，其特征在于，所述仿生机器鱼本体状态信息的传感器选择了摄像模块、红外传感器、惯性测量单元、触觉传感器、压力传感器、弯曲度传感器。

Images