CN103116354B - 一种双足机器人实时步态轨迹生成方法 - Google Patents
一种双足机器人实时步态轨迹生成方法 Download PDFInfo
- Publication number
- CN103116354B CN103116354B CN201310037551.0A CN201310037551A CN103116354B CN 103116354 B CN103116354 B CN 103116354B CN 201310037551 A CN201310037551 A CN 201310037551A CN 103116354 B CN103116354 B CN 103116354B
- Authority
- CN
- China
- Prior art keywords
- track
- robot
- sole
- parameter
- neuron
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Manipulator (AREA)
Abstract
本发明涉及一种双足机器人实时步态轨迹生成方法,包括以下步骤:利用四个振荡神经元单元全向耦合,组成可以输出四路具有可调相位关系的振荡信号的振荡网络,并设计映射函数,在线生成双足机器人的脚掌轨迹;利用三个振荡神经元单元组成重心轨迹生成器,在线生成机器人的三维重心轨迹;利用传感器检测环境信息,建立反馈回路,对脚掌轨迹和重心轨迹进行实时调节,得到具有环境适应性的步态轨迹;对控制系统参数采用多目标进化算法进行优化,得到最优步态轨迹。与现有技术相比,本发明充分利用了振荡神经元网络丰富的动态特性以及能耦合行走环境反馈信息的特性,使在线生成的步态轨迹具有一定行走环境适应性。
Description
技术领域
本发明涉及一种双足机器人行走控制方法,尤其是涉及一种双足机器人实时步态轨迹规划方法。
背景技术
目前双足机器人步态规划方法主要是离线轨迹规划和优化,离线规划在一定程度上限制了机器人行走的灵活性,特别是在不确定或非结构化环境中。采用预先规划步态轨迹的方法,不能从根本上解决机器人的环境适应性行走控制问题。这也是为什么目前双足以及人形机器人无法应用于现场的主要原因,因此需要研究实时步态规划和控制策略,采用在线步态生成的方法来解决双足机器人对复杂环境的适应性问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种双足机器人实时步态轨迹生成方法。该方法基于神经元振荡网络(Neural oscillator network,NON)来实现双足机器人的实时步态轨迹规划。在轨迹规划中充分利用了神经元网络丰富的动态特性以及能耦合行走环境反馈信息的特性,使生成的步态轨迹具有一定的环境适应性。
本发明的目的可以通过以下技术方案来实现:
一种双足机器人实时步态轨迹生成方法,该方法包括以下步骤:
1)基于神经元振荡网络和映射函数设计机器人的脚掌轨迹生成器,在线生成机器人的脚掌轨迹;利用四个振荡神经元单元全向耦合,组成可以输出四路具有可调相位关系的振荡信号的神经元振荡网络,并设计映射函数将网络四路输出信号映射为机器人的脚掌轨迹;
2)利用三个振荡神经元单元输出三路振荡信号,设计相应的映射函数,将三路振荡信号映射为机器人的三维重心轨迹信号;
3)建立反馈回路;通过机器人自身的传感器检测环境信息,由反馈控制器反馈至脚掌轨迹生成器和三维重心轨迹生成器,对脚掌轨迹和重心轨迹进行实时调节,得到具有环境适应性的步态轨迹;
4)对脚掌轨迹生成器、三维重心轨迹生成器和反馈控制器的参数采用多目标进化算法进行优化,得到最优步态轨迹。
所述的振荡神经元单元的模型为:
y{e,f}i=max(u{e,f}i,0)
ri=-u{e}i+u{f}i
其中,i,e和f分别表示第i个神经元单元、屈肌和伸肌神经元。u{e,f}为神经元的内部状态,v{e,f}为神经元自抑制状态,y{e,f}i为神经元的输出。Tr和Ta分别为上升时间和适应时间常数,wfe为神经元的相互抑制系数,β为神经元的自抑制系数,s0代表来自高层的激励信号,Feed{e,f}为反馈输入信号。wij为神经元j与神经元i间的连接权重,ri为第i个振荡单元的输出,由屈、伸肌神经元的状态项线性合成。
步骤1)中的脚掌轨迹包括左腿脚掌轨迹和右脚掌轨迹,所述的左腿脚掌轨迹的映射函数为:
式中,和分别为左腿脚掌轨迹在X轴方向和Z轴方向的位置信息,r2和r4是脚掌轨迹生成器中第二个和第四个振荡单元所对应的输出信号,该两路输出信号的相位差为π/2,参数Ax和Az幅值变换增益,参数X0和Z0是补偿项;
所述的右腿脚掌轨迹的映射函数为:
和分别为左腿脚掌轨迹在X轴方向和Z轴方向的位置信息,r1和r3是脚掌轨迹生成器中第一个和第三个神经元单元所对应的输出信号,该两路输出信号的相位差为π/2,参数Ax和Az幅值变换增益,参数X0和Z0是补偿项。r2与r1之间以及r4与r3之间的相位差为π,对应的与之间以及与之间的相位差为π。
所述的重心轨迹的映射函数为:
CoMx=offx+Kxr1+Kff(t)
CoMy=offy+Kyr2
CoMz=offz+Kzr3
式中,CoMx,CoMy和CoMz分别为机器人重心在X轴方向、Y轴方向和Z轴方向上的位置信息,offx,offy和offz为补偿变量,Kx,Ky和Kz和Kf为变换增益,r1,r2和r3为三维重心轨迹生成器中三个振荡单元的输出信号,f(t)为一斜坡函数,通过叠加斜坡函数来得到重心在X方向的重心轨迹。
步骤4)中进行参数优化的步骤为:
(1)先采用固定的脚掌轨迹,如抛物线轨迹,首先对对三维重心轨迹生成器的参数进行优化,得到能实现机器人行走的基本重心轨迹生成器数据。多目标进化中,适应度函数设计采用机器人行走距离和身体姿态角度信息;
(2)以第一步中优化得到的重心轨迹生成器的参数为基础,进一步优化脚掌轨迹生成器的参数,目的是实现机器人的稳定、直立行走。多目标进化中,适应度函数的设计采用机器人的直线行走距离和ZMP稳定裕量信息;
(3)在对脚掌轨迹生成器和三维重心轨迹生成器的参数完成开环优化的基础上,调整反馈回路,进行反馈控制器的参数进行优化,目的是提高机器人行走的环境适应性。
与现有技术相比,本发明基于神经元振荡网络在线生成双足机器人的重心轨迹和脚掌轨迹,在很大程度上提高了机器人行走控制的实时性和鲁棒性,充分利用了振荡网络丰富的动态特性以及能耦合行走环境反馈信息的特性,使生成的步态轨迹具有一定行走环境适应性。本发明提出的这一在线轨迹生成的方法从根本上弥补了传统预先设计机器人固定步态轨迹方法的局限性。
附图说明
图1为本发明的系统结构框图;
图2为基于神经元网络的脚掌轨迹生成器的结构框图;
图3为本实施例中神经元网络的四路输出信号图;
图4为本实施例中生成的脚掌轨迹;
图5为基于神经元网络的三维重心轨迹生成器的结构框图;
图6所示为本实施例中生成的重心轨迹,其中(a)为机器人重心在X轴方向的轨迹曲线,(b)为机器人重心在Y轴方向的轨迹曲线,(c)为机器人重心在Z轴方向的轨迹曲线;
图7为反馈回路的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
一种双足机器人实时步态轨迹生成方法,该方法的控制系统构架如图1所示,具体包括以下步骤:
1)脚掌轨迹在线生成
利用四个振荡神经元单元全向耦合,组成可以输出四路具有可调相位关系振荡信号的神经元网络,并通过设计映射函数,将振荡网络的输出信号实时的映射为双足机器人的脚掌轨迹。
振荡神经元单元的模型为:
y{e,f}i=max(u{e,f}i,0)
ri=-u{e}i+u{f}i
其中,i,e和f分别表示第i个振荡单元、屈肌和伸肌神经元。u{e,f}为神经元的内部状态,v{e,f}为神经元自抑制状态,y{e,f}i为神经元的输出。Tr和Ta分别为上升时间和适应时间常数,wfe为神经元的相互抑制系数,β为神经元的自抑制系数,s0代表来自高层的激励信号,Feed{e,f}为反馈输入信号。wij为神经元j与神经元i间的连接权重,ri为第i个振荡单元的输出,由屈、伸肌神经元的状态项线性合成。
基于神经元网络的脚掌轨迹生成器的结构如图2所示,四个振荡单元全向耦合,如果设置振荡单元间的耦合关系为全抑制耦合,例如,设置耦合权重矩阵Wij=(wij)4×4(wij=-1,(i≠j)),设计如下映射函数,能使与相位差为π/2,与相位差π/2,同时能保证与相位差为π,与相位差为π。其四路输出振荡信号与对应的轨迹关系如图3所示。
左腿脚掌轨迹的映射函数设计为:
式中,和分别为左腿脚掌轨迹在X轴方向和Z轴方向的位置信息,r2和r4是脚掌轨迹生成器中第二个和第四个振荡单元所对应的输出信号,该两路输出信号的相位差为π/2,参数Ax和Az幅值变换增益,参数X0和Z0是补偿项;
右腿脚掌轨迹的映射函数为:
和分别为左腿脚掌轨迹在X轴方向和Z轴方向的位置信息,r1和r3是脚掌轨迹生成器中第一个和第三个振荡单元所对应的输出信号,该两路输出信号的相位差为π/2,参数Ax和Az幅值变换增益,参数X0和Z0是补偿项;
以右腿对应的神经元网络输出信号为例,经过映射函数的变换(r1>0,r3>0),对应得到脚掌轨迹如图4所示。得益于神经元网络丰富的动态特性,通过改变神经元模型的参数,神经元网络的输出信号的周期、幅值可以实时调制,因此映射得到的如图4所示的脚掌轨迹可以灵活的调制轨迹的高度和跨度以及循环周期,即机器人行走的速度、迈步的跨度和抬腿的高度可以实时的调整。
2)重心轨迹生成器
利用三个振荡单元和相应的映射函数组成机器人的重心轨迹生成器,该三维重心轨迹生成器的结构如图5所示,可生成如图6所示的重心轨迹。
重心轨迹的映射函数为:
CoMx=offx+Kxr1+Kff(t)
CoMy=offy+Kyr2
CoMz=offz+Kzr3
式中,CoMx,CoMy和CoMz分别为机器人重心在X轴方向、Y轴方向和Z轴方向上的位置信息,offx,offy和offz为补偿变量,Kx,Ky和Kz和Kf为变换增益,r1,r2和r3为三维重心轨迹生成器中三个振荡单元的输出信号,f(t)为一斜坡函数,通过叠加斜坡函数来得到重心在X方向的重心轨迹。
图6(a)是对应重心轨迹X方向生成的重心轨迹CoMx,图6(b)是对应重心轨迹Y方向生成的重心轨迹CoMy,图6(c)是生成的重心轨迹CoMz。通过调制模型中的可调参数,可以实时改变机器人的三维重心轨迹。
3)建立反馈回路
通过机器人自身的传感器检测环境信息,并由反馈控制器反馈至脚掌轨迹生成器和三维重心轨迹生成器,对脚掌轨迹和重心轨迹进行实时的调制,可得到具有环境适应性的步态轨迹。
反馈回路的设计可以同时关注机器人行走过程中身体姿态信息以及能反映机器人行走稳定性的ZMP分布情况来提高机器人的行走质量。其中,机器人的身体姿态变化情况可以通过机器人自身的加速度传感器和陀螺仪来计算,ZMP在支撑域内的分布情况可以利用压力传感器来检测。
整个反馈回路的设计如图7所示,由于传感器计算得到的信息不能直接耦合到振荡神经元网络,因此需要设计一个反馈控制器来做一个反馈信息的变换。具体设计时可以采用学习模块,例如,可以考虑利用强化学习或梯度下降法等获取最优的反馈信息耦合强度。反馈信息能反映行走地面的状况和脚掌与地面的接触情况,将这一信息耦合到振荡神经元网络,进而在线调整机器人的重心轨迹发生器和脚掌轨迹发生器,可以得到具有环境适应性的步态轨迹。
4)系统参数优化
对脚掌轨迹生成器、三维重心轨迹生成器和反馈控制器的参数采用多目标进化算法进行优化,得到最优步态轨迹。
本发明中采用多目标进化算法的主要目的是寻找到一组最优的振荡神经元模型参数、重心轨迹生成器、脚掌轨迹生成器以及反馈控制器的参数使双足机器人实现快速、稳定的行走,因此机器人的行走速度和稳定性将作为适应度函数的指标。
在行走速度测量的实验操作中,我们将机器人沿直线前进的行走距离作为适应度函数之一:
其中,x0是机器人的初始位置,xend是末端位置,只考虑其直线的行走距离。
该适应度越小说明在步数确定的情况下,其直线行走距离越远。
如果仅只将行走距离作为目标函数,会影响行走效果,可能出现机器人行走的距离最远,但行走效果不满足要求的情况。因此,我们还需要考虑进化中行走的稳定性,选择机器人行走过程中前后晃动幅度的标准差作为另一个适应度函数。前后晃动的幅度可以通过机器人身上的传感器得到身体姿态角θpitch,在行走过程中记录下每一帧的身体姿态角θpitch,稳定性的适应度函数如下:
fitness2=abs(θpitch)+abs(θroll-0.087) (5)
其中之所以将θroll减去一个大约5度的偏移量是因为在双足机器人行走的过程中,适量的左右晃动是正常存在并对其行走的稳定性有一定的帮助。
为了实现机器人的稳定性行走,将能反映机器人ZMP在支撑域内的分布情况的稳定裕量作为适应度函数,适应度函数设计如下:
fitness3=1/Ds (6)
其中Ds是稳定裕量,是Dsx=ZMPx-Sx和Dsy=ZMPy-Sy中较小的值(Sx和Sy是机器人脚掌在X和Y方向上的位置)。
在优化的过程中,如果将重心轨迹生成器的参数和脚掌轨迹生成器的参数同时优化,耗时较长,并且不一定能得到好的优化结果,因此进行参数优化的步骤为:
(1)先采用固定的脚掌轨迹,例如抛物线轨迹,首先对对三维重心轨迹生成器的参数进行优化,得到能实现机器人行走的基本重心轨迹生成器数据。多目标进化中,适应度函数的设计采用机器人行走距离和身体姿态角度信息;
(2)以第一步中优化得到的重心轨迹生成器的参数为基础,进一步优化脚掌轨迹生成器的参数,目的是实现机器人的稳定、直立行走。多目标进化中,适应度函数的设计采用机器人的直线行走距离和ZMP稳定裕量信息;
(3)在对脚掌轨迹生成器和三维重心轨迹生成器的参数完成开环优化的基础上,进行反馈控制器的参数进行优化。例如,坡面环境行走中,利用身体姿态信息来在线调制机器人的重心轨迹和脚掌轨迹;不规则地面行走实验中,例如,阶梯面环境行走,利用身体姿态信息结合ZMP信息来在线调制重心轨迹和脚掌轨迹以实现环境适应性行走控制。反馈增益的设置采用学习的方法得到,在仿真虚拟环境中采用梯度下降法或强化学习的方法,优化得到一组比较好的反馈增益参数,然后在实际实验中再根据实际的行走环境进行微调。
本发明基于振荡神经元网络在线生成双足机器人的重心轨迹和脚掌轨迹,在很大程度上提高了机器人行走的实时性和鲁棒性,其优点主要有以下三点:
(1)将控制浓缩在有限的模型和映射参数内,通过参数调节机制避免运动学规划中的一系列约束条件;
(2)振荡神经元网络本身的极限环特性使控制具有一定的抗干扰能力;
(3)灵活的控制步态周期、抬腿高度和跨度,这是机器人在非结构化环境中实现适应性行走的重要条件。
本发明充分利用了振荡神经元网络丰富的动态特性以及能耦合行走环境反馈信息的特性,使在线生成的步态轨迹具有一定行走环境适应性,从根本上弥补了传统预先设计固定机器人步态轨迹方法的局限性。
Claims (3)
1.一种双足机器人实时步态轨迹生成方法,其特征在于,该方法包括以下步骤:
1)基于神经元振荡网络和映射函数设计机器人的脚掌轨迹生成器,在线生成机器人的脚掌轨迹;利用四个振荡神经元单元全向耦合,组成输出四路具有可调相位关系的振荡信号的神经元振荡网络,并设计映射函数,将振荡神经元网络输出的振荡信号实时的映射为机器人的脚掌轨迹信号;
2)基于振荡神经元单元和映射函数设计机器人的重心轨迹生成器;利用三个振荡神经元单元输出振荡信号,并设计相应的映射函数,将三路振荡信号映射为机器人的三维重心轨迹信号;
3)建立反馈回路;通过机器人自身的传感器检测环境信息,由反馈控制器反馈至脚掌轨迹生成器和三维重心轨迹生成器,对脚掌轨迹和重心轨迹进行实时调节,得到具有环境适应性的步态轨迹;
4)对脚掌轨迹生成器、三维重心轨迹生成器和反馈控制器的参数采用多目标进化算法进行优化,得到最优步态轨迹;
所述的振荡神经元单元的模型为:
y{e,f}i=max(u{e,f}i,0)
ri=-u{e}i+u{f}i
其中,i,e和f分别表示第i个振荡神经元单元、屈肌和伸肌神经元;u{e,f}为神经元的内部状态,v{e,f}为神经元自抑制状态,y{e,f}i为神经元的输出;Tr和Ta分别为上升时间和适应时间常数,wfe为神经元的相互抑制系数,β为神经元的自抑制系数,s0代表来自高层的激励信号,Feed{e,f}为反馈输入信号;wij为神经元j与神经元i间的连接权重,ri为第i个振荡神经元单元的输出,由屈、伸肌神经元的状态项线性合成;
步骤4)中进行参数优化的步骤为:
(1)采用固定的脚掌轨迹,首先基于多目标进化对重心轨迹生成器的参数进行优化,获得能实现机器人行走的重心轨迹生成器参数;
(2)将第一步中优化得到的重心轨迹生成器参数保持不变,基于多目标进化重新优化机器人的脚掌轨迹参数,实现稳定的直线行走步态轨迹;
(3)在对脚掌轨迹生成器和三维重心轨迹生成器的参数完成开环优化的基础上,调整反馈回路,对反馈控制器的参数进行优化,以提高机器人行走的环境适应性。
2.根据权利要求1所述的一种双足机器人实时步态轨迹生成方法,其特征在于,步骤1)中的脚掌轨迹包括左腿脚掌轨迹和右腿脚掌轨迹,所述的左腿脚掌轨迹的映射函数为:
式中,Fx l和Fz l分别为左腿脚掌轨迹在X轴方向和Z轴方向的位置信息,r2和r4是脚掌轨迹生成器中第二和第四振荡神经元单元所对应的输出信号,该两路输出信号的相位差为π/2,参数Ax和Az为幅值变换增益,参数X0和Z0是补偿项;
所述的右腿脚掌轨迹的映射函数为:
Fx r和Fz r分别为右腿脚掌轨迹在X轴方向和Z轴方向的位置信息,r1和r3是脚掌轨迹生成器中第一和第三振荡神经元单元所对应的输出信号,该两路输出信号的相位差为π/2,参数Ax和Az为幅值变换增益,参数X0和Z0是补偿项;
r2与r1之间以及r4与r3之间的相位差为π,所以对应的Fx l与Fx r之间以及Fz l与Fz r之间的相位差为π。
3.根据权利要求1所述的一种双足机器人实时步态轨迹生成方法,其特征在于,所述的重心轨迹的映射函数为:
CoMx=offx+KxR1+Kff(t)
CoMy=offy+KyR2
CoMz=offz+KzR3
式中,CoMx,CoMy和CoMz分别为机器人重心在X轴方向、Y轴方向和Z轴方向上的位置信息,offx,offy和offz为补偿变量,Kx,Ky和Kz和Kf为变换 增益,R1,R2和R3为三维重心轨迹生成器中三个振荡神经元单元的输出信号,f(t)为一斜坡函数,通过叠加斜坡函数来得到重心在X方向的重心轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310037551.0A CN103116354B (zh) | 2013-01-30 | 2013-01-30 | 一种双足机器人实时步态轨迹生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310037551.0A CN103116354B (zh) | 2013-01-30 | 2013-01-30 | 一种双足机器人实时步态轨迹生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103116354A CN103116354A (zh) | 2013-05-22 |
CN103116354B true CN103116354B (zh) | 2015-10-28 |
Family
ID=48414764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310037551.0A Active CN103116354B (zh) | 2013-01-30 | 2013-01-30 | 一种双足机器人实时步态轨迹生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103116354B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10552734B2 (en) * | 2014-02-21 | 2020-02-04 | Qualcomm Incorporated | Dynamic spatial target selection |
CN103926839A (zh) * | 2014-04-23 | 2014-07-16 | 浙江师范大学 | 一种轮式移动机器人的运动分段控制方法 |
CN104345735A (zh) * | 2014-09-30 | 2015-02-11 | 同济大学 | 一种基于落脚点补偿器的机器人行走控制方法 |
CN104408718B (zh) * | 2014-11-24 | 2017-06-30 | 中国科学院自动化研究所 | 一种基于双目视觉测量的步态数据处理方法 |
CN105511267B (zh) * | 2016-01-06 | 2018-03-30 | 北京化工大学 | 一种仿蛇搜救机器人多步态控制方法 |
CN106364580B (zh) * | 2016-09-12 | 2018-05-11 | 华中科技大学 | 一种行星轮式越障机器人爬楼梯控制方法 |
CN108345211A (zh) * | 2017-01-23 | 2018-07-31 | 深圳市祈飞科技有限公司 | 双足仿人机器人及其非线性步态规划方法以及控制方法 |
CN106980321B (zh) * | 2017-05-18 | 2019-04-16 | 中国科学院合肥物质科学研究院 | 一种六足履式无人地面车辆的上台阶步态规划系统及其方法 |
CN107203212A (zh) * | 2017-07-04 | 2017-09-26 | 西北工业大学 | 实现全向步行的小型类人机器人及其控制方法 |
CN108469732A (zh) * | 2018-03-13 | 2018-08-31 | 同济大学 | 基于dmp的机器人工作空间适应性行走控制系统及方法 |
CN108372506B (zh) * | 2018-05-16 | 2021-03-02 | 中南大学 | 一种基于cpg模型的人形机器人自适应行走框架实现方法 |
CN111380528B (zh) * | 2018-12-28 | 2022-05-10 | 深圳市优必选科技有限公司 | 一种双足机器人的定位方法、装置及机器人 |
CN111854792B (zh) * | 2019-04-29 | 2022-06-28 | 深圳市优必选科技有限公司 | 一种双足机器人的偏移预警方法、装置及双足机器人 |
CN111638646B (zh) * | 2020-05-29 | 2024-05-28 | 平安科技(深圳)有限公司 | 四足机器人行走控制器训练方法、装置、终端及存储介质 |
CN113359800B (zh) * | 2021-06-30 | 2024-08-09 | 深圳市优必选科技股份有限公司 | 机器人行走控制方法、装置、机器人控制设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147592A (zh) * | 2010-02-10 | 2011-08-10 | 中国科学院自动化研究所 | 一种控制四足机器人运动的模糊控制器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4836592B2 (ja) * | 2006-02-09 | 2011-12-14 | ソニー株式会社 | ロボット装置及びその制御方法 |
-
2013
- 2013-01-30 CN CN201310037551.0A patent/CN103116354B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147592A (zh) * | 2010-02-10 | 2011-08-10 | 中国科学院自动化研究所 | 一种控制四足机器人运动的模糊控制器 |
Non-Patent Citations (4)
Title |
---|
"Walking Control Strategy for Biped Robots Based on Central Pattern Generator";Chengju Liu 等;《2012 IEEE International Conference on Robotics and Automation》;20120518;摘要,第57页右栏-第60页左栏,图1-5 * |
"基于CPG的双足机器人NAO的行走控制";蔡志强 等;《华中科技大学学报(自然科学版)》;20111130;第39卷;全文 * |
"基于强度Pareto进化算法的双足机器人步态规划";毕盛 等;《华南理工大学学报(自然科学版)》;20111031;第39卷(第10期);全文 * |
"正弦驱动与传感反馈结合的双足机器人仿生行走控制";王健美 等;《机器人》;20091130;第31卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103116354A (zh) | 2013-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103116354B (zh) | 一种双足机器人实时步态轨迹生成方法 | |
Westervelt et al. | Feedback control of dynamic bipedal robot locomotion | |
CN103092196B (zh) | 基于cpg机理的两足机器人轨迹生成与调制方法 | |
CN103149933B (zh) | 基于闭环控制的仿人机器人全向行走方法 | |
CN112051741B (zh) | 一种双足机器人动态运动生成与控制方法 | |
CN102375416B (zh) | 基于快速搜索树的人型机器人踢球动作信息处理方法 | |
Castillo et al. | Hybrid zero dynamics inspired feedback control policy design for 3d bipedal locomotion using reinforcement learning | |
Saglam et al. | Robust Policies via Meshing for Metastable Rough Terrain Walking. | |
CN106886155A (zh) | 一种基于pso‑pd神经网络的四足机器人运动轨迹控制方法 | |
Léziart et al. | Implementation of a reactive walking controller for the new open-hardware quadruped solo-12 | |
CN103203746A (zh) | 两足机器人cpg控制网络拓扑结构构建方法 | |
CN108469732A (zh) | 基于dmp的机器人工作空间适应性行走控制系统及方法 | |
Xin et al. | Speed and acceleration control for a two wheel-leg robot based on distributed dynamic model and whole-body control | |
CN110737195A (zh) | 基于速度控制的双足机器人行走落脚点规划方法及装置 | |
CN106094817B (zh) | 基于大数据方式的强化学习仿人机器人步态规划方法 | |
CN104570736A (zh) | 一种星-臂耦合系统的动力学参数在轨辨识方法和装置 | |
CN115951580A (zh) | 一种四足机器人自主运动控制学习方法 | |
Chang et al. | Inverted pendulum model for turn-planning for biped robot | |
Liao et al. | Gait transition and orbital stability analysis for a biped robot based on the V-DSLIP model with torso and swing leg dynamics | |
Zhang et al. | A survey of vehicle dynamics modeling methods for autonomous racing: Theoretical models, physical/virtual platforms, and perspectives | |
Koseki et al. | Multimodal bipedal locomotion generation with passive dynamics via deep reinforcement learning | |
CN117474049A (zh) | 一种基于sac算法的六足机器人运动策略的训练方法 | |
CN115877861A (zh) | 一种基于分层互协策略的多足机器人步态与轨迹规划方法 | |
Liu et al. | Bipedal walking with push recovery balance control involves posture correction | |
Miao et al. | Intelligent vehicle obstacle avoidance path-tracking control based on adaptive model predictive control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |