CN108237531A - 一种仿人机器人步态自学习控制方法 - Google Patents

一种仿人机器人步态自学习控制方法 Download PDF

Info

Publication number
CN108237531A
CN108237531A CN201611213367.7A CN201611213367A CN108237531A CN 108237531 A CN108237531 A CN 108237531A CN 201611213367 A CN201611213367 A CN 201611213367A CN 108237531 A CN108237531 A CN 108237531A
Authority
CN
China
Prior art keywords
sample
control method
learning control
robot
learning
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.)
Granted
Application number
CN201611213367.7A
Other languages
English (en)
Other versions
CN108237531B (zh
Inventor
杨亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Huasoul Network Technology Co ltd
Original Assignee
University of Electronic Science and Technology of China Zhongshan Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China Zhongshan Institute filed Critical University of Electronic Science and Technology of China Zhongshan Institute
Priority to CN201611213367.7A priority Critical patent/CN108237531B/zh
Publication of CN108237531A publication Critical patent/CN108237531A/zh
Application granted granted Critical
Publication of CN108237531B publication Critical patent/CN108237531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种仿人机器人步态自学习控制方法，其特征在于所述自学习控制方法从能量效率、水平方向及垂直方向的稳定程度三方面分别制定性能评估指标，通过对机器人步态样本的学习得到各关节角与零力矩点误差之间的非线性关系，并根据实际的零力矩点误差得到各关节角的矫正量,实现稳定步行。为提高样本学习效果，根据步行样本的能量效率裕度，水平方向稳定裕度、垂直方向稳定裕度等性能指标对每个学习样本分配一个样本优劣系数，在学习过程中样本优劣系数越大的将给予更高的关注度，以提高控制性能。该方法充分考虑了机器人步态样本质量对控制性能的影响，具有应用范围广、能量效率高的优点。

Description

一种仿人机器人步态自学习控制方法
技术领域
本发明涉及仿人机器人控制技术领域。具体而言，是一种仿人机器人自学习控制方法。
背景技术
仿人机器人是一个自由度多、结构复杂、耦合性强的非线性系统，其中步行稳定性问题是仿人机器人领域重要的基础性问题。由仿人机器人步行稳定性理论可知，当机器人的零力矩点在支撑足底的稳定区域内时，机器人可实现稳定步行。但由于存在外力干扰、模型误差等不确定因素的影响，在步行过程中机器人的零力矩点轨迹会偏离预定轨迹，如果不及时加以控制将会影响步行稳定性。传统机器人的控制方法通常基于经典控制理论，通过单关节或双关节的控制实现稳定步行，当机器人进入新环境，则原有控制算法通常需要进行较大的修改，才能达到预期的控制效果。此外，当机器人偏离预定轨迹时，仅通过单关节或双关节的控制有时难以实现预期的控制目标。
发明内容
为解决上述问题，本发明提出了一种仿人机器人步态自学习控制方法。该技术方案从能耗、水平方向及垂直方向的稳定程度三方面分别制定性能评估指标，通过对机器人步态样本的学习得到各关节角与零力矩点误差之间的非线性关系，并根据机器人步行过程中的实际零力矩点误差对各关节进行控制，实现稳定步行。
其整体控制框图如图1所示,其中，表示规划出的零力矩点轨迹、表示实际的零力矩点轨迹，表示零力矩点误差，代表各关节角角度，表示各关节角的矫正量,表示样本优劣系数，的值越大表示越重要。
在上述方案中，所述的一种仿人机器人步态自学习控制方法首先从能耗、水平方向及垂直方向的稳定程度三方面对机器人步行质量进行评估，并设计了性能评估指标，分别是能量效率裕度，水平方向稳定裕度、垂直方向稳定裕度，其定义分别如下：
（1）
（2）
（3）
其中，表示支撑脚的零力矩点，表示零力矩点稳定区域，与分别表示实际零力矩点距离零力矩点稳定区域x方向及y方向边缘的距离，与分别表示理想的零力矩点距离零力矩点稳定区域x方向及y方向边缘的距离；表示机器人步行过程中的实际偏摆力矩，表示最大摩擦力力矩；表示机器人步行过程中的实际的功率，表示机器人的最大额定功率。
在上述方案中，所述的自学习控制方法根据能量效率裕度，水平方向稳定裕度、垂直方向稳定裕度三个性能指标，对样本的质量进行评估，并设计样本优劣系数，样本质量越好，样本优劣系数越大。特别地，样本优劣系数的取值范围为[0,1]。
在上述的方案中，所述自学习控制方法采用单隐层神经网络对机器人步态样本进行学习，并得到各关节角与零力矩点误差之间的非线性关系；该非线性函数表达式为：
（4）
其中，代表非线性函数，表示零力矩点误差，表示各关节角的矫正量。
在上述的方案中，所述自学习控制方法根据样本优劣系数的大小对样本进行学习，样本优劣系数越大的给予更高的关注度。
在上述的方案中，所述控制方法根据机器人步行过程中的零力矩点误差实时调整各关节角，以达到稳定步行的目的。
本发明的优点在于：从能耗、稳定性方面全面评估样本质量，通过设计样本优劣系数使得高质量的样本在步态学习中获得更高的关注度，有效提高了控制性能。
附图说明
图1为自学习算法框图。
图2为ZMP轨迹图。
图3能量消耗比较图。
具体实施方式
下面结合附图和实施例进一步说明本发明的实施过程
在本实例中，首先从能耗、水平方向及垂直方向的稳定程度三方面对机器人步行质量进行评估，并设计了性能评估指标，分别是水平方向稳定裕度、垂直方向稳定裕度、能量效率裕度，其定义如式（1）-（3）所示。
在本实例中，根据能量效率裕度，水平方向稳定裕度、垂直方向稳定裕度三个性能指标，对样本的质量进行评估，并设计样本优劣系数，样本质量越好，样本优劣系数越大；特别地，样本优劣系数的取值范围为[0,1]。
根据以上目标，可设计如下样本优劣系数：
（5）
其中，a，b为可调整系数，并满足，i为第i个样本。
在本实例中，所述自学习控制方法采用单隐层神经网络对机器人步态样本进行学习，并得到各关节角与零力矩点误差之间的非线性关系；为此，设计如下目标函数。
（6）
其中，表示第i个训练样本的训练误差，，C为惩罚系数，代表第i个训练样本的样本优劣系数。
根据KKT优化条件及拉格朗日乘子法，可得
（7）
其中，H为隐含层输出矩阵，具体为。
最终各关节角的矫正量可由下式计算得到
（8）
下面，采用仿真实验验证本发明所提的控制方法的性能，主要仿真平台采用Matlab2010b版本。为验证各种步态下所提控制方法的性能，整个步行实验包含三种步态，分别是起步步态、周期步行步态、止步步态，每个步行周期持续1.2s，其中，起步步态持续一个周期，周期步态持续两个周期，止步步态为一个周期。为比较性能，将本发明所提控制方法与传统基于零力矩点的控制方法相比较，其x方向零力矩点轨迹比较图以及能量效率比较图分别如图2、3所示，其中，实线代表本发明所提方法，双划线代表传统基于零力矩点的控制方法。
由仿真结果可看出，采用本发明所提算法在能量效率方面有更好的控制效果，同时，通过样本学习的控制方式在应用方面具有更好的普适性。

Claims (6)

1.一种仿人机器人步态自学习控制方法，其特征在于：所述自学习控制方法从能耗、水平方向及垂直方向的稳定程度三方面分别制定性能评估指标，通过对机器人步态样本的学习得到各关节角与零力矩点误差之间的非线性关系，并根据实际的零力矩点误差得到各关节角的矫正量。
2.根据权利要求1所述的一种仿人机器人步态自学习控制方法，其特征在于，对机器人步行质量设计了三个性能评估指标，分别是能量效率裕度，水平方向稳定裕度、垂直方向稳定裕度，其定义分别如式（1）、式（2）、式（3）所示。
3.根据权利要求1所述的一种仿人机器人步态自学习控制方法，其特征在于，根据能量效率裕度，水平方向稳定裕度、垂直方向稳定裕度三个性能指标，对样本的质量进行评估，并设计样本优劣系数，样本质量越好，样本优劣系数越大。
4.根据权利要求1所述的一种仿人机器人步态自学习控制方法，其特征在于,所述自学习控制方法根据样本优劣系数的大小对样本进行学习，在学习过程中，样本优劣系数越大的给予更高的关注度，并建立优化方程，如式（6）所示。
5.根据权利要求1所述的一种仿人机器人步态自学习控制方法，其特征在于,所述自学习控制方法根据样本优劣系数的不同，采用单隐层神经网络对机器人步态样本进行学习，并得到各关节角与零力矩点误差之间的非线性关系，其表达式如式（8）所示。
6.根据权利要求1所述的一种仿人机器人步态自学习控制方法，其特征在于,所述控制方法根据机器人步行过程中的零力矩点误差实时调整机器人各关节角，以达到稳定步行的目的。
CN201611213367.7A 2016-12-26 2016-12-26 一种仿人机器人步态自学习控制方法 Active CN108237531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611213367.7A CN108237531B (zh) 2016-12-26 2016-12-26 一种仿人机器人步态自学习控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611213367.7A CN108237531B (zh) 2016-12-26 2016-12-26 一种仿人机器人步态自学习控制方法

Publications (2)

Publication Number Publication Date
CN108237531A true CN108237531A (zh) 2018-07-03
CN108237531B CN108237531B (zh) 2021-07-13

Family

ID=62703686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611213367.7A Active CN108237531B (zh) 2016-12-26 2016-12-26 一种仿人机器人步态自学习控制方法

Country Status (1)

Country Link
CN (1) CN108237531B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109968355A (zh) * 2019-03-08 2019-07-05 北京工业大学 一种仿人机器人步态平衡模型建立的方法
CN110936382A (zh) * 2019-12-18 2020-03-31 哈尔滨工业大学 一种数据驱动的工业机器人能耗优化方法
CN111377004A (zh) * 2018-12-28 2020-07-07 深圳市优必选科技有限公司 一种双足机器人步态控制方法以及双足机器人
CN112571418A (zh) * 2020-12-15 2021-03-30 山东科技大学 四足机器人运动状态聚类与自主决策方法
CN113341698A (zh) * 2021-06-17 2021-09-03 仲恺农业工程学院 基于神经网络调节双腿关节角的仿人机器人步行控制方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003145458A (ja) * 2001-11-19 2003-05-20 Japan Science & Technology Corp 二脚歩行式人型ロボット
JP3536084B2 (ja) * 1999-09-08 2004-06-07 独立行政法人産業技術総合研究所 歩行ロボットの歩容制御方法
US7278501B2 (en) * 2001-08-01 2007-10-09 Sony Corporation Legged walking robot and motion control method therefor
CN201128445Y (zh) * 2007-10-29 2008-10-08 何胜权 一种四足行走机构
CN101320251A (zh) * 2008-07-15 2008-12-10 华南理工大学 基于确定学习理论的机器人行走控制方法
JP4352774B2 (ja) * 2003-06-17 2009-10-28 ソニー株式会社 脚式歩行ロボットの運動制御装置及び運動制御方法
CN101847009A (zh) * 2010-05-28 2010-09-29 广东工业大学 两足机器人步态能效优化方法
CN101950176A (zh) * 2010-09-02 2011-01-19 北京理工大学 一种机器人自主进行zmp标定的方法
CN103042526A (zh) * 2013-01-22 2013-04-17 北京理工大学 仿人机器人控制单脚支撑期支撑脚板的方法和装置
CN104238360A (zh) * 2014-09-03 2014-12-24 浙江大学 一种仿人机器人桌子-小车模型的Zc参数的获取方法
JP5803751B2 (ja) * 2012-03-07 2015-11-04 トヨタ自動車株式会社 重心軌道生成装置、その生成方法及びプログラム
CN105608309A (zh) * 2015-12-11 2016-05-25 杭州南江机器人股份有限公司 一种双足机器人步行规划和控制方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3536084B2 (ja) * 1999-09-08 2004-06-07 独立行政法人産業技術総合研究所 歩行ロボットの歩容制御方法
US7278501B2 (en) * 2001-08-01 2007-10-09 Sony Corporation Legged walking robot and motion control method therefor
JP2003145458A (ja) * 2001-11-19 2003-05-20 Japan Science & Technology Corp 二脚歩行式人型ロボット
JP4352774B2 (ja) * 2003-06-17 2009-10-28 ソニー株式会社 脚式歩行ロボットの運動制御装置及び運動制御方法
CN201128445Y (zh) * 2007-10-29 2008-10-08 何胜权 一种四足行走机构
CN101320251A (zh) * 2008-07-15 2008-12-10 华南理工大学 基于确定学习理论的机器人行走控制方法
CN101847009A (zh) * 2010-05-28 2010-09-29 广东工业大学 两足机器人步态能效优化方法
CN101950176A (zh) * 2010-09-02 2011-01-19 北京理工大学 一种机器人自主进行zmp标定的方法
JP5803751B2 (ja) * 2012-03-07 2015-11-04 トヨタ自動車株式会社 重心軌道生成装置、その生成方法及びプログラム
CN103042526A (zh) * 2013-01-22 2013-04-17 北京理工大学 仿人机器人控制单脚支撑期支撑脚板的方法和装置
CN104238360A (zh) * 2014-09-03 2014-12-24 浙江大学 一种仿人机器人桌子-小车模型的Zc参数的获取方法
CN105608309A (zh) * 2015-12-11 2016-05-25 杭州南江机器人股份有限公司 一种双足机器人步行规划和控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨亮 等: ""基于能效优化的仿人机器人跑步步态优化与控制"", 《计算机科学》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111377004A (zh) * 2018-12-28 2020-07-07 深圳市优必选科技有限公司 一种双足机器人步态控制方法以及双足机器人
CN109968355A (zh) * 2019-03-08 2019-07-05 北京工业大学 一种仿人机器人步态平衡模型建立的方法
CN110936382A (zh) * 2019-12-18 2020-03-31 哈尔滨工业大学 一种数据驱动的工业机器人能耗优化方法
CN110936382B (zh) * 2019-12-18 2020-08-25 哈尔滨工业大学 一种数据驱动的工业机器人能耗优化方法
CN112571418A (zh) * 2020-12-15 2021-03-30 山东科技大学 四足机器人运动状态聚类与自主决策方法
CN112571418B (zh) * 2020-12-15 2022-02-25 山东科技大学 四足机器人运动状态聚类与自主决策方法
CN113341698A (zh) * 2021-06-17 2021-09-03 仲恺农业工程学院 基于神经网络调节双腿关节角的仿人机器人步行控制方法

Also Published As

Publication number Publication date
CN108237531B (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN108237531A (zh) 一种仿人机器人步态自学习控制方法
Wang et al. Design and dynamic locomotion control of quadruped robot with perception-less terrain adaptation
CN105538325A (zh) 一种液压四足机器人单腿关节解耦控制方法
JP2013146793A5 (ja) ロボット制御装置、ロボットシステム、ロボット制御方法及びロボット
CN105260607A (zh) 一种串并联耦合的多模型水文预报方法
CN107272719B (zh) 基于协调因子的高超声速飞行器姿态运动协调控制方法
CN106249724A (zh) 一种高炉多元铁水质量预测控制方法及系统
CN106970594A (zh) 一种柔性机械臂的轨迹规划方法
CN107868979A (zh) 一种基于恒拉速控制结构的硅单晶直径控制方法
CN106292288B (zh) 基于策略梯度学习法的模型参数修正方法及修正器
CN106682735A (zh) 基于pid调节的bp神经网络算法
CN105888970B (zh) 智能风机叶片基于灰色信息优化的自适应内模振动控制方法
CN109828468A (zh) 一种针对磁滞非线性机器人系统的控制方法
CN109856965A (zh) 一种波浪滑翔器航向跟踪控制方法
CN103605284B (zh) 动态矩阵控制优化的废塑料裂解炉炉膛压力控制方法
CN112835295B (zh) 基于pi模型的压电陶瓷执行器参数辨识和复合控制方法
CN110405731A (zh) 一种快速双机械臂基坐标系标定方法
TW202018534A (zh) 太陽光電模組陣列最大功率追蹤方法
CN107168066B (zh) 一种温室环境自适应控制方法
CN109102420B (zh) 一种基于调控效益优先的二维联合调控目标区域的获取方法
CN109995278B (zh) 一种考虑输入受限的电机伺服系统自调节控制方法
CN107515374B (zh) 一种应用于agv车soc估算动态调整滤波增益的方法
Yang et al. Kinematics calibration research based on the positioning error of the 6-DOF industrial robot
CN107656500B (zh) 基于数值加速度控制的全方位移动机器人轨迹跟踪方法
CN107655463A (zh) 基于模拟退火算法的电子罗盘校准方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231024

Address after: Room 01-255, 3rd Floor, No. 721 Tianhe North Road, Tianhe District, Guangzhou City, Guangdong Province, 510000 (Office only)

Patentee after: Guangzhou Huasoul Network Technology Co.,Ltd.

Address before: Zhongshan college, University of Electronic Science and technology, No.1 Xueyuan Road, Shiqi District, Zhongshan City, Guangdong Province, 528400

Patentee before: University OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA, ZHONGSHAN INSTITUTE

TR01 Transfer of patent right