CN108333971B - 仿人机器人的结构与运动的协同优化方法 - Google Patents
仿人机器人的结构与运动的协同优化方法 Download PDFInfo
- Publication number
- CN108333971B CN108333971B CN201810166606.0A CN201810166606A CN108333971B CN 108333971 B CN108333971 B CN 108333971B CN 201810166606 A CN201810166606 A CN 201810166606A CN 108333971 B CN108333971 B CN 108333971B
- Authority
- CN
- China
- Prior art keywords
- parameters
- humanoid robot
- model
- robot
- combination parameters
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
Abstract
本发明提供了一种仿人机器人的结构与运动的协同优化方法,其包括步骤:S1,提供待优化的仿人机器人的已知结构信息;S2,生成待优化的仿人机器人模型;S3,选定包含仿人机器人的腿部结构参数和步行运动参数的多组组合参数;S4,分别生成选定的各组组合参数下的机器人模型和对应的模型文件;S5,分别进行仿真实验并对仿真实验的结果进行评分;以及S6,采用代理模型优化器建立数学代理模型并采用EGO算法对数学代理模型进行优化计算并获得最佳的组合参数。由此,有效提升了仿人机器人的步行运动能力,还避免了机器人的腿部结构参数与步行运动参数之间复杂的动力学方程式的推导,简化了操作、实用性更强并降低了理论与实际之间的偏差。
Description
技术领域
本发明涉及工业自动化技术领域,尤其涉及一种仿人机器人的结构与运动的协同优化方法。
背景技术
仿人机器人是一种以双足步行运动为主要特征,外形与人类相似的机器人。大量研究机构及企业投入资金,以期开发出具有类人的灵活运动能力以及人类智能的仿人机器人,从而达到工业、军事、家庭服务等目标。仿人机器人灵活多变的双足步行具有很强的越障和通过能力,外形似人的特点更易实现人机合作交流,因而极具吸引力。仿人机器人设计的主要难点在于实现快速灵活稳定的双足步行能力,虽然这一问题经历了数十年的研究,积累了大量经验和成果。但目前尚不存在一种使得机器人走出实验室的系统性方法,始终难以实现便捷健壮的步行运动控制,因而大幅增加了现实应用的不确定性。例如实现其搬运、抓持、导引等任务时,常因最为基本的步行运动不过关,机器人提前摔倒或行进缓慢,难以顺利完成任务。
在影响步行效能的诸多因素中,一个容易被忽视的因素在于其机械本体的设计。在缺乏机械结构与步行运动相互影响关系的条件下进行机器人结构设计,主要考虑“外形似人”的需求。惯用的方法是测量人体的关键数据,并依据这些统计数据及其比例设计机构和结构,力争达到与人类相同的关节灵活度及外形尺寸,设计宗旨是使设计结果更为“类人”。研究人员及工程师在结构设计阶段,仅能定性的估计一些诸如机器人重心高度、脚底板尺寸等参数,但很难定量预测机器人未来步行运动能力,因而丧失了通过优化机器人结构实现步行运动能力提升的机会。
在现有的步行运动研究过程中,均假设已有一个机器人成品,从而针对这个已有的机械设计(即机器人结构尺寸已确定)不断挖掘并实施优化。常用的做法是开发一种通用的步态规划方法,其通过参数调节、补偿、控制对关节轨迹进行优化,由此实现步行运动。在这种优化方法中,由于机器人的结构参数无法改动,从而限制了仿人机器人运动能力的提升潜力。
由于人体的运动与其结构紧密联系,仿人机器人的结构参数也会对步行运动产生极为重要的影响,因而实现仿人机器人的结构与运动的协同优化十分必要。
在实现仿人机器人的结构与运动的协同优化过程中,虽然可以基于仿人机器人的结构参数与步行运动参数之间存在的复杂耦合关系建立动力学方程式再实施优化,但是由于仿人机器人腿部自由度众多、运动轨迹复杂、步行模式多种多样、同时存在大量影响步行模式的参数,因而很难推导出动力学方程式。并且,如果再考虑到机器人的结构设计中的具体驱动部件、传动机构回程误差和结构刚度等,则针对建立的动力学方程式再实施优化的思路几乎无法实施。
发明内容
鉴于背景技术中存在的问题,本发明的目的在于提供一种仿人机器人的结构与运动的协同优化方法,其通过实验设计和EGO算法将仿人机器人的结构设计和步行运动协同起来进行优化,提升了仿人机器人的步行运动能力。
为了实现上述目的,本发明提供了一种仿人机器人的结构与运动的协同优化方法,其包括步骤:S1,提供待优化的仿人机器人的已知结构信息,已知结构信息中包含仿人机器人的腿部结构参数、步行运动参数以及这些参数的待优化范围;S2,将待优化的仿人机器人的已知结构信息导入动力学仿真平台中并生成待优化的仿人机器人模型;S3,选定处于待优化范围内的包含仿人机器人的腿部结构参数和步行运动参数的多组组合参数;S4,在动力学仿真平台中分别生成选定的各组组合参数下的机器人模型和对应的模型文件;S5,基于选定的各组组合参数下的机器人模型和对应的模型文件,在动力学仿真平台中分别进行仿真实验并对仿真实验的结果进行评分;以及S6,采用代理模型优化器以选定的多组组合参数作为输入、各组组合参数下获得的评分作为输出建立数学代理模型并采用EGO算法对数学代理模型进行优化计算并最终获得最佳的组合参数。
本发明的有益效果如下:
本发明基于动力学仿真平台中的仿真实验以及仿真实验的结果和代理模型优化器的模型建立以及优化计算同时完成了机器人的腿部结构参数的优化和步行运动参数的优化,这样能够充分利用仿人机器人的腿部结构参数对步行运动的决定性作用,从而在腿部结构参数的确定过程中,即考虑到了步行运动的需求,同时还能够获得更优的综合运动性能以及更为合理的腿部结构参数,由此有效提升了仿人机器人的步行运动能力。此外,本发明采用实验设计的方法并通过代理模型优化器建立腿部结构参数和步行运动参数之间复杂的相互关系,从而避免了机器人的腿部结构参数与步行运动参数之间复杂的动力学方程式的推导,简化了操作、实用性更强并降低了理论与实际之间的偏差。
附图说明
图1是采用根据本发明的仿人机器人的结构与运动的协同优化方法的一个实施例中的优化结果示意图,其中,横坐标是代理模型优化器中各迭代次数对应的序号,纵坐标是各迭代次数对应的仿真实验的结果的评分。
具体实施方式
下面参照附图来详细说明根据本发明的仿人机器人的结构与运动的协同优化方法。
根据本发明的仿人机器人的结构与运动的协同优化方法包括步骤:S1,提供待优化的仿人机器人的已知结构信息,已知结构信息中包含仿人机器人的腿部结构参数、步行运动参数以及这些参数的待优化范围;S2,将待优化的仿人机器人的已知结构信息导入动力学仿真平台中并生成待优化的仿人机器人模型;S3,选定处于待优化范围内的包含仿人机器人的腿部结构参数和步行运动参数的多组组合参数;S4,在动力学仿真平台中分别生成选定的各组组合参数下的机器人模型和对应的模型文件;S5,基于选定的各组组合参数下的机器人模型和对应的模型文件,在动力学仿真平台中分别进行仿真实验并对仿真实验的结果进行评分;以及S6,采用代理模型优化器以选定的多组组合参数作为输入、各组组合参数下获得的评分作为输出建立数学代理模型并采用EGO(Efficient GlobalOptimization)算法对数学代理模型进行优化计算并最终获得最佳的组合参数。
其中,待优化的仿人机器人的已知结构信息中除了包含仿人机器人的腿部结构参数、步行运动参数以及这些参数的待优化范围外,还包含所有已确定的其它部位的结构参数,因而在动力学仿真平台中基于已知结构信息所生成的待优化的仿人机器人模型已是一个半成品的仿人机器人模型。因此,在根据本发明的仿人机器人的结构与运动的协同优化方法中,对待优化的仿人机器人模型所做的工作就是仅优化与仿人机器人步行运动能力密切相关的腿部结构参数和步行运动参数。
在本发明的仿人机器人的结构与运动的协同优化方法中,主要思想是将仿人机器人的腿部结构参数和步行运动参数组合起来一起作为可变参数进行优化,具体的优化思路是:首先选定多组组合参数、然后在动力学仿真平台中对选定的各组组合参数生成对应的机器人模型并进行运动效能的仿真实验(即实验设计的方法),随后对各仿真实验的结果进行相应的评分,之后在代理模型优化器中以选定的多组组合参数作为输入、各组组合参数下获得的评分作为输出建立数学代理模型,最后采用EGO算法对数学代理模型进行优化计算,从而经由多次迭代获得最佳的组合参数,而以最佳的组合参数生成的机器人模型即为优化后的机器人模型。
因此,本发明基于动力学仿真平台中的仿真实验以及仿真实验的结果和代理模型优化器的模型建立以及优化计算同时完成了机器人的腿部结构参数的优化和步行运动参数的优化,这样能够充分利用仿人机器人的腿部结构参数对步行运动的决定性作用,从而在腿部结构参数的确定过程中,即考虑到了步行运动的需求,同时还能够获得更优的综合运动性能以及更为合理的腿部结构参数,由此有效提升了仿人机器人的步行运动能力。此外,本发明采用实验设计的方法并通过代理模型优化器建立腿部结构参数和步行运动参数之间复杂的相互关系,从而避免了机器人的腿部结构参数与步行运动参数之间复杂的动力学方程式(在计算时需要采用实际机器人的腿部结构参数及驱动参数,导致理论与实际之间的偏差大)的推导,简化了操作、实用性更强并降低了理论与实际之间的偏差。
这里补充说明的是,EGO算法的自动化程度及计算效率高,是迭代自适应取点策略中的一种常用的高效全局优化方法。在代理模型优化器中,可以设置实验迭代次数(如设为500)并使用EGO算法实施优化,最终获得最佳的组合参数。
在步骤S1中,仿人机器人的腿部结构参数可包括:自脚底至髋关节的腿部总尺寸、大腿占总腿长的比例以及髋部的间距(即两腿的间距)等三个结构参数。仿人机器人的步行运动参数可包括:步行下蹲幅度与总腿长的比例(下蹲幅度即初始下蹲时髋部与支撑面距离与总腿长之比)、摆动足摆动到最高点的距离、行走一步所经历的时间、以及一步步行期间单脚支撑期所占的时间比例等四个运动参数。
在步骤S3中,通过Latin超立方法选定多组组合参数,而各组组合参数可为包括上述三个腿部结构参数和四个步行运动参数的7维参数。在步骤S4中,模型文件可为Vrml格式的文件。这种文件格式可被下文所述的步态规划器直接使用。
这里补充说明的是,各组组合参数中的腿部结构参数和步行运动参数之间存在定性的矛盾关系,例如一组矛盾关系表现为:腿部总尺寸越长,则腿部结构的运动学可达空间就越大,所能达到的最高步幅潜力也越大。而另一方面,腿部总尺寸越长导致仿人机器人所对应的等效三维线性倒立摆模型(参照下文所述)的摆长越长,在考虑到步行稳定性的前提下,单步运行周期则不能过短,因而决定了步行频率的降低。虽然步行步幅有所增加,但步频有所降低,因而综合两者的步行速度应具有最优选择。另一组矛盾关系表现为:两腿的间距越大,则步行过程中侧面的稳定性有所提升,仿人机器人存在提升步速的潜力,但另一方面两腿的间距越大,则对应于更长的双脚支撑期,从而完成左右脚交换期间的重心移动,从而降低了整体的步行频率,因而又对步速的提升造成不良影响。因此,针对上述存在的矛盾关系,也需要对仿人机器人的腿部结构参数和步行运动参数同步实施优化。
在步骤S5中,基于选定的各组组合参数下的机器人模型和对应的模型文件,在动力学仿真平台中分别进行仿真实验并对仿真实验的结果进行评分。具体可包括步骤:S51,采用标准试验方法分别为选定的各组组合参数下的仿人机器人模型设定理想的足迹序列(即仿人机器人模型的行走路线);S52,采用步态规划器分别解析选定的各组组合参数下的模型文件并得到对应的三维线性倒立摆模型(3D Linear Inverted Pendulum Model,缩写为3DLIPM),然后依据步骤S51中设定的对应的足迹序列计算出在选定的各组组合参数下的关节轨迹(即仿人机器人模型的行走姿势);S53,将选定的各组组合参数下的关节轨迹分别导入动力学仿真平台中并进行各组组合参数下的仿人机器人模型的仿真实验;以及S54,基于采用的标准试验方法建立实验评估准则并对各组组合参数下的仿真实验的结果进行评分。
在步骤S5中,所采用的标准试验方法为:仿人机器人在平直路面下以恒定加速度执行匀加速步行运动(即仿人机器人从稳定站立开始,逐步增加步幅到峰值后再逐步降低步幅,直至恢复稳定站立状态)。相应地,所建立的实验评估准则为:仿人机器人在执行匀加速步行运动时所能达到的最快而不摔倒的步行速度。这种标准试验方法及实验评估准则,考虑到了各组组合参数下的步行频率不同的问题,其能通过仿人机器人匀加速步行运动期间所经历的总时间来确定每一步步幅的大小,从而避免了恒定步幅增长率所导致的实验间差异问题。同时针对仿人机器人不同的腿部结构参数所引起的运动学约束,对所采用的标准实验方法中的最高速度进行了限制,从而避免了仿人机器人步行运动期间出现由于腿部运动学约束而产生的失稳摔倒现象。
因此,针对所采用的标准试验方法和所建立的实验评估准则,对步骤S5的各步骤进一步说明如下:在步骤S51中,在选定的各组组合参数已知的情况下,我们首先设定当各组组合参数下的仿人机器人在平直路面下以恒定加速度执行匀加速步行运动时所执行的理想的行走路线;在步骤S52中,通过步态规划器得到的是当各组组合参数下的仿人机器人按照理想的行走路线执行匀加速步行运动时的关节轨迹;在步骤S53中,将各组组合参数下的仿人机器人模型采用步骤S52中的关节轨迹而在动力学仿真平台中执行匀加速步行运动并获得在仿真实验中的最高步行速度;而在步骤S54中,基于各组组合参数下的仿真实验中仿人机器人模型所能达到的最高步行速度大小获得仿真实验的结果的评分。
在本发明的仿人机器人的结构与运动的协同优化方法中,所采用的动力学仿真平台可包括:模型建立模块,用于生成各组合参数下的机器人模型和对应的模型文件;以及OpenHRP仿真环境,用于进行各组合参数下的机器人模型的仿真实验。
在动力学仿真平台的模型建立模块中,可以通过相应的接口在待优化范围内选定不同组合的机器人的腿部结构参数和步行运动参数。且在模型建立模块中生成的各组合参数下的机器人模型还具有一系列虚拟的关节驱动器,其能够在OpenHRP仿真环境中使得机器人模型的各个关节跟随指定的关节轨迹运动,从而实现各组合参数下的机器人模型在指定关节轨迹下的仿真实验。
动力学仿真平台的OpenHRP仿真环境能够仿真机器人模型与环境的碰撞及作用力关系,且在仿真实验期间能够输出机器人模型的各个关节以及机器人髋部的运动状态、身体姿态以及足底受力状态,从而依据这些所输出的状态判断机器人的稳定步行状态(即稳定行走的距离、时间以及摔倒的位置、时刻以及该时刻下所执行的步幅)。因此,由于各组合参数下的机器人模型均能够在动力学仿真平台的虚拟的OpenHRP仿真环境下执行运动,从而无需采用实物机器人进行反复的物理实验,大幅度降低了仿人机器人结构优化的成本。
步态规划器采用基于3DLIPM(三维线性倒立摆模型)的预观测控制为基础的全方位步态规划算法。其中,步态规划器依据各组合参数下的机器人模型的给定的具体结构,通过计算其重心高度生成一个三维线性倒立摆模型,并且步态规划器基于各组合参数下的机器人模型的下蹲幅度、摆动足最高点高度、单脚支撑期时长以及双脚支撑期时长等4个规划参数(可以由上述所述的三个腿部结构参数以及四个步行运动参数之间的关系计算得到)和采用标准试验方法所设定的理想的足迹序列,计算得到各组合参数下的机器人模型在执行一次完整步行实验时生成全身的关节轨迹。之后将步态规划器生成的各组合参数下的机器人模型的关节轨迹导入动力学仿真平台的OpenHRP仿真环境中,由机器人模型执行仿真实验,最后依据机器人模型摔倒的时刻以及该时刻下所执行的步幅即可计算出摔倒时刻机器人模型的步行速度,从而获得各组合参数下的机器人模型的仿真实验的结果的评分。
在步骤S6中,采用代理模型优化器以选定的多组组合参数作为输入、各组组合参数下获得的评分作为输出建立数学代理模型并采用EGO算法对数学代理模型进行优化计算以获得最佳的组合参数。具体可包括步骤:S61,在代理模型优化器中,以选定的多组组合参数作为输入、各组组合参数下获得的评分作为输出建立数学代理模型;S62,采用EGO算法对数学代理模型进行优化计算并得到处于待优化范围内的新的组合参数;S63,在动力学仿真平台中选定该新的组合参数并生成对应的机器人模型和模型文件;S64,对该新的组合参数下的机器人模型进行仿真实验并对仿真实验的结果进行评分;S65,将该新的组合参数和该新的组合参数对应的仿真实验的结果的评分重新代入数学代理模型中并通过EGO算法得到下一组新的组合参数;以及S66,多次重复步骤S63-S65以进行迭代计算,最后得到最佳的组合参数。
进一步地,在步骤S64中,具体可包括步骤:S641,采用标准试验方法为新的组合参数下的仿人机器人模型设定理想的足迹序列;S642,采用步态规划器解析新的组合参数下的模型文件并得到对应的三维线性倒立摆模型,然后依据步骤S641中设定的足迹序列计算出在新的组合参数下的关节轨迹;643,将新的组合参数下的关节轨迹导入动力学仿真平台中并进行新的组合参数下的仿人机器人模型的仿真实验;以及S644,基于采用的标准试验方法建立实验评估准则并对新的组合参数下的仿真实验的结果进行评分。
代理模型优化器可在开源统计软件R环境下建立。其中,在开源统计软件R的DiceKriging模块中基于通过Latin超立方法选定的多组组合参数以及在各组组合参下获得的仿真实验的结果的评分建立数学代理模型,而后在开源统计软件R的DiceOptim模块中通过EGO算法在待优化范围内不断生成新的组合参数,然后经过足够的循环(直至到达预设的迭代次数)以逐步收敛于最佳的组合参数,最终在待优化范围内获得最佳的组合参数。
最后详细介绍本发明的一个具体实施例。
在该实施例中,待优化的仿人机器人的身高位于60~90cm的范围中,由于仿人机器人对其关节驱动器的输出力矩/重量比例存在苛刻的要求,在一定的成本范围内可供选择的驱动系统类型有限,因此假定其选型已经确定,从而获得了驱动力矩、最大功率、重量以及其三维外形尺寸等详尽信息。并且,在关节驱动器选型完毕的前提下,其控制系统、驱动系统以及能源供给系统(如锂电池)也已确定。同时考虑到仿人机器人的视觉、听觉、语音等智能输入输出系统的设计需求,考虑到机器人的机载计算机系统的需求,以及机器人外形的等诸多需求,假定已经首先完成机器人上身躯干的机构和结构设计,进而得到了躯干的完整质量分布和质心。
基于上述已知的仿人机器人的结构,首先选取与仿人机器人步行运动能力密切相关的腿部结构参数(可为三个)和步行运动参数(可为四个)。具体地,三个腿部结构参数为:自脚底至髋关节的腿部总尺寸l、大腿占总腿长的比例lr和髋部的间距w。四个运动参数为:步行下蹲幅度与总腿长的比例h、摆动足摆动到最高点的距离s、行走一步所经历的时间t、以及一步步行期间单脚支撑期所占的时间比例tr。这些参数的待优化范围如下表示:
然后,采用本发明上文所述的仿人机器人的结构与运动的协同优化方法在表中的待优化范围内对仿人机器人的腿部结构参数和步行运动参数进行优化。在该实施例中,通过Latin超立方法选取了70组组合参数以用于建立数学代理模型,同时在代理模型优化器中设定迭代次数为300。
参照图1(横坐标是代理模型优化器中各迭代次数对应的序号,纵坐标是各迭代次数对应的仿真实验的结果的评分),其中评分越小结果越佳,即最低点所对应的仿人机器人的最佳的腿部结构参数和步行运动参数。
在该实施例中,具体的优化结果为:最低点所对应的自脚底至髋关节的腿部总尺寸l是0.7194m,大腿长为0.4087m,因而小腿长度是0.3107,髋部的间距w为0.0700m,摆动足摆动到最高点的距离s为0.0869m,行走一步所经历的时间t为1.0465s,一步步行期间单脚支撑期的时间为0.9852s,下蹲高度为0.5570m。
上述腿部结构参数和步行运动参数优化后的结果表明:大腿与小腿的尺寸并不相等,大腿大于小腿的长度。其中,由于人类的大腿和小腿近似相等,因此上述优化结果与直接仿造人类而设计出来的仿人机器人在结构设计上存在较大的差异,同时其他参数的最优值也与OpenHRP仿真环境中的默认值不同,因而通过仿人机器人的腿部结构参数和步行运动参数的协同优化可以有效提升仿人机器人的步行运动能力。
Claims (10)
1.一种仿人机器人的结构与运动的协同优化方法,其特征在于,包括步骤:
S1,提供待优化的仿人机器人的已知结构信息,已知结构信息中包含仿人机器人的腿部结构参数、步行运动参数以及这些参数的待优化范围;
S2,将待优化的仿人机器人的已知结构信息导入动力学仿真平台中并生成待优化的仿人机器人模型;
S3,选定处于待优化范围内的包含仿人机器人的腿部结构参数和步行运动参数的多组组合参数;
S4,在动力学仿真平台中分别生成选定的各组组合参数下的机器人模型和对应的模型文件;
S5,基于选定的各组组合参数下的机器人模型和对应的模型文件,在动力学仿真平台中分别进行仿真实验并对仿真实验的结果进行评分;以及
S6,采用代理模型优化器以选定的多组组合参数作为输入、各组组合参数下获得的评分作为输出建立数学代理模型并采用EGO算法对数学代理模型进行优化计算并最终获得最佳的组合参数。
2.根据权利要求1所述的仿人机器人的结构与运动的协同优化方法,其特征在于,在步骤S1中,仿人机器人的腿部结构参数包括:自脚底至髋关节的腿部总尺寸、大腿占总腿长的比例以及髋部的间距。
3.根据权利要求1所述的仿人机器人的结构与运动的协同优化方法,其特征在于,在步骤S1中,仿人机器人的步行运动参数包括:步行下蹲幅度与总腿长的比例、摆动足摆动到最高点的距离、行走一步所经历的时间、以及一步步行期间单脚支撑期所占的时间比例。
4.根据权利要求1所述的仿人机器人的结构与运动的协同优化方法,其特征在于,在步骤S3中,通过Latin超立方法选定多组组合参数。
5.根据权利要求1所述的仿人机器人的结构与运动的协同优化方法,其特征在于,在步骤S5中,包括步骤:
S51,采用标准试验方法分别为选定的各组组合参数下的仿人机器人模型设定理想的足迹序列;
S52,采用步态规划器分别解析选定的各组组合参数下的模型文件并得到对应的三维线性倒立摆模型,然后依据步骤S51中设定的对应的足迹序列计算出在选定的各组组合参数下的关节轨迹;
S53,将选定的各组组合参数下的关节轨迹分别导入动力学仿真平台中并进行各组组合参数下的仿人机器人模型的仿真实验;以及
S54,基于采用的标准试验方法建立实验评估准则并对各组组合参数下的仿真实验的结果进行评分。
6.根据权利要求5所述的仿人机器人的结构与运动的协同优化方法,其特征在于,
标准试验方法为:仿人机器人在平直路面下以恒定加速度执行匀加速步行运动;
实验评估准则为:仿人机器人在执行匀加速步行运动时所能达到的最快而不摔倒的步行速度。
7.根据权利要求5所述的仿人机器人的结构与运动的协同优化方法,其特征在于,步态规划器采用三维线性倒立摆模型的预观测控制为基础的全方位步态规划算法。
8.根据权利要求1所述的仿人机器人的结构与运动的协同优化方法,其特征在于,动力学仿真平台包括:
模型建立模块,用于生成各组合参数下的机器人模型和对应的模型文件;以及
OpenHRP仿真环境,用于进行各组合参数下的机器人模型的仿真实验。
9.根据权利要求1所述的仿人机器人的结构与运动的协同优化方法,其特征在于,在步骤S6中,包括步骤:
S61,在代理模型优化器中,以选定的多组组合参数作为输入、各组组合参数下获得的评分作为输出建立数学代理模型;
S62,采用EGO算法对数学代理模型进行优化计算并得到处于待优化范围内的新的组合参数;
S63,在动力学仿真平台中选定该新的组合参数并生成对应的机器人模型和模型文件;
S64,对该新的组合参数下的机器人模型进行仿真实验并对仿真实验的结果进行评分;
S65,将该新的组合参数和该新的组合参数对应的仿真实验的结果的评分重新代入数学代理模型中并通过EGO算法得到下一组新的组合参数;以及
S66,多次重复步骤S63-S65以进行迭代计算,最后得到最佳的组合参数。
10.根据权利要求9所述的仿人机器人的结构与运动的协同优化方法,其特征在于,在步骤S64中,包括步骤:
S641,采用标准试验方法为新的组合参数下的仿人机器人模型设定理想的足迹序列;
S642,采用步态规划器解析新的组合参数下的模型文件并得到对应的三维线性倒立摆模型,然后依据步骤S641中设定的足迹序列计算出在新的组合参数下的关节轨迹;
S643,将新的组合参数下的关节轨迹导入动力学仿真平台中并进行新的组合参数下的仿人机器人模型的仿真实验;以及
S644,基于采用的标准试验方法建立实验评估准则并对新的组合参数下的仿真实验的结果进行评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810166606.0A CN108333971B (zh) | 2018-02-28 | 2018-02-28 | 仿人机器人的结构与运动的协同优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810166606.0A CN108333971B (zh) | 2018-02-28 | 2018-02-28 | 仿人机器人的结构与运动的协同优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108333971A CN108333971A (zh) | 2018-07-27 |
CN108333971B true CN108333971B (zh) | 2020-06-12 |
Family
ID=62930148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810166606.0A Active CN108333971B (zh) | 2018-02-28 | 2018-02-28 | 仿人机器人的结构与运动的协同优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108333971B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022109353A1 (en) * | 2020-11-20 | 2022-05-27 | The Board Of Trustees Of The Leland Stanford Junior University | Local autonomy-based haptic robot interaction with dual proxy model |
CN114297934A (zh) * | 2021-12-30 | 2022-04-08 | 无锡雪浪数制科技有限公司 | 一种基于代理模型的模型参数并行仿真优化方法及装置 |
CN116551675B (zh) * | 2023-04-17 | 2023-12-15 | 之江实验室 | 一种基于场驱动原理的仿人机器人小腿优化方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009147875A1 (ja) * | 2008-06-04 | 2009-12-10 | 国立大学法人 東京大学 | 力学パラメータの同定法 |
CN101592951B (zh) * | 2009-07-02 | 2011-01-12 | 上海交通大学 | 分布式仿人机器人通用控制系统 |
KR101633362B1 (ko) * | 2010-01-18 | 2016-06-28 | 삼성전자 주식회사 | 인간형 로봇 및 그 보행 제어방법 |
CN103029130B (zh) * | 2012-12-05 | 2015-06-10 | 长春工业大学 | 仿人机器人 |
CN104656440B (zh) * | 2014-12-26 | 2017-06-06 | 清华大学 | 仿人机器人步态生成方法 |
CN106933100A (zh) * | 2017-03-19 | 2017-07-07 | 北京工业大学 | 一种基于人体运动捕捉数据的仿人机器人步态规划方法 |
-
2018
- 2018-02-28 CN CN201810166606.0A patent/CN108333971B/zh active Active
Non-Patent Citations (3)
Title |
---|
Planning and Control for THBIP-I Humanoid Robot;Chenglong Fu et al.;《Proceedings of the 2006 IEEE International Conference on Mechatronics and Automation》;20060128;第1066-1071页 * |
仿人机器人全方位步行参数的代理模型优化;张继文等;《机器人》;20160131;第56-63页 * |
四足机器人仿生机构模型及腿系参数优化;谭小群等;《设计与研究》;20081231;第21-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108333971A (zh) | 2018-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108333971B (zh) | 仿人机器人的结构与运动的协同优化方法 | |
Sayyad et al. | Single-legged hopping robotics research—A review | |
US20180107175A1 (en) | Computational design of robots from high-level task specifications | |
CN113821045A (zh) | 一种腿足机器人强化学习动作生成系统 | |
CN106842959A (zh) | 一种Nao机器人步态规划遗传算法 | |
Shao et al. | Recent advances on gait control strategies for hydraulic quadruped robot | |
Adak et al. | Bound gait reference generation of a quadruped robot via contact force planning | |
Galliker et al. | Bipedal locomotion with nonlinear model predictive control: Online gait generation using whole-body dynamics | |
Lee et al. | Time-dependent genetic algorithm and its application to quadruped’s locomotion | |
Galliker et al. | Planar bipedal locomotion with nonlinear model predictive control: Online gait generation using whole-body dynamics | |
Clever et al. | A new template model for optimization studies of human walking on different terrains | |
Griffin et al. | Capture point trajectories for reduced knee bend using step time optimization | |
CN112256028B (zh) | 一种双足机器人柔顺步态控制方法、系统、设备及介质 | |
Shafii et al. | Learning a fast walk based on ZMP control and hip height movement | |
Ouezdou et al. | Dynamic analysis tool for legged robots | |
Jiang et al. | Motion sequence learning for robot walking based on pose optimization | |
Li et al. | Dynamic Locomotion of a Quadruped Robot with Active Spine via Model Predictive Control | |
Belter et al. | Evolving feasible gaits for a hexapod robot by reducing the space of possible solutions | |
CN108805965B (zh) | 基于多目标进化的人体物理运动生成方法 | |
Vatavuk et al. | Precise jump planning using centroidal dynamics based bilevel optimization | |
Canaday et al. | Interactive, iterative robot design | |
Salehi et al. | Optimized joint trajectory model with customized genetic algorithm for biped robot walk | |
Chocron | Evolving modular robots for rough terrain exploration | |
Luo et al. | Active online learning of the bipedal walking | |
Barrios et al. | Phase space planning and optimization of foot placements in rough planar terrains |
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 |