CN108372506B - 一种基于cpg模型的人形机器人自适应行走框架实现方法 - Google Patents
一种基于cpg模型的人形机器人自适应行走框架实现方法 Download PDFInfo
- Publication number
- CN108372506B CN108372506B CN201810470132.9A CN201810470132A CN108372506B CN 108372506 B CN108372506 B CN 108372506B CN 201810470132 A CN201810470132 A CN 201810470132A CN 108372506 B CN108372506 B CN 108372506B
- Authority
- CN
- China
- Prior art keywords
- robot
- signal
- rhythm
- cpg
- feedback
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000009184 walking Effects 0.000 title claims abstract description 22
- 230000033764 rhythmic process Effects 0.000 claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000000737 periodic effect Effects 0.000 claims description 40
- 210000002569 neuron Anatomy 0.000 claims description 25
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 210000002683 foot Anatomy 0.000 claims 5
- 210000000544 articulatio talocruralis Anatomy 0.000 claims 2
- 210000004394 hip joint Anatomy 0.000 claims 2
- 210000000689 upper leg Anatomy 0.000 claims 2
- 210000000629 knee joint Anatomy 0.000 claims 1
- 239000011664 nicotinic acid Substances 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000012636 effector Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 241000251539 Vertebrata <Metazoa> Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 230000009183 running Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于中枢模式发生器(Central Pattern Generator,CPG)模型的人形机器人自适应行走框架实现方法。该发明首先设计CPG网络输出合理的节律控制信号，使得人形机器人能够实现平地上的行走。然后，设计一个基于神经网络的学习模块，这个模块能够学习输出期望的节律补偿信号，作用于原始CPG的输出。最后，设计合理的机器人反馈，使得整个控制框架能够根据环境输出期望的节律控制信号以适应各类斜坡环境。本发明解决了机器人仿生控制领域中CPG模型难以产生精确以及多样的节律信号的问题，提高了CPG模型在机器人控制领域的实用性，对设计更加自适应的人形机器人系统具有重要意义。
Description
技术领域
本发明属于机器人仿生控制领域，具体涉及一种基于CPG模型的人形机器人自适应行走框架实现方法。
背景技术
机器人在未知，非结构化环境中的运动一直是人形机器人控制领域的研究难点之一。作为一个高自由度的动力学系统，人形机器人的运动控制不仅需要考虑到多个关节之间的协调性，还要实时处理与环境作交互的反馈信息。目前，基于模型的方法是控制人形机器人运动的典型方法，然而，其缺点也是很明显的，这种方法的有效性是建立在人形机器人本体和它所处环境的精确建模的基础上，因此测量和计算的工作量较大，并且难以补偿机器人以及环境的建模误差。当人形机器人处于不同的环境时，需要对环境重新进行建模，适应性差。
自然界的生物经过长期的演化，具备了对复杂环境很强的适应能力。神经科学研究表明，脊椎动物的行走，跑，跳，呼吸，消化等节律性运动是受位于脊椎内的中枢模式发生器(Central Pattern Generator,CPG)控制的。CPG一般是由数个神经元组成的局部网络，该网络的特点是在没有对机器人以及环境建模的情况下，仅通过引入反馈以及调整网络参数，来得到适应当前环境的信号输出，因此其计算量小且对环境的适应性较好；CPG网络结构不同，可以产生多路具有不同相位关系的信号，适合于具有高自由度机器人各关节的协调运动。CPG的这些良好特性得到研究者的关注，通过模仿生物的特性构造各类CPG的神经元模型，并尝试用于机器人的运动控制，试图解决机器人在复杂，非结构化环境中的适应性问题。
然而，由于CPG用于机器人控制的时间不长，目前研究中基于CPG的人形机器人控制中，稳定性和适应性还有较大的局限性。
发明内容
为了解决现有目前基于CPG的人形机器人控制中，稳定性和适应性不足的问题。本发明提出一种新的基于CPG的人形机器人自适应行走框架实现方法，让人形机器人对变化环境有更高的适应性。
为了实现上述技术目的，本发明的技术方案是：
一种基于CPG模型的人形机器人自适应行走框架实现方法，包括以下步骤：
步骤一，基于Matsuoka神经元模型来设计CPG网络并输出节律控制信号，然后将节律控制信号转化为控制轨迹来控制人形机器人实现平地上的行走；
步骤二，基于神经网络设计用于学习输出期望并输出节律补偿信号的学习模块，并将节律补偿信号作用于CPG网络的输出；
步骤三，通过人形机器人上设置的传感器采集来的环境信息作为反馈信号，并作用于CPG网络以及学习模块，以实现根据环境输出相应的期望节律控制信号来适应环境。
所述的方法，所述步骤一CPG网络中的神经元模型数学表达式为：
yi＝max(0,ui)
其中ui是神经元模型的内部状态,vi表示神经元的自抑制状态,yi是ui大于0的部分,τ1和τ2决定中枢模式发生器产生的信号的频率,c调整中枢模式发生器输出信号的幅值,β是自抑制的权值,ωij是第i个和第j个神经元之间的连接权值,N表示整个CPG网络的神经元个数,feedbacki是来自于机器人或外部环境的反馈信号。
所述的方法，所述的步骤一中，还包括坐标转换模块，所述的CPG网络输出的节律信号用作控制人形机器人的双脚和躯干的运动轨迹来控制机器人行走，所述的坐标转换模块首先选取CPG网络产生节律信号中的一个大周期信号和两个小周期信号其中大周期信号的周期是两个小周期信号的两倍，大周期的信号和其中一个小周期信号的相位相同，这个小周期信号的相位领先另一个小周期信号
然后将大周期的信号和同相位的小周期信号转换为机器人的躯干轨迹的x轴和y轴坐标信息，将两个小周期的信号转换为机器人的双脚轨迹的的x轴和z轴坐标信息，其中相位领先
转换为x轴的坐标信息，实现机器人的平地行走。
所述的方法，所述的步骤二中所述的学习模块通过以下步骤实现：
设置包括特征处理、神经网络和信号滤波三个部分的学习模块，
通过特征处理，先从CPG网络产生的节律信号选取两个信号x1′(t),x′2(t)，这两个信号在相平面构成的闭合曲线称为极限环，由于这个极限环的形状不规则，不利于后续的神经网络学习，所以通过下式
φ＝atan2(x′1(t)-x′1c,x′2(t)-x′2c)
将极限环转化为一个相变量φ，(x′1c,x′2c)是由x′1(t),x′2(t)所构成的极限环内部任意一点，即通过采样原理将其转化为一个归一化的极限环，然后通过下式
将相变量φ转化为一个时间变量tpi，滤除CPG网络输出节律信号的形状信息，保留其中的时间信息，其中p(tpi)是tpi的概率密度，m是一个周期内的样本点总数，Δφl是φ在l和l-1时刻的差值，最终通过下式
得到一个归一化的极限环，其中x1(t)、x2(t)分别表示转换后的x1′(t)、x′2(t)，T为节律信号的周期，作为神经网络的其中一部分特征输入；
然后，将机器人的理想压力中心(Center of pressure,COP)轨迹与实际COP轨迹的差异最小化来作为学习目标，利用演化算法，将学习目标作为所要优化的适应值函数，以神经网络的权值作为这个适应值函数的决策变量，对神经网络的权值进行训练，直到适应值函数的值满足要求，输出期望的节律信号。其中实际COP轨迹是机器人在行走过程中，通过机器人脚底部的多个压力传感器的压力值和相应传感器的坐标加权得到，而理想COP轨迹是一条在机器人行走过程中始终位于支撑区域内的COP轨迹，支撑区域包括单脚支撑和双脚支撑区域，即机器人行走过程中分为单脚支撑和双脚支撑两个阶段，单脚支撑时的支撑区域就是落在地面上那只脚与地面接触的区域，双脚支撑时是两只脚围成的的区域。
最后，神经网络的输出通过信号滤波，将节律信号的周期变化信息融入一个一阶低通滤波器，以确保最终的期望节律信号在周期变化过程能够连续。
所述的方法，所述步骤三包括以下过程：
利用机器人足部的压力传感器来获取机器人行走过程中的频率信息，作为CPG网络的反馈，使得最终产生的节律控制信号的频率适应机器人本体的动态，增加稳定性；同时为了使得学习模块能够产生具有期望形状的节律补偿，通过机器人身上的惯性传感器和关节角度获取路面的坡度信息，作为学习模块的特征输入。
所述的方法，所述的压力传感器反馈实现方法为：
feedback1＝FsrR-FsrL
feedback2＝-feedback1
其中，FsrR和FsrL分别为机器人右足和左足的压力传感器的测量值，feedback1和feedback2分别为两个神经元的反馈输入。对应神经元模型表达式中的feedbacki。
所述的方法，所述的惯性传感器和关节角度反馈实现方法为：
所得到的坡度信息包含两个方向，分别是沿机器人前进方向的坡度slopex和沿机器人侧向的坡度slopey，表示为：
slopex＝α1+α3-α2-θx
slopey＝β1-β2+θy
其中，α1,α2,α3,β1,β2为机器人的关节角度，θx和θy为机器人身上惯性传感器的测量值，将slopex和slopey作为学习模块的特征输入。
本发明的有益效果是：
通过机器人身上的惯性传感器和关节角度获取路面的坡度信息，相对于现有的方法中只利用惯性传感器，对于路面情况的估计更加准确。相对于现有的基于CPG仿生模型的控制方法中，难以产生精确以及多样的节律信号的问题。本文的框架能够通过学习产生任意多样性且足够精确的节律信号，极大提升人形机器人对环境的适应潜力。
附图说明
图1为基于CPG模型的人形机器人自适应行走框架。
图2为人形机器人的末端执行器示意图。
图3为坡度估计示意图。
具体实施方式
下面结合附图对本发明的实施方式作进一步的说明。
本发明提出了一种基于CPG模型的人形机器人自适应行走框架实现方法，整个框架图如附图1所示，包括以下步骤：
步骤1：平地是人形机器人行走最简单的环境，因此可以设计较为简单的CPG网络以实现平地行走，为后续实现更加复杂的自适应行走提供基础。CPG输出的节律信号经转化后用作人形机器人末端执行器脚和躯干即torso轨迹，因此所构造的CPG网络可以使用较少的神经元。人形机器人的末端执行器脚和torso如附图2所示。在此步骤中，CPG只包含两个神经元。每个神经元的数学表达式为：
yi＝max(0,ui)
其中ui是神经元模型的内部状态,vi表示神经元的自抑制状态,yi是ui大于0的部分,τ1和τ2决定CPG产生的信号的频率,c调整CPG输出信号的幅值,β是自抑制的权值,ωij是第i个和第j个神经元之间的连接权值,N表示整个CPG网络的神经元个数，在本发明中，N＝2,feedbacki是来自于机器人或外部环境的反馈信号。
接着，我们设计了一个坐标转换模块，这个模块利用机器人行走时torso轨迹的周期是双脚轨迹周期两倍的原则，将CPG输出的具有两倍周期关系的节律信号分别映射到双脚和torso轨迹，实现机器人的平地行走。具体是首先选取CPG网络产生节律信号中的一个大周期信号和两个小周期信号，其中大周期信号的周期是两个小周期信号的两倍，大周期信号和其中一个小周期信号的相位相同，这个小周期信号的相位领先另一个小周期信号
然后将大周期信号和同相位的小周期信号转换为机器人的躯干轨迹的x轴和y轴坐标信息，将两个小周期信号转换为机器人的双脚轨迹的的x轴和z轴坐标信息，其中相位领先
的小周期信号转换为x轴的坐标信息
步骤2：在一个区间内，通过权值训练，神经网络的输出可以逼近任意的曲线。因此，我们设计一个节律信号的学习模块，学习模块包括三个部分，特征处理、神经网络以及信号滤波。
通过特征处理，先从CPG网络产生的节律信号选取两个信号，设为x1′(t),x′2(t)，这两个信号在相平面构成的闭合曲线称为极限环，由于这个极限环的形状不规则，不利于后续的神经网络学习，所以通过式子
φ＝atan2(x′1(t)-x′1c,x′2(t)-x′2c)
将极限环转化为一个相变量φ，(x′1c,x′2c)是由x′1(t),x′2(t)所构成的极限环内部任意一点。然后通过式子
将相变量φ转化为一个时间变量，滤除CPG网络输出节律信号的形状信息，保留其中的时间信息，其中p(tpi)是tpi的概率密度，这里为常数，m是一个周期内的样本点总数，Δφl是φ在l和l-1时刻的差值。最终通过式子
得到一个归一化的极限环，来作为神经网络的一部分特征输入；
然后，在给定学习目标后，利用演化算法，以学习目标作为所要优化的适应值函数，以神经网络的权值作为这个适应值函数的决策变量，对神经网络的权值进行训练，直到适应值函数的值满足要求，输出期望的节律信号。这里是将机器人的理想压力中心轨迹与实际COP轨迹的差异最小化来作为学习目标。其中实际COP轨迹是机器人在行走过程中，通过机器人脚底部的多个压力传感器的压力值和相应传感器的坐标加权得到，而理想COP轨迹是一条在机器人行走过程中始终位于支撑区域内的COP轨迹，支撑区域包括单脚支撑和双脚支撑区域，即机器人行走过程中分为单脚支撑和双脚支撑两个阶段，单脚支撑时的支撑区域就是落在地面上那只脚与地面接触的区域，双脚支撑时是两只脚围成的的区域。
最后，在神经网络的输出设计一个信号滤波，这个部分将节律信号的周期变化信息融入一个一阶低通滤波器，以确保最终的期望节律信号在周期变化过程能够连续。
步骤3:本步骤中，引入两部分的反馈。一方面，利用机器人足部的压力传感器来获取机器人行走过程中的频率信息，作为CPG网络模型的反馈，使得框架最终产生的节律控制信号的频率适应机器人本体的动态，增加稳定性。这个反馈设计为：
feedback1＝FsrR-FsrL
feedback2＝-feedback1
其中，FsrR和FsrL分别为机器人右足和左足的压力传感器的测量值，feedback1和feedback2分别为CPG的两个神经元的反馈输入。对应神经元模型表达式中的feedbacki。
另一方面，为了使得神经网络能够产生具有期望形状的节律补偿，通过机器人身上的惯性传感器和关节角度获取路面的坡度信息，作为神经网络的一部分特征输入。所得到的坡度信息包含两个方向，分别是沿机器人前进方向和沿机器人侧向，表示为：
slopex＝α1+α3-α2-θx
slopey＝β1-β2+θy
其中，α1,α2,α3,β1,β2为机器人的关节角度，θx和θy为机器人身上惯性传感器的测量值，附图3所示这两个坡度估计的示意图。因此神经网络总共包含两部分特征输入，一部分即经过归一化得到的极限环，而slopex和slopey作为神经网络的另一部分特征输入。这些特征输入对应到神经网络的不同输入节点，归一化的极限环对应两个输入节点，slopex和slopey对应另外两个节点。
Claims (7)
1.一种基于CPG模型的人形机器人自适应行走框架实现方法，其特征在于，包括以下步骤：
步骤一，基于Matsuoka神经元模型来设计CPG网络并输出节律控制信号，然后将节律控制信号转化为控制轨迹来控制人形机器人实现平地上的行走；
步骤二，基于神经网络设计用于学习输出期望并输出节律补偿信号的学习模块，并将节律补偿信号作用于CPG网络的输出；
步骤三，通过人形机器人上设置的传感器采集来的环境信息作为反馈信号，并作用于CPG网络以及学习模块，以实现根据环境输出相应的期望节律控制信号来适应环境。
2.根据权利要求1所述的方法，其特征在于，所述步骤一CPG网络中的神经元模型数学表达式为：
yi＝max(0,ui)
其中ui是神经元模型的内部状态,vi表示神经元的自抑制状态,yi是ui大于0的部分,τ1和τ2决定中枢模式发生器产生的信号的频率,c调整中枢模式发生器输出信号的幅值,β是自抑制的权值,ωij是第i个和第j个神经元之间的连接权值,N表示整个CPG网络的神经元个数,feedbacki是来自于机器人或外部环境的反馈信号。
3.根据权利要求1所述的方法，其特征在于，所述的步骤一中，还包括坐标转换模块，所述的CPG网络输出的节律信号用作控制人形机器人的双脚和躯干的运动轨迹来控制机器人行走，所述的坐标转换模块首先选取CPG网络产生节律信号中的一个大周期信号和两个小周期信号，其中大周期信号的周期是小周期信号的周期的两倍，大周期信号和其中一个小周期信号的相位相同，这个小周期信号的相位领先另一个小周期信号
然后将大周期信号和同相位的小周期信号转换为机器人的躯干轨迹的x轴和y轴坐标信息，将两个小周期信号转换为机器人的双脚轨迹的x轴和z轴坐标信息，其中相位领先
的小周期信号转换为x轴的坐标信息，实现机器人的平地行走。
4.根据权利要求1所述的方法，其特征在于，所述的步骤二中所述的学习模块通过以下步骤实现：
设置包括特征处理、神经网络和信号滤波三个部分的学习模块，
通过特征处理，先从CPG网络产生的节律信号选取两个信号x′1(t),x′2(t)，这两个信号在相平面构成的闭合曲线即极限环，通过下式
φ＝atan2(x′1(t)-x′1c,x′2(t)-x′2c)
将极限环转化为一个相变量φ，(x′1c,x′2c)是由x′1(t),x′2(t)所构成的极限环内部任意一点，然后通过下式
将相变量φ转化为一个时间变量tpi，滤除CPG网络输出节律信号的形状信息，保留其中的时间信息，其中p(tpi)是tpi的概率密度，m是一个周期内的样本点总数，Δφl是φ在l和l-1时刻的差值，最终通过下式
得到一个归一化的极限环，作为神经网络的特征输入，其中x1(t)、x2(t)分别表示转换后的x′1(t)、x′2(t)，T为节律信号的周期；
然后，将机器人的理想压力中心轨迹与实际COP轨迹的差异最小化来作为学习目标，利用演化算法，将学习目标作为所要优化的适应值函数，以神经网络的权值作为这个适应值函数的决策变量，对神经网络的权值进行训练，直到适应值函数的值满足要求，输出期望的节律信号；
最后，神经网络的输出通过信号滤波，将节律信号的周期变化信息融入一个一阶低通滤波器，以确保最终的期望节律信号在周期变化过程能够连续。
5.根据权利要求2所述的方法，其特征在于，所述步骤三包括以下过程：
利用机器人足部的压力传感器来获取机器人行走过程中的频率信息，作为CPG网络的反馈，使得最终产生的节律控制信号的频率适应机器人本体的动态，增加稳定性；同时为了使得学习模块能够产生具有期望形状的节律补偿，通过机器人身上的惯性传感器和关节角度获取路面的坡度信息，作为学习模块的特征输入。
6.根据权利要求5所述的方法，其特征在于，所述的压力传感器反馈实现方法为：
feedback1＝FsrR-FsrL
feedback2＝-feedback1
其中，FsrR和FsrL分别为机器人右足和左足的压力传感器的测量值，feedback1和feedback2分别为两个神经元的反馈输入。
7.根据权利要求5所述的方法，其特征在于，所述的惯性传感器和关节角度反馈实现方法为：
所得到的坡度信息包含两个方向，分别是沿机器人前进方向的坡度slopex和沿机器人侧向的坡度slopey，表示为：
slopex＝α1+α3-α2-θx
slopey＝β1-β2+θy
其中，α1为机器人臀部关节处躯干与大腿的俯仰角角度,α2为机器人膝部关节处大腿与小腿的俯仰角角度,α3为机器人踝部关节处小腿与竖直方向的俯仰角角度,β1为机器人臀部关节处与竖直方向的横滚角角度,β2为机器人踝部关节处与竖直方向的横滚角角度，θx为机器人身上俯仰角惯性传感器的测量值，θy为机器人身上横滚角惯性传感器的测量值，将slopex和slopey作为学习模块的特征输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810470132.9A CN108372506B (zh) | 2018-05-16 | 2018-05-16 | 一种基于cpg模型的人形机器人自适应行走框架实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810470132.9A CN108372506B (zh) | 2018-05-16 | 2018-05-16 | 一种基于cpg模型的人形机器人自适应行走框架实现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108372506A CN108372506A (zh) | 2018-08-07 |
| CN108372506B true CN108372506B (zh) | 2021-03-02 |
Family
ID=63033511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810470132.9A Expired - Fee Related CN108372506B (zh) | 2018-05-16 | 2018-05-16 | 一种基于cpg模型的人形机器人自适应行走框架实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108372506B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110640731B (zh) * | 2019-09-25 | 2022-08-19 | 天津大学 | 基于多巴胺神经元仿生cpg系统的机械臂控制器 |
| CN111208822A (zh) * | 2020-02-17 | 2020-05-29 | 清华大学深圳国际研究生院 | 一种基于强化学习和cpg控制器的四足机器人步态控制方法 |
| CN112123340B (zh) * | 2020-10-21 | 2021-08-24 | 乐聚(深圳)机器人技术有限公司 | 机器人运动控制方法、装置、机器人及存储介质 |
| CN113093779B (zh) * | 2021-03-25 | 2022-06-07 | 山东大学 | 基于深度强化学习的机器人运动控制方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4644833B2 (ja) * | 2004-03-31 | 2011-03-09 | 株式会社国際電気通信基礎技術研究所 | ２足歩行移動装置 |
| CN103092197A (zh) * | 2011-10-28 | 2013-05-08 | 同济大学 | 基于cpg机理的四足机器人工作空间轨迹生成方法 |
| CN103116354B (zh) * | 2013-01-30 | 2015-10-28 | 同济大学 | 一种双足机器人实时步态轨迹生成方法 |
| CN107315346B (zh) * | 2017-06-23 | 2020-01-14 | 武汉工程大学 | 一种基于cpg模型的仿人机器人步态规划方法 |
-
2018
- 2018-05-16 CN CN201810470132.9A patent/CN108372506B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN108372506A (zh) | 2018-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108372506B (zh) | 一种基于cpg模型的人形机器人自适应行走框架实现方法 | |
| Martinez-Hernandez et al. | Adaptive Bayesian inference system for recognition of walking activities and prediction of gait events using wearable sensors | |
| Li et al. | Walking motion generation, synthesis, and control for biped robot by using PGRL, LPI, and fuzzy logic | |
| Sup et al. | Design and control of a powered transfemoral prosthesis | |
| Davoodi et al. | Computer simulation of FES standing up in paraplegia: A self-adaptive fuzzy controller with reinforcement learning | |
| Lan et al. | Neural network generation of muscle stimulation patterns for control of arm movements | |
| CN113031528A (zh) | 一种基于深度确定性策略梯度的多足机器人运动控制方法 | |
| Zhu et al. | Synchronization of non-linear oscillators for neurobiologically inspired control on a bionic parallel waist of legged robot | |
| Inada et al. | Bipedal walk using a central pattern generator | |
| CN113093779A (zh) | 基于深度强化学习的机器人运动控制方法及系统 | |
| Nasr et al. | InverseMuscleNET: alternative machine learning solution to static optimization and inverse muscle modeling | |
| Téllez et al. | Evolving the walking behaviour of a 12 dof quadruped using a distributed neural architecture | |
| Nandi et al. | Development of Adaptive Modular Active Leg (AMAL) using bipedal robotics technology | |
| Szczecinski et al. | A perspective on the neuromorphic control of legged locomotion in past, present, and future insect-like robots | |
| Li et al. | Joint torque closed-loop estimation using NARX neural network based on sEMG signals | |
| Li et al. | EU FP7 | |
| CN116115217B (zh) | 一种基于深度网络的人体下肢步态相位估计方法 | |
| Sharma et al. | Biomechanical trajectory optimization of human sit-to-stand motion with stochastic motion planning framework | |
| Lian et al. | A three-step hill neuromusculoskeletal model parameter identification method based on exoskeleton robot | |
| Morita et al. | Prosthetic hand control based on torque estimation from EMG signals | |
| Huang et al. | Smooth stride length change of rat robot with a compliant actuated spine based on cpg controller | |
| Antonelli et al. | Implicit mapping of the peripersonal space of a humanoid robot | |
| Arikan et al. | A test bench to study bioinspired control for robot walking | |
| Xia et al. | A bio-signal enhanced adaptive impedance controller for lower limb exoskeleton | |
| Zhang et al. | Estimation of ankle dynamic joint torque by a neuromusculoskeletal solver-informed NN model |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210302 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |