CN108469732A - 基于dmp的机器人工作空间适应性行走控制系统及方法 - Google Patents

基于dmp的机器人工作空间适应性行走控制系统及方法 Download PDF

Info

Publication number
CN108469732A
CN108469732A CN201810204965.0A CN201810204965A CN108469732A CN 108469732 A CN108469732 A CN 108469732A CN 201810204965 A CN201810204965 A CN 201810204965A CN 108469732 A CN108469732 A CN 108469732A
Authority
CN
China
Prior art keywords
dmp
robot
track
adaptability
working space
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.)
Pending
Application number
CN201810204965.0A
Other languages
English (en)
Inventor
刘成菊
耿烷东
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201810204965.0A priority Critical patent/CN108469732A/zh
Publication of CN108469732A publication Critical patent/CN108469732A/zh
Pending legal-status Critical Current

Links

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种基于DMP的机器人工作空间适应性行走控制系统及方法，所述控制系统包括：DMP质心轨迹生成器，根据规划目标和反馈信息，基于DMP训练生成仿人机器人的质心轨迹；DMP脚掌轨迹生成器，根据规划目标和反馈信息，基于DMP训练生成仿人机器人的脚掌轨迹；关节映射模块，对所述质心轨迹和脚掌轨迹，进行逆运动学计算，利用运动引擎，将工作空间的适应性映射到关节空间，实现仿人机器人的适应性行走控制；所述DMP质心轨迹生成器和DMP脚掌轨迹生成器基于机器人工作空间的示例轨迹训练学习获得。与现有技术相比，本发明具有实时调节步态和身体姿态、增强仿人机器人行走的环境适应性等优点。

Description

基于DMP的机器人工作空间适应性行走控制系统及方法
技术领域
本发明涉及仿生控制技术领域，尤其是涉及一种基于DMP的机器人工作空间适应性行走控制系统及方法。
背景技术
机器人轨迹的生成方法是机器人领域研究的重点和难点，其主要解决两个问题，如何对机器人轨迹进行表示，以及如何根据当前的任务以及环境生成新的轨迹。传统工业机器人通常采用3次或者5次曲线来拟合轨迹，这种方法的缺点是只能提供机器人的路径，而并不含有时间信息。这种方法并没有考虑机器人的运动学和动力学特性，因而利用这种方法生成的机器人轨迹并不能保证其可行性，而且这种曲线生成的路径只能生成低维简单的形状，不能生成复杂轨迹。DMP(Dynamic movement primitive)是经典的示教轨迹生成模型。DMP方法将轨迹用两个非线性方程表示，分为时间函数和变化函数。其中，时间函数将轨迹的执行时间用一条单调指数函数表示，变化函数通过归一化的幅度函数和统一过的时间函数，回归出一条非线性函数。DMP的优点是可以控制轨迹生成的时间和幅度，但是这种轨迹生成方法只能应用于末端静止的情况，通过改进了原始方法，使其可以应用于部分末端速度不为零的情况，因而需要对不同的轨迹重新设计模型。对于DMP算法来说，需要对每个自由度分别学习其DMP模型，不考虑各个自由度之间的关系。
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基于DMP的机器人工作空间适应性行走控制系统及方法。
本发明的目的可以通过以下技术方案来实现：
一种基于DMP的机器人工作空间适应性行走控制系统及方法，包括：
DMP质心轨迹生成器，根据规划目标和反馈信息，基于DMP训练生成仿人机器人的质心轨迹；
DMP脚掌轨迹生成器，根据规划目标和反馈信息，基于DMP训练生成仿人机器人的脚掌轨迹；
关节映射模块，对所述质心轨迹和脚掌轨迹，进行逆运动学计算，利用运动引擎，将工作空间的适应性映射到关节空间，实现仿人机器人的适应性行走控制；
所述DMP质心轨迹生成器和DMP脚掌轨迹生成器基于机器人工作空间的示例轨迹训练学习获得。
进一步地，所述DMP质心轨迹生成器的建立具体为：
采用共用规范系统的两个DMP单元分别对机器人前进和左右方向上的示例轨迹进行训练学习，获得可在线调节的DMP质心轨迹生成器。
进一步地，所述DMP脚掌轨迹生成器的建立具体为：
采用共用规范系统的两个DMP单元分别对机器人前进和竖直方向上的示例轨迹进行训练学习，获得可在线调节的DMP脚掌轨迹生成器。
进一步地，所述DMP单元的数学模型描述为：
转移系统：
规范系统：
其中，y,z,分别表述系统中的位置、速度及加速度，τ表示时间常数，y0表示轨迹的初始位置，g表示目标位置，feed表示反馈信息，f表示强迫函数项，x表示相位变量，Ψi(x)表示高斯核函数，ωi表示核函数权值，为需要学习训练的参数，σi、ci分别表示带宽和中心位置，均为正常数，αz,βz,αx为调节系统响应时间的常数，均为正数，N为高斯核函数的个数。
进一步地，所述反馈信息基于机器人身体姿态角度和反馈增益参数获得。
进一步地，引入所述DMP质心轨迹生成器的反馈信息设计为：
其中，feedcomx表示质心轨迹前进方向的反馈信息，表示质心反馈增益，θ表示机器人身体姿态角度。
进一步地，引入所述DMP脚掌轨迹生成器的反馈信息设计为：
feedfootx＝-Kfootx×θ
feedfootz＝-Kfootz×θ
其中，feedfootx和feedfootz分别表示迈步跨度和抬腿高度的反馈信息，Kfootx和Kfootz分别表示前进和竖直方向上的反馈增益，θ表示机器人身体姿态角度。
进一步地，所述反馈信息还包括双脚角度变化反馈，具体为：
ωsupFoot＝[0 Ksup×θ0]T
ωswFoot＝[ωx·l(t) ωy·l(t)+Ksw×θ 0]Τ
其中，ωsupFoot和ωswFoot分别表示支撑脚和摆动脚的角度变化，ωx和ωy分别表示平地行走时绕前进和绕左右方向上的最大值，l(t)表示每个周期进度的时间函数变化，Ksup和Ksw均为反馈增益系数，θ表示机器人身体姿态角度。
进一步地，所述反馈增益系数基于NSGAII算法优化获得。
本发明提供一种采用所述的基于DMP的机器人工作空间适应性行走控制系统及方法的行走控制方法，该方法接收规划目标和反馈信息，由DMP质心轨迹生成器和DMP脚掌轨迹生成器生成实时的仿人机器人的质心轨迹和脚掌轨迹，对所述质心轨迹和脚掌轨迹，进行逆运动学计算，利用运动引擎，将工作空间的适应性映射到关节空间，实现仿人机器人的适应性行走控制。
与现有技术相比，本发明具有以下有益效果：
1)本发明的DMP质心轨迹生成器和DMP脚掌轨迹生成器基于机器人工作空间的示例轨迹训练学习获得，得到可以在线实时调节的轨迹生成器，并且能够保留示例轨迹的特征信息，提高了环境适应性和稳定性，控制更加精确。
2)本发明用DMP规划工作空间轨迹通过运动引擎映射到关节空间，避免直接设计关节空间轨迹，降低工程的复杂度和计算难度。
3)本发明在反馈参数的调节上，引入进化算法，提高了参数整定的效率和准确性，并避免人工调节参数的繁琐。
4)本发明将机器人身体姿态角作为反馈信息，DMP的输出可以根据环境实时调节，具有环境适应性，在线调节机器人工作空间轨迹。机器人在未知的环境中，实时地调节步态和身体姿态，增强了仿人机器人行走的环境适应性。
5)与传统DMP不同，本发明采用多组DMP单元耦合对脚掌和质心轨迹同时训练，有效提高精度。
附图说明
图1为本发明控制系统的总体构架；
图2为DMP质心轨迹发生器的输出结果图，其中，(2a)为质心x方向轨迹，(2b)为质心y方向轨迹；
图3为DMP脚掌轨迹发生器的输出结果图，其中，(3a)脚掌x方向轨迹，(3b)脚掌z方向轨迹，(3c)对应的x-z图；
图4为DMP脚掌轨迹发生器的输出调制结果图，其中，(4a)脚掌x方向轨迹，(4b)脚掌z方向轨迹，(4c)为对应的x-z图；
图5为传感反馈信息引入到DMP工作空间轨迹生成器的示意图；
图6为机器人NAO的DMP质心轨迹调制效果图；
图7为机器人NAO的DMP脚掌轨迹调制效果图；
图8为进化算法优化结果选择示意图。
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。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本发明提供一种基于DMP的机器人工作空间适应性行走控制系统及方法，包括DMP质心轨迹生成器、DMP脚掌轨迹生成器和关节映射模块，其中，DMP质心轨迹生成器根据规划目标和反馈信息，基于DMP训练生成仿人机器人的质心轨迹；DMP脚掌轨迹生成器根据规划目标和反馈信息，基于DMP训练生成仿人机器人的脚掌轨迹；关节映射模块对所述质心轨迹和脚掌轨迹，进行逆运动学计算，利用运动引擎，将工作空间的适应性映射到关节空间，实现仿人机器人的适应性行走控制。所述DMP质心轨迹生成器和DMP脚掌轨迹生成器基于机器人工作空间的示例轨迹训练学习获得。DMP模型包括转移系统和规范系统，采用了高斯核函数累加，通过局部加权回归的方法，对示例轨迹进行训练学习。
不同于传统的基于DMP的示教学习方法，本发明提出的方法，利用多组DMP单元耦合构建仿人机器人的重心轨迹生成器和脚掌轨迹生成器，对机器人工作空间的示例轨迹的训练学习，得到可以在线实时调节的轨迹生成器，并且能够保留示例轨迹的特征信息，可以实现机器人在未知的环境中，实时地调节步态和身体姿态，增强了仿人机器人行走的环境适应性。
实施例
以仿人型机器人NAO为例，来说明本发明提出的基于DMP的工作空间轨迹生成方法及在NAO机器人适应性行走中的应用。
(1)基于DMP的机器人质心轨迹发生器
本实施例选择的DMP模型是一个具有良好的目标吸引性的非线性系统。在机器人质心轨迹生成器采用了两个DMP单元用来生成x和y方向上的轨迹，z方向由脚掌轨迹映射可得，无需设计。具体每个DMP单元描述如下：
转移系统：
规范系统：
其中，x,y,z为3个变量，y,z,可以分别表述系统中的位置，速度及加速度，τ表示时间常数，y0表示轨迹的初始位置，g表示目标位置，feed是反馈信息接，f是强迫函数项，是为了适应复杂运动的非线性函数。当满足f＝0，且βz＝αz/4时，这个方程成为以目标点g为吸引子的全局稳定系统。规范系统是一个一阶系统，转移系统和规范系统的时间常数相同均为τ，相位变量x的作用是将系统的收敛时间归一化到从1到0的范围，避免了整个非线性项依赖于时间，保证系统为时不变系统，整个运动时间只取决于τ。f为强迫函数，Ψi(x)为高斯核函数，ωi为需要学习训练的参数，用来表示核函数的权值大小，σi，ci分别表示带宽和中心位置，均为正常数。αz,βz,αx为调节系统响应时间的常数，均为正数，N为高斯核函数的个数。
利用DMP模型对示例的仿人机器人行走时的轨迹进行训练学习，训练时feed项置零，利用示例轨迹的原始数据集采用局部加权回归LWR进行训练学习得到参数ωi，得到质心轨迹生成器。这里采取共用一个规范系统训练学习质心在x和y方向上的运动，这样做可以通过较少的参数来调节质心轨迹的三维特征并保持良好的同步性。图2是机器人行走一步时，DMP质心轨迹生成器的输出结果。
(2)基于DMP的机器人脚掌轨迹发生器
对于仿人机器人，要实现环境的适应性行走，其行走模式需要实时地根据行走环境来调制。机器人行走的速度、抬腿的高度和迈步的跨度需要灵活地调节，这是机器人实现环境适应性行走的重要条件。机器人在行走时，摆动脚的轨迹在y方向上是恒定的，所以只需训练两个维度的轨迹。和质心轨迹的训练类似，同样采取了共用一个规范系统的方法，分别训练x和z方向，这两个方向的幅值分别表示了行走的步幅和迈步的跨度，所以调节DMP的参数很方便调节机器人行走所需的速度、抬腿的高度和迈步的跨度等。图3是机器人行走一步时，DMP脚掌轨迹生成器的输出结果，图4分别是调节DMP参数后的抬腿高度和迈步跨度、轨迹的倾斜角度示意图。
(3)反馈环节设计
基于DMP的质心和脚掌轨迹发生器可以耦合反馈信息对输出的轨迹进行适应性调整，图5是本发明提出的传感反馈信息引入到DMP工作空间轨迹生成器的示意图。
实现环境适应性的关键是如何利用机器人通过对自身姿态和外部环境的感知所获得反馈信息，实现运动控制系统的自我调节。人类在坡面环境中行走时，主要借助前庭反射机理来调节身体姿态实现平稳的行走。在人类坡面行走过程中，会通过调制姿态，比如质心位置和迈步，来避免跌倒。
NAO的坡面行走实验环境设置包括上坡、平地以及下坡三种行走地面，上下坡面的坡度设定为大约10°左右。机器人身体姿态角度θ可以反映机器人的行走坡面情况，因此以身体姿态角度作为反馈信息来调制DMP轨迹发生器，调整质心和脚掌轨迹的输出轨迹，从而实现NAO的坡面适应性行走控制。
在上坡过程中，机器人质心应该前倾，避免发生打滑；在下坡过程中，机器人应稍微后仰，即质心稍滞后，避免发生倾覆。所以将身体姿态角作为DMP产生质心轨迹x方向的反馈信息，设计如下：
其中为质心反馈增益，θ表示机器人身体姿态角度。图6表示在机器人坡面行走过程中，根据反馈信息，质心轨迹发生器x方向上生成轨迹在线实时调节的结果。
机器人在进行坡面行走时，迈步的跨度和高度也有非常重要的作用，这两者分别对应DMP脚掌轨迹生成器产生的x和z方向轨迹的幅度，因此反馈回路设计如下：
feedfootx＝-Kfootx×θ
feedfootz＝-Kfootz×θ
其中feedfootx和feedfootz分别表示迈步跨度和抬腿高度的反馈信息，Kfootx、Kfootz表示分别表示两个方向上的反馈增益。图7表示在机器人坡面行走过程中，根据反馈信息，脚掌轨迹发生器在线实时调节的结果。
DMP脚掌轨迹生成器产生的脚掌轨迹是不包含脚掌的摆动角度信息，为了避免脚掌在运动时和地面发生摩擦，使得机器人具有与人相似的步态，机器人在坡面行走时，脚掌的摆动角度和平地略有不同，摆动脚的上下限会根据坡度发生变化，主要是为了配合上文所提到的质心和脚掌轨迹的变化，设计如下反馈：
ωsupFoot＝[0 Ksup×θ0]T
ωswFoot＝[ωx·l(t) ωy·l(t)+Ksw×θ 0]Τ
其中ωsupFoot和ωswFoot分别表示支撑脚和摆动脚的角度变化，ωx和ωy表示平地行走时绕x和绕y方向上的最大值，l(t)表示每个周期进度的时间函数变化范围从0到1，Ksup和Ksw是反馈增益系数。
上述反馈是辅助调节，主要是调节坡面行走，脚底平面和腿之间的角度关系，模仿人上下坡时脚掌摆动变化，提高行走质量。
为了更高效地整定系统中的反馈参数，选择了NSGAII算法对系统进行进化计算，两个适应度评价fitnessatti和fitnessdis设计如下
fitnessatti＝λpitch∑|θpitch|+λroll∑|θroll|
fitnessdis＝-distance_x(robot)
fitnessatti反映整个行走过程中机器人的行走稳定性，包含了整个行走过程身体姿态角度的绝对值之和，其中，λpitch和λroll为权重因子，且满足λpitch+λroll＝1，fitnessdis代表着机器人在行走过程中达到的最远前进距离。图8是进化算法进化至150代的结果，标记的点是最终选取的最优结果。
基于DMP的工作空间轨迹生成器，通过反馈信息在线实时调制轨迹生成器的输出，最后通过运动引擎将工作空间轨迹映射到关节空间，使仿人机器人实现适应性行走。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于DMP的机器人工作空间适应性行走控制系统，其特征在于，包括：
DMP质心轨迹生成器，根据规划目标和反馈信息，基于DMP训练生成仿人机器人的质心轨迹；
DMP脚掌轨迹生成器，根据规划目标和反馈信息，基于DMP训练生成仿人机器人的脚掌轨迹；
关节映射模块，对所述质心轨迹和脚掌轨迹，进行逆运动学计算，利用运动引擎，将工作空间的适应性映射到关节空间，实现仿人机器人的适应性行走控制；
所述DMP质心轨迹生成器和DMP脚掌轨迹生成器基于机器人工作空间的示例轨迹训练学习获得。
2.根据权利要求1所述的基于DMP的机器人工作空间适应性行走控制系统，其特征在于，所述DMP质心轨迹生成器的建立具体为：
采用共用规范系统的两个DMP单元分别对机器人前进和左右方向上的示例轨迹进行训练学习，获得可在线调节的DMP质心轨迹生成器。
3.根据权利要求1所述的基于DMP的机器人工作空间适应性行走控制系统，其特征在于，所述DMP脚掌轨迹生成器的建立具体为：
采用共用规范系统的两个DMP单元分别对机器人前进和竖直方向上的示例轨迹进行训练学习，获得可在线调节的DMP脚掌轨迹生成器。
4.根据权利要求2或3所述的基于DMP的机器人工作空间适应性行走控制系统，其特征在于，所述DMP单元的数学模型描述为：
转移系统：
规范系统：
其中，y,z,分别表述系统中的位置、速度及加速度，τ表示时间常数，y0表示轨迹的初始位置，g表示目标位置，feed表示反馈信息，f表示强迫函数项，x表示相位变量，Ψi(x)表示高斯核函数，ωi表示核函数权值，为需要学习训练的参数，σi、ci分别表示带宽和中心位置，均为正常数，αz,βz,αx为调节系统响应时间的常数，均为正数，N为高斯核函数的个数。
5.根据权利要求1所述的基于DMP的机器人工作空间适应性行走控制系统，其特征在于，所述反馈信息基于机器人身体姿态角度和反馈增益参数获得。
6.根据权利要求5所述的基于DMP的机器人工作空间适应性行走控制系统，其特征在于，引入所述DMP质心轨迹生成器的反馈信息设计为：
其中，feedcomx表示质心轨迹前进方向的反馈信息，表示质心反馈增益，θ表示机器人身体姿态角度。
7.根据权利要求5所述的基于DMP的机器人工作空间适应性行走控制系统，其特征在于，引入所述DMP脚掌轨迹生成器的反馈信息设计为：
feedfootx＝-Kfootx×θ
feedfootz＝-Kfootz×θ
其中，feedfootx和feedfootz分别表示迈步跨度和抬腿高度的反馈信息，Kfootx和Kfootz分别表示前进和竖直方向上的反馈增益，θ表示机器人身体姿态角度。
8.根据权利要求5所述的基于DMP的机器人工作空间适应性行走控制系统，其特征在于，所述反馈信息还包括双脚角度变化反馈，具体为：
ωsupFoot＝[0Ksup×θ0]T
ωswFoot＝[ωx·l(t) ωy·l(t)+Ksw×θ 0]Τ
其中，ωsupFoot和ωswFoot分别表示支撑脚和摆动脚的角度变化，ωx和ωy分别表示平地行走时绕前进和绕左右方向上的最大值，l(t)表示每个周期进度的时间函数变化，Ksup和Ksw均为反馈增益系数，θ表示机器人身体姿态角度。
9.根据权利要求5所述的基于DMP的机器人工作空间适应性行走控制系统，其特征在于，所述反馈增益系数基于NSGAII算法优化获得。
10.一种采用如权利要求1所述的基于DMP的机器人工作空间适应性行走控制系统的行走控制方法，其特征在于，该方法接收规划目标和反馈信息，由DMP质心轨迹生成器和DMP脚掌轨迹生成器生成实时的仿人机器人的质心轨迹和脚掌轨迹，对所述质心轨迹和脚掌轨迹，进行逆运动学计算，利用运动引擎，将工作空间的适应性映射到关节空间，实现仿人机器人的适应性行走控制。
CN201810204965.0A 2018-03-13 2018-03-13 基于dmp的机器人工作空间适应性行走控制系统及方法 Pending CN108469732A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810204965.0A CN108469732A (zh) 2018-03-13 2018-03-13 基于dmp的机器人工作空间适应性行走控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810204965.0A CN108469732A (zh) 2018-03-13 2018-03-13 基于dmp的机器人工作空间适应性行走控制系统及方法

Publications (1)

Publication Number Publication Date
CN108469732A true CN108469732A (zh) 2018-08-31

Family

ID=63264342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810204965.0A Pending CN108469732A (zh) 2018-03-13 2018-03-13 基于dmp的机器人工作空间适应性行走控制系统及方法

Country Status (1)

Country Link
CN (1) CN108469732A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109870947A (zh) * 2018-12-20 2019-06-11 江苏集萃智能制造技术研究所有限公司 一种小型双足机器人的步态行走规划的控制系统
CN109940619A (zh) * 2019-04-09 2019-06-28 深圳前海达闼云端智能科技有限公司 一种轨迹规划方法、电子设备及存储介质
CN110262510A (zh) * 2019-07-11 2019-09-20 北京理工大学 一种降低行走能耗的仿人机器人质心轨迹规划方法
CN110640736A (zh) * 2019-10-23 2020-01-03 南京工业大学 用于智能制造的机械臂运动规划方法
CN111633646A (zh) * 2020-05-22 2020-09-08 北京理工大学 基于DMPs和修正避障算法的机器人运动规划方法
CN112720462A (zh) * 2020-12-09 2021-04-30 深圳先进技术研究院 一种机器人的轨迹规划系统和方法
CN113977582A (zh) * 2021-11-12 2022-01-28 杭州电子科技大学 一种基于dmp的下肢外骨骼上楼梯控制方法
WO2023273107A1 (zh) * 2021-06-30 2023-01-05 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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116354A (zh) * 2013-01-30 2013-05-22 同济大学 一种双足机器人实时步态轨迹生成方法
CN105270385A (zh) * 2014-07-03 2016-01-27 通用汽车环球科技运作有限责任公司 基于动态系统的机器人速度控制
CN106444738A (zh) * 2016-05-24 2017-02-22 武汉科技大学 基于动态运动基元学习模型的移动机器人路径规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116354A (zh) * 2013-01-30 2013-05-22 同济大学 一种双足机器人实时步态轨迹生成方法
CN105270385A (zh) * 2014-07-03 2016-01-27 通用汽车环球科技运作有限责任公司 基于动态系统的机器人速度控制
CN106444738A (zh) * 2016-05-24 2017-02-22 武汉科技大学 基于动态运动基元学习模型的移动机器人路径规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A. S. PHUNG ET AL.: "Tool Centered Learning from Demonstration for Robotic Arms with Visual Feedback", 《PROCEEDINGS OF THE 2012 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS》 *
TOMAS KULVICIUS ET AL.: "Interaction learning for dynamic movement primitives used in cooperative robotic tasks", 《ROBOTICS AND AUTONOMOUS SYSTEMS》 *
姜明浩 等: "基于动态运动基元的移动机器人路径规划", 《高技术通讯》 *
陈鹏震 等: "基于动态运动基元的微小型四旋翼无人机路径规划", 《高技术通讯》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109870947A (zh) * 2018-12-20 2019-06-11 江苏集萃智能制造技术研究所有限公司 一种小型双足机器人的步态行走规划的控制系统
CN109940619A (zh) * 2019-04-09 2019-06-28 深圳前海达闼云端智能科技有限公司 一种轨迹规划方法、电子设备及存储介质
CN110262510A (zh) * 2019-07-11 2019-09-20 北京理工大学 一种降低行走能耗的仿人机器人质心轨迹规划方法
CN110262510B (zh) * 2019-07-11 2020-08-28 北京理工大学 一种降低行走能耗的仿人机器人质心轨迹规划方法
CN110640736A (zh) * 2019-10-23 2020-01-03 南京工业大学 用于智能制造的机械臂运动规划方法
CN111633646A (zh) * 2020-05-22 2020-09-08 北京理工大学 基于DMPs和修正避障算法的机器人运动规划方法
CN111633646B (zh) * 2020-05-22 2021-08-27 北京理工大学 基于DMPs和修正避障算法的机器人运动规划方法
CN112720462A (zh) * 2020-12-09 2021-04-30 深圳先进技术研究院 一种机器人的轨迹规划系统和方法
CN112720462B (zh) * 2020-12-09 2021-08-27 深圳先进技术研究院 一种机器人的轨迹规划系统和方法
WO2023273107A1 (zh) * 2021-06-30 2023-01-05 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
CN113977582A (zh) * 2021-11-12 2022-01-28 杭州电子科技大学 一种基于dmp的下肢外骨骼上楼梯控制方法

Similar Documents

Publication Publication Date Title
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
Nakanishi et al. Learning from demonstration and adaptation of biped locomotion
Santos et al. CPG modulation for navigation and omnidirectional quadruped locomotion
Buschmann et al. Controlling legs for locomotion—insights from robotics and neurobiology
Shahbazi et al. Unified modeling and control of walking and running on the spring-loaded inverted pendulum
CN103092196B (zh) 基于cpg机理的两足机器人轨迹生成与调制方法
CN107598897A (zh) 一种基于人体示教的仿人机器人步态规划的方法
Santos et al. Biped locomotion control through a biomimetic CPG-based controller
KR20050021288A (ko) 로봇 장치 및 로봇의 자세 제어 방법
Liu et al. Bipedal walking with dynamic balance that involves three-dimensional upper body motion
CN110327187A (zh) 一种外骨骼的带先验力矩无模型控制方法
Zhao et al. Realization of nonlinear real-time optimization based controllers on self-contained transfemoral prosthesis
Geng et al. A reflexive neural network for dynamic biped walking control
WO2023184933A1 (zh) 基于神经振荡器的机器人节律运动控制方法及系统
Liu et al. Rhythmic-reflex hybrid adaptive walking control of biped robot
Tan et al. A hierarchical framework for quadruped locomotion based on reinforcement learning
Luksch Human-like control of dynamically walking bipedal robots
CN116619382A (zh) 机器人运动控制方法、系统及电子设备
Sheng et al. Bio-inspired rhythmic locomotion for quadruped robots
CN108582066A (zh) 一种分层cpg及在仿人机器人行走控制中的应用
Batts et al. Toward a virtual neuromuscular control for robust walking in bipedal robots
Liu et al. Workspace trajectory generation method for humanoid adaptive walking with dynamic motion primitives
CN111123945A (zh) 一种基于混合控制的双足机器人步态轨迹生成方法及应用
Degallier et al. Hand placement during quadruped locomotion in a humanoid robot: A dynamical system approach
Geng et al. Planar biped walking with an equilibrium point controller and state machines

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180831