CN108657308B - 基于可学习中枢模式发生器的机器人运动控制系统及方法 - Google Patents
基于可学习中枢模式发生器的机器人运动控制系统及方法 Download PDFInfo
- Publication number
- CN108657308B CN108657308B CN201810779240.4A CN201810779240A CN108657308B CN 108657308 B CN108657308 B CN 108657308B CN 201810779240 A CN201810779240 A CN 201810779240A CN 108657308 B CN108657308 B CN 108657308B
- Authority
- CN
- China
- Prior art keywords
- pattern generator
- learnable
- central pattern
- joint
- central
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D57/00—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track
- B62D57/02—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track with ground-engaging propulsion means, e.g. walking members
- B62D57/032—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track with ground-engaging propulsion means, e.g. walking members with alternately or sequentially lifted supporting base and legs; with alternately or sequentially lifted feet or skid
Abstract
本发明公开了基于可学习中枢模式发生器的机器人运动控制系统及方法，包括：机器人；所述机器人，包括：左髋关节、右髋关节、左膝关节、右膝关节、左踝关节和右踝关节；每个关节内侧均设有对应的舵机，每个舵机均由对应的可学习中枢模式发生器发出的控制信号进行驱动；每个可学习中枢模式发生器均通过对应关节的历史运动数据进行训练，训练结束后，将每个可学习中枢模式发生器部署在控制器上，每个可学习中枢模式发生器根据输入信号输出相应的控制信号，控制器将每个可学习中枢模式发生器输出的控制信号传递给舵机，实现对每个关节的舵机的驱动，进而实现对机器人运动的控制。
Description
技术领域
本发明涉及基于可学习中枢模式发生器的机器人运动控制系统及方法。
背景技术
机器人技术是集生物力学、机械学、机械力学、材料学、人工智能和数学分析等诸多学科为一体的交叉研究领域，它广泛用于工业生产等领域，其中机器人的运动控制方法是研究的热点。运动是动物维系个体生存的基本功能之一，其中之一就是节律运动。产生节律运动的神经环路被称为中枢模式发生器，中枢模式发生器是一种不需要传感器反馈就能产生节律模式输出的神经网络。中枢模式发生器一般具有两个功能，一是产生基本节律信号，另外一个功能是在多个运动神经元基础上构成和协调运动模式。
中枢模式发生器所具有的特性，使其可以应用于多关节或多自由度的机器人，中枢模式发生器已经成功应用于双足、四足、六足、八足、可重构机器人、爬行机器人、游泳机器人和飞行机器人等。但现有中枢模式发生器不能学习外部控制信号，这限制了中枢模式发生器模式控制方法的应用。
发明内容
为了解决现有技术的不足，本发明提供了基于可学习中枢模式发生器的机器人运动控制系统及方法；
作为本发明的第一方面，提供了基于可学习中枢模式发生器的机器人运动控制系统；
基于可学习中枢模式发生器的机器人运动控制系统，包括：机器人；所述机器人，包括：躯干、左腿和右腿；所述左腿，包括：左大腿和左小腿，所述右腿，包括：右大腿和右小腿，所述躯干通过左髋关节与左大腿连接，所述躯干通过右髋关节与右大腿连接；所述左大腿和左小腿通过左膝关节连接；所述右大腿和右小腿通过右膝关节连接；所述左小腿还通过左踝关节与左脚连接；所述右小腿还通过右踝关节与右脚连接；
每个关节内侧均设有对应的舵机，每个舵机均由对应的可学习中枢模式发生器发出的控制信号进行驱动；每个可学习中枢模式发生器均通过对应关节的历史运动数据进行训练，训练结束后，将每个可学习中枢模式发生器部署在控制器上，每个可学习中枢模式发生器根据输入信号输出相应的控制信号，控制器将每个可学习中枢模式发生器输出的控制信号传递给舵机，实现对每个关节的舵机的驱动，进而实现对机器人运动的控制。
所述运动控制系统，包括：PC机、控制器、六个舵机以及电源；
在训练阶段：将六个可学习中枢模式发生器部署到PC机上，将历史数据输入到每个可学习中枢模式发生器中进行学习；
在使用阶段：将学习好的六个可学习中枢模式发生器均部署到控制器上；每个可学习中枢模式发生器与相应舵机之间是一一对应关系；所述控制器通过电缆与六个舵机进行通信；所述控制器接收可学习中枢模式发生器产生的控制信号，并将控制信号赋值给机器人相应关节处的舵机；所述控制器和舵机均通过电源供电。
例如：所述控制器为基于STM32F103嵌入式芯片的控制板。
进一步的，每个关节内侧均设有对应的舵机，每个舵机均由对应的可学习中枢模式发生器发出的控制信号进行驱动：
左髋关节内侧设有第一舵机，所述第一舵机由第一个可学习中枢模式发生器的控制信号进行驱动；
右髋关节内侧设有第二舵机，所述第二舵机由第二个可学习中枢模式发生器的控制信号进行驱动；
左膝关节内侧设有第三舵机，所述第三舵机由第三个可学习中枢模式发生器的控制信号进行驱动；
右膝关节内侧设有第四舵机，所述第四舵机由第四个可学习中枢模式发生器的控制信号进行驱动；
左踝关节内侧设有第五舵机，所述第五舵机由第五个可学习中枢模式发生器的控制信号进行驱动；
右踝关节内侧设有第六舵机，所述第六舵机由第六个可学习中枢模式发生器的控制信号进行驱动。
第l个中枢模式发生器由可学习中枢模式发生器组成，l的取值范围是1、2、3、4、5或6；所述可学习中枢模式发生器由两个基础单元耦合而成，每个基础单元的公式为：
式中，xi代表第i个神经元体的膜电位，xj代表第j个神经元体的膜电位，yi代表神经元的适应度，ωi代表频率状态变量，αi代表与频率变量ωi相关的幅值变量，φi代表相位状态变量，ψi是中间变量，w代表相互抑制参数，d代表自抑制参数，Tr和Ta是时间参数，F(t)是输入教师信号与实际模型输出信号的差，sign()为符号函数。Tr取值0.1，ε、η和Ta取值1，τ取值2，
和
为相应状态变量的微分。
可学习中枢模式发生器：
F(t)＝teach(t)-learned(t)；
teach(t)是可学习中枢模式发生器的输入教师信号，learned(t)是可学习中枢模式发生器的输出信号，N的取值为2。
第k个中枢模式发生器与第k-1个中枢模式发生器的相位耦合性：
式中，(1,k)代表第k个可学习中枢模式发生器中的第一个基础单元，
(1,k-1)代表第k-1个可学习中枢模式发生器中的第一个基础单元。
采用步态规划得到的运动数据作为历史数据，所述运动数据为各个关节运动时的角度；将历史数据作为输入教师信号teach(t)，当输入教师信号与实际模型输出信号的差F(t)达到规定要求，可学习中枢模式发生器训练完毕。
作为本发明的第二方面，提供了基于可学习中枢模式发生器的机器人运动控制方法；
基于可学习中枢模式发生器的机器人运动控制方法，包括：
步骤(1)：将每个可学习中枢模式发生器均部署到PC机上，利用机器人每个关节对应的历史运动数据，对每个可学习中枢模式发生器进行训练；
利用左髋关节的历史运动数据对第一个可学习中枢模式发生器进行训练；
利用右髋关节的历史运动数据对第二个可学习中枢模式发生器进行训练；
利用左膝关节的历史运动数据对第三个可学习中枢模式发生器进行训练；
利用右膝关节的历史运动数据对第四个可学习中枢模式发生器进行训练；
利用左踝关节的历史运动数据对第五个可学习中枢模式发生器进行训练；
利用右踝关节的历史运动数据对第六个可学习中枢模式发生器进行训练；
步骤(2)：将训练好的中枢模式发生器部署到控制器上，将训练好的可学习中枢模式发生器产生的周期运动信号传送给控制器，控制器将运动序列数据传送给对应关节的舵机；
步骤(3)：机器人根据每个关节舵机的接收的控制信号进行运动。
第l个中枢模式发生器由可学习中枢模式发生器组成，l的取值范围是1、2、3、4、5或6；所述可学习中枢模式发生器由两个基础单元耦合而成，每个基础单元的公式为：
式中，xi代表第i个神经元体的膜电位，xj代表第j个神经元体的膜电位，yi代表神经元的适应度，ωi代表频率状态变量，αi代表与频率变量ωi相关的幅值变量，φi代表相位状态变量，ψi是中间变量，w代表相互抑制参数，d代表自抑制参数，Tr和Ta是时间参数，F(t)是输入教师信号与实际模型输出信号的差，sign()为符号函数，Tr取值0.1，ε、η和Ta取值1，τ取值2，
和
为相应状态变量的微分。
所述可学习中枢模式发生器的训练模型：
F(t)＝teach(t)-learned(t)；
teach(t)是可学习中枢模式发生器的输入教师信号，learned(t)是可学习中枢模式发生器的输出信号。
第k个中枢模式发生器与第k-1个中枢模式发生器的相位耦合性：
式中，(1,k)代表第k个可学习中枢模式发生器中的第一个基础单元，
(1,k-1)代表第k-1个可学习中枢模式发生器中的第一个基础单元，
与现有技术相比，本发明的有益效果是：
(1)本发明构建了可学习的中枢模式发生器，可以学习外部教师信号，实现了机器人运动的智能学习过程；
(2)本发明不但构建了可学习的中枢模式发生器，还实现了中枢模式发生器与机器人的结合，本发明的相邻的中枢模式发生器彼此之间存在耦合关系；本发明的每个可学习中枢模式发生器的第一个基础单元和第二个基础单元之间也存在耦合关系，实现了对机器人运动的精细化控制。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为核心算法控制模型；
图2为可学习中枢模式发生器对外部信号的学习；
图3为可学习中枢模式发生器部署位置实施例；
图4为可学习中枢模式发生器部署关节位置实施例。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明设计了一种新的机器人运动控制方法，涉及机器人运动控制领域。该控制算法核心部分如图1所示，主要由六个可学习中枢模式发生器(Programmable CentralPattern Generator,PCPG)组成，该控制模型通过算法学习输入信号，当输入教师信号与实际模型输出信号的差F(t)达到规定要求时学习结束。当应用于机器人运动控制时，将图1的可学习中枢模式发生器部署到图3所示的网络连接中，可学习中枢模式发生器训练完毕，将运动数据序列传送给控制器，控制器通过将中枢模式发生器的输出信号传递给各个关节的舵机，实现对机器人的行走控制；先通过规划得到机器人运动各个关节一周期运动角度，然后可学习中枢模式发生器通过学习并内驻机器人周期运动信号，当各个关节控制模型工作时，机器人就可以运动了。该方法中的可学习中枢模式发生器学习速率快，可以逼近任何信号，控制模型可以在线学习。
作为本发明的第一个实施例，提供了基于可学习中枢模式发生器的机器人运动控制系统；
基于可学习中枢模式发生器的机器人运动控制系统，包括：机器人；所述机器人，包括：躯干、左腿和右腿；所述左腿，包括：左大腿和左小腿，所述右腿，包括：右大腿和右小腿，所述躯干通过左髋关节与左大腿连接，所述躯干通过右髋关节与右大腿连接；所述左大腿和左小腿通过左膝关节连接；所述右大腿和右小腿通过右膝关节连接；所述左小腿还通过左踝关节与左脚连接；所述右小腿还通过右踝关节与右脚连接；
每个关节内侧均设有对应的舵机，每个舵机均由对应的可学习中枢模式发生器发出的控制信号进行驱动；每个可学习中枢模式发生器均通过对应关节的历史运动数据进行训练，训练结束后，将每个可学习中枢模式发生器部署在控制器上，每个可学习中枢模式发生器根据输入信号输出相应的控制信号，控制器将每个可学习中枢模式发生器输出的控制信号传递给舵机，实现对每个关节的舵机的驱动，进而实现对机器人运动的控制。
所述运动控制系统，包括：PC机、控制器、六个舵机以及电源；
在训练阶段：将六个可学习中枢模式发生器部署到PC机上，将历史数据输入到每个可学习中枢模式发生器中进行学习；
在使用阶段：将学习好的六个可学习中枢模式发生器部署到控制器上；每个可学习中枢模式发生器与相应舵机之间是一一对应关系；所述控制器通过电缆与六个舵机进行通信；所述控制器接收可学习中枢模式发生器产生的控制信号，并将控制信号赋值给机器人相应关节处的舵机；所述控制器和舵机均通过电源供电。
例如：所述控制器为基于STM32F103嵌入式芯片的控制板。
进一步的，如图4所示，每个关节内侧均设有对应的舵机，每个舵机均由对应的可学习中枢模式发生器发出的控制信号进行驱动：
左髋关节内侧设有第一舵机，所述第一舵机由第一个可学习中枢模式发生器的控制信号进行驱动；
右髋关节内侧设有第二舵机，所述第二舵机由第二个可学习中枢模式发生器的控制信号进行驱动；
左膝关节内侧设有第三舵机，所述第三舵机由第三个可学习中枢模式发生器的控制信号进行驱动；
右膝关节内侧设有第四舵机，所述第四舵机由第四个可学习中枢模式发生器的控制信号进行驱动；
左踝关节内侧设有第五舵机，所述第五舵机由第五个可学习中枢模式发生器的控制信号进行驱动；
右踝关节内侧设有第六舵机，所述第六舵机由第六个可学习中枢模式发生器的控制信号进行驱动。
1)图1所示的基于可学习中枢模式发生器的控制模型：
式中，xi代表第i个神经元体的膜电位，xj代表第j个神经元体的膜电位，yi代表神经元的适应度，ωi代表频率状态变量，αi代表与频率变量ωi相关的幅值变量，φi代表相位状态变量，ψi是中间变量，w代表相互抑制参数，d代表自抑制参数，Tr和Ta是时间参数，F(t)是输入教师信号与实际模型输出信号的差，sign()为符号函数。Tr取值0.1，ε，η，和Ta取值1，τ取值2，
和
为相应状态变量的微分；
2)当应用于机器人运动控制时，将该模型置于图3所示网络中，为了体现网络中各个可学习中枢模式发生器的相位耦合性，在式(1)基础上加入式(2)
第k个中枢模式发生器与第k-1个中枢模式发生器的相位耦合性：
式中，(1,k)代表第k个可学习中枢模式发生器中的第一个基础单元，
(1,k-1)代表第k-1个可学习中枢模式发生器中的第一个基础单元。
对机器人进行运动规划，得到各个关节运动角度，并作为学习输入信号，通过图1所示模型进行学习，学习完毕；运动信号传送给控制器，控制器将运动信号传送给各个关节处舵机，机器人就可运动了。
3)首先验证模型对外来信号的学习，
假设输入信号teach(t)＝0.6+0.8sin(πt)++2sin(3πt)+sin(5πt)+sin(10πt)，利用本发明设计的可学习中枢模式发生器，可以很好的学习外部信号，如图2所示。
图2中，实线为原始信号，+为学习后的信号，可以看到，本发明提出的控制模型可以很好的学习外来信号。
作为本发明的第二个实施例，提供了基于可学习中枢模式发生器的机器人运动控制方法；
基于可学习中枢模式发生器的机器人运动控制方法，包括：
步骤(1)：利用机器人每个关节对应的历史运动数据，通过PC机对每个可学习中枢模式发生器进行训练；
利用左髋关节的历史运动数据对第一个可学习中枢模式发生器进行训练；
利用右髋关节的历史运动数据对第二个可学习中枢模式发生器进行训练；
利用左膝关节的历史运动数据对第三个可学习中枢模式发生器进行训练；
利用右膝关节的历史运动数据对第四个可学习中枢模式发生器进行训练；
利用左踝关节的历史运动数据对第五个可学习中枢模式发生器进行训练；
利用右踝关节的历史运动数据对第六个可学习中枢模式发生器进行训练；
步骤(2)：将训练好的可学习中枢模式发生器产生的周期运动信号传送给控制器，控制器将运动序列数据传送给对应关节的舵机；
步骤(3)：机器人根据每个关节舵机的接收的控制信号进行运动。
第l个中枢模式发生器由可学习中枢模式发生器组成，l的取值范围是1、2、3、4、5或6；所述可学习中枢模式发生器由两个基础单元耦合而成，每个基础单元的公式为：
式中，xi代表第i个神经元体的膜电位，xj代表第j个神经元体的膜电位，yi代表神经元的适应度，ωi代表频率状态变量，αi代表与频率变量ωi相关的幅值变量，φi代表相位状态变量，ψi是中间变量，w代表相互抑制参数，d代表自抑制参数，Tr和Ta是时间参数，F(t)是输入教师信号与实际模型输出信号的差，sign()为符号函数。Tr取值0.1，ε，η，和Ta取值1，τ取值2，
和
为相应状态变量的微分。
所述可学习中枢模式发生器的训练模型：
F(t)＝teach(t)-learned(t)；
teach(t)是可学习中枢模式发生器的输入教师信号，learned(t)是可学习中枢模式发生器的输出信号。
第k个中枢模式发生器与第k-1个中枢模式发生器的相位耦合性：
式中，(1,k)代表第k个可学习中枢模式发生器中的第一个基础单元，
(1,k-1)代表第k-1个可学习中枢模式发生器中的第一个基础单元；
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (7)
1.基于可学习中枢模式发生器的机器人运动控制系统，其特征是，包括：机器人；所述机器人，包括：躯干、左腿和右腿；所述左腿，包括：左大腿和左小腿，所述右腿，包括：右大腿和右小腿，所述躯干通过左髋关节与左大腿连接，所述躯干通过右髋关节与右大腿连接；所述左大腿和左小腿通过左膝关节连接；所述右大腿和右小腿通过右膝关节连接；所述左小腿还通过左踝关节与左脚连接；所述右小腿还通过右踝关节与右脚连接；
每个关节内侧均设有对应的舵机，每个舵机均由对应的可学习中枢模式发生器发出的控制信号进行驱动；每个可学习中枢模式发生器均通过对应关节的历史运动数据进行训练，训练结束后，将每个可学习中枢模式发生器部署在控制器上，每个可学习中枢模式发生器根据输入信号输出相应的控制信号，控制器将每个可学习中枢模式发生器输出的控制信号传递给舵机，实现对每个关节的舵机的驱动，进而实现对机器人运动的控制；
第l个中枢模式发生器由可学习中枢模式发生器组成，l的取值范围是1、2、3、4、5或6；所述可学习中枢模式发生器由两个基础单元耦合而成，每个基础单元的公式为：
式中，xi代表第i个神经元体的膜电位，xj代表第j个神经元体的膜电位，yi代表神经元的适应度，ωi代表频率状态变量，αi代表与频率变量ωi相关的幅值变量，φi代表相位状态变量，ψi是中间变量，w代表相互抑制参数，d代表自抑制参数，Tr和Ta是时间参数，F(t)是输入教师信号与实际模型输出信号的差，sign()为符号函数；Tr取值0.1，ε，η，和Ta取值1，τ取值2，
和
为相应状态变量的微分；
可学习中枢模式发生器：
F(t)＝teach(t)-learned(t)；
其中，teach(t)是可学习中枢模式发生器的输入教师信号，learned(t)是可学习中枢模式发生器的输出信号。
2.如权利要求1所述的基于可学习中枢模式发生器的机器人运动控制系统，其特征是，
所述运动控制系统，包括：PC机、控制器、六个舵机以及电源；
在训练阶段：将六个可学习中枢模式发生器部署到PC机上，将历史数据输入到每个可学习中枢模式发生器中进行学习；
在使用阶段：将学习好的六个可学习中枢模式发生器均部署到控制器上；每个可学习中枢模式发生器与相应舵机之间是一一对应关系；所述控制器通过电缆与六个舵机进行通信；所述控制器接收可学习中枢模式发生器产生的控制信号，并将控制信号赋值给机器人相应关节处的舵机；所述控制器和舵机均通过电源供电。
3.如权利要求1所述的基于可学习中枢模式发生器的机器人运动控制系统，其特征是，
每个关节内侧均设有对应的舵机，每个舵机均由对应的可学习中枢模式发生器发出的控制信号进行驱动：
左髋关节内侧设有第一舵机，所述第一舵机由第一个可学习中枢模式发生器的控制信号进行驱动；
右髋关节内侧设有第二舵机，所述第二舵机由第二个可学习中枢模式发生器的控制信号进行驱动；
左膝关节内侧设有第三舵机，所述第三舵机由第三个可学习中枢模式发生器的控制信号进行驱动；
右膝关节内侧设有第四舵机，所述第四舵机由第四个可学习中枢模式发生器的控制信号进行驱动；
左踝关节内侧设有第五舵机，所述第五舵机由第五个可学习中枢模式发生器的控制信号进行驱动；
右踝关节内侧设有第六舵机，所述第六舵机由第六个可学习中枢模式发生器的控制信号进行驱动。
4.如权利要求1所述的基于可学习中枢模式发生器的机器人运动控制系统，其特征是，
第k个中枢模式发生器与第k-1个中枢模式发生器的相位耦合性：
式中，(1,k)代表第k个可学习中枢模式发生器中的第一个基础单元，
(1,k-1)代表第k-1个可学习中枢模式发生器中的第一个基础单元，
5.如权利要求1所述的基于可学习中枢模式发生器的机器人运动控制系统，其特征是，
采用步态规划得到的运动数据作为历史数据，所述运动数据为各个关节运动时的角度；将历史数据作为输入教师信号teach(t)，当输入教师信号与实际模型输出信号的差F(t)达到规定要求，可学习中枢模式发生器训练完毕。
6.基于可学习中枢模式发生器的机器人运动控制方法，其特征是，包括：
步骤(1)：将每个可学习中枢模式发生器均部署到PC机上，利用机器人每个关节对应的历史运动数据，对每个可学习中枢模式发生器进行训练；
利用左髋关节的历史运动数据对第一个可学习中枢模式发生器进行训练；
利用右髋关节的历史运动数据对第二个可学习中枢模式发生器进行训练；
利用左膝关节的历史运动数据对第三个可学习中枢模式发生器进行训练；
利用右膝关节的历史运动数据对第四个可学习中枢模式发生器进行训练；
利用左踝关节的历史运动数据对第五个可学习中枢模式发生器进行训练；
利用右踝关节的历史运动数据对第六个可学习中枢模式发生器进行训练；
步骤(2)：将训练好的中枢模式发生器部署到控制器上，将训练好的可学习中枢模式发生器产生的周期运动信号传送给控制器，控制器将运动序列数据传送给对应关节的舵机；
步骤(3)：机器人根据每个关节舵机的接收的控制信号进行运动；
第l个中枢模式发生器由可学习中枢模式发生器组成，l的取值范围是1、2、3、4、5或6；所述可学习中枢模式发生器由两个基础单元耦合而成，每个基础单元的公式为：
式中，xi代表第i个神经元体的膜电位，xj代表第j个神经元体的膜电位，yi代表神经元的适应度，ωi代表频率状态变量，αi代表与频率变量ωi相关的幅值变量，φi代表相位状态变量，ψi是中间变量，w代表相互抑制参数，d代表自抑制参数，Tr和Ta是时间参数，F(t)是输入教师信号与实际模型输出信号的差，sign()为符号函数；Tr取值0.1，ε，η，和Ta取值1，τ取值2，
和
为相应状态变量的微分；
所述可学习中枢模式发生器的训练模型：
F(t)＝teach(t)-learned(t)；
其中，teach(t)是可学习中枢模式发生器的输入教师信号，learned(t)是可学习中枢模式发生器的输出信号。
7.如权利要求6所述的方法，其特征是，
第k个中枢模式发生器与第k-1个中枢模式发生器的相位耦合性：
式中，(1,k)代表第k个可学习中枢模式发生器中的第一个基础单元；
(1,k-1)代表第k-1个可学习中枢模式发生器中的第一个基础单元；
ψ1,k-1表示第k-1个可学习中枢模式发生器中的第一个基础单元的ψ变量；
ψ1,k表示第k个可学习中枢模式发生器中的第一个基础单元的ψ变量；
φ1,k表示第k个可学习中枢模式发生器中的第一个基础单元的φ变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810779240.4A CN108657308B (zh) | 2018-07-16 | 2018-07-16 | 基于可学习中枢模式发生器的机器人运动控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810779240.4A CN108657308B (zh) | 2018-07-16 | 2018-07-16 | 基于可学习中枢模式发生器的机器人运动控制系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108657308A CN108657308A (zh) | 2018-10-16 |
| CN108657308B true CN108657308B (zh) | 2020-03-17 |
Family
ID=63788399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810779240.4A Active CN108657308B (zh) | 2018-07-16 | 2018-07-16 | 基于可学习中枢模式发生器的机器人运动控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108657308B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103203746A (zh) * | 2012-09-29 | 2013-07-17 | 同济大学 | 两足机器人cpg控制网络拓扑结构构建方法 |
| CN103376742A (zh) * | 2012-04-24 | 2013-10-30 | 中国科学院合肥物质科学研究院 | 一种仿壁虎足部柔性结构爬壁机器人cpg控制系统 |
| CN105182754A (zh) * | 2015-08-18 | 2015-12-23 | 淮海工学院 | 仿生机器人运动控制神经网络的构建方法 |
| CN106826830A (zh) * | 2017-02-23 | 2017-06-13 | 重庆交通大学 | 一种机器人控制方法和装置 |
-
2018
- 2018-07-16 CN CN201810779240.4A patent/CN108657308B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103376742A (zh) * | 2012-04-24 | 2013-10-30 | 中国科学院合肥物质科学研究院 | 一种仿壁虎足部柔性结构爬壁机器人cpg控制系统 |
| CN103203746A (zh) * | 2012-09-29 | 2013-07-17 | 同济大学 | 两足机器人cpg控制网络拓扑结构构建方法 |
| CN105182754A (zh) * | 2015-08-18 | 2015-12-23 | 淮海工学院 | 仿生机器人运动控制神经网络的构建方法 |
| CN106826830A (zh) * | 2017-02-23 | 2017-06-13 | 重庆交通大学 | 一种机器人控制方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 数据驱动的NAO机器人关节运动控制;孙漫漫;《中国学位论文全文数据库》;20150730;第三章至第四章、摘要 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108657308A (zh) | 2018-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Madani et al. | Modular-controller-design-based fast terminal sliding mode for articulated exoskeleton systems | |
| Zhou et al. | Design and locomotion control of a biomimetic underwater vehicle with fin propulsion | |
| Crespi et al. | AmphiBot I: an amphibious snake-like robot | |
| Billard | Learning motor skills by imitation: a biologically inspired robotic model | |
| Grzelczyk et al. | Prototype, control system architecture and controlling of the hexapod legs with nonlinear stick-slip vibrations | |
| Von Twickel et al. | Neural control of a modular multi-legged walking machine: simulation and hardware | |
| Liu et al. | Deep rehabilitation gait learning for modeling knee joints of lower-limb exoskeleton | |
| Narioka et al. | Motor development of an pneumatic musculoskeletal infant robot | |
| Li et al. | Deep reinforcement learning framework for underwater locomotion of soft robot | |
| Billard et al. | A biologically inspired robotic model for learning by imitation | |
| Zhao et al. | Intelligent control of multilegged robot smooth motion: a review | |
| CN108657308B (zh) | 基于可学习中枢模式发生器的机器人运动控制系统及方法 | |
| Grzelczyk et al. | Dynamics, stability analysis and control of a mammal-like octopod robot driven by different central pattern generators | |
| Crespi et al. | Salamandra robotica: a biologically inspired amphibious robot that swims and walks | |
| Zhang et al. | A bionic neural network for fish-robot locomotion | |
| Narioka et al. | Pneumatic musculoskeletal infant robots | |
| Radkhah et al. | On the influence of elastic actuation and monoarticular structures in biologically inspired bipedal robots | |
| Ou et al. | Adaptive fuzzy tracking control of a human lower limb with an exoskeleton | |
| Elbori et al. | Evaluation and Optimization of Nonlinear Central Pattern Generators for Robotic Locomotion | |
| Dirk et al. | The bio-inspired scorpion robot: design, control & lessons learned | |
| Wu et al. | Development of a sensor-driven snake-like robot SR-I | |
| Massari et al. | Realization and control of a prototype of legged rover for planetary exploration | |
| Elbori et al. | Optimization of Central Patterns Generators | |
| Ahmadi et al. | Dimitri: a low-cost compliant humanoid torso designed for cognitive robotics research | |
| Chetty | Design and development of model robots: a new dimension in the delivery of electronic and computer engineering programs |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20191101 Address after: 250012 No. 18877 Jingshi Road, Jinan City, Shandong Province Applicant after: Shandong First Medical University (Shandong Academy of Medical Sciences) Address before: 271016 No. 619, the Great Wall Road, hi tech Development Zone, Shandong, Tai'an Applicant before: Taishan Hospital |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |