CN108858208B - 一种复杂地形仿人机器人自适应平衡控制方法、装置和系统 - Google Patents

一种复杂地形仿人机器人自适应平衡控制方法、装置和系统 Download PDF

Info

Publication number
CN108858208B
CN108858208B CN201811034592.3A CN201811034592A CN108858208B CN 108858208 B CN108858208 B CN 108858208B CN 201811034592 A CN201811034592 A CN 201811034592A CN 108858208 B CN108858208 B CN 108858208B
Authority
CN
China
Prior art keywords
robot
balance control
joint angle
motion
joint
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
Application number
CN201811034592.3A
Other languages
English (en)
Other versions
CN108858208A (zh
Inventor
刘飞
杨洪勇
赵玫
张淑宁
唐莉
刘慧霞
韩辅君
陈虎
杨怡泽
李玉玲
刘远山
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.)
Ludong University
Original Assignee
Ludong 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 Ludong University filed Critical Ludong University
Priority to CN201811034592.3A priority Critical patent/CN108858208B/zh
Publication of CN108858208A publication Critical patent/CN108858208A/zh
Application granted granted Critical
Publication of CN108858208B publication Critical patent/CN108858208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)

Abstract

本发明涉及机器人控制领域，具体为一种复杂地形仿人机器人自适应平衡控制方法、装置和系统。所述方法包括建立机器人的连杆模型；计算出相应的落脚点；对机器人关节角度值进行调整；监测机器人质心轨迹，接收陀螺仪传感器数据，判断机器人是否处于平衡状态；当机器人处于非平衡状态时接收关节角度反馈值和陀螺仪传感器数据，对机器人足部运动轨迹进行优化调整；使机器人自适应地进行运动过程中的平衡控制；优化机器人的关节角度值及相应参数，该发明可应用于双足、四足等一类仿人机器人的运动平衡控制，面向应用范围广，可以极大地加强机器人对应用环境的自适应能力，可以有效地减少实际应用过程中的硬件损耗。

Description

一种复杂地形仿人机器人自适应平衡控制方法、装置和系统
技术领域
本发明涉及机器人控制领域，具体为一种复杂地形仿人机器人自适应平衡控制方法、装置和系统。
背景技术
如今在我们的生活中，机器人的应用越来越广泛，而常规轮式机器人在实际应用方面具有很多局限性，而仿人机器人因为在不同环境下模拟人类的行为模式，因此应用于更多场景。然而由于仿人机器人的系统特性和人类环境的复杂多变，要实现仿人机器人在不同应用场景中的稳定行走仍然是一个挑战。其次，以RoboCup标准平台组比赛为例，我们在对Nao机器人的运动模块进行算法优化和代码整合的过程中，通过实际测试会发现我们的机器人在遇到例如上下坡行走，机器人接触碰撞，目标点或运动方向突然变化等不同的运动情况时，会出现因步态不协调或质心突变而导致的不能保持稳定行走甚至直接摔倒的现象，这种现象在实际应用和比赛时都会造成较为严重的后果。因此研究仿人机器人稳定行走具有非常重要的意义。
重庆大学的敬成林提出仿人预测控制步行模式生成方法，结合仿人智能控制与预测控制，提出一种新的仿人预测控制在线步行模式生成方法，克服了预测控制在环境扰动引起的模型失配时的性能下降缺点，增强了双足行走的自适应性。
该技术利用步行模式的预测方法实现仿人智能控制和预测控制从而实现双足行走的自适应性，该方法在较平滑的地面环境下能够实现较为准确的步行模式预测和控制，但由于里程计计算误差等不可避免的误差无法实现在更复杂如坡面行走或凹凸地面上的准确预测和控制，在应用的广泛性上具有较大的限制。
发明内容
基于此，有必要针对上述的问题，提供一种复杂地形仿人机器人自适应平衡控制方法、装置和系统。
本发明实施例是这样实现的，一种复杂地形仿人机器人自适应平衡控制方法，包括以下步骤：
建立机器人的连杆模型；
以所述连杆模型为基础，依据机器人实际关节角度值计算出相应的落脚点；
由机器人实际落脚点与规划目标点的差距对机器人关节角度值进行调整；
监测机器人运动时的质心运动轨迹，同时接收陀螺仪传感器数据，利用零力矩点判断机器人是否处于平衡状态；
当机器人处于非平衡状态时接收机器人的关节角度反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及三维倒立摆模型对机器人足部运动轨迹进行优化调整；
引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器数据信息并进行处理，使机器人自适应地进行运动过程中的平衡控制；
基于CMA-ES进化策略算法优化机器人的关节角度值及相应参数。
在其中一个实施例中，上述复杂地形仿人机器人自适应平衡控制方法，所述由机器人实际落脚点与规划目标点的差距对机器人关节角度值进行调整，包括以下步骤：
由实际落脚点的位置推导出实际运动过程中的相应关节角度值，同时将目标落脚点相对于髋关节的位置作为输入值进行推导，求得期望达到的相应关节角度值；
将所述期望达到的相应关节角度值与实际落脚点求得的实际关节角度值之间的差值作为补偿值反馈到关节传感器，在下一运动周期对关节角度值进行补偿。
在其中一个实施例中，上述复杂地形仿人机器人自适应平衡控制方法，所述利用PID平衡控制算法以及三维倒立摆模型对机器人足部运动轨迹进行优化调整，包括以下步骤：
通过关节传感器数值实时接收关节反馈值；
利用此时的关节反馈值，通过基于IMU和关节反馈值补偿到膝关节以及基于陀螺仪补偿到踝关节的平衡控制算法进行相应调整，以保持平衡状态。
在其中又一个实施例中，上述复杂地形仿人机器人自适应平衡控制方法，所述不同运动状态，包括：快走，旋转，起身，坐下。
在其中一个实施例中，上述复杂地形仿人机器人自适应平衡控制方法，所述使机器人自适应地进行运动过程中的平衡控制，包括：
依据机器人的加速度及角速度信息，利用角动量定理来计算机器人受到的力的大小及方向，根据反作用零空间理论，得到以受力信息为基础的矩阵零空间，建立仿人机器人的稳定模型；
采用髋关节角度值调整策略来应对干扰力，使机器人在受到一定大小范围的外力干扰的情况下能够保持平衡，并在外力干扰消失后能够恢复原有稳定姿态。
在其中一个实施例中，上述复杂地形仿人机器人自适应平衡控制方法，所述基于CMA-ES进化策略算法优化机器人的关节角度值及相应参数，包括：
基于CMA-ES进化策略算法，建立不同运动条件下的任务模型；
根据自适应平衡控制系统，利用任务模型对不同运动条件进行参数和关节角度值优化。
在其中一个实施例中，上述复杂地形仿人机器人自适应平衡控制方法，所述任务模型，用来评定一段优化过程中机器人行走的稳定状态，由一段行走过程中摔倒的次数(Fall)，行走距离(dis)，行走时间(t)和完成行走后与规划目标点的误差(diff)计算得到。
此外，本发明还提供了一种复杂地形仿人机器人自适应平衡控制装置，包括：
连杆模型建立模块，用于建立机器人的连杆模型；
正运动学计算模块，用于以所述连杆模型为基础，依据机器人实际关节角度值计算出相应的落脚点；
误差调节模块，用于由机器人实际落脚点与规划目标点的差距对机器人关节角度值进行调整；
平衡监测模块，用于监测机器人运动时的质心运动轨迹，同时接收陀螺仪传感器数据，利用零力矩点判断机器人是否处于平衡状态；
失稳调整模块，用于当机器人处于非平衡状态时接收机器人的关节角度反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及三维倒立摆模型对机器人足部运动轨迹进行优化调整；
平衡控制模块，用于引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器数据信息并进行处理，使机器人自适应地进行运动过程中的平衡控制；以及
优化学习模块，用于基于CMA-ES进化策略算法优化机器人的关节角度值及相应参数。
在其中一个实施例中，上述复杂地形仿人机器人自适应平衡控制装置，所述误差调节模块，包括：
逆运动学计算单元，用于由实际落脚点的位置推导出实际运动过程中的相应关节角度值，同时将目标落脚点相对于髋关节的位置作为输入值进行推导，求得期望达到的相应关节角度值；
差值补偿单元，用于将所述期望达到的相应关节角度值与实际落脚点求得的实际关节角度值之间的差值作为补偿值反馈到关节传感器，在下一运动周期对关节角度值进行补偿。
在其中一个实施例中，上述复杂地形仿人机器人自适应平衡控制装置，所述失稳调整模块，包括：
反馈值接收单元，用于通过关节传感器数值实时接收关节反馈值；
反馈调整单元，用于利用此时的关节反馈值，通过基于IMU和关节反馈值补偿到膝关节以及基于陀螺仪补偿到踝关节的平衡控制算法进行相应调整，以保持平衡状态。
在其中一个实施例中，上述复杂地形仿人机器人自适应平衡控制装置，所述不同运动状态，包括：快走，旋转，起身，坐下。
在其中一个实施例中，上所述复杂地形仿人机器人自适应平衡控制装置，所述平衡控制模块，包括：
受力计算单元，用于依据机器人的加速度及角速度信息，利用角动量定理来计算机器人受到的力的大小及方向，根据反作用零空间理论，得到以受力信息为基础的矩阵零空间，建立仿人机器人的稳定模型即：
稳定模型建立单元，用于根据反作用零空间理论建立仿人机器人的稳定模型；以及
平衡控制单元，用于采用髋关节角度值调整策略来应对干扰力，使机器人在受到一定大小范围的外力干扰的情况下能够保持平衡，并在外力干扰消失后能够恢复原有稳定姿态。
在其中一个实施例中，上所述复杂地形仿人机器人自适应平衡控制装置，所述优化学习模块，包括：
任务模型建立单元，用于基于CMA-ES进化策略算法，建立不同运动条件下的任务模型；
优化学习单元，用于根据自适应平衡控制系统，利用任务模型对不同运动条件进行参数和关节角度值优化。
在其中一个实施例中，上所述复杂地形仿人机器人自适应平衡控制装置，所述δ(0)任务模型，用来评定一段优化过程中机器人行走的稳定状态，由一段行走过程中摔倒的次数(Fall)，行走距离(dis)，行走时间(t)和完成行走后与规划目标点的误差(diff)计算得到。
本发明实施例提供的基于复杂地形仿人机器人自适应平衡控制方法，通过建立机器人连杆模型，求解规划目标点相对应的机器人实际关节角度值，对于实际落脚点与规划目标点的差距在下一周期进行调整，利用零力矩点判断依据监测机器人是否处于平衡状态，在非平衡状态下接收机器人的关节反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及构建的三维倒立摆模型对机器人足部运动轨迹进行优化调整，引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器等传感器数据信息进行处理，使机器人自适应地进行运动过程中的平衡控制，引入基于CMA-ES进化策略算法，对机器人的关节角度值以及相应参数进行学习优化，该发明可应用于双足、四足等一类仿人机器人的运动平衡控制，面向应用范围广，可以极大地加强机器人对应用环境的自适应能力，可以有效地减少实际应用过程中的硬件损耗。
附图说明
图1为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制方法的应用环境图；
图2为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制方法的流程图；
图3为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制方法步骤S203流程图；
图4为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制方法中机器人腿部关节连杆三角形示意图；
图5为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制方法步骤S205流程图；
图6为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制方法机器人自适应地进行运动过程中的平衡控制流程图；
图7为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制方法步骤S207流程图；
图8为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制方法机器人分层学习示意图；
图9为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制装置的结构框图；
图10为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制装置中误差调节模块结构框图；
图11为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制装置中失稳调节模块结构框图；
图12为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制装置中平衡控制模块结构框图；
图13为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制装置中优化学习模块结构框图；
图14为一个实施例中一种基于复杂地形仿人机器人自适应平衡控制系统结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图1-14及实施例，对本发明进行进一步详细说明。应当理解，此处所述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
本发明实施例提供的复杂地形仿人机器人自适应平衡控制方法，通过建立机器人连杆模型，求解规划目标点相对应的机器人实际关节角度值，对于实际落脚点与规划目标点的差距在下一周期进行调整，利用零力矩点判断依据监测机器人是否处于平衡状态，在非平衡状态下接收机器人的关节反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及构建的三维倒立摆模型对机器人足部运动轨迹进行优化调整，引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器等传感器数据信息进行处理，使机器人自适应地进行运动过程中的平衡控制，引入基于CMA-ES进化策略算法，对机器人的关节角度值以及相应参数进行学习优化，该发明可应用于双足、四足等一类仿人机器人的运动平衡控制，面向应用范围广，可以极大地加强机器人对应用环境的自适应能力，可以有效地减少实际应用过程中的硬件损耗。
实施例一：
图1为一个实施例中提供的一种复杂地形仿人机器人自适应平衡控制方法的应用环境图，如图1所示，在该应用环境中，包括控制系统101以及仿人机器人102。
控制系统101可以是平板电脑、笔记本电脑、台式计算机，但并不局限于此，控制系统可以由上述的一台或者多台设备联合结成，其完成的功能在于实现对仿人机器人的操作，包括编程，启停，接收、存储、发送数据及指令，运动分析等，但并不局限于此，也即是能完成上述功能的设备都落在本申请的保护范围内。
仿人机器人102可以是Nao机器人或者其他相似类型的两足、四足机器人，主要是针对不同运动状态的任务，不同的运动状态包括但不限于快走、慢走、转身、站立、后退等，不同的任务包括但不限于踢球、赛跑、体操等，主要的目标是对四肢与躯干动作的平滑连贯进行优化；机器人与控制系统之间通过无线网络的方式进行通讯。
实施例二：
如图2所示，在一个实施例中，给出了一种复杂地形仿人机器人自适应平衡控制方法方法，本实施例主要以该方法应用于上述图1中的控制系统101(当然，控制系统也可以集成到仿人机器人102上)来举例说明。具体可以包括以下步骤：
步骤S201，建立机器人的连杆模型；
步骤S202，以所述连杆模型为基础，依据机器人实际关节角度值计算出相应的落脚点；
步骤S203，由机器人实际落脚点与规划目标点的差距对机器人关节角度值进行调整；
步骤S204，监测机器人运动时的质心运动轨迹，同时接收陀螺仪传感器数据，利用零力矩点判断机器人是否处于平衡状态；
步骤S205，当机器人处于非平衡状态时接收机器人的关节角度反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及三维倒立摆模型对机器人足部运动轨迹进行优化调整；
步骤S206，引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器数据信息并进行处理，使机器人自适应地进行运动过程中的平衡控制；
步骤S207，基于CMA-ES进化策略算法优化机器人的关节角度值及相应参数。
在本发明实施例中，步骤S201所述建立机器人的连杆模型，以三维倒立摆模型为基础，将仿人机器人的运动部位，如手、足、头等，看作以躯干为中心摆动的连杆，依据各连杆的长度及目标位置，确定各杆的摆量，其中，将整个仿人机器人看作三维倒立摆模型。
在本发明实施例中，步骤S202所述依据机器人实际关节角度值计算出相应的落脚点，利用步骤S201建立的连杆模型，根据给定的各连杆摆动角度值以及各连杆的长度，可以正向求出在给定摆动角度下的落脚点，即规划目标点。
在本发明实施例中，步骤S203，根据规划目标落脚点的位置，反推出在当前状态下如需达到该目标点所需要的关节角度值，然后与该状态下实际的关节角度值进行对比，两者之间的误差再结合惯性传感器数据和ZMP平衡判断依据对踝关节骻关节等相应关键关节的关节角度值在下一运动周期进行补偿。
在本发明实施例中，步骤S204，所述监测机器人运动时的质心运动轨迹，同时接收陀螺仪传感器数据，利用零力矩点判断机器人是否处于平衡状态，即：监测机器人运动时的质心运动轨迹，同时接收陀螺仪传感器数据，ZMP(Zero Moment Point)“零力矩点”是判定仿人机器人动态稳定运动的重要指标，ZMP落在脚掌的范围里面，则机器人可以稳定的行走。在运动过程中会依据三维倒立摆建模出机器人的连杆模型，考虑质心对机器人运动的约束，建立约束面，再结合零力矩点的运动平衡判断依据，在运动过程中时刻判断机器人是否处于平衡状态，并且通过关节传感器数值实时接收关节反馈值，当机器人失衡时立即利用此时的关节反馈值通过基于IMU和关节反馈值补偿到膝关节以及基于陀螺仪补偿到踝关节的平衡控制算法进行相应调整，以保持平衡状态。
在本发明实施例中，步骤S205，其中涉及到的基于陀螺仪传感器数据的PID控制算法公式：
filteredGyro＝gyroLowPassRatio*filteredGroy0+(1-gyroLowPassRatio)*theInertialSensorData
(S4-1)
S4-1：filteredGyro表示加权选取后的陀螺仪数据，gyroLowPassRatio表示上一步行周期的权重，filteredGyroO表示上一周期的陀螺仪数据，thelnertialSensorData表示实时测量的惯性传感器数据，该公式实现对机器人接收的陀螺仪数据的加权计算，增加可靠性。
BalanceAdjustment＝filteredGyro*gyroBalanceFactor (S4-2)
S4-2：BalanceAdjustment表示对踝关节等关键关节角度的P控制系数，
由加权陀螺仪数据与预先设定的陀螺仪补偿值相乘得到。
rAnkleRoll＝rAnkleRoH+BalanceAdjustment
lAnkleRoll＝lAnkleRoll+BalanceAdjustment
(S4-3)
S4-3：IAnklePitch和rAnklePitch即表示左右脚的踝关节角度值，通过这样的控制方法将机器人在失衡时的关节补偿值与陀螺仪补偿值、惯性传感器数据相结合，得到更精确的关节补偿，从而对此时的足部运动轨迹进行调整或重新规划。
在一个实施例中，步骤S206所述不同运动状态，包括：慢走，快走，旋转，起身，坐下等对平衡控制条件要求不同的运动状态。
在本发明实施例中，步骤S206所述态建立机器人运动平衡控制系统，即运用步骤S201～S205的模型与控制算法，针对不同的动作状态进行训练，使机器人自适应地进行运动过程中的平衡控制(由于其中包括PID等控制算法，在不同运动状态的训练中，部分参数可以实现自行调整)。
在本发明实施例中，CMA-ES(Covariance Matrix Adaptation EvolutionaryStrategies，中文名称：协方差矩阵自适应进化策略)主要用于解决连续优化问题，尤其在病态条件下的连续优化问题。在本发明中，通过CMA-ES求解各关节最优的摆动角度及旋转角度，条件为满足ZMP落在脚掌的范围里面，通过自定义评价函数求得最优关节角度值及参数。
本发明实施例提供的复杂地形仿人机器人自适应平衡控制方法，通过建立机器人连杆模型，求解规划目标点相对应的机器人实际关节角度值，对于实际落脚点与规划目标点的差距在下一周期进行调整，利用零力矩点判断依据监测机器人是否处于平衡状态，在非平衡状态下接收机器人的关节反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及构建的三维倒立摆模型对机器人足部运动轨迹进行优化调整，引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器等传感器数据信息进行处理，使机器人自适应地进行运动过程中的平衡控制，引入基于CMA-ES进化策略算法，对机器人的关节角度值以及相应参数进行学习优化，该发明可应用于双足、四足等一类仿人机器人的运动平衡控制，面向应用范围广，可以极大地加强机器人对应用环境的自适应能力，可以有效地减少实际应用过程中的硬件损耗。
实施例三：
如图3所示，在一个实施例中，给出了一种复杂地形仿人机器人自适应平衡控制方法，为了便于说明，仅示出了于本发明实施例相关的部分，与实施例二相比，其不同在于，所述由步骤S203机器人实际落脚点与规划目标点的差距对机器人关节角度值进行调整，包括：
步骤S2031，由实际落脚点的位置推导出实际运动过程中的相应关节角度值，同时将目标落脚点相对于髋关节的位置作为输入值进行推导，求得期望达到的相应关节角度值；
步骤S2032，将所述期望达到的相应关节角度值与实际落脚点求得的实际关节角度值之间的差值作为补偿值反馈到关节传感器，在下一运动周期对关节角度值进行补偿。
其中涉及到落脚点到机器人臀部的逆运动学计算公式为：
Foot2Hip＝Transzy(ldis/2)*Foot2Torso (S2-1)
S2-1：Idis表示两腿之间的距离，Foot2Torso作为旋转矩阵中的输入值参与计算，表示脚相对于躯干的位置，Foot2Hip表示实际落脚点脚部相对于髋关节的位置，由y轴通过简单平移得到该公式。
Foot2HipOrthogonal＝Rotx(π/4)*Foot2Hip (S2-2)
S2-2：Foot2HipOrthogonal表示腿部相对于髋关节的x轴旋转π/4的弧度实现的正交变换结果。
HipOrthogonal2Foot＝Foot2HipOrthogonal-1 (S2-3)
S2-3：HipOrthogonal2Foot是Foot2HipOrthogonal平移向量的长度，由表示由腿部和膝盖形成的三角形的一条边，由于运动学连杆模型的性质，这个变换是倒置的，可以通过Foot2HipOrthogonal直接计算。
Figure BDA0001790027310000121
γ＝π-qknee (S2-4)
S2-4：由构建的三角型进行三角变换算得膝关节角度值。IupperLeg表示上半部腿长，llowerLeg表示下半部腿长，由三角函数求得qknee值(见图3)，进而求得膝关节角度γ，其余关节角度值类比该方法课顺次由逆运动学变换得出。
图4：该图中空白部分三角形由髋关节和腿部的连杆模型得出，A,B两条边分别为膝关节上下部分腿部的长度lupperLeg和llowerLeg，C边即为HipOrthogonal2Foot，这样在该三角形内进行三角函数变换即可获得膝关节角度值。
用以上公式可由实际落脚点的位置通过逆运动学推导出实际运动过程中的相应关节角度值，同时将目标落脚点相对于髋关节的位置FootHiptarget作为输入值同样利用以上的逆运动学公式进行推导，可以求得期望达到的相应的关节角度值，将其与实际落脚点求得的实际关节角度值之间的差值作为补偿值反馈到关节传感器对关节角度值进行补偿，维持机器人运动时的稳定状态。
FootHiptarget＝Transzy(ldis/2)*FootTorsotarget (S2-5)
FootHipOrthogonaltarget＝Rotx(π/4)*FootHiptarget (S2-6)
HipOrthogonalFoottarget＝FootHipOrthogonaltarget -1 (S2-7)
Figure BDA0001790027310000131
γtarget＝π-qknee’ (S2-9)
S2-5至52-9将目标落脚点性对与髋关节的位置FootHiptarget作为输入，计算得到期望的膝关节角度值γtarget。
γoffset＝|γtarget-γ| (S2-10)
γ＝γ+γoffset (S2-11)
S2-10和S2-11即为求得实际膝关节角度值与实际关节角度值的差值，此时对实际膝关节角度值进行差值补偿即可获得较为准确的实际膝关节角度值，以维持机器人运动时的平衡状态，其余关键关节角度值也可用结合逆运动学用类似方法进行差值补偿。
本发明实施例提供的复杂地形仿人机器人自适应平衡控制方法，通过建立机器人连杆模型，求解规划目标点相对应的机器人实际关节角度值，对于实际落脚点与规划目标点的差距在下一周期进行调整，利用零力矩点判断依据监测机器人是否处于平衡状态，在非平衡状态下接收机器人的关节反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及构建的三维倒立摆模型对机器人足部运动轨迹进行优化调整，引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器等传感器数据信息进行处理，使机器人自适应地进行运动过程中的平衡控制，引入基于CMA-ES进化策略算法，对机器人的关节角度值以及相应参数进行学习优化，该发明可应用于双足、四足等一类仿人机器人的运动平衡控制，面向应用范围广，可以极大地加强机器人对应用环境的自适应能力，可以有效地减少实际应用过程中的硬件损耗。
实施例四：
如图5所示，在一个实施例中，给出了一种复杂地形仿人机器人自适应平衡控制方法，为了便于说明，仅示出了于本发明实施例相关的部分，与实施例二相比，其不同在于，步骤S205所述利用PID平衡控制算法以及三维倒立摆模型对机器人足部运动轨迹进行优化调整，包括：
步骤S501，通过关节传感器数值实时接收关节反馈值；
步骤S502，利用此时的关节反馈值，通过基于IMU和关节反馈值补偿到膝关节以及基于陀螺仪补偿到踝关节的平衡控制算法进行相应调整，以保持平衡状态。
本发明实施例提供的复杂地形仿人机器人自适应平衡控制方法，通过建立机器人连杆模型，求解规划目标点相对应的机器人实际关节角度值，对于实际落脚点与规划目标点的差距在下一周期进行调整，利用零力矩点判断依据监测机器人是否处于平衡状态，在非平衡状态下接收机器人的关节反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及构建的三维倒立摆模型对机器人足部运动轨迹进行优化调整，引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器等传感器数据信息进行处理，使机器人自适应地进行运动过程中的平衡控制，引入基于CMA-ES进化策略算法、四足等一类仿人机器人的运动平衡控制，面向应用范围广，可以极大地加强机器人对应用环境的自适应能力，可以有效地减少实际应用过程中的硬件损耗。
实施例五：
如图6所示，在一个实施例中，给出了一种复杂地形仿人机器人自适应平衡控制方法，为了便于说明，仅示出了于本发明实施例相关的部分，与实施例二相比，其不同在于，所述使机器人自适应地进行运动过程中的平衡控制，包括：
步骤S601，依据机器人的加速度及角速度信息，利用角动量定理来计算机器人受到的力的大小及方向；
步骤S602，根据反作用零空间理论建立仿人机器人的稳定模型；
步骤S603，采用髋关节角度值调整策略来应对干扰力，使机器人在受到一定大小范围的外力干扰的情况下能够保持平衡，并在外力干扰消失后能够恢复原有稳定姿态。
本发明实施例提供的复杂地形仿人机器人自适应平衡控制方法，通过建立机器人连杆模型，求解规划目标点相对应的机器人实际关节角度值，对于实际落脚点与规划目标点的差距在下一周期进行调整，利用零力矩点判断依据监测机器人是否处于平衡状态，在非平衡状态下接收机器人的关节反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及构建的三维倒立摆模型对机器人足部运动轨迹进行优化调整，引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器等传感器数据信息进行处理，使机器人自适应地进行运动过程中的平衡控制，引入基于CMA-ES进化策略算法，对机器人的关节角度值以及相应参数进行学习优化，该发明可应用于双足、四足等一类仿人机器人的运动平衡控制，面向应用范围广，可以极大地加强机器人对应用环境的自适应能力，可以有效地减少实际应用过程中的硬件损耗。
实施例六：
如图7所示，在一个实施例中，给出了一种复杂地形仿人机器人自适应平衡控制方法，为了便于说明，仅示出了于本发明实施例相关的部分，与实施例二相比，其不同在于，步骤207所述基于CMA-ES进化策略算法优化机器人的关节角度值及相应参数，包括：
步骤S2071，基于CMA-ES进化策略算法，建立不同运动条件下的δ(0)任务模型；
步骤S2072，根据自适应平衡控制系统，利用δ(0)任务模型对不同运动条件进行参数和关节角度值优化。
在本发明实施例中，步骤S701，考虑复杂地形中可能遇见的运动情况，在CMA-ES基础上引进了分层学习算法，对机器人每个运动状态，当做一个训练项目进行分层优化，使运动参数能够在不同运动状态下能够自适应地达到最好的运动效果，其过程如图8所示。其中，WalkFront_S表示向前正常行走，WalkFront_F表示向前快走，WalkBack_S表示向后正常行走，WalkBack_F表示向后快走，Turn，WalkSide，Stand分别表示在WalkFront_S、WalkBack_S运动状态下进行的其他特殊动作(此处只列举了一部分)。分层学习的思路是首先第一步优化在向前和向后以正常速度行走的平衡状态，使机器人在以正常速度行走时能够时刻保持稳定，然后第二步是在此训练基础上增加训练项目即添加特殊动作来优化从正常步行向执行特殊动作的过程，使该过程在过渡时依然能够平滑转换并保持运动的稳定性。第三步是在前两步的基础上改变训练条件，通过加快机器人速度使机器人在快速移动的基础上依然能够优化出稳定切换不同运动状态的训练效果。双向箭头表示在训练过程中不同动作间可以相互转换，最终学习目标是机器人在不同速度，不同运动状态之间相互转换时依然能够保持较好的平衡状态。
在本发明另一个实施例中，所述δ(0)任务模型，δ(0)用来评定一段优化过程中机器人行走的稳定状态，由一段行走过程中摔倒的次数(Fall)，行走距离(dis)，行走时间(t)和完成行走后与规划目标点的误差(diff)计算得到：
Figure BDA0001790027310000171
其中，δ(0)表示优化过程中通过计算获得的评价函数值，用来评定一段优化过程中机器人行走的稳定状态，κ和ρ是在优化过程中由实际优化效果建立的优化比例系数。
在本发明实施例中，CMA-ES(Covariance Matrix Adaptation EvolutionaryStrategies，中文名称：协方差矩阵自适应进化策略)主要用于解决连续优化问题，尤其在病态条件下的连续优化问题。在本发明中，通过CMA-ES求解各关节最优的摆动角度及旋转角度，条件为满足ZMP落在脚掌的范围内，通过寻找评价函数δ(0)最优解求得相应的最优关节角度值及参数。
本发明实施例提供的复杂地形仿人机器人自适应平衡控制方法，通过建立机器人连杆模型，求解规划目标点相对应的机器人实际关节角度值，对于实际落脚点与规划目标点的差距在下一周期进行调整，利用零力矩点判断依据监测机器人是否处于平衡状态，在非平衡状态下接收机器人的关节反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及构建的三维倒立摆模型对机器人足部运动轨迹进行优化调整，引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器等传感器数据信息进行处理，使机器人自适应地进行运动过程中的平衡控制，引入基于CMA-ES进化策略算法，对机器人的关节角度值以及相应参数进行学习优化，该发明可应用于双足、四足等一类仿人机器人的运动平衡控制，面向应用范围广，可以极大地加强机器人对应用环境的自适应能力，可以有效地减少实际应用过程中的硬件损耗。
实施例七：
如图9所示，在一个实施例中，给出了一种复杂地形仿人机器人自适应平衡控制装置900，为了便于说明，仅示出了于本发明实施例相关的部分，包括：
连杆模型建立模块901，用于建立机器人的连杆模型；
正运动学计算模块902，用于以所述连杆模型为基础，依据机器人实际关节角度值计算出相应的落脚点；
误差调节模块903，用于由机器人实际落脚点与规划目标点的差距对机器人关节角度值进行调整；
平衡监测模块904，用于监测机器人运动时的质心运动轨迹，同时接收陀螺仪传感器数据，利用零力矩点判断机器人是否处于平衡状态；
失稳调整模块905，用于当机器人处于非平衡状态时接收机器人的关节角度反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及三维倒立摆模型对机器人足部运动轨迹进行优化调整；
平衡控制模块906，用于引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器数据信息并进行处理，使机器人自适应地进行运动过程中的平衡控制；以及
优化学习模块907，用于基于CMA-ES进化策略算法优化机器人的关节角度值及相应参数。
在本发明另一实施例中，如图10所示，所述误差调节模块903包括：
逆运动学计算单元，用于由实际落脚点的位置推导出实际运动过程中的相应关节角度值，同时将目标落脚点相对于髋关节的位置作为输入值进行推导，求得期望达到的相应关节角度值；
差值补偿单元，用于将所述期望达到的相应关节角度值与实际落脚点求得的实际关节角度值之间的差值作为补偿值反馈到关节传感器，在下一运动周期对关节角度值进行补偿。
在本发明另一实施例中，如图11所示，所述失稳调整模块包括：
反馈值接收单元，用于通过关节传感器数值实时接收关节反馈值；
反馈调整单元，用于利用此时的关节反馈值，通过基于IMU和关节反馈值补偿到膝关节以及基于陀螺仪补偿到踝关节的平衡控制算法进行相应调整，以保持平衡状态。
在本发明另一实施例中，所述不同运动状态包括但不限于慢走，快走，旋转，起身，坐下等。
在本发明另一实施例中，如图12所示，所述平衡控制模块906包括：
受力计算单元9061，用于依据机器人的加速度及角速度信息，利用角动量定理来计算机器人受到的力的大小及方向；
稳定模型建立单元9062，用于根据反作用零空间理论建立仿人机器人的稳定模型；以及
平衡控制单元9063，用于采用髋关节角度值调整策略来应对干扰力，使机器人在受到一定大小范围的外力干扰的情况下能够保持平衡，并在外力干扰消失后能够恢复原有稳定姿态。
在本发明另一实施例中，如图13所示，所述优化学习模块907包括：
任务模型建立单元9071，用于基于CMA-ES进化策略算法，建立不同运动条件下的δ(0)任务模型；
优化学习单元9072，用于根据自适应平衡控制系统，利用δ(0)任务模型对不同运动条件进行参数和关节角度值优化。
在本发明另一实施例中，如图所示，所述δ(0)任务模型，用来评定一段优化过程中机器人行走的稳定状态，由一段行走过程中摔倒的次数(Fall)，行走距离(dis)，行走时间(t)和完成行走后与规划目标点的误差(diff)计算得到。
本发明实施例提供的复杂地形仿人机器人自适应平衡控制装置，通过建立机器人连杆模型，求解规划目标点相对应的机器人实际关节角度值，对于实际落脚点与规划目标点的差距在下一周期进行调整，利用零力矩点判断依据监测机器人是否处于平衡状态，在非平衡状态下接收机器人的关节反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及构建的三维倒立摆模型对机器人足部运动轨迹进行优化调整，引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器等传感器数据信息进行处理，使机器人自适应地进行运动过程中的平衡控制，引入基于CMA-ES进化策略算法，对机器人的关节角度值以及相应参数进行学习优化，该发明可应用于双足、四足等一类仿人机器人的运动平衡控制，面向应用范围广，可以极大地加强机器人对应用环境的自适应能力，可以有效地减少实际应用过程中的硬件损耗。
实施例八：
如图14所示，在一个实施例中，给出了一种复杂地形仿人机器人自适应平衡控制系统，为了便于说明，仅示出了于本发明实施例相关的部分，包括：
如实施例七所述的一种复杂地形仿人机器人自适应平衡控制装置900；
仿人机器人102。
在本发明实施例中，仿人机器人可以是Nao机器人或者其他相似类型的两足或四足机器人，主要是针对不同运动状态的任务，不同的运动状态包括但不限于快走、慢走、转身、站立、后退等，不同的任务包括但不限于踢球、赛跑、体操等，主要的目标是对四肢与躯干动作的平滑连贯进行优化；机器人与控制系统之间通过无线网络的方式进行通讯。
本发明实施例提供的复杂地形仿人机器人自适应平衡控制系统，通过建立机器人连杆模型，求解规划目标点相对应的机器人实际关节角度值，对于实际落脚点与规划目标点的差距在下一周期进行调整，利用零力矩点判断依据监测机器人是否处于平衡状态，在非平衡状态下接收机器人的关节反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及构建的三维倒立摆模型对机器人足部运动轨迹进行优化调整，引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪以及惯性传感器等传感器数据信息进行处理，使机器人自适应地进行运动过程中的平衡控制，引入基于CMA-ES进化策略算法，对机器人的关节角度值以及相应参数进行学习优化，该发明可应用于双足、四足等一类仿人机器人的运动平衡控制，面向应用范围广，可以极大地加强机器人对应用环境的自适应能力，可以有效地减少实际应用过程中的硬件损耗。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种复杂地形仿人机器人自适应平衡控制方法，其特征在于，所述方法包括以下步骤：
建立机器人的连杆模型；
以所述连杆模型为基础，依据机器人实际关节角度值计算出相应的落脚点；
由机器人实际落脚点与规划目标点的差距对机器人关节角度值进行调整；
监测机器人运动时的质心运动轨迹，同时接收陀螺仪传感器数据，利用零力矩点判断机器人是否处于平衡状态；
当机器人处于非平衡状态时接收机器人的关节角度反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及三维倒立摆模型对机器人足部运动轨迹进行优化调整；所述利用PID平衡控制算法以及三维倒立摆模型对机器人足部运动轨迹进行优化调整，包括以下步骤：通过关节传感器实时接收关节角度反馈值；利用此时的关节角度反馈值，通过基于IMU和关节角度反馈值补偿到膝关节以及基于陀螺仪传感器补偿到踝关节的平衡控制算法进行相应调整，以保持平衡状态；
引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪传感器以及惯性传感器数据信息并进行处理，使机器人自适应地进行运动过程中的平衡控制；
基于CMA-ES进化策略算法优化机器人的关节角度值及相应参数；所述基于CMA-ES进化策略算法优化机器人的关节角度值及相应参数，包括：
基于CMA-ES进化策略算法，建立不同运动条件下的任务模型；
根据自适应平衡控制系统，利用δ(0)任务模型对不同运动条件进行关节角度值及相应参数优化；所述δ(0)任务模型，用来评定一段优化过程中机器人行走的稳定状态，由一段行走过程中摔倒的次数，行走距离，行走时间和完成行走后与规划目标点的误差计算得到。
2.如权利要求1所述的一种复杂地形仿人机器人自适应平衡控制方法，其特征在于，所述由机器人实际落脚点与规划目标点的差距对机器人关节角度值进行调整，包括以下步骤：
由实际落脚点的位置推导出实际运动过程中的相应关节角度值，同时将目标落脚点相对于髋关节的位置作为输入值进行推导，求得期望达到的相应关节角度值；
将所述期望达到的相应关节角度值与实际落脚点求得的实际关节角度值之间的差值作为补偿值反馈到关节传感器，在下一运动周期对关节角度值进行补偿。
3.如权利要求1所述的一种复杂地形仿人机器人自适应平衡控制方法，其特征在于，所述不同运动状态，包括：慢走，快走，旋转，起身，坐下。
4.如权利要求1所述的一种复杂地形仿人机器人自适应平衡控制方法，其特征在于，所述使机器人自适应地进行运动过程中的平衡控制，包括：
依据机器人的加速度及角速度信息，利用角动量定理来计算机器人受到的力的大小及方向；
根据反作用零空间理论建立仿人机器人的稳定模型；
采用髋关节角度值调整策略来应对干扰力，使机器人在受到一定大小范围的外力干扰的情况下能够保持平衡，并在外力干扰消失后能够恢复原有稳定姿态。
5.一种复杂地形仿人机器人自适应平衡控制装置，其特征在于，所述装置包括：
连杆模型建立模块，用于建立机器人的连杆模型；
正运动学计算模块，用于以所述连杆模型为基础，依据机器人实际关节角度值计算出相应的落脚点；
误差调节模块，用于由机器人实际落脚点与规划目标点的差距对机器人关节角度值进行调整；
平衡监测模块，用于监测机器人运动时的质心运动轨迹，同时接收陀螺仪传感器数据，利用零力矩点判断机器人是否处于平衡状态；
失稳调整模块，用于当机器人处于非平衡状态时接收机器人的关节角度反馈值和陀螺仪传感器数据，利用PID平衡控制算法以及三维倒立摆模型对机器人足部运动轨迹进行优化调整；
平衡控制模块，用于引入不同运动状态建立机器人运动平衡控制系统，接收陀螺仪传感器以及惯性传感器数据信息并进行处理，使机器人自适应地进行运动过程中的平衡控制；以及
优化学习模块，用于基于CMA-ES进化策略算法优化机器人的关节角度值及相应参数；
所述误差调节模块，包括：
逆运动学计算单元，用于由实际落脚点的位置推导出实际运动过程中的关节角度值及相应参数，同时将目标落脚点相对于髋关节的位置作为输入值进行推导，求得期望达到的相应关节角度值；
差值补偿单元，用于将所述期望达到的相应关节角度值与实际落脚点求得的实际关节角度值之间的差值作为补偿值反馈到关节传感器，在下一运动周期对关节角度值进行补偿；
所述失稳调整模块，包括：
反馈值接收单元，用于通过关节传感器数值实时接收关节角度反馈值；
反馈调整单元，用于利用此时的关节角度反馈值，通过基于IMU和关节角度反馈值补偿到膝关节以及基于陀螺仪传感器补偿到踝关节的平衡控制算法进行相应调整，以保持平衡状态；
所述不同运动状态，包括：快走，旋转，起身，坐下；
所述平衡控制模块，包括：
受力计算单元，用于依据机器人的加速度及角速度信息，利用角动量定理来计算机器人受到的力的大小及方向；
稳定模型建立单元，用于根据反作用零空间理论建立仿人机器人的稳定模型；以及
平衡控制单元，用于采用髋关节角度值调整策略来应对干扰力，使机器人在受到一定大小范围的外力干扰的情况下能够保持平衡，并在外力干扰消失后能够恢复原有稳定姿态；
所述优化学习模块，包括：
任务模型建立单元，用于基于CMA-ES进化策略算法，建立不同运动条件下的δ(0)任务模型；
优化学习单元，用于根据自适应平衡控制系统，利用δ(0)任务模型对不同运动条件进行参数和关节角度值优化；
所述δ(0)任务模型，用来评定一段优化过程中机器人行走的稳定状态，由一段行走过程中摔倒的次数，行走距离，行走时间和完成行走后与规划目标点的误差计算得到。
6.一种复杂地形仿人机器人自适应平衡控制系统，其特征在于，所述系统包括：
如权利要求5所述的一种复杂地形仿人机器人自适应平衡控制装置；
仿人机器人。
CN201811034592.3A 2018-09-05 2018-09-05 一种复杂地形仿人机器人自适应平衡控制方法、装置和系统 Active CN108858208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811034592.3A CN108858208B (zh) 2018-09-05 2018-09-05 一种复杂地形仿人机器人自适应平衡控制方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811034592.3A CN108858208B (zh) 2018-09-05 2018-09-05 一种复杂地形仿人机器人自适应平衡控制方法、装置和系统

Publications (2)

Publication Number Publication Date
CN108858208A CN108858208A (zh) 2018-11-23
CN108858208B true CN108858208B (zh) 2022-06-17

Family

ID=64323119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811034592.3A Active CN108858208B (zh) 2018-09-05 2018-09-05 一种复杂地形仿人机器人自适应平衡控制方法、装置和系统

Country Status (1)

Country Link
CN (1) CN108858208B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109375627A (zh) * 2018-11-26 2019-02-22 清华大学 重心调整装置及方法
WO2020107279A1 (zh) * 2018-11-28 2020-06-04 深圳市优必选科技有限公司 双足机器人及其移动方法、装置和存储介质
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
CN110202580B (zh) * 2019-06-28 2020-08-21 北京理工大学 一种扰动恢复的仿人机器人空间柔顺控制模型构建方法
CN110328689B (zh) * 2019-07-09 2021-01-08 达闼科技（北京）有限公司 机器人平衡检测方法、装置、设备及机器人
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
CN110442947B (zh) * 2019-07-30 2021-07-02 华中科技大学 融合平衡策略的下肢机器人动力学仿真平台及仿真方法
CN110834685B (zh) * 2019-09-29 2021-05-28 中国北方车辆研究所 一种四足机器人动态跨越凹障碍方法
CN110737195A (zh) * 2019-10-21 2020-01-31 同济大学 基于速度控制的双足机器人行走落脚点规划方法及装置
CN112129457A (zh) * 2020-08-26 2020-12-25 南京昱晟机器人科技有限公司 一种可弯腰机器人平衡判断系统及方法
CN112147890B (zh) * 2020-09-04 2021-12-28 西安交通大学 一种基于Acrobot模型的四足机器人对角支撑静平衡控制方法
CN112486170B (zh) * 2020-11-23 2024-09-17 深圳市优必选科技股份有限公司 机器人控制方法、装置、计算机可读存储介质及机器人
CN112536796B (zh) * 2020-11-23 2024-03-15 深圳市优必选科技股份有限公司 机器人控制方法、装置、计算机可读存储介质及机器人
CN112792807A (zh) * 2020-12-24 2021-05-14 深圳市优必选科技股份有限公司 机器人控制方法、装置、计算机可读存储介质及机器人
WO2022141268A1 (zh) * 2020-12-30 2022-07-07 深圳市优必选科技股份有限公司 一种仿人机器人控制方法、计算机设备及存储介质
CN112744315B (zh) * 2021-01-18 2022-06-21 西北工业大学 适用动态行走和非周期步行的腿式机器人稳定性判据方法
CN113031639B (zh) * 2021-03-22 2024-03-12 深圳市优必选科技股份有限公司 机器人步长处理方法、装置、机器人控制设备及存储介质
CN113021299B (zh) * 2021-04-13 2022-06-03 山东大学 一种双腿轮复合机器人全方位运动控制方法
CN113290559B (zh) * 2021-05-26 2022-11-11 深圳市优必选科技股份有限公司 机器人平衡控制方法、装置、机器人控制设备及存储介质
CN113305844B (zh) * 2021-05-28 2022-09-09 深圳市优必选科技股份有限公司 仿人机器人平衡控制方法、装置和仿人机器人
CN113184077B (zh) * 2021-06-09 2022-07-22 曾嘉禹 基于slam与机器视觉的灵巧任务型双足机器人及其控制方法
CN113977575A (zh) * 2021-09-28 2022-01-28 北京炎凌嘉业机电设备有限公司 机械臂作业与全身协调稳定控制方法
CN114137998B (zh) * 2021-12-02 2022-12-06 北京理工大学 基于快速踝部调节的双足机器人平衡控制器
CN114489104B (zh) * 2022-01-21 2023-11-10 深圳市优必选科技股份有限公司 机器人迈步控制方法及装置、机器人控制设备和存储介质
CN116442246B (zh) * 2023-06-14 2023-08-29 广州东焊智能装备有限公司 一种应用于机器人的姿态平衡控制方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414190A (zh) * 2008-10-28 2009-04-22 北京理工大学 基于有效稳定区域仿人机器人稳定行走的控制方法和系统
US8554370B2 (en) * 2009-05-15 2013-10-08 Honda Motor Co., Ltd Machine learning approach for predicting humanoid robot fall
CN102886781A (zh) * 2011-07-18 2013-01-23 鲁东大学 一种控制多自由度工业机器人关节运动启停的方法
CN103149933B (zh) * 2013-02-27 2016-01-20 南京邮电大学 基于闭环控制的仿人机器人全向行走方法
CN104407611B (zh) * 2014-09-30 2017-02-01 同济大学 一种仿人机器人稳定行走的控制方法
CN105607632B (zh) * 2015-10-15 2018-02-16 浙江大学 一种3d欠驱动双足机器人跳跃运动的驱动控制方法

Also Published As

Publication number Publication date
CN108858208A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108858208B (zh) 一种复杂地形仿人机器人自适应平衡控制方法、装置和系统
Zhang et al. Deep reinforcement learning for tensegrity robot locomotion
US8504208B2 (en) Mobile object controller and floor surface estimator
US8442687B2 (en) Control system, control method, and computer program
CN104932264B (zh) 基于rbf网络的q学习框架仿人机器人稳定控制方法
Léziart et al. Implementation of a reactive walking controller for the new open-hardware quadruped solo-12
CN111625002B (zh) 一种仿人机器人爬楼步态规划与控制的方法
KR20070064334A (ko) 다리식 이동 로봇의 보용 생성장치
JP6781101B2 (ja) 非線形システムの制御方法、二足歩行ロボットの制御装置、二足歩行ロボットの制御方法及びそのプログラム
Shafii et al. Omnidirectional walking and active balance for soccer humanoid robot
Faraji et al. Robust and agile 3d biped walking with steering capability using a footstep predictive approach
CN114986526B (zh) 机器人运动控制方法、装置、机器人及存储介质
CN114995479A (zh) 一种基于强化学习的四足机器人虚拟模型控制器的参数控制方法
Wittmann et al. Model-based predictive bipedal walking stabilization
Viereck et al. Learning a centroidal motion planner for legged locomotion
CN115328186A (zh) 基于任务分层优化的双足机器人级联控制方法和装置
Shahrokhshahi et al. Sample-efficient policy adaptation for exoskeletons under variations in the users and the environment
Zhang et al. Design of a jumping control framework with heuristic landing for bipedal robots
Meriçli et al. Improving biped walk stability using real-time corrective human feedback
Xie et al. Gait optimization and energy-based stability for biped locomotion using large-scale programming
Xin et al. Neural-network-controlled spring mass template for humanoid running
CN113618740B (zh) 双足机器人舞蹈平衡控制方法、装置和双足机器人
Kim et al. A model predictive capture point control framework for robust humanoid balancing via ankle, hip, and stepping strategies
Ulurrasyadi et al. Walking Gait Learning for “T-FLoW” Humanoid Robot Using Rule-Based Learning
Shen et al. Implementation of a robust dynamic walking controller on a miniature bipedal robot with proprioceptive actuation

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