CN111037572B - 一种机器人的迈步优先顺序控制方法 - Google Patents

一种机器人的迈步优先顺序控制方法 Download PDF

Info

Publication number
CN111037572B
CN111037572B CN201911419724.9A CN201911419724A CN111037572B CN 111037572 B CN111037572 B CN 111037572B CN 201911419724 A CN201911419724 A CN 201911419724A CN 111037572 B CN111037572 B CN 111037572B
Authority
CN
China
Prior art keywords
neuron
robot
control
network
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
CN201911419724.9A
Other languages
English (en)
Other versions
CN111037572A (zh
Inventor
刘强
张凯
刘金龙
张永硕
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.)
Lianyungang Yuhe Intelligent Technology Co ltd
Jiangsu Ocean University
Original Assignee
Lianyungang Yuhe Intelligent Technology Co ltd
Jiangsu Ocean 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 Lianyungang Yuhe Intelligent Technology Co ltd, Jiangsu Ocean University filed Critical Lianyungang Yuhe Intelligent Technology Co ltd
Priority to CN201911419724.9A priority Critical patent/CN111037572B/zh
Publication of CN111037572A publication Critical patent/CN111037572A/zh
Application granted granted Critical
Publication of CN111037572B publication Critical patent/CN111037572B/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
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • 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
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

本发明是一种机器人的迈步优先顺序控制方法，涉及机器人技术领域。该方法先构建机器人关节的仿脊髓控制网络，包括中间神经元网络和运动神经元网络，利用机器人关节屈肌和伸肌优先收缩顺序控制方法，直接为机器人交替摆动关节的屈肌和伸肌中间神经元控制网络设计具有有限顺序的上层中枢神经控制输入，实现迈步优先顺序控制；或者利用中间神经元网络之间的引导作用，通过设计引导网络的屈肌和伸肌中间神经元上层中枢控制信号的输入优先顺序，来间接控制腿中间神经元网络输出之间的相位关系，从而控制机器人的迈步优先顺序。本发明方法操控便捷，可以有效提高足式仿生机器人以及各类外骨骼机器人的运动灵活性。

Description

一种机器人的迈步优先顺序控制方法
技术领域
本发明涉及机器人技术领域，尤其涉及机器人迈步顺序控制方法。
背景技术
由于机器人在军事、工业、生活、家庭服务和医疗等方面具有广阔的应用前景，已经受到人们的广泛关注。但是，机器人的运动复杂、控制关节较多、具有较强的非线性以及与周围环境作用的复杂性等特点给其控制带来了较大的困难。
传统的机器人控制多是先建立机器人运动学和动力学模型，然后以其为基础对机器人的运动进行规划和控制。这种控制方法对于建立灵活、多样和环境适应性强等高性能仿生机器人控制方法是非常困难的。为了解决机器人控制的问题，以生物神经控制为灵感的仿生控制逐渐成为仿生机器人控制关注和研究的焦点。现有的机器人仿脊髓控制网络大多以中枢模式发生器(Central pattern generator,简称CPG)为基础来构建，使机器人能够产生各种节律运动步态。但是正如我们所知道的，人类、四足动物、六足动物等利用足类动物的迈步优先顺序是可以任意控制的。例如，人类在行走开始的时候，可以先迈左脚，也可以先迈右脚。此迈步优先顺序控制方法对于足类仿生机器人以及各类外骨骼机器人的控制是非常重要的，能够使机器人产生更加灵活的运动。但是，现有技术中有关机器人迈步优先顺序控制的研究还未见报道。
发明内容
本发明的目的是针对现有技术中仿脊髓控制网络控制的机器人的不足，提出了一种机器人的迈步优先顺序控制方法，该方法操控便捷，可以有效提高足式仿生机器人以及各类外骨骼机器人的运动灵活性。
本发明所要解决的技术问题是通过以下的技术方案来实现的。本发明是一种机器人的迈步优先顺序控制方法，其特点是：
构建机器人关节的仿脊髓控制网络；
仿脊髓控制网络包括中间神经元网络和运动神经元网络，运动神经元网络的神经元与对应中间神经元网络的神经元通过兴奋和抑制性突触相连接，运动神经元网络的神经元与对应的肌肉相连接，驱动肌肉运动；
中间神经元网络包括的屈肌和伸肌中间神经元，运动神经元网络包括与屈肌和伸肌中间神经元分别对应的屈肌和伸肌运动神经元；屈肌和伸肌运动神经元分别用来控制关节的屈肌和伸肌；
利用仿脊髓控制网络进行机器人单一关节屈肌和伸肌优先收缩顺序通过该关节中间神经元网络屈肌中间神经元和伸肌中间神经元上层神经中枢控制信号的输入先后顺序来控制；当上层神经中枢控制信号首先输入到屈肌中间神经元时，经过一个短时间的滞后，再将上层神经中枢控制信号输入到伸肌中间神经元，实现该关节节律摆动的初始时刻将先向屈肌方向摆动，然后，再向伸肌方向摆动，随后如此往复的节律摆动下去；
机器人迈步优先顺序的控制采用以下方法中的一种：
(1)根据机器人关节之间的交替摆动关系，利用机器人关节屈肌和伸肌优先收缩顺序控制方法，直接为机器人交替摆动关节的屈肌和伸肌中间神经元网络设计具有优先顺序的上层神经中枢控制输入，实现机器人迈步优先顺序的控制；
(2)利用仿脊髓控制网络中间神经元网络之间的引导作用，通过设计引导网络的屈肌和伸肌中间神经元上层神经中枢控制信号的输入优先顺序，来间接控制腿中间神经元网络输出之间的相位关系，从而控制机器人的迈步优先顺序。
本发明所述的机器人的迈步优先顺序控制方法，其进一步优选的技术方案是：中间神经元网络与运动神经元网络中的神经元采用相同的神经元模型，但是两个神经元网络的参数取值是不同的，中间神经元网络的参数取值使其产生周期振荡信号，来生成机器人的节律运动；运动神经元网络的参数取值使其没有外部节律信号刺激时不能产生节律输出信号。
本发明所述的机器人的迈步优先顺序控制方法，其进一步优选的技术方案是：所述的仿脊髓控制网络中间神经元网络拓扑结构的构建方法是：
首先构建具有两个相互抑制神经元的振荡器，并将振荡器作为机器人关节的运动控制神经网络，其中一个神经元的输出作为机器人关节对应屈肌运动神经元的控制信号，另一个神经元的输出作为机器人关节对应伸肌运动神经元的控制信号；
然后，根据机器人各关节之间的运动关系和实际仿生生物神经控制环路的拓扑结构特点，利用抑制和兴奋性连接关系建立机器人关节振荡器之间的连接关系。
本发明所述的机器人的迈步优先顺序控制方法，其进一步优选的技术方案是：每个关节的屈肌和伸肌分别对应一个屈肌和伸肌运动神经元，运动神经元之间一般不需要突触连接，运动神经元主要是接收中间神经元网络的输出、上层神经中枢的控制输入以及感官反馈信息，来控制和调整肌肉的收缩，以驱动关节运动。
本发明所述的机器人的迈步优先顺序控制方法，其进一步优选的技术方案是：在关节的运动神经元网络上构建肌肉的牵张反射回路。
本发明所述的机器人的迈步优先顺序控制方法，其进一步优选的技术方案是：滞后时间的长度取关节摆动周期的10％-40％。
本发明所述的机器人的迈步优先顺序控制方法，其进一步优选的技术方案是：所述仿脊髓控制网络采用以下数学模型：
所述仿脊髓控制网络采用与中国公开专利文献ZL201510507029.3和ZL201510632804.8相同的数学模型，如下：
Figure GDA0003576881260000021
式中，n为神经元数量；xi为第i神经元的膜电势；yi为第i神经元的输出；si为第i神经元所收到的外部控制输入和感官信息输入；aij(j∈{1,…,n},j≠i)为神经元i和j之间的突触连接权重，aij＞0表示兴奋性突触连接，aij＜0表示抑制性突触连接；aii为第i神经元钠离子快速内流的正反馈系数；τi为第i神经元膜电容，τi＞0；γi表示第i神经元慢钾离子外流的时间常数，γi＞0；x′i为反映第i神经元慢钾离子外流的变量；bi表示第i神经元慢钾离子外流强度的参数，bi＞0；θi为第i神经元的输出阈值，
Figure GDA0003576881260000031
为第i神经元输出的上界，且
Figure GDA0003576881260000032
εi表示第i神经元漏电流的强度，εi＞0；σi为常系数，σi＞0。相关数学的模型的建立可以参照上述公开专利文献的记载。
与现有技术相比，本发明具有以下有益效果：本发明可以通过控制机器人关节屈肌和伸肌优先收缩顺序来控制机器人的迈步优先顺序，也可以通过利用仿脊髓控制网络中间神经元网络之间的引导作用，设计引导网络的屈肌和伸肌中间神经元上层神经中枢控制信号的输入优先顺序来控制机器人的迈步优先顺序，本发明方法操控便捷，可以有效提高足式仿生机器人以及各类外骨骼机器人的运动灵活性。
附图说明
图1为关节仿脊髓控制网络图；
图2为关节仿脊髓控制网络屈肌和伸肌收缩优先顺序仿真结果对比图；
其中：图2(A)是关节仿脊髓控制网络中间神经元上层中枢控制输入，图2(B)是对应于图2(A)的中间神经元上层中枢控制输入时关节仿脊髓控制网络的运动神经元输出。
图2(C)是关节仿脊髓控制网络中间神经元上层中枢控制输入，图2(D)是对应于图2(C)的中间神经元上层中枢控制输入时关节仿脊髓控制网络的运动神经元输出。
图3为人髋关节的仿脊髓控制网络图；
图4为左右髋关节仿脊髓控制网络交替优先摆动仿真结果对比图；
其中：图4(A)是人髋关节仿脊髓控制网络中间神经元上层中枢控制输入，图4(B)是对应于图4(A)的中间神经元上层中枢控制输入时左和右髋关节仿脊髓控制网络的屈肌和伸肌运动神经元输出的差值。图4(C)是人髋关节仿脊髓控制网络中间神经元上层中枢控制输入，图4(D)是对应于图4(C)的中间神经元上层中枢控制输入时左和右髋关节仿脊髓控制网络的屈肌和伸肌运动神经元输出差值。
图5为蝾螈仿生机器人仿生结构和驱动方式原理示意图；其中：填充肌肉为屈肌，空白肌肉为伸肌。
图6为蝾螈仿生机器人的仿脊髓控制网络。其中：(A)不包括牵张反射的蝾螈机器人仿脊髓控制网络；(B)伸肌拉伸时的牵张反射回路；(C)屈肌拉伸时的牵张反射回路。
图7为蝾螈机器人前肢优先摆动顺序仿真结果对比图；
其中：图7(A)是蝾螈仿生机器人仿脊髓控制网络的身体网络中间神经元上层中枢控制输入，图7(B)和(C)是对应于图7(A)的身体网络中间神经元上层中枢控制输入时蝾螈仿生机器人仿脊髓控制网络的关节屈肌和伸肌运动神经元输出差值。图7(D)是蝾螈仿生机器人仿脊髓控制网络的身体网络中间神经元上层中枢控制输入，图7(E)和(F)是对应于图2(D)的身体网络中间神经元上层中枢控制输入时蝾螈仿生机器人仿脊髓控制网络的关节屈肌和伸肌运动神经元输出差值。
具体实施方式
以下参照附图，进一下描述本发明的具体实施方式，以使本领域技术人员可以更好地理解本发明，而不构成对其权利的限制。
实施例1:关节的屈肌和伸肌优先收缩顺序控制：
利用前述式(1)构建机器人关节的仿脊髓控制网络如图1所示。此关节仿脊髓控制网络主要包括屈肌和伸肌中间神经元相互抑制的中间神经元网络(即，关节振荡器)，以及与屈肌和伸肌中间神经元分别对应的屈肌和伸肌运动神经元。屈肌和伸肌运动神经元分别用来控制关节的屈肌和伸肌。
为了控制机器人关节的屈肌和伸肌摆动顺序，可以通过控制关节中间神经元网络(即，关节振荡器)屈肌和伸肌中间神经元的上层神经中枢控制信号输入的先后顺序来实现。利用上述控制方法，对图1所示的关节仿脊髓控制网络在控制关节摆动优先顺序的性能进行了仿真分析，具体仿真结果如图2所示。其中，关节中间神经元网络的参数取值为：τi＝1,γi＝0.3,εi＝10,σi＝1,aii＝14,bi＝8,θi＝0,
Figure GDA0003576881260000041
a12＝-0.8,a21＝-0.6。关节运动神经元的参数取值为：τi＝1,γi＝0.3,εi＝40,σi＝1,aii＝8,bi＝0,θi＝0,
Figure GDA0003576881260000042
从图2中可以看出通过设计关节仿脊髓控制网络屈肌和伸肌中间神经元的上层神经中枢控制信号的优先输入顺序，可以控制关节屈肌和伸肌优先收缩顺序，从而控制机器人关节节律运动初始时刻的摆动方向。
实施例2：两关节交替摆动的优先摆动顺序控制：
图3是人髋关节的仿脊髓控制网络，它反映了两个具有交替摆动运动关节之间协调关系。它也包括了中间神经网络和对应的运动神经元。根据左右两个髋关节屈肌和伸肌在交替摆动过程中的先后收缩相位关系，设计两髋关节上层神经中枢控制信号输入的优先顺序，从而控制两髋关节的优先摆动顺序，具体的控制输入信号和仿脊髓控制网络输出仿真结果如图4所示。单个关节的仿脊髓控制网络参数与上述关节仿脊髓控制网络的参数相同，关节之间的抑制性突触连接权重为-0.8。
从图4中可以看出通过设计人髋关节仿脊髓控制网络屈肌和伸肌中间神经元的上层神经中枢控制信号的优先输入顺序，可以控制人左右腿的优先迈步顺序。
实施例3：蝾螈迈步优先顺序的控制方法：
参照图5蝾螈仿生机器人仿生结构和驱动方式原理示意图。其中，填充肌肉为屈肌，空白肌肉为伸肌。此蝾螈仿生机器人身体包括10个连杆，连杆之间通过单自由度的旋转铰链连接，初始状态时铰链转轴垂直于地面。机器人的肩关节和臀关节可以看作是胡克铰，初始状态时它的一个轴与地面垂直，实现四肢的前后摆动，一个轴与体轴平行，实现四肢的抬腿运动。前肢大腿和小腿之间是肘关节，它们通过一个单自由度旋转铰链连接，铰链的转轴通过大腿和小腿所在的平面。后肢大腿和小腿之间是膝关节，它们通过一个单自由度旋转铰链连接，铰链的转轴通过大腿和小腿所在的平面。
针对图5所示的蝾螈仿生机器人仿生结构和驱动方式原理示意图，利用式(1)构建了蝾螈仿生机器人的仿脊髓控制网络，具体结构如图6所示。图6所示的蝾螈仿脊髓控制网络主要包括中间神经元网络、运动神经元网络以及对应的牵张反射，机器人的每个关节都具有牵张反射回路。其中，中间神经元网络主要用来产生节律运动，运动神经元网络主要是用来接收上层神经中枢控制信号、感官反馈信号和中间神经元网络的输出以驱动和控制对应肌肉的运动。从图5中可以看出，由于蝾螈四肢的摆动运动顺序是由蝾螈身体运动控制网络来引导的，因此，通过设计身体中间神经元网络屈肌和伸肌中间神经元的上层神经中枢控制信号输入的优先顺序，就可以控制蝾螈前肢摆动的优先顺序，具体仿真结果如图7所示。
从图7中可以看出，由于蝾螈机器人的身体网络对四肢网络具有引导作用，因此通过设计蝾螈机器人身体网络屈肌和伸肌中间神经元的上层神经中枢控制信号的优先输入顺序，便可以控制蝾螈机器人前肢的优先迈步顺序。

Claims (7)

1.一种机器人的迈步优先顺序控制方法，其特征在于：
构建机器人关节的仿脊髓控制网络；
仿脊髓控制网络包括中间神经元网络和运动神经元网络，运动神经元网络的神经元与对应中间神经元网络的神经元通过兴奋和抑制性突触相连接，运动神经元网络的神经元与对应的肌肉相连接，驱动肌肉运动；
中间神经元网络包括屈肌和伸肌中间神经元，运动神经元网络包括与屈肌和伸肌中间神经元分别对应的屈肌和伸肌运动神经元；屈肌和伸肌运动神经元分别用来控制关节的屈肌和伸肌；
利用仿脊髓控制网络进行机器人单一关节屈肌和伸肌优先收缩顺序通过该关节中间神经元网络屈肌中间神经元和伸肌中间神经元上层神经中枢控制信号的输入先后顺序来控制；当上层神经中枢控制信号首先输入到屈肌中间神经元时，经过一个短时间的滞后，再将上层神经中枢控制信号输入到伸肌中间神经元，实现该关节节律摆动的初始时刻将先向屈肌方向摆动，然后，再向伸肌方向摆动，随后如此往复的节律摆动下去；
机器人迈步优先顺序的控制采用以下方法中的一种：
(1)根据机器人关节之间的交替摆动关系，利用机器人关节屈肌和伸肌优先收缩顺序控制方法，直接为机器人交替摆动关节的屈肌和伸肌中间神经元网络设计具有优先顺序的上层神经中枢控制输入，实现机器人迈步优先顺序的控制；
(2)利用仿脊髓控制网络中间神经元网络之间的引导作用，通过设计引导网络的屈肌和伸肌中间神经元上层神经中枢控制信号的输入优先顺序，来间接控制腿中间神经元网络输出之间的相位关系，从而控制机器人的迈步优先顺序。
2.根据权利要求1所述的机器人的迈步优先顺序控制方法，其特征在于：中间神经元网络与运动神经元网络中的神经元采用相同的神经元模型，但是两个神经元网络的参数取值是不同的，中间神经元网络的参数取值使其产生周期振荡信号，来生成机器人的节律运动；运动神经元网络的参数取值使其没有外部节律信号刺激时不能产生节律输出信号。
3.根据权利要求1所述的机器人的迈步优先顺序控制方法，其特征在于，所述的仿脊髓控制网络中间神经元网络拓扑结构的构建方法是：
首先构建具有两个相互抑制神经元的振荡器，并将振荡器作为机器人关节的运动控制神经网络，其中一个神经元的输出作为机器人关节对应屈肌运动神经元的控制信号，另一个神经元的输出作为机器人关节对应伸肌运动神经元的控制信号；
然后，根据机器人各关节之间的运动关系和实际仿生生物神经控制环路的拓扑结构特点，利用抑制和兴奋性连接关系建立机器人关节振荡器之间的连接关系。
4.根据权利要求3所述的机器人的迈步优先顺序控制方法，其特征在于，每个关节的屈肌和伸肌分别对应一个屈肌和伸肌运动神经元，运动神经元之间一般不需要突触连接，运动神经元主要是接收中间神经元网络的输出、上层神经中枢的控制输入以及感官反馈信息，来控制和调整肌肉的收缩，以驱动关节运动。
5.根据权利要求4所述的机器人的迈步优先顺序控制方法，其特征在于，在关节的运动神经元网络上构建肌肉的牵张反射回路。
6.根据权利要求1所述的机器人的迈步优先顺序控制方法，其特征在于，滞后时间的长度取关节摆动周期的10％-40％。
7.根据权利要求1所述的机器人的迈步优先顺序控制方法，其特征在于，所述仿脊髓控制网络采用以下数学模型：
Figure FDA0003576881250000021
式中：n为神经元数量；xi为第i神经元的膜电势；yi为第i神经元的输出；si为第i神经元所收到的外部控制输入和感官信息输入；aij(j∈{1,…,n},j≠i)为神经元i和j之间的突触连接权重，aij＞0表示兴奋性突触连接，aij＜0表示抑制性突触连接；aii为第i神经元钠离子快速内流的正反馈系数；τi为第i神经元膜电容，τi＞0；γi表示第i神经元慢钾离子外流的时间常数，γi＞0；x′i为反映第i神经元慢钾离子外流的变量；bi表示第i神经元慢钾离子外流强度的参数，bi＞0；θi为第i神经元的输出阈值，
Figure FDA0003576881250000022
为第i神经元输出的上界，且
Figure FDA0003576881250000023
εi表示第i神经元漏电流的强度，εi＞0；σi为常系数，σi＞0。
CN201911419724.9A 2019-12-31 2019-12-31 一种机器人的迈步优先顺序控制方法 Active CN111037572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911419724.9A CN111037572B (zh) 2019-12-31 2019-12-31 一种机器人的迈步优先顺序控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911419724.9A CN111037572B (zh) 2019-12-31 2019-12-31 一种机器人的迈步优先顺序控制方法

Publications (2)

Publication Number Publication Date
CN111037572A CN111037572A (zh) 2020-04-21
CN111037572B true CN111037572B (zh) 2022-05-17

Family

ID=70243114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911419724.9A Active CN111037572B (zh) 2019-12-31 2019-12-31 一种机器人的迈步优先顺序控制方法

Country Status (1)

Country Link
CN (1) CN111037572B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113733106B (zh) * 2021-11-05 2022-04-15 深圳市优必选科技股份有限公司 力控仿人机器人的全身控制方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101870109A (zh) * 2009-04-22 2010-10-27 中国科学院自动化研究所 一种仿鱼游动机器人运动控制装置及方法
CN101916071A (zh) * 2010-08-04 2010-12-15 中国科学院自动化研究所 仿生机器鱼运动的cpg反馈控制方法
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
CN106914901A (zh) * 2017-05-09 2017-07-04 淮海工学院 仿生机器人控制网络的分层构建方法
CN107991868A (zh) * 2017-11-28 2018-05-04 淮海工学院 一种咽颌模式仿生系统左右胸鳍协调控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005072461A2 (en) * 2004-01-27 2005-08-11 New School Technologies, Llc Synthetic nervous system for robotics
US20130054021A1 (en) * 2011-08-26 2013-02-28 Disney Enterprises, Inc. Robotic controller that realizes human-like responses to unexpected disturbances

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101870109A (zh) * 2009-04-22 2010-10-27 中国科学院自动化研究所 一种仿鱼游动机器人运动控制装置及方法
CN101916071A (zh) * 2010-08-04 2010-12-15 中国科学院自动化研究所 仿生机器鱼运动的cpg反馈控制方法
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
CN106914901A (zh) * 2017-05-09 2017-07-04 淮海工学院 仿生机器人控制网络的分层构建方法
CN107991868A (zh) * 2017-11-28 2018-05-04 淮海工学院 一种咽颌模式仿生系统左右胸鳍协调控制方法

Also Published As

Publication number Publication date
CN111037572A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
Yu et al. A survey on CPG-inspired control models and system implementation
Ijspeert et al. Simulation and robotics studies of salamander locomotion: applying neurobiological principles to the control of locomotion in robots
Hunt et al. Development and training of a neural controller for hind leg walking in a dog robot
EP2856393B1 (en) Artificial asynchronous neural network system
Huang et al. Optimisation of reference gait trajectory of a lower limb exoskeleton
Dura-Bernal et al. Towards a real-time interface between a biomimetic model of sensorimotor cortex and a robotic arm
Anand et al. A deep reinforcement learning based approach towards generating human walking behavior with a neuromuscular model
CN111037572B (zh) 一种机器人的迈步优先顺序控制方法
Dzeladini et al. CPG-based control of humanoid robot locomotion
Qiu et al. Intelligent algorithm tuning PID method of function electrical stimulation using knee joint angle
CN106826830B (zh) 一种机器人控制方法和装置
Meola et al. Interplay of rhythmic and discrete manipulation movements during development: A policy-search reinforcement-learning robot model
Lyu et al. Knee exoskeleton enhanced with artificial intelligence to provide assistance-as-needed
Liu et al. A new model of the spinal locomotor networks of a salamander and its properties
Kalani et al. Application of DQN learning for delayed output feedback control of a gait-assist hip exoskeleton
Dong et al. Exploring human rhythmic gait movement in the role of cerebral cortex signal
CN107991868B (zh) 一种咽颌模式仿生系统左右胸鳍协调控制方法
Wolf et al. Developing a quasi-static controller for a paralyzed human arm: A simulation study
Boudville et al. GA-tuned fuzzy logic control of knee-FES-ergometer for knee swinging exercise
Griffis et al. Closed-loop deep neural network-based FES control for human limb tracking
Shahbazi et al. Training oscillatory neural networks using natural gradient particle swarm optimization
Passon et al. Iterative learning vector field for FES-supported cyclic upper limb movements in combination with robotic weight compensation
Ijspeert A neuromechanical investigation of salamander locomotion
Tan et al. Safe movement planning with DMP and CBF for lower limb rehabilitation exoskeleton
Van der Noot Rich and robust bio-inspired locomotion control for humanoid robots

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