CN111290389B - 一种双足机器人落脚位置控制系统与方法 - Google Patents

一种双足机器人落脚位置控制系统与方法 Download PDF

Info

Publication number
CN111290389B
CN111290389B CN202010116012.6A CN202010116012A CN111290389B CN 111290389 B CN111290389 B CN 111290389B CN 202010116012 A CN202010116012 A CN 202010116012A CN 111290389 B CN111290389 B CN 111290389B
Authority
CN
China
Prior art keywords
theta
medium
small
amplitude
foot
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
CN202010116012.6A
Other languages
English (en)
Other versions
CN111290389A (zh
Inventor
陈学超
高志发
余张国
黄强
张润明
付镇源
高峻峣
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010116012.6A priority Critical patent/CN111290389B/zh
Priority to PCT/CN2020/089343 priority patent/WO2021169043A1/zh
Priority to US17/801,804 priority patent/US11698636B2/en
Publication of CN111290389A publication Critical patent/CN111290389A/zh
Application granted granted Critical
Publication of CN111290389B publication Critical patent/CN111290389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/027—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising intertial navigation means, e.g. azimuth detector

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Electromagnetism (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种双足机器人落脚位置控制系统与方法，1)利用路径规划算法规划可行无碰撞路径；2)根据双足机器人步长约束、运动能力、脚的尺寸与中心偏移，确定摆动脚的可落脚区域；3)模糊处理确定机器人的具体落脚位置。本发明能够实现双足机器人路径规划结束后执行具体行走动作时，选择路径两侧合适的落脚位置；具有简单易实现、计算负荷小、速度快、发挥不同双足机器人的极限运动能力、使得双足机器人运动更加灵活等优点。

Description

一种双足机器人落脚位置控制系统与方法
技术领域
本发明属于双足机器人技术领域，具体涉及一种双足机器人落脚位置控制系统与方法。
背景技术
随着科学技术的发展，机器人的种类越来越多，应用范围越来越广。双足机器人是集机械、传感、电子、控制、人工智能、仿生学等多学科于一体的综合型机电一体化平台。双足机器人具有仿人型的结构，易于实现大部分人类动作，甚至更加适合完成一些灾难救援、家庭服务、航空航天等领域的任务。虽然双足机器人在走、跑、跳等方面成果显著，在直线行走、平衡调整、模块化管理等控制方面取得了较大的进展，但相比于其它类型机器人或其所模仿的人类等的智能化和自主运动还有较大的差距。尤其是在所处环境中已知从起始地点到任务地点的路径后，双足机器人具体迈步后的足部落脚位置的选择尤为重要，直接影响机器人跟随路径能力、灵活性、行走平衡和稳定等性能。
现有技术根据双足机器人结构约束与运动能力预先排列组合建立10-50个摆动脚相对于支撑脚的可落脚位置，组合成为1-3个集合，这样在横坐标方向、纵坐标方向和转角方向严重限制了双足机器人在某一时刻某种环境下可能迈出的其它步伐，只将落脚位置限定在了这些固定的选项中，不利于双足机器人灵活运动。另外，在固定的集合中选择落脚位置时就已经决定了双足机器人非自主非智能的特点，有些方法在确定从起始位置到达目标位置的规划路径时，落脚位置其实也就随之确定了下来，不存在选择可变落脚位置的过程。
发明内容
针对现有技术中存在不足，本发明提供了一种双足机器人落脚位置控制系统与方法，在路径规划后，模糊处理确定机器人的具体落脚位置，落脚位置可变，保证机器人落脚时的灵活性和稳定性。
本发明是通过以下技术手段实现上述技术目的的。
一种双足机器人落脚位置控制系统，包括激光雷达或视觉传感器、陀螺仪、六维力传感器以及工控机，工控机中的模糊控制器以xsd、xen，ysd、yen，θsd、θpt分别作为输入量，进行模糊处理，得到在可落脚区域内摆动脚的具体落脚位置；其中：xsd、ysd为六维力传感器获取的双足机器人支撑脚的实时位置，xen、yen为激光雷达或视觉传感器获取的障碍物在机器人本体坐标系中的位置，θsd为陀螺仪获取的双足机器人初始偏航角，θpt是利用当前路径节点和下一步相关联的路径节点组成的直线与世界坐标系x轴的夹角。
上述技术方案中，所述
Figure GDA0002449093110000021
Figure GDA0002449093110000022
其中：xpt、ypt为距离当前支撑脚位置最近的路径节点，xpt+1、ypt+1为当前摆动脚落脚后距离落脚位置最近的路径节点，xnext、ynext为可落脚范围内摆动脚的具体落脚位置，xi、yi为路径节点。
一种双足机器人落脚位置控制方法，规划通行路径，根据双足机器人步长约束、运动能力、脚的尺寸与中心偏移，确定摆动脚的在通行路径上的可落脚区域，模糊处理确定机器人的具体落脚位置。
进一步，所述模糊处理包括模糊化、模糊规则推理以及去模糊化。
更进一步，对xen、xsd模糊理过程为：输入为xpt-xpt-1、xen，输出为Δxnext；
(1)模糊化
xpt-xpt-1模糊化为后退、小步前进、中等步前进、大步前进，对应的范围分别为：[-Dmin,0]、
Figure GDA0002449093110000023
xen模糊化为很近、近、中等、远、很远，对应的范围分别为：
Figure GDA0002449093110000024
[4Dmax,5Dmax]；Δxnext模糊化为后退、短、中等、长，对应的范围分别为：[-Dmin,0]、
Figure GDA0002449093110000025
Figure GDA0002449093110000026
其中：Dmax为摆动脚向前可移动最大距离，Dmin为摆动脚向后可移动最大距离；
(2)模糊规则推理
如果xpt-xpt-1＝后退，那么xnext＝后退；
如果xpt-xpt-1＝小步前进，且xen＝很近；那么xnext＝短；
如果xpt-xpt-1＝小步前进，且xen＝近；那么xnext＝短；
如果xpt-xpt-1＝小步前进，且xen＝中等；那么xnext＝中等；
如果xpt-xpt-1＝小步前进，且xen＝远；那么xnext＝长；
如果xpt-xpt-1＝小步前进，且xen＝很远；那么xnext＝长；
如果xpt-xpt-1＝中等步前进，且xen＝很近；那么xnext＝短；
如果xpt-xpt-1＝中等步前进，且xen＝近；那么xnext＝短；
如果xpt-xpt-1＝中等步前进，且xen＝中等；那么xnext＝中等；
如果xpt-xpt-1＝中等步前进，且xen＝远；那么xnext＝长；
如果xpt-xpt-1＝中等步前进，且xen＝很远；那么xnext＝长；
如果xpt-xpt-1＝大步前进，且xen＝很近；那么xnext＝短；
如果xpt-xpt-1＝大步前进，且xen＝近；那么xnext＝短；
如果xpt-xpt-1＝大步前进，且xen＝中等；那么xnext＝中等；
如果xpt-xpt-1＝大步前进，且xen＝远；那么xnext＝中等；
如果xpt-xpt-1＝大步前进，且xen＝很远；那么xnext＝长；
(3)利用重心法去模糊化
Figure GDA0002449093110000031
其中：u为隶属度值。
更进一步，对yen、ysd模糊理过程为：输入为ypt-ypt-1、yen，输出为Δynext；
(1)模糊化
ypt-ypt-1模糊化为向内、向外小摆、向外中摆、向外大摆，对应范围分别为：[Lmin,B]、
Figure GDA0002449093110000032
yen模糊化为很近、近、中等、远、很远，对应的范围分别为：[Lmax,2Lmax]、
Figure GDA0002449093110000033
[2Lmax,3Lmax]、
Figure GDA0002449093110000034
[3Lmax,4Lmax]；Δynext模糊化为向内、小、中等、大，对应的范围分别为：[Lmin,B]、
Figure GDA0002449093110000041
其中Lmax为向外侧可移动最大距离，Lmin为向内侧可移动最大距离，B为双足机器人直立时两腿重心投影间距离；
(2)模糊规则推理
如果ypt-ypt-1＝向内，那么Δynext＝向内；
如果ypt-ypt-1＝向外小摆，且yen＝很近；那么Δynext＝小；
如果ypt-ypt-1＝向外小摆，且yen＝近；那么Δynext＝小；
如果ypt-ypt-1＝向外小摆，且yen＝中等；那么Δynext＝中等；
如果ypt-ypt-1＝向外小摆，且yen＝远；那么Δynext＝大；
如果ypt-ypt-1＝向外小摆，且yen＝很远；那么Δynext＝大；
如果ypt-ypt-1＝向外中摆，且yen＝很近；那么Δynext＝小；
如果ypt-ypt-1＝向外中摆，且yen＝近；那么Δynext＝小；
如果ypt-ypt-1＝向外中摆，且yen＝中等；那么Δynext＝中等；
如果ypt-ypt-1＝向外中摆，且yen＝远；那么Δynext＝大；
如果ypt-ypt-1＝向外中摆，且yen＝很远；那么Δynext＝大；
如果ypt-ypt-1＝向外大摆，且yen＝很近；那么Δynext＝小；
如果ypt-ypt-1＝向外大摆，且yen＝近；那么Δynext＝小；
如果ypt-ypt-1＝向外大摆，且yen＝中等；那么Δynext＝中等；
如果ypt-ypt-1＝向外大摆，且yen＝远；那么Δynext＝大；
如果ypt-ypt-1＝向外大摆，且yen＝很远；那么Δynext＝大；
(3)利用重心法去模糊化
Figure GDA0002449093110000042
其中：u为隶属度值。
更进一步，对θsd、θpt模糊理过程为：输入为θsd、θpt，输出为Δθnext；
(1)模糊化
θsd模糊化为内偏、小幅度外偏、中等幅度外篇、大幅度外偏，对应的范围分别为：[-θmin,0]、
Figure GDA0002449093110000051
θpt模糊化为负大方向、负小方向、中等、正小方向、正大方向，对应的范围分别为：
Figure GDA0002449093110000052
Figure GDA0002449093110000053
Δθnext模糊化为内偏、小幅度外偏、中等幅度外篇、大幅度外偏，对应的范围分别为：[-θmin,0]、
Figure GDA0002449093110000054
其中：θmin为摆动脚向内侧最大偏航角度，θmax为摆动脚向外侧最大偏航角；
(2)模糊规则推理
当支撑脚为左脚时：
如果θsd＝内偏，且θpt＝负大方向；那么Δθnext＝大幅度外偏；
如果θsd＝内偏，且θpt＝负小方向；那么Δθnext＝中等幅度外偏；
如果θsd＝内偏，且θpt＝中等；那么Δθnext＝小幅度外偏；
如果θsd＝内偏，且θpt＝正小方向；那么Δθnext＝内偏；
如果θsd＝内偏，且θpt＝正大方向；那么Δθnext＝内偏；
如果θsd＝小幅度外偏，且θpt＝负大方向；那么Δθnext＝大幅度外偏；
如果θsd＝小幅度外偏，且θpt＝负小方向；那么Δθnext＝中等幅度外偏；
如果θsd＝小幅度外偏，且θpt＝中等；那么Δθnext＝小幅度外偏；
如果θsd＝小幅度外偏，且θpt＝正小方向；那么Δθnext＝内偏；
如果θsd＝小幅度外偏，且θpt＝正大方向；那么Δθnext＝内偏；
如果θsd＝中等幅度外偏，且θpt＝负大方向；那么Δθnext＝大幅度外偏；
如果θsd＝中等幅度外偏，且θpt＝负小方向；那么Δθnext＝中等幅度外偏；
如果θsd＝中等幅度外偏，且θpt＝中等；那么Δθnext＝内偏；
如果θsd＝中等幅度外偏，且θpt＝正小方向；那么Δθnext＝内偏；
如果θsd＝中等幅度外偏，且θpt＝正大方向；那么Δθnext＝内偏；
如果θsd＝大幅度外偏，且θpt＝负大方向；那么Δθnext＝中等幅度外偏；
如果θsd＝大幅度外偏，且θpt＝负小方向；那么Δθnext＝小幅度外偏；
如果θsd＝大幅度外偏，且θpt＝中等；那么Δθnext＝内偏；
如果θsd＝大幅度外偏，且θpt＝正小方向；那么Δθnext＝内偏；
如果θsd＝大幅度外偏，且θpt＝正大方向；那么Δθnext＝内偏；
当支撑脚为右脚时：
如果θsd＝内偏，且θpt＝负大方向；那么Δθnext＝内偏；
如果θsd＝内偏，且θpt＝负小方向；那么Δθnext＝内偏；
如果θsd＝内偏，且θpt＝中等；那么Δθnext＝小幅度外偏；
如果θsd＝内偏，且θpt＝正小方向；那么Δθnext＝中等幅度外偏；
如果θsd＝内偏，且θpt＝正大方向；那么Δθnext＝大幅度外偏；
如果θsd＝小幅度外偏，且θpt＝负大方向；那么Δθnext＝内偏；
如果θsd＝小幅度外偏，且θpt＝负小方向；那么Δθnext＝内偏；
如果θsd＝小幅度外偏，且θpt＝中等；那么Δθnext＝小幅度外偏；
如果θsd＝小幅度外偏，且θpt＝正小方向；那么Δθnext＝中等幅度外偏；
如果θsd＝小幅度外偏，且θpt＝正大方向；那么Δθnext＝大幅度外偏；
如果θsd＝中等幅度外偏，且θpt＝负大方向；那么Δθnext＝内偏；
如果θsd＝中等幅度外偏，且θpt＝负小方向；那么Δθnext＝内偏；
如果θsd＝中等幅度外偏，且θpt＝中等；那么Δθnext＝内偏；
如果θsd＝中等幅度外偏，且θpt＝正小方向；那么Δθnext＝小幅度外偏；
如果θsd＝中等幅度外偏，且θpt＝正大方向；那么Δθnext＝中等幅度内偏；
如果θsd＝大幅度外偏，且θpt＝负大方向；那么Δθnext＝内偏；
如果θsd＝大幅度外偏，且θpt＝负小方向；那么Δθnext＝内偏；
如果θsd＝大幅度外偏，且θpt＝中等；那么Δθnext＝内偏；
如果θsd＝大幅度外偏，且θpt＝正小方向；那么Δθnext＝小幅度外偏；
如果θsd＝大幅度外偏，且θpt＝正大方向；那么Δθnext＝中等幅度内偏；
(3)去模糊化
利用重心法去模糊化：
Figure GDA0002449093110000071
其中：u为隶属度值。
更进一步，机器人的具体落脚位置为(xnext,ynext,θnext)，且xnext＝xsd+Δxnext，ynext＝ysd+Δynext，θnext＝θsd+Δθnext。
本发明的有益效果为：
(1)本发明以xsd、xen，ysd、yen，θsd、θpt分别作为模糊控制器的输入量，并进行模糊处理，模糊处理包括模糊化、模糊规则推理以及去模糊化，最终输出为xnext、ynext、θnext，确定机器人在可落脚区域内摆动脚的具体落脚位置；且落脚位置的规划是根据双足机器人步长约束、运动能力、脚的尺寸与中心偏移确定的可落脚区域，而不是通过提前设定落脚集合，在落脚集合内进行少数有限落脚位置的选择；无需提前设计有限个数的落脚集合，提高了双足机器人的灵活性，充分发挥其运动能力，使得双足机器人路径规划后落脚点选择自主化和智能化。
(2)本发明模糊控制的过程考虑了最近路径节点位置、障碍物位置以及当前支撑脚的位置，使得模糊控制过程更精确、更全面，落脚位置选择更合理。
附图说明
图1为本发明所述双足机器人落脚位置控制系统结构示意图；
图2为本发明所述双足机器人落脚位置控制方法流程图；
图3为本发明所述通行路径的整体效果图；
图4为本发明所述摆动脚可落脚区域示意图；
图5为本发明模糊控制过程示意图；
图6为本发明中θpt的示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
如图1所示，一种双足机器人落脚位置控制系统，包括激光雷达或视觉传感器1、陀螺仪3、六维力传感器6以及工控机；激光雷达或视觉传感器1设置在双足机器人本体2顶部，用于获取双足机器人所处环境信息、所处环境信息中障碍物8在机器人本体坐标系中的位置坐标(xen，yen)；陀螺仪3设置在双足机器人本体2上半身，用于获取双足机器人偏航角θsd的初始值；六维力传感器6设置在双足机器人本体2脚底，用于获取双足机器人支撑脚的实时位置(xsd，ysd)；激光雷达或视觉传感器1、陀螺仪3、六维力传感器6均与工控机进行信号传输，工控机中设置模糊控制器，模糊控制器将支撑脚在世界坐标系的实时位置(xsd，ysd)转化成距离当前支撑脚位置最近的路径节点(xpt，ypt)(见公式(1))；以xsd、xen，ysd、yen，θsd、θpt分别作为模糊控制器的输入量，进行模糊化、模糊规则推理以及去模糊化，得到在可落脚范围内摆动脚的具体落脚位置(xnext，ynext，θnext)，控制摆动脚进行落脚。其中θpt是利用当前路径节点和下一步相关联的路径节点组成的直线与世界坐标系x轴的夹角(参见图6)(获取过程见公式(4)、(5))。图中x轴方向为沿着机器人前进方向，y轴方向为垂直于机器人前进方向，组成机器人本体坐标系；4为机器人下肢，7为机器人落脚位置。
如图2所示，一种双足机器人落脚位置控制方法，具体包括如下步骤：
步骤(1)，路径规划
通过在双足机器人上安装激光雷达或视觉传感器1获得环境地图，将环境地图进行栅格化处理，在栅格地图中设置起始出发点(xstart，ystart)和任务终点(xgoal，ygoal)，利用A*算法规划一条从起点到终点的无碰撞最优路径(即图3中的路径5)，每个路径点称为路径节点，表示为(xi，yi)(i＝1…n)，记可通行路径节点组成可通行路径Path＝(xstart，ystart)∪(x1，y1)…∪(xk，yk)…∪(xn，yn)∪(xgoal，ygoal)，如图3所示，图中9为起点、10为终点。
步骤(2)，确定落脚范围
根据具体双足机器人的步长约束、运动能力、脚的尺寸与中心偏移确定摆动脚的可落脚区域。
当双足机器人前进方向沿着x轴方向时，xmax＝xsd+Dmax，xmin＝xsd-Dmin，ymax＝ysd+Lmax，ymin＝ysd+Lmin；
当双足机器人前进方向沿着y轴时，ymax＝ysd+Dmax，ymin＝ysd-Dmin，xmax＝xstand+Lmax，xmin＝xsd+Lmin；
当双足机器人前进方向与x轴夹角为θ时，
Figure GDA0002449093110000091
由此可确定双足机器人摆动脚的可落脚区域为[xminxmax]∪[yminymax]∪[θminθmax]，如图4所示，虚线框内的区域为摆动脚可落脚区域；其中，θmax为摆动脚向外侧最大偏航角度，θmin为摆动脚向内侧最大偏航角度，Dmax为向前可移动最大距离，Dmin为向后可移动最大距离，Lmax为向外侧可移动最大距离，Lmin为向内侧可移动最大距离，B为双足机器人直立时两腿重心投影间距离。
步骤(3)，确定具体落脚位置
可落脚区域中任意(x,y,θ)组合即可表示实际摆动脚的可能落脚位置。
结合支撑脚的位置(xsd,ysd,θsd)、距离支撑脚位置最近的路径节点位置(xpt,ypt,θpt)以及环境中障碍物的位置(xen,yen)，将x、y、θ分别在各自的范围内进行模糊化处理，经过模糊规则推理后，进行去模糊化，最终得到在可落脚范围内摆动脚的具体落脚位置(xnext,ynext,θnext)。
以xsd、xen，ysd、yen，θsd、θpt分别作为模糊控制的输入量，双足机器人当前支撑脚为前一步的摆动脚，所以双足机器人当前支撑脚偏航角θsd的数值为前一步摆动脚的θnext-1值。
如图5所示，对于xen、xsd的模糊处理过程如下：
①通过xsd、ysd获得距离支撑脚位置最近的路径节点位置：
Figure GDA0002449093110000101
将该步求得的xpt与上一步的xpt-1的差值xpt-xpt-1作为一个输入，通过上一步的步长预测下一步的步长；同时xen作为另一个输入，通过距离障碍物远近，预测下一步的步长；依据模糊规则与推理，输出为Δxnext。
②模糊化处理：确定xpt-xpt-1的范围近似为一个步长的范围[-Dmin,Dmax]，将该范围模糊化分为四个阶段：后退、小步前进、中等步前进、大步前进，对应的范围分别为：[-Dmin,0]、
Figure GDA0002449093110000102
xen的取值范围近似表示为
Figure GDA0002449093110000103
模糊化为：很近、近、中等、远、很远，对应的范围分别为：
Figure GDA0002449093110000104
Figure GDA0002449093110000105
[4Dmax,5Dmax]；输出Δxnext模糊化为：后退、短、中等、长；对应的范围分别为：[-Dmin,0]、
Figure GDA0002449093110000106
所有的输入都使用三角法作为隶属度函数，并且各自隶属度值为μx。
③模糊规则与推理：
IF xpt-xpt-1＝后退THEN xnext＝后退；
IF xpt-xpt-1＝小步前进AND xen＝很近，THEN xnext＝短；
IF xpt-xpt-1＝小步前进AND xen＝近，THEN xnext＝短；
IF xpt-xpt-1＝小步前进AND xen＝中等，THEN xnext＝中等；
IF xpt-xpt-1＝小步前进AND xen＝远，THEN xnext＝长；
IF xpt-xpt-1＝小步前进AND xen＝很远，THEN xnext＝长；
IF xpt-xpt-1＝中等步前进AND xen＝很近，THEN xnext＝短；
IF xpt-xpt-1＝中等步前进AND xen＝近，THEN xnext＝短；
IF xpt-xpt-1＝中等步前进AND xen＝中等，THEN xnext＝中等；
IF xpt-xpt-1＝中等步前进AND xen＝远，THEN xnext＝长；
IF xpt-xpt-1＝中等步前进AND xen＝很远，THEN xnext＝长；
IF xpt-xpt-1＝大步前进AND xen＝很近，THEN xnext＝短；
IF xpt-xpt-1＝大步前进AND xen＝近，THEN xnext＝短；
IF xpt-xpt-1＝大步前进AND xen＝中等，THEN xnext＝中等；
IF xpt-xpt-1＝大步前进AND xen＝远，THEN xnext＝中等；
IF xpt-xpt-1＝大步前进AND xen＝很远，THEN xnext＝长。
④去模糊化
利用重心法去模糊化：
Figure GDA0002449093110000111
对yen、ysd的模糊处理过程如下：
①由公式(1)获得距离支撑脚位置最近的路径节点位置(xpt，ypt)。
将该步求得的ypt与上一步的ypt-1的差值ypt-ypt-1作为一个输入，通过上一步的步长预测下一步的步长；同时yen作为另一个输入，通过距离障碍物远近，预测下一步的步长；依据模糊规则与推理，输出为ynext。
②模糊化处理：确定ypt-ypt-1的范围近似为一个步摆的范围[Lmin,Lmax]，将该范围模糊化分为四个阶段：向内、向外小摆、向外中摆、向外大摆，对应的范围分别为：[Lmin,B]、
Figure GDA0002449093110000112
yen的取值范围近似表示为[Lmax,4Lmax]，模糊化为：很近、近、中等、远、很远，对应的范围分别为：[Lmax,2Lmax]、
Figure GDA0002449093110000113
[2Lmax,3Lmax]、
Figure GDA0002449093110000114
[3Lmax,4Lmax]；输出Δynext模糊化为：向内、小、中等、大，对应的范围分别为：[Lmin,B]、
Figure GDA0002449093110000121
Figure GDA0002449093110000122
所有的输入都使用三角法作为隶属度函数，并且各自隶属度值为μy。
③模糊规则与推理
IF ypt-ypt-1＝向内THEN Δynext＝向内；
IF ypt-ypt-1＝向外小摆AND yen＝很近，THEN Δynext＝小；
IF ypt-ypt-1＝向外小摆AND yen＝近，THEN Δynext＝小；
IF ypt-ypt-1＝向外小摆AND yen＝中等，THEN Δynext＝中等；
IF ypt-ypt-1＝向外小摆AND yen＝远，THEN Δynext＝大；
IF ypt-ypt-1＝向外小摆AND yen＝很远，THEN Δynext＝大；
IF ypt-ypt-1＝向外中摆AND yen＝很近，THEN Δynext＝小；
IF ypt-ypt-1＝向外中摆AND yen＝近，THEN Δynext＝小；
IF ypt-ypt-1＝向外中摆AND yen＝中等，THEN Δynext＝中等；
IF ypt-ypt-1＝向外中摆AND yen＝远，THEN Δynext＝大；
IF ypt-ypt-1＝向外中摆AND yen＝很远，THEN Δynext＝大；
IF ypt-ypt-1＝向外大摆AND yen＝很近，THEN Δynext＝小；
IF ypt-ypt-1＝向外大摆AND yen＝近，THEN Δynext＝小；
IF ypt-ypt-1＝向外大摆AND yen＝中等，THEN Δynext＝中等；
IF ypt-ypt-1＝向外大摆AND yen＝远，THEN Δynext＝大；
IF ypt-ypt-1＝向外大摆AND yen＝很远，THEN Δynext＝大。
④去模糊化
利用重心法去模糊化：
Figure GDA0002449093110000131
对θsd、θpt的模糊处理过程如下：
①双足机器人当前支撑脚为前一步的摆动脚，所以双足机器人支撑脚偏航角θsd的值为前一步摆动脚的值θnext-1，作为一个输入，通过前一步偏航角预测下一步偏航角；θpt由公式(4)、(5)获得，并作为另一个输入，通过前一步偏航角预测下一步偏航角。
Figure GDA0002449093110000132
Figure GDA0002449093110000133
其中：xpt+1、ypt+1为当前摆动脚落脚后距离落脚位置最近的路径节点；
②模糊化处理
θsd的变化范围为[-θmin,θmax]，将该范围模糊化分为四个阶段：内偏、小幅度外偏、中等幅度外篇、大幅度外偏，对应的范围分别为：[-θmin,0]、
Figure GDA0002449093110000134
Figure GDA0002449093110000135
θpt的范围近似表示为
Figure GDA0002449093110000136
模糊化为：负大方向、负小方向、中等、正小方向、正大方向，对应的范围分别为：
Figure GDA0002449093110000137
输出Δθnext模糊化为：内偏、小幅度外偏、中等幅度外篇、大幅度外偏，对应的范围分别为：[-θmin,0]、
Figure GDA0002449093110000138
所有的输入都使用三角法作为隶属度函数，并且各自隶属度值为μθ。
③模糊规则与推理
当支撑脚为左脚时：
IFθsd＝内偏ANDθpt＝负大方向，THENΔθnext＝大幅度外偏；
IF θsd＝内偏AND θpt＝负小方向，THEN Δθnext＝中等幅度外偏；
IF θsd＝内偏AND θpt＝中等，THEN Δθnext＝小幅度外偏；
IF θsd＝内偏AND θpt＝正小方向，THEN Δθnext＝内偏；
IF θsd＝内偏AND θpt＝正大方向，THEN Δθnext＝内偏；
IF θsd＝小幅度外偏AND θpt＝负大方向，THEN Δθnext＝大幅度外偏；
IF θsd＝小幅度外偏AND θpt＝负小方向，THEN Δθnext＝中等幅度外偏；
IF θsd＝小幅度外偏AND θpt＝中等，THEN Δθnext＝小幅度外偏；
IF θsd＝小幅度外偏AND θpt＝正小方向，THEN Δθnext＝内偏；
IF θsd＝小幅度外偏AND θpt＝正大方向，THEN Δθnext＝内偏；
IF θsd＝中等幅度外偏AND θpt＝负大方向，THEN Δθnext＝大幅度外偏；
IF θsd＝中等幅度外偏AND θpt＝负小方向，THEN Δθnext＝中等幅度外偏；
IF θsd＝中等幅度外偏AND θpt＝中等，THEN Δθnext＝内偏；
IF θsd＝中等幅度外偏AND θpt＝正小方向，THEN Δθnext＝内偏；
IF θsd＝中等幅度外偏AND θpt＝正大方向，THEN Δθnext＝内偏；
IF θsd＝大幅度外偏AND θpt＝负大方向，THEN Δθnext＝中等幅度外偏；
IF θsd＝大幅度外偏AND θpt＝负小方向，THEN Δθnext＝小幅度外偏；
IF θsd＝大幅度外偏AND θpt＝中等，THEN Δθnext＝内偏；
IF θsd＝大幅度外偏AND θpt＝正小方向，THEN Δθnext＝内偏；
IF θsd＝大幅度外偏AND θpt＝正大方向，THEN Δθnext＝内偏；
当支撑脚为右脚时：
IF θsd＝内偏AND θpt＝负大方向，THEN Δθnext＝内偏；
IF θsd＝内偏AND θpt＝负小方向，THEN Δθnext＝内偏；
IF θsd＝内偏AND θpt＝中等，THEN Δθnext＝小幅度外偏；
IF θsd＝内偏AND θpt＝正小方向，THEN Δθnext＝中等幅度外偏；
IF θsd＝内偏AND θpt＝正大方向，THEN Δθnext＝大幅度外偏；
IF θsd＝小幅度外偏AND θpt＝负大方向，THEN Δθnext＝内偏；
IF θsd＝小幅度外偏AND θpt＝负小方向，THEN Δθnext＝内偏；
IF θsd＝小幅度外偏AND θpt＝中等，THEN Δθnext＝小幅度外偏；
IF θsd＝小幅度外偏AND θpt＝正小方向，THEN Δθnext＝中等幅度外偏；
IF θsd＝小幅度外偏AND θpt＝正大方向，THEN Δθnext＝大幅度外偏；
IF θsd＝中等幅度外偏AND θpt＝负大方向，THEN Δθnext＝内偏；
IF θsd＝中等幅度外偏AND θpt＝负小方向，THEN Δθnext＝内偏；
IF θsd＝中等幅度外偏AND θpt＝中等，THEN Δθnext＝内偏；
IF θsd＝中等幅度外偏AND θpt＝正小方向，THEN Δθnext＝小幅度外偏；
IF θsd＝中等幅度外偏AND θpt＝正大方向，THEN Δθnext＝中等幅度内偏；
IF θsd＝大幅度外偏AND θpt＝负大方向，THEN Δθnext＝内偏；
IF θsd＝大幅度外偏AND θpt＝负小方向，THEN Δθnext＝内偏；
IF θsd＝大幅度外偏AND θpt＝中等，THEN Δθnext＝内偏；
IF θsd＝大幅度外偏AND θpt＝正小方向，THEN Δθnext＝小幅度外偏；
IF θsd＝大幅度外偏AND θpt＝正大方向，THEN Δθnext＝中等幅度内偏。
④去模糊化
利用重心法去模糊化：
Figure GDA0002449093110000151
最终三个模糊控制器的输出(xnext,ynext,θnext)为：
xnext＝xsd+Δxnext，ynext＝ysd+Δynext，θnext＝θsd+Δθnext
即可确定双足机器人在世界坐标系中的具体落脚位置。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (4)

1.一种双足机器人落脚位置控制系统，其特征在于，包括激光雷达或视觉传感器(1)、陀螺仪(3)、六维力传感器(6)以及工控机，激光雷达或视觉传感器(1)、陀螺仪(3)、六维力传感器(6)均与工控机进行信号传输；工控机中的模糊控制器以xsd、xen，ysd、yen，θsd、θpt分别作为输入量，进行模糊处理，得到在可落脚区域内摆动脚的具体落脚位置；其中：xsd、ysd为六维力传感器(6)获取的双足机器人支撑脚的实时位置，xen、yen为激光雷达或视觉传感器(1)获取的障碍物在机器人本体坐标系中的位置，θsd为陀螺仪(3)获取的双足机器人初始偏航角，θpt是利用当前路径节点和下一步相关联的路径节点组成的直线与世界坐标系x轴的夹角。
2.根据权利要求1所述的双足机器人落脚位置控制系统，其特征在于，所述
Figure FDA0002795262880000011
其中：xpt、ypt为距离当前支撑脚位置最近的路径节点，xpt+1、ypt+1为当前摆动脚落脚后距离落脚位置最近的路径节点，xnext、ynext为可落脚范围内摆动脚的具体落脚位置，xi、yi为路径节点。
3.一种根据权利要求1-2任意所述的双足机器人落脚位置控制系统的控制方法，其特征在于，规划通行路径，根据双足机器人步长约束、运动能力、脚的尺寸与中心偏移，确定摆动脚的在通行路径上的可落脚区域，模糊处理确定机器人的具体落脚位置；
所述模糊处理包括模糊化、模糊规则推理以及去模糊化；
对xen、xsd模糊处理过程为：输入为xpt-xpt-1、xen，输出为Δxnext；
(1)模糊化
xpt-xpt-1模糊化为后退、小步前进、中等步前进、大步前进，对应的范围分别为：[-Dmin,0]、
Figure FDA0002795262880000012
xen模糊化为很近、近、中等、远、很远，对应的范围分别为：
Figure FDA0002795262880000013
[4Dmax,5Dmax]；Δxnext模糊化为后退、短、中等、长，对应的范围分别为：[-Dmin,0]、
Figure FDA0002795262880000014
Figure FDA0002795262880000015
其中：Dmax为摆动脚向前可移动最大距离，Dmin为摆动脚向后可移动最大距离；所有的输入都使用三角法作为隶属度函数，并且各自隶属度值为μx；
(2)模糊规则推理
如果xpt-xpt-1＝后退，那么xnext＝后退；
如果xpt-xpt-1＝小步前进，且xen＝很近；那么xnext＝短；
如果xpt-xpt-1＝小步前进，且xen＝近；那么xnext＝短；
如果xpt-xpt-1＝小步前进，且xen＝中等；那么xnext＝中等；
如果xpt-xpt-1＝小步前进，且xen＝远；那么xnext＝长；
如果xpt-xpt-1＝小步前进，且xen＝很远；那么xnext＝长；
如果xpt-xpt-1＝中等步前进，且xen＝很近；那么xnext＝短；
如果xpt-xpt-1＝中等步前进，且xen＝近；那么xnext＝短；
如果xpt-xpt-1＝中等步前进，且xen＝中等；那么xnext＝中等；
如果xpt-xpt-1＝中等步前进，且xen＝远；那么xnext＝长；
如果xpt-xpt-1＝中等步前进，且xen＝很远；那么xnext＝长；
如果xpt-xpt-1＝大步前进，且xen＝很近；那么xnext＝短；
如果xpt-xpt-1＝大步前进，且xen＝近；那么xnext＝短；
如果xpt-xpt-1＝大步前进，且xen＝中等；那么xnext＝中等；
如果xpt-xpt-1＝大步前进，且xen＝远；那么xnext＝中等；
如果xpt-xpt-1＝大步前进，且xen＝很远；那么xnext＝长；
(3)利用重心法去模糊化
Figure FDA0002795262880000021
对yen、ysd模糊处理过程为：输入为ypt-ypt-1、yen，输出为Δynext；
(1)模糊化
ypt-ypt-1模糊化为向内、向外小摆、向外中摆、向外大摆，对应范围分别为：[Lmin,B]、
Figure FDA0002795262880000031
yen模糊化为很近、近、中等、远、很远，对应的范围分别为：[Lmax,2Lmax]、
Figure FDA0002795262880000032
[2Lmax,3Lmax]、
Figure FDA0002795262880000033
[3Lmax,4Lmax]；Δynext模糊化为向内、小、中等、大，对应的范围分别为：[Lmin,B]、
Figure FDA0002795262880000034
其中Lmax为向外侧可移动最大距离，Lmin为向内侧可移动最大距离，B为双足机器人直立时两腿重心投影间距离；所有的输入都使用三角法作为隶属度函数，并且各自隶属度值为μy；
(2)模糊规则推理
如果ypt-ypt-1＝向内，那么Δynext＝向内；
如果ypt-ypt-1＝向外小摆，且yen＝很近；那么Δynext＝小；
如果ypt-ypt-1＝向外小摆，且yen＝近；那么Δynext＝小；
如果ypt-ypt-1＝向外小摆，且yen＝中等；那么Δynext＝中等；
如果ypt-ypt-1＝向外小摆，且yen＝远；那么Δynext＝大；
如果ypt-ypt-1＝向外小摆，且yen＝很远；那么Δynext＝大；
如果ypt-ypt-1＝向外中摆，且yen＝很近；那么Δynext＝小；
如果ypt-ypt-1＝向外中摆，且yen＝近；那么Δynext＝小；
如果ypt-ypt-1＝向外中摆，且yen＝中等；那么Δynext＝中等；
如果ypt-ypt-1＝向外中摆，且yen＝远；那么Δynext＝大；
如果ypt-ypt-1＝向外中摆，且yen＝很远；那么Δynext＝大；
如果ypt-ypt-1＝向外大摆，且yen＝很近；那么Δynext＝小；
如果ypt-ypt-1＝向外大摆，且yen＝近；那么Δynext＝小；
如果ypt-ypt-1＝向外大摆，且yen＝中等；那么Δynext＝中等；
如果ypt-ypt-1＝向外大摆，且yen＝远；那么Δynext＝大；
如果ypt-ypt-1＝向外大摆，且yen＝很远；那么Δynext＝大；
(3)利用重心法去模糊化
Figure FDA0002795262880000041
对θsd、θpt模糊理过程为：输入为θsd、θpt，输出为Δθnext；
(1)模糊化
θsd模糊化为内偏、小幅度外偏、中等幅度外篇、大幅度外偏，对应的范围分别为：[-θmin,0]、
Figure FDA0002795262880000042
θpt模糊化为负大方向、负小方向、中等、正小方向、正大方向，对应的范围分别为：
Figure FDA0002795262880000043
Figure FDA0002795262880000044
Δθnext模糊化为内偏、小幅度外偏、中等幅度外篇、大幅度外偏，对应的范围分别为：[-θmin,0]、
Figure FDA0002795262880000045
其中：θmin为摆动脚向内侧最大偏航角度，θmax为摆动脚向外侧最大偏航角；所有的输入都使用三角法作为隶属度函数，并且各自隶属度值为μθ；
(2)模糊规则推理
当支撑脚为左脚时：
如果θsd＝内偏，且θpt＝负大方向；那么Δθnext＝大幅度外偏；
如果θsd＝内偏，且θpt＝负小方向；那么Δθnext＝中等幅度外偏；
如果θsd＝内偏，且θpt＝中等；那么Δθnext＝小幅度外偏；
如果θsd＝内偏，且θpt＝正小方向；那么Δθnext＝内偏；
如果θsd＝内偏，且θpt＝正大方向；那么Δθnext＝内偏；
如果θsd＝小幅度外偏，且θpt＝负大方向；那么Δθnext＝大幅度外偏；
如果θsd＝小幅度外偏，且θpt＝负小方向；那么Δθnext＝中等幅度外偏；
如果θsd＝小幅度外偏，且θpt＝中等；那么Δθnext＝小幅度外偏；
如果θsd＝小幅度外偏，且θpt＝正小方向；那么Δθnext＝内偏；
如果θsd＝小幅度外偏，且θpt＝正大方向；那么Δθnext＝内偏；
如果θsd＝中等幅度外偏，且θpt＝负大方向；那么Δθnext＝大幅度外偏；
如果θsd＝中等幅度外偏，且θpt＝负小方向；那么Δθnext＝中等幅度外偏；
如果θsd＝中等幅度外偏，且θpt＝中等；那么Δθnext＝内偏；
如果θsd＝中等幅度外偏，且θpt＝正小方向；那么Δθnext＝内偏；
如果θsd＝中等幅度外偏，且θpt＝正大方向；那么Δθnext＝内偏；
如果θsd＝大幅度外偏，且θpt＝负大方向；那么Δθnext＝中等幅度外偏；
如果θsd＝大幅度外偏，且θpt＝负小方向；那么Δθnext＝小幅度外偏；
如果θsd＝大幅度外偏，且θpt＝中等；那么Δθnext＝内偏；
如果θsd＝大幅度外偏，且θpt＝正小方向；那么Δθnext＝内偏；
如果θsd＝大幅度外偏，且θpt＝正大方向；那么Δθnext＝内偏；
当支撑脚为右脚时：
如果θsd＝内偏，且θpt＝负大方向；那么Δθnext＝内偏；
如果θsd＝内偏，且θpt＝负小方向；那么Δθnext＝内偏；
如果θsd＝内偏，且θpt＝中等；那么Δθnext＝小幅度外偏；
如果θsd＝内偏，且θpt＝正小方向；那么Δθnext＝中等幅度外偏；
如果θsd＝内偏，且θpt＝正大方向；那么Δθnext＝大幅度外偏；
如果θsd＝小幅度外偏，且θpt＝负大方向；那么Δθnext＝内偏；
如果θsd＝小幅度外偏，且θpt＝负小方向；那么Δθnext＝内偏；
如果θsd＝小幅度外偏，且θpt＝中等；那么Δθnext＝小幅度外偏；
如果θsd＝小幅度外偏，且θpt＝正小方向；那么Δθnext＝中等幅度外偏；
如果θsd＝小幅度外偏，且θpt＝正大方向；那么Δθnext＝大幅度外偏；
如果θsd＝中等幅度外偏，且θpt＝负大方向；那么Δθnext＝内偏；
如果θsd＝中等幅度外偏，且θpt＝负小方向；那么Δθnext＝内偏；
如果θsd＝中等幅度外偏，且θpt＝中等；那么Δθnext＝内偏；
如果θsd＝中等幅度外偏，且θpt＝正小方向；那么Δθnext＝小幅度外偏；
如果θsd＝中等幅度外偏，且θpt＝正大方向；那么Δθnext＝中等幅度内偏；
如果θsd＝大幅度外偏，且θpt＝负大方向；那么Δθnext＝内偏；
如果θsd＝大幅度外偏，且θpt＝负小方向；那么Δθnext＝内偏；
如果θsd＝大幅度外偏，且θpt＝中等；那么Δθnext＝内偏；
如果θsd＝大幅度外偏，且θpt＝正小方向；那么Δθnext＝小幅度外偏；
如果θsd＝大幅度外偏，且θpt＝正大方向；那么Δθnext＝中等幅度内偏；
(3)去模糊化
利用重心法去模糊化：
Figure FDA0002795262880000061
4.根据权利要求3所述的双足机器人落脚位置控制方法，其特征在于，机器人的具体落脚位置为(xnext,ynext,θnext)，且xnext＝xsd+Δxnext，ynext＝ysd+Δynext，θnext＝θsd+Δθnext。
CN202010116012.6A 2020-02-25 2020-02-25 一种双足机器人落脚位置控制系统与方法 Active CN111290389B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010116012.6A CN111290389B (zh) 2020-02-25 2020-02-25 一种双足机器人落脚位置控制系统与方法
PCT/CN2020/089343 WO2021169043A1 (zh) 2020-02-25 2020-05-09 一种双足机器人落脚位置控制系统与方法
US17/801,804 US11698636B2 (en) 2020-02-25 2020-05-09 Foothold position control system and method for biped robot

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010116012.6A CN111290389B (zh) 2020-02-25 2020-02-25 一种双足机器人落脚位置控制系统与方法

Publications (2)

Publication Number Publication Date
CN111290389A CN111290389A (zh) 2020-06-16
CN111290389B true CN111290389B (zh) 2021-05-14

Family

ID=71023144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010116012.6A Active CN111290389B (zh) 2020-02-25 2020-02-25 一种双足机器人落脚位置控制系统与方法

Country Status (3)

Country Link
US (1) US11698636B2 (zh)
CN (1) CN111290389B (zh)
WO (1) WO2021169043A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111830986B (zh) * 2020-07-24 2022-10-21 北京理工大学 一种用于双足机器人的三维路径规划方法
CN112650234B (zh) * 2020-12-16 2022-05-17 浙江大学 一种双足机器人的路径规划方法
WO2022140969A1 (zh) * 2020-12-28 2022-07-07 深圳市优必选科技股份有限公司 动态生成脚印集方法、存储介质及双足机器人
CN112731941B (zh) * 2020-12-29 2024-03-05 深圳市优必选科技股份有限公司 双足机器人路径规划方法、装置和双足机器人
CN113064433B (zh) * 2021-03-22 2023-08-18 深圳市优必选科技股份有限公司 机器人迈步控制方法、装置、机器人控制设备及存储介质
CN113253727B (zh) * 2021-05-13 2024-06-14 乐聚(深圳)机器人技术有限公司 一种机器人的轨迹确定方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1162039A2 (en) * 2000-06-06 2001-12-12 Honda Giken Kogyo Kabushiki Kaisha Fuzzy logic based control
CN101847009A (zh) * 2010-05-28 2010-09-29 广东工业大学 两足机器人步态能效优化方法
CN102147592A (zh) * 2010-02-10 2011-08-10 中国科学院自动化研究所 一种控制四足机器人运动的模糊控制器
CN107803832A (zh) * 2017-09-28 2018-03-16 深圳市行者机器人技术有限公司 一种机器人腿部拉线结构的控制系统
CN110328670A (zh) * 2019-08-27 2019-10-15 山东科技大学 基于地形模糊自适应的四足机器人静步态规划方法
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

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2769052B2 (ja) 1991-04-09 1998-06-25 インターナショナル・ビジネス・マシーンズ・コーポレイション 自律移動機械、移動機械の制御装置及び方法
US20080243745A1 (en) 2007-03-31 2008-10-02 Mitchell Kwok Human Level Artificial Intelligence Software Application for Machine & Computer Based Program Function
CN101833333B (zh) * 2009-12-23 2011-09-14 湖南大学 水下清洗作业机器人未知环境路径规划方法
CN102621986A (zh) * 2012-04-13 2012-08-01 西北农林科技大学 一种基于视觉和超声波的导航控制系统
CN103324196A (zh) * 2013-06-17 2013-09-25 南京邮电大学 基于模糊逻辑的多机器人路径规划与协调避碰方法
CN107132844B (zh) 2017-05-24 2019-07-16 浙江大学 一种移动机器人基于姿态检测模块和特殊地标的运动自矫正方法
CN108614561A (zh) 2018-05-31 2018-10-02 重庆大学 一种适用于全向轮移动机器人的人工势场避障方法
WO2020233050A1 (zh) * 2019-11-26 2020-11-26 浙江大学 一种双足机器人不平整路面动态跑步步态实现方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1162039A2 (en) * 2000-06-06 2001-12-12 Honda Giken Kogyo Kabushiki Kaisha Fuzzy logic based control
CN102147592A (zh) * 2010-02-10 2011-08-10 中国科学院自动化研究所 一种控制四足机器人运动的模糊控制器
CN101847009A (zh) * 2010-05-28 2010-09-29 广东工业大学 两足机器人步态能效优化方法
CN107803832A (zh) * 2017-09-28 2018-03-16 深圳市行者机器人技术有限公司 一种机器人腿部拉线结构的控制系统
CN110328670A (zh) * 2019-08-27 2019-10-15 山东科技大学 基于地形模糊自适应的四足机器人静步态规划方法
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

Also Published As

Publication number Publication date
CN111290389A (zh) 2020-06-16
US20230107084A1 (en) 2023-04-06
US11698636B2 (en) 2023-07-11
WO2021169043A1 (zh) 2021-09-02

Similar Documents

Publication Publication Date Title
CN111290389B (zh) 一种双足机器人落脚位置控制系统与方法
Kashyap et al. Particle Swarm Optimization aided PID gait controller design for a humanoid robot
CN109483530B (zh) 一种基于深度强化学习的足式机器人运动控制方法及系统
Xiang et al. Continuous control with deep reinforcement learning for mobile robot navigation
CN113478486B (zh) 基于深度强化学习的机器人运动参数自适应控制方法和系统
JPWO2006132330A1 (ja) 脚式移動体の平衡点安定化装置
Mester et al. Autonomous Locomotion of Humanoid Robots in Presence of Mobile and Immobile Obstacles: Trajectory Prediction, Path Planning, Control and Simulation
Rodriguez et al. Combining simulations and real-robot experiments for Bayesian optimization of bipedal gait stabilization
Falsafi et al. Fuzzy motion control for wheeled mobile robots in real-time
CN106094817B (zh) 基于大数据方式的强化学习仿人机器人步态规划方法
Gupta et al. Trajectory generation and step planning of a 12 DoF biped robot on uneven surface
Tutuko et al. Route optimization of non-holonomic leader-follower control using dynamic particle swarm optimization
Tanha et al. Control a mobile robot in Social environments by considering human as a moving obstacle
CN116859975A (zh) 基于bp神经网络的轮腿机器人轮-足切换控制方法
Jiang et al. Predictive fuzzy logic controller for trajectory tracking of a mobile robot
Zhou et al. Reinforcement learning with fuzzy evaluative feedback for a biped robot
Saputra et al. Adaptive motion pattern generation on balancing of humanoid robot movement
Sadeghi-Tehran et al. Online self-evolving fuzzy controller for autonomous mobile robots
Wang et al. Locomotion planning for quadruped robot over rough terrain
Roditis et al. Maintaining static stability and continuous motion in rough terrain hexapod locomotion without terrain mapping
CN118034373A (zh) 一种平流层飞艇环境最优智能区域驻留控制方法及系统
Orsag et al. State estimation, robust control and obstacle avoidance for multicopter in cluttered environments: Euroc experience and results
Martinez et al. Deep reinforcement learning oriented for real world dynamic scenarios
CN116237943A (zh) 一种结合地形约束的四足机器人控制方法
Liu et al. Goal-driven motion control of snake robots with onboard cameras via policy improvement with path integrals

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