CN111558937B - 基于深度学习的机器人运动控制方法 - Google Patents
基于深度学习的机器人运动控制方法 Download PDFInfo
- Publication number
- CN111558937B CN111558937B CN202010266307.1A CN202010266307A CN111558937B CN 111558937 B CN111558937 B CN 111558937B CN 202010266307 A CN202010266307 A CN 202010266307A CN 111558937 B CN111558937 B CN 111558937B
- Authority
- CN
- China
- Prior art keywords
- deep learning
- data
- robot
- motion
- model
- 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
- 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
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- 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
Abstract
本发明公开了一种基于深度学习的机器人运动控制方法,包括以下步骤:创建深度学习初始模型,并设定损失函数;采集据并输入到深度学习初始模型中,并根据损失函数进行深度学习初始模型训练,获取深度学习模型;获取实时外部环境数据、机器人状态数据和运动目标数据;将获取的实时外部环境数据、机器人状态数据和运动目标数据输入到深度学习模型中,获取深度学习模型的输出结果;根据深度学习模型的输出结果实时生成并发送相应的控制序列给相应的机器人运动控制部件。本发明可自动控制机器人针对不同3D环境及运动目标,产生步态、体态、手态等操作控制序列,极大的提高机器人的操作灵活性,以及减少工作量。
Description
技术领域
本发明涉及机器人控制技术领域,特别是一种基于深度学习的机器人运动控制方法。
背景技术
一般的多足、双足机器人存在两个主要问题,第一、机器人的运动不够灵活;第二、机器人的步态、体态、手、足的控制自动化程度低,需要编制不同的控制模块程序进行控制,复杂且工作量大。
发明内容
基于此,针对上述问题,本发明提供了一种基于深度学习的机器人运动控制方法,通过将外部地环、本身姿态、运动目标当作输入,输入到深度学习模型从而产生对应的对运动部件控制的时序命令进而对机器人进行灵活控制,简单方便且提高了机器人运动的灵活性。
本发明采用的技术方案是:
一种基于深度学习的机器人运动控制方法,包括以下步骤:
S1、创建深度学习初始模型,并设定损失函数L;
S2、采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据并输入到深度学习初始模型中,并根据损失函数进行深度学习初始模型训练,获取深度学习模型;
S3、获取实时外部环境数据、运动要求数据、机器人状态数据和运动目标数据;
S4、将获取的实时外部环境数据、运动要求数据、机器人状态数据和运动目标数据输入到深度学习模型中,获取深度学习模型的输出结果;
S5、根据深度学习模型的输出结果实时生成并发送相应的控制序列给相应的机器人运动控制部件。
创建一个深度学习初始模型,构建一个损失函数,该损失函数包括电机的能耗、姿态的稳定性、防止碰撞的发生、运动部件范围的限制的权重占比等参数,损失函数可由与预定输出的距离,测量达到的速度、功耗、颠簸性、平衡性等综合评定,保证了数据的全面性,采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据并输入到深度学习初始模型中,并根据损失函数进行深度学习初始模型训练,获取深度学习模型,通过摄像头获取实时外部环境数据,通过设置在机器人各部件上的空间位置传感器、速度传感器、力传感器获取机器人状态数据,并获取需要实现的运动目标数据,如目标任务的紧迫性、速度的要求(快跑,慢跑,走动,踏步等)等,将获取到的实时外部环境数据、机器人状态数据和运动目标数据输入到深度学习模型中,获取深度学习模型的输出结果,进而根据深度学习模型的输出结果生成并发送相应的控制序列给相应的机器人运动控制部件进而控制机器人相应的部件进行运动。
本方法可自动控制机器人针对不同3D环境及运动目标,产生步态、体态、手态等操作控制序列,从而使得机器人的控制不再需要编写指定的代码,而是通过深度学习模型根据需要完成的目标自动生成控制序列,从而极大的提高机器人的操作灵活性,以及减少工作量。
在进一步的技术方案中,所述机器人状态数据包括机器人自身形态数据、运动状态数据和各部件受力数据。
通过多个空间位置传感器及多个速度传感器获取机器人的自身的形态及运动状态,如手部,足部,躯干部等,通过力学传感器获取机器人的自动重要节点或与地面或与其它物体的受力数据,进而保证数据的全面性与准确性。
在进一步的技术方案中,所述损失函数L的表达式为L=S+V+P+Ε,其中,S为完成目标距离度量,V为速度损失量,P为功耗损失量,E为颠簸损失量。
在进一步的技术方案中,步骤S2包括以下步骤:
S21、采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据并输入到深度学习初始模型中;
S22、获取机器人各运动控制部件的运动完成数据,并根据损失函数生成奖惩规则对深度学习初始模型进行迭代学习训练,并生成学习训练结果;
S23、根据学习训练结果获取深度学习模型。
根据损失函数来决定奖惩,采用深度强化学习的方式对深度学习初始模型进行训练进而获取深度学习模型,以便实现对机器人的灵活控制。
在进一步的技术方案中,所述深度学习初始模型包括粗粒度深度学习初始模型和细粒度深度学习初始模型。
设定两个粒度的模型,对粗粒度深度学习初始模型和细粒度深度学习初始模型两个模型进行训练,以便后续对机器人运动部件进行精确控制。
在进一步的技术方案中,所述损失函数L的表达式为L=A2-A0,其中,A2为细粒度深度学习初始模型输出值,A0为运动目标实际值。
在进一步的技术方案中,根据深度学习模型的输出结果实时生成并发送相应的细粒度运动点控制序列给相应的机器人运动控制部件。
当深度学习模型只有一个时,直接生成对应的细粒度运动点控制序列给相应的运动控制部件,进而快速控制机器人运动控制部件进行相应运动。
在进一步的技术方案中,所述损失函数L的表达式为L=L1+L2,其中,L1为粗粒度深度学习初始模型输出值与运动目标实际值之间的差值,L2为细粒度深度学习初始模型输出值与运动目标实际值之间的差值。
在进一步的技术方案中,步骤S2包括以下步骤:
S24、采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据和输出结果并输入到深度学习初始模型进行训练并计算损失函数值;
S25、根据损失函数值,通过优化算法迭代更新模型参数;
S26、根据迭代更新的模型参数获取深度学习模型。
通过梯度下降的方式对深度学习初始模型进行学习训练,进而保证能够获取更加完善的深度学习模型,提高效率。
在进一步的技术方案中,步骤S5包括以下步骤:
S51、根据深度学习模型的输出结果实时生成并发送相应的粗粒度的运动点控制信息;
S52、根据粗粒度的运动点控制信息生成每个粗粒度运动点的对应的细粒度的运动点控制序列;
S53、将对应的细粒度的运动点控制序列发送给相应的运动控制部件。
粗粒度:为每个足或关节的位移量,每个足,手,节关的位移可能需要若干个控制单元的控制序列;细粒度:则为各个控制部件的具体移动量;当深度学习模型包含两个时,通过粗粒度和细粒度两个运动点控制序列实现对机器人的精确灵活的控制。
本发明的有益效果是:
1、通过将外部地环、本身姿态、运动目标当作输入,输入到深度学习模型从而产生对应的对运动部件控制的时序命令进而对机器人进行灵活控制,简单方便且提高了机器人运动的灵活性;
2、通过多个空间位置传感器及多个速度传感器获取机器人的自身的形态及运动状态,如手部,足部,躯干部等,通过力学传感器获取机器人的自动重要节点或与地面或与其它物体的接触力数据,进而保证数据的全面性与准确性;
3、根据损失函数来决定奖惩,采用深度强化学习的方式对深度学习初始模型进行训练进而获取深度学习模型,以便实现对机器人的灵活控制;
4、设定两个粒度的模型,对粗粒度深度学习初始模型和细粒度深度学习初始模型两个模型进行训练,以便后续对机器人运动部件进行精确控制;
5、当深度学习模型只有一个时,直接生成对应的细粒度运动点控制序列给相应的运动控制部件,进而快速控制机器人运动控制部件进行相应运动;
6、通过梯度下降的方式对深度学习初始模型进行学习训练,进而保证能够获取更加完善的深度学习模型,提高效率;
7、通过粗粒度和细粒度两个运动点控制序列实现对机器人的精确灵活的控制。
附图说明
图1为本发明实施例所述一种基于深度学习的机器人运动控制方法的流程图;
图2为本发明实施例所述一种基于深度学习的机器人运动控制方法中深度强化学习的流程图;
图3为本发明实施例所述一种基于深度学习的机器人运动控制方法中梯度下降学习的流程图;
图4为本发明实施例所述一种基于深度学习的机器人运动控制方法中生成控制序列的流程图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例
如图1所示,一种基于深度学习的机器人运动控制方法,包括以下步骤:
一、训练深度学习模型阶段:
S1、创建深度学习初始模型,并设定损失函数L;
S2、采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据并输入到深度学习初始模型中,并根据损失函数进行深度学习初始模型训练,获取深度学习模型;
二、使用深度学习模型阶段:
S3、在使用时获取实时外部环境数据、运动要求数据、机器人状态数据和运动目标数据;
S4、将获取的实时外部环境数据、运动要求数据、机器人状态数据和运动目标数据输入到深度学习模型中,获取深度学习模型的输出结果;深度学习模型实时输出控制结果;
S5、根据深度学习模型的输出结果实时生成并发送相应的控制序列给相应的机器人运动控制部件。根据深度学习模型的输出结果实时做相应的放大电路信号,线性变换等操作,并用变换后的控制序列控制机器人运动部件。
创建一个深度学习初始模型,构建一个损失函数,该损失函数包括电机的能耗、姿态的稳定性、防止碰撞的发生、运动部件范围的限制的权重占比等参数,损失函数可由与预定输出的距离,测量达到的速度、功耗、颠簸性、平衡性等综合评定,保证了数据的全面性,采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据并输入到深度学习初始模型中,并根据损失函数进行深度学习初始模型训练,获取深度学习模型,通过摄像头获取实时外部环境数据,通过设置在机器人各部件上的空间位置传感器、速度传感器、力传感器获取机器人状态数据,并获取需要实现的运动目标数据,如目标任务的紧迫性、速度的要求(快跑,慢跑,走动,踏步等)等,将获取到的实时外部环境数据、机器人状态数据和运动目标数据输入到深度学习模型中,获取深度学习模型的输出结果,将获取的深度学习模型的输出结果作为控制序列控制机器人运动控制部件取进行相应的运动,进而根据深度学习模型的输出结果生成并发送相应的控制序列给相应的机器人运动控制部件进而控制机器人相应的部件进行运动。
本方法可自动控制机器人针对不同3D环境及运动目标,产生步态、体态、手态等操作控制序列,从而使得机器人的控制不再需要编写指定的代码,而是通过深度学习模型根据需要完成的目标自动生成控制序列,从而极大的提高机器人的操作灵活性,以及减少工作量。
在其中一个实施例中,所述机器人状态数据包括机器人自身形态数据、运动状态数据和各部件受力数据。
通过多个空间位置传感器及多个速度传感器获取机器人的自身的形态及运动状态,如手部,足部,躯干部等,通过力学传感器获取机器人的自动重要节点或与地面或与其它物体的受力数据,进而保证数据的全面性与准确性。
在其中一个实施例中,所述损失函数L的表达式为L=S+V+P+Ε,其中,S为完成目标距离度量,V为速度损失量,P为功耗损失量,E为颠簸损失量。
在其中一个实施例中,如图2所示,步骤S2包括以下步骤:
S21、实时采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据并输入到深度学习初始模型中;
S22、获取机器人各运动控制部件的运动完成数据,并根据损失函数生成奖惩规则对深度学习初始模型进行迭代学习训练,并生成学习训练结果;
S23、根据学习训练结果获取深度学习模型。
根据损失函数来决定奖惩,采用深度强化学习的方式对深度学习初始模型进行训练进而获取深度学习模型,以便实现对机器人的灵活控制。
在其中一个实施例中,所述深度学习初始模型包括粗粒度深度学习初始模型和细粒度深度学习初始模型。
设定两个粒度的模型,对粗粒度深度学习初始模型和细粒度深度学习初始模型两个模型进行训练,以便后续对机器人运动部件进行精确控制。
在其中一个实施例中,所述损失函数L的表达式为L=A2-A0,其中,A2为细粒度深度学习初始模型输出值,A0为运动目标实际值。
在其中一个实施例中,步骤S5包括以下步骤:
根据深度学习模型的输出结果实时生成并发送相应的细粒度运动点控制序列给相应的运动控制部件。
当深度学习模型只有一个时,直接生成对应的细粒度运动点控制序列给相应的运动控制部件,进而快速控制机器人运动控制部件进行相应运动。
在其中一个实施例中,在两个粒度联合训练时,所述损失函数L的表达式为L=L1+L2,其中,L1为粗粒度深度学习初始模型输出值与运动目标实际值之间的差值,L2为细粒度深度学习初始模型输出值与运动目标实际值之间的差值。
在其中一个实施例中,如图3所示,步骤S2包括以下步骤:
S24、预先采集大量的运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据和输出结果并输入到深度学习初始模型进行训练并计算损失函数值;
S25、根据损失函数值,通过优化算法迭代更新模型参数;
S26、根据迭代更新的模型参数获取深度学习模型。
通过优化算法迭代更新模型参数后获取最优模型参数进而得到深度学习模型。通过梯度下降的方式对深度学习初始模型进行学习训练,进而保证能够获取更加完善的深度学习模型,提高效率。通过深度学习的效果计算损失函数值;通过损失函数值,用各种优化算法进行优化(如SGD,ADAM等),从而更新深度学习模型的参数,使损失函数向变小的方向发展;不断迭代训练从而得到最终的深度学习模型。
在其中一个实施例中,如图4所示,步骤S5包括以下步骤:
S51、根据深度学习模型的输出结果实时生成并发送相应的粗粒度的运动点控制信息;
S52、根据粗粒度的运动点控制信息生成每个粗粒度运动点的对应的细粒度的运动点控制序列;
S53、将对应的细粒度的运动点控制序列发送给相应的运动控制部件。
粗粒度:为每个足或关节的位移量,每个足,手,节关的位移可能需要若干个控制单元的控制序列;细粒度:则为各个控制部件的具体移动量,如有4个电机则每时刻为每个电机的控制步进量;通过粗粒度和细粒度两个运动点控制序列实现对机器人的精确灵活的控制。通过深度学习模型可能一个或两个,对于两个协同的深度学习模型,可以一个深度学习模型生成粗粒度的需要变化到下一步的姿态,而另一个深度学习模型则根据第一个模型生成的姿态,依据现在的状态生成要达成这个姿态需要对每个运动单元生成怎么样的实时细粒度的控制序列;如果是两个深度学习模型协同运行,那么粗粒度的是从一个模型发送给另一个模型,让另一个模型依据粗粒度的目标生成可直接控制各个运动器件的细粒度实时控制信号。
以上所述实施例仅表达了本发明的具体实施方式,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。
Claims (4)
1.一种基于深度学习的机器人运动控制方法,其特征在于,包括以下步骤:
S1、创建深度学习初始模型,并设定损失函数L;
S2、采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据并输入到深度学习初始模型中,并根据损失函数进行深度学习初始模型训练,获取深度学习模型;
S3、获取实时外部环境数据、运动要求数据、机器人状态数据和运动目标数据;
S4、将获取的实时外部环境数据、运动要求数据、机器人状态数据和运动目标数据输入到深度学习模型中,获取深度学习模型的输出结果;
S5、根据深度学习模型的输出结果实时生成并发送相应的控制序列给相应的机器人运动控制部件;
所述机器人状态数据包括机器人自身形态数据、运动状态数据和各部件受力数据;
所述损失函数L的表达式为L=S+V+P+E,其中,S为完成目标距离度量,V为速度损失量,P为功耗损失量,E为颠簸损失量;
步骤S2包括以下步骤:
S21、采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据并输入到深度学习初始模型中;
S22、获取机器人各运动控制部件的运动完成数据,并根据损失函数生成奖惩规则对深度学习初始模型进行迭代学习训练,并生成学习训练结果;
S23、根据学习训练结果获取深度学习模型;
所述深度学习初始模型包括粗粒度深度学习初始模型和细粒度深度学习初始模型;设定两个粒度的模型,对粗粒度深度学习初始模型和细粒度深度学习初始模型两个模型进行训练,以便后续对机器人运动部件进行精确控制;所述损失函数L的表达式为L=A2-A0,其中,A2为细粒度深度学习初始模型输出值,A0为运动目标实际值;步骤S5包括以下步骤:根据深度学习模型的输出结果实时生成并发送相应的细粒度运动点控制序列给相应的机器人运动控制部件;粗粒度:为每个足或关节的位移量,每个足,手,关节 的位移可能需要若干个控制单元的控制序列;细粒度:则为各个控制部件的具体移动量。
2.根据权利要求1所述的基于深度学习的机器人运动控制方法,其特征在于,所述损失函数L的表达式为L=L1+L2,其中,L1为粗粒度深度学习初始模型输出值与运动目标实际值之间的差值,L2为细粒度深度学习初始模型输出值与运动目标实际值之间的差值。
3.根据权利要求2所述的基于深度学习的机器人运动控制方法,其特征在于,步骤S2包括以下步骤:
S24、采集运动要求数据、运动目标、机器人自身的各种状态数据、外部环境数据和输出结果并输入到深度学习初始模型进行训练并计算损失函数值;
S25、根据损失函数值,通过优化算法迭代更新模型参数;
S26、根据迭代更新的模型参数获取深度学习模型。
4.根据权利要求3所述的基于深度学习的机器人运动控制方法,其特征在于,步骤S5包括以下步骤:
S51、根据深度学习模型的输出结果实时生成并发送相应的粗粒度的运动点控制信息;
S52、根据粗粒度的运动点控制信息生成每个粗粒度运动点的对应的细粒度的运动点控制序列;
S53、将对应的细粒度的运动点控制序列发送给相应的运动控制部件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010266307.1A CN111558937B (zh) | 2020-04-07 | 2020-04-07 | 基于深度学习的机器人运动控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010266307.1A CN111558937B (zh) | 2020-04-07 | 2020-04-07 | 基于深度学习的机器人运动控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111558937A CN111558937A (zh) | 2020-08-21 |
CN111558937B true CN111558937B (zh) | 2023-03-24 |
Family
ID=72070503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010266307.1A Active CN111558937B (zh) | 2020-04-07 | 2020-04-07 | 基于深度学习的机器人运动控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111558937B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113386133A (zh) * | 2021-06-10 | 2021-09-14 | 贵州恰到科技有限公司 | 一种强化学习机器人控制方法 |
CN115338610B (zh) * | 2022-07-04 | 2024-02-13 | 中国科学院自动化研究所 | 双轴孔装配方法、装置、电子设备和存储介质 |
CN117226854B (zh) * | 2023-11-13 | 2024-02-02 | 之江实验室 | 一种夹取任务的执行方法、装置、存储介质及电子设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009072884A (ja) * | 2007-09-21 | 2009-04-09 | Diamondtool Corp | 超砥粒ホイール、及び超砥粒ホイールの製造方法 |
CN105930841B (zh) * | 2016-05-13 | 2018-01-26 | 百度在线网络技术(北京)有限公司 | 对图像进行自动语义标注的方法、装置与计算机设备 |
US20180322386A1 (en) * | 2017-05-05 | 2018-11-08 | Intel Corporation | Fine-grain compute communication execution for deep learning frameworks |
CN109993187A (zh) * | 2017-12-29 | 2019-07-09 | 深圳市优必选科技有限公司 | 一种用于识别物体类别的建模方法、机器人及存储装置 |
CN208133995U (zh) * | 2018-05-10 | 2018-11-23 | 淮阴师范学院 | 一种轮式机器人悬架装置 |
CN108983804B (zh) * | 2018-08-27 | 2020-05-22 | 燕山大学 | 一种基于深度强化学习的双足机器人步态规划方法 |
AU2019100350A4 (en) * | 2019-04-04 | 2019-05-09 | Ai, Bofei Mr | The hexapod robot with wheel type and leg type |
CN110516700B (zh) * | 2019-07-18 | 2022-12-06 | 西安电子科技大学 | 基于度量学习的细粒度图像分类方法 |
CN110909625A (zh) * | 2019-11-04 | 2020-03-24 | 向仲宇 | 一种计算机视觉基础网络训练识别构建方法及装置 |
-
2020
- 2020-04-07 CN CN202010266307.1A patent/CN111558937B/zh active Active
Non-Patent Citations (1)
Title |
---|
结合稀疏表示和深度学习的视频中3D人体姿态估计;王伟楠;《结合稀疏表示和深度学习的视频中3D人体姿态估计》;中国图象图形学报;20200316;第25卷(第3期);第456-467页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111558937A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111558937B (zh) | 基于深度学习的机器人运动控制方法 | |
Koolen et al. | Design of a momentum-based control framework and application to the humanoid robot atlas | |
CN112051797B (zh) | 足式机器人运动控制方法、装置、设备及介质 | |
EP1552908A1 (en) | Robot control algorithm construction device, robot control algorithm construction program, robot control device, robot control program, and robot | |
Chalodhorn et al. | Learning to Walk through Imitation. | |
Vladareanu et al. | Versatile intelligent portable robot control platform based on cyber physical systems principles | |
CN112318505A (zh) | 一种移动机器人变批次长度迭代学习优化控制方法 | |
CN113821045B (zh) | 一种腿足机器人强化学习动作生成系统 | |
JP2022543926A (ja) | ロボットシステムのためのデリバティブフリーモデル学習のシステムおよび設計 | |
Dupree et al. | Adaptive Lyapunov-based control of a robot and mass–spring system undergoing an impact collision | |
Vladareanu et al. | The navigation of mobile robots in non-stationary and non-structured environments | |
CN114047745B (zh) | 机器人运动控制方法、机器人、计算机装置和存储介质 | |
US20220066401A1 (en) | Machine control system | |
Wang et al. | Hierarchical human machine interaction learning for a lower extremity augmentation device | |
US11685049B2 (en) | Robot localization using variance sampling | |
CN117270398A (zh) | 基于神经网络和强化学习的机器人步态规划算法 | |
Liu et al. | Foot placement compensator design for humanoid walking based on discrete control Lyapunov function | |
Vladareanu et al. | Dynamic control of a walking robot using the versatile intelligent portable robot platform | |
CN113031450B (zh) | 智能机器人的前馈控制方法及装置、存储介质、电子装置 | |
Ryu et al. | Preview control-based online walking pattern generation for biped robots with vertical center-of-mass motion | |
Harata et al. | Efficiency analysis of telescopic-legged bipedal robots | |
CN111203883B (zh) | 面向机器人电子元器件装配的自学习模型预测控制方法 | |
Mayr et al. | Static inertial parameter identification for humanoid robots using a torque-free support | |
Ortíz et al. | Walk stability control for position-controlled servo actuated humanoid robot | |
Motoc et al. | Zero moment point/Inverted pendulum-based walking algorithm for the NAO robot |
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 |