CN112256028A - 一种双足机器人柔顺步态控制方法、系统、设备及介质 - Google Patents

一种双足机器人柔顺步态控制方法、系统、设备及介质 Download PDF

Info

Publication number
CN112256028A
CN112256028A CN202011106437.5A CN202011106437A CN112256028A CN 112256028 A CN112256028 A CN 112256028A CN 202011106437 A CN202011106437 A CN 202011106437A CN 112256028 A CN112256028 A CN 112256028A
Authority
CN
China
Prior art keywords
leg
biped robot
rigidity
optimal
neural network
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.)
Granted
Application number
CN202011106437.5A
Other languages
English (en)
Other versions
CN112256028B (zh
Inventor
高亮
钟浩然
谢思诚
董昊臻
胡成颢
卢盛雨
周林
李新宇
李培根
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202011106437.5A priority Critical patent/CN112256028B/zh
Publication of CN112256028A publication Critical patent/CN112256028A/zh
Application granted granted Critical
Publication of CN112256028B publication Critical patent/CN112256028B/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
    • G05D1/02—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
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • 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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G05D1/0263—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means using magnetic strips
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种双足机器人柔顺步态控制方法、系统、设备及介质，属于机器人控制领域，方法包括：计算双足机器人在起始状态下的实际末端状态，并调节腿部刚度和触地角度，直至实际末端状态与预期末端状态之间的差值优化函数最小，得到最优腿部刚度和最优触地角度；利用多组起始状态、预期末端状态、最优腿部刚度和最优触地角度训练多层神经网络，使得多层神经网络的损失函数最小；将当前步态周期的起始状态和预期末端状态输入训练好的多层神经网络，并根据输出的腿部刚度控制量和触地角度控制量控制当前步态周期的双足机器人。控制机器人双腿刚度和触地角度，减小触地时的地面冲击，提高机器人平稳性，实现任意初始状态下的快速精确控制。

Description

一种双足机器人柔顺步态控制方法、系统、设备及介质
技术领域
本发明属于机器人控制领域，更具体地，涉及一种双足机器人柔顺步态控制方法、系统、设备及介质。
背景技术
老龄化社会的到来、人力成本的日益攀升、快节奏的生活等诸多因素使得社会对高性能服务型机器人的需求愈发迫切。相较于多足机器人，双足机器人具有灵活、外形类人的优点，更适应基于人体特征所开发的环境和工具，因此更具泛用性，且更易被人所接受。双足机器人亦可在抢险救灾、巡逻预警、军事作战等高风险领域发挥作用，能极大减少人员的伤亡，具有重要意义。传统双足机器人采用刚性结构，一般通过精确的位置控制，实现机器人的平稳行走。基于刚性结构的位置控制机器人与人交互时具有极大危险性；并且机器人步行过程中，足部落地会产生较大冲击，不利于步态控制和对复杂环境的适应。因此，需要通过对双足机器人腿部刚度进行控制，实现柔顺步态。
机器人模型极为复杂，为了简化计算，一般采用简化模型进行步态规划，即将机器人简化为质心-连杆模型。刚性机器人通常采用线性倒立摆模型(Linear InvertedPendulum，LIP)，不具备柔顺特性。因此，一般采用弹性倒立摆(Spring Loaded InvertedPendulum，SLIP)模型实现柔顺步态。相较于LIP模型，SLIP模型不具有解析解，计算较复杂，因此将基于SLIP模型的步态规划转化为一个优化问题，但是优化时间较长，难以实现快速在线步态生成，极大地限制了其实用性。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种双足机器人柔顺步态控制方法、系统、设备及介质，其目的在于减小机器人触地时的地面冲击，提高机器人平稳性，实现任意初始状态下的快速精确控制。
为实现上述目的，按照本发明的一个方面，提供了一种双足机器人柔顺步态控制方法，包括：S1，设置双足机器人的多组起始状态和预期末端状态，并计算每一起始状态下的实际末端状态，所述实际末端状态由双足机器人的腿部刚度和触地角度确定；S2，建立所述实际末端状态与预期末端状态之间的差值优化函数，对于每组实际末端状态，调节所述腿部刚度和触地角度，直至所述差值优化函数最小，得到相应的最优腿部刚度和最优触地角度；S3，利用所述多组起始状态、预期末端状态、最优腿部刚度和最优触地角度训练多层神经网络，使得所述多层神经网络的损失函数最小；S4，对于每个步态周期，将当前步态周期的起始状态和预期末端状态输入训练好的多层神经网络，得到腿部刚度控制量和触地角度控制量，并控制当前步态周期双足机器人的腿部刚度和触地角度分别等于所述腿部刚度控制量和触地角度控制量。
更进一步地，所述操作S2中建立的差值优化函数为：
Figure BDA0002725850880000021
其中，fit为所述差值优化函数；
Figure BDA0002725850880000022
为所述实际末端状态量；
Figure BDA0002725850880000023
为所述预期末端状态量；状态量中的各参数依次为质心加速度的x坐标、y坐标、z坐标以及质心位置的z坐标。
更进一步地，所述操作S1之前还包括：基于所述双足机器人的质量、质心坐标、腿部长度、腿部刚度和触地角度建立所述双足机器人的动力支撑模型，所述动力支撑模型包括单腿动力支撑模型、双腿动力支撑模型和模型切换条件；所述操作S1中根据所述动力支撑模型计算每组起始状态下的实际末端状态。
更进一步地，所述操作S3包括：S31，将所述多组起始状态和预期末端状态输入所述多层神经网络，并输出相应的腿部刚度和触地角度；S32，训练所述多层神经网络，使得所述多层神经网络的损失函数最小，所述损失函数Lossf为：
Lossf＝|Kr-Ko|+|θr-θo|
其中，Kr和θr分别为所述最优腿部刚度和最优触地角度；Ko和θo分别为所述多层神经网络输出的相应的腿部刚度和触地角度。
更进一步地，任一步态周期内，所述双足机器人的腿部刚度K包括k1、k2、k3和k4，所述损失函数Lossf为：
Lossf＝|k1r-k1o|+|k2r-k2o|+|k3r-k3o|+|k4r-k4o|+|θr-θo|
其中，k1为第一单腿支撑时第一单腿的腿部刚度；k2和k3分别为双腿支撑时前腿和后腿的腿部刚度；k4为第二单腿支撑时第二单腿的腿部刚度。
更进一步地，所述操作S4之后还包括：将所述当前步态周期的起始状态、腿部刚度控制量、触地角度控制量输入所述动力支撑模型，得到所述当前步态周期内双足机器人的质心轨迹。
更进一步地，所述操作S4之后还包括：根据摆动腿踝关节的起始速度、起始加速度、起始位置、末端速度、末端加速度、末端位置和最高位置，利用样条插值法计算所述摆动腿踝关节的轨迹。
按照本发明的另一个方面，提供了一种双足机器人柔顺步态控制系统，包括：设置模块，用于设置双足机器人的多组起始状态和预期末端状态，并计算每一起始状态下的实际末端状态，所述实际末端状态由双足机器人的腿部刚度和触地角度确定；优化模块，用于建立所述实际末端状态与预期末端状态之间的差值优化函数，对于每组实际末端状态，调节所述腿部刚度和触地角度，直至所述差值优化函数最小，得到相应的最优腿部刚度和最优触地角度；训练模块，用于利用所述多组起始状态、预期末端状态、最优腿部刚度和最优触地角度训练多层神经网络，使得所述多层神经网络的损失函数最小；控制模块，用于对于每个步态周期，将当前步态周期的起始状态和预期末端状态输入训练好的多层神经网络，得到腿部刚度控制量和触地角度控制量，并控制当前步态周期双足机器人的腿部刚度和触地角度分别等于所述腿部刚度控制量和触地角度控制量。
按照本发明的另一个方面，提供了一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行如上所述的双足机器人柔顺步态控制方法。
按照本发明的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如上所述的双足机器人柔顺步态控制方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)基于多组不同状态以及每一状态下的最优腿部刚度和最优触地角度训练多层神经网络，训练好的神经网络可以对任意步行速度下的运动轨迹进行快速规划，高效快捷；
(2)控制机器人双腿刚度和触地角度，一方面实现了双足机器人步行速度的精确控制，另一方面减小触地时的地面冲击，提高机器人平稳性，增强机器人对环境的适应能力，此外还能减小触地碰撞时的能量损耗，将能量转化为弹性势能储存而后释放，极大提高能效；
(3)可以根据需求任意指定步行速度范围，生成满足需求的状态量，从而用于不同的控制场景，实现对不同性能驱动器的适应，此外还可以自定义差值优化函数，实现自定义优化目标，扩展型强；
(4)无需复杂的模型，计算简便，广泛适用于各类机器人，仅利用机器人质量、质心高度、腿长、腿部刚度数据即可应用，适用性广。
附图说明
图1为本发明实施例提出的双足机器人柔顺步态控制方法的流程图；
图2为双足机器人的双足弹性倒立摆模型示意图；
图3为本发明实施例提出的双足机器人柔顺步态控制方法中一个步态周期的示意图；
图4为本发明实施例提出的双足机器人柔顺步态控制方法中一个步态周期内质心高度变化示意图；
图5A为本发明实施例提出的双足机器人柔顺步态控制方法中一个步态周期内支撑腿踝关节的轨迹示意图；
图5B为本发明实施例提出的双足机器人柔顺步态控制方法中一个步态周期内摆动腿踝关节的轨迹示意图；
图6为本发明实施例提出的双足机器人柔顺步态控制系统的结构示意图；
图7为本发明实施例提出的电子设备的框图。
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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
图1为本发明实施例提出的双足机器人柔顺步态控制方法的流程图。参阅图1，结合图2-图5B，对双足机器人柔顺步态控制方法进行详细说明，方法包括操作S1-操作S4。
操作S1，设置双足机器人的多组起始状态和预期末端状态，并计算每一起始状态下的实际末端状态，实际末端状态由双足机器人的腿部刚度和触地角度确定。
本发明实施例中，在执行操作S1之前，需要基于双足机器人的质量、质心坐标、腿部长度、腿部刚度和触地角度建立双足机器人的动力支撑模型，动力支撑模型包括单腿动力支撑模型、双腿动力支撑模型和模型切换条件。双足机器人简化为质心-连杆模型，如图2所示，建立的动力支撑模型为SLIP模型。
单腿动力支撑模型为：
Figure BDA0002725850880000061
双腿动力支撑模型为：
Figure BDA0002725850880000062
其中，m为双足机器人的质量；pm＝[xm，ym，zm]为双足机器人质心坐标，即质心位置在三维坐标系中的坐标；
Figure BDA0002725850880000063
为双足机器人质心加速度；l0为腿部未压缩时的长度；||lA||和||lB||分别为双足机器人两条腿(例如腿A和腿B)的实际长度；kA和kB分别为双足机器人两条腿的刚度；liA和liB分别为双足机器人两条腿的单位方向向量；g为重力加速度。
一个完整的步态周期中，双足机器人例如依次经历单腿支撑相S1、双腿支撑相S2和单腿支撑相S3，如图3所示。可以理解的是，基于不同初始状态和控制量，双足机器人可能只经历双腿支撑相。
单腿支撑相S1：质心高度zm为l0，沿y轴和z轴方向的速度为0，沿x轴方向具有正向初始速度x0，质心与触地点之间的连线垂直于水平地面(即处于竖直状态)，持续到质心高度zm降低至目标值，即持续到摆动腿触地之前，支撑腿例如为腿A，摆动腿例如为腿B。
双腿支撑相S2：质心始终具有正向初始速度x0，双脚始终触地，直至满足单腿支撑相S3或单腿支撑相S1。
单腿支撑相S3：质心始终具有正向初始速度x0，当后腿完全伸直，或者后腿未伸直，但是质心已经移动到前腿正上方，进入单腿支撑相3，直至满足单腿支撑相S1，支撑腿例如切换为腿B，摆动腿例如为腿A。
本实施例中，动力支撑模型中的模型切换条件为：当zm＝l0 sinθ时，单腿支撑相S1切换至双腿支撑相S2；当||liB||＝l或xm＝xTD时，双腿支撑相S2切换至单腿支撑相S3；当xm＝xTD时，单腿支撑相S3切换至单腿支撑相S1，直接进入下一个步态周期。其中，xTD触地点的x轴坐标值，xTD＝x1+l0 cos(θ)，x1为触地时后腿触地点的x轴坐标值，θ为触地角度。
操作S1中起始状态pm0和预期末端状态pmd分别为：
Figure BDA0002725850880000071
Figure BDA0002725850880000072
起始状态pm0中的各参数依次为起始状态下质心加速度的x坐标、y坐标、z坐标、以及质心位置的x坐标、y坐标、z坐标。预期末端状态pmd中的各参数依次为预期末端状态下质心加速度的x坐标、y坐标、z坐标以及质心位置的z坐标。
操作S1中根据动力支撑模型计算每组起始状态下的实际末端状态。具体地，将起始状态pm0中的各参数代入单腿动力支撑模型、双腿动力支撑模型和模型切换条件，联立求解即可得到实际末端状态pmr与双足机器人的腿部刚度K和触地角度θ之间的关系式。实际末端状态
Figure BDA0002725850880000073
各参数依次为实际末端状态下质心加速度的x坐标、y坐标、z坐标以及质心位置的z坐标。
操作S2，建立实际末端状态与预期末端状态之间的差值优化函数，对于每组实际末端状态，调节腿部刚度和触地角度，直至差值优化函数最小，得到相应的最优腿部刚度和最优触地角度。
各类优化算法都可以对该优化问题进行求解，得到最优腿部刚度和最优触地角度。本实施例中，例如采用差分进化算法进行优化，由此操作S2中建立的差值优化函数fit为：
Figure BDA0002725850880000081
进一步地，还可以在差值优化函数fit中增加其他自定义优化项，以实现自定义优化目标，例如增加功耗项，可以实现对功耗的优化，从而适用于不同场景。
操作S3，利用多组起始状态、预期末端状态、最优腿部刚度和最优触地角度训练多层神经网络，使得多层神经网络的损失函数最小。
本发明实施例中，操作S3包括子操作S31-子操作S32。
在子操作S31中，将多组起始状态和预期末端状态输入多层神经网络，并输出相应的腿部刚度和触地角度。
具体地，建立多层神经网络，其一组数据的输入描述为[pm0，pmd]，输入为一10维向量，输出描述为[K，θ]。需要说明的是，需要根据实际需求设置[pm0，pmd]中步行速度的范围。例如当需要生成1m/s-2m/s步行速度下的步态轨迹时，起始状态pm0中
Figure BDA0002725850880000082
和预期末端状态pmd中
Figure BDA0002725850880000083
的值在1m/s-2m/s范围内。
在子操作S32中，训练多层神经网络，使得多层神经网络的损失函数最小，损失函数Lossf为：
Lossf＝|Kr-Ko|+|θr-θo|
其中，Kr和θr分别为最优腿部刚度和最优触地角度；Ko和θo分别为多层神经网络输出的相应的腿部刚度和触地角度。损失函数的值越小，代表多层神经网络的误差约小，拟合精度越高，输出的腿部刚度和触地角度越精准。通过不断迭代来获取高精度的拟合网络。
本发明实施例中，任一步态周期内，双足机器人的腿部刚度K包括k1、k2、k3和k4，多层神经网络的输出为一5维向量，由此形成的损失函数Lossf为：
Lossf＝|k1r-k1o|+|k2r-k2o|+|k3r-k3o|+|k4r-k4o|+|θr-θo|
其中，k1为第一单腿支撑时第一单腿的腿部刚度；k2和k3分别为双腿支撑时前腿和后腿的腿部刚度；k4为第二单腿支撑时第二单腿的腿部刚度。
操作S4，对于每个步态周期，将当前步态周期的起始状态和预期末端状态输入训练好的多层神经网络，得到腿部刚度控制量和触地角度控制量，并控制当前步态周期双足机器人的腿部刚度和触地角度分别等于腿部刚度控制量和触地角度控制量。
在当前步态周期n，设定双足机器人的起始状态pm0 n和预期末端状态pmd n，并将起始状态pm0 n和预期末端状态pmd n输入操作S3中训练好的多层神经网络，得到需要的腿部刚度控制量Kn和触地角度控制量θn。
本发明实施例中，得到腿部刚度控制量Kn和触地角度控制量θn之后，还可以将当前步态周期n的起始状态pm0 n、腿部刚度控制量Kn和触地角度控制量θn输入至动力支撑模型中，联立求解得到当前步态周期n内双足机器人的质心轨迹。例如通过数值法(例如龙格库塔法)求得当前步态周期n内双足机器人的质心轨迹。
本发明实施例中，还可以根据摆动腿踝关节的起始速度、起始加速度、起始位置、末端速度、末端加速度、末端位置和最高位置，利用样条插值法计算摆动腿踝关节的轨迹。约束条件中起始位置为0，末端加速度为0，末端位置为xTD，最大高度为0.3l0，达到最大高度时的速度为例，在此约束条件下，例如采用5次样条差值y＝a0+a1x+a2x2+a3x3+a4x4+a5x5计算摆动腿踝关节的轨迹。进一步地，通过双足机器人逆运动学可求解得到各关节实时轨迹。
进一步地，控制当前步态周期n双足机器人的腿部刚度和触地角度分别等于腿部刚度控制量Kn和触地角度控制量θn，并控制当前步态周期n双足机器人的质心轨迹沿求得的质心轨迹运动，以及控制当前步态周期n双足机器人的摆动腿踝关节的轨迹与求得的摆动腿踝关节的轨迹一致，至此完成一个步态周期。
当前步态周期n中求得的实际末端状态pmr n可以作为下一个步态周期n+1中起始状态pm0 n+1，重复执行操作S4以得到每一个步态周期内的腿部刚度控制量、触地角度控制量、质心轨迹和摆动腿踝关节轨迹，以获得连续的行走。
利用本发明实施例中的控制方法，对一个质量为100kg，腿部未压缩时长度为1m的双足机器人进行步态规划，以获得初始速度为1m/s，期望末端速度为1.4m/s的行进轨迹，规划结果如图4-5B所示。一个步态周期内，质心轨迹随时间变化曲线如图4所示，支撑腿踝关节轨迹随时间变化曲线如图5A所示，摆动腿踝关节轨迹随时间变化曲线如图5B所示。采用本发明实施例中的控制方法进行双足机器人轨迹规划，得到实际末端x轴方向速度为1.404m/s，误差为0.28％；质心高度为0.9996m，误差为0.04％；z轴速度为0.0003m/s，误差为0.03％；各项指标满足需求。
图6为本发明实施例提出的双足机器人柔顺步态控制系统600的结构示意图。参阅图6，该双足机器人柔顺步态控制系统600包括设置模块610、优化模块620、训练模块630以及控制模块640。
设置模块610例如执行操作S1，用于设置双足机器人的多组起始状态和预期末端状态，并计算每一起始状态下的实际末端状态，实际末端状态由双足机器人的腿部刚度和触地角度确定。
优化模块620例如执行操作S2，用于建立实际末端状态与预期末端状态之间的差值优化函数，对于每组实际末端状态，调节腿部刚度和触地角度，直至差值优化函数最小，得到相应的最优腿部刚度和最优触地角度。
训练模块630例如执行操作S3，用于利用多组起始状态、预期末端状态、最优腿部刚度和最优触地角度训练多层神经网络，使得多层神经网络的损失函数最小。
控制模块640例如执行操作S4，用于对于每个步态周期，将当前步态周期的起始状态和预期末端状态输入训练好的多层神经网络，得到腿部刚度控制量和触地角度控制量，并控制当前步态周期双足机器人的腿部刚度和触地角度分别等于腿部刚度控制量和触地角度控制量。
双足机器人柔顺步态控制系统600用于执行上述图1-图5B所示实施例中的双足机器人柔顺步态控制方法。本实施例未尽之细节，请参阅前述图1-图5B所示实施例中的双足机器人柔顺步态控制方法，此处不再赘述。
本公开的实施例还示出了一种电子设备，如图7所示，电子设备700包括处理器710、可读存储介质720。该电子设备700可以执行上面图1-图5B中描述的双足机器人柔顺步态控制方法。
具体地，处理器710例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器710还可以包括用于缓存用途的板载存储器。处理器710可以是用于执行参考图1-图5B描述的根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
可读存储介质720，例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。
可读存储介质720可以包括计算机程序721，该计算机程序721可以包括代码/计算机可执行指令，其在由处理器710执行时使得处理器710执行例如上面结合图1-图5B所描述的方法流程及其任何变形。
计算机程序721可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序721中的代码可以包括一个或多个程序模块，例如包括721A、模块721B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器710执行时，使得处理器710可以执行例如上面结合图1-图5B所描述的方法流程及其任何变形。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种双足机器人柔顺步态控制方法，其特征在于，包括：
S1，设置双足机器人的多组起始状态和预期末端状态，并计算每一起始状态下的实际末端状态，所述实际末端状态由双足机器人的腿部刚度和触地角度确定；
S2，建立所述实际末端状态与预期末端状态之间的差值优化函数，对于每组实际末端状态，调节所述腿部刚度和触地角度，直至所述差值优化函数最小，得到相应的最优腿部刚度和最优触地角度；
S3，利用所述多组起始状态、预期末端状态、最优腿部刚度和最优触地角度训练多层神经网络，使得所述多层神经网络的损失函数最小；
S4，对于每个步态周期，将当前步态周期的起始状态和预期末端状态输入训练好的多层神经网络，得到腿部刚度控制量和触地角度控制量，并控制当前步态周期双足机器人的腿部刚度和触地角度分别等于所述腿部刚度控制量和触地角度控制量。
2.如权利要求1所述的双足机器人柔顺步态控制方法，其特征在于，所述操作S2中建立的差值优化函数为：
Figure FDA0002725850870000011
其中，fit为所述差值优化函数；
Figure FDA0002725850870000012
为所述实际末端状态量；
Figure FDA0002725850870000013
为所述预期末端状态量；状态量中的各参数依次为质心加速度的x坐标、y坐标、z坐标以及质心位置的z坐标。
3.如权利要求1所述的双足机器人柔顺步态控制方法，其特征在于，所述操作S1之前还包括：
基于所述双足机器人的质量、质心坐标、腿部长度、腿部刚度和触地角度建立所述双足机器人的动力支撑模型，所述动力支撑模型包括单腿动力支撑模型、双腿动力支撑模型和模型切换条件；
所述操作S1中根据所述动力支撑模型计算每组起始状态下的实际末端状态。
4.如权利要求1所述的双足机器人柔顺步态控制方法，其特征在于，所述操作S3包括：
S31，将所述多组起始状态和预期末端状态输入所述多层神经网络，并输出相应的腿部刚度和触地角度；
S32，训练所述多层神经网络，使得所述多层神经网络的损失函数最小，所述损失函数Lossf为：
Lossf＝|Kr-Ko|+|θr-θo|
其中，Kr和θr分别为所述最优腿部刚度和最优触地角度；Ko和θo分别为所述多层神经网络输出的相应的腿部刚度和触地角度。
5.如权利要求4所述的双足机器人柔顺步态控制方法，其特征在于，任一步态周期内，所述双足机器人的腿部刚度K包括k1、k2、k3和k4，所述损失函数Lossf为：
Lossf＝|k1r-k1o|+|k2r-k2o|+|k3r-k3o|+|k4r-k4o|+|θr-θo|
其中，k1为第一单腿支撑时第一单腿的腿部刚度；k2和k3分别为双腿支撑时前腿和后腿的腿部刚度；k4为第二单腿支撑时第二单腿的腿部刚度。
6.如权利要求3所述的双足机器人柔顺步态控制方法，其特征在于，所述操作S4之后还包括：
将所述当前步态周期的起始状态、腿部刚度控制量、触地角度控制量输入所述动力支撑模型，得到所述当前步态周期内双足机器人的质心轨迹。
7.如权利要求1-6任一项所述的双足机器人柔顺步态控制方法，其特征在于，所述操作S4之后还包括：
根据摆动腿踝关节的起始速度、起始加速度、起始位置、末端速度、末端加速度、末端位置和最高位置，利用样条插值法计算所述摆动腿踝关节的轨迹。
8.一种双足机器人柔顺步态控制系统，其特征在于，包括：
设置模块，用于设置双足机器人的多组起始状态和预期末端状态，并计算每一起始状态下的实际末端状态，所述实际末端状态由双足机器人的腿部刚度和触地角度确定；
优化模块，用于建立所述实际末端状态与预期末端状态之间的差值优化函数，对于每组实际末端状态，调节所述腿部刚度和触地角度，直至所述差值优化函数最小，得到相应的最优腿部刚度和最优触地角度；
训练模块，用于利用所述多组起始状态、预期末端状态、最优腿部刚度和最优触地角度训练多层神经网络，使得所述多层神经网络的损失函数最小；
控制模块，用于对于每个步态周期，将当前步态周期的起始状态和预期末端状态输入训练好的多层神经网络，得到腿部刚度控制量和触地角度控制量，并控制当前步态周期双足机器人的腿部刚度和触地角度分别等于所述腿部刚度控制量和触地角度控制量。
9.一种电子设备，其特征在于，包括：
处理器；
存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行如权利要求1-7中任一项所述的双足机器人柔顺步态控制方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一项所述的双足机器人柔顺步态控制方法。
CN202011106437.5A 2020-10-15 2020-10-15 一种双足机器人柔顺步态控制方法、系统、设备及介质 Active CN112256028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011106437.5A CN112256028B (zh) 2020-10-15 2020-10-15 一种双足机器人柔顺步态控制方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011106437.5A CN112256028B (zh) 2020-10-15 2020-10-15 一种双足机器人柔顺步态控制方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN112256028A true CN112256028A (zh) 2021-01-22
CN112256028B CN112256028B (zh) 2021-11-19

Family

ID=74243674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011106437.5A Active CN112256028B (zh) 2020-10-15 2020-10-15 一种双足机器人柔顺步态控制方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN112256028B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113050645A (zh) * 2021-03-22 2021-06-29 华中科技大学 一种双足机器人的弹簧负载倒立摆模型及步态规划方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104108433A (zh) * 2014-06-30 2014-10-22 中国人民解放军国防科学技术大学 一种轮足式机器人的柔顺控制方法
CN107168351A (zh) * 2017-05-26 2017-09-15 中国北方车辆研究所 一种足式机器人的柔顺控制方法及装置
CN107933735A (zh) * 2017-11-27 2018-04-20 华中科技大学 一种具有主被动柔顺功能的双足机器人脚部机构
CN108983804A (zh) * 2018-08-27 2018-12-11 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
CN109693236A (zh) * 2017-10-23 2019-04-30 深圳市优必选科技有限公司 足式机器人着地控制方法及装置
CN111142378A (zh) * 2020-01-07 2020-05-12 四川省桑瑞光辉标识系统股份有限公司 一种双足机器人神经网络控制器的神经网络优化方法
CN111260057A (zh) * 2020-01-21 2020-06-09 北京空间飞行器总体设计部 一种基于虚拟传感器的足式机器人地形感知方法
CN111377004A (zh) * 2018-12-28 2020-07-07 深圳市优必选科技有限公司 一种双足机器人步态控制方法以及双足机器人

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104108433A (zh) * 2014-06-30 2014-10-22 中国人民解放军国防科学技术大学 一种轮足式机器人的柔顺控制方法
CN107168351A (zh) * 2017-05-26 2017-09-15 中国北方车辆研究所 一种足式机器人的柔顺控制方法及装置
CN109693236A (zh) * 2017-10-23 2019-04-30 深圳市优必选科技有限公司 足式机器人着地控制方法及装置
CN107933735A (zh) * 2017-11-27 2018-04-20 华中科技大学 一种具有主被动柔顺功能的双足机器人脚部机构
CN108983804A (zh) * 2018-08-27 2018-12-11 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
CN111377004A (zh) * 2018-12-28 2020-07-07 深圳市优必选科技有限公司 一种双足机器人步态控制方法以及双足机器人
CN111142378A (zh) * 2020-01-07 2020-05-12 四川省桑瑞光辉标识系统股份有限公司 一种双足机器人神经网络控制器的神经网络优化方法
CN111260057A (zh) * 2020-01-21 2020-06-09 北京空间飞行器总体设计部 一种基于虚拟传感器的足式机器人地形感知方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHONG HAORAN ETC: "Kinematic calibraton method for a two-segment hydraulic leg based on an improved whale swarm algorithm", 《ROBOTICS AND COMPUTER INTEGRATED MANUFACTURING》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113050645A (zh) * 2021-03-22 2021-06-29 华中科技大学 一种双足机器人的弹簧负载倒立摆模型及步态规划方法

Also Published As

Publication number Publication date
CN112256028B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN108241339B (zh) 仿人机械臂的运动求解和构型控制方法
Girard Interactive design of 3-D computer-animated legged animal motion
CN108345211A (zh) 双足仿人机器人及其非线性步态规划方法以及控制方法
JP2020108915A (ja) ロボット重心位置調整方法、装置、ロボット及びデータ記憶媒体
CN110405762B (zh) 一种基于空间二阶倒立摆模型的双足机器人姿态控制方法
CN113050645B (zh) 一种双足机器人的弹簧负载倒立摆模型及步态规划方法
JP3834629B2 (ja) 歩行ロボットの歩行歩容生成装置
CN109591018B (zh) 一种用于目标捕获后稳定的自由漂浮空间机械臂控制方法
CN103472724A (zh) 一种用于多自由度并联机构的实时控制动力学建模方法
CN111240339A (zh) 一种双足机器人的仿人步态规划方法
CN112847371B (zh) 一种仿人机器人动态跨越连续障碍物的运动规划方法
CN112256028B (zh) 一种双足机器人柔顺步态控制方法、系统、设备及介质
CN112987769A (zh) 四足机器人在变刚度地形稳定过渡的腿部主动调节方法
Zhang et al. Design of bionic goat quadruped robot mechanism and walking gait planning
CN113625735A (zh) 基于腿臂复用六足机器人的控制方法和机器人
CN113830197B (zh) 一种应用于双足机器人动态行走的平衡控制方法
CN114384918A (zh) 基于落足点调整的四足机器人对角步态柔顺控制方法
Szumowski et al. Preview control applied for humanoid robot motion generation
CN112697149B (zh) 一种六足机器人节律步态足端轨迹的规划方法
CN113805601A (zh) 一种基于协作控制的双足机器人楼梯爬越步态规划方法
CN117655468A (zh) 一种龙门架弧焊机器人路径规划方法及系统
CN113377113B (zh) 足式机器人足端轨迹规划方法、系统及控制方法、系统
Luo et al. Quasi-natural humanoid robot walking trajectory generator based on five-mass with angular momentum model
Li et al. Dynamic locomotion of a quadruped robot with active spine via model predictive control
Peng et al. Online trajectory generation based on off-line trajectory for biped humanoid

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