CN114147715A - 机器人运动轨迹处理方法、装置、控制器及介质 - Google Patents
机器人运动轨迹处理方法、装置、控制器及介质 Download PDFInfo
- Publication number
- CN114147715A CN114147715A CN202111496996.6A CN202111496996A CN114147715A CN 114147715 A CN114147715 A CN 114147715A CN 202111496996 A CN202111496996 A CN 202111496996A CN 114147715 A CN114147715 A CN 114147715A
- Authority
- CN
- China
- Prior art keywords
- track
- points
- motion
- optimal
- point
- 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.)
- Pending
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 167
- 238000003672 processing method Methods 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 66
- 239000002245 particle Substances 0.000 claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000009396 hybridization Methods 0.000 claims description 26
- 230000002068 genetic effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 210000002683 foot Anatomy 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005021 gait Effects 0.000 description 3
- 210000004394 hip joint Anatomy 0.000 description 3
- 210000000544 articulatio talocruralis Anatomy 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010034701 Peroneal nerve palsy Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manipulator (AREA)
Abstract
本发明提供一种机器人运动轨迹处理方法、装置、控制器及介质，涉及机器人控制技术领域。包括：获取双足机器人的落脚点之间的运动轨迹；根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定所述各轨迹点的最佳姿态参数；采用所述各轨迹点的最佳姿态参数，对所述运动轨迹上所述各轨迹点的姿态参数进行更新，得到目标运动轨迹；根据所述目标运动轨迹，控制所述双足机器人进行行走运动。采用粒子矢量择优算法，确定各轨迹点的最佳姿态参数；基于确定各轨迹点的最佳姿态参数对运动轨迹上各轨迹点的姿态参数进行更新获取目标运动轨迹；根据目标运动轨迹控制双足机器人运动，可以提高双足机器人的行走稳定性。
Description
技术领域
本发明涉及机器人控制技术领域，具体而言，涉及一种机器人运动轨迹处理方法、装置、控制器及介质。
背景技术
随着机器人技术的快速发展，机器人在越来越多的行业得到了广泛地应用，其中，双足机器人是一种仿生类型的机器人，能够实现机器人的双足行走和相关动作。
相关技术中，通过插值方法规划双足机器人之间轨迹，得到双足机器人的运动轨迹。可以通过计算双足机器人的零力矩点来判断该运动轨迹是否满足稳定判据。
但是，相关技术中，基于插值方法所获取的运动轨迹控制双足机器人运动时，容易导致双足机器人行走不稳定而摔倒的问题。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种机器人运动轨迹处理方法、装置、控制器及介质，以便解决相关技术中，基于插值方法所获取的运动轨迹控制双足机器人运动时，容易导致双足机器人行走不稳定而摔倒的问题。
为实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种双足机器人行走控制方法，所述方法包括：
获取双足机器人的落脚点之间的运动轨迹；
根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定所述各轨迹点的最佳姿态参数；
采用所述各轨迹点的最佳姿态参数，对所述运动轨迹上所述各轨迹点的姿态参数进行更新，得到目标运动轨迹；
根据所述目标运动轨迹，控制所述双足机器人进行行走运动。
可选的，所述根据所述目标运动轨迹，控制所述双足机器人进行行走运动，包括：
根据所述目标运动轨迹，采用遗传杂交算法，生成多组子代轨迹点；
采用每组子代轨迹点对所述目标运动轨迹上对应的亲代轨迹点进行替代；
根据轨迹点替代后的目标运动轨迹，控制所述双足机器人进行行走运动。
可选的，所述根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定所述各轨迹点的最佳姿态参数，包括：
根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，更新所述各轨迹点的速度和位置；
比较初始轨迹点本身经历过的最优位置，以及目标轨迹点群经历过的最优位置，更新所述目标轨迹点群经历过的最优位置，确定所述各轨迹点的最佳姿态参数。
可选的，在所述根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，更新所述各轨迹点的速度和位置之前，所述方法还包括：
对所述各轨迹点中的轨迹点的位置、速度、所述初始轨迹点本身经历过的最优位置以及初始轨迹点群经历过的最优位置进行初始化；
计算所述各轨迹点的适应度，更新所述各轨迹点的位置以及所述适应度到所述初始轨迹点本身经历过的最优位置中，得到所述目标轨迹点群经历过的最优位置。
可选的，所述根据所述目标运动轨迹，采用遗传杂交算法，生成多组子代轨迹点，包括：
若所述目标运动轨迹上的轨迹点集中或者局部集中时，提高动态惯性权重系数；
若所述目标运动轨迹上的轨迹点分散或者局部分散时，降低动态惯性权重系数；
根据动态惯性权重系数和所述目标运动轨迹上的轨迹点，采用遗传杂交算法，生成所述多组子代轨迹点。
可选的，所述方法还包括：
采用所述粒子矢量择优算法以及所述遗传杂交算法，根据所述双足机器人的零力矩点的约束条件以及所述运动轨迹，进行所述各轨迹点的最优求解，得到所述目标运动轨迹。
第二方面，本发明实施例还提供了一种双足机器人行走控制装置，所述装置包括：
获取模块，用于获取双足机器人的落脚点之间的运动轨迹；
确定模块，用于根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定所述各轨迹点的最佳姿态参数；
更新模块，用于采用所述各轨迹点的最佳姿态参数，对所述运动轨迹上所述各轨迹点的姿态参数进行更新，得到目标运动轨迹；
控制模块，用于根据所述目标运动轨迹，控制所述双足机器人进行行走运动。
可选的，所述控制模块，还用于根据所述目标运动轨迹，采用遗传杂交算法，生成多组子代轨迹点；采用每组子代轨迹点对所述目标运动轨迹上对应的亲代轨迹点进行替代；根据轨迹点替代后的目标运动轨迹，控制所述双足机器人进行行走运动。
可选的，所述确定模块，用于根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，更新所述各轨迹点的速度和位置；比较初始轨迹点本身经历过的最优位置，以及目标轨迹点群经历过的最优位置，更新所述目标轨迹点群经历过的最优位置，确定所述各轨迹点的最佳姿态参数。
可选的，所述装置还包括：
初始化模块，用于对所述各轨迹点中的轨迹点的位置、速度、所述初始轨迹点本身经历过的最优位置以及初始轨迹点群经历过的最优位置进行初始化；
计算模块，用于计算所述各轨迹点的适应度，更新所述各轨迹点的位置以及所述适应度到所述初始轨迹点本身经历过的最优位置中，得到所述目标轨迹点群经历过的最优位置。
可选的，所述控制模块，还用于若所述目标运动轨迹上的轨迹点集中或者局部集中时，提高动态惯性权重系数；若所述目标运动轨迹上的轨迹点分散或者局部分散时，降低动态惯性权重系数；根据动态惯性权重系数和所述目标运动轨迹上的轨迹点，采用遗传杂交算法，生成所述多组子代轨迹点。
可选的，所述装置还包括：
求解模块，用于采用所述粒子矢量择优算法以及所述遗传杂交算法，根据所述双足机器人的零力矩点的约束条件以及所述运动轨迹，进行所述各轨迹点的最优求解，得到所述目标运动轨迹。
第三方面，本发明实施例还提供了一种服务器，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的双足机器人行走控制方法。
第四方面，本发明实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述第一方面任一项所述的双足机器人行走控制方法。
本发明的有益效果是：本发明实施例提供一种双足机器人行走控制方法，包括：获取双足机器人的落脚点之间的运动轨迹；根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定所述各轨迹点的最佳姿态参数；采用所述各轨迹点的最佳姿态参数，对所述运动轨迹上所述各轨迹点的姿态参数进行更新，得到目标运动轨迹；根据所述目标运动轨迹，控制所述双足机器人进行行走运动。采用粒子矢量择优算法，确定各轨迹点的最佳姿态参数；基于确定各轨迹点的最佳姿态参数对运动轨迹上各轨迹点的姿态参数进行更新获取目标运动轨迹；根据目标运动轨迹控制双足机器人运动，可以提高双足机器人的行走稳定性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种双足机器人行走控制方法的流程示意图；
图2为本发明实施例提供的一种双足机器人行走控制方法的流程示意图；
图3为本发明实施例提供的一种双足机器人行走控制方法的流程示意图；
图4为本发明实施例提供的一种双足机器人行走控制方法的流程示意图；
图5为本发明实施例提供的一种双足机器人行走控制方法的流程示意图；
图6为本发明实施例提供的一种双足机器人上楼梯运动的仿真示意图；
图7为本发明实施例提供的一种轨迹规划质心位置轨迹的仿真示意图；
图8为本发明实施例提供的一种轨迹规划质心位置误差的仿真示意图；
图9为本发明实施例提供的一种轨迹规划质心速度轨迹的仿真示意图；
图10为本发明实施例提供的一种双足机器人行走控制装置的结构示意图；
图11为本发明实施例提供的一种控制器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要说明的是，若出现术语“上”、“下”、等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
本申请实施例提供的一种双足机器人行走控制方法，其执行主体可以为控制器，该控制器可以为独立的，且能够与机器人的各个器件通信的设备；该控制器也可以为机器人中设置的控制器，本申请实施例对此不进行具体限制。以下以控制器为执行主体，对本申请实施例提供双足机器人行走控制方法进行解释说明。
图1为本发明实施例提供的一种双足机器人行走控制方法的流程示意图，如图1所示，该方法可以包括：
S101、获取双足机器人的落脚点之间的运动轨迹。
其中，控制器可以确定双足机器人的落脚点，继而采用插值方法对相邻两个落脚点之间的运动轨迹进行规划。
S102、根据运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定各轨迹点的最佳姿态参数。
其中，各轨迹点的最佳姿态参数可以包括：各轨迹点的位置参数和/或各轨迹点的速度参数。
在一些实施方式中，控制器可以根据运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定各轨迹点的位置参数和/或各轨迹点的速度参数，得到各轨迹点的最佳姿态参数。
需要说明的是，控制器可以动态调整粒子矢量择优算法内部参数，平衡粒子矢量择优算法的局部和全局搜索能力。
S103、采用各轨迹点的最佳姿态参数，对运动轨迹上各轨迹点的姿态参数进行更新，得到目标运动轨迹。
其中，各个轨迹点的最佳姿态参数用于控制双子机器人的行走姿态稳定。
在一种可能的实施方式中，控制器可以采用各轨迹点的最佳姿态参数，对运动轨迹上各轨迹点的姿态参数进行替换和/或添加等更新处理，得到目标运动轨迹。
另外，目标运动轨迹中可以包含各轨迹点的最佳姿态参数。
S104、根据目标运动轨迹，控制双足机器人进行行走运动。
在本申请实施例中，控制器可以根据目标运动轨迹以及目标运动轨迹中包含的各轨迹点的最佳姿态参数，控制双足机器人进行稳定的行走运动。
综上所述，本发明实施例提供一种双足机器人行走控制方法，包括：获取双足机器人的落脚点之间的运动轨迹；根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定所述各轨迹点的最佳姿态参数；采用所述各轨迹点的最佳姿态参数，对所述运动轨迹上所述各轨迹点的姿态参数进行更新，得到目标运动轨迹；根据所述目标运动轨迹，控制所述双足机器人进行行走运动。采用粒子矢量择优算法，确定各轨迹点的最佳姿态参数；基于确定各轨迹点的最佳姿态参数对运动轨迹上各轨迹点的姿态参数进行更新获取目标运动轨迹；根据目标运动轨迹控制双足机器人运动，可以提高双足机器人的行走稳定性。
可选的，图2为本发明实施例提供的一种双足机器人行走控制方法的流程示意图，如图2所示，上述S104中根据目标运动轨迹，控制双足机器人进行行走运动的过程，可以包括：
S201、根据目标运动轨迹，采用遗传杂交算法，生成多组子代轨迹点。
其中，采用遗传杂交算法生成的多组子代轨迹点，可以提高粒子种群的多样性。
需要说明的是，控制器可以根据目标运动轨迹，采用遗传杂交算法基于遗传杂交特性，以及杂交概率，生成多组子代轨迹点。
S202、采用每组子代轨迹点对目标运动轨迹上对应的亲代轨迹点进行替代。
在一些实施方式中，控制器可以用每组子代轨迹点，替代目标运动轨迹上的亲代轨迹点。其中，目标运动轨迹上的亲代轨迹点可以为上述采用粒子矢量择优算法所获取到的轨迹点。
在本申请实施例中，遗传杂交算法的杂交算法替代公式可以表示为：
child(x)＝p·parent1(x)+(1-p)·parent2(x)
其中，p表示随机数，范围0到1。
另外，多组子代轨迹点可以由下述公式进行获取：
S203、根据轨迹点替代后的目标运动轨迹，控制双足机器人进行行走运动。
其中，基于轨迹点替代后的目标运动轨迹，控制双足机器人进行行走运动，可以使得双足机器人的行走更加稳定。
需要说明的是，基于粒子矢量择优算法基础上，加入遗传杂交算法，利用混合微粒群进化算法提高粒子种群的多样性，实现双足机器人复杂运动轨迹优化，使得双足机器人的行走运动更加稳定。
可选的，图3为本发明实施例提供的一种双足机器人行走控制方法的流程示意图，如图3示，上述S102中根据运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定各轨迹点的最佳姿态参数的过程，可以包括：
S301、根据运动轨迹上的各轨迹点，采用粒子矢量择优算法，更新各轨迹点的速度和位置。
S302、比较初始轨迹点本身经历过的最优位置，以及目标轨迹点群经历过的最优位置，更新目标轨迹点群经历过的最优位置，确定各轨迹点的最佳姿态参数。
其中，轨迹点可以表述为粒子。轨迹点本身经历过的最优位置可以称为粒子本身经历过的最优位置，即个体极值；轨迹点群经历过的最优位置可以称为粒子群经历过的最优位置，即全局最优解。
需要说明的是，控制器通过跟踪轨迹点本身经历过的最优位置以及轨迹点群经历过的最优位置，可以更新各轨迹点。
可选的，图4为本发明实施例提供的一种双足机器人行走控制方法的流程示意图，如图4所示，在上述S301根据运动轨迹上的各轨迹点，采用粒子矢量择优算法，更新各轨迹点的速度和位置的过程之前，该方法还可以包括：
S401、对各轨迹点中的轨迹点的位置、速度、初始轨迹点本身经历过的最优位置以及初始轨迹点群经历过的最优位置进行初始化。
其中，初始轨迹点本身经历过的最优位置可以表示为pbest，初始轨迹点群经历过的最优位置进行初始化可以表示为gbest。
S402、计算各轨迹点的适应度，更新各轨迹点的位置以及适应度到初始轨迹点本身经历过的最优位置中，得到目标轨迹点群经历过的最优位置。
其中，将轨迹点作为粒子。
在本申请实施例中，粒子位置为Xi＝(xi，1 xi，2 … xi，d)，速度为Vi＝(vi，1 vi，2 …vi，d)，粒子通过跟踪pbest和gbest更新，个体极值pbest为Pi＝(pi，1 pi，2 … pi，d)；全局最优解gbest为pg。可以采用下述公式更新粒子：
式中，c1，c2为学习因子，xi，j和vi，j为粒子的位置和速度，w为惯性权重因子，r1，r2是0到1之间的随机数。pi，j，Pg，j为粒子个体和全局的最优值。
对于粒子矢量位置择优微粒群算法，通过动态调整算法内部参数，平衡算法局部和全局搜索能力。传统的PSO算法更新xi，j(t+1)和xi，j(t)，在上述中可以得到x1(t+1)和x2(t+1)，且可能优于xi(t+1)，所以上述公式：可改成分布计算：
x1(t+1)＝xi(t)+vi(t+1)
x2(t+1)＝x1(t+|1)+c1·r1·(pbesti(t)-xi(t))
得到x1(t+1)和x2(t+1)与f(xi(t+1)比较，取小位置点作为xi(t+1)的更新值。算法可以表述为：
v1(t+1)＝vi(t)；x1(t+1)＝xi(t)+v1(t+1)
v2(t+1)＝v1(t+1)+c1·r1(pbesti(t)-xi(t))；x2(t+1)＝x1(t+1)+v2(t+1)
v3(t+1)＝v2(t+1)+c2·r2(gbesti(t)-xi(t))；x3(t+1)＝x2(t+1)+v3(t+1)
将微粒群算法中速度的更新公式从一步变为三步，取三步中最优进行下一步优化，细化了粒子的更新轨迹。
可选的，图5为本发明实施例提供的一种双足机器人行走控制方法的流程示意图，如图5所示，上述S201中根据所述目标运动轨迹，采用遗传杂交算法，生成多组子代轨迹点的过程，可以包括：
S501、若目标运动轨迹上的轨迹点集中或者局部集中时，提高动态惯性权重系数。
S502、若目标运动轨迹上的轨迹点分散或者局部分散时，降低动态惯性权重系数。
在本申请实施例中，动态惯性权重系数如下所示：
其中，f为粒子目标函数值，wmax、wmin分别表示w的极值，favg和fmin分别微粒群均值和最小目标值。当微粒集中或局部集中，提高惯性权重，加强粒子靠拢能力，反之降低惯性权重，保护微粒。
S503、根据动态惯性权重系数和目标运动轨迹上的轨迹点，采用遗传杂交算法，生成多组子代轨迹点。
可选的，该方法还可以包括：
采用粒子矢量择优算法以及遗传杂交算法，根据双足机器人的零力矩点的约束条件以及运动轨迹，进行各轨迹点的最优求解，得到目标运动轨迹。
其中，双足机器人的零力矩点可以表示为ZMP。
双足机器人步态轨迹规划求解的计算复杂度较大，例如机器人行走需要控制14个关节运动，关节运动规律简化为二次曲线，需要求解84个系数，即进化算法需要84条基因，导致计算量非常大。所以进化算法通常用于轨迹优化，依据优化策略，对已规划轨迹的进一步优化处理。
在一些实施方式中，控制器可以采用混合微粒群进化算法对双足机器人楼梯运动进行轨迹优化，对步态控制系数进行寻优求解。基于ZMP稳定判据进行轨迹优化，ZMP点在x上的约束条件为：
Sw-X1+X2-1/2l7≤xzmp≤Sw-X1+X2+1/2l7
ZMP的稳定裕度为：
机器人关节θi的控制轨迹f(θi)简化为三次多项式，公式可以表示为：
预先规划轨迹规划得到28个插值系数，进一步在约束条件公式下进行轨迹优化，提高机器人运动的稳定性。
图6为本发明实施例提供的一种双足机器人上楼梯运动的仿真示意图，如图6所示，图6中的(a)表示髋关节yaw角度变化仿真，图6中的(b)表示髋关节roll角度变化仿真，图6中的(a)表示髋关节pitch角度变化仿真，图6中的(d)表示膝关节pitch角度变化，图6中的(e)表示踝关节pitch角度变化，图6中的(f)表示踝关节roll角度变化。
经分析可知，优化后的轨迹在满足稳定复杂运动的基础上，可以有效的降低关节角度转动范围，提高运动稳定裕度，保证机器人楼梯运动的稳定性。
本申请实施例利用三种开源方法规划Roban机器人步态轨迹，与本文微粒群方法对比。一种是基于采样的运动规划，如OMPL(The Open Motion Planning Library)运动规划库，大多基于RRT和RPM衍生出来的，如STOMP、SBPL、CHMOP等等。另一种是基于优化的运动规划，在基础方法规划轨迹的基础上，通过轨迹优化得到更优的运动轨迹。CHOMP Planner是一种基于协变梯度和函数梯度的轨迹优化方法，面向高维运动规划器模仿学习。图7为本发明实施例提供的一种轨迹规划质心位置轨迹的仿真示意图，如图7所示，图7中的(a)表示OMPL规划方法的仿真，图7中的(b)表示TrajOpt规划方法的仿真，图7中的(c)表示CHOMP规划方法的仿真，图7中的(d)表示粒子群方法的仿真。
OMPL规划库采用启发式搜索方法，后期做轨迹柔顺，其效果为跨步小时能顺利启动，跨步大时不能顺利跨步，如图7中的(a)所示。TrajOpt规划库特点：1)每一个控制周期的姿态为优化变量，求解TxK维的向量，T为控制周期数，K为自由度数。2)序列凸优化SQP，求解非线性凸优化问题，具体是在迭代点x附近，重复构建线性凸优化问题求解。3)离散时间的非碰撞约束。规划效果为能顺利加速启动，优化较快，但机器人落脚不平稳，如图7中的(b)所示。
CHOMP规划库先用基于采样的方法得到轨迹，再使用共轭梯度法优化轨迹质量，减小jerk和多余动作，其效果为机器人能顺利加速启动，但落脚不平稳，优化较慢，如图7中的(c)所示。
本申请实施例提供的微粒群优化方法考虑了动量与角动量变化，轨迹符合ZMP约束，稳定性好，成功率高(几乎完整地探索解空间成功率高)，但求解速度不快(探索解空间耗时长)，无碰撞检测。通过仿真及Roban机器人实验，机器人能顺利加速启动、落脚平稳，如图7中的(d)所示。
图8为本发明实施例提供的一种轨迹规划质心位置误差的仿真示意图，图9为本发明实施例提供的一种轨迹规划质心速度轨迹的仿真示意图，图8中的(a)表示OMPL规划方法的仿真，图8中的(b)表示TrajOpt规划方法的仿真，图8中的(c)表示CHOMP规划方法的仿真，图8中的(d)表示粒子群方法的仿真。图9中的(a)表示OMPL规划方法的仿真，图9中的(b)表示TrajOpt规划方法的仿真，图9中的(c)表示CHOMP规划方法的仿真，图9中的(d)表示粒子群方法的仿真。
如图8和9所示，OPML库生成的运动轨迹，运行之后得到的速度偏差和位置偏差都较大。CHOMP库与TrajOpt库生成的运动轨迹运行之后得到的速度偏差也较大，但位置偏差较小。本申请实施例生成的运动轨迹运动过程中速度偏差和位置偏差都相对较小。实验表明，OPML库生成的轨迹执行中机器人晃动幅度较大，稳定性较差；CHOMP库与TrajOpt库生成的运动轨迹运动过程中的躯干晃动幅度较小，但支撑相切换时机器人受到冲击较大；本申请实施例的机器人运动平稳且受到冲击小。上述实验现象与误差分布图相符合。
在支撑相切换之后，四种方法均有不同程度的加速度波动，OMPL库的加速度波动最大，本文方法得到的加速度曲线波动相对较小，与实验现象相符合。
综上所述，OPML库只采用启发式搜索规划轨迹，步幅小才能完成踏步，步幅扩大无法完成踏步；TrajOpt库和CHOMP库效果接近，扩大步幅也能完成踏步，但是踏步完机身震动较大，不平稳；本申请实施例提供的微粒群方法可以实现较大步幅的踏步和落脚后的快速稳定。
下述对用以执行本申请所提供的双足机器人行走控制方法的双足机器人行走控制装置、控制器及存储介质等进行说明，其具体的实现过程以及技术效果参见上述双足机器人行走控制方法的相关内容，下述不再赘述。
图10为本发明实施例提供的一种双足机器人行走控制装置的结构示意图，如图10所示，该装置可以包括：
获取模块1001，用于获取双足机器人的落脚点之间的运动轨迹；
确定模块1002，用于根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定所述各轨迹点的最佳姿态参数；
更新模块1003，用于采用所述各轨迹点的最佳姿态参数，对所述运动轨迹上所述各轨迹点的姿态参数进行更新，得到目标运动轨迹；
控制模块1004，用于根据所述目标运动轨迹，控制所述双足机器人进行行走运动。
可选的，所述控制模块1004，还用于根据所述目标运动轨迹，采用遗传杂交算法，生成多组子代轨迹点；采用每组子代轨迹点对所述目标运动轨迹上对应的亲代轨迹点进行替代；根据轨迹点替代后的目标运动轨迹，控制所述双足机器人进行行走运动。
可选的，所述确定模块1002，用于根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，更新所述各轨迹点的速度和位置；比较初始轨迹点本身经历过的最优位置，以及目标轨迹点群经历过的最优位置，更新所述目标轨迹点群经历过的最优位置，确定所述各轨迹点的最佳姿态参数。
可选的，所述装置还包括：
初始化模块，用于对所述各轨迹点中的轨迹点的位置、速度、所述初始轨迹点本身经历过的最优位置以及初始轨迹点群经历过的最优位置进行初始化；
计算模块，用于计算所述各轨迹点的适应度，更新所述各轨迹点的位置以及所述适应度到所述初始轨迹点本身经历过的最优位置中，得到所述目标轨迹点群经历过的最优位置。
可选的，所述控制模块1004，还用于若所述目标运动轨迹上的轨迹点集中或者局部集中时，提高动态惯性权重系数；若所述目标运动轨迹上的轨迹点分散或者局部分散时，降低动态惯性权重系数；根据动态惯性权重系数和所述目标运动轨迹上的轨迹点，采用遗传杂交算法，生成所述多组子代轨迹点。
可选的，所述装置还包括：
求解模块，用于采用所述粒子矢量择优算法以及所述遗传杂交算法，根据所述双足机器人的零力矩点的约束条件以及所述运动轨迹，进行所述各轨迹点的最优求解，得到所述目标运动轨迹。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图11为本发明实施例提供的一种控制器的结构示意图，如图11所示，该控制器包括：处理器1101、存储器1102。
其中，存储器1102用于存储程序，处理器1101调用存储器1102存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种双足机器人行走控制方法，其特征在于，所述方法包括：
获取双足机器人的落脚点之间的运动轨迹；
根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定所述各轨迹点的最佳姿态参数；
采用所述各轨迹点的最佳姿态参数，对所述运动轨迹上所述各轨迹点的姿态参数进行更新，得到目标运动轨迹；
根据所述目标运动轨迹，控制所述双足机器人进行行走运动。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标运动轨迹，控制所述双足机器人进行行走运动，包括：
根据所述目标运动轨迹，采用遗传杂交算法，生成多组子代轨迹点；
采用每组子代轨迹点对所述目标运动轨迹上对应的亲代轨迹点进行替代；
根据轨迹点替代后的目标运动轨迹，控制所述双足机器人进行行走运动。
3.根据权利要求1所述的方法，其特征在于，所述根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定所述各轨迹点的最佳姿态参数，包括：
根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，更新所述各轨迹点的速度和位置；
比较初始轨迹点本身经历过的最优位置，以及目标轨迹点群经历过的最优位置，更新所述目标轨迹点群经历过的最优位置，确定所述各轨迹点的最佳姿态参数。
4.根据权利要求3所述的方法，其特征在于，在所述根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，更新所述各轨迹点的速度和位置之前，所述方法还包括：
对所述各轨迹点中的轨迹点的位置、速度、所述初始轨迹点本身经历过的最优位置以及初始轨迹点群经历过的最优位置进行初始化；
计算所述各轨迹点的适应度，更新所述各轨迹点的位置以及所述适应度到所述初始轨迹点本身经历过的最优位置中，得到所述目标轨迹点群经历过的最优位置。
5.根据权利要求2所述的方法，其特征在于，所述根据所述目标运动轨迹，采用遗传杂交算法，生成多组子代轨迹点，包括：
若所述目标运动轨迹上的轨迹点集中或者局部集中时，提高动态惯性权重系数；
若所述目标运动轨迹上的轨迹点分散或者局部分散时，降低动态惯性权重系数；
根据动态惯性权重系数和所述目标运动轨迹上的轨迹点，采用遗传杂交算法，生成所述多组子代轨迹点。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
采用所述粒子矢量择优算法以及所述遗传杂交算法，根据所述双足机器人的零力矩点的约束条件以及所述运动轨迹，进行所述各轨迹点的最优求解，得到所述目标运动轨迹。
7.一种双足机器人行走控制装置，其特征在于，所述装置包括：
获取模块，用于获取双足机器人的落脚点之间的运动轨迹；
确定模块，用于根据所述运动轨迹上的各轨迹点，采用粒子矢量择优算法，确定所述各轨迹点的最佳姿态参数；
更新模块，用于采用所述各轨迹点的最佳姿态参数，对所述运动轨迹上所述各轨迹点的姿态参数进行更新，得到目标运动轨迹；
控制模块，用于根据所述目标运动轨迹，控制所述双足机器人进行行走运动。
8.根据权利要求7所述的装置，其特征在于，所述控制模块，还用于根据所述目标运动轨迹，采用遗传杂交算法，生成多组子代轨迹点；采用每组子代轨迹点对所述目标运动轨迹上对应的亲代轨迹点进行替代；根据轨迹点替代后的目标运动轨迹，控制所述双足机器人进行行走运动。
9.一种服务器，其特征在于，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-6任一项所述的双足机器人行走控制方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述权利要求1-6任一项所述的双足机器人行走控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111496996.6A CN114147715A (zh) | 2021-12-09 | 2021-12-09 | 机器人运动轨迹处理方法、装置、控制器及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111496996.6A CN114147715A (zh) | 2021-12-09 | 2021-12-09 | 机器人运动轨迹处理方法、装置、控制器及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114147715A true CN114147715A (zh) | 2022-03-08 |
Family
ID=80454067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111496996.6A Pending CN114147715A (zh) | 2021-12-09 | 2021-12-09 | 机器人运动轨迹处理方法、装置、控制器及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114147715A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090092584A (ko) * | 2008-02-27 | 2009-09-01 | 동아대학교 산학협력단 | 이족 보행을 위한 인간형 로봇의 최적 궤적 생성 방법 |
| KR20140146696A (ko) * | 2013-06-17 | 2014-12-29 | 한국과학기술원 | 로봇 편대 형성의 안정성이 보장되는 입자 군집 최적화 기반 예측 제어 방법，시스템 및 서버 |
| CN106363633A (zh) * | 2016-11-11 | 2017-02-01 | 航天科工智能机器人有限责任公司 | 基于改良粒子群算法的机器人稳定步态规划方法和装置 |
| CN108009680A (zh) * | 2017-11-30 | 2018-05-08 | 航天科工智能机器人有限责任公司 | 基于多目标粒子群算法的仿人机器人步态规划方法 |
| CN109895103A (zh) * | 2019-01-21 | 2019-06-18 | 同济大学 | 一种基于ga-pso算法的示教再现轨迹优化方法 |
| WO2019218159A1 (zh) * | 2018-05-15 | 2019-11-21 | 深圳大学 | 一种基于粒子群算法的机器人路径规划方法、装置及终端设备 |
| CN113199474A (zh) * | 2021-04-25 | 2021-08-03 | 广西大学 | 一种机器人行走与作业智能协同的运动规划方法 |
| CN113435025A (zh) * | 2021-06-22 | 2021-09-24 | 同济大学 | 一种结合多级优化模型的机器人高性能轨迹自动生成方法 |
-
2021
- 2021-12-09 CN CN202111496996.6A patent/CN114147715A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090092584A (ko) * | 2008-02-27 | 2009-09-01 | 동아대학교 산학협력단 | 이족 보행을 위한 인간형 로봇의 최적 궤적 생성 방법 |
| KR20140146696A (ko) * | 2013-06-17 | 2014-12-29 | 한국과학기술원 | 로봇 편대 형성의 안정성이 보장되는 입자 군집 최적화 기반 예측 제어 방법，시스템 및 서버 |
| CN106363633A (zh) * | 2016-11-11 | 2017-02-01 | 航天科工智能机器人有限责任公司 | 基于改良粒子群算法的机器人稳定步态规划方法和装置 |
| CN108009680A (zh) * | 2017-11-30 | 2018-05-08 | 航天科工智能机器人有限责任公司 | 基于多目标粒子群算法的仿人机器人步态规划方法 |
| WO2019218159A1 (zh) * | 2018-05-15 | 2019-11-21 | 深圳大学 | 一种基于粒子群算法的机器人路径规划方法、装置及终端设备 |
| CN109895103A (zh) * | 2019-01-21 | 2019-06-18 | 同济大学 | 一种基于ga-pso算法的示教再现轨迹优化方法 |
| CN113199474A (zh) * | 2021-04-25 | 2021-08-03 | 广西大学 | 一种机器人行走与作业智能协同的运动规划方法 |
| CN113435025A (zh) * | 2021-06-22 | 2021-09-24 | 同济大学 | 一种结合多级优化模型的机器人高性能轨迹自动生成方法 |
Non-Patent Citations (2)
| Title |
|---|
| 专祥涛: "《最优化方法基础》", 31 March 2018, 武汉大学出版社, pages: 173 * |
| 邵志芳: "《智能制造生产链协同规划技术与应用》", 31 March 2021, 机械工业出版社, pages: 118 - 119 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Farshidian et al. | An efficient optimal planning and control framework for quadrupedal locomotion | |
| Bellicoso et al. | Dynamic locomotion through online nonlinear motion optimization for quadrupedal robots | |
| Ponton et al. | Efficient multicontact pattern generation with sequential convex approximations of the centroidal dynamics | |
| Das et al. | Intelligent-based multi-robot path planning inspired by improved classical Q-learning and improved particle swarm optimization with perturbed velocity | |
| Hutter et al. | Quadrupedal locomotion using hierarchical operational space control | |
| Hofmann | Robust execution of bipedal walking tasks from biomechanical principles | |
| Meduri et al. | Biconmp: A nonlinear model predictive control framework for whole body motion planning | |
| Bjelonic et al. | Offline motion libraries and online MPC for advanced mobility skills | |
| JP5052013B2 (ja) | ロボット装置及びその制御方法 | |
| Peters et al. | Robot learning | |
| Neunert et al. | Efficient whole-body trajectory optimization using contact constraint relaxation | |
| Ramos et al. | Dynamic motion capture and edition using a stack of tasks | |
| Geisert et al. | Contact planning for the anymal quadruped robot using an acyclic reachability-based planner | |
| Bossens et al. | Learning behaviour-performance maps with meta-evolution | |
| Song et al. | An optimal motion planning framework for quadruped jumping | |
| Li et al. | A real-time planning and control framework for robust and dynamic quadrupedal locomotion | |
| Kasaei et al. | A hybrid zmp-cpg based walk engine for biped robots | |
| Dong et al. | Flexible model predictive control based on multivariable online adjustment mechanism for robust gait generation | |
| CN114147715A (zh) | 机器人运动轨迹处理方法、装置、控制器及介质 | |
| Chignoli | Trajectory optimization for dynamic aerial motions of legged robots | |
| Abdolmaleki et al. | Contextual policy search for linear and nonlinear generalization of a humanoid walking controller | |
| Gu et al. | Computational design towards energy efficient optimization in overconstrained robotic limbs | |
| Chang et al. | Study on falling backward of humanoid robot based on dynamic multi objective optimization | |
| DeHart | Dynamic Balance and Gait Metrics for Robotic Bipeds | |
| CN113485403A (zh) | 机器人的步态规划方法、装置、处理设备及存储介质 |
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 |