CN115092283B - 基于带有前庭反馈的梯度cpg的机器人控制方法 - Google Patents

基于带有前庭反馈的梯度cpg的机器人控制方法 Download PDF

Info

Publication number
CN115092283B
CN115092283B CN202210876080.1A CN202210876080A CN115092283B CN 115092283 B CN115092283 B CN 115092283B CN 202210876080 A CN202210876080 A CN 202210876080A CN 115092283 B CN115092283 B CN 115092283B
Authority
CN
China
Prior art keywords
gradient
cpg
robot
quadruped robot
hip
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
CN202210876080.1A
Other languages
English (en)
Other versions
CN115092283A (zh
Inventor
谭宁
张翊晖
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202210876080.1A priority Critical patent/CN115092283B/zh
Publication of CN115092283A publication Critical patent/CN115092283A/zh
Application granted granted Critical
Publication of CN115092283B publication Critical patent/CN115092283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • B62D57/028—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 having wheels and mechanical legs
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • 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
    • B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了基于带有前庭反馈的梯度CPG的机器人控制方法,包括：初始化四足机器人的髋膝关节角度，使得所述四足机器人处于站立的平衡位置，并初始化梯度CPG模型中的各个变量；接着将所述梯度CPG模型的输出作为所述四足机器人髋膝关节角度的输入，控制所述四足机器人开始运动；然后将所述四足机器人的实时倾斜角度信息传递给所述梯度CPG模型，使得所述梯度CPG模型根据所述四足机器人的实时倾斜角度信息进行信号响应，输出新的控制信号来控制所述四足机器人髋膝关节角度，完成对所述四足机器人的运动控制。本发明的求解效率高且稳定性高，可广泛应用于智能机器人控制技术领域。

Description

基于带有前庭反馈的梯度CPG的机器人控制方法
技术领域
本发明涉及智能机器人控制技术领域，尤其是基于带有前庭反馈的梯度CPG的机器人控制方法。
背景技术
中央模式发生器(central pattern generator)(以下简称CPG)已被广泛证明分布在脊椎动物(猫，七鳃鳗和人类)的中枢神经系统或无脊椎动物(水蚤，蠕虫)的相关神经节中。CPG的基本功能被认为是产生主要的节律运动，如运动，呼吸，吮吸，舔和咀嚼。
作为一类生物启发神经网络，CPG具有自我调控的能力，这为实际工程中解决有节奏的运动提供了理想的候选方案。为简单起见，CPG模型的特征可以总结为以下四点：
1)节律性。节律性是运动行为最常见和最基本的特征之一。从本质上讲，节律性神经活动受CPG支配，它进一步转化为肌肉活动，最终产生节律性行为。
2)稳定性。CPG模型的另一个优势是它们的稳定性，在数学上对应于运动中出现的稳定极限环，对小的扰动具有鲁棒性。一种流行的观点认为运动表现为一个稳定的极限环，它是由CPG、肌肉骨骼系统和环境之间的全局影响产生的。
3)适应性。CPG能够通过与环境的持续互动找到最有效的输出。
4)多样性。同一CPG模型能够通过改变参数产生不同的运动行为(步态)。
这些特性使得CPG非常适合于多自由度机器人的运动控制。
目前，一些研究领域是在机器人控制中应用CPG模型，根据应用的神经元类型和表现出的拓扑结构，相关的CPG模型可以分为四类：1)神经元模型；2)振荡器模型；3)网络模型；4)混合模型。
前庭反射指动物利用前庭器官检测躯体姿态，调节姿势肌肉，维持运动中躯体平衡的一种反射行为。
相关四足机器人控制方法在执行控制方法的过程中需要求解微分方程组，这个过程存在的缺点是，涉及到的网络参数较多且各参数之间依赖性强，导致在线求解效率较低，这使得它们在微控制单元(MCU)上的执行时间很长，影响它们在现实实现中的性能。
发明内容
有鉴于此，本发明实施例提供一种求解效率高且稳定性高的，基于带有前庭反馈的梯度CPG的机器人控制方法。
本发明实施例的一方面提供了一种基于带有前庭反馈的梯度CPG的机器人控制方法，包括：
初始化四足机器人的髋膝关节角度，使得所述四足机器人处于站立的平衡位置，并初始化梯度CPG模型中的各个变量；
将所述梯度CPG模型的输出作为所述四足机器人髋膝关节角度的输入，控制所述四足机器人开始运动；
将所述四足机器人的实时倾斜角度信息传递给所述梯度CPG模型，使得所述梯度CPG模型根据所述四足机器人的实时倾斜角度信息进行信号响应，输出新的控制信号来控制所述四足机器人髋膝关节角度，完成对所述四足机器人的运动控制。
可选地，所述初始化四足机器人的髋膝关节角度，并初始化梯度CPG模型中的各个变量，包括：
初始化所述四足机器人的四个髋关节的角度以及四个膝关节的角度，使机器人处于站立平衡姿态；
根据预设的四足机器人的运动步态，初始化梯度CPG网络的各个参数；
其中，所述运动步态包括但不限于行走步态、小跑步态、奔跑步态；
所述梯度CPG网络的参数包括但不限于网络震荡频率、幅度、偏移量。
可选地，所述将所述梯度CPG模型的输出作为所述四足机器人髋膝关节角度的输入，控制所述四足机器人开始运动，包括：
运行梯度CPG网络，生成四个髋关节对应的四条第一运动曲线；
根据所述第一运动曲线，计算得到四个膝关节对应的四条第二运动曲线；
将所述第一运动曲线作为所述四足机器人的髋关节位置信息的输入，将所述第二运动曲线作为所述四足机器人的膝关节位置信息的输入，输出所述四足机器人的髋膝关节的运动位置，以控制所述四足机器人开始运动。
可选地，所述四足机器人的每个髋关节由一个梯度振荡器进行控制；
所述四足机器人的同一条腿的髋关节具有固定的相位关系，将髋关节位置曲线翻转后平移得到膝关节位置曲线，使得所述髋关节与所述膝关节耦合。
可选地，所述四足机器人中的肘式关节的映射函数的表达式为：
其中，θh,θk分别为髋关节、膝关节控制信号，Ah,Ak分别为髋关节、膝关节幅值，kt为可变增益；
所述映射函数产生的膝关节控制曲线在摆动项有运动，在支撑项无运动。
可选地，所述方法还包括：在梯度CPG模型的输出基础上，引入前庭反馈信息，对所述梯度CPG模型的输出进行优化；
其中，引入前庭反馈后的梯度CPG模型的表达式为：
θ1＝x1+r1cos(φ1)-m1ψ-m4ρ+m6δ
θ3＝x2+r2cos(φ2)-m1ψ+m3ρ-m5δ
θ3＝x3+r3cos(φ3)+m2ψ+m3ρ-m5δ
θ4＝x4+r4cos(φ4)+m2χ-m4ρ+m6δ
其中，θ1、θ2、θ3、θ4代表左前腿、右前腿、右后腿、左后腿的髋关节控制项；ψ、δ、ρ分别表示机器狗身体绕X、Y、Z轴的旋转角度；m1-m6表示增益参数；ri和xi分别是对震荡的幅度和偏移量进行编码的状态变量。
本发明实施例的另一方面还提供了一种基于带有前庭反馈的梯度CPG的机器人控制装置，包括：
第一模块，用于初始化四足机器人的髋膝关节角度，使得所述四足机器人处于站立的平衡位置，并初始化梯度CPG模型中的各个变量；
第二模块，用于将所述梯度CPG模型的输出作为所述四足机器人髋膝关节角度的输入，控制所述四足机器人开始运动；
第三模块，用于将所述四足机器人的实时倾斜角度信息传递给所述梯度CPG模型，使得所述梯度CPG模型根据所述四足机器人的实时倾斜角度信息进行信号响应，输出新的控制信号来控制所述四足机器人髋膝关节角度，完成对所述四足机器人的运动控制。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，
所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明的实施例首先初始化四足机器人的髋膝关节角度，使得所述四足机器人处于站立的平衡位置，并初始化梯度CPG模型中的各个变量；接着将所述梯度CPG模型的输出作为所述四足机器人髋膝关节角度的输入，控制所述四足机器人开始运动；然后将所述四足机器人的实时倾斜角度信息传递给所述梯度CPG模型，使得所述梯度CPG模型根据所述四足机器人的实时倾斜角度信息进行信号响应，输出新的控制信号来控制所述四足机器人髋膝关节角度，完成对所述四足机器人的运动控制。本发明的求解效率高且稳定性高。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为本发明实施例提供的四足机器人的肘式腿部模型示意图；
图2为本发明实施例提供的四足机器人CPG拓扑图；
图3为本发明实施例提供的整体步骤流程图；
图4为平地上四足机器人行走步态髋膝关节角度变化曲线和上下坡地形奔跑步态髋膝关节角度变化曲线，其中，FL,FR,RL,RR分别代表左前腿，右前腿，左后腿，右后腿；
其中，(a)代表平地上行走步态髋关节角度变化曲线；
(b)代表平地上行走步态膝关节角度变化曲线；
(c)代表奔跑步态上下坡髋关节角度变化曲线(横轴15-25为上坡，27.5-30为下坡，其余时间为平地奔跑)；
(d)代表奔跑步态上下坡膝关节角度变化曲线(横轴15-25为上坡，27.5-30为下坡，其余时间为平地奔跑)。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
针对现有技术存在的问题，本发明实施例的一方面提供了一种基于带有前庭反馈的梯度CPG的机器人控制方法，包括：
初始化四足机器人的髋膝关节角度，使得所述四足机器人处于站立的平衡位置，并初始化梯度CPG模型中的各个变量；
将所述梯度CPG模型的输出作为所述四足机器人髋膝关节角度的输入，控制所述四足机器人开始运动；
将所述四足机器人的实时倾斜角度信息传递给所述梯度CPG模型，使得所述梯度CPG模型根据所述四足机器人的实时倾斜角度信息进行信号响应，输出新的控制信号来控制所述四足机器人髋膝关节角度，完成对所述四足机器人的运动控制。
可选地，所述初始化四足机器人的髋膝关节角度，并初始化梯度CPG模型中的各个变量，包括：
初始化所述四足机器人的四个髋关节的角度以及四个膝关节的角度，使机器人处于站立平衡姿态；
根据预设的四足机器人的运动步态，初始化梯度CPG网络的各个参数；
其中，所述运动步态包括但不限于行走步态、小跑步态、奔跑步态；
所述梯度CPG网络的参数包括但不限于网络震荡频率、幅度、偏移量。
可选地，所述将所述梯度CPG模型的输出作为所述四足机器人髋膝关节角度的输入，控制所述四足机器人开始运动，包括：
运行梯度CPG网络，生成四个髋关节对应的四条第一运动曲线；
根据所述第一运动曲线，计算得到四个膝关节对应的四条第二运动曲线；
将所述第一运动曲线作为所述四足机器人的髋关节位置信息的输入，将所述第二运动曲线作为所述四足机器人的膝关节位置信息的输入，输出所述四足机器人的髋膝关节的运动位置，以控制所述四足机器人开始运动。
可选地，所述四足机器人的每个髋关节由一个梯度振荡器进行控制；
所述四足机器人的同一条腿的髋关节具有固定的相位关系，将髋关节位置曲线翻转后平移得到膝关节位置曲线，使得所述髋关节与所述膝关节耦合。
可选地，所述四足机器人中的肘式关节的映射函数的表达式为：
其中，θh,θk分别为髋关节、膝关节控制信号，Ah,Ak分别为髋关节、膝关节幅值，kt为可变增益；
所述映射函数产生的膝关节控制曲线在摆动项有运动，在支撑项无运动。
可选地，所述方法还包括：在梯度CPG模型的输出基础上，引入前庭反馈信息，对所述梯度CPG模型的输出进行优化；
其中，引入前庭反馈后的梯度CPG模型的表达式为：
θ1＝x1+r1cos(φ1)-m1ψ-m4ρ+m6δ
θ3＝x2+r2cos(φ2)-m1ψ+m3ρ-m5δ
θ3＝x3+r3cos(φ3)+m2ψ+m3ρ-m5δ
θ4＝x4+r4cos(φ4)+m2ψ-m4ρ+m6δ
其中，θ1、θ2、θ3、θ4代表左前腿、右前腿、右后腿、左后腿的髋关节控制项；ψ、δ、ρ分别表示机器狗身体绕X、Y、Z轴的旋转角度；m1-m6表示增益参数；ri和xi分别是对震荡的幅度和偏移量进行编码的状态变量。
本发明实施例的另一方面还提供了一种基于带有前庭反馈的梯度CPG的机器人控制装置，包括：
第一模块，用于初始化四足机器人的髋膝关节角度，使得所述四足机器人处于站立的平衡位置，并初始化梯度CPG模型中的各个变量；
第二模块，用于将所述梯度CPG模型的输出作为所述四足机器人髋膝关节角度的输入，控制所述四足机器人开始运动；
第三模块，用于将所述四足机器人的实时倾斜角度信息传递给所述梯度CPG模型，使得所述梯度CPG模型根据所述四足机器人的实时倾斜角度信息进行信号响应，输出新的控制信号来控制所述四足机器人髋膝关节角度，完成对所述四足机器人的运动控制。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，
所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
下面结合说明书附图，对本发明的具体实现过程进行详细描述：
本发明采用轻量级的CPG模型——梯度CPG模型来控制四足机器狗的运动，梯度CPG模型采用四阶龙格库塔法求解微分方程组，方程组中的网络参数数量较少且独立性强，目的在于提升模型求解效率，提高它们在现实实现中的性能。且在原梯度CPG模型中引入前庭反馈，目的在于提升四足机器人运动的稳定性，直线行走能力和应对复杂地形的能力。
本发明实施例使用的四足机器狗模型为unitree a1四足机器人，这是一款全肘式的四足机器人。对于这种两段式的肘式腿部模型，我们约定，腿部靠近身体的关节为髋关节，靠近地面的关节为膝关节，如图1所示，θ髋为髋关节旋转角度，单位为rad(弧度)，取值为正，θ膝为膝关节旋转角度，单位为rad(弧度)，取值为负。当机器狗处于站立姿态时，四条腿的髋膝关节平衡位置为θ髋＝0.67,θ膝＝-1.3。
本发明实施例使用的控制器基于梯度CPG模型，参考图2，四足机器人的每一个髋关节由一个梯度振荡器控制，振荡器i按照如下微分方程组实现：
θi＝xi+ricos(φi) (4)
其中，θi是振荡器i的输出，即为髋关节i的运动输入，φi,ri和xi分别是对震荡的相位，幅度和偏移量进行编码的状态变量。参数ωi,Ri和Xi是震荡的期望频率，幅度和偏移量的控制参数。参数ωij和分别是决定振荡器j如何影响振荡器i的耦合和相位偏差。参数ar和ax是恒定的正增益。
同一条腿的髋膝关节具有固定的相位关系，将髋关节位置曲线翻转，平移得到膝关节位置曲线，实现髋膝关节的耦合，对于肘式关节，映射函数如下所示，这个函数产生的膝关节控制曲线在摆动项有运动，支撑项无运动，形成半波，因此被称为半波函数。
其中，θh,θk分别为髋、膝关节控制信号，Ah,Ak分别为髋、膝关节幅值，kt为可变增益。
将梯度CPG模型产生的髋，膝关节位置信号输入至四足机器人的八个关节，即可控制机器人使其产生运动行为。
在梯度CPG模型的输出基础(即式4)上，我们引入前庭反馈如下：
θ1＝x1+r1cos(φ1)-m1ψ-m4ρ+m6δ (6)
θ3＝x2+r2cos(φ2)-m1ψ+m3ρ-m5δ (7)
θ3＝x3+r3cos(φ3)+m2ψ+m3ρ-m5δ (8)
θ4＝x4+r4cos(φ4)+m2ψ-m4ρ+m6δ (9)
公式(6)-(9)分别代表左前腿、右前腿、右后腿、左后腿的髋关节控制项，ψ、δ、ρ分别表示机器狗身体绕X、Y、Z轴的旋转角度，即翻滚角(roll)、俯仰角(pitch)、偏航角(yaw)，它们均由imu传感器实时测量转换得到。m1-m6表示增益参数。
参考图3，本发明实施例的整个系统的运作流程如图3所示，其中包含以下步骤：
A、初始化四足机器人的四个髋关节以及四个膝关节角度，使机器人呈现站立平衡姿态。根据选定的四足机器人的运动步态(行走，小跑，奔跑)初始化梯度CPG网络的各个参数，包括网络震荡频率、幅度、偏移量等。
B、运行梯度CPG网络，产生四条运动曲线θi(i＝1,2,3,4)，将其作为公式5中的θh输入，得到另外四条运动曲线θk(k＝1,2,3,4)，将θi和θk分别作为四足机器人的髋关节和膝关节位置信息输入，使四足机器人产生运动行为。
C、在四足机器人运动过程中，位于机器人身体中的imu传感器将实时测量到的身体倾斜角(pitch,roll,yaw)信息反馈给梯度CPG模型中产生髋关节运动曲线的那一项，即公式(6-9)，再经过髋膝关节映射，以此来调整运动曲线θi和θk的输出，最终形成闭环，使四足机器人的运动更加平稳并能够适应不同的地形变化。
下面以具体的应用场景为例，详细对本发明的具体实施过程进行描述：
为了实现四足机器人的运动控制，我们发明了带有前庭反馈的梯度CPG控制系统。所发明的控制系统的执行包括以下步骤：
A、以上文中的四足机器人为例，首先给定四足机器人初始的关节角度θ(0)＝[0.0,0.67,-1.3,0.0,0.67,-1.3,0.0,0.67,-1.3,0.0,0.67.-1.3]弧度，使机器人达到平衡站立姿态。初始化带有前庭反馈的梯度CPG网络中的各网络参数(根据选定四足机器人步态的不同，设定的网络参数也不同)，对应行走、小跑、奔跑步态的网络参数如表1所示：
表1三种步态下的梯度CPG网络参数
B、完成步骤A中的初始化之后，梯度CPG网络开始输出髋关节运动曲线θi(i＝1,2,3,4)，经过髋膝映射后得到膝关节运动曲线θk(k＝1,2,3,4)，将曲线作为位置角度信息以ωs的频率输出到四足机器人的髋膝关节上，机器人就产生运动行为。
C、在四足机器人运动过程中，位于机器人身体中的imu传感器将实时测量到的身体倾斜角(pitch,yaw,roll)，即公式(7-10)中的ψ、δ、ρ反馈给梯度CPG模型，以此来调整运动曲线θi和θk的输出，最终形成闭环，使机器人运动更加平稳，并适应不同的地形
D、针对小跑步态和奔跑步态，单独设置了上下坡地形实验。
基于以上技术方案，控制四足机器人分别完成了平地行走、小跑、奔跑步态实验，四足机器人能够较好地完成直线运动而不产生运动偏移。并且针对小跑和奔跑步态单独设置了上下坡地形实验，实验结果表明，带有前庭反馈的梯度CPG模型控制的四足机器人能够在小跑和奔跑步态下分别应对11°和12°的斜坡。图4的(a)-(d)展示了平地上四足机器人行走步态的髋膝关节角度变化曲线和上下坡地形四足机器人奔跑步态的髋膝关节角度变化曲线，横轴为时间(单位秒)，纵轴为关节角度(单位rad，即弧度)，FL,FR,RL,RR分别表示四足机器人的左前腿，右前腿，左后腿和右后腿。其中，(a)代表平地上行走步态髋关节角度变化曲线；(b)代表平地上行走步态膝关节角度变化曲线；(c)代表奔跑步态上下坡髋关节角度变化曲线(横轴15-25为上坡，27.5-30为下坡，其余时间为平地奔跑)；(d)代表奔跑步态上下坡膝关节角度变化曲线(横轴15-25为上坡，27.5-30为下坡，其余时间为平地奔跑)。
综上所述，本发明实施例提供了带有前庭反馈的梯度CPG控制模型，并将此模型应用在全肘式四足机器人上，从该控制方法的实施例可以看出，该控制方法可以控制四足机器人完成平地行走、小跑、奔跑步态，并且在小跑和奔跑步态下还可以完成上下坡等任务。因为前庭反馈的引入，四足机器人的行动更加平稳，并且能够应对不确定因素带来的干扰，始终保持身体向一个方向直线运动而不会产生偏移。
相较于现有技术，本发明使用带前庭反馈的梯度CPG控制系统完成对全肘式四足机器人的运动控制。本发明应用的梯度CPG模型是一种更为轻量化的CPG模型，即对于求解模型中的微分方程组有更高的效率，此前该模型曾被前人应用于机器蛇，机器鱼等机器人控制系统上，取得了较好的控制效果。本发明将其迁移到四足机器人上，且在原梯度CPG模型基础上引入了前庭反馈，与应用同类模型的四足机器人控制系统相比，本发明控制的四足机器人具有更好的运动稳定性，直线运动能力和复杂地形应对能力。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种基于带有前庭反馈的梯度CPG的机器人控制方法，其特征在于，包括：
初始化四足机器人的髋膝关节角度，使得所述四足机器人处于站立的平衡位置，并初始化梯度CPG模型中的各个变量；
将所述梯度CPG模型的输出作为所述四足机器人髋膝关节角度的输入，控制所述四足机器人开始运动；
将所述四足机器人的实时倾斜角度信息传递给所述梯度CPG模型，使得所述梯度CPG模型根据所述四足机器人的实时倾斜角度信息进行信号响应，输出新的控制信号来控制所述四足机器人髋膝关节角度，完成对所述四足机器人的运动控制；
所述初始化四足机器人的髋膝关节角度，并初始化梯度CPG模型中的各个变量，包括：
初始化所述四足机器人的四个髋关节的角度以及四个膝关节的角度，使机器人处于站立平衡姿态；
根据预设的四足机器人的运动步态，初始化梯度CPG网络的各个参数；
其中，所述运动步态包括但不限于行走步态、小跑步态、奔跑步态；
所述梯度CPG网络的参数包括但不限于网络震荡频率、幅度、偏移量。
2.根据权利要求1所述的基于带有前庭反馈的梯度CPG的机器人控制方法，其特征在于，所述将所述梯度CPG模型的输出作为所述四足机器人髋膝关节角度的输入，控制所述四足机器人开始运动，包括：
运行梯度CPG网络，生成四个髋关节对应的四条第一运动曲线；
根据所述第一运动曲线，计算得到四个膝关节对应的四条第二运动曲线；
将所述第一运动曲线作为所述四足机器人的髋关节位置信息的输入，将所述第二运动曲线作为所述四足机器人的膝关节位置信息的输入，输出所述四足机器人的髋膝关节的运动位置，以控制所述四足机器人开始运动。
3.根据权利要求1所述的基于带有前庭反馈的梯度CPG的机器人控制方法，其特征在于，
所述四足机器人的每个髋关节由一个梯度振荡器进行控制；
所述四足机器人的同一条腿的髋关节具有固定的相位关系，将髋关节位置曲线翻转后平移得到膝关节位置曲线，使得所述髋关节与所述膝关节耦合。
4.根据权利要求1所述的基于带有前庭反馈的梯度CPG的机器人控制方法，其特征在于，
所述四足机器人中的肘式关节的映射函数的表达式为：
其中，θh,θk分别为髋关节、膝关节控制信号，Ah,Ak分别为髋关节、膝关节幅值，kt为可变增益；
所述映射函数产生的膝关节控制曲线在摆动项有运动，在支撑项无运动。
5.根据权利要求1所述的基于带有前庭反馈的梯度CPG的机器人控制方法，其特征在于，所述方法还包括：在梯度CPG模型的输出基础上，引入前庭反馈信息，对所述梯度CPG模型的输出进行优化；
其中，引入前庭反馈后的梯度CPG模型的表达式为：
θ1＝x1+r1cos(φ1)-m1ψ-m4ρ+m6δ
θ3＝x2+r2cos(φ2)-m1ψ+m3ρ-m5δ
θ3＝x3+r3cos(φ3)+m2ψ+m3ρ-m5δ
θ4＝x4+r4cos(φ4)+m2ψ-m4ρ+m6δ
其中，θ1、θ2、θ3、θ4代表左前腿、右前腿、右后腿、左后腿的髋关节控制项；ψ、δ、ρ分别表示机器狗身体绕X、Y、Z轴的旋转角度；m1-m6表示增益参数；ri和xi分别是对震荡的幅度和偏移量进行编码的状态变量。
6.一种基于带有前庭反馈的梯度CPG的机器人控制装置，其特征在于，包括：
第一模块，用于初始化四足机器人的髋膝关节角度，使得所述四足机器人处于站立的平衡位置，并初始化梯度CPG模型中的各个变量；
第二模块，用于将所述梯度CPG模型的输出作为所述四足机器人髋膝关节角度的输入，控制所述四足机器人开始运动；
第三模块，用于将所述四足机器人的实时倾斜角度信息传递给所述梯度CPG模型，使得所述梯度CPG模型根据所述四足机器人的实时倾斜角度信息进行信号响应，输出新的控制信号来控制所述四足机器人髋膝关节角度，完成对所述四足机器人的运动控制；
所述第一模块，具体用于：
初始化所述四足机器人的四个髋关节的角度以及四个膝关节的角度，使机器人处于站立平衡姿态；
根据预设的四足机器人的运动步态，初始化梯度CPG网络的各个参数；
其中，所述运动步态包括但不限于行走步态、小跑步态、奔跑步态；
所述梯度CPG网络的参数包括但不限于网络震荡频率、幅度、偏移量。
7.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至5中任一项所述的方法。
CN202210876080.1A 2022-07-25 2022-07-25 基于带有前庭反馈的梯度cpg的机器人控制方法 Active CN115092283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210876080.1A CN115092283B (zh) 2022-07-25 2022-07-25 基于带有前庭反馈的梯度cpg的机器人控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210876080.1A CN115092283B (zh) 2022-07-25 2022-07-25 基于带有前庭反馈的梯度cpg的机器人控制方法

Publications (2)

Publication Number Publication Date
CN115092283A CN115092283A (zh) 2022-09-23
CN115092283B true CN115092283B (zh) 2023-08-01

Family

ID=83299169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210876080.1A Active CN115092283B (zh) 2022-07-25 2022-07-25 基于带有前庭反馈的梯度cpg的机器人控制方法

Country Status (1)

Country Link
CN (1) CN115092283B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115816470B (zh) * 2023-02-22 2023-05-05 季华实验室 一种四足机器人运动保护方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106457569B (zh) * 2014-04-10 2019-03-12 宽射咨询公司 机器人系统及操作机器人系统的方法
CN107538490A (zh) * 2017-08-25 2018-01-05 哈尔滨理工大学 面向复杂地形的四足机器人运动规划方法
CN108772836B (zh) * 2018-05-08 2021-11-02 东南大学 基于cpg的脊柱型多足机器人及其仿生运动控制方法
CN111208822A (zh) * 2020-02-17 2020-05-29 清华大学深圳国际研究生院 一种基于强化学习和cpg控制器的四足机器人步态控制方法
CN111913490B (zh) * 2020-08-18 2023-11-14 山东大学 基于落足调整的四足机器人动步态稳定控制方法及系统
CN112327869B (zh) * 2020-11-19 2021-09-24 山东大学 基于关节速度规划的四足机器人对角步态运动控制方法

Also Published As

Publication number Publication date
CN115092283A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
Shao et al. Learning free gait transition for quadruped robots via phase-guided controller
Liu et al. CPG-inspired workspace trajectory generation and adaptive locomotion control for quadruped robots
Chen et al. Smooth transition between different gaits of a hexapod robot via a central pattern generators algorithm
Moro et al. Horse-like walking, trotting, and galloping derived from kinematic Motion Primitives (kMPs) and their application to walk/trot transitions in a compliant quadruped robot
Li et al. Gait planning and stability control of a quadruped robot
Manoonpong et al. Sensor-driven neural control for omnidirectional locomotion and versatile reactive behaviors of walking machines
Bellegarda et al. CPG-RL: Learning central pattern generators for quadruped locomotion
CN108931988B (zh) 一种基于中枢模式发生器的四足机器人的步态规划方法、中枢模式发生器及机器人
CN115092283B (zh) 基于带有前庭反馈的梯度cpg的机器人控制方法
Liu et al. Adaptive walking control of biped robots using online trajectory generation method based on neural oscillators
Liu et al. Hopf oscillator based adaptive locomotion control for a bionic quadruped robot
Hoffmann et al. The merits of passive compliant joints in legged locomotion: Fast learning, superior energy efficiency and versatile sensing in a quadruped robot
Park et al. Full-body joint trajectory generation using an evolutionary central pattern generator for stable bipedal walking
CN105182754B (zh) 仿生机器人运动控制神经网络的构建方法
WO2023184933A1 (zh) 基于神经振荡器的机器人节律运动控制方法及系统
Liu et al. Rhythmic-reflex hybrid adaptive walking control of biped robot
Li et al. EU FP7
Ryu et al. Locomotion of snake-like robots using adaptive neural oscillators
Liu et al. Locomotion control of quadruped robots based on central pattern generators
Nachstedt et al. Adaptive neural oscillators with synaptic plasticity for locomotion control of a snake-like robot with screw-drive mechanism
Li et al. Improved CPG model based on hopf oscillator for gait design of a new type of hexapod robot
Zhang et al. A bionic neural network for fish-robot locomotion
Guan et al. Biologically inspired quadruped robot biosbot: modeling, simulation and experiment
Castro et al. Postural control on a quadruped robot using lateral tilt: A dynamical system approach
Liu et al. A trajectory generation method for biped walking based on neural oscillators

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