CN115167389A - 行为驱动的四足机器人中枢层细粒度演进优化模型 - Google Patents

行为驱动的四足机器人中枢层细粒度演进优化模型 Download PDF

Info

Publication number
CN115167389A
CN115167389A CN202210638408.6A CN202210638408A CN115167389A CN 115167389 A CN115167389 A CN 115167389A CN 202210638408 A CN202210638408 A CN 202210638408A CN 115167389 A CN115167389 A CN 115167389A
Authority
CN
China
Prior art keywords
grained
fine
robot
swing
terrain
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
CN202210638408.6A
Other languages
English (en)
Other versions
CN115167389B (zh
Inventor
苏波
江磊
邢伯阳
刘宇飞
王志瑞
梁振杰
赵建新
邱天奇
许�鹏
田翀
许威
党睿娜
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.)
China North Vehicle Research Institute
Original Assignee
China North Vehicle Research Institute
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 China North Vehicle Research Institute filed Critical China North Vehicle Research Institute
Priority to CN202210638408.6A priority Critical patent/CN115167389B/zh
Publication of CN115167389A publication Critical patent/CN115167389A/zh
Application granted granted Critical
Publication of CN115167389B publication Critical patent/CN115167389B/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
    • G05D1/0212—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明属于机器人运动控制技术领域，具体涉及一种行为驱动的四足机器人中枢层细粒度演进优化模型。所述四足机器人中枢层细粒度演进优化模型采用多模态切换控制的策略，其原理是将实际环境中的地形划分归类为台阶与斜坡两大类，针对台阶地形和斜坡地形分别采用不同的细粒度摆动轨迹规划；通过本体运动学和IMU等感知数据实现对台阶和斜坡两类典型地形的快速判别，进一步基于模态判别结果对细粒度摆动行为进行在线演进优化，提高整体地形的通过能力，并提升四足机器人在“全自主”任务下的复杂地形自适应通过能力。

Description

行为驱动的四足机器人中枢层细粒度演进优化模型
技术领域
本发明属于机器人运动控制技术领域，具体涉及一种行为驱动的四足机器人中枢层细粒度演进优化模型。
背景技术
四足机器人的控制系统基于类人控制机理可以解构为由“大脑层”、“中枢层”和“末梢层”构建的分层实时控制系统，其中“大脑层”完成对环境态势的深度感知并产生相应的粗粒度轨迹规划控制命令给“中枢层”；“中枢层”在上述指令的驱动下通过VMC虚拟模型控制方法产生相应的细粒度动作；最终，“末梢层”通过驱动伺服执行器实现对细粒度动作指令的跟踪，从而实现对整个四足机器人由“粗到细”的控制。
对于四足机器人来说“中枢层”细粒度控制问题主包括质心对粗粒度期望轨迹的跟踪，以及肢体为了适应质心运动的摆动落足。
对于后者来说“大脑层”输出的粗粒度指令主要是空间中的落足点，而机器人如何控制足端完成落足是一个细粒度规划问题，其中即涉及到轨迹规划又涉及到对环境的自适应，考虑到摆动中可能遇到的障碍物和碰撞干涉，采用固定的摆动轨迹无法适应真实环境中的台阶、斜坡等复杂地形，本发明提出的演化模型即用于解决上述固定逻辑存在的不足。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：如何提出一种行为驱动的四足机器人中枢层细粒度演进优化模型，如何实现对中枢层行为细粒度指令的演进优化，提高四足机器人的自主越障能力。
(二)技术方案
为解决上述技术问题，本发明提供一种行为驱动的四足机器人中枢层细粒度演进优化模型，所述四足机器人中枢层细粒度演进优化模型采用多模态切换控制的策略，其原理是将实际环境中的地形划分归类为台阶与斜坡两大类，针对台阶地形和斜坡地形分别采用不同的细粒度摆动轨迹规划；
假设四足机器人名义落足位置为C点，在台阶地形下将出现摆动中提前着地的接触位置为A点，而在斜坡地形下接触位置为B，则通过落足高度差dH可以实现对两类地形的区分并进行细粒度演进优化。
其中，所述四足机器人中枢层细粒度演进优化模型进行细粒度演进优化的过程，包括如下步骤：
步骤1：当姿态控制误差较小时，通过提前着地时足端位置与名义着地位置之差来判断当前地形属性为台阶还是斜坡；
步骤2：当判别为台阶地形，则采用相应的细粒度摆动轨迹优化处理策略，修正落足点和摆动轨迹终点，并以地形斜坡角度来调节接触后落足速度矢量方向降低落足冲击；
当判别为斜坡地形，则采用相应的细粒度摆动轨迹优化处理策略，修正落足点和摆动轨迹终点，并以地形斜坡调节触地时刻的落足速度矢量方向降低落足冲击；
步骤3：当地形恢复为平面时采用名义摆动策略。
其中，所述步骤1中，
在机器人的每个步态切换周期，采集机器人自身关节角度和姿态传感器数据；基于机器人腿部构型，使用关节编码器角度反馈值计算第i条腿足端在髋关节坐标系{H}下的三维位置：
Pi H＝f(c1,c2,c3),i＝1…4
其中，Pi H为第i条腿足端在髋关节坐标系{H}下的三维位置，f(c1,c2,c3)为对应腿部构型的运动学正解函数，参考机器人坐标系定义，定义c1为机器人大腿角度、c2为小腿角度、c3为髋关节角度：
Figure RE-GDA0003827290890000031
其中，L1为大腿长度，L2为小腿长度，L3为侧摆电机相对髋关节的偏差；
基于机器人左右两侧腿髋关节间距和前后两侧腿髋关节间距，将第i条腿足端在髋关节坐标系{H}下的三维位置转化为机体坐标系{B} 下的三维位置：
Figure RE-GDA0003827290890000032
其中，Pi B为第i条腿足端在机体坐标系{B}下的三维位置，W为机器人左右两侧腿髋关节间距，H为机器人前后两侧腿髋关节间距；
基于机器人机载IMU数据得到对应的姿态四元数q0、q1、q2、q3，并计算出全局坐标系{N}与机体坐标系{B}间的转换矩阵：
Figure RE-GDA0003827290890000033
其中，
Figure RE-GDA0003827290890000034
为全局坐标系{N}与机体坐标系{B}间的转换矩阵；
根据以下公式，将第i条腿足端在机体坐标系{B}下的三维位置转换为全局坐标系{N}下的三维位置：
Figure RE-GDA0003827290890000035
其中，Pi N为第i条腿足端在全局坐标系{N}下的三维位置，
Figure RE-GDA0003827290890000036
为
Figure RE-GDA0003827290890000037
的转置；
定义在落足支撑瞬间记录第i条腿的全局位置为其支撑中接触点位置
Figure RE-GDA0003827290890000038
则采用机器人姿态角度以最小二乘法估算出当前的地形俯仰角和横滚角g＝[Pg,Rg]；
设第i腿开始摆动时的全局位置为
Figure RE-GDA0003827290890000041
支撑时刻触地位置为
Figure RE-GDA0003827290890000042
则落足高度差dH可以采用如下公式计算：
Figure RE-GDA0003827290890000043
在计算出落足高度差dH后，结合地形角度来计算出在名义落足时刻的全局位置
Figure RE-GDA0003827290890000044
Figure RE-GDA0003827290890000045
其中，Ls是步长，其采用当前机器人质心速度估计值和期望速度计算得到：
Figure RE-GDA0003827290890000046
其中，pcog,z为机器人当前质心高度估计值，vcog为机器人当前质心速度估计值，vcog,d为期望质心速度，Ts为支撑相时间，g为重力加速度；
通过预先设定高度阈值Hs_s，则当
Figure RE-GDA0003827290890000047
与
Figure RE-GDA0003827290890000048
的误差小于高度阈值时判断为斜坡，否则为台阶地形。
其中，所述步骤2中，根据步骤1中的地形判别结果，采用多模式切换控制策略实现对落足点和摆动轨迹的细粒度演化。
其中，所述步骤2中，所述多模式切换控制策略具体包括：针对斜坡地形下的细粒度演化过程和针对台阶地形下的细粒度演化过程。
其中，所述步骤2中，所述针对斜坡地形下的细粒度演化过程如下；
针对斜坡的细粒度演化，首先将摆动轨迹划分为了三段，其中第一段轨迹(1)的末端仅垂直向上运动；第二段轨迹(2)为名义摆动，但摆动的始末点在高度方向上进行调节，摆动轨迹中点高度增量减小；第三段轨迹(3)末端垂直向下运动，因此优化后摆动轨迹的起点位置为：
Figure RE-GDA0003827290890000051
其中，h为落足缓冲高度，其用于保证足端在斜坡触地时末端轨迹能有一段距离以低速垂直下探，从而减小对机体的冲击，同理轨迹末端位置为：
Figure RE-GDA0003827290890000052
则优化后摆动轨迹高度H*如下：
H*(斜坡)＝H-Ls·tan(Pg)-h
最终，为保证足端在触地后，其运动方向能与斜坡地形角度匹配，需要将名义支撑中速度方向修正为与地形平面平行的速度矢量Ve，则修正后轨迹末端在全局坐标系下的速度为：
Figure RE-GDA0003827290890000053
通过上述地形判别结果，采用多模式切换控制策略实现对落足点和摆动轨迹的细粒度演化。
其中，所述步骤2中，所述针对台阶地形下的细粒度演化过程如下；
针对台阶的细粒度演化过程，同样将摆动轨迹划分为了三段，其中第一段轨迹(1)末端仅垂直向上运动；第二段轨迹(2)为对名义摆动的整体性选择，摆动起始点在高度方向上进行调节，同时以起始点旋转了地形俯仰角度；第三段轨迹(3)末端仅垂直向下运动，因此优化后摆动轨迹的起点位置为：
Figure RE-GDA0003827290890000054
其中，h为落足缓冲高度，其用于保证足端在斜坡触地时末端轨迹能有一段距离以低速垂直下探，从而减小对机体的冲击，对于台阶地形轨迹其旋转地形角度后的末端位置为：
Figure RE-GDA0003827290890000061
则优化后摆动轨迹高度H*相比标准摆动高度H进行调节如下：
H*(台阶)＝H-Ls·tan(Pg)*sin(Pg)-h
最终，不同于斜坡地形，由于台阶往往为水平平面，因此其摆动轨迹末端的速度矢量与名义摆动支撑的速度矢量方向一致，即 Ve(台阶)＝V。
其中，当优化逻辑出现上述两种触发条件后，持续依据对应的策略实现对摆动行为的细粒度在线演进优化；
其中，所述步骤3中，当地形俯仰角度小于阈值Pg_e时，且
Figure RE-GDA0003827290890000062
与
Figure RE-GDA0003827290890000063
的误差小于阈值Hs_s，则退出上述演化过程采用名义摆动行为。
其中，所述四足机器人中枢层细粒度演进优化模型基于多模态切换控制的思想实现对中枢层行为的细粒度演进优化，进而提高四足机器人越障行为的智能化程度。
其中，其能够提高整体地形的通过能力，并提升四足机器人在“全自主”任务下的复杂地形自适应通过能力。
(三)有益效果
与现有技术相比较，本发明提出行为驱动的四足机器人中枢层细粒度演进优化模型，其采用多模态切换的控制策略来提高四足机器人中枢层行为的智能化水平，通过本体运动学和IMU等感知数据实现对台阶和斜坡两类典型地形的快速判别，进一步基于模态判别结果对细粒度摆动行为进行在线演进优化，提高整体地形的通过能力，并提升四足机器人在“全自主”任务下的复杂地形自适应通过能力。
附图说明
图1为行为驱动的四足机器人中枢层细粒度演进优化模型结构示意图；
图2a及图2b为细粒度摆动处理-台阶/斜坡地形处理策略；
图3a及图3b为单腿的坐标系定义描述示意图；
图4为在斜坡地形下细粒度摆动行为优化结果示意图；
图5为在台阶地形下细粒度摆动行为优化结果示意图；
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
为解决上述技术问题，本发明提供一种行为驱动的四足机器人中枢层细粒度演进优化模型，所述四足机器人中枢层细粒度演进优化模型采用多模态切换控制的策略，其原理是将实际环境中的地形划分归类为台阶与斜坡两大类，针对台阶地形和斜坡地形分别采用不同的细粒度摆动轨迹规划；
如图2a及图2b所示，假设四足机器人名义落足位置为C点，在台阶地形下将出现摆动中提前着地的接触位置为A点，而在斜坡地形下接触位置为B，则通过落足高度差dH可以实现对两类地形的区分并进行细粒度演进优化。
其中，所述四足机器人中枢层细粒度演进优化模型进行细粒度演进优化的过程，如图1所示，包括如下步骤：
步骤1：当姿态控制误差较小时，通过提前着地时足端位置与名义着地位置之差来判断当前地形属性为台阶还是斜坡；
步骤2：当判别为台阶地形，则采用相应的细粒度摆动轨迹优化处理策略，修正落足点和摆动轨迹终点，并以地形斜坡角度来调节接触后落足速度矢量方向降低落足冲击；
当判别为斜坡地形，则采用相应的细粒度摆动轨迹优化处理策略，修正落足点和摆动轨迹终点，并以地形斜坡调节触地时刻的落足速度矢量方向降低落足冲击；
步骤3：当地形恢复为平面时采用名义摆动策略。
其中，所述步骤1中，
在机器人的每个步态切换周期，采集机器人自身关节角度和姿态传感器数据；基于机器人腿部构型，使用关节编码器角度反馈值计算第i条腿足端在髋关节坐标系{H}下的三维位置：
Pi H＝f(c1,c2,c3),i＝1…4
其中，Pi H为第i条腿足端在髋关节坐标系{H}下的三维位置， f(c1,c2,c3)为对应腿部构型的运动学正解函数，参考图3a及图3b给出的机器人坐标系定义，定义c1为机器人大腿角度、c2为小腿角度、c3为髋关节角度：
Figure RE-GDA0003827290890000081
其中，L1为大腿长度，L2为小腿长度，L3为侧摆电机相对髋关节的偏差；
基于机器人左右两侧腿髋关节间距和前后两侧腿髋关节间距，将第i条腿足端在髋关节坐标系{H}下的三维位置转化为机体坐标系{B} 下的三维位置：
Figure RE-GDA0003827290890000082
其中，Pi B为第i条腿足端在机体坐标系{B}下的三维位置，W为机器人左右两侧腿髋关节间距，H为机器人前后两侧腿髋关节间距；
基于机器人机载IMU数据得到对应的姿态四元数q0、q1、q2、q3，并计算出全局坐标系{N}与机体坐标系{B}间的转换矩阵：
Figure RE-GDA0003827290890000091
其中，
Figure RE-GDA0003827290890000092
为全局坐标系{N}与机体坐标系{B}间的转换矩阵；
根据以下公式，将第i条腿足端在机体坐标系{B}下的三维位置转换为全局坐标系{N}下的三维位置：
Figure RE-GDA0003827290890000093
其中，Pi N为第i条腿足端在全局坐标系{N}下的三维位置，
Figure RE-GDA0003827290890000094
为
Figure RE-GDA0003827290890000095
的转置；
定义在落足支撑瞬间记录第i条腿的全局位置为其支撑中接触点位置
Figure RE-GDA0003827290890000096
则采用机器人姿态角度以最小二乘法估算出当前的地形俯仰角和横滚角g＝[Pg,Rg]；
设第i腿开始摆动时的全局位置为
Figure RE-GDA0003827290890000097
支撑时刻触地位置为
Figure RE-GDA0003827290890000098
则落足高度差dH可以采用如下公式计算：
Figure RE-GDA0003827290890000099
在计算出落足高度差dH后，结合地形角度来计算出在名义落足时刻的全局位置
Figure RE-GDA00038272908900000910
Figure RE-GDA00038272908900000911
其中，Ls是步长，其采用当前机器人质心速度估计值和期望速度计算得到：
Figure RE-GDA00038272908900000912
其中，pcog,z为机器人当前质心高度估计值，vcog为机器人当前质心速度估计值，vcog,d为期望质心速度，Ts为支撑相时间，g为重力加速度；
通过预先设定高度阈值Hs_s，则当
Figure RE-GDA00038272908900000913
与
Figure RE-GDA00038272908900000914
的误差小于高度阈值时判断为斜坡，否则为台阶地形。
其中，所述步骤2中，根据步骤1中的地形判别结果，采用多模式切换控制策略实现对落足点和摆动轨迹的细粒度演化。
其中，所述步骤2中，所述多模式切换控制策略具体包括：针对斜坡地形下的细粒度演化过程和针对台阶地形下的细粒度演化过程。
其中，所述步骤2中，所述针对斜坡地形下的细粒度演化过程如下，如图4所示；
针对斜坡的细粒度演化，首先将摆动轨迹划分为了三段，其中第一段轨迹(1)的末端仅垂直向上运动；第二段轨迹(2)为名义摆动，但摆动的始末点在高度方向上进行调节，摆动轨迹中点高度增量减小；第三段轨迹(3)末端垂直向下运动，因此优化后摆动轨迹的起点位置为：
Figure RE-GDA0003827290890000101
其中，h为落足缓冲高度，其用于保证足端在斜坡触地时末端轨迹能有一段距离以低速垂直下探，从而减小对机体的冲击，同理轨迹末端位置为：
Figure RE-GDA0003827290890000102
则优化后摆动轨迹高度H*如下：
H*(斜坡)＝H-Ls·tan(Pg)-h
最终，为保证足端在触地后，其运动方向能与斜坡地形角度匹配，需要将名义支撑中速度方向修正为图4中与地形平面平行的速度矢量Ve，则修正后轨迹末端在全局坐标系下的速度为：
Figure RE-GDA0003827290890000103
通过上述地形判别结果，采用多模式切换控制策略实现对落足点和摆动轨迹的细粒度演化。
其中，所述步骤2中，所述针对台阶地形下的细粒度演化过程如下，如图5所示；
针对台阶的细粒度演化过程，同样将摆动轨迹划分为了三段，其中第一段轨迹(1)末端仅垂直向上运动；第二段轨迹(2)为对名义摆动的整体性选择，摆动起始点在高度方向上进行调节，同时以起始点旋转了地形俯仰角度；第三段轨迹(3)末端仅垂直向下运动，因此优化后摆动轨迹的起点位置为：
Figure RE-GDA0003827290890000111
其中，h为落足缓冲高度，其用于保证足端在斜坡触地时末端轨迹能有一段距离以低速垂直下探，从而减小对机体的冲击，对于台阶地形轨迹其旋转地形角度后的末端位置为：
Figure RE-GDA0003827290890000112
则优化后摆动轨迹高度H*相比标准摆动高度H进行调节如下：
H*(台阶)＝H-Ls·tan(Pg)*sin(Pg)-h
最终，不同于斜坡地形，由于台阶往往为水平平面，因此其摆动轨迹末端的速度矢量与名义摆动支撑的速度矢量方向一致，即 Ve(台阶)＝V。
其中，当优化逻辑出现上述两种触发条件后，持续依据对应的策略实现对摆动行为的细粒度在线演进优化；
其中，所述步骤3中，当地形俯仰角度小于阈值Pg_e时，且
Figure RE-GDA0003827290890000113
与
Figure RE-GDA0003827290890000114
的误差小于阈值Hs_s，则退出上述演化过程采用名义摆动行为，并持续在线重复上述检测逻辑。
其中，所述四足机器人中枢层细粒度演进优化模型基于多模态切换控制的思想实现对中枢层行为的细粒度演进优化，进而提高四足机器人越障行为的智能化程度。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种行为驱动的四足机器人中枢层细粒度演进优化模型，其特征在于，所述四足机器人中枢层细粒度演进优化模型采用多模态切换控制的策略，其原理是将实际环境中的地形划分归类为台阶与斜坡两大类，针对台阶地形和斜坡地形分别采用不同的细粒度摆动轨迹规划；
假设四足机器人名义落足位置为C点，在台阶地形下将出现摆动中提前着地的接触位置为A点，而在斜坡地形下接触位置为B，则通过落足高度差dH可以实现对两类地形的区分并进行细粒度演进优化。
2.如权利要求1所述的行为驱动的四足机器人中枢层细粒度演进优化模型，其特征在于，所述四足机器人中枢层细粒度演进优化模型进行细粒度演进优化的过程，包括如下步骤：
步骤1：当姿态控制误差较小时，通过提前着地时足端位置与名义着地位置之差来判断当前地形属性为台阶还是斜坡；
步骤2：当判别为台阶地形，则采用相应的细粒度摆动轨迹优化处理策略，修正落足点和摆动轨迹终点，并以地形斜坡角度来调节接触后落足速度矢量方向降低落足冲击；
当判别为斜坡地形，则采用相应的细粒度摆动轨迹优化处理策略，修正落足点和摆动轨迹终点，并以地形斜坡调节触地时刻的落足速度矢量方向降低落足冲击；
步骤3：当地形恢复为平面时采用名义摆动策略。
3.如权利要求2所述的行为驱动的四足机器人中枢层细粒度演进优化模型，其特征在于，所述步骤1中，
在机器人的每个步态切换周期，采集机器人自身关节角度和姿态传感器数据；基于机器人腿部构型，使用关节编码器角度反馈值计算第i条腿足端在髋关节坐标系{H}下的三维位置：
Pi H＝f(c1,c2,c3),i＝1…4
其中，Pi H为第i条腿足端在髋关节坐标系{H}下的三维位置，f(c1,c2,c3)为对应腿部构型的运动学正解函数，参考机器人坐标系定义，定义c1为机器人大腿角度、c2为小腿角度、c3为髋关节角度：
Figure FDA0003681414950000021
其中，L1为大腿长度，L2为小腿长度，L3为侧摆电机相对髋关节的偏差；
基于机器人左右两侧腿髋关节间距和前后两侧腿髋关节间距，将第i条腿足端在髋关节坐标系{H}下的三维位置转化为机体坐标系{B}下的三维位置：
Figure FDA0003681414950000022
其中，Pi B为第i条腿足端在机体坐标系{B}下的三维位置，W为机器人左右两侧腿髋关节间距，H为机器人前后两侧腿髋关节间距；
基于机器人机载IMU数据得到对应的姿态四元数q0、q1、q2、q3，并计算出全局坐标系{N}与机体坐标系{B}间的转换矩阵：
Figure FDA0003681414950000023
其中，
Figure FDA0003681414950000024
为全局坐标系{N}与机体坐标系{B}间的转换矩阵；
根据以下公式，将第i条腿足端在机体坐标系{B}下的三维位置转换为全局坐标系{N}下的三维位置：
Figure FDA0003681414950000025
其中，Pi N为第i条腿足端在全局坐标系{N}下的三维位置，
Figure FDA0003681414950000026
为
Figure FDA0003681414950000027
的转置；
定义在落足支撑瞬间记录第i条腿的全局位置为其支撑中接触点位置
Figure FDA0003681414950000031
则采用机器人姿态角度以最小二乘法估算出当前的地形俯仰角和横滚角g＝[Pg,Rg]；
设第i腿开始摆动时的全局位置为
Figure FDA0003681414950000032
支撑时刻触地位置为
Figure FDA0003681414950000033
则落足高度差dH可以采用如下公式计算：
Figure FDA0003681414950000034
在计算出落足高度差dH后，结合地形角度来计算出在名义落足时刻的全局位置
Figure FDA0003681414950000035
Figure FDA0003681414950000036
其中，Ls是步长，其采用当前机器人质心速度估计值和期望速度计算得到：
Figure FDA0003681414950000037
其中，pcog,z为机器人当前质心高度估计值，vcog为机器人当前质心速度估计值，vcog,d为期望质心速度，Ts为支撑相时间，g为重力加速度；
通过预先设定高度阈值Hs_s，则当
Figure FDA0003681414950000038
与
Figure FDA0003681414950000039
的误差小于高度阈值时判断为斜坡，否则为台阶地形。
4.如权利要求3所述的行为驱动的四足机器人中枢层细粒度演进优化模型，其特征在于，所述步骤2中，根据步骤1中的地形判别结果，采用多模式切换控制策略实现对落足点和摆动轨迹的细粒度演化。
5.如权利要求4所述的行为驱动的四足机器人中枢层细粒度演进优化模型，其特征在于，所述步骤2中，所述多模式切换控制策略具体包括：针对斜坡地形下的细粒度演化过程和针对台阶地形下的细粒度演化过程。
6.如权利要求5所述的行为驱动的四足机器人中枢层细粒度演进优化模型，其特征在于，所述步骤2中，所述针对斜坡地形下的细粒度演化过程如下；
针对斜坡的细粒度演化，首先将摆动轨迹划分为了三段，其中第一段轨迹(1)的末端仅垂直向上运动；第二段轨迹(2)为名义摆动，但摆动的始末点在高度方向上进行调节，摆动轨迹中点高度增量减小；第三段轨迹(3)末端垂直向下运动，因此优化后摆动轨迹的起点位置为：
Figure FDA0003681414950000041
其中，h为落足缓冲高度，其用于保证足端在斜坡触地时末端轨迹能有一段距离以低速垂直下探，从而减小对机体的冲击，同理轨迹末端位置为：
Figure FDA0003681414950000042
则优化后摆动轨迹高度H*如下：
H*(斜坡)＝H-Ls·tan(Pg)-h
最终，为保证足端在触地后，其运动方向能与斜坡地形角度匹配，需要将名义支撑中速度方向修正为与地形平面平行的速度矢量Ve，则修正后轨迹末端在全局坐标系下的速度为：
Figure FDA0003681414950000043
通过上述地形判别结果，采用多模式切换控制策略实现对落足点和摆动轨迹的细粒度演化。
7.如权利要求6所述的行为驱动的四足机器人中枢层细粒度演进优化模型，其特征在于，所述步骤2中，所述针对台阶地形下的细粒度演化过程如下；
针对台阶的细粒度演化过程，同样将摆动轨迹划分为了三段，其中第一段轨迹(1)末端仅垂直向上运动；第二段轨迹(2)为对名义摆动的整体性选择，摆动起始点在高度方向上进行调节，同时以起始点旋转了地形俯仰角度；第三段轨迹(3)末端仅垂直向下运动，因此优化后摆动轨迹的起点位置为：
Figure FDA0003681414950000051
其中，h为落足缓冲高度，其用于保证足端在斜坡触地时末端轨迹能有一段距离以低速垂直下探，从而减小对机体的冲击，对于台阶地形轨迹其旋转地形角度后的末端位置为：
Figure FDA0003681414950000052
则优化后摆动轨迹高度H*相比标准摆动高度H进行调节如下：
H*(台阶)＝H-Ls·tan(Pg)*sin(Pg)-h
最终，不同于斜坡地形，由于台阶往往为水平平面，因此其摆动轨迹末端的速度矢量与名义摆动支撑的速度矢量方向一致，即Ve(台阶)＝V。
8.如权利要求7所述的行为驱动的四足机器人中枢层细粒度演进优化模型，其特征在于，当优化逻辑出现上述两种触发条件后，持续依据对应的策略实现对摆动行为的细粒度在线演进优化；
其中，所述步骤3中，当地形俯仰角度小于阈值Pg_e时，且
Figure FDA0003681414950000053
与
Figure FDA0003681414950000054
的误差小于阈值Hs_s，则退出上述演化过程采用名义摆动行为。
9.如权利要求1所述的行为驱动的四足机器人中枢层细粒度演进优化模型，其特征在于，所述四足机器人中枢层细粒度演进优化模型基于多模态切换控制的思想实现对中枢层行为的细粒度演进优化，进而提高四足机器人越障行为的智能化程度。
10.如权利要求1所述的行为驱动的四足机器人中枢层细粒度演进优化模型，其特征在于，其能够提高整体地形的通过能力，并提升四足机器人在“全自主”任务下的复杂地形自适应通过能力。
CN202210638408.6A 2022-06-07 2022-06-07 行为驱动的四足机器人中枢层细粒度演进优化模型 Active CN115167389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210638408.6A CN115167389B (zh) 2022-06-07 2022-06-07 行为驱动的四足机器人中枢层细粒度演进优化模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210638408.6A CN115167389B (zh) 2022-06-07 2022-06-07 行为驱动的四足机器人中枢层细粒度演进优化模型

Publications (2)

Publication Number Publication Date
CN115167389A true CN115167389A (zh) 2022-10-11
CN115167389B CN115167389B (zh) 2024-07-19

Family

ID=83485848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210638408.6A Active CN115167389B (zh) 2022-06-07 2022-06-07 行为驱动的四足机器人中枢层细粒度演进优化模型

Country Status (1)

Country Link
CN (1) CN115167389B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115963850A (zh) * 2023-01-13 2023-04-14 华中科技大学 四足机器人及其坡度地形环境自适应运动方法与控制系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006260105A (ja) * 2005-03-16 2006-09-28 Matsushita Electric Works Ltd 移動装置
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
CN114021376A (zh) * 2021-11-17 2022-02-08 中国北方车辆研究所 一种四足机器人地形坡度估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006260105A (ja) * 2005-03-16 2006-09-28 Matsushita Electric Works Ltd 移動装置
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
CN114021376A (zh) * 2021-11-17 2022-02-08 中国北方车辆研究所 一种四足机器人地形坡度估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孟健;李贻斌;柴汇;李彬;: "连续不规则台阶环境四足机器人步态规划与控制", 机器人, no. 01, 15 January 2015 (2015-01-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115963850A (zh) * 2023-01-13 2023-04-14 华中科技大学 四足机器人及其坡度地形环境自适应运动方法与控制系统
CN115963850B (zh) * 2023-01-13 2024-03-19 华中科技大学 四足机器人及其坡度地形环境自适应运动方法与控制系统

Also Published As

Publication number Publication date
CN115167389B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
Wang et al. A hybrid visual servo controller for robust grasping by wheeled mobile robots
KR100843863B1 (ko) 보행식 이동 로봇 및 그 제어 방법, 보행식 이동 로봇을위한 다리부 구조, 및 보행식 이동 로봇을 위한 가동 다리유닛
CN110281228B (zh) 一种仿人机器人越过垂直壁障的规划控制方法
CN111290272B (zh) 基于多足机器人的姿态平稳性调整方法
CN110262510B (zh) 一种降低行走能耗的仿人机器人质心轨迹规划方法
JP2008302496A (ja) ロボットアームの制御装置及び制御方法、ロボット、及びロボットアームの制御プログラム
JPWO2003011535A1 (ja) 脚式移動ロボット及びその動作制御方法
CN110405769B (zh) 一种启发式仿人机器人摔倒保护方法
CN114022824A (zh) 一种面向狭窄环境的四足机器人运动规划方法
US20120158183A1 (en) Walking robot and control method thereof
Kim et al. Approach of team snu to the darpa robotics challenge finals
CN114274129A (zh) 基于视觉引导的机械臂运动规划与控制方法、系统及介质
CN112847354A (zh) 变电站足式机器人姿态调整方法、控制器、系统及机器人
CN115167389A (zh) 行为驱动的四足机器人中枢层细粒度演进优化模型
CN117250953A (zh) 一种四足机器人自适应跳跃控制方法
Yang et al. Continuous versatile jumping using learned action residuals
CN113641180B (zh) 一种基于变质心的机器人越障控制方法和系统
Sun et al. Co-optimization of Morphology and Behavior of Modular Robots via Hierarchical Deep Reinforcement Learning.
CN112904875B (zh) 一种刚柔可变机构对空间目标的抵近接触方法
US20070267994A1 (en) Legged Robot, Method for Controlling Legged Robot, and Device and Method for Generating Gait Data
Ma et al. Trotting gait control of quadruped robot based on Trajectory Planning
Yao et al. Hierarchical terrain-aware control for quadrupedal locomotion by combining deep reinforcement learning and optimal control
Lu et al. A novel multi-configuration quadruped robot with redundant DOFs and its application scenario analysis
CN115840453A (zh) 四足机器人自适应足端避障方法、装置、电子设备及介质
CN109159123A (zh) 一种基于能量最优的机器人翻身控制方法

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