CN115616905A - 一种应用于复杂地形的四足机器人控制方法 - Google Patents

一种应用于复杂地形的四足机器人控制方法 Download PDF

Info

Publication number
CN115616905A
CN115616905A CN202211079574.3A CN202211079574A CN115616905A CN 115616905 A CN115616905 A CN 115616905A CN 202211079574 A CN202211079574 A CN 202211079574A CN 115616905 A CN115616905 A CN 115616905A
Authority
CN
China
Prior art keywords
foot
map
point
score
height
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
Application number
CN202211079574.3A
Other languages
English (en)
Inventor
刘静宇
黄俊杰
储振
王洎鸿
李超
朱秋国
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.)
Hangzhou Deeprobotics Co ltd
Original Assignee
Hangzhou Deeprobotics Co ltd
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 Hangzhou Deeprobotics Co ltd filed Critical Hangzhou Deeprobotics Co ltd
Priority to CN202211079574.3A priority Critical patent/CN115616905A/zh
Publication of CN115616905A publication Critical patent/CN115616905A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种应用于复杂地形的四足机器人控制方法，包括以下步骤：S1四足机器人上的图像处理装置获取视觉信号后，输入至感知主机单元，以得到机器人位姿、打分地图和高度地图；S2将打分地图和高度地图转换到运动控制的世界坐标系；S3运动主机获取步骤S1、步骤S2的信息后，估计四足机器人的初始落脚点；S4落脚点优化模块在初始落脚点附近的打分地图和高度地图中，综合对比分值、高度和距离初始落脚点距离的因素，判断得到最终落脚点；S5根据最终落脚点位置反向计算四足机器人的期望参考速度。本发明不仅适应规则楼梯路况，而且可以克服复杂路面，适应性佳；落脚点的选择方法，使得可以选到更合适的落脚点，四足机器人行走稳定性更高。

Description

一种应用于复杂地形的四足机器人控制方法
技术领域
本发明属于四足机器人控制方法技术领域，尤其是涉及一种应用于复杂地形的四足机器人控制方法。
背景技术
目前在四足机器人领域研究进展较为深入的有如下机构：国际上有波士顿动力、瑞士ETH、美国MIT等，国内的山东大学、浙江大学和哈尔滨工业大学等。在复杂地形中足式机器人由于其自身特点，踩到落差较高的地形边沿(例如楼梯、石块的边沿)极易引起足端打滑，导致身体失控。解决该问题有多种思路，根据发展时间线大致分为：1、不结合视觉感知的通过ZMP稳定性判据规划身体运动轨迹，多为同一时间只有一条腿摆动的walk或者crawl步态，达到的效果是即使一条腿发生打滑，由于三条腿支撑的ZMP稳定裕度较大，也可以保持稳定；2、不结合视觉感知的trot步态，通过结合模型预测控制和全身动力学控制实现较好的控制效果，trot步频相对较快，在打滑后有利于快速恢复平衡；3、结合视觉的模型预测控制，根据楼梯尺寸规划参考速度，结合视觉感知优化落脚点，避免踩到楼梯边缘打滑。
针对第三种思路，最新的现有技术可以根据楼梯尺寸规划参考速度，同时结合视觉信息优化落脚点。现有技术的缺陷是适应性较小，只适应于规则楼梯路况，难以克服复杂路面。通过参考速度计算得到目标落脚点后在周围选择更合适的落脚点，落脚点更改范围限制较大，超出一定限制后会影响机器人本体稳定性。
发明内容
为了克服现有技术的不足，本发明提供一种适应性佳，可以应对复杂的路面，行走稳定性高的应用于复杂地形的四足机器人控制方法。
本发明解决其技术问题所采用的技术方案是：一种应用于复杂地形的四足机器人控制方法，包括以下步骤：
S1四足机器人上的图像处理装置获取视觉信号后，输入至感知主机单元，以得到机器人位姿、打分地图和高度地图；
S2将打分地图和高度地图转换到运动控制的世界坐标系；
S3运动主机获取步骤S1、步骤S2的信息后，估计四足机器人的初始落脚点；
S4落脚点优化模块在初始落脚点附近的打分地图和高度地图中，综合对比分值、高度和距离初始落脚点距离的因素，判断得到最终落脚点；
S5根据最终落脚点位置反向计算四足机器人的期望参考速度。
进一步的，所述步骤S1包括以下子步骤：
S11判断四足机器人在环境中的位置；
S12将获取的视觉信号分析计算，形成打分地图和高度地图，其中打分地图基于如下公式形成，
Figure BDA0003832401560000021
λ1，λ2，λ3为权重系数，s(h)为坡度，σ(s(h))和
Figure BDA0003832401560000022
为坡度的标准差和平均值，
Figure BDA0003832401560000023
为高度的平均值。
可以通过打分地图可以获得对地形的认知，可以更容易地判断某个位置作为落脚点的合适性。
进一步的，所述步骤S3中，根据控制模块输入的参考速度和四足机器人自身的估计速度使用capture point方法计算初始落脚点。
进一步的，所述步骤S4包括以下子步骤：
S41在初始落脚点周围选择区域地图，该区域地图内包含该区域的打分地图和高度地图；
S42在该区域地图中划分出若干子区域，每个子区域中分别对应独立的分数；
S43如果初始落脚点位置区域的分数满足预设的阈值，则将初始落脚点定为最终落脚点；
S44如果初始落脚点位置区域的分数不满足预设的阈值，则进行落脚点选择，落脚点选择满足最大高度约束和腿部干涉约束。
进一步的，所述步骤S44中，最大高度约束指满足：
hobstacle(pi，pi，stance)-pi，z＜hmax
hobstacle(pi，pi，stance)-Pi，stance，z＜hmax·，pi表示备选落脚点位置，pi，stance表示前一个站立时落脚位置，hobstacle(pi，pi，stance)表示pi与pi，stance之间最大的障碍物高度；z代表pi或者pi stance位置的高度；
所述步骤S44中，腿部干涉约束是指相邻两条腿的落脚点距离相差大于设定的阈值。
保证了摆动腿不会超过高度限制和相邻的两条腿之间不会产生干涉，影响运动效果。
进一步的，落脚点的优化代价函数包括
Figure BDA0003832401560000041
和
Figure BDA0003832401560000042
p*i，prev是上一次的优化结果，Si是可选择的范围，i swing是指摆动过程中，grounded指落地后。
在使落脚点分数最小化的同时使两次优化结果的差最小，实现相邻两次优化结果不产生较大变化，保证摆动腿轨迹的线性和稳定。
进一步的，所述步骤S5中初始的最终落脚点位置的计算公式为，
Figure BDA0003832401560000043
其中
Figure BDA0003832401560000044
表示世界坐标系下第i条腿的在x方向上的落脚点位置，pw，b代表身体中心在世界坐标系下的位置，
Figure BDA0003832401560000045
代表髋关节在身体坐标系下的位置，通过旋转矩阵R得到在世界坐标系下的位置，Tremmain为摆动腿剩余摆动时间，Tstance为支撑相时间，vx为x向的当前估计速度，vref为目标速度，c为修正系数；
假设为目标速度与当前估计速度相等，使得c*(vx-vref)项为零，则得到
Figure BDA0003832401560000046
保证更改后的落脚点与当前速度匹配，提升运动稳定性。
进一步的，所述打分地图尺寸为3m*3m，共100*100个单元格，每个单元格为0.03m*0.03m，以四足机器人身体质心为中心，其为每个单元格打分，分数在0-1之间，不可通行区域分数为1。
进一步的，所述步骤S4中的选择策略为，按照螺旋顺序搜索或按照侧向距离由远及近选择列；搜索对比候选单元格的打分地图分值，随时记录当前分数最低的单元格，作为当前的最优结果；如果最新搜索到的单元格分值小于或等于之前记录的单元格分值，则更新记录和当前最优结果。
本发明的有益效果是：1)不仅适应规则楼梯路况，而且可以克服复杂路面，适应性佳；2)落脚点的选择方法，使得可以选到更合适的落脚点，四足机器人行走稳定性更高；3)在选择合适的落脚点后反算参考速度，使得参考速度和选择后的落脚点相匹配，减小了更改落脚点对机器人本体稳定性的影响；4)落脚点的更改范围限制小。
附图说明
图1为本发明的示意框图。
图2为本发明步骤S4中螺旋顺序的搜索策略示意图。
图3为本发明步骤4中按侧向距离由远及近选择列的搜索策略示意图。
图4为本发明中具体实施的示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明方案，下面将结合本发明实施例中的附图，对发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
在四足机器人的前后装配有D435深度相机作为图像处理装置。
一种应用于复杂地形的四足机器人控制方法，包括以下步骤：
S1四足机器人上的图像处理装置获取视觉信号后，输入至感知主机单元，以得到机器人位姿、打分地图和高度地图；
具体包括以下子步骤，
S11判断四足机器人在环境中的位置，视觉里程计通过分析环境估计四足机器人在环境中的位置；视觉里程计基于视觉定位的世界坐标系，腿足里程计基于运动控制的世界坐标系；
S12点云数据处理，将获取的视觉信号分析计算，形成打分地图和高度地图，其中打分地图基于如下公式形成，
Figure BDA0003832401560000061
λ1，λ2，λ3为权重系数，s(h)为坡度，σ(s(h))和
Figure BDA0003832401560000062
为坡度的标准差和平均值，
Figure BDA0003832401560000063
为高度的平均值。
打分地图尺寸为3m*3m，共100*100个单元格，每个单元格为0.03m*0.03m，以四足机器人身体质心为中心，其为每个单元格打分，分数在0-1之间，不可通行区域分数为1。打分地图综合考虑单元格的高度变化、坡度变化和距离边缘的距离等数据，为每个单元格打分，分数在0～1之间。分数越小意味着越安全，不可通行区域为1。高度地图尺寸及分辨率与打分地图保持一致。每个单元格的数据为该处的物理高度。
S2将打分地图和高度地图转换到运动控制的世界坐标系；坐标系转换有通用的运算方法，不再赘述；
S3运动主机获取步骤S1、步骤S2的信息后，此处指的是四足机器人在环境中的位置信息、打分地图和高度地图输入至运动主机，估计四足机器人的初始落脚点；
具体的，步骤S3中，根据控制模块输入的参考速度和四足机器人自身的估计速度使用capture point方法计算初始落脚点。此处的参考速度由上层控制模块输入，比如导航或手柄指令；估计速度由腿足里程计提供。里程计是可以提供机器人的位置和速度等信息的运算模块。
S4选择最合适的落脚点，落脚点优化模块在初始落脚点附近的打分地图和高度地图中，综合对比分值、高度和距离初始落脚点距离的因素，判断得到最终落脚点；
具体包括以下子步骤，
S41在初始落脚点周围选择区域地图，该区域地图内包含该区域的打分地图和高度地图；
S42在该区域地图中划分出若干子区域，每个子区域中分别对应独立的分数；
S43如果初始落脚点位置区域的分数满足预设的阈值，则将初始落脚点定为最终落脚点；
S44如果初始落脚点位置区域的分数不满足预设的阈值，则进行落脚点选择，落脚点选择满足最大高度约束和腿部干涉约束；
上述步骤S44中，最大高度约束指满足：
hobstacle(pi，Pi，stace)-pi，z＜hmax
hobstacle(pi，pi，stance)-pi，stance，z＜hmax.，pi表示备选落脚点位置，pi，stance表示前一个站立时落脚位置，hobstacle(pi，pi，stance)表示pi与pi，stance之间最大的障碍物高度；z代表pi或者pi stance位置的高度；
上述步骤S44中，腿部干涉约束是指相邻两条腿的落脚点距离相差大于设定的阈值。即某一条腿的落脚点，应不落入相邻腿落脚点的周边一定范围内。
上述步骤S44中，落脚点的优化代价函数包括
Figure BDA0003832401560000081
和
Figure BDA0003832401560000082
p*i，prev是上一次的优化结果，Si是可选择的范围，i swing是指摆动过程中，grounded指落地后。
落脚点会随着时间推进持续保持更新，在当前单位时间内的优化结果得出前使用上一个单位时间内得出的优化结果，所以当相邻两次的优化结果有较大的差异时，摆动腿轨迹的突变会引起抖动以及震荡。落脚点优化模块随时记录当前分数最低的单元格，作为当前的最优结果。如果最新搜索到的单元格分值小于或等于之前记录的单元格分值，则更新记录和当前最优结果。
步骤S4中的选择策略为，按照螺旋顺序搜索或按照侧向距离由远及近选择列；搜索对比候选单元格的打分地图分值，随时记录当前分数最低的单元格，作为当前的最优结果；如果最新搜索到的单元格分值小于或等于之前记录的单元格分值，则更新记录和当前最优结果。
如图2所示，按照图示螺旋顺序搜索，表现为倾向于选择最靠近初始落脚点的单元格，前后左右的行列没有显著区别。
如图3所示，搜索顺序为按侧向距离由远及近选择列，在相同一列中先搜索后向再搜索前向，表现为倾向于尽量不改变或少改变侧向位置，同一列时倾向于向前改变。
在落脚点选择模块中默认搜索范围是11*11个单元格。落脚点选择模块首先确定初始落脚点的高度和地图分值，判断初始落脚点是否合适。如果超过一定的阈值则激活落脚点选择功能，不超过则认为合适。初始落脚点的高度作为选择约束的一部分，将选择范围缩小到与初始落脚点高度相近的单元格中。随后，按照图2、图3所示的选择顺序依次搜索对比候选单元格的打分地图分值，随时记录当前分数最低的单元格，作为当前的最优结果。如果最新搜索到的单元格分值小于或等于之前记录的单元格分值，则更新记录和当前最优结果。上图显示了两种搜索策略。
S5根据最终落脚点位置反向计算四足机器人的期望参考速度。
步骤S5中初始的最终落脚点位置的计算公式为，
Figure BDA0003832401560000091
其中
Figure BDA0003832401560000092
表示世界坐标系下第i条腿的在x方向上的落脚点位置，pw，b代表身体中心在世界坐标系下的位置，
Figure BDA0003832401560000093
代表髋关节在身体坐标系下的位置，通过旋转矩阵R得到在世界坐标系下的位置，Tremain为摆动腿剩余摆动时间，Tstance为支撑相时间，vx为x向的当前估计速度，vref为目标速度，c为修正系数；
假设为目标速度与当前估计速度相等，使得c*(vx-vref)项为零，则得到
Figure BDA0003832401560000101
运动主机包含多个模块，例如腿足里程计、摆动腿规划、落脚点优化和模型预测控制等。参考速度最初由上层控制模块输入，例如导航或手柄指令。摆动腿规划模块根据参考速度和机器人自身的估计速度(腿足里程计提供)使用capture point方法计算初始落脚点。落脚点优化模块在初始落脚点附近周围单元格中综合对比分值、高度和距离初始落脚点的远近等因搜索最合适的落脚点。在一些不常见的极端情况中，搜索范围内可能不存在合适落脚点，此时会选择初始落脚点作为最终目标。在选定合适的落脚点后，由于与初始落脚点之间存在距离上的差，将目标落脚点设置为优化后的落脚点会导致机器人期望速度与支撑状态不匹配，影响机器人的稳定性。本发明采用选定合适落脚点后，以选定的落脚点作为基准反算期望参考速度，使得参考速度和期望要踩的落脚点位置相匹配，解决之前分析的影响稳定性的问题。
如图4所示，四足机器人走到楼梯面前，前部图像处理装置拾取地形特征，形成如图4所示的地图。楼梯边缘显示为深色，表示在打分地图中分数较高；台阶的中部区域和地面显示为浅色，在打分地图中分数接近0，代表可选为落脚点。落脚点优化模块最终选择了台阶中部的位置，黑色的小方块代表最终的选择结果。随后以最终选择位置为基准推算得出要使得落脚点准确落在这里的期望参考速度，输入到模型预测控制和摆动腿规划模块执行操作。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (8)

1.一种应用于复杂地形的四足机器人控制方法，其特征在于，包括以下步骤：
S1四足机器人上的图像处理装置获取视觉信号后，输入至感知主机单元，以得到机器人位姿、打分地图和高度地图；
S2将打分地图和高度地图转换到运动控制的世界坐标系；
S3运动主机获取步骤S1、步骤S2的信息后，估计四足机器人的初始落脚点；
S4落脚点优化模块在初始落脚点附近的打分地图和高度地图中，综合对比分值、高度和距离初始落脚点距离的因素，判断得到最终落脚点；
S5根据最终落脚点位置反向计算四足机器人的期望参考速度。
2.根据权利要求1所述的控制方法，其特征在于，所述步骤S1包括以下子步骤：
S11判断四足机器人在环境中的位置；
S12将获取的视觉信号分析计算，形成打分地图和高度地图，其中打分地图基于如下公式形成，
Figure FDA0003832401550000011
λ1，λ2，λ3为权重系数，s(h)为坡度，σ(s(h))和
Figure FDA0003832401550000012
为坡度的标准差和平均值，
Figure FDA0003832401550000013
为高度的平均值。
3.根据权利要求1所述的控制方法，其特征在于：所述步骤S3中，根据控制模块输入的参考速度和四足机器人自身的估计速度使用capture point方法计算初始落脚点。
4.根据权利要求1所述的控制方法，其特征在于，所述步骤S4包括以下子步骤：
S41在初始落脚点周围选择区域地图，该区域地图内包含该区域的打分地图和高度地图；
S42在该区域地图中划分出若干子区域，每个子区域中分别对应独立的分数；
S43如果初始落脚点位置区域的分数满足预设的阈值，则将初始落脚点定为最终落脚点；
S44如果初始落脚点位置区域的分数不满足预设的阈值，则进行落脚点选择，落脚点选择满足最大高度约束和腿部干涉约束。
5.根据权利要求4所述的控制方法，其特征在于：所述步骤S44中，最大高度约束指满足：
Figure FDA0003832401550000021
pi表示备选落脚点位置，pi，stance表示前一个站立时落脚位置，hobstacle(pi，pi，stance)表示pi与pi，stance之间最大的障碍物高度；z代表pi或者pistance位置的高度；
所述步骤S44中，腿部干涉约束是指相邻两条腿的落脚点距离相差大于设定的阈值。
根据权利要求5所述的控制方法，其特征在于：落脚点的优化代价函数包括
Figure FDA0003832401550000022
和
Figure FDA0003832401550000023
p*i，prev是上一次的优化结果，Si是可选择的范围，iswing是指摆动过程中，grounded指落地后。
6.根据权利要求1所述的控制方法，其特征在于：所述步骤S5中初始的最终落脚点位置的计算公式为，
Figure FDA0003832401550000031
其中
Figure FDA0003832401550000032
表示世界坐标系下第i条腿的在x方向上的落脚点位置，pw，b代表身体中心在世界坐标系下的位置，
Figure FDA0003832401550000033
代表髋关节在身体坐标系下的位置，通过旋转矩阵R得到在世界坐标系下的位置，Tremain为摆动腿剩余摆动时间，Tstance为支撑相时间，vx为x向的当前估计速度，vref为目标速度，c为修正系数；
假设为目标速度与当前估计速度相等，使得c*(vx-vref)项为零，则得到
Figure FDA0003832401550000034
7.根据权利要求1所述的控制方法，其特征在于：所述打分地图尺寸为3m*3m，共100*100个单元格，每个单元格为0.03m*0.03m，以四足机器人身体质心为中心，其为每个单元格打分，分数在0-1之间，不可通行区域分数为1。
8.根据权利要求1所述的控制方法，其特征在于：所述步骤S4中的选择策略为，按照螺旋顺序搜索或按照侧向距离由远及近选择列；搜索对比候选单元格的打分地图分值，随时记录当前分数最低的单元格，作为当前的最优结果；如果最新搜索到的单元格分值小于或等于之前记录的单元格分值，则更新记录和当前最优结果。
CN202211079574.3A 2022-09-05 2022-09-05 一种应用于复杂地形的四足机器人控制方法 Pending CN115616905A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211079574.3A CN115616905A (zh) 2022-09-05 2022-09-05 一种应用于复杂地形的四足机器人控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211079574.3A CN115616905A (zh) 2022-09-05 2022-09-05 一种应用于复杂地形的四足机器人控制方法

Publications (1)

Publication Number Publication Date
CN115616905A true CN115616905A (zh) 2023-01-17

Family

ID=84858964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211079574.3A Pending CN115616905A (zh) 2022-09-05 2022-09-05 一种应用于复杂地形的四足机器人控制方法

Country Status (1)

Country Link
CN (1) CN115616905A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117863190A (zh) * 2024-03-08 2024-04-12 广州小鹏汽车科技有限公司 足式机器人的移动控制方法及足式机器人

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117863190A (zh) * 2024-03-08 2024-04-12 广州小鹏汽车科技有限公司 足式机器人的移动控制方法及足式机器人

Similar Documents

Publication Publication Date Title
KR102296507B1 (ko) 트래킹 네트워크를 포함한 cnn을 사용하여 객체를 트래킹하는 방법 및 이를 이용한 장치
US11416003B2 (en) Constrained mobility mapping
US20230320265A1 (en) System and method for operating an autonomous robotic working machine within a travelling containment zone
CN108333931B (zh) 一种面向崎岖地形的四足机器人双层结构步态规划方法
US11537142B2 (en) Method for robot repositioning
Belter et al. Rough terrain mapping and classification for foothold selection in a walking robot
CN108550318A (zh) 一种构建地图的方法及装置
CN115143964B (zh) 一种基于2.5d代价地图的四足机器人自主导航方法
US20120158178A1 (en) Robot and method for creating path of the robot
CN114568108A (zh) 一种无人割草机轨迹跟踪控制方法及计算机可读存储介质
CN115616905A (zh) 一种应用于复杂地形的四足机器人控制方法
EP3690817A1 (en) Method for providing robust object distance estimation based on camera by performing pitch calibration of camera more precisely with fusion of information acquired through camera and information acquired through v2v communication and device using the same
CN112859851B (zh) 多足机器人控制系统及多足机器人
de Waard et al. Analysis of flat terrain for the atlas robot
CN113096190A (zh) 基于视觉建图的全向移动机器人导航方法
CN116129403A (zh) 信息确定方法、装置、设备、自移动割草装置及用户端
CN114771509A (zh) 辅助驾驶多环境智慧泊车路径规划控制方法
TWI773947B (zh) 控制裝置、外骨骼系統及控制方法
CN110502857B (zh) 面向四足机器人的地形崎岖度在线估计方法
JP2017129681A (ja) 地図作成方法
CN118274847B (zh) 一种基于路面不平度的农业巡检机器人导航决策规划方法
CN117629219A (zh) 充电定位引导方法和自动充电机器人
CN117452953A (zh) 一种足式机器人最优连续落足点选择方法及系统
CN116872179B (zh) 一种基于深度摄像头的外骨骼机器人可行域参数分析系统
CN114633825B (zh) 移动控制方法、足式机器人和计算机可读存储介质

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