CN116227053A - 一种外骨骼机器人驱动能耗的优化方法 - Google Patents

一种外骨骼机器人驱动能耗的优化方法 Download PDF

Info

Publication number
CN116227053A
CN116227053A CN202211637617.5A CN202211637617A CN116227053A CN 116227053 A CN116227053 A CN 116227053A CN 202211637617 A CN202211637617 A CN 202211637617A CN 116227053 A CN116227053 A CN 116227053A
Authority
CN
China
Prior art keywords
exoskeleton
energy consumption
model
chameleon
individuals
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
CN202211637617.5A
Other languages
English (en)
Inventor
胡松华
王瑞虎
龙朝文
林范强
赵浚
李树东
吴晓杰
字星屹
字正仙
毕琳
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.)
Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd
Original Assignee
Baoshan Power Supply Bureau of Yunnan Power Grid 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 Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd filed Critical Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd
Priority to CN202211637617.5A priority Critical patent/CN116227053A/zh
Publication of CN116227053A publication Critical patent/CN116227053A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Manipulator (AREA)

Abstract

本申请涉及穿戴式工业外骨骼技术领域，具体涉及一种外骨骼机器人驱动能耗的优化方法，包括：建立所述外骨骼的各关节驱动力模型；基于达朗贝尔原理和ZMP理论，约束所述各关节驱动力模型中的外骨骼的稳定性；结合步态运动周期与运动学模型，建立以关节驱动能耗为优化目标的外骨骼驱动能耗优化模型，建立所述外骨骼能耗优化模型，并针对传统变色龙算法的不足设计了一种基于Tent混沌映射、小生境技术和精英扰动机制的改进变色龙算法(TNE‑CSA)对该模型进行求解。上述建立的外骨骼驱动能耗优化模型及所设计的改进变色龙算算法在此类外骨骼驱动能耗优化问题中具有较好的应用价值，可为解决动力外骨骼续航问题提供有效支持。

Description

一种外骨骼机器人驱动能耗的优化方法
技术领域
本申请涉及穿戴式工业外骨骼技术领域，具体涉及一种外骨骼机器人驱动能耗的优化方法。
背景技术
穿戴式外骨骼机器人作为一种新兴智能机器人，集成了机电控制、人机动力学、无线通信、传感器等多个领域技术，穿戴式外骨骼机器人可通过预测人体行为意图，控制驱动系统输出，来为穿戴者的行进和负重任务提供实时的支撑和助力，进而实现人体机能的提升。
外骨骼机器人根据动力可分为含动力外骨骼机器人和无动力外骨骼机器人，其中，无动力外骨骼主要依靠弹簧等无源储能元件来平衡肢体重量，以减少人员运动的能耗。动力外骨骼则是将电力、液压或气动装置等驱动装置作为动力来源，从而为穿戴者提供更为直接和有效的助力。
虽然动力外骨骼能够为穿戴者提供更加强劲的动力支持，但仍存在重量较大、成本高以及续航时间较短等不足。尽管现有技术研究已对外骨骼结构、性能参数等优化方向展开了一定的研究，然而针对动力外骨骼的续航能力，即能耗方面的优化研究仍为空白。
发明内容
针对现有技术的不足，本申请提供了一种外骨骼机器人驱动能耗的优化方法，解决了现有技术中动力外骨骼的能耗较高的问题。
为实现上述目的，本申请提供如下技术方案：一种外骨骼机器人驱动能耗的优化方法，所述外骨骼机器人驱动能耗的优化方法包括：
建立所述外骨骼的各关节驱动力模型；
基于达朗贝尔原理和ZMP理论，约束所述各关节驱动力模型中的外骨骼的稳定性；
结合步态运动周期与运动学模型，建立以关节驱动能耗为优化目标的外骨骼驱动能耗优化模型，所述外骨骼能耗优化模型为：
Figure SMS_1
其中，W为平均功率，T为外骨骼的一个运动周期，Mi为各连接杆驱动力矩，
Figure SMS_2
为各连杆竖直方向夹角；
基于预先建立的变色龙算法和所述外骨骼能耗优化模型，获取所述外骨骼的优化结果。
在一种可选的方式中，改进的变色龙算法流程为：
初始化算法参数；
基于Tent混沌映射的种群初始化；
初始化变色龙舌头伸出的速度；
评估变色龙个体适应度；
变色龙寻找猎物；
变色龙眼球旋转；
变色龙捕获猎物；
估计变色龙个体适应度；
基于小生境技术的种群更新；
得到精英种群；
基于正弦余弦算子的精英扰动择优保留作为新一代变色龙种群中的个体。
在一种可选的方式中，Tent混沌映射为算法提供高质量的初始可行解，所述Tent混沌函数如下所示：
Figure SMS_3
其中，初值y0随机产生。
需要说明的是，在传统变色龙优化算法中，初始种群通过随机初始化产生，其质量的优劣具有较大随机性，因此本文引入Tent混沌映射为算法提供高质量的初始可行解。
在一种可选的方式中，将得到的混沌序列根据公式映射至变色龙种群搜索空间中，得到高质量初始种群，所述公式为：
Xn＝lb+(ub-lb)yn。
在一种可选的方式中，小生境技术基于优胜劣汰的思想，提高其中优势个体的适应度值并惩罚劣势个体，维持了种群的多样性且提升了算法全局寻优能力。
在一种可选的方式中，精英扰动机制对精英个体的搜索性能进行优化，其步骤为：
将所有变色龙个体根据适应度值进行排序；
选择其中排名前三的个体作为精英个体；
利用正弦余弦算子对其位置进行扰动；
将扰动后的个体的适应值与扰动前个体的适应值进行比较，择优保留作为新一代变色龙种群中的个体。
在一种可选的方式中，利用所述正弦余弦算子对精英个体进行扰动的公式如下：
Figure SMS_4
Dθ＝{|r7Pi(t)-Xi(t)|}；
Figure SMS_5
其中，r4为自适应参数，随着迭代次数的增加而减少，r5为[0,2π]间的随机数，r6和r7为[0,1]间的随机数。
在一种可选的方式中，建立所述外骨骼的各关节驱动力模型的步骤，具体为：
根据人体工程学将外骨骼抽象为五连杆运动模型，对其进行运动分析，并建立其参考坐标系；
假设外骨骼在XZ平面内运动，根据几何关系，引入0-1变量X表达各连杆的质心坐标；
由于各连杆为刚体且运动形式为平动，各连杆运动速度等于质心速度，通过上述表达质心坐标的公式对时间微分得到各连杆质心速度；
根据各连杆质心速度，得到外骨骼系统的总动能Ek、总势能Ep；
根据总动能Ek和总势能Ep，得到各关节驱动力模型的拉格朗日方程。
在一种可选的方式中，所述基于达朗贝尔原理和ZMP理论，约束所述各关节驱动力模型中的外骨骼的稳定性的步骤，具体为：
根据外骨骼运动模型，得到重力和惯性力的合力；
将合力从参考坐标系原点转移至ZMP点，ZMP点处合力矩对X、Y轴分量为0，得出xzmp和yzmp；
分别将xzmp和yzmp严格的设置在机器人足底支撑投影的左右边界和上下边界内。
在一种可选的方式中，在外骨骼的周期运动中，以平均功率作为其功耗的衡量标准，所述功率为关节驱动力矩与关节角速度的乘积。
由上述技术方案可知，本申请提供一种外骨骼机器人驱动能耗的优化方法，所述外骨骼机器人驱动能耗的优化方法包括：建立所述外骨骼的各关节驱动力模型；基于达朗贝尔原理和ZMP理论，约束所述各关节驱动力模型中的外骨骼的稳定性；结合步态运动周期与运动学模型，建立以关节驱动能耗为优化目标的外骨骼驱动能耗优化模型，建立所述外骨骼能耗优化模型为；基于预先建立的变色龙算法和所述外骨骼能耗优化模型，获取所述外骨骼的优化结果。并针对传统变色龙算法的不足设计了一种基于Tent混沌映射、小生境技术和精英扰动机制的改进变色龙算法(TNE-CSA)对该模型进行求解。所建立模型及所设计算法在此类外骨骼驱动能耗优化问题中具有较好的应用价值，可为解决动力外骨骼续航问题提供有效支持。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例提供的一种基于改进变色龙算法的穿戴式工业外骨骼驱动能耗优方法中的外骨骼连杆模型示意图；
图2为本申请实施例提供的一种基于改进变色龙算法的穿戴式工业外骨骼驱动能耗优方法中改进变色龙算法流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做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。
为了解决现有技术中动力外骨骼的能耗较高的问题，本申请提供了一种外骨骼机器人驱动能耗的优化方法。
参见图1，为本申请实施例提供的一种外骨骼驱动能耗优方法中的外骨骼连杆模型示意图，所述外骨骼机器人驱动能耗的优化方法包括：
建立所述外骨骼的各关节驱动力模型。
在实际应用过程中，外骨骼机器人在运动过程中有非线性、变拓扑以及多自由度等特点，为研究方便对所述外骨骼机器人进行适当简化。根据人体工程学将外骨骼抽象为五连杆运动模型，并建立参考坐标系。假设外骨骼在XZ平面内运动，腿部末端支撑点与摆动点的坐标分别为(xa,za)、(xb,zb)；连杆i对应的质心坐标为(xci,zci)，i＝1,2,...,5；li、di分别为外骨骼各连杆长度与各连杆质心到对应关节的距离；mi为连杆i的质量；θi为各连杆竖直方向夹角，i＝1,2,...,5，顺时针方向为正方向。
根据各连杆的几何关系，引入0-1变量X表达各连杆质心坐标为：
Figure SMS_6
Figure SMS_7
式中，X为0-1变量，当j＝1,2,4,5时，X＝1，当j＝3时，X＝0。
由于各连杆为刚体且运动形式为平动，各连杆运动速度等于质心速度，将式(1)-(2)对时间微分得到各连杆质心速度为：
Figure SMS_8
Figure SMS_9
综上可知，外骨骼系统得总动能Ek、总势能Ep表达式如下：
Figure SMS_10
Figure SMS_11
式中，Ii为连杆i相对于质心得转动惯量。
综上各关节驱动力模型的拉格朗日方程为：
Figure SMS_12
Figure SMS_13
式(7)表示作用在质点系上的主动力为有势力；式(8)表示各连杆驱动力矩Mi。
基于达朗贝尔原理和ZMP理论，约束所述各关节驱动力模型中的外骨骼的稳定性。
根据达朗贝尔原理推导ZMP坐标，依托外骨骼运动学模型可知，重力和惯性力的合力F为：
Figure SMS_14
式中，g＝9.8m/s2。
Figure SMS_15
将合力从参考坐标系原点转移至ZMP点，ZMP点处合力矩对X、Y轴分量为0，则有：
Figure SMS_16
Figure SMS_17
为确保外骨骼在运动过程中不会摔倒，则需ZMP严格的存在于机器人的支撑区域中，需满足下列公式：
xliml≤xzmp≤xlimr (13)；
ylimu≤yzmp≤ylimd (14)。
式中，xliml、xlimr分别为足底支撑投影的左右边界，ylimu、ylimd分别为足底支撑投影的上下边界。
结合步态运动周期与运动学模型，建立以关节驱动能耗为优化目标的外骨骼驱动能耗优化模型，所述外骨骼能耗优化模型为：
Figure SMS_18
其中，W为平均功率，T为外骨骼的一个运动周期，Mi为各连接杆驱动力矩，
Figure SMS_19
为各连杆竖直方向夹角。
基于预先建立的变色龙算法和所述外骨骼能耗优化模型，获取所述外骨骼的优化结果。
综上，针对工业外骨骼机器人，结合正运动学原理、拉格朗日方程、达朗贝尔原理以及ZMP理论，构建了以关节驱动能耗最优为目标的优化模型。并针对传统变色龙算法的不足设计了一种基于Tent混沌映射、小生境技术和精英扰动机制的改进变色龙算法(TNE-CSA)对该模型进行求解。所建立模型及所设计算法在此类外骨骼驱动能耗优化问题中具有较好的应用价值，可为解决动力外骨骼续航问题提供有效支持。
参见图2，为本申请实施例提供的一种基于改进变色龙算法的穿戴式工业外骨骼驱动能耗优方法中改进变色龙算法流程图；在本申请的部分实施例中，所述预先建立的变色龙算法采用以下步骤建立：初始化算法参数。
基于Tent混沌映射的种群初始化。
初始化变色龙舌头伸出的速度。
评估变色龙个体适应度。
变色龙寻找猎物。
变色龙眼球旋转。
变色龙捕获猎物。
估计变色龙个体适应度。
基于小生境技术的种群更新。
得到精英种群。
基于正弦余弦算子的精英扰动择优保留作为新一代变色龙种群中的个体。
在本申请的部分实施例中，Tent混沌映射为算法提供高质量的初始可行解，所述Tent混沌函数如下所示：
Figure SMS_20
其中，初值y0随机产生。
在本申请的部分实施例中，将得到的混沌序列根据公式映射至变色龙种群搜索空间中，得到高质量初始种群，所述公式为：
Xn＝lb+(ub-lb)yn。
其中，Xn表示第n个个体。
在本申请的部分实施例中，精英扰动机制对精英个体的搜索性能进行优化，其步骤为：
将所有变色龙个体根据适应度值进行排序。
选择其中排名前三的个体作为精英个体。
利用正弦余弦算子对其位置进行扰动。；
将扰动后的个体的适应值与扰动前个体的适应值进行比较，择优保留作为新一代变色龙种群中的个体。
需要说明的是，所述正弦余弦算法(SCA)结构简单，具有很好的灵活性，扩大优势个体的搜索范围，防止算法早熟，进而提高算法的全局寻优能力。
在本申请的部分实施例中，利用所述正弦余弦算子对精英个体进行扰动的公式如下：
Figure SMS_21
Dθ＝{|r7Pi(t)-Xi(t)|}
Figure SMS_22
其中，r4为自适应参数，随着迭代次数的增加而减少，r5为[0,2π]间的随机数，r6和r7为[0,1]间的随机数。
需要说明的是，所述正弦余弦算法(SCA)结构简单，具有很好的灵活性，扩大优势个体的搜索范围，防止算法早熟，进而提高算法的全局寻优能力。
在本申请的部分实施例中，建立所述外骨骼的各关节驱动力模型的步骤，具体为：
根据人体工程学将外骨骼抽象为五连杆运动模型，对其进行运动分析，并建立其参考坐标系，需要说明的是，假设外骨骼在XZ平面内运动，根据几何关系，引入0-1变量X表达各连杆的质心坐标；根据几何关系，引入0-1变量X表达各连杆质心坐标为：
Figure SMS_23
/>
Figure SMS_24
式中，X为0-1变量，当j＝1,2,4,5时，X＝1，当j＝3时，X＝0。
由于各连杆为刚体且运动形式为平动，各连杆运动速度等于质心速度，通过上述表达质心坐标的公式对时间微分得到各连杆质心速度。
将式(1)-(2)对时间微分得各连杆质心速度为：
Figure SMS_25
Figure SMS_26
根据各连杆质心速度，得到外骨骼系统的总动能Ek、总势能Ep。
将合力从参考坐标系原点转移至ZMP点，ZMP点处合力矩对X、Y轴分量为0，则有：
Figure SMS_27
Figure SMS_28
根据总动能Ek和总势能Ep，得到各关节驱动力模型的拉格朗日方程，所述综上各关节驱动力模型的拉格朗日方程为：
Figure SMS_29
Mi＝Fili (8)。
在本申请的部分实施例中，所述基于达朗贝尔原理和ZMP理论，约束所述各关节驱动力模型中的外骨骼的稳定性的步骤，具体为：
根据外骨骼运动模型，得到重力和惯性力的合力。
将合力从参考坐标系原点转移至ZMP点，ZMP点处合力矩对X、Y轴分量为0，得出xzmp和yzmp。
分别将xzmp和yzmp严格的设置在机器人足底支撑投影的左右边界和上下边界内。
在本申请的部分实施例中，在外骨骼的周期运动中，以平均功率作为其功耗的衡量标准，所述功率为关节驱动力矩与关节角速度的乘积。
综上所述，本申请提供一种外骨骼机器人驱动能耗的优化方法，所述外骨骼机器人驱动能耗的优化方法包括：建立所述外骨骼的各关节驱动力模型；基于达朗贝尔原理和ZMP理论，约束所述各关节驱动力模型中的外骨骼的稳定性；结合步态运动周期与运动学模型，建立以关节驱动能耗为优化目标的外骨骼驱动能耗优化模型，建立所述外骨骼能耗优化模型为；基于预先建立的变色龙算法和所述外骨骼能耗优化模型，获取所述外骨骼的优化结果。并针对传统变色龙算法的不足设计了一种基于Tent混沌映射、小生境技术和精英扰动机制的改进变色龙算法(TNE-CSA)对该模型进行求解。所建立模型及所设计算法在此类外骨骼驱动能耗优化问题中具有较好的应用价值，可为解决动力外骨骼续航问题提供有效支持。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种外骨骼机器人驱动能耗的优化方法，其特征在于，所述外骨骼机器人驱动能耗的优化方法包括：
建立所述外骨骼的各关节驱动力模型；
基于达朗贝尔原理和ZMP理论，约束所述各关节驱动力模型中的外骨骼的稳定性；
结合步态运动周期与运动学模型，建立以关节驱动能耗为优化目标的外骨骼驱动能耗优化模型，所述外骨骼能耗优化模型为：
Figure FDA0004004220890000011
其中，W为平均功率，T为外骨骼的一个运动周期，Mi为各连接杆驱动力矩，θi为各连杆竖直方向夹角；
基于预先建立的变色龙算法和所述外骨骼能耗优化模型，获取所述外骨骼的优化结果。
2.根据权利要求1所述的一种外骨骼机器人驱动能耗的优化方法，其特征在于,所述预先建立的变色龙算法采用以下步骤建立
初始化算法参数；
基于Tent混沌映射的种群初始化；
初始化变色龙舌头伸出的速度；
评估变色龙个体适应度；
变色龙寻找猎物；
变色龙眼球旋转；
变色龙捕获猎物；
估计变色龙个体适应度；
基于小生境技术的种群更新；
得到精英种群；
基于正弦余弦算子的精英扰动择优保留作为新一代变色龙种群中的个体。
3.根据权利要求2所述的一种外骨骼机器人驱动能耗的优化方法，其特征在于，Tent混沌映射为算法提供高质量的初始可行解，所述Tent混沌函数如下所示：
Figure FDA0004004220890000012
其中，初值y0随机产生。
4.根据权利要求2所述的一种外骨骼机器人驱动能耗的优化方法，其特征在于，将得到的混沌序列根据公式映射至变色龙种群搜索空间中，得到高质量初始种群，所述公式为：
Xn＝lb+(ub-lb)yn。
5.根据权利要求2所述的一种外骨骼机器人驱动能耗的优化方法，其特征在于，小生境技术基于优胜劣汰的思想，提高其中优势个体的适应度值并惩罚劣势个体，维持了种群的多样性且提升了算法全局寻优能力。
6.根据权利要求2所述的一种外骨骼机器人驱动能耗的优化方法，其特征在于，精英扰动机制对精英个体的搜索性能进行优化的步骤，具体为：
将所有变色龙个体根据适应度值进行排序；
选择其中排名前三的个体作为精英个体；
利用正弦余弦算子对其位置进行扰动；
将扰动后的个体的适应值与扰动前个体的适应值进行比较，择优保留作为新一代变色龙种群中的个体。
7.根据权利要求2所述的一种外骨骼机器人驱动能耗的优化方法，其特征在于，利用所述正弦余弦算子对精英个体进行扰动的公式如下：
Figure FDA0004004220890000021
Dθ＝{|r7Pi(t)-Xi(t)|}；
Figure FDA0004004220890000022
其中，r4为自适应参数，随着迭代次数的增加而减少，r5为[0,2π]间的随机数，r6和r7为[0,1]间的随机数。
8.根据权利要求1所述的一种外骨骼机器人驱动能耗的优化方法，其特征在于，建立所述外骨骼的各关节驱动力模型的步骤，具体为：
根据人体工程学将外骨骼抽象为五连杆运动模型，对其进行运动分析，并建立其参考坐标系；
假设外骨骼在XZ平面内运动，根据几何关系，引入0-1变量X表达各连杆的质心坐标；
由于各连杆为刚体且运动形式为平动，各连杆运动速度等于质心速度，通过上述表达质心坐标的公式对时间微分得到各连杆质心速度；
根据各连杆质心速度，得到外骨骼系统的总动能Ek、总势能Ep；
根据总动能Ek和总势能Ep，得到各关节驱动力模型的拉格朗日方程。
9.根据权利要求1所述的一种外骨骼机器人驱动能耗的优化方法，其特征在于，所述基于达朗贝尔原理和ZMP理论，约束所述各关节驱动力模型中的外骨骼的稳定性的步骤，具体为：
根据外骨骼运动模型，得到重力和惯性力的合力；
将合力从参考坐标系原点转移至ZMP点，ZMP点处合力矩对X、Y轴分量为0，得出xzmp和yzmp；
分别将xzmp和yzmp严格的设置在机器人足底支撑投影的左右边界和上下边界内。
10.根据权利要求2所述的一种外骨骼机器人驱动能耗的优化方法，其特征在于，在外骨骼的周期运动中，以平均功率作为其功耗的衡量标准，所述功率为关节驱动力矩与关节角速度的乘积。
CN202211637617.5A 2022-12-16 2022-12-16 一种外骨骼机器人驱动能耗的优化方法 Pending CN116227053A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211637617.5A CN116227053A (zh) 2022-12-16 2022-12-16 一种外骨骼机器人驱动能耗的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211637617.5A CN116227053A (zh) 2022-12-16 2022-12-16 一种外骨骼机器人驱动能耗的优化方法

Publications (1)

Publication Number Publication Date
CN116227053A true CN116227053A (zh) 2023-06-06

Family

ID=86590061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211637617.5A Pending CN116227053A (zh) 2022-12-16 2022-12-16 一种外骨骼机器人驱动能耗的优化方法

Country Status (1)

Country Link
CN (1) CN116227053A (zh)

Similar Documents

Publication Publication Date Title
He et al. Mechanism, actuation, perception, and control of highly dynamic multilegged robots: A review
CN1249623C (zh) 人型连杆系统的运动生成方法
US7339340B2 (en) Control system and related method for multi-limbed, multi-legged robot
CN108089578B (zh) 一种用于双足步行机器人的步行运动规划方法
Vanderborght Dynamic stabilisation of the biped Lucy powered by actuators with controllable stiffness
KR101772974B1 (ko) 휴머노이드 로봇의 인간 유사 동작 생성 방법
WO2021184461A1 (zh) 一种基于4d打印柔性指关节手爪及其轨迹跟踪控制方法
CN110262510B (zh) 一种降低行走能耗的仿人机器人质心轨迹规划方法
CN107050763B (zh) 一种新型踝关节康复机器人其控制方法
Wang et al. Neural controller for swimming modes and gait transition on an ostraciiform fish robot
CN111746824B (zh) 一种缓冲/行走一体化六足着陆器及其步态控制方法
Kim Optimization of throwing motion planning for whole-body humanoid mechanism: Sidearm and maximum distance
CN110405763A (zh) 一种仿人机器人多关节协同爆发跳跃的规划方法
Zhao et al. Soft robotics: Research, challenges, and prospects
Zhang et al. Analysis and comparison of two jumping leg models for bioinspired locust robot
CN109159120B (zh) 基于康复机械臂关节电机电流反馈的主动控制方法及系统
RU151487U1 (ru) Манипулятор антропоморфного робота
CN116227053A (zh) 一种外骨骼机器人驱动能耗的优化方法
Jia et al. Toward a novel deformable robot mechanism to transition between spherical rolling and quadruped walking
Wang et al. A new bionic structure of inspection robot for high voltage transmission line
Liang et al. Design and simulation of legged walking robots in MATLAB® Environment
CN107584475A (zh) 人工智能机器人
Aoyama et al. Optimal limb length ratio of quadruped robot minimising joint torque on slopes
Vadakkepat et al. Soccer playing humanoid robots: Processing architecture, gait generation and vision system
Wang et al. Development and experiment of a snake-like robot composed of modularized isomorphic joints

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