CN116449711A - 可跨越大障碍物的四足机器人爬行态规划方法及系统 - Google Patents
可跨越大障碍物的四足机器人爬行态规划方法及系统 Download PDFInfo
- Publication number
- CN116449711A CN116449711A CN202310426375.3A CN202310426375A CN116449711A CN 116449711 A CN116449711 A CN 116449711A CN 202310426375 A CN202310426375 A CN 202310426375A CN 116449711 A CN116449711 A CN 116449711A
- Authority
- CN
- China
- Prior art keywords
- robot
- foot
- state
- phase
- leg
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000009193 crawling Effects 0.000 title claims abstract description 30
- 230000033001 locomotion Effects 0.000 claims abstract description 120
- 230000005021 gait Effects 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 210000002414 leg Anatomy 0.000 claims description 103
- 210000002683 foot Anatomy 0.000 claims description 41
- 230000005484 gravity Effects 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 11
- 210000001364 upper extremity Anatomy 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 206010034701 Peroneal nerve palsy Diseases 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000013016 damping Methods 0.000 claims description 4
- 210000004394 hip joint Anatomy 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 210000000548 hind-foot Anatomy 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000009023 proprioceptive sensation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000009194 climbing Effects 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 210000001624 hip Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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)
- 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
本发明公开了可跨越大障碍物的四足机器人爬行态规划方法及系统,非线性轨迹优化器、摆动相轨迹规划器和状态机向运动控制器发出控制信号,运动控制器控制四足机器人运动;状态估计器采集四足机器人各个足的位置,根据四足机器人各个足的位置,估计出未知地形的坡度;状态估计器将采集数据和估计的坡度均分别发送给接触检测器和运动控制器;接触检测器估计出足端触地的概率,并将足端触地的概率发送给状态机;状态机根据足端触地的概率和设定的时间间隔,计算出下一状态相的步态时序;状态机将计算结果发送给非线性轨迹优化器和摆动相轨迹规划器;四足机器人开始下一个状态相的运动,直至四足机器人跨越障碍物。
Description
技术领域
本发明涉及四足机器人运动规划技术领域,特别是涉及可跨越大障碍物的四足机器人爬行态规划方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。
腿足式机器人与轮式机器人、履带式机器人相比较,因其对于非结构地形的适应能力强、稳定性高等特点受到众多研究人员和研究机构的青睐。其中四足机器人相对双足或六足机器人而言,因其质量轻、稳定性强等优势成为腿足机器人典型代表。
四足机器人在攀爬崎岖地形时受制于腿长限制,很难实现超过其腿长60%障碍物的场景运动。在当前的机器人中,ANYmal机器人性能最高,可以借助视觉传感器攀爬21cm高的障碍物,达到其腿长的40%。HyQ可以攀爬通过15cm高的楼梯和台阶,达到其腿长的20%。LittleDog借助高分辨率地图和运动捕捉系统可以实现攀爬与其腿长相同高度的障碍物,但这种方法因需要提前扫描精确地形模型无法在真实场景中应用。
中国专利文献CN107065867A公开的《一种面向未知崎岖地形的四足机器人运动规划方法》,利用cart-table ZMP模型实现机器人的在线轨迹规划,实现了四足机器人在崎岖地形的运动规划,但是针对于大障碍物的运动场景和控制方法未明确说明。
中国专利文献CN110842921A公开的《四足机器人大坡度地形或高障碍物攀爬跨越的步态规划方法》,利用归一化能量稳定裕度的方法来规划质心的运动保证了在大斜坡角度下的稳定性,但该方法没有考虑在大障碍物下基于时间的状态机切换时因足端落足差过大引起机器人失稳的情况,且针对足端延时触地和提前触地的情况没有考虑。
发明内容
为了解决现有技术的不足,本发明提供了可跨越大障碍物的四足机器人爬行态规划方法及系统;实现四足机器人通过超过其腿长63%的38cm高的大障碍物。利用非线性轨迹优化器,实现运动过程中质心最优运动轨迹的在线规划,保证运动过程中质心的稳定裕度;利用基于概率的足底接触估计算法,实现四足机器人足端接触状态准确检测;利用基于事件和时间的状态机,实现四足机器人基于足端接触情况和时间状态机的状态切换;利用足端落差来估计地形坡度,实现四足机器人对于足端地形的自适应。
第一方面,本发明提供了可跨越大障碍物的四足机器人爬行态规划方法;
可跨越大障碍物的四足机器人爬行态规划方法,包括:
设定四足机器人的基础数据;所述基础数据,包括:期望位置、期望速度以及期望步高;
基于基础数据,构建非线性轨迹优化器和摆动相轨迹规划器;所述非线性轨迹优化器,用于优化四足机器人重心的运动轨迹;所述摆动相轨迹规划器,用于规划四足机器人足端摆动轨迹;构建状态机,所述状态机,包括:四足机器人的预设步态时序;四足机器人的初始状态相为四足支撑相;
四足机器人开始运动,非线性轨迹优化器、摆动相轨迹规划器和状态机向运动控制器发出控制信号,运动控制器控制四足机器人运动;状态估计器采集四足机器人各个足的位置,根据四足机器人各个足的位置,估计出未知地形的坡度;状态估计器将采集数据和估计的坡度均分别发送给接触检测器和运动控制器;接触检测器估计出足端触地的概率,并将足端触地的概率发送给状态机;状态机根据足端触地的概率和设定的时间间隔,计算出下一状态相的步态时序;状态机将计算结果发送给非线性轨迹优化器和摆动相轨迹规划器;
重复上一步,四足机器人开始下一个状态相的运动,直至四足机器人跨越障碍物。
第二方面,本发明提供了可跨越大障碍物的四足机器人爬行态规划系统;
可跨越大障碍物的四足机器人爬行态规划系统,包括:
初始化模块,其被配置为:设定四足机器人的基础数据;所述基础数据,包括:期望位置、期望速度以及期望步高;
构建模块,其被配置为:基于基础数据,构建非线性轨迹优化器和摆动相轨迹规划器;所述非线性轨迹优化器,用于优化四足机器人重心的运动轨迹;所述摆动相轨迹规划器,用于规划四足机器人足端摆动轨迹;构建状态机,所述状态机,包括:四足机器人的预设步态时序;四足机器人的初始状态相为四足支撑相;
规划模块,其被配置为:四足机器人开始运动,非线性轨迹优化器、摆动相轨迹规划器和状态机向运动控制器发出控制信号,运动控制器控制四足机器人运动;状态估计器采集四足机器人各个足的位置,根据四足机器人各个足的位置,估计出未知地形的坡度;状态估计器将采集数据和估计的坡度均分别发送给接触检测器和运动控制器;接触检测器估计出足端触地的概率,并将足端触地的概率发送给状态机;状态机根据足端触地的概率和设定的时间间隔,计算出下一状态相的步态时序;状态机将计算结果发送给非线性轨迹优化器和摆动相轨迹规划器;
运动模块,其被配置为:重复规划模块的工作,四足机器人开始下一个状态相的运动,直至四足机器人跨越障碍物。
与现有技术相比,本发明的有益效果是:
1)本发明通过提出基于能量等复合约束下的在线轨迹优化器,实现四足机器人重心轨迹的在线规划,根据标准能量稳定裕度生成参考重心轨迹,结合支撑三角形边界约束和曲线连续性约束构建非线性优化函数,在线优化重心最优运动轨迹,最大程度保证重心轨迹的稳定性与连续性,保证了在攀爬崎岖地形时躯干稳定裕度。
2)本发明通过提出基于时间和事件的状态机,实现四足机器人在大障碍物下足端状态切换,基于摆动腿的触地情况来实现单腿状态的切换,当检测到摆动腿触地后立刻切换到支撑相,相对于时间状态机有效减小因障碍物落足差较大引起的足端足底力冲击,防止因躯干在倾角过大时因足端冲击引起后倾、侧翻等情况,增强在攀爬较高崎岖地形时的稳定性。
3)本发明通过提出基于概率模型的足端触地检测算法,实现四足机器人足端滑动、提前触地或者延迟触地的准确检测,基于广义动量方法提高足底力估计的准确性,通过卡尔曼滤波融合足端高度、足底力和时间状态机的概率模型,估计出单腿足端触地的概率,在无需足底力传感器的情况下能够准确检测出足端的触地情况,提高整个四足机器人运动的鲁棒性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是四足机器人的坐标系定义说明示意图;
图2是四足机器人运动控制方法的控制框图;
图3(a)-图3(d)是四足机器人爬行运动时序说明示意图,其中,图3(a)是质心长调整和左后腿摆动阶段,图3(b)质心短调整和左前腿摆动阶段,图3(c)质心长调整和右后腿摆动阶段,图3(d)质心短调整和右前腿摆动阶段;
图4是四足机器人最优落足策略执行流程图;
图5是四足机器人以RF腿为例重心运动调整示意图;
图6是优化函数动态稳定性不等式约束示意图;
图7是四足机器人运动过程中地形适应过程示意图;
图8是四足机器人基于事件和时间的状态机切换框图;
图9(a)-图9(d)是四足机器人RH腿运动过程中触地检测情况数据图;
图10是四足机器人摆动腿运动轨迹示意图;
图11(a)-图11(i)是四足机器人爬高38cm的大台阶过程实验截图;
图12(a)-图12(i)是四足机器人爬高22.5cm的楼梯过程实验截图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,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。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上,对数据的合法应用。
实施例一
本实施例提供了可跨越大障碍物的四足机器人爬行态规划方法;
可跨越大障碍物的四足机器人爬行态规划方法,包括:
S101:设定四足机器人的基础数据;所述基础数据,包括:期望位置、期望速度以及期望步高;
S102:基于基础数据,构建非线性轨迹优化器和摆动相轨迹规划器;所述非线性轨迹优化器,用于优化四足机器人重心的运动轨迹;所述摆动相轨迹规划器,用于规划四足机器人足端摆动轨迹;构建状态机,所述状态机,包括:四足机器人的预设步态时序;四足机器人的初始状态相为四足支撑相;
S103:四足机器人开始运动,非线性轨迹优化器、摆动相轨迹规划器和状态机向运动控制器发出控制信号,运动控制器控制四足机器人运动;状态估计器采集四足机器人各个足的位置,根据四足机器人各个足的位置,估计出未知地形的坡度;状态估计器将采集数据和估计的坡度均分别发送给接触检测器和运动控制器;接触检测器估计出足端触地的概率,并将足端触地的概率发送给状态机;状态机根据足端触地的概率和设定的时间间隔,计算出下一状态相的步态时序;状态机将计算结果发送给非线性轨迹优化器和摆动相轨迹规划器;
S104:重复步骤S103,四足机器人开始下一个状态相的运动,直至四足机器人跨越障碍物。
进一步地,所述状态机,包括:两种触发方式,其中一种是基于时间的触发方式,当达到设定时间间隔后,机器人启动下一个状态相;另外一种是基于事件的触发方式,当机器人的摆动足端触地后,机器人启动下一个状态相。
进一步地,所述S101:设定四足机器人的基础数据;所述基础数据,包括:期望位置、期望速度以及期望步高;
构建躯干坐标系{B}:躯干坐标系固定在机器人的躯干上,原点位于机器人躯干质心,XB指向躯干正前方,YB指向机器人左方,ZB垂直于躯干向上;
构建腿部坐标系{H}:腿部坐标系固定在机器人的髋关节上,原点位于机器人腿部侧摆关节质心,Xh指向躯干正前方,Yh指向机器人左方,Zh垂直于侧摆关节向上;
构建世界坐标系{W}:世界坐标系固定在大地上,Zw与重力方向相反,Xw指向和Xb在水平面的投影相同,Yw指向和Yb在水平面的投影相同;
其中,期望位置,是指机器人在运动过程中期望到达的目标位置;
其中,期望速度,是指机器人在运动过程中期望的运动速度;
其中,期望步高,是指机器人在运动过程中摆动腿足端期望的抬腿高度。
其中,大障碍物,是指障碍物的高度高于机器人腿长的60%。
进一步地,所述S102:基于基础数据,构建非线性轨迹优化器和摆动相轨迹规划器,其中,非线性轨迹优化器,包括:
S102-a1:根据当前支撑腿在躯干坐标系{B}足端位置,计算绕支撑三角形各个支撑轴的标准能量稳定裕度;
Snesm=hmax-hcom
其中,Snesm标准能量稳定裕度,hmax是四足机器人质心绕支撑三角形支撑轴旋转时质心能够到达的最大高度,hcom为四足机器人质心高度。
根据标准能量稳定裕度(Normalized Energy Stability Margin,NESM),得到下个周期某个腿摆动时,其余支撑腿构成的支撑三角形稳定裕度最大的重心(Center ofGravity,COG)位置;
计算出在躯干坐标系{B}下x和y方向COG参考移动的距离;x和y方向是指沿机器人躯干向前方向和躯干向左方向;
其中,右前腿摆动时,计算COG的移动距离:
Δxcog=kcogx(kxSnesm23-Snesm12)
Δycog=kcogy(kySnesm12-Snesm13)
其中,kcogx、kcogy是相对于躯干坐标系统COG在x,y方向调整中的比例增益,kx和ky是根据NESM判据设置的侧向和横向倾斜系数,Snesm12表示左前腿与右后腿的稳定裕度,Snesm13表示左前腿与左后腿的稳定裕度,Snesm23表示左后腿与右后腿的稳定裕度,Δxcog、Δycog在躯干坐标系{B}下x和y方向COG移动的距离;
根据重心在x,y方向的调整量,叠加在世界坐标系{W}中躯干的期望速度下在单位时间内产生的位移,规划出四足机器人在世界坐标系{W}下从当前COG到目标位置的运动轨迹pref=[cx cy]T作为参考运动轨迹;
叠加的过程:
cx=Δxcog+vxT
cy=Δycog+vyT
其中,vx、vy表示在世界坐标系{W}下躯干的期望速度,T表示机器人运动的一个步态周期时间,cx表示叠加后的四足机器人重心在世界坐标系下x方向上从当前位置到目标位置的参考运动轨迹,cy就是表示叠加后的四足机器人重心在世界坐标系下y方向上从当前位置到目标位置的参考运动轨迹;
S102-a2:将四足机器人躯干质心在世界坐标系{W}下x和y的运动轨迹规划为五次样条曲线:
其中,重心在Z方向上的高度为常数cz=constant,px、py表示重心规划的运动轨迹,ak是样条曲线的系数,t是机器人当前在步态周期内的运动时间;
根据标准能量稳定裕度(Normalized Energy Stability Margin,NESM)判据等式约束生成的质心运动轨迹作为参考运动轨迹:
pref=[cx cy]T;
其中,cx、cy表示四足机器人重心在世界坐标系下x,y方向上从当前位置到目标位置的参考运动轨迹。
构建非线性轨迹优化成本函数:
δ=p(t,a)-pref;
其中,pref在世界坐标系下x,y方向上从当前位置到目标位置的参考运动轨迹,p(t,a)在世界坐标系下x,y方向上利用五次样条曲线生成的运动轨迹。
使得其满足动态稳定性不等式和质心运动轨迹连续性轨迹等式约束,转化为最优化问题,利用二次规划(Quadratic Programming,QP)优化库求解出最优的轨迹,因此表示为:
δTQδ
s.t.plxcog+qlycog+rl>m,l=1,2,3;
pk(Tk)=pk+1(0),k=1,...,n;
Si>Smin,i=1,2,3;
其中,Q是正定的权重矩阵,pl、ql、rl是支撑三角形单边构成直线的系数,m是距离支撑三角形边界的最小距离,pk(Tk)是k次四足支撑阶段重心调整最后时刻T的结束位置,pk+1(0)是k+1次四足支撑阶段重心调整初始时刻的初始位置,Smin是最小的标准能量稳定裕度,Si是运动过程中第i个支撑轴的标准能量稳定裕度。
plxcog+qlycog+rl>m是动态稳定性约束,将质心位置约束在支撑三角形三条边构成直线内且距离大于m的三角形内,确保足端摆动和躯干移动过程中质心的稳定性,如图6为优化函数动态稳定性不等式约束示意图,pk(Tk)=pk+1(0)是轨迹连续性约束,k次四足支撑阶段最后时刻T的结束位置是k+1次的初始位置,Si>Smin约束最小的标准能量稳定裕度大于Smin,防止机器人在运动过程中倾倒。
S102-a3:根据成本函数,在线优化生成重心的最优运动轨迹popt=[x y z]T,质心调整过程,如图5所示,保证运动过程中重心(COG,Center of Gravity)轨迹位置、速度和加速度的连续性和稳定裕度最大,将机器人躯干质心移动到稳定裕度最大的位置,进入下一个摆动阶段。
进一步地,所述S102:基于基础数据,构建非线性轨迹优化器和摆动相轨迹规划器,其中,摆动相轨迹规划器,包括:
S102-b1:如图10所示,足端运动轨迹摆动过程;足端向后抬起阶段,机器人足端向后撤并向上抬起,防止与障碍物突出部分发生碰撞;
S102-b2:足端向前摆动阶段,机器人保持Z方向高度不变,根据设置的步长,足端水平向前运动,在Z方向上并与障碍物保持设定距离,防止因碰撞导致倾倒或者失稳;Z方向,是指与机器人重力方向相反的方向;
S102-b3:足端垂直下落阶段,机器人X方向保持不变,Z方向高度逐渐降低直至与障碍物地面接触;当接触检测概率大于设定阈值时判定为触地,摆动相结束,腿部进入下一个周期循环;X方向是指机器人躯干的正前方。
应理解地,若当前单腿处于摆动阶段,根据障碍物的高度和与障碍物的距离,设置摆动过程中的步长和步高参数;根据设置的步长和步高参数,根据每一步的步高、步长和运动速度来规划运动过程中的轨迹。
进一步地,所述S102:构建状态机,包括:
S102-c1:爬行运动过程中预定的迈步顺序为:四足支撑长调整阶段、LH(左后腿,Left Hind)摆动、四足支撑短调整阶段、LF(左前腿,Left Front)摆动、四足支撑长调整阶段、RH(右后腿,Right Hind)摆动、四足支撑短调整阶段、RF(右前腿,Right front)摆动共八个状态,每个时刻至少三条腿处于支撑状态;其中步态时序如图3(a)-图3(d)所示,在四足支撑阶段,根据构建的非线性轨迹优化器在线规划重心向支撑三角形稳定裕度最大的位置运动;在单腿摆动相状态,足端按照规划的摆动腿足端轨迹摆动;
S102-c2:设定最优落足策略:在摆动腿足端触地后,根据标准能量稳定裕度(Normalized Energy Stability Margin,NESM)判据估计下个周期腿摆动时虚拟重心位置,估计绕支撑三角形各旋转轴最小标准能量稳定裕度Snesm的大小;
如果Snesm小于设定的最小稳定裕度值Smin,则当下个时刻移动重心时躯干会发生倾倒,因此更改步态序列,仍将当前腿作为摆动腿,重新进行落足,增大支撑多边形的稳定裕度,防止因误触地导致稳定区域减小发生躯干倾覆的情况;
如果Snesm大于设定的最小稳定裕度值Smin,则当下个时刻按照预定的步态序列继续移动重心和摆动腿;
图4为最优落足策略的流程。稳定区域,是足端构成的支撑三角形区域。
S102-c3:下个步态周期恢复默认的落足序列,按照预定的步态序列移动机器人的躯干,利用S102-c2的落足策略继续进行稳定裕度判断,防止机器人在运动过程中因碰撞障碍物,导致提前触地并缩小支撑多边形面积进而倾倒。
进一步地,所述S103:四足机器人开始运动,非线性轨迹优化器、摆动相轨迹规划器和状态机向运动控制器发出控制信号,运动控制器控制四足机器人运动,包括:
非线性轨迹优化器,向运动控制器发送在世界坐标系{W}下x、y、z方向优化后重心运动轨迹的期望位置、运动速度和加速度命令;
摆动相轨迹规划器,向运动控制器发送在髋关节坐标系{H}下x、y、z方向优化后足端的期望位置、运动速度和加速度命令;
状态机,向运动控制器发出各个腿的摆动序列、支撑相的相位时间与摆动相的相位时间;
运动控制器控制四足机器人运动。
进一步地,所述S103:运动控制器,包括:
S103-a1:根据规划的期望COG位置、姿态信息和状态估计器反馈的COG位置、姿态信息模拟弹簧阻尼模型,根据虚拟的刚度和阻尼计算出机器人需要的虚拟力和虚拟扭矩,利用虚拟弹簧原理来增加系统的柔顺性,减小足端冲击;
其中,pd和θd是躯干期望的COG位置和姿态角,pf和θf是实际的躯干COG位置和姿态,Kp、Kd、Kp,θ和Kd,θ分别是比例增益和导数增益的正定对角矩阵;
S103-a2:构建虚拟模型的状态空间方程,由于系统不满秩,采用最小二乘法转化为最优化问题,利用二次规划(Quadratic Programming,QP)优化库QuadProg++求解出最优的足底力,最优足底力满足摩擦锥约束;
s.t.
|fx,i|<μfz,i
|fy,i|<μfz,i
fmin≤fz,i≤fmax
其中,Fi=[fx fy fz]T表示第i条腿的最优接触力,Gb为四足机器人的重力,I为单位矩阵,pi=[xi yi zi]T为支撑阶段足端在躯干坐标系中的位置向量,S和W是对角半正定矩阵的权重,fx,i、fy,i、fy,i是足端在x、y、z方向的摩擦力,fmin fmax是最小摩擦力和最大摩擦力约束,μ是地面的摩擦系数。
S103-a3:根据计算出的最优足底力Fi,通过腿部的雅克比矩阵Jb根据求解出关节扭矩τ,将得到的关节扭矩发送到关节电机执行,实现四足机器人腿部运动的控制,完成躯干期望运动轨迹的跟踪。
进一步地,所述S103:状态估计器采集根据四足机器人各个足的位置,根据四足机器人各个足的位置,估计出未知地形的坡度,具体包括:
S103-b1:由状态估计器得到当前四足或三足支撑相时足端位置,其中zRF、zLF、zRH、zLH分别表示RF腿、LF腿、RH腿、LH腿在髋关节坐标系{H}下z方向的位置,因此,估算出前两条腿的平均高度:
zfront=(zLF+zRF)/2;
估算出后两腿的平均高度:
zhind=(zLH+zRH)/2;
估算出左边两条腿的平均高度:
zleft=(zLF+zLH)/2;
估算出右边两腿的平均高度:
zright=(zRF+zRH)/2;
S103-b2:根据足端落差估算未知地形的坡度,如图7所示,四足机器人地形自适应过程俯仰角的计算,由前后足端落差计算出期望的俯仰角:
由左右足端落足差计算出期望的横滚角:
其中,xfront=(xLF+xRF)/2代表在{H}坐标系x方向前腿的位置,xhin=d(xLH+xRH)/2代表在{H}坐标系x方向后腿的位置,yleft=(yLF+xLH)/2代表在{H}坐标系y方向左腿的位置,yright=(yRF+yRH)/2代表在{H}坐标系y方向右腿的位置;
S103-b3:将计算得到的躯干期望姿态角θpitch、θroll转化为旋转矩阵,进而得到躯干坐标系{B}下支撑腿的足端高度,调整腿部的高度差实现对于机器人躯干姿态与躯干位置的调整,机器人实现自适应崎岖地形的高度落差。
进一步地,所述S103:状态估计器将采集数据和估计的坡度均分别发送给接触检测器和运动控制器,具体包括:
状态估计器将采集的足端位置、速度、足底力参数和估计的坡度均发送给接触检测器;
状态估计器将采集的足端位置、速度、足底力参数和估计的坡度均发送给运动控制器。
进一步地,所述S103:接触检测器估计出足端触地的概率,并将足端触地的概率发送给状态机,具体计算过程包括:
S103-c1:根据四足机器人的状态估计器得到机器人的关节速度、关节扭矩,借助广义动量定理求解出关节力矩的估计值:
其中,是与截止频率β相关的系数,rk、r表示广义动量,Tstep是机器人的步态周期,τ是关节电机扭矩,S是选择矩阵,C是科士力与离心力,G是重力项,/>是关节速度。
进而根据关节力矩的估计值,利用关节扭矩和足底力之间的映射关系得到足端实时的接触力
S103-c2:分别建立四足机器人相位时间φg、足端高度zh和足端接触力fz的概率分布模型,其中,足端高度和接触力的概率模型符合标准高斯正态分布;
其中,erf为误差函数的表示方式,cφ表示步态规划的接触状态,cφ=1为处于支撑相,cφ=0为处于摆动相;φ是支撑相或摆动相对应的子阶段持续时间。μc0、μc1、σc0、σc1分别是支撑相的子阶段对应均值和方差。μs0、μs1、σs0、σs1分别是摆动相的子阶段对应均值和方差。是高度和足底力对应的均值与方差,zh表示实时的足端高度、fz表示实时的Z方向足底力。
S103-c3:通过卡尔曼滤波实现多源本体感受信息的融合,以状态机建立的足端接触概率模型P(φg)作为卡尔曼滤波器的输入以足端高度和足底力建立的标准正态高斯分布模型P(zh)、P(fz)作为测量变量对预测的触地概率值/>进行校准,来计算足端接触概率/>的估计。
其中,卡尔曼滤波器的预测模型为:
其中,仅考虑现有的测量参数来估计系统的接触状态,状态矩阵和输入矩阵 表示当前预测值,/>表示上一次的最优估计值,/>和/>表示后验和先验估计的协方差,/>表示观测噪声的协方差;
卡尔曼滤波器的测量模型为:
其中,表示输出矩阵,对应为四条腿的单位矩阵,/>表示测量值,Kkf(n)表示的是卡尔曼增益,/>表示测量噪声的协方差,I表示单位矩阵。
通过卡尔曼滤波的测量模型,估算得到足端触地的接触概率,检测到足端的提前触地、延迟触地或者滑动情况。如图9(a)-图9(d)为爬高台阶过程中足端触地检测情况,足端触地情况与足端高度、足底力和相位时间的变化趋势一致。
进一步地,所述S103:状态机根据足端触地的概率和设定的时间间隔,计算出下一状态相的步态时序,具体计算过程包括:
S103-d1:如图8所示为状态机的切换过程,当支撑腿达到状态机规定时间Tcontact后,腿部转化到摆动相状态,执行摆动腿期望的摆动轨迹;
S103-d2:当单腿被规划为摆动时,单腿的足端将持续跟随期望的轨迹直至状态估计器检测到足端触地;
如图8所示,如果在未达到状态机规定时间Tfall内,检测到足端触地,则切换状态到支撑相进入下一个阶段;
如果到达状态机规定时间Tfall,检测到足端仍然未触地时,则足端持续下探直至检测触地;
S103-d3:当摆动腿摆动过程中检测到足端触地后,单腿立即切换支撑相状态,根据重心调整过程中的运动规划,执行支撑腿期望的轨迹,等待进入下一个周期的状态循环,切换单腿的支撑与摆动。
下面以图1所示的十二个自由度的四足机器人为具有实施例,对本发明进行详细说明,其中对于世界坐标系{W}、躯干坐标系{B}、髋关节坐标系{H}方向规定与图中一致。
为应对自然界中的大障碍物崎岖地形的运动,四足机器人需设计出高级规划器和控制器来保持运动过程中的稳定性和准确的跟随。本发明提出了一种可应用于超过其腿长63%的台阶、楼梯等崎岖地形的四足机器人运动规划与控制方法。具体过程如图2所示,利用非线性轨迹优化器,实现运动过程中质心最优运动轨迹的在线规划,保证运动过程中质心的稳定裕度;利用基于概率的足底接触估计算法,实现四足机器人足端接触状态准确检测;利用多触发方式状态机,实现四足机器人基于足端接触情况的状态切换;利用足端落差来估计地形坡度,实现四足机器人对于足端地形的适应;利用类梯形足端摆动轨迹,防止足端与障碍物发生碰撞。
如图11(a)-图11(i)和图12(a)-图12(i)四足机器人在大障碍物如高台阶、连续楼梯等场景下的运动过程,在运动过程中轨迹实现准确跟随,躯干保持稳定状态。
本发明包括以下步骤:规划四足机器人在爬行运动过程中的步态时序;四足支撑阶段,规划重心的运动轨迹;根据支撑足足端高度,估计未知地形坡度;根据卡尔曼滤波融合多源信息的概率模型估计出足端触地概率,设计基于时间和事件的多触发方式状态机;规划四足机器人足端摆动轨迹,设计类梯形摆动运动轨迹;根据规划的运动轨迹,由基于虚拟模型的全身运动控制器实现运动轨迹执行。
实施例二
本实施例提供了可跨越大障碍物的四足机器人爬行态规划系统;
可跨越大障碍物的四足机器人爬行态规划系统,包括:
初始化模块,其被配置为:设定四足机器人的基础数据;所述基础数据,包括:期望位置、期望速度以及期望步高;
构建模块,其被配置为:基于基础数据,构建非线性轨迹优化器和摆动相轨迹规划器;所述非线性轨迹优化器,用于优化四足机器人重心的运动轨迹;所述摆动相轨迹规划器,用于规划四足机器人足端摆动轨迹;构建状态机,所述状态机,包括:四足机器人的预设步态时序;四足机器人的初始状态相为四足支撑相;
规划模块,其被配置为:四足机器人开始运动,非线性轨迹优化器、摆动相轨迹规划器和状态机向运动控制器发出控制信号,运动控制器控制四足机器人运动;状态估计器采集四足机器人各个足的位置,根据四足机器人各个足的位置,估计出未知地形的坡度;状态估计器将采集数据和估计的坡度均分别发送给接触检测器和运动控制器;接触检测器估计出足端触地的概率,并将足端触地的概率发送给状态机;状态机根据足端触地的概率和设定的时间间隔,计算出下一状态相的步态时序;状态机将计算结果发送给非线性轨迹优化器和摆动相轨迹规划器;
运动模块,其被配置为:重复规划模块的工作,四足机器人开始下一个状态相的运动,直至四足机器人跨越障碍物。
以上所述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.可跨越大障碍物的四足机器人爬行态规划方法,其特征是,包括:
S101:设定四足机器人的基础数据;所述基础数据,包括:期望位置、期望速度以及期望步高;
S102:基于基础数据,构建非线性轨迹优化器和摆动相轨迹规划器;所述非线性轨迹优化器,用于优化四足机器人重心的运动轨迹;所述摆动相轨迹规划器,用于规划四足机器人足端摆动轨迹;构建状态机,所述状态机,包括:四足机器人的预设步态时序;四足机器人的初始状态相为四足支撑相;
S103:四足机器人开始运动,非线性轨迹优化器、摆动相轨迹规划器和状态机向运动控制器发出控制信号,运动控制器控制四足机器人运动;状态估计器采集四足机器人各个足的位置,根据四足机器人各个足的位置,估计出未知地形的坡度;状态估计器将采集数据和估计的坡度均分别发送给接触检测器和运动控制器;接触检测器估计出足端触地的概率,并将足端触地的概率发送给状态机;状态机根据足端触地的概率和设定的时间间隔,计算出下一状态相的步态时序;状态机将计算结果发送给非线性轨迹优化器和摆动相轨迹规划器;
S104:重复步骤S103,四足机器人开始下一个状态相的运动,直至四足机器人跨越障碍物。
2.如权利要求1所述的可跨越大障碍物的四足机器人爬行态规划方法,其特征是,所述状态机,包括:两种触发方式,其中一种是基于时间的触发方式,当达到设定时间间隔后,机器人启动下一个状态相;另外一种是基于事件的触发方式,当机器人的摆动足端触地后,机器人启动下一个状态相。
3.如权利要求1所述的可跨越大障碍物的四足机器人爬行态规划方法,其特征是,基于基础数据,构建非线性轨迹优化器和摆动相轨迹规划器,其中,摆动相轨迹规划器,包括:
足端向后抬起阶段,机器人足端向后撤并向上抬起,防止与障碍物突出部分发生碰撞;
足端向前摆动阶段,机器人保持Z方向高度不变,根据设置的步长,足端水平向前运动,在Z方向上并与障碍物保持设定距离,防止因碰撞导致倾倒或者失稳;Z方向,是指与机器人重力方向相反的方向;
足端垂直下落阶段,机器人X方向保持不变,Z方向高度逐渐降低直至与障碍物地面接触;当接触检测概率大于设定阈值时判定为触地,摆动相结束,腿部进入下一个周期循环;X方向是指机器人躯干的正前方。
4.如权利要求1所述的可跨越大障碍物的四足机器人爬行态规划方法,其特征是,构建状态机,包括:
S102-c1:爬行运动过程中预定的迈步顺序为:四足支撑长调整阶段、左后腿摆动、四足支撑短调整阶段、左前腿摆动、四足支撑长调整阶段、右后腿摆动、四足支撑短调整阶段、右前腿摆动共八个状态,每个时刻至少三条腿处于支撑状态;在四足支撑阶段,根据构建的非线性轨迹优化器在线规划重心向支撑三角形稳定裕度最大的位置运动;在单腿摆动相状态,足端按照规划的摆动腿足端轨迹摆动;
S102-c2:设定最优落足策略:在摆动腿足端触地后,根据标准能量稳定裕度判据估计下个周期腿摆动时虚标准能量稳定裕度Snesm的大小;如果Snesm小于设定的最小稳定裕度值Smin,则当下个时刻移动重心时躯干会发生倾倒,因此更改步态序列,仍将当前腿作为摆动腿,重新进行落足,增大支撑多边形的稳定裕度,防止因误触地导致稳定区域减小发生躯干倾覆的情况;如果Snesm大于设定的最小稳定裕度值Smin,则当下个时刻按照预定的步态序列继续移动重心和摆动腿;
S102-c3:下个步态周期恢复默认的落足序列,按照预定的步态序列移动机器人的躯干,利用S102-c2的落足策略继续进行稳定裕度判断,防止机器人在运动过程中因碰撞障碍物,导致提前触地并缩小支撑多边形面积进而倾倒。
5.如权利要求1所述的可跨越大障碍物的四足机器人爬行态规划方法,其特征是,四足机器人开始运动,非线性轨迹优化器、摆动相轨迹规划器和状态机向运动控制器发出控制信号,运动控制器控制四足机器人运动,包括:
非线性轨迹优化器,向运动控制器发送在世界坐标系{W}下x、y、z方向优化后重心运动轨迹的期望位置、运动速度和加速度命令;
摆动相轨迹规划器,向运动控制器发送在髋关节坐标系{H}下x、y、z方向优化后足端的期望位置、运动速度和加速度命令;
状态机,向运动控制器发出各个腿的摆动序列、支撑相的相位时间与摆动相的相位时间;运动控制器控制四足机器人运动。
6.如权利要求5所述的可跨越大障碍物的四足机器人爬行态规划方法,其特征是,运动控制器,包括:
S103-a1:根据规划的期望COG位置、姿态信息和状态估计器反馈的COG位置、姿态信息模拟弹簧阻尼模型,根据虚拟的刚度和阻尼计算出机器人需要的虚拟力和虚拟扭矩,利用虚拟弹簧原理来增加系统的柔顺性,减小足端冲击;
其中,pd和θd是躯干期望的COG位置和姿态角,pf和θf是实际的躯干COG位置和姿态,Kp、Kd、Kp,θ和Kd,θ分别是比例增益和导数增益的正定对角矩阵;
S103-a2:构建虚拟模型的状态空间方程,由于系统不满秩,采用最小二乘法转化为最优化问题,利用二次规划优化库求解出最优的足底力,最优足底力满足摩擦锥约束;
s.t.
|fx,i|<μfz,i
|fy,i|<μfz,i
fmin≤fz,i≤fmax
其中,Fi=[fx fy fz]T表示第i条腿的最优接触力,Gb为四足机器人的重力,I为单位矩阵,pi=[xi yi zi]T为支撑阶段足端在躯干坐标系中的位置向量,S和W是对角半正定矩阵的权重,fx,i、fy,i、fy,i是足端在x、y、z方向的摩擦力,fminfmax是最小摩擦力和最大摩擦力约束,μ是地面的摩擦系数;
S103-a3:根据计算出的最优足底力Fi,通过腿部的雅克比矩阵Jb根据求解出关节扭矩τ,将得到的关节扭矩发送到关节电机执行,实现四足机器人腿部运动的控制,完成躯干期望运动轨迹的跟踪。
7.如权利要求1所述的可跨越大障碍物的四足机器人爬行态规划方法,其特征是,状态估计器采集四足机器人各个足的位置,根据四足机器人各个足的位置,估计出未知地形的坡度,具体包括:
S103-b1:由状态估计器得到当前四足或三足支撑相时足端位置,因此,估算出前两条腿的平均高度:
zfront=(zLF+zRF)/2;
估算出后两腿的平均高度:
zhind=(zLH+zRH)/2;
估算出左边两条腿的平均高度:
zleft=(zLF+zLH)/2;
估算出右边两腿的平均高度:
zright=(zRF+zRH)/2;
其中,zRF、zLF、zRH、zLH分别表示RF腿、LF腿、RH腿、LH腿在髋关节坐标系{H}下z方向的位置;
S103-b2:根据足端落差估算未知地形的坡度,四足机器人地形自适应过程俯仰角的计算,由前后足端落差计算出期望的俯仰角:
由左右足端落足差计算出期望的横滚角:
其中,xfront=(xLF+xRF)/2代表在{H}坐标系x方向前腿的位置,xhin=d(xLH+xRH)/2代表在{H}坐标系x方向后腿的位置,yleft=(yLF+xLH)/2代表在{H}坐标系y方向左腿的位置,yright=(yRF+yRH)/2代表在{H}坐标系y方向右腿的位置;
S103-b3:将计算得到的躯干期望姿态角θpitch、θroll转化为旋转矩阵,进而得到躯干坐标系{B}下支撑腿的足端高度,调整腿部的高度差实现对于机器人躯干姿态与躯干位置的调整,机器人实现自适应崎岖地形的高度落差。
8.如权利要求1所述的可跨越大障碍物的四足机器人爬行态规划方法,其特征是,接触检测器估计出足端触地的概率,并将足端触地的概率发送给状态机,具体计算过程包括:
S103-c1:根据四足机器人的状态估计器得到机器人的关节速度、关节扭矩,借助广义动量定理求解出关节力矩的估计值:
其中,是与截止频率β相关的系数,rk、r表示广义动量,Tstep是机器人的步态周期,τ是关节电机扭矩,S是选择矩阵,C是科士力与离心力,G是重力项,/>是关节速度;
进而根据关节力矩的估计值,利用关节扭矩和足底力之间的映射关系得到足端实时的接触力
S103-c2:分别建立四足机器人相位时间φg、足端高度zh和足端接触力fz的概率分布模型,其中,足端高度和接触力的概率模型符合标准高斯正态分布;
其中,erf为误差函数的表示方式,cφ表示步态规划的接触状态,cφ=1为处于支撑相,cφ=0为处于摆动相;φ是支撑相或摆动相对应的子阶段持续时间;μc0、μc1、σc0、σc1分别是支撑相的子阶段对应均值和方差;μs0、μs1、σs0、σs1分别是摆动相的子阶段对应均值和方差;μzh、μfz、σzh、σfz是高度和足底力对应的均值与方差,zh表示实时的足端高度、fz表示实时的Z方向足底力;
S103-c3:通过卡尔曼滤波实现多源本体感受信息的融合,以状态机建立的足端接触概率模型P(φg)作为卡尔曼滤波器的输入以足端高度和足底力建立的标准正态高斯分布模型P(zh)、P(fz)作为测量变量对预测的触地概率值/>进行校准,来计算足端接触概率/>的估计;
其中,卡尔曼滤波器的预测模型为:
其中,仅考虑现有的测量参数来估计系统的接触状态,状态矩阵和输入矩阵 表示当前预测值,/>表示上一次的最优估计值,/>和/>表示后验和先验估计的协方差,/>表示观测噪声的协方差;
卡尔曼滤波器的测量模型为:
其中,表示输出矩阵,对应为四条腿的单位矩阵,/>表示测量值,Kkf(n)表示的是卡尔曼增益,/>表示测量噪声的协方差,I表示单位矩阵。
9.如权利要求1所述的可跨越大障碍物的四足机器人爬行态规划方法,其特征是,状态机根据足端触地的概率和设定的时间间隔,计算出下一状态相的步态时序,具体计算过程包括:
S103-d1:当支撑腿达到状态机规定时间Tcontact后,腿部转化到摆动相状态,执行摆动腿期望的摆动轨迹;
S103-d2:当单腿被规划为摆动时,单腿的足端将持续跟随期望的轨迹直至状态估计器检测到足端触地;
如果在未达到状态机规定时间Tfall内,检测到足端触地,则切换状态到支撑相进入下一个阶段;
如果到达状态机规定时间Tfall,检测到足端仍然未触地时,则足端持续下探直至检测触地;
S103-d3:当摆动腿摆动过程中检测到足端触地后,单腿立即切换支撑相状态,根据重心调整过程中的运动规划,执行支撑腿期望的轨迹,等待进入下一个周期的状态循环,切换单腿的支撑与摆动。
10.可跨越大障碍物的四足机器人爬行态规划系统,其特征是,包括:
初始化模块,其被配置为:设定四足机器人的基础数据;所述基础数据,包括:期望位置、期望速度以及期望步高;
构建模块,其被配置为:基于基础数据,构建非线性轨迹优化器和摆动相轨迹规划器;所述非线性轨迹优化器,用于优化四足机器人重心的运动轨迹;所述摆动相轨迹规划器,用于规划四足机器人足端摆动轨迹;构建状态机,所述状态机,包括:四足机器人的预设步态时序;四足机器人的初始状态相为四足支撑相;
规划模块,其被配置为:四足机器人开始运动,非线性轨迹优化器、摆动相轨迹规划器和状态机向运动控制器发出控制信号,运动控制器控制四足机器人运动;状态估计器采集四足机器人各个足的位置,根据四足机器人各个足的位置,估计出未知地形的坡度;状态估计器将采集数据和估计的坡度均分别发送给接触检测器和运动控制器;接触检测器估计出足端触地的概率,并将足端触地的概率发送给状态机;状态机根据足端触地的概率和设定的时间间隔,计算出下一状态相的步态时序;状态机将计算结果发送给非线性轨迹优化器和摆动相轨迹规划器;
运动模块,其被配置为:重复规划模块的工作,四足机器人开始下一个状态相的运动,直至四足机器人跨越障碍物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310426375.3A CN116449711A (zh) | 2023-04-17 | 2023-04-17 | 可跨越大障碍物的四足机器人爬行态规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310426375.3A CN116449711A (zh) | 2023-04-17 | 2023-04-17 | 可跨越大障碍物的四足机器人爬行态规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116449711A true CN116449711A (zh) | 2023-07-18 |
Family
ID=87121681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310426375.3A Pending CN116449711A (zh) | 2023-04-17 | 2023-04-17 | 可跨越大障碍物的四足机器人爬行态规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116449711A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117067223A (zh) * | 2023-10-16 | 2023-11-17 | 哈尔滨理工大学 | 一种基于运动稳定性估计的六足机器人自由步态规划方法 |
CN117901125A (zh) * | 2024-03-20 | 2024-04-19 | 武汉大学 | 一种爬壁机器人控制方法、装置、设备及存储介质 |
-
2023
- 2023-04-17 CN CN202310426375.3A patent/CN116449711A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117067223A (zh) * | 2023-10-16 | 2023-11-17 | 哈尔滨理工大学 | 一种基于运动稳定性估计的六足机器人自由步态规划方法 |
CN117067223B (zh) * | 2023-10-16 | 2024-01-05 | 哈尔滨理工大学 | 一种基于运动稳定性估计的六足机器人自由步态规划方法 |
CN117901125A (zh) * | 2024-03-20 | 2024-04-19 | 武汉大学 | 一种爬壁机器人控制方法、装置、设备及存储介质 |
CN117901125B (zh) * | 2024-03-20 | 2024-05-17 | 武汉大学 | 一种爬壁机器人控制方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116449711A (zh) | 可跨越大障碍物的四足机器人爬行态规划方法及系统 | |
JP7351920B2 (ja) | 方法及びロボット | |
KR102533690B1 (ko) | 지형 인식 스텝 플래닝 시스템 | |
Jenelten et al. | Perceptive locomotion in rough terrain–online foothold optimization | |
US20210171135A1 (en) | Slip Detection for Robotic Locomotion | |
US20230264358A1 (en) | Handling gait disturbances with asynchronous timing | |
Klemm et al. | Ascento: A two-wheeled jumping robot | |
US9926025B1 (en) | Slip avoidance | |
US7664572B2 (en) | Control device of legged mobile robot | |
Krause et al. | Stabilization of the capture point dynamics for bipedal walking based on model predictive control | |
CN104898672B (zh) | 一种仿人机器人行走轨迹的优化控制方法 | |
CN110815211A (zh) | 一种四足机器人动态跨越凸障碍方法 | |
CN117270551A (zh) | 基于局部环境感知的四足机器人自主攀爬楼梯方法及系统 | |
Lee et al. | Whole-body motion and landing force control for quadrupedal stair climbing | |
WO2024058844A2 (en) | Automatically trasitioning a robot to an operational mode optimized for particular terrain | |
Jeong et al. | Avoiding obstacles during push recovery using real-time vision feedback | |
Roditis et al. | Maintaining static stability and continuous motion in rough terrain hexapod locomotion without terrain mapping | |
JP2007007795A (ja) | ロボットの歩容データ修正方法および歩行ロボット | |
Kim et al. | Dynamic bipedal walking using real-time optimization of center of mass motion and capture point-based stability controller | |
CN115167389B (zh) | 行为驱动的四足机器人中枢层细粒度演进优化模型 | |
Luo et al. | Impedance and force compliant control for bipedal robot walking on uneven terrain | |
JP2021133487A (ja) | 脚式ロボット、および脚式ロボットの制御方法 | |
CN115963850B (zh) | 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 | |
Hashimoto et al. | Terrain-adaptive control with small landing impact force for biped vehicle | |
US20240189989A1 (en) | Object climbing by legged robots using training objects |
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 |