CN105467841A - 一种类人机器人上肢运动的类神经控制方法 - Google Patents
一种类人机器人上肢运动的类神经控制方法 Download PDFInfo
- Publication number
- CN105467841A CN105467841A CN201510960570.XA CN201510960570A CN105467841A CN 105467841 A CN105467841 A CN 105467841A CN 201510960570 A CN201510960570 A CN 201510960570A CN 105467841 A CN105467841 A CN 105467841A
- Authority
- CN
- China
- Prior art keywords
- new
- motion
- motion mask
- humanoid robot
- upper extremity
- 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
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 161
- 210000001364 upper extremity Anatomy 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000003767 neural control Effects 0.000 title claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 16
- 210000003205 muscle Anatomy 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- 210000001638 cerebellum Anatomy 0.000 claims description 5
- 210000000278 spinal cord Anatomy 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000004118 muscle contraction Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 210000003141 lower extremity Anatomy 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 4
- 230000003387 muscular Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation 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
- G05B13/041—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 variable 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
本发明提出的一种类人机器人上肢运动的类神经控制方法,包括模型及模板的构建、模板的选择和控制输出两大部分:第一部分为类人机器人的上肢动力学模型和初始的运动模板的建立;第二部分步骤为1、给定新的运动任务位置;2、依据该步骤执行次数区别性的选择运动模板;3、基于各运动模板的权重及控制信号计算新的运动任务所需的控制信号以及在该信号下上肢运动的终点位置;4、设置循环执行条件重复执行2、3、4,并输出新任务的最终运动模板,执行运动。该方法大幅减少了计算量,提高反应速度及学习能力。
Description
技术领域
本发明涉及一种类人机器人运动的控制方法,尤其涉及一种类人筋腱式机器人上肢运动的控制方法。
背景技术
传统机器人采用以关节电机为主的驱动方式,通过关节之间的变换关系反解出运动控制矩阵,存在坐标转换复杂、计算量大、灵活度低、适应力差等缺点。类人机器人作为下一代智能机器人技术的发展方向之一,采用仿人的肌肉-关节结构,具备了更强的灵活性、通用性和可靠性。但由于其特殊的结构设计,增加了运动模型的自由度和非线性性,也使得对模型的反向求解计算过程繁琐,计算量庞大,因此对传统的控制方法提出了更高的要求。
类人机器人的上肢运动规划除了满足高精度和学习能力的要求,还必须保证快速的反应能力。到目前为止,针对机器人的运动规划主要有两类,一类是基于传统控制理论及信息技术的控制方法,这是在目前机器人运动规划中主要采用的方法。另外一类是模拟人体运动控制***的控制方法。
基于传统控制理论及信息技术的控制方法包括自适应控制、模糊控制、预测控制、人工神经网络和专家***等。为了实现高精度的运动控制,此类方法都需要复杂而大量的计算,因此必然会牺牲机器人的快速反应能力。除此之外,高精度的运动控制依赖于对机器人每一关节的精准控制,所以任一关节处的细小偏差都可能导致运动结果的巨大误差。采用此类算法控制的机器人大多缺乏良好的学习能力。根据摄像头及传感器反馈所得的视觉与力的信息,机器人可以在预设的轨迹上完成运动,却无法胜任环境时刻变化的任务。当采用类似于ZMP理论,将人工计划与控制算法相结合时,机器人的控制性能可以得到提高。但该方法所需的对机器人和环境的建模同样将产生巨大的计算量,牺牲了机器人的快速反应能力。所以,此类方法可以分别实现机器人控制的高精度控制、学习能力和快速反应能力,却无法同时满足三个要求。
人体的运动***可以完成像运动和装配等高精度任务,且同时具备快速反应能力和学习能力,所以人们希望通过模拟人体运动控制***来改进控制算法。在神经认知领域,基于对人体运动***的研究,生物学家们提出了两种人体的运动控制机制,分别为优化控制理论和习惯计划理论。现有论文《Optimalfeedbackcontrolandtheneuralbasisofvolitionalmotorcontrol》描述了优化控制理论,其认为,人体经通过运动路径和做功的计算分析,来控制每一块肌肉以实现某一运动任务。但在处理复杂的机器人运动***时,该方法会产生庞大的计算量,因而无法满足实时控制的要求。现有论文《Musclecoordinationishabitualratherthanoptimal》描述了习惯计划理论,其认为,人体倾向于通过学习所得的运动模板而不是实时优化来完成一个新的运动任务。本发明就是基于将习惯计划理论应用于类人机器人控制而提出的。
发明内容
为解决现有的机器人控制方法无法同时满足机器人上肢运动中高精度、学习能力和快速反应能力的要求,本发明提出了一种类人机器人上肢运动的类神经控制方法,大幅减少了计算量,提高了反应能力,还可以根据已有模板进行自主学习,根据误差和控制精度的要求,不断生成精度更高的运动模板。
本发明提出的一种类人机器人上肢运动的类神经控制方法,包括以下两大部分:
模型及模板的构建:
步骤A1,建立类人机器人的上肢动力学模型D;
步骤A2,根据类人机器人的上肢动力学模型D,建立m组运动的初始的运动模板形成运动模板库并存储于机器人控制器中;运动模板由类人机器人上肢运动的控制信号和输出结果组成;
模板的选择和控制输出:
步骤B1,给定新的运动任务位置pnew={xnew,ynew};
步骤B2,依据人体运动的习惯计划理论和运动通路中小脑与脊髓间的信息传播机制,给定新的运动任务位置pnew后机器人控制器从运动模板库中选择K个运动模板;
步骤B3,根据各所选模版中上肢终点位置与pnew的距离关系确定各运动模板的权重wi,将所选择的各个运动模板的控制信号ui及对应权重wi相乘后求和计算出新的运动任务所需的控制信号unew,将unew输入上肢动力学模型计算上肢运动的终点位置p′new;
步骤B4,计算步骤B3中得到的上肢运动的终点位置p′new与期望终点位置pnew的误差值并统计步骤B3的执行次数,若误差值大于设定的误差阈值,将该控制信号unew及终点位置p′new所形成的一组运动模板保存入运动模板库,再次重复步骤B2、步骤B3、步骤B4,直至误差值≤设定的误差阈值或步骤B3执行次数大于设定的执行次数阈值,机器人控制器将保存对应的控制信号及终点位置作为新任务的运动模板,执行该模板中的控制信号,输出运动结果。
优选的,步骤A1中依据人体上肢动力学模型的建立过程为:通过对上肢运动过程的依次建模来进行类人机器人的上肢动力学模型D的建立。
优选的,步骤A2中所述的类人机器人上肢运动的控制信号为类神经元信号,该信号为一组由机器人控制器产生的时间序列,机器人控制器依据类神经元信号控制电机转动,进而带动类人机器人的上肢肌肉运动,将类人机器人上肢运动到指定的终点位置,类人机器人上肢运动的输出结果为上肢运动的终点位置。
优选的,步骤A2中运动模板库的建立包括如下步骤:
步骤A21,设定一次上肢运动中期望的终点位置pi={xi,yi};
步骤A22,根据pi及上肢动力学模型D反向计算出对应的控制信号ui;
步骤A23,根据ui及上肢动力学模型D计算出机器人上肢运动中实际的终点位置p′i;
步骤A24,同一次运动中的ui和p′i将作为一组初始的运动模板;
步骤A25,重复步骤A21至步骤A24获得m组初始的运动模板形成运动模板库并存储于机器人控制器中,运动模板库表示为U={u1,u2,…,um}和P’={p′1,p′2,…,p′m}。
优选的,步骤A2中初始的运动模板的个数m≥3,步骤B2中k≥3。
优选的,步骤B3中unew和p′new具体计算方法如下:
步骤B31,依次计算pnew与步骤B2中所选的运动模板所对应上肢终点位置p′i的权重关系wi;
式中, di表示p′i与pnew的欧几里得距离;
步骤B32,利用步骤B2中所选的运动模板的控制信号ui及对应权重wi计算新任务所需的控制信号unew,计算公式为
步骤B33,将控制信号unew带入上肢动力学模型D,计算出在新任务的上肢运动中实际的终点位置p′new。
优选的,步骤B2中运动模板的选择方法包括如下步骤:
步骤B21,从运动模板库中选择3个运动模板,使3个运动模板中类人机器人上肢的终点位置p′i能够形成包围pnew的最小三角形;
步骤B22,当选择的模板数k>3时,从运动模板库中选择其余的运动模板,选择依据为类人机器人上肢的终点位置p′i与pnew的距离从小到大顺序选择,且能与步骤B21中所选择的3个运动模板中类人机器人上肢的终点位置p′i形成一个包围pnew的凸多边形N;
本步骤中所述的其余运动模板的个数为:若为首次执行步骤B21则为K-3,若非首次执行步骤B21则为K-4个运动模板。
步骤B23,若为首次执行步骤B21,则k个运动模板由步骤B21中选择3个运动模板,以及步骤B22中选择k-3个运动模板共同构成;若非首次执行步骤B21,则k个运动模板由步骤B21中选择3个运动模板、步骤B22中选择k-4个运动模板、步骤B3中前一次计算得到unew及p′new所形成的一组运动模板共同构成。
优选的,步骤B4中依据控制精度和计算时间进行误差阈值的设定。
优选的,所述的上肢运动过程包括肌肉激活、肌肉收缩、关节运动过程。
本发明提供的一种类人机器人上肢运动的类神经控制方法基于人体运动的习惯计划理论和运动通路中小脑与脊髓间的信息传播机制进行设计,能够使用已有的运动模板及权重关系表示新的运动任务,并针对新的运动任务生成新任务的运动模板,其过程避免了实时的逆动力学求解,大幅减少了计算量,加快了上肢的反应速度,使类人机器人能同时具备高精度、学习能力和快速反应能力。
附图说明
图1为人体上肢动力学模型的分析图;
图2为机器人运动控制流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明的一种类人机器人上肢运动的类神经控制方法,包括模型及模板的构建、模板的选择和控制输出两大部分:
第一部分:模型及模板的构建:
步骤A1,建立类人机器人的上肢动力学模型D;
依据人体各类上肢运动过程的依次建模来进行类人机器人的上肢动力学模型D的建立,所述的上肢运动过程包括肌肉激活、肌肉收缩、关节运动等过程。人体上肢动力学模型的分析图如图1所示,建模过程如下:
a(t)为肌肉信号,代表肌肉激活强度,由神经元刺激产生,u(t)为神经元信号,关系如下公式(1)所示:
其中τact为激活时间常量,τdeact为去激活时间常量。
Fm为作用于各关节的肌肉力,由肌肉信号a(t)控制肌肉运动而产生,关系如公式(2)~(5)所示:
Fm=F0(f1f2a(t)+f3)(2)
f3=1.3arctan[0.1(x-0.22)10](5)
其中lm为肌肉纤维长度,l0为原始肌肉纤维长度,vm为肌肉收缩速度。
肌肉力Fm可带动关节旋转,产生运动,上肢运动的广义加速度如公式(6)所示:
式中,q为广义坐标,为上肢运动的广义加速度,A-1为***质量矩阵的逆矩阵,G为环境外力,R为肌肉力臂矩阵。
结合运动的初始状态和对上式(6)的积分,可得关节的旋转角度α、β,其中α为大臂与垂直方向的夹角,β为小臂与大臂延长线方向的夹角,根据几何关系,可计算出上肢运动的终点位置p=(x,y),其中x、y的计算公式分别为公式(7)和公式(8):
x=l1sinα+l2sin(α+β)(7)
y=-(l1cosα+l2cos(α+β))(8)
式中,l1为大臂长度,l2为小臂长度。
在类人机器人的上肢动力学模型D中,上肢运动的控制信号为类神经元信号,该信号为一组时间序列,由机器人控制器产生,将控制电机转动并带动上肢肌肉收缩,使上肢运动到指定的终点位置,类人机器人上肢运动的输出结果为上肢运动的终点位置,其中关系如公式(9):
p=(x,y)=D(u(t))(9)
式中,u(t)表示上肢运动的控制信号,p=(x,y)表示上肢运动的终点位置,D表示上肢动力学模型。
步骤A2,根据类人机器人的上肢动力学模型D,建立m组运动的初始的运动模板形成运动模板库并存储于机器人控制器中;运动模板由类人机器人上肢运动的控制信号和输出结果组成;初始的运动模板的个数m≥3。
类人机器人上肢运动的控制信号为类神经元信号,该信号为一组由机器人控制器产生的时间序列,机器人控制器依据类神经元信号控制电机转动,进而带动类人机器人的上肢肌肉运动,将类人机器人上肢运动到指定的终点位置,类人机器人上肢运动的输出结果为上肢运动的终点位置。
该步骤中,运动模板库的建立包括如下步骤:
步骤A21,设定一次上肢运动中期望的终点位置pi={xi,yi};
步骤A22,根据pi及上肢动力学模型D反向计算出对应的控制信号ui;
步骤A23,根据ui及上肢动力学模型D计算出机器人上肢运动中实际的终点位置p′i;
步骤A24,同一次运动中的ui和p′i将作为一组初始的运动模板;
步骤A25,重复步骤A21至步骤A24获得m组初始的运动模板形成运动模板库并存储于机器人控制器中,运动模板库表示为U={u1,u2,…,um}和P’={p′1,p′2,…,p′m}。
第二部分:模板的选择和控制输出,如图2所示:
步骤B1,给定新的运动任务位置pnew={xnew,ynew};
步骤B2,依据人体运动的习惯计划理论和运动通路中小脑与脊髓间的信息传播机制,给定新的运动任务位置pnew后机器人控制器从运动模板库中选择K个运动模板;其中k≥3;
步骤B2中运动模板的选择方法包括如下步骤:
步骤B21,从运动模板库中选择3个运动模板,使3个运动模板中类人机器人上肢的终点位置p′i能够形成包围pnew的最小三角形;
步骤B22,当选择的模板数k>3时,从运动模板库中选择其余的运动模板,选择依据为类人机器人上肢的终点位置p′i与pnew的距离从小到大顺序选择,且能与步骤B21中所选择的3个运动模板中类人机器人上肢的终点位置p′i形成一个包围pnew的凸多边形N;
本步骤中所述的其余运动模板的个数为:若为首次执行步骤B21则为K-3,若非首次执行步骤B21则为K-4个运动模板。
步骤B23,若为首次执行步骤B21,则k个运动模板由步骤B21中选择3个运动模板,以及步骤B22中选择k-3个运动模板共同构成;若非首次执行步骤B21,则k个运动模板由步骤B21中选择3个运动模板、步骤B22中选择k-4个运动模板、步骤B3中前一次计算得到unew及p′new所形成的一组运动模板共同构成。
步骤B3,根据各所选模版中上肢终点位置与pnew的距离关系确定各运动模板的权重wi,将所选择的各个运动模板的控制信号ui及对应权重wi相乘后求和计算出新的运动任务所需的控制信号unew,将unew输入上肢动力学模型计算上肢运动的终点位置p′new;
该步骤中unew和p′new具体计算方法如下::
步骤B31,依次计算pnew与步骤B2中所选的运动模板所对应上肢终点位置p′i的权重关系wi,如公式(10)所示;
式中, di表示p′i与pnew的欧几里得距离;
步骤B32,利用步骤B2中所选的运动模板的控制信号ui及对应权重wi计算新任务所需的控制信号unew,计算公式如公式(11)所示:
步骤B33,将控制信号unew带入上肢动力学模型D,计算出在新任务的上肢运动中实际的终点位置p′new。
步骤B4,计算步骤B3中得到的上肢运动的终点位置p′new与期望终点位置pnew的误差值并统计步骤B3的执行次数,若误差值大于设定的误差阈值,将该控制信号unew及终点位置p′new所形成的一组运动模板保存入运动模板库,再次重复步骤B2、步骤B3、步骤B4,直至误差值≤设定的误差阈值或步骤B3执行次数大于设定的执行次数阈值,机器人控制器将保存对应的控制信号及终点位置作为新任务的运动模板,执行该模板中的控制信号,输出运动结果。
由步骤B4返回步骤B2重新选择运动模板时,选择前一次步骤B3所产生的运动模板unew和p′new为其中一个模板。这可使k个运动模板中各个p′i与pnew的平均距离更近,再次生成的运动模板精度更高,即新任务中上肢运动的实际终点位置p′new与期望终点位置pnew的误差更小。
步骤B4中依据控制精度和计算时间进行误差阈值σ的设定,选取的设定值越大,控制精度越高,但计算时间越长,选取的设定值越小,计算时间越短,但控制精度下降。
本实施例方法基于人体运动的习惯计划理论和运动通路中小脑与脊髓间的信息传播机制,能够使用已有的运动模板及权重关系表示新的运动任务,并针对新的运动任务生成新任务的运动模板,其过程避免了实时的逆动力学求解,大幅减少了计算量,加快了上肢的反应速度,使类人机器人能同时具备高精度、学习能力和快速反应能力。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种类人机器人上肢运动的类神经控制方法,其特征在于,包括以下两大部分:
模型及模板的构建:
步骤A1,建立类人机器人的上肢动力学模型D;
步骤A2,根据类人机器人的上肢动力学模型D,建立m组运动的初始的运动模板形成运动模板库并存储于机器人控制器中;运动模板由类人机器人上肢运动的控制信号和输出结果组成;
模板的选择和控制输出:
步骤B1,给定新的运动任务位置pnew={xnew,ynew};
步骤B2,依据人体运动的习惯计划理论和运动通路中小脑与脊髓间的信息传播机制,给定新的运动任务位置pnew后机器人控制器从运动模板库中选择K个运动模板;
步骤B3,根据各所选模版中上肢终点位置与pnew的距离关系确定各运动模板的权重wi,将所选择的各个运动模板的控制信号ui及对应权重wi相乘后求和计算出新的运动任务所需的控制信号unew,将unew输入上肢动力学模型计算上肢运动的终点位置p′new;
步骤B4,计算步骤B3中得到的上肢运动的终点位置p′new与期望终点位置pnew的误差值并统计步骤B3的执行次数,若误差值大于设定的误差阈值并且步骤B3执行次数小于设定的执行次数阈值,将该控制信号unew及终点位置p′new所形成的一组运动模板保存入运动模板库,再次重复步骤B2、步骤B3、步骤B4,直至误差值≤设定的误差阈值或步骤B3执行次数≥设定的执行次数阈值,机器人控制器将保存对应的控制信号及终点位置作为新任务的运动模板,执行该模板中的控制信号,输出运动结果。
2.根据权利要求1所述的类人机器人上肢运动的类神经控制方法,其特征在于,步骤A1中依据人体上肢动力学模型的建立过程为:通过对上肢运动过程的依次建模来进行类人机器人的上肢动力学模型D的建立。
3.根据权利要求1所述的类人机器人上肢运动的类神经控制方法,其特征在于,步骤A2中所述的类人机器人上肢运动的控制信号为类神经元信号,该信号为一组由机器人控制器产生的时间序列,机器人控制器依据类神经元信号控制电机转动,进而带动类人机器人的上肢肌肉运动,将类人机器人上肢运动到指定的终点位置,类人机器人上肢运动的输出结果为上肢运动的终点位置。
4.根据权利要求1所述的类人机器人上肢运动的类神经控制方法,其特征在于,步骤A2中运动模板库的建立包括如下步骤:
步骤A21,设定一次上肢运动中期望的终点位置pi={xi,yi};
步骤A22,根据pi及上肢动力学模型D反向计算出对应的控制信号ui;
步骤A23,根据ui及上肢动力学模型D计算出机器人上肢运动中实际的终点位置p′i;
步骤A24,同一次运动中的ui和p′i将作为一组初始的运动模板;
步骤A25,重复步骤A21至步骤A24获得m组初始的运动模板形成运动模板库并存储于机器人控制器中,运动模板库表示为U={u1,u2,...,um}和P’={p′1,p′2,...,p′m}。
5.根据权利要求1所述的类人机器人上肢运动的类神经控制方法,其特征在于,步骤A2中初始的运动模板的个数m≥3,步骤B2中k≥3。
6.根据权利要求1-5中任一项所述的类人机器人上肢运动的类神经控制方法,其特征在于,步骤B3中unew和p′new具体计算方法如下:
步骤B31,依次计算pnew与步骤B2中所选的运动模板所对应上肢终点位置p′i的权重关系wi;
式中,di表示p′i与pnew的欧几里得距离;
步骤B32,利用步骤B2中所选的运动模板的控制信号ui及对应权重wi计算新任务所需的控制信号unew,计算公式为
步骤B33,将控制信号unew带入上肢动力学模型D,计算出在新任务的上肢运动中实际的终点位置p′new。
7.根据权利要求6所述的类人机器人上肢运动的类神经控制方法,其特征在于,步骤B2中运动模板的选择方法包括如下步骤:
步骤B21,从运动模板库中选择3个运动模板,使3个运动模板中类人机器人上肢的终点位置p′i能够形成包围pnew的最小三角形;
步骤B22,当选择的模板数k>3时,从运动模板库中选择其余的运动模板,选择依据为类人机器人上肢的终点位置p′i与pnew的距离从小到大顺序选择,且能与步骤B21中所选择的3个运动模板中类人机器人上肢的终点位置p′i形成一个包围pnew的凸多边形N;
本步骤中所述的其余运动模板的个数为:若为首次执行步骤B21则为K-3,若非首次执行步骤B21则为K-4个运动模板。
步骤B23,若为首次执行步骤B21,则k个运动模板由步骤B21中选择3个运动模板,以及步骤B22中选择k-3个运动模板共同构成;若非首次执行步骤B21,则k个运动模板由步骤B21中选择3个运动模板、步骤B22中选择k-4个运动模板、步骤B3中前一次计算得到unew及p′new所形成的一组运动模板共同构成。
8.根据权利要求7所述的类人机器人上肢运动的类神经控制方法,其特征在于,步骤B4中依据控制精度和计算时间进行误差阈值的设定。
9.根据权利要求8所述的类人机器人上肢运动的类神经控制方法,其特征在于,所述的上肢运动过程包括肌肉激活、肌肉收缩、关节运动过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510960570.XA CN105467841B (zh) | 2015-12-18 | 2015-12-18 | 一种类人机器人上肢运动的类神经控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510960570.XA CN105467841B (zh) | 2015-12-18 | 2015-12-18 | 一种类人机器人上肢运动的类神经控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105467841A true CN105467841A (zh) | 2016-04-06 |
CN105467841B CN105467841B (zh) | 2018-03-30 |
Family
ID=55605657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510960570.XA Active CN105467841B (zh) | 2015-12-18 | 2015-12-18 | 一种类人机器人上肢运动的类神经控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105467841B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108422421A (zh) * | 2018-03-16 | 2018-08-21 | 中国科学院自动化研究所 | 骨骼肌肉式机器人的肌肉控制和装配方法 |
CN108446442A (zh) * | 2018-02-12 | 2018-08-24 | 中国科学院自动化研究所 | 类神经肌肉骨骼机器人上肢模型的简化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630162A (zh) * | 2008-07-16 | 2010-01-20 | 中国科学院自动化研究所 | 多移动机器人局部跟随控制方法 |
CN102346489A (zh) * | 2010-07-28 | 2012-02-08 | 中国科学院自动化研究所 | 基于脉冲神经网络的机器人跟踪目标的控制方法 |
CN103529704A (zh) * | 2013-10-12 | 2014-01-22 | 中国人民解放军第四军医大学 | 类骨骼肌直线网状阵列式人工肌肉设计及类神经控制方法 |
US20150324687A1 (en) * | 2012-06-01 | 2015-11-12 | Qualcomm Technologies Inc. | Intelligent modular robotic apparatus and methods |
CN105163657A (zh) * | 2013-03-11 | 2015-12-16 | 泰勒顿国际控股公司 | 自主神经***建模及其用途 |
-
2015
- 2015-12-18 CN CN201510960570.XA patent/CN105467841B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630162A (zh) * | 2008-07-16 | 2010-01-20 | 中国科学院自动化研究所 | 多移动机器人局部跟随控制方法 |
CN102346489A (zh) * | 2010-07-28 | 2012-02-08 | 中国科学院自动化研究所 | 基于脉冲神经网络的机器人跟踪目标的控制方法 |
US20150324687A1 (en) * | 2012-06-01 | 2015-11-12 | Qualcomm Technologies Inc. | Intelligent modular robotic apparatus and methods |
CN105163657A (zh) * | 2013-03-11 | 2015-12-16 | 泰勒顿国际控股公司 | 自主神经***建模及其用途 |
CN103529704A (zh) * | 2013-10-12 | 2014-01-22 | 中国人民解放军第四军医大学 | 类骨骼肌直线网状阵列式人工肌肉设计及类神经控制方法 |
Non-Patent Citations (1)
Title |
---|
STEPHEN H.SCOTT: "optimal feedback control and the neural basis of volitional motor control", 《NATURE PUBISHING GROUP》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446442A (zh) * | 2018-02-12 | 2018-08-24 | 中国科学院自动化研究所 | 类神经肌肉骨骼机器人上肢模型的简化方法 |
CN108422421A (zh) * | 2018-03-16 | 2018-08-21 | 中国科学院自动化研究所 | 骨骼肌肉式机器人的肌肉控制和装配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105467841B (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103472724B (zh) | 一种用于多自由度并联机构的实时控制动力学建模方法 | |
CN109240091B (zh) | 一种基于强化学习的水下机器人控制方法及其进行跟踪的控制方法 | |
CN109702744A (zh) | 一种基于动态***模型的机器人模仿学习的方法 | |
CN107160398B (zh) | 基于确定学习的全状态受限刚性机械臂安全可靠控制方法 | |
Yu et al. | Shape control of deformable linear objects with offline and online learning of local linear deformation models | |
CN101520857B (zh) | 一种基于神经网络的永磁球形电动机逆运动学求解方法 | |
CN103279039A (zh) | 一种机器人神经网络式计算力矩控制器训练平台及训练方法 | |
CN109968355A (zh) | 一种仿人机器人步态平衡模型建立的方法 | |
CN104921851B (zh) | 主动型膝上假肢膝关节的预测控制方法 | |
CN105676636A (zh) | 一种基于nsga-ii算法的冗余度空间机械臂多目标优化方法 | |
CN106041912A (zh) | 主从式蛇形机器人***及其位置控制方法 | |
CN103204193A (zh) | 一种欠驱动双足机器人行走控制方法 | |
CN107685343A (zh) | 一种机械臂运动学参数标定构型优化方法 | |
CN106814610A (zh) | 基于非线性模型预测控制的双足机器人步态优化的信赖域‑sqp方法 | |
Guo et al. | Fuzzy PID algorithm-based motion control for the spherical amphibious robot | |
Curran et al. | Dimensionality reduced reinforcement learning for assistive robots | |
Hu et al. | Learning a faster locomotion gait for a quadruped robot with model-free deep reinforcement learning | |
CN105467841A (zh) | 一种类人机器人上肢运动的类神经控制方法 | |
CN105511267A (zh) | 一种仿蛇搜救机器人多步态控制方法 | |
Sheng et al. | Forward kinematics of the Stewart platform using hybrid immune genetic algorithm | |
CN107511830A (zh) | 一种五自由度混联机器人控制器参数自适应调整实现方法 | |
CN108453737A (zh) | 一种基于神经网络的机器人动作轨迹获取***及方法 | |
CN108333971A (zh) | 仿人机器人的结构与运动的协同优化方法 | |
CN107894709A (zh) | 基于自适应评价网络冗余机器人视觉伺服控制 | |
CN106444382A (zh) | 一种保证物理可行性的串联机器人动力学参数辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |