CN114684293A - 一种机器人行走仿真算法 - Google Patents

一种机器人行走仿真算法 Download PDF

Info

Publication number
CN114684293A
CN114684293A CN202011579027.2A CN202011579027A CN114684293A CN 114684293 A CN114684293 A CN 114684293A CN 202011579027 A CN202011579027 A CN 202011579027A CN 114684293 A CN114684293 A CN 114684293A
Authority
CN
China
Prior art keywords
robot
training
gait
biped
data
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
CN202011579027.2A
Other languages
English (en)
Other versions
CN114684293B (zh
Inventor
王建
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.)
Chengdu Qiyuan Xipu Technology Co ltd
Original Assignee
Chengdu Qiyuan Xipu Technology 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 Chengdu Qiyuan Xipu Technology Co ltd filed Critical Chengdu Qiyuan Xipu Technology Co ltd
Priority to CN202011579027.2A priority Critical patent/CN114684293B/zh
Publication of CN114684293A publication Critical patent/CN114684293A/zh
Application granted granted Critical
Publication of CN114684293B publication Critical patent/CN114684293B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D57/00—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track
    • B62D57/02—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track with ground-engaging propulsion means, e.g. walking members
    • B62D57/032—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track with ground-engaging propulsion means, e.g. walking members with alternately or sequentially lifted supporting base and legs; with alternately or sequentially lifted feet or skid
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
    • 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)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Automation & Control Theory (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Manipulator (AREA)

Abstract

为了提升双足机器人在协作状态下的稳定性控制效果，优化算法，本发明通过对特殊点值进行采样，在计算机上模拟以下步骤：基于神经细胞层建立神经网络模型、利用步态测量装置获得的第一双足机器人的步态点值数据进行训练，以及训练第一双足机器人的步态平衡；根据平衡结果进行调整。本发明的双足机器人不仅能够基于自身或其他双足机器人的经验数据提升步态控制模型的训练深度，而且能够与其他双足机器人有效合作，实现彼此经验共享，从而达到共同搬运同一货物、快速适应新环境以便于给予更重要任务以足够的运行时等效果。

Description

一种机器人行走仿真算法
技术领域
本发明涉及自动控制技术领域。
背景技术
双足机器人与传统轮式机器人相比有更好的可移动性。双足步行***具有非常丰富的动力学特性，对步行环境要求很低。目前大多数建筑和工具是依照人的身高和形体设计的，因此双足机器人作为一种机器人平台具有更好的使用灵活性。同时，双足机器人步态的稳定性控制是机器人顺畅行走的前提和基础。步态是指在站立或步行过程中，各个关节在时间和空间上的一种相互关系，可以由关节的运动轨迹来描述。
现有的双足机器人步态的稳定性研究都是基于零力矩点(ZeroMomentPoint，ZMP)的方法，建立双足机器人的数学模型，并根据ZMP必须落在稳定区域，比如机器人足部的脚掌范围，去推导控制法则。然而，由于路况等因素很可能导致机器人行走失败，甚至出现双足机器人摔倒的现象。这种现象对于多个双足机器人协作时是致命的灾难。
发明内容
为了提升双足机器人在协作状态下的稳定性控制效果，本发明提供了一种机器人行走仿真算法，包括在计算机上模拟以下步骤：基于神经细胞层建立神经网络模型、利用步态测量装置获得的第一双足机器人的步态数据进行训练，以及训练第一双足机器人的步态平衡；根据平衡结果进行调整。
进一步地，所述机器人的双足、踝关节和膝关节均为三自由度。
进一步地，所述步态数据包括角速度和加速度，所述角速度和加速度为前进方向的角速度和加速度。
进一步地，所述步态测量装置包括陀螺仪和加速度计。
进一步地，对步态数据的训练包括：
获得路面信息数据，其中，该路面信息数据至少包括电子地图中与当前位置有连通关系的路线信息以及经验数据；
获得步态数据，基于所述步态数据对预先构建的所述神经网络模型进行训练，得到一级训练模型：
Figure BDA0002865409860000021
Figure BDA0002865409860000022
其中p和q表示在1至10之间随机选取的一个正整数，且当以上两式角标无对应物理意义时取0；
利用一级训练模型对经验数据进行深度学习，学习结果用于进行霍普菲尔网络训练，得到二级训练模型。
进一步地，训练步态平衡包括：
获得至少一个第二双足机器人的步态数据；
利用第一双足机器人的二级训练模型对每个第二双足机器人的步态数据进行深度学习，学习结果进行汇总，最终的学习结果用于进行稀疏自编码机训练，得到第一双足机器人的三级训练模型。
进一步地，根据平衡结果进行调整包括：将第一双足机器人的步态数据输入三级训练模型进行差训练，得到的四级训练模型输出对于第一双足机器人的双足、踝关节和膝关节的各个自由度的动作设置。
进一步地，所述一级训练模型是利用蒙特卡洛搜索树优化算法中的随机选取方式进行选取的。
进一步地，所述经验数据为来自第一双足机器人或第二双足机器人以往通过与所述路线信息相似度最大的路线时的步态数据。
本发明的有益效果在于：双足机器人不仅能够基于自身或其他双足机器人的经验数据提升步态控制模型的训练深度，而且能够与其他双足机器人有效合作，实现彼此经验共享，从而达到共同搬运同一货物、快速适应新环境以便于给予更重要任务以足够的运行时等效果。
附图说明
图1示出了本方法的流程框图。
具体实施方式
一种机器人行走仿真算法，包括在计算机上模拟以下步骤：基于神经细胞层建立神经网络模型、利用步态测量装置获得的第一双足机器人的步态数据进行训练，以及训练第一双足机器人的步态平衡；根据平衡结果进行调整。
优选地，所述机器人的双足、踝关节和膝关节均为三自由度。
优选地，所述步态数据包括角速度和加速度，所述角速度和加速度为前进方向的角速度和加速度。
优选地，所述步态测量装置包括陀螺仪和加速度计。
优选地，对步态数据的训练包括：
获得路面信息数据，其中，该路面信息数据至少包括电子地图中与当前位置有连通关系的路线信息以及经验数据；
获得步态数据，基于所述步态数据对预先构建的所述神经网络模型进行训练，得到一级训练模型：
Figure BDA0002865409860000041
Figure BDA0002865409860000042
其中i表示自由度，取值为1、2或3；p和q表示在1至10之间随机选取的一个正整数，且当以上两式角标无对应物理意义时取0；
利用一级训练模型对经验数据进行深度学习，学习结果用于进行霍普菲尔网络训练，得到二级训练模型。
优选地，训练步态平衡包括：
获得至少一个第二双足机器人的步态数据：
利用第一双足机器人的二级训练模型对每个第二双足机器人的步态数据进行深度学习，学习结果进行汇总，最终的学习结果用于进行稀疏自编码机训练，得到第一双足机器人的三级训练模型。
优选地，根据平衡结果进行调整包括：将第一双足机器人的步态数据输入三级训练模型进行差训练，得到的四级训练模型输出对于第一双足机器人的双足、踝关节和膝关节的各个自由度的动作设置。
优选地，所述一级训练模型是利用蒙特卡洛搜索树优化算法中的随机选取方式进行选取的。
优选地，所述经验数据为来自第一双足机器人或第二双足机器人以往通过与所述路线信息相似度最大的路线时的步态数据。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种机器人行走仿真算法，其特征在于，包括在计算机上模拟以下步骤：基于神经细胞层建立神经网络模型、利用步态测量装置获得的第一双足机器人的步态数据进行训练，以及训练第一双足机器人的步态平衡；根据平衡结果进行调整。
2.根据权利要求1所述的机器人行走仿真算法，其特征在于，所述机器人的双足、踝关节和膝关节均为三自由度。
3.根据权利要求1所述的机器人行走仿真算法，其特征在于，所述步态数据包括角速度和加速度，所述角速度和加速度为前进方向的角速度和加速度。
4.根据权利要求1所述的机器人行走仿真算法，其特征在于，所述步态测量装置包括陀螺仪和加速度计。
5.根据权利要求1所述的机器人行走仿真算法，其特征在于，对步态数据的训练包括：
获得路面信息数据，其中，该路面信息数据至少包括电子地图中与当前位置有连通关系的路线信息以及经验数据；
获得步态数据，基于所述步态数据对预先构建的所述神经网络模型进行训练，得到一级训练模型：
Figure FDA0002865409850000011
Figure FDA0002865409850000012
其中p和q表示在1至10之间随机选取的一个正整数，且当以上两式角标无对应物理意义时取0；
利用一级训练模型对经验数据进行深度学习，学习结果用于进行霍普菲尔网络训练，得到二级训练模型。
6.根据权利要求5所述的机器人行走仿真算法，其特征在于，训练步态平衡包括：
获得至少一个第二双足机器人的步态数据；
利用第一双足机器人的二级训练模型对每个第二双足机器人的步态数据进行深度学习，学习结果进行汇总，最终的学习结果用于进行稀疏自编码机训练，得到第一双足机器人的三级训练模型。
7.根据权利要求6所述的机器人行走仿真算法，其特征在于，根据平衡结果进行调整包括：将第一双足机器人的步态数据输入三级训练模型进行差训练，得到的四级训练模型输出对于第一双足机器人的双足、踝关节和膝关节的各个自由度的动作设置。
8.根据权利要求7所述的机器人行走仿真算法，其特征在于，所述一级训练模型是利用蒙特卡洛搜索树优化算法中的随机选取方式进行选取的。
9.根据权利要求8所述的机器人行走仿真算法，其特征在于，所述经验数据为来自第一双足机器人或第二双足机器人以往通过与所述路线信息相似度最大的路线时的步态数据。
CN202011579027.2A 2020-12-28 2020-12-28 一种机器人行走仿真算法 Active CN114684293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011579027.2A CN114684293B (zh) 2020-12-28 2020-12-28 一种机器人行走仿真算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011579027.2A CN114684293B (zh) 2020-12-28 2020-12-28 一种机器人行走仿真算法

Publications (2)

Publication Number Publication Date
CN114684293A true CN114684293A (zh) 2022-07-01
CN114684293B CN114684293B (zh) 2023-07-25

Family

ID=82130043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011579027.2A Active CN114684293B (zh) 2020-12-28 2020-12-28 一种机器人行走仿真算法

Country Status (1)

Country Link
CN (1) CN114684293B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100093834A (ko) * 2009-02-17 2010-08-26 동아대학교 산학협력단 이족 인간형 로봇의 계단 오르기를 위한 최적 궤적 설계 방법
CN104238562A (zh) * 2013-06-13 2014-12-24 通用汽车环球科技运作有限责任公司 用于经由可穿戴传感器控制机器人装置的方法和设备
KR20170074539A (ko) * 2015-12-22 2017-06-30 한국항공대학교산학협력단 딥 러닝을 이용한 무인기 비행 제어 시스템 및 방법
WO2018053187A1 (en) * 2016-09-15 2018-03-22 Google Inc. Deep reinforcement learning for robotic manipulation
CN108983804A (zh) * 2018-08-27 2018-12-11 燕山大学 一种基于深度强化学习的双足机器人步态规划方法
US20190204848A1 (en) * 2017-12-29 2019-07-04 Ubtech Robotics Corp Gait control method, device, and terminal device for biped robot
CN109968355A (zh) * 2019-03-08 2019-07-05 北京工业大学 一种仿人机器人步态平衡模型建立的方法
CN110262511A (zh) * 2019-07-12 2019-09-20 同济人工智能研究院(苏州)有限公司 基于深度强化学习的双足机器人自适应性行走控制方法
WO2019209681A1 (en) * 2018-04-22 2019-10-31 Google Llc Systems and methods for learning agile locomotion for multiped robots
CN111546349A (zh) * 2020-06-28 2020-08-18 常州工学院 一种仿人机器人步态规划的深度强化学习新方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100093834A (ko) * 2009-02-17 2010-08-26 동아대학교 산학협력단 이족 인간형 로봇의 계단 오르기를 위한 최적 궤적 설계 방법
CN104238562A (zh) * 2013-06-13 2014-12-24 通用汽车环球科技运作有限责任公司 用于经由可穿戴传感器控制机器人装置的方法和设备
KR20170074539A (ko) * 2015-12-22 2017-06-30 한국항공대학교산학협력단 딥 러닝을 이용한 무인기 비행 제어 시스템 및 방법
WO2018053187A1 (en) * 2016-09-15 2018-03-22 Google Inc. Deep reinforcement learning for robotic manipulation
US20190204848A1 (en) * 2017-12-29 2019-07-04 Ubtech Robotics Corp Gait control method, device, and terminal device for biped robot
WO2019209681A1 (en) * 2018-04-22 2019-10-31 Google Llc Systems and methods for learning agile locomotion for multiped robots
CN108983804A (zh) * 2018-08-27 2018-12-11 燕山大学 一种基于深度强化学习的双足机器人步态规划方法
CN109968355A (zh) * 2019-03-08 2019-07-05 北京工业大学 一种仿人机器人步态平衡模型建立的方法
CN110262511A (zh) * 2019-07-12 2019-09-20 同济人工智能研究院(苏州)有限公司 基于深度强化学习的双足机器人自适应性行走控制方法
CN111546349A (zh) * 2020-06-28 2020-08-18 常州工学院 一种仿人机器人步态规划的深度强化学习新方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
夏泽洋: "仿人机器人运动规划研究进展", 高技术通讯，第17卷第10期, pages 1092 - 1099 *
王立权;俞志伟: "基于ADAMS的双足机器人拟人行走动态仿真", 计算机仿真, vol. 26, no. 3, pages 160 - 182 *

Also Published As

Publication number Publication date
CN114684293B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Farley et al. How to pick a mobile robot simulator: A quantitative comparison of CoppeliaSim, Gazebo, MORSE and Webots with a focus on accuracy of motion
Vundavilli et al. Dynamically balanced optimal gaits of a ditch-crossing biped robot
Wu et al. Posture self-stabilizer of a biped robot based on training platform and reinforcement learning
Gamus et al. Dynamic bipedal walking under stick-slip transitions
Seven et al. Bipedal robot walking control on inclined planes by fuzzy reference trajectory modification
US20220324109A1 (en) Method and apparatus for controlling multi-legged robot, and storage medium
CN107016411B (zh) 数据处理方法及装置
Xu et al. Research on kinematics and stability of a bionic wall‐climbing hexapod robot
Yang et al. On stabilization of bipedal robots during disturbed standing using the concept of Lyapunov exponents
CN114684293A (zh) 一种机器人行走仿真算法
Lee et al. Time-dependent genetic algorithm and its application to quadruped’s locomotion
CN112698656B (zh) 一种双足机器人步态稳定控制方法
Yue et al. Simulation for senior undergraduate education of robot engineering based on Webots
Clever et al. A new template model for optimization studies of human walking on different terrains
Moslemi et al. Optimizing vertical jumping height of single-legged robots with passive TOE joints using the genetic algorithm
Hwang et al. Biped Balance Control by Reinforcement Learning.
CN114690788A (zh) 一种机器人步态优化方法
Ferreira et al. Human-like gait adaptation to slippery surfaces for the nao robot wearing instrumented shoes
CN106096188A (zh) 攀岩模拟定线方法及其***
Tarokh et al. Systematic method for kinematics modeling of legged robots on uneven terrain
Yu et al. Walking simulation of biped robot on inclined plane based on gait recognition
Tarokh et al. Kinematics modeling of multi-legged robots walking on rough terrain
KR101310276B1 (ko) 연결체 강체의 동역학 시뮬레이션 방법 및 시스템
Fu et al. Dynamic stability analyzes for a parallel–serial legged quadruped robot
Suzuki et al. Passive walking towards running

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