CN114690788A - 一种机器人步态优化方法 - Google Patents
一种机器人步态优化方法 Download PDFInfo
- Publication number
- CN114690788A CN114690788A CN202011579191.3A CN202011579191A CN114690788A CN 114690788 A CN114690788 A CN 114690788A CN 202011579191 A CN202011579191 A CN 202011579191A CN 114690788 A CN114690788 A CN 114690788A
- Authority
- CN
- China
- Prior art keywords
- gait
- biped robot
- training
- data
- robot
- 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
- 230000005021 gait Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 210000003061 neural cell Anatomy 0.000 claims abstract description 4
- 238000013135 deep learning Methods 0.000 claims description 9
- 210000002683 foot Anatomy 0.000 claims description 7
- 210000000544 articulatio talocruralis Anatomy 0.000 claims description 6
- 210000000629 knee joint Anatomy 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0891—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (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,本发明提供了一种机器人步态优化方法,用于对第一双足机器人的步态进行优化,包括: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;根据平衡结果以及第二双足机器人的步态数据对第一双足机器人的步态进行优化。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
技术领域
本发明涉及自动控制技术领域,更具体地,涉及一种机器人步态优化方法。
背景技术
随着科学技术的进步,双足机器人获得了快速发展并在多个领域被广泛应用。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(Zero Moment Point,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步态优化方法,用于对第一双足机器人的步态进行优化,包括: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;根据平衡结果以及第二双足机器人的步态数据对第一双足机器人的步态进行优化。
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:
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。
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,所述第二双足机器人的数量大于或等于3;
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,根据平衡结果以及第二双足机器人的步态数据对第一双足机器人的步态进行优化包括:获得与所述第一双足机器人在行走方向上距离最远的一个第二双足机器人,基于该第二双足机器人的步态数据对第一双足机器人的二级训练模型进行深度学习,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四级训练模型;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,是以第一双足机器人的步态数据训练四级训练模型后得到的模型来输出动作参数的。
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
一种机器人步态优化方法,用于对第一双足机器人的步态进行优化,包括: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;根据平衡结果以及第二双足机器人的步态数据对第一双足机器人的步态进行优化。
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:
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。
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,所述第二双足机器人的数量大于或等于3:
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,根据平衡结果以及第二双足机器人的步态数据对第一双足机器人的步态进行优化包括:获得与所述第一双足机器人在行走方向上距离最远的一个第二双足机器人,基于该第二双足机器人的步态数据对第一双足机器人的二级训练模型进行深度学习,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四级训练模型;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,是以第一双足机器人的步态数据训练四级训练模型后得到的模型来输出动作参数的。
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)
1.一种机器人步态优化方法,用于对第一双足机器人的步态进行优化,其特征在于,该方法包括: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;根据平衡结果以及第二双足机器人的步态数据对第一双足机器人的步态进行优化。
2.根据权利要求1所述的机器人步态优化方法,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所述的机器人步态优化方法,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所述的机器人步态优化方法,其特征在于,所述步态测量装置包括陀螺仪和加速度计。
6.根据权利要求5所述的机器人步态优化方法,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,所述第二双足机器人的数量大于或等于3;
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所述的机器人步态优化方法,其特征在于,根据平衡结果以及第二双足机器人的步态数据对第一双足机器人的步态进行优化包括:获得与所述第一双足机器人在行走方向上距离最远的一个第二双足机器人,基于该第二双足机器人的步态数据对第一双足机器人的二级训练模型进行深度学习,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四级训练模型;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,是以第一双足机器人的步态数据训练四级训练模型后得到的模型来输出动作参数的。
8.根据权利要求7所述的机器人步态优化方法,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所述的机器人步态优化方法,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011579191.3A CN114690788A (zh) | 2020-12-28 | 2020-12-28 | 一种机器人步态优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011579191.3A CN114690788A (zh) | 2020-12-28 | 2020-12-28 | 一种机器人步态优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114690788A true CN114690788A (zh) | 2022-07-01 |
Family
ID=82129657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011579191.3A Pending CN114690788A (zh) | 2020-12-28 | 2020-12-28 | 一种机器人步态优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114690788A (zh) |
-
2020
- 2020-12-28 CN CN202011579191.3A patent/CN114690788A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Herzog et al. | Template-based learning of grasp selection | |
US7881824B2 (en) | System and method of controlling a legged locomotion robot | |
Chestnutt et al. | Planning biped navigation strategies in complex environments | |
Kalakrishnan et al. | Learning locomotion over rough terrain using terrain templates | |
Vundavilli et al. | Dynamically balanced optimal gaits of a ditch-crossing biped robot | |
Gritli et al. | Intermittency and interior crisis as route to chaos in dynamic walking of two biped robots | |
Belter et al. | Posture optimization strategy for a statically stable robot traversing rough terrain | |
Mrudul et al. | An efficient path planning algorithm for biped robot using fast marching method | |
Kashyap et al. | Multi-objective trajectory planning of humanoid robot using hybrid controller for multi-target problem in complex terrain | |
CN113515135B (zh) | 多足机器人的控制方法、装置、电子设备及存储介质 | |
Zhang et al. | A free gait generation method for quadruped robots over rough terrains containing forbidden areas | |
Lee et al. | Time-dependent genetic algorithm and its application to quadruped’s locomotion | |
Jeon et al. | Optimal trajectory generation for a biped robot walking a staircase based on genetic algorithms | |
Cisneros et al. | Partial yaw moment compensation using an optimization-based multi-objective motion solver | |
CN114690788A (zh) | 一种机器人步态优化方法 | |
CN114684293B (zh) | 一种机器人行走仿真算法 | |
CN112698656B (zh) | 一种双足机器人步态稳定控制方法 | |
Clever et al. | A new template model for optimization studies of human walking on different terrains | |
Ferreira et al. | Human-like gait adaptation to slippery surfaces for the nao robot wearing instrumented shoes | |
Ding et al. | Dynamic modeling and locomotion control for quadruped robots based on center of inertia on SE (3) | |
Walas et al. | Supporting locomotive functions of a six-legged walking robot | |
Tarokh et al. | Systematic method for kinematics modeling of legged robots on uneven terrain | |
Petrič et al. | Multilayer control of skiing robot | |
DeHart | Dynamic Balance and Gait Metrics for Robotic Bipeds | |
CN113954080A (zh) | 机器人的转向行走轨迹规划方法、装置、设备及介质 |
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 |