一种基于PSO-PD神经网络的四足机器人运动轨迹控制方法技术

本发明专利技术涉及一种基于PSO‑PD神经网络的四足机器人运动轨迹控制方法，包括：(1)求取机器人在运动轨迹上的目标落点；(2)将目标落点、反馈的躯干重心位置输入PSO‑PD神经网络的输入层；线性变换后进入第一隐含层，比例运算与微分运算；线性变换后进入第二隐含层，得到x方向与y方向上的指导位移；进入第三隐含层，求得指导位移距离、指导躯干朝向；进入第五层，对四足机器人的足端轨迹控制、转向控制；进入第六层，发生扰动时调整四足机器人姿态；进入第七层，求取四足机器人的躯干朝向、躯干重心位置，躯干朝向反馈给第五层，躯干重心位置反馈给输入层。具有更好的非线性解耦控制能力，控制精确，稳定性强，具有较好的抗干扰能力。

【技术实现步骤摘要】
一种基于PSO-PD神经网络的四足机器人运动轨迹控制方法
本专利技术涉及一种机器人运动轨迹控制方法，具体涉及一种基于PSO-PD神经网络的四足机器人运动轨迹控制方法。
技术介绍
随着科学技术的飞速发展，机器人技术也越来越多地应用于复杂环境之中。其中足式机器人相对于轮式或履带式机器人在非结构环境中运动具有一定的优越性。而四足机器人相比于其他多足步行机器人，具有结构简单，运动稳定等优势，因此具有较高的研究意义与应用价值。在复杂环境工作时，机器人沿着预先设定好的运动轨迹运行。能够以最快的速度，最低的能耗经过各个工作点，与此同时还能避开各种障碍等影响运行稳定的因素。因此研究四足机器人的运动轨迹控制对四足机器人的应用于研究具有重大的意义。四足机器人是一个复杂的非线性系统，且躯干朝向与重心位置存在耦合关系，因此四足机器人运动轨迹控制是一个十分复杂非线性解耦控制问题。现有方法只能对四足机器人实现直线轨迹控制，或圆形轨迹控制；或在此基础上通过步态切换实现简单非线性轨迹的控制。但始终无法对机器人实现连续精准的非线性运动轨迹控制。一般现有PD神经网络为四层前向神经网络，第一层为输入层，接收控制信号与反馈信号；第二层为比例微分计算层，通过作用函数对误差进行比例计算与微分计算；第三层为控制率输出层，通过对比例微分运算的结果进行线性运算得到控制率；第四层为控制对象。
技术实现思路
针对现有技术的不足，本专利技术提供了一种基于PSO-PD神经网络的四足机器人运动轨迹控制方法。本专利技术中设计了一种专门面向四足机器人运动轨迹控制的PD神经网络，但由于该PD神经网络经网络中存在状态反馈与不连续可导的作用函数无法通过BP学习算法实现神经网络的自适应学习，于是本专利技术使用改进PSO算法作为PD神经网络的学习算法。改进PSO算法收敛快、精度高且不宜陷入局部最优，能够精准地实现PD神经网络的自适应学习。总之，本专利技术能够快速精准地实现四足机器人运动轨迹控制，有望在机器人运动控制中得到广泛应用。本专利技术的技术方案为：一种基于PSO-PD神经网络的四足机器人运动轨迹控制方法，包括：(1)根据四足机器人运动轨迹与预设步长，求取四足机器人重心在该运动轨迹上的目标落点,即四足机器人重心在该运动轨迹上的坐标；是相对于实际结果而言的。(2)将步骤(1)求取的四足机器人重心在该运动轨迹上的目标落点、实时反馈的躯干重心位置(yx,yy)输入PD神经网络模型的输入层；线性变换后进入PD神经网络模型的第一隐含层，在第一隐含层进行比例运算与微分运算；再次线性变换后进入PD神经网络模型的第二隐含层，在第二隐含层得到x方向与y方向上的指导位移，所处坐标系为四足机器人运动所在的水平平面的坐标系，原点为四足机器人初始重心位置；进入PD神经网络模型的第三隐含层，在第三隐含层求得指导位移距离dr、指导转向角度dθ，指导位移距离dr是指四足机器人从当前这一步到下一步迈出的距离，指导转向角度是指四足机器人从当前这一步到下一步的躯干转向角度；进入PD神经网络模型的第五层，在第五层实现对四足机器人的足端轨迹控制、转向控制；进入PD神经网络模型的第六层，当四足机器人足端发生滑动时，调整四足机器人姿态，保证四足机器人运行稳定；但该过程会使机器人重心发生变化，可视为随机时刻发生的大小随机的扰动，此外还有诸多其他原因造成的扰动，在第六层加入扰动进行模拟，并将加入扰动后的步长作为实际步长反馈给第五层；进入PD神经网络模型的第七层，求取四足机器人的躯干朝向yθ、躯干重心位置(yx,yy)，躯干朝向yθ是指当前迈步结束后，躯干的实际朝向，即躯干与X轴的夹角；躯干重心位置(yx,yy)是指四足机器人重心在所述坐标系中的坐标；四足机器人的躯干朝向yθ反馈给PD神经网络模型的第五层，躯干重心位置(yx,yy)反馈给PD神经网络模型的输入层。根据本专利技术优选的，采用改进的粒子群优化算法调整PD神经网络模型中多层神经元之间的连接权值，实现面向机器人运动轨迹控制的PD神经网络的自适应学习，包括：a、将多层神经元之间的连接权值的选取问题转化为最优化问题，最优化问题的目标函数即输出向量与导师信号向量的L2范数，如式(Ⅰ)所示，导师信号即目标落点坐标，输出向量即四足机器人实际重心位置；式(Ⅰ)中，Error为最优化问题的目标函数，xd(k)、yd(k)分别为四足机器人第k步的重心目标落点的横坐标、纵坐标，yx(k)、yy(k)为四足机器人第k步的重心目标落点的实际横坐标、纵坐标；b、利用先前经验确定每个连接权值的取值范围，即确定寻优范围；c、在寻优范围内随机初始化一群粒子，即粒子群，包括初始化粒子的初始位置与初始速度，用位置、速度和适应度这三个指标表示粒子特征，位置表示PD神经网络模型中所有的连接权值取值，速度表示每个粒子演化的方向，适应度值由适应度函数求得，即每个粒子对应的目标函数；而每个粒子都代表上述最优化问题的一个潜在最优解；粒子的速度依据粒子的当前位置、当前速度、粒子的历史最佳位置Pbest与粒子群中最优粒子的位置Gbest更新，粒子的速度的更新公式如式(Ⅱ)所示：式(Ⅱ)中，id为粒子群中粒子的编号，为第i代粒子的速度，为第i代粒子在第i代之前的历史最佳位置，为第i代粒子群中最优粒子的位置；ω(i)为第i代粒子的惯性权重，其大小决定速度在多大程度上继承上一代粒子的运动速度；％1、％2为加速度因子，取值为非负常数；r1、r2为0到1之间的随机数；是第i代粒子的位置；初始化时ω的取值ωstart为0.9，迭代结束时ω的取值ω34d为0.01，在迭代过程中惯性权重ω加速衰减，初期优先寻优速度，后期着重寻优精度，惯性权重ω的更新公式如式(Ⅲ)所示：式(Ⅲ)中，maxg；n为最大迭代次数；本专利技术加入了非线性递减惯性权重ω(i)，惯性权重ω(i)决定速度在多大程度上继承上一代的运动速度，在迭代过程中ω(i)越大寻优速度越快，但精度越低；反之则精度越高，速度越低。为达到速度与精度的平衡，惯性权重ω(i)在迭代初期较大，随着迭代进行惯性权重逐步减小。得到更新后的粒子的速度后，更新该粒子的位置，粒子的位置的更新公式如式(Ⅳ)所示：若式(Ⅳ)求取的对应的目标函数小于对应的适应度函数，则反之，同时，更新种群中最优粒子的位置，得到如此，进行多次迭代即得到近似最优解，即使PD神经网络模型控制误差最小的近似最优权值。加入遗传算法中的自适应变异的思想，即粒子位置更新之后，有一定概率发生在取值范围内的变异。自适应变异拓展了在迭代中不断缩小的粒子群搜索空间，使其能够在更大的空间展开搜索，使其跳出局部最优，增加得到全局最优的可能性。每个粒子在位置更新后，会生成一个随机数，如果大于0.9则在寻优范围内重新随机初始化该粒子。如果小于等于0.9则什么都不做。改进的粒子群优化算法在不易陷入局部最优的同时兼顾收敛速度与寻优精度。用其替代传统PSO粒子群算法实现PSO-PD神经网络的自适应学习。改进的粒子群优化算法，学习时间更短，控制精度更高，因此可以更好的满足四足机器人运动轨迹控制的控制需求。根据本专利技术优选的，所述步骤(1)，根据四足机器人运动轨迹，求取四足机器人在该运动轨迹上的目标落点，设定四足机器人的运动轨迹为正弦曲线，沿正弦曲线运动时，机器人的转弯半径，本文档来自技高网...

【技术保护点】
一种基于PSO‑PD神经网络的四足机器人运动轨迹控制方法，其特征在于，包括：(1)根据四足机器人运动轨迹与预设步长，求取四足机器人重心在该运动轨迹上的目标落点,即四足机器人重心在该运动轨迹上的坐标；(2)将步骤(1)求取的四足机器人重心在该运动轨迹上的目标落点、实时反馈的躯干重心位置(y

【技术特征摘要】
1.一种基于PSO-PD神经网络的四足机器人运动轨迹控制方法，其特征在于，包括：(1)根据四足机器人运动轨迹与预设步长，求取四足机器人重心在该运动轨迹上的目标落点,即四足机器人重心在该运动轨迹上的坐标；(2)将步骤(1)求取的四足机器人重心在该运动轨迹上的目标落点、实时反馈的躯干重心位置(yx,yy)输入PD神经网络模型的输入层；线性变换后进入PD神经网络模型的第一隐含层，在第一隐含层进行比例运算与微分运算；再次线性变换后进入PD神经网络模型的第二隐含层，在第二隐含层得到x方向与y方向上的指导位移，所处坐标系为四足机器人运动所在的水平平面的坐标系，原点为四足机器人初始重心位置；进入PD神经网络模型的第三隐含层，在第三隐含层求得指导位移距离dr、指导转向角度dθ，指导位移距离dr是指四足机器人从当前这一步到下一步迈出的距离，指导转向角度是指四足机器人从当前这一步到下一步的躯干转向角度；进入PD神经网络模型的第五层，在第五层实现对四足机器人的足端轨迹控制、转向控制；进入PD神经网络模型的第六层，当四足机器人足端发生滑动时，调整四足机器人姿态，保证四足机器人运行稳定；在第六层加入扰动进行模拟，并将加入扰动后的步长作为实际步长反馈给第五层；进入PD神经网络模型的第七层，求取四足机器人的躯干朝向yθ、躯干重心位置(yx,yy)，躯干朝向yθ是指当前迈步结束后，躯干的实际朝向，即躯干与X轴的夹角；躯干重心位置(yx,yy)是指四足机器人重心在所述坐标系中的坐标；四足机器人的躯干朝向yθ反馈给PD神经网络模型的第五层，躯干重心位置(yx,yy)反馈给PD神经网络模型的输入层。2.根据权利要求1所述的一种基于PSO-PD神经网络的四足机器人运动轨迹控制方法，其特征在于，采用改进的粒子群优化算法调整PD神经网络模型中多层神经元之间的连接权值，实现面向机器人运动轨迹控制的PD神经网络的自适应学习，包括：a、将多层神经元之间的连接权值的选取问题转化为最优化问题，最优化问题的目标函数即输出向量与导师信号向量的L2范数，如式(Ⅰ)所示，导师信号即目标落点坐标，输出向量即四足机器人实际重心位置；式(Ⅰ)中，Error为最优化问题的目标函数，xd(k)、yd(k)分别为四足机器人第k步的重心目标落点的横坐标、纵坐标，yx(k)、yy(k)为四足机器人第k步的重心目标落点的实际横坐标、纵坐标；b、利用先前经验确定每个连接权值的取值范围，即确定寻优范围；c、在寻优范围内随机初始化一群粒子，即粒子群，包括初始化粒子的初始位置与初始速度，用位置、速度和适应度这三个指标表示粒子特征，位置表示PD神经网络模型中所有的连接权值取值，速度表示每个粒子演化的方向，适应度值由适应度函数求得，即每个粒子对应的目标函数；粒子的速度依据粒子的当前位置、当前速度、粒子的历史最佳位置Pbest与粒子群中最优粒子的位置Gbest更新，粒子的速度的更新公式如式(Ⅱ)所示：式(Ⅱ)中，id为粒子群中粒子的编号，为第i代粒子的速度，为第i代粒子在第i代之前的历史最佳位置，为第i代粒子群中最优粒子的位置；ω(i)为第i代粒子的惯性权重，其大小决定速度在多大程度上继承上一代粒子的运动速度；％1、％2为加速度因子，取值为非负常数；r1、r2为0到1之间的随机数；是第i代粒子的位置；初始化时ω的取值ωstart为0.9，迭代结束时ω的取值ω34d为0.01，在迭代过程中惯性权重ω加速衰减，初期优先寻优速度，后期着重寻优精度，惯性权重ω的更新公式如式(Ⅲ)所示：式(Ⅲ)中，maxgen为最大迭代次数；得到更新后的粒子的速度后，更新该粒子的位置，粒子的位置的更新公式如式(Ⅳ)所示：若式(Ⅳ)求取的对应的目标函数小于对应的适应度函数，则反之，同时，更新种群中最优粒子的位置，得到如此，进行多次迭代即得到近似最优解，即使PD神经网络模型控制误差最小的近似最优权值。3.根据权利要求1所述的一种基于PSO-PD神经网络的四足机器人运动轨迹控制方法，其特征在于，所述步骤(1)，根据四足机器人运动轨迹，求取四足机器人在该运动轨迹上的目标落点，设定四足机器人的运动轨迹为正弦曲线，设置预设步长L的取值范围为0.38-0.42m，求取四足机器人在该运动轨迹上的目标落点的公式如式(Ⅴ)所示：式(Ⅴ)中，x_1、y_1分别为前一步四足机器人重心的横坐标与纵坐标，x、y分别为当前一步四足机器人重心的横坐标与纵坐标；x_1、y_1的初始值均为0，求取x、y后，再赋值给x_1、y_1，反复迭代后，得到四足机器人在该运动轨迹上的目标落点。4.根据权利要求3所述的一种基于PSO-PD神经网络的四足机器人运动轨迹控制方法，其特征在于，L的取值为0.4m。5.根据权利要求1所述的一种基于PSO-PD神经网络的四足机器人运动轨迹控制方法，其特征在于，在第三隐含层求得指导位移距离dr、指导躯干朝向dθ，包括：通过式(Ⅵ)求取指导位移距离dr，式(Ⅵ)如下所示：式(Ⅵ)中，dΔx,dΔy为第二隐含层所求得的指导x增量与指导y增量，即x方向与y方向上的指导位移；通过式(Ⅶ)求取指导躯干朝向dθ，式(Ⅶ)如下所示：6.根据权利要求1所述的一种基于PSO-PD神经网络的四足机器人运动轨迹控制方法，其特征在于，实现对四足机器人的足端轨迹控制，四足机器人包括躯干以及与所述躯干连接的四条腿，在四足机器人的一个迈步周期中，在同一对角线上的两条腿以相同运动方式摆动，支撑躯干并推动躯干前进的两条腿称为支撑相，而按照事先设定轨迹进行摆动的另一对角线上的两条腿称为摆动相，包括步骤如下：A、通过分析四足机器人腿部结构，构建四...

【专利技术属性】
技术研发人员：孙涛，靳欣，李凡冰，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东,37