基于多目标粒子群算法的仿人机器人步态规划方法技术

本公开提供一种基于多目标粒子群算法的仿人机器人步态规划方法，包括如下步骤：S1应用三次样条插值函数，生成髋关节及踝关节的运动轨迹；S2根据生成的髋关节及踝关节的运动轨迹计算出双腿各关节的运动情况，并进一步求出零力矩点的轨迹及双腿髋关节的力矩；S3根据优化目标函数和任务约束条件，确定双腿各关节的适应度函数；S4根据所述适应度函数，利用多目标粒子群优化算法，得到优化目标函数对应的Pareto最优解集；S5从Pareto最优解集中选取一个解作为最优解，将最优解代入规划好的步态，指导仿人机器人步行。

【技术实现步骤摘要】
基于多目标粒子群算法的仿人机器人步态规划方法
本公开涉及机器人控制领域，尤其涉及一种基于多目标粒子群算法的仿人机器人步态规划方法。
技术介绍
仿人机器人是指具有人类外形特征以及类人功能的人形机器人，是集机械、材料、电子、控制技术、传感技术、仿生学等多种学科于一体的综合性平台。在机器人产业迅猛发展的今天，仿人机器人因其对人类环境的良好适应性而备受关注。稳定步行是仿人机器人适应环境的基础，也是仿人机器人研究的热点和难点。在对仿人机器人进行步态规划的过程中，如何满足机器人稳定裕度最大，并且在结构参数不变的情况下，各关节输出力矩不超过最大载荷力矩非常关键。在机器人实际运动过程中，只考虑稳定裕度虽能满足机器人稳定行走，但同一稳定裕度下，同一关节不同的步态下关节力矩大小不尽相同，对于液压驱动的机器人，关节力矩直接影响到液压缸保持指定位置所需的压力及液压缸体积。针对现有技术中使用粒子群算法进行机器人步行轨迹优化时部分关节超出关节输出力矩的问题，目前尚未提出有效的解决方案。
技术实现思路
鉴于以上原因，本公开的目的在于，提供一种基于多目标粒子群算法的仿人机器人步态规划方法，解决传统粒子群算法中以稳定裕度为适应度函数值，致使所需液压缸体积大，所需压力大的缺陷，将稳定裕度与关节力矩相结合。为实现上述目的，采用以下技术方案：基于多目标粒子群算法的仿人机器人步态规划方法，其特征在于，包括如下步骤：S1应用三次样条插值函数，生成髋关节及踝关节的运动轨迹；S2根据生成的髋关节及踝关节的运动轨迹计算出双腿各关节的运动情况，并进一步求出零力矩点的轨迹及双腿髋关节的力矩；S3根据优化目标函数和任务约束条件，确定双腿各关节的适应度函数；S4根据所述适应度函数，利用多目标粒子群优化算法，得到优化目标函数对应的Pareto最优解集；S5从Pareto最优解集中选取一个稳定裕度最大的解作为最优解，将最优解代入规划好的步态，指导仿人机器人步行。其中，所述髋关节包括左腿髋关节偏摆轴、左腿髋关节滚动轴、左腿髋关节俯仰轴、右腿髋关节偏摆轴、右腿髋关节滚动轴和右腿髋关节俯仰轴；所述踝关节包括右腿踝关节俯仰轴、右腿踝关节滚动轴、左腿踝关节俯仰轴和左腿踝关节滚动轴。进一步地，步骤S2所述双腿各关节的运动情况包括双腿各关节的运动轨迹和角度；所述零力矩点的坐标计算公式为：其中，g为重力加速度，所述机器人的七连杆模型中各连杆在参考坐标系中的质心坐标ci＝(xiyizi)T,i＝0,…,6，Xi、Yi和Zi为质心的三维坐标，pz是地面高度，在平地上行走时值为0；其中，双腿各关节的运动轨迹和角度包括：左腿髋关节偏摆轴、左腿髋关节滚动轴、左腿髋关节俯仰轴、左腿膝关节、左腿踝关节俯仰轴、左腿踝关节滚动轴、右腿髋关节偏摆轴、右腿髋关节滚动轴、右腿髋关节俯仰轴、右腿膝关节、右腿踝关节俯仰轴和右腿踝关节滚动轴的运动轨迹和角度。进一步地，步骤S3所述的优化目标函数为：max(mind1,mind2,…,mindn)min(max(T21,T22,…,T2n))min(max(T81,T82,…,T8n))步骤S3所述任务约束条件包括：max(T21,T22,…,T2n)≤τ2max(T81,T82,…,T8n)≤τ8其中，mindi为各时刻的稳定裕度，n为步行过程中时间点的个数，T2i和T8i分别为左腿髋关节滚动轴和右腿髋关节滚动轴的关节力矩，L为拉格朗日函数即系统动能和位能之差，K为系统动能，P为系统位能，θ2i为左腿髋关节滚动角度，θ8i为右腿髋关节滚动角度。τ2和τ8分别为左腿髋关节滚动轴和右腿髋关节滚动轴对应的最大载荷力矩。其中，每个个体的适应度函数有三个，即所述稳定裕度、所述左腿髋关节滚动轴和所述右腿髋关节滚动轴的关节力矩。进一步地，步骤S4具体包括以下步骤：S4.1种群初始化初始化种群，在所述任务约束条件的范围内随机生成初始粒子的速度和位置，并且计算初始粒子的适应度函数；S4.2粒子最优更新根据新粒子和当前最优粒子的支配关系，更新个体最优粒子，即当两个粒子存在支配粒子时，选择支配粒子，否则从中随机选取一个粒子作为新的个体最优粒子。S4.3Pareto最优解集更新把新粒子放入Pareto最优解集中，用擂台赛法则构造当前进化群体的Pareto最优解集，并且每次粒子更新前都从Pareto最优解集中随机选择一个粒子作为群体最优粒子。S4.4粒子速度和位置更新根据全局最优粒子和个体最优粒子更新当前个体的速度和位置，其中全局最优粒子为Pareto最优解集中随机选取的粒子。进一步地，步骤S4.4所述更新的粒子的速度和位置计算公式分别为：其中，和分别为根据当前迭代选取出的个体最优粒子位置和全局最优粒子位置，d＝1,2,…,D；i＝1,2,…,n；k为当前迭代次数；Vid为粒子的速度；c1和c2是非负的常数，称为加速度因子；r1和r2是分布于[0,1]区间的随机数；Xid为粒子位置。本公开的有益效果：利用多目标粒子群算法规划仿人机器人的步态，不仅能使仿人机器人稳定步行，还可以有效的缩小液压驱动机构的体积，使机器人关节具备灵巧、高动态特性、大负载能力的特点。附图说明附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。图1是本公开具体实施方式的基于多目标粒子群算法的仿人机器人步态规划方法的七连杆模型示意图；图2是本公开具体实施方式的基于多目标粒子群算法的仿人机器人步态规划方法的双腿各关节的结构示意图；图3是本公开具体实施方式的基于多目标粒子群算法的仿人机器人步态规划方法的髋关节立体结构示意图；图4是本公开具体实施方式的基于多目标粒子群算法的仿人机器人步态规划方法的详细流程图；(图1：0躯干、1左大腿、2左小腿、3左腿踝关节、4右大腿、5右小腿、6右腿踝关节)(图2：21左腿髋关节偏摆轴、22左腿髋关节滚动轴、23左腿髋关节俯仰轴、24左腿膝关节、25左腿踝关节俯仰轴、26左腿踝关节滚动轴、27右腿髋关节偏摆轴、28右腿髋关节滚动轴、29右腿髋关节俯仰轴、210右腿膝关节、211右腿踝关节俯仰轴、212右腿踝关节滚动轴)(图3：31躯干、32大腿、33髋关节偏摆轴、34髋关节滚动轴、35髋关节俯仰轴、36偏摆轴液压缸、37滚动轴液压缸、38俯仰轴液压缸)具体实施方式下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图1-4并结合实施例来详细说明本公开。基于多目标粒子群算法的仿人机器人步态规划方法，其特征在于，包括如下步骤：S1应用三次样条插值函数，生成髋关节及踝关节的运动轨迹；S2根据生成的髋关节及踝关节的运动轨迹计算出双腿各关节的运动情况，并进一步求出零力矩点的轨迹及双腿髋关节的力矩；S3根据优化目标函数和任务约束条件，确定双腿各关节的适应度函数；S4根据所述适应度函数，利用多目标粒子群优化算法，得到优化目标函数对应的Pareto最优解集；本文档来自技高网...

【技术保护点】
基于多目标粒子群算法的仿人机器人步态规划方法，其特征在于，包括如下步骤：S1应用三次样条插值函数，生成髋关节及踝关节的运动轨迹；S2根据生成的髋关节及踝关节的运动轨迹计算出双腿各关节的运动情况，并进一步求出零力矩点的轨迹及双腿髋关节的力矩；S3根据优化目标函数和任务约束条件，确定双腿各关节的适应度函数；S4根据所述适应度函数，利用多目标粒子群优化算法，得到优化目标函数对应的Pareto最优解集；S5从Pareto最优解集中选取一个稳定裕度最大的解作为最优解，将最优解代入规划好的步态，指导仿人机器人步行。

【技术特征摘要】
1.基于多目标粒子群算法的仿人机器人步态规划方法，其特征在于，包括如下步骤：S1应用三次样条插值函数，生成髋关节及踝关节的运动轨迹；S2根据生成的髋关节及踝关节的运动轨迹计算出双腿各关节的运动情况，并进一步求出零力矩点的轨迹及双腿髋关节的力矩；S3根据优化目标函数和任务约束条件，确定双腿各关节的适应度函数；S4根据所述适应度函数，利用多目标粒子群优化算法，得到优化目标函数对应的Pareto最优解集；S5从Pareto最优解集中选取一个稳定裕度最大的解作为最优解，将最优解代入规划好的步态，指导仿人机器人步行。2.根据权利要求1所述的方法，其特征在于，步骤S2中所述双腿各关节的运动情况包括双腿各关节的运动轨迹和角度；所述零力矩点的坐标计算公式为：其中，g为重力加速度，所述机器人的七连杆模型中各连杆在参考坐标系中的质心坐标ci＝(xiyizi)T,i＝0,…,6，Xi、Yi和Zi为质心的三维坐标，pz是地面高度，在平地上行走时值为0。3.根据权利要求1所述的方法，其特征在于，步骤S3的优化目标函数为：max(mind1,mind2,…,mindn)min(max(T21,T22,…,T2n))min(max(T81,T82,…,T8n))步骤S3中任务约束条件包括：max(T21,T22,…,T2n)≤τ2max(T81,T82,…,T8n)≤τ8

【专利技术属性】
技术研发人员：张颖，孙先涛，李晗，李楠，王顺伟，
申请(专利权)人：航天科工智能机器人有限责任公司，
类型：发明
国别省市：北京,11