基于神经网络调节双腿关节角的仿人机器人步行控制方法技术

本发明专利技术提出一种基于神经网络调节双腿各关节角度的仿人机器人步行控制方法，首先设计并训练一个BP神经网络逼近仿人机器人步行的ZMP误差、双腿各关节实际角度和双腿各关节角度校正量之间的复杂非线性关系，然后在仿人机器人步行中采用双闭环控制系统，其中外闭环以期望ZMP与实际ZMP的误差、双腿各关节的实际角度为输入，由该BP神经网络控制器输出双腿各关节的角度校正量，而内闭环则根据双腿各关节的期望角度、实际角度和角度校正量的误差通过PD控制器得到关节驱动力矩，进行各关节的角度跟踪控制。仿真结果表明，该方法较好地校正了ZMP误差，提高了稳定裕度，使仿人机器人实现持续、稳定的步行。稳定的步行。稳定的步行。

【技术实现步骤摘要】
基于神经网络调节双腿关节角的仿人机器人步行控制方法


[0001]本专利技术涉及智能机器人领域，更具体地，涉及基于神经网络调节双腿关节角的仿人机器人步行控制方法。

技术介绍

[0002]与轮式、履带式机器人相比，仿人机器人具有类人的步行能力和越障能力，使其移动灵活、盲区少，因此，仿人机器人适用于更多的环境场合，具有更广阔的应用前景。显然，稳定步行是仿人机器人实现其它功能的前提和基础。由于仿人机器人是一个自由度多、结构复杂的非线性系统，使得稳定步行成为仿人机器人研究的重点和难点。零力矩点(Zero Moment Point，ZMP)是检验仿人机器人能否实现稳定步行的主要判据，根据ZMP理论，仿人机器人要实现稳定步行，其ZMP必须处在由支撑脚掌构成的凸多边形稳定区域内，且越靠近多边形中心，稳定性越强；反之，若ZMP在凸多边形稳定区域外，则步行不稳定。
[0003]仿人机器人在现实环境中步行时，由于地面凹凸不平、踩到障碍物等因素，使得仿人机器人的位姿出现偏差，导致实际ZMP偏离期望值，从而使机器人的稳定性变差，严重时ZMP将超出稳定区域，致使机器人摔倒。因此，需要研究合适的步行控制方法，使得仿人机器人能够在实际环境中实现期望的稳定步行，国内外学者对该问题进行了相应的研究。Mart等人研究出基于双足机器人的动力学模型计算关节力矩控制稳定步行，但该方法需要机器人精确的动力学模型，而仿人机器人是一个自由度多、结构复杂的非线性系统，其动力学模型维度高、耦合性强。Sugihara等人研究将仿人机器人简化成倒立摆模型，通过改变倒立摆的质心位置调整ZMP，然而倒立摆模型不能反映仿人机器人各连杆的动力学和运动学特性。黄强等人提出了根据ZMP误差校正支撑腿踝关节角度的步行控制，但该方法只是单个踝关节控制，没有考虑仿人机器人的整体特性。王丽杨等人通过只校正支撑腿的髋关节角度来控制机器人的步行，而Kaynov等人将仿人机器人简化为二级倒立摆，通过调节支撑腿的髋关节和踝关节角度来实现步行控制。因为它们没有考虑机器人双腿所有关节角度变化对ZMP的影响，故难以取得理想的步行控制效果。

技术实现思路

[0004]针对上述仿人机器人步行控制方法中存在的缺点和不足，综合考虑各关节角度误差对ZMP的影响，提出一种基于神经网络调节双腿关节角的仿人机器人步行控制方法。是先设计一个BP神经网络逼近ZMP误差和各关节角度校正量之间的非线性关系，然后将训练好的BP神经网络控制器植入仿人机器人的步行控制系统，再根据步行时的ZMP误差和各关节的实际角度由BP神经网络控制器在线给出各关节的角度调节量，以此跟踪期望ZMP，提高仿人机器人的步行稳定性。
[0005]为了实现上述目的，本专利技术的技术方案为：
[0006]基于神经网络调节双腿关节角的仿人机器人步行控制方法，是通过双闭环控制方法实现双腿各关节角度调节的仿人机器人步行的方法，包括外闭环基于神经网络控制器的
各关节角度校正和内闭环基于PD控制器的各关节角度跟踪；
[0007]具体地：
[0008]外闭环根据双腿各关节实际角度θ
r
、角速度和角加速度由仿人机器人的正运动学模型和式(1)组成的ZMP计算器输出实际ZMP位置其中式(1) 是ZMP关于各连杆的质心位置(x
i
,z
i
)和加速度的关系式：
[0009][0010]式(1)中，m
i
为连杆i的质量，g为重力加速度；
[0011]期望ZMP位置与实际ZMP位置相减得到ZMP误差，同时结合仿人机器人的双腿各关节实际角度θ
r
，由神经网络控制器输出跟踪期望ZMP的双腿各关节角度校正量Δθ
c
；
[0012]内闭环是将双腿各关节期望角度θ
d
与双腿各关节实际角度θ
r
和双腿各关节角度校正量Δθ
c
相减，得到双腿各关节角度误差e
θ
，然后由增量式数字PD控制器输出双腿各关节驱动力矩τ到仿人机器人，控制双腿各关节跟踪期望角度，从而实现稳定步行。其中，双腿各关节驱动力矩τ＝(τ1,τ2,
…
,τ6)，而各关节是指仿人机器人左右腿的踝关节、膝关节、髋关节共6个关节。
[0013]优选的，外闭环环节中：由神经网络控制器输出跟踪期望ZMP的仿人机器人双腿各关节角度校正量Δθ
c
的过程是为：通过建立一个BP神经网络来逼近各关节角度校正量Δθ
c
与ZMP误差e
ZMP
、各关节实际角度θ
r
之间的非线性关系，即Δθ
c
＝f(e
ZMP
,θ
r
)，然后将训练好的BP神经网络控制器植入到仿人机器人的步行控制系统中，根据机器人的实时步行状态在线给出各关节角度校正量，以此保证仿人机器人实现期望的稳定步行；其具体过程为：
[0014]设计一个由输入层、隐含层和输出层构成的三层BP神经网络。其中，输入层由ZMP误差e
ZMP
和各关节实际角度θ
r
组成，即共7个神经元，其中，分别表示左右腿的踝关节、膝关节、髋关节共6个关节，以上标1,2,
…
,6表示；输出层取为各关节角度校正量表示左右腿的踝关节、膝关节、髋关节共6个神经元；而隐含层神经元个数由如下经验公式确定：
[0015][0016]式中，n
h
、n
i
、n
o
分别表示隐含层、输入层和输出层的神经元个数，将n
i
＝7， n
o
＝6代入，经过多次试验，δ＝3较合适，故隐含层n
h
选用9个神经元；由此确定BP神经网络各关节角度校正量控制器的结构；
[0017]BP神经网络输入层的激活函数取线性函数，令输出和输入相等；由于各关节角度校正量有正有负，且采用弧度制，其取值在(
‑
1,1)rad范围内，故隐含层和输出层的激活函数均采用双曲正切函数。各层权系数w的学习采用带惯性项的梯度下降法，即
[0018]w(n+1)＝w(n)+ηΔw+α[w(n)
‑
w(n
‑
1)]ꢀꢀꢀ
(3)
[0019]其中，学习速率η∈(0.01,0.8)，惯性系数α∈(0,1)；隐含层神经元j到输出层神经元k的权系数调整公式为
[0020][0021]而输入层神经元i到隐含层神经元j的权系数w
ji
调整公式为
[0022][0023]式(4)、(5)中，为输出层神经元k在样本p作用下的输出；为隐含层神经元j在样本p作用下的输出；为输入层神经元i在样本p作用下的输出；为样本p中神经元k的目标输出；权系数w的初值取(
‑
1,1)范围的随机值；
[0024]BP神经网络样本数据获取方法：先按照离散时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络调节双腿各关节角度的仿人机器人步行控制方法，其特征在于，是通过双闭环控制方法实现双腿各关节角度调节的仿人机器人步行控制方法，包括外闭环基于神经网络控制器的各关节角度校正方法和内闭环基于PD控制器的各关节角度跟踪方法；具体地：外闭环根据各关节实际角度θ
r
、角速度和角加速度由仿人机器人的正运动学模型和式(1)组成的ZMP计算器输出实际ZMP位置其中式(1)是ZMP关于各连杆的质心位置(x
i
,z
i
)和加速度的关系式：式(1)中，m
i
为连杆i的质量，g为重力加速度；期望ZMP位置与实际ZMP位置相减得到ZMP误差，同时结合机器人的各关节实际角度θ
r
，由神经网络控制器输出跟踪期望ZMP的各关节角度校正量Δθ
c
；内闭环是将各关节期望角度θ
d
与各关节实际角度θ
r
和各关节角度校正量Δθ
c
相减，得到各关节角度误差e
θ
，然后由增量式数字PD控制器输出各关节驱动力矩τ到仿人机器人，控制各关节跟踪期望角度，各关节驱动力矩τ＝(τ1,τ2,
…
,τ6)；其中各关节是指仿人机器人左右腿的踝关节、膝关节、髋关节共6个关节。2.根据权利要求1所述的方法，其特征在于，外闭环环节中：由神经网络控制器输出跟踪期望ZMP的双腿各关节角度校正量Δθ
c
的过程是为：通过建立一个BP神经网络来逼近各关节角度校正量Δθ
c
与ZMP误差e
ZMP
、各关节实际角度θ
r
之间的非线性关系，即Δθ
c
＝f(e
ZMP
,θ
r
)，然后将训练好的BP神经网络各关节角度校正量控制器植入到仿人机器人的步行控制系统，根据机器人的实时步行状态在线给出各关节角度校正量，以此保证仿人机器人实现期望的稳定步行；其具体过程为：设计一个由输入层、隐含层和输出层构成的三层BP神经网络；其中，输入层由ZMP误差e
ZMP
和各关节实际角度θ
r
组成，即共7个神经元，其中，分别表示左、右腿的踝关节、膝关节、髋关节共6个关节，以上标1,2,
…
,6表示；输出层取为各关节角度校正量分别表示左、右腿的踝关节、膝关节、髋关节共6个神经元；而隐含层神经元个数由如下经验公式确定：式中，n
h
、n
i
、n
o
分别表示隐含层、输入层、输出层的神经元个数，将n
i
＝7，n
o
＝6代入，经过多次试验，δ＝3较合适，故隐含层n
h
选用9个神经元，由此确定BP神经网络...

【专利技术属性】
技术研发人员：付根平，朱立学，张世昂，杨亮，黄伟锋，谭阳，
申请(专利权)人：仲恺农业工程学院，
类型：发明
国别省市：