一种考虑重心偏移影响的步行训练机器人轨迹跟踪方法技术

本发明专利技术设计一种考虑重心偏移影响的步行训练机器人轨迹跟踪方法，属于机器人控制技术领域；本发明专利技术着眼于作用在各个万向轮上的驱动力和步行训练机器人位置之间的瞬间关系，设计参数估计及预测方法，实时估计并预测重心偏移量，然后采用基于数值加速度控制的步行训练机器人的轨迹跟踪控制方法；所设计的离散数值加速度控制器算法可以抵消步行训练机器人系统实时运动过程中存在的非线性时变干扰；基于模型参考法对重心偏移参数进行估计，再基于张神经网络对估计的参数进行预测，可解决估计滞后性的影响，使得位置偏差收敛到参考轨迹；在机器人运行过程中重心偏移实时变化情况下也能实现高精度的轨迹跟踪，具有良好的鲁棒性。具有良好的鲁棒性。

【技术实现步骤摘要】
一种考虑重心偏移影响的步行训练机器人轨迹跟踪方法


[0001]本专利技术属于机器人控制
，尤其涉及一种考虑重心偏移影响的步行训练机器人轨迹跟踪方法。

技术介绍

[0002]由于老龄化人口和下肢残疾人口有一定的行走功能障碍，在平时的生活中时常发生摔倒，有研究表明，老年人每天进行行走练习不仅可以预防摔倒的发生，还能增加他们身体的稳定性。越来越多的步行训练机器人被广泛应用。全方位步行训练机器人可以在不改变姿态的情况下向任何方向移动。它非常适合在狭窄的空间中工作，已被广泛研究。
[0003]利用步行训练机器人辅助老人生活，关键的是安全性。步行训练机器人行走时为避免撞击周围的人和物，在室内全局或局部路径规划好的轨迹上，必须具备有高精度的轨迹跟踪能力。但是步行训练机器人在室内使用时，由于使用者姿态的改变，导致机器人的重心与中心位置不重合，且重心偏移是时变的。考虑重心偏移影响的轨迹跟踪控制的常用方法有PID控制，模型预测控制，自适应控制等。对于给定的目标轨迹，PID控制法在一定的地面条件，即当重心偏移一定时，通过调节其控制参数，可以达到一定的追踪精度。但是当改变轨迹，或者使用者发生变化，即重心偏移实时变化时，需要重新调节PID控制参数，否则将不能保证轨迹跟踪的精度。因此说用PID控制实现步行训练机器人轨迹跟踪时，很难实时对应各种轨迹以及适应各种不同的重心偏移变化。模型预测控制，可在满足约束条件下减小重心偏移对跟踪精度的影响，但未直面重心偏移引起的动态耦合矩阵不确定问题进行处理，所以模型预测控制不容易实现步行训练机器人的实时轨迹跟踪控制。自适应控制法不需要实时得到当前时刻重心偏移量，但其稳定性是建立在重心偏移变化比较慢的基础上，重心位置变化快会导致该控制算法不稳定。目前，全方位步行训练机器人的轨迹跟踪问题是国内外研究的难点问题。

技术实现思路

[0004]针对现有技术的不足，本专利技术设计一种考虑重心偏移影响的步行训练机器人轨迹跟踪方法。
[0005]一种考虑重心偏移影响的步行训练机器人轨迹跟踪方法，包括以下步骤：
[0006]步骤1：步行训练机器人全方位移动部件为四个万向轮，对步行训练机器人进行物理建模，使用者对步行训练机器人的重心偏移影响的运动学模型和动力学模型分别为：
[0007][0008][0009]其中，θ为机器人的姿势角，分别指机器人中心位置在x轴和y轴方向的分速度,为机器人自旋的角速度，f
i
为作用在各个万向轮上的驱动力，v
i
为各个万向轮速度，M为机器人的质量，m为人附加给机器人的等价质量，I为机器人的转动惯量，l是机器人中心到四个全向轮的距离，r为中心到重心间距离，α是重心与中心连接线相对与姿势角的角度，为机器人中心位置在x方向与y方向的加速度,为机器人旋转的角加速度；l1＝l
‑
rcosα，l2＝
‑
l+rsinα，l3＝
‑
l
‑
rcosα，l4＝
‑
l+rsinα为机器人重心处到四个轮子的距离；
[0010]当
[0011]时，
[0012]动力学模型即式2以表示；
[0013]步骤2：假设在kτ时刻之后，又经过非常微小时间后的时刻为kτ
+
；在时刻t＝kτ
+
时，作用于步行训练机器人万向轮上的驱动力为F(kτ
+
)，在一个采样周期τ内作用于各个万向轮驱动力为不变的，则时刻t＝kτ和时刻t＝kτ
+
的步行训练机器人的离散型动力学模型分别为：
[0014][0015][0016]其中F[(k
‑
1)τ
+
]为时间区间[(k
‑
1)τ
+
,kτ]内作用于各个万向轮的输入驱动力，F[kτ
+
]是经过一个采样周期τ后，下一个时间区间[kτ
+
,(k+1)τ]内的作用于各个万向轮的驱动力；为K
G
的广义逆，为时间区间[(k
‑
1)τ
+
,kτ]内轮椅中心处加速度值，为时间区间[kτ
+
,(k+1)τ]内轮椅中心处加速度值，为t＝kτ时轮椅中心处速度值，为t＝kτ
+
时轮椅中心处速度值；
[0017]步骤3：把Xd(t)作为步行训练机器人的目标轨迹，为了使步行训练机器人跟踪目标轨迹，基于时刻t＝kτ的万向轮驱动力为F[(k
‑
1)τ
+
]，则在时刻t＝kτ
+
，基于数值加速度控制，假设M
G
和T均已知，作用在各个万向轮上的驱动力F[kτ
+
]的计算式如下：
[0018][0019]其中，X
d
(kτ
+
)为t＝kτ
+
时刻目标轨迹Xd的值，为t＝kτ
+
时刻目标速度的值，为t＝kτ
+
时刻目标加速度的值，X
C
(kτ)为t＝kτ时刻机器人位置X
C
的值，K
P
为位置偏差系数，K
P
＝diag(k
Px
,k
Py
,k
Pθ
)，k
Px
,k
Py
,k
Pθ
为在x轴y轴以及姿态角方向的位置偏差系数；K
D
为速度偏差系数K
D
＝diag(k
Dx
,k
Dy
,k
Dθ
)k
Dx
,k
Dy
,k
Dθ
为在x轴y轴以及姿态角方向的速度偏差系数；
[0020]步骤4：对轮椅机器人的重心偏移参数r,α进行估计；
[0021]步骤4.1：采用长短期记忆神经网络建立轮椅机器人实际对比模型位置变化量与当前时刻驱动力关系；
[0022]步骤4.1.1：使机器人空载按预定的轨迹移动，收集机器人四个轮子的驱动力记为F，机器人从t＝(k
‑
1)τ时刻到t＝kτ时刻位置变化量数据记为ΔX
′
C
(k)；
[0023]步骤4.1.2：对步骤4.1.1中采集的数据进行预处理；
[0024]步骤4.1.3：设计隐藏层个数，构建长短期记忆神经网络；
[0025]步骤4.1.4：确定最优的长短期记忆神经网络：ΔX
′
C
＝f(F)；
[0026]步骤4.2：理想对比模型位置变化量与当前时刻驱动力关系如下等式；
[0027][0028]其中，Δx
′
C
(k)，Δy
′
C
(k)为理想对比模型从t＝(k
‑
1)τ时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑重心偏移影响的步行训练机器人轨迹跟踪方法，其特征在于，包括以下步骤：步骤1：步行训练机器人全方位移动部件为四个万向轮，对步行训练机器人进行物理建模；步骤2：假设在kτ时刻之后，又经过非常微小时间后的时刻为kτ
+
；在时刻t＝kτ
+
时，作用于步行训练机器人万向轮上的驱动力为F(kτ
+
)，在一个采样周期τ内作用于各个万向轮驱动力为不变的，则得到时刻t＝kτ和时刻t＝kτ
+
的步行训练机器人的离散型动力学模型；步骤3：把Xd(t)作为步行训练机器人的目标轨迹，为了使步行训练机器人跟踪目标轨迹，基于时刻t＝kτ的万向轮驱动力为F[(k
‑
1)τ
+
]，则在时刻t＝kτ
+
，基于数值加速度控制，得到作用在各个万向轮上的驱动力F[kτ
+
]；步骤4：对轮椅机器人的重心偏移参数r，α进行估计；步骤5：根据步骤4中得到的重心偏移参数估计值，对重心偏移参数进行预测；步骤6：将步骤5中得到的k+1时刻的重心偏移量r
k+1
，α
k+1
带入数值加速度控制器中对机器人进行控制；步骤7：决定K
P
和K
D
的最优值，将目标轨迹设为X
d
，步行训练机器人跟踪误差定义为e(t)＝X
d
(t)
‑
X
C
(t)，当作用在步行训练机器人万向轮上的驱动力瞬间变化时，其步行训练机器人加速度也将瞬间变化，而步行训练机器人速度和位置是不会发生瞬间变化，又由步行训练机器人的离散型动力学模型和作用于各个万向轮上的驱动力的计算式，得到步行训练机器人跟踪误差的离散模型；用极点配置法则能选出K
P
和K
D
的最优值，然后将其代入步骤3F[kτ
+
]式子中，完成对机器人的轨迹跟踪控制。2.根据权利要求1所述的一种考虑重心偏移影响的步行训练机器人轨迹跟踪方法，其特征在于，步骤1使用者对步行训练机器人的重心偏移影响的运动学模型和动力学模型分别为：别为：其中，θ为机器人的姿势角，分别指机器人中心位置在x轴和y轴方向的分速度，为机器人自旋的角速度，f
i
为作用在各个万向轮上的驱动力，v
i
为各个万向轮速度，M为机器人的质量，m为人附加给机器人的等价质量，I为机器人的转动惯量，l是机器人中心到四个全向轮的距离，r为中心到重心间距离，α是重心与中心连接线相对与姿势角的角度，为机器人中心位置在x方向与y方向的加速度，为机器人旋转的角加速度；l1＝l
‑
rcosα，l2＝
‑
l+rsinα，l3＝
‑
l
‑
rcosα，l4＝
‑
l+rsinα为机器人重心处到四个轮子
的距离；当当当时，动力学模型即式2以表示。3.根据权利要求1所述的一种考虑重心偏移影响的步行训练机器人轨迹跟踪方法，其特征在于，步骤2时刻t＝kτ和时刻t＝kτ
+
的步行训练机器人的离散型动力学模型分别为：的步行训练机器人的离散型动力学模型分别为：其中F[(k
‑
1)τ
+
]为时间区间[(k
‑
1)τ
+
，kτ]内作用于各个万向轮的输入驱动力，F[kτ
+
]是经过一个采样周期τ后，下一个时间区间[kτ
+
，(k+1)τ]内的作用于各个万向轮的驱动力；为K
G
的广义逆，为时间区间[(k
‑
1)τ
+
，kτ]内轮椅中心处加速度值，为时间区间[kτ
+
，(k+1)τ]内轮椅中心处加速度值，为t＝kτ时轮椅中心处速度值，为t＝kτ
+
时轮椅中心处速度值。4.根据权利要求1所述的一种考虑重心偏移影响的步行训练机器人轨迹跟踪方法，其特征在于，步骤3假设M
G
和T均已知，作用在各个万向轮上的驱动力F[kτ
+
]的计算式如下：其中，X
d
(kτ
+
)为t＝kτ
+
时刻目标轨迹Xd的值，为t＝kτ
+
时刻目标速度的值，为t＝kτ
+
时刻目标加速度的值，X
C
(kτ)为t＝kτ时刻机器人位置X
C
的值，K
P
为位置偏差系数，K
P
＝diag(k
Px
，k
Py
，k
Pθ
)，k
Px
，k
Py
，k
Pθ
为在x轴y轴以及姿态角方向的位置偏差系数；K
D
为速度偏差系数K
D
＝diag(k
Dx
，k
Dy
，k
Dθ
)k
Dx
，k
Dy
，k
Dθ
为在x轴y轴以及姿态角方向的速度偏差系数。5.根据权利要求1所述的一种考虑重心偏移影响的步行训练机器人轨迹跟踪方法，其特征在于，步骤4具体为：步骤4.1：采用长短期记忆神经网络建立轮椅机器人实际对比模型位置变化量与当前时刻驱动力关系；步骤4.1.1：使机器人空载按预定的轨迹移动，收集机器人四个轮子的驱动力记为F，机器人从t＝(k
‑
1)τ时刻到t＝kτ时刻位置变化量数据记为ΔX
′
C
(k)；
步骤4.1.2：对步骤4.1.1中采集的数据进行预处理；步骤4.1.3：设计隐藏层个数，构建长短期记忆神经网络；步骤4.1.4：确定最优的长短期记忆神经网络：ΔX
′
C
＝f(F)；步骤4.2：理想对比模型位置变化量与当前时刻驱动力关系如下等式；其中，Δx
′
C
(k)，Δy
′
C
(k)为理想对比模型从t＝(k
‑
1)τ时刻到t＝kτ时刻在x，y方向的位置变化量，Δθ
′
(k)为理想对比模型从t＝(k
‑
1)τ时刻到t＝kτ时刻的姿态角变...

【专利技术属性】
技术研发人员：王义娜，刘赛男，杨俊友，周勃，纪力尧，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：