一种复杂环境下的基于脉冲神经网络的四足机器人运动控制方法技术

本发明专利技术公开了一种复杂环境下的基于脉冲神经网络的四足机器人运动控制方法，首先构建四足机器人单腿模型以及其腿部关节角状态和足端位置坐标的转换模型，随后构建混合神经网络，并对其进行训练；使用基于训练好的混合神经网络获得地形分类结果，最后根据地形分类结果完成四足机器人步态规划及足端轨迹规划，由足端目标位置输出腿部关节角度，完成四足机器人运动控制。本发明专利技术的技术方案利用基于脉冲神经网络的图像识别对机器人所处环境进行分类，识别准确度高，对硬件要求低，另外针对不同的环境类型对四足机器人做出合适的步态规划及运动控制决策，使其对具有不同特点的复杂地形具备更强的适应能力及通过能力，具有一定的推广价值。广价值。广价值。

【技术实现步骤摘要】
一种复杂环境下的基于脉冲神经网络的四足机器人运动控制方法


[0001]本专利技术属于四足机器人控制领域，特别涉及一种复杂环境下的基于脉冲神经网络的四足机器人运动控制方法。

技术介绍

[0002]地球陆地表面地形复杂多变，且其中50％以上的面积为崎岖地形，包括山丘、阶梯、沟壑等，在此类地形中传统的轮式或履带式移动机器人将无法正常移动，因而在此类地域的工程探测、军事侦察、地形勘探等任务难以通过移动机器人完成。而四足机器人虽然在速度上较轮式机器人处于劣势，但由于其可以利用孤立的地面支撑而非轮式机器人所需的连续平整的地面支撑，故其对行走路面的要求很低，可以以非接触的方式躲避或跨越路障，甚至可以完成迈过溪流、攀登阶梯等复杂运动任务。以上特点是目前任何轮式移动机器人无法与之相比的，因而四足机器人的运动控制一直是国内外机器人研究领域的热点。
[0003]四足机器人是一个与所处环境间存在复杂交互作用的多体非线性刚柔系统，其运动性能受到外界环境特征的较大影响。想要使机器人做出正确、有效的步态规划、足端轨迹规划及运动控制决策，必须使其具备对所处环境的地形进行感知和分类的能力。若机器人所处地形特征无法被正确感知，就可能导致其做出错误的步态规划和运动控制，使其无法实现目标运动，甚至导致机器人跌倒等情况发生。故为提高机器人的地形适应能力，防止运动过程中出现失稳、打滑等现象发生，需要机器人能够根据所识别到的不同地形特征，实时正确修改运动控制模式。
[0004]现阶段较为成熟的机器人地形分类方法主要有基于传感器数据的方法及基于视觉的方法。前者仅可对当前机器人所通过的某地形进行信号的获取及地形分类，无法预知前方即将经过地形的情况，而后者则有效解决了此问题，并且最接近人类环境感知方式，能够提供更丰富的环境感知信息。因此，如果能利用视觉信息对机器人所处环境进行准确识别，并依据识别结果实时修改机器人运动控制策略，将使其对复杂地形的适应能力大幅提升。

技术实现思路

[0005]针对上述问题，本专利技术的目的在于提供一种复杂环境下的基于脉冲神经网络的四足机器人运动控制方法，能够使四足机器人在复杂地形之上运动的过程中，准确感知外界环境信息，并依此做出正确、有效的步态规划及运动控制决策，实现其在复杂地形中的稳定运动。
[0006]实现本专利技术目的的具体技术方案为：
[0007]一种复杂环境下的基于脉冲神经网络的四足机器人运动控制方法，包括以下步骤：
[0008]步骤1、基于DH参数法构建四足机器人单腿模型；
[0009]步骤2、基于逆运动学算法构建四足机器人腿部关节角状态和足端位置坐标的转换模型；
[0010]步骤3、构建CNN和SNN混合神经网络模型；
[0011]步骤4、基于梯度下降法对步骤3构建的混合神经网络模型进行训练；
[0012]步骤5、采集图像，并将采集到的环境图像输入训练好的混合神经网络模型中，进行环境的特征提取和分类；
[0013]步骤6、基于地形分类结果进行步态规划、足端轨迹规划；
[0014]步骤7、完成四足机器人运动控制。下面结合附图对本专利技术作进一步详细描述。
[0015]与现有技术相比，本专利技术的有益效果在于：
[0016](1)本专利技术的技术方案基于CNN和SNN混合神经网络模型进行环境的特征提取和分类，融合了深度卷积神经网络和脉冲神经网络各自的优点，借助了深度卷积神经网络强大的特征提取能力，以及脉冲神经网络更贴合生物神经机制的判断能力，且具有较低的功耗，对硬件平台的要求降低；
[0017](2)本专利技术的技术方案利用基于脉冲神经网络的地形分类结果对四足机器人的步态规划、足端轨迹规划等运动控制过程进行实时调整，使其对具有不同特点的复杂地形具备更强的适应能力及通过能力。
附图说明
[0018]图1为本专利技术的步骤流程图。
[0019]图2为本专利技术的实施例中的四足机器人仿真示意图。
[0020]图3为本专利技术的实施例中的四足机器人单腿运动学模型示意图。
[0021]图4为本专利技术的混合神经网络模型架构示意图。
[0022]图5为本专利技术的脉冲神经网络神经元示意图。
[0023]图6为本专利技术的LIF神经元在恒定注入电流刺激下膜电位的变化及脉冲发放情况。
[0024]图7为本专利技术的四足机器人的Walk步态时序示意图。
[0025]图8为本专利技术的四足机器人的Trot步态时序示意图。
[0026]图9为本专利技术的实施例中的不同轨迹高度时的足端轨迹示意图。
具体实施方式
[0027]一种复杂环境下的基于脉冲神经网络的四足机器人运动控制方法，包括以下步骤：
[0028]步骤1、基于DH参数法构建四足机器人单腿模型，具体为：
[0029]利用DH法建立四足机器人单腿(左前腿)运动学模型，四条腿上的杆件坐标系建立方法一致。列出DH参数表1所示：(表中i表示坐标系的代号)
[0030]表1腿部机构D
‑
H参数
[0031][0032]其中：
[0033]α
i
‑1：以方向看，和间的夹角。
[0034]a
i
‑1:沿着方向，和间的距离(a
i
>0)。
[0035]θ
i
:以方向看，和间的夹角。
[0036]d
i
:沿着方向，和间的距离。
[0037]坐标系1
‑
4依次为侧摆关节坐标系、髋关节坐标系、膝关节坐标系、足端坐标系。
[0038]相邻坐标之间的变换矩阵为：
[0039][0040]将DH参数分别代入上式求得各相邻坐标的转换矩阵，并依次相乘得到足端坐标系相对侧摆关节固定坐标系的变换矩阵为：
[0041][0042]其中R为足端坐标系相对侧摆关节固定坐标系的旋转矩阵，P为足端在侧摆关节坐标系的位置坐标。计算得到：
[0043]足端坐标系到侧摆坐标系的变换矩阵：
[0044][0045]故：
[0046][0047]其中，其中P代表足端相对于侧摆关节坐标系的坐标，即四足机器人单腿的正运动学求解，θ1、θ2、θ3分别为侧摆关节、髋关节、膝关节转动角度。
[0048]步骤2、基于逆运动学算法构建四足机器人腿部关节角状态和足端位置坐标的转
换模型，具体为：
[0049]逆运动学求解是根据目标姿势，计算需要设置的关节可活动对象参数的过程。在足端位置和姿态已知的前提条件下，通常可以给出每个关节变量随足端坐标变化的函数表达式，则：
[0050]四足机器人单腿的逆运动学解如下：
[0051][0052][0053]其中，L1为侧摆关节坐标系沿x轴到髋关节坐标系的距离，L2为髋关节坐标系沿x轴到膝关节坐标系的距离，L3为膝关节坐标系沿x轴到足端坐标系的距离；x、y、z为足端相对于侧摆坐标系的坐标，θ1、θ2、θ3分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂环境下的基于脉冲神经网络的四足机器人运动控制方法，其特征在于，包括以下步骤：步骤1、基于DH参数法构建四足机器人单腿模型；步骤2、基于逆运动学算法构建四足机器人腿部关节角状态和足端位置坐标的转换模型；步骤3、构建CNN和SNN混合神经网络模型；步骤4、基于梯度下降法对步骤3构建的混合神经网络模型进行训练；步骤5、采集图像，并将采集到的环境图像输入训练好的混合神经网络模型中，进行环境的特征提取和分类；步骤6、基于地形分类结果进行步态规划、足端轨迹规划；步骤7、完成四足机器人运动控制。2.根据权利要求1所述的复杂环境下的基于脉冲神经网络的四足机器人运动控制方法，其特征在于，所述步骤1中的构建四足机器人单腿模型，具体为：其中，其中P代表足端相对于侧摆关节坐标系的坐标，即四足机器人单腿的正运动学求解，θ1、θ2、θ3分别为侧摆关节、髋关节、膝关节转动角度。3.根据权利要求1所述的复杂环境下的基于脉冲神经网络的四足机器人运动控制方法，其特征在于，所述步骤2中的构建转换模型，具体为：四足机器人单腿的逆运动学解如下：单腿的逆运动学解如下：其中，L1为侧摆关节坐标系沿x轴到髋关节坐标系的距离，L2为髋关节坐标系沿x轴到膝关节坐标系的距离，L3为膝关节坐标系沿x轴到足端坐标系的距离；x、y、z为足端相对于侧摆坐标系的坐标，θ1、θ2、θ3分别为侧摆关节、髋关节、膝关节转动角度。4.根据权利要求1所述的复杂环境下的基于脉冲神经网络的四足机器人运动控制方法，其特征在于，所述步骤3中的构建CNN和SNN混合神经网络模型，具体为：所述混合神经网络模型采用前馈网络结构，包括卷积神经网络和脉冲神经网络，其中卷积神经网络的输出经过转化成为脉冲序列输入脉冲神经网络中。5.根据权利要求4所述的复杂环境下的基于脉冲神经网络的四足机器人运动控制方法，其特征在于，所述脉冲神经网络为单层结构，网络节点由脉冲神经元构成；所述脉冲神经元采用LIF神经元模型，其膜电位变化方程为：
其中，τ
n
＝RC是膜时间常数，u
rest
表示神经元静息电位，RI(t)表示脉冲神经元等效膜电阻上的电压，u(t)表示脉冲神经元等效膜电容上的电压；神经元的脉冲发放通过阈值控制：其中，当u(t
f
)增大到时，神经元发放一个脉冲，随后电压重新设定为u
reset
，t
f
表示神经元的脉冲发放时间，u(t
f
)表示脉冲神经元膜电容的电压，为设定的阈值；所述卷积神经网络的输出数据利用泊松编码转化成脉冲序列输入脉冲神经网络中，泊松编码过程为：其中，P
T
(n)表示产生单个神经元在一个设定...

【专利技术属性】
技术研发人员：吴益飞，岳照坤，顾成，屠津璟，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：