论文部分内容阅读
双足机器人具有和人类相似的形体结构,可以代替人类在一些重复性强、危险性较高的环境中工作,但是机器人在现实行走环境中鲁棒性较差,因此实现稳定、高效的拟人自然步态是双足机器人领域重要的研究目标。同主动控制机器人相比,双足被动机器人无需对各个关节都添加驱动,可以充分利用其自身的内在动力学特性以提高控制效率、降低能耗。然而,由于双足被动机器人对外界扰动极其敏感,一些参数的改变会引发混沌等非周期不稳定步态。因此,为实现双足被动机器人在现实不平整路面下的稳定行走,本文对机器人在不同坡度路面下的行走动力学特性进行分析,并针对不同的路面环境提出对应的控制方法,提高了双足机器人在多步行路面上行走的稳定性和鲁棒性。本文的主要研究工作如下:第一,基于双足步行机器人的被动步行机理,利用Lagrange法与角动量守恒原理建立双足被动机器人的混合动力学方程,通过庞加莱映射把机器人行走的非线性连续动力学系统转化为离散系统,分析双足被动机器人步态极限环的渐进稳定性,在此基础上,针对外界斜坡角度改变导致的机器人不稳定步态,分析双足被动机器人在一个步态周期内摆动阶段和碰撞阶段的能量转化关系,获得坡度变化时被动机器人步态特征。第二,现有的针对现实路面下的机器人控制策略大多是对受到坡度干扰以后的机器人进行补偿控制,不能对坡度变化前后机器人的行走步态进行及时有效的调整,如果能够提前获知路面坡度的变化,就可以针对不同的路面环境设计更加高效的控制方案,因此,本文提出一种基于GDFNN的随机斜坡角度辨识方法,通过大量的样本数据训练学习,实现对一定范围内斜坡角度的准确辨识,为后续多步行环境下双足被动机器人的稳定性控制提供支持。第三,针对简单被动机器人在多步行环境下鲁棒性差的问题,提出改进的弹簧阻尼被动机器人模型。分析双足机器人在上坡、下坡等多步行环境下的能量变化情况,并对行走在不同坡度下的改进模型设计相应的控制方法,使双足机器人能够充分利用自身的动力学特性,在多步态环境下仍然能够保持稳定高效的行走。第四,现实行走路面环境包含有不同坡度的上下坡以及平地,针对坡度变化时机器人不能实现及时有效的步态自然转换的问题,提出一种基于RBF神经网络和Q学习的深度增强学习方法(DQN),随着机器人当前所处环境状态值的变化,通过不断的训练学习,实时更新网络权值和步态参数,通过最优策略选择最佳执行步态,使机器人学会在不平整路面上进行实时姿态调整,并通过系统仿真验证了所提控制方法的有效性。