四足机器人仿生控制方法及行为进化研究

论文摘要

足式机器人是近年来机器人研究一个比较活跃的领域,其涉及机器人学、生物学、控制理论、传感器技术、信息处理技术等,因其不同于传统的轮式、履带式机器人的运动特点,得到了各国科学家的大力关注,其中又以四足机器人以其结构和控制方法的相对简单成为足式机器人的一个理想研究对象。四足机器人不但可以应用在军事、行星探测、救灾等领域,而且在家庭娱乐、仿生学等领域大显身手。在国家自然科学重点基金及中国科学院创新基金的资助下,本文对四足机器人的仿生控制和行为进化进行了研究。研究内容包括:1、对四足动物的运动器官结构和运动机理研究,在此基础上对四足机器人的进行运动学和动力学建模,并成功研制出了四足机器人实验样机。2、设计了一种具有本体感觉的中枢模式振荡器;早期的基于仿生学的控制方法只是简单的模仿生物的一些基本行为和功能,这在执行一些相对固定、简单的任务时没有问题,但是对于复杂的任务和环境时就显得有些力不从心了;随着生物学和神经学研究的不断发展,为四足机器人的仿生控制带来了新的概念和方法;本文采用基于仿生学的运动控制原理,从工程应用角度出发,设计了一种具有本体感觉的中枢模式振荡器(CPG,Central Pattern Generator),并在其基础上实现四足机器人的运动控制。3、引入生物学中的反射概念和神经学中的动态连接机理,并与中枢模式振荡器相结合,实现四足机器人复杂环境中的运动控制。反射行为是生物行为的一个基本要素,是生物对外界环境情况的反应,是生物环境适应能力的一种反映;引入生物的反射行为提高了机器人的环境适应能力,拓展了仿生控制方法的内容。4、根据哺乳动物的行为进化特点,进行四足机器人的行为进化研究。采用强化学习方法,利用CMAC神经网络实现了强化学习系统,完成了基于CMAC神经网络的Q学习算法,综合考虑了四足机器人的运动特点,即可以越过一定高度的障碍来实现避障,进行了四足机器人在未知环境中的自主导航行为进化研究;运用进化算法,利用计算机模拟的方法,模拟一个刚出生的四足动物学习行走的过程,通过这一技术,可以使机器人自行获得运动能力,这对于四足机器人的发展具有重要意义,将来可以将这一能力扩展到其它方面,从而使四足机器人真正具有生物的学习能力,这有利于提高四足机器人在陌生环境中应对突发事件的能力,这一点对于执行星球探测任务的四足机器人尤为重要。本论文的创新点有:采用基于仿生学的运动控制原理,借鉴生物学、神经学的最新进展,从工程应用角度出发,设计了一种具有本体感觉的中枢模式振荡器;引入神经学中的动态连接机理和生物学的反射概念,结合中枢模式振荡器,研究四足机器人复杂环境中的运动控制;根据哺乳动物的行为进化特点,采用强化学习和进化算法,研究四足机器人行为进化,使其在无先验知识的情况下自行获得在未知环境中的运动能力。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.2 仿生四足机器人研究现状
• 1.2.1 仿生的概念
• 1.2.2 国外仿生四足机器人研究现状
• 1.2.3 国内仿生四足机器人研究现状
• 1.3 本文的主要研究内容
• 1.3.1 课题来源
• 1.3.2 主要研究内容
• 第2章 仿生四足机器人运动学及动力学分析
• 2.1 四足机器人运动学分析
• 2.1.1 四足动物的运动构件分析
• 2.1.2 摆动腿的运动学分析
• 2.1.2.1 摆动腿的正运动学分析
• 2.1.2.2 摆动腿的逆运动学分析
• 2.1.3 着地腿的运动学分析
• 2.2 四足机器人动力学分析
• 2.2.1 拉格朗日方程
• 2.2.2 四足机器人单腿动力学方程
• 2.3 小结
• 第3章 仿生四足机器人样机设计
• 3.1 仿生四足机器人本体结构设计
• 3.1.1 四足机器人腿机构设计
• 3.1.2 四足机器人本体结构
• 3.1.2.1 驱动方式分析
• 3.1.2.2 驱动电机分析
• 3.1.2.3 传动方式分析
• 3.1.2.4 关键器件选型
• 3.2 仿生四足机器人控制系统设计
• 3.2.1 控制系统结构
• 3.2.2 控制系统硬件构成
• 3.3 仿真平台
• 3.4 关节直流电机驱动控制
• 3.4.1 控制原理
• 3.4.2 PID控制算法实现
• 3.4.2.1 基于自适应遗传算法的神经网络参数优化
• 3.4.2.2 基于BP神经网络的PID整定原理
• 3.4.2.3 RBF辨识网络的学习算法
• 3.4.2.4 控制算法
• 3.4.2.5 仿真实验
• 3.5 小结
• 第4章 基于生物激励的四足机器人运动控制方法
• 4.1 四足机器人的运动控制方法
• 4.1.1 基于模型的方法
• 4.1.2 基于行为的方法
• 4.1.3 基于神经网络的方法
• 4.1.4 基于生物激励的方法
• 4.2 中枢模式振荡器
• 4.2.1 CPG的功能
• 4.2.2 CPG的优点
• 4.3 具有本体感觉的CPG
• 4.3.1 相互抑制的CPG
• 4.3.2 具有本体感觉和动态连接机制的CPG
• 4.3.2.1 生物学背景
• 4.3.2.2 CPG振荡单元模型
• 4.3.2.3 振荡单元特性分析
• 4.3.3 具有本体感觉的CPG
• 4.4 基于CPG的四足机器人的运动控制
• 4.4.1 四足动物的步态简介
• 4.4.2 四足机器人的运动控制
• 4.4.2.1 仿真及实验
• 4.4.2.2 本体感觉实验
• 4.5 基于CPG的反射控制
• 4.5.1 姿态反射
• 4.5.2 避障反射
• 4.6 小结
• 第5章 四足机器人的行为进化
• 5.1 动物的行为进化
• 5.1.1 动物的行为分类
• 5.1.2 动物的行为学习
• 5.2 强化学习
• 5.2.1 Q学习
• 5.2.1.1 更新规则
• 5.2.1.2 Q学习算法的步骤
• 5.2.1.3 Q学习的收敛性
• 5.2.2 Q学习的神经网络实现
• 5.3 基于强化学习的四足机器人自主导航
• 5.3.1 环境描述
• 5.3.2 动作空间
• 5.3.3 强化信号
• 5.3.4 仿真实验
• 5.4 基于遗传算法的四足机器人步行学习
• 5.4.1 遗传算法
• 5.4.2 四足机器人步行学习
• 5.4.2.1 CPG网络结构
• 5.4.2.2 编码方案
• 5.4.2.3 遗传操作
• 5.4.2.4 仿真实验
• 5.5 小结
• 第6章 结论与展望
• 6.1 工作总结
• 6.2 本文的创新点
• 6.3 未来工作展望
• 参考文献
• 致谢
• 攻读博士学位期间的主要研究工作及成果