自主步行机器人运动控制及相关研究

论文摘要

由于结构上的优势,自主步行机器人相对于履带式机器人和轮式机器人具有更广泛的适用范围。自主步行机器人往往工作在动态不确定环境中,这对机器人的运动能力、对环境的适应性和灵活性、对自身运动状态的实时辨识能力提出了很大的挑战。过去对步行机器人的运动设计、行走状态稳定性等的研究取得了一系列的成果,但随着机器人技术的发展所带来的机器人平台性能的增强以及机器人所面临任务的复杂化,对自主步行机器人的行走设计、运动状态分析及标定能力提出了更高的要求。为了提升步行机器人的行走速度,以及在高速行走时对自身运动的快速理解识别能力,从而提高机器人在未知环境中的工作能力,本文以AIBO四足机器人为研究平台,从以下三个方面对自主步行机器人的运动控制进行了研究:1.步行机器人的步态轨迹生成及优化以前的基于步态规划的步行机器人行走设计,在完成机器人腿部建模及相应的逆运动学解算后,通常是采用如矩形、梯形等固定轨迹设计机器人腿部的运动,缺乏对机器人行走的最优步态轨迹的研究,难以保证其行走设计在各种不同的条件和环境下都能达到较好的结果。本文在步行机器人步态设计基础上,提出了采用曲线拟合的方法在机器人肢体运动空间内生成步态轨迹曲线,通过引入遗传算法,让机器人能够自主的搜索良好的步态轨迹,增强了机器人的运动能力。2.步行机器人的行走状态分析模型行走速度的提高对步行机器人行走的稳定性提出了更高的要求,已有的研究主要关注机器人在行走是否发生翻转,缺乏对碰撞定量描述、行走稳定程度等方面的考虑。针对这一问题,结合步行机器人行走的动力学特性,本文对机器人的加速度传感器信息进行离散傅立叶变换,建立了行走相关特征值的概率模型,通过使用马氏距离作为判定标准,对步行机器人的行走稳定性给出定量描述。AIBO四足步行机器人平台上的实验证明,本文提出的模型能够实时反应机器人的行走特性,帮助机器人在行走状态受环境影响发生改变时,根据行走特征及时调整运动,保证其稳定性。3.自标定的步行机器人行走状态模型相对轮式机器人和履带式机器人,步行机器人的行走往往更为复杂,为了准确标定其运动状态,特别是运动频繁改变时,必须提高机器人运动中的在线自标定能力,以增强其对自身状态的快速理解识别能力。因此,以提高机器人对自身行走状态模型的标定能力为出发点,本文结合文献[79]提出的运动模型和本文建立的基于加速度传感器信息的行走状态传感器模型,通过运动模型和传感器模型间的互标定,使步行机器人能够在正常行走下在线完成对行走状态的自标定。本文以AIBO四足机器人作为实验平台,分别对上述三方面的研究进行了实验并取得了良好的实验结果。实验结果表明,本文所提出的步态轨迹生成方法能有效的提高步行机器人的行走速度,基于加速度传感器信息的行走状态模型可以定量描述步行机器人运动的稳定性,自标定的行走状态模型能够让步行机器人在行走时在线标定自身行走状态。通过上述三方面的工作,本文在自主步行机器人的行走设计、优化,行走状态的辨识,以及行走状态模型的自标定进行了研究,这些研究结果完善了步行机器人的运动控制,增强了机器人对自身运动状态的理解能力以及对未知环境的适应能力。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 研究背景
• 1.2 机器人的定义与发展
• 1.3 步行机器人的介绍
• 1.3.1 单足（Monopod）
• 1.3.2 双足（Biped）
• 1.3.3 四足（Qudaruped）
• 1.3.4 六足（Hexapod）
• 1.3.5 八足（Octopod）
• 1.4 步行机器人研究相关工作
• 1.4.1 结构设计
• 1.4.2 稳定性分析
• 1.4.3 控制算法
• 1.5 机器人的自主性
• 1.6 课题的研究意义和基本内容
• 1.7 课题的研究平台
• 1.7.1 机器人足球比赛及研究
• 1.7.2 标准平台组硬件平台
• 1.7.3 中国科学技术大学“蓝鹰”四足机器人足球队
• 1.8 本文的组织
• 第二章 步行机器人行走设计
• 2.1 引言
• 2.2 基本概念
• 2.3 行走控制方法
• 2.3.1 姿态控制
• 2.3.2 运动控制
• 2.3.3 步态规划
• 2.3.4 被动步行控制（Passive Walking）
• 2.4 行走稳定性分析
• 2.4.1 支持多边形（Support Polygon）
• 2.4.2 稳定容许线（Stability Admitting Lines，SALs）
• 2.4.3 零力矩点（Zero Moment Point，ZMP）
• 2.4.4 被动步行稳定分析
• 2.5 AIBO四足机器人行走设计
• 2.5.1 ERS-210\210A机器人的腿部模型及其逆运动学解算
• 2.5.2 ERS-7腿部模型及其逆运动学解算
• 2.6 本章小结
• 第三章 基于遗传算法的步行机器人步态轨迹生成
• 3.1 曲线拟合的步态轨迹设计
• 3.2 步态轨迹的表达
• 3.3 基于遗传算法的步态生成
• 3.3.1 遗传算法简介
• 3.3.2 拟合步态的个体表示
• 3.3.3 基于精英保留的选择策略
• 3.3.4 交叉算子和变异算子
• 3.3.5 适应度函数及收敛条件
• 3.3.6 算法描述
• 3.4 实验、结果及对比
• 3.4.1 实验环境
• 3.4.2 固定步态与拟合步态对比实验
• 3.4.3 拟合步态对比实验
• 3.4.4 拟合步态性能分析实验
• 3.4.5 实验结果总结及对比
• 3.5 本章小结
• 第四章 基于加速度传感器的多足机器人行走状态分析模型
• 4.1 引言
• 4.2 加速度传感器与多足机器人行走相关性
• 4.3 加速度传感器信息的信号分析
• 4.4 行走状态概率模型
• 4.4.1 DFT变换后的频域能量计算
• 4.4.2 DFT变换后信号频域能量特征提取
• 4.4.3 能量特征的概率模型
• 4.4.4 连续数据的概率模型
• 4.4.5 AIBO机器人行走与加速度传感器的详细分析
• 4.4.6 算法描述
• 4.5 实验、结果及分析
• 4.5.1 实验环境
• 4.5.2 离散行走实验
• 4.5.3 连续行走实验
• 4.5.4 同类工作对比实验
• 4.6 本章小结
• 第五章 步行机器人行走状态模型的自标定
• 5.1 机器人标定技术的发展
• 5.2 一种步行机器人的运动模型及标定
• 5.2.1 步行机器人的运动模型
• 5.2.2 运动模型的标定
• 5.3 一种步行机器人的运动状态模型及标定
• 5.3.1 行走状态模型的建立
• 5.3.2 行走状态模型标定的分析
• 5.3.3 传感器模型和运动模型的互标定
• 5.3.4 标定算法
• 5.4 实验及结果
• 5.4.1 运动模型的独立标定
• 5.4.2 运动模型和传感器模型的互标定
• 5.5 本章小结
• 第六章总结
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文与取得的其他研究成果