一种用于轮式双足机器人动态行进的分层优化控制方法技术

本发明专利技术公开了一种用于轮式双足机器人动态行进的分层优化控制方法，具体为：由目标速度和当前速度、目标位置和当前位置，通过模型预测获得最优的参考前向位置最优的参考前向速度最优的参考前向加速度和最优的未来轨迹γ

【技术实现步骤摘要】
一种用于轮式双足机器人动态行进的分层优化控制方法


[0001]本专利技术属于双足机器人
，具体涉及一种用于轮式双足机器人动态行进的分层优化控制方法。

技术介绍

[0002]轮式机器人和双足机器人是当今地面移动机器人的两种主要形式，这两种移动机器人存在明显的互补优势。双足机器人比传统的轮式机器人能够处理更复杂的环境，举例来说，双足机器人能够跨越障碍物、通过非结构路面，并且，通过仿生手臂，双足机器人能够进行操作任务，比如抓取、搬运和驾驶等；然而，与轮式机器人不同的是，双足机器人的高速长距离运动是比较困难的，步行的能量消耗比滚动也大很多。因此，为了结合二者的互补优势，轮式双足机器人得到了越来越多的关注。
[0003]由于轮式双足机器人有着显著的优势，各国研究人员提出了多款相关机器人。波士顿动力和哈尔滨工业大学分别提出了两款全尺寸的液压驱动串联机构轮式双足机器人。腾讯和ETHZ则各自设计了一款小尺寸的电机驱动并联机构轮式双足机器人。轮式双足机器人虽然结合了轮式、双足的许多优点，但轮足结合也会带来一些显著的问题：首先，没有脚底板系统难保持平衡，这是因为轮式双足机器人与地面的接触由面接触退化成点接触，造成动力学系统从局部静稳定的系统变成了临界稳定的系统；其次，因机器人的纵向运动与俯仰运动相耦合，机器人需要一定的倾角才能够进行加速，随着质心倾角的加大，系统的非线性特征会显著增强，进而破坏平衡，这一矛盾使得机器人难以在维持平衡的同时准确的跟踪纵向运动参考值。
[0004]为了解决上述问题，传统方法是将机器人整体简化为一阶小车倒立摆系统，并在运动过程中约束质心在竖直位置，造成机器人无法及时响应目标速度变化。

技术实现思路

[0005]针对现有技术中存在不足，本专利技术提供了一种用于轮式双足机器人动态行进的分层优化控制方法。
[0006]本专利技术是通过以下技术手段实现上述技术目的的。
[0007]一种用于轮式双足机器人动态行进的分层优化控制方法：
[0008]由目标速度v
tar
和当前速度v、目标位置x
ar
和当前位置x，通过模型预测获得最优的参考前向位置最优的参考前向速度最优的参考前向加速度和最优的未来轨迹γ
*
；
[0009]利用最优的未来轨迹γ
*
及一阶小车倒立摆模型的内动态，通过非线性最小二乘法拟合内动态逆向映射函数，得到与最优的参考加速度相匹配的最优的参考质心倾角θ
*ref
；
[0010]建立三阶小车倒立摆模型，基于和求解最优参考关
节角度利用多关节动力学构建与和相关的QP优化问题并求解，得到最优控制力与力矩，作用于双足机器人上进行控制。
[0011]进一步的技术方案，所述模型预测的约束方程为：
[0012][0013][0014]v
ref
(k+i)≤|v
max
|
[0015]|a
ref
(k+i)|≤|Ψ
max
|
[0016][0017][0018]其中：X
ref
(k)表示第k次预测的广义状态量，x
ref
(k)表示第k次预测的参考前向位置，v
ref
(k)表示第k次预测的参考前向速度，x(k)、v(k)、θ(k)、a
ref
(k)分别为单次预测时观测到的机器人实际前向位置、实际前向速度、实际质心倾角和实际前向加速度，Ψ
init
表示Ψ在每次预测时的初始值，Ψ
max
表示Ψ的最大值限制，Ψ表示机器人的内动态正向映射函数F
PD
的输出值，v
ref
(k+i)、a
ref
(k+i)分别代表机器人从第k次预测开始，往后第i步预测的参考前向速度和加速度，v
max
代表机器人轮子电机的额定速度，ΔT
mpc
表示预测步长。
[0019]更进一步的技术方案，所述模型预测采用如下方式：
[0020][0021]其中：J
N
(k)表示代价函数，Υ(k)为中间量，且U
ref
(k)表示第k次预测的广义输入状态量，N是每次总预测步数；矩阵H
α
＝2(Φ+Γ
T
ΩΓ),F
α
＝2Γ
T
ΩΘ，Ω、Ф、Г、Θ、Λ均为矩阵；Q是预测过程中的误差权重矩阵。
[0022]更进一步的技术方案，所述最优的参考质心倾角通过如下方式获取：
[0023]取当前预测周期的最优解的第一项结合和进行求解，为最优拟合矩阵，
为拟合矩阵，Ψ
‑1为内动态逆向映射函数的输出值，为Ψ
‑1近似值，g是重力加速度。
[0024]更进一步的技术方案，所述内动态逆向映射函数具体为：根据上一预测周期的最优前向加速度和内动态正向映射函数，构建关于内动态逆向映射函数与其近似逆向映射函数误差的代价函数，并利用非线性最小二乘法求解获取的。
[0025]更进一步的技术方案，所述代价函数为：
[0026][0027]其中：k表示第k次模型预测，i表示往后第i步预测，J
ID
(k)为代价函数。
[0028]进一步的技术方案，与和相关的QP优化问题包括目标函数和约束条件，所述目标函数为：
[0029][0030]其中：A
qp
是权重系数矩阵，b
qp
是前馈矩阵，且：
[0031][0032]为QP优化中的广义状态变量与其最优参考值间反馈控制输出的参考调节加速度，是参考位置下关节力矩τ
leg
的前馈参考值，和是轮关节力矩转换的地面水平作用力F1和地面支持力F2的参考值，K
p
、K
d
是该反馈的比例与微分系数，χ
ref*
(k)是广义状态变量最优参考值状态变量最优参考值表示z方向最优参考位置，χ为模型的广义状态变量，H
‑1是关节驱动矩阵H的伪逆矩阵，M、C、G分别表示三阶小车倒立摆模型的惯性矩阵、哥氏力矩阵和重力矩阵，J
leg
是腿部末端相对于世界坐标系的雅可比矩阵，F
ext
表示机器人底盘受到的外力，K
pv
,K
dv
,K
pl
,K
dl
为该跟踪过程中的比例与微分调节系数，M
w
是机器人底盘的质量，q1表示机器人大腿的关节角度，q2表示机器人躯干的关节角度，g是重力加速度，x、v分别是机器人当前速度和当前位置表示大腿关节的最优参考关节角度，表示小腿关节的最优参考关节角度。
[0033]所述约束条件包括等式约束和不等式约束，所述等式约束为：不等式约束为：
[0034]其中：τ
max本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于轮式双足机器人动态行进的分层优化控制方法，其特征在于：由目标速度v
tar
和当前速度v、目标位置x
tar
和当前位置x，通过模型预测获得最优的参考前向位置最优的参考前向速度最优的参考前向加速度和最优的未来轨迹γ
*
；利用最优的未来轨迹γ
*
及一阶小车倒立摆模型的内动态，通过非线性最小二乘法拟合内动态逆向映射函数，得到与最优的参考加速度相匹配的最优的参考质心倾角建立三阶小车倒立摆模型，基于和求解最优参考关节角度利用多关节动力学构建与和相关的QP优化问题并求解，得到最优控制力与力矩，作用于双足机器人上进行控制。2.根据权利要求1所述的用于轮式双足机器人动态行进的分层优化控制方法，其特征在于，所述模型预测的约束方程为：在于，所述模型预测的约束方程为：v
ref
(k+i)≤|v
max
||a
ref
(k+i)|≤|Ψ
max
||其中：X
ref
(k)表示第k次预测的广义状态量，x
ref
(k)表示第k次预测的参考前向位置，x
ref
(k)表示第k次预测的参考前向速度，x(k)、v(k)、θ(k)、a
ref
(k)分别为单次预测时观测到的机器人实际前向位置、实际前向速度、实际质心倾角和实际前向加速度，Ψ
init
表示Ψ在每次预测时的初始值，Ψ
max
表示Ψ的最大值限制，Ψ表示机器人的内动态正向映射函数F
PD
的输出值，v
ref
(k+i)、a
ref
(k+i)分别代表机器人从第k次预测开始，往后第i步预测的参考前向速度和加速度，v
max
代表机器人轮子电机的额定速度，ΔT
mpc
表示预测步长。3.根据权利要求2所述的用于轮式双足机器人动态行进的分层优化控制方法，其特征在于，所述模型预测采用如下方式：
其中：J
N
(k)表示代价函数，Υ(k)为中间量，且U
ref
(k)表示第k次预测的广义输入状态量，N是每次总预测步数；矩阵H
α
＝2(Φ+Γ
T
ΩΓ),F
α
＝2Γ
T
ΩΘ，Ω、Ф、Г、Θ、Λ均为矩阵；Q是预测过程中的误差权重矩阵。4.根据权利要求3所述的用于轮式双足机器...

【专利技术属性】
技术研发人员：余张国，张筱晨，陈学超，任思宇，张锦埭，孟立波，黄强，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：