【技术实现步骤摘要】
本专利技术涉及四足机器人优化控制的，具体地，涉及一种基于模型预测与路径优化的机器人多任务控制方法及系统，尤其是优选的涉及一种基于模型预测与gsnn路径优化的四足机器人多任务控制方法。
技术介绍
1、近年来，四足机器人由其出色的平衡性，灵活性和执行任务多样性的特点，在机器人领域发展迅速，可在多种复杂环境完成特定任务，如采矿、医疗、运输、以及军事化作战。然而，受自身驱动力以及动态步态中的足底力限制，四足机器人在动态环境中的平稳控制一直是一个具有挑战性的问题。因此，研究四足机器人在动态状态下的平衡运动具有重要意义。
2、当足式机器人行走时，其站立脚与地面之间的反作用力会严重影响其可靠性和稳定性，为了避免滑动，足式机器人足底反力必须始终保持在摩擦锥约束条件下运动。因此，为保证机器人的安全和平衡运动，计算其足端和地面之间的足底反力至关重要。
3、公开号为cn111390905a的中国专利技术专利文献公开了一种机器人多任务控制方法、控制装置及终端设备，所述方法包括：对于每个控制时刻，根据预设的优先级调整模型计算所述控制时刻对应的任务优先级参数；根据所述控制时刻对应的每个单任务控制器的单任务输出和计算出的所述控制时刻对应的任务优先级参数，计算所述控制时刻对应的多任务总输出；根据计算出的所述控制时刻对应的多任务总输出，在所述控制时刻对所述机器人进行多任务控制。
4、多年来，基于优化的mpc(模型预测控制)在机器人领域受到了广泛关注。许多研究人员已经实现了机器人的mpc，并取得了预期的结果，如自动驾驶车辆的两级
5、针对上述中的相关技术，专利技术人认为当前研究尚未完全考虑机器人的动态系统模型，在步态欠驱动或长时间欠驱动的情况下，系统无法单独使用mpc。
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种基于模型预测与路径优化的机器人多任务控制方法及系统。
2、根据本专利技术提供的一种基于模型预测与路径优化的机器人多任务控制方法，包括如下步骤：
3、方程构建步骤：结合机器人的足运动特征，构建基于浮动底座的多自由度系统动力学模型和基于单刚体的模型预测方程；
4、路径规划步骤：采用基于图形的脉冲神经网络结合非易失性晶体管搭建的神经元权重矩阵进行预设路径规划，将规划好的路径作为参考轨迹；
5、函数建立步骤：基于足底约束条件，建立足底力约束方程，足底力约束方程结合模型预测方程与参考轨迹，建立优化目标函数；
6、足底力获取步骤：采用原对偶神经网络求解优化目标函数，得到预设足底力；
7、多任务控制步骤：基于多自由度系统动力学模型、预设足底力结合力位混合控制，构建具有任务优先级的多任务控制框架，通过多任务控制框架进行多任务控制。
8、优选的，在所述方程构建步骤中，在基于浮动基座的多自由度系统动力学模型推导过程中，首先令其中，θcom表示角度；ωcom表示角速度；表示角加速度；qj表示关节位置；n表示与躯干相连接的腿的个数；为叠加速度，表示完整配置空间下的速度；表示3行1列的向量；xcom表示质心位置；t均表示转置；com表示质心；表示质心速度转置；表示关节速度转置；
9、设惯性矩阵其中，表示与质心相关的惯性矩阵；q表示位置；表示与关节相关的惯性矩阵，o6×3n和o3n×6表示零矩阵；
10、获取以及其中，c表示科里奥利离心力的分量；表示重力的分量；表示与科里奥利离心力加速度相关的矩阵；m表示质量；表示与重力加速度相关的矩阵；表示零向量；表示重力加速度。
11、基于浮动基座的多自由度系统动力学模型如下：
12、
13、其中，表示的导数；表示系统选择矩阵；表示单矩阵；表示单位矩阵的阶数为3n；表示系统实际关节力矩；表示足底力；表示与足底力相关的雅可比矩阵的转置。
14、优选的，在所述方程构建步骤中，模型预测方程通过单刚体模型，建立系统状态方程，并沿运动步态周期预测得出的模型预测方程x：
15、x＝aqpx(0)+bqpξ
16、其中，表示第k个控制周期与足底力相关的输入转置；ξ表示与足底力相关的变量；x(0)表示零时刻的状态；
17、x＝[x(1)tx(2)t … x(k)t]t
18、
19、
20、其中，x(k)表示第k个周期的状态；ai中的i取0至k-1，aj中的j取k-1至i+1，表示不同控制周期的a值，a和b均表示与状态方程相关的系数矩阵。
21、优选的，在所述函数建立步骤中，建立二次型优化目标函数，设定在预设跟踪误差的前提下，得到预设足底反作用力，建立二次型优化目标函数：
22、
23、
24、其中，j(ξ)表示优化目标函数；hqp和zt表示数学表达式；
25、
26、
27、其中，q和r表示权重矩阵；xref为参考轨迹，采用基于图形的脉冲神经网络结合非易失性晶体管搭建的神经元权重矩阵进行预设路径规划得到；
28、c表示足底力的约束下限条件；表示足底力的约束上限条件；
29、其中，ci、以及fmax均是基于三角锥约束条件建立与足底力相关的约束方程；μi表示摩擦系数。
30、优选的，在所述足底力获取步骤中，基于二次型优化目标函数，采用原对偶神经网络求解二次型优化目标函数的解，求得最优足底力；
31、采用原对偶神经网络优化所构建的拉格朗日函数f(ξ，λl)设置为：
32、
33、
34、
35、其中，λl表示拉格朗日乘子；e表示单位矩阵。
36、优选的，在所述路径规划步骤中，基于图形的脉冲神经网络，通过将地图上的预设路径点与神经元细胞一一映射，采用基本神经元模型为lif神经元模型，lif神经元模型的数学表达式为：
37、
38、其中，vmp(t)表示神经元膜电位，oi表示输入脉冲，wi表示输入脉冲对应的权重，vl表示漏电压，vth表示阈值电压，vreset表示当脉冲数量超过阈值后回归值；t表示当前时刻；n表示脉冲个数；otherwise表示其他条件。
39、优选的，在所述路径规划步骤中，非易失性晶体管采用具有记忆功能的非线性晶体管，神经元权重矩阵由非易失性晶体管基于crossbar架构搭建；其中，crossbar架构中的列代表权重的位数，行代表权重的个数，每个非线性晶体管代表权值的一位，高阻态代表逻辑0，低阻态代表逻辑1；在阵列的输出端串联电阻分压，同时将电流信号转换为电压信号供采集电路采集；对于有mo个输入，no个神经元，ko个输出的gsnn，gsnn结构为：
40、
41、其中，u(本文档来自技高网...
【技术保护点】
1.一种基于模型预测与路径优化的机器人多任务控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于模型预测与路径优化的机器人多任务控制方法，其特征在于，在所述方程构建步骤中，在基于浮动基座的多自由度系统动力学模型推导过程中，首先令其中，θcom表示角度；ωcom表示角速度；表示角加速度；qj表示关节位置；n表示与躯干相连接的腿的个数；为叠加速度，表示完整配置空间下的速度；表示3行1列的向量；xcom表示质心位置；T均表示转置；com表示质心；表示质心速度转置；表示关节速度转置；
3.根据权利要求1所述的基于模型预测与路径优化的机器人多任务控制方法，其特征在于，在所述方程构建步骤中，模型预测方程通过单刚体模型，建立系统状态方程，并沿运动步态周期预测得出的模型预测方程X：
4.根据权利要求1所述的基于模型预测与路径优化的机器人多任务控制方法，其特征在于，在所述函数建立步骤中，建立二次型优化目标函数，设定在预设跟踪误差的前提下，得到预设足底反作用力，建立二次型优化目标函数：
5.根据权利要求1所述的基于模型预测与路径优化的机器
6.根据权利要求1所述的基于模型预测与路径优化的机器人多任务控制方法，其特征在于，在所述路径规划步骤中，基于图形的脉冲神经网络，通过将地图上的预设路径点与神经元细胞一一映射，采用基本神经元模型为LIF神经元模型，LIF神经元模型的数学表达式为：
7.根据权利要求1所述的基于模型预测与路径优化的机器人多任务控制方法，其特征在于，在所述路径规划步骤中，非易失性晶体管采用具有记忆功能的非线性晶体管，神经元权重矩阵由非易失性晶体管基于crossbar架构搭建；其中，crossbar架构中的列代表权重的位数，行代表权重的个数，每个非线性晶体管代表权值的一位，高阻态代表逻辑0，低阻态代表逻辑1；在阵列的输出端串联电阻分压，同时将电流信号转换为电压信号供采集电路采集；对于有no个输入，mo个神经元，ko个输出的GSNN，GSNN结构为：
8.根据权利要求1所述的基于模型预测与路径优化的机器人多任务控制方法，其特征在于，在所述多任务控制步骤中，任务优先级执行基于零空间投影的方法，设定
9.根据权利要求8所述的基于模型预测与路径优化的机器人多任务控制方法，其特征在于，在所述多任务控制步骤中，力位混合控制为：
10.一种基于模型预测与路径优化的机器人多任务控制系统，其特征在于，包括如下模块：
...【技术特征摘要】
1.一种基于模型预测与路径优化的机器人多任务控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于模型预测与路径优化的机器人多任务控制方法，其特征在于，在所述方程构建步骤中，在基于浮动基座的多自由度系统动力学模型推导过程中，首先令其中，θcom表示角度；ωcom表示角速度；表示角加速度；qj表示关节位置；n表示与躯干相连接的腿的个数；为叠加速度，表示完整配置空间下的速度；表示3行1列的向量；xcom表示质心位置；t均表示转置；com表示质心；表示质心速度转置；表示关节速度转置；
3.根据权利要求1所述的基于模型预测与路径优化的机器人多任务控制方法，其特征在于，在所述方程构建步骤中，模型预测方程通过单刚体模型，建立系统状态方程，并沿运动步态周期预测得出的模型预测方程x：
4.根据权利要求1所述的基于模型预测与路径优化的机器人多任务控制方法，其特征在于，在所述函数建立步骤中，建立二次型优化目标函数，设定在预设跟踪误差的前提下，得到预设足底反作用力，建立二次型优化目标函数：
5.根据权利要求1所述的基于模型预测与路径优化的机器人多任务控制方法，其特征在于，在所述足底力获取步骤中，基于二次型优化目标函数，采用原对偶神经网络求解二次型优化目标函数的解，求得最优足底力；
...【专利技术属性】
技术研发人员：李智军，杨群廷，李国欣，夏海生，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。