System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于四足机器人运动控制领域,具体涉及一种基于八元神经网络的四足机器人运动控制系统。
技术介绍
1、近年来,相比于轮式机器人,腿足式机器人在非结构化环境下表现出了更好的机动性、地形适应性和稳定性,适用于军事探索、灾害搜救等复杂任务。其中,四足机器人在所有腿足式机器人中表现出了较好的机动性和稳定性。它不仅能够在各种复杂地形环境中灵活执行任务,而且能够在泥泞、草地等非结构化地形下稳定行走。
2、目前,四足机器人控制领域常见的方法分别是基于模型的控制、基于学习的控制以及中枢模式发生器控制。基于模型的控制方法是机器人领域经典的控制方法,常用于对大型四足机器人的精准控制,例如猎豹机器人和big dog机器狗等。该控制方法需要对机器人模型及环境进行精确建模和运动规划,存在计算复杂和环境适应性差等缺点。基于学习的控制是一种利用强化学习等方法来设计和改进控制策略,能够在复杂、非线性或不确定的环境中实现对机器人的精准控制,但该方法高度依赖数据和训练环境,将模型迁移到真实环境时仍面临巨大挑战。
3、中枢模式发生器(central pattern generator,简写cpg)是由一系列具有相互作用的神经元模型或振荡器耦合形成的小型神经网络,已被广泛证明存在于脊椎动物的中枢神经系统和无脊椎动物的神经节中。cpg可以在没有感觉反馈的情况下生成节律行为(如呼吸或运动)的基本信号,但需要感觉反馈来调控cpg信号。在机器人控制领域,cpg广泛应用于控制各种机器人系统的运动和行为。例如:用于研究蝾螈游泳和行走的蝾螈机器人,与感
4、相比于其他两种方法,cpg 最大的优点是其结构简单、计算效率高。只需要计算动力系统的常微分方程组,就可以实现对机器人多个关节的协调节律运动控制。不仅如此,cpg还具有内在的稳定性和自适应性。
5、目前,大多数四足运动控制的cpg网络通常是四神经元网络。它的结构简单,易于集成到运动控制器中,与传感器和其他学习算法兼容性良好。但其也存在一些缺点,首先,可生成的步态节律数量受到限制。四足动物常见的步态包括:行走(walk)、小跑(trot)、溜步(pace)、跳跑(bound)、腾跃(pronk) 、跳跃(jump)等,相位关系如图1中的a~f所示。大多数四神经元网络只能实现不超过三种步态类型(一般为行走、小跑、跳跑)。其次,可控制的关节数量受到限制(一般为四个)。目前四足机器人最常见的设计是每条腿有三个关节:髋关节外展-内收、髋关节屈曲-伸展和膝关节屈曲-伸展。然而,在所有四神经元甚至八神经元的cpg中,最多只能生成四个信号用于控制四条腿之间的相位关系。通常需要一种映射方法将单个神经元的信号映射为两个关节位置信号以实现对膝关节和髋关节之间的相位关系。从生物学角度,控制多个关节的信号很可能由特定的神经元产生,这需要更复杂的网络架构。
6、设计一个比四神经元网络更复杂的网络架构不会削弱其优势,且具有额外神经元的网络还可以包含更多的对称性,从而生成更多的步态类型。此外,通过网络的内在特性实现髋膝关节协调控制的机制,能够加深对四足动物的步态控制机制的理解,这也有助于促进机器人学和生物学的相关研究。
7、设计cpg网络的一种可行方法是对称性原则。如果网络是对称的,那么对称性对动力学施加的约束通常会导致神经元同步或相位锁定。这里步态的节律性本质是一种关节之间时域信号的时空对称性。网络结构的对称性可以约束cpg神经元信号的对称性。但是如何具体设计cpg步态的节律性以及髋膝关节相位关系,实现对四足机器人多关节的低算力、高机动性控制,进而实现多种步态,从而提高机器人系统的机动性和环境适应性,在目前的现有技术中依然缺少高效的解决方案。
技术实现思路
1、本专利技术的目的在于解决现有技术中四足机器人控制的自由度数量、节律信号种类有限的问题,并提供一种基于八元神经网络的四足机器人运动控制系统,以实现对四足机器人髋关节和膝关节的八自由度协调控制,同时可以生成五种步态节律信号,进而能够提高系统的环境适应性。
2、本专利技术所采用的具体技术方案如下:
3、一种基于八元神经网络的四足机器人运动控制系统,其包括:
4、信号调控模块,用于生成步态控制参数;
5、信号生成模块,用于接收信号调控模块生成的步态控制参数,并将其输入到八元神经网络中,对八个神经元的常微分方程分别进行求解,获得步态节律信号;所述八元神经网络由各自具有四重旋转对称性的第一单向耦合网络层和第二单向耦合网络层组成;所述第一单向耦合网络层由第一神经元、第三神经元、第二神经元、第四神经元顺次首尾相连形成单向耦合的环形网络,所述第二单向耦合网络层由第五神经元、第八神经元、第六神经元、第七神经元顺次首尾相连形成单向耦合的环形网络,第一单向耦合网络层中神经元的耦合方向与第二单向耦合网络层中神经元的耦合方向相反;第一单向耦合网络层和第二单向耦合网络层之间以两两神经元为一组,在两层单向耦合网络层之间构成双向耦合,四组神经元分别一一对应控制四足机器人的四条腿;且每一组神经元中,位于第一单向耦合网络层中的神经元用于控制髋关节,位于第二单向耦合网络层中的神经元用于控制膝关节;所述八元神经网络对应的常微分方程中,每一个神经元的驱动信号由三部分决定,分别为来自信号调控模块生成的步态控制参数,来自同一单向耦合网络层的神经元的耦合效应,以及来自另一单向耦合网络层的神经元的耦合效应;
6、信号后处理模块,用于接收信号生成模块中求解得到的步态节律信号,并转换为对应控制四足机器人四条腿上共八个关节作动的位移信号。
7、作为优选,所述四足机器人所能控制的步态形式包括行走、小跑、溜步、跳跑和腾跃。
8、作为优选,所述八元神经网络中,第一神经元和第五神经元为一组,分别用于控制左后腿的髋关节和膝关节,第二神经元和第六神经元为一组,分别用于控制右后腿的髋关节和膝关节,第三神经元和第七神经元为一组,分别用于控制右前腿的髋关节和膝关节,第四神经元和第八神经元为一组,分别用于控制左前腿的髋关节和膝关节。
9、作为优选,所述八元神经网络中,神经元之间存在的耦合均采用抑制性耦合。进一步的,其中第一神经元抑制第三神经元,第三神经元抑制第二神经元,第二神经元抑制第四神经元,第四神经元抑制第一神经元,第五神经元抑制第八神经元、第八神经元抑制第六神经元、第六神经元抑制第七神经元、第七神经元抑制第五神经元,第一神经元和第五神经元之间双向抑制,第二神经元和第六神经元之间双向抑制,第三神经元和第七神经元之间双向抑制,第四神经元和第八神经元为一组之间双向抑制。
10、作为优选,所述八元神经网络中,任意一个神经元i的常微分方程均采用stein神经元模型,其中任意一个神经元i的驱动信号为,其中、、均为来自信号调控模块生成的步态控制参数,t为时本文档来自技高网...
【技术保护点】
1.一种基于八元神经网络的四足机器人运动控制系统,其特征在于,包括:
2.如权利要求1所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,所述四足机器人所能控制的步态形式包括行走、小跑、溜步、跳跑和腾跃。
3.如权利要求1所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,所述八元神经网络中,第一神经元和第五神经元为一组,分别用于控制左后腿的髋关节和膝关节,第二神经元和第六神经元为一组,分别用于控制右后腿的髋关节和膝关节,第三神经元和第七神经元为一组,分别用于控制右前腿的髋关节和膝关节,第四神经元和第八神经元为一组,分别用于控制左前腿的髋关节和膝关节。
4.如权利要求1所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,所述八元神经网络中,神经元之间存在的耦合均采用抑制性耦合。
5.如权利要求4所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,所述八元神经网络中,任意一个神经元i的常微分方程均采用Stein神经元模型,其中任意一个神经元i的驱动信号为,其中、、均为来自信号调控模块生成的步态控制参数,
6.如权利要求5所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,在求解常微分方程时,八个神经元对应的常微分方程的同层权重超参数均设置为相同,且第二单向耦合网络层中神经元对应的常微分方程的异层权重超参数绝对值大于第一单向耦合网络层中神经元对应的常微分方程的异层权重超参数绝对值。
7.如权利要求6所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,八个神经元对应的常微分方程的同层权重超参数均设置为-0.15。
8.如权利要求6所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,第一单向耦合网络层中神经元对应的常微分方程的异层权重超参数均设置为-0.1,第二单向耦合网络层中神经元对应的常微分方程的异层权重超参数均设置为-0.6。
9.如权利要求1所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,所述常微分方程通过四阶龙格库塔法进行数值求解。
10.如权利要求1所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,所述信号生成模块中求解得到的每个神经元的步态节律信号均为数值范围位于0到1之间的时域信号,所述信号后处理模块将该时域信号转换为控制对应关节作动的关节位置信号或电压信号。
...【技术特征摘要】
1.一种基于八元神经网络的四足机器人运动控制系统,其特征在于,包括:
2.如权利要求1所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,所述四足机器人所能控制的步态形式包括行走、小跑、溜步、跳跑和腾跃。
3.如权利要求1所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,所述八元神经网络中,第一神经元和第五神经元为一组,分别用于控制左后腿的髋关节和膝关节,第二神经元和第六神经元为一组,分别用于控制右后腿的髋关节和膝关节,第三神经元和第七神经元为一组,分别用于控制右前腿的髋关节和膝关节,第四神经元和第八神经元为一组,分别用于控制左前腿的髋关节和膝关节。
4.如权利要求1所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,所述八元神经网络中,神经元之间存在的耦合均采用抑制性耦合。
5.如权利要求4所述的基于八元神经网络的四足机器人运动控制系统,其特征在于,所述八元神经网络中,任意一个神经元i的常微分方程均采用stein神经元模型,其中任意一个神经元i的驱动信号为,其中、、均为来自信号调控模块生成的步态控制参数,t为时间,和分别为同层权重超参数和异层权重超参数,x为当前神经元i所在的单向耦合网络层中对神经元i构成抑制的神经元的膜电位总和,y为不含当前神经元i的单...
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。