四足机器人步态参数优化及探索性行走策略

为实现四足机器人在复杂的地形环境、有限的能量供应和不可预知的干扰下运动稳定,提高四足机器人穿越复杂地形的能力,采用了粒子群优化算法对经典步行步态参数进行优化,提出了一种易于实现、能适应不同地形的探索性步态. 所提出的探索步态不需要立体视觉或激光雷达所感测到的任何地形信息,机器人通过IMU传感器和足端力传感器接触地面来感知地形. 针对提出的优化方法和步态策略进行了仿真和实验,验证了所提出的探索性步态在穿越不平坦地形时的运动能力.      

四足步行机器人动步态特征辨识算法

针对四足机器人行走动步态的研究，提出了一种基于神经网络中Ｋｏｈｏｎｅｎ自组织映射的聚类算法。该算法依据其特征对步态数据进行聚类，并利用求重心的方法，获取特征模型，大大简化了调试工作。     

液压四足机器人关键步态参数优化

针对四足液压仿生机器人walk步态中足端轨迹规划问题,提出了通过优化步高和步长这两个关键步态参数来提高机器人行走稳定性的方法。通过聚合交叉的方法进行实验设计,用速度和步长及仿真得到的评价函数值进行三维曲面拟合,用速度截取所拟合的曲面得到不同速度下的最优步长。较优的步高确定采用二分法。步高和步长的优化效果用评价函数和Adams仿真进行验证,其中评价函数的构造充分考虑了表征机器人机身姿态平稳性的多组参数;四足机器人行走的仿真实验表明使用所述方法优化后的步态参数进行足端轨迹规划,得到的机器人静步态具有优异的运动性能表现。      

基于粒子群优化算法的双足机器人步态优化

分析了髋关节位置对双足机器人步行稳定性判据零力矩点(ZMP)的影响,以ZMP稳定裕度为参数构造目标函数,利用粒子群优化算法(PSO)对基于3次样条插值方法规划的双足机器人步态进行优化,从而得到ZMP稳定裕度大的平滑步态.仿真实验表明:该方法规划的步态实现了双足机器人稳定、协调地行走.     

四足机器人自由步态规划建模与算法实现

针对四足机器人的越障自由步态规划问题,提出了一种改进的离散化四足机器人步态规划模型,该模型可通过设置相关参数准确模拟实际物理模型,并且可以根据障碍物的分布密集程度改变候选落足点数以提高机器人对地形的适应能力;根据此模型建立了基于A*算法的步态规划算法,对步态序列进行稳定性检测和碰撞检测,并设计了以步数最少为目标的评价函数,以使规划的步态稳定、与障碍无碰撞且总步数最少。实验结果表明:该算法计算量小、规划时间短,规划一个20步的越障步态仅拓展了78个节点,用时0.019s;机器人以最少的步数安全地通过了给定的含障碍物的地形,从而验证了所提模型的有效性及算法的优越性,ADAMS和Simulink联合仿真进一步验证了所规划的自由步态是可行的。     

基于虚拟仿真的四足机器人步态分析

根据观察动物行走的特点,完成一种四足机器人的行走过程仿真分析。在三维软件Pro／E中建立四足机器人分析模型,导入仿真软件MSC．ADAMS中添加约束和动力,以一定形式的步态效果实现了四足机器人在平面上的行走过程,并以机器狗模型为例子分析了它的稳定性以及在行走过程中各部分动作产生的影响。     

基于时序分析的四足机器人对称步态变换

提出了一种四足机器人一般步态的时序分析方法．该方法使用8个参数描述一般步态：步态周期、前双腿落地之间的滞后时间、后双腿落地之间的滞后时间、同侧双腿之间的滞后时间以及各条腿的负荷系数．运用该方法分析了常用对称步态,经过归一化处理后得到了一个跨步周期中各腿着地和抬起的时间序列．证明了匀速情况下具有等负荷系数的两种对称步态之间只需要一个步态周期就能够完成步态变换,从而得到变换步态中各腿着地和抬起的时间序列．计算实例表明了该方法适用于分析对称步态变换．     

偏心轮腿六足机器人四足步态规划

提出了一种适用于偏心轮腿六足机器人的直行四足步态规划.以一个运动周期为例,分析了偏心轮腿六足机器人直行过程中5个阶段的运动状态,以及每个运动状态中偏心轮腿步态的参数变化并用状态矩阵加以描述.将该步态用于所设计的偏心轮腿六足机器人,在驱动电机的控制下,能保证机器人的直行前进.     

离散化四足机器人自由步态控制方法

为了实现离散化四足机器人自由步态的控制,提出一种新的基于中枢神经模式发生器(CPG)的自由步态控制方法。介绍了离散化四足机器人模型,在已确定的地形中,设定四足机器人起始点与抵达点的状态。将连续步态按照离散化步态完成排序,形成排序集合。在此基础上,利用中枢神经模式发生器CPG,采用周期性振荡信号对离散化四足机器人腿部各关节进行控制,给出单独神经元模型。为了便于分析,使用互抑神经元构成的振荡器对神经元的输出信号进行改善,通过该振荡器产生规律的振荡信号,以控制离散化四足机器人完成自由步态移动。实验结果表明,所提方法能够有效控制离散化四足机器人实现自由步态移动。     

基于深度仲裁策略的四足机器人步态学习

复现高等生物的学习过程是机器人研究的一个重要研究方向,研究人员已探索出一些常用的基于行动者评价器（actor critic,AC）网络的强化学习算法可以完成此任务,但是还存在一些不足.针对深度确定性策略梯度（deep deterministic policy gradient,DDPG）存在着Q值过估计导致恶化学习效果的问题,受到大脑前额叶皮质层仲裁机制的启发,提出了一种深度仲裁行动者评价器（deep arbitration actor critic,DAAC）算法,其中包含两套评价网络,通过仲裁机制进行择优选取评价网络去更新策略参数,有效解决了Q值过估计的问题,该算法使得四足机器人成功复现了仿生的步态学习过程.通过仿真实验,将DAAC算法与DDPG、软行动者评价器（soft actor critic,SAC）、近端策略优化(proximal policy optimization,PPO)三种算法进行了对比实验,实验证明经DAAC训练的四足机器人步态在奖励值、机体稳定性和速度三个方面都有更好的表现,有效验证了算法的优越性.     

基于粒子群优化的移动机器人SLAM方法

针对传统Rao-Blackwellized粒子滤波器存在的粒子消耗问题,提出了一种基于粒子群优化的移动机器人同步定位与制图方法. 该方法在粒子重采样过程中利用粒子群优化算法获得机器人位姿的建议分布,并引入遗传算法中的交叉和变异操作对求得的粒子集进一步优化、调整. 改进后的粒子分布保持了粒子的多样性,有效提高了机器人位姿估计的一致性. 仿真结果表明,本文提出的方法与传统Rao-Blackwellized粒子滤波器相比,能有效解决粒子耗尽问题,使机器人获得更精准的定位和更准确的地图,具有可行性、实用性.      

基于粒子群算法的复杂产品装配序列规划

根据复杂产品装配规划问题的特点和要求,提出了一种求解装配序列规划(assembly sequenceplanning,ASP)问题的粒子群优化算法,将通常用于连续空间优化的粒子群算法成功扩展到ASP领域.算法根据ASP问题决策解的特点,在排序空间定义了微粒的位置和速度以及相关的各种操作.针对基本粒子群算法容易陷入局部最优的缺点,采用新的学习机制,增强了算法的寻优能力.基于干涉矩阵、连接矩阵和支撑矩阵建立了以装配可行性、装配体稳定性和装配方向改变为评价指标的目标函数.最后通过实例分析验证了该算法的有效性.     

基于微粒群优化的快速K-近邻分类算法

随着全球信息化的出现,手工分类索引已经不适用于大规模信息的处理,自动分类的研究得到迅速发展。K-近邻法是具有一定效率的自动分类算法。本文将其与智能优化技术结合,用于基于机器学习的文本分类过程中。实验结果表明,对于庞大的文档集合分类,该算法提高了分类的速度和精度。     

基于机器学习与视觉的四足机器人步态精确监测方法

为保证四足机器人在复杂地形中能准确行进,对其步态实时监测方法进行了研究,提出一种基于机器学习和双目视觉的步态精确监测方法。首先为降低视觉残影误差,从已知步态轨迹“动中取静”确定对足端的最佳观测点位。此外,为补偿视觉系统误差所致足端位姿测量误差,提出一种基于深度神经网络的足端位姿精确预测方法。最后仿真结果表明所设计神经网络有99.68%的概率能达到0.025 mm足端位置预测精度,可满足实时、高精度监测要求。此方法将机器学习的泛化能力与视觉系统复杂误差来源相结合,使视觉方法实现了高精度测量,为足式机器人步态实时精确监测提供了新思路,进而为其足端精确定位及步态周期性保持提供了有益的方法参考。     

基于反馈学习粒子群算法的极值搜索控制

将基于反馈学习的粒子群 (Feedback Learning Particle Swarm Optimization,FLPSO) 算法引入极值搜索控制中,并且应用经典跟踪参考信号的方法,进一步改善极值搜索控制的性能.仿真结果显示,算法使系统控制输出平稳,并且系统性能输出快速渐进收敛到最优值,改善了基于格拉姆矩阵设计的极值搜索控制算法中存在的输出震荡问题.     

提升四足机器人行走稳定性的对角步态规划方法

针对四足机器人在采用对角步态行走中容易失稳的问题,提出了通过改变对角步态中支撑足的初始位姿来改善并提升运动稳定性的方法.结合零力矩原理,找到四足机器人支撑足最佳初始膝关节转角θ₁和髋部前向关节转角θ₂,从而确定四足机器人支撑足的最佳初始位姿.仿真表明:四足机器人运动采用不同初始位姿时,运动过程中的稳定性不同.当取最佳初始位姿时,四足机器人的机身偏转量最小,稳定性最好.由此证明,通过调整支撑足的初始状态可以有效提高四足机器人在采用对角步态行走过程中的稳定性.      

负载型四足步行平台静步态行走虚拟模型控制

为实现负载型四足步行平台静步态柔顺行走,减小控制方法的复杂程度,提出了一种基于机体虚拟模型的步行平台静步态行走控制方法。将平台静步态行走控制分为支撑阶段足端力的求解、摆动腿的运动控制及机体运动控制三部分。对于静步态行走支撑阶段中存在的三足及四足支撑阶段,分别在平台整体受力分析基础上,通过添加相应的约束条件,实现了其各方向的力可控。通过在摆动腿足端实际位置与理想位置之间添加虚拟的弹簧阻尼元件实现了足端轨迹跟踪准确性及足端着地时的柔顺性。通过在机体实际位置及期望位置之间添加相应的虚拟弹簧阻尼元件,结合平台机体轨迹规划实现其静步态行走。并通过机动平台平地及爬越台阶静步态行走仿真验证了控制算法的有效性。     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

基于粒子群优化的多目标作业车间调度

为了利用粒子群优化算法解决作业车间调度问题,提出了将调度问题转化为连续优化问题的有效策略;设计了Pareto档案粒子群算法(PAPSO),该算法将档案维护和全局最好位置选取结合在一起,在档案维护过程中为每个粒子选取全局最好位置;给出了变异与PAPSO的结合新策略.将PAPSO和带变异的PAPSO应用于15个调度实例,以最小化总拖后时间和最大完成时间,与强度Pareto进化算法2等进行比较,结果验证了PAPSO在作业车间调度方面的良好性能.