基于Webots仿真软件的仿生六足机器人机构设计与步态规划

仿真技术在机器人机构设计与运动分析的研究与应用中发挥着重要的作用,可提升机器人机构设计的质量和改善机器人的运动性能.在六足纲昆虫观测实验的基础上,模仿六足纲昆虫的躯体形态和结构特征,以蚂蚁爬行的三角步态为摹本,对仿生六足机器人进行了机构设计与步态规划,并在Webots移动机器人仿真软件的环境下完成了仿生六足机器人的实体造型,编制了相应的运动控制程序,且通过仿真实验验证了仿生六足机器人机构的合理性和运动的灵活性.     

高负载四足机器人的步态规划与控制

针对高负荷的四足机器人设计了位置控制器,实现了机器人在平坦地面上的稳定行走。使用的四足机器人为自主研发,该机器人设计有特殊的驱动系统和创新性的并联式腿结构,实现了机器人的高负载能力。利用Bezier曲线为机器人设计了足尖运动轨迹,提高了机器人的稳定性。仿真结果和实验验证了所设计控制器的有效性。     

仿生六足机器人稳定性的仿生实验研究

阐述了六足机器人稳定性研究对于机器人稳定性、足端轨迹规划以及脚力分配等方面的影响,从对蚂蚁的观察实验出发,重点分析蚂蚁在水平面上直线前进和转向运动的稳定性问题,总结归纳了一系列规律用于指导仿生机器人开发.同时借鉴蚂蚁仿生规律,指出了通常六足机器人在稳定性方面的缺点,提出了提升机器人稳定性的简单有效的办法,并展望了更进一步提升机器人稳定性和运动性能的设计趋势.     

基于分离设计/集成优化的机器人步态规划

针对双足机器人步行问题，提出了一种基于分离设计／集成优化的步态规划方法。基于双足机器人的步行特征，实施多时空和多关节的任务分离，进而实现多时空关节的步态分离规划。进一步基于零力矩点理论，提出了一种综合机构修正和步态修正方法的步态规划集成优化策略。这种基于分离设计／集成优化的步态规划策略极大简化了复杂多关节双足机器人的规划过程，仿真研究表明了该方法的有效性。     

液压四足机器人的仿生运动控制研究

动物的节律运动具有规则的运动形式和良好的稳定性、适应性,因此这种运动方式适合用于腿式机器人的运动控制.针对四足机器人难以协调控制的问题,通过对高等动物神经学理论和节律运动的研究、改进与仿真,设计了一种基于中枢模式发生器(CPG)的运动控制方法,并借助Matsuoka振荡神经元模型建立了完整的四足机器人坊生运动控制网络模型.以自激行为产生不同相位的节律运动信号并控制执行器进行相应的动作,实现了一系列典型的四足机器人运动步态和足端轨迹的生成与转化,有效地解决了机器人四足协调运动控制的难题,提高了机器人在复杂环境中的运动和适应能力.     

基于深度学习的机器人局部路径规划方法

为了将视觉信息融入到机器人导航过程中,提高机器人对各类障碍物的识别率,减少危险事件的发生,设计了基于二维CNN及LSTM的局部路径规划网络。提出了基于深度学习的局部路径规划方案。利用机器人视觉信息及全局路径信息推理产生机器人在当前时刻完成避障导航任务所需转向角度;搭建了用于对规划器核心神经网络进行训练和验证的室内场景;提出了以路径总长度、平均曲率变化率及机器人与障碍物之间的距离为性能指标的路径评估方案。实验表明：该方案在仿真环境及真实场景中均体现了较优秀的局部路径生成能力。     

基于增强学习的关节型机器人动态操作任务运动规划

提出增强学习(RL)解决机器人动态操作任务运动规划的方法。对动态操作任务,分析了如何确定输入输出变量以及强化函数的设计问题;给出用于连续输入输出问题的自适应启发评价(AHC)算法。增强学习解决动态操作任务的运动规划问题,只需要机器人正解进行反复尝试即可学会动作,从而避免了常规运动规划方法中涉及的复杂逆解运算;最后以平面3连杆机器人接取自由飞行的球为例进行仿真研究,结果表明了方法的有效性和可行性。     

基于角色变换和强化学习的多机器人协同仿真

征对多移动机器人协同问题,将角色变换与强化学习相结合,采用集中式控制结构,并提出了距离最近原则,将距离障碍物最近的机器人作为主机器人并指挥其它从机器人运动,同时采用了基于行为的多机器人协同方式,在提出的基于强化学习的行为权重基础上,通过与环境交互使机器人行为权重趋向最佳,并利用基于最大行为值的协调策略来规划机器人避碰行为.通过在动态环境下多机器人协同搬运仿真实验,表明在使用了角色变换和强化学习后,有效减少了多机器人与障碍物发生碰撞的次数,成功的实现了协同搬运,具有良好的学习效果.     

基于拟牛顿算法的自由下落猫的非完整运动规划

研究猫在自由下落时四肢着地的姿态运动规划问题。自由落体的猫在空中转体运动由于角动量守恒，姿态运动方程呈现为非完整形式。系统的控制问题可转化为无漂移系统的非完整运动规划问题。首先导出由两个对称刚体组成的力学模型的非完整姿态运动方程。利用最优控制理论和最优化技术，采用输入参数化的方法将连续的最优控制问题转化为离散的最优控制问题。基于拟牛顿方法，给出自由落体猫在空中姿态非完整运动规划算法。最后对自由落体猫作了数值仿真试验，仿真结果验证了该算法的有效性。     

基于径向基函数网络的强化学习在机器人足球中的研究

与监督学习从范例中学习的方式不同，强化学习不需要先验知识，而是具有从经验中学习的能力，将强化学习应用在大状态空间中，必须应用函数逼近的方法，如使用径向基函数网络建立输入和输出的映射关系。本文对基于径向基函数网络的强化学习在机器人足球这样的动态的多智能体环境中的应用进行了研究。实验结果证明了研究方法的可行性。     

自由漂浮双臂空间机器人基于RBF神经元网络的关节运动自适应控制

讨论了自由漂浮双臂空间机器人关节运动的控制问题.由拉格朗日第二类方法及系统动量、动量矩守恒关系,建立了自由漂浮双臂空间机器人完全能控形式的系统动力学方程.以此为基础,借助于RBF神经网络技术、Ge-Lee(GL)矩阵及其乘积算子定义,对自由漂浮双臂空间机器人进行了神经网络系统建模;之后针对双臂空间机器人系统所有惯性参数均未知的情况,设计了自由漂浮双臂空间机器人基于RBF神经元网络的关节运动自适应控制方案.提出的控制方案不要求系统动力学方程具有惯常的关于惯性参数的线性性质,且无需预知系统惯性参数的任何信息,也无需对神经网络进行离线训练、学习,所以更适于实时、在线应用.系统数值仿真证实了该控制方案的有效性.     

基于神经网络和PSO的机器人路径规划研究

提出一种神经网络和粒子群算法相结合的移动机器人路径规划方法。采用小波网络和RBF网络相结合的四层神经网络结构,克服了传统神经网络方法进行路径规划时对每个障碍均设计一些特定的隐节点,当障碍较多且环境动态时,网络结构庞大且神经元的阈值随时间的变化而需要不断改变的缺点。利用粒子群对神经网络的参数进行训练,在规定的代数内对网络参数优化,使得机器人在移动过程中能够快速响应环境的变化。通过对移动机器人在动、静态不同环境下的仿真实验,证明了方法的有效性。     

基于冲突搜索算法的多机器人路径规划

针对冲突搜索法（conflict-based search,CBS）在多机器人路径规划（multi-agent path finding,MAPF）过程中规划路径过长、单向搜索运行时间长等缺陷,从搜索方向和搜索方式提出一种改进的双向A*焦点搜索来优化冲突搜索算法。将次优因子ω引入冲突搜索算法的底层搜索函数中,以提高路径搜索的效率;将冲突搜索算法中的单向搜索优化为双向A*搜索。实验结果表明：改进的冲突搜索算法的路径成本缩短了14.82%,总运行时间缩短了10.63%。     

基于深度强化学习的履带机器人摆臂控制方法

摆臂式履带机器人具有一定的地形适应能力,实现摆臂的自主控制对提升机器人在复杂环境中的智能化作业水平具有重要意义。结合专家越障知识和技术指标对机器人的摆臂控制问题进行马尔可夫决策过程(Markov decision process,MDP)建模,基于物理仿真引擎Pymunk搭建了越障训练的仿真环境;提出一种基于D3QN(dueling double DQN)网络模型的深度强化学习摆臂控制算法,以地形信息与机器人状态为输入,以机器人前后四摆臂转角为输出,能够实现挑战性地形下履带机器人摆臂的自学习控制。在Gazebo三维仿真环境中将算法学得的控制策略与人工操纵进行了对比实验,结果表明：所提算法相对人工操纵具有更加高效的复杂地形通行能力。     

基于随机策略搜索的多机三维路径规划方法

针对传统无能耗约束的多无人机路径规划方法难以适应复杂山地作业环境的应急救援要求,提出了一种基于LSTM-DPPO(long short-term memory-distributed proximal policy optimization)框架的多无人机三维路径规划算法。利用LSTM长短期记忆神经网络提取出多无人机在各自飞行过程中的重要特征状态信息序列,经过多次迭代更新后得到一个最优网络参数模型,结合能耗生成最优的三维探测路径。实验结果表明：该方法相对于传统路径规划方法效果显著,能在能耗最小的前提下规划出最优探测路径。     

基于相关机会规划的多机器人觅食过程的参数优化

针对随机环境中以觅食为任务的多机器人系统,在建立其整体数学模型基础之上,利用随机规划中的相关机会规划对影响整体系统性能的两个重要参数进行了优化分析,并采用基于随机模拟的遗传算法得到了优化结果.仿真结果表明,利用该方法可以实现随机环境下的系统优化控制,从而可为多机器人系统的行为规则优化提供理论依据.     

基于多智能体强化学习的多机器人协作策略研究

研究了一种基于智能体动作预测的多智能体强化学习算法. 在多智能体系统中,学习智能体选择动作不可避免地要受到其他智能体执行动作的影响,因此强化学习系统需要考虑多智能体的联合状态和联合动作.基于此,提出使用概率神经网络来预测其他智能体动作的方法,从而构成多智能体联合动作,实现了多智能体强化学习算法. 此外,研究了该方法在足球机器人协作策略学习中的应用,使多机器人系统能够通过与环境的交互学习来掌握行为策略,从而实现多机器人的分工和协作.     

基于阻抗和虚拟模型的四足机器人控制方法

为提高四足机器人的运动稳定性,提出基于阻抗和虚拟模型的控制方法。采用基于力的阻抗控制方法进行腿部摆动相的控制,实现摆动相较为精准的轨迹跟踪以及腿部的柔顺控制;采用虚拟模型控制方法进行支撑相的控制,实现对机器人机身姿态的控制,实现了四足机器人的稳定行走。结合横向跨步策略以及虚拟模型的偏航角控制策略,提出机器人抗侧向冲击控制方法,保证了四足机器人受侧向冲击后能够保持平衡并恢复运动状态。仿真结果验证了所提出的控制方法的有效性。     

基于虚拟样机技术的双足机器人运动仿真研究

应用三维建模软件SolidWorks建立了HIT-ROBOCEAN双足机器人的简化模型,导入虚拟样机仿真分析软件Adams中生成虚拟样机模型,并通过在科学计算软件Matlab中得到的机器人行走步态的关节运动轨迹对虚拟样机模型进行控制,通过联合仿真获得机器人行走步态的三维仿真动画,并利用该虚拟样机模型对机器人行走步态进行运动学及动力学分析。为双足机器人步态规划的研究提供了一种新的方法。     

基于基本变量集的仿人机器人在线运动规划

仿人机器人在线规划方法对于其走向实际应用具有重要作用.通过对仿人机器人运动规划方法的调研以及实时性需求分析,提出了一种基于基本变量集的仿人机器人在线规划方法.该方法将运动规划问题转化为反映机器人运动状态的基本变量集的规划问题,通过对基本变量的规划和计算,得到基于关节空间的运动状态序列.该基本变量集包含零力矩点、仿人机器人重心(CoG)、髋部中心(CoC)、脚掌位置及相关关键姿态关系,所提方法结合仿人机器人动力学约束和物理约束,给出了关键变量集的规划和计算方法.最后,通过仿真实验,对规划结果的可行性进行了验证,实现了仿人机器人的稳定行走.