人形机器人建模与控制（六） - 行走控制

已于 2024-11-28 00:56:06 修改
阅读量1.5k 收藏 6
点赞数 1
分类专栏： 人形机器人建模和控制 文章标签： 机器人 人工智能 机器学习
于 2024-05-27 07:24:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37266917/article/details/139224910
版权
本文探讨了腿式机器人行走控制的关键技术，包括行走周期、行走运动公式、LIPM模型、ZMP理论以及模型预测控制（MPC）。通过控制ZMP、DCM和脚步运动规划，实现机器人在复杂地形上的稳定行走。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

第六篇：行走控制

1. 引言

腿式机器人在复杂地形中行走的能力使其成为探索、救援和军事等领域的重要研究对象。在本篇博文中，我们将探讨腿式机器人行走周期、行走运动公式、零力矩点（ZMP）和模型预测控制（MPC）等相关理论与实践方法。

2. 行走周期

在这里插入图片描述

腿式机器人的行走周期可以分为支撑相和摆动相两个主要阶段。在支撑相中，机器人的一只或多只脚与地面接触，支撑整个身体的重量。在摆动相中，抬起的脚移动到下一个支撑点。

  • 支撑相：支撑相的主要任务是保持平衡和支持身体重量。该阶段要求机器人能稳定地控制重心，使得零力矩点（ZMP）始终保持在支撑多边形内。

  • 摆动相：摆动相的主要任务是将抬起的脚移动到下一个预定的支撑点。这个过程需要考虑行走速度、步幅和避障等因素。

3. 行走运动公式

了解本专栏 订阅专栏 解锁全文 超级会员免费看
人形机器人建模与控制（一） - 基础概念
Stan_Fu的博客
08-26 2462
人形机器人，或称腿式机器人，相对于轮式机器人在崎岖地形上展现出了巨大优势。尽管我们已经掌握了它们如何动态行走和跑步的知识，但要达到更高的能源效率、速度和多功能性仍然面临挑战。这些机器人在与地面接触时的稳定性和时间性是关键问题，尤其是考虑到现代控制策略的焦点是模型预测控制(MPC)。在这系列文章中，我们将深入探讨人形机器人的建模、稳定性分析和控制方法。
人形机器人建模与控制（二） - 高级运动学和动态建模
Stan_Fu的博客
05-27 931
在浮动基准机器人中，浮动基准的位姿和速度是重要的，因为它们涉及机器人的整体运动和控制。广义坐标和广义速度则描述了机器人的内部自由度和关节运动。在第一篇博客中，我们介绍了人形机器人建模的基础概念，包括空间运动的平移和旋转。本篇博客将深入探讨机器人学的运动学和动力学建模方法，特别是针对人形机器人的具体应用。这些方程描述了浮动基准机器人在约束条件下的动力学行为，明确了约束力对作用力矩的依赖性。这个方程是浮动基准机器人的动力学方程，考虑了惯性、科里奥利斯力、重力、外部力和力矩的影响。
基于MPC与WBC的人形机器人控制框架
具身智能机器人
03-11 1372
6、逆运动学的求解，pinocchio官网中提供了一种闭环逆运动学的求解方法，迭代获得解，要注意为了避免奇异点问题，采用阻尼伪逆，这种方式能够减少求解时的震荡，官网中有逆运动学的范例程序，可以先用其中的默认值，如果出现求解问题，可以调节DT与参数，前面说DT类似于Kp，那就有类似于阻尼的作用，即Kd的作用，大家可以根据pd的作用机理去调节这两个参数。1、由于人形机器人是个浮动基，q包含了质心位置、质心姿态、关节位置信息，其中前7个为浮动基的数据，浮动基的姿态采用四元数，因此q比dq多一维；
人形机器人建模与控制（四） - 全身控制
Stan_Fu的博客
05-27 749
虽然将机器人控制问题写成优化问题的形式没有明显的优势，但它允许我们将更多信息纳入控制器的制定中。例如，可以通过优化问题引入各种约束条件，如执行器限制、关节限制、速度限制和自碰撞约束。此外，还可以扩展为模型预测控制（MPC），以考虑未来时域内的优化目标和约束。加权方法的优点是没有增加复杂性（仍然是最小二乘问题），但缺点是任务之间相互妥协，并且需要用户定义权重。在这里，没有显式的运动约束，如果接触是软的，数值上是可行的，轻微的违反并不会成为问题。同样，这也具有最小二乘问题的形式，并且可以表示为二次规划问题。
人形机器人建模与控制（三） - 机器人控制
Stan_Fu的博客
05-27 555
L3 Robot Control Robot ControlL3 Robot Control1. RepeatForward KinematicsDifferential KinematicsExternal Wrench (Force & Torque) MappingDynamicsGoal for Today2. Feedback Cancellation3. Joint Space ControlSimpler Control LawsPD + G 控制PID 控制4. Cartesian
仿人机器人运动控制技术探讨
高触Toucher
05-05 3363
来源 | 知乎 作者 | leaderobot 目前国际上主要有两种控制方式的仿人机器人：一种是基于位置控制的仿人机器人，另一种是基于力矩控制的仿人机器人。由于类人运动的功能的多样性、复杂性以及高维度性，所以仿人机器人的研究非常具有挑战性。 运动控制技术是仿人机器人中的核心关键技术。仿人服务机器人主要在办公场所、家庭环境、商业场景以及户外等复杂的非结构化环境中执行不同类型的复杂任务。智能机器人走进千家万户，会让人类的生活方式变得更加便捷化、智能化、人性化。 我们特邀优必选研究院技术专家刘益彰先生做客
PID++：一种计算轻量级的人形运动控制算法(Matlab代码实现)
m0_73907476的博客
11-20 114
摘要：目前，机器人运动控制算法充其量是繁琐的实现，缺乏自动情境适应性，并且本质上是静态的。人形（类人）控制只不过是一个梦想，对所有人来说，但最快的计算机。本文提出了一种新的比例-积分-微分（PID）控制器算法，称为PID++，该算法基于实时编码器位置输入，使用基本算术进行微小调整，以实现稳定、精确、可控、动态、自适应的控制系统，用于线性运动控制，无论负载如何。不需要存储值数据库，因为在计算中仅使用具有准确时基的感测位置的当前值和先前值，并在每个读取间隔中覆盖，因此无需部署大量内存来存储和使用向量或矩阵。
PPO控制人形机器人行走举例
xiaoc100200的博客
07-06 606
PPO算法主要有两种变体：PPO-Clip 和 PPO-Penalty。这里主要介绍PPO-Clip，因为它更常用。继承HumanoidEnv并重写step方法。在step方法中，我们计算了原始的状态、奖励、终止标志和信息。forward_reward：机器人在x方向上的速度，鼓励机器人前进。control_cost：控制成本，惩罚动作幅度过大的行为。contact_cost：接触成本，惩罚机器人身体接触地面。
机器人控制算法
热门推荐
人的抱怨源自，自我无能的愤怒
09-11 1万+
机器人的算法大方向可以分为感知算法与控制算法，感知算法一般是环境感知、路径规划，而控制算法一般分为决策算法、运动控制算法。环境感知算法获取环境各种数据，通常指以机器人的视觉所见的图像识别等，当然还有定位机器人的方位——slam，对于不同的机器人而言所处的环境各有千秋。其实我们常见的扫地机器人就是一种定位机器人（slam算法控制的），扫地机器人的行为决策和控制算法都是极其简单的，当遇到阻挡物时调整运...
人形机器人建模与控制（五） - 稳定性与平衡控制
Stan_Fu的博客
05-27 1024
线性倒摆模型（LIPM）是步行的最基本模型，假设身体的臀部高度是恒定的，其自然频率仅取决于高度。θ¨gzcsin⁡θx¨gzcxy¨gzcyθ¨x¨​zc​g​sinθzc​g​xy¨​zc​g​y​在LIPM模型中，假设人体在步行时可以简化为一个线性倒摆（Linear Inverted Pendulum）。这个模型假设身体可以近似看作一个竖直摆动的摆杆，其重心在固定的臀部高度上。
Matlab步态建模-使用最优控制+ZMP标准对五连杆人形机器人动态步态进行建模+优化-附项目源码-优质项目实战.zip
10-20
人形机器人的步态建模是实现其自然行走的关键技术，涉及到机器人动力学、运动学、控制理论等复杂的工程知识。 本次项目的核心是使用Matlab软件对五连杆人形机器人进行动态步态的建模与优化。五连杆机器人是指在机械...
人形机器人复杂地形行走稳定性控制技术解析
最新发布
百态老人的博客
03-16 839
当前技术已使双足机器人在复杂地形行走能力超越轮式机器人，2025年发布的"天工-3"型机器人更实现了在汶川地震遗址地形的自主勘测任务。c_{virtual} $为虚拟刚度/阻尼系数，通过LQR优化实现地形高度突变（Δh≤6cm）的主动柔顺控制，使冲击力降低62%。动作空间：$ a_t = [\Delta x_{ZMP}, \Delta k_p, \Delta T_{swing}] $状态空间：$ s_t = [q,\dot{q},F_{ext},h_{terrain}] $（56维）
17自由度人形机器人实现行走功能
Robotway的博客
05-01 3668
本文示例将实现17自由度人形机器人行走的功能。该项目利用探索者平台制作，其驱动系统采用伺服电机。
机器人学：（4）运动规划
weixin_43724057的博客
04-18 3117
之前做机械臂的时候做到这里就没做了，这一部分了解的不多，早就在草稿里放着了，想着有时间完善一下，结果一直搁置，就先这样吧，有多少算多少，有缘再续……
机器人 控制算法在线分享
01-11 4097
今天我根据自己掌握的理论，结合项目实际经验，和大家分享一下控制算法。 下面我先来介绍一下今天的大纲 Part1：机器人原理算法       机器人运动学       机器人动力学       机器人轨迹规划 Part2: 机器人控制算法      反馈控制      PID控制      先进机器人控制        力矩前馈+PD控制 和
人形机器人设计：基于MATLAB的人形机器人运动学建模、轨迹规划和控制，包括人形机器人运动控制和人形机器人智能控制
走向CTO的路上...
02-24 1217
基于MATLAB的人形机器人设计提供了强大的工具和功能，用于人形机器人的运动学建模、轨迹规划和控制。相关的文献和资料提供了深入学习和了解人形机器人设计的资源。当前市场上有多种人形机器人产品可用于不同的应用场景，涵盖了各种功能和能力的需求。它具有灵活的动作能力和高度的稳定性，可用于各种应用领域，包括工业和救援任务。PAL Robotics TIAGo：一款研究和开发用途的人形机器人，可用于教育、科研和服务领域。人形机器人设计是基于MATLAB的一项技术，用于进行人形机器人的运动学建模、轨迹规划和控制。
【搞定算法】机器人走路问题
Java学习
07-26 2045
博主秋招提前批已拿百度、字节跳动、拼多多、顺丰等公司的offer，可加微信：pcwl_Java一起交流秋招面试经验，可获得博主的秋招简历和复习笔记。 给定四个参数N、P、M、K。表示： N : 一共有1～N个位置 P : 一共有P步要走 M : 机器人初始停留在M位置上 K : 机器人想要去的位置是K题目：已知，如果机器人来到 1 位置，那么下一步一定会走到 2 位置。如果机器人来到 ...
双足机器人简单步态生成
weixin_34081595的博客
03-14 3210
　　 让机器人行走最简单的方法是先得到一组步态曲线，即腿部每个关节随时间运动的角度值。可以在ADAMS或3D Max、Blender等软件中建立好机构/骨骼模型，设计出脚踝和髋关节的运动曲线，然后进行逆运动学解算，测量每个关节在运动过程中的转角，最后将得到的曲线导出。拿到曲线数据后我们就可以用单片机读取，然后发送给机器人的舵机去执行运行。这种方法的缺点是机器人只能按照固定的步态行走，不够灵活，比如...
绘制人形机器人的控制系统框图
03-10
<think>好的，我需要为用户介绍如何绘制人形机器人的控制系统框图。首先，我得理解用户的需求，他们可能希望了解控制系统的基本组成和各部分之间的关系。接下来，我应该从整体结构入手，分步骤解释每个模块的功能和连接方式。 首先，控制系统通常分为高层决策层、中层协调层和底层执行层。高层可能包括任务规划和环境感知，这部分需要处理传感器数据，比如视觉、力觉等，然后做出决策。中层负责运动规划，将高层的指令转化为具体的动作序列。底层则是执行器，如电机和驱动器，直接控制机器人的关节运动。 然后，我需要考虑反馈环节，比如传感器将执行结果反馈给各个层级，形成闭环控制。这部分可能涉及到状态估计和实时调整。此外，通信接口也很重要，确保各层之间的数据传输高效可靠。 在绘制框图时，要用方框表示各个模块，箭头表示信号或数据流向。可能需要使用LaTeX的TikZ库来绘制，但用户可能只需要概念上的框图，所以用文字描述结构即可。需要确保每个部分的功能明确，连接关系清晰。 还需要注意常见的子系统，如平衡控制、步态生成、路径规划等，这些可能需要单独的模块。同时，安全机制和故障处理也是控制系统的一部分，可能需要额外的模块来监控系统状态。 最后，我应该总结整个控制系统的流程，从感知到决策再到执行，并强调反馈的重要性。确保用户理解各部分的协作关系，以及如何将这些整合到一个完整的框图中。</think>绘制人形机器人控制系统框图需分层设计，以下为分步说明： #### 一、系统分层结构 $$控制系统 \rightarrow 分层架构：高层决策 \rightarrow 中层协调 \rightarrow 底层执行$$ 1. **感知层（输入）** - 传感器模块：视觉$(\text{Camera})$、力觉$(\mathbf{F}_s)$、IMU$(\omega,\alpha)$ - 环境建模：SLAM算法生成$map(x,y,\theta)$ 2. **决策层（中央处理）** - 任务规划：路径规划$path(t)=[x_d(t), y_d(t), \theta_d(t)]$ - 行为决策：有限状态机$State \in \{行走,抓取,避障\}$ 3. **控制层（核心算法）** ```mermaid graph TD A[逆运动学] -->|关节角θ_ref| B[PD控制器] B -->|力矩τ| C[执行器] C --> D[动力学模型] D -->|状态反馈| A ``` 4. **执行层（输出）** - 驱动器：电机转矩$\tau = K_p e + K_d \dot{e}$ - 机械传动：齿轮比$N=\frac{\omega_{motor}}{\omega_{joint}}$ #### 二、典型控制回路 $$平衡控制：\ddot{\theta} = \frac{mgh}{I} \sin\theta - \frac{K}{I}\dot{\theta}$$ 1. ZMP计算模块： $$x_{zmp} = \frac{\sum m_i(g+z_i)x_i - \sum m_i \ddot{x}_i z_i}{\sum m_i(g + \ddot{z}_i)}$$ 2. 全身协调控制： - 优先级分配：任务空间$T_1 \succ T_2$ - 零空间投影：$q̈ = J^\dagger \ddot{x} + (I - J^\dagger J)\ddot{q}_0$ #### 三、通信架构 1. 实时总线：EtherCAT周期$T \leq 1ms$ 2. 数据流：传感器→FPGA→ROS节点→控制算法→CAN总线 #### 四、安全监控 - 故障检测：$\|\tau_{meas} - \tau_{cmd}\| > \epsilon$触发急停 - 能耗管理：$P_{max} = \sum_{i=1}^n |\tau_i \omega_i|$ 建议使用UML工具绘制，推荐分层着色： - 红色：安全关键模块 - 蓝色：实时控制回路 - 绿色：环境交互接口 实际案例参考Boston Atlas机器人控制系统，其采用混合系统建模： $$H_{hybrid} = \begin{cases} 连续动态 & \text{支撑相} \\ 离散跳变 & \text{着地冲击} \end{cases}$$
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Stan Fu

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值