【花雕学编程】Arduino BLDC 之仿生双足机器人步态控制

原创已于 2025-10-31 18:15:16 修改 · 55 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#机器人 #嵌入式硬件 #单片机 #c++ #Arduino BLDC #仿生双足机器人步态控制

于 2025-10-31 18:03:59 首次发布

开源硬件专栏收录该内容

2272 篇文章

订阅专栏

在这里插入图片描述

一、主要特点
仿生双足步态控制的核心在于实现动态平衡与自然运动，其特点深刻反映了这一目标的复杂性。

基于模型的逆向动力学控制

核心特点：系统不再依赖简单的预编程动作序列，而是基于一个数学上的机器人动力学模型。给定一个期望的足部轨迹或身体姿态，控制器利用逆向动力学模型实时解算出每个关节所需产生的精确力矩，以克服重力、惯性力和科里奥利力，实现预定的运动。

专业视角：这是实现动态平衡的关键。例如，在迈步时，为了将脚掌平滑地抬离地面并向前摆动，控制器需要计算出髋、膝、踝关节电机应输出的力矩序列，这个序列必须与机器人的质量分布和运动状态精确匹配。

零力矩点与全身动力学控制

核心特点：步态稳定性的黄金判据是零力矩点——地面反作用力的合力点。稳定的步态要求ZMP始终落在支撑多边形内。WBC是一种高级控制框架，它在满足ZMP约束等物理限制的前提下，优化分配各关节的力矩，以实现整体任务（如行走、转弯）。

专业视角：对于双足系统，支撑面非常小（从单脚到双脚交替）。控制器必须像“踩鸡蛋”一样，通过细微地调节上身姿态和摆动腿运动，来动态地管理ZMP的位置。BLDC电机需要提供足够快速和精确的力矩响应来执行这些微调。

分层控制架构

核心特点：系统通常采用三层结构：

高层规划层：规划步态周期、步长、行走速度等。

中层控制层：根据高层指令和传感器反馈，计算期望的ZMP轨迹和身体姿态，并通过逆向动力学/WBC解算各关节的参考力矩。

底层执行层：由Arduino实现的关节力矩伺服控制器，它接收中层的力矩指令，通过控制BLDC电机的电流（转矩），精确输出所需的关节力矩。

专业视角：Arduino在此主要扮演底层执行器的角色。它需要与上层计算机（如ROS主机）紧密通信，并将高层的力矩指令转化为对BLDC驱动器的电流环指令。

多传感器融合的状态估计

核心特点：机器人需要实时知道自己的身体姿态（俯仰、横滚、偏航）、各关节角度以及脚底与地面的接触情况。这需要融合IMU、关节编码器、足底力/力矩传感器的数据。

专业视角：一个精确的卡尔曼滤波器或互补滤波器是必须的，用于从嘈杂的IMU数据中估计出身体的倾斜角和角速度。足底传感器则直接提供了ZMP计算的关键信息。

二、应用场景
该技术是迈向通用移动机器人的关键，其应用场景指向未来。

仿人服务机器人

场景描述：在人类的生活和工作环境中（如家庭、办公室、医院），机器人需要上下楼梯、跨越门槛、在不平的地面上行走，并执行递送、协助等任务。

系统实现：BLDC电机因其高功率密度和可控性，成为仿人机器人关节（特别是髋、膝、踝）的首选。基于动力学模型的步态控制使其能够适应复杂的地形和应对轻微的推搡。

灾难响应与搜救机器人

场景描述：在地震、爆炸等灾难后的废墟中，轮式和履带式机器人移动受限，而双足机器人有望穿越这种高度非结构化的环境。

系统实现：这对步态控制的鲁棒性提出了极致要求。机器人需要具备“脚踝策略”和“跨步策略”来维持平衡，甚至在单脚支撑于不稳定支点上时也能快速调整姿态。BLDC电机的高扭矩输出能力至关重要。

外骨骼助力机器人

场景描述：用于帮助下肢瘫痪者重新行走，或增强士兵、工人的负重和行走能力。

系统实现：外骨骼需要与使用者的步态意图同步。通过分析使用者的肌电信号或运动趋势，逆向动力学模型可以计算出需要为使用者提供辅助的力矩，并由BLDC电机精确施加。

前沿研究与验证平台

场景描述：大学和研究机构的实验室利用小型双足机器人平台来验证新的步态生成算法、机器学习控制策略和强化学习。

系统实现：使用Arduino作为底层控制器，结合PC或Jetson等作为上层大脑，构成了一个成本相对较低且高度可定制的研究平台。

三、需要注意的事项（挑战与解决方案）
实现一个稳定行走的双足机器人是机器人领域最具挑战性的任务之一，困难遍布各个环节。

建模误差与不确定性

挑战：逆向动力学控制的性能严重依赖于数学模型的准确性。机器人的质量、质心、惯性张量等参数的微小测量误差，以及未建模的动力学（如电缆的拉扯、齿轮背隙），都可能导致控制器计算出的力矩不准确，从而引起振荡甚至跌倒。

对策：

精细的系统辨识：通过实验精确测量所有动力学参数。

增加鲁棒控制或自适应控制：在动力学控制回路外，增加一个鲁棒控制器来抑制模型不确定性带来的影响，或者使用自适应控制器在线估计和补偿这些误差。

计算复杂性与实时性

挑战：实时求解全身动力学或WBC优化问题计算量巨大，远超单一Arduino的处理能力。

对策：

分布式计算架构：采用主从协处理方案。上位机（如ROS on PC）负责繁重的模型计算和轨迹规划，通过高速串口（如USB或以太网）将关节力矩指令发送给多个Arduino。每个Arduino专门负责1-2个关节的底层力矩控制。

模型简化：在满足精度要求的前提下，使用线性倒立摆等简化模型进行实时控制。

执行器的性能限制

挑战：BLDC电机需要极高的扭矩密度和带宽。特别是在脚踝触地瞬间，需要电机在极短时间内输出极大扭矩。普通的BLDC电机和驱动器可能无法满足要求。

对策：

使用高性能关节模组：选择集成高扭矩减速箱、绝对式编码器和力矩控制驱动器的关节模组。

定制电机与驱动器：在高端应用中，需要使用定制化的力矩电机和响应极快的电流控制器。

能源管理与安全

挑战：动态行走功耗巨大，电池的重量和续航能力是瓶颈。同时，系统失控可能对自身和周围环境造成物理损害。

对策：

能效优化：在步态规划中考虑能量效率，并选择低功耗的电子元件。

全面的安全监控：必须实现软件和硬件的急停回路。在代码中设置关节力矩、角度和速度的限幅。使用独立的硬件看门狗，在程序跑飞时切断电机电源。

在这里插入图片描述
1、基于定时器的基本步态控制

#include <Servo.h>

Servo hipServoLeft;
Servo kneeServoLeft;
Servo hipServoRight;
Servo kneeServoRight;

int stepDelay = 500; // 每步延迟时间（毫秒）

void setup() {
  hipServoLeft.attach(9);   // 左髋关节伺服连接到引脚9
  kneeServoLeft.attach(10); // 左膝关节伺服连接到引脚10
  hipServoRight.attach(5);  // 右髋关节伺服连接到引脚5
  kneeServoRight.attach(6); // 右膝关节伺服连接到引脚6
}

void loop() {
  walk();
}

void walk() {
  // 定义初始姿态
  hipServoLeft.write(90);
  kneeServoLeft.write(45);
  hipServoRight.write(90);
  kneeServoRight.write(45);
  delay(stepDelay);
  
  // 移动左腿
  hipServoLeft.write(70);
  kneeServoLeft.write(60);
  delay(stepDelay);
  
  // 移动右腿
  hipServoRight.write(110);
  kneeServoRight.write(30);
  delay(stepDelay);
  
  // 恢复初始姿态
  hipServoLeft.write(90);
  kneeServoLeft.write(45);
  hipServoRight.write(90);
  kneeServoRight.write(45);
  delay(stepDelay);
}

要点解读：

使用Servo库来控制四个伺服电机，分别连接左右髋关节和膝关节。
walk函数实现了一个简单的交替步态控制逻辑，通过改变伺服角度模拟行走动作。
每一步之间有一个固定的延迟时间，可以根据需要调整以实现不同的速度。

2、基于传感器反馈的自适应步态控制

#include <Servo.h>

Servo hipServoLeft;
Servo kneeServoLeft;
Servo hipServoRight;
Servo kneeServoRight;

int sensorPin = A0;
int sensorValue = 0;

void setup() {
  hipServoLeft.attach(9);
  kneeServoLeft.attach(10);
  hipServoRight.attach(5);
  kneeServoRight.attach(6);
  pinMode(sensorPin, INPUT);
}

void loop() {
  sensorValue = analogRead(sensorPin);
  int adjustedStepDelay = map(sensorValue, 0, 1023, 300, 1000); // 根据传感器值动态调整步速
  walk(adjustedStepDelay);
}

void walk(int stepDelay) {
  hipServoLeft.write(90);
  kneeServoLeft.write(45);
  hipServoRight.write(90);
  kneeServoRight.write(45);
  delay(stepDelay);
  
  hipServoLeft.write(70);
  kneeServoLeft.write(60);
  delay(stepDelay);
  
  hipServoRight.write(110);
  kneeServoRight.write(30);
  delay(stepDelay);
  
  hipServoLeft.write(90);
  kneeServoLeft.write(45);
  hipServoRight.write(90);
  kneeServoRight.write(45);
  delay(stepDelay);
}

要点解读：

增加了一个模拟传感器输入，用于实时检测环境参数（例如地面情况）。
利用传感器数据动态调整步态周期中的延迟时间，从而实现自适应步态控制。
使用map函数将传感器值映射到合适的步速范围内。

3、高级步态控制与PID调节

#include <Servo.h>

Servo hipServoLeft;
Servo kneeServoLeft;
Servo hipServoRight;
Servo kneeServoRight;

float Kp = 0.5;
float Ki = 0.01;
float Kd = 0.001;

float targetAngle = 90;
float currentAngle = 0;
float error = 0, prevError = 0, integral = 0, derivative = 0;
unsigned long now = 0, lastTime = 0;

void setup() {
  hipServoLeft.attach(9);
  kneeServoLeft.attach(10);
  hipServoRight.attach(5);
  kneeServoRight.attach(6);
  Serial.begin(9600);
}

void loop() {
  now = millis();
  if (now - lastTime > 100) {
    currentAngle = readAngle();
    float output = calculatePID(targetAngle, currentAngle);
    setServoAngle(hipServoLeft, output);
    setServoAngle(kneeServoLeft, output);
    setServoAngle(hipServoRight, output);
    setServoAngle(kneeServoRight, output);
    lastTime = now;
  }
}

float readAngle() {
  // 假设readAngle函数用于获取当前角度，可以通过编码器或其他传感器读取
  return analogRead(A0);
}

float calculatePID(float target, float current) {
  error = target - current;
  integral += error * 0.1;
  derivative = (error - prevError) / 0.1;
  float output = Kp * error + Ki * integral + Kd * derivative;
  prevError = error;
  return output;
}

void setServoAngle(Servo servo, float angle) {
  servo.write(constrain((int)angle, 0, 180));
}

要点解读：

使用了PID控制器来精确控制每个关节的角度。
calculatePID函数计算PID输出，根据误差、积分和导数项调整伺服角度。
setServoAngle函数限制角度在0到180度之间，确保安全操作范围。
定期读取当前角度并进行PID调整，保持机器人稳定行走。

在这里插入图片描述
4、基于陀螺仪的静态行走步态控制（ZMP稳定）

#include <Wire.h>
#include <MPU6050.h> // 陀螺仪库

MPU6050 mpu;
int16_t ax, ay, az, gx, gy, gz;
float targetAngle = 0.0; // 目标躯干角度（保持平衡）
float currentAngle = 0.0;

// 定义舵机引脚（髋关节和膝关节）
#define HIP_LEFT 9
#define KNEE_LEFT 10
#define HIP_RIGHT 11
#define KNEE_RIGHT 12

// 步态参数
int stepHeight = 30;    // 抬腿高度（舵机角度）
int stepLength = 20;    // 步长（舵机角度偏移）
unsigned long lastStepTime = 0;
bool leftLegSwing = true; // 左腿摆动相标志

void setup() {
  Serial.begin(9600);
  Wire.begin();
  mpu.initialize();
  if (!mpu.testConnection()) {
    Serial.println("MPU6050连接失败");
    while (1);
  }

  // 初始化舵机
  pinMode(HIP_LEFT, OUTPUT);
  pinMode(KNEE_LEFT, OUTPUT);
  pinMode(HIP_RIGHT, OUTPUT);
  pinMode(KNEE_RIGHT, OUTPUT);
}

void loop() {
  // 读取陀螺仪数据（用于ZMP平衡）
  mpu.getMotion6(&ax, &ay, &az, &gx, &gy, &gz);
  currentAngle = atan2(ay, az) * 180 / PI; // 计算俯仰角

  // 简单ZMP控制：根据角度调整支撑腿膝关节
  float balanceError = targetAngle - currentAngle;
  int kneeAdjust = map(balanceError, -10, 10, -5, 5); // 限制调整范围

  // 静态步态生成（定时触发）
  if (millis() - lastStepTime >= 1000) { // 每1秒一步
    lastStepTime = millis();
    leftLegSwing = !leftLegSwing; // 切换摆动腿
  }

  // 执行步态
  if (leftLegSwing) {
    // 左腿摆动，右腿支撑
    setLegAngle(HIP_LEFT, 90 + stepLength, KNEE_LEFT, 90 - stepHeight + kneeAdjust);
    setLegAngle(HIP_RIGHT, 90 - stepLength/2, KNEE_RIGHT, 90 + kneeAdjust);
  } else {
    // 右腿摆动，左腿支撑
    setLegAngle(HIP_RIGHT, 90 + stepLength, KNEE_RIGHT, 90 - stepHeight + kneeAdjust);
    setLegAngle(HIP_LEFT, 90 - stepLength/2, KNEE_LEFT, 90 + kneeAdjust);
  }

  delay(20); // 控制循环频率
}

// 设置腿部舵机角度
void setLegAngle(int hipPin, int hipAngle, int kneePin, int kneeAngle) {
  hipAngle = constrain(hipAngle, 60, 120); // 限制舵机范围
  kneeAngle = constrain(kneeAngle, 60, 120);
  analogWrite(hipPin, map(hipAngle, 0, 180, 0, 255));
  analogWrite(kneePin, map(kneeAngle, 0, 180, 0, 255));
}

要点解读
ZMP稳定控制：
通过MPU6050检测躯干倾斜角度，动态调整支撑腿膝关节角度，维持零力矩点（ZMP）在支撑多边形内。
静态步态：
双足交替支撑，每步耗时1秒，适合低速稳定行走。
舵机控制：
髋关节控制前后移动，膝关节控制抬腿高度，需限制角度范围避免机械干涉。
简化假设：
未考虑地面反作用力，实际应用需结合压力传感器。

5、基于加速度计的动态跑步步态（弹簧质量模型）

#include <Adafruit_MPU6050.h>
#include <Adafruit_Sensor.h>

Adafruit_MPU6050 mpu;
sensors_event_t accel;
float groundImpactThreshold = 2.0; // 着地冲击阈值（g）

// 跑步步态参数
int strideHeight = 40; // 跑步抬腿高度
int strideLength = 30;
unsigned long lastStrideTime = 0;
bool isAirborne = false; // 腾空状态标志

void setup() {
  Serial.begin(115200);
  if (!mpu.begin()) {
    Serial.println("MPU6050初始化失败");
    while (1);
  }
  mpu.setAccelerometerRange(MPU6050_RANGE_4G);
  mpu.setFilterBandwidth(MPU6050_BAND_21_HZ);

  // 初始化舵机（同案例一）
}

void loop() {
  mpu.getEvent(&a, &g, &temp);
  float verticalAccel = accel.acceleration.z;

  // 检测腾空阶段（加速度突变）
  if (verticalAccel < -groundImpactThreshold) {
    isAirborne = true;
  } else if (verticalAccel > groundImpactThreshold && isAirborne) {
    isAirborne = false;
    lastStrideTime = millis(); // 记录着地时刻
  }

  // 动态跑步步态生成
  unsigned long stridePhase = (millis() - lastStrideTime) % 800; // 跑步周期800ms
  if (stridePhase < 200) {
    // 腾空阶段：双腿弯曲蓄力
    setLegAngle(HIP_LEFT, 90, KNEE_LEFT, 120);
    setLegAngle(HIP_RIGHT, 90, KNEE_RIGHT, 120);
  } else if (stridePhase < 400) {
    // 落地阶段：伸展膝关节吸收冲击
    setLegAngle(HIP_LEFT, 90 + strideLength, KNEE_LEFT, 90 - strideHeight/2);
    setLegAngle(HIP_RIGHT, 90 - strideLength, KNEE_RIGHT, 90 - strideHeight/2);
  } else {
    // 支撑阶段：推动身体前进
    setLegAngle(HIP_LEFT, 90 + strideLength/2, KNEE_LEFT, 90);
    setLegAngle(HIP_RIGHT, 90 - strideLength/2, KNEE_RIGHT, 90);
  }
}

要点解读
腾空检测：
通过垂直加速度突变判断离地和着地时刻，实现跑步周期划分。
弹簧质量模型：
腾空时膝关节弯曲（蓄力），落地时伸展（减震），模拟弹簧行为。
跑步与行走区别：
跑步包含双足腾空阶段，周期更短（如800ms），需更高动态性能。
冲击处理：
落地时快速伸展膝关节可减少峰值冲击力。

6、基于超声波的自适应避障步态

#include <NewPing.h>

#define TRIGGER_PIN 7
#define ECHO_PIN 8
#define MAX_DISTANCE 100 // 超声波最大探测距离（cm）

NewPing sonar(TRIGGER_PIN, ECHO_PIN, MAX_DISTANCE);
int obstacleDistance = 0;
int defaultStepLength = 20;
int avoidanceStepLength = 10; // 避障时缩短步长

void setup() {
  Serial.begin(9600);
  // 初始化舵机（同案例一）
}

void loop() {
  // 探测前方障碍物
  obstacleDistance = sonar.ping_cm();
  if (obstacleDistance > 0 && obstacleDistance < 30) {
    // 检测到近距离障碍物，启动避障步态
    avoidObstacle();
  } else {
    // 正常行走
    normalWalking();
  }
}

void normalWalking() {
  static unsigned long lastStepTime = 0;
  static bool leftLegSwing = true;

  if (millis() - lastStepTime >= 800) { // 正常步频
    lastStepTime = millis();
    leftLegSwing = !leftLegSwing;
  }

  if (leftLegSwing) {
    setLegAngle(HIP_LEFT, 90 + defaultStepLength, KNEE_LEFT, 90 - 30);
    setLegAngle(HIP_RIGHT, 90 - defaultStepLength/2, KNEE_RIGHT, 90);
  } else {
    setLegAngle(HIP_RIGHT, 90 + defaultStepLength, KNEE_RIGHT, 90 - 30);
    setLegAngle(HIP_LEFT, 90 - defaultStepLength/2, KNEE_LEFT, 90);
  }
}

void avoidObstacle() {
  static unsigned long lastAvoidTime = 0;
  static int avoidPhase = 0;

  if (millis() - lastAvoidTime >= 400) { // 避障步态更快
    lastAvoidTime = millis();
    avoidPhase = (avoidPhase + 1) % 4;
  }

  // 交叉步避障：左右腿交替小步移动
  switch (avoidPhase) {
    case 0: setLegAngle(HIP_LEFT, 90 + avoidanceStepLength, KNEE_LEFT, 90 - 20); break;
    case 1: setLegAngle(HIP_LEFT, 90, KNEE_LEFT, 90); break;
    case 2: setLegAngle(HIP_RIGHT, 90 + avoidanceStepLength, KNEE_RIGHT, 90 - 20); break;
    case 3: setLegAngle(HIP_RIGHT, 90, KNEE_RIGHT, 90); break;
  }
}

要点解读
传感器融合：
超声波检测障碍物距离，触发避障步态切换。
避障策略：
采用交叉小步（如侧步）绕过障碍物，步长缩短（avoidanceStepLength）。
步态切换：
避障时提高步频（400ms/步），增强机动性。
扩展性：
可结合IMU实现避障时的动态平衡补偿。

注意，以上案例只是为了拓展思路，仅供参考。它们可能有错误、不适用或者无法编译。您的硬件平台、使用场景和Arduino版本可能影响使用方法的选择。实际编程时，您要根据自己的硬件配置、使用场景和具体需求进行调整，并多次实际测试。您还要正确连接硬件，了解所用传感器和设备的规范和特性。涉及硬件操作的代码，您要在使用前确认引脚和电平等参数的正确性和安全性。

在这里插入图片描述