两足机器人CPG控制网络拓扑结构构建方法

摘要

本发明涉及一种两足机器人CPG控制网络拓扑结构构建方法，包括以下步骤：将CPG控制网络分为用于控制髋关节的身体控制网络（body network）部分和用于控制腿部关节的腿部控制网络（leg network）部分，实现了两足机器人在行走过程中左右腿关节控制信号的对称性和左右腿的合理相位关系控制；对CPG控制网络内神经元单元之间的耦合连接方式进行优化，降低CPG控制网络的复杂度；对CPG控制网络进行参数整定，构建出最优网络拓扑结构。与现有技术相比，本发明具有复杂度低、控制网络结构合理等优点。

说明书

技术领域

本发明涉及一种网络拓扑结构的信息处理方法，尤其是涉及一种两足机器人CPG控制网络拓扑结构构建方法。 

背景技术

行走控制是两足和人形机器人研究和应用领域中的一项关键技术。传统的方法是采用基于模型的人工规划，使机器人按预先设定的运动轨迹进行运动。随着机器人逐渐应用于非结构化环境，基于机器人模型和行走环境建模的传统方法阻碍了机器人的实际应用。随着人们对两足动物步行本质的深入研究和神经科学的不断发展，基于神经科学的控制方法逐渐被应用到两足机器人的行走控制中。基于中枢模式发生器（CPG，central pattern generator）的控制思路是这一方向的一个典型代表。 

生物学家认为，动物的运动控制神经网络以CPG为中心，接受来自高层神经中枢的调控命令，以及来自躯体感受器的反馈信息。CPG是由神经元构成的局部振荡网络，能够通过神经元之间的相互抑制产生稳定的相位互锁关系，并通过自激振荡激发躯体相关部位产生节律运动。大脑的高层调控和环境反馈可以对动物的节律运动起到调节作用，使动物的运动具有适应性。基于CPG的控制方法具有生物上的可解释性，因而最近在工程界引起了广泛的兴趣，并开始将CPG机理进行工程建模，应用于各类机器人的运动控制中。力图通过将生物运动神经系统的控制机理与机器人的仿生运动机构相结合，提高机器人的运动性能，促进机器人在各种实际环境中的实用化进程。 

基于CPG控制的基本思路是：首先对CPG进行工程建模，设计一个可以产生稳定振荡输出信号的函数，作为机器人自由度的控制器，多个自由度的控制一般用多个CPG单元构成的CPG网络来实现，改变网络的拓扑结构可以改变振荡信号的输出模式，从而实现不同的运动模式。目前，对于两足机器人这种复杂的系统，CPG模型并不具备很强的实用性，目前的研究也多停留在模拟仿真阶段，或者仅 仅是对两足机器人某些关节的节律运动进行控制。CPG机理在机器人运动控制中的应用主要是采用关节空间（joint space）控制方法，其整体的控制构架如图1所示。在控制系统中，CPG网络模块是产生关节控制信号的核心模块，其网络拓扑结构设计的合理性和有效性关系到控制效果的优劣。目前在研究和工程应用时，一般将CPG单元按照机器人的自由度分布，逐一分配到机器人的关节空间，利用多个CPG单元之间的相互耦合产生期望的运动模式。将该控制方法应用于两足机器人目前还没有成功的实体实验，难点就在于CPG网络拓扑结构设计还没有统一的设计方法，网络结构的复杂性增加了参数整定的难度，很难产生期望的关节控制信号。另一方面，由于两足机器人自由度较多，构成控制器所需要的CPG单元数目也相对较多。如何确定CPG单元之间合理的拓扑连接及模型参数，是一个复杂的寻优问题。一般需要采用进化算法对控制系统进行优化，但由于同时涉及拓扑结构寻优和模型参数优化，采用传统的优化算法难以获得好的结果。同时，这种方法优化耗时较长，在机器人实体上实现也有一定困难。因此不能单纯的将CPG单元简单的分配给机器人的各个自由度，依赖进化计算进行寻优，必须设计合理的网络拓扑结构构架为前提，再辅以进化计算来进一步优化CPG的连接方式和模型参数。 

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种复杂度低、控制网络结构合理的两足机器人CPG控制网络拓扑结构构建方法。 

本发明的目的可以通过以下技术方案来实现： 

一种两足机器人CPG控制网络拓扑结构构建方法，包括以下步骤： 

1）将CPG控制网络分为用于控制机器人髋关节的身体控制网络（bodynetwork）部分和用于控制腿部关节的腿部控制网络（leg network）部分，便于控制双足机器人左右腿控制信号的对称性和机器人在行走过程中左右腿的相位关系； 

2）对CPG网络内神经元单元之间的耦合方式进行优化，简化了神经元之间的连接方式； 

3）对CPG控制网络的进行参数整定，构建出最优网络拓扑结构。 

步骤1）中的CPG控制网络采用神经元振荡器模型，该模型的数学表达式为： 

$T_r{\stackrel{·}{u}}_i^{\{e,f\}}={-u}_i^{\{e,f\}}+w_{\mathrm{fe}}{r}_i^{\{f,e\}}-\beta v_i^{\{e,f\}}+s_0+{\mathrm{Feed}}_i^{\{e,f\}}+\underset{j=1}{\overset{n}{\Sigma }}{w}_{\mathrm{ij}}{r}_j^{\{e,f\}}$

$T_a{\stackrel{·}{v}}_i^{\{e,f\}}=-v_i^{\{e,f\}}+r_i^{\{e,f\}}$

$r_i^{\{e,f\}}=\max (u_i^{\{e,f\}},0)$

$r_i={-u}_i^{\left\{e\right\}}+u_i^{\left\{f\right\}}$

其中，i表示第i个CPG单元，e表示屈肌神经元，f表示伸肌神经元，u_i为神经元的内部状态，v_i为神经元自抑制状态，为神经元的输出，T_r和T_a分别为上升时间和适应时间常数，w_fe为神经元的相互抑制系数，β为神经元的自抑制系数，s₀代表运动控制网络输出的周期性振荡信号，Feed_i为反馈输入信号，w_ij为神经元j与神经元i间的连接权重，r_i为第i个CPG单元的输出，为了消除振荡器输出信号为零部分的影响，本设计采用屈肌神经元、伸肌神经元的状态项线性合成振荡器的输出（Kimura模型利用神经元的输出项和线性合成振荡器的输出）。 

步骤1）中在构建CPG网络拓扑结构时，将两足机器人的髋关节和腿部的其他关节分别设计身体控制网络（body network）和腿部控制网络（leg network）来控制，目的是在保证两足机器人左右腿控制信号的对称性和机器人在行走过程中左右腿的相位关系的同时，减低系统的复杂度，减少需要优化的网络参数。 

步骤2）中具体的优化方法为：仅考虑屈肌神经元之间以及伸肌神经元之间的相互抑制系数来获取关节自由度之间的相位关系。 

步骤3）具体包括以下步骤： 

A）采用单参数分析法获取CPG控制网络的单个模型参数对于关节控制信号的影响趋势； 

B）根据每个模型参数对关节控制信号的影响趋势并辅助多目标进化计算方法，获取可以使机器人在平地行走的最优关节控制信号； 

C）根据实际的行走效果，对步骤B）中最优关节控制信号下的模型参数进行微调。 

与现有技术相比，本发明基于CPG的两足机器人的空间控制方法，提出了一种新的CPG控制网络构建方法，并设计了更加合理有效的模型参数整定策略。本设计在一定程度上改进了传统的控制网络构建方法，使得其复杂度降低，控制网络结构更加合理。 

附图说明

图1为关节空间控制方法的控制系统整体构架； 

图2为两足机器人的关节自由度分布图； 

图3为用于控制髋关节的身体控制网络（body network）部分的CPG网络结构； 

图4为身体控制网络（body network）部分输出的振荡信号； 

图5为由本发明提出的CPG控制网络拓扑结构； 

图6为屈肌神经元和伸肌神经元之间的耦合连接方式。 

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。 

实施例 

一种两足机器人CPG控制网络拓扑结构构建方法，包括以下步骤： 

步骤1：图2所示是目前最常见的研究和应用的两足人形机器人腿部的自由度分布示意图。对于该类型的两足机器人行走控制，髋关节自由度对左右两腿相位的控制最为重要。因此本设计将CPG控制网络分为用于控制髋关节的身体控制网络（body network）部分和用于控制腿部关节的腿部控制网络（leg network）部分，实现双足机器人左右腿控制信号的对称性和机器人在行走过程中左右腿的相位关系。以身体控制网络（body network）部分为例，如图3所示，通过四个神经元单元的双向耦合连接构成身体控制网络（body network）来控制两足机器人髋关节的四个自由度。将身体控制网络（body network）部分的四个神经元单元之间采用等权重的相互抑制连接（抑制权重设为-1），可以得到如图4所示的相位关系，左右腿的HipPitch相位差为180°，满足左右髋关节前后方向自由度控制信号的反相关系，同时能得到同一个关节的两个自由度的理想的90°的相位差关系。 

此处，CPG控制网络采用神经元振荡器模型，该模型的数学表达式为： 

$T_r{\stackrel{·}{u}}_i^{\{e,f\}}={-u}_i^{\{e,f\}}+w_{\mathrm{fe}}{r}_i^{\{f,e\}}-\beta v_i^{\{e,f\}}+s_0+{\mathrm{Feed}}_i^{\{e,f\}}+\underset{j=1}{\overset{n}{\Sigma }}{w}_{\mathrm{ij}}{r}_j^{\{e,f\}}$

$T_a{\stackrel{·}{v}}_i^{\{e,f\}}=-v_i^{\{e,f\}}+r_i^{\{e,f\}}$

$r_i^{\{e,f\}}=\max (u_i^{\{e,f\}},0)$

$r_i={-u}_i^{\left\{e\right\}}+u_i^{\left\{f\right\}}$

其中，i表示第i个CPG单元，e表示屈肌神经元，f表示伸肌神经元，u_i为神经元的内部状态，v_i为神经元自抑制状态，为神经元的输出，T_r和T_a分别为上升时间和适应时间常数，w_fe为神经元的相互抑制系数，β为神经元的自抑制系数，s₀代表运动控制网络输出的周期性振荡信号，Feed_i为反馈输入信号，w_ij为神经元j与神经元i间的连接权重，r_i为第i个CPG单元的输出，为了消除振荡器输出信号为零部分的影响，本设计采用屈肌神经元、伸肌神经元的状态项线性合成振荡器的输出（Kimura模型利用神经元的输出项和线性合成振荡器的输出）。 

步骤2：对CPG控制网络内神经元之间的耦合连接方式进行优化，降低CPG网络的复杂度。传统的神经元之间的连接方式是屈肌神经元和伸肌神经元全向耦合，对于两个神经元单元，需要考虑四个连接权重的调制。对于多个自由度的两足机器人，如果按照传统的连接方式，需要优化的连接参数数量庞大，很难获取合适的优化结果。本发明中采用如图6所示的耦合连接方法：考虑屈肌神经元之间以及伸肌神经元之间的相互抑制系数便可以得到期望的相位关系，因此为了降低整个拓扑结构的复杂度。 

步骤3：基于进化计算对CPG控制网络的进行参数整定，优化CPG控制网络的模型参数和拓扑连接方式，具体可细分为以下几步： 

首先，采用单参数分析法获取CPG控制网络的单个模型参数（T_r，T_a，β，s₀和w_fe）对于关节控制信号的影响趋势。由于参数之间是相互耦合，参数对输出的影响不存在线性关系，选定其中一个模型参数作为被测参数，仅改变该被测参数的值，通过判断CPG输出信号是否稳定振荡，预估被测参数的取值范围；在预估的范围内连续调节被测参数，测定输出的可量化表征量（幅值、频率、相位等）与被测参数的定量关系； 

然后，基于进化计算方法获得能使机器人平地行走的关节控制信号。基于CPG的关节空间控制方法由于不基于两足机器人的运动学模型和逆运动学计算，所以机 器人行走的稳定性只能通过优化CPG网络的参数，得到能实现机器人各个自由度协调动作的关节控制信号。为了提高机器人的行走稳定性，本设计在参数优化目标中考虑利用机器人行走时的稳定裕度（将ZMP到支撑凸多边形边界的最短距离作为步行系统的稳定裕度）来提高机器人行走的稳定性。本设计利用多目标进化算法，基于Kalyanmoy Deb的NSGA-II（Non-Dominated Sorting Genetic Algorithm-II）进行多目标遗传算法的设计。优化的目标是得到能实现机器人平地行走的最优拓扑连接方式和CPG的模型参数，适应度函数的设计考虑机器人行走的可行性和稳定性，设计为： 

${\mathrm{fitness}}_1=1/\sqrt{{(x_{\mathrm{end}}-x_0)}^2}$

fitness₂＝1/D_s

其中，x₀是机器人的初始位置（x方向），x_end代表第机器人停止行走时的位置（x方向）。第一个目标函数是为了实现机器人的直线行走，因此在优化时只考虑机器人前进（x方向）方向行走距离。第二个优化目标考虑行走的稳定性，D_s为机器人行走的稳定裕度。 

最后，根据两足机器人实际的行走效果，对步骤B）中最优关节控制信号下的模型参数进行微调，对其进行优化。最后，根据实际的机器人行走实验效果，在完成步骤A）和步骤B）的基础上结合设计者的经验来综合调整参数。该参数整定方法充分结合了计算智能和人类的智能，让设计者可以根据优化算法的综合输出结果，逐步加深对控制器和被控对象的了解，并获得新的设计思想和灵感。 

本发明基于CPG的两足机器人的空间控制方法，提出了一种新的CPG控制网络构建方法，并设计了更加合理有效的模型参数整定策略，在一定程度上改进了传统的控制网络构建方法，使得其复杂度降低，控制网络结构更加合理。