一种控制四足机器人运动的模糊控制器

摘要

本发明公开了一种控制四足机器人运动的模糊控制器，该模糊控制器的控制规则由四组自适应模糊控制规则组成，用于调制四足机器人的范德波尔神经振荡器拓扑网络。模糊控制器根据不同的环境反馈信号能够自适应地采用对应的规则调节范德波尔神经振荡器的参数，使该神经振荡器网络产生稳定、协调的四足机器人关节驱动信号。本发明适用于每条腿具有两个转动自由度(髋关节转动自由度、膝关节转动自由度)的四足机器人。通过由模糊控制器调制、范德波尔神经振荡器拓扑网络产生的关节驱动信号，四足机器人能够自适应地在野外、户内等不同环境里稳定行走。

说明书

技术领域

本发明涉及一种适用于神经振荡器拓扑网络控制、四足机器人行走领域的模糊控制器，具体涉及一种四足机器人运动控制模糊控制器。

背景技术

四足机器人是模仿四足动物运动形式的一种机器人。相对于其他运动形式的机器人，足式运动控制是机器人研究领域的一个技术难题，特别是多足协调控制。

目前对机器人足式运动控制的控制技术的常用方法是，对机器人本体及环境进行精确建模，然后通过轨迹优化等方法得到机器人各关节的最佳运动轨迹，在反馈机制的基础上控制机器人的实际运动，使得机器人的运动尽量符合规划轨迹。该控制技术需要繁琐的动力学建模，复杂的运动规划，因此很难提高机器人的环境适应性。

美国麻省理工学院通过采用感知-反射的控制思路提出，机器人的运动由一系列简单的形式化动作组成，各种动作由传感器信号直接触发。该控制方法在输入与输出之间没有复杂的计算过程，通过自组织实现系统的复杂行为。由于机器人的“基本动作”不可修改，系统的智能水平或者行为的复杂程度取决于组合动作的多少与控制反馈信号规则的合理性。同时，由于缺少全局控制模块，该控制技术的可控性较差。

近些年，通过对以上控制方法不足的弥补，发展起来了一种新的控制方法。对生物节律运动控制机理进行仿生，形成一种新的、更加简洁、自然、直接的运动控制技术，即生物仿生控制方法。该控制技术模拟动物节律运动控制区-中枢模式发生器、高层调控中枢、生物反射，从而实现机器人的节律运动，提高四足机器人在各种实际环境中的运动性能。但是该运动控制方法缺乏系统性、没有理想的参数整定方法，同时，基于生物控制的控制器与机械系统存在非线性耦合，控制系统与机械系统的动态特性相互影响，因此很难协调控制系统与机器人本体之间的运动控制。

发明内容

为了使得基于生物仿生的控制技术具有系统性，并让该控制器具有参数自整定的能力，本发明的目的是在现有的仿生控制器基础上加入智能控制使得四足机器人能在各种环境及高层控制指令完成各种智能动作。

为达成所述目的，本发明提出一种控制四足机器人运动的模糊控制器，该控制器包括：模糊化处理单元、模糊推理单元、解模糊单元、神经振荡器网络，其中：

模糊化处理单元接收传感器数据、接收四足机器人反馈的偏转方位角误差信号Δφ_Yaw、接收俯仰方位角φ_Pitch、接收在上一个控制周期之内平均速度与目标平均速度之间的速度误差信号Δv_f及接收在两次输出控制之间机体在Z向的颠簸程度信号∑_z，并且模糊化处理单元通过使用马丹尼(mamdani)推理机制对误差信号Δφ_Yaw、俯仰方位角φ_Pitch、速度误差信号Δv_f及颠簸程度信号∑_z进行模糊处理，生成并输出误差信号Δφ_Yaw、俯仰方位角φ_Pitch、速度误差信号Δv_f及颠簸程度信号∑_z各自的模糊变量为NB、NS、Z、PS和PB；

模糊推理单元与模糊化处理单元连接，模糊推理单元按照四条规则接收并对模糊论域进行推理，生成并输出解模糊单元需要的模糊变量；

解模糊单元与模糊推理单元连接，解模糊单元对模糊变量进行解模糊处理，生成并输出用于调制神经振荡器网络的参数信号q、p、g；

神经振荡器拓扑网络与解模糊单元连接，神经振荡器拓扑网络接收信号q、p、g并调整神经振荡器拓扑网络，从而使得神经振荡器拓扑网络产生并输出适用于四足机器人稳定、快速行走步态的电机驱动信号；

四足机器人与神经振荡器拓扑网络连接，四足机器人接收来自神经振荡器拓扑网络生成的对应于各关节的角度信号，通过PID控制使得四足机器人行走生成并反馈输出新的反馈误差信号Δφ_Yaw、方位角φ_Pitch、速度误差信号Δv_f及颠簸程度信号∑_z信号，重复对四足机器人的运动进行控制。

优选实施例，所述偏转方位角误差信号Δφ_Yaw是在机器人前进方向上，偏转方位角当前值与目标值之间的误差信号Δφ_Yaw＝φ_Tgt-φ_Current，输入误差信号Δφ_Yaw用作调整机器人前进方向的控制目标，其中φ_Tgt为目标转向角，φ_Current为当前转向角。

优选实施例，所述俯仰方位角φ_Pitch是机器人机械本体的俯仰方位角，输入俯仰方位角φ_Pitch用来判断机器人是否处于上下斜坡之上，从而使控制器中坡度适应规则发生作用。

优选实施例，所述速度误差Δv_f表示在上一个控制周期之内平均速度与目标平均速度之间的误差Δv_f＝v_Tgt-v_f，此控制输入用来使控制器中的前进速度调整规则发生作用，使机器人在客观条件允许的情况下尽可能保证要求的前进速度，v_Tgt为目标平均速度、v_f为上一个控制周期之内的平均速度。

优选实施例，所述颠簸程度∑_z＝∑|δ_z|²/N，其中在偏转轴方向两次采样之间的偏差δ_z，两次输出控制间隔之间的采样次数N，则在两次控制之间机体在Z向的颠簸程度∑_z，此颠簸程度∑_z输入量用来使不平路面适应规则发生作用。

优选实施例，在所述模糊推理单元根据不同的地形路面及不同的高层指令，能自适应地采用不同的规则，该规则包括前进方向维持调整规则、坡度适应规则、不平路面适应规则和前进速度适应规则。

优选实施例，在所述神经振荡器拓扑网络由具有强非线性特性与强抗干扰性范德波尔神经元组成。

优选实施例，所述前进方向维持调整规则，是在模糊论域内调整两条后腿神经元的q_LH，q_RH的值，即左、后腿髋关节神经振荡器的偏移量与右、后腿髋关节神经振荡器的偏移量，使神经振荡器产生波形的中心角发生偏移，从而影响两腿后腿的触地时间，使机器人具备维持和调整前进方向的能力。

优选实施例，在所述坡度适应规则，是在模糊论域内调整四足机器人两条后腿的摆动中心来保持在斜坡上行走时的稳定性，通过抬高后腿，降低后腿来适应上坡，而通过降低后腿，抬高前腿来适应下坡，使用这样的方法可以令机器人在上下坡时的稳定裕度增大，提高稳定性。

优选实施例，在所述不平路面适应规则，是在模糊论域内调整波形的振幅来实现，在对不平路面适应时，需要同时对四腿神经振荡器的p参数进行修改，在颠簸程度大的路面，减小波形振幅，提高稳定裕度；在颠簸程度小的路面，增大波形振幅，提高行进速度。

优选实施例，在所述前进速度适应规则，是在模糊论域内调整神经振荡器网络的g参数来改变所产生波形的频率来实现，频率越高则行进速度越大，如受客观条件限制不能达到目标速度，则尽可能的快。

本发明的有益效果：本发明模糊控制器的优点在于它们能降低基于仿生生物控制方法在各种环境中需要调节参数的复杂性，从而方便控制。本发明设计的模糊控制器规则用于处理控制器输入信号中的各种不确定条件从而使得运动控制技术具有系统性。

附图说明

图1为本发明四足机器人总体结构图。

图2为本发明控制器神经振荡器拓扑网络结构图。

图3为本发明模糊控制器层次结构图。

图4a-图4d为本发明模糊控制器输入隶属度函数图。

图5a-图5f为本发明模糊控制器输出解模糊隶属度函数图。

具体实施方式

下面结合具体实施方案，并参照附图，对本发明的细节和原理进一步详细说明。

如图3示出本发明提出四足机器人运动控制模糊控制器的层次结构图，该控制器包括：模糊化处理单元a、模糊推理单元b、解模糊单元c、神经振荡器拓扑网络d和四足机器人e。

一、模糊化处理单元a为控制的输入接口，同时将各输入量进行模糊化处理转换为模糊论域中的模糊变量，其中模糊化处理单元的输入为Δφ_Yaw偏转方位角、φ_Pitch俯仰方位角、Δv_f上一个控制周期之内平均速度与目标平均速度之间的误差、∑_z两次控制之间机体在Z向的颠簸程度。模糊化处理单元a采用马丹尼(mamdani)推理机制将输入量模糊化为模糊变量。

如附图4a、图4b、图4c和图4d示出模糊控制器输入隶属度函数，具体描述如下：

(1)图4a中示出，|Δφ_Yaw|输入在区间[0，20](单位：度(deg))上分属5个隶属度(NB，NS，Z，PS，PB)，如|Δφ_Yaw|＞20视作输入隶属度PB，隶属度函数都取做三角形隶属度函数；

(2)图4b中示出，φ_Pitch输入在区间[-15，15](单位：度(deg))上分属5个隶属度(NB，NS，Z，PS，PB)，如φ_Pitch＜-15视作输入隶属度NB，如φ_Pitch＞15视作输入隶属度PB，隶属度函数都取做三角形隶属度函数；

(3)图4c中示出，Δv_f输入在区间[-0.6，0.6](单位：米/秒(m/s))上分属5个隶属度(NB，NS，Z，PS，PB)，如φ_Pitch＜-0.6视作输入隶属度NB，如φ_Pitch＞0.6视作输入隶属度PB，隶属度函数都取做三角形隶属度函数；

(4)图4d中示出，∑_z输入在区间[400，1000](单位：平方毫米(mm²))上分属7个隶属度(NB，NM，NS，Z，PS，PM，PB)，如∑_z＜400视作输入隶属度NB，如∑_z＞1000视作输入隶属度PB，隶属度函数都取做三角形隶属度函数；

二、模糊推理单元b在模糊论域内根据本发明的推理规则将输入模糊变量转换为对应的解模糊单元需要的模糊变量。其推理规则为：

(1)前进方向维持调整规则，如附表1a、附表1b、附表1c、附表1d、附表1e、附表1f、附表1g示出，该规则涉及到三个模糊变量|Δφ_Yaw|、φ_Pitch、∑_z，由于无法在平面内表达出三维的变量规则，因此枚举了∑_z分别在NB，NM，NS，Z，PS，PM，PB七种情况下对应的七张输出模糊变量表。

如附表1a示出：表格中第一行的各空格表示输入模糊变量|Δφ_Yaw|分别在NB、NS、Z、PS、PB等五种情况。第一列的各空格表示输入模糊变量φ_Pitch分别在NB、NS、Z、PS、PB等五种情况。其余各行各列的空格表示相应于|Δφ_Yaw|、φ_Pitch情况下，输出模糊变量的值。如第二行第二列中的PB对应的语意是：当∑_z为NB，|Δφ_Yaw|为NB，φ_Pitch为NB时，输出模糊变量为PB。以下所有模糊变量NB，NM，NS，Z，PS，PM，PB附表类似此语法。

如附表1b示出：表格中第一行的各空格表示输入模糊变量|Δφ_Yaw|分别在NB、NS、Z、PS、PB等五种情况。第一列的各空格表示输入模糊变量φ_Pitch分别在NB、NS、Z、PS、PB等五种情况。其余各行各列的空格表示相应于|Δφ_Yaw|、φ_Pitch情况下，输出模糊变量的值。如第二行第二列中的PS对应的语意是：当∑_z为NM，|Δφ_Yaw|为NB，φ_Pitch为NB时，输出模糊变量为PS。

如附表1c示出：表格中第一行的各空格表示输入模糊变量|Δφ_Yaw|分别在NB、NS、Z、PS、PB等五种情况。第一列的各空格表示输入模糊变量φ_Pitch分别在NB、NS、Z、PS、PB等五种情况。其余各行各列的空格表示相应于|Δφ_Yaw|、φ_Pitch情况下，输出模糊变量的值。如第二行第三列中的PB对应的语意是：当∑_z为NS，|Δφ_Yaw|为NS，φ_Pitch为NB时，输出模糊变量为Z。

如附表1d示出：表格中第一行的各空格表示输入模糊变量|Δφ_Yaw|分别在NB、NS、Z、PS、PB等五种情况。第一列的各空格表示输入模糊变量φ_Pitch分别在NB、NS、Z、PS、PB等五种情况。其余各行各列的空格表示相应于|Δφ_Yaw|、φ_Pitch情况下，输出模糊变量的值。如第二行第二列中的PB对应的语意是：当∑_z为Z，|Δφ_Yaw|为NB，φ_Pitch为NB时，输出模糊变量为Z。

如附表1e示出：表格中第一行的各空格表示输入模糊变量|Δφ_Yaw|分别在NB、NS、Z、PS、PB等五种情况。第一列的各空格表示输入模糊变量φ_Pitch分别在NB、NS、Z、PS、PB等五种情况。其余各行各列的空格表示相应于|Δφ_Yaw|、φ_Pitch情况下，输出模糊变量的值。如第二行第二列中的PB对应的语意是：当∑_z为PS，|Δφ_Yaw|为NB，φ_Pitch为NB时，输出模糊变量为NS。

如附表1f示出：表格中第一行的各空格表示输入模糊变量|Δφ_Yaw|分别在NB、NS、Z、PS、PB等五种情况。第一列的各空格表示输入模糊变量φ_Pitch分别在NB、NS、Z、PS、PB等五种情况。其余各行各列的空格表示相应于|Δφ_Yaw|、φ_Pitch情况下，输出模糊变量的值。如第四行第二列中的PB对应的语意是：当∑_z为PM，|Δφ_Yaw|为NB，φ_Pitch为Z时，输出模糊变量为Z。

如附表1g示出：表格中第一行的各空格表示输入模糊变量|Δφ_Yaw|分别在NB、NS、Z、PS、PB等五种情况。第一列的各空格表示输入模糊变量φ_Pitch分别在NB、NS、Z、PS、PB等五种情况。其余各行各列的空格表示相应于|Δφ_Yaw|、φ_Pitch情况下，输出模糊变量的值。如第二行第二列中的PB对应的语意是：当∑_z为NB，|Δφ_Yaw|为NB，φ_Pitch为NB时，输出模糊变量为NS。

本规则通过调整两条后腿神经元的q_LH，q_RH的值，即左后腿髋关节神经振荡器的偏移量与右后腿髋关节神经振荡器的偏移量，使神经振荡器产生波形的中心角发生偏移，从而影响两腿后腿的触地时间，使机器人具备维持和调整前进方向的能力。

A.如果Δφ_Yaw＞0，此情况意味着机器人应该逆时针转动，进行方向调整。此时，令q_RH＝0，且|Δφ_Yaw|越大，使q_LH越小。

B.如果Δφ_Yaw＜0，此情况意味着机器人应该顺时针转动。此时，令q_LH＝0，且|Δφ_Yaw|越大，使q_RH越小。

C.|φ_Pitch|越大，q_LH与q_RH越小。这是因为当机器人上下坡时，应该调整q_LH与q_RH，保证有一定的稳定裕度，使在方向的调节时保持稳定。

D.∑_z越大，则q_LH与q_RH越大，这同样是为了保证在调整方向时，保证在颠簸不平的地面上也具有较好的稳定性和可操控性。

(2)坡度适应规则，如附表2示出：

可通过调整四足机器人两条后腿的摆动中心来保持在斜坡上行走时的稳定性，通过抬高后腿，降低后腿来适应上坡，而通过降低后腿，抬高前腿来适应下坡，使用这样的方法可以令机器人在上下坡时的稳定裕度增大，提高稳定性。这可以用下面四条规则来实现：

A.φ_Pitch越大，使q_LF和q_RF越小；

B.φ_Pitch越小，使q_LF和q_RF越大；

C.如是上坡状态(φ_Pitch＞0)，则∑_z越大，q_LF和q_RF越小；

D.如是下坡状态(φ_Pitch＜0)，则∑_z越大，q_LF和q_RF越大；

该部分模糊规则如附表2所示。

(3)不平路面适应规则，如附表3示出：

这主要是靠调整波形的振幅来实现，在对不平路面适应时，需要同时对四腿神经振荡器的p参数进行修改，在颠簸程度大的路面，减小波形振幅，提高稳定裕度；在颠簸程度小的路面，增大波形振幅，提高行进速度。

A.∑_z越大，p越小，使波形振幅减小；

B.∑_z越小，p越大，使波形振幅增大，加大跨距，提高行进速度；该部分模糊规则如附表3所示。

(4)前进速度适应规则，如附表4示出：

改变四足机器人的行走速度主要是通过调整神经振荡器网络的g参数来改变所产生波形的频率来实现的，频率越高则行进速度越大，波形的振幅主要用来适应不平路面，本发明并不用改变神经振荡器网络的p参数来控制前进速度，这也是为了降低控制量之间的耦合性和控制器设计的难度。

调整g是通过Δg的递增方式，g(n)＝g(n-1)+Δg来实现的，通过此规则，可使四足机器人移动速度尽可能与目标速度相同，如受客观条件限制不能达到目标速度，则尽可能的快。

A.∑_z越大，说明地面颠簸程度越高，则使用较小的g来增加步行周期，提高稳定性；

B.当Δv_f＞0时，表明没有达到指定的目标速度，这时增大g来提高步行频率来使机器人移动速度更快；

C.当Δv_f＜0时，表明超过了指定的目标速度，这时减少g来降低步行频率来减慢机器人的移动速度；

三、解模糊单元c对模糊变量进行解模糊处理，生成并输出用于调制神经振荡器网络的参数信号。该单元通过采用重心法来解模糊。

如附图5a、图5b、图5c、图5d、图5e和图5f为模糊控制器输出解模糊隶属度函数，具体描述如下：

(1)如图5a、图5b中示出：控制两条前腿的q(q_LH，q_RH)参数在区间[-4，0]上分属7个隶属度(NB，NM，NS，Z，PS，PM，PB)，如q＜-4视作输入隶属度NB，如q＞0视作输入隶属度PB，隶属度函数都取做三角形隶属度函数，其中q_LH为左后腿髋关节神经振荡器的偏移量，q_RH为右后腿髋关节神经振荡器的偏移量；

(2)如图5c、图5d中示出：因受小跑起步步态对四足机器人动力学的影响，控制两条前腿的q(q_LF，q_RF)参数略有不同，其中q_LF代表左前腿髋关节神经振荡器的偏移量，q_RF为右前腿髋关节神经振荡器的偏移量，q_LF与q_RF参数分别在区间[-4，4]和[0.5，2.5]上分属7个隶属度(NB，NM，NS，Z，PS，PM，PB)，如q_LF＜-4视作输入隶属度NB，如q_LF＞4视作输入隶属度PB；而如q_RF＜0.5视作输入隶属度NB，如q_RF＞2.5视作输入隶属度PB；隶属度函数都取做三角形隶属度函数；

(3)如图5e中示出：对所有神经元的p参数，在区间0.4，2.4]上分属7个隶属度(NB，NM，NS，Z，PS，PM，PB)，如p＜0.4视作输入隶属度NB，如p＞2.4视作输入隶属度PB，隶属度函数都取做三角形隶属度函数；

如图5f中示出，影响g(g为神经元中影响波形频率的因子)参数的控制器输出为Δg，即g(n)＝g(n-1)+Δg；公式中g(n)为当前要写入振荡器网络的g值，g(n-1)代表上次写入神经振荡器网络的g值，Δg为g值的递增控制量，Δg在区间[-0.5，0.5]上分属7个隶属度(NB，NM，NS，Z，PS，PM，PB)，如Δg＜-0.5视作输入隶属度NB，如Δg＞0.5视作输入隶属度PB，隶属度函数都取做三角形隶属度函数；

四足机器人是一种足式移动机构，能在复杂的非结构环境中稳定行走和负重行走，可以替代人完成许多危险作业。在国民经济和国防建设等行业有着广泛的应用背景。由生物学启发，使用神经振荡器拓扑网络模拟自然界哺乳动物脊髓中的中枢模式发生器，结合模糊控制设计具有哺乳动物形式的四足行走机器人具有独创性和创新性。

本发明涉及的四足机器人每条腿只有两个自由度，即髋关节俯仰轴转动自由度、膝关节俯仰轴转动自由度，该机器人具有机械简洁性，但需要有效的控制策略来降低控制复杂性，使四足机器人自适应地稳定行走。

四足机器人自适应稳定行走不仅仅需要合适的步态，而且还依赖于姿态控制和反馈控制。模糊控制作为智能控制范畴内的一种有效控制方式，已成功被应用到机器人导航和姿态控制。神经振荡器拓扑网络根据环境反馈信号或者高层控制指令来产生适应周围环境的步态。从这个角度来说，采用模糊控制通过不同的规则策略自适应地调节神经振荡器拓扑网络参数是一种十分有效的控制策略。

本发明中四足机器人作为被控对象如附图1所示。该机器人由躯干1，两对大腿连杆2、3、4、5，两对小腿连杆6、7、8、9等组成。矢向平面方向上，髋关节10、11、12、13处有四个转动自由度，右后髋关节10，左后髋关节11，左前髋关节12，右前髋关节13；膝关节14、15、16、17处有四个转动自由度，右后膝关节14，左后膝关节15，左前膝关节16，右前膝关节17；躯干长度即前髋关节13到后髋关节10的长度为1m；躯干宽度即左髋关节12到右髋关节13的宽度为0.4m；其中每条腿的大腿长度为0.4m，小腿的长度为0.45m。躯干质量为30.5kg，每条腿的质量为5.2kg(大腿质量为3.72kg，小腿质量为1.53kg)，前述数据仅仅做为一个实施例，但本发明的并不限于此，关于其它实施例的数据则根据使用要求设定，在此不再赘述。

本发明四足机器人的控制器中含有非线性神经振荡器拓扑网络d，该神经振荡器拓扑网络d的神经振荡器为范德波尔神经振荡器，具有强非线性特性与强抗干扰性，同时具有独立于初始条件、容易同步调节等鲁棒特性。用于描述该神经振荡器动态特性的微分方程如下所示：

${\stackrel{·}{y}}_i={\mu }_i(p_i^2-x_{\mathrm{si}}^2)y_i-g_i^2{x}_{\mathrm{si}}+q_i---\left(1\right)$

${\stackrel{·}{x}}_i=y_i---\left(2\right)$

$x_{\mathrm{si}}=x_i-\underset{j,j\ne i}{\overset{n}{\Sigma }}{\lambda }_{\mathrm{ji}}{x}_j---\left(3\right)$

其中变量为x_i的一阶导数；

为y_i的一阶导数；

方程中的参数为：p_i为振幅因子，x_si为神经元i与传入神经元之间的信号组合，y_i为神经元中间变量，g_i为频率因子，μ_i比例因子，q_i为偏移因子，λ_ji为神经振荡器j与神经振荡器i之间的耦合强度，x_i神经元输出。

神经振荡器拓扑网络d如图2所示，四足机器人e每个髋关节的驱动都由一个神经振荡器的输出信号控制，其中每个膝关节还受一个中间神经振荡器调节(图2中以中间节点示出)。通过调节髋关节与膝关节之间的神经振荡器之间的耦合强度λ_ji，该神经振荡器拓扑网络d能产生使各关节稳定振荡的轨迹信号。由于神经振荡器拓扑网络d具有大量参数，手动调节各个参数是一件十分繁杂的试验。

本发明设计的模糊控制器规则用于处理控制器输入信号中的各种不确定条件，它们能降低各种环境中需要调节参数的复杂性，从而方便控制。

如图1所示，在右后大腿2与躯干1、左后大腿3与躯干1、左前大腿4与躯干1、右前大腿5与躯干1交接处(即髋关节10、11、12和13处)安放转动关节自由度(即为电机)；在右后大腿2与右后小腿6、左后大腿3与左后小腿7、左前大腿4与左前小腿8、右前大腿5与右前小腿9交接处(即膝关节14、15、16和17处)安放转动关节自由度(即为电机)；

如图2所示，各髋关节、膝关节处的电机驱动信号由图中神经振荡器拓扑网络d产生，其中信号LF髋关节对应连接左前腿髋关节处电机、LF膝关节对应连接左前腿膝关节处电机、RF髋关节对应连接右前腿髋关节处电机、RF膝关节对应连接右前腿髋关节处电机、RH髋关节对应连接右后腿髋关节处电机、RH膝关节对应连接右后腿膝关节处电机、LH髋关节对应连接左后腿髋关节处电机、LH膝关节对应连接左后腿膝关节处电机，图中LF髋关节表示左前髋关节神经振荡器、LF膝关节表示左前膝关节神经振荡器、LF中间节点表示左前中间神经振荡器、RF髋关节表示右前髋关节神经振荡器、RF膝关节表示左前膝关节神经振荡器、RF中间节点表示右前中间神经振荡器、LH髋关节表示左后髋关节神经振荡器、LH膝关节表示左后膝关节神经振荡器、LH中间节点表示左后中间神经振荡器、RH髋关节表示右后髋关节神经振荡器、RH膝关节表示右后膝关节神经振荡器、RH中间节点表示右后中间神经振荡器，其中各中间神经振荡器用于辅助调节各个膝关节神经振荡器以产生膝关节驱动信号，λ₁₂为左前髋关节神经振荡器与右前髋关节神经振荡器之间的耦合强度、λ₁₃为左前髋关节神经振荡器与右后髋关节神经振荡器之间的耦合强度、λ₂₄为右前髋关节神经振荡器与左后髋关节神经振荡器之间的耦合强度、λ₃₄为左后髋关节神经振荡器与右后髋关节神经振荡器之间的耦合强度、λ_mk为各个膝关节神经振荡器与其相应的中间神经振荡器之间的耦合强度、λ_hm为各个髋关节神经振荡器与其相应的中间神经振荡器之间的耦合强度，耦合强度的具体参考值可为：λ₁₂＝λ₃₄＝0.2，λ₁₃＝λ₂₄＝-0.2，λ_mk＝λ_hm＝-0.2；

如图3所示，根据发明内容中的神经元公式，将图1中躯干上的翻滚角X、俯仰角Y和偏转角Z用陀螺仪测出各自角度；|Δφ_Yaw|对应偏转角的变动量、φ_Pitch对应俯仰角的角度、Δv_f对应控制周期之内平均速度与目标平均速度之间的误差、∑_z对应在偏转轴方向上两次采样之间的偏差；其中|Δφ_Yaw|、φ_Pitch、Δv_f和∑_z为图1中四足机器人的输出，为图3中模糊控制器的输入；图3中的输出作为图2中神经振荡拓扑网络d的参数输入。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。