仿生機器人模糊自適應控制系統設計研究

李雨田

(西安航空職業技術學院， 陜西 西安 710089)

隨著仿生機器人技術的發展，不僅用于自動化施工過程，還用于執行質量管理任務。例如，飛行無人機可以檢查高層建筑物或者可以用于執行攝影測量；遠程機器人可用于檢查軸、空調系統和檢修孔等；爬升機器人用于檢查建筑物的橋梁、塔樓和隱藏的困難角落等。通過智能解決方案以執行檢查任務的成功嚴格取決于機器人控制系統的性能、設計機制的穩定性和可靠性以及現場條件的識別程度。這是由于后者可能會給機器人移動帶來重大障礙，例如，對于四旋翼飛行器的垂直起飛和著陸飛行機器人，當高度增加時穩定性趨于最小化[1-3]。

回顧機器人的控制方法，可以說不同的末端執行器機構的同步對于開始運動并因此跟蹤期望的軌跡是必要的。例如，必須控制旋翼飛行器UAV，以便產生所選轉子組合的等效旋轉速度，以便在四種飛行狀態之間切換：懸停，滾轉，俯仰和偏航。 對于步行機器人，位于不同身體軸線側的腿必須基于觸發器狀態工作，以便移動機器人的重心并使其從其當前位置移動。以上這些描述稱為運動模式，本文討論了一個四足機器人，對玻璃幕墻進行檢查。該研究將局限于運動末端執行器的數學模型，基于原型模式的全局路徑規劃控制。

1 仿生行走技術介紹

在工程概念中，通過機械裝置實現運動，這是由于機械裝置產生升力和扭矩。與周圍環境相互作用的末端執行器可以是輪胎、鏈條和螺旋槳等。對于行走單元，不同的概念是“腳”接觸地面，行走機構最少分為三個機械部件，并且根據需要完成的操作和移動自由度，可以達到更高等級的復雜性。在行走時，末端執行器施加平行于主運動軸線的力，同時執行器的諧振頻率取決于行走速度[4-5]。

雖然仿生行走單元可以分為較小的功能組件，但是步行過程表現為單輸入單輸出系統。采用多系統方法是不明智的，因為從動力學，反饋控制和信號分析的角度來看，多系統執行不是最佳使用方法。之后，學者們研究單獨組件如何工作，如何與其他組件集成以及如何使整合系統的整體性能不受影響。從機器人技術的角度來看，該技術任務是局部的，并且可以在群體控制下進行分類，其中群體指定在自適應同步機制中工作的不同機制的組合，以便實現全局控制任務。

基于仿生研究，步行過程被歸類為預期前饋(主動)調節，這是對外部刺激作出反應的最重復行為的情況。更復雜的步行系統包括更復雜的刺激產生和協調控制。這種節奏動態也被稱為中心模式控制，其控制圖如圖1所示。

圖1 四足機器人中心模式控制的結構

在圖1中，參數描繪如下：具有指數1～3的神經元是運動神經元，其中神經元1和2用于左右操縱，神經元4是感官神經元，C1到C4是中間神經元。箭頭表示興奮性連接，無箭頭表示抑制性連接，由圖1可以看出，C1和C3之間存在抑制連接，從而允許產生振蕩模式。稱為周期性步態的腿部運動之間的同步需要規則和時間控制，否則被抑制的腿將充當“斷車”。因此，不能實現步行過程的平滑性，并且預測可能對機械部件造成損壞，移動機器人可能步態的一般組合計算如下[6-8]：

NG=(2n-1)!

式中：NG為給定機器人的可能步數;n為機器人的腿數，本文中，n=4。

2 仿生控制腿設計

從穩定性角度來看，最優控制策略是分別為每條腿設置緩存控制器，然后根據周期性步態推廣觸發器規則，這種循環配合是必要的，以便獲得機械部件的平滑和自然振蕩。減少能量消耗，因為振蕩將在沒有電力先決條件的情況下獲得，該方法的另一個好處是最小化機械部件的磨損頻率，因為不需要任何斷裂和斷裂釋放機構。

除了同步和定期步態控制外，姿勢控制對于安全運動至關重要。通過姿勢控制，可以了解控制系統在可控穩定的調節中保持腿部質心的能力，從設計的角度來看，質心幾何點應該在幾何焦點和體內，從而使機器人在側風的情況下具有更好的機動性。

除了同步和定期步態控制外，姿勢控制對于安全運動至關重要，通過姿勢控制，可以了解控制系統在可控穩定的調節中保持腿部質心的能力。 從設計的角度來看，質心幾何點應該在幾何焦點和體內，從而使機器人在側風的情況下具有更好的機動性。

因此，步行機器人的全局控制任務包括以下子任務：

(1)姿勢控制與腿的運動學配置相關聯；

(2)姿勢控制負責質量位置的居中，主要通過動態分析進行研究；

(3)擺動控制根據前兩種方法忽略不同機構之間的頻率同步。

腿式機器人的建模和控制是一個局部技術問題。許多來自不同科學背景的研究人員將他們的研究成果定期結合起來，以獲得適當的數學模型。正如前面所述，最簡單的方法是對機器人的每個模型腿采用分散控制，同時考慮中心模式發生器。該模式描述如下：當人走路時，根據需要(大腦的預定軌跡)定義該行人的運動方向，將這種需要傳達并制定成脈沖(中央發電機)，將信息傳遞到本地控制站(分散控制器)，對末端效應器施加某些行為，以上描述應用到仿生機器人的實現。參考中心模式發生器的分散控制任務的結構圖如圖2所示，可以注意到，每個支路的所需時刻是從模式注冊器獲得的所需扭矩τd，輸出是施加的扭矩加載τl，其中后者通過電動機旋轉速度進行調制，如下式所示：

(1)

式中：ωM為電機角速度，r·min-1;Jl為負載慣量；p為拉普拉斯算子；Kst表示剛度系數。

使用電機角速度很容易找到電機轉矩，而電機角速度又可以從角位置找到，因此，形成式(2)：

(2)

從式(2)可以看出，旋轉力矩中的慣性項Jl不出現在等式的右邊。在上述情況之后，顯然腿的位置(姿態控制)對于擺動機構并不重要，因此控制任務被公式化為基于速度的方法。

同時考慮電機控制器的優化，以避免速度過沖，這是必要的，因為將允許機器人更好的機動性和避障以及最小化機械干擾。神經網絡的實現是直截了當的，從PID馬達控制器收集的數據將用于評估和訓練具有外源輸入的非線性自回歸神經網絡，同時考慮所需的輸出和腿部的機械效應，圖3為控制方法的模擬仿真結果。

圖2 分散腿控制的Simulink模型

圖3 FLP控制腿L1和R1實驗結果圖

圖3所示的結果可以理解如下：根據由模糊邏輯模式生成器產生的生成模式，將四足機器人的末端執行器運動的組合指定為控制任務。末端執行器輸出的監視和調節由神經網絡控制器管理。正如結果所示，腿系統成功地在腿部的激勵和抑制狀態之間切換，允許腿R1和R2在三個階段中向前移動一步。

3 結 論

本文主要介紹了仿生機器人自適應控制系統，通過仿生行走原理以及仿生行走的實現設計，并且從實驗結果可以清楚地看到處理時間從1.5 s增加到3.5 s。這是由于模糊邏輯模式發生器分析姿勢和姿態控制反饋增加了所需的時間。因此，在滑動時間中考慮神經網絡響應時間，這證明了關于機器人自動駕駛儀的計算時間和能力的假設。