一种Nao机器人步态规划遗传算法的制作方法

本发明属于机器人技术领域，具体地说，涉及一种Nao机器人步态规划遗传算法。

背景技术：

国外早期机器人是基于全身协调运动控制法建设仿人机器人，代表产品为早稻田大学高西淳夫研究室的WABIAN系列仿人机器人WABIAN-2。而后配置电控一体化调节器ISA，其转矩及反向运转性能均有较大的改善，代表产品为索尼公司开发的世界首台跑步机器人QRIO。借着采用无线通讯的控制方式并不断优化实现以伺服电机、同步齿形带、谐波齿轮作为驱动，代表产品为本田公司依据I-WALK步行控制策略研制出仿人机器人ASIMO。目前能实现运动能力、视觉、听觉和语言能力，实现特征识别追踪以及行进过程中的交流能力，代表产品为韩国先进科技研究所的KHR-3仿人机器人HUBO。

国内研究及发展动态：清华大学基于新型理论步行补偿算法研制出具有自主知识产权的仿人机器人THBIP-I，通过对于其伺服系统控制性能的优化改善，该型机器人能够实现动作的连续性、稳定性，并可完成无缆简单动作；哈尔滨工业大学研制的H1T-1、H1T-II和H1T-III。HIT-1等机器人，可完成动态、静态步行动作；同时，国防科技大学研制的“先行者”机器人在完成无缆行走的同时，亦可高效实现人体动作的仿真；北京理工大学研制成功的BHR-2机器人对于步态规划过程中通过对于步长、步行周期等的控制更是实现了仿人机器人复杂动作设计技术上的突破——在线轨迹规划和步行调整，对于我国仿真机器人的发展起到了极大地推动作用，提升我国仿真机器人研究整体水平。

双足机器人的行走具有不稳定性与很大的灵活性，而双足机器人的稳定性对于稳定周期步行运动的实现起到重要的基础性作用，因此对双足机器人步态规划及其稳定性控制研究就具有相当的现实意义。

遗传算法是通过借鉴生物自然选择和遗传机制过程中的繁殖、交叉和变异，不断随机化搜索直到满足规定的收敛指标为止。该算法计算简单，功能强大，鲁棒性强。

遗传算法GA即Genetic Algorithm，为模仿生物进化过程的结构型的随机搜索算法，GA算法对于机器人步态的优化有着重要的作用，基于优化的遗传算法可以使其检索计算量大大简化，在检索效率提升的同时，收敛性也有着较大改观。对于空间二进制遗传算法的优化具体指的是将可行解由整体交叉变异形式转化为空间染色体各维度层次上，即每个变量对应的二进制编码段上分别进行交叉变异，极大提升精度及收敛。

现有技术中急需一种Nao机器人步态规划遗传算法。

技术实现要素：

本发明的目的在于提供一种Nao机器人步态规划遗传算法，以RoboCup机器人世界杯的标准平台NAO机器人作为研究对象，对其步态规划研究，采用七连杆结构模型分析，模拟机器人的下肢运动过程，并改进、优化现有智能算法，最后结果表明可增强机器人步态控制的稳定性。

其具体技术方案为：

一种Nao机器人步态规划遗传算法，包括以下步骤：

步骤1、首先确定空间染色体选型，并进行初始化：对Nao机器人的步行瞬时重心运动分析，可以由一系列的参数表示而成，从而行走的步态规划为瞬时参数的集合：

Q_i＝{q_b,q_f,θ_i,T_c,T_d}

其中，行走脚脚掌离地时与地面的夹角为q_b，行走脚脚掌着地时与地面

的夹角为q_f，脚掌与膝盖的夹角为θ_i，行走周期为T_c，双腿支撑周期为T_d；

步骤2、进行对应步行轨迹的变换，基于逆运动学理论对于Nao机器人关节结构角度进行计算；同时，对于确定状态下机器人ZMP、重心位置信息和行走脚在坐标系中的倾角进行稳定性评价，并依据适应度函数计算染色体对应的适应度值f；

Nao机器人的步态规划主要与确定状态下机器人ZMP、重心位置信息、行走脚在坐标系中的倾角有关，根据对于遗传算法的分析，本发明采用的适应度函数如下：

f＝1÷[λ₁q(T)+λ₂n+λ₃α(T)]

其中：λ₁、λ₂、λ₃分别为确定状态下机器人ZMP、重心位置信息和行走脚在坐标系中倾角的权重系数，q(T)为行走稳定性，α(T)为行走脚在坐标系中的倾角；

步骤3、进行空间染色体间的杂交运算及变异运算，并通过遗传算法的迭代计算至收敛，获得最优插值参数；并且，运用Nao机器人的相应开发工具和编译软件，可确保实现Nao机器人运动步态的规划和稳定控制。

与现有技术相比，本发明的有益效果为：

本发明以NAO机器人作为研究对象，对其下肢建立七连杆模型，并对NAO机器人的步态进行深入的分析、规划与优化，主要采用遗传算法对步态控制参数进行优化，用以控制NAO机器人的双腿运动，实验结果表明NAO机器人能够很好地控制直立行走的稳定性，实现了有效的步行动作，以保证NAO机器人在行进过程中能够同时执行其他更高级的动作。

附图说明

图1为NAO机器人七连杆模型的结构示意图，其中，图1a为侧视图，图1b为后视图；

图2为10自由度NAO机器人的自由度配置；

图3为单个步态周期内脚掌运动过程；

图4为关节空间位置、速度、加速度的轨迹规划结果；

图5为关节空间动力学分析结果。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案作进一步详细地说明。

1Nao机器人下肢的七连杆模型

对于Nao机器人的运动学建模分析考虑到其主要构成要素为连杆及关节，尤其是其下肢10自由度的关节对于其建模分析尤为关键，故运用数学建模的方法，对Nao机器人的下肢各个关节建立数学模型；简化问题，并做出较为准确的计算，运用整体化思想，将NAO机器人上部头干部位与躯干视为整体考虑，将双足机器人简化为一个七连杆结构，包含躯干、大腿、小腿、脚，如图1所示。将机器人任意相邻关节之间的部分等效为形状规则、质量均匀的刚体，两刚体之间通过关节相连，且连杆的质点位于杆的几何位置的中心。图1中P0是躯干的顶点，P1表示两个骸关节的中心位置，P2和P3分别表示左骸与右骸的中心点，P4和P5分别表示左膝与右膝的中心点，P6和P7分别表示左踩与右踩的中心点，P8和P9分别表示左脚与右脚的中心点。NAO机器人的七连杆模型设定10个自由度，其中踩关节2个，分别是滚转自由度与俯仰自由度；膝关节1个俯仰自由度；骸关节2个，分别是俯仰自由度、滚转自由度。并对各个角度进行定义如下(如图2所示):

分别为左骸和右骸俯仰方向的转角，大腿前伸的方向为正；允许范围为-20度到70度。

分别为左骸和右骸滚转方向的转角，大腿外伸的方向为正；允许范为-30度到30度。

分别为左膝和右膝俯仰方向的转角，膝盖弯曲的方向为正；允许范围为0度到90度。

分别为左踩和右踩俯仰方向的转角，小腿向前倾斜的方向为正；允许范围为-60度到60度。

分别为左踩和右踩滚转方向的转角，设小腿向外偏转的方向为正；允许范围为-30度到30度。

在实际的机器人的结构中，各个自由度是由不同的电机驱动的，所以踩部有两个电机，骸部需要三个电机。为了计算的方便，我们在建立模型时，认为踩关节的两个电机的转轴是相交于踩关节的中心点，骸关节的三个转轴所在的直线相交于骸关节的中心点。

2Nao机器人步态动态稳定性判据

对于Nao机器人的步行运动进行分解研究，脚步通过交替地与地面发生相互作用(单脚支撑、双脚支撑)实现周期性的前进。Nao机器人步态规划研究的重点在于与地面相互支撑作用稳定性的保证。本发明将研究重点放在“零力矩点”这一定动态稳定性指标，并将其作为Nao机器人步态稳定性判定的判据。

零力矩点ZMP(Zero Moment Point)是南斯拉夫学者Vukobratovic(1969年)提出的机器人稳定性判据。ZMP是指地面上的一点，地面反作用力在此点等效力矩的水平分量为零，当给定机器人各个关节的运动轨迹后，可以通过公式计算出ZMP的运动轨迹。若机器人在整个运动过程中，每一时刻的ZMP点都在其支撑凸多边形内部(不包括边界，那么机器人在运动期间内，其支撑脚就会与地面保持相对静止，不会出现欠驱动的翻转自由度，则机器人可以在整个运动过程中保持稳定，这就是ZMP稳定判据。在计算过程中，到支撑凸多边形边界的最短距离可以作为机器人的稳定裕度。

ZMP是目前应用最为广泛的机器人稳定性判据。在判据的使用中，总是结合关节轨迹跟踪等控制策略，所以判据在此时成为了机器人稳定的充分条件。目前绝大多数双足机器人的运动稳定性控制都是基于判据的。

3、Nao机器人步态规划研究

遗传算法是通过借鉴生物自然选择和遗传机制过程中的繁殖、交叉和变异，不断随机化搜索直到满足规定的收敛指标为止。该算法计算简单，功能强大，鲁棒性强。

3.1Nao机器人步态规划遗传算法

遗传算法GA即Genetic Algorithm，为模仿生物进化过程的结构型的随机搜索算法，GA算法对于机器人步态的优化有着重要的作用，基于优化的遗传算法可以使其检索计算量大大简化，在检索效率提升的同时，收敛性也有着较大改观。对于空间二进制遗传算法的优化具体指的是将可行解由整体交叉变异形式转化为空间染色体各维度层次上，即每个变量对应的二进制编码段上分别进行交叉变异，极大提升精度及收敛。

基于空间染色体的遗传算法基本步骤：

首先确定空间染色体选型，并进行初始化：

如图3所示，对Nao机器人的步行瞬时重心运动分析，可以由一系列的参数表示而成，从而行走的步态规划为瞬时参数的集合：

Q_i＝{q_b,q_f,θ_i,T_c,T_d}

其中，行走脚脚掌离地时与地面的夹角为q_b，行走脚脚掌着地时与地面

的夹角为q_f，脚掌与膝盖的夹角为θ_i，行走周期为T_c，双腿支撑周期为T_d。

其次，进行对应步行轨迹的变换，基于逆运动学理论对于Nao机器人关节结构角度进行计算。同时，对于确定状态下机器人ZMP、重心位置信息和行走脚在坐标系中的倾角进行稳定性评价，并依据适应度函数计算染色体对应的适应度值f。

Nao机器人的步态规划主要与确定状态下机器人ZMP、重心位置信息、行走脚在坐标系中的倾角有关，根据对于遗传算法的分析，本发明采用的适应度函数如下：

f＝1÷[λ₁q(T)+λ₂n+λ₃α(T)]

其中：λ₁、λ₂、λ₃分别为确定状态下机器人ZMP、重心位置信息和行走脚在坐标系中倾角的权重系数，q(T)为行走稳定性，α(T)为行走脚在坐标系中的倾角。

最后，进行空间染色体间的杂交运算及变异运算，并通过遗传算法的迭代计算至收敛，获得最优插值参数。并且，运用Nao机器人的相应开发工具和编译软件，可确保实现Nao机器人运动步态的规划和稳定控制。

3.2Nao机器人步态规划matlab分析

其一般过称为：用simulink建立Nao机器人仿真模型，并进行观测分析，并且描述仿真模型的过程和功能。

基于matlab平台对于Nao机器人步态规划进行分析研究，首先需按照DH矩阵建立图形化的关节型机器人对象：按照DH矩阵的习惯依次输入所需生成的机器人各个关节的参数点击完成并返回即可生成相应机器人对象；继而对生成的机器人进行正逆运动学的位置和速度进行分析和图形仿真：基于运动学分析界面，在运动学位置分析的基础上选择进行运动学速度分析，利用雅克比矩阵对当前位置的速度向量进行正逆分析；后对机器人进行轨迹规划：轨迹规划中分别输入初始位置的空间参数(位置参数和RPY参数)，通过五次多项式插值法轨迹规划查看得到空间的轨迹规划的结果曲线和方程；并在轨迹规划的基础上对其做出动力学的分析，在轨迹规划得到一系列位置、速度、加速度向量的基础上可以对机器人进行动力学分析，并计算机器人在负载情况下的各个关机所需提供的力向量。

在研究以关节角的函数对于机器人运动轨迹以及行动步态规划的优化过程中，各路径点的确定通过由工具坐标系{T}相对于工作台坐标系{S}的期望位姿完成，最终得到{T}在每个中间点上的期望的笛卡尔位姿。其中，多维情况下的轨迹规划通过mtraj函数[Q,QD,QDD]＝mtraj(TFUNC,Q0,QF,M)完成(TFUNC、Q0和QF分别基于一维轨迹规划函数以及起始和结束时的多维位置值)，S0为初始位置，SF为终止位置，M为步数，S为轨迹，SD为速度，SDD为加速度。

mtraj函数多维情况下轨迹规划：

[Q,QD,QDD]＝mtraj(@tpoly,[0 2],[1 -1],50)；

subplot(3,1,1)

plot(Q)

ylabel('s')；

subplot(3,1,2)

plot(QD)

ylabel('sd')；

subplot(3,1,3)

plot(QDD)

ylabel('sdd')；

规划模拟结果如图4所示：

机器人关节空间规划：

mdl_Nao；

T1＝transl(0.4,0.2,0)*trotx(pi)；

T2＝transl(0.4,-0.2,0)*trotx(pi/2)；

q1＝p560.ikine6s(T1)；

q2＝p560.ikine6s(T2)；

t＝[0:0.05:2]'；

q＝mtraj(@lspb,q1,q2,t)；

p560.plot(q)

qplot(t,q)；

规划模拟结果如图5所示：

将此规划方法通过matlab编程实现，在RoboCup3D平台测试得知，基于遗传算法规划的Nao机器人步态能保证步行动作的平滑性和速度的连续性，Nao机器人步行流畅，验证了遗传算法在Nao机器人步态规划中应用的有效性。

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。