一种类人机器人上肢运动的类神经控制方法
【技术领域】
[0001] 本发明涉及一种类人机器人运动的控制方法，尤其涉及一种类人筋腱式机器人上 肢运动的控制方法。
【背景技术】
[0002] 传统机器人采用以关节电机为主的驱动方式，通过关节之间的变换关系反解出运 动控制矩阵，存在坐标转换复杂、计算量大、灵活度低、适应力差等缺点。类人机器人作为下 一代智能机器人技术的发展方向之一，采用仿人的肌肉-关节结构，具备了更强的灵活性、 通用性和可靠性。但由于其特殊的结构设计，增加了运动模型的自由度和非线性性，也使得 对模型的反向求解计算过程繁琐，计算量庞大，因此对传统的控制方法提出了更高的要求。
[0003] 类人机器人的上肢运动规划除了满足高精度和学习能力的要求，还必须保证快速 的反应能力。到目前为止，针对机器人的运动规划主要有两类，一类是基于传统控制理论及 信息技术的控制方法，这是在目前机器人运动规划中主要采用的方法。另外一类是模拟人 体运动控制系统的控制方法。
[0004] 基于传统控制理论及信息技术的控制方法包括自适应控制、模糊控制、预测控制、 人工神经网络和专家系统等。为了实现高精度的运动控制，此类方法都需要复杂而大量的 计算，因此必然会牺牲机器人的快速反应能力。除此之外，高精度的运动控制依赖于对机器 人每一关节的精准控制，所以任一关节处的细小偏差都可能导致运动结果的巨大误差。采 用此类算法控制的机器人大多缺乏良好的学习能力。根据摄像头及传感器反馈所得的视觉 与力的信息，机器人可以在预设的轨迹上完成运动，却无法胜任环境时刻变化的任务。当采 用类似于ZMP理论，将人工计划与控制算法相结合时，机器人的控制性能可以得到提高。但 该方法所需的对机器人和环境的建模同样将产生巨大的计算量，牺牲了机器人的快速反应 能力。所以，此类方法可以分别实现机器人控制的高精度控制、学习能力和快速反应能力， 却无法同时满足三个要求。
[0005] 人体的运动系统可以完成像运动和装配等高精度任务，且同时具备快速反应能力 和学习能力，所以人们希望通过模拟人体运动控制系统来改进控制算法。在神经认知领域， 基于对人体运动系统的研究，生物学家们提出了两种人体的运动控制机制，分别为优化控 制理论和习惯计划理论。现有论文《Optimal feedback control and the neural basis of volitional motor control》描述了优化控制理论，其认为，人体经通过运动路径和做 功的计算分析，来控制每一块肌肉以实现某一运动任务。但在处理复杂的机器人运动系统 时，该方法会产生庞大的计算量，因而无法满足实时控制的要求。现有论文《Muscle coordination is habitual rather than optimal》描述了习惯计划理论，其认为，人体倾 向于通过学习所得的运动模板而不是实时优化来完成一个新的运动任务。本发明就是基于 将习惯计划理论应用于类人机器人控制而提出的。
【发明内容】
[0006] 为解决现有的机器人控制方法无法同时满足机器人上肢运动中高精度、学习能力 和快速反应能力的要求，本发明提出了一种类人机器人上肢运动的类神经控制方法，大幅 减少了计算量，提高了反应能力，还可以根据已有模板进行自主学习，根据误差和控制精度 的要求，不断生成精度更高的运动模板。
[0007] 本发明提出的一种类人机器人上肢运动的类神经控制方法，包括以下两大部分：
[0008] 模型及模板的构建：
[0009] 步骤A1，建立类人机器人的上肢动力学模型D;
[0010] 步骤A2,根据类人机器人的上肢动力学模型D，建立m组运动的初始的运动模板形 成运动模板库并存储于机器人控制器中；运动模板由类人机器人上肢运动的控制信号和输 出结果组成；
[0011] 模板的选择和控制输出：
[0012] 步骤B1，给定新的运动任务位置pnew= {xnew，ynew};
[0013] 步骤B2,依据人体运动的习惯计划理论和运动通路中小脑与脊髓间的信息传播机 制，给定新的运动任务位置Pnew后机器人控制器从运动模板库中选择K个运动模板；
[0014] 步骤B3,根据各所选模版中上肢终点位置与pnew的距离关系确定各运动模板的权 重Wi，将所选择的各个运动模板的控制信号Ui及对应权重Wi相乘后求和计算出新的运动任 务所需的控制信号11_，将1!_输入上肢动力学模型计算上肢运动的终点位置
[0015] 步骤M，计算步骤B3中得到的上肢运动的终点位置与期望终点位置pnew的误 差值并统计步骤B3的执行次数，若误差值大于设定的误差阈值，将该控制信号此^及终点位 置P' new所形成的一组运动模板保存入运动模板库，再次重复步骤B2、步骤B3、步骤B4，直至 误差值 < 设定的误差阈值或步骤B3执行次数大于设定的执行次数阈值，机器人控制器将保 存对应的控制信号及终点位置作为新任务的运动模板，执行该模板中的控制信号，输出运 动结果。
[0016] 优选的，步骤A1中依据人体上肢动力学模型的建立过程为:通过对上肢运动过程 的依次建模来进行类人机器人的上肢动力学模型D的建立。
[0017]优选的，步骤A2中所述的类人机器人上肢运动的控制信号为类神经元信号，该信 号为一组由机器人控制器产生的时间序列，机器人控制器依据类神经元信号控制电机转 动，进而带动类人机器人的上肢肌肉运动，将类人机器人上肢运动到指定的终点位置，类人 机器人上肢运动的输出结果为上肢运动的终点位置。
[0018] 优选的，步骤A2中运动模板库的建立包括如下步骤：
[0019] 步骤A21，设定一次上肢运动中期望的终点位置pi= {xi，yi};
[0020] 步骤A22,根据Pl及上肢动力学模型D反向计算出对应的控制信号m;
[0021] 步骤A23,根据m及上肢动力学模型D计算出机器人上肢运动中实际的终点位置p 'i；
[0022] 步骤A24,同一次运动中的m和i将作为一组初始的运动模板；
[0023]步骤A25，重复步骤A21至步骤A24获得m组初始的运动模板形成运动模板库并存储 于机器人控制器中，运动模板库表示为U= {ui，U2，···，Um}和P' = {p\，pS，···，p\}。
[0024]优选的，步骤A2中初始的运动模板的个数m2 3,步骤B2中3。
[0025] 优选的，步骤B3中Unew和P' new具体计算方法如下：
[0026] 步骤B31，依次计算pnew与步骤B2中所选的运动模板所对应上肢终点位置i的权 重关系Wi ;
[0027]
[0028] 式中
，di表示ιΛ与pnew的欧几里得距离；
[0029]步骤B32,利用步骤B2中所选的运动模板的控制信号m及对应权重Wl计算新任务所 需的控制信号IW，计算公式为
[0030]
[0031]步骤B33,将控制信号unew带入上肢动力学模型D，计算出在新任务的上肢运动中实 际的终点位置P'new。
[0032]优选的，步骤B2中运动模板的选择方法包括如下步骤：
[0033]步骤B21，从运动模板库中选择3个运动模板，使3个运动模板中类人机器人上肢的 终点位置f i能够形成包围pnew的最小三角形；
[0034] 步骤B22，当选择的模板数k>3时，从运动模板库中选择其余的运动模板，选择依据 为类人机器人上肢的终点位置的距离从小到大顺序选择，且能与步骤B21中所选 择的3个运动模板中类人机器人上肢的终点位置形成一个包围p new的凸多边形N;
[0035] 本步骤中所述的其余运动模板的个数为:若为首次执行步骤B21则为K-3,若非首 次执行步骤B21则为K-4个运动模板。
[0036]步骤B23，若为首次执