自学习中枢模式发生器在仿人机器人行走控制中的应用

"本文探讨了基于自学习中枢模式发生器(SL-CPG)的仿人机器人适应性行走控制策略，旨在解决仿人机器人在复杂环境中的行走难题。SL-CPG模型借鉴生物行走机制，能学习周期性输入信号，灵活调整输出频率和幅度，增强了机器人的环境适应性。" 仿人机器人作为下一代服务机器人的重要形态，因其人类外形特征和对环境的直接适应性而备受关注。行走控制是其核心技术之一，但鉴于仿人机器人高度的复杂性和动态特性，传统的编程控制方法难以实现自然且适应性强的行走。传统的行走控制，如基于零力矩点(ZMP)的方法，虽能确保预设轨迹下的平衡，但在面对地形变化时显得僵化。 中枢模式发生器(CPG)作为一种生物启发的控制策略，已经在机器人运动控制中展现出良好的适应性，尤其在游泳、爬行和多足机器人的应用中取得显著成果。然而，现有的CPG模型往往仅能输出正弦或类似正弦的波形，限制了其在复杂行走模式中的应用。Matsuoka模型等虽可一定程度调整波形，但参数调整与输出形状间的映射关系并不明确，依赖于试错法，且调整程度有限。 本文提出的自学习中枢模式发生器(SL-CPG)模型，利用快速傅里叶变换(FFT)技术，能够学习并复制周期性输入信号的任意形状，这极大地扩展了CPG的输出能力，使其能更精确地模拟复杂的行走模式。SL-CPG模型允许在线调整参数，以适应环境变化，为集成传感器信号提供了可能，从而增强了仿人机器人的行走适应性。 在实际应用中，将CPG模型应用于关节空间控制是常见做法，每个关节对应一个CPG单元，通过优化CPG网络结构，可以实现多关节协调运动，进一步提升行走的自然度和稳定性。SL-CPG模型的引入，为解决仿人机器人在复杂环境中的平衡控制和适应性行走问题提供了新的思路，有望推动仿人机器人技术的发展，使其在辅助人类工作、生活以及执行危险任务中发挥更大的作用。