DARPA机器人大挑战：滑雪式步态对粗糙地形行走的研究

036工程第1卷·第1期·2015年3www.engineering.org.cn研究机器人-文章工程2015，1（1）：36-DARPA机器人大挑战参与和滑雪式步态粗糙地形行走王宏飞，李世梦，袁飞.郑 *摘要本文简要介绍了美国国防高级研究计划局（DARPA）机器人大挑战计划的历史，重点介绍了2012年机器人挑战赛。 的成员团队DRC-HUBO，我们提出了不同的方法，粗糙的地形任务，如加大脚踏板和转变为四足步行。我们还介绍了一种新的步态的人形机器人运动，以提高稳定性能，称为滑雪型步态。我们分析了这种步态的稳定接着，我们对冗余闭链系统在滑雪式步态中的力/力矩进行分析，并通过最小化总能量消耗来确定关节力矩。基于稳定性和力/力矩分析，我们设计了一个手杖长度，以支持一个可行的和稳定的爬行2步态的HUBO 2仿人机器人平台。最后，我们将实验结果与步行实验结果进行比较，以验证Ski-Type步态的正确性.我们还介绍了我们的团队在机器人挑战赛的审判表现关键词类人机器人，DARPA机器人挑战赛（DRC），粗糙地形行走，滑雪步态1引言众所周知，新技术有利于整个社会，特别是国防系统。几乎每个国家都投入大量资源来创造突破性技术。美国国防高级研究计划局（DARPA）在国防部下属的政府机构。DARPA进行关键投资，旨在克服未来的多方面威胁和挑战。DARPA最重要的成就是它在20世纪对计算机网络技术的投资。它还促成了许多其他不太引人注目但仍然至关重要的发明。自2004年以来，DARPA每隔几年就会举办一次竞赛，称为“大挑战”。在2004年针对无人驾驶汽车自动驾驶技术的大挑战赛中，只有两辆车完成了最远距离11.78公里，没有获胜者。2005年DARPA无人驾驶汽车大挑战赛随后举行，成为迄今为止最著名的大挑战赛。在2005年的比赛中，参赛车辆需要通过狭窄的隧道，并在212公里的沙漠路线上进行100多个急转弯。比赛中最具挑战性的部分是一个蜿蜒的山口，一边是陡峭的落差，另一边是岩石面，被称为啤酒瓶山口。城市挑战赛于2007年举行，两年后著名的2005年大挑战在这次比赛中，该课程是由一个96公里的行程通过城市地区，明显更具挑战性的过程中通过沙漠。在本次城市挑战赛中，参赛队伍首次被分为A、B两条赛道。两支球队参加了同一场比赛，唯一的区别是A赛道的每支球队都得到了100万美元的资助。第一、第二和第三队的奖金分别为200万、100万和50万美元。在这一系列的三大挑战之后，自动驾驶领域吸引了越来越多的关注。为应对挑战而开发的技术，如传感和导航，也经过多年的连续开发而实现了商业化。事实上，最知名的自动驾驶汽车，谷歌无人驾驶汽车，几乎已经准备好出售[2，3]。与此同时，越来越多的汽车制造商已经将自动停车和巡航等功能集成到他们的汽车中。其他研究集中在识别交通标志、行人和其他车辆所需的视觉上[4-7]。从过去的三次挑战中，我们可以看到DARPA大挑战项目改变了人们的驾驶观念，并刺激了导航和自动驾驶的相关研究。而且，人民美国俄亥俄州立大学电气与计算机工程系* 通讯作者。电子邮件：osu.edu接收日期：2015年2月11日;接收日期：2015年3月18日;接受日期：2015年3月25日作者（S）2015出版社：Engineering Sciences Press这是CC BY许可下的开放获取文章（http：//creativecommons.org/licenses/by/4.0/）www.engineering.org.cn第1卷·第1期·2015年3月工程037机器人-文章研究受益于新技术的发展。因此，DARPA的每一次大挑战都被视为未来研究领域的一个指标。总之，DARPA的大挑战项目不仅在每个竞赛所关注的特定领域，而且在整个技术领域都发挥着鼓舞人心的作用。2 DARPA机器人挑战赛2012年，DARPA宣布了一项新的大挑战计划，专注于人形机器人，通常称为DARPA Ro-botics Challenge（DRC）[8]。这是DARPA五年来的第四次大挑战。DRC的目标是推进目前最先进的人形机器人。2.1 刚果民主共和国背景2011年，由于东北地震引发的海啸，福岛核电站遭受严重破坏。当核电站受到海啸袭击时，六个核反应堆中的三个熔化了。由于高辐射对人类健康造成严重威胁，预计救援人员不会进入这些灾害现场。替代方案是派遣机器人进行及时有效的反应，以尽量减少此类事故的影响。然而，在当时，即使是最先进的人形机器人，例如本田的ASIMO [9]，也无法帮助救援。其他轮式或履带式机器人在发电厂的复杂环境中具有有限的穿越能力。这一历史性事件为DARPA决定推进机器人技术，特别是人形机器人提供了紧迫性2.2 为什么是人形机器人？从历史上看，DARPA长期以来一直支持机器人技术的研究，特别是现场机器人技术。1981年，DARPA投资于俄亥俄州立大学的六足步行机器人的研究和开发，称为自适应悬架车（ASV）[10-12]。这辆车是为在非结构化地形上持续运动而设计的。 由于其尺寸和结构较大，不适合在最初为人类进入而创建的环境中操作。最近，在DARPA的支持下开发了一种名为BigDog的四条腿机器人。该机器人的目标是在穿越复杂地形时携带重物[13]。BigDog的结构和操作都是可靠和强大的，它已经装备在军队中。同样，尽管这种机器人的性能令人印象深刻，但它不适合人类规模的环境。很明显，在福岛核事故这样的场景中，具有与人类相似结构的人形机器人比其他类型的平台更适合，因为这类环境是根据人的大小和结构建造的。不幸的是，对类人机器人的研究还没有产生一个像ASV或大狗一样可靠的机器人，可以在核电站熔毁这样的恶劣环境中运行。在过去的30年里，研究人员开发了许多人形机器人，包括克莱姆森大学的CURBi。1986年[14]，2000年本田的ASIMO [15]，2003年索尼的QRIO[16]。那些机器人主要是为娱乐而设计的。例如，阿西莫可以走路，跑步，爬楼梯，甚至与人交谈[9]。不幸的是，这些机器人的设计并不是为了取代人在人造环境中执行任务。然而，DRC要求类人机器人在灾难情况下执行通常由人类执行的任务，例如用工具打破墙壁，爬硬梯子，穿越粗糙的地形等，因此DRC将在类人机器人研究中产生重大影响，使其朝着现实和有用的操作而不是娱乐的方向发展。对于这样一个挑战性的任务，仿人机器人的设计必须更具创新性和实用性。在DRC之前，大多数仿人机器人使用电动执行器，因为它在运动控制中具有可靠和精确的性能。然而，波士顿动力公司建造了新的人形机器人，如Petman [17]和Atlas [18]，使用强大的液压系统作为执行器。2.3 刚果民主共和国事件在刚果民主共和国，比赛分为半决赛和决赛，从2012年到2015年。与2007年的大挑战赛一样，只有六支A类队伍是由DARPA资助的。此外，七个赛道B/C队将获得一个Atlas机器人参加比赛。为了模拟救援中遇到的潜在任务，指定了八个任务：车辆驾驶、崎岖地形、爬梯、碎片清理、开门、破壁、阀门转动和软管安装。 每项任务最多可得4分，因此总分为32分。 每个任务45分钟，允许一次干预以防失败。每项比赛可得一分第四点是如果任务在没有干预的情况下完成，则给出任务的三个阶段。在2013年12月举行的DRC选拔赛中，SCHAFT队[19]以27分击败了所有其他Atlas队。该公司在审判后被谷歌收购。 决赛将于2015年6月举行，由DARPA资助的11支队伍参加。图2显示了构成决赛的事件。图1.在粗糙地形任务中的SCHAFT。在比赛的八个项目中，破墙和软管安装强调在保持平衡的同时准确的手部操作。在其他项目中，在平行运动中保持平衡是一个主要挑战。一些团队设计了研究机器人-文章038工程第1卷·第1期·2015年3www.engineering.org.cn图2. 8个项目进入决赛。具有不同结构的机器人，例如使用轨道进行运动的CHIMP [20]和使用四条腿进行行走的RoboSimian [21]。这种设计的目的是避免重复运动的挑战。其他参与的机器人，如SCHAFT和Atlas，必须防止自己在各种环境中摔倒。因此，粗糙地形是所有使用人形结构的团队的最重要任务。作为DRC-HUBO团队的成员，我们负责崎岖地形行走。为了应对这些稳定性挑战，我们提出了一种不同的方法，滑雪式步态，我们将在下一节中介绍。3 滑雪式步态的诞生DRC的一些团队专门为比赛设计了他们的新机器人，而我们的团队则专注于步态和算法设计，以使现有平台能够完成比赛。在本节中，我们简要介绍了平台和我们的发展滑雪式步态。3.1 介绍我们的机器人我们团队的人形机器人平台是HUBO 2，这是韩国高级科学技术研究院开发的全尺寸人形机器人。它有40个自由度，重45公斤，高1.25米。它在每个踝关节上有两个力/扭矩传感器，在腰部有一个惯性测量单元。在2013年夏天，它的马达升级到更强大，它的手臂扩大了更好的手操作，从而产生了DRC-HUBO，如图所示 图3中的3.2 在崎岖地形上保持平衡的核心策略通过回顾文献，我们确定应用控制器来平衡人形机器人是最流行的方法。基本上，这种方法依赖于对接触条件和机器人状态的感测来调整机器人的运动。口粮。然而，在湿滑且在压力下变形的粗糙地形上，这种控制通常不能提供令人满意的性能。为了提高仿人机器人的平衡能力，提出了增大支撑面积的策略。在下面的章节中，我们将讨论实现这一目标的各种想法。3.3 放大脚踏板我们的第一个尝试是扩大脚踏板，因为这显然会扩大支持面积。然而，这一战略的缺点是多方面的。首先，脚踏板的宽度不能明显增加;否则，脚踏板会相互踩在一起而不能前进。因此，增加脚踏板的长度是唯一的选择。不幸的是，加长的脚踏板增加了行走时下半身关节的扭矩。此外，由于碰撞，长脚踏板的间隙将处于危险之中。图3. HUBO 2（左）和DRC-HUBO（右）。www.engineering.org.cn第1卷·第1期·2015年3月工程039机器人-文章研究在跨越障碍物时更有可能发生，这对系统来说是致命的。另一个缺点是，较大的脚踏板需要更多的地面着陆空间，从而在立足点规划中引入更多的复杂性。基于以上分析，我们放弃了加大脚踏板的方案。我们认为，即使需要增加支撑面积，也不应改变机器人的机械设计。由于多足机器人通常具有比仿人机器人更好的稳定性能，我们接下来研究了将我们的仿人机器人变成四足模式运动的可行性。3.4 四足步行在步行中，当采取步骤时，唯一的支撑区域是一个脚踏板，这限制了稳定性性能。另一方面，四足步行使多达三个点接触地面在步态周期。以这种方式，支撑区域比通过扩大脚踏板更有效地扩大。要执行四足步行，有两种可能的解决方案：向前倾斜和向后倾斜（图4）。图 4. HUBO 2 向 前 四 足 动 物 （ 左 ） 和 DRC-HUBO 向 后 四 足 动 物（右）。在我们对HUBO 2的早期实验中，我们试图让HUBO 2向后弯曲以实现四足步行。当腿重重地折叠时，手臂可以接触地面。然而，折叠的腿限制了运动能力。结果，我们又回到了将躯干向前倾斜，双腿展开，如图4中左侧所示。然而，短臂仍然无法接触地面[22]。此外，双手的精巧设计不允许与地面有任何接触，更不用说支撑身体了。在DRC-HUBO中，手臂被延长，我们建议在每只手上增加一个尖刺，以接触地面而不伤害手。在图4的右边测试了四足动物向后行走。在平坦的表面上，这种四足行走工作得很好;然而，在大约20分钟的操作后，手臂上的大扭矩经常导致系统故障。此外，躯干比直立行走要低得多，并且步伐间隙有限。在我们的测试中，在一个20厘米见方的木条上，碰撞是不可避免的。正如这些尝试所示，DRC-HUBO执行-四足步行仍然没有达到我们的期望。相反，我们建议使用一些工具来帮助行走，而不是对机械设计进行永久性的更改。我们选择了滑雪式步态作为实现四足步行的一种方式。3.5 滑雪式步态在现实生活中，人们通常在爬山时拿着登山杖来辅助他们的腿。同样，老年人使用在行走中增加腿部力量的手杖。基于这些观察，我们提出了滑雪式步态的想法，如图5所示。研究存在于开发机器人作为步行辅助的手杖（手杖机器人）[23- 26]。然而，在我们的工作中，手杖是由机器人手握住的辅助行走的普通棍子，而不是机器人。图5.滑雪式步行概念。为了执行滑雪式步态，机器人手持两根手杖，每只手一根。考虑到机器人的冗余手臂和手关节，使用手杖接触地面是可行的，步态变成四足。虽然腕关节不是很强大，由于小电机的尺寸，冗余允许我们分配手臂关节之间的扭矩尊重这样的限制。在滑雪式步态中，手臂可以被视为3连杆肢体，而腿被认为是2连杆模块（前腿和大腿）。因此，这种步态成为四足动物行走的特例。然而，除了四足步行所提供的稳定性之外，它还具有许多优点。首先，类人机器人通常被要求执行操作任务。也就是说，他们的手必须为此目的持有工具，就像在墙壁破碎和软管安装事件中一样。因此，需要在四足动物和双足动物状态之间频繁转换。在向前或向后的四足步行中，转变为直立行走都有巨大的能量消耗。然而，使用手杖，滑雪式步态可以促进简单的过渡，使手的功能。当手需要执行操纵任务时，手杖可以简单地放下，然后当机器人需要处理困难的地形时，再次抓住手杖。即使一只手操纵而另一只手拿着手杖，机器人仍然可以获得一些稳定性。滑雪式步态的另一个好处在于手握手杖的灵活性。在不同的地方抓住改变了有效的手杖长度，这相当于机器人“腿”结构的变化。这种灵活性使机器人能够在处理不同场景时转换为不同的配置。一个例子是质心（COM）的高度。对于长手杖，COM很高，机器人能够确保与地面的大间隙。短手杖，另一方面，使低COM，研究机器人-文章040工程第1卷·第1期·2015年3www.engineering.org.cn以小间隙为代价提供更好的稳定性。从以上讨论中，我们得出结论，滑雪式步态是一种简单有效的解决方案，以满足困难地形的挑战，同时几乎不需要修改人形机器人的原始结构，并提供更多的灵活性和稳定性的步态。4 滑雪式步态分析在我们寻找可能的方法来增加支撑面积，我们提出了滑雪式步态。在这一节中，我们以稳定裕度为判据，对系统的稳定性能进行了建模和分析.机器人模型基于HUBO2平台。4.1 在模特在滑雪式步态中，由于冗余，存在许多可用于规划腿部和手杖运动的配置。然而，根据我们使用HUBO 2的经验和人类进行滑雪式步态的实验，我们对所选步态的顶视图进行建模，以进行稳定性分析，如图6所示。0.60.50.40.30.20.10.0––一个坚实的触摸，跌倒的风险可以降低，因为没有COM的过程中的转变。此外，我们假设没有横向COM摇摆整个步态。这是可能的，因为通过增加手杖来扩大支撑区域，而不是横向移动，其中COM横向移动以保持着陆腿的支撑。消除横向摇摆还减少了机器人的能量消耗。4.2 顺序选择步序是设计滑雪式步态时要确定的下一个因素。由于我们建议执行准静态行走，步态应该是爬行样的。如果腿在同一侧跟随手臂运动，则步态称为爬行-1;如果在相对侧，则称为爬行-2。为了确定这两种步态是优选的，我们计算他们的最小稳定裕度（Smin）在相同的初始配置和步长下的步行周期。如图6所示，影响稳定性的参数为：Lfw：脚踏板宽度;Lfl：脚踏板的长度;LLF-RF：两个足的中心之间沿着y轴的长度;LLC-RC：两个手杖尖端之间沿y轴的长度;DCOM：在初始姿势中COM与手杖尖端之间沿着x轴的长度（根据COM的位置的假设，DCOM=Lfl）;Lx：手杖尖端与脚踏板中心之间沿x轴的长度;L步：步长。由于爬行-1和爬行-2步态的横向对称性，支撑区域和COM位置仅显示了半个周期。要获得数值结果，必须为变量赋值。 基于HUBO 2机器人的机械尺寸，我们设置Lfw=–0.0 0.2 0.4 0.6 0.8x（m）0.1 m和Lfl= 0.2 m [29]。根据我们对一个人用两根手杖走路的实验，我们得到了一个感觉，伸出藤条的距离，藤条之间的距离以及使用什么作为步长。其次，根据图6.滑雪式步态建模，顶视图。在此配置中，我们将COM放置在脚踏板的前缘。这是为了在初始姿势中将COM移向支撑区域的后部。目的是让腿比手杖承受更多的重量，因为腿比手臂更有力。这种布置可以防止对臂的潜在损坏。另一个考虑因素是COM“移位”的顺序。在传统的四足步行中，手臂和腿之间没有明显的区别，当肢体向前摆动时，COM向前移动[27]。在滑雪式步态中，我们将COM放置在脚附近。如果COM在手臂运动时移动，另一个支撑臂上的力/扭矩将显著增加，这可能会损坏/碰撞手臂。因此，我们只在腿运动时移动COM。这种考虑提供了额外的好处：当手杖配备有用于检测地形的传感器时，HUBO 2，我们将以下参数设置为滑雪式步态的标称值：LLC-RC= 0.6 m，DCOM= 0.2 m，Lx=0.5 m，0.4 m，L步长= 0.2 m。图7显示了当右手杖移动然后右脚摆动爬行-1时的COM和支撑多边形。图8显示了COM和支持多边形时，右手杖移动，然后左脚摆动爬行-2。为了帮助我们的描述，我们将由手杖尖端形成的支撑边缘命名为“TT-线”，并且将由手杖尖端和脚形成的右侧边缘命名为“TFR-线”。通过检查COM和支撑区域，我们得出结论，TT线的变化不会影响稳定性界限，因为COM位于远离手杖的位置。然而，TFR线是最接近COM的边缘，这意味着它是影响稳定性的最关键边缘。在两个Smin图（图7（f）和图8（f））中，当末端效应器（手杖和脚踏板）摆动时，存在明显的跳跃。这些跳跃是突然变化行走方向：x轴LLF-RFLfwLLC-RCLflDCOMLx网藤足y（mwww.engineering.org.cn第1卷·第1期·2015年3月工程041机器人-文章研究0.60.40.20.0–0.60.40.20.0–0.60.40.20.0–0.60.40.20.0–0.60.40.20.0–0.00.20.40.6个单位0.80.00.20.40.6 0.8x（m）x（m）(a)0.60.40.20.0–0.60.40.20.0–0.00.20.40.6个单位0.80.00.20.40.6 0.8x（m）x（m）(a)（b）第（1）款0.60.40.20.0–0.00.20.40.6个单位0.80.00.20.40.6 0.80.00.20.40.6 0.80.00.20.40.6 0.8x（m）x（m）x（m）x（m）0.60.40.20.0–（c）（d）0.100.050.000.00.20.40.6个单位0.8 0 1 2 3 450.60.40.20.0–（c）（d）0.150.100.050.000.00.20.40.6个单位0.8 0 1 2 3 4 5x（m）S最小爬行-1x（m）S最小爬行-2(e)（f）第（1）款图7.爬行1的滑雪式步态以支撑多边形的形状。在爬行1和爬行2中，当右手杖向前摆动时，稳定性裕度最小。这一结果与我们的观察结果一致，即TFR线对Smin的影响最显著。在Crawl-1中，TRF线比Crawl-2中倾斜得多。因此，Crawl-1的支撑多边形导致较小的稳定裕度。通过这种分析，爬行2步序列优于爬行1;它导致更大的Smin，从而为机器人提供更好的稳定性。这一结论不同于文献[27]中描述的最佳步骤序列，其中臂被视为腿，并且所有四个接触点被视为点接触。在这种情况下，我们的人形机器人-机器人有脚踏板，只有手杖的尖端可以被视为点。因此，我们得出结论，爬行-2是更好的步骤序列滑雪型步态在这种配置下。5 滑雪式步态的力/力矩分析在本节中，我们分析了滑雪式步态中的力/扭矩分布。由于在速度和立足点位置方面可能有许多不同的步行模式，因此我们对初始姿势进行了一般分析。由于初始静态姿态的对称性，我们忽略围绕x轴的力/力矩分量。图9显示了力/扭矩分析的建模。从O到E的点分别表示踝关节、膝关节、髋关节、肩关节、肘关节和腕关节。点F是手杖尖端与地面的接触点因此，一个封闭的-（e）（f）图8.爬行2的滑雪式步态链系统形成。5.1 踏板接触模型有三种类型的接触条件，包括摩擦硬点接触[30]、软指接触和刚性接触[31]。硬点接触摩擦表明，存在垂直于接触表面的反作用力和两个摩擦力，但没有力矩。软手指接触和刚性接触分别允许一个或三个力矩以及三个力。在我们的例子中，我们选择困难的0.90.80.70.60.50.40.30.20.10.0–––x（m）图9.力/扭矩分析的变量。TT线Cθ倾斜E（pB，pB）DXzBL甘蔗一fFzOfPzfPXfFXFPLXTFR-LineTT线TFR-Liney（my（my（my（mSmin（m）y（my（my（my（mSmin（m）z（my（my（m研究机器人-文章042工程第1卷·第1期·2015年3www.engineering.org.cnOfPzPfPXLPzX脚踏板接触的点接触模型。为了帮助我们的描述，我们引入如图9所示的有效接触点P。图10显示了硬点接触模型后脚踏板以来由于冗余，所以是唯一的。在初始姿态下，我们有以下等式：fF+fP= 0（1）fF+fP=mg有效接触点P可以是沿着脚z z的任何地方踏板，P到脚踏板后端的距离应小于或等于脚踏板长度。是无论有效的位置如何，P点因此，如果力对（fF，fF）是变量，Xz稳定，点P应该由地形支撑。接头扭矩将相应地变化为了将军-ity，（fF，fF）将按mg缩放并表示为比率。Xz150100对于fF，最小值为0，因为接触点在没有铰链的情况下不能提供指向下的力。 上限比设定为1，因为脚踏板也没有铰接。此外，力对应遵循摩擦约束。总而言之：0≤fF/mg≤1z50|f F|≤ μfF（二）X z另一个约束是有效点P应该位于脚踏板内，使得|L P|≤ Lfl.此外，每个结果0关节扭矩必须在限值内，因为关节扭矩取决于系统方程中（fF，fF）的值到X z––为了获得最优解，我们选择最小化所需的总扭矩。对于图9中所示的姿势当手杖力为（fF，fF）=x（mm）x z图10.脚踏板的硬点接触建模。5.2 用于分析力/扭矩分布基于图9和图10，用于分析初始姿势中的力/扭矩分布的参数为：（PB，PB）：髋关节的位置;（6 滑雪式步态在粗糙地形任务的开始，有几个木制的酒吧为机器人跨越。为了避免碰撞，X zθlean：躯干连杆与正z方向之间的角度;Lx：手杖尖端与脚踏板中心之间沿x轴的长度;Lcane：甘蔗长度;LP：从踝关节到有效接触点P沿x轴的距离;（fF，fF）：手杖尖端处的接触力;障碍，一定的步长是必要的。在我们的滑雪式步态中，由于步态的运动学约束，在迈步时具有三个接触点限制了可用的步长。由于手杖长度直接改变运动学结构，我们需要根据可用步长确定手杖长度。要做到这一点，我们还需要考虑脚的轨迹和手杖尖。我们假设曲线控制它们的运动轨迹为正弦曲线，Xz（fP，fP）：在有效接触点P处的接触力在位置和速度上都是相同的。它可以建模如下：X z在脚踏板上;μ：静摩擦系数;z=HMax sin（πT）（3）m：系统的总质量;g：重力加速度。如我们以前的工作所示，参数（PB，PB），其中，Hmax是一步中的最大提升高度;T代表一步的总时间;z是脚踏板或手杖尖端的高度。此外，我们假设脚踏板X zθlean、Lx和Lcane将显著影响Ski-Type步态中的有效运动模式，从而导致不同的稳定性表现。在我们的力/扭矩分布分析中，这些参数也是至关重要的变量。剩下的param-以确保离地间隙。这种正弦曲线轨迹模式也可在HUBO 2平台上使用。6.1 在藤长选择中eters（fF，fF），（fP，fP），andL用于描述解决方案图9定义并显示了用于配置的参数XZxz P力/力矩分布的影响力/扭矩分析中的滑雪式步态。 在本节中，分析之前的最后一个问题是我们还使PB= 0，并引入θ脚踝 以确定髋关节链接为了与我们以前的工作保持一致，每个连杆的质量和长度以及关节扭矩限制都是基于我们实验室中的HUBO 2人形机器人5.3确定接头扭矩对于闭链系统，关节力矩解不是位置由于大腿和小腿的长度相同，髋关节总是在踝关节之上。总之，我们确定了以下参数，用于确定步长和相应的手杖长度，如图11所示。θlean：躯干和y轴之间的角度;这可用于调整COM相对于支撑的位置z（毫www.engineering.org.cn第1卷·第1期·2015年3月工程043机器人-文章研究区域;θ踝关节：腿部与z轴之间的角度;L手杖：手杖长度;Lx：手杖尖端与脚踏板中心之间沿x轴的长度;L步：步长;Hmax：一步最大提升高度。6.2L甘蔗与L台阶的关系为了确定滑雪类型步态中的有效步长，我们引入了逆运动学（IK）求解器来计算关节值。固定手杖长度和步进模式后，IK解算器将在整个步进中提供关节值。如果接头值均在限值范围内，则相应的0.90.80.70.60.50.40.30.20.10.0–––x（m）图11.手杖设计的变量。使用手杖可以实现响应步长。根据HUBO 2的尺寸，接头限值设置为：踝关节间距：0mm至88mm膝关节间距：0度至160度髋关节间距：0度至88度肩距：−90度至90度弯头间距：0度至170度为了确定每个相应手杖长度的步长范围，需要分配一些变量。我们设定θlean= 30°，Lx= 0.30 m。对于每个固定的手杖长度，尺寸增加，轨迹遵循等式（三）、最大步长是根据每个相应的手杖长度计算的。我们还在三个不同的条件，其中踝关节值为20°、 30°和40°，分别图12显示了结果，然后是一些观察结果。• 随着θ踝关节减小，COM高度增加，合理的L步范围向右移动;这意味着，需要更长的手杖才能迈步。• 当θankle减小时，最大可实现步长减小。此外，当θankle= 20°时，Lcane周围的距离= 0.80 m。当COM相对较高并且Lcane足够大以前，我们假设手杖垂直接触地面。然而，HUBO 2的臂较短，并且由于设计中的机械约束，肘关节不能向后弯曲。因此，当手杖长度超过0.80 m时，L步• 每一条曲线的最右边都是一个陡峭的斜坡。这种下降的原因是，在这样的范围内，肘关节在初始位置时严重弯曲。因此，手杖无法提升以遵循正弦曲线，因为它们受到肘关节约束的限制。根据图12中的结果，我们选择L甘蔗= 0.75 m0.800.600.400.200.00步长范围（θ踝关节= 40°）0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00甘蔗长度（m）步进范围（θ踝关节= 30°）0.800.600.400.200.000.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00甘蔗长度（m）步长范围（θ踝关节= 20°）0.800.600.400.200.000.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00甘蔗长度（m）图12.三种构型下L杆与L阶的关系θ倾斜L甘蔗θ踝关节HMaxLxL步骤y（m步进范围步进范围步进范围研究机器人-文章044工程第1卷·第1期·2015年3www.engineering.org.cn原因如下。首先，随着θ踝的变化，高度和有效L步范围相应地变化。L值为0. 对于θ踝关节的所有三种情况，75 m保证了较大的步长。其次，0。75米大约是躯干的高度，这使得HUBO 2机器人能够以舒适的姿势握住手杖。7 和实验为了验证我们的滑雪式步态设计，我们使用OpenRAVE模拟器进行了模拟，OpenRAVE模拟器是由CMU机器人研究所的Rosen Diankov开发的机器人模拟器。基于OpenRAVE，来自德雷克塞尔大学的Robert Ellenberg开发了用于处理HUBO 2模型的模拟的补充包[32]。该模拟器涉及一个物理引擎的动力学，因此，结果是接近真实的机器人操作。图13显示了模拟的快照，其中HUBO 2机器人执行Crawl-2 Ski-Type步态。根据手杖长度设计的结果，我们附加了两个0.75米的手杖的机器人手。在模拟之后，我们在草地上进行了实验。草地的柔软性和滑动性构成了一种崎岖的地形条件，因此草地是测试滑步和滑雪式步态稳定性的理想场所。在我们的分析中，我们假设滑雪式步态中没有侧向摆动。然而，通过我们的实验，我们发现，增加横向摆动的手臂上的摆动腿的一侧的扭矩，减少了系统故障的可能性，由于有限的扭矩。因此，为了更好地进行比较，我们在Ski-Type中引入了与步行相同的横向摇摆。图14显示了双足和滑雪式步态的实验结果。在竞走中，COM左右摆动以保持平衡，同时采取步骤。当HUBO 2向右摆动时，左脚在空中摆动，右脚踏板下的草地因压力而被压缩，脚踏板向右倾斜。因此，实际COM位置不同于参考COM位置，这使得Smin更小。由于运动是开环的，COM错误不能被杀死，HUBO2将摇摆到另一边。因此，当HUBO2采取步骤时，COM的中断发生，如图14所示。三步之后，HUBO 2由于振荡而下降。另一方面，在滑雪式步态中，支撑区域不仅仅由脚踏板组成。因为要交替使用拐杖和脚踏板-图13.HUBO 2 OpenRAVE中的平面上的滑雪式步态图14. HUBO 2在草地上的滑行和滑雪式步态。实际上，支撑区域大得多。当HUBO 2向右摆动时，Smin仍会因草的变形而减小，但Ski-Type步态提供了更大的Smin值以确保稳定性。此外，三个支撑点形成三角形，这将防止振荡增长。此外，共享的重量导致脚踏板下的变形更小，COM干扰比直立步态更小。这些实验结果验证了Ski-Type步态比Duplex步态更稳定。在2013年12月的DRC试验中，我们升级后的DRC-HUBO通过延长臂更强大。由于地形设置的表面是坚实平坦的，我们采用双足步行进行快速运动，并成功通过了上下坡道，如图15所示。然而，机器人在曲折的障碍物前摔倒，没有时间进行第二次试验[33]。8 结论和今后的工作我们为人类机器人开发了滑雪式步态，以应对刚果民主共和国的崎岖地形挑战。滑雪式步态确保了比四足步行更大的支撑面积，并且由于手杖上不同的保持位置改变了整个身体的姿势，因此比四足步行提供了更大的灵活性。在我们的滑雪式步态的稳定性分析中，稳定裕度是标准。我们比较了两个不同的步骤序列，爬行-1和爬行-2，在相同的配置。然后，我们对初始姿势进行了力/扭矩分析。对于闭链系统，由于冗余度的存在，关节力矩解具有多重性。所以我们选择最小化总扭矩来确定唯一的解决方案。此外，通过对手杖长度的设计，在HUBO 2平台上实现了Ski-Type步态.由于手杖长度决定了运动学结构，从而影响运动能力，因此我们检查了跨越木条障碍物的最大步长，以确定手杖长度。从我们的模拟和实验结果，滑雪型步态被证明是平稳的平坦地板上和草地上在www.engineering.org.cn第1卷·第1期·2015年3月工程045机器人-文章研究图15. DRC-HUBO在刚果民主共和国试验中的粗糙地形。在未来的工作中，我们将分析整个步行周期的力/力矩分布，以研究关节力矩的特性。然后，我们将研究从整体上考虑稳定性、能量消耗和运动能力的各种参数值的选择策略。遵守道德操守准则王宏飞，李世蒙，袁F。郑先生声明彼等并无利益冲突或财务冲突可披露。引用1.DARPA。http://www.darpa.mil/about.aspx2.J. 马可夫谷歌汽车在交通中自动驾驶《纽约时报》，2010年，93.自 动 驾 驶 汽 车 测 试 ： 史 蒂 夫 马 汉 。 http://www.google.com/about/ca-reers/lifeatgoogle/self-driving-car-test-steve-mahan.html4.Z.孙，G.贝比斯河米勒道路车辆检测：一个回顾。 IEEE Trans. Pattern Anal.马赫内特尔等，2006，28（5）：6945.A. Geiger，P. Lenz，R.乌塔松我们准备好自动驾驶了吗？KITTI视觉基准套件 。计 算 机视 觉 与 模 式识 别 （ Computer Vision and Pattern Recognition ，CVPR）普罗维登斯：IEEE，2012：33546.A. Broggi，P. Cerri，S. Ghidoni，P Grisleri，H. G.俊作。一种新的方法涉及用于自动制动的城市行人检测。IEEE传输接口运输单系统等，2009，10（4）：5947.C. Urmson，et al.，Autonomous Driving in Urban Environments：Bossand the Urban Challenge。J. Field Robot。等，2008，25（8）：4258.G.普拉特，J.曼佐。DARPA机器人挑战赛IEEE Robot. 自动麦格，2013，20（2）：109.阿西莫http://asimo.honda.com10. S. M. 宋，K.J. 华仲行走的机器：自适应悬架Hicle。剑桥：麻省理工学院出版社，1989年11. K. J. 沃尔德伦河谷J. Vohnout，A.佩里河B. 麦吉配置设计自适应悬架车辆的设计。Int. J. Robot. Res. ，1984，3（2）：3712. R. B. McGhee，G. I.伊斯万迪多足机器人在崎岖地形上的自适应运动。IEEETrans. Syst. Man Cybern. ，1979，9（4）：17613. 大狗http://www.bostondynamics.com/robot_bigdog.html14. Y. F. Zheng，F. R.小西亚斯。实用仿人机器人的设计与运动控制。Int. J.Robot.自动，1988，3（2）：7015. Y. 坂 上 河 渡 边 角 Aoyama ， S. Matsunaga ， N. Higaki ， K. 藤 村 。 智 能ASIMO：系统概述和集成。 In：IEEE/ RSJ Int. Conf. on Intelligent Robots andSystems（IROS），vol. 3，2002：2478-248316. T.石田开发了一款小型娱乐机器人QRIO。In：IEEE Int. Symp.微纳机械电子学与人类科学IEEE，2004：23-2817. 派特曼http://www.bostondynamics.com/robot_petman.html18. 阿特拉斯http://www.bostondynamics.com/robot_Atlas.html19. 沙夫特。http://theroboticschallenge.org/teams/schaft20. CHIMP. http://www.theroboticschallenge.org/teams/tartan-rescue21. 机器人模拟人http://www.theroboticschallenge.org/teams/robosimian22. Y. F.在草地、沙地和岩石上行走的人形机器人。在：IEEE国际会议技术或实用机器人应用（TePRA）。Wo- burn：IEEE，2013：1-623. H. Kawamoto，S.李，S。Kanbe，Y.三阶HAL-3使用基于肌电的反馈控制器的动力辅助方法。In：IEEE Int. Conf. on Systems，Man and Cybernetics，vol.2，2003：1648-165324. L.卢嫩伯格湾科伦坡R. Riener，V. Dietz.步态训练机器人Lokomat在机器人康复期间进行临床评估。 在：康复机器人国际会议（ICORR），2005：34525. S. Dubowsky等人，Pamm-A机器人辅助老年人的移动能力和监测：老年人的“援助之手”。在：IEEE国际机器人与自动化会议（ICRA），第1卷，2000年：570-57626. A.莫里斯等人，一个机器人步行者，提供指导。在：IEEE Int.Conf. Roboticsand Automation（ICRA），vol. 1，2003：25-30