小型跳跃机器人的障碍物检测与自主爬楼梯

- -仿生智能与机器人3（2023）100085研究一种小型跳跃机器人的障碍物检测与自主爬楼梯张亚宁，张军，陈博怀，陈浩云，宋爱国东南大学仪器科学与工程学院生物电子学国家重点实验室，江苏省远程测控重点实验室，南京210096ar t i cl e i nf o文章历史记录：2022年9月28日收到2022年11月27日修订2022年12月9日接受2022年12月26日在线发布保留字：跳跃机器人障碍物检测障碍物建模主动感知自主爬楼梯a b st ra ct微型跳跃机器人（MJR）由于其有限的感知和计算资源，难以在非结构化障碍物环境中执行自主运动。本研究主要探讨多关节机器人的障碍物侦测与自主爬楼梯方法。我们提出基于姿态和距离检测相结合的障碍物检测方法，以及作为司法部长的动议MEMS惯性传感器收集机器人的偏航角，测距传感器感测机器人与障碍物之间的距离以估计障碍物的大小。我们还提出了一个自主爬楼梯算法的基础上的障碍物检测方法。该机器人可以检测楼梯的高度和宽度及其相对于楼梯的位置，然后重复跳跃，一步一步地爬上楼梯。并通过无线传感器网络将高度、宽度和位置发送到控制终端，以在控制界面中更新关于MJR和楼梯的信息。此外，我们进行了楼梯检测，建模和爬楼梯实验MJR和自主障碍物协商获得可接受的精度。因此，所提出的障碍物检测和爬楼梯方法可以增强MJR在环境监测、搜索和救援等方面的移动能力。版权所有2022作者。由Elsevier B.V.代表山东大学出版。这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍如今，移动机器人可以代替人类在复杂和危险的环境中完成许多任务[1]。它们被广泛用于灾后搜救[2这些任务中的大多数是在具有多个障碍物的非结构化环境中执行的，这些障碍物对于人类和大型移动机器人是不可接近的。这些未知的环境可能会严重阻碍机器人的操作。微型跳跃机器人（MJR）可以跳过比自己高几倍的障碍物。MJR可以在非结构化环境中运行，由于其对复杂环境的适应性，适用于复杂环境监测。因此，研究复杂环境下MJR的自主检测和感知对于实际应用至关重要。跳跃机器人已经研究了几十年。早期对跳跃机器人的研究主要集中在实现跳跃功能上。随着相关技术的发展，一些关键问题，包括自扶正，*通讯作者。电子邮件地址：j.zhang@ seu.edu.cn（J. Zhang）。https://doi.org/10.1016/j.birob.2022.100085转向和起跳角度的调整一直是跳跃机器人的研究热点。为了实现在复杂环境中的连续操作，MJR应该能够重复跳转。重复跳又可分为连续跳和间歇跳.连续跳跃意味着机器人动态地调整其空中姿态和着陆位置，在着陆阶段存储能量，并迅速再次起飞。比如说，法比安等人提出了自稳定单腿跳跃机器人CHIARO，该机器人可以在宽参数范围和平坦地形中实现稳定的向前跳跃[9]。受galago的启发，Haldegan等人设计了高度敏捷的跳跃机器人Salto ，它能够垂直跳跃 [10， 11]。Halfton等人提出了一种名为Salto的跳跃机器人1P基于Salto。Salto1P可以连续跳跃到1米以上的高度，水平跳跃超过2米，使机器人能够很好地适应复杂的环境[12]。相反，间歇跳跃表明机器人在着陆后和下一次起飞前需要特定的准备时间来调整其姿态和储存能量。例如蝗虫、青蛙等小动物在落地后，天生需要重新积蓄能量才能再次跳跃，这为间歇跳跃机器人的设计提供了很大的启发。因此，本研究将间歇跳跃机器人分为非仿生和仿生设计。2667-3797/©2022作者。由Elsevier B.V.代表山东大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表仿生智能与机器人学期刊主页：www.elsevier.com/locate/birobY. Zhang，J. Zhang，B. Chen等人仿生智能与机器人3（2023）1000852图二. MJR的原型。Fig. 1. 用于搜索和救援的微型跳跃机器人（MJR）自主爬楼梯的场景目前，非仿生跳跃机器人的研究已经取得了一定的成果。例如，Sugiyama等人开发了一种用于跳跃和爬行的圆形/半圆形机器人他们开发的机器人采用软致动器来控制其身体的变形，并且可以在平坦的地形上爬行和跳跃[13]。Tsuda等人设计了一种由封闭弹性体驱动的卡片大小的跳跃机器人，可以快速爬上特定尺寸的楼梯[14]。 Bao等人开发了一种折叠翼跳跃机器人，该机器人能够通过多链跳跃机构调节其跳跃方向和起飞角度，并利用其翅膀实现滑翔运动[15]。此外，Tang等人设计了一种由形状记忆合金驱动的MJR。他们的机器人可以控制跳跃轨迹，精确地跳上不同的障碍物[16]。许多仿生跳跃机器人也是通过分析和模仿自然界生物的跳跃特性而设计的Scarfogliero et al.从跳跃的动物中获得灵感。设计了微型四足跳跃机器人Grillo[17，18]。格里洛可以克服障碍和不平坦，但不能转向和控制它的态度。受到沙漠蝗虫的启发，Kovaeli等人设计了一个重7克、高5厘米的MJR，跳跃高度达到138厘米[19]。他们还为机器人增加了自我恢复和转向等功能，以实现间歇性跳跃[20，21]。同时，Zhao等人通过分析蜥蜴的空中可伸缩性研究了微型尾部跳跃机器人MSU JumperMSU Jumper具有转向和自扶正能力，可以跳过楼梯而无需检测楼梯信息。此外，受陷颚蚁的启发，Zhakypov等人设计了一种多运动昆虫规模的机器人（millirobot）。Millirobot机器人实现了五种不同的步态，可以切换步态以穿越不同的地形，并很好地适应各种复杂的环境[24]。我们之前的仿生跳跃机器人基于四杆机构，具有主动自扶正，转向和间歇跳跃的能力[25，26]，可以在非结构化环境中连续跳跃随着对跳跃机器人的深入研究复杂环境下的能力也不断增强。然而，由于MJR无法配备许多传感或处理设备，因此在有限的资源下，研究克服障碍和环境感知方法仍然具有挑战性和有用性。由于楼梯对于室内搜索和救援、侦察和监视是普遍存在的针对楼梯检测中存在的问题，设计了一套楼梯检测与建模的方法，克服障碍和感知的问题。图1呈现了我们的MJR的自主爬楼梯的场景。以下是本研究的主要贡献。首先，我们提出了一个主动感知方案的障碍物检测和自主障碍物协商的MJR。我们只使用有限的感知资源的惯性测量单元（IMU），测距红外传感器，和运动的MJR。 我们也提出了一个爬楼梯的算法，包括位置检测和楼梯尺寸估计方法，使MJR连续和自动爬楼梯。此外，我们实现了一个控制界面，显示一个虚拟模型的楼梯实时帮助操作员了解MJR本文的其余部分组织如下：第2节提供了MJR的概述第三部分介绍了障碍物检测和建模的方法。第四章和第五章介绍了机器人自主爬楼梯方法的设计最后，第6节得出结论，并介绍了未来的工作。2. 跳跃机器人概述本研究中的MJR可以间歇性地跳跃，自我纠正，转向，估计姿势和检测周围环境。这些功能满足在复杂和未知环境中移动的基本要求[25，26]。图图2描绘了MJR的原型。当MJR处于跳跃阶段时，跳跃电机带动凸轮转动，压缩扭簧，储存弹性势能。因此，当凸轮转过临界位置时，扭簧瞬间回弹，驱动MJR跳跃。根据MJR的跳跃原理，起飞时的弹性能由凸轮擒纵机构被动释放。因此，当MJR的参数固定时，起飞角几乎保持不变，约为65.8°。自正位机构包括调节电机和极腿。 图图3（a）显示了MJR的自扶正过程。调节电机可带动杆腿转动，实现自扶正在MJR倒下后，转向电机和方向盘实现了MJR的转向。图3（b）显示了转向过程。MJR通过方向盘调整偏航角安装在辅助腿上的安装在机器人顶部的IMU 2可以检测机器人的方向和姿态。此外，基于CC2530的ZigBee模块实现了机器人的无线通信和控制。Y. Zhang，J. Zhang，B. Chen等人仿生智能与机器人3（2023）1000853123456r2=r2+r2−2r3r6 cosθ3θ2=r2+r2−2r5r6cosθ412l=r2+r2−2r5r6 cosπ−arccos367736图三. MJR的自动扶正和转向过程。(a)自扶正过程 关于MJR司法审查的指导进程结合这些功能，MJR可以实现其周围环境的捕获和在复杂环境中的运动。3. 基于主动感知的障碍物检测与建模3.1. 障碍物检测在我们之前的论文中，我们提出了一种基于MJR的仅一个红外传感器的障碍物距离和高度检测方法[27]。采用激光测距传感器和主动感知概念，提高了障碍物距离和高度的检测精度。主动感知是指有限传感器资源与MJR专门设计的运动能力的紧密结合。MJR还通过集成测距传感器和主动转向能力使用障碍物宽度检测方法。(1) 障碍物距离和宽度检测：如示于图4、MJR可以使用测距传感器测量前方障碍物的距离l。同时，IMU 1可以检测测距传感器的倾斜角α。因此，机器人可以获得在当前方位上到障碍物的水平距离d，d=lcos（α）（1）MJR还使用转向机构来实现车身旋转。水平距离和偏航角可以在旋转期间使用测距传感器和IMU 1获得。MJR首先顺时针旋转并判断，直到距离第一次突然变化。变化处的距离d1被用作到障碍物右边界的距离。然后，MJR逆时针旋转，同时记录旋转角度θ，直到下一个距离突变发生。距离d2在机器人可以根据下式计算障碍物W的宽度：见图4。M J R 障碍物距离和宽度检测原理示意图。每次在本研究中，考虑到转向电机和IMU的性能，将旋转角步长设置为5°(2) 障碍物高度检测：在调整MJR以面对障碍物之后执行障碍物高度检测如图在图5（a）中，MJR使用测距传感器获得障碍物距离l。结合传感器的倾角α，我们可以得到当前高度h2。h2=lsin（α）（3）根据红外测距传感器h0时，离地面的高度h1可按下式获得h1=h0cos（α）（4）测距传感器的俯仰角通过压缩扭簧来改变。因此，当距离值突然改变时，这意味着已经到达障碍物的上边缘。根据距离值l1、高度h0和角度α1，我们计算障碍物高度如下：H=H1+H2=h0cos（α1）+l1sin（α1）（5）在高度检测中，应确定扭簧的压缩状态我们确保MJR不会采取由于凸轮旋转太多，中途关闭。当前状态通过惯性测量单元1和MJR机械结构的固有参数，可以计算出凸轮的位移。此外，可以获得高度检测期间压缩角的安全范围。图图5（b）示出了MJR机构的角度关系图。障碍物检测在水平地面上进行。假设IMU 1测得的倾角为α，基于几何关系和余弦定理，我们可以得到r2+r2−2r1r2cosθ1=r2+r2−2r3r4cos（π−θ5+θ2）W=[d2+ d2− 2 d1d2cos（θ）]0. 第五章（二）此外，在旋转过程期间可以获得最短距离信息dmin。也是垂直距离θ2+θ3+θ4=πθ1+α=π/2（六在MJR和障碍物之间。同时，我们可以得到机器人面对障碍物的角度。然而，MJR可以-在旋转期间不连续地收集距离信息从当前凸轮轴位置到轴承的距离l可以通过结合等式2获得（六）：因为距离检测需要特定的时间。因此在它旋转一定角度后收集距离信息5[（r2+r2−r2）]0。5（七这个变化就是到障碍物左边界的距离最后，记录的信息和余弦定理：-θ262r3r6Y. Zhang，J. Zhang，B. Chen等人仿生智能与机器人3（2023）10008543−4124312L2r2− r2521重新检测。图五. 障碍物高度检测示意图。(a)MJR检测障碍物高度的原理。 (b)MJR机构的角度关系。其中θ2可以用α和四杆机构的参数表示。θ2=arccos[（r2+r2−r2−r2+2r1r2 sinα）/（2r3r4）]+θ5−π（8）用于爬楼梯的系统是基于前面提到的障碍物检测功能而设计的 如图 7、爬楼梯算法包括机器人在楼梯上的位置检测，楼梯当凸轮没有转到临界位置l lmax时，凸轮处于安全状态。因此，α必须满足以下关系：arccos（2r1r2sinα+r2+r2−r2−r2）<$4.1. 机器人位置检测一般来说，MJR的跳跃曲线几乎没有变化。然而，在MJR跳上楼梯后，它会反弹，科索2r3r43762r3r6>max−5 6（九）着陆时滚动因此，机器人−arccos（r2+r2−r2）+θ2R5R6而不是跳跃曲线估计的位置，从MJR的已知机制参数来看，α的范围可以计算为从5μ m到35μ m（垂直为0μ m，并且向前倾斜是负的）。3.2. 障碍物建模本研究设计了一个控制界面，以方便在功能测试中控制MJR，并容易地监测其位姿和周围的障碍物。MJR和协调器形成无线传感器网络。MJR通过协调器向控制终端发送关于其姿态和障碍物的信息提出了一种障碍物建模方法，该方法类似于上述宽度检测法 如图 8、MJR跳上第一步后为了完成自扶正，它在面向楼梯的方向上转动，测量距离，并获得D1，D1是到下一台阶的垂直距离。随后，MJR顺时针旋转。在旋转期间，距离信息由测距传感器获得，直到数据突变。突变处的范围值d2然后，机器人当前偏离中心线的距离RR=W/2−（d2−d2）0。五（ 十）MJR检测到的Cles根据之前提到的MJR采用一种简单的障碍物检测方法，可以检测特定范围内的障碍物，获得其高度、宽度和距离。在本研究中，楼梯被用作检测障碍物。障碍物的深度也可以使用第4.2节中讨论的楼梯深度估计方法获得。图6、将障碍物显示在Matlab图形用户界面（GUI）上。当GUI通过协调器获得MJR返回的障碍物尺寸信息时，首先将该信息直接显示在指定区域。然后，障碍物建模软件在GUI坐标显示区域中绘制所报告的障碍物的三维模型。根据机器人与障碍物之间的空间关系，确定机器人4. 爬楼梯算法设计由于楼梯是室内监控和灾后搜救任务中普遍存在的障碍，克服楼梯是MJR在实际应用中的先决条件。这里，一个算法基于位置信息，可以确定MJR是否偏离楼梯的中线。在下面的跳跃策略中，MJR根据此信息调整其航向，以确保它不会跳出楼梯范围。4.2. 楼梯深度估计可以根据爬楼梯环境的特殊性来执行深度检测。如示于图9、MJR起飞时面向楼梯，距离楼梯l1当它跳上楼梯时，根据已知的跳跃曲线和误差模型，可以计算出它的落点范围着陆后，机器人反弹，滚动，并在最后一点停止。从最后一点到下一级楼梯的距离为l3，从最后一点到楼梯边缘的估计距离为l2。然后，楼梯深度D可以用公式表示如下：D=12+13（11）深度估计和两种跳跃策略。Y. Zhang，J. Zhang，B. Chen等人仿生智能与机器人3（2023）1000855图第六章M J R 的 上位机远程控制接 口 和环境建模。图第七章M J R 的 爬 楼梯算法。见图8。机器人在楼梯上的位置检测示意图。其中，l3可以通过测距传感器测量。为了估计l2，必须引入跳跃误差模型。由于落点反弹、横摇等因素的影响，MJR的最终落点在理想落点附近一定的误差范围内。误差derr是服从二维正态分布的随机误差，其概率密度分布函数为fxy=1exp（−1[（x−µx）2X yX，2πσσ <$1−ρ22（1−ρ2）σ2+（y−µy）2−2ρ（x−µx）（y−µy）]）（12）σ 2yσxσyY. Zhang，J. Zhang，B. Chen等人仿生智能与机器人3（2023）1000856−见图9。 阶梯深度估算方法示意图。最后，利用误差模型估计出MJR在楼梯上的终点。然后，可以计算楼梯的深度并用于构建楼梯模型。4.3. 跳跃策略根据跳跃曲线和楼梯高度，可以获得MJR可以跳上楼梯的最大距离，将其设置为跳跃边界（dj）。如示于图10、MJR如图如图10（a）所示，当MJR在跳跃边界内时，采用一步跳跃策略。到下一个台阶的距离设置为d，MJR可以跳到下一个台阶的最大距离为dj。根据余弦函数，可以得到角度θθ=arccos（d/dj）（13）由于MJR着陆情况的不确定性图图10（b）示出了当机器人在跳跃边界之外时执行逐步跳跃方法。首先，根据检测到的位置信息，MJR向楼梯边界的远侧跳跃以更接近楼梯的下一个台阶。然后，重新执行位置检测，并且当MJR在边界内时，MJR将使用一步跳跃策略跳跃下一个楼梯。基于上述楼梯信息检测和跳跃策略，可以完成指定的爬楼梯任务5. 实验我们进行了实验，以验证所提出的障碍物检测和爬楼梯的方法的有效性。采用单级台阶测试机器人5.1. 楼梯信息检测实验(1) 楼梯宽度和距离检测测试：在这个实验中，机器人的起始位置是在楼梯的中线上，楼梯的实际宽度是120厘米。当机器人距离楼梯5、10、15和20 cm机器人记录了它的距离每次转向5度后，才能上楼梯进行了四次试验在每个位置。我们将四次检测结果的平均值作为最终结果。 图图11和表1呈现了所获得的测距结果以及楼梯宽度和距离检测结果。如图11，机器人可以在四个不同的测量距离下检测到楼梯边缘距离值的突然变化。结合基于距离值和突变角度的宽度检测公式，可以得到楼梯宽度到楼梯的距离是距离的突变值的中间数据的最小值。由于测距离散化，在检测结果中出现了不可避免的误差图11示出了MJR越靠近楼梯，距离测量变化越大。该测距误差导致到边缘的距离与实际值之间的更大误差。因此，当MJR靠近楼梯时，检测误差明显大于远离时。考虑到MJR(2) 楼梯高度检测试验：根据高度检测安全角的公式分析，本实验中MJR的安全角范围设定为5°~ 35°（垂直为0°，前倾为阴性）。楼梯的实际高度为10 cm，测试也分别在距离楼梯5、10、15和20 cm的位置进行。图图12示出了在测试中针对楼梯高度检测所获得的测距结果结果表明，MJR无法检测高度当它离他们5厘米远的时候。在0、15和在距离楼梯20厘米处，成功检测到距离测量值的突然变化。此外，平均楼梯高度结果为9.11、9.94和10.64 cm。这三组实验中高度检测结果的平均误差在10%以内，具有一定的准确性。因此，MJR的起始位置不能太靠近楼梯，以便它可以成功地检测楼梯(3) 楼梯深度估计测试：使用前面提到的深度估计方法，MJR需要跳上楼梯，然后执行深度检测估计。考虑到MJR的跳跃能力，我们将其放置在楼梯前5和10厘米处进行测试。我们在每个位置进行了10次深度检测测试。楼梯的实际深度是50厘米。如图13日，MJR成功地估计了楼梯的深度。在距离楼梯5 cm处的估计结果的平均误差为7.51%。而且，在距离楼梯10cm处的估算结果平均误差为12. 67%，具有一定的准确性。(4) 机器人在楼梯上的位置检测测试：为了确保MJR能够完成爬楼梯任务，应检测其在楼梯上的位置。然后，MJR可以根据这个位置调整跳跃方向，以确保它不会跳出楼梯。将机器人放置在楼梯上的任意三个位置，并在三个位置中的每个位置上进行五次位置检测测试。误差范围设定为距实际坐标10cm。图14示出了位置结果和误差。图图14（a）示出了机器人可以在楼梯上的任何地方检测其位置。如图14（b）平均误差的测试结果在7 cm以内，反映了该方法的准确性。位置检测结果可以帮助机器人完成爬楼梯任务。Y. Zhang，J. Zhang，B. Chen等人仿生智能与机器人3（2023）1000857图10. 不 同 距 离 下 M J R 的 跳跃策略。（a）一步跳。（b）逐步跳跃。表1楼梯宽度和距离检测结果。检测距离（cm）宽度（cm）宽度误差（%）距离（cm）距离误差（%）589.7125.254.0020.0010102.5714.538.7512.5015103.2713.9414.503.3320121.241.0319.005.00图十一岁 MJR在不同距离的楼梯宽度检测测距结果。水平距离为（a）5 cm、（b）10 cm、（c）15 cm和（d）20 cm。Y. Zhang，J. Zhang，B. Chen等人仿生智能与机器人3（2023）1000858图12个。 MJR在不同距离的楼梯高度检测测距结果。水平距离为（a）5 cm、（b）10 cm、（c）15 cm和（d）20 cm。实验结果验证了所提出的通过跳跃克服楼梯的方法。 根据MJR提供的信息和已知的跳跃曲线，可以绘制机器人在楼梯上的运动轨迹。如图16所示，运动轨迹示出了当MJR检测到其偏离楼梯的中心线时，MJR可以自主地调整其航向。因此，爬楼梯算法有效地帮助MJR克服了楼梯。在爬楼梯任务期间，主机接口可以根据返回的信息绘制楼梯模型并实时标记MJR的位置。图图17示出了在爬楼梯实验1期间的楼梯检测和建模的序列。通过该序列，可以实时监控MJR在跨越楼梯根据返回的楼梯信息、跳跃曲线和位置信息，可以绘制检测到的楼梯的三维模型和机器人的运动轨迹。图18示出了在爬楼梯中绘制的楼梯模型和MJR轨迹图十三. 楼梯深度估计结果。5.2. 爬楼梯实验基于上述楼梯检测功能，进行了克服楼梯的实验在实验中每一级台阶宽120厘米，高10厘米，深50厘米。图图15描绘了成功测试的运动序列。爬楼梯实验的视频可以在补充材料中找到。共进行了40次爬楼梯实验，成功率为百分之五十五。表2显示了统计结果。这些实验1. 显然，MJR可以成功地执行障碍物感知使用上述方法。5.3. 讨论在这项研究中，40爬楼梯实验进行了MJR。22次实验成功，其中MJR完成了楼梯检测并能够自主穿越。然而，在这些实验中的六个中，由于通信问题，GUI没有完成楼梯环境建模。如表2所示，10个实验由于硬件故障而失败，这是实验失败的主要原因硬件问题主要是测距传感器失效、姿态传感器塌陷、导线Y. Zhang，J. Zhang，B. Chen等人仿生智能与机器人3（2023）1000859图14. MJR的 位 置 检 测 结 果 。（a）三个位置的位置检测结果（b）位置检测误差。图15个。 MJR在爬楼梯过程中的 运 动 顺 序 图 。表2爬楼梯实验结果。结果类Number成功22硬件故障10跳跃不足5别人3总40图16. MJR在四次爬楼梯实验中的运动轨迹（俯视图）。电路板上的问题马达问题和通讯中断考虑到MJR的独特运动，高加速度跳跃，特别是着陆阶段的冲击，是一种对硬件系统的鲁棒性提出了巨大的挑战MJR在爬楼梯任务中的五次实验中都没有成功，此外，三个实验由于其他因素而失败，包括电池电量低和软件错误。针对这些问题，今后将对机械部分、电机和传感器的电气连接以及软件进行升级，以提高实验例如，MJR在着陆期间的碰撞此外，本研究中MJR的跳跃轨迹不可调节。在我们之前的工作中[25]，MJR可以通过在起飞前改变配重的位置来改变跳跃轨迹。结合本研究Y. Zhang，J. Zhang，B. Chen等人仿生智能与机器人3（2023）10008510图十七岁 基于MJ R 爬 楼 梯 过 程 中 的楼梯检测和建模方法的 楼 梯 可 视 化 序 列 。（a）爬楼梯前的初始状态(b)在爬楼梯之前检测并建模第一个楼梯。(c)当机器人在第一楼梯上时，检测并建模第二楼梯。(d)第三层楼梯当机器人在第二个楼梯上时检测并建模图18. MJR的楼梯模型和轨迹信息检测方法和起飞角度调整[25]，可以设计智能越障策略来解决上述问题。首先，我们将获得障碍物的尺寸距离，然后根据距离调整起飞角度，以确保MJR能够越过障碍物，同时获得尽可能大的水平距离，以提高其效率。电池的电压将在升级后此外，软件将升级为在爬楼梯测试前的自我检查功能.尽管如此，这一代MJR首次成功实现了自主爬楼梯任务，超越了其前辈[26，27]。6. 结论提出了一种适用于多障碍环境的机器人穿越障碍物检测与建模方法。提出了一种利用有限传感器和计算资源的自动爬楼梯算法.通过距离和姿态信息获取障碍物信息。障碍物信息通过ZigBee模块传输到PC机，并显示为3D模型。根据障碍物检测方法，设计了自主跳楼梯的算法和模型障碍物检测结果具有一定的准确性，并多次完成了指定层数的跳楼梯实验。验证了方案的可行性虽然MJR具有自主爬楼梯的能力，但在未来的工作中还应做出一些努力。例如，目前的障碍物检测的采样率较低，不可避免地会导致检测错误和效率低下在未来，高性能微控制器和测距传感器可用于提高检测精度和效率。此外，自主爬楼梯算法必须升级，以提高机器人的智能检测和克服复杂的障碍物时，它工作在未构造的环境。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢本工作得到了国家自然科学基金（61873066和62173090）和东南大学至善学者项目（2242020R40096）的部分资助。附录A. 补充数据与本文相关的补充材料可以在https://doi.org/10.1016/j.birob.2022.100085上找到。引用[1]F. Rubio，F.瓦莱罗角Llopis-Albert，移动机器人综述：概念、方法、理论框架和应用，Int.J.Adv.Robot。16（2）（2019）1http://dx.doi.org/10.1177/1729881419839596[2] T. Kamegawa，T.秋山S. Sakai等人，开发了一种由移动机器人和蛇形机器人 组 成 的 可 分 离 搜 救 机 器 人 ， Adv. Robot 。 34 （ 2 ） （ 2020 ） 132http://dx.doi.org/10.1080/01691864。2019.1691941。[3]L. Matthies，Y.雄河，巴西-地Hogg等人，一个便携式的，自主的，城市侦察机器人，机器人。奥顿系统40（2）（2022）163//dx.doi.org/10.1016/S0921-8890（02）00241-5.[4]F. Matsuno，N.佐藤角Kon等人，机器人系统在东日本大地震灾区的应用，Springer Tracts Adv. Robot 。 92 （ 2014 ） 1http://dx.doi.org/10.1007/978-3-642-40686-7_1[5]Y.李角Huang，J. Gao，L. Zhang， Y.田，一种用于侦察应用的新型半自主投掷机器人，在：第10届世界智能控制与自动化大会，2012年，第100页。3822http://dx.doi。org/10.1109/WCICA.2012.6359110。[6]B. Chemel，E. Mutschler，H.许文龙，机器人识别系统的研究，国立成功大学机械工程研究所硕士论文，1999年.2298http://dx.doi.org/10.1109/ROBOT.1999。770448。[7] S.马格内纳河Philippsen，F. Mondada，Autonomous construction usingrecurrent resources in unknown environments，Auton. Robots 33（4）（2012）487，http://dx.doi.org/10.1007/s10514-012-9296-x。[8]D. Goldberg，M. Matarić，使用多个模型检测移动机器人的状态变化，在：IEEE 智 能 机 器 人 和 系 统 国 际 会 议 ， 2001 年 ， pp.619http://dx.doi.org/10.1109/IROS。2001.976238。[9] F. Gunther，F. Giardina，F. Lida，使用弯曲脚的自稳定单腿跳跃，在：IEEE机器人与自动化国际会议，2014年5133http://dx.doi.org/10.1109/ICRA.2014.6907612Y. Zhang，J. Zhang，B. Chen等人仿生智能与机器人3（2023）10008511[10]D.W.哈勒什，M.M. Plecnik，J.K. Yim，R.S.恐惧，通过串联弹性功率调制的机器人垂直跳跃敏捷性，科学。机器人1（2016）1//dx.doi.org/10.1126/scirobotics.aag2048网站。[11]D.W.哈勒特湾Plecnik，J.K. Yim，R.S. Fearing，一种用于单足跳跃的功率调制腿机制，在：IEEE/RJS智能机器人和系统国际会议，2016年，第103页。4757http://dx.doi.org/[12]D.W.哈勒什，J.K. Yim，R.S.恐惧，反复极端加速（14-g）Salto-1 P的空间跳跃 ， 在 ： IEEE 机 器 人 与 自 动 化 国 际 会 议 ， 2017 年 ， pp.3345http://dx.doi.org/10.1109/[13]Y. Sugiyama，A. Shiotsu，M. Yamanaka，S.平井，用于爬行和跳跃的圆形/球 形 机 器 人 ， 在 ： IEEE 机 器 人 与 自 动 化 国 际 会 议 ， 2005 年 ， pp.3595http://dx.doi.org/10.1109/ROBOT.2005。1570667[14] T.津田、H. Mochiyama，H. Fujimoto，使用闭合弹性体的快速屈曲爬楼梯，在：2012年国际研讨会微纳机电一体化和人类科学，2012年，pp。368http://dx.doi.org/10.1109/MHS.2012.6492485[15]Y.鲍，H.姜氏T. Luo，Z.李，折叠翼跳跃机器人的机构设计和运动性能分析，机器人41（2）（2019）175http://dx.doi.org/10.13973/j.cnki.robot.180113[16]L.唐，X.吴佩，刘玉.李湾，澳-地Li，SMA驱动的微型跳跃机器人的反馈轨迹控 制 ， 在 ： IEEE 机 器 人 与 自 动 化 国 际 会 议 ， 2022 年 ， 第 102 页 。9769http://dx.doi.org/10.1109/[17]联合斯卡福列罗角Stefanini，P. Dario，微型机器人中高效率运动的生物启发概念：跳跃机器人Grillo，在：IEEE机器人与自动化国际会议，2006年，pp.4037http://dx.doi.org/10.1109/ROBOT.2006.1642322[18]联 合 Scarfogliero ， F. Li ， D. Chen C. ， 马 缨 丹 属 Stefanini ， W. Liu ， P.Dario，跳跃微型机器人作为腿部运动的尺度效应模型，在：IEEE机器人和仿生学国际会议，2007年，第100页。853http://dx.doi.org/10.1109/ROBIO.2007.4522274[19]M. 科瓦奇湾富克斯A.吉尼亚德，J.C.Zufferey，D.弗洛里亚诺，一个缩影7 g跳跃机器人，在： IEEE 机器人与自动化国际会议，2008年，pp。373http://dx.doi.org/10.1109/ROBOT.2008。4543236[20]M.科瓦奇湾施莱格尔，J.C. Zufferey，D. Floreano，一种具有自我恢复能力的微型跳跃机器人，在：IEEE/RJS智能机器人和系统国际会议，2009年，pp. 558http://dx.doi.org/10。1109/IROS.2009.5354005。[21]M.科瓦奇湾施莱格尔，J.C. Zufferey，D. Floreano，可操纵微型跳跃机器人，Auton。Robots 28（3）（2010）295 http://dx.doi.org/10。1007/s10514-009-9173-4。[22]J. Zhao，J. Xu，B. Gao，N. Xi，F. 辛特龙湾 穆特卡湖 小阿，MSU跳跃者：单电机驱动的微型可操纵跳跃机器人，IEEE Trans.Robot。29（3）（2013）602 http://dx.doi.org/10.1109/TRO.2013。二二四九三七一。[23]赵军，W. Yan，N. Xi，M.穆特卡湖Xiao，微型25克跑步和跳跃机器人，在：IEEE机器人与自动化国际会议，2014年，pp.5115http://dx.doi.org/10.1109/ICRA.2014。6907609[24]Z.扎基波夫湾莫里K. Hosoda，J. Paik，设计最小和可扩展的昆虫启发的多运动机器人，Nature 571（7765）（2019）381http://dx.doi.org/10.1038/s41586-019-1388-8[25]J. Zhang，G.宋，Z. Li，G. Qiao，H. Sun，A. Song，跳跃机器人的自回正，转向和起飞角度调整，在：IEEE/RSJ智能机器人和系统国际会议，2012年，pp.2089//dx.doi.org/10.1109/IROS.2012.6385466网站。[26]J. Zhang，G.宋，Y。Li等人，生物启发跳跃机器人：建模，仿真，设计和实验结果，机电一体化23（8）（2013）1123http://dx.doi.org/10.1016/j.mechatronics.2013.09.005[27]J. Zhang，X.张军，等. Yang，G.宋，Y。Zhang，S. Fei，A.基于结构参数的跳跃高度和距离调整及障碍物检测仿生跳跃机器人国际机器人杂志12（2015）1http://dx.doi.org/10.5772/60579