异构双腿机器人仿生腿的设计与控制实现

提出具有可变瞬时转动中心的多轴膝关节,由多轴4联杆机构组成,具有仿生相似性·建立仿生腿的动力学方程,通过求解逆动力学问题的方法,得出最优步态下的膝关节控制力矩·通过传感器获得步态信息,从计算机中选择与该步态模式相应的力矩控制程序,每种步态模式由学习系统产生·选用磁流变阻尼器(MRDamper)组成的仿生腿反应迅速,动作灵活,与人工腿的步态更对称、更协调·

基于虚拟样机的异构双腿机器人联合仿真

阐述了一类新型双足机器人——异构双腿机器人的概念及研究目的。研究用Pro/E、ADAMS和MATLAB/Simulink联合构建异构双腿机器人的虚拟样机,并提出基于虚拟样机的联合仿真策略。为实现对期望步态的动态跟踪,提出了基于对角回归神经网络的自适应PID控制算法。为验证方案的合理性,进行了步态仿真及控制仿真。结果表明,虚拟样机技术可避免复杂的人工建模和求解过程,仿真逼真且接近实际系统,为复杂双足机器人系统提供了良好的研究方法。

异构双腿机器人实验平台的开发与研制

详细介绍了异构双腿机器人实验平台的功能,主要的技术指标和设计的技术方案、技术难点及解决方法·并采用虚拟样机技术,提高产品的设计、开发与研制的质量,缩短产品开发周期·

异构双腿机器人结构建模与迭代学习控制仿真

异构双腿行走机器人(BRHL)是一种全新的类人机器人模式。首先阐述了BRHL的概念及研究意义。基于分割建模思想,推导出BRHL运动学、动力学方程。针对高阶微分代数方程组动力学正解问题,提出了一种带误差反馈控制的预估-校正数值积分方法。最后探讨了BRHL的控制方法并进行了仿真计算。结果表明,一阶P型开闭环学习控制能够很好实现仿生腿对人工腿步态的跟踪。

用磁流变阻尼器控制异构双腿机器人的仿真研究

介绍了磁流变阻尼器在异构双腿行走机器人中的新应用。首先给出了仿生腿选用MR阻尼器的依据,建立了修正的Sigmoid阻尼器模型;然后对阻尼器安装位置进行了优化;最后对BRHL进行了步态跟随优化及迭代学习控制仿真。结果表示,基于MR阻尼器控制的仿生腿能够很好的实现对人工腿的步态跟随,具有较好的仿人特性。

异构双腿机器人步态规划与控制实现

为了给智能仿生腿的开发提供一个理想的研究平台,提出了异构双腿行走机器人(BRHL)这一全新的类人机器人模式.首先阐述了BRHL的概念及研究意义,然后基于分割建模思想给出了BRHL的协调动力学模型.提出了修正的Sigmoid磁流变阻尼器建模方法并进行了实验建模.详细阐述了基于步态跟随的BRHL步态规划方法并进行了仿真.最后给出了BRHL的控制系统设计,利用Pro/E,ADAMS及MATLAB/Simulink对BRHL进行了虚拟样机联合控制仿真.仿真结果表明,基于MR阻尼器控制的仿生腿能够很好地实现对人工腿的步态跟随.

含闭链异构双腿行走机器人动力学建模与求解

建立了简化的9连杆异构双腿行走机器人模型并给出了机构中存在的封闭链约束方程.采用带约束的多体系统拉格朗日方程建立了系统的动力学模型.对约束求导,给微分-代数混合的动力学方程添加扩展方程,采用预估-校正数值积分方法进行求解.将数值解对约束的不满足作为反馈,给出误差反馈控制方法,来减小数值积分带来的误差,保证算法收敛.针对仿生腿侧进行了动力学仿真计算,比较了带和不带误差反馈数值积分算法解对约束的满足程度以及正逆解的一致性程度.仿真表明建模方法可行且误差反馈控制数值积分可减小数值积分误差,防止误差积累.

异构双腿行走机器人的联合仿真研究

针对异构双腿行走机器人中的人工腿部分建立了运动学和动力学模型,并建立整个机器人实验平台的三维虚拟样机。在仿真软件ADAMS中对异构双腿行走机器人的运动学方程进行了验证,结合MATLAB的simulink模块对动力学方程及控制系统进行了联合仿真研究。针对机器人在不同的步态要求下的驱动力矩要求提出了一阶p型开闭环迭代学习控制算法,实验结果证明这种控制系统能够很好地追踪关节处的力矩并收敛于理想曲线,联合仿真平台的建立对于复杂机器人的开发具有重要意义。

异构双腿行走机器人机构优化设计

为了给智能仿生腿的开发提供一个理想的研究平台,提出了异构双腿行走机器人(BRHL)这一全新的类人机器人模式.阐述了BRHL的概念及研究意义,介绍了BRHL双腿机构的仿生设计.由于双腿机械结构类似,以仿生腿为例推导了BRHL的运动学模型.论述了BRHL的优化原则、目标函数及约束条件.利用处理好的正常人体步态数据对BRHL进行了优化设计.优化结果表明,BRHL能够较好地实现拟人步态,是智能仿生腿的理想研究平台.

行走机器人控制策略与开闭环学习控制

主从式双腿协调控制用于异构双腿行走机器人可减少规划量,控制的关键是步态轨迹跟踪.仿生膝关节使机器人步态更加仿人;但仿生腿模型复杂,跟随人工腿步态控制困难.P型开闭环迭代学习控制结合开环和闭环学习控制优点,不依赖于模型,适用于复杂机器人轨迹跟踪控制.从开闭环结合角度,证明了算法收敛性.算法在虚拟样机上的仿真表明算法有效、鲁棒性好且收敛速度优于单独开或闭环学习控制.