基于DQN算法的电力仿生机器狗步态规划

传统仿生机器狗步态规划需构建动力学模型,对此提出一种基于DQN的仿生机器狗步态规划方法。结合DQN算法的基本原理,将DQN算法与仿生机器狗控制器结合,进而大量训练仿生机器狗的DQN控制器,设置DQN的参数和计算DQN的奖励函数,并在Webhots仿真环境中对四足机器狗进行训练,得到四足仿生机器狗运动的翻滚角、俯仰角以及损失函数的变化。结果表明,通过DQN训练得到的仿生机器狗的翻滚角、俯仰角和损失函数都能趋于稳定,说明机器狗能快速平稳地完成步态运动,证实了DQN控制器的有效性,可为四足机器狗的步态生成提供新的方案。

四足仿生机器狗运动控制研究

针对四足仿生机器狗运动避障控制精度的要求,结合四足仿生机器狗运动学模型,提出了一种基于模型预测控制的运动控制方法,并探讨在不同控制参数和不同工况下模糊预测控制器的规避效果。研究结果表明,在不同控制参数和参考速度下,控制器能让四足仿生机器狗按照给定的避障轨迹进行跟踪,且跟踪轨迹误差控制在10 cm以内,偏航角误差稳定在2°以内。通过以上研究可知:基于模糊预测控制的控制器具有良好的稳定性,能较好地实现四足仿生机器狗的步态控制;同时,不同误差权重系数Q和权重系数R参数设置对机器狗的运动控制效果也不同。Q和R越小,其稳定性越强,但响应速度越慢。