一种四足机器人的移动控制方法及装置

技术领域

本发明涉及机器人控制技术技域，尤其涉及一种四足机器人的移动控制方法及装置。

背景技术

现阶段的四足机器人针对复杂地形下的移动控制，主要是基于人工搭建的视觉传感器，如摄像头和激光雷达实现。具体实现时，首先利用驱动传感器获取外景环境信息，包括图像信息和点云信息等，然后对外景环境信息进行滤波处理及符合图像特征提取的特殊处理，如图片灰度化和图像二值化等，得到有效信息，在经过复杂的算法匹配，最终得到四足机器人行进路面的信息，然后才能制定四足机器人在不同地形下的移动控制策略。这种四足机器人的移动控制方法容易受外界环境影响，且算法复杂，导致研发控制系统所投入的时间精力较大。

因此，提出一种可以降低研发难度，稳定性强的四足机器人的全地形移动控制方法，具有十分重要的意义。

发明内容

本发明提供了一种四足机器人的移动控制方法及装置，用于降低四足机器人的移动控制方法的研发难度，提升移动控制过程的稳定性。

第一方面，本发明提供的一种四足机器人的移动控制方法，包括：

响应四足机器人的四足触地操作，分别获取所述四足机器人的四元数，以及所述四组机器人的四个足端的当前坐标位置；

将所述当前坐标位置和所述当前四元数输入预先训练的神经网络模型，得到地形预测结果；

根据所述地形预测结果，确定目标摆动步态；

基于所述地形预测结果，结合所述目标摆动步态，确定所述四足机器人的状态轨迹；

依据所述状态轨迹，对所述四足机器人进行移动控制。

可选地，所述四足机器人安装有惯性传感器和电机带位置编码器；响应四足机器人的四足触地操作，分别获取所述四足机器人的四元数，以及所述四组机器人的四个足端的当前坐标位置，包括：

响应所述四足机器人的四足触地操作，通过惯性传感器获取所述当前四元数；

以及，

利用正运动学定理分别计算所述电机带位置编码器反馈的所述四组机器人的足端反馈角度，得到所述四个足端的当前坐标位置。

可选地，摆动步态包括：单足摆动步态和双足摆动步态；根据所述地形预测结果，确定目标摆动步态，包括：

判断所述地形预测结果是否为上坡地形；

若是，则选择所述单足摆动步态为所述目标摆动步态；

若否，则选择所述双足摆动步态为所述目标摆动步态。

可选地，基于所述地形预测结果，结合所述目标摆动步态，确定所述四足机器人的状态轨迹，包括：

基于所述目标摆动步态，结合ZMP稳定性判据，确定所述目标摆动步态对应的约束条件；

基于所述地形预测结果及所述目标摆动步态及对应的约束条件，确定所述四足机器人的状态轨迹。

可选地，依据所述状态轨迹，对所述四足机器人进行移动控制，包括：

对所述状态轨迹中的状态量进行线性化处理，得到线性状态量；

依据所述线性状态量，对所述四足机器人进行移动控制。

第二方面，本发明还公开了一种四足机器人的移动控制装置，包括：

响应模块，用于响应四足机器人的四足触地操作，分别获取所述四足机器人的四元数，以及所述四组机器人的四个足端的当前坐标位置；

输入模块，用于将所述当前坐标位置和所述当前四元数输入预先训练的神经网络模型，得到地形预测结果；

步态确定模块，用于根据所述地形预测结果，确定目标摆动步态；

状态轨迹确定模块，用于基于所述地形预测结果，结合所述目标摆动步态，确定所述四足机器人的状态轨迹；

移动控制模块，用于依据所述状态轨迹，对所述四足机器人进行移动控制。

可选地，所述四足机器人安装有惯性传感器和电机带位置编码器；所述响应模块包括：

响应子模块，用于响应所述四足机器人的四足触地操作，通过惯性传感器获取所述当前四元数；

以及，

利用正运动学定理分别计算所述电机带位置编码器反馈的所述四组机器人的足端反馈角度，得到所述四个足端的当前坐标位置。

可选地，摆动步态包括：单足摆动步态和双足摆动步态；所述步态确定模块包括：

判断子模块，用于判断所述地形预测结果是否为上坡地形；若是，则选择所述单足摆动步态为所述目标摆动步态；

若否，则选择所述双足摆动步态为所述目标摆动步态。

可选地，所述状态轨迹确定模块包括：

约束条件确定子模块，用于基于所述目标摆动步态，结合ZMP稳定性判据，确定所述目标摆动步态对应的约束条件；

状态轨迹确定子模块，用于基于所述地形预测结果及所述目标摆动步态及对应的约束条件，确定所述四足机器人的状态轨迹。

可选地，所述移动控制模块包括：

线性处理子模块，用于对所述状态轨迹中的状态量进行线性化处理，得到线性状态量；

移动控制子模块，用于依据所述线性状态量，对所述四足机器人进行移动控制。

从以上技术方案可以看出，本发明具有以下优点：

本发明通过响应四足机器人的四足触地操作，分别获取所述四足机器人的四元数，以及所述四组机器人的四个足端的当前坐标位置；将所述当前坐标位置和所述当前四元数输入预先训练的神经网络模型，得到地形预测结果；根据所述地形预测结果，确定目标摆动步态；基于所述地形预测结果，结合所述目标摆动步态，确定所述四足机器人的状态轨迹；依据所述状态轨迹，对所述四足机器人进行移动控制。通过预先训练好的神经网络模型，实时得到四足机器人的地形预测结果，从而可以根据地形预测结果制定四足机器人的状态轨迹，简化对四足机器人控制的复杂性，进而减小控制系统研发所投入的时间，并可以提升移动过程的稳定性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图；

图1为本发明的一种四足机器人的移动控制方法实施例一的步骤流程图；

图2为本发明的一种四足机器人的移动控制方法实施例二的步骤流程图；

图3为本发明的一种神经网络模型示意图；

图4为本发明的一种四足机器人的移动控制方法实施例二中的单足摆动步态在四足触地时的步态示意图；

图5为本发明的一种四足机器人的移动控制方法实施例二中的双足摆动步态在四足触地时的步态示意图；

图6为本发明的一种四足机器人的移动控制装置实施例的结构框图。

具体实施方式

本发明实施例提供了一种四足机器人的移动控制方法及装置，用于降低四足机器人的移动控制方法的研发难度，提升移动控制过程的稳定性。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明的一种四足机器人的移动控制方法实施例一的步骤流程图，具体可以包括如下步骤：

步骤S101，响应四足机器人的四足触地操作，分别获取所述四足机器人的四元数，以及所述四组机器人的四个足端的当前坐标位置；

步骤S102，将所述当前坐标位置和所述当前四元数输入预先训练的神经网络模型，得到地形预测结果；

步骤S103，根据所述地形预测结果，确定目标摆动步态；

步骤S104，基于所述地形预测结果，结合所述目标摆动步态，确定所述四足机器人的状态轨迹；

步骤S105，依据所述状态轨迹，对所述四足机器人进行移动控制。

在本发明实施例中，通过响应四足机器人的四足触地操作，分别获取所述四足机器人的四元数，以及所述四组机器人的四个足端的当前坐标位置；将所述当前坐标位置和所述当前四元数输入预先训练的神经网络模型，得到地形预测结果；根据所述地形预测结果，确定目标摆动步态；基于所述地形预测结果，结合所述目标摆动步态，确定所述四足机器人的状态轨迹；依据所述状态轨迹，对所述四足机器人进行移动控制。通过预先训练好的神经网络模型，实时得到四足机器人的地形预测结果，从而可以根据地形预测结果制定四足机器人的状态轨迹，简化对四足机器人控制的复杂性，进而减小控制系统研发所投入的时间，并可以提升移动过程的稳定性。

请参阅图2，为本发明的一种四足机器人的移动控制方法实施例二的步骤流程图，具体包括：

步骤S201，响应所述四足机器人的四足触地操作，通过惯性传感器获取四足机器人的当前四元数；

以及，

利用正运动学定理分别计算所述电机带位置编码器反馈的所述四组机器人的足端反馈角度，得到所述四个足端的当前坐标位置；

需要说明的是，惯性传感器(Inertial Measurement Unit，IMU)，主要用于测量加速度与旋转运动的传感器；位置传感器，用于测量机器人自身位置的传感器。位置传感器可分为两种，接触式传感器和接近式传感器；四元数用于快速、准确地表示四足机器人当前的姿态及旋转状态，具体地，四元数是IMU直接输出的原始数据，而对于四足机器人当前的姿态及旋转状态的获取，则需要对四元数进行解析，从而得到四足机器人当前的姿态角度，如：俯仰角度、偏航角度和翻滚角度等。

在本发明实施例中，预先设定一种机制：当四足机器人的状态四足触地时，唤醒四足机器人配置的端对端系统，端对端系统中配置有预先训练的神经网络模型，当端对端系统被唤醒后，会利用IMU，通过串口通讯的方法进行数据传输，获取四足机器人的当前位置的四元数，或者获取四足机器人当前位置的姿态角，如仰俯角、翻滚角和偏航角等；同时利用电机带位置编码器，通过SPI通讯或I2C通讯的方式进行数据的传输，利用正运动学定理分别计算所述电机带位置编码器反馈的所述四组机器人的足端反馈角度，得到所述四个足端的当前坐标位置。

在具体实现中，IMU可以安装在四足机器人上的任意地方，而电机带位置编码器一般在电机上，如果电机上没有位置传感器，则在四足机器人的每一个电机位置进行安装，具体地，本发明实施例提及的电机用到的是半直驱的电机，能够实时反馈电机实际转动角度，从而地形预测器可直接使用电机实际转动角度作为传入数据，同时考虑到算法的通用性，不同机械结构的机器人均可使用，因此还要考虑腿部关节长度，再通过运用机器人正运动学就可以计算出足端相对于机器人自身坐标系下的坐标信息。

步骤S202，将所述当前坐标位置和所述当前四元数输入预先训练的神经网络模型，得到地形预测结果；

请参阅图3，图3为本发明的一种神经网络模型示意图，也可以理解为是一个端对端系统，即只需要将现有数据输入，从而通过该端对端系统即可获得输出结果，图中包括多个以空心圆代表的神经元，以及由神经元构成的神经网络模型的层级，其中，图中最左层为输入层，图中最右层输出层，中间三层为隐藏层，由于本发明实施例存在16个传感器数据，因此在输入层设置有16个神经元，而由于本发明实施例中归纳了6种地形，因此输出层设置有6个神经元。

在本发明实施例中，预先收集四足机器人移动时，在四足触地情况下的坐标信息和四元数，并对其进行标记，得到地形标签，从而形成数据集。在训练神经网络模型时，从数据集中获取地形训练样本，所述地形训练样本包括由四元数和坐标信息组成的地形数据及对应的地形样本，将所述地形数据输入所述神经网络模型，生成地形样本的类别，根据地形样本的类别和地形标签，确定训练误差；基于所述训练误差所述而网络神经模型进行调整，以得到最优网络参数，并采用所述最优网络参数生成训练好的神经网络模型。

本发明实施例通过训练好的神经网络模型实时预测地形，可以避免复杂算法，从而摆脱用于搭载复杂算法的硬件设备，进而大大降低了四足机器人的移动控制成本。

步骤S203，根据所述地形预测结果，确定目标摆动步态；

在一个可选实施例中，摆动步态包括：单足摆动步态和双足摆动步态；根据所述地形预测结果，确定目标摆动步态，包括：

判断所述地形预测结果是否为上坡地形；

若是，则选择所述单足摆动步态为所述目标摆动步态；

若否，则选择所述双足摆动步态为所述目标摆动步态。

请参阅图4，图4为本发明的一种四足机器人的移动控制方法实施例二中的单足摆动步态在四足触地时的步态示意图，其中，白色部分表示摆动相，深色部分表示支撑相，其中，四个步态示意图依次为FR、FL、HR、HL在同一时刻的步态示意图，FR表示右前腿、FL表示左前腿、HR表示右后腿、HL表示左后腿，使用单足摆动步态的情况下，存在8找那个状态，分别是FR摆动、四足触地、FL摆动、四足触地、HR摆动、四足触地、HL摆动、四足触地，对于每次摆动腿触地时，当出现四足同时触地时，假如是右前腿摆动，则生成的如图4所示的步态示意图；请参阅图5，图5为本发明的一种四足机器人的移动控制方法实施例二中的双足摆动步态在四足触地时的步态示意图，其中，白色部分表示摆动相，深色部分表示支撑相，其中，四个步态示意图依次为FR、FL、HR、HL在同一时刻的步态示意图，FR表示右前腿、FL表示左前腿、HR表示右后腿、HL表示左后腿，使用双足摆动步态的情况下，足部移动的顺序是FR和HL，以及FL和HR，在一组腿经过摆动触地后，中间会间隔一个四足均触地时刻，若是FR和HL摆动后触地，则生成如图5所示的步态示意图。

在实际应用中，单足摆动步态主要应用于崎岖地形，而双足摆动步态主要应用于上坡地形。由于上坡过程四足机器人假如使用单足摆动步态爬坡，其移动速度会严重减少，而双足摆动步态相比于单足摆动步态，在上坡过程更容易克服坡度对移动速度的影响。

步骤S204，基于所述目标摆动步态，结合ZMP稳定性判据，确定所述目标摆动步态对应的约束条件；

需要说明的是，ZMP(零力矩点)稳定性判据用于分析ZMP和COP(压力中心)的相互关系，确定研究对象在移动过程的稳定性。

在本发明实施例中，根据ZMP稳定判断规划CoM坐标信息，当选择单足摆动步态作为目标摆动步态，则约束条件为CoM的X坐标和Y坐标规划时，要以三触地足所形成的多边形区域为约束条件；而当选择双足摆动步态作为目标摆动步态时，约束条件为两触地足之间的对角线作为约束条件。

步骤S205，基于所述目标摆动步态及对应的约束条件，确定所述四足机器人的状态轨迹；

步骤S206，对所述状态轨迹中的状态量进行线性化处理，得到线性状态量；

步骤S207，依据所述线性状态量，对所述四足机器人进行移动控制。

在具体实现中，对于步骤S205得到的状态轨迹，状态轨迹中的状态量如角度和角速度等，需要做线性化处理，得到线性状态量，并依据线性状态量及目标摆动步态对四足机器人进行移动控制。

在本发明实施例所提供的一种四足机器人的移动控制方法，通过响应四足机器人的四足触地操作，分别获取所述四足机器人的四元数，以及所述四组机器人的四个足端的当前坐标位置；将所述当前坐标位置和所述当前四元数输入预先训练的目标神经网络模型，得到地形预测结果；根据所述地形预测结果，确定目标摆动步态；基于所述地形预测结果，结合所述目标摆动步态，确定所述四足机器人的状态轨迹；依据所述状态轨迹，对所述四足机器人进行移动控制。通过预先训练好的目标神经网络模型，实时得到四足机器人的地形预测结果，从而可以根据地形预测结果制定四足机器人的状态轨迹，简化对四足机器人控制的复杂性，进而减小控制系统研发所投入的时间，并可以提升移动过程的稳定性。

请参阅图6，示出了一种四足机器人的移动控制装置实施例的结构框图，包括如下模块：

响应模块101，用于响应四足机器人的四足触地操作，分别获取所述四足机器人的四元数，以及所述四组机器人的四个足端的当前坐标位置；

输入模块102，用于将所述当前坐标位置和所述当前四元数输入预先训练的神经网络模型，得到地形预测结果；

步态确定模块103，用于根据所述地形预测结果，确定目标摆动步态；

状态轨迹确定模块104，用于基于所述地形预测结果，结合所述目标摆动步态，确定所述四足机器人的状态轨迹；

移动控制模块105，用于依据所述状态轨迹，对所述四足机器人进行移动控制。

在一个可选实施例中，所述四足机器人安装有惯性传感器和位置传感器；所述响应模块101包括：

响应子模块，用于响应所述四足机器人的四足触地操作，通过惯性传感器获取所述当前四元数，以及通过位置传感器获取所述当前坐标位置。

在一个可选实施例中，摆动步态包括：单足摆动步态和双足摆动步态；所述步态确定模块103包括：

判断子模块，用于判断所述地形预测结果是否为上坡地形；若是，则选择所述单足摆动步态为所述目标摆动步态；

若否，则选择所述双足摆动步态为所述目标摆动步态。

在一个可选实施例中，所述状态轨迹确定模块104包括：

约束条件确定子模块，用于基于所述目标摆动步态，结合ZMP稳定性判据，确定所述目标摆动步态对应的约束条件；

状态轨迹确定子模块，用于基于所述地形预测结果及所述目标摆动步态及对应的约束条件，确定所述四足机器人的状态轨迹。

在一个可选实施例中，所述移动控制模块105包括：

线性处理子模块，用于对所述状态轨迹中的状态量进行线性化处理，得到线性状态量；

移动控制子模块，用于依据所述线性状态量，对所述四足机器人进行移动控制。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。