【成果推荐】生物诱导的仿人机器人行走控制的理论与方法

生物诱导的仿人机器人行走控制的理论与方法

最牛仿生机器人表演后空翻，动作完美不输体操运动员！

【项目简介】

本项目属于机器人学、生物学、智能控制及其交叉学科的基础理论与前沿领域研究课题。对生物内在感知、控制与平衡机制的模仿是为机器人控制和智能研究的重要方向。针对这一研究方向，近些年我们一直坚持不懈地探索生物诱导的理论与方法，结合人工智能的前沿理论，提高机器人行走的复杂环境适应性。近几年在国家自然科学基金，上海市科委课题的支持下，在仿生技术，智能控制与进化计算理论与方法方面取得了一系列的研究成果，代表性研究成果如下：

为了克服传统的仿生方法在机器人关节空间优化控制系统的复杂性和局限性，申请人基于CPG丰富的动态特性，提出在线优化机器人工作空间轨迹的控制思路。解决了如何利用CPG产生机器人特征量信号、如何利用感知信息来调制工作空间轨迹及如何利用进化计算优化整个动态系统等方面的关键技术问题。该“CPG-workspace method”被多位国际同行高度评价并引用，拓展出针对仿人机器人的诸多工程应用。

申请人提出了分层多级反射机理模型，结合进化计算，将节律运动和环境感知信息有效融合，有效解决了感知信息与节律运动融合后在系统实现面临实时性、计算效率等关键问题。提出了机器人多传感信息的融合方法，针对具有饱和特性的传感器网络系统提出了一类新颖的分布式平均滤波算法。针对具有饱和特点的传感器网络采用了极员滤波的技术使得该传感器网络能够对未知有界噪声进行有效的估计。滤波器网络的设计算法不需要知道噪声的随机统计特性和网络的任何全局信息，具有更低的计算复杂度，并且保证滤波效果。

提出了一种基于异方差稀疏高斯过程模型的非参数落脚点补偿器方法。攻克了实时高效的适用于异方差稀疏高斯过程模型的局部更新方法，有效的提高了落脚点补偿器的自适应能力。该研究工作在ICRA国际机器人顶级学术会议上做了专题报告，得到同行的认可。

只有当机器人的行为是在自主学习的框架下获得的，才算是机器人具有智能性的一种体现。课题组基于前期在迭代学习算法的突出贡献和优势，进一步将这一仿生控制算法应用到机器人智能行走模型的优化中，通过自主学习获得复杂行为能力。课题组针对机器人的非线性和外界干扰等诸多因素的存在，在迭代学习律、迭代学习收敛性证明和初始条件干扰分析以及迭代学习控制与其它智能控制方法相结合等方面都展开了深入的研究，并开展了相应的实际应用。研究工作发表在国际著名杂志IEEE Trans. Robotics and Automation，Automatica等以及在国际顶级机器人会议IROS，ICRA等做了专题报告，得到同行的肯定和大量引用。