数据驱动的双足机器人步态自学习控制方法研究

步态控制是双足机器人步行运动向全自主、智能化发展面临的关键基础问题。大量庞杂传感数据给步态控制的系统化设计提出了极大的挑战。面对双足机器人步行过程的大量离线/在线测量步态数据，在难以建立机器人完整机理模型的条件下，通过步态数据学习来探索步态控制的内在机理，采用数据驱动模式研究步态自学习控制方法将是一个新的有效途径，在仿人机器人、大型移动机械臂、智能假肢等领域都有重要的理论意义和应用价值。本项目以若干重要步态数据为核心，针对数据的特征，设计步态数据学习机制，建立一套面向高维不确定步态数据的双足机器人步态自学习控制方法。重点研究：1）基于高维步态数据的机器人主导特征优化选择方法；2）基于机器人关节位置数据的姿态协调控制方法；3）基于足底接触力数据的落地冲击控制方法；4）数据驱动步态控制系统的稳定性分析。本项目不仅将为双足机器人步态控制提供新的理论方法，也将对数据驱动控制理论的研究提供新的思路。

本项目重点探索基于数据驱动的双足机器人步态自学习控制方法, 通过对大量在线/离线的机器人传感数据建模与分析,探索双足机器人步态规划和步行控制方法。重点研究了：1）提出了基于能效优化模型的步态控制策略，根据实时步态数据设计了基于能效优化的双足机器人低能耗控制策略。该方法已验证可降低能耗约15%。2）提出了一系列基于小样本数据的双足机器人步态学习算法，侧重研究在小样本数据环境下SVM（Support Vector Machine）步态自学习控制器设计方法。3) 针对机器人传感数据的混杂时频特征，提出了三论域模糊小波分析方法，实现对不确定时频信号数据的建模和控制。4) 针对机器人系统的外界随机扰动，研究了基于神经网络和自适应设计的机器人控制新算法，以增强机器人控制系统的稳定性和鲁棒性。在本项目支持下，共发表和录用论文20篇，SCI收录的国际期刊论文9篇，《IEEE Transaction》3篇；EI收录的期刊和会议论文10篇。申请专利16项，授权发明专利3项，授权实用新型专利7项。项目取得成果已超出预定目标。