[发明专利]一种仿人机器人步态平衡模型建立的方法

说明书

本发明涉及一种人体示教与机器学习相结合的仿人机器人步态规划方法，属于人工智能与机器人控制领域。本发明将人体示教和支持向量回归学习算法相结合应用在仿人机器人的步态规划中，基于支持向量回归算法构建仿人机器人步态平衡泛化模型，将人体完成步行动作时的关节角度和ZMP信息输入步态平衡泛化模型，可直接得到经稳定性补偿的关节角度。引用WOA优化模型的参数以使模型得到最优的泛化效果，完善步态平衡模型的性能。利用步态平衡泛化模型得到的关节角度驱动NAO仿人机器人可使其完成稳定步行动作。本发明降低了仿人机器人步态模仿算法的复杂度，提高了实时性，并且保留了仿人机器人步行动作的稳定性和拟人性。

技术领域

本发明涉及一种仿人机器人步态平衡模型建立的方法，属于人工智能与机器人控制领域。

背景技术

仿人机器人由于拥有与人体结构相似的双足式结构，可以较好的适应轮式机器人难以适应的高低落差较大的地形场景，且在崎岖多变的地形环境中机动性好，因此仿人机器人可以代替人类在复杂和危险的环境下工作，同时也被广泛应用到服务，医疗康复和教育娱乐等多个领域。因此仿人机器人的研究也就成为了机器人领域的重要研究方向之一，目前传统依据仿人动力学模型进行步态规划有着计算量大，环境适应性差，运动模式单一的缺点，使用人体示教的方式可以使仿人机器人步行动作自然，并且可以通过示教不同的动作提高环境适应性，但由于仿人机器人与人体质量分布不同若要保持稳定需要进行关节补偿角的计算，计算量大的问题并没有得到根本解决，使用机器学习构建“模型”思想，则大大减少了传统算法的运算量和计算过程，但是动作仍然存在僵硬单一的缺点。

面对上述仿人机器人步态规划存在的问题，考虑将人体示教与机器学习相结合，构建仿人机器人步态平衡泛化模型。通过对人体步行动作的信息采集，将示教信息输入到步态平衡泛化模型中，通过训练可以直接由模型输出经稳定性补偿后的关节角度驱动仿人机器人完成稳定步行，使其能在大大减少计算量的同时保留步行动作的自然性和稳定性。

虽然通过人体示教与机器学习相结合的方式能解决传统算法存在的问题，但由于机器学习算法模型具体构建的问题，如何使构建出的步态平衡模型具有良好的泛化能力成为了关键问题，仿人机器人步态平衡模型的构建面临如下三个具体问题：(1)由于体感采集器的限制，需要选择一种小样本的机器学习算法作为步态平衡模型的基础(2)需要使用优化算法，选取机器学习算法中的最佳参数，使模型的泛化效果最佳(3)需要在人体示教动作中提取并选择合适的示教信息作为步态平衡模型的输入。针对以上存在的问题，提出一种仿人机器人步态平衡模型构建的方法，使仿人机器人通过人体示教数据输入步态平衡模型直接得到经稳定性补偿的机器人关节角度，使仿人机器人实现稳定且自然的步行动作。

发明内容

本发明将机器学习与人体示教相结合，提出一种仿人机器人步态平衡泛化模型的构建方法。流程如图1所示，捕捉人体运动过程的骨骼点数据，通过空间向量法计算人体运动的关节角度信息和ZMP信息，应用传统算法计算稳定性补偿角度构成测试集和训练集，基于支持向量回归算法构建步态平衡泛化模型，对模型输入人体示教信息，使用WOA对模型的三个参数进行寻优得到最佳泛化效果的参数，通过模型可直接泛化得到经稳定性补偿后的机器人的关节角度，以此驱动机器人可完成稳定自然的步行动作。具体实现过程如下：

(1)使用Kinect2.0采集人体在平地中完成稳定步行动作的25个关节的空间位置(Kinect坐标系中的x，y，z)序列，并使用空间向量法求取各个关节的角度，以左腿为例需求取左踝关节俯仰角和滚动角，左膝关节俯仰角以及左胯关节俯仰角和滚动角5个自由度，共进行全身19个自由度的关节角度计算。

(2)ZMP(零力矩点)判据是判定仿人机器人行走是否稳定的关键信息，由于人体示教的行走动作为稳定动作，因此将示教行走时支撑脚骨骼点(foot right或foot left)的三维坐标作为人体示教的x向，y向，z向ZMP信息。