[发明专利]基于感知器模型的机器人多关节自适应补偿方法和稳定器

权利要求书

1.一种基于感知器模型的机器人多关节自适应补偿方法，其特征在于，该方法包括以下步骤：

S1：基于机器人惯性传感器和步态生成器，获取误差数据；

S2：将误差数据输入预建立的感知器模型中，感知器模型基于联想式学习策略更新网络权重参数，计算并输出补偿值；

S3：基于补偿值对机器人进行运动补偿；

所述步骤S2中，联想式学习策略的表达式为：

Δw_ij(k)＝η_ijT(k)I_i(k)O_j(k)

式中，Δw_ij(k)为k时刻输入层第i个神经元与输出层第j个神经元之间的连接权重调整值，I_i(k)为k时刻输入层第i个神经元的输入值，O_j(k)为k时刻输出层第j个神经元的补偿值，T(k)为k时刻的监督信号，η_ij为输入层第i个神经元与输出层第j个神经元之间的学习率；

所述监督信号的表达式为：

T(k)＝α||c_d(k)-c_s(k)||₂+β||θ_d(k)-θ_s(k)||₂

式中，c_d(k)为k时刻质心的参考值，θ_d(k)为k时刻姿态角的参考值，c_s(k)为k时刻质心的测量值，θ_s(k)为k时刻姿态角的测量值，α为加权系数，β为加权系数， 为二阶范数；

所述步骤S2中，补偿值的计算表达式为：

w_ij(k)＝w_ij(k-1)+Δw_ij(k)

式中，O_j(k+1)为k+1时刻输出层第j个神经元的补偿值，K_j为第j个神经元的输出增益，c_ij(k)为k时刻输入层第i个神经元与输出层第j个神经元之间的权重比例系数，I_i(k)为k时刻输入层第i个神经元的输入值，w_ij(k)为k时刻输入层第i个神经元与输出层第j个神经元之间的连接权重，Δw_ij(k)为k时刻输入层第i个神经元与输出层第j个神经元之间的连接权重调整值，w_ij(k-1)为k-1时刻输入层第i个神经元与输出层第j个神经元之间的连接权重。

2.根据权利要求1所述的一种基于感知器模型的机器人多关节自适应补偿方法，其特征在于，所述步骤S1中，感知器模型的输入层包括四个神经元，输出层包括三个神经元。

3.根据权利要求1所述的一种基于感知器模型的机器人多关节自适应补偿方法，其特征在于，所述步骤S1中，误差数据包括姿态角误差、姿态角角速度误差、机器人质心跟踪误差和质心误差一阶差分。

4.根据权利要求1所述的一种基于感知器模型的机器人多关节自适应补偿方法，其特征在于，所述步骤S2中，输出的补偿值包括髋关节补偿值、膝关节补偿值和踝关节补偿值。

5.根据权利要求1所述的一种基于感知器模型的机器人多关节自适应补偿方法，其特征在于，所述步骤S3具体为，将补偿值输入到机器人行走关节空间规划器中，对根据步态生成的关节角度进行补偿，进而实现机器人行走步态的调整。

6.根据权利要求1所述的一种基于感知器模型的机器人多关节自适应补偿方法，其特征在于，所述步骤S2执行前还对误差数据进行预处理，所述预处理包括滤波和无量纲化，所述滤波具体为通过一阶滞后滤波器进行滤波，所述一阶滞后滤波器的表达式为：

f(k)＝γf(k-1)+(1-γ)s(k)

式中，f(k)为滤波器k时刻滤波器输出值，s(k)为传感器测量值，γ为滤波系数，0＜γ＜1，f(k-1)为滤波器k-1时刻滤波器输出值。

7.一种基于感知器模型的机器人多关节自适应补偿稳定器，其特征在于，该稳定器执行如权利要求1～6任一所述的方法的步骤对机器人进行运动补偿。