[发明专利]一种仿人腿的膝踝刚度匹配方法

摘要

本发明公开了一种仿人腿的膝踝刚度匹配方法，本发明根据机器人设计的Solidworks模型数据，搭建Adams与Matlab联合仿真平台，设计机器人在飞行相和站立相的控制率，机器人可以完成落脚点为零的原地跳跃，根据分析人体跳跃运动规律，提出PSO算法的评价函数，根据PSO算法搜索出满足评价指标的膝踝关节弹簧刚度；根据PSO算法搜索结果，选取实物中机器人可用弹簧刚度。本发明实现了机器人连续稳定的高能效跳跃运动，能量效率可达到55.8％。

主权项

1.一种仿人腿的膝踝刚度匹配方法，其特征在于，包括以下步骤：(1)、单腿机器人仿真平台搭建，包括以下子步骤：(1.1)、在solidworks设计软件中，将机器人的多个装配体根据身体、大腿、小腿、脚板整合成四个装配体，并将四个装配体另存为可以导入到Adams软件中的.xmt_txt文件格式，并计算出四个装配体的质量和转动惯量；(1.2)、将solidworks中保存的.xmt_txt文件导入到Adams软件中；在Adams软件中，通过Modify功能，选择user_input选项将solidworks中计算的装配体的质量和转动惯量添加进去；通过Jiont模块对机器人各装配体添加转动约束；通过Force模块对机器人各转动副添加力矩驱动；并添加机器人各关节角度的测量变量和各关节力矩的输入变量；再添加一个长方体刚体作为地面，地面与ground模块通过固定副相连；在地面与脚板之间加入Contact碰撞力模块；(1.3)、通过Adams软件的Control模块，配置输入输出变量，将Adams模型输出为Matlab可执行的.m文件；在Matlab中，通过adams_sys指令生成机器人的simulink模型，在Matlab的simulink模块中添加机器人的各关节控制模块，状态机判断模块，完成单腿机器人仿真平台的搭建；(2)、选取单腿机器人仿真平台的控制算法：机器人的足底力等于零时，机器人状态定义为飞行相；机器人的足底力大于零时，机器人状态定义为站立相；包括以下子步骤：(2.1)、选取机器人的飞行相控制算法：机器人在飞行相主要任务是进行落脚点的控制，根据机器人的逆运动学算法反解出在机器人落脚点为零时各关节的位置；各关节控制关节位置，采用PD力矩控制算法：式中：τ为关节控制力矩，K_p、K_d为PD力矩控制参数，q、分别为机器人关节的角度和角速度，q_d、分别为机器人关节的角度设定值和角速度设定值；(2.2)、选取机器人的站立相控制算法：机器人在站立相的主要任务有两个，分别为身体平衡控制和膝踝协调控制；(2.2.1)、选取身体平衡控制算法机器人在站立相，通过髋关节进行身体平衡控制，控制算法如下：式中：τ_hip为髋关节控制力矩，Kp_hip，Kd_hip为PD力矩控制参数，q_body，分别为机器人身体偏离水平位置的角度和角速度，q_{body_d}，分别为机器人身体角度设定值和角速度设定值；(2.2.2)、选取膝踝协调控制算法膝踝关节的力矩模拟SEA的被动力矩：τ＝KΔL；式中：K为关节的SEA弹簧刚度，ΔL为SEA弹簧的压缩量或拉伸量；(3)、PSO算法优化膝踝弹簧刚度，包括以下步骤：(3.1)、PSO算法前期设置：采用PSO算法在单腿机器人仿真平台中优化膝踝关节的弹簧刚度；在Matlab的simulink模型中设计Kknee和Kankle两个系统变量，作为单腿机器人仿真平台的输入变量；Kknee为膝关节弹簧刚度，Kankle为踝关节弹簧刚度；PSO算法粒子的位置和速度的定义为：P＝[Kknee,Kankle]，V＝[Vknee,Vankle]，Vknee,Vankle分别为膝踝关节刚度粒子的变化率；(3.2)、PSO算法单次实验：在仿真平台中，关节弹簧刚度Kknee和Kankle作为系统输入变量，每次实验中，机器人落脚点为零，从距离地面高度(10‑30cm)的初始位置自由下落；采用步骤2中选取的控制算法，完成一次跳跃后，记录机器人各关节角度和角速度等运动学数据用于PSO算法的更新；(3.3)、PSO算法的搜索流程：PSO算法的适应度函数为：fit＝tc/ts，式中：tc为站立相膝踝关节处于角速度反向时间的总和，ts为站立相总时间；PSO算法的搜索流程如下：(3.3.1)、根据粒子的初始范围，随机初始化粒子群；(3.3.2)、遍历粒子群，每个粒子进行一次跳跃实验，根据实验后的运动学数据，计算粒子的适应度；(3.3.3)、判断最优粒子是否收敛，实验中收敛指标为fit＞90％；如果未收敛，根据PSO算法更新公式：Vi+1＝ω·Vi+c1·rand()·(Pbest‑Pi)+c2·rand()·(Pgbest‑Pi)Pi+1＝Pi+Vi+1式中：Vi为当前粒子速度，Vi+1为更新后的粒子速度，ω为惯性权重，Pi为粒子当前位置，Pbest为粒子当前最有位置，Pgbest为整个粒子群最优位置，rand()为介于(0，1)之间的随机数，c1、c2是学习因子；更新粒子群，重复3.3.2；如果收敛，搜索结束；(3.4)、选取PSO算法优化结果：根据搜索结果，最优粒子P＝[Kknee,Kankle]会收敛多对最优解；即可以得到多组优化后的膝踝关节的弹簧刚度组合。