英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

使用步态改变机器人的地形感测

摘要 - 在本文中，我们研究了行走机器人中地形分类精度与步态之间的相互作用，并展示了如何使用步行速度的变化来进行地形依赖的行走优化，以及增强地形识别。行走步态的细节对机车系统的性能及其与地形的相互作用有很大的影响。大多数腿式机器人可以从他们的步态（特别是步行速度）适应他们正在行走的特定地形中获益。为了达到这个目标，代理商应该首先能够识别地形，以便选择最佳速度。在这项工作中，我们有兴趣在不同的地形和不同的步态参数分析腿式机器人的性能。我们还讨论了步态参数的影响，如速度;在由腿式机器人计算的地形识别上。我们使用无监督分类算法根据惯性测量样本和在不同地形和操作速度上收集的执行器反馈对地形进行分类。我们在分类结果中介绍速度对地形分类的影响。

关键词：腿式机器人;地形分类;步态参数

介绍
在本文中，我们考虑机器人车辆的自动地形分类，以及地形识别如何促进有效的运动。特别地，我们考虑如何使用腿式机器人（基于Aqua设计）的步态的时间周期的变化来优化地形分类，以及以地形依赖的方式调整步行本身的有性。
行走机器人有潜力在各种各样的地形类型上运行，如沙，泥，草，雪，冰等，但不同的地形意味着不同的最佳步行行为;在加拿大的一个冬天，任何人不得不穿过冰覆盖的人行道，这是众所周知的现象。类似地，需要在腿式机器人中进行地形特定的步态改变来优化性能。人类和其他动物从步行到跑步的步态已经成为广泛的先前研究的主题。随着运动速度的增加，对生物系统中步行到跑步的过渡有很多分析[1]，[2]。步态转换的一个可能的解释是，移动到新的运动模式发生在正在使用的任何运动模式的机械极限[3]。

图1.六足动物Aqua机器人，显示装备有半圆腿的土地运动。

一旦由于运动速度已经达到腿部的机械限制，特别是步态走动，则系统必须切换到新步态才能更快。另一个解释提出步态转换是为了最大限度地减少总代谢成本，被称为“能量触发”的切换机制。可以通过观察行走能量消耗速度超过跑步的速度来预测转变;这相当于运行在每单位距离的能量消耗方面比步行效率更高的速度。人类数据表明这个速度为2.2-2.3 m / s [4] [5]。

地形是影响步态变化决定的另一个主要因素。用于在不同的地形上行走的步态，如草地，沙滩，雪地，冰块往往彼此不同。系统的稳定性受到动态步行者与其行走的地形之间的步态依赖性相互作用的很大影响。由于滑倒，在冰上使用时，在草地上运行的步态不能保持系统的稳定性。

在本文中，我们专注于Aqua机器人[6]（图1）的性能，当在诸如干砂，湿沙，草和混凝土的地形范围内运行不同的腿周期时。这辆车是一个六足动物，具有六个顺从的腿部和基于RHex机器人的身体计划[7] [8]。我们比较机器人在每米行走能量效率方面的表现，我们还比较了不同运行速度下机器人的地形灵敏度。我们使用无人监督的机器学习算法对Aqua的步行试验所捕获的本体感应测量，以便通过Giguere等人开发的方法实现有效的地形识别。 [9]。地形分类和识别有助于开发地形模型，以评估给定地形的移动性。将不同速度的分类结果进行比较，并将结果与​​其他相关工作进行比较。
II。相关工作
已经有一系列关于基于接触的地形分类的现有工作，这两个方面都是轮式[10] [11] [12]和腿式机器人[9] [13] [14] [15]，腿式机器人步态转换[16] ，步态适应[17]和显式触觉传感器[18] [19]。然而，在研究步态对于在不同地形上行走的腿式机器人的性能的影响方面，需要做大量工作。 Garcia Bermudez等人的作品之一[13]讨论了机器人在不同地形上实现的最大速度。通过我们的工作，我们分析了物理速度和机器人的功率效率方面的性能。此外，步行机器人可以通过控制与地形相互作用的方式来优化其对地形进行分类的能力[20]。我们通过比较四种不同地形上机器人运行速度的变化，对无监督地形分类[9]的性能进行了比较，对此进行了调查。
Coyle等人的研究[21]使用奇异值分解插值（SVDI）来使地形分类与速度无关。根据这项工作，基于反应的地形分类的问题是需要大型数据集来训练算法。这种方法可以适应我们的系统。然而，由于我们无人值守的学习方法，使用和收集培训数据的成本很小。杜邦等人还做了一个类似的工作。 [22]其中地形分类的速度依赖性通过在地形签名上应用主成分分析（PCA）来消除。相反，在我们的工作中，我们利用速度依赖来提高算法的分类精度。
III 方法
我们想开始我们的方法，引入Buehler时钟，这是Aqua机器人步行步态的重要组成部分。 Buehler时钟是动物中心模式发生器[23]的计算模拟。 Buehler时钟最初是为RHex开发的[7] [24]，并且基于一项研究，显示蟑螂腿被强烈的刻板时钟参考信号激发[25]。由于Aqua是以RHEX为基础，因此它遵循类似的行走模式。为了实现三脚架步态，这个时钟使用一个分段线性角度对时间参考轨迹，其特征为四个参数[26]：总步幅或周期周期tc，占空系数（单一姿态周期比循环周期）ts / tc，在姿态Phi;s期间扫掠的腿角和在步态Phi;0中打破对称的角度偏移。在我们的工作中，我们改变这些参数，这又影响了腿部电机的速度。我们将把这些变化称为循环频率fc的变化，因为我们影响了腿的总周期tc。
如介绍部分所述，代理人的最佳步态可以基于许多因素来决定：行走的速度;步态的能量效率;代理人腿部的机械约束;它正在走的地形。我们将问题分为两个子问题，如本节进一步讨论的。
首先，问题是为机器人实现最高物理速度或以功率有效速度运行或在两者之间进行权衡时，为特定地形提供最佳循环频率。我们通过在五个不同的周期频率的四个不同的地形，如干沙，湿沙，草地和混凝土地板上进行机器人的步行试验，研究了这个问题。我们通过测量记录的视频的时间和标志位之间的物理距离来计算机器人的物理速度。我们还记录了运行期间的电池电流和电池电压，并计算了机器人每次运行所消耗的功率。因此，我们估计不同地形的机器人在不同的周期频率fc下的物理速度和功耗，以进一步分析Aqua的性能。

作为第二个次级问题，我们解决与地形敏感性和可区分性有关的问题。在这项工作中，地形可微性被定义为所选择的一组特征中的地形类别之间的分离。我们从前面提到的不同地形的行走试验中收集了惯性测量样本和执行机构的反馈信息。目的是观察周期频率（fc）变化时地形差异的变化。
其中一个特征是在机器人腿的电动机中流动的电流（Il）。反馈控制器通过调节腿上的致动器扭矩来保持腿角和期望轨迹之间的误差接近于零。每个腿上的扭矩可以被模拟为地形的物理特征，实际腿角，与地面的接触点和机器人的加速度的函数。实际上，这个转矩是由一个与其中流动的电流成比例的电动机产生的[14]。

因此，腿电机电流（Il）测量形成了包含有关地形信息的功能集的重要部分。
另一个信息特征是机器人的垂直加速度。随着地形的力学性质的变化，对机器人动力学的影响也发生了变化。随着机器人的腿根据他们正在相互作用的地形而提供不同的推力，腿式机器人的主要影响之一将在于垂直加速度。关于特征集减少的进一步讨论在实验部分中解释。
我们还提出了通过使用最优循环频率进行分类来提高地形分类性能的想法。我们利用一种无监督的聚类算法[9]，它利用样本之间的时间依赖关系。我们使用惯例测量样本和前面实验的执行器反馈来馈送聚类算法。我们将聚类的结果与不同的周期频率和其他类似的以前的作品进行比较。
IV。实验装置
A.机器人描述（Aqua 1.0）
用于实验的机器人（图1）[6] [8]是专为两栖运动设计的六足动物机器人。该机器人基于RHex [7] [24]机器人。有许多种类的腿设计用于适当的功能：半圆适应的步行，两栖直腿的步行和游泳和脚蹼用于水下游泳。在本文的实验中，我们使用了半圆腿，如图1所示。
B.机器人步态
机器人在陆上的运动是通过以两组三条腿（有时称为三脚架步态）旋转腿来实现的。在这种行走模式下，三条腿，一侧两面，另一侧在机器人上，形成一个稳定的三脚架。虽然一个三脚架形式与地面接触并推进机器人向前，另一个三脚架形式迅速循环，以准备下一个支撑阶段[14]（图2）。这种快速交替的支撑与腿的顺应性结合导致机器人与地面之间的复杂的动态相互作用。该三脚架步态用于本文提到的实验。
数据收集
实验试验在四个不同的地形类型上进行，每个地区有五个周期频率fc

图3.用于实验的地形（干砂，湿沙，草和混凝土表面）和实验的现场设置。
地形。 Buehler时钟的fc通过改变Aqua图形界面中的输入速度级别来控制。通过将输入速度控制设置更改为界面图形速度栏上的0.1级，0.2级，0.4级，0.6级和0.8级等级，可实现五种不同的功能。对于每个速度控制设置和每个地形，都会进行五次试验。
收集的数据是许多传感器测量的混合物，如下所述。使用连接到电机轴的光学编码器测量相对腿部旋转，并使用MSI-P400正交解码器卡来解码来自光接收器的信号。使用仔细校准的电机模型估计腿部电机电流[27]。这些模型基于电动机的物理参数，对电动机的电压指令及其角速度来计算电流估计。机器人装备有3轴惯性测量单元（3DM-GX1TM），它具有3个微机电系统（MEMS）加速度传感器，3个MEMS速率陀螺仪和3个磁力计。加速度计测量机器人身体的加速度，单位为m / s2。速率陀螺仪以rad / s返回机器人身体的角速度。以20Hz的速率从这些传感器收集数据，即每秒传感器数据的20个读数。
所有试验的录像都是从固定距离记录的，如下一节所述。该视频用于计算机器人覆盖实验路径距离所花费的时间。这个时间比秒表时间更准确，它用于计算机器人的物理速度。
D.地形和现场设置
实验在四种地形（图3a）进行，即干砂，湿沙，草和混凝土表面。在这些地形上使用了图3b所示的设置，并将Aqua从起点走到终点。
图4.机器人的身体速度与腿部旋转的速度控制读数相对应。该图显示了在不同地形上发现的变化。
五，实验结果与观察
A.不同速度下的表现
这个实验是为了看到速度（fc）对Aqua机器人性能的影响。性能是根据物理速度和每米步行消耗的功率来衡量的。在图4中，我们可以看到，如干湿沙等软粒状地形，机器人的物理速度随循环频率的增加而增加。然而，在较高速度控制设置为0.8时，机械手在硬地面（如草地和混凝土）的物理速度开始下降。我们怀疑机器人腿在硬地上以非常高的速度旋转时开始从地形表面滑落。在柔软的地形上，地形的粒度给腿部抓地力，有助于机器人实现更高的物理速度。因此，为了在硬地形上实现更高的物理速度，机器人的速度控制设置应该被限制在0.6到0.7的范围内。为了在软粒状地形上实现相同的功能，机器人需要以腿部电机的最高周期频率运行。因此，这些结果清楚地表明，对于固定步态参数，地形类型对机器人的速度有很大的影响。
图（图5）显示了具有不同周期频率的机器人每单位行走的消耗功率的变化。从结果可以看出，机器人对硬和软粒状地形的反应不同。在机器人消耗较少功率但实现可接受的物理速度的循环频率之间存在权衡。例如，在湿砂上，机器人可以以0.8的高循环频率工作，实现最高的物理速度，与其他地形相比，仍然保持较少的功耗。然而，在干砂上，在高循环频率下操作非常昂贵。
图5.机器人每米步行消耗的功率的均方根。该图显示了每个速度和地形的五次试验的读数误差。
地形差异性
我们分析了周期频率（运行速度）对地形类别差异性的影响。通过考虑脚马达电流（Il）和垂直加速度（Az），我们创建了一个功能集，如第2部分所述，因为机器人的这些特征受到与地形的物理相互作用的影响最大。通过在腿部旋转周期的一个特定角度对数据进行采样来减少特征集的维数，在此处，地形类别之间的间隔最高[28]。在图6中，特征II和Az被绘制为腿角的函数。该图还显示了类分离良好的最佳角度（1.25弧度）。通过考虑类之间的平均距离为最大角度来计算最佳角度。然后将数据以1.25弧度的腿角采样，并用于进一步的结果。
图7的结果显示了以1.25弧度的腿角采样的不同地形的数据样本。

在所有5个速度控制设置（即腿旋转的fc）中收集数据样本。从结果可以推断出，随着速度控制设置从0.1到0.8的变化，类之间的分离变化。此外，这种分类是依赖于地形。例如，地形草和干砂在速度控制设置为0.1时分离良好，但不以0.8的速度分离。可以对不同的地形对进行类似的观察。这强调了地形对机器人动态的影响。
这些结果可用于分析在不同fc下分类的难度。它们也可用于验证机器人识别的地形。例如，如果机器人在步行时识别具体的地形

图6.腿部电机电流和垂直加速度（Az）作为腿角度的函数。该情节还显示了从不同地形收集的数据集的角度（1.25弧度）可以很好地分类。

图7.以腿角1.25 rad采样的特征空间（电机电流Il，垂直加速度Az）中传感器测量的分布，运行速度（腿部旋转的fc）的变化。数据显示四个地形类别。
速度控制设置为0.1，可以将速度控制设置切换到0.8，并重新运行识别，以确定检测到的地形。一旦验证了地形，机器人还可以选择一个fc，在该区域，该特定地形被隔离，并验证机器人不在哪一个地形上。因此，这些结果对于地形质量的实时步态适应非常有用。
地形分类和周期频率
我们已经确定了周期频率的变化如何影响地形类在特征空间中的分布。为了评估周期频率对地形分类的影响，我们用Giguere等[9]提出的无监督地形分类算法对地形数据进行了分类。
1）算法和数据采样：所使用的算法是传感器数据的未标记样本的无监督聚类。这些样本表示机器人横穿地形时的连续测量序列。由于样本是通过与连续或分段连续地形相互作用的物理系统产生的，所以在连续采样之间将存在时间依赖性。聚类算法[9]明确地利用了这个时间依赖性。它是一种单级批处理方法，无需移动

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[141052]，资料为PDF文档或Word文档，PDF文档可免费转换为Word