CPG自生長網絡評價模型及網絡修正方法研究.pdf

1、在機器人控制領域內，根據控制目標設計出的適用于特定場合的CPG神經網絡具有控制變量少、節(jié)律性強、輸出運動模式多樣等諸多優(yōu)勢，因此廣泛地應用于機器人運動控制當中。但這類傳統的人工CPG網絡過于側重控制功能，而忽視了實際生物神經發(fā)育的特性，一旦新的控制要求被提出，往往需要重新構建網絡，導致網絡功能的適應性和繼承性較差。伴隨著生物神經學的發(fā)展，學者們提出了將CPG網絡的生長發(fā)育過程和實際控制功能結合在一起，使所建模型具有更豐富多變的控制功能。

2、但是目前這一領域研究尚在初始階段，且大多側重于形態(tài)模擬方面，而缺乏實際應用。
　　因此，本文在CPG自生長網絡模型的基礎上，通過分析動物運動特點來建立自生長網絡的評價模型，并結合四足機器人控制需要與卡爾曼濾波機理建立了CPG自生長網絡的優(yōu)化修正方法。
　　首先，分析動物的行走速度與能耗、步態(tài)的關系，確定了四足機器人不同行走速度下的最優(yōu)行走方式及腿間協調關系，進而給出不同行走方式間相互轉換的步態(tài)衍生圖，基于該圖建立自生長網絡輸

3、出信號的評價模型，并給出了步態(tài)連續(xù)切換的依據。
　　其次，在網絡生長參數與控制信號輸出關系相對應的基礎上，通過深度優(yōu)先搜索算法找到滿足上述評價模型的信號傳遞路徑；在此基礎上，結合生物神經元生長連接特性和四足機構實際控制特點，建立了預估修正模型，指導不同速度下輸出為trot步態(tài)的CPG自生長神經網絡形成；接著利用機器人對行進狀態(tài)的感知信息，提出了基于機體感知的相位調整策略，建立了環(huán)境反饋修正模型。
　　再次，基于卡爾曼濾波的思

4、想，建立了融合預估評價修正和環(huán)境反饋修正的組合優(yōu)化修正方法，并針對實例進行仿真實驗驗證了本文算法的良好逼近能力和快速修正能力。
　　最后，搭建四足機器人仿真平臺，進行了Matlab和Adams聯合仿真實驗，實驗結果驗證了自生長網絡修正算法對機器人行走學習的有效性、對速度指令的跟隨性和對環(huán)境變化時的姿態(tài)快速調整能力。在此基礎上，針對實驗室特定的Rhex機器人樣機，修改評價模型并將網絡輸出信號經過調幅及分段加權處理后進行了運動實驗，驗