一种足式机器人的Spiking-CPG步态控制系统

本发明涉及仿生机器人，尤其是涉及一种足式机器人的spiking-cpg控制系统。

背景技术：

1、随着科学技术的飞速发展，生活中的智能化程度迅速提高，更多类型的仿生机器人的出现和发展。研究人员旨在改进这些机器人的配置和结构，以及它们的控制器算法，以创造更强大、更方便的机器人。足式机器人由于结构稳定功能强大，已被广泛应用于搜救、运输等领域。

2、在足式机器人步态控制领域，通常有两种步态控制方案。

3、一种是基于足端轨迹规划的控制方式。mingfang chen等2020年发表在complexity期刊的一篇名为single-leg structural design and foot trajectoryplanningfor a novel bioinspired quadruped robot的文章中设计了一种新型的四足机器人腿部结构，减小了腿摆动的惯性，并且基于一种复合摆线规划了足端的运动轨迹，在一定程度上还减小了关节电机转矩的影响。fankhauser p等2018年在ieee roboticsandautomation letters杂志上(文章名:probabilistic terrain mapping for mobilerobotswith uncertain localization)提出了一种新的立面图映射方法，利用相机传感器逐帧对局部地面重构建模，以此来做局部的规划和足端的落足点控制。可见此种方法的弊端在于需要大量的计算，复杂的算法和依赖外界传感器的帮助来控制足端轨迹，并且在复杂地形上适应性较差，有着很大的现实挑战。

4、另一种基于中央节律控制器cpg的方法。其优点在于模仿生物的自然步态，适用于动态、不稳定的环境，以及较少的传感器依赖，能有效应对未知环境。yong zhang等2023年在scientific reports期刊(文章名：adaptive walking control for quadrupedrobotby using oscillation patterns)中提出了一种双层cpg中心的自适应运动系统，使四足机器人能够在复杂地形上实现稳定的小跑步态。而近年来，第三代神经网络—尖峰神经网络(snn)出现，研究者将其与cpg结合共同构建spiking-cpg网络来控制仿生机器人。spiking-cpg网络具备更仿生的特征，更强大的处理时变信息能力，依托高效的信息编码从而有更快响应的能力。并且在与现实世界互动上更具优势，还能够极大的减少能源的消耗。pablo lopez-osorio等2022年在neurocomputing期刊(文章名:neuromorphic adaptivespiking cpg towards bio-inspired locomotion)提出了一种五个lif神经元组成的spiking-cpg网络，其能够调整腿部的运动频率，在fsr传感器的输入刺激下在振荡频率的自适应性方面表现出良好的鲁棒性。beckstrohmer等2020年在neurorobot期刊提出了一种六足机器人的spiking-cpg网络实现了六足机器人稳定的三足步态行走。而在公开的现有技术中，此方向的成果较少，一种融合spiking神经网络和cpg的机器鱼仿生控制方法及系统(申请公开号：cn110989399a，申请公开：2020.04.10)涉及的是使用spiking神经网络作为上层控制器产生激励信号传递给cpg模型控制鱼的关节运动。

5、上述公开的方法中的spiking神经网络是用来处理机器鱼的外界环境信号，输出cpg的上层控制信号，再以cpg信号驱动仿生机器鱼各个关节产生运动，其仍以复杂的非线性方程组作为cpg控制机器鱼运动，在实时性和能耗上仍有较大挑战。

技术实现思路

1、为解决现有目前基于cpg的足式机器人控制中,环境适应性、稳定性不足，能耗高等问题。本发明提出一种新的足式机器人的spiking-cpg步态控制系统实现方法，使用能产生脉冲信号的生物神经元组成的神经元群体拟合所设计的振荡器网络模型将spiking神经网络和cpg有机的融合在一起，构成一种spiking-cpg足式机器人步态控制系统。能够实时处理上层信号，产生不同的步态模式输出，调整运动的振幅、频率，快速稳定的切换步态模式，经过映射函数映射为关节控制信号后驱动足式机器人的各腿部关节运动。

2、本发明技术方案：

3、一种足式机器人的spiking-cpg步态控制系统，其特征在于，设计步骤如下：

4、步骤1，建立振荡器模型，设计耦合项；

5、构建非线性振荡器数学模型，产生周期性的节律信号以满足步态运动的周期性，足式机器人的腿部与振荡器一一对应；设计足式机器人相邻腿部振荡器之间的耦合项，调节耦合项参数从而改变振荡器输出的节律信号之间的相位差；

6、步骤2，选取生物神经元，建立spiking-cpg网络；

7、选择生物神经元模型，生物神经元之间以脉冲信号传递信息；

8、确定神经元模型的参数；

9、确定足式机器人所需的神经元群体数量，确定单个神经元群体的神经元数量：每个足式机器人腿部对应一个神经元群体实现步骤1中的振荡器模型，相邻腿之间由耦合神经元群体实现步骤1中的耦合项公式。神经元群体的输出拟合步骤1中振荡器及耦合项输出的周期性节律信号，神经元群体之间采用单向环形网络结构共同构成spiking-cpg网络；

10、设计上层控制器以调整振幅、频率或相位：上层控制器通过改变振荡器模型中的振幅和频率参数，以调整足式机器人步态的振幅和频率；上层控制器通过调整每个耦合项中的相位差，实现不同的步态模式及足式机器人步态模式之间的快速切换。

11、步骤3，设计映射函数，映射输出信号传给足式机器人腿部关节，进行步态运动；

12、设计映射函数，将spiking-cpg网络输出的无量纲量映射为关节角度控制足式机器人的关节运动；

13、步骤4，构建步态控制系统；

14、步态控制系统包括：上层控制器，spiking-cpg网络和映射函数；

15、所述上层控制器用于调整spiking-cpg网络参数；

16、所述spiking-cpg网络中的振荡器产生周期信号，提供给映射函数；

17、所述映射函数将周期信号映射成足式机器人腿部关节的控制信号，进行步态运动。

18、该spiking-cpg网络简单的改变参数便可以实现足式机器人的多种步态模式及其相互切换，收到环境信息反馈时能快速的调整步态模式。

19、进一步的，步骤1中选取能产生稳定极限环的非线性振荡器，或者其他能产生周期性节律信号的动力学模型。

20、进一步的，步骤2中的神经元模型为生物神经元，要求能产生脉冲，能够以稀疏的脉冲信号传递信息。举例而非限定，采用的神经元模型为：lif神经元、hr生物神经元模型或者多种模型的组合。

21、进一步的，步骤2中将外界信号转化为电流传入神经元群体中的每个神经元，每个神经元在受到电流刺激时产生稀疏的spike信号，以spike信号作为神经元活动；以最小二乘法训练网络参数，使神经元群体的神经元活动的加权求和值拟合所建立的振荡器模型及耦合项的输出。

22、与现有技术相比，本发明具有以下有益的技术效果：

23、本发明所提出的足式机器人的spiking-cpg步态控制系统，针对足式机器人步态模式中的相位关系，采用能产生脉冲信号的生物神经元，提出了单向环形耦合的spiking-cpg六足机器人步态控制系统，通过构建任意组神经元群体，能够实现相应条腿的足式机器人控制网络，简单的改变耦合项的相位差参数实现任意步态的步态模式，并且能够快速的实现步态切换。

24、本发明所提出的足式机器人的spiking-cpg步态控制系统，能够接收外界的时变信息，通过上层控制器能够实时的改变spiking-cpg网络的振幅，频率等，并且能够在外界干扰下快速的恢复原状，使机器人在实际应用场景中具有很强的抗干扰能力。

25、本发明所提出的足式机器人的spiking-cpg步态控制系统，依托于snn网络模拟真实生物中的信息处理机制的先进能力，配合现今发展迅速的神经传感器能够高效的处理外界时变的信息，并且部署于神经形态硬件能够极大地节省能源消耗。