黑龙江省2011年度专业技术人员继续教育知识更新培训学习心得
仿生机器人及其智能运动控制
学习心得
通过学习吴伟国老师主讲的《仿生机器人及其智能运动控制》，对探讨工业仿生机器人应用于工业生产、科研实验等实际操作任务前应具备的基础理论和技术，如工业仿生机器人运动学、动力学、工业机器人样机或本体产品的物理参数识别、末端操作器操作轨迹规划、各种控制方法与技术等内容进一步掌握。学习涉及到机械原理、机械设计、理论力学、自动控制理论基础、线性代数、机电一体化等机械工程类大学本科所学的专业基础课程的知识，使自己对仿生机器人控制的实际应用有了更全面、更深入的认识和理解，尤其对机器人控制在原理、结构级成及控制策略上加深了理解，理论上得到了提高，下面就具体谈谈学习上的一些体会：
一、全自立型仿生机器人理论与技术基础
1.机器人控制技术基础
机构 —— 通过关节（运动副）将杆件连接起来，在原动机作用下将个关节的运动变换成末端操作器的运动，实现某种作业；
关节空间—各关节运动可用变量表示：回转关节（回转副）—关节角；移动副移动量 —— 用位移来表示移动量；螺旋副 — 回转角度与位移的函数关系。将各关节（运动副）的运动量用变量表示，然后，将这些变量集合起来用矢量表示，则这些变量构成了关节空间。
机器人的自由度——由原动机驱动的独立运动副，串联杆件机构自由度——1个原动机对应1个自由度；
欠自由度机构——存在无原动机驱动的自由度。
机构的运动变换←→关节空间与作业空间变换的映射关系——机构运动变换问题完全转化为输入矢量、运动转换函数与输出三者之间的数学问题，则包括冗余度在内的机器人机构正、逆运动学问题完全可以用空间映射关系和关系式表达出来。
几何法 —— 根据几何学上的作图、投影关系、臂形标志等几何分析得到简单的数学关系求解运动学
矩阵齐次变换法——按着规定的D-H法则设定各关节坐标系、建立D-H参数，写出各关节的齐次变换矩阵，得到由关节空间确定的末端操作器位姿矩阵，再根据末端作业规划的位姿矩阵与之的元素对应关系求解运动学问题。矢量分析 等等其中：用上述各方法，6自由度以内的串联杆件机构都能得到解析解。
动力学正问题 ——即给定力和力矩，用动力学方程求解关节的加速度，再积分求得广义坐标和速度。
动力学逆问题 ——即给定需要的广义坐标和它的前两阶时间导数，求广义力和力矩。
具体方法：拉格朗日-欧拉法、牛顿-欧拉法、广义达朗贝尔方程。
基底参数 —— 设几何参数已知，则把为确定给定机器人操作臂的运动方式所需要的而且是足够的参数的集合定义为基底参数。
为实现“动态控制”而采用的力学方程式的计算被称为“逆动力学问题”。即为某机器人被给定运动时，求解实现该运动所需要的驱动力矩的问题。其输入为瞬间各关节的转角、角速度、角加速度，计算结果能用不只离心力、科氏力、
1重力，还含有线性项的形式来得到。其计算误差越小越好的机器人将通过前馈或者反馈来接近理想的线性控制器。因此，应尽可能采用将实际机器人正确模型化的运动方程式，知道正确的参数，是最重要的。此外，要求采样时间尽可能短以接近连续性系统。依靠控制算法，寻求实时地计算运动方程式的数值解，快速求解逆动力学的方法。
2.全自立型机器人系统设计的元器件基础
全自立仿生型机器人系统特点及设计要求：
1) 重量/体积比要小—追求与生物相当的性能目标;
2) 结构紧凑、集成化程度要高— 所有的驱动与控制系统硬件、软件、传感器、通信设备等全部集成在机器人机械本体内；
3) 在形体上与生物相似(形似)— 外观设计要求。从而给机械本体和系统的集成化设计带来难度；
4) 机械结构设计复杂，必须考虑整体刚度、强度问题，而且必须综合解决搭载设备、元件所需空间与形体要求相悖、布线以及维护等问题。
全自立仿生型机器人系统设计对元器件要求：
1) 驱动元件—要求电机、气缸等高功率体积小。要综合考虑能源消耗、带载能力、驱动与控制元件体积等因素；
2) 能源供给— 电池、泵等。DC电池情况下，多为电池组以获得大电流及电压，同等功率下，电池组体积大小与所用电机的额定电压、电流有关；
3) 传动元件—体积要小且具有较高的传动精度和刚度。集成化的机器人总重比非集成化的要高，相当于增加了关节传动元件的负载，关节刚度和运动精度降低将产生附加动载荷，从而降低了有效驱动能力。
传动方式与传动件
同步齿形带传动：谐波传动与谐波减速器元件：行星齿轮减速器与多级齿轮减速器：绳索绳轮传动：滚珠丝杠传动：直线导轨：
传感元件及原理
光电编码器—位置、速度传感器：用于类机器人关节位置、速度控制。超声波传感器——测距传感器：用于各种移动机器人、仿人仿生机器人。加速度传感器：用于仿人仿生机器人。力传感器：用于各种操作型机器人力控制、仿人仿生机器人力反馈控制。视觉传感器：用于各种操作型机器人视觉、仿人仿生机器人视觉识别。人体感知传感器：用于各种移动机器人、仿人仿生机器人。嗅觉传感器：用于仿人机器人。
3.计算机串行通信与网络基础
作为多自由度机器人系统、多机器人系统、机械系统的测控问题，往往需要多台PC计算机或微处理器之间协调工作，不可避免地涉及到通信问题。因此，需要我们机械类的研究生也要掌握计算机通信的基础知识、计算机通信系统的构成等内容。以达到能够实际使用的目的。两台或多台计算机通过导线或其它能够从一台计算机把信息传到另一台计算机的介质（包括导线、无线）将计算机“连接”起来相互协同工作传递或接受信息。对于大多数项目而言，都存在一个标准接口来完成这样的工作。
大多数方面，PC机上的标准接口遵守RS-232标准。远程通信工业协会(TIA)定义了信号功能、引脚位置和该接口的其他特点的文档。国际电信联盟(ITU)和CCITT(国际电话与电报顾问委员会)也发布了一个类似的标准。该接口的最初名字为RS-232。并且一直沿用至今。RS232是设计来处理两台设备之间的通信，距
离限定在50到100ft。当你需要在一个更长的距离上或者比RS-232更快的速度下进行传播的时候，RS-485就是一个解决办法。
RS-485网络的优点及要求：
在集成化要求较高的情况下，可用较少的信号线完成对多个终端的信息传输。半双工下，主控端只需3根信号线(A,B,GND)即可实现向其他终端的信息传输。组网成本低。传输线——双绞线。即将A,B线做成双绞线的形式。最大传输速度115200bps.传输距离：500m\\1000m\\2000m因具体的RS232/485转换器而异。
4.机器人虚拟设计与仿真的集成化软件
仿生机器人设计难度较大，初始设计时电机额定功率及输出扭矩选择具有一定的经验性和盲目性，很难保证百分之百的成功，一旦在加工出样机后发现扭矩不够问题时需要重新修改，有可能导致巨大的浪费、甚至失败。为此，如果能够在设计完成后进行仿真实验验证设计的正确性和可行性，然后选择电机、设计或购置传动元件、伺服系统，再加工制作，则可保证设计的稳妥性。为此，以我们在研究中所用到的仿真软件及仿真实例向学生讲述可用于机械系统动力分析与设计、控制仿真的大型集成化软件
5.仿生仿人机器人机构、力学与控制
仿生机器人的研究首先是从模仿生物运动形态开始的。四足、六足动物（马、乌龟、蜥蜴等）等在自然界的进化过程中形成了天然合理的运动规律（如不同的步态、能耗），其中包含着“机构”、“力学”、“控制”等合理性。本节通过对生物运动规律的分析，阐明其力学原理，进而寻求生物运动的控制机制，为学生研究仿生机器人奠定理论基础
双足步行的机构、力学与运动控制
人类能在凸凹不平以及仅有几个支撑点的支撑面上自如行走。人可以利用比精密陀螺仪(Gyro)、加速度计(Accelerometer) 精度更高的三规半管、前庭器等姿势角、加速度传感器来进行步行控制。而且，人类步行所消耗的能量是非常低的。因此，本节以次为出发点，参考人类和生物的机构及步行控制方式讲述双足步行机器人开发基础理论。
四足步行步态、动态稳定性
a.移动脚步的一种特定的方式或样板;
b.通过用不同的节奏抬脚向前行进的步法，如慢跑、快步走或行走;
c.步调，行进步伐的速度或方式。
观察我们生活的自然界周围，你就会发现四足动物的步行方式有多样性、各不相同。例如：马慢走和奔跑时的情况相当不同；现代技术制作的机器人还远达不到像马那样的速度。所以，我们还是着眼于步行速度较慢的动物。四足动物中步行速度最慢的要数乌龟。
二、智能运动控制基础理论:Soft computing
1.Soft Computing(软计算)导论
软计算技术是随着计算机技术发展起来的一门学问。是实现仿生机器人“柔软化”控制的重要途径。
所谓的Soft Computing 就是学习人类在思考、判断方面的柔软化信息处理方法，通过模拟并模型化，以活用于复杂、大规模的、变化着的问题和对象为目标的信息处理方法。从字面上来理解，也可以说是对应于当今以0,1的数字逻辑为基础的数字计算机即硬计算而言的。Soft Computing将目前已发展起来的概
率理论(Probabilistic reasoning)、模糊理论(Fuzzy system theory)、神经网络理论(Neural networks theory)、混沌理论(Chaos theory)、遗传算法(Genetic Algorithm: GA)等理论单独或联合使用，来模拟人类信息处理的方法。
2.模糊理论基础知识
模糊逻辑认为事物分类并不完全是黑白分明、界限确定的，而是在两者之间有无限多中介过渡。这似乎把一切都说成是含含糊糊的。但事实上，模糊逻辑通过这些渐变安排特定的数而排除了任何含糊性。另外，更重要的是它里面包含了精确的普通集，因而也就包含了精确条件下的集合元素——模糊中包含精确性。
模糊集合的一般定义: 设U为一可能是离散或者连续的集合，用{u}表示，U被称为论域，u表示论域U的元素。模糊集合是用隶属函数表示的。
对模糊集合运算的定义：设A,B 为U 中的两个模糊集合，隶属函数分别为μA,μB，则模糊集合理论中的交、并、补等运算可通过它们的隶属函数来定义。即通过两个模糊集合的隶属函数的运算得到新的模糊集。
一种易于为广大科技工作者理解和接受的确定隶属函数的方法是模糊统计法，其思想是通过对足够多人的调查统计，对要确定的模糊概念在讨论的论域中进行逐一写出定量范围，在进行统计处理，以确定能被大多数人认可的隶属函数。这种方法工作量大，在科学研究中可以运用，在实际应用中一般很难采用。
3.神经网络模型及CMAC基础
神经网络(Neural Network——简称NN)
神经网络的结构是由基本的处理单元和各单元间相互连接方式决定的。
神经网络系统是由四部分组成：即权值集、节点集、阈值集和输出集组成的 小脑神经网络(CMAC)基础
最初由 Albus 在1975年给出一个小脑神经网络(CMAC)的简易模型。此后，不断研究被广泛应用。它可以视为一种具有模糊联想记忆特性监督式(有导师)前馈神经网络。
其特点是：操作速度很快，对于实时自适应控制可得到稳定性。其操作特点是“查表”，需要占用较大的存储空间。
4.强化学习(Reinforcement Learning)基础知识
强化学习的最大特点是完全不需要关于环境与机器人自身的先验知识信息的学习方法。机器人一边感知当前环境的状态，一边行动。根据状态和行动，环境迁移到新的状态，相应于新的状态的“奖惩”报酬信息返还给机器人。机器人根据“报酬”信息决定下一个行动。
强化学习对于为实现自律运动的智能体来说是非常重要的。其意义在于很大程度上复杂问题求解的可能性将依赖于这种方法。
三、阶层型进化算法与糊智能控制方法
1.基于GA&EP的阶层型进化算法与动作生成方法
阶层型进化算法由被称为大范围内生成动作样本的GA层和评价、生成中间层的EP层两大模块组成。两层相互影响、共同进化下去。可以生成适于各种环境的动作。
2.采用模糊推理的双足步行稳定化控制
作为模糊推理的结构，可以把推理分为三个阶段：
(1)求相应于各给定输入的各规则前件部分的适合度(Fuzzyification)
(2)由适合度求各规则的推理结果，求最终的推理结果(FuzzyInference)
(3)由推理结果，求确定值(Defuzzification)
四、基于CMAC和强化学习的智能运动控制方法与实例
1.两杆机器人和前馈动作的学习
基本思想 —— 作为机器人通过学习获得前馈动作的方法，用 Spline 函数表示控制输入的时间波形，在动作行为的反复试行中通过评价函数让输入波形变化，进行“探索性的学习”。为进行高效地搜索，采用启发式(heuristics)方法的算法，进行逐次修正和高效搜索。
基本思想——启发式方法是像生物那样不断地通过重复试行错误的办法得到经验，来获得发现性的、良好的前馈动作的学习方法。目标是生成时间函数的波形作为控制输入。由通过几个点的Spline函数表示连续的时间波形，再通过离散点可以操作连续函数的变化。然后，根据控制目的，为使预先决定的动作的评价函数变得更好不断地进行试行错误的学习。为此需要给出逐次搜索的修正算法和概率性搜索的修正算法。
两杆机器人移动动作的控制目标是：
机器人开始处于用两端的手爪抓住二个树枝状态，放开后面的手爪使之接近可抓握的下一个树枝。因此，考虑能量、距离、速度三个评价值，确定评价函数。
2.前馈(Feed Forward)动作的泛化
基本思想 —— 由启发式方法反复进行试行错误实验，对于给定条件，可以生成良好的动作。可是，如果树枝间距等控制条件发生变化情况下，用以前的条件得到的前馈动作在新的条件下已经不适合了，所以必须再次进行试行错误，以不断适应于环境的变化。因此，本节通过插补几个控制条件下得到的经验值，论述在未经历条件下进行控制的方法。然后，一边用它们进行反馈控制，一边让树枝间距和高度都不相同时的条件下泛化经验。
3.多个控制器的学习手法
机器人通常具有多自由度，其控制系统为多输入多输出系统。在控制系统设计上，把控制器分割到每个关节的结构在设计上是有利的——因为可以通过组织与协调级对基本控制单元的协调和组织实现灵活的控制。
上位层——为实现作为目标的复杂运动，根据机器人的状态决定使用那些中间层的基本行为控制器(Behavior Controller)。同时使用两个以上的基本行为控制器的情况下，将它们的目标状态的线性和作为其驱动器的目标状态，并决定它们之间的均衡问题。
中间层——作为控制基本动作行为的基本行为控制器(Behavior Controller)有多个同时存在。每个对应于所控制的驱动器，有输出目标状态的子控制器。从这个子控制器输出的目标状态被输入到相应的下一层的反馈控制器。子控制器有两个控制器，一个是由设计者预先设计的初期控制器，另一个可以是由搜索方法获得的Fuzzy Controller。该子控制器尽可能地把人所能获得的知识取入到初期控制器，为了拟补人的知识不足所带来的部分问题，采用搜索方法获得知识被取入到模糊控制器。
下位层——各反馈控制器与驱动器是一一对应的关系，为了实现来自中间层的目标状态对驱动器进行反馈控制。
五、多智能体及行为
多机器人如果能够组织、协调好相互之间的作业关系，则多机器人系统可以高效、可靠地完成单个机器人所无法完成的任务。
• 其应用可以面向更广泛的任务领域
• 高效率地完成作业——多机协同作业的并行性
• 其系统中含有各种机器人，充分发挥系统各方面的性能
• 具有错误容忍性——如有某个机器人发生故障，暂时无法恢复，则由另一台机器人替代它继续工作
• 鲁棒性
• 较低的成本
• 分布式的感知和作用——由各机器人获得各方面的信息并作出响应
• 从社会群体、生命体理解、看待多机器人系统的特点
Maes定义的智能体——是“试图在复杂的动态环境中实现一组目标的计算机系统”。它能够通过传感器感知环境，并通过执行器对环境起作用。
依靠智能体所驻留环境的类型，智能体能够有许多不同的形式。特别地在物理环境中的智能体——是机器人。
Maes提出——智能体的目标可以有很多不同的表现形式：它们可以是智能体尝试去达到的终极目标或特殊状态，可以是智能体试图最大化的选择性强化或奖励，也可以是智能体必须保持在某个生存区域内的内部需要或动机，等等。
作者信息：
姓名：
编号：
身份证号：
单位：
