http://mime.oregonstate.edu/research/drl/publications/_documents/renjewski_2015.pdf

双足机器人的励磁工程被动动力学 

Daniel Renjewski, Alexander Sprowitz,Andrew Peekema, Mikhail Jones, and Jonathan Hurst

简介

在设计腿机器人时, 一种常见的方法是在软件中建立完全驱动的机器, 控制机器的动态 sentirely, 小心地避免撞击并耗费大量的能量。然而, 这些机器的表现优于他们的人类和动物的同行。动物通过紧密集成被动动力学, 通过机械组件和神经控制实现了他们令人印象深刻的敏捷性、效率和鲁棒性。机器人可以从同样的集成方法中受益, 但是需要一个强大的理论框架来设计机器的被动动力学并利用它们进行控制。对于这个框架, 我们使用一双足 spring–mass 模型, 这已经表明, 以近似动力学的人类运动。本文报道了 spring–mass 行走在双足机器人上的首次实现。本文以模板动力学作为控制目标, 利用 ATRIAS 机器人的工程被动 spring–mass 动力学。研究结果突出了被动动力学与动力学控制相结合的优点, 为机器人动态步态控制开辟了基于 spring–mass 模型的控制策略库。索引术语-生物启发的机器人, 力量控制, 腿机器人, 运动控制, 被动动力学。

一、导言

地面运动是一项根本性的动态任务, 旨在将力量应用到足以产生支持和推进力的地面上。考虑到动物和人腿的结构复杂性, 这项任务导致复杂的局部动力学和运动学, 使功能理解具有挑战性。科学家发现, 尽管动物的形态学复杂, 简单的动态模型可以描述腿运动的基本原理 [1]-[3]。自然运动, 以它的多功能性和令人印象深刻的动力学, 依靠结构遵守在腿为物理相互作用与环境 [4]。在机器人学中, 法规遵从性已被用于运行机器 [5]-[7], 但很少在行走机器上的效果。仅依靠他们的passive 动力学, 由倒立摆模型 [8] 启发, 是非常高效率的并且动态地步行, 但被限制到少量具体步行步态 [9]-[11]。能多才多艺的运动的先进的人形机器人完全地被启动, 象 Asimo [12] 或 HRP [13], 但必须避免冲击并且内在地是高效率的。被调查的 spring–mass 模板模型为运行 [14]-[18] 被发现也类似双足步行的振荡性质。它构成了步行动力学的最简单的模型和复制人的一些关键的动力学特征步行 [19]。在此基础上, 提出了各种步态控制策略 [20] – [23]。尽管双足步行的理论潜力在顺从的腿, 很少机器人实际上实施了机械符合 [24]-[27], 并且没有使用 spring–mass 动力学作为他们的控制目标。双足机器人 ATRIAS (假定机器人是球体) 被明确设计为尽可能紧密地机械地实现 spring–mass 模型动力学, 将被动动力学与力控制结合在一起, 以最终利用增长的理论知识库。这种方法如果成功实现, 将使控制器概念从降阶模型应用到机器上, 将控制目标从一个完整的机器人模型简化为一个质量和两个弹簧。因此, 对于许多运动任务, 只有一个控制变量, 飞行腿触地得分角度 [28] 是必需的。本文所描述的模板模型控制器利用机器人的被动动力学, 通过在腿部长度方向上的合规匹配来强制 spring–mass 动力学, 并将腿部角方向的力降到最小。实验证明, 1) 故意设计的被动动力学和 2) 控制, 利用机器人的被动合规执行所期望的动力学, 可以保持步行步态, 如模型预测。本文的贡献有两个方面: 1) 首次展示了机器人硬件的 spring–mass行走步态;和 2) 应用一种基于动力学的控制目标, 其起源于降阶动态模板, 在机器中产生动态运动。

这项工作得到了国防高级研究项目局的支持, Grant#W91CRB-11-1-0002 下的人类前沿科学项目, 以及赠款 #1100232 下的国家科学基金会。d. Renjewski 是与机器人和嵌入式系统组, 德国大学 M ¨ unchen, 85748 Garching, 德国 (电子邮件: 丹尼尔 renjewski@ ¨tum. de)。a. Sprowitz 是与物理情报部门, 最大 PlanckIn-¨ stitute 为智能系统, 70569 德国斯图加特 (电子邮件: sprowitz@ is.mpg.de)。a. Peekema, 琼斯, 和 j. 赫斯特是与动态机器人实验室, 机械, 工业和制造工程学院, 俄勒冈州立大学, 科瓦利斯, 或97331美国 (电子邮件: peekemaa@onid orst. jonesmik@engr.orst.edu jonesmik@engr。乔纳森. hurst@oregonstate) 

本文提供了辅助视频和实验数据, 可以

在 http://daniel.human-motion-engineering.org/ATRIAS 彩色版本的一个或多个数字在本文中可以在线 athttp://ieeexplore。数字对象标识符 10.1109/周转率. 2015.2473456

二方法

在我们的实验中, 我们测试了机器人在一个受控实验设置, 以它的能力, 利用其自然腿的依从性, 以配合 spring–mass 模型行走动力学。

a. 模板模型模拟

spring–mass 模型是最简单的

人类行走的动态模板。在这个数值模拟中, 整个步行者的质量被集中到一个点, 与地面的相互作用是无质量弹性腿施加力

图1。拓扑

ATRIAS 机器人的关键技术特点。堆叠式电机装配房屋

两个电机的谐波驱动器共享一个轴的旋转与前面和

后大腿和独立驾驶前端和后部弹簧的近端,

分别.光学编码器 (E), 具有32位分辨率测量

所有四段髋关节周围的位移, 从而使准确

弹簧挠度的测量。后方和前大腿连接后方和

前小腿形成一个四杆机构, 允许精确的力控制

(见图 3)。树干房子一个额外的驱动程度的自由

每条腿 (没有表明) 允许它被绑架。此外, 电力电子,

电池和控制计算机位于主干内。到点质量

和地面上的接触点。步行的 spring–mass 模型是完全

由四状态变量定义, 它是质量位置的中心, 并且

速度 [x、y、x、˙ y˙] 和三参数 (质量 m、腿长 l0 和弹簧

刚度 k)。控制变量实现稳态行走是

触地角度 (ϕTD)。spring–mass 模型能够重现一般

实验性地被观察的地面反应力量的特征 (参见 [19],

图 2)。建议的控制策略允许模型, 例如,

平衡一个延长的上部身体 [21]。在本研究中, 我们专注于实施

spring–mass 模型的基本矢状平面步行动力学

地形.运动方程可以用牛顿方法推导出来: mx¨ = Fx

(1) m (¨y + g) = 财政年度 (2) 在那里 Fx 和财政年度是弹簧力量的投射。如果

地上有两条腿, 他们都为这些力量出力;与

一条腿在地上, 摆动腿不贡献力量, 因为它是

质量.由于机器人的腿几何, 弹簧力是非线性的,

对腿部偏转的尊重。所期望的非线性力是利用

ATRIAS 的静态分析图2。行走极限循环: 单 VLO

支持, 触地 (TD) 成双重支持, 并且起飞 (到) 回到单一

支持.机器人的步态触发角显示在相应的

状态图 (ϕTD、ϕTOc、ϕTDc、ϕTO), 其中ϕTD 为触地角, ϕTOc

是立场腿角度在开始的单一支持, ϕTDc 是立场腿

角度时, 飞行腿触及, ϕTO 是腿角的瞬间

飞行前。剧情显示每条腿经历的理想力量

一个周期的 VLO 到 VLO 的步态, 实验测试。腿和

产生以下等式为腿力量在轴向: 传真 (l)

= 2 ∗κ∗ (acos (l0) −acos (l)) (1 − l2) (3) 

κ是物理弹簧的 the rotational 刚度, l0 是腿的静止长度, 而 l 是当前腿的长度。inMATLAB (2013b、Mathworks、内蒂克、MA、美国) 和数值积分 usingode45 (rel. 和 abs) 实现了运动方程. 公差 1 e-8)。模拟开始于先端 andvertical 腿方向 (VLO) 和正向正向速度 (见图 2)。选择了初始状态和控制变量来匹配机器人的 soperation 范围, 并模拟了一个由单支撑、双支撑和单支承组成的周期。触地得分的角度被优化 usingfminsearch 以产生一个极限循环, 即终端 apexmatches 初始条件的状态。姿态腿角度在阶段转折期间 arerecorded 作为触发点为机器人控制器 (参见图 2)。实验的 gaitsimulated 有 x = 0 m 的 VLO 状态, y = 0.870 m, x˙ = 0.763m/秒, y˙ = 0 米/秒, 控制角度ϕTD = 1.144 rad, ϕTOc = 1.297 rad, ϕTDc = 1.845 rad, ϕTO = 1.998 rad, 和休息腿长度 0.9 m。这种步态的 aduty 周期为 0.59, 峰值垂直力为 630 N (见图 2)。1246 IEEETRANSACTIONS 机器人, 卷 31, 2015年10月5日图3。Schematicrepresentation ATRIAS 的腿几何和力传动。(a) Schematicabstraction 的机械腿设计: (b) 四杆腿机构 (thicklines) 和连接弹簧 (细线) 连接到其各自的马达与 b. 虚线点线表明的角度, 电机输出投射到髋关节。虚腿由垂直虚线指示。c)角度定义: ϕA s 边 a 段角度, ϕA m 边 a 马达角度, ϕl-virtualleg 角度, ϕB s 侧 b 段角度, ϕB m 侧 b 马达角度。(d) Forceprojection: Fs-弹簧的反应力和投射的 ontojoint, 在下段上投射的 Fp-弹簧反应力, 由弹簧 A 弹簧挠度和弹簧 b Theassumed 虚引起的传真反应 forcealong 腿轴;腿部弹簧被描绘成虚线。

b. 机器人背景

所有实验都是在双足机器人 ATRIAS 上执行的 (见图 1), 一台1.70 米高和60公斤重的机器。机器人的质量集中在树干上, 一条腿占总重量的 about5。六马达动力机器人: 两个平行的每条腿驾驶腿在矢状平面和一个为腿绑架在正面飞机。ATRIAS 机器人忽略了生物腿的形态, 实现了双足 spring–mass 模型所提出的柔顺腿的动态功能。一个四杆机构齿轮在一对系列弹性执行器 (海洋) 和支撑基板之间的动态相互作用 (见图 3)。对称力应用通过两个物理弹簧导致一个力量纯粹沿腿轴, 因为切线力量组分互相抵消 (表 I)。连接脚趾和臀部的虚拟弹簧与 spring–mass 模型拓扑相匹配 [见图 3 (d)]。虽然海的物理弹簧有一个接近线性 torque–角度关系 (κ, 1600 N•m/rad), 连接系统诱导一个虚拟非线性递减弹簧刚度为整个腿 [k, Eq. (3)]。机器人的 CoM 位于髋关节上方大约12厘米, 而对于运动中的小重量来说, 它本身并不运动。同时, 控制器的目标是尽量减少髋关节扭矩, 因此, 只有小扭矩作用在 CoM 上, 因为杠杆为腿部力量是小的。因此, 髋关节位置是 CoM 的一个很好的表示, 而虚拟腿连接臀部和警察和轴向力对应于各自的性质的 spring–mass 模型。与任何其他物理系统一样, 这个机器人没有节能的方式运行。机械能已经消散, 例如, 通过摩擦和非弹性碰撞, 必须通过控制驱动补充。

c. 机器人技术规范

在 ATRIAS 设计中使用了尽可能多的商用组件。每弹簧连接的马达 (MF0150010-X0X, 联合马达技术, 塔尔萨, OK, 美国) 被评为 532-W continuous 功率, 与50:1 谐波驱动 (CSD-50-50-2A-GR-BB-SP3336,Harmonic 驱动器有限责任公司, 皮博迪, MA, 美国), 并提供一个理论失速扭矩 of300 N•m 在齿轮输出端。四32位光学编码器 (RL32BAT001B30F,Reni shaw, Wotto nunder 边, 英国) 测量马达位置ϕAm 和ϕBm 和段位置ϕAs 和ϕBs 相对于树干的前后轴 [参见无花果. 1 和 3 (c)]。树干房子二马达为腿绑架 (QB02303-X0X-H, 联合的马达技术, 塔尔萨, OK, 美国) 那驾驶滑轮段在大杠杆胳膊给56:1 齿轮比率。电源和控制电子定位在下部主干是有线使用 Ethercat 总线体系结构进入板载主控计算机 (迷你 ITX, i1000A, OEM 生产, 旧金山, 加利福尼亚州, 美国)。控制器已在 c++ 中实现, 并以1赫的控制速率执行。使用 agraphical 用户界面对控制参数进行了远程更改。软件体系结构的规范在 [29] 中给出。四杆机构由由 luminum 接头连接的碳纤维管组成。地面接触是由脚趾上的球形橡胶旋钮制造的。

d. 实验设置

对于所有的实验, 地面被覆盖

用坚硬的橡皮垫避免脚趾打滑。繁荣是坚定的

连接在树干和上锁的树干沥青。编码器测量了

机器人的水平和垂直位移。最小化意外

实验过程中的干扰, IEEE 在机器人上的交易, 音量。

31, NO. 2015年10月5日1247表 I 派生的运动学和动态机器人状态

虚拟腿角ϕl = ϕB ϕA l 2 虚腿长度 l = 2 • s • cos (ϕl −ϕA

l) 弹簧偏转ϕA s = ϕA m −ϕA l 偏转 B ϕB s = ϕB m −ϕB

l 腿弹簧刚度 k = κ2s2 ⎛⎜⎜⎝χ−2s •acos l 2s − acos l0 2s χ3⎞⎟⎟⎠χ =

1− l 2s 2 轴向腿力量 x (ϕ) = κ2s •ϕA msin (ϕA s −ϕl) + ϕB m 罪孽 (ϕl −ϕB s) 髋扭矩τh = τA + τB 切线腿力 Ftan = τh l 升臂 wasdesigned 与低旋转惯性和摩擦 (见图 4)。

e. 基于模板模型的控件

在行走时, 机器人构成了一个混合动力系统。从一条腿的角度来看, 有两个动态不同的阶段: 姿态和摆动。因此, 每条腿的步行控制被分解成姿态和摆动。spring–mass 模板模型提供了所需的姿态力配置文件。这是转换为一个命令, 应用纯轴力的基础上, 目前的腿长度和物理弹簧刚度, 从而匹配的自然腿刚度。该力被用作前馈项, 偏差用 PD 反馈控制器进行补偿, 比例增益设置为 500/n, 导数增益为 50 A•s (见图 5)。增益是手动设置, 以实现良好的跟踪, 同时避免振荡。与机器人不同, 模板模型不需要飞行控制器, 因为腿部没有质量。飞行控制目标是提供地面间隙, 快速起飞, 平稳着陆, 并及时 legre 循环考虑电机的限制。我们制定了一个三次样条, 描述脚趾轨迹的腿长度和腿部的角度, 以延长腿部, 以满足所有这些限制 (见附录前方程和图6的结果弹道)。在摆动和姿态控制之间切换是基于从模拟 (ϕTD、ϕTDc、ϕTOc 和ϕTO) 的姿态腿角触发的; 见图 2)。每条腿的姿态阶段被划分成三个阶段由四个角度定义: 首先双重支持, 然后唯一支持, 并且最后, 双重支持。摆动阶段发生在另一条腿的单一支持期间。这种相位定时隐含地决定了模型预测的工作周期, 即姿态时间与周期时间的比值。

图5  PD控制器 --应用了电流控制，即扭矩控制或力控

接地腿控制器 (左侧): 根据当前腿长度 (l), 计算的各自力量 () 和转换成期望的马达扭矩 ()。通过乘法与马达常数 (), 得到前馈电流 (Iff)  (黑色实线代表前馈回路)。通过测量板簧变形量, 确定了实际扭矩 (), 并通过 PD 控制回路 (灰色实线反馈回路) 纠正了所需扭矩的偏差。由此产生的电流总和 () 被发送到机器人的放大器。

离地腿控制器 (右侧): 飞行腿的偏差 () 从期望的轨道 () 被转化为马达位置偏差 () 并且由 PD 控制器调控。

f. 数据处理

该机器人的传感器数据已被记录和处理, 用于 MATLAB (2012b, Mathworks, 内蒂克, 美国)。图 4. 实验装置: 机器人安装在吊臂上, 图形用户界面在左上角可见。在操作时, 机器人总是背负着自己的重量。悬索仅作为一种故障安全, 在实验操作中经过仔细调整以保持松弛。图5。姿态腿控制器 (左侧): 根据当前腿长度 (l), 被计算的各自力量 (Fd) 和转换成期望的马达扭矩 (τd)。通过乘法与电机恒定 (公里), 前馈电流 (森林论坛) 被命令 (黑色前馈回路)。通过测量弹簧挠度, 确定了实际扭矩 (τ), 并通过 PD 控制回路 (灰色反馈回路) 纠正了所需扭矩的偏差。由此产生的电流总和 (I) 被发送到机器人的放大器。飞行腿控制器 (右侧): 飞行腿的偏差 (l, ϕl) 从期望的轨道 (ld, ϕd) 被翻译成马达位置偏差 (Δϕm) 并且由 PD 控制器调控。从实验数据中计算出机电动力和运输成本 (小床)。传感器通过机器人的电源线和电源电压测量电流 (哈斯 50 S, LEM 美国公司, 密尔沃基, 美国)。采用单极递推低通滤波器对电压信号进行滤波。计算了电流和电压对试验的平均值。电力结果在 Pel = U˜•˜I (4) 1248 IEEE 交易机器人, 卷 31, 2015年10月5日图6。测量的左 (上) 和右 (下) 腿的脚趾轨迹相对于机器人的躯干。虚线黑线表示所需的摆动相轨迹。大部分偏差是由机器人的环形路径造成的。其中 U˜和˜I 分别表示试验的平均电压和电流。电动小床被定义为 CoTel = Pel m • g •v˜ (5), m 为机器人的质量, g 为引力加速度, v˜是在多个全步态周期中平均的正向速度。向前运动产生的机械功率是从计算的腿力 (F) 和瞬时速度 (v) P 机械 = 1 σσ i=1 Fi •vi (6) 与σ表示样品的数量在试验中。机械的床被计算了相应的小床机械 = P 机械 m • g • v˜。(7) 为了更好地进行比较, 计算了 asFr = v˜2 g • l0 的付汝德数 (无量纲特征速度)。(8) 为了确定机器人的机械能, 势能和动能被总结了 E = Epot + 郑伊健 + Espring = mgy +1 2 mv2 + 1 2 κ (ϕ2作为 + ϕ2 Bs)。(9) 在非线性腿簧中储存的能量被数值计算为 El 弹簧 = lmin l=l0 Faxdl。(10)为了比较腿力产生的被动和主动贡献, 计算了电机和弹簧在腿部长度方向上的功率贡献。为分离轴向功率, 在姿态下产生的髋扭矩和腿部退缩速度被忽略。对于马达, 我们从每个马达速度减去腿部的角速度, 乘以产生的对称力矩 P 马达, ax = (˙ϕAm −ϕ˙l) • min (| τA | | τB |) •标志 (τA) + (˙ϕBm −ϕ˙ l) •最小 (| τA | | τB |) •标志 (τB)。(11) 所产生的对称扭矩计算为两个弹簧产生的瞬时扭矩的最小值。弹簧的功率贡献计算从对称的弹簧偏转速度乘以产生的对称扭矩 P 弹簧 = 符号 (˙ϕAs −ϕ˙Am) •min (| ϕ˙As −ϕ˙Am |, | ϕ˙Bs −ϕ˙Bm |) •最小 (| τA | | τB |) •标志 (τA) + 标志 (˙ϕBs−ϕ˙Bm) •最小 (| ϕ˙As−ϕ˙Am |, | ϕ˙Bs −ϕ˙Bm |)•最小 (| τA |, | τB |) •符号 (τB)。(12) 弹簧速度计算为弹簧两端之间的速度差。将对称弹簧速度计算为一条腿两个弹簧速度的瞬时最小值。

三. 结果

持续的身体支持和推进力;腿再循环导致平稳过渡从立场到摇摆和后面。虽然该机器人没有明确地感觉到地面接触, 符合规定的腿允许软触地得分 (见图 6)。ATRIAS 能够在反复试验中成功地行走, 再现了人类行走模板模型的动力学, 与模拟模型中观测到的能量波动相匹配 (见图 7)。报告的数据是从一个单一的实验中得到的, 其中12个步骤是平均的。图8显示了机器人的实测地面反应力与目标模型动力学的比较。机器人动力学很好地匹配目标动力学;力的大小和方向偏离 insubstantially。垂直于腿部的作用力占总力的不到10%。因此, 力方向和腿轴 (Δϕ) 的偏差较小。实验观察到的能量波动与模型预测的值相同 (见表二), 表明模拟模型所预测的机械能量与机器人的物理弹簧中的相同数量有关。能量波动的相移 (见图 8) 是由于周期时间的轻微不匹配造成的。垂直力的大小是可比较的 (630 n 在模型, 640 n 在实验中), 虽然第二个驼峰在实验比第一个小驼背。在与移动的水平地面反应力量的音乐会, 这可能归因于耗散在机器人。在实验的持续时间里,机器人在水平脉冲的不对称中逐渐减慢,并且被轻轻地推着以保持它的移动。

图7 实验结果的可视化。

能量的循环通过顺从的元素, 控制模板动力学和效率的帐户是我们的目标是在机器人复制的主要属性。顶部面板显示了行走 ATRIAS 机器人在实验过程中的 CoM 轨迹。三内联地块显示了一个姿态阶段的引力、动能和弹性能量的波动;右上图显示了弹簧和马达各自对姿态的功率贡献。在每个能量图中, 一个模范实验周期被强调 (暗大胆的线) 和与那里计算模型的 spective 能量曲线比较 (明亮的粗体线)。标有 "弹簧能量" 的内联图比较了在一个姿态相位实验期间, 在机器人的被动弹簧中储存的能量, 并将能量存储在模拟模型的腿部弹簧中。震级表示由弹簧大量储存和释放 CoM 能量。功率贡献表明, 大量的电力是吸收和再生的弹簧, 而电机只贡献一小部分的腿轴功率。底部的面板显示了实验确定的机器人腿部力量, 虚线表明了相应的能量水平存储在虚拟腿部弹簧。模型力的相似性 (见图 2) 说明了动物步态和机器人模型的密切动态匹配, 由 lasticity 的能量回收驱动。

图8。

(a) 笛卡尔地反应力与模拟 (灰色区域) 和实验 (粗线) 的比较。当地面反应力证实了全球动力学时, 匹配力表明机器人匹配所期望的动力学。

(b) 图示力定义和腿部轴与腿部力之间的偏差。

(c) 表示在姿势阶段, 腿部力量偏离腿部轴线。零度对应于无偏差;暗和浅灰色区域对应的切向力, 相当于总腿力的10% 和 20%, 分别。在大部分的步态周期, 不到10% 的总腿力没有轴向进一步确认成功的动态匹配。模型预测的姿态持续时间为0.78秒, 实验结果为0.83 秒0.02。该机器人的平均速度已经 0.85m/秒, 导致付汝德？？数为 0.08, 而模型预测速度为0.95 米/秒。这种偏差无疑是机器人能量损耗的结果。电力消耗被测量为 550W, 导致电床1.1。机械式床是0.2 在机械功耗 105W [30]。被测量的机器人的攻击的角度平均为 1.17, 0.00 rad 和匹配的意欲的角度 1.14 rad 严密, 偏离仅1.8%。

表 II. 模拟模型和 ROBOTEXPERIMENT 模型机器人能量的波动最小最大动能 17.5 j 41.5 J 13.9 @ 3.0J 39.9 @ 2.4 j 春季 0 j 18.2 j0 j 18.2 @ 1.3 j 如图所示清晰可见.7、能量和地面反应力循环一致, 表明机器人的能力, 以匹配一个稳定的步态在许多步骤。通常报告 edapex 状态 [x, y ˙] 为评估动态步态稳定只显示轻微的波动 ([0.77) 0.06 米/秒,

0.89 @ 0.02 m]) 和匹配 [0.76m/秒, 0.87 m] 的模型预测。如图7所示, 在腿部轴方向上的功率贡献表明了机器人被动兼容元素的大量贡献。在第一季度的冲击吸收过程中, 电动机主要产生正功率。

四、讨论

在动态运动中, 运动学是有意义动力学的结果, 而不是自身的控制目标。所提出的方法使用的动力学预测的模板模型的步态作为控制目标。包含所需的被动动态和控制全局动态能力的硬件设计是基于模板的控制的必要要求。这种方法与双足机器人的其他控制方法有显著的不同。很少有执行器有足够的带宽主动控制合规性, 以产生双足运动观测到的动力学。然而,利用主动合规控制来模拟被动动力学的能力,需要的电力成本很高。

无源元件 samplify 执行器功率, 从而放宽了主动元件的要求。当我们在实验中研究主动和被动元素的功率贡献时, 这一点很明显 (见图 7, 右上方的面板)。由于 ATRIAS 的腿有第二自由度和执行者需要积极地跟随腿缩回在立场,部份地反对产生的弹簧扭矩, 马达为转动的自由度贡献极大地力量。在一个全尺寸的双足机器人中, 成功的机械实现了一个生物相关的模板模型,标志着动态机器人发展的一个里程碑。在我们的实验中,我们能够证明机器人的被动遵从性可以与驱动相结合,以一种有意义的方式, 通过匹配一个动态模板来促进可持续的动态运动。据我们所知, 这是第一次 spring–mass 双足步行实施。spring–mass 模型中观测到的典型地面反应力的再现表明了模型和机器人的动态匹配。这一成果为 spring–mass 模型研究中提出的控制概念的应用打下了基础, 以在不同的速度范围内对各种地形进行协商,同时限制结构动力荷载。ATRIAS 的能力, 例如, 通过增加髋关节扭矩通过不对称的弹簧扭矩, 可以扩大目前的控制方法, 以稳定上身和调节动量和能量。这个机器人的动力学演示再现了许多模型预测。力振幅和轨迹以及步幅的时间已经很好地匹配, 并取得了0.2和电动婴儿床1.1indicate 高的潜力, 高效率的运动, 广告使用符合结构, 允许动能和引力能被储存和回收。为参考, 人步行被报告有一个小床 of0.05 (机械) 和 0.2 (新陈代谢)。对于机器人, 该小床跨度从 0.055 (机械) 和 0.2 (电) 为康奈尔别动队员估计 1.6 (机械) 和 3.2 (电) 为本田的 ASIMO [11]。最近关于能量优化的研究 ZMP 步行报告了一个电子小床高达 4.7 [31]。虽然能源效率是移动设备所需的关键因素之一,因为它们必须携带能量源, 但不同的自主性、通用性和性能使得很难直接比较机器人。一般而言, 我们发现, 符合规定的腿消除了积极控制的影响, 以避免结构损坏的机器人, 因此, 基本上放松控制和提高鲁棒性。被动元素以知名的物产另外担当准确力量传感器。a. 科学影响模板模型像 spring–mass 模型经常被用于发现基本原则在动物运动 [2], [4]。模型发现的宣告的本质未被测试在现实世界中被批评了[32]。当倒立摆概念在许多机器人中发现了它的真实世界表示法时,很少有技术装置被设计为双足步行 spring–质量动力学的再现, 在仿真领域留下了现有的理论工作。这种方法能够实现在实验研究中发现的控制策略, 并通过调查模板模型, 如在障碍物谈判中的腿部力限制[33], 对躯干稳定的虚拟枢轴点控制 [21],并且双足运动在三维度 [18], [23]。成功地实施和继续实验, 生物启发的动力学将导致更好地了解如何相互作用的力学和神经控制使动物达到我们观察到的性能。

结论

证据强烈表明, spring–mass 行为一般为腿部运动。我们建议进一步扩大这个集成设计和控制的概念, 包括被动动力学和主动控制, 有潜力加强腿部机器人最终匹配的效率, 灵活性和健壮性的动物在各种的地形。采用基于模板的控制目标的集成设计方法, 首次允许在机器人上执行 spring–mass 模型动态, 即 31, NO. 2015年10月5日1251在人机型双足机器人, 实现高效、动态行走。