CN118131801A - 运动控制方法及装置、运动轨迹生成方法及装置 - Google Patents
运动控制方法及装置、运动轨迹生成方法及装置 Download PDFInfo
- Publication number
- CN118131801A CN118131801A CN202211496305.7A CN202211496305A CN118131801A CN 118131801 A CN118131801 A CN 118131801A CN 202211496305 A CN202211496305 A CN 202211496305A CN 118131801 A CN118131801 A CN 118131801A
- Authority
- CN
- China
- Prior art keywords
- motion
- pose
- robot
- optimized
- sampling point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000005070 sampling Methods 0.000 claims abstract description 116
- 230000008569 process Effects 0.000 claims abstract description 50
- 238000006073 displacement reaction Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 43
- 230000008859 change Effects 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 210000002414 leg Anatomy 0.000 description 17
- 210000001364 upper extremity Anatomy 0.000 description 15
- 210000000629 knee joint Anatomy 0.000 description 14
- 210000000544 articulatio talocruralis Anatomy 0.000 description 13
- 210000004394 hip joint Anatomy 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 239000011800 void material Substances 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 210000001503 joint Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000002683 foot Anatomy 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D57/00—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track
- B62D57/02—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track with ground-engaging propulsion means, e.g. walking members
- B62D57/032—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track with ground-engaging propulsion means, e.g. walking members with alternately or sequentially lifted supporting base and legs; with alternately or sequentially lifted feet or skid
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/40—Robotics, robotics mapping to robotics vision
- G05B2219/40395—Compose movement with primitive movement segments from database
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Manipulator (AREA)
Abstract
本公开是关于运动控制方法及装置、运动轨迹生成方法及装置，所述运动控制方法应用于机器人，包括：根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间；根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿；将所述至少一个节点的期望位姿作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数；根据所述期望运动的轨迹，控制所述机器人进行运动。
Description
技术领域
本公开涉及机器人技术领域，具体涉及一种运动控制方法及装置、运动轨迹生成方法及装置。
背景技术
近年来，机器人技术的技术不断发展，越来越智能化和自动化，动作的丰富性、稳定性和灵活性均得到了不同程度的提高。机器人在生产和生活中能够逐渐地替代人类进行劳动和作业，极大的改善了人们的工作和生活方式。特别是四足机器人和人形机器人能够依赖其多关节的特点做出更多动作。相关技术中，机器人对简单的重复性动作能够高质量实现，但是对于一些复杂度高、耗时长的动作，机器人还无法高质量实现，甚至无法完成。
发明内容
为克服相关技术中存在的问题，本公开实施例提供一种行走控制方法、装置、电子设备及存储介质，用以解决相关技术中的缺陷。
根据本公开实施例的第一方面，提供一种运动控制方法，应用于机器人，所述方法包括：
根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间；
根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿；
将所述至少一个节点的期望位姿作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数；
根据所述期望运动的轨迹，控制所述机器人进行运动。
在一个实施例中，所述根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿，包括：
根据所述至少一个运动阶段、所述至少一个运动阶段中每个运动阶段的时间、以及机器人在不同节点的期望位姿之间的相对关系，确定机器人在运动过程中多个节点的期望位姿。
在一个实施例中，还包括：
在任两个节点属于同一运动阶段的情况下，根据该两个节点在所述运动阶段中的位置，确定机器人在该两个节点的期望位姿之间的相对关系。
在一个实施例中，所述代价函数模型包括下述待优化项：
每个采样点上的待优化位姿与至少一个节点的期望位姿之间的差值，和至少一个节点上的待优化位姿与期望位姿之间的差值中的至少一项；
每个采样点上的待优化控制参数，和每个采样点上的待优化控制参数相对于前一个采样点上的待优化控制参数的差值中的至少一项。
在一个实施例中，所述代价函数模型还包括下述待优化项：每个采样点上的待优化位姿的变化速度，相对于前一个采样点上的待优化位姿的变化速度的差值。
在一个实施例中，所述代价函数模型中的每个待优化项均具有对应的权重。
在一个实施例中，所述代价函数模型的约束条件包括下述至少一项：
不同采样点上的待优化位姿和/或待优化控制参数满足预设的动力学方程；
每个采样点上的待优化位姿和/或待优化控制参数满足预设的经验范围。
在一个实施例中，所述期望位姿和所述位姿包括机身位移、机身姿态角、关节角位移中的至少一项；和/或，所述控制参数包括关节力矩。
在一个实施例中，所述期望运动包括前空翻运动、后空翻运动和跳跃运动。
在一个实施例中，所述根据所述期望运动的轨迹，控制所述机器人进行运动，包括：
在机器人运动至所述轨迹的任一采样点之前，根据该采样点的位姿和机器人当前的位姿，更新该采样点的控制参数；
根据更新后的控制参数，控制所述机器人进行运动。
根据本公开实施例的第二方面，提供一种运动轨迹生成方法，所述方法包括：
根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间；
根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿；
将所述至少一个节点的位姿信息作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数。
根据本公开实施例的第三方面，提供一种运动控制方法，应用于机器人，所述方法包括：
根据所述机器人内预先配置的轨迹，控制所述机器人进行运动，其中，所述轨迹由第二方面所述的运动轨迹生成方法所生成。
根据本公开实施例的第四方面，提供一种运动控制装置，应用于机器人，所述装置包括：
第一阶段模块，用于根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间；
第一期望模块，用于根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿；
第一代价模块，用于将所述至少一个节点的期望位姿作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数；
第一控制模块，用于根据所述期望运动的轨迹，控制所述机器人进行运动。
在一个实施例中，所述第一期望模块具体用于：
根据所述至少一个运动阶段、所述至少一个运动阶段中每个运动阶段的时间、以及机器人在不同节点的期望位姿之间的相对关系，确定机器人在运动过程中多个节点的期望位姿。
在一个实施例中，还包括关系模块，用于：
在任两个节点属于同一运动阶段的情况下，根据该两个节点在所述运动阶段中的位置，确定机器人在该两个节点的期望位姿之间的相对关系。
在一个实施例中，所述代价函数模型包括下述待优化项：
每个采样点上的待优化位姿与至少一个节点的期望位姿之间的差值，和至少一个节点上的待优化位姿与期望位姿之间的差值中的至少一项；
每个采样点上的待优化控制参数，和每个采样点上的待优化控制参数相对于前一个采样点上的待优化控制参数的差值中的至少一项。
在一个实施例中，所述代价函数模型还包括下述待优化项：每个采样点上的待优化位姿的变化速度，相对于前一个采样点上的待优化位姿的变化速度的差值。
在一个实施例中，所述代价函数模型中的每个待优化项均具有对应的权重。
在一个实施例中，所述代价函数模型的约束条件包括下述至少一项：
不同采样点上的待优化位姿和/或待优化控制参数满足预设的动力学方程；
每个采样点上的待优化位姿和/或待优化控制参数满足预设的经验范围。
在一个实施例中，所述期望位姿和所述位姿包括机身位移、机身姿态角、关节角位移中的至少一项；和/或，所述控制参数包括关节力矩。
在一个实施例中，所述期望运动包括前空翻运动、后空翻运动和跳跃运动。
在一个实施例中，所述根据所述期望运动的轨迹，控制所述机器人进行运动，包括：
在机器人运动至所述轨迹的任一采样点之前，根据该采样点的位姿和机器人当前的位姿，更新该采样点的控制参数；
根据更新后的控制参数，控制所述机器人进行运动。
根据本公开实施例的第五方面，提供一种运动轨迹生成装置，所述装置包括：
第二阶段模块，用于根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间；
第二期望模块，用于根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿；
第二代价模块，用于将所述至少一个节点的位姿信息作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数。
根据本公开实施例的第六方面，提供一种运动控制装置，应用于机器人，所述装置包括第二控制模块，用于：
根据所述机器人内预先配置的轨迹，控制所述机器人进行运动，其中，所述轨迹由第二方面所述的运动轨迹生成方法所生成。
根据本公开实施例的第七方面，提供一种电子设备，所述电子设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现第一方面、第二方面或第三方面所述的方法。
根据本公开实施例的第八方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面、第二方面或第三方面所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例所提供的运动控制方法，首先根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，从而可以根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿，进而将所述至少一个节点的期望位姿作为参考值输入代价函数模型，得到所述期望运动的轨迹，最后可以根据所述期望运动的轨迹，控制所述机器人进行运动。由于轨迹包括每个采样点上的位姿和控制参数，因此能够描述高复杂度和耗时长高难度动作，据此控制机器人运动能够使机器人准确完成高难度动作，扩展机器人的能够完成的动作复杂度；再者，由于作为代价函数模型的参考值的期望位姿，是根据期望运动的运动过程的阶段划分确定的，因此据此所确定的轨迹能够准确表征期望运动的过程。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本公开一示例性实施例示出的运动控制方法的流程图；
图2A至图2F是本公开一示例性实施例示出的四足机器人完成前空翻运动的运动过程的示意图；
图3是本公开又一示例性实施例示出的轨迹生成方法的流程图；
图4是本公开一示例性实施例示出的运动控制装置的结构示意图；
图5是本公开一示例性实施例示出的电子设备的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
近年来，机器人技术的技术不断发展，越来越智能化和自动化，动作的丰富性、稳定性和灵活性均得到了不同程度的提高。机器人在生产和生活中能够逐渐地替代人类进行劳动和作业，极大的改善了人们的工作和生活方式。特别是四足机器人和人形机器人能够依赖其多关节的特点做出更多动作。相关技术中，机器人对简单的重复性动作能够高质量实现，但是对于一些复杂度高、耗时长的动作，机器人还无法高质量实现，甚至无法完成。
基于此，第一方面，本公开至少一个实施例提供了一种运动控制方法，请参照附图1，其示出了该方法的流程，包括步骤S101至步骤S104。
其中，该方法可以应用于机器人，例如应用四足机器人、人形机器人等足式机器人。示例性的，该方法可以应用在控制机器人完成前空翻运动、后空翻运动和跳跃运动等动作的场景。
在步骤S101中，根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间。
其中，期望运动可以指希望机器人完成的运动，也就是即将控制机器人完成的运动。期望运动的类型可以为前空翻运动、后空翻运动、跳跃运动等。机器人内可以预先设置运行类型库，该运动类型库内可以预先配置上述运动类型。每种类型的运动，均可以划分为至少一个运动阶段，因此可以在机器人内预先配置运动类型与运动阶段划分结果之间的映射关系，运动阶段划分结果可以包括运动过程中的至少一个运动阶段，以及每个运动阶段的时间，进而在本步骤中可以根据期望运动的类型，到上述映射关系中获取对应的运动阶段划分结果。
以四足机器人进行前空翻运动为例，空翻运动是一种高运动性、超极限的运动，对机器人的关节输出力与速度以及平衡控制能力具有较高的要求。借用仿生或体育中的定义，空翻即一类身体在空中发生翻转的运动，对于四足机器人来说，即机身绕roll或pitch方向翻转的运动。为实现空翻，需要在腾空瞬间达到较大的速度与角速度，在关节输出功率一定的情况下，最大化利用四足的工作空间，因此可以将其运动过程划分为起跳阶段和腾空阶段；请参照附图2A至附图2F所示出的四足机器人完成前空翻运动的运动过程，其中，附图2A至附图2C为起跳阶段，附图2C至附图2F为腾空阶段；可以理解的是上述附图中将四足机器人简化为了二维关节模型。
可以理解的是，期望运动可以由与机器人通信连接的遥控器、安装有机器人控制程序的终端设备发送至机器人；期望运动还可以由机器人规划运动路径时，根据扫描得到的障碍物信息、路况信息等生成，例如机器人扫描到前方具有障碍物时，可以生成一个跳跃动作作为期望运动。
在步骤S102中，根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿。
其中，节点为机器人运动过程中的特定采样点，例如节点可以为运动阶段的起始采样点或者结束采样点等。这些节点是对运动过程中的全部采样点的采样。所述期望位姿可以包括机身位移、机身姿态角、关节角位移中的至少一项。以附图2A至附图2F所示出的机器人为例，机器人包括躯干和腿，机身位姿和姿态角可以为躯干的位姿和姿态角，关节角位移可以为腿上的髋关节的角位移、膝关节的角位移和踝关节的角位移。
可以根据节点所处运动阶段，以及其在运动阶段中的位置来确定节点的期望位姿；例如某节点为附图2C所示出的节点，则可以根据机器人当前的位姿，以及当前位姿与附图2C的位姿间的相对关系，来确定该节点的期望位姿。
示例性的，可以根据所述至少一个运动阶段、所述至少一个运动阶段中每个运动阶段的时间、以及机器人在不同节点的期望位姿之间的相对关系，确定机器人在运动过程中多个节点的期望位姿。该示例中进一步结合不同节点的期望位姿之间的相对关系，可以对节点的期望位姿进行约束，从而使确定的期望位姿更加准确和贴近实际。
其中，不同节点的期望位姿之间的相对关系可以按照下述方式确定：在任两个节点属于同一运动阶段的情况下，根据该两个节点在所述运动阶段中的位置，确定机器人在该两个节点的期望位姿之间的相对关系。可以理解的是，不同节点的期望位姿之间的相对关系还可以按照其他合理方式确定，本公开对此不作限制。
例如，对于附图2A至附图2F所示出的前空翻运动，主要考虑机身Z、Pitch方向的轨迹(即机身高度，和机身环绕垂直于直面的旋转轴的旋转角度)，腾空阶段Z方向简化为自由落体运动，Pitch方向简化为匀速运动，则可以确定腾空阶段起始采样点(即附图2C所示的节点)和结束采样点(即附图2F所示的节点)的期望位姿在上述两个方向上的相对关系：
Z方向：
P_la＝P_lo+V_lo*t_fly-0.5*g*(t_fly^2)
其中，P_la为结束采样点的机身位移、P_lo为起始采样点的机身位移，V_lo为起始采样点的机身速度，t_fly为腾空阶段的时间。
Pitch方向
theta_la＝theta_lo+W_lo*t_fly
其中，theta_la为结束采样点的机身姿态角，theta_lo为起始采样点的机身姿态角，W_lo为起始采样点的机身角速度，t_fly为腾空阶段的时间。
在步骤S103中，将所述至少一个节点的期望位姿作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数。
其中，控制参数可以包括关节力矩、足端支反力等。
所述代价函数模型包括下述待优化项：每个采样点上的待优化位姿与至少一个节点的期望位姿之间的差值，和至少一个节点上的待优化位姿与期望位姿之间的差值中的至少一项；每个采样点上的待优化控制参数，和每个采样点上的待优化控制参数相对于前一个采样点上的待优化控制参数的差值中的至少一项；每个采样点上的待优化位姿的变化速度，相对于前一个采样点上的待优化位姿的变化速度的差值。
可以理解的是，所述代价函数模型中的每个待优化项均具有对应的权重。
另外，所述代价函数模型的约束条件包括下述至少一项：不同采样点上的待优化位姿和/或待优化控制参数满足预设的动力学方程；每个采样点上的待优化位姿和/或待优化控制参数满足预设的经验范围。
示例性的，对于附图2A至附图2F所示出的四足机器人的前空翻运动，可以采用离线轨迹优化(Trajectory Optimization)和MPC控制来构建下述代价函数模型：
Cost＝W1*||q(k)-q(N)||2+W2*||qbody_flying-qbody_des||2+W3*||qdbody(k)-qdbody(k-1)||2+W4*||τ(k)||2+W5*||τ(k)-τ(k-1)||2
其中，Cost为代价值，W1、W2、W3、W4、W5为5个权重，q(k)为机器人在第k个(k＝1......N)采样点的待优化位姿，例如机器人在第k个采样点的待优化机身位移、待优化机身姿态角、待优化关节角位移，q(N)为机器人在腾空阶段结束采样点(此采样点为一个节点)的的期望位姿，例如机器人在腾空阶段结束采样点的期望机身位移、期望机身姿态角、期望关节角位移；qbody_flying为机器人在腾空阶段起始采样点(此采样点为一个节点)的待优化位姿，例如机器人在在腾空阶段起始采样点的待优化机身位移、待优化机身姿态角、待优化关节角位移，qbody_des为机器人在腾空阶段起始采样点(此采样点为一个节点)的期望位姿，例如机器人在在腾空阶段起始采样点的期望机身位移、期望机身姿态角、期望关节角位移；qdbody(k)为机器人在第k个采样点上的待优化位姿的变化速度，例如机器人在第k个采样点上的待优化机身位移的变化速度、待优化机身姿态角的变化速度、待优化关节角位移的变化速度，qdbody(k-1)为机器人在第k-1个采样点上的待优化位姿的变化速度，例如机器人在第k-1个采样点上的待优化机身位移的变化速度、待优化机身姿态角的变化速度、待优化关节角位移的变化速度；τ(k)为机器人在第k个采样点上的待优化关节力矩，例如机器人在第k个采样点上每条腿的髋关节的待优化关节力矩、膝关节的待优化关节力矩和踝关节的待优化关节力矩；τ(k-1)为机器人在第k-1个采样点上的待优化关节力矩，例如机器人在第k-1个采样点上每条腿的髋关节的待优化关节力矩、膝关节的待优化关节力矩和踝关节的待优化关节力矩。
可以理解的是，上述代价函数模型中每一项都可以拆分为多项之和，例如第一项可以拆分为机身位移、机身姿态角、前腿髋关节角位移、前腿膝关节角位移、前腿踝关节角位移、后腿髋关节角位移、后腿膝关节角位移、后腿踝关节角位移八项之和；第二项可以拆分为机身位移、机身姿态角、前腿髋关节角位移、前腿膝关节角位移、前腿踝关节角位移、后腿髋关节角位移、后腿膝关节角位移、后腿踝关节角位移八项之和；第三项可以为拆分为机身位移的变化速度、机身姿态角的变化速度、前腿髋关节角位移的变化速度、前腿膝关节角位移的变化速度、前腿踝关节角位移的变化速度、后腿髋关节角位移的变化速度、后腿膝关节角位移的变化速度、后腿踝关节角位移的变化速度八项之和；第四项可以拆分为前腿髋关节的力矩、前腿膝关节的力矩、前腿踝关节的力矩、后腿髋关节的力矩、后腿膝关节的力矩、后腿踝关节的力矩六项之和；第五项可以拆分为前腿髋关节的力矩、前腿膝关节的力矩、前腿踝关节的力矩、后腿髋关节的力矩、后腿膝关节的力矩、后腿踝关节的力矩六项之和。
另外，上述代价函数模型的约束条件可以包括：
Xdot_k+1＝Xdot_k+Xddot_k*dt(即位姿X满足离散化的动力学方程)；
vel_foot_contact＝0(即支撑足端不发生滑移)；
pos_special>0.01(即膝关节、躯干中点等特殊点不触地)；
force_foot_contact<force_max，force_foot_contact>f_min(即支撑腿足端支反力处于支反力正常范围)；
force_foot_swing＝0(摆动腿足端支反力为零)；
joint_torque>-torque_max&&joint_torque<-torque_max(即关节力矩处于力矩正常范围内，该条件可最大限度利用关节的输出力矩，提升机器人运动极限)；
joint_vel>-vel_max&&joint_vel<vel_max(即关节转速处于转速正常范围内，该条件可最大限度利用关节的转速，提升机器人运动极限)。
可以理解的是，可以采用非线性求解库(例如IPOPT等)优化代价函数模型，得到每个待优化参数的优化结果，例如位姿优化结果、位姿变化速度的优化结果、控制参数的优化结果等。
上述步骤S101至步骤S103可以为机器人在线优化轨迹，也可以为机器人预先离线优化轨迹，即机器人在未运动时按照上述步骤对各个运动类型的轨迹进行生成和优化。
在步骤S104中，根据所述期望运动的轨迹，控制所述机器人进行运动。
示例性的，在机器人运动至所述轨迹的任一采样点之前，根据该采样点的位姿和机器人当前的位姿，更新该采样点的控制参数；并根据更新后的控制参数，控制所述机器人进行运动。优选的，可以在接近某一采样点时更新该采样点的控制参数，由于此时机器人当前的位姿接近该采样点的实际位姿，因此更新结果更加准确。
例如，可以采用下述公式更新采样点的控制参数：
τ＝k*τ_ff+kp*(q-q_cur)+kd*(qd-qd_cur)
其中，τ为更新后的关节力矩，τ_ff为更新前的关节力矩，q为采样点的位姿(即步骤S103中的位姿优化结果)，q_cur为机器人当前的位姿，qd为采样点的位姿变化速度(即步骤S103中的位姿变化速速的优化结果)，qd_cur为机器人当前的位姿变化速度，k为预设的前馈力矩系数，kp为位姿增益，kd为速度增益。
本公开实施例所提供的运动控制方法，首先根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，从而可以根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿，进而将所述至少一个节点的期望位姿作为参考值输入代价函数模型，得到所述期望运动的轨迹，最后可以根据所述期望运动的轨迹，控制所述机器人进行运动。由于轨迹包括每个采样点上的位姿和控制参数，因此能够描述高复杂度和耗时长高难度动作，据此控制机器人运动能够使机器人准确完成高难度动作，扩展机器人的能够完成的动作复杂度；再者，由于作为代价函数模型的参考值的期望位姿，是根据期望运动的运动过程的阶段划分确定的，因此据此所确定的轨迹能够准确表征期望运动的过程。
根据本公开实施例的第二方面，提供一种运动轨迹生成方法，请参照附图3，其示出了该方法的流程，包括步骤S301至步骤S303。
在步骤S301中，根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间。
在步骤S302中，根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿。
在步骤S303中，将所述至少一个节点的位姿信息作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数。
上述三个步骤与附图1中的步骤S101至步骤S103相同，因此对于步骤细节这里不再重复赘述。需要注意的是，步骤S301至步骤S303可以运行在机器人上，也可以运行在用于开发的机器人运动轨迹的计算机上；若使用计算机执行上述三个步骤，开发得到期望运动的轨迹，可以将得到的轨迹配置至机器人中。
根据本公开实施例的第二方面，提供一种运动控制方法，应用于机器人，所述方法包括：
根据所述机器人内预先配置的轨迹，控制所述机器人进行运动，其中，所述轨迹由第二方面所述的运动轨迹生成方法所生成。
该步骤与附图1中的步骤S104相同，因此对于步骤细节这里不再重复赘述。该步骤使用的轨迹是预先配置于机器人内的轨迹。
根据本公开实施例的第四方面，提供一种运动控制装置，应用于机器人，请参照附图4，所述装置包括：
第一阶段模块401，用于根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间；
第一期望模块402，用于根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿；
第一代价模块403，用于将所述至少一个节点的期望位姿作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数；
第一控制模块404，用于根据所述期望运动的轨迹，控制所述机器人进行运动。
在一个实施例中，所述第一期望模块具体用于：
根据所述至少一个运动阶段、所述至少一个运动阶段中每个运动阶段的时间、以及机器人在不同节点的期望位姿之间的相对关系，确定机器人在运动过程中多个节点的期望位姿。
在一个实施例中，还包括关系模块，用于：
在任两个节点属于同一运动阶段的情况下，根据该两个节点在所述运动阶段中的位置，确定机器人在该两个节点的期望位姿之间的相对关系。
在一个实施例中，所述代价函数模型包括下述待优化项：
每个采样点上的待优化位姿与至少一个节点的期望位姿之间的差值，和至少一个节点上的待优化位姿与期望位姿之间的差值中的至少一项；
每个采样点上的待优化控制参数，和每个采样点上的待优化控制参数相对于前一个采样点上的待优化控制参数的差值中的至少一项。
在一个实施例中，所述代价函数模型还包括下述待优化项：每个采样点上的待优化位姿的变化速度，相对于前一个采样点上的待优化位姿的变化速度的差值。
在一个实施例中，所述代价函数模型中的每个待优化项均具有对应的权重。
在一个实施例中，所述代价函数模型的约束条件包括下述至少一项：
不同采样点上的待优化位姿和/或待优化控制参数满足预设的动力学方程；
每个采样点上的待优化位姿和/或待优化控制参数满足预设的经验范围。
在一个实施例中，所述期望位姿和所述位姿包括机身位移、机身姿态角、关节角位移中的至少一项；和/或，所述控制参数包括关节力矩。
在一个实施例中，所述期望运动包括前空翻运动、后空翻运动和跳跃运动。
在一个实施例中，所述根据所述期望运动的轨迹，控制所述机器人进行运动，包括：
在机器人运动至所述轨迹的任一采样点之前，根据该采样点的位姿和机器人当前的位姿，更新该采样点的控制参数；
根据更新后的控制参数，控制所述机器人进行运动。
根据本公开实施例的第五方面，提供一种运动轨迹生成装置，所述装置包括：
第二阶段模块，用于根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间；
第二期望模块，用于根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿；
第二代价模块，用于将所述至少一个节点的位姿信息作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数。
根据本公开实施例的第六方面，提供一种运动控制装置，应用于机器人，所述装置包括第二控制模块，用于：
根据所述机器人内预先配置的轨迹，控制所述机器人进行运动，其中，所述轨迹由第五方面所述的运动轨迹生成方法所生成。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在第一方面有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
根据本公开实施例的第七方面，请参照附图5，其示例性的示出了一种电子设备的框图。例如，装置500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图5，装置500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件516。
处理组件502通常控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理部件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在设备500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件506为装置500的各种组件提供电力。电力组件506可以包括电源管理系统，一个或多个电源，及其他与为装置500生成、管理和分配电力相关联的组件。
多媒体组件508包括在所述装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触控面板(TP)。如果屏幕包括触控面板，屏幕可以被实现为触控屏，以接收来自用户的输入信号。触控面板包括一个或多个触控传感器以感测触控、滑动和触控面板上的手势。所述触控传感器可以不仅感测触控或滑动动作的边界，而且还检测与所述触控或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当装置500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当装置500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。
I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件514包括一个或多个传感器，用于为装置500提供各个方面的状态评估。例如，传感器组件514可以检测到装置500的打开/关闭状态，组件的相对定位，例如所述组件为装置500的显示器和小键盘，传感器组件514还可以检测装置500或装置500一个组件的位置改变，用户与装置500接触的存在或不存在，装置500方位或加速/减速和装置500的温度变化。传感器组件514还可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络，如WiFi，2G或3G，4G或5G或它们的组合。在一个示例性实施例中，通信部件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述电子设备的方法。
第八方面，本公开在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由装置500的处理器520执行以完成上述电子设备的方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (26)
1.一种运动控制方法，其特征在于，应用于机器人，所述方法包括：
根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间；
根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿；
将所述至少一个节点的期望位姿作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数；
根据所述期望运动的轨迹，控制所述机器人进行运动。
2.根据权利要求1所述的运动控制方法，其特征在于，所述根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿，包括：
根据所述至少一个运动阶段、所述至少一个运动阶段中每个运动阶段的时间、以及机器人在不同节点的期望位姿之间的相对关系，确定机器人在运动过程中多个节点的期望位姿。
3.根据权利要求2所述的运动控制方法，其特征在于，还包括：
在任两个节点属于同一运动阶段的情况下，根据该两个节点在所述运动阶段中的位置，确定机器人在该两个节点的期望位姿之间的相对关系。
4.根据权利要求2所述的运动控制方法，其特征在于，所述代价函数模型包括下述待优化项：
每个采样点上的待优化位姿与至少一个节点的期望位姿之间的差值，和至少一个节点上的待优化位姿与期望位姿之间的差值中的至少一项；
每个采样点上的待优化控制参数，和每个采样点上的待优化控制参数相对于前一个采样点上的待优化控制参数的差值中的至少一项。
5.根据权利要求4所述的运动控制方法，其特征在于，所述代价函数模型还包括下述待优化项：每个采样点上的待优化位姿的变化速度，相对于前一个采样点上的待优化位姿的变化速度的差值。
6.根据权利要求4所述的运动控制方法，其特征在于，所述代价函数模型中的每个待优化项均具有对应的权重。
7.根据权利要求4所述的运动控制方法，其特征在于，所述代价函数模型的约束条件包括下述至少一项：
不同采样点上的待优化位姿和/或待优化控制参数满足预设的动力学方程；
每个采样点上的待优化位姿和/或待优化控制参数满足预设的经验范围。
8.根据权利要求1至7任一项所述的运动控制方法，其特征在于，所述期望位姿和所述位姿包括机身位移、机身姿态角、关节角位移中的至少一项；和/或，所述控制参数包括关节力矩。
9.根据权利要求1至7任一项所述的运动控制方法，其特征在于，所述期望运动包括前空翻运动、后空翻运动和跳跃运动。
10.根据权利要求1至7任一项所述的运动控制方法，其特征在于，所述根据所述期望运动的轨迹，控制所述机器人进行运动，包括：
在机器人运动至所述轨迹的任一采样点之前，根据该采样点的位姿和机器人当前的位姿，更新该采样点的控制参数；
根据更新后的控制参数，控制所述机器人进行运动。
11.一种运动轨迹生成方法，其特征在于，所述方法包括：
根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间；
根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿；
将所述至少一个节点的位姿信息作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数。
12.一种运动控制方法，其特征在于，应用于机器人，所述方法包括：
根据所述机器人内预先配置的轨迹，控制所述机器人进行运动，其中，所述轨迹由权利要求11所述的运动轨迹生成方法所生成。
13.一种运动控制装置，其特征在于，应用于机器人，所述装置包括：
第一阶段模块，用于根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间；
第一期望模块，用于根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿；
第一代价模块，用于将所述至少一个节点的期望位姿作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数；
第一控制模块，用于根据所述期望运动的轨迹，控制所述机器人进行运动。
14.根据权利要求13所述的运动控制装置，其特征在于，所述第一期望模块具体用于：
根据所述至少一个运动阶段、所述至少一个运动阶段中每个运动阶段的时间、以及机器人在不同节点的期望位姿之间的相对关系，确定机器人在运动过程中多个节点的期望位姿。
15.根据权利要求14所述的运动控制装置，其特征在于，还包括关系模块，用于：
在任两个节点属于同一运动阶段的情况下，根据该两个节点在所述运动阶段中的位置，确定机器人在该两个节点的期望位姿之间的相对关系。
16.根据权利要求14所述的运动控制装置，其特征在于，所述代价函数模型包括下述待优化项：
每个采样点上的待优化位姿与至少一个节点的期望位姿之间的差值，和至少一个节点上的待优化位姿与期望位姿之间的差值中的至少一项；
每个采样点上的待优化控制参数，和每个采样点上的待优化控制参数相对于前一个采样点上的待优化控制参数的差值中的至少一项。
17.根据权利要求16所述的运动控制装置，其特征在于，所述代价函数模型还包括下述待优化项：每个采样点上的待优化位姿的变化速度，相对于前一个采样点上的待优化位姿的变化速度的差值。
18.根据权利要求16所述的运动控制装置，其特征在于，所述代价函数模型中的每个待优化项均具有对应的权重。
19.根据权利要求16所述的运动控制装置，其特征在于，所述代价函数模型的约束条件包括下述至少一项：
不同采样点上的待优化位姿和/或待优化控制参数满足预设的动力学方程；
每个采样点上的待优化位姿和/或待优化控制参数满足预设的经验范围。
20.根据权利要求13至19任一项所述的运动控制装置，其特征在于，所述期望位姿和所述位姿包括机身位移、机身姿态角、关节角位移中的至少一项；和/或，所述控制参数包括关节力矩。
21.根据权利要求13至19任一项所述的运动控制装置，其特征在于，所述期望运动包括前空翻运动、后空翻运动和跳跃运动。
22.根据权利要求13至19任一项所述的运动控制装置，其特征在于，所述根据所述期望运动的轨迹，控制所述机器人进行运动，包括：
在机器人运动至所述轨迹的任一采样点之前，根据该采样点的位姿和机器人当前的位姿，更新该采样点的控制参数；
根据更新后的控制参数，控制所述机器人进行运动。
23.一种运动轨迹生成装置，其特征在于，所述装置包括：
第二阶段模块，用于根据期望运动的类型，生成运动过程的至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间；
第二期望模块，用于根据所述至少一个运动阶段，以及所述至少一个运动阶段中每个运动阶段的时间，确定机器人在运动过程中至少一个节点的期望位姿；
第二代价模块，用于将所述至少一个节点的位姿信息作为参考值输入代价函数模型，得到所述期望运动的轨迹，其中，所述轨迹包括机器人在运动过程中每个采样点上的位姿和控制参数。
24.一种运动控制装置，其特征在于，应用于机器人，所述装置包括第二控制模块，用于：
根据所述机器人内预先配置的轨迹，控制所述机器人进行运动，其中，所述轨迹由权利要求11所述的运动轨迹生成方法所生成。
25.一种电子设备，其特征在于，所述电子设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现权利要求1至12中任一项所述的方法。
26.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至12中任一项所述的方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211496305.7A CN118131801A (zh) | 2022-11-24 | 2022-11-24 | 运动控制方法及装置、运动轨迹生成方法及装置 |
| US18/383,019 US20240173860A1 (en) | 2022-11-24 | 2023-10-23 | Motion control method, method for generating trajectory of motion, and electronic device |
| EP23210839.9A EP4375026A1 (en) | 2022-11-24 | 2023-11-20 | Motion control method and apparatus, method and apparatus for generating trajectory of motion |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211496305.7A CN118131801A (zh) | 2022-11-24 | 2022-11-24 | 运动控制方法及装置、运动轨迹生成方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118131801A true CN118131801A (zh) | 2024-06-04 |
Family
ID=88874525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211496305.7A Pending CN118131801A (zh) | 2022-11-24 | 2022-11-24 | 运动控制方法及装置、运动轨迹生成方法及装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20240173860A1 (zh) |
| EP (1) | EP4375026A1 (zh) |
| CN (1) | CN118131801A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110315543A (zh) * | 2019-07-29 | 2019-10-11 | 北京理工大学 | 一种双足机器人步态生成与优化方法 |
| CN112207825A (zh) * | 2020-09-28 | 2021-01-12 | 杭州云深处科技有限公司 | 一种四足机器人仿生跳跃动作的控制方法、装置、电子设备及计算机可读介质 |
| CN113290559A (zh) * | 2021-05-26 | 2021-08-24 | 深圳市优必选科技股份有限公司 | 机器人平衡控制方法、装置、机器人控制设备及存储介质 |
-
2022
- 2022-11-24 CN CN202211496305.7A patent/CN118131801A/zh active Pending
-
2023
- 2023-10-23 US US18/383,019 patent/US20240173860A1/en active Pending
- 2023-11-20 EP EP23210839.9A patent/EP4375026A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110315543A (zh) * | 2019-07-29 | 2019-10-11 | 北京理工大学 | 一种双足机器人步态生成与优化方法 |
| CN112207825A (zh) * | 2020-09-28 | 2021-01-12 | 杭州云深处科技有限公司 | 一种四足机器人仿生跳跃动作的控制方法、装置、电子设备及计算机可读介质 |
| CN113290559A (zh) * | 2021-05-26 | 2021-08-24 | 深圳市优必选科技股份有限公司 | 机器人平衡控制方法、装置、机器人控制设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| DIEGO PARDO等: "Hybrid direct collocation and control in the constraint-consistent subspace for dynamic legged robot locomotion", 《ROBOTICS: SCIENCE AND SYSTEMS 2017》, 31 July 2017 (2017-07-31), pages 1 - 10 * |
| QUAN NGUYEN等: "Optimized Jumping on the MIT Cheetah 3 Robot", 《2019 INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》, 12 August 2019 (2019-08-12), pages 7448 - 7454 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20240173860A1 (en) | 2024-05-30 |
| EP4375026A1 (en) | 2024-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107832836B (zh) | 无模型深度增强学习探索方法及装置 | |
| KR20170010815A (ko) | 로봇 디바이스 동작의 가상 표현을 디스플레이하는 증강 현실을 위한 방법 및 시스템 | |
| KR20140031316A (ko) | 이동하는 개체를 이동 로봇을 이용하여 추적 및 추종하는 기법 | |
| CN105117008B (zh) | 操作引导方法及装置、电子设备 | |
| CN113199472B (zh) | 机器人控制方法、装置、存储介质、电子设备和机器人 | |
| US20240126363A1 (en) | Hand-specific laser projected virtual interfaces and operations | |
| CN111783898B (zh) | 图像识别模型的训练、图像识别方法、装置及设备 | |
| CN110764627A (zh) | 一种输入方法、装置和电子设备 | |
| CN118131801A (zh) | 运动控制方法及装置、运动轨迹生成方法及装置 | |
| EP3792872B1 (en) | Method, apparatus and medium for object tracking | |
| CN112767541A (zh) | 三维重建方法及装置、电子设备和存储介质 | |
| CN117245642B (zh) | 机器人的控制方法、装置及存储介质 | |
| CN113642551A (zh) | 指甲关键点检测方法、装置、电子设备及存储介质 | |
| WO2020022122A1 (ja) | 情報処理装置、行動決定方法及びプログラム | |
| CN118219256A (zh) | 运动轨迹生成方法、运动控制方法及相关装置 | |
| CN117826863A (zh) | 机器人跟随方法、装置、机器人及可读存储介质 | |
| CN114115350A (zh) | 飞行器的控制方法、装置及设备 | |
| CN109176520B (zh) | 舵机运动参数范围调整方法、控制终端、机器人及介质 | |
| CN109407942B (zh) | 一种模型处理方法、装置、控制客户端及存储介质 | |
| CN111814968A (zh) | 用于机器学习模型的分布式训练的方法和装置 | |
| CN111735476B (zh) | 测试装置和运动控制方法 | |
| CN111898727A (zh) | 基于短时访问机制的强化学习方法、装置及存储介质 | |
| CN118456411A (zh) | 机器人控制方法、装置及存储介质 | |
| CN118149801A (zh) | 状态估计补偿方法、装置、介质及设备 | |
| CN117984335A (zh) | 地形检测方法、装置、电子设备、机器人及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |