一種基於神經網絡感知器的雙足行走機器人

1引言

人作為雙足行走生物，是在長期的生物進化過程中形成的。人能夠不自覺地保持身體的直立性和平衡性，不論是在靜止不動還是在行走過程中。一旦失去平衡，人就會產生相應的動作，使身體保持平衡。例如，在靜止時，當人的重心偏向一側時，就會不自覺地向該側跨出一腳，以使重心位置落於支撐面內。這裡，支撐面定義為兩腳之間的面積以及兩腳的面積。當重心落於支撐面內時，就不會傾倒。再如，在行走過程中，人的重心不斷向前移動，超出了兩腳尖的位置，迫使人向前邁出腳，這樣才使人的行走成為可能，使人的行走自然流暢。因此，控制機器人重心的位置及重心位置的速度，是機器人保持穩定及產生有效步態的關鍵。本文就是控制機器人的重心位置，使其落於支撐面內，從而達到了機器人穩定性控制的目的。機器人的重心可以由安裝在機器人腳底的力傳感器測知。當重心偏向一側，這一側的傳感器輸出偏大，相反的一側的力傳感器等於零，或趨近於零。本文用感知器來感知機器人重心位置的變化，當重心超出支撐面時，系統將發出動作指令，使機器人保持穩定。

本文採用的神經網絡感知器(Perception)是最簡單的人工神經網絡，它是F??Rosenblatt於1958年提出的具有自學習能力的感知器。在這種人工神經網絡中，記憶的信息存儲在連接權上，外部刺激通過連接通道自動激活相應的神經元，以達到自動識別的目的。感知器模型如圖1所示，通常由感知層S(Sensory)、連接層A(Association)和反應層構成R(Response)。

2 人工神經元感知器的學習算法

可以用下面的方法訓練網絡：

(1)初始化S層至連接層(A層)的連接權矩陣

中的各個元素及Ａ層各單元的閥值賦予［－１，＋１］之間的隨機值，一般情況下vij＝１θj＝０i＝１，２，Λ，pj＝１，２，Λ，n且在整個學習過程中保持固定不變。
Ａ層至輸出層(R層)的連接權矩陣

中的各個元素及??Ｓ層各單元的閥值θ＝［θ１θ２Λθq］賦予［-1，+1］之間的隨機值。
(2)訓練隨機選取一輸入、輸出模式對(Sk,Yk)，這裡k=1，2，Λ，m時，網絡進行以下步驟的訓練。

第一步，計算連接層各單元的輸出

第二步，以連接層的輸出作為輸入層的各單元的輸入計算輸出層的實際輸出

在學習過程中，當所有的m個樣本模式對都提供給網絡學習一遍後，還需從頭再繼續提供給網絡學習。直到達到最大學習次數，以防止發散或無限震蕩，或者滿足誤差限。

3 計算機控制系統

機器人重心位置是由腳底的力傳感器測定的。當某一側的傳感器輸出值趨於零或小於預定的值時，說明重心已經偏向相反的另一側，機器人處於危險狀態。這時機器人就應該產生一定的動作，向另一側跨出一腳，以使機器人的重心位於支撐面內。整個控制系統如圖2所示

其中，y(t)是傳感器輸出向量，為模擬量，經採樣、Ａ／Ｄ轉換後為人工神經網絡感知器的輸入向量y(kt)。

本文取感知器的輸入層單元與輸出層單元的個數相同。感知器經過訓練好以後，系統將時實監控機器人的重心位置，當重心偏向某側，相反側的力傳感器的輸入小於設定的安全值時，神經網絡相應於該側的輸出為1，其餘均為0，系統將根據神經網絡的輸出，做出相應的動作指令；當傳感器的輸入均大於設定安全值時，神經網絡的輸出均為0，系統不產生任何動作指令。

4 仿真

本文假設在機器人的腳底安裝有力傳感器，左腳的後部、左部和前部各一個，右腳的前部、右部和後部各一個。依次編號為pi,i=1,2,Λ 6，構成輸入向量

P＝［p１，p2，p3，p4，p5，p6］Ｔ

假設機器人的重是100??kgf，當機器人的腳底的傳感器輸出為2kgf，即認為機器人處於危險狀態。設神經網絡感知器的輸入為

對應的理想輸出為

即認為力傳感器的輸出為2kgf時機器人處於危險狀態，傳感器的輸出為3kgf時，認為機器人處於安全狀態。連接權值和閥值的初始值分別是

經過n=1335次迭貸，輸出達到期望值。連接權值和閥值分別為

5 結論

本文就雙足行走機器人的穩定性控制提出了一種新的控制方法，它是建立在人工神經網絡感知器上。試驗表明，該方法簡單易行。