一种基于神经网络感知器的双足行走机器人稳定性控制方法

摘 要：本文利用神经网络感知器和安装在机器人脚底的力传感器，测知机器人重心的位置，控制机器人重心在双脚的支撑面内，以使机器人稳定。本文提出的双足行走机器人稳定性控制方案是简单易行的。
关键词：神经网络 感知器 双足行走机器人 稳定性控制

1 引言
人作为双足行走生物，是在长期的生物进化过程中形成的。人能够不自觉地保持身体的直立性和平衡性，不论是在静止不动还是在行走过程中。一旦失去平衡，人就会产生相应的动作，使身体保持平衡。例如，在静止时，当人的重心偏向一侧时，就会不自觉地向该侧跨出一脚，以使重心位置落于支撑面内。这里，支撑面定义为两脚之间的面积以及两脚的面积。当重心落于支撑面内时，就不会倾倒。再如，在行走过程中，人的重心不断向前移动，超出了两脚尖的位置，迫使人向前迈出脚，这样才使人的行走成为可能，使人的行走自然流畅。因此，控制机器人重心的位置及重心位置的速度，是机器人保持稳定及产生有效步态的关键。本文就是控制机器人的重心位置，使其落于支撑面内，从而达到了机器人稳定性控制的目的。机器人的重心可以由安装在机器人脚底的力传感器测知。当重心偏向一侧，这一侧的传感器输出偏大，相反的一侧的力传感器等于零，或趋近于零。本文用感知器来感知机器人重心位置的变化，当重心超出支撑面时，系统将发出动作指令，使机器人保持稳定。
本文采用的神经网络感知器(Perception)是最简单的人工神经网络，它是FRosenblatt于1958年提出的具有自学习能力的感知器。在这种人工神经网络中，记忆的信息存储在连接权上，外部刺激通过连接通道自动激活相应的神经元，以达到自动识别的目的。感知器模型如图1所示，通常由感知层S(Sensory)、连接层A(Association)和反应层构成R(Response)。

2 人工神经元感知器的学习算法
可以用下面的方法训练网络：
(1)初始化S层至连接层(A层)的连接权矩阵

中的各个元素及Ａ层各单元的阀值赋予［－１，＋１］之间的随机值，一般情况下vij＝１θj＝０i＝１，２，Λ，pj＝１，２，Λ，n且在整个学习过程中保持固定不变。
Ａ层至输出层(R层)的连接权矩阵

中的各个元素及Ｓ层各单元的阀值θ＝［θ１θ２Λθq］赋予［-1，+1］之间的随机值。