【摘要】 一种基于确定学习理论的机器人行走控制方法。该方法包括建立机器人行走的模型、 建立参考步态模型、神经网络的学习、建立常数神经网络和利用常数RBF神经网络完成行 走任务等过程，克服了已有神经网络学习与控制方法在学习能力上的不足，能够实现对机 器人闭环控制系统未知动力学模型沿机器人所经历周期步态轨迹在局部区域内的准确学 习；能够在稳定的动态控制过程中学习到系统动力学的有效知识，并将其成功地应用到后 续的相同或相似的任务当中去。该方法能够在节约能量的基础上实现快速步行，并为拟人 机器人的发展提供了有力的支撑。 【专利类型】发明授权 【申请人】华南理工大学 【申请人类型】学校 【申请人地址】510640广东省广州市天河区五山路381号 【申请人地区】中国 【申请人城市】广州市 【申请人区县】天河区 【申请号】CN200810029478.1 【申请日】2008-07-15 【申请年份】2008 【公开公告号】CN100590554C 【公开公告日】2010-02-17 【公开公告年份】2010 【授权公告号】CN100590554C 【授权公告日】2010-02-17 【授权公告年份】2010.0 【发明人】王聪; 薛珍贵 【主权项内容】1、一种基于确定学习理论的机器人行走控制方法，其特征在于包括如下步骤： (1)建立机器人行走的模型：建立以机器人关节角的位置以及关节角的角加速度作为 状态变量的机器人行走模型，该模型包括已知的动力学模型、未知的动力学模型和有界的 干扰； (2)建立参考步态模型：建立一个参考步态模型，来产生期望周期步态轨迹，并作为 机器人各个状态变量的跟踪信号； (3)神经网络的学习：根据步骤(1)建立的机器人行走的模型和步骤(2)建立的参 考步态模型建立自适应控制器，并嵌入RBF神经网络，根据李亚普诺夫稳定性理论调节 RBF神经网络的权值，实现机器人步态轨迹对期望周期步态轨迹跟踪，以及RBF神经网络 对机器人系统中的未知动力学模型的逼近； (4)建立常数神经网络：根据确定学习理论，沿机器人系统轨迹的RBF神经网络的 神经元满足持续激励条件，其权值收敛到最优值，取权值收敛后的一段时间内各权值的均 值作为学习训练结果，并利用这些结果建立常数神经网络； (5)利用常数神经网络完成行走任务：采用步骤(3)所述的自适应控制器，并用步 骤(4)所述常数神经网络来代替步骤(3)中自适应控制器的RBF神经网络，实现机器人 步态轨迹对期望周期步态轨迹的跟踪，所述常数神经网络用来消除未知动力学模型的影响， 提高机器人步态轨迹对期望周期步态轨迹的跟踪精度。 【当前权利人】华南理工大学 【当前专利权人地址】广东省广州市天河区五山路381号 【统一社会信用代码】12100000455414429R 【被引证次数】TRUE 【家族被引证次数】TRUE
