四足机器人技术及进展

四足机器人技术及进展 

 

摘  要：自然界中有许多地形无法使用传统轮式或履带式车辆到达,而哺乳动物却能够在这些地形行走自如,这充分展示出四足移动方式的优势。四足机器人已经成为当今移动机器人研究的热点，其研究深具社会意义和实用价值。阐述了四足机器人的发展及研究现状，以具有代表性的四足机器人为据，从运动规划、运动控制两个方面综合介绍了四足机器人系统，总结了四足机器人的关键技术及主要问题，最后给出了具有前瞻性的结论。 

关键词：四足机器人；运动规划；运动控制

1. 引言

四足移动机械的研究最早可以追溯到四世纪，人们设计了一个四条腿的木制机构了来帮助搬运沉重的货物。从那时开始，很多研究相继出版，但一直停留在设计阶段。早期的步行机器人限于当时计算机发展水平控制系统由逻辑电路组成。后来才有计算作为控制器进行变更步行模式的控制。两个早期的实现代表是G.E四足电控步行车和Poney四足机构，其控制系统由逻辑电路组成，在操作者的控制下机器人能够跨越障碍。限于当时的计算能力，它以人为中心控制器[1]。1977年，Frank和McGhee完成了世界上第一台多足机器人。MCGhee的机器人关节由逻辑电路组成的状态机控制，每个状态由前一个状态触发，这使得机器人行为受到限制，只能呈现固定运动形式。然而，它开启了计算机控制机器人步态的大门。直到 20 世纪80 年代，随着计算机技术的快速发展，四足移动机械的相关研究获得了飞跃式发展。科学家们受昆虫等多足生物步行运动的启发，研制了由计算机控制的静态稳定多足步行机器人。这些机器人在任何时候都能在支撑腿的支撑作用下保持静态平衡，非支撑腿(摆动腿)可移动至新的立足位置，并进行支撑腿转换，呈新的稳定平衡状态，完成步行运动。控制器的设计理念是基于传感器反馈控制腿的运动，以确保腿移动到新的状态，因而能够实现非常鲁棒的运动(如腿向前运动碰到障碍会避开并寻找新的落足点等)。TITAN，PV-II等都是当时发展过程中的代表性研究。

 

图1 G.E四足电控步行车

表1步行机器人技术发展的里程牌

时间	研究学者	研究成果
1968	Mosher	GE的四足
1968	Frank和McGhee	实现了Phony Pony的位移逻辑控制器的步行控制
1977	McGhee	使用数字计算机协调六足机器人的人腿运动
1980	Hirose和Umetani	四足机器人使用简单的传感器和类似反射控制的简单方法， 实现了爬越阶梯和越过障碍步行
1983	Raibert	单腿跳跃机器人
1997	Honda	发布自主两足机器人

人和动物的运动能力和执行指定任务的能力是移动机器人追求的目标，因此就机器人仿生原型来看，主要有二足、四足、六足三种主流型号。其中，日本本田的Honda P3 代表了双足移动机器人研究领域的最高水平。在四足和六足这两种型号中，国外重点开始该方向项目的研究已持续十几年，且不断投入资金进行新的立项。下面用几款代表研究前沿的四足机器人来分析发展现状和趋势。

如图2所示是德国1998年开发的四足机器人BISAM。该机器人结构由主体、四条腿和头部组成。机器人总重14.5公斤，内部装有微控制器、处理器、电池以及立体摄像头。机器人四条腿完全相同，每条腿分为四个部分，之间用三个平行的转动关节互连。第四个转动关节连接腿部和躯干该机器人通过三级控制结构对控制任务进行了分担，三级结构为由西门子高性能单片机C167负责单腿运动控制、由嵌入式系统PC104 负责多腿协调控制、由外部高性能PC机负责人机接口交互。PC104与外部高性能PC机通过无线局域网进行通信。BISAM还具有两个摄像头，可识别障碍物的形状和距离，并对数据作了简化处理，从而实现了实时性。BISAM的行走完全不需要人来参与，可实现自适应行走。应该说BISAM是四足机器人中比较有代表性的研究成果，尤其它的硬件结构给了我们很大的启示。

1995年，巴黎机器人实验室成功研制了如图3所示的RALPHY四足气动机器人。该款机器人可以在崎的地面上稳定的行走，但由于需要进行大量计算，行使速度受到了一定的限制。该款机器人每条腿上具有两个转动关节，采用气缸的形式驱动。气缸驱动具有出力大、速度快的特点，因此，研究者尝试开展动态行走方面的研究。但在实用化过程中常常受到气源的限制，机器人独立运行时间较短[2]。

 

图2 四足行走机器人 BISAM                 图3 四足气动机器人 RALPHY

日本东京工业大学从事四足移动机器人研究已有20余年，从1979年第一代的PV-II开始到最新的如图4所示的TITAN-VIII，一共研制了十多个型号的机器人，该课题组一直从事四足机器人的研究，而且认定无论是从实用的角度还是从静态稳定行走的角度考虑，机器人都应该保证三足以上。其中最有借鉴意义的TITAN-VIII，该款机器人共售出约40套给日本的多个大学和研究所作为应用开发的平台。该款机器人每足具有三个自由度，其中大腿关节具有前后转动和上下转动两个自由度，膝关节具有一个上下转动自由度。采用新型的电机驱动和绳传动，重量约40公斤，有效负载5-7公斤，行走速度决定于负载情况，一般在0.3m/s到0.9m/s之间变化。TITAN-VIII足底装备有传感器和信号处理系统，可自动检测与地接触的状态。姿态传感器和姿态控制系统根据传感器信息作出决策，实现在不平地面的静态稳定运行。同时TITAN-VIII的腿能作为有力的工作臂，用于探测地雷和进行排雷操作。

 

图4 TITAN 系列四足移动机器人 

近几年来，我国在多足移动机器人领域逐渐展开研究。1997年，上海交通大学信息存储研究中心也设计开发了JTUWM-III如图5所示型四足机器人。JTUWM-III型动态步行机器人腿为开链式关节型结构，膝关节为一纵摇自由度，髋关节为纵摇和横摇两个自由度。各自由度由直流电机经谐波齿轮驱动，用电位器、测速电机作为位置和速度传感器。机器人长×宽×高为81cm× 75cm× 30cm，重 37.5kg，脚底为直径 12cm的圆盘，是一个被动的纵摇自由度。该机器人为目前足式机器人的经典结构。

国内的四足机器人研究起步较晚，处于模仿和追赶的阶段，但仍然有一些突出的成果。较有代表性的是宇树科技开发的四足机器人莱卡狗如图6所示。该机器人质量为22kg，自主研发的电机系统能输出18kw的瞬时功率，该机器人可在脱离外部供电的情况下运行2~3h，如图４所示莱卡狗的性能与波士顿动力公司的SPORT和MINI差距不大，但还不够成熟，视觉导航及自主性仍有待提高。浙江大学团队发布的机器人绝影和赤兔是高校领域的代表。赤兔采用电机驱动，奔跑速度可达10km/h

       

图5 JTUWM-III 型四足机器人               图6 宇树科技发布的莱卡狗机器人

1. 四足机器人的运动规划

四足机器人的运动规划是指在机器人运动时，选择合理的地面接触点和腿部的轨迹，从而防止机器人倾倒，合理的腿部轨迹还可以减少机器人与地面的冲击。四足机器人的步态由多种，常用的有对角步态，蹦跃步态等，不同的步态是适用于不同的机器人速度[3]。四足机器人的步态也可以简化成双足步态[4]。将四足机器人的一个步态循环视为1个周期，则针对1个步态周期，机器人的腿部的步态相位为0-1,步态周期开始时，步态相位为0，结束时步态为1。对于不同的步态，机器人的不同不同腿之间有着不同的相位差，例如最简视的对角步态，机器人的左前腿和右后腿围相同的步态相位，二右前腿与左前腿为相同的步态相位，两者的相位差为0.5.通过改变腿部之间的相位差实现不同的机器人步态。

1. 1. 基于ZMP的步态规划

零力矩点（Zero Moment Point,ZMP）,是针对静态步态稳定足式机器人的通用方法，即在机器人步态规划时，计算机器人的ZMP（在地面存在一点P，使得与地面平行轴的方向的、由惯性力的F=ma与重力G所产生的净力矩为0的点）。使得ZMP始终位于机器人足端与地面的多个接触点所围成的多边形内[5]，这样可以保证机器人具有理想的静态平衡。基于ZMP算法的缺点也很明显，只适用于静态步态，对于复杂的动态步态，ZMP算法的缺点也很明显，只适用于静态步态，对于复杂的动态步态，ZMP算法很难应用。

1. 1. 基于CPG的步态规划

通过模拟生物的低端神经元，从而生成机器人的步态规划。该方法利用数学方法生成震荡曲线，将其作为腿部关节的位置和速度输入，具有一定的自稳能力，通过震荡曲线还可以方便调节四足机器人腿与腿之间的相位关系。但该方法仍有很大的局限性，由于依赖已知的振荡器，尽管该方法具有一定的自稳能力，但在面对复杂地形时，环境对机器人的扰动很大，CPG算法将不再适用。而野外的地形往往高度变化较大[6]，针对该问题，Saputra等提出了可变神经元的神经震荡器，自适应更强[7]。

1. 1. 基于SLIP的运动规划

四足机器人的动态运动规划是四足机器人运动规划的核心问题，目前被广泛应用的动态运动模型是弹簧加载倒立摆理论（Spring Loaded Inverted Pendulum，SLIP）模型。该模型将四足机器人的单条腿简化为单自由度的具有柔性和阻抗的单杆结构。利用SLIP模型，波士顿动力公司的创始人 Raibert于20世纪80年代实现了平衡腿的控制步态，包括单足、双足和四足。而 Raibert提出的“弹跳高度前进速度机体位姿”三体解耦控制被认为是工程技术与理论分析的完美结合，近30年来仍然是足式机器人动平衡最有效的手段之一[8]。Piovan等还针对主动的SLIP模型控制进行了研究[9]。针对各种各样的四足机器人，Sehoon Ha等提出了将机器人参数化并与运动轨迹协同优化的新思路。基于SLIP模型，机器人的步态相位可分为飞行相和摆动相，并由此得到简化有效的机器人动力学模型，对机器人运动进行有效的规划。

1. 1. 基于贝塞尔曲线的轨迹规划

MIT猎豹系列机器人的一代和二代采用了基于贝塞尔曲线的腿部轨迹生成方法[10]。利用该方法，MIT猎豹细节机器人可以实现高速运动状态下的步态切换。对于机器人脚部的轨迹规划问题的主要目标是：具有足够的离地间隙，从而保证机器人能跨越适当的障碍，并且要具有理想的摆动腿回缩率（适当的摆动腿回缩率可以提高机器人运动时的稳定性，适当的腿部攻角可以降低冲击能量损失），轨迹曲线通过一定数量且满足机器人运动中速度和加速度要求的关键点，从而利用贝塞尔曲线生成腿部运动轨迹。摆动相和支撑相是分开设计的，支撑相的轨迹是正弦曲线，2个轨迹围绕着单个参考点来设计。这种方法使得MIT猎豹机器人拥有更高效的运动规划，但面对复杂的地形仍然不是通用方法。

1. 四足机器人的运动控制

四足机器人的运动控制动态稳定性是机器人运动的关键[11]。四足机器人的运动控制是指在机器人动态运动过程中，利用合理的算法对机器人的位置和关节力矩进行控制，从而实现机器人的动态稳定性和鲁棒性，并减少与地面的冲击。针对复杂环境开发的足式机器人需要能够保证良好的跟踪性能和环境适应性的控制器[12]。

1. 1. 柔顺阻抗控制

柔顺性分为主动柔顺和被动柔顺两种，机器人凭借柔顺机构（如弹簧），使其在与环境接触时能够对外部作用力产生自然顺从，称为被动柔顺[13]。机器人利用力反馈信息采用一定的控制方法去主动控制作用力，称为主动柔顺性[14]。

被动柔顺控制的典型应用是串联弹性驱动器（Series Elastic Actuator，SEA），通过在传统的刚性致动器和连杆之间放置被动柔顺元件而设计[15]。StarlETH机器人应用SEA，可以精确地控制关节扭矩和存储大量的能量，弹簧将变速箱与连杆分离，使得机器人与地面接触时具有鲁棒性。这种设计有效地减少了 StarlETH的能量损耗，总功率小于230W。

主动阻抗控制的典型应用是HYQ机器人[16]，通过实时改变电机PID控制器的PD参数，相当于实时调整机器人腿部的刚度和阻尼，将电机模拟成被动柔顺元件。控制回路分为内环和外环，外环利期望运动用关节角位置作为反馈，输出扭矩信号。该扭矩信号作为内环扭矩控制回路的参考，基于低阶模型设期望扭矩优先级控制器QP求解器计了高性能转矩控制器，在不需要实际弹簧的情况期望接触力下成功实现可调阻抗。

1. 1. 前馈控制

前馈力矩控制和柔顺控制可以同时应用于四足机器人控制，使得四足机器人同时具有柔顺阻抗特性和快速的动态响应，控制框图如图7所示。

 

图7 前馈力矩+柔顺控制框图

机器人的力矩控制是动态响应最快的方法，针对四足机器人的力矩控制，最常见的方法是前馈力矩控制。它的当前控制动作是在现接触界面的前馈力为基础，实现对机器人的力矩每一个采样瞬间通过求解一个有限时域开环最优控制。通过检测驱动电机的输出电流完成关节控制问题而获得不需要建立复杂的非线性机器力矩的检测，实现了对地面反作用力的高保真控人模型。当前的控制状态作为一个控制周期的初制。HYQ机器人将扭矩信号作为前馈参考，并基始状态，控制器的解作为第一个控制输出，本质上于低阶模型设计了高性能转矩控制器[17]。

1. 1. 分层操作空间控制

StarleTH机器人应用了基于分层任务优化的模型预测控制器找到期望值。考虑地面反作用力而四足运动操作空间控制（Object－based－Storage Controller，OSC）。将复杂的机器人行为通过一组简单的最小二乘问题来描述，将运动任务、扭矩任务和接触力优化任务分为不同的优先级，使用了多个接触点的浮动基础系统的投影动力学。首先对系统进行动力学建模，建立了3个优化变量，分别是期望的运动、期望的关节扭矩和期望的地面接触力。期望的运动为最高优先级。采用分割优化的方法。利用线性算子将模型降阶，分别忽略关节扭矩和地面接触力，并利用QP求解器进行求解。最后使用最小二乘法分别对三种任务进行优化。OSC框图如图8所示。

 

图8 OSC控制框图

1. 1. 模型预测控制

模型预测控制（Model Predictive Control，MPC）是一类特殊的控制。它的当前控制动作在每一个采样瞬间通过求解一个有限的时域开环最优控制问题而获得，不需要建立复杂的非线性机器人模型。当前的控制状态作为一个控制周期的初始状态，控制器的解作为第一个控制输出，本质上是求解一个开环最优控制问题，MPC控制框图如图9所示。

 

图9 MPC控制框图

1. 1. 神经网络自适应控制器

由于四足机器人是一个复杂的非线性模型，很难得到精确的数学模型，因此采用神经网络（Neural Neteork,NN）可以实现对机器人动力学方程未知部分的精确逼近，从而实现无需建模的控制[18]。应用神经网络可以使的机器人的适应性更强，针对四足机器人的神经网络自适应控制是近年四足机器人研究领域的热点。神经网络自适应控制框图如图10所示。

 

图10 神经网络控制框图

1.  结论与展望
   1. 国内研究领域的不足

针对国内四足机器人研究领域，与波士顿动力公司和MIT的猎豹系列机器人的差距主要体现在仿生结构、执行器参数及智能化等方面。仿生结构方面，国内的四足机器人依然与真实的动物相差甚远，结构不够灵活，感知方式仍然依赖于外部传感器，而真实的动物更多地来自本体的感知，即触觉。国内研发的四足机器人的结构设计和运动方式与MIT系列机器人相比仍不够仿生，对于真实动物拥有的踝部、腰部、尾部等研究不足，结构设计上仍缺乏创新。

国产的执行器相比于世界一流水平仍有较大差距，带宽偏低且能量密度不高，所以国内的四足机器人执行器大多依赖于进口。而国产驱动器的精度和时效性也是制约国内四足机器人发展的重要原因之一[19]。

智能化方面的差距更为突出，国内的四足机器人运动方式更保守、更僵硬，面对复杂的地形，抗干扰能力弱。波士顿动力公司发布的四足机器人已经能够完成搬箱子、开门等任务，LS3机器人能够在野外连续运行几小时以上；而国内的四足机器人研究仍处于实验室阶段，还未有实现特定任务和野外长时间运行的能力。整体上国内四足机器人研究领域仍处于模仿的阶段，创新性不足。若要实现国产的四足机器人达到世界先进水平，不仅要在结构设计和执行器设计等硬件方面有所提升，更要在智能化等领域有所创新和突破。

1. 1. 展望

随着越来越多的科研团队加入对四足机器人的研究，四足机器人领域的发展日新月异，但仍有一些根本性的问题需要突破，四足机器人未来的发展趋势是负重能力更强和移动速度更快、环境适应能力更强、续航时间更长。而随着机器人学科与其他学科的融合，四足机器人必将越来越智能化，与真实四足动物的差距会越来越小[20]。

四足机器人的环境感知技术及智能化伴随着传感技术的发展和多传感器融合技术的应用，在四足机器人上搭载相应的传感器使得机器人可以和环境交互并提高其对环境的适应性已经成为研究的重要方向。环境感知是实现机器人自主定位和导航的基础技术，是机器人实现真正自主的关键。

 

参考文献

1. 江磊,刘大鹍,胡松,等.四足仿生移动平台技术发展综述及关键技术分析[J].车辆与动力技术,2014(01):47-52.
2. 程品. 四足仿生机器人控制系统的研究与设计[D]. 华中科技大学.
3. Xi W , Yesilevskiy Y , Remy C D . Selecting gaits for economical locomotion of legged robots[J]. The International Journal of Robotics Research, 2016.
4. De A , Koditschek D E . Vertical hopper compositions for preflexive and feedback-stabilized quadrupedal bounding, pacing, pronking, and trotting[J]. International Journal of Robotics Research, 2018, 37(7):743-778.
5. Winkler A W , Farshidian F , Neunert M , et al. Online walking motion and foothold optimization for quadruped locomotion[C].IEEE International Conference on Robotics & Automation. IEEE, 2017.
6. Focchi M , Featherstone R , Orsolino R , et al. Viscosity-based Height Reflex for Workspace Augmentation for Quadrupedal Locomotion on Rough Terrain[C]. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2017.
7. Saputra A A , Chin W H , Botzheim J , et al. Evolving a Sensory-Motor Interconnection for Dynamic Quadruped Robot Locomotion Behavior[C].2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2018.
8. Raibert M H , Tello E R . Legged Robots That Balance[J]. IEEE Expert, 1986, 1(4):89-89.
9. Piovan G . Reachability and Real-Time Actuation Strategies for the Active SLIP Model.[D]. 2015.
10. Hyun D J , Lee J , Park S , et al. Implementation of trot-to-gallop transition and subsequent gallop on the MIT Cheetah I[J]. International Journal of Robotics Research, 2016, 35(13):1627-1650.
11. Xu Z , Gao J , Liu C . Stability analysis of quadruped robot based on compliant control[C]// IEEE International Conference on Robotics & Biomimetics. IEEE, 2017.
12. Righetti L , Buchli J , Mistry M , et al. Optimal distribution of contact forces with inverse-dynamics control[J]. International Journal of Robotics Research, 2013, 32(3):280-298.
13. 仿人机器人在线运动规划方法研究[D].国防科学技术大学,2008.
14. Hutter M , Remy C D , Hoepflinger M A , et al. Efficient and Versatile Locomotion With Highly Compliant Legs[J]. IEEE/ASME Transactions on Mechatronics, 2013, 18(2):449-458.
15. Towards versatile legged robots through active impedance control[J]. International Journal of Robotics Research, 2015, 34(7):1003-1020.
16. Wensing P M , Wang A , Seok S , et al. Proprioceptive Actuator Design in the MIT Cheetah: Impact Mitigation and High-Bandwidth Physical Interaction for Dynamic Legged Robots[J]. IEEE Transactions on Robotics, 2017:509-522.
17. Hutter M , Sommer H , Gehring C , et al. Quadrupedal locomotion using hierarchical operational space control[J]. International Journal of Robotics Research, 2014, 33(8):1047-1062.
18. 王国龙. 6R工业机器人轨迹规划算法研究及仿真[D]. 2016.
19. 杨钧杰, 孙浩, 王常虹,等. 四足机器人研究综述[J]. 导航定位与授时, 2019(5).
20. 孟健, 刘进长, 荣学文,等. 四足机器人发展现状与展望[J]. 科技导报, 2015, 33(21):59-63.