基于機(jī)器學(xué)習(xí)與視覺(jué)的四足機(jī)器人步態(tài)精確監(jiān)測(cè)方法

秦鵬舉, 蔣周翔, 蘇瑞, 宋鵬成, 馬紫怡

(北京信息科技大學(xué)機(jī)電工程學(xué)院, 北京 100192)

隨著機(jī)器人仿生學(xué)的發(fā)展,四足機(jī)器人逐漸成為移動(dòng)式機(jī)器人領(lǐng)域的研究熱點(diǎn)。四足機(jī)器人憑借出色的運(yùn)動(dòng)性與環(huán)境適應(yīng)性,被充分應(yīng)用于軍事、生活、娛樂(lè)等場(chǎng)景,具有較大的發(fā)展?jié)撃躘1]。代表性的四足仿生機(jī)器人有波士頓動(dòng)力公司研發(fā)的BigDog和SpotMini[2],麻省理工學(xué)院研發(fā)的Cheetah獵豹機(jī)器人[3]以及山東大學(xué)研發(fā)的Scalf四足機(jī)器人[4]等。

四足機(jī)器人的步態(tài)直接影響其運(yùn)動(dòng)能力和穩(wěn)定性。隨著應(yīng)用場(chǎng)景不斷拓展,對(duì)機(jī)器人性能的需求也日益提高,其中就包括了要求機(jī)器人步態(tài)軌跡長(zhǎng)期穩(wěn)定保持高精度。然而,長(zhǎng)期行進(jìn)會(huì)導(dǎo)致關(guān)節(jié)和傳動(dòng)系統(tǒng)損耗,通過(guò)運(yùn)動(dòng)鏈的傳播積累會(huì)顯著影響足端位姿和步態(tài)軌跡精度[5]。解決方法中的關(guān)鍵一環(huán)就是如何對(duì)足端位姿進(jìn)行精確監(jiān)測(cè)。

在位姿測(cè)量領(lǐng)域,如激光跟蹤儀、雙球桿儀等在內(nèi)的測(cè)量設(shè)備[6-7]通常以大體積工業(yè)機(jī)器人為對(duì)象,難以用于移動(dòng)輕巧的足式機(jī)器人。相比之下,機(jī)器視覺(jué)不僅成本低廉,而且便捷快速,在機(jī)器人位姿測(cè)量中得到了廣泛的應(yīng)用。Balanji等[8]提出了一種基于單目視覺(jué)的機(jī)器人運(yùn)動(dòng)學(xué)標(biāo)定方法。Fu等[9]通過(guò)固連在機(jī)器人末端的棋盤格標(biāo)記用于辨識(shí)其運(yùn)動(dòng)學(xué)參數(shù)。Wang等[10]基于單目視覺(jué)和ChArUco(chess augmented reality university of cordoba)標(biāo)記對(duì)六足機(jī)器人進(jìn)行了位姿測(cè)量。這些方法的數(shù)據(jù)來(lái)源均為相機(jī)所拍圖像,因此易受鏡頭畸變、光照差異、相機(jī)標(biāo)定等因素影響,導(dǎo)致位姿測(cè)量精度不足。

面對(duì)上述現(xiàn)狀,以四足機(jī)器人的Trot步態(tài)(對(duì)角小跑步態(tài))軌跡為對(duì)象,依據(jù)軌跡規(guī)劃結(jié)果選取步態(tài)監(jiān)測(cè)點(diǎn)。采用雙目相機(jī)實(shí)時(shí)觀測(cè)足端靶標(biāo)位姿,并基于機(jī)器學(xué)習(xí)方法將“不精確”位姿測(cè)量結(jié)果修正為足端“精確”步態(tài)位姿數(shù)據(jù),從而實(shí)現(xiàn)精確步態(tài)監(jiān)測(cè)。

1 系統(tǒng)設(shè)計(jì)

將雙目相機(jī)安裝在四足機(jī)器人前端,其視場(chǎng)范圍應(yīng)包含兩個(gè)前足的完整步態(tài)軌跡,識(shí)別靶標(biāo)采用ArUco[11](augmented reality university of cordoba)標(biāo)記并安裝在機(jī)器人足端,如圖1所示。在還未長(zhǎng)期運(yùn)動(dòng)而產(chǎn)生積累誤差時(shí),建立足端名義運(yùn)動(dòng)學(xué)模型并計(jì)算足端“精確”的名義位姿,同時(shí)視覺(jué)采集獲得靶標(biāo)“不精確”的測(cè)量位姿。以此構(gòu)建深度神經(jīng)網(wǎng)絡(luò)建立二者映射關(guān)系,即可通過(guò)實(shí)時(shí)觀測(cè)步態(tài)監(jiān)測(cè)點(diǎn)處靶標(biāo)位姿,準(zhǔn)確預(yù)測(cè)足端位姿,以保證足端軌跡精度和步態(tài)運(yùn)動(dòng)周期性。

圖1 監(jiān)測(cè)系統(tǒng)整體示意圖Fig.1 Schematic diagram of monitoring system

2 步態(tài)監(jiān)測(cè)點(diǎn)選取

2.1 步態(tài)特征分析

由于Trot步態(tài)相比其他步態(tài)在能效、速度變化范圍、步態(tài)穩(wěn)定性上均有明顯優(yōu)勢(shì),且應(yīng)用最為廣泛[4],因此選擇Trot步態(tài)作為監(jiān)測(cè)點(diǎn)選取對(duì)象,以保證監(jiān)測(cè)方法具有廣泛適用性。

一個(gè)完整的步態(tài)周期分為擺動(dòng)相和支撐相,而擺動(dòng)相決定了機(jī)器人跨步步長(zhǎng)與抬腿高度。為保持步態(tài)運(yùn)動(dòng)穩(wěn)定性與流暢性,防止產(chǎn)生沖擊,擺動(dòng)相足端落地與抬起瞬時(shí)速度應(yīng)為0。因此四足機(jī)器人步態(tài)規(guī)劃可定義為復(fù)合擺線軌跡[12]

(1)

(2)

2.2 步態(tài)監(jiān)測(cè)點(diǎn)選取

將復(fù)合擺線軌跡分解為沿x軸及沿z軸方向的運(yùn)動(dòng),如圖2、圖3所示,分別為擺動(dòng)相足端位置和速度變化曲線。

圖2 擺動(dòng)相足端位置變化曲線Fig.2 Swing phase foot position variation curve

圖3 擺動(dòng)相足端速度變化曲線Fig.3 Swing phase foot end velocity variation curve

觀察其運(yùn)動(dòng)特性可知,擺動(dòng)相抬腿速度和落地速度均為0。在擺動(dòng)足達(dá)到最高點(diǎn)時(shí),z軸速度為0。因此選擇監(jiān)測(cè)點(diǎn)時(shí)依據(jù)步態(tài)位置穩(wěn)定以及無(wú)沖擊原則,以0T及0.5T為主要監(jiān)測(cè)點(diǎn),以0.25T為次要監(jiān)測(cè)點(diǎn)。

3 步態(tài)位姿測(cè)量與計(jì)算

3.1 足端名義位姿計(jì)算

首先,基于D-H(Denavit-Hartenberg)參數(shù)法[13],建立四足機(jī)器人左前足運(yùn)動(dòng)學(xué)模型,定義基坐標(biāo)系B位于機(jī)身中心,xB、yB、zB為基坐標(biāo)系3個(gè)坐標(biāo)軸,xi、yi、zi為左前足第i關(guān)節(jié)坐標(biāo)系3個(gè)坐標(biāo)軸,i=1,2,3;F為左前足末端坐標(biāo)系,xF、yF、zF為左前足末端坐標(biāo)系3個(gè)坐標(biāo)軸;M為靶標(biāo)坐標(biāo)系,xM、yM、zM為靶標(biāo)坐標(biāo)系3個(gè)坐標(biāo)軸;C為相機(jī)坐標(biāo)系,xC、yC、zC為相機(jī)坐標(biāo)系3個(gè)坐標(biāo)軸。坐標(biāo)系分布如圖4所示。

圖4 坐標(biāo)系分布Fig.4 Coordinate system distribution

足端名義位姿通過(guò)基坐標(biāo)系描述,足端坐標(biāo)系F相對(duì)基坐標(biāo)系B的正運(yùn)動(dòng)學(xué)變換矩陣為

(3)

式(3)中:若將BT1看作0T1,3TF看作3T4,則i-1Ti表示第i-1關(guān)節(jié)坐標(biāo)系到i關(guān)節(jié)的齊次變換矩陣,可表示為

i-1Ti=Rx(αi)Tx(ai)Rz(θi)Tz(di)

(4)

式(4)中:Rx(·)、Rz(·)為旋轉(zhuǎn)矩陣;Tx(·)、Tz(·)為平移矩陣;αi、ai、θi、di為第i關(guān)節(jié)D-H參數(shù)[14]。

若將式(3)表征為

(5)

式(5)中:由nx、ny、nz、ox、oy、oz、ax、ay、az組成的旋轉(zhuǎn)矩陣與px、py、pz組成的位置向量,用于表示齊次變換矩陣BTF。

為提升機(jī)器學(xué)習(xí)泛化能力,將BTF矩陣中各元素使用式(6)變換得到對(duì)應(yīng)足端名義位姿向量PF,以此作為機(jī)器學(xué)習(xí)的標(biāo)簽進(jìn)行有監(jiān)督學(xué)習(xí)。其中,XF、YF、ZF為足端坐標(biāo)系的位置坐標(biāo),θxF、θyF、θzF為足端坐標(biāo)系繞基坐標(biāo)系xB、yB、zB軸的旋轉(zhuǎn)歐拉角,atan2(y,x)為雙變量反正切函數(shù)。

(6)

3.2 足端靶標(biāo)實(shí)際采集位姿計(jì)算

足端靶標(biāo)實(shí)際采集位姿通過(guò)相機(jī)坐標(biāo)系描述,相機(jī)到靶標(biāo)坐標(biāo)系實(shí)際變換矩陣為CTMa。為復(fù)現(xiàn)實(shí)際采集過(guò)程中視覺(jué)誤差影響用于仿真驗(yàn)證,對(duì)CTMa進(jìn)行如下變換。依據(jù)圖4建立的D-H坐標(biāo)系分布,相機(jī)到基坐標(biāo)系變換矩陣恒為CTB,左前足端到靶標(biāo)坐標(biāo)系變換矩陣恒為FTM,因此相機(jī)到靶標(biāo)坐標(biāo)系理想變換矩陣CTM為

(7)

若將視覺(jué)系統(tǒng)復(fù)雜誤差綜合模型[14]表示為TMe,可得

CTMa=CTMTMe

(8)

采用與式(5)和式(6)類似變換,將CTMa轉(zhuǎn)化為靶標(biāo)實(shí)際位姿向量PMa=[XMa,YMa,ZMa,θxMa,θyMa,θzMa]T以此作為機(jī)器學(xué)習(xí)的特征進(jìn)行有監(jiān)督學(xué)習(xí)。其中,XMa、YMa、ZMa為相機(jī)坐標(biāo)系下靶標(biāo)坐標(biāo)系的真實(shí)位置坐標(biāo),θxMa、θyMa、θzMa為靶標(biāo)坐標(biāo)系繞相機(jī)坐標(biāo)系xC、yC、zC軸的旋轉(zhuǎn)歐拉角。

4 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

4.1 設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)

深度前饋神經(jīng)網(wǎng)絡(luò)是目前機(jī)器學(xué)習(xí)與深度學(xué)習(xí)領(lǐng)域應(yīng)用最廣泛的模型,擬設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。相鄰節(jié)點(diǎn)使用全連接層搭建,采用ReLU激活函數(shù)進(jìn)行修正,輸出層采用線性激活函數(shù),使該網(wǎng)絡(luò)具有更加明顯收斂性與稀疏性。

圖5 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Neural network architecture

隱藏層數(shù)和節(jié)點(diǎn)數(shù)直接關(guān)系著網(wǎng)絡(luò)預(yù)測(cè)精度,對(duì)此,通常參考如式(9)所示經(jīng)驗(yàn)公式來(lái)初定最佳隱層節(jié)點(diǎn)數(shù)L的范圍[15]。

(9)

式(9)中:m、n為輸入層以及輸出層節(jié)點(diǎn)數(shù);常數(shù)a=1,2,…,10。

由于輸入和輸出分別是實(shí)際采集足端靶標(biāo)位姿向量和足端名義位姿向量,故令n=m=6,隱層節(jié)點(diǎn)數(shù)可選L=5,6,…,14?？紤]到模擬相機(jī)采集足端靶標(biāo)位姿時(shí)建立綜合誤差模型,引入多種干擾誤差,因此在初選節(jié)點(diǎn)數(shù)14基礎(chǔ)上進(jìn)行調(diào)整,經(jīng)過(guò)多次驗(yàn)證,隱層節(jié)點(diǎn)數(shù)為16,隱藏層數(shù)為3。

4.2 生成訓(xùn)練樣本

依據(jù)第2節(jié)推論,以0T以及0.5T為主要監(jiān)測(cè)點(diǎn),以0.25T為次要監(jiān)測(cè)點(diǎn)。將各點(diǎn)對(duì)應(yīng)關(guān)節(jié)角度值代入式(3)、式(4)可得足端坐標(biāo)系矩陣BTF。如圖6所示,以每個(gè)步態(tài)監(jiān)測(cè)點(diǎn)位置(px,py,pz)為中心,規(guī)劃邊長(zhǎng)為100 mm的立方空間,在內(nèi)部均勻取103個(gè)訓(xùn)練點(diǎn)。然后在±5°范圍內(nèi)均勻取10個(gè)值,生成103個(gè)不同的角度組合(δαF,δβF,δγF)。令足端坐標(biāo)系BTF依次繞xF、yF、zF軸旋轉(zhuǎn)δαF、δβF、δγF角度,得到103個(gè)訓(xùn)練點(diǎn)對(duì)應(yīng)的足端坐標(biāo)系位姿矩陣BTF。將BTF依次代入式(5)、式(6)求得訓(xùn)練點(diǎn)對(duì)應(yīng)的足端名義位姿向量PF。然后綜合式(5)～式(8)可計(jì)算出訓(xùn)練點(diǎn)對(duì)應(yīng)足端靶標(biāo)實(shí)際采集位姿向量PMa。將PMa作為神經(jīng)網(wǎng)絡(luò)輸入特征,PF作為輸出標(biāo)簽,由此訓(xùn)練所得神經(jīng)網(wǎng)絡(luò)可根據(jù)監(jiān)測(cè)點(diǎn)臨域內(nèi)某點(diǎn)的足端靶標(biāo)實(shí)際采集位姿預(yù)測(cè)出對(duì)應(yīng)足端名義位姿。

5 仿真驗(yàn)證

5.1 步態(tài)監(jiān)測(cè)點(diǎn)仿真驗(yàn)證

如表1所示,使用D-H參數(shù)在仿真軟件中建立四足機(jī)器人左前足模型,使用正運(yùn)動(dòng)學(xué)公式[式(3)]解算足端位姿,使用蒙特卡洛法仿真出左前足的工作空間如圖7所示。

表1 四足機(jī)器人左前足D-H參數(shù)設(shè)置

圖7 左前足工作空間Fig.7 Front left foot workspace

如表2所示,將數(shù)據(jù)代入式(1)、式(2),使用復(fù)合擺線形式進(jìn)行Trot步態(tài)軌跡規(guī)劃后,利用反變換逆解算法[16]求出擺動(dòng)腿各個(gè)旋轉(zhuǎn)關(guān)節(jié)的角度值。再代入式(3)生成左前足擺動(dòng)相足端軌跡。進(jìn)而在擺動(dòng)相足端軌跡中提取出3個(gè)步態(tài)監(jiān)測(cè)點(diǎn)如圖8所示,解算出各個(gè)步態(tài)監(jiān)測(cè)點(diǎn)擺動(dòng)腿各旋轉(zhuǎn)關(guān)節(jié)角度值如表3所示。

表2 Trot步態(tài)規(guī)劃參數(shù)設(shè)置

表3 步態(tài)監(jiān)測(cè)點(diǎn)對(duì)應(yīng)關(guān)節(jié)角度值

圖8 步態(tài)監(jiān)測(cè)點(diǎn)示意圖Fig.8 Schematic diagram of gait monitoring points

仿真結(jié)果表明,經(jīng)過(guò)Trot步態(tài)規(guī)劃后的足端軌跡與復(fù)合擺線軌跡一致,觀察監(jiān)測(cè)點(diǎn)1處的足端位置,恰處于擺動(dòng)相抬腿落地時(shí)刻,且速度為0。符合步態(tài)位置穩(wěn)定以及無(wú)沖擊原則,滿足使用需求。

5.2 神經(jīng)網(wǎng)絡(luò)仿真驗(yàn)證

5.2.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

神經(jīng)網(wǎng)絡(luò)仿真驗(yàn)證根據(jù)3種典型影響因素建立了靶標(biāo)采集位姿綜合復(fù)雜誤差模型TMe,模擬采集環(huán)境影響,驗(yàn)證基于機(jī)器學(xué)習(xí)與視覺(jué)的四足機(jī)器人步態(tài)精確監(jiān)測(cè)的準(zhǔn)確性,仿真流程如圖9所示。

圖9 神經(jīng)網(wǎng)絡(luò)仿真流程圖Fig.9 Neural network simulation flowchart

擬采用步態(tài)監(jiān)測(cè)點(diǎn)1作為仿真驗(yàn)證對(duì)象,相較于其他監(jiān)測(cè)點(diǎn),其更靠近視場(chǎng)邊界,受畸變以及光照影響相對(duì)明顯,更加典型。依照4.2節(jié)訓(xùn)練樣本的生成方法,使用表3中步態(tài)監(jiān)測(cè)點(diǎn)1對(duì)應(yīng)的關(guān)節(jié)角度值作為仿真驗(yàn)證的對(duì)象,求得鄰域內(nèi)足端名義位姿向量PF,再根據(jù)3.2節(jié)所分析綜合誤差帶來(lái)的影響,依照仿真流程圖,對(duì)足端靶標(biāo)實(shí)際采集位姿進(jìn)行仿真驗(yàn)證,首先依據(jù)真實(shí)情況,為相機(jī)到機(jī)器人基坐標(biāo)系CTB與足端到靶標(biāo)坐標(biāo)系FTM賦值,如表4、表5所示。綜合誤差模型包含相機(jī)標(biāo)定、相機(jī)畸變、光照差異3種典型影響因素,然后為綜合誤差模型TMe賦值,如表6所示。據(jù)此計(jì)算得到足端靶標(biāo)實(shí)際采集位姿向量PMa。

表4 相機(jī)到基坐標(biāo)系的變換矩陣CTB賦值Table 4 Camera to base transformation matrix CTB assignment

表5 足端到靶標(biāo)坐標(biāo)系變換矩陣FTM賦值Table 5 Foot to target transformation matrix FTM assignment

表6 綜合誤差模型TMe參數(shù)賦值Table 6 Integrated error model TMe parameter assignment

仿真生成監(jiān)測(cè)點(diǎn)1鄰域訓(xùn)練樣本如圖10所示。

紅色點(diǎn)陣為靶標(biāo)坐標(biāo);藍(lán)色點(diǎn)陣為足端關(guān)節(jié)坐標(biāo)

觀察兩組點(diǎn)陣之間存在一定程度的差異,說(shuō)明訓(xùn)練樣本融合了靶標(biāo)安裝偏置、光照差異以及視覺(jué)系統(tǒng)導(dǎo)致的測(cè)量誤差。隨后將靶標(biāo)采集位姿向量PMa作為模型特征輸入,足端名義位姿向量PF作為模型標(biāo)簽輸出,經(jīng)過(guò)歸一化特征處理,取訓(xùn)練樣本中的900個(gè)目標(biāo)點(diǎn)作為訓(xùn)練集,其余100個(gè)目標(biāo)點(diǎn)作為驗(yàn)證集。其中模型最大訓(xùn)練次數(shù)為2 000,學(xué)習(xí)率為0.01,訓(xùn)練目標(biāo)最小誤差為10-6。采用4.1節(jié)所搭建的模型結(jié)構(gòu),網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖11所示。在步態(tài)監(jiān)測(cè)點(diǎn)1處的網(wǎng)絡(luò)訓(xùn)練結(jié)果均方誤差可達(dá)到1.7×10-5,可見(jiàn)神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確地學(xué)習(xí)視覺(jué)系統(tǒng)誤差到靶標(biāo)位姿采集誤差的映射關(guān)系。

圖11 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.11 Neural network training results

5.2.2 神經(jīng)網(wǎng)絡(luò)測(cè)試

在步態(tài)運(yùn)行過(guò)程中,由誤差積累導(dǎo)致的足端偏移范圍較小,為模擬真實(shí)條件且驗(yàn)證神經(jīng)網(wǎng)絡(luò)的可信度,據(jù)此在步態(tài)監(jiān)測(cè)點(diǎn)1較小鄰域內(nèi)隨機(jī)生成更為密集、方位角范圍更加離散的測(cè)試樣本進(jìn)行仿真測(cè)試。監(jiān)測(cè)點(diǎn)1鄰域的測(cè)試樣本如圖12所示。該點(diǎn)陣相較于訓(xùn)練樣本更加復(fù)雜,因此步態(tài)監(jiān)測(cè)精度效果驗(yàn)證更加可靠。

圖12 測(cè)試樣本點(diǎn)位分布Fig.12 Distribution of test sample points

5.2.3 驗(yàn)證結(jié)果與分析

將測(cè)試樣本中的足端靶標(biāo)實(shí)際采集位姿向量PMa′輸入步態(tài)監(jiān)測(cè)點(diǎn)1訓(xùn)練后的網(wǎng)絡(luò)中,得到足端名義位姿向量預(yù)測(cè)值PMap。在步態(tài)監(jiān)測(cè)過(guò)程中,僅需要保證其位置精度,但該方法亦預(yù)測(cè)了其姿態(tài)。因此主要對(duì)足端位置預(yù)測(cè)精度進(jìn)行驗(yàn)證。將預(yù)測(cè)值PMap位置坐標(biāo)與測(cè)試樣本足端名義位姿向量PF′位置坐標(biāo)進(jìn)行解算,求得預(yù)測(cè)點(diǎn)位與真實(shí)點(diǎn)位之間的距離誤差如圖13所示。數(shù)據(jù)點(diǎn)越藍(lán)表明距離誤差越小,觀察可知,面對(duì)更加密集、復(fù)雜的測(cè)試點(diǎn)集,相機(jī)采集靶標(biāo)位姿的預(yù)測(cè)點(diǎn)位置與真實(shí)足端位置誤差均處于亞毫米級(jí)別,最大點(diǎn)位距離誤差不超過(guò)0.05 mm。

圖13 預(yù)測(cè)點(diǎn)與真實(shí)點(diǎn)之間距離誤差Fig.13 Distance error between predicted and actual point

為更加詳細(xì)的評(píng)價(jià)監(jiān)測(cè)精度,隨機(jī)抽取100個(gè)測(cè)試樣本在步態(tài)監(jiān)測(cè)點(diǎn)1處的預(yù)測(cè)點(diǎn)位與真實(shí)點(diǎn)位誤差如圖14所示,可以看出,預(yù)測(cè)誤差集中分布在0～0.01 mm范圍內(nèi),最大預(yù)測(cè)誤差不超過(guò)0.03 mm。

圖14 隨機(jī)樣本預(yù)測(cè)誤差Fig.14 Random sample prediction error

所有測(cè)試樣本在步態(tài)監(jiān)測(cè)點(diǎn)1處的預(yù)測(cè)點(diǎn)位與真實(shí)點(diǎn)位誤差分布直方圖如圖15所示,仿真結(jié)果表明,監(jiān)測(cè)精度誤差平均值達(dá)到0.006 mm,最大值僅為0.057 mm,在超過(guò)99.68%的測(cè)試樣本中,相機(jī)拍攝靶標(biāo)的復(fù)雜誤差數(shù)據(jù),經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練后對(duì)足端位置預(yù)測(cè)精度能達(dá)到0.025 mm。因此該方法可以滿足對(duì)機(jī)器人足端位姿預(yù)測(cè)精度的需求,能夠完成對(duì)步態(tài)軌跡的實(shí)時(shí)監(jiān)測(cè),保證其完成精確的步態(tài)運(yùn)動(dòng)。

圖15 預(yù)測(cè)誤差分布直方圖Fig.15 Histogram of prediction error distribution

6 結(jié)論

針對(duì)四足機(jī)器人步態(tài)運(yùn)動(dòng)精度問(wèn)題,使用了機(jī)器視覺(jué)方法進(jìn)行步態(tài)監(jiān)測(cè),提出引入機(jī)器學(xué)習(xí)的方法對(duì)視覺(jué)系統(tǒng)測(cè)量誤差進(jìn)行學(xué)習(xí)修正,以相機(jī)采集靶標(biāo)位姿預(yù)測(cè)足端真實(shí)位姿。仿真結(jié)果表明,新方法具有較高的預(yù)測(cè)精度,能滿足步態(tài)實(shí)時(shí)高精度監(jiān)測(cè)的需求,進(jìn)而為足式機(jī)器人實(shí)現(xiàn)精確的足端定位以及保持步態(tài)周期性提供了理論依據(jù)和技術(shù)支撐。

由于實(shí)際的視覺(jué)采集過(guò)程還存在一些其他因素干擾,因此下一步研究計(jì)劃是搭建實(shí)驗(yàn)平臺(tái)驗(yàn)證新方法在現(xiàn)實(shí)場(chǎng)景下的測(cè)量精度,以針對(duì)該方法的實(shí)際應(yīng)用做進(jìn)一步優(yōu)化與完善。