全身控制(Whole-Body Control,WBC)简化版

全身控制(Whole-Body Control,WBC)概述

WBC是一种集成了多种控制策略的方法,旨在同时控制人形机器人的多个自由度(DOF),以实现复杂的运动和任务。WBC通常通过优化来解决,同时考虑到运动任务、动态平衡、接触力以及机械约束等多个因素。
通过这个示例,可以看到如何使用WBC方法来控制人形机器人完成复杂的运动任务。实际应用中,WBC需要结合机器人的实际动力学模型和更多的物理约束条件,通过不断的优化求解来实现机器人的稳定控制和精确运动。

示例:使用WBC控制人形机器人行走

1. 系统建模

首先,建立人形机器人的动力学模型。这个模型包括机器人每个关节的角度、角速度、关节力矩等状态变量,以及这些状态变量之间的动力学关系。

2. 任务定义

定义机器人要完成的任务,比如保持平衡、行走、抓取物体等。每个任务通常被表示为一个约束条件或目标函数。

3. 构建WBC优化问题

WBC通过一个统一的优化问题来同时考虑多个任务和约束条件。具体步骤如下:

1、定义任务空间误差(Task Space Error):
  • 行走任务:设定目标步态和脚步轨迹。
  • 平衡任务:保持质心(Center of Mass, CoM)在支撑多边形(Support Polygon)内。
  • 姿态任务:保持上半身的稳定和姿态控制。
2、构建优化问题:
  • 目标函数:最小化任务空间误差和控制输入。
  • 约束条件:动力学约束、接触力约束、关节力和位置约束等。
4. 实时控制

在每个控制周期,进行以下步骤:

  • 1、状态测量:测量当前机器人的状态(如关节角度、质心位置、接触力等)。
  • 2、优化求解:利用当前状态作为初始条件,求解WBC优化问题,得到最优的控制输入。
  • 3、施加控制:施加最优的控制输入到机器人。
  • 4、滚动窗口:更新状态并重复上述过程。

代码示例

以下是一个简化的WBC控制人形机器人行走的Python代码示例,使用常见的优化库如CasADi进行实现:

import casadi as ca
import numpy as np# 定义机器人的动力学模型
def robot_dynamics(x, u):# 简化的动力学模型x_next = x + ureturn x_next# 定义任务空间误差
def task_error(x, task_ref):return x - task_ref# WBC参数
N = 10  # 预测时域
Q_task = np.eye(2)  # 任务空间误差权重
Q_u = np.eye(1)  # 控制输入权重# 初始状态和任务参考
x0 = np.array([0, 0])
task_ref = np.array([1, 1])  # 目标位置# 状态和控制变量
x = ca.SX.sym('x', 2)
u = ca.SX.sym('u', 1)# 优化变量
X = ca.SX.sym('X', 2, N+1)
U = ca.SX.sym('U', 1, N)# 初始状态约束
constr = [X[:, 0] == x0]# 目标函数
obj = 0for k in range(N):x_next = robot_dynamics(X[:, k], U[:, k])constr += [X[:, k+1] == x_next]obj += ca.mtimes([task_error(X[:, k], task_ref).T, Q_task, task_error(X[:, k], task_ref)]) + ca.mtimes([U[:, k].T, Q_u, U[:, k]])# 优化器
nlp = {'x': ca.vertcat(ca.reshape(X, -1, 1), ca.reshape(U, -1, 1)),'f': obj,'g': ca.vertcat(*constr)}
solver = ca.nlpsol('solver', 'ipopt', nlp)# 初始猜测
x_guess = np.zeros((2, N+1))
u_guess = np.zeros((1, N))
sol = solver(x0=ca.vertcat(ca.reshape(x_guess, -1, 1), ca.reshape(u_guess, -1, 1)),lbg=0, ubg=0)# 提取最优控制输入
optimal_u = np.array(sol['x'][-N:]).flatten()
print("Optimal control input: ", optimal_u)

解释

1、机器人动力学模型:robot_dynamics 函数定义了简化的机器人动力学模型,计算在当前控制输入 u 下,下一时刻的状态 x_next。

2、任务空间误差:task_error 函数定义了任务空间误差,即当前状态 x 和任务参考 task_ref 之间的差异。

3、WBC参数:定义了预测时域长度 N、任务空间误差权重 Q_task 和控制输入权重 Q_u。

4、初始状态和任务参考:设定了初始状态 x0 和任务参考 task_ref,在这个示例中,任务参考是机器人目标位置 [1, 1]。

5、状态和控制变量:定义了状态变量 x 和控制变量 u,以及预测时域内的状态矩阵 X 和控制矩阵 U。

6、初始状态约束:确保优化问题中的初始状态等于给定的初始状态 x0。

7、目标函数:定义了目标函数 obj,最小化任务空间误差和控制输入的加权和。

8、优化器:构建了非线性规划问题 nlp,并使用IPOPT求解器进行求解。

9、初始猜测:为状态矩阵 X 和控制矩阵 U 提供初始猜测值,并进行优化求解。

10、提取最优控制输入:从求解结果中提取最优的控制输入 optimal_u。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/24732.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Python爬虫实战:从入门到精通

网络爬虫,又称为网络蜘蛛或爬虫,是一种自动浏览网页的程序,用于从互联网上收集信息。Python由于其简洁的语法和强大的库支持,成为开发网络爬虫的首选语言。 环境准备 Python安装 必要的库:requests, BeautifulSoup, Sc…

使用 LLaMA-Factory 实现对大模型函数调用功能

节前,我们星球组织了一场算法岗技术&面试讨论会,邀请了一些互联网大厂朋友、参加社招和校招面试的同学。 针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。 合集&#x…

现代密码学-认证、消息认证码

什么是单向散列函数 单向散列函数(one way hash function):一个输入:消息(message),一个固定长度的输出(散列值,hash value),根据散列值检查消息完整性(integrity) 单向散列函数也称为消息摘要…

linux中创建sftp

前言:每次创建sftp的时候总是查一堆文档,不是有的步骤不对,就是缺失步骤,索性自己写一份以供后续方便使用。 一、添加用户组sftp --> groupadd sftp ●查看用户组是否创建成功 --> cat /etc/group 二、创建用户&#xf…

Docker大学生看了都会系列(七、Dokcerfile详解)

系列文章目录 第一章 Docker介绍 第二章 2.1 Mac通过Homebrew安装Docker 第二章 2.2 CentOS安装Docker 第三章 Docker常用命令 第四章 常用命令实战 第五章 Docker镜像详解 第六章 Docker容器数据卷 第七章 Dockerfile详解 第八章 Dokcerfile部署go项目 文章目录 一、Dockerfil…

图形化红队行动辅助平台Viper使用记录

图形化红队行动辅助平台Viper使用记录 简介 Viper(炫彩蛇)是一款图形化内网渗透工具,将内网渗透过程中常用的战术及技术进行模块化及武器化. Viper(炫彩蛇)集成杀软绕过,内网隧道,文件管理,命令行等基础功能. Viper(炫彩蛇)当前已集成70个模块,覆盖初始访问/持久化/权限提升/…

Python 中的字符串、列表、元组和字典数据类型的特点和使用场景

字符串(str)是一种不可变的序列类型,由字符组成。它的特点是: 可以使用单引号或双引号来定义字符串。字符串中的字符是按照索引进行访问的,索引从0开始。字符串可以进行切片操作,获取部分子串。字符串可以…

【数据结构】初识数据结构之复杂度与链表

【数据结构】初识数据结构之复杂度与链表 🔥个人主页:大白的编程日记 🔥专栏:C语言学习之路 文章目录 【数据结构】初识数据结构之复杂度与链表前言一.数据结构和算法1.1数据结构1.2算法1.3数据结构和算法的重要性 二.时间与空间…

【FPGA】arm数据总线和axi数据总线有什么异同点?

ARM数据总线和AXI数据总线在概念和应用上有一些异同点: 相同点 功能目的:两者都是用于处理器与外部设备或内存之间传输数据的通道。设计原则:它们都遵循一些设计原则,以确保数据传输的可靠性和效率。 异同点 架构级别&#xff…

Elasticsearch 认证模拟题 - 13

一、题目 集群中有索引 task3,用 oa、OA、Oa、oA 查询结构是 4 条,使用 dingding 的查询结果是 1 条。通过 reindex 索引 task3 为 task3_new,能够使 task3_new 满足以下查询条件。 使用 oa、OA、Oa、oA、0A、dingding 查询都能够返回 6 条…

【纯血鸿蒙】——自适应布局如何实现?

界面级一多能力有 2 类: 自适应布局: 略微调整界面结构 响应式布局:比较大的界面调整 本文章先主要讲解自适应布局,响应式布局再后面文章再细讲。话不多说,开始了。 自适应布局 针对常见的开发场景,方舟开发框架提…

React Native 快速Demo(1)

为了快速实现一个项目雏型(prototype)demo并提交给他们确认,可以按照以下步骤进行: 1. 环境设置 1.1 安装开发工具 安装Node.js和npm:用于管理项目依赖。 sudo apt install nodejs sudo apt install npm安装React Na…

QT系列教程(10) QTextEdit学习

简介 QTextEdit是文本编辑器,支持富文本功能。接下来我们创建一个Qt Application 应用,然后在ui中添加一个QTextEdit插件。 运行程序后,可以在QTextEdit中输入任何文字也包括富文本。 文本块 我们在MainWindow的ui文件中添加了textedit插件…

24年江苏省教资认定报名照片要求

24年江苏省教资认定报名照片要求,速速查收!

Python代码——压缩整个文件夹

使用 Python 的 zipfile 模块来创建一个压缩文件夹。 下面是一个示例代码,展示了如何将一个文件夹中的所有文件和子文件夹压缩成一个 ZIP 文件: import os import zipfiledef zip_folder(folder_path, output_path):# 创建一个 ZipFile 对象&#xff0…

蓝屏绿屏黑屏?别急,有它们仨【送源码】

使用Windows系统的电脑时,可能会碰到各种问题,导致系统无法正常使用。 这些问题都有一个统一的专业叫法就是bug! 系统一旦出现bug,最明显的特点就是, ①电脑蓝屏 电脑蓝屏是最经典的,从XP时代一直延续到…

STM32项目分享:智能台灯系统

目录 一、前言 二、项目简介 1.功能详解 2.主要器件 三、原理图设计 四、PCB硬件设计 1.PCB图 2.PCB板及元器件图 五、程序设计 六、实验效果 七、资料内容 项目分享 一、前言 项目成品图片: 哔哩哔哩视频链接: https://www.bilibili.c…

Anaconda软件:安装、管理python相关包

Anaconda的作用 一个python环境中需要有一个解释器, 和一个包集合. 解释器: 根据python的版本大概分为2和3. python2和3之间无法互相兼容, 也就是说用python2语法写出来的脚本不一定能在python3的解释器中运行. 包集合:包含了自带的包和第三方包, 第三…

泛微开发修炼之旅--12ecology工作流常用实用性查询语句源码汇总(二)

文章链接:泛微开发修炼之旅--12ecology工作流常用实用性查询语句源码汇总(二)

搭建mysql主从服务

搭建mysql主从服务 [!TIP] 基于docker和mysql 8搭建主从服务,一主二从的结构,并且把数据文件放置在master_slave_mysql 文件夹下 首先规划端口,master:3306,slave_one:3307,slave_two&#xff1…