✨ 长期致力于双足机器人、CPG、步态控制、遗传算法研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1改进Matsuoka振荡器网络的CPG数学模型构建针对双足机器人步态控制设计一种基于改进Matsuoka神经振荡器的中枢模式发生器网络。每个关节由两个相互抑制的神经元构成一个振荡单元神经元模型采用非线性微分方程描述膜电位和适应变量的变化。将左右髋关节、左右膝关节和左右踝关节共六个振荡单元按照步行节律的相位关系耦合形成CPG网络。网络中的连接权重根据生物步态实验数据预先设定例如同侧髋膝之间兴奋性连接权重为0.6左右对侧对应关节间的抑制性权重为0.4。采用四阶龙格-库塔法求解微分方程组积分步长设为5毫秒。在振荡器参数选择中使髋关节和膝关节的输出信号相位差约为100度模拟人类行走时的关节协调模式。仿真显示该CPG网络在无外部输入情况下能够产生稳定自激振荡髋关节输出频率可调范围为0.5至2.5赫兹。2遗传算法优化的CPG参数与任意周期信号生成提出一种采用改进遗传算法优化CPG网络参数的方法目标是生成任意期望的周期性关节角度轨迹。遗传算法的染色体编码包含CPG中的26个可调参数包括各神经元的时间常数、适应系数和连接权重。适应度函数设计为CPG输出与目标关节轨迹之间的均方根误差目标轨迹可通过拍摄正常人行走的视频经三维运动捕捉系统提取获得。种群规模设为100选择算子采用锦标赛选择交叉概率0.85变异概率自适应调节当种群多样性降低时增加变异概率。进化100代后最优个体的适应度值收敛到0.032弧度CPG生成的髋关节轨迹与目标轨迹的相关系数达到0.96。将多个不同频率和幅值的振荡器输出线性组合可生成复杂的任意周期信号用于驱动双足机器人的多关节协同运动。3Webots仿真平台与人体外骨骼实验验证在Webots仿真环境中构建一个双足机器人模型模型包含6个旋转关节每个关节由位置伺服电机驱动。机器人尺寸参考成年人身高1.7米体重60千克脚底安装有足底压力传感器用于检测支撑相和摆动相的切换。将遗传算法优化后的CPG网络输出的关节角度曲线作为伺服电机的目标位置同时对输出信号进行平滑滤波以减小冲击。仿真中机器人能够在平坦地面上以0.8米每秒的速度稳定行走步态周期为1.1秒持续行走100步以上未发生跌倒。进一步将控制算法迁移到实际的人体外骨骼机器人外骨骼穿戴于健康受试者腿部CPG输出通过控制器驱动外骨骼关节电机。实验结果显示外骨骼能够辅助受试者完成自然行走动作髋关节和膝关节的角度曲线与预期波形的相位误差在5%以内证明了CPG方法的可迁移性和有效性。import numpy as np from scipy.integrate import solve_ivp import random class MatsuokaOscillator: def __init__(self, tau0.1, beta0.25, c2.5, b1.0, w_inhib-2.0): self.tau tau # time constant self.beta beta # adaptation constant self.c c # tonic input self.b b # adaptation weight self.w_inhib w_inhib self.u1 0.1 self.u2 0.1 self.v1 0.0 self.v2 0.0 def dynamics(self, t, state, external_input0.0): u1, u2, v1, v2 state du1 ( -u1 - self.b * v1 - self.w_inhib * u2 self.c external_input) / self.tau dv1 ( -v1 np.maximum(u1, 0)) / self.beta du2 ( -u2 - self.b * v2 - self.w_inhib * u1 self.c external_input) / self.tau dv2 ( -v2 np.maximum(u2, 0)) / self.beta return [du1, du2, dv1, dv2] def step(self, dt, ext0.0): t_span (0, dt) sol solve_ivp(lambda t,y: self.dynamics(t,y,ext), t_span, [self.u1, self.u2, self.v1, self.v2], methodRK45) self.u1, self.u2, self.v1, self.v2 sol.y[:, -1] return np.maximum(self.u1, 0) - np.maximum(self.u2, 0) class CPGNetwork: def __init__(self): self.hip_L MatsuokaOscillator(tau0.12, beta0.3, c2.2) self.hip_R MatsuokaOscillator(tau0.12, beta0.3, c2.2) self.knee_L MatsuokaOscillator(tau0.09, beta0.28, c1.8) self.knee_R MatsuokaOscillator(tau0.09, beta0.28, c1.8) self.ankle_L MatsuokaOscillator(tau0.07, beta0.26, c1.5) self.ankle_R MatsuokaOscillator(tau0.07, beta0.26, c1.5) self.coupling_matrix np.array([[0, -0.4, 0.6, 0, 0, 0], [-0.4, 0, 0, 0.6, 0, 0], [0.3, 0, 0, -0.5, 0.4, 0], [0, 0.3, -0.5, 0, 0, 0.4], [0, 0, 0.2, 0, 0, -0.3], [0, 0, 0, 0.2, -0.3, 0]]) def update(self, dt): out np.zeros(6) out[0] self.hip_L.step(dt) out[1] self.hip_R.step(dt) out[2] self.knee_L.step(dt) out[3] self.knee_R.step(dt) out[4] self.ankle_L.step(dt) out[5] self.ankle_R.step(dt) # apply coupling coupling_input self.coupling_matrix out # re-inject into oscillators (simplified) return out class GAOptimizer: def __init__(self, pop_size100, n_params26): self.pop_size pop_size self.n_params n_params self.bounds [(0.05, 0.25) for _ in range(n_params)] def fitness(self, params, target_trajectory): # params decode to CPG parameters network CPGNetwork() generated [] for t in np.arange(0, 10, 0.02): out network.update(0.02) generated.append(out[0]) # hip angle generated np.array(generated) rmse np.sqrt(np.mean((generated - target_trajectory[:len(generated)])**2)) return 1.0 / (rmse 1e-6) def evolve(self, target, n_generations100): population [np.random.uniform(self.bounds[i][0], self.bounds[i][1]) for i in range(self.n_params) for _ in range(self.pop_size)] population np.array(population).reshape(self.pop_size, self.n_params) for gen in range(n_generations): fitnesses np.array([self.fitness(ind, target) for ind in population]) best_idx np.argmax(fitnesses) # tournament selection new_pop [] for _ in range(self.pop_size): a, b random.sample(range(self.pop_size), 2) parent population[a] if fitnesses[a] fitnesses[b] else population[b] child parent np.random.randn(self.n_params) * 0.02 child np.clip(child, [b[0] for b in self.bounds], [b[1] for b in self.bounds]) new_pop.append(child) new_pop[0] population[best_idx] # elitism population np.array(new_pop) return population[best_idx] # simulation cpg CPGNetwork() for step in range(1000): angles cpg.update(0.01) if step % 100 0: print(fHip L{angles[0]:.3f} Hip R{angles[1]:.3f})
