基于Rulkov神经元模型的四足机器人适应性行走控制.pdf

中枢模式发生器（Central Pattern Generator, CPG）是生物体中负责产生周期性运动模式的神经网络，常被用于模仿动物行走、游泳等基本运动。Rulkov神经元模型是一种简化版的神经元模型，它能够模拟神经元的动态行为，如兴奋、抑制等过程，从而用于构建CPG模型。 在四足机器人行走控制中，Rulkov模型被用来模拟生物CPG的工作机制。通过调整Rulkov神经元模型的参数，可以改变CPG网络的输出，进而控制机器人的关节动作。单关节和多关节耦合的网络拓扑结构设计，意味着各个关节的动作不仅取决于自身的CPG单元，还受到其他关节的CPG单元影响，这种耦合作用有助于实现更自然、协调的行走动作。 多目标遗传算法（Multi-objective Genetic Algorithm, MOGA）在此过程中起到了关键作用。它用于优化CPG单元之间的耦合系数矩阵，目的是使CPG网络产生的信号能更好地驱动机器人关节按照预设的时序运动。遗传算法是一种全局优化技术，能处理多目标优化问题，寻找一组非劣解，以平衡多个相互冲突的目标。 为了提高四足机器人在不同环境下的适应性行走能力，设计了信息融合反馈系统。该系统能够整合来自机器人传感器的各种信息，如地形识别、步态检测等，以调整行走策略。例如，在坡面行走时，机器人可以根据坡度信息调整步态参数，确保稳定性和效率。 实验部分，研究者使用了名为GhostDog的四足机器人在Webots仿真平台进行了验证。Webots是一款强大的机器人仿真软件，能模拟真实世界的物理环境。实验结果显示，基于Rulkov神经元模型的控制策略能使机器人自主切换行走模式，适应不同的地面条件，证明了该策略的有效性和环境适应性。 总结起来，本研究通过结合生物启发的控制方法和智能优化算法，为四足机器人的行走控制提供了一种新颖的解决方案。Rulkov神经元模型构建的CPG网络，结合多目标遗传算法优化，能有效地生成协调的行走动作。同时，信息融合反馈系统和适应性行走策略的实施，进一步提升了机器人在复杂环境中的行走能力。这种方法对于未来足式机器人的自主导航和环境适应性研究具有重要的参考价值。