Multilayer Nested Learning Optimization-Based Coordinated Control for Biped Reconfigurable Robots Under Walking Task Constraints

Qiang Pan

doi:10.1109/TCST.2025.3631986

Multilayer Nested Learning Optimization-Based Coordinated Control for Biped Reconfigurable Robots Under Walking Task Constraints

2025-11-24

0

PRE

AI

DOI：10.1109/TCST.2025.3631986

原文链接

原文求助

摘要

En 中文

本文提出了一种基于在线神经动态规划（NDP）的多层嵌套学习结构下的双足重构机器人（BRRs）最优协调控制方法。基于行走任务的需求，建立了BRRs的动态模型，并将其分解为两个运行模式：摆动相和支撑相。为确保支撑相的稳定性，采用多面体摩擦锥近似策略来描述足底力的分布，并通过二次规划（QP）算法获得相应的参考值。构建了一种新型代价函数，包含BRRs、躯干与地面间的相互作用力，有效反映BRRs的稳定性和协调控制性能。随后，设计了一种功能链接神经网络（FLNN）辨识器，用于补偿模型固有的不确定性。借助NDP框架，通过演员-评论家双层神经网络（NN）获得近优协调控制器，实现BRRs高性能、稳定的平面行走。此外，利用李雅普诺夫稳定性方法证明闭环BRRs的跟踪误差具有一致最终有界性（UUB）。最后，通过在自设计的爪型BRR平台上的实验验证了基于多层嵌套学习的最优协调控制方法的有效性。

Keyword:

Biped reconfigurable robots (BRRs)

coordinated control

neural networks (NNs)

neuro-dynamic programming (NDP)

Multilayer Nested Learning Optimization-Based Coordinated Control for Biped Reconfigurable Robots Under Walking Task Constraints

摘要

期刊

机构