外文翻译格式参考模板

外文翻译格式参考模板 上边写英文 下边写中文

本科毕业设计（论文）

外文翻译

题 目 缆线机器人的机构设计及仿真

姓 名

专 业 机械设计制造及其自动化

学 号

指导教师

郑州科技学院 机械工程学院

二○一六年四月

外文翻译格式参考模板 上边写英文 下边写中文

基于分层生物反射的自适应行走的四足机器人

张秀丽1， ，明成，曾翔宇，郑浩峻 112

1学校的机械，电子与控制工程，北京交通大学，北京100044，中国 2精密仪器系，清华大学，北京100084，中国

2011年1月27日收到； 2012年3月19日修订；2012年3月22日接受 摘要：多条腿的机器人是一种利用自身的动态模型来控制的传统控制模型的机器人。当机器人面临崎岖的地形和未知环境时，以这种动态模型为基础的方法却不能获得满意的性能。提到动物的神经控制机制，控制模型的建立就是为了四足机器人的自适应行走。机器人的基本节奏的运动是由一个精心设计的有节奏的运动控制器控制（RMC），这种运动控制器包括针对髋关节的中枢模式发生器（CPG）和针对膝关节的有节奏的耦合器（RC）。CPG和RC的关系就像有运动映射和韵律的夫妇。多感官的电机模型，抽象于一只猫的神经反射，从而被采用。这些反射模型进行组织并与CPG在三层交流反应，以满足复杂的要求和时间响应的任务。在RMC与层状生物反射的基础上，四足机器人得以构造，它可以清除障碍，自主性地爬上坡和走下坡，并在不确定的环境下主动转向，以类似的方式与动物环境相互作用。本文提供了一个受生物启发的体系结构，其中一个机器人能自适应地用一个简单而有效的方法在不确定的环境中行走，并实现更好的性能。

关键词：四足机器人；运动控制；中枢模式发生器（CPG）；生物反射

外文翻译格式参考模板 上边写英文 下边写中文

1引言

一个自主机器人控制系统必须完成许多复杂的任务，集成不同传感器的信息并实时性和复杂性的适应不同的功能。多机器人控制系统集成感觉输入和制动器的输出以实现非结构化环境中的一个优秀的运动能力仍是一个争议以及在机器人技术和人工智能领域方面的一大挑战（AI）。根据布鲁克斯，已经开发了两种方法使腿式机器人在非结构化环境中取得令人满意的性能。传统的人工智能方法是建模，感知，规划和执行。从一个给定的目标和特定的世界模型中出现的行为反应已经构造了感官数据规划。机器人足球比赛和地图导航是这一方法的两种典型应用。然而，远从理想的处理仍是不可预测的并且由于缓慢的推理复杂性代表一个动态的现实世界，环境也是变化着的。

基于行为的方法是另一个选择，包含有许多单独的模块，每一个模块都纳入自己的知觉，建模，并规划要求直接生成机器人行为的某些部分和迅速应对变化的世界。布鲁克斯编码了一六腿机器人，成吉思汗，使用这种方法 2 1 ，走在崎岖的地形。他设计了行为的增强层结构式，实施能力来站起来，没有反馈的行走，通过力反馈调整粗糙的地形和障碍，并调节这种基于俯仰和滚转测斜仪形式的寄宿。用很少的计算机器人成功地通过了粗糙的地形。基于行为的方法更像是生物体与世界互动的方式。然而，这种做法是不道德的，它没有规模到一定的作用上。如何成为一个可行的程序这一概念，仍然是一个艰苦的工作，因为它是难以合适地用层行为去建立他们之间合理的关系。

模仿动物是控制移动机器人设计的一个有效方法。然而，关键的问题是如何将一个复杂的生物神经系统成为一个可信的物理控制系统。以中枢模式发生器（CPG）为基础的方法是一个成功的例子，它推导了其模型的机器人节律运动控制生物神经系统。CPG已由科学家和研究人员 4-10 3 建成了许多的不同模式。然而，建模的反应和组织他们到以CPG为基础的控制系统目前仍没有坚实的方法论。木村提出了两种将感官信息来控制系统的方法：“响应”的命名引入了CPG，调节CPG相位反馈，并且“反射”的命名也引入了一个关节PD控制器来产生关节力矩。他们建造了许多反射控制的四足机器人在不规则地形中动态的行走。

外文翻译格式参考模板 上边写英文 下边写中文

不同的表示了不同的反应，这些表示和参数是在控制系统的实验中得到的最佳表现 11-13 。针叶林建立了一个控制系统，包括一个有节奏的发电机（RG）和一个离散的发电机（DG），用于模拟人类的双足。RG是负责生成基本运动模式，而DG修改基于感官信息的基本运动。实时的适应性可以通过神经肌肉骨骼系统和环境之间全球的夹带来实现 14-15 。

虽然以CPG为基础的方法表现出当用于机器人控制的一些特点，设计的控制结构和处理相互作用的CPG与反应之间以及反射之间仍是一个艰苦的工作。在一个需要大量反射和反馈来处理的复杂环境中它仍是一个大问题。在本文中，我们提出一个明确的控制结构使四足机器人自适应的行走，其基本节奏的运动是由针对髋关节的CPG和针对膝关节的耦合器（RC）组成的有节奏的运动控制器控制（RMC）。多个生物反射模型进行组织，从而与CPG三层交流反应。每个反射根据其功能的复杂性和实时性的要求纳入不同层的架构。反射模块彼此分离。在此架构下，我们模拟屈肌反射，姿态反射，并把他们的行为模式反射在追一只猫，并应用于它们到一个四足机器人从而在一个未知的充满障碍和边坡的环境中执行。

外文翻译格式参考模板 上边写英文 下边写中文

2生物启发的运动控制体系结构

为了设计一个有效的运动控制系统，我们研究了脊椎动物的神经系统的生理结构。我们推测，一些线索可以从参考设计一个物理机器人控制系统的调查中得到。

2.1一个有层次的神经系统

脊椎动物的神经系统的结构大致可分为三层，如图1所示。中枢神经系统（CNS）是由许多的运动神经中枢组成，它自上而下的调节和监视身体的运动和活动。CPG是有节奏的运动的核心，能够在输入外部或高等中心的缺失时有节奏的输出。这些感觉通道将信息从身体姿势和环境中回到不同的神经层。

人们普遍认为动物行走主要是通过结合CPG和反射脊髓来产生的。CPG的输出可以由外部输入而变化，即生物反射 17 。动物调节自身来适应环境的各种反应，如屈肌反射，腱反射，姿态反射，等。

外文翻译格式参考模板 上边写英文 下边写中文

2.2 有节奏的运动控制器设计

腿式机器人运动的基本运动是有节奏的运动。我们设计了一个RMC可以产生节律位置信号针对髋关节和膝关节的四足机器人。RMC由CPG和RC组成。

2.2.1 CPG模型

在RMC中，CPG是核心其责任是对整个系统产生节奏。我们使用的CPG模型是由松冈提出的 18-19 。松冈的振荡器是由两个相互抑制神经元组成即对应的一个神经元在动物屈伸肌的另一个神经元。CPG模型可以在一个矢量方程组方程表示如图（1）。下标i, n, m,和e分别表示振荡器，振荡器的数目，感知输入，屈伸肌的神经元数量和神经元。

其中 U-神经元的状态，

V，b-分别为内部的适应性和自适应系数，

Tr-决定振荡周期的上升时间常数，

Ta-特征为适应性影响延迟的适应性时间常数，

c-从更高层次不断补输入，即决定了输出幅值线性，

p-调节增益，使输出的幅值等于c，

Yf,e，a-分别为神经元的输出神经元和神经元耦合项的抑制系数，

W -振荡器–振荡器耦合项的步态矩阵，代表了一种四足机器人的行走模式，

S，G-分别为测量反馈项的输入和反射增益，

外文翻译格式参考模板 上边写英文 下边写中文

Y-建立稳定振荡的CPG的输出，这是用来作为四足机器人髋关节角位置控制信号。

2.2.2 RC模型

四足机器人具有八个自由度，即，四髋关节和四膝关节。一般来说，随着提高机器人高速动态行走的自由度运动控制变得更加复杂。此外，这是确保了均匀稳定的节奏在整个运动过程至关重要的节奏行走。为了简化多自由度的控制，我们设计了一个钢筋混凝土，这是臀部和膝盖之间的映射关系。如图2所示，四髋关节是由CPG控制，每个膝关节是由一个函数f控制，其价值是由相同的腿的髋关节变量计算。髋膝关节的映射函数f表示，追猫动作后，如式（2）：

其中yh，yk—分别为髋关节和膝关节的角位置，

Ah，Ak—分别为髋关节和膝关节的角振幅，

D—逼近增益，

sin（ψ）—符号函数，用来表示两个类型的节点比如在四肢动物体如一些腿式机器人（膝和肘式风格）在旋转的相反方向上的臀部和膝盖。

RC转髋膝关节的控制信号，控制信号，随着时间的推移，从而使髋关节的运动和膝的动作在同一节奏。

外文翻译格式参考模板 上边写英文 下边写中文

2.3三级生物反应

动物使自己在一个复杂的世界里生存，在那里有他们在日常活动中遇到的必须适应的不同环境条件。面对偶然性和损伤所做的行为的效率和操作的灵活性和鲁棒性，动物表现出来的可以归因于富裕的感觉系统和微妙的反射机制的。的感觉运动的相互作用在动物身上是实时的，互动地，和广泛的肌肉，CPG，和大脑皮层 20 。采用生物反射机制来提高机器人的适应性，我们需要找到工程师的方法，即反射和发展CPG和反射之间的相互作用。一个拥有良好的框架结构可以提供简单的，明确的，可行的方法来集成感觉信息的运动控制系统，从而处理不同的复杂性任务和响应时间的要求。我们提出一个来自真正的生物反射的神经系统的三层反射建模框架，如图1所示。每个处理环境变化的任务作为一个基本模块。该框架提供了由组织所有的模块和编码每个模块的分层路。

2.3.1组织模块

根据运动控制脊椎动物的神经系统，我们提出了一个三个层次的生物反射建模框架：低反射（LR），中间反射（IR），和高反射（HR），如图3所示。LR组织反射模块在于CPG，也就是说，修改CPG的输出，以产生一个适当的反射法对消

外文翻译格式参考模板 上边写英文 下边写中文

除刺激的方向。在这里，一个设计良好的固定运动形式出现，取代了对机器人进行有节奏的运动，前提是如果LR触发。短连接的传感器和执行器之间，LR有利于需要快速处理的刺激。它是简单的实时的行为，如膝跳反射和屈肌反射。

IR是在涉及多项攀爬协调的行为负责，如姿势反射。它将反射模块内的CPG引入感觉输入的CPG模型通过反馈项,即方程（1），这是我们代表的产品S和G。传感矩阵的可容纳的反馈信号的信息，如

其中，列指示腿和行显示各种反馈信号。

每个反馈信号的反射增益向量G.对应的元素融入CPG。我们定义G g1,g2, ,gm ,gie gif，基于这样的事实：伸肌和屈肌是一对拮抗肌。通T

过引入感官输入到多振子耦合CPG，IR产生了在机器人腿之间的协调运动。由于在振荡器夹带中由一个单一的源引发的反射动作进化为一个集体行为。所以

外文翻译格式参考模板 上边写英文 下边写中文

反馈的这种表达可以融合多种感觉信息来展示机器人的全部行为。

人力资源部组织的反射模块在中枢神经系统，具有丰富的神经元。不同于非自愿的LR和自组织的IR，人力资源是有意识的，也就是说，大脑从事其反应来让更多的信息可以处理已经产生的更复杂的行为，如视觉反射或音频反射。

当一个反射是要求机器人适应特定的环境变化时，适当的选择水平模型的反射取决于任务的复杂性，响应时间等，然后详细设计反射运动，我们称之为编码功能。

2.3.2编码功能

进化塑造了动物的惊人能力。他们的适应性，灵活性和各种运动，以及各种各样的行为是他们制造机器人性能的基准。当涉及到一个机器人的具体反射功能的设计，我们的目标是使机器人在类似动物环境的方式下与之互动。因此，我们研究了猫的行为，在特定条件下模仿和确立其反射行为，并重新构建其目标控制的机器人的反射。机器人获取最自然的表现是由反射运动方式和基本节律运动结合在一个和谐的方式下完成的。

外文翻译格式参考模板 上边写英文 下边写中文

3应用分层生物反射的四足机器人的自适应运动

3.1四足机器人

四足机器人（图4），biosbot（生物启发的机器人），作为测试控制结构的平台。机器人的每个腿有三节，髋关节，膝关节，踝关节，和一个俯仰自由度。由直流电机驱动的髋关节和膝关节是活动关节。脚踝与弹簧阻尼器是被动关节。所有的关节都可以旋转180°。该机器人配备以下传感器：在每个关节的光编码器，在每条腿的脚趾接触开关用来检测障碍，来自树干上获取的地形和意义上的平滑性能所表现的倾斜度和轧辊倾角。该机器人具有400毫米 320毫米 300毫米尺寸，质量为5.7公斤。

实验环境设置为一个长杆和一个为20毫米 20毫米的截面积作为一个障碍，一个不断变化的斜率与一个最大高达12左右°的俯仰角，同时还有一个1.2米高的墙。地形的分布参数是事先未知的机器人。

3.2结算采用LR屈肌反射障碍

动物的屈肌反射指的是由一个有害刺激引起肢体的一个收缩反应。当他们的肢体碰撞到它时动物们使用屈肌反射来逃脱或清除障碍。我们采用屈肌反射使四足机器人在其自身环境中自动清除障碍。为了简化屈肌反射模型和获得自然反射运动，我们研究了猫的清除障碍行为和仿效的四足机器人。

外文翻译格式参考模板 上边写英文 下边写中文

3.2.1一只猫的屈肌反射行为

猫的屈肌反射行为是研究使用数码相机来记录它们的运动的影响，给猫的眼睛蒙上一块布，以避免视力的影响。在它的面前放置一个木制杆作为障碍。我们会发现，当猫的腿撞杆时表现的是依赖性。当撞击杆在前摆（AS），这个时候猫有足够的时间来回应，颠簸的腿有点缩回，然后清晰地看到举高了腿。如果撞杆在后摆动（PS），腿缩进一点触动到了地上，由于摆动的休息时间太短，所以进行了完整的跨越。这表明，屈肌反射时相位依赖性，即具有不同的效果取决于一个运动周期的时间。

猫跨越一个障碍的使用行为是：当其炫耀撞腿像剪刀时，远远超过正常的能力，可以得到一个高脚间隙。

3.2.2屈肌反射模型

从猫的行为，可以得出结论，屈肌反射需要避免由于进一步损害带来的快速响应，并且通常只涉及到单条腿；因此，我们选择模型在LR层。我们设计的机器人的屈肌反射运动根据猫的行为如下：

（1）根据碰撞阶段的位置来治疗依赖；

（2）让弯曲的腿清扫更多的障碍；

（3）只有撞击反射的腿和其他的腿保持正常的运动，以保持机器人整体节奏不变。

3.3走上坡和下坡时的红外反射

边坡是一种在现实世界中普通的地形。走上坡和下坡时，动物们可能需要处理由于滑倒或跌倒所引起的他们的身体重心（COG）偏移。动物行走边坡时有益于它们的姿势反射调节，该调节通过调整来自其身体的姿势信息所感知的前庭器官在内耳等本体感受器带来的腿的运动从而来调整他们的姿势。同样地，我们研究了猫的姿势反射行为，让四足机器人模仿他们，让它在走上坡和下坡的时候有一个平滑变化的斜率。

外文翻译格式参考模板 上边写英文 下边写中文

3.3.1猫的姿势反射行为

通过使用相机记录猫在没有特别准备的情况下步行上坡和下坡的行为，我们发现猫通过改变它的腿的伸展从而调整身体姿势来抵消重心偏移并保持平衡。当走在平坦的地形的时候，猫会自动发现其自身有平行的支承面支柱。当走上坡和下坡的时候，首先发觉是不是平行于支撑平面或者水平地面。当上坡行走时，自动调整使支撑前尺骨干的高度小于支撑背脚骨干的高度。当下坡行走时，使支持前面的脚到骨干网的高度大于支背脚支柱的高度。

3.3.2姿势反射模型

从猫的运动，我们观察到姿势反射要求所有的腿协调于另一个由于实时的形变化的腿并和谐地改变身体的姿势。因此，我们在红外层选择模型，并根据猫的行为设计如下机器人的姿势反射运动：

通过改变量的扩展所有的腿需要协调，即在他们的活动范围内获得一个正确的姿势。前腿弯曲超过上坡行走的后腿，后腿弯曲小于下坡行走的前腿。

3.4转向时使用HR反射

在这三层反射模型中，人力资源管理层模拟成一个大脑去适应先进的功能，该功能无法应付LR层和IR层。力资源管理层，以其强大的计算能力，可以与多种输入感官进行复杂的信息交易过程，如视觉数据和距离传感器的信号，从而清楚地了解周围的环境，以便让机器人做出积极反应，避免即将到来的危险。 一种车削实验的设计让biosbot论证了人力资源层的建模能力。如果只使用较低的屈肌反射biosbot不能透明墙。然而，biosbot，基于它的感官信息，可以选择转弯来避免与墙的碰撞。该功能包括两个模块：一个是识别墙的感官模块和转弯动作的其他模块。对于感官模块，我们使用一个摄像机和超声波测距使传感器获取周围的图像和机器人和墙壁之间的距离。这个任务是执行在人力资源层的PC层中（这部分不在本文的研究中解释）。获取必要的信息后，命令信号发送到动作的触发模块，使biosbot向左或向右转向。

外文翻译格式参考模板 上边写英文 下边写中文

4讨论

在腿式机器人的运动控制方法中一个经常使用的是基于经典的运动学和动力学，即规划第一脚的轨迹，然后求解关节的反比。如果环境发生急剧变化，由于缓慢的推理复杂性代表一个动态的现实世界所以这个计算是相当大的。然而，动物不使用这种方法。他们的运动行为以及相应的神经网络是分层次的。不同的运动控制是根据复杂性和任务响应时间的要求在不同的神经层来执行。因此，他们有更高的效率。然而，如何使用生物启发的方法？在我们看来，核心是一个合适的RMC设计，它可以协调多自由度和整个系统有一个统一而稳定的节奏保证。此外，用适当的方式进行了反射和RMC的结合，也就是说，他们是能够调节RMC输出的，但没有打扰到RMC的固定节奏。

外文翻译格式参考模板 上边写英文 下边写中文

5结论

运动控制体系结构，本文提出的是从脊椎动物神经系统中抽象出来的，其中包括基本节律运动的RMC和层状反射去进行自适应复杂的感觉任务运动。RMC由CPG模型和RC模型组成。反射组织在三层的神经系统内，在CPG下有子CPG，和中枢神经系统，以满足复杂响应时间任务的不同要求。仿生结构使得机器人用类似的方式在环境中与动物进行互动。

当设计一个特定的反射功能的运动模式时，有用的线索是从猫的行为得出的，简化的轨迹规划并实现自然的表演。

基于层状生物反射结构，四足机器人得以构造，它可以清除障碍，自主性的走上坡和下坡，并在不确定环境下的主动转向，采用较低水平的屈肌反射，一个中等水平的姿势反射，和更高级别的转折反射。

外文翻译格式参考模板 上边写英文 下边写中文

文献综述

[1] BROOKS R A.针对机器人的一种新方法.[J].科学，1991,253:1227–1232.

[2] BROOKS R A.一个行走机器人：从一个精心演进网络突现的行为[C].// IEEE机器人与自动化，斯科茨代尔，AZ.十月十日–14,1989,696:692–V2.

[3] IJSPEERT A J的在动物和机器人运动控制中的中枢模式发生器：一个综述[J].神经网络，2008,21:642–653.

[4] SENDA K，TANAKA T.非线性动态生成具体精度的有节奏运动[C]./ /国际会议上发表的动物和机器的自适应运动，二月二十三日–25，蒙特利尔加拿大，2000.

[5]孟蔡，王田苗，关胜国等。–像壁虎的机器人设计与分析[J].中国机械工程学报，2011,24(2):224–236.

[6] MATSUGU M.夹带，不稳定性，准–周期，和在复合神经振子的混沌[J].计算神经科学的杂志，1998,5:35–51.

[7] COLLINS J J, RICHMOND S A.四足运动中有线的中枢模式发生器 [J].生物控制论，1994,71(5):375–385.

[8] GOLUBITSKY M, STEWART I, BUONO P L等.一个模块化网络下腿的运动[J].物理学D,1998,115：56–62.

[9] HATSOPOULOS N G.神经模式发生器调谐到肢体系统[ C ] / / IEEE物理动力学.神经网络.8月3-7日,1992,1:104–109.

[10] NICOLE S, PESSA E. 自动–振荡输出的网络模型和动态连接[J].生物控制论，1994,70(3):275–280.

[11] FUKUOKA Y, KIMURA H.用“铁拳”的各种步态：行走，小跑步态，自由和束缚的动态运动仿生四足机器人[J].应用仿生学和生物力学，2009,6(1),1–9.

[12] MAUFROY C,KIMURA H,TAKASE K.一般神经网络控制器的四足运动[J].神经网络，2008,21:667–681.

[13] KIMURA H, FUKUOKA Y, COHEN A H. 基于生物概念的自适应动态行走[J].自然地面的四足机器人.国际机器人研究杂志，2007,26(5):475–490.

[14] TAGA G. 人类运动控制的实时运动的运动和发展的适应性预期[C]//动物和机器的自适应运动，二月二十三日–25，蒙特利尔加拿大，2000.

[15] TAGA G. 神经-肌肉-骨骼系统模型对人体预期调整运动过程中的避障[J].生物控制

外文翻译格式参考模板 上边写英文 下边写中文

论，1998,789:–17.

[16] SHEPHERD G M.神经生理学[M].蔡南山，译.上海：复旦大学出版社：295–316,1992.

[17] DELCOMYN F.在动物神经基础上的节奏行为研究[J].科学，1980,210:492–498.

[18] MATSUOKA K.持续振荡的相互抑制神经元的自适应生成[J].生物控制论，1985,52：367–376.

[19] MATSUOKA K.在神经节律发生器的频率和模式控制机制[J].生物控制论，1987，56：345–353.

[ 20 ] COHEN A H, BOOTHE D L.感觉运动的相互作用过程中的运动：来自生物系统原理

[J].原则.自主机器人，1999,7：239–245.

本文来源：https://www.bwwdw.com/article/owgj.html