一文了解四足机器人的步态设计！

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

编辑丨古月居

点击进入—>3D视觉工坊学习交流群

0、步态规划

四足机器人控制当中，步态是至关重要的一项。我们可以简单理解成四足机器人运动过程中各腿的状态，在这套设计方案中，我们对步态的规划主要分成两大主要部分，即接触状态和周期函数。而步态规划的目的，就是创建一个关于的足端接触状态的周期函数。

1、接触状态

四足机器人行进过程中，根据足端与地面是否发生接触，我们可以规定各条腿的两种接触状态，即接触（contact）与摆动（swing）

总控制器会根据步态规划给出的状态，移交至对应的控制器去处理，即摆动腿控制器（swing leg controll），接触腿控制器（contact leg control）。

对于这两种状态，可以简单地用一个布尔类型的值s来定义，即

对于周期性的步态规划，我们可以用下标Φ来进行区分，可以写成：

2、步态周期

四足机器人的运动归根到底都是周期运动，我们无须量化机器人运动的整个过程，因此如何量化定义一个完整的步态周期显得极为重要，在此我们使用基于时间的周期函数，定义一个基准相位值，公式如下：

其中，

• t：当前运行时间

• t0：当前周期开始时间

• T：一个步态周期

同样我们可以利用取余的方法来简化上述周期函数，两者并无实质的区别：

其中

• %为取余运算

• t为当前运行时间

对于相同类型的周期信号，我们可以利用相位差来表征周期函数之间的差别，因此有了基准相位函数之后，我们就可以利用其来定义各条腿的相位，如下式：

其中，Φi,offset为第条腿与基准相位的相位差。

3、周期函数效果演示

这里简单利用一个线性函数进行演示

取a=1,b=1，其图像随时间变化如下：

利用周期函数对时间进行调整，可以使其变成周期函数，设定周期为2s，时长为10s，其图像如下：

从图像可以看出，刚好为5个周期，一个周期为一个尖角。接下来，为更好的观察各曲线相位，我们设定该直线函数的3个周期，其相位差（offset）分别为[0,1,3,4]，图像如下：

从上图可以看出，我们的“尖角”会根据相位差，向前或向后平移。此方法对所有函数均适用，以下为利用sin函数进行的测试效果：

测试用代码：

import numpy as np
import matplotlib.pyplot as plt
 
 
 
 
T = 2*np.pi
t = np.linspace(0, 10, 100)
offset = [0, 0.5*np.pi, np.pi, 1.5*np.pi]
# offset = [0]*4
phi_offset = []
 
 
 
 
def linear_fun(x):
    return x+1
 
 
 
 
def linear_draw():
    plt.title('linear_function')
    plt.plot(t, linear_fun(t))
 
 
 
 
def single_period():
    plt.title('period_linear_function')
    plt.plot(t, linear_fun(t % T))
 
 
 
 
def period_draw():
    plt.title('period_ot')
    for i in range(len(offset)):
        phi_offset.append(np.sin((t+offset[i]) % T))
        plt.plot(t, phi_offset[i], label='%f' % offset[i])
 
 
 
 
period_draw()
plt.legend()
plt.show()

4、步态规划

因为我们的四足机器人足端，是在不停地与地面接触，悬空（摆动），所以这里说的步态规划，其实指的的一个连续（离散）时间上的接触序列。

我们以一条腿为例，本质上，可以看作是一个周期性的，用于生成各腿接触状态的阶跃函数。其输入值为时间，输出值为0或1，函数可以表示成如下：

其中t=t%T为时间的周期函数，其图像如下所示。

可以看出，步态规划器给出的是一段由0-1组成的接触序列。接下来加上相位关系。以tort步态为例，其相位为[0, 0.5, 0.5, 0]，步态规划随时间的图像如下所示：

测试代码：

import numpy as np
import matplotlib.pyplot as plt
 
 
T = 1
t = np.linspace(0, 5, 100)
states = []
FR = []
FL = []
BR = []
BL = []
 
 
phi_offset = [FR, FL, BR, BL]
offset = [0, 0.5, 0.5, 0]
 
 
 
 
def step(t):
    if t < 0.5*T:
        state = 0
    else:
        state = 1
    return state
 
 
 
 
def draw():
    for time in t:
        for i in range(len(offset)):
            phi_offset[i].append(step((time+offset[i]) % T))
 
 
    plt.subplot(411)
    plt.ylabel('FR')
    plt.plot(t, phi_offset[0])
 
 
    plt.subplot(412)
    plt.ylabel('FL')
    plt.plot(t, phi_offset[1])
 
 
    plt.subplot(413)
    plt.ylabel('BR')
    plt.plot(t, phi_offset[2])
 
 
    plt.subplot(414)
    plt.ylabel('BL')
    plt.plot(t, phi_offset[3])
 
 
 
 
fig = plt.figure()
draw()
fig.tight_layout()
plt.show()

5、总结

综上，我们利用阶跃函数得到一串由0和1组成的序列，来表示四足机器人足端与地面的接触状态。根据不同的接触状态，再交由其他运动控制器进行控制，如接触状态，就由mpc模型计算出所需要的反作用力；而摆动状态，就交由摆动控制模块计算足端的摆动轨迹

最后根据需要的不同的行走姿态，确定个条腿之间的相位差，实现各腿的协同运动。至此我们完成了对四足机器人步态的数学建模，更多内容可以点击主页查看，点点关注，后续会有更多相关内容。

本文仅做学术分享，如有侵权，请联系删文。

点击进入—>3D视觉工坊学习交流群

干货下载与学习

后台回复：巴塞罗那自治大学课件，即可下载国外大学沉淀数年3D Vison精品课件

后台回复：计算机视觉书籍，即可下载3D视觉领域经典书籍pdf

后台回复：3D视觉课程，即可学习3D视觉领域精品课程

3D视觉工坊精品课程官网：3dcver.com

1.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
2.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
3.国内首个面向工业级实战的点云处理课程
4.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
5.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
6.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
7.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

8.从零搭建一套结构光3D重建系统[理论+源码+实践]

9.单目深度估计方法：算法梳理与代码实现

10.自动驾驶中的深度学习模型部署实战

11.相机模型与标定(单目+双目+鱼眼）

12.重磅！四旋翼飞行器：算法与实战

13.ROS2从入门到精通：理论与实战

14.国内首个3D缺陷检测教程：理论、源码与实战

15.基于Open3D的点云处理入门与实战教程

16.透彻理解视觉ORB-SLAM3：理论基础+代码解析+算法改进

17.机械臂抓取从入门到实战

重磅！粉丝学习交流群已成立

交流群主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、ORB-SLAM系列源码交流、深度估计、TOF、求职交流等方向。

扫描以下二维码，添加小助理微信（dddvisiona）,一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿，微信号：dddvisiona

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、源码分享、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答等进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，6000+星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看，3天内无条件退款

高质量教程资料、答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~