阅读足式仿生机器人 Moco-8
Moco-8四足机器人控制算法简介
https://zhuanlan.zhihu.com/p/69869440
足式机器人
步态算法
VMC支撑相控制算法
ZMP算法规划重心在着地平面移动轨迹的爬行步态
对角步态是足式机器人最常用的步态，支撑相，摆动相
波士顿动力公司Raibert提出的三通道控制框架和虚拟模型控制方法
四足机器人中基于作用力与反作用力调整各腿下蹬力度实现姿态、位置、速度控制
VMC摆动相控制算法
轨迹规划有许多的方法，如多项式拟合，正余弦组合或最优轨迹
使规划的摆动轨迹能够根据机器人机体速度而自适应调整步幅大小，仍采用Raibert 提出的方法计算落点
知识点
雅可比矩阵
计算雅克比矩阵通常需要先求解机器人的正运动学方程，即已知关节角度时如何计算出末端执行器的位置。
接着对正运动学方程关于关节变量求偏导数，得到的矩阵就是雅克比矩阵。
应用
-
逆运动学的近似求解：在机器人或四足动物的控制中，雅克比矩阵允许我们通过关节空间的速度来近似控制末端执行器或足部在任务空间（如三维空间）的速度。通过局部线性化，雅克比矩阵使得我们可以用关节的微小变化来估计末端位置或姿态的变化，这对于实现精确的轨迹跟踪至关重要。
-
力和力矩控制：在姿态控制中，雅克比矩阵提供了从末端执行器的空间力（或力矩）到关节力矩的映射。这意味着，当我们希望机器人在特定方向上施加力时，可以通过计算雅克比矩阵的逆（或伪逆），将这些力的需求转换为各个关节应产生的力矩，从而实现对机器人姿态的间接控制。
-
稳定性分析：雅克比矩阵的行列式和秩可以用来分析机器人的操作空间稳定性。例如，雅克比行列式的值为零表示存在奇异位置，此时机器人在某些方向上的速度控制变得不可控。通过调整控制策略，避免这些奇异点，可以提高机器人的稳定性和响应性。
-
动态控制：在动态控制算法中，雅克比矩阵用于计算机器人动力学模型，帮助设计逆动力学控制器。通过雅可比矩阵，可以将期望的末端速度或力转换为关节的加速度需求，进而计算出每个关节应施加的力矩，实现更精细的动力学控制。
-
多任务控制：在复杂的控制场景中，雅克比矩阵可用于多任务控制，比如同时考虑位置控制和力控制。通过调整雅克比矩阵的逆或伪逆中的权重，可以平衡不同任务之间的优先级，实现更加灵活和高效的控制策略。
-
奇异位置分析：雅克比矩阵的秩反映了机器人在特定配置下的操作灵活性。当雅克比矩阵秩不足时，意味着机器人在某些方向上的速度控制能力受限，这对姿态控制策略的设计提出了特殊要求，需要避免或补偿这些位置。
自抗扰控制器
自抗扰控制器（Active Disturbance Rejection Control, ADRC）通过实时估计并补偿系统中的未知扰动和模型不确定性，从而实现系统的高性能控制。
ADRC的基本构成
-
扩展状态观测器（ESO）：
- ESO是ADRC的核心组成部分，用于实时估计系统的状态变量以及未知扰动和模型误差。
- 它通过增加一个虚拟的状态变量来“扩展”系统状态，这个虚拟状态代表了系统的扰动和不确定性。
-
反馈控制律：
- 基于ESO提供的状态估计，设计一个控制律，以消除估计的扰动影响，确保系统性能。
- 控制律通常设计为使系统跟踪期望的动态行为，同时抑制外部扰动和内部不确定性。
-
目标函数或期望轨迹：
- 系统的目标是使实际输出跟踪一个预设的目标函数或期望轨迹。
- ADRC能够快速响应变化，确保系统即使在扰动存在下也能保持良好的跟踪性能。