中枢模式发生器在机器人控制领域的应用

周守信

摘要： 随着仿生机器人技术的迅猛发展，基于中枢模式发生器的运动控制方法逐渐成为该领域的研究热点。中枢模式发生器是对生物运动控制神经网络的仿生，对于机器人的节律运动控制具有很大的优越性。文章首先介绍了中枢模式发生器的概念及特点，然后详细介绍了典型的中枢模式发生器模型及其对仿生机器人运动的控制。

关键词：中枢模式发生器；CPG；仿生机器人

中图分类号：TP242 文献标识码：A 文章编号：1009-2374（2013）02-0062-03

自然界中，各类生物为适应复杂多变的生存环境，进化出令人惊叹的本领与特征。这些优良的生物性能给人类创造与设计提供各种灵感。通过学习、模仿某些生物的特性及功能，可以提高人类对自然的适应和改造能力。因此，近年来，仿生机器人的研究引起了广泛的关注。在仿生控制领域中，基于中枢模式发生器的运动控制方法因其优越性能得到广泛应用，成为仿生控制领域的研究热点。

1 中枢模式发生器

从生物学角度讲，中枢模式发生器（Central Pattern Generators，CPG）是指一类存在于无脊椎动物和脊椎动物体内中枢神经系统中的神经元电路。它由脊髓和脑干的中间神经元网络组成，通过神经元之间的相互抑制，产生稳定的相位锁定的周期信号，控制躯体相关部位的节律性运动，例如呼吸、行走、飞行等。

CPG的研究及发展经历了一个漫长的过程。早在1911年，G.Brown就指出控制猫行走运动的基本神经元回路存在于脊髓中。从20世纪60年代开始，生物学家陆续在生物体内发现神经模式发生网络，找到CPG在脊椎动物和无脊椎动物体内存在的证据。至20世纪80年代，CPG生物模型和数学模型逐渐建立起来，促进了CPG的研究和应用。20世纪90年代，CPG理论日臻完善，应用范围逐渐扩大。进入21世纪，CPG得到空前发展，应用于机器人控制的数量大幅增加。

2 中枢模式发生器的特征

CPG作为一种生物学运动控制机制，在机器人运动控制领域得到广泛应用。与传统机器人的控制方法不同，其主要特征有：

（1）可以在无节律信号输入、无反馈信息及缺少高层控制命令的情况下产生稳定的节律信号。

（2）通过相位滞后及相位锁定，可以产生多种稳定的相位关系，实现机器人多样的运动模态。

（3）易于集成环境反馈信号，形成反馈控制系统。

（4）结构简单，具有很强的鲁棒性和适应能力。

CPG的这些特征与机器人运动特点相结合，常被用于机器人节律运动的底层控制器，同时在CPG模型中耦合高层控制中心的控制命令及反馈信息，可以在线产生稳定、协调的节律信号，控制机体的节律运动。

3 中枢模式发生器在仿生机器人领域的应用

随着仿生机器人的发展及CPG对节律运动控制的优良特征，CPG控制方法在仿生机器人控制领域逐渐成为热点，并得到迅猛发展。目前为止，越来越多的CPG模型被相继建立出来，以控制仿生机器人的节律运动。下面给出较为典型的CPG模型及其对仿生机器人的控制。

3.1 相位振荡器模型

瑞士科学家Ijspeert根据蝾螈运动过程中身体波动的特征，在Cohen提出的相位振荡器的基础上，提出了更完整的相位振荡器模型。

（1）

式中：表示第个振荡器的相位；表示第个振荡器的幅值；表示固有频率；表示固有幅值；表示幅值收敛速度；表示耦合权重；表示振荡器间的相位关系；表示第个振荡器的输出。

该振荡器模型有明显的相位耦合关系，而且相比Cohen的相位振荡器模型，添加了显示的输出函数，且状态变量少，计算量小，易于工程推广。Ijspeert采用此模型成功控制两栖仿蝾螈机器人的运动。

图1 Ijespeert 的仿生蝾螈CPG控制示意图

3.2 递归振荡器模型

Matsuoka模型是最为著名的递归振荡器模型。它是由日本九州工业大学的Matsuoka教授融合半层振荡器概念而构建的。但是由于该振荡器只能提供正值输出信号，限制了其工程应用。因此，日本机器人控制专家Kimura根据机器人控制的实际要求，改进了此模型。

（2）

式中：表示第个振荡器单元的屈肌及伸肌神经元；表示或，表示第个振荡器单元屈肌或伸肌的内部状态；表示神经元的自抑制程度；及分别表示屈肌或者伸肌的输出信号；表示外部输入；表示机器人的反馈输入；表示自抑制对细胞内部状态的影响程度；及表示时间常数；表示伸肌与屈肌间的权重；表示振荡神经元间的耦合权重。

该模型数学表达简单，能较好地表达CPG的生物学特性。而且，该模型中引入了反馈控制项，在实际控制系统中可以利用反馈信息提高机器人运动的稳定性、机动性和适应性。因此，Kimura团队将改进的CPG模型成功应用于足式机器人的控制。

图2 基于Kimura 模型的四足机器人

3.3 基于Hopf振荡器的CPG模型

Hopf振荡器是著名的具有稳定极限环的非线性振荡器。汪明等根据此振荡器构建了基于极限环的CPG模型。

（3）

式中：分别表示神经元振荡器的膜电势和调节势能；表示第个神经元振荡器，其中n表示尾鳍的神经元振荡器，分别表示左、右胸鳍的神经元振荡器；表示第个神经元振荡器的固有振荡频率；表示第个神经元振荡器的固有幅值；表示振荡器间的权重。

该振荡器模型采用最近相邻耦合关系，减少了CPG模型的参数数量，简化了系统的复杂度。而且，模型中的参数意义明确，参数相对独立，易于调节，使用方便。汪明等采用此模型成功控制了带有胸鳍的仿生机器鱼的游动。

图3 仿生机器鱼的CPG控制示意图

4 结语

基于CPG的机器人运动控制是仿生机器人领域的新的研究热点。由于CPG控制方法本身的稳定性、可靠性及无需节律信号输入等特点，越来越多的仿生机器人采用基于CPG的控制方法控制运动。

参考文献

[1] A. J. Ijspeert．Central pattern generators for locomotion control in animals and robots： a review．Neural Network， 2008， 21（4）： 642-653．

[2] T. G. Brown．The intrinsic factors in the act of progression in the mammal．Proceedings of the Royal Society of London：Series B， 1911， 84（572）：308-319．

[3] D. M. Wilson．The central nervous control of flight in a locust．Journal of Experimental Biology， 1961， 38（22）：471-479．

[4] P. Wallen， S. Grillner．Central pattern generators and their interaction with sensory feedback．Proceedings of the 1997 American Control Conferenc， Albuquerque， NM， USA，1997：2851-2855．

[5] H. Forssberg， S. Grillner， and S. Rossignol．Phasic gain control of reflexes from the dorsum of the paw during spinal locomotion．Brain Research， 1977， 132（1）：121-139.

[6] A. H. Cohen， P. J. Holmes， R. H. Rand．The nature of the coupling between segmental oscillators of the lamprey spinal generator for locomotion： a mathematical model．Journal of Mathematical Biology， 1982， 13：345-369．

[7] J. Ijspeert， A. Crespi， D. Ryczko， and J. M. Cabelguen．From swimming to walking with a salamander robot driven by a spinal cord model． Science， 2007，315（58）：1416-1420．

[8] K. Matsuoka．Sechanism of frequency and pattern control in the neural rhythm generators．Biol. Cybern， 1987， 52

（5-6）：345-353．

[9] H. Kimura， S. Akiyama， and K. Sakurama．Realization of dynamic walking and running of the quadruped using neural oscillator．Auton. Robot， 1999， 7（3）： 247-258．

[10] Ming Wang， Junzhi Yu， and Min Tan．Modeling neural control of robotic fish with pectoral fins using a CPG-based network．Proceeding of the 48th IEEE Conference on Decision and Control， 2009：6502-9507．

（责任编辑：周 琼）