仿生六足机器人传感信息处理及全方向运动控制

陈伟海，刘 涛，王建华，任冠佼，吴星明

（北京航空航天大学 自动化科学与电气工程学院，北京100191）

移动机器人以运动形式划分大致分为三类：轮式、履带式以及足式.轮式运动是能量效率最高的运动方式.对于平地运动，无论是能量效率还是运动速度，轮式运动都体现出较大的优势；对于崎岖地形，轮式机器人却无能为力.履带式机器人能够通过较为松软或有一定坑洼的地面，但通过能力局限于较为平坦的地形.反观自然界，生物并不采用轮式或履带式运动，而是采用多足式运动［1］.例如：蟑螂可以快速通过各种复杂地形［2］，山羊可以平稳地行走在崎岖的山路上.可以说，从运动形式上看，多足式运动具有潜在的、强大的地形通过能力［3］.由于多足式运动多自由度的复杂性、步态的丰富性，以及对于生物神经系统机理人们知之甚少，仿生多足步行机器人的运动控制研究仍然是一个极具挑战性的课题.

常见的仿生多足步行机器人的运动控制，主要包括3种方式：第一种是基于模型的控制方法.该方法首先需要对机器人本体及环境进行精确建模，然后通过人工规划得到机器人的最佳运动轨迹，再利用反馈机制使机器人的运动尽可能趋近理想轨迹［4］.该方法的优点是实现了精确的轨迹控制，缺点是需要复杂的运动学或动力学计算.第二种是基于反射的控制方法，如 Walknet控制器［5-6］.机器人的运动由一系列简单的形式化动作组成，每个动作包含多个传感输入和对应的驱动输出，由传感信号直接引发相应动作.该方法易融合传感信号，但缺少全局模块，高层的控制指令难以控制底层运动.第三种控制方式是基于中枢神经模式发生器（CPG）的控制方法，机器人的控制指令源于神经系统自发的一系列类正弦运动，信号经过调制后可以控制机器人的运动，该方法自发产生振荡，高层中枢调制这些信号从而产生不同的运动模式.该方法由于其控制的实时性、稳定性以及分布式的特点，被越来越多的学者所关注［7-15］.为了提高机器人对环境的适应能力，一些学者在CPG的基础上引入了传感信号反馈.日本的Kimura等改进了Matsuoka的CPG模型，采用两个相互抑制的神经元构成振荡器，并在其中加入了传感信号的反馈，设计了用于不规则地形的四足机器人“Tekken2”［10］.Liu等11-12在 Kimura的 CPG模型基础上进行了改进，在基于CPG模型的重心轨迹规划中引入信号反馈，并应用在双足机器人“NAO”和四足机器人“AIBO”上，成功实现了上坡和下坡等自主运动.Zhang等［13］在 Matsuoka的CPG模型上进行了改进，在控制模型中引入了姿势反射、前庭反射、屈肌反射和转向反射等，通过改变CPG模型的参数值和输出项，实现了3个层次的反射行为，使四足机器人“Biosbot”拥有越障、爬坡的能力.此外，Wang等［14-15］在机器鱼的控制中使用引入信号反馈的CPG模型，实现了机器鱼的自动转向等功能.采用基于CPG的控制方法，对仿生六足机器人的智能运动控制展开研究，尤其是研究其传感信息反馈以及全方向运动控制的问题.本文提出的方法未采用常见的前向运动控制模型［16］，通过增加轨迹发生器模块，使用CPG信号独立地控制各条腿.这样，机器人在平地上的全方向运动控制可以简单地通过调节3个独立的参数实现.同时，设计2种神经网络模型作为传感信息处理及避障模块，该模块将多种传感信号进行融合后分别生成控制机器人全方位运动的参数.

1 仿生六足机器人样机

仿生六足机器人样机采用直接串联式腿构型，如图1所示.由对称分布、结构相同的3对腿构成，分别是左前腿（LF）和右前腿（RF）、左中腿（LM）和右中腿（RM）、左后腿（LH）和右后腿（RH）.每条腿由3个连杆组成，分别定义为基节（Coxa）、股节（Femur）、胫节（Tibia）.连接各连杆的关节定义如图1（b）所示：机体和基节之间的关节称为髋关节（thoraco-coxal（TC-）joint）；基节和股节之间的关节称为大腿关节（coxa-trochanteral（CTr-）joint）；股节和胫节之间的关节称为小腿关节（femur-tibia（FTi-）joint）；胫节和地面接触的关节称为踝关节（ankle）.髋关节负责侧摆，大腿和小腿关节负责屈伸，均为单自由度转动关节.踝关节可以看作一个被动的3自由度球关节，因此机体共有18个转动关节.为了提高样机的行走性能，降低机体重心，克服机构干涉，优化以下设计细节：优化3个连杆的长度，保证合理的受力分布；降低机体重心，使机器人行走时机体贴近地面，更加类似于蟑螂竹节虫等昆虫的行走方式［1］，机器人在崎岖地形行走时，可以通过改变足端的位置高度来改变机体高度；髋关节固定在机体上减少腿部摆动时的转动惯量.此外，在机器人各条腿的末端设置一个弹簧组，抵消来自地面的冲击力，这从功能上替代了昆虫的跗骨（Tarsus），使机器人行走更加平稳，在一定程度上被动地补偿了地面的不规则性.

图1 仿生六足机器人样机Fig.1 Prototype of the bio-inspired hexapod robot

机器人传感信息系统采用如下配置：机器人每条腿的足端配有压力传感器（k=1，2，…，6），用来感知来自足底的接触力信息；胫节向外侧方向装有红外光电传感器IRk（k=1，2，…，6），用来感知机器人侧向的障碍物；机器人头部向左、向右分别装有2个红外光电传感器IRL、IRR，分别感知左前方与右前方的障碍物信息；机器人头部装有超声传感器Ultrasonic，用来定量检测前方障碍物距离；机体内部装有惯性测量单元IMU，用来感知机体姿态，如图1（a）所示.丰富的传感信息有助于提高机器人的自主性，与行走环境产生交互.

2 仿生六足机器人运动控制系统

仿生六足机器人的运动控制系统结构如图2所示，包括以下模块：CPG及后处理模块负责发生中枢振荡信号，生成各种步态；延迟单元负责将中枢振荡信号分别传递给6条腿；轨迹发生器负责计算各条腿的足端轨迹，进行逆向运动学求解得到各个关节的位置控制指令.通过以上各模块即可实现机器人各种步态的运动控制.此外，通过传感信号处理及避障模块可以融合多种传感信号，并生成控制信号反馈至轨迹发生器，实现机器人的自主避障运动，该模块将在第3章详细叙述.

2.1 CPG及后处理模块

采用Steingrube等［16］提出的神经CPG单元及后处理机制，产生机器人行走所需要的中枢振荡信号，生成不同的步态，如图3所示.

中枢振荡信号满足神经元的基本形式为

式中：χi（t+1）∈ ［0，1］，是神经动力系统的输出值；激活函数采用σ（χ）= （1+exp（-χ））-1，为一个伴有偏移值θi的S型函数；w ij表示突触连接权重，具体数值如图3所示；θi表示偏置值，与传统神

图2 仿生六足机器人运动控制系统结构Fig.2 Architecture of the bio-inspired hexapod robot locomotion control system

图3 CPG及后处理模块Fig.3 CPG and post-processing modules

经元不同的是，这里的偏置信号由两部分组成：

式中：θ0i表示偏置信号的常值，其数值如图3所示；为一个额外的偏置信号，也可以看作CPG振荡的控制输入，p表示CPG信号后周期值.当时，系统处于混沌状态（基础状态）；当控制输入c1、c2满足时，可将混沌动力学输出控制到p周期轨.此时，c1、c2每p步计算一次，并将计算的结果输入控制系统，其余步设置为0.即，当设置好合理的p后，第1步至第p-1步控制输入为0，第p步控制输入由式（3）计算得到，第p+1步至第2p-1步再次设置为0，第2p步由式（3）计算得到，依次往复.这里p可以按照要求的步行速度或者传感器状态值得到.式（3）中，Δj（t）表示神经系统当前输出值与p步之前输出值的差：

μ（p）（t）表示控制强度，可以被自适应调整［16］.

当c1、c2满足式（3）时，通过调整系统的输入模式p，神经网络可以稳定地生成不同的周期轨，例如周期4、周期5、周期6、周期8、周期9等.这5种模式分别对应着六足机器人常见的5种步态，分别是三角步态、四足步态、过渡步态、快速波形步态与慢速波形步态.当周期为1时，CPG的输出恒定为一个值（非振荡模式），对应着机器人的停止状态；周期3、7为不稳定状态，周期2无法产生合适的步态模式.各种步态模式的时序图如图4所示，图中深色代表支撑相，白色代表摆动相.

由于振荡频率较快且信号不平滑，CPG单元产生的信号无法直接用于后续的控制，需要经过后处理单元的滤波处理，后处理模块如图3所示.首先，经过一个简单的偏置单元后，当信号通过一个时间窗函数时，数据被每2p+1步采集一次，这样仍能够保持之前的p周期特性，但振荡频率减少为之前的一半；其次，经过2个滞回神经元hys1、hys2后，周期性的振荡信号被转化为二值化的信号，即正向饱和（+1）与负向饱和（-1），神经元的动力方程仍然满足式（1）的形式，但这里激活函数采用tanh（χ），偏置信号实际为输入信号χin（t），这样方程可以表达为

图4 不同周期值产生的步态模式图Fig.4 Gaits diagrams of different periodic values

式中：whys为连接权值，根据经验取值为1.1，如图3所示；最后，通过引入积分单元获取连续上升或者连续下降的控制信号.在这个单元中，如果输入为-1，则输出信号相对于上一步会连续上升，即产生摆动相；如果输入信号为+1，则输出信号相对于上一步会连续下降，即产生支撑相.

后处理模块各单元产生的信号如图5所示，其中A1为原始CPU输入信号，A2为经时间窗处理信号，A3为经滞回单元处理信号，A4为输出信号.图5（a）表示CPG部分的输出，这里周期为4，即输出信号每4步为一个周期；经过信号放大，并通过时间窗函数单元后，输出信号如图5（b）所示，可以看出信号仍为周期4，但频率降低了；经过滞回单元后，信号可以正向饱和或者负向饱和，因此，信号近似为方波，如图5（c）所示；最后，经过积分单元后，信号变为周期性的三角波信号，如图5（d）所示.

图5 CPG后处理模块各单元输出Fig.5 Outputs of different units of CPG post-processing module

2.2 延迟单元

图6 延迟单元原理图Fig.6 Principle of delay unit

CPG及后处理模块只是产生了一路振荡信号，若要将其运用到六条腿各自的控制中来，还需要对振荡信号进行延迟.首先将控制信号传递给右后腿，经过τ步的延迟与2τ步的延迟后，分别传递给右中腿、右前腿；左腿首先经过一个τL步的延迟后，再分别经过τ步与2τ步的延迟，将控制信号传递给左后腿、左中腿与左前腿，如图6所示.延迟从后腿开始，分别向中腿与前腿传递，这更加符合仿生原理［18］.延迟分别设置为τ=18步与τL=90步，经过此延时单元后，控制信号被分配到各条腿.需要指出的是，这里的延迟步数为一个统一的量，不需要根据步态而进行调整，这说明了CPG算法的鲁棒性，即，生成的三角波振荡信号与直接设计的三角波不同，具有步态的适应性.

2.3 轨迹发生器

将带有一定相位差的CPG后处理信号，也就是6条腿各自的三角波信号，分别输入各腿的轨迹发生器，即可实时规划出各条腿的足端轨迹.这里所规划的轨迹基于机体坐标系，定义各分量如下：χ方向为垂直于机器人的前进方向，指向机体右侧；y方向为机器人的前进方向；z方向为垂直于地面指向上方，这样，3个方向满足右手法则.

各腿在机体的足端轨迹由式（6）、式（7）和式（8）说明，其中trajχ、trajy和trajz分别表示3个不同方向的轨迹，CPGpost代表CPG后处理模块的输出信号.对于机体的左右侧方向，即χ方向，满足：

在摆动相，机器人的腿从落足点的极后位置摆动到极前位置，即控制信号从-1.0不断上升到1.0；在支撑相，机器人的腿从落足点的极前位置摆动到极后位置，即控制信号从1到-1不断下降.Is∈［-1，1］表示侧向行走控制分量.当Is=0时，trajχ=0，不包含侧向行走分量，机器人可以实现直线行走，即向前或者向后行走；当Is=-1时，机器人可以加入左侧向行走分量；当Is=1时，机器人可以加入右侧向行走分量；并且，Is可以连续调整，当Is为-1到1之间的中间值时，可分别控制左侧行走与右侧行走的幅度.

在机体的前进方向上，即y方向，满足：

式中：IL与IR分别表示作用于左腿和右腿前进方向的运动分量.当IL=IR=1时，两侧的腿均具有最大的前进运动分量，机器人可以直线向前行走；当IL=IR=-1时，两侧的腿均具有最大的后退运动分量，机器人可以直线后退；当IL=1且IR=-1时，左侧腿具有最大的前进运动分量，同时右侧腿具有最大的后退运动分量，机器人可以实现原地右转弯；同理，当IL=-1且IR=1时，机器人可以实现原地左转弯；IL与IR也可以连续调节，实现前进中左转或者右转，例如，当IL=1且IR=0.3时，机器人可以实现向前行进中的右转弯.

在机体垂直于地面的方向上，即z方向，满足：

这里trajz是预定义的腿在z方向上的上下摆动量，根据摆动相与支撑相的不同而进行改变，而Ivk（k=1，2，…，6）分别为6条腿各自在竖直方向上的调整量，这个值可以根据IMU的信号来调整机器人行走时的姿态，也可以根据力反馈的信息，动态地调整机器人各腿每个摆动周期的抬起或落下的位置，从而使机器人具有不规则地形的适应性.

为了和CPG部分信号匹配，这里的轨迹规划均被归一化到了［-1，1］的范围内，具体应用时仍需要把机器人的尺寸乘以具体的长度.例如机器人行走的步幅为10 cm，即从中点到极前位置或者极后位置均为5 cm，抬腿高度也为5 cm，故得到trajχ，trajy和trajz后需要乘以这个系数，即5 cm.得到各条腿在足端的轨迹后，就可以实时计算各条腿的运动学逆解，从而得到各个关节的运动控制指令［19］.此外，由于CPG已将控制信号分配到各腿，从运动学的计算角度只需要计算单腿的局部运动学，无需考虑全局运动学的计算，体现了该方法的模块化特性.

3 传感信息处理及避障

3.1 机器人全方向运动控制

由第2节的分析可知，在没有外部传感信息进入的情况下，CPG单元可以保证自发的振荡，产生基本的运动行为，此时可通过调节振荡周期p来产生不同的步态；而加入IS、IL、IR、Ivk等几个控制信号后，机器人可以产生用于全方向运动的不同运动行为.重点研究平面上机器人的全方向运动控制，而Ivk主要控制落足点在垂直地面方向上的位置，用以调整机器人姿态.也就是说，可以简单地通过调整参数IS、IL、IR的数值，机器人就可以产生丰富的运动行为.初始情况下IS=0、IL=1、IR=1，机器人以最大速度向前直线行走，改变这3个参数后机器人的不同行为可以总结为表1.

控制IL、IR就如控制差动式轮式机器人的左右轮转速一样，可以灵活地产生前进、后腿、转弯、行进中转弯等行为.该控制方法通过控制IS可以使六足机器人进行侧向（横向）行走，比轮式机器人的行为更加丰富.

表1 机器人平面运动的不同行为_Tab.1 Different behaviors of robot's planar locomotion

参数IS、IL、IR并非耦合，可以独立设置，因此，机器人的运动行为不仅限于表1中所列的内容，可分别调整这3个参数来获取多样的运动行为.例如，当IS=0.5、IL=1、IR=0.3时，机器人可以实现向右前方行走的同时向右转向.这样，可以根据传感信号独立的调整这3个参数的数值.

3.2 传感信号处理及避障

用于机器人平面运动的传感器主要为红外光电传感器与超声测距传感器，即IRk（k=1，2，…，6）、IRL、IRR、Ultrasonic，如图1（a）所示.设计了传感信号处理及避障模块，使用IRL、IRR、Ultrasonic检测机器人前方的障碍物信息，使用IRk（k=1，2，…，6）检测机器人两侧的障碍物信息，从而实现障碍物的躲避.

图7 前方障碍物检测传感信号预处理网络Fig.7 Signal pre-processing for detecting the front obstacles

针对前方障碍物的躲避，采用如图7所示的神经预处理网络，通过处理IRL、IRR、Ultrasonic这3个传感器信息来得到控制机器人行走的IL、IR参数.该神经预处理网络采用最小递归神经网络控制器（minimal recurrent controller，MRC），MRC最早用于轮式机器人Khepera的两个转速信号生成［20］.在其基础上进一步优化，形成了一个双输入双输出的网络系统［21］.为了同时融合IRL、IRR及Ultrasonic的信号，对已有的方法［21］进一步改进，如图7所示，首先将超声波传感器Ultrasonic测量的距离值线性划归到范围［0，1］之间，将红外传感器信号输入值二值化为｛0，1｝，然后将其按照不同的比例加权求和后输入MRC.其中各个神经元的动力方程满足标准的动态方程，可以表达为

式中：Bi表示偏置信号，bij为神经元之间连接的权值，tanh（χ）为激活函数采用S型函数，ai（t）是神经动力系统的输出值.经过网络的处理之后，最终得到控制左右腿前进量的参数IL与IR的值，其范围均为［-1，1］.

采用这种网络，当左前方红外光电传感器遇到障碍时，网络会减少右腿的输出IR，这样，右腿每步的摆动幅度会相应减少，从而机器人向右转弯，由于超声传感器带有测距功能，此网络可以定量地减小输出，从而可以调整转弯的角度；反之亦然，当右前方的传感器检测到障碍物时，机器人也可以按照要求向左转弯（IL的值逐渐减小直到变负）；当机器人前方的3个传感器均检测到障碍时，说明机器人前进方向无法通过，此时IL与IR均会逐渐减小，从而行走速度变慢，直到2个值均为负值的时候，机器人倒退躲避开障碍.

图8 两侧障碍物检测传感信号预处理网络Fig.8 Signal pre-processing for detecting the sideward obstacles

针对两侧障碍物的躲避，采用如图8所示的神经预处理网络，该网络基于动态神经施密特触发模块（dynamical neural schmitt trigger module，DNSTM）［22］，并结合本文应用情况进行了改进，将红外光电传感信号IRk（k=1，2，…，6）进行融合，从而生成控制机器人侧向行走的参数IS.该网络神经元动力方程仍采用如式（9）所示的动态方程，红外光电传感信号IRk（k=1，2，…，6）输入值被二值化为｛0，1｝，网络输出值IS的输出范围为［-1，1］.采用该网络，当右侧传感器IR1、IR2、IR3中任意一个激活（输入值为1）时，神经元输出会负向饱和，从而产生负最大值，即-1，机器人耦合左侧向行走；当左侧传感器IR4、IR5、IR6中任意一个激活时，神经元会正向饱和从而输出+1，机器人耦合右侧向行走；若所有传感器均不激活或左右两侧有相同数量的传感器激活时，则输出保持为0，此时运动中不耦合侧向行走.

采用上述的传感信号处理网络，就可以根据外部传感信号自发地产生各种运动行为，从而实现机器人的自主避障.

4 实验研究

为验证所提算法的有效性，设计2个机器人避障行走实验，将仿生六足机器人样机放在2种不同情景下进行测试.样机正常站立时（如图1（a）所示）尺寸为：长402 mm，宽393 mm，高153 mm，小腿长123 mm，质量为4.5 kg.具体实验方案和结果如下：

实验1：如图9所示，将机器人放置在两面墙的夹角处，机器人向前行走过程中会遇到墙面，之后继续行走会靠近墙角，采用所提出的算法，机器人可以避开与墙面碰撞，并走出墙角.实验过程如下：机器人首先向前直线行走，直到前方右侧红外光电传感器感知到障碍物，机器人开始左转弯；转过一定角度障碍物信号消失后，机器人继续向前行走，直到靠近墙角，此时机器人前方和右侧离墙壁距离均过小，机器人后退一段距离后开始再次左转；转过一定角度后，机器人如果能够向前行走，则继续向前行走，实验中机器人右侧太过靠近墙，因此腿部右侧的传感器感知到距离过近，向左侧行走进行调整，之后继续前进，成功走出墙角.

图9 机器人避障实验1Fig.9 Obstacle-avoiding experiment of robot I

为进一步验证算法的有效性，研究了机器人运动过程中各腿关节的角度变化.图10所示为机器人第一次遇到障碍物左转时各腿髋关节（TC-joint）的角度变化曲线，图中纵坐标αRF、αRM、αRH、αLF、αLM、αLH分别为各腿髋关节舵机的角度控制值，与关节角度一一对应，横坐标是时间.髋关节的角度变化很好地反映出左右两侧各条腿的前进速度及控制参数IL、IR的变化，即关节角度变化幅度越大，对应腿的前进速度越快，相应的控制参数IL或IR值越大，反之则相反.由图10可知，t=18 s之前机器人左右两侧腿的髋关节角度变化幅度均相等，表示为A1，可知此时IL=IR，机器人处于前进直行状态；t=18 s之后，右侧各腿（RF、RM、RH）的髋关节角度变化幅度几乎没有改变，仍然保持为A1，但是左侧各条腿（LF、LM、LH）的髋关节角度变化幅度同时减小为A2，可知此时IL＜IR，因而机器人左转.以上分析结果和图9所示的实验过程相吻合，进一步验证了包括传感信息处理及避障模块、轨迹发生器在内的运动控制系统的有效性.实验1中机器人采用四足步态，即同时有4条腿支撑，2条腿摆动.由图10可以看出，右前腿RF和左后腿LH的髋关节角度变化曲线相位相同，说明二者同时摆动、同时支撑，同样右中腿RM和左前腿LF、右后腿RH和左中腿LM的髋关节角度变化曲线相位也分别相同，这与四足步态的设计完全吻合（见图4）.

图10 机器人直行和左转时髋关节角度变化曲线Fig.10 Curves of TC-joints'angles when robot move forward and turn left

图11 机器人避障实验2Fig.11 Obstacle-avoiding experiment of robot II

实验2：如图11所示，为进一步验证所提算法在狭窄空间的有效性，在室外人工模拟了三面围墙的狭窄空间来进行样机测试.实验过程如下：将机器人放置在狭窄空间入口处，机器人首先直线前进，遇到右前方有障碍物后左转；由于空间较小，左转一定角度后机器人右侧距离障碍物较近，右侧光电传感器被触发，机器人开始左侧向行走，行走至左右两侧红外光电传感器IRk（k=1，2，…，6）同时被触发时，IS=0，将不再进行侧向行走，此时由于空间较小，前方传感器IRL、IRR、Ultrasonic也同时被触发，机器人开始后退直至退出该狭窄空间.本次实验中，机器人采用三角步态，机器人左右两侧障碍物间距仅为机器人体宽的2倍.

通过实验1和实验2可知，机器人成功地实现了自主避障，同时也表现了不同的运动行为，包括前进、后退、转弯等，说明了算法的有效性，采用传感检测方法可以简单求得运动控制参数，将传感信息反馈进入运动控制系统，实现机器人行走中的实时避障.

5 结 语

本文提出了一种仿生六足机器人的智能运动控制策略，在这种方法中，中枢振荡及步态发生由CPG单元负责，在经过合理的后处理及信号延迟后，控制信号分别被导入每条腿各自的足端轨迹发生器，根据运动学逆解的结果就可以求得各关节的控制指令.该方法的先进性在于，此模型分别计算各条腿的轨迹，可以认为是一种逆向运动控制模型，克服了传统CPG控制方法中足端轨迹不可控的问题.此外，机器人的平面全方向运动通过简单修改3个独立的控制参数实现，并在此基础上设计了传感信号处理网络，此网络可以融合传感信号，智能求解出3个控制参数，从而实现机器人的自主避障.实验结果证明了算法的可行性.

（

）：

［1］王田苗，孟偲，裴葆青，等.仿壁虎机器人研究综述［J］.机器人，2007，29（3）：290- 297.WANG Tian-miao，MENG Cai，PEI Bao-qing，et al.Summary on gecko robot research ［J］.Robot，2007，29（3）：290- 297.

［2］RITZMANN R E，QUINN R D，FISCHER M S.Convergent evolution and locomotion through complex terrain by insects，vertebrates and robots［J］.Arthropod Structure and Development，2004，33（3）：361- 379.

［3］DELCOMYN F，NELSON M E，COCATRE-ZILGIEN J H.Sense organs of insect legs and the selection of sensors for agile walking robots ［J］.The International Journal of Robotics Research，1996，15（2）：113- 127.

［4］GO Y，YIN X，BOWLING A.Navigability of multilegged robots［J］.IEEE／ASME Transactions on Mechatronics，2006，11（1）：1- 8.

［5］SCHILLING M，HOINVILLE T，SCHMITZ J，et al.Walknet，a bio-inspired controller for hexapod walking［J］.Biological Cybernetics，2013，107（4）：397- 419.

［6］SCHILLING M，CRUSE H，ARENA P.Hexapod walking：an expansion to Walknet dealing with leg amputations and force oscillations ［J］.Biological Cybernetics，2007，96（3）：323- 340.

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

［8］KIMURA H，FUKUOKA Y，COHEN A H.Adaptive dynamic walking of a quadruped robot on natural ground based on biological concepts［J］.The International Journal of Robotics Research，2007，26（5）：475- 490.

［9］吴启迪，刘成菊，张家奇，等.生物诱导的机器人行走控制研究进展［J］.中国科学F辑：信息科学，2009，39（10）：1080- 1094.WU Qi-di，LIU Cheng-ju，ZHANG Jia-qi，et al.Researh progress of robot driving control based on biological induction ［J］.Science in China：Series F：Information Sciences，2009，39（10）：1080- 1094.

［10］黄博，姚玉峰，孙立宁.基于中枢神经模式的四足机器人步态控制［J］.机械工程学报，2010，46（7）：1- 6.HUANG Bo，YAO Yu-feng，SUN Li-ning.Quadruped robot gait control based on central pattern generator［J］.Journal of Mechanical Engineering，2010，46（7）：1- 6.

［11］LIU C J，WANG D W，CHEN Q J.Central pattern generator inspired control for adaptive walking of biped robots［J］.IEEE Transactions on Systems，Man，and Cybernetics：Systems，2013，43（5）：1206- 1215.

［12］LIU C J，CHEN Q J，WANG G X.Adaptive walking control of quadruped robots based on central pattern generator（CPG）and reflex ［J］.Journal of Control Theory and Applications，2013，11（3）：386- 392.

［13］ZHANG X L，E M C，ZENG X Y，et al.Adaptive walking of a quadrupedal robot based on layered biological reflexes［J］.Chinese Journal of Mechanical Engineering，2012，25（4）：654- 664.

［14］WANG M，YU J Z，TAN M，et al.A CPG-based sensory feedback control method for robotic fish locomotion［C］∥ Control Conference（CCC），2011 30th Chinese.Shangdong：IEEE，2011：4115- 4120.

［15］ZHANG D B，HU D W，SHEN L C，et al.Design of a central pattern generator for bionic-robot joint with angular frequency modulation［C］∥2006 IEEE International Conference on Robotics and Biomimetics.Kunming：IEEE，2006：1664- 1669.

［16］STEINGRUBE S，TIMME M，WOERGOETTER F，et al.Self-organized adaptation of a simple neural circuit enables complex robot behavior［J］.Nature Physics，2010，6（3）：224- 230.

［17］REN G J，CHEN W H，KOLODZIEJSKI C，et al.Multiple chaotic central pattern generators for locomotion generation and leg damage compensation in a hexapod robot［C］∥ Proceedings of IEEE／RSJ International Conference on Intelligent Robots and Systems（IROS）.Vilamoura-Algarve：IEEE，2012：2756- 2761.

［18］DONNER M D.Real-time control of walking ［M］.Boston：Birkhauser，1987：10- 11.

［19］REN G J，CHEN W H，WANG J H，et al.Neural pattern generation and kinematics calculation for a hexapod robot's adaptive locomotion control［C］∥Proceedings of the 3rd IFToMM International Symposium on Robotics and Mechatronics.Singapore：Nanyang Technological University Research Publishing，2013：545- 555.

［20］MONDADA F，FRANZI E，IENNE P.Mobile robot miniaturisation：A tool for investigation in control algorithms［M］.Berlin Heidelberg：Springer，1994：501-513.

［21］PASEMANN F，HULSE M，ZAHEDI K.Evolved neurodynamics for robot control［C］∥ European Symposium on Artificial Neural Networks （ESANN）.Bruges，Belgium：Evere，2003：439- 444.

［22］HUELSE M，PASEMANN F.Dynamical neural schmitt trigger for robot control［C］∥ Proceedings of Artificial Neural Networks.New York：Springer，2002：783- 788.