具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图1～18及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

根据本发明实施的一种可翻转可翻转立方体机器人如图1所示，图中：1为电控板，2为直流有刷带编码器电机，3为舵机，4为电池盒，5为立方体框架，6为刹车片，7为电机支架，8为法兰联轴器，9为惯性轮。所述机器人的所有部件都固定在立方体框架内部，可提高机器人系统整体性，并有效减少实际运行过程中外界因素对于系统的干扰。电机采用直流有刷带编码器电机，直流有刷电机可降低机器人的电机使用成本，且编码器可提高电机控制的精确性。

如图2所示，所述电机通过电机支架悬空固定在立方体框架前端面中部，所述惯性轮通过法兰联轴器固定在电机的轴上，且惯性轮与立方体框架的前端面平行，所述刹车片和舵机均固定在立方体框架前端面的上边缘，所述电池盒固定在立方体框架右端面，所述电控板固定在立方体框架上端面，且与电池盒、电机、舵机均有连接。所述电控板高度集成，电控板上装有姿态传感器、单片机控制板和直流电机伺服驱动器。

如图3所示，舵机在惯性轮高速转动的时候突然拉动刹车片使惯性轮静止，通过能量守恒使惯性轮的动能全部转换为可翻转立方体机器人整体的势能，从而使可翻转立方体机器人实现自主翻滚功能。

传统的基于拉格朗日法的建模方法建立的动力学模型是非线性模型，模型中存在强非线性项，导致可翻转立方体机器人系统模型不能进行完全的精确线性化，难以直接用于控制系统设计，并且难以通过线性控制律获得较好的控制效果。因此提出了一种可翻转可翻转立方体机器人基于模糊神经网络的建模方法，通过模糊神经网络对大量数据样本的学习，通过对预测输出与实际输出的对比，不断减小误差，提高模型精度，建立模糊神经网络的模型。可有效处理复杂系统的模型不精确性及不确定性等问题。

一种可翻转可翻转立方体机器人基于模糊神经网络的建模方法，如图4所示，包括以下步骤：

S1：采集立方体机体输入输出数据。

通过立方体实物导出有效数据为机体角度α、机体的角速度飞轮的角速度本发明将t时刻的机体角度α、机体的角速度飞轮的角速度作为系统的输入。由于t+1时刻的机体角度α、机体的角速度飞轮的角速度基本上取决于t时刻的机体角度α、机体的角速度飞轮的角速度所以把t+1时刻的机体角度α、机体的角速度飞轮的角速度作为系统的输出。建立数据组采集到的数据组是离散数据组，采样周期是5ms。

S2：数据模糊均值聚类。

考虑可翻转立方体机器人模糊神经网络模型，本发明模糊推理中的隶属函数为高斯函数，因此通过对输入输出数据的聚类计算得到模糊推理规则的数目，确定模糊隶属度函数中心向量和高斯基函数的初值。

由于多变量的系统可以看成一组多输入单输出(MISO)模型耦合而成，每一个MISO子系统有一组IF-THEN规则，每条规则代表一个线性子系统。因此可翻转立方体机器人的三输入三输出的数据组可以分成由三个MISO子系统耦合而成。所以采集1000组原始数据其中前800组作为样本数据，后200组作为测试数据，采样周期是5ms。

对输入输出数据模糊聚类后，得到的模糊神经网络模型的规则形式为：

j＝1，2，3...，27

规则后件f为零阶或一阶线性函数通过样本训练可以得到。变量的论域分别取为[-10,10]、[-100,100]、[-5000,+5000]。

S3：模糊神经网络搭建。

下面以α(t)为例，的定义与α(t)得网络结构一样相似，定义其模糊论域为[-10,10]，模糊子集为{N，Z，P}。

接着搭建可翻转立方体机器人模糊神经网络，其中输入为可翻转立方体机器人的机体角度α、机体的角速度飞轮的角速度等共800组数据样本。如图5所示，模型的大致结构分为：计算输入的模糊隶属度。每条规则的适用度，适用度的归一化，每条规则的输出，整个模糊系统的输出等五层，输入层直接将输入值送到下一层，模糊化层的输出是一个隶属函数，它与模糊推理前提条件中的基本模糊状态相对应，模糊推理层联系着模糊推理的前提和结论，解模糊化层是给出确定的输出让系统去执行。各层之间的连接权系数通过给定样本数据进行自适应的调节，使所得到的结构很好的反应可翻转立方体机器人的模型。整个网络结构详细描述如下：

第一层为模糊化层，将可翻转立方体机器人的机体角度α、机体的角速度飞轮的角速度进行模糊化。其中A_i，B_i，C_i是模糊集。模糊隶属函数采用高斯型函数。

其中C_ij和σ_ij分别是高斯隶属度函数的中心和宽度，就是A_i的隶属函数值，表示α(t)属于A_i的程度。

第二层为规则强度层，该层将机体角度α、机体的角速度飞轮的角速度的隶属函数值相乘，计算每条规则的适用度

i＝1，2，3 j＝1,2,...，27

第三层为所有规则强度的归一化层，输出为每条模糊规则推理所占的权重。其中第j个节点计算第j条规则的归一化

第四层为模糊规则输出层；该层计算模糊规则的输出结果，其中每个节点都是一个自适应节点。第j个节点具有输出：

第五层为解模糊层，该层只有一个圆节点，它的输出是所有输入信号之和，也就是模糊推理的结果：

M＝∑_jZ_j j＝1,2,…,27 (6)

S4：模糊神经网络算法学习、输出可翻转立方体机器人模型。

由于网络结构已经确定，神经网络主要用来学习与隶属函数有关的参数，如中心C_ij、宽度σ_ij等的调整。采用神经网络对误差参数进行校正，令α_d为模糊神经网络的预测输出，α_dk模糊神经网络的实际输出，K代表所取的数据的组数,代表第五层中期望值减去实际值的误差。取误差代价函数为

i＝1，2，3 j＝1，2，...27，k＝1，2，3

最后的学习算法为(β＞0为学习率)：

当误差参数小于设定阈值时，神经网络学习结束，此时立方体模糊神经网络模型总输出可以表示为：

一种可翻转立方体机器人基于并行补偿法的控制方法，包括以下步骤：

S1：采用并行分散补偿法设计控制器

根据李雅普诺夫稳定性理论，并基于线性矩阵不等式(Linear MatrixInequality,LMI)，利用并行分散补偿法(Parallel Distributed Compensation,PDC)对本发明模糊神经网络模型的每条规则得到的子系统都设计一个补偿器，即令控制器和控制对象的前件网络完全一样。这样对每条规则都能运用线性系统理论进行设计，最终的非线性模糊控制器是单个局部线性控制器的混合。

针对本发明中对输入输出数据模糊聚类得到的模糊规则为：

针对每条模糊神经网络子系统，采用状态反馈的方法，可以设计27条模糊控制规则为：

针对连续非线性系统，采用重心法进行解模糊化后，基于T-S模糊模型的可翻转立方体机器人的控制器输出u(x)为：

S2：将立方体实时姿态角与陀螺仪数据进行二阶卡尔曼互补融合滤波。

可翻转可翻转立方体机器人姿态角度传感器选用MPU6050姿态传感器，它由陀螺仪和加速度计组成。陀螺仪是一种检测角速度变化的角速度传感器，假设陀螺仪测得的机体角速度为则可翻转立方体机器人的倾斜角度θ可由式(13)求出。

通过式(13)求得的机体角度随着时间的增加，陀螺仪的积分漂移以及温度漂移使机体角度值产生较大的误差累积，但是在短周期内得到的角度值与实际值较为符合。

加速度计对可翻转立方体机器人的角加速度变化很灵敏，由于可翻转立方体机器人角加速度仅受重力加速度的影响，假设加速度计测得倾斜角加速度在加速度计的X轴和Y轴上的分量分别是A_x和A_y，则可翻转立方体机器人的倾斜角度θ可由式(14)求出。

但是如果直接读取加速度计的瞬时值，由此作为倾角计算出的误差会比较大，不能进行精确的控制，但是在长周期时间选择加速度计比陀螺仪更加准确。

因此，本发明中，将陀螺仪和加速度计读取到的数据经过计算获得立方体机体初始静态姿态角以及立方体机体实时姿态角，将立方体实时姿态角与陀螺仪数据进行二阶卡尔曼互补融合滤波，从而获得相对精度较高的姿态角信息。

根据实际工程经验，在短测量周期内，增大陀螺仪积分得到的机体角度的权值，并且定时对加速度采样来的加速度值进行取平均值来校正陀螺仪的得到的角度；在长测量周期内，增大通过加速度计得到的机体角度的权值。

所述递推平均滤波处理的原理为：设置一个长度为N的队列，将每次修改后的惯性轮角速度值放入队列中，新放入的数据放到队尾，同时丢弃队首数据，以保证队列中的N个数据都为最新数据；再将队列中的N个数据求算术平均值，作为准确的惯性轮角速度数据。

S3：惯性轮角速度限幅平均滤波。

可翻惯性轮测速编码器安装在电机上，对电机转速进行采样，由于电机驱动惯性轮转动，惯性轮转速与电机转速相等，因此电机测速编码器的采样值即为惯性轮角速度值。编码器采样过程中会产生随机的采样值大范围跳动，需要把采样值中的错误数据剔除修改，再将采样值送入队列进行递推平均滤波处理。

可行性验证：

1.输出对比试验

以测试的样本数据中可翻转立方体机器人的角度值为例，测试可翻转立方体机器人模糊神经网络模型的输出精度。通过对输入输出数据误差训练，得到如图6所示的可翻转立方体机器人模糊神经网络均方误差仿真曲线，可以得到经过十次的权重更新，模糊神经网络模型的均方误差已降到1×10^-20以下。再取测试样本中的200组数据用以测试模糊神经网络模型的输出，如图7所示，模糊神经网络模型的立方体角度值数据输出误差小，精度高，可以很好的跟随原始输出数据，达到建模的目的。

2.立方体机器人模糊神经网络模型与常规机理模型对比试验

通过对立方体模糊神经网络模型的仿真运行与常规机理仿真模型可得如图8～10所示，设定立方体机器人的初始状态为[5 0 0]^T，经过仿真可得立方体机器人的初始状态响应仿真曲线如下。通过立方体角度值、立方体角速度值、以及惯性轮角速度的仿真曲线可知立方体模糊神经网络输出相较于立方体常规机理模型响应时间加快，超调量减小，稳定性更高。

3.立方体实物运行实验

将模糊神经网络应用于实物上，经过试验调试，设采样周期为5ms，立方体机器人角度初始值为0°。

立方体机器人稳定时的响应波形如图11～13所示，从图中可知，立方体机器人在稳定时，立方体机体角度值在0°附近波动，惯性轮角速度值在设定值附近小幅度波动。

立方体机器人在静态稳定过程中，给立方体机器人一个瞬间的干扰，使其机体角度值发生变化，系统的抗扰输出响应如图14～16所示，从图中可知，对于立方体机器人稳定过程中突然出现的外部干扰，立方体机器人系统能快速响应并调整稳定到平衡点，具有一定的抗干扰能力。

立方体机器人在原有稳态过程中，给其立方体框架上增加一个大小约为10g的重物，改变立方体框架的质量，打断原有的角度平衡，可以看出原有立方体机器人的平衡角度在0°左右，当增加了重物后，立方体机器人的角度改变，并迅速在1.4°附近重新达到稳态，而惯性轮的角速度开始在0°附近，随着机体角度的增大而增大，最终又回到了0°附近。系统的输出响应如图17～19所示，从图中可知，立方体机器人模糊神经网络模型在系统参数发生变化时，仍然对系统的平衡控制具有良好的适应性，验证了模糊神经网络模型的系统参数发生变化时有良好的鲁棒性。

本专利主要是围绕着可翻转立方体机器人系统的模型的建立，提出了一种可翻转可翻转立方体机器人及其基于模糊神经网络的建模方法，以及基于并行补偿法的控制方法，进行仿真验证和实物测试，实现了对可翻转立方体机器人的快速稳定控制目标与翻滚功能，同时提高了系统的抗扰能力，实验验证了该方法的可行性和有效性，具有较广泛的推广价值。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。