[发明专利]一种可翻转立方体机器人及其建模方法和控制方法

权利要求书

1.一种可翻转立方体机器人，包括立方体框架，立方体框架内部固定包括电控板、电池盒、电机和惯性轮在内的所有部件，其特征在于：所述惯性轮上侧固定有刹车片，所述刹车片一端套在惯性轮上侧，另一端连接舵机。

2.根据权利要求1所述的一种可翻转立方体机器人，其特征在于：所述机器人的所有部件都固定在立方体框架内部，且位置如下：

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。

3.根据权利要求1所述的一种可翻转立方体机器人，其特征在于：所述电机采用直流有刷带编码器电机，所述电控板为集成板，集成有姿态传感器、单片机控制板和直流电机伺服驱动器，所述姿态传感器由陀螺仪和加速度计组成。

4.一种可翻转立方体机器人基于模糊神经网络的建模方法，其特征在于包括如下步骤：

S1，采集相邻时刻立方体机器人的机体参数分别作为离散原始输入输出数据，并确定输入输出数据的论域，所述机体参数包括机体角度、机体的角速度、飞轮的角速度；

S2，对输入输出数据进行模糊均值聚类计算，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；

S3，首先在模糊化层通过模糊隶属函数计算输入数据的模糊隶属度，接着在规则强度层将输入数据的隶属函数值相乘，计算每条规则的适用度，然后在归一化层计算每条规则推理结果所占的权重，最后在模糊规则输出层计算每条模糊规则的输出结果，并在解模糊层得出整个模糊系统的输出结果；

S4，通过梯度下降法计算各层误差，逐渐完善各个隶属度函数的中心和宽度以及后件网络的连接权的参数，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，建立基于模糊神经网络的可翻转立方体机器人模型。

5.根据权利要求4所述的一种可翻转立方体机器人基于模糊神经网络的建模方法，其特征在于步骤S3中，所述模糊隶属函数采用高斯型函数，所述模糊规则输出层和解模糊层将输出的权重与后件网络输出的乘积求和得到网络的输出。

6.一种可翻转立方体机器人基于并行补偿法的控制方法，其特征在于包括如下步骤：

S1，根据李雅普诺夫稳定性理论，并基于线性矩阵不等式，利用并行分散补偿法对基于模糊神经网络建立的立方体系统模型的每条规则得到的子系统都设计一个补偿器，令控制器和控制对象的前件网络完全一样；

S2，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得到的机体角度值进行二阶卡尔曼互补融合滤波，从而获得准确的姿态角信息；

S3，将电机编码器采集到的惯性轮角速度值中的错误数据剔除修改，再将修改后的惯性轮角速度值送入队列进行递推平均滤波处理，得到准确的惯性轮角速度数据。

7.根据权利要求6所述的一种可翻转立方体机器人基于并行补偿法的控制方法，其特征在于步骤S2中，在短测量周期内，将姿态角计算过程中陀螺仪测得数据所占权值增大5％～10％，并且定时对加速度计测得的数据进行取平均值来校正陀螺仪得到的数据；在长测量周期内，将姿态角计算过程中加速度计测得数据所占权值增大5％～10％。

8.根据权利要求6所述的一种可翻转立方体机器人基于并行补偿法的控制方法，其特征在于步骤S3中，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。

9.根据权利要求6所述的一种可翻转立方体机器人基于并行补偿法的控制方法，其特征在于：首先进行系统时钟初始化，模块初始化，最后初始化并开启定时中断，完成系统初始化设置，然后在定时中断中进行姿态传感器角速度、角加速度采集，完成二阶卡尔曼互补融合滤波姿态角度融合，得到可翻转立方体机器人的机体角度值，并进行惯性轮角速度限幅平均滤波，最后实现可翻转立方体机器人的稳定控制与翻滚。