馮 春，張祎偉，黃 成，姜文彪，武之煒

(常州工學(xué)院 航空與機械工程學(xué)院，江蘇 常州 213032)

0 引言

雙足機器人具有類人型結(jié)構(gòu)，能夠適應(yīng)樓梯、街道、非平整地面等復(fù)雜地形環(huán)境，具有運動形式靈活的特點。與傳統(tǒng)基于輪式的機器人相比，足式類人機器人因在不利環(huán)境中可能替換或協(xié)助人類[1]而具有明顯的優(yōu)勢，但是由于非線性和不穩(wěn)定因素，雙足步行機器人運動姿態(tài)控制系統(tǒng)的設(shè)計比較困難[2]。針對雙足步行系統(tǒng)的穩(wěn)定性問題，近年許多學(xué)者采用傳統(tǒng)的控制體系結(jié)構(gòu)進行了大量研究[3]。離散相是在動力學(xué)上將穩(wěn)定的雙腿站姿轉(zhuǎn)變?yōu)椴环€(wěn)定的單腿站姿的一種統(tǒng)計方法，適用于雙足步行機器人穩(wěn)態(tài)要求的控制策略[4]。這些傳統(tǒng)的控制理論方法依賴于復(fù)雜數(shù)學(xué)工程模型及確定性問題，例如零力矩點(Zero Moment Point, ZMP)是用作雙足機器人動態(tài)穩(wěn)定性指標的傳統(tǒng)方法之一，然而該方法存在低能效、行走速度受限且對外界擾動魯棒性差等問題[5]，常依賴于高水平數(shù)學(xué)計算和完善的機器人環(huán)境參數(shù)信息[6]。近期研究表明，機器學(xué)習比傳統(tǒng)控制方法在雙足行走穩(wěn)定性上更具優(yōu)勢，作為機器學(xué)習的子領(lǐng)域，強化學(xué)習可以作為無模型學(xué)習復(fù)雜控制系統(tǒng)的研究分支之一[7-8]，特別是針對環(huán)境可觀測的問題，基于馬爾科夫決策過程(Markov Decision Process, MDP)的強化學(xué)習及相關(guān)改進算法取得了良好的效果[9-10]。

雙足步行控制可以抽象為一種解決未經(jīng)處理的高維感官輸入的復(fù)雜任務(wù)。近年來，深度學(xué)習在解決高維復(fù)雜問題上已有很多成果。MNIH等[11]提出一種深度Q網(wǎng)絡(luò)(DeepQ-Network, DQN)算法，該算法可用于解決以許多未經(jīng)處理的像素作為輸入的高維復(fù)雜問題，在許多Atari視頻游戲處理上達到了人類得分水平，然而對于大型無約束的函數(shù)逼近器和復(fù)雜的動作空間，DQN算法因優(yōu)化速度太慢而無法應(yīng)用于實際問題；UENO等[12]利用改進的操作—評論(Actor-Critic,AC)網(wǎng)絡(luò)算法提升了擁有上肢的雙足機器人在行走過程中的穩(wěn)定性，且用實驗表明其跌倒的概率較低。近幾年，強化學(xué)習與深度學(xué)習相結(jié)合的深度強化學(xué)習也應(yīng)用于雙足機器人步態(tài)控制。趙玉婷等[13]將DQN算法用于非平整地面的雙足機器人穩(wěn)態(tài)控制，該算法雖然解決了高維觀測空間的問題，但是只能處理離散和低維的動作空間；KUMAR等[14]提出利用深度確定性策略梯度(Deep Deterministic Policy Gradient，DDPG)算法進行雙足機器人步態(tài)規(guī)劃，仿真實驗結(jié)果表明控制效果良好，然而由于該算法采用確定性策略梯度作為更新策略，導(dǎo)致在價值估計中出現(xiàn)過高估計，雖然每次更新時這種高估都可能最小，但是估計誤差的出現(xiàn)會引起誤差疊加導(dǎo)致策略更新不佳。

結(jié)合學(xué)者們在雙足機器人領(lǐng)域的研究成果及存在的問題，本文提出利用一種改進DQN算法解決雙足機器人的步行控制問題，該算法無需建立復(fù)雜雙足機器人動力學(xué)模型，應(yīng)用深度強化學(xué)習方法即可實現(xiàn)快步行走下的長距離穩(wěn)定步態(tài)控制。

1 改進深度Q網(wǎng)絡(luò)算法

DQN算法是強化學(xué)習算法中Q學(xué)習算法的一種，Q學(xué)習算法無須建模，其將“狀態(tài)—動作”獎勵和Q網(wǎng)絡(luò)作為估計函數(shù)，通過最優(yōu)策略迭代來確定最大獎勵值，相關(guān)內(nèi)容可參看文獻[11,13,15]。對于大型無約束的函數(shù)逼近器和復(fù)雜的動作空間，因為DQN算法的優(yōu)化速度太慢，無法應(yīng)用于實際問題，只能處理離散和低維的動作空間，所以本文提出一種改進的DQN算法，主要針對AC算法結(jié)構(gòu)的Critic部分進行優(yōu)化，其實質(zhì)是在DDPG算法的基礎(chǔ)上引入修正的雙Q網(wǎng)絡(luò)。

1.1 DDPG算法及其分析

本節(jié)在DQN算法基礎(chǔ)上，從引入更深層次網(wǎng)絡(luò)、采用策略梯度算法和使用確定性策略3個方面進行改進，構(gòu)建一種新的DDPG算法，即從以下方面繼承和改進DQN算法：①引入更深層次的網(wǎng)絡(luò)結(jié)構(gòu)，該算法不但繼承了DQN算法中的雙網(wǎng)絡(luò)形式，而且結(jié)合經(jīng)驗池構(gòu)建了更深層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；②采用策略梯度算法，能夠在連續(xù)動作空間，根據(jù)學(xué)習到的策略(動作分布)隨機篩選動作；③確定性策略梯度算法不允許隨機選擇輸出，其只輸出一個動作值。隨機性策略的概率分布滿足∑π(a|s)=1，且輸出的是動作的概率，用正態(tài)分布對動作進行采樣，每個動作都有一定概率被選到，該策略的優(yōu)點是將探索和改進集成到一個策略中，缺點是需要大量的訓(xùn)練數(shù)據(jù)；對于確定性策略，狀態(tài)映射的概率分布滿足π(s):S→A，且輸出的是確定的動作，該策略的優(yōu)點是需要采樣的數(shù)據(jù)少，算法效率高，缺點是無法探索環(huán)境。DQN算法引入離線策略進行采樣，可以彌補確定性策略的不足。

?φJ(φ)=Es～pπ[?aQπ(s,a)|a=π(s)?φπφ(s)]。

(1)

式中Qπ(s,a)=Esi～pπ,ai～π[Rt|s,a]，用于描述狀態(tài)s下服從π策略的動作a執(zhí)行時的評論函數(shù)或值函數(shù)。

在Q學(xué)習中，值函數(shù)通過時差進行學(xué)習，其更新方法為貝爾曼(Bellman)方程，該方程表征了當前時刻狀態(tài)—操作對(s,a)和下一時刻狀態(tài)—操作對(s′,a′)的基本關(guān)系：

Qπ(s,a)=r+γsEs′,a′[Qπ(s′,a′)];

a′～π(s′)。

(2)

大的狀態(tài)空間通過一個參數(shù)為θ的可微函數(shù)逼近器Qθ(s,a)進行值估計。在深度Q學(xué)習中，網(wǎng)絡(luò)更新通過次凍結(jié)目標網(wǎng)絡(luò)Qθ′(s,a)進行時間差分學(xué)習來完成，即使在多重更新下也要保證一個固定的目標y，

y=r+γsQθ′(s′,a′),a′～πφ′(s′)。

(3)

動作a由目標網(wǎng)絡(luò)πφ′進行選擇。目標網(wǎng)絡(luò)權(quán)重需周期性地更新以匹配當前的網(wǎng)絡(luò)參數(shù)，例如在每個時間步長以比例t進行更新，θ′←tθ+(1-t)θ′，該更新可以應(yīng)用于經(jīng)驗緩沖區(qū)的離線策略上。

1.2 利用修正的雙Q學(xué)習網(wǎng)絡(luò)優(yōu)化評論網(wǎng)絡(luò)

雙Q學(xué)習通過保持兩個單獨的估計值使貪婪更新與價值函數(shù)分離，這兩個估計值用于相互更新。如果價值估計是獨立的，則采用其相反的值作為操作的無偏估計。在雙DQN[16]中，更新策略使用目標網(wǎng)絡(luò)作為價值估計，并將當前價值網(wǎng)絡(luò)貪婪更新至最大化。然而在AC環(huán)境中，類似的更新是使用當前策略而非學(xué)習中的目標策略，策略更新公式為

y=r+γsQθ′(s′,πφ(s′))。

(4)

由于AC策略變化緩慢，使當前網(wǎng)絡(luò)與目標網(wǎng)絡(luò)近似而無法進行獨立估計，導(dǎo)致學(xué)習幾乎沒有進展。相反，在原始的雙Q學(xué)習中，操作和評論分別表示為(πφ1,πφ2)，(Qθ1,Qθ2)，πφ1，πφ2分別由對應(yīng)的Qθ1，Qθ2來優(yōu)化：

(5)

Qθ1優(yōu)化πφ1時，對Qθ1進行的獨立更新可以避免策略更新帶來的偏差，然而學(xué)習目標中使用相反的評論會使評論整體上不獨立，重播緩沖區(qū)也存在同樣的問題。因此，對于某些狀態(tài)s有Qθ2(s,πφ1(s))>Qθ1(s,πφ1(s))，原因是Qθ1(s,πφ1(s))會過度估計真實值，而且在某個狀態(tài)空間的某些區(qū)域，過度估計會進一步加劇。為解決該問題，本文采用偏差估計Qθ1修正較小的偏差估計值Qθ2的上限，即取兩個估計值之間的最小值作為修正雙Q學(xué)習算法的目標進行更新，策略更新公式為

(6)

與標準Q學(xué)習相比，修正雙Q學(xué)習的價值目標不引入任何高估偏差，雖然更新目標可能導(dǎo)致低估偏差，但是不同于高估偏差，低估偏差通過策略更新不會被明顯傳播。

修正雙Q學(xué)習可以通過Qθ1優(yōu)化的單個操作來降低計算量，還可以對Qθ2采用相同的目標y2=y1。如果Qθ2>Qθ1，則目標的更新與標準Q學(xué)習更新相同且未引起其他偏差；如果Qθ2

每次更新時，為了最小化誤差，建立目標網(wǎng)絡(luò)與估計誤差之間的聯(lián)系并對AC的學(xué)習過程進行修正以減少方差是很重要的。由于時間差更新，在根據(jù)后續(xù)狀態(tài)的估計構(gòu)建值函數(shù)的估計時會產(chǎn)生誤差，雖然單個更新的誤差很小，但是這些估計誤差可能會累積，導(dǎo)致較大的高估偏差和次優(yōu)的策略更新。高估偏差和次優(yōu)的策略更新使得在函數(shù)逼近設(shè)置時無法完全滿足貝爾曼方程的條件，而且每次更新都會留下一些殘留的時序差分誤差，使問題更加嚴重，此時的策略更新公式為

Qθ(s,a)=r+γsE[Qθ(s′,a′)]-δ(s,a)。

(7)

該值估計并非是對學(xué)習預(yù)期收益的估計，而是近似估算預(yù)期收益與后續(xù)時序差分誤差的預(yù)期折現(xiàn)總和的差值，而值估計的表示公式為

Qθ(st,at)=rt+γsE[Qθ(st+1,at+1)]-δt

=rt+γsE[rt+1+γsE[Qθ(st+2,at+2)-δt+1]]-δt

(8)

如果值估計是未來獎勵和估計誤差的函數(shù)，則值估計的方差與未來獎勵和估計誤差的方差成正比。如式(8)所示，假定折扣因子γs較大，如果每次更新的估計誤差未減小，則估計誤差的方差將迅速增大。另外，每個梯度更新僅減少部分目標值(定義為mini-batch)的誤差，不能保證減小mini-batch外目標值的誤差。然而，通過分析目標網(wǎng)絡(luò)與函數(shù)逼近誤差之間的關(guān)系可知，使用穩(wěn)定的目標可以減少誤差。因為設(shè)計強化學(xué)習算法時，目標網(wǎng)絡(luò)與函數(shù)逼近誤差的關(guān)系考慮了高方差估算與策略之間的相互影響，所以在深度強化學(xué)習中，目標網(wǎng)絡(luò)是實現(xiàn)控制穩(wěn)定性的有利工具。又因為深層函數(shù)逼近器的多個梯度更新均收斂，所以目標網(wǎng)絡(luò)在學(xué)習過程中能夠提供穩(wěn)定的目標，并允許更大范圍地覆蓋訓(xùn)練數(shù)據(jù)。如果沒有穩(wěn)定的目標，則每次更新都可能留下殘余誤差，而且該殘余誤差將不斷累積。雖然誤差累積本身會對穩(wěn)定性有不良影響，但是與最大化價值估計的策略配合使用時，反而可能出現(xiàn)有利于穩(wěn)定性的結(jié)果。

在用目標網(wǎng)絡(luò)減少多次更新中的誤差時，針對高誤差狀態(tài)的策略更新出現(xiàn)的發(fā)散問題，應(yīng)采用比價值網(wǎng)絡(luò)頻率更低的網(wǎng)絡(luò)，以在策略更新之前最大程度地減少誤差。因此，本文提出策略更新延遲使價值誤差盡可能地小，具體是更新固定數(shù)量的評論，即僅對策略和目標網(wǎng)絡(luò)進行更新。然而，為了確保時序差分誤差較小，可以緩慢更新目標網(wǎng)絡(luò)θ′←τθ+(1-τ)θ′。

確定性策略存在的問題是在價值估算中可能導(dǎo)致狹窄峰值。當更新評論時，采用確定性策略的學(xué)習目標極易受到函數(shù)逼近誤差的影響而引起偏差，從而增大目標的方差。本文提出通過正則化減小方差，即引入用于深度值學(xué)習的正則化策略來平滑目標策略，該策略借鑒了狀態(tài)—動作—回報—狀態(tài)—動作(State-Action-Reward-State-Action, SARSA)的學(xué)習更新方法[17]。本文方法強化相似行為應(yīng)該具有相似價值，雖然函數(shù)逼近會隱式執(zhí)行該操作，但是可以通過修改訓(xùn)練過程來強化相似動作之間的關(guān)系，因此對目標動作周圍的小部分區(qū)域進行如下擬合：

y=r+EN?[Qθ′(s′,πφ′(s′)+N?)]。

(9)

通過類似地估算狀態(tài)行為值，使該值變得平滑。進一步，向目標添加少量隨機噪聲來近似估計對操作的預(yù)期，并取mini-batches的平均值。則修改后的目標更新為：

(10)

式中：clip表示削弱噪聲N?，以保證目標點的集中性；N表示正態(tài)分布。

2 雙足機器人建模及步態(tài)控制訓(xùn)練

2.1 雙足機器人建模

本文采用一種簡化的雙足機器人連桿模型研究步態(tài)控制問題，如圖2所示。該連桿模型用三維建模軟件SolidWorks 2018繪制，仿真時將該CAD模型導(dǎo)入MATLAB 2019a，采用Simulink中的深度學(xué)習工具箱(deep learning toolbox)和強化學(xué)習工具箱(reinforcement toolbox)以及其他模塊共同完成。由圖可知，雙足機器人整體結(jié)構(gòu)可以簡化為腰部、大腿、小腿和雙足(足部類似于平足)，連桿尺寸的單位為m；腰部、大腿、小腿選用泡沫塑料(密度為0.5 g/cm3)，足部選用工程塑料(密度為1.0 g/cm3)。雙足步行機器人建模需要保證整個機器人的重心在腰部的中心位置，這種保持平衡的方式與人類相似。雙足機器人的運動機構(gòu)主要包括髖關(guān)節(jié)、膝關(guān)節(jié)和踝關(guān)節(jié)，6個關(guān)節(jié)均可看作為旋轉(zhuǎn)關(guān)節(jié)，各關(guān)節(jié)變量的作用范圍分別為[-π/4,π/4],[0.1,π],[-π/4,π/4]。模型建立后，確定合適的接觸剛度、阻尼、靜摩擦、動摩擦等仿真參數(shù)。

2.2 雙足機器人步態(tài)控制訓(xùn)練

為了對雙足機器人進行穩(wěn)定步態(tài)控制，需要采用改進的DQN算法進行智能體訓(xùn)練。該改進算法是一種無模型、在線的非策略性強化學(xué)習方法，對應(yīng)的智能體是一種DDPG智能體，它也是一種AC強化學(xué)習智能體，可以采用最優(yōu)策略將獎勵函數(shù)最大化。基于深度強化學(xué)習的雙足機器人步態(tài)控制系統(tǒng)原理如圖3所示，其中右側(cè)虛線方框為行走訓(xùn)練單元，主要功能是利用本文算法對雙足機器人進行行走訓(xùn)練。本文算法的關(guān)鍵參數(shù)如表1所示。

表1 改進DQN算法的關(guān)鍵參數(shù)

在訓(xùn)練單元中，可以在具有觀察和操作空間的環(huán)境中訓(xùn)練雙足機器人智能體。其中，在觀察空間內(nèi)訓(xùn)練連續(xù)或離散智能體，在操作空間內(nèi)只訓(xùn)練連續(xù)智能體。訓(xùn)練期間的智能體具有如下特性：①學(xué)習過程中在每個時間步長結(jié)束時更新操作和評論屬性；②智能體用從循環(huán)緩沖區(qū)隨機采樣前存儲的小批(mini-batch)經(jīng)驗值更新操作和評論；③在每個訓(xùn)練步驟采用隨機噪聲模型的干擾策略進行選擇操作。

雙足機器人步態(tài)控制訓(xùn)練過程的關(guān)鍵步驟如下：

(1)操作函數(shù)與評論函數(shù)

為了估計雙足機器人智能體策略和價值函數(shù)，需構(gòu)建如下4個函數(shù)近似器：

1)操作函數(shù)μ(s) 該函數(shù)描述在狀態(tài)s下輸出的相應(yīng)動作，以最大化長期獎勵。

2)目標操作函數(shù)μ′(s) 為提高優(yōu)化的穩(wěn)定性，智能體根據(jù)最新的操作參數(shù)值定期更新目標操作。

3)雙Q值評論函數(shù)Q(s,a) 該函數(shù)描述將狀態(tài)值s和操作a分別作為輸入和對長期獎勵相應(yīng)期望的輸出。

4)雙目標評論函數(shù)Q′(s,a) 為了提高優(yōu)化的穩(wěn)定性，智能體根據(jù)最新的評論參數(shù)值定時更新目標評論。

Q(s,a)和Q′(s,a)、μ(s)和μ′(s)分別具有相同的結(jié)構(gòu)和參數(shù)。訓(xùn)練完成后，將訓(xùn)練好的最佳策略存儲在操作μ(s)中。

(2)智能體創(chuàng)建及訓(xùn)練

創(chuàng)建智能體的具體步驟包括：①創(chuàng)建操作表示對象；②創(chuàng)建評論表示對象；③指定智能體選項；④用函數(shù)創(chuàng)建智能體。采用以下訓(xùn)練算法訓(xùn)練所創(chuàng)建的智能體，該算法在每個時間步長結(jié)束時更新操作和評論模型：

1)用隨機參數(shù)值θQ初始化評論Q(s,a)，并用相同的隨機參數(shù)值θQ′=θQ初始化目標評論。

2)用隨機參數(shù)值θμ初始化操作μ(s)，并用相同的參數(shù)值θμ′=θμ初始化目標操作。

3)對于每個訓(xùn)練時間步長：

①對于當前觀測值s，選擇操作a=μ(s)+Nn，Nn為來自噪聲模型的隨機噪聲。

②執(zhí)行動作a，觀察獎勵r和下一個觀測值s′。

③將經(jīng)驗(s,a,r,s′)存儲在經(jīng)驗緩沖區(qū)中。

(11)

⑥通過最小化所有采樣經(jīng)驗中的損失L更新評論參數(shù)。

(12)

⑦用以下樣本策略梯度更新操作參數(shù)，以最大化預(yù)期權(quán)值獎勵：

(13)

⑧采用目標更新方法更新目標操作和評論。智能體采用平滑化的目標更新方法，并在每個時間步長結(jié)束時更新目標操作和評論。簡單起見，算法用基本隨機梯度下降的更新方式更新操作和評論，并在每個時間步長結(jié)束時用平滑因子t更新目標，對應(yīng)的評論和操作參數(shù)分別為：

θμ′=tθμ+(1-t)θμ′。

(14)

3 實驗結(jié)果與分析

本文仿真實驗是訓(xùn)練雙足機器人在常規(guī)平整路面上穩(wěn)定地沿某一固定方向直線行走(實驗中為x方向)，下面給出訓(xùn)練仿真結(jié)果及其分析。

3.1 3種算法訓(xùn)練下的學(xué)習速度對比和分析

在相同的實驗條件下，對比本文算法與現(xiàn)有深度強化學(xué)習算法在雙足機器人步態(tài)控制方面的訓(xùn)練效果(對比平均獎勵值)，硬件采用Intel Core i7-8700的CPU處理器。該實驗選擇固定情節(jié)(次數(shù)為2 000)，每個情節(jié)包括400個時間步長t，分別采用文獻[13-14]與本文算法在該條件下進行實驗，訓(xùn)練結(jié)果如圖4所示。

圖中“中心曲線”表示每個情節(jié)下的平均獎勵，“非中心曲線”表示對應(yīng)的獎勵，相同情節(jié)數(shù)下的平均獎勵值越大，學(xué)習速度越快，而曲線的平滑性則與控制的穩(wěn)定性密切相關(guān)，平滑性越好，穩(wěn)定控制的性能越好。由圖可知，訓(xùn)練情節(jié)數(shù)相同時，文獻[14]的DDPG算法和本文改進DQN算法在學(xué)習速度上明顯優(yōu)于文獻[13]的DQN算法，再次驗證了DQN算法學(xué)習速度緩慢的問題；文獻[14]的DDPG算法和本文算法相比，在學(xué)習初期(情節(jié)數(shù)在1 000之前)DDPG算法的學(xué)習速度更快，隨后很快出現(xiàn)了局部極小問題，本文算法雖然在訓(xùn)練的前期速度較慢，但是后期獲得了比DDPG算法更高的獎勵，主要原因是本文算法不存在對Q值的高估問題。

3.2 雙足機器人步態(tài)控制實驗與分析

由3.1節(jié)可知本文算法在學(xué)習速度上優(yōu)于DQN算法和DDPG算法。進一步由步態(tài)控制的穩(wěn)定性實驗可知，采用本文算法訓(xùn)練雙足機器人20 h后獲得了穩(wěn)定的步行姿態(tài)。其中，與參考文獻[14]采用圖形處理器(Graphic Processing Unit，GPU)訓(xùn)練相比，本文算法節(jié)約近一半時間。由于二者采用的機器人模型和仿真實驗環(huán)境相似，本文算法與文獻[14]訓(xùn)練的結(jié)果有很強的可對比性。仿真結(jié)果表明，雙足機器人在10 s內(nèi)連續(xù)向前行走到終點(約5 m)，整個過程均非常穩(wěn)定，未發(fā)生跌倒的情況。大量隨機實驗表明，步行(超過5 000次)均能被穩(wěn)定控制，圖5所示為其中一次穩(wěn)定控制仿真實驗的運動示例幀?？梢?，雙足機器人的姿態(tài)在整個步行任務(wù)中始終保持穩(wěn)定，該穩(wěn)定性也可從后續(xù)的速度和力矩圖像曲線得到驗證。

在學(xué)習過程中，深度強化學(xué)習的獎勵和平均獎勵如圖6所示，其中“中心曲線”表示平均獎勵，“非中心曲線”表示獎勵。與文獻[14]基于DDPG算法的步態(tài)控制結(jié)果(如圖4b)相比，該平均獎勵曲線更平滑且上升性能更好，表明本文方法可以有效避免對Q值的過高估計，并解決對比文獻易陷入局部迭代極值的問題。另外，本文方法采用雙Q學(xué)習函數(shù)作為評論網(wǎng)絡(luò)對目標網(wǎng)絡(luò)進行延遲更新，雖然所獲長期獎勵折扣的估計值比文獻[14]小，但是卻表現(xiàn)出更好的穩(wěn)定性，因此能夠進一步提高雙足機器人步態(tài)控制的穩(wěn)定性。

雙足機器人的仿真步行速度如圖7所示，其中圖7a表示沿步行方向(即坐標軸x的方向)的速度曲線，可見步行的最大速度約為0.83 m/s，平均速度為0.5 m/s(接近成年人正常步行的平均速度)。相對機器人模型的尺寸，可以看作為“快速”行走。圖7b和圖7c是其他非步行方向(分別為坐標軸y和z的方向)的速度曲線，圖像關(guān)于橫軸基本對稱，可看作為周期變化。3幅圖像曲線綜合表明了步行速度控制的穩(wěn)定性。

雙足機器人的姿態(tài)角和各關(guān)節(jié)力矩的曲線如圖8和圖9所示，由3個坐標軸姿態(tài)角的圖像曲線可知，其姿態(tài)角度變化具有周期性。由關(guān)節(jié)力矩的圖像曲線可知，各關(guān)節(jié)的力矩在(-3,3)N·m范圍內(nèi)周期變化，穩(wěn)定輸出的力矩能夠保證機器人穩(wěn)定地步行。

為了進一步驗證本文算法的魯棒性，類似文獻[13]，在步態(tài)控制實驗中增加了非平整路面、干擾等，實驗結(jié)果表明本文算法同樣獲得了較好的穩(wěn)定性，限于篇幅僅給出實驗結(jié)論。

4 結(jié)束語

本文針對雙足機器人快步長距離的步態(tài)穩(wěn)定控制問題，提出一種改進DQN算法進行深度強化學(xué)習。改進算法將DQN算法與確定梯度策略結(jié)合，并采用修正雙Q網(wǎng)絡(luò)優(yōu)化AC網(wǎng)絡(luò)的評論部分，從而減少高估偏差和誤差更新次數(shù)。與文獻[13-14]的深度強化學(xué)習方法相比，所提方法在學(xué)習速度和控制性能上均有提升，其能夠通過不斷學(xué)習和與環(huán)境交互獲得長期最大獎勵來調(diào)整機器人的質(zhì)心位置，從而保證機器人穩(wěn)定的行走姿態(tài)，更好地解決不同環(huán)境和行走條件下的步態(tài)控制規(guī)劃問題。與傳統(tǒng)基于模型步態(tài)的控制相比，本文控制方法雖然在魯棒性上稍遜一籌，但是不用建立復(fù)雜的動力學(xué)模型，從而很好地避開了動力學(xué)建模難題。

仿真實驗表明，在長距離快速行走的情況下，本文方法能夠使機器人在小力矩控制下保證姿態(tài)穩(wěn)定，而且通過非平整路面等的步態(tài)控制實驗表明，該控制算法具有一定的魯棒性，為解決雙足機器人步態(tài)控制的穩(wěn)定性問題提供了新的思路。未來工作將進一步優(yōu)化相關(guān)算法，以更好地控制雙足機器人行走甚至奔跑的穩(wěn)定性，同時進行相關(guān)硬件設(shè)計，并在所開發(fā)的機器人平臺上進行測試。