随着科技的迅猛发展，机器人技术正日益成为现实生活中的重要组成部分。而在机器人研究领域，仿真技术的应用扮演着不可或缺的角色。它不仅可以节约大量资源和成本，更为工程师和研究者提供了一个安全、高效的实验平台。在这个博客中，将探讨PyBullet仿真引擎，并着重介绍如何利用PyBullet进行四足机器狗的仿真。
PyBullet概述
PyBullet是一个开源的物理仿真引擎，专为机器人学、虚拟现实和游戏开发等领域设计。它由Erwin Coumans开发，最初作为Bullet物理引擎的Python绑定，因此得名PyBullet。Bullet物理引擎是一款广泛使用的高性能三维碰撞检测与物理仿真引擎，其主要用途是模拟现实世界中物体的运动和碰撞。PyBullet通过Python的简洁易用性，为机器人研究者、游戏开发者和仿真爱好者提供了一个强大且灵活的工具，使得他们能够快速构建和测试复杂的物理系统，从简单的刚体到复杂的多体动力学系统，以及各种类型的机器人模型。
PyBullet具有的特点和优势：
- 开源和跨平台：PyBullet是开源软件，可以在各种操作系统上运行，包括Windows、Linux、macOS等。
- Python接口：PyBullet使用Python编程语言作为主要接口，简化了API的使用，加速了原型开发和实验的速度。
- 高性能：PyBullet底层使用C++实现，继承了Bullet物理引擎出色的性能表现。
- 丰富的功能：支持刚体动力学、碰撞检测、约束条件、软体物体、多体动力学、关节等丰富的物理特性。
- 灵活性：PyBullet可以模拟多种物体之间的复杂关系，让用户能够自由定义物体之间的交互行为。
- 可扩展性：用户可以轻松添加自定义的模型、控制器和碰撞几何体，以满足不同场景的需求。
- 学习资源丰富：由于Bullet和PyBullet在机器人和游戏领域的广泛应用，因此有许多优秀的教程和社区支持，便于学习和解决问题。
四足机器狗简介
四足机器狗，也被称为四足机器人，是一类仿生机器人，模仿了真实狗类动物的外形和运动方式。这些机器狗通常由四条腿支撑，通过类似狗类的步态来移动和保持平衡。四足机器狗的概念可以追溯到二十世纪中期，但真正的实现始于近几十年，21 世纪初，机器人BigDog在 Boston Dynamics 正式问世，如图所示，BigDog 如其名，外形仿照哺乳动物狗建造，且能负重大体积货物，在驱动关节运动的执行器上，BigDog 设计并改进了液压驱动装置，腿部装有抗压缓冲机构，在山地，崎岖，冰面等环境下负载作业均获得了优异的效果，且机身上装载的计算机与传感器能够获取机器狗的各个状态及信息。随着机器人技术、传感器和控制算法的不断发展，四足机器狗的设计和性能得到了巨大的提升。为了实现稳定的移动和平衡，四足机器狗采用各种复杂的步态。常见的步态包括步行、奔跑、跳跃和旋转等，这些步态需要高度协调的动作和精确的控制。四足机器狗在各个领域都有潜在的应用。例如，它们可以用于灾难救援，探索危险环境，进行地质勘探，或者在军事和安保领域执行任务。此外，它们还可以成为日常生活中的助理机器人，辅助人们完成各种任务。
安装PyBullet和相关依赖
# 使用Conda创建一个名为'bullet'的新虚拟环境，并指定Python版本为3.6
conda create -n bullet python=3.6
# 激活名为'bullet'的虚拟环境
conda activate bullet
# 在'bullet'虚拟环境中使用pip安装'numpy'包
pip install numpy
# 在'bullet'虚拟环境中使用pip安装'transforms3d'包
pip install transforms3d
# 在'bullet'虚拟环境中使用pip安装'pybullet'包
pip install pybullet
# 如果下载速度慢，可以使用清华源进行下载
pip install package_name -i https://pypi.tuna.tsinghua.edu.cn/simple
# 使用pip从清华大学的PyPI镜像安装名为'package_name'的包
# 使用'-i'标志指定了清华大学镜像的URL
# 将'package_name'替换为你想要安装的实际包名
创建仿真场景
下载宇树科技四足机器狗的pybullet模型包：https://github.com/unitreerobotics/unitree_pybullet
加载模型文件
# 导入numpy库，这是一个用于处理数组和矩阵的库，可以用于数学计算
import numpy as np
# 导入pybullet库，这是一个用于3D物理仿真的库，可以用于创建和操作机器人模型
import pybullet as p
# 定义最大力id,这个id将被用来获取或设置四足机器人的最大推力
maxForceId = None
# 定义相机距离id,这个id将被用来获取或设置相机与机器人的距离
cameraDistId = None
# 定义关节id列表，这个列表将被用来存储机器人的所有关节id
jointIds = []
# 定义四足机器人对象，这个对象将被用来操作和控制机器人
quadruped = None
# 定义关节状态id列表，这个列表将被用来存储机器人所有关节的状态id
jointStateIds = []
# 定义预设位置列表，这个列表将被用来存储机器人的预设位置信息
pre_pos = []
# 使用列表推导式生成traceIds列表，这个列表将被用来存储跟踪机器人运动的轨迹id
traceIds = [i * 4 + 5 for i in range(4)]
# 速度id
x_velId = None
y_velId = None
dog_pos = None
target_pre_pos = None
obs_init_pos = []
def load_robot():
# 全局变量
global maxForceId
global cameraDistId
global quadruped
global traceIds
global x_velId
global y_velId
global obs_init_pos
global target_pre_pos
# 连接仿真环境
p.connect(p.GUI, options="--width=1000 --height=700 --xPos=10 --yPos=10")
plane = p.loadURDF("plane.urdf")
p.setGravity(0, 0, -9.8)
p.setTimeStep(1. / 100)
# p.setDefaultContactERP(0) #设置默认的接触误差修正参数（ERP）
# urdfFlags = p.URDF_USE_SELF_COLLISION+p.URDF_USE_SELF_COLLISION_EXCLUDE_ALL_PARENTS
urdfFlags = p.URDF_USE_SELF_COLLISION # 启用机器人模型的自碰撞功能，允许模型的不同部分之间发生碰撞。
quadruped = p.loadURDF(
"a1/urdf/a1.urdf", [0, 0, 0.48], [0, 0, 0, 1], flags=urdfFlags, useFixedBase=False) # 加载模型
for i in traceIds:
pre_pos.append(p.getLinkState(quadruped, i)[0]) # 位置信息
# enable collision between lower legs
for j in range(p.getNumJoints(quadruped)): # 打印关节信息
print(p.getJointInfo(quadruped, j))
lower_legs = [2, 5, 8, 11]
for l0 in lower_legs:
for l1 in lower_legs:
if (l1 > l0):
enableCollision = 1
print("collision for pair", l0, l1, p.getJointInfo(quadruped, l0)[
12], p.getJointInfo(quadruped, l1)[12], "enabled=", enableCollision)
# 这行代码设置了链接2和链接5之间的碰撞过滤。它使用p.setCollisionFilterPair()函数来配置链接之间的碰撞关系，
# 以及是否允许它们之间发生碰撞。enableCollision变量的值被用于确定是否允许碰撞。
p.setCollisionFilterPair(
quadruped, quadruped, 2, 5, enableCollision)
maxForceId = p.addUserDebugParameter("maxForce", 0, 100, 20) # 力的最大
cameraDistId = p.addUserDebugParameter("cameraDist", 0, 5, 1) # 摄像头距离
x_velId = p.addUserDebugParameter("x_vel", -1, 1, 0)
y_velId = p.addUserDebugParameter("y_vel", -1, 1, 0)
for j in range(p.getNumJoints(quadruped)):
p.changeDynamics(quadruped, j, linearDamping=0, angularDamping=0) # 将线性阻尼和角度阻尼都设置为0，这将减少关节的阻尼效果，使得机器人的运动更自由。
info = p.getJointInfo(quadruped, j) # 关节信息
# print(info)
jointName = info[1]
jointType = info[2]
if (jointType == p.JOINT_PRISMATIC or jointType == p.JOINT_REVOLUTE):
jointIds.append(j)
if len(jointIds) % 3 == 0:
jointStateIds.append(-np.pi / 2)
elif len(jointIds) % 3 == 2:
jointStateIds.append(np.pi / 4)
else:
jointStateIds.append(0)
p.setRealTimeSimulation(0)
p.configureDebugVisualizer(p.COV_ENABLE_GUI, 0) # 不显示GUI上的控件
target_pre_pos = p.getLinkState(quadruped, 0)[0]
if __name__ == '__main__':
load_robot()
while True:
pass
运行以上代码，得到效果图
四足机器狗的运动控制
四足机器狗的运动控制主要是运动过程中脚的位置计算，下面进行位置计算：
定义一些变量：
：摆动阶段的比例，范围在 到 之间。 ：腿的命令信息，包括期望的高度。
计算可以分为三个部分：x和y方向上的位置变化量（
-
X和Y方向上的位置变化量（
）： 第一步是计算x和y方向上的速度矢量 。这个向量表示脚位置朝向落地点的变化率。它的计算方式如下： 这里的
是根据Raibert算法预测的落地点， 是当前脚的位置。 接下来，我们计算脚在x和y方向上在下一个时间步长内的位置变化量：
-
Z轴上的位置变化量（
）： 下一步是计算脚在z轴上的位置变化量（高度变化）。这个变化量由摆动高度（ ）和命令中期望高度（ ）的差值得出。 是通过摆动函数根据 计算得出的： 其中，
表示摆动阶段的比例，范围在0到1之间； 表示摆动高度的最大值（清除高度）。 然后，
的计算方式如下： -
整体的下一个脚位置： 最后，我们通过将当前脚位置、z轴上的位置变化量（
）和x、y方向上的位置变化量（ ）相加，计算出下一个脚的位置：
实现代码如下：
def next_foot_location(
self,
swing_prop,
leg_index,
state,
command,
):
# 用于计算下一个脚的位置。
# 它接收摆动阶段的比例（swing_prop）、腿索引（leg_index）、状态信息（state）、命令信息（command）等作为参数，
# 并根据配置参数计算下一个脚的位置。
assert swing_prop >= 0 and swing_prop <= 1
foot_location = state.foot_locations[:, leg_index]
swing_height_ = self.swing_height(swing_prop)
touchdown_location = self.raibert_touchdown_location(leg_index, command)
time_left = self.config.dt * self.config.swing_ticks * (1.0 - swing_prop)
v = (touchdown_location - foot_location) / time_left * np.array([1, 1, 0])
delta_foot_location = v * self.config.dt
z_vector = np.array([0, 0, swing_height_ + command.height])
return foot_location * np.array([1, 1, 0]) + z_vector + delta_foot_location
最终实现效果
参考
宇树pybullet模型库: https://github.com/unitreerobotics/unitree_pybullet
quadruped_simulation：https://github.com/wupanhao/quadruped_simulation
肖华. 基于深度强化学习的四足机器人多步态生成策略研究[D].北京化工大学,2023
评论（6）
您还未登录，请登录后发表或查看评论