An eight-neuron network for quadruped locomotion with hip-knee joint control

四足机器人运动控制框架中，能够产生协调多个关节的节奏信号的步态生成器是必不可少的组成部分。步态生成器的生物学对应物是中央模式发生器（缩写为CPG），它是由相互作用的神经元组成的小型神经网络。受到这种结构的启发，研究人员设计了由模拟神经元或振荡器方程组成的人工神经网络。尽管这些设计的CPG在各种机器人运动控制中得到了广泛应用，但仍存在一些未解决的问题，包括：（1）简单的网络设计常常忽略信号和网络结构之间的对称性，导致比自然界中发现的步态模式更少。（2）由于最小化的结构考虑，四足控制CPG通常只由四个神经元组成，这限制了网络对关节协调而非直接控制腿部相位的控制。（3）步态变化是通过改变神经元之间的耦合或神经元和腿之间的分配而不是通过外部刺激实现的。我们应用对称理论设计了一个由Stein神经元模型组成的八个神经元网络，能够实现五种步态和协调髋膝关节的控制。通过数值模拟，我们验证了该网络作为步态生成器的信号稳定性，并揭示了使用神经元刺激在步态转换期间遇到的各种结果和模式。基于这些发现，我们通过神经元刺激开发了几种成功的步态转换策略。使用商用四足机器人模型，我们通过实现运动控制和步态转换证明了该网络的可用性和可行性。

设计CPG网络时存在的问题，如对信号和网络结构对称性的忽视、网络神经元数量限制等。

应用对称性理论设计了一个由八个神经元组成的CPG网络，通过神经刺激实现步态转换和关节协调控制。

使用Stein神经元模型设计CPG网络，能够实现五种步态和关节协调控制；通过数值模拟验证了该网络的信号稳定性，并开发了多种成功的步态转换策略；在商用四足机器人模型上验证了该网络的可行性。

最近的相关研究包括：'A bio-inspired CPG-based locomotion control framework for quadruped robots'、'Design and implementation of a quadruped robot based on CPG'等。