用于人形机器人全身模型预测控制的分层学习框架

本发明公开了用于人形机器人全身模型预测控制的分层学习框架，包括：定义机器人的初始状态和任务目标，初始化各层控制策略构建初始运动学模型，收集运动数据集，并从数据中辨识出模型参数。之后，通过基于模型的强化学习，不断更新和优化动态模型，以减少模型与实际系统之间的差异。最后，使用全身模型预测控制方法利用经过强化学习优化的动态模型实时计算控制策略，该发明创新性地开发了一种分层学习框架，通过多层次的设计确保了系统能够在中央控制系统更新较为缓慢的情况下，仍然保持高效的实时响应能力，显著地提升了机器人的灵活性和动态性能，使得人形机器人即使在全身模型预测控制的低频策略更新下也能生成多接触、动态行为。