Das humanoide zweibeinige Gehen bleibt ein herausforderndes Problem aufgrund seiner inhärent instabilen, hochdimensionalen Dynamik. Dieses Papier präsentiert ein hybrides Rahmenwerk, das ein kompaktes kinematisches Modell der Schraubentheorie mit einem multiobjektiven genetischen Algorithmus (GA) zur automatisierten Gangoptimierung kombiniert. Durch die Parametrisierung des halbelliptischen Schwungs des Fußes (horizontale und vertikale Geschwindigkeiten) und des Neigungswinkels des Oberkörpers optimiert unser GA sowohl die sagittale Schrittlänge als auch die seitliche Abweichung in einer einzigen Fitnessfunktion. Wir zeigen, dass der GA zuverlässig konvergiert – er erreicht plateauartige Leistung bis zur Generation 55 und nahezu optimale Kompromisse bis zur Generation 100 – über Läufe von bis zu 500 Generationen. Eine Pearson-Korrelationsanalyse bestätigt eine starke Verbindung zwischen Fitness und Vorwärtsversetzung (0,74–0,89) sowie eine moderate Verbindung mit seitlicher Drift (0,57–0,68), was Chancen für eine verfeinerte Strafdesign aufzeigt. Wir demonstrieren den Simulation-zu-Reality-Transfer, indem wir die besten gefundenen Parameter des GA (Generation 421) auf einen humanoiden Roboter mit 14 Freiheitsgraden laden, der erfolgreich 2 m in fünf aufeinanderfolgenden Versuchen ohne Sturz überwinden kann. Im Vergleich zu traditionellen Denavit-Hartenberg-Ansätzen reduziert unsere Schraubentheorie-Formulierung die Anzahl der Parameter und vereinfacht den Aufbau der homogenen Transformationsmatrix (HTM), während der GA die Notwendigkeit für manuelle Abstimmung oder explizite dynamische Gleichungen überwindet. Diese Arbeit legt das Fundament für zukünftige Erweiterungen, die dynamische Stabilitätskriterien, Sensorfeedback und adaptive multiobjektive Gewichtung integrieren, um Robustheit und Effizienz weiter zu verbessern.
Chagas et al. (Do,), untersuchten diese Frage.