CN101791255A - 助行外骨骼机器人系统及控制方法 - Google Patents

Abstract

一种康复工程技术领域的助行外骨骼机器人系统及控制方法，包括：悬挂支架、移动平台、骨骼关节、保护套、传感器模块、信号采集模块、中央处理模块和运动控制模块，其中：悬挂支架固定设置于移动平台上，骨骼关节与悬挂支架相连接构成外骨骼机器人，传感器模块、信号采集模块、中央处理模块和运动控制模块依次顺序连接，通过传感器模块采集关节角度、外骨骼机器人与人的交互力以及人体肌肉肌电信号，信号采集模块进行信号调理和数模转换，中央处理模块进行动作生成与运动反解，并将动作命令传输至运动控制模块，运动控制模块与外骨骼机器人相连接并生成脉冲信号控制外骨骼机器人协调运动。本发明实现外骨骼机器人与人体同步运动以及实时主动控制。

Description

助行外骨骼机器人系统及控制方法

技术领域

本发明涉及的是一种康复工程技术领域的装置及控制方法，具体是一种助行外骨骼机器人系统及控制方法。

背景技术

随着我国社会经济的迅速发展和医疗卫生事业的巨大改善，我国老年人口基数较大，人口老龄化带来了重大社会服务问题。由于遭受意外事故或患疾病等造成的肢体残疾人的数量也逐年增加，残疾人的健康问题得到了全社会的广泛关注。

近年来，一种针对老年人和下肢有运动障碍的病人进行康复训练的外骨骼机器人得到了应用和推广，它突破传统康复训练方法，将机器人主动控制技术和假肢“助走”功能结合，佩戴于肢体残疾人身上进行步态康复训练。

在下肢外骨骼机器人的设计中，一方面应考虑机构承受负载的能力，各关节要有较大的输出力矩，能支撑患者进行正常的步态训练；另一方面应充分考虑机构的稳定性；同时外骨骼机器人应该有较多的功能，能满足人体康复训练的多种需求。但是在国内外已有的下肢外骨骼假肢中，功能比较单一，外骨骼假肢本体结构的关节运动范围较小，同时存在刚性不足和负载能力较小等问题；特别是将外骨骼假肢佩戴在人的下肢后，人体运动的稳定性很难保证，系统稳定性已经成为外骨骼技术的一大难点。

在下肢外骨骼机器人的控制方法设计中，需要设计一种有效、稳定的人机交互接口。该人机交互接口应能实时检测人体运动状态，并提前预测人体关节运动，对人体运动状态进行计算分析，控制康复机构进行实时而有效的康复训练，同时通过各种反馈通道使人体感受到机构运动状况。控制系统对实时性，有效性和稳定性的高要求，使之成为外骨骼康复机器人控制方法中的最大难点。

经对现有技术文献的检索发现，中国专利文献号CN1586434，公开日2005-3-2，记载了一种“可穿戴式的下肢步行外骨骼”，该技术中的外骨骼是由腰部支撑、髋部四杆机构、膝盖四杆机构、脚踝四杆机构和足底支撑依次串连构成，由液压缸驱动机构，由于采用液压缸驱动，需要有液压源，机构控制精度不高，刚性和稳定性不足。

瑞士Hocoma AG公司研发的LOKOMAT全自动步态矫正机器人，由步态矫正器、体重支持系统和跑台组成，能在室内进行人体下肢步态矫正训练。但是该系统占地面积较大，移动不方便，结构复杂，价格昂贵，推广应用比较困难。

进一步检索发现，中国专利文献号CN2103990，公开日1993-2-10，记载了一种“肌电训练康复仪”，该技术仅根据检测出的肌电信号给患者提供一个视觉或者声音的反馈，并没有实际的机械帮助提供给患者。所以，尽管利用了肌电信号进行康复训练，有助于提高患者的主动参与性，但是由于患者自身运动困难，导致质量受到很大的限制，所以仍不能很好地帮助患者进行康复训练。

发明内容

本发明针对现有技术存在的上述不足，提供一种助行外骨骼机器人系统及控制方法，具有人体关节动作的预测，能够实现外骨骼机器人与人体同步运动，使用者可以对外骨骼机器人的实时主动控制；整个系统结构紧凑、工作稳定，可实现老年人或残障者辅助行走、自主移动和下肢康复训练等功能。

本发明是通过以下技术方案实现的：

本发明涉及一种助行外骨骼机器人系统，包括：悬挂支架、移动平台、骨骼关节、保护套、传感器模块、信号采集模块、中央处理模块和运动控制模块，其中：悬挂支架固定设置于移动平台上，骨骼关节与悬挂支架相连接构成外骨骼机器人，传感器模块、信号采集模块、中央处理模块和运动控制模块依次顺序连接，通过传感器模块采集关节角度、外骨骼机器人与人的交互力以及人体肌肉肌电信号，信号采集模块进行信号调理和数模转换，中央处理模块进行动作生成与运动反解，并将动作命令传输至运动控制模块，运动控制模块与外骨骼机器人相连接并生成脉冲信号控制外骨骼机器人协调运动。

所述的传感器模块包括：角度传感器、压力传感器和肌电电极，其中：角度传感器和压力传感器固定设置于骨骼关节和保护套中采集传输关节角度信号和外骨骼机器人与人的交互力信号，肌电电极设置于用户皮肤表面采集人体肌肉肌电信号。

所述的信号采集模块包括：运算放大单元及滤波单元和高速数据采集卡，其中：运算放大单元与滤波单元通过屏蔽线与传感器模块依次连接并将采集到的原始人体肌肉肌电信号放大滤波，高速数据采集卡与传感器模块、运算放大单元及滤波单元连接以采集关节角度、外骨骼机器人与人的交互力以及经处理的人体肌电信号，并对模拟信号进行模数转换。

所述的中央处理模块包括：信号预处理单元、动作生成单元和运动反解单元，三个单元依次顺序连接，其中：信号预处理单元对采集到的信号进行数字滤波和数字信号调理，动作生成单元根据采集到的信号及运动控制模式生成外骨骼机器人的关节角位移和角速度，运动反解单元根据动作生成单元的关节角位移和角速度与机构几何尺寸综合得出动作命令。

所述的运动控制模块包括：运动控制卡、伺服驱动器和伺服电机，其中：运动控制卡接收中央处理模块输出的动作命令对伺服电机的运动进行规划并输出至伺服驱动器，伺服驱动器生成脉冲信号至伺服电机，伺服电机与外骨骼机器人相连接实现运动控制。

本发明涉及上述助行外骨骼机器人系统的控制方法，包括：主动控制方法和被动控制方法，其中：

所述的主动控制方法包括以下步骤：

第一步、通过外骨骼机器人传感器模块及信号检测模块采集人体腿部肌电信号、角度信号和压力信号，对肌电信号进行预处理。

第二步、将经过预处理的肌电信号和角度传感器的信号作为输入信号，输入至五层模糊神经网络并获得预测关节角度值；

第三步、根据预测关节角度值，经运动反解计算，求解出各伺服电机的运动情况，产生控制信号，控制各伺服电机按要求运动，实现人体关节与助行外骨骼机器人各关节同步运动。

所述的被动控制方法包括以下步骤：

根据使用者身高，腿长等信息，通过人体标准的步态数据库选取相应步态数据，直接由计算机进行运动反解，求解出各伺服电机的运动情况，产生控制信号，控制各伺服电机按要求运动。从而使助行外骨骼机器人各关节协调运动，与人体标准步态相同。患者跟随助行外骨骼机器人进行标准步态训练。其具体步骤包括：

a、通过外骨骼机器人信号检测及处理系统采集人体腿部肌电信号、角度信号和压力信号，对肌电信号进行预处理。

b、采集不同身高、腿长的人体行走时的关节角度值，取平均值后获得标准步态数据库，参照当前时刻传感器模块检测到的数据，根据标准步态数据库选取对应步态时刻的各关节转角值查找使用者及外骨骼机器人当前的运动情况及步态。

c、根据关节转角值，经运动反解计算得到伺服电机的运动情况，通过使用者设定调整伺服电机的输出。

与现有技术相比，本发明包括如下有益效果：本发明的外骨骼假肢设计结构紧凑、各关节转动范围大，能满足人体实际运动要求；采用伺服电机驱动，控制精度高，输出力矩大；移动平台由电机驱动轮子转动，外骨骼机器人可自主移动，具有较高的爬坡能力和移动速度；利用移动平台的直线运动机构调整悬挂支架的高度，适合不同身高的人使用，在对患者进行步态康复训练时，可对人体重心进行主动调整，符合人体随着步态交替而上下波动的特征；悬挂支架上的吊带用于支撑人体躯体，防止人行走时摔倒，保证整个外骨骼机器人系统的稳定性；利用肌电信号作为控制信号之一，并利用模糊神经网络对肌电信号进行实时处理，从而实现人体关节动作的预测，使外骨骼机器人与人体同步运动，实现使用者对外骨骼机器人的实时主动控制；利用关节角度信号和压力信号作为控制信号之一，提高了中央处理模块的稳定性，并提高了运动生成单元动作判断的准确性；被动控制方法中人体标准的步态数据库根据不同身高、性别、体型进行分类，使生成的步态更能符合不同使用者的需求；系统具有主被动两种模式，更合理、全面的满足不同患者的需求。

附图说明

图1是本发明立体示意图。

图2是实施例控制示意图。

图3是神经网络结构框图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1和图2所示，本实施例包括：悬挂支架1、移动平台2、骨骼关节3、保护套4、传感器模块5、信号采集模块6、中央处理模块7和运动控制模块8，其中：悬挂支架1固定设置于移动平台2上，骨骼关节3与悬挂支架1相连接构成外骨骼机器人9，传感器模块5、信号采集模块6、中央处理模块7和运动控制模块8依次顺序连接，通过传感器模块5采集关节角度、外骨骼机器人9与人的交互力以及人体肌肉肌电信号，信号采集模块6进行信号调理和数模转换，中央处理模块7进行动作生成与运动反解，并将动作命令传输至运动控制模块8，运动控制模块8与外骨骼机器人9相连接并生成脉冲信号控制外骨骼机器人9协调运动。

所述的传感器模块5包括：角度传感器10、压力传感器11和肌电电极12，其中：角度传感器10和压力传感器11固定设置于骨骼关节3和保护套4中采集传输关节角度信号和外骨骼机器人9与人的交互力信号，肌电电极12设置于用户皮肤表面采集人体肌肉肌电信号。

所述的信号采集模块6包括：运算放大单元13及滤波单元14和高速数据采集卡15，其中：运算放大单元13与滤波单元14通过屏蔽线与传感器模块5依次连接并将采集到的原始人体肌肉肌电信号放大2000倍且进行工频滤波和带通滤波使信号最低频率为10Hz，最高频率为1000Hz，且不包含50Hz信号，高速数据采集卡15与传感器模块5、运算放大单元13及滤波单元14连接以采集关节角度、外骨骼机器人9与人的交互力以及经处理的人体肌电信号，并对模拟信号进行模数转换。

所述的中央处理模块7包括：信号预处理单元16、动作生成单元17和运动反解单元18，三个单元依次顺序连接，其中：信号预处理单元16对采集到的信号进行数字滤波和数字信号调理，动作生成单元17根据采集到的信号及运动控制模式生成外骨骼机器人9的关节角位移和角速度，运动反解单元18根据动作生成单元17的关节角位移和角速度与机构几何尺寸综合得出动作命令。

所述的运动控制模块8包括：运动控制卡19、伺服驱动器20和伺服电机21，其中：运动控制卡19接收中央处理模块7输出的动作命令对伺服电机21的运动进行规划并输出至伺服驱动器20，伺服驱动器20生成脉冲信号至伺服电机21，伺服电机21与外骨骼机器人9相连接实现运动控制。

本实施例的主动控制方法包括以下步骤：

第一步、通过外骨骼机器人9信号检测及处理系统采集人体腿部肌电信号、角度信号和压力信号，通过公式1对肌电信号进行预处理：

$\mathrm{RMS}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{v}_i^2}---\left(1\right)$

其中：N为采样点数量，v_i为第i个采样点电压值。取N＝256，采样间隔为500微秒。

第二步、将经过预处理的肌电信号和角度传感器10的信号作为输入信号，输入至五层模糊神经网络并获得预测关节角度值；

如图3所示，所述的五层模糊神经网络包括：输入层、模糊化层、模糊推理层、模糊规则输出层和去模糊化层，其中：输入层接收肌电信号、角度信号和压力信号，模糊化层通过广义钟形函数将肌电信号转换成：零值、正小值、正中值和正大值四种模糊语言变量，并将角度信号转换成：负小值、负大值、零值、正小值和正大值五种模糊语言变量，模糊推理层根据人体解剖学知识和实验结果建立神经网络的模糊规则，模糊规则输出层对模糊规则进行加权输出，去模糊化层获得预测关节角度值。

所述的广义钟形函数是指：

$f(x;\mathrm{\α},\mathrm{\β},\mathrm{\γ})=\frac{1}{1+{|(x-\mathrm{\γ})/\mathrm{\α}|}^{2\mathrm{\β}}}---\left(2\right)$

其中：x为独立变量，α，β，γ为决定隶属函数形状和位置的变量。

所述的神经网络的模糊规则是指：

$O_i^3={\mathrm{\μ}}_{A^i}\left(\mathrm{\ξ}\right)=\widehat{\mathrm{\Π}}({\mathrm{\μ}}_{A_1^i}\left({\mathrm{\ξ}}_1\right),...,{\mathrm{\μ}}_{A_k^i}\left({\mathrm{\ξ}}_k\right))---\left(3\right)$

其中：

为第i条规则先前部分的模糊集，k为先前部分子集的数量，ξ_i为输入，

为乘法算子，μ_A(ξ)表示输入ξ对于第i条规则的隶属度。

所述的加权输出是指：

其中：f_i＝a_i·ch₁+b_i·ch₂+c_i·ch₃+d_i·ch₄+e_i，a_i，b_i，c_i，d_i，e_i为输出隶属函数参数。

所述的预测关节角度值是指：

其中：r为模糊规则数。

第三步、根据预测关节角度值，经运动反解计算，求解出各伺服电机21的运动情况，产生控制信号，控制各伺服电机21按要求运动，实现人体关节与助行外骨骼机器人9各关节同步运动。

以髋关节和膝关节机构为例，根据运动反解方程求解电机位移。

$l_{\mathrm{\α}}=\sqrt{l_2^2-{(l_1\sin \mathrm{\α}-e)}^2}+l_1\cos \mathrm{\α}---\left(6\right)$

$l_{\mathrm{\β}}=\sqrt{l_3^2-{(l_4\sin \mathrm{\β}-e)}^2}+l_4\cos \mathrm{\β}---\left(7\right)$

其中α，β分别为通过第二步所得到的髋关节和膝关节转角，l₁、l₂、l₃、l₄、e分别为机构参数。将电机位移值输入运动控制卡19，控制伺服电机21运动。

本实施例的被动控制方法包括以下步骤：

根据使用者身高，腿长等信息，通过人体标准的步态数据库选取相应步态数据，直接由计算机进行运动反解，求解出各伺服电机21的运动情况，产生控制信号，控制各伺服电机21按要求运动。从而使助行外骨骼机器人9各关节协调运动，与人体标准步态相同。患者跟随助行外骨骼机器人9进行标准步态训练。其具体步骤包括：

a、通过外骨骼机器人9信号检测及处理系统采集人体腿部肌电信号、角度信号和压力信号，通过公式1对肌电信号进行预处理：

$\mathrm{RMS}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{v}_i^2}---\left(1\right)$

其中：N为采样点数量，v_i为第i个采样点电压值。取N＝256，采样间隔为500微秒。

b、采集不同身高、腿长的人体行走时的关节角度值，对同一类测试者的采集值取平均值，获得人体标准的步态数据库，即关节角度与步态周期的对应关系。对不同的使用者选取相应的标准步态。步态过程中，根据数据库选取对应步态时刻的各关节转角值。同时，根据传感器检测到的数据，分析使用者及外骨骼机器人9的运动情况及步态，如出现异常，进行报警或对步态中的关节转角进行修正。

c、根据关节转角值，经运动反解计算，求解出各伺服电机21的运动情况，控制各伺服电机21按要求运动。

以髋关节和膝关节机构为例，根据运动反解方程求解电机位移。

$l_{\mathrm{\α}}=\sqrt{l_2^2-{(l_1\sin \mathrm{\α}-e)}^2}+l_1\cos \mathrm{\α}---\left(6\right)$

$l_{\mathrm{\β}}=\sqrt{l_3^2-{(l_4\sin \mathrm{\β}-e)}^2}+l_4\cos \mathrm{\β}---\left(7\right)$

其中α，β分别为通过第二步所得到的髋关节和膝关节转角，l₁、l₂、l₃、l₄、e分别为机构参数。将电机位移值输入运动控制卡19，控制伺服电机21运动。

本实施例中的外骨骼假肢结构紧凑、各关节转动范围大，能满足人体实际运动要求；采用伺服电机21驱动，控制精度高，输出力矩大；移动平台2由电机驱动轮子转动，外骨骼机器人9可自主移动，具有较高的爬坡能力和移动速度；利用移动平台2的直线运动机构调整悬挂支架1的高度，适合不同身高的人使用，在对人助行训练时，可对人体重心进行主动调整，符合人体重心运动特征；悬挂支架1上的吊带用于支撑人体躯体，防止人行走时摔倒，保证外骨骼机器人9系统的稳定性，利用肌电信号作为控制信号之一，并利用模糊神经网络对肌电信号进行实时处理，从而实现人体关节动作的预测，使外骨骼机器人9与人体同步运动，实现使用者对外骨骼机器人9的实时主动控制；利用关节角度信号和压力信号作为控制信号之一，提高了中央处理模块7的稳定性，并提高了运动生成单元动作判断的准确性；被动控制方法中人体标准的步态数据库根据不同身高、性别、体型进行分类，使生成的步态更能符合不同使用者的需求；系统具有主被动两种模式，更合理、全面的满足不同患者的需求。

Claims (10)

1.一种助行外骨骼机器人系统，包括：悬挂支架、移动平台、骨骼关节、保护套和传感器模块，其特征在于，还包括：信号采集模块、中央处理模块和运动控制模块，其中：悬挂支架固定设置于移动平台上，骨骼关节与悬挂支架相连接构成外骨骼机器人，传感器模块、信号采集模块、中央处理模块和运动控制模块依次顺序连接，通过传感器模块采集关节角度、外骨骼机器人与人的交互力以及人体肌肉肌电信号，信号采集模块进行信号调理和数模转换，中央处理模块进行动作生成与运动反解，并将动作命令传输至运动控制模块，运动控制模块与外骨骼机器人相连接并生成脉冲信号控制外骨骼机器人协调运动。

2.根据权利要求1所述的助行外骨骼机器人系统，其特征是，所述的传感器模块包括：角度传感器、压力传感器和肌电电极，其中：角度传感器和压力传感器固定设置于骨骼关节和保护套中采集传输关节角度信号和外骨骼机器人与人的交互力信号，肌电电极设置于用户皮肤表面采集人体肌肉肌电信号。

3.根据权利要求1所述的助行外骨骼机器人系统，其特征是，所述的信号采集模块包括：运算放大单元及滤波单元和高速数据采集卡，其中：运算放大单元与滤波单元通过屏蔽线与传感器模块依次连接并将采集到的原始人体肌肉肌电信号放大滤波，高速数据采集卡与传感器模块、运算放大单元及滤波单元连接以采集关节角度、外骨骼机器人与人的交互力以及经处理的人体肌电信号，并对模拟信号进行模数转换。

4.根据权利要求1所述的助行外骨骼机器人系统，其特征是，所述的中央处理模块包括：信号预处理单元、动作生成单元和运动反解单元，三个单元依次顺序连接，其中：信号预处理单元对采集到的信号进行数字滤波和数字信号调理，动作生成单元根据采集到的信号及运动控制模式生成外骨骼机器人的关节角位移和角速度，运动反解单元根据动作生成单元的关节角位移和角速度与机构几何尺寸综合得出动作命令。

5.根据权利要求1所述的助行外骨骼机器人系统，其特征是，所述的运动控制模块包括：运动控制卡、伺服驱动器和伺服电机，其中：运动控制卡接收中央处理模块输出的动作命令对伺服电机的运动进行规划并输出至伺服驱动器，伺服驱动器生成脉冲信号至伺服电机，伺服电机与外骨骼机器人相连接实现运动控制。

6.一种根据权利要求1所述的助行外骨骼机器人系统的主动控制方法，其特征在于，包括以下步骤：

第一步、通过外骨骼机器人传感器模块及信号检测模块采集人体腿部肌电信号、角度信号和压力信号，对肌电信号进行预处理；

第二步、将经过预处理的肌电信号和角度传感器的信号作为输入信号，输入至五层模糊神经网络并获得预测关节角度值；

第三步、根据预测关节角度值运动反解计算，得到伺服电机的运动情况并生成控制信号，控制各伺服电机按要求运动，实现人体关节与助行外骨骼机器人各关节同步运动。

7.根据权利要求6所述的助行外骨骼机器人系统的主动控制方法，其特征是，所述的预处理是指：

$\mathrm{RMS}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{v}_i^2};$

其中：N为采样点数量，v_i为第i个采样点电压值，取N＝256，采样间隔为500微秒。

8.根据权利要求6所述的助行外骨骼机器人系统的主动控制方法，其特征是，所述的五层模糊神经网络包括：输入层、模糊化层、模糊推理层、模糊规则输出层和去模糊化层，其中：输入层接收肌电信号、角度信号和压力信号，模糊化层通过广义钟形函数将肌电信号转换成：零值、正小值、正中值和正大值四种模糊语言变量，并将角度信号转换成：负小值、负大值、零值、正小值和正大值五种模糊语言变量，模糊推理层根据人体解剖学知识和实验结果建立神经网络的模糊规则，模糊规则输出层对模糊规则进行加权输出，去模糊化层获得预测关节角度值。

9.根据权利要求6所述的助行外骨骼机器人系统的主动控制方法，其特征是，所述的运动反解计算是指：

$l_{\mathrm{\α}}=\sqrt{l_2^2-{(l_1\sin \mathrm{\α}-e)}^2}+l_1\cos \mathrm{\α};$

$l_{\mathrm{\β}}=\sqrt{l_3^2-{(l_4\sin \mathrm{\β}-e)}^2}+l_4\cos \mathrm{\β};$

其中：α，β分别为预测关节角度值，l₁、l₂、l₃、l₄、e分别为机构参数。

10.一种根据权利要求1所述的助行外骨骼机器人系统的被动控制方法，其特征在于，包括以下步骤：

a、通过外骨骼机器人信号检测及处理系统采集人体腿部肌电信号、角度信号和压力信号，对肌电信号进行预处理；

b、采集不同身高、腿长的人体行走时的关节角度值，取平均值后获得标准步态数据库，参照当前时刻传感器模块检测到的数据，根据标准步态数据库选取对应步态时刻的各关节转角值查找使用者及外骨骼机器人当前的运动情况及步态；

c、根据关节转角值，经运动反解计算得到伺服电机的运动情况，通过使用者设定调整伺服电机的输出。

Images