CN103417315A - 一种假肢手的拟人反射控制方法 - Google Patents

Abstract

一种假肢手的拟人反射控制方法，包括以下步骤：假肢手主模式控制器负责抓起物体；根据抓取力反馈信息判断物体是否有滑动趋势或滑动；有滑动趋势或滑动时根据抓取力信号的小波变换的细节系数信息计算滑动强度和滑动强度的变化率；根据滑动强度和滑动强度的变化率，由抓握力增量模糊估计系统计算抓握力增量；有滑动趋势或滑动时反射控制器和主模式控制器共同控制假肢手迅速、平稳抓握物体。上述假肢手的拟人反射控制方法，不仅检测滑觉信息，而且根据滑动强度和滑动强度的变化率来增加握力，同时在有滑动趋势或滑动时利用了反射控制器与主模式控制器共同控制假肢手抓握，实现了被抓物体发生迅速抓稳物体而且抓取力合适不损坏物体的效果，达到了人手抓取反射控制的迅速性和平稳性的要求。此外，还提供了一种假肢手的拟人反射控制算法。

Description

一种假肢手的拟人反射控制方法

所属技术领域

本发明涉及一种假肢手的拟人反射控制方法。

技术背景

人在抓握物体时，通过神经中枢系统控制人手去抓起一个物体；当被抓物体，受到意外干扰时，人会迅速反应抓稳物体，这个过程涉及到人的反射控制与主动控制。人在感受到物体不平稳的瞬间，做出的抓稳反应是是通过人的脊髓神经控制人做出的反射动作，反射反应之后人的神经中枢参与到抓取动作中。

上肢截肢者当然希望自己使用的假肢手就像正常人手一样，但是目前假肢手的灵活性还远远低于人手，这主要受限于机构的设计和控制技术的发展。假肢手的控制技术主要包括上层控制-人机接口和底层控制。上层控制的输入信号有肌电信号(EMG)、脑电信号等，由于肌电信号的采集成本低、处理方便，现在应用最为广泛。但是人机接口的技术现在还很不成熟，生物信号目前主要用于假肢手的模式识别，由生物信号直接控制假肢手抓取的位置、速度和力还很困难。这是因为假肢手和人之间的本体感受器的缺乏。这样，底层控制对于假肢手来说尤其重要。特别是假肢手抓取的物体受到干扰或滑动时，底层控制能够快速实现抓取力的增加从而抓稳物体。

目前，假肢手的底层控制方法很多，主要是力控制策略。商业假肢手大多是单自由度的，采用的是比例控制方法；另外滑模控制、力位混合控制、自适应力控制等方法已经在实验室的假肢手上实现了。假肢手的防滑控制策略也有很多，主要存在的问题是：滑动检测的实时性；滑动检测到后假肢手该加多少力；滑动时抓稳物体所采用的控制器。现在大多研究者是通过检测到一次滑动，抓握力参考力增加一个单位力，这样很容易造成抓握力的过大或者抓稳物体的不及时性。

截肢者更多的期望像正常人手功能一样，所以实现假肢手的拟人抓取是假肢手研究的目标之一。反射运动是人手实现稳定、不破坏物体抓取的一个重要环节，人手反射抓握力是根据触滑觉感知滑动的强度和速度来实现快速反射运动。所以，对于假肢手，不仅需要判断滑动信息，还需根据滑动幅值大小及变化率来判断滑动强度，从而得到合适的抓取力增量；同时，一个合适的控制器影响到假肢手抓取反射的及时性和稳定性。

发明内容

本发明目的在于提供一种拟人的反射运动方法用于假肢手的控制，使得被抓物体受到干扰后假肢手能够迅速实现稳定、不破坏物体的抓取。

本发明解决其技术问题所采用的技术方案是：

一种假肢手的拟人反射控制方法，包括以下步骤：

假肢手主模式控制器负责抓起物体，主模式控制器可以是PID控制器、模糊控制器、滑模控制器或者其他控制器。

根据抓取力反馈信息判断物体是否有滑动趋势或滑动，对力序列进行小波变换得到细节系数，此细节系数是反应振动幅值紧密相关的量。细节系数越大，表明抓取过程中物体的振动幅值越大，此时抓取越不稳定，需要更大的抓握力，定义为滑动强度越大；细节系数越小，表明抓取过程中物体的振动幅值越小，此时定义为滑动强度越小。所以，可以根据细节系数判断被抓物体是否有滑动趋势或滑动。

有滑动趋势或滑动时根据所述小波变换的细节系数信息可计算滑动强度和滑动强度的变化率，将小波变换细节系数的绝对值均值及其变化率作为滑动强度和滑动强度的变化率。

根据滑动强度和滑动强度的变化率，由抓握力增量模糊估计系统计算抓握力增量。所述抓握力增量模糊估计系统具体是将滑动强度和滑动强度的变化率经过归一化后，输入到一个模糊逻辑系统，经过模糊化、模糊推理、解模糊化、坐标变换得到抓握力增量。

所述抓握力增量叠加到初始参考力构成抓稳参考力。

有滑动趋势或滑动时反射控制器和主模式控制器合成控制信号共同控制假肢手迅速、平稳抓握物体。反射控制器可采用模糊控制器、滑模控制器或者其他控制方法。

一种假肢手的拟人反射控制算法，包括以下步骤：

1)设定假肢手在抓握物体时，抓取初始参考力为F_d。通过安装在指节的力传感器在线实时测量抓握力的大小F，设定传感器的采样频率为f，所述假肢手控制周期为T(T＝1/f)。

2)根据所述实际抓握力与所述初始参考力的偏差e₀＝F-F_d，通过假肢手的主模式控制器(PID控制器、模糊控制器、滑模控制器或者其他控制器)抓起物体。

3)在时刻t＝kT时，取(k-N+1)T～kT时间段的N(一般为16～128)个力采样点组成力序列F[n]，n为1～N的整数，若k＜N-1，则F[k]＝0。

4)在时刻t，对所述力序列F[n]进行离散小波变换(DWT)，得到力序列F[n]的细节系数序列C_d[m]：

$C_d\left[m\right]=\underset{n}{\mathrm{\Σ}}F\left[n\right]\·h[2m-n]---\left(1\right)$

其中m为1～N/2的整数，h[n]表示半带高频带通滤波器的冲击响应。所述小波变换母小波可选Haar小波、Moret、db6等小波函数。

5)通过取一个合适的阈值c，当存在所述细节系数C_d≥c时，可判断被抓取物体在时刻t是否有滑动趋势或滑动，若有滑动趋势或滑动进入步骤6)，否则转入执行步骤3)。

6)当所述假肢手抓取的物体受到突然干扰时，即某时刻存在细节系数C_d≥c，通过所述细节系数序列C_d[m]的绝对值的均值y及其变化率y_c来衡量滑动强度和滑动强度的变化率：

$y=\frac{1}{K}\underset{m=0}{\overset{K}{\mathrm{\Σ}}}{C}_d\left[m\right]---\left(2\right)$

y_c＝dy/dt＝[y_k-y_k-1]/T                     (3)

其中，所述K为所述细节系数序列C_d[m]的元素个数，y_k-1和y_k分别表示当前时刻和上一个时刻的滑动强度，T为采样周期。

7)将所述滑动强度y及滑动强度的变化率y_c两个输入量输入到一个抓握力增量模糊估计模型，计算得到一个输出变量抓握参考力增量ΔF_d，也就是物体受到干扰时假肢手抓稳物体需要增加的抓握力。所述抓握力增量模糊估计模型主体是一个模糊逻辑系统。

所述模糊逻辑系统包括模糊化、模糊推理、解模糊化过程。所述模糊逻辑系统输入和输出语言变量可设为3～7个，对应模糊规则为9～49条，比如语言变量设置为7个：PL(很大强度或很大速度)、PM(大强度或大速度)、PS(较大强度或较大速度)、ZO(中等强度或中等速度)、NS(较小强度或较小速度)、NM(小强度或小速度)、NL(很小强度或很小速度)；所述输入变量和输出变量隶属度函数可采用标准三角形函数或者高斯函数；所述模糊推理可采用Madamni推理机制；所述解模糊化采用重心法、最大隶属度法、加权平均法或其他方法。

8)被抓物体有滑动趋势或滑动时，抓取参考力F_d(即抓握参考力)更新为F_d+ΔF_d。

9)反射控制器可采用模糊控制方法、滑模控制方法或其他控制方法，所述反射控制器和主模式控制器都基于实际力F与抓稳参考力F_d+ΔF_d的偏差e＝F-(F_d+ΔF_d)。将反射控制信号u_r叠加到主模式控制信号u_m合成为假肢手的控制信号u，输入到假肢手驱动电机控制其快速加力抓稳物体，从而实现拟人反射控制的效果。

本发明提供在被抓物体受到外界意外干扰的情况下的假肢手拟人反射控制方法防止被抓物体脱落或损坏，假肢手拟人反射控制方法的核心思想是：假肢手的主模式控制器负责抓起物体，根据抓取力反馈信息实时判断物体是否有滑动趋势或滑动；并基于离散小波变换的细节系数信息得到滑动强度和滑动强度的变化率。将所述的滑动强度与滑动强度的变化率输入到模糊逻辑系统得到抓取物体抓握力的增量。在检测到滑动趋势或滑动时，反射控制器立即起作用，并且其控制信号与主模式控制信号合成共同控制假肢手使其迅速抓稳而且不破坏物体。

附图说明

图1为本发明的假肢手的拟人反射控制方法的结构框图。

图2为本发明的滑觉检测方法的示意图。

图3为本发明的抓握力增量模糊估计系统的示意图。

图4为本发明的抓握力增量模糊系统的规则库。

图5为本发明的假肢手拟人反射控制方法的实验结果。

图6为本发明的假肢手拟人反射控制方法的实验结果抓取力局部放大图。

具体实施方式

下面结合附图对本发明做进一步描述。

参照图1，一种假肢手的拟人反射控制方法的结构简图，其构成包括：主模式控制器、滑觉检测、抓握力增量模糊估计系统和反射控制器。

主模式控制器在假肢手整个抓握过程都起作用，主模式控制器可采用PID控制器、模糊控制器、滑模控制器或者其他控制器。在没有滑动时，主模式控制器起到抓起、抓住物体的作用；在检测到滑觉信号时，主模式控制器和反射控制器共同控制假肢手抓稳物体。

滑觉检测是实时计算反馈力序列F[n]的小波变换细节系数，根据细节系数判断被抓物体是否有滑动趋势或滑动。滑觉检测作用很关键，相当于人手的感觉反馈一样。滑觉检测起到使能作用，一旦滑觉检测到后反思控制器和抓握力增量模糊估计系统就起作用，否则不起作用。

抓握力增量模糊估计系统是根据细节系数信息计算滑动强度和滑动强度的变化率，并且通过模糊系统计算出滑动力增量ΔF_d。这样保证被抓物体在有滑动趋势或滑动时，假肢手的抓握力增加不足或者过大，达到平稳抓取的效果。

反射控制器是在检测到滑觉信号时立即起作用，反射控制器可采用模糊控制器、滑模控制器或者其他控制器。反射控制器是基于抓稳参考力与实际参考力的偏差e输出控制信号u_r，与主模式控制信号u_m合成控制信号u。这样能够保证假肢手迅速抓稳物体。

参照图2，所述细节系数的具体计算过程是：将力序列F[n]通过半带高通滤波器之后经过2倍下采样——每隔一个点采样一个数据，得到细节系数序列C_d[m]。存在细节系数C_d≥c表示有滑动趋势或滑动，否则判断为无滑动。

参照图3，抓握力增量模糊估计系统的计算过程是：滑动强度y及滑动强度的变化率y_c首先经过归一化到区间[-1，1]，然后分别乘以量化因子k_e和k_r后得到模糊逻辑系统输入变量E和R。输入变量E和R经过模糊化，模糊推理和解模糊化后得到输出信号u。模糊逻辑系统输出u经过坐标变换并乘以输出量化因子k得到力增量ΔF_d。所述输入变量E、R和输出变量u隶属度函数可采用标准三角形函数或者高斯函数；所述模糊推理可采用Madamni推理机制；所述解模糊化采用重心法、最大隶属度法、加权平均法或其他方法。

参照图4，所述模糊逻辑系统输入和输出语言变量可设为3～7个，对应模糊规则为9～49条，比如语言变量设置为7个：PL(很大强度或很大速度)、PM(大强度或大速度)、PS(较大强度或较大速度)、ZO(中等强度或中等速度)、NS(较小强度或较小速度)、NM(小强度或小速度)、NL(很小强度或很小速度)。所述模糊逻辑系统的规则库，例如基本模糊规则语句为：“If E是NL与R是PL，则u_f是ZO”。规则库共有49条规则。

参照图1～图4，一种假肢手的拟人反射控制方法包括以下步骤：

1)设定假肢手在抓握物体时，抓取初始参考力为F_d。

2)通过安装在指节的力传感器在线实时测量抓握力的大小F，设定传感器的采样频率为f，所述假肢手控制周期为T(T＝1/f)。

3)根据所述实际抓握力与所述初始参考力的偏差e₀＝F-F_d，通过假肢手的主模式控制器(PID控制器、模糊控制器、滑模控制器或者其他控制器)抓起物体。

4)设定在时刻t＝kT时，取(k-N+1)T～kT时间段的N(一般为16～128)个力采样点组成力序列F[n]，n为1～N的整数，若k＜N-1，则F[k-N+1]＝0。

5)同时在时刻t，对所述力序列F[n]进行离散小波变换(DWT)，得到力序列F[n]的细节系数序列C_d[m]：

$C_d\left[m\right]=\underset{n}{\mathrm{\Σ}}F\left[n\right]\·h[2m-n]---\left(1\right)$

其中m为1～N/2的整数，h[n]表示半带高频带通滤波器的冲击响应。所述小波变换母小波可选Haar小波、Moret、db6等小波函数。

6)通过取一个合适的阈值c，当存在所述细节系数C_d≥c时，可判断被抓取物体在时刻t受到干扰有滑动趋势或滑动，否则无滑动。所述阈值c根据标准化实验获得。若有滑动趋势或滑动，进入步骤7)，否则抓入步骤4)。

7)当所述假肢手抓取的物体受到突然干扰有滑动趋势或滑动时，即某时刻存在细节系数C_d≥c，通过所述细节系数序列C_d[m]的绝对值的均值y及其变化率y_c来衡量滑动强度和滑动强度的变化率：

$y=\frac{1}{K}\underset{m=0}{\overset{K}{\mathrm{\Σ}}}{C}_d\left[m\right]---\left(2\right)$

y_c＝dy/dt＝[y_k-y_k-1]/T                             (3)

其中，所述K为所述细节系数序列C_d[m]的元素个数，y_k-1和y_k分别表示当前时刻和上一个时刻的滑动强度，T为采样周期。

8)将所述滑动强度y及滑动强度的变化率y_c两个输入量输入到一个抓握力增量模糊估计系统，计算得到一个输出变量抓握参考力增量ΔF_d，也就是物体受到干扰时假肢手抓稳物体需要增加的抓握力。

所述抓握力增量模糊估计系统包括归一化、模糊逻辑系统和坐标变换过程。所述模糊逻辑系统输入和输出语言变量可设为3～7个，对应模糊规则为9～49条，比如语言变量设置为7个：PL(很大强度或很大速度)、PM(大强度或大速度)、PS(较大强度或较大速度)、ZO(中等强度或中等速度)、NS(较小强度或较小速度)、NM(小强度或小速度)、NL(很小强度或很小速度)；所述输入变量E、R和输出变量u隶属度函数可采用标准三角形函数或者高斯函数；所述模糊推理可采用Madamni推理机制；所述解模糊化采用重心法、最大隶属度法、加权平均法或其他方法。

9)被抓物体有滑动趋势或滑动时，抓取参考力F_d(即抓握参考力)更新为F_d+ΔF_d。

10)设计反射控制器，反射控制器可采用模糊控制方法、滑模控制方法或其他控制方法，所述反射控制器和主模式控制器都基于实际力F与抓稳参考力F_d+ΔF_d的偏差e＝F-(F_d+ΔF_d)。将反射控制信号u_r叠加到主模式控制信号u_m合成假肢手的控制信号u，输入到假肢手电机控制其快速加力抓稳物体，从而实现拟人反射控制的效果。

参照图5和图6，为了验证上述提出的假肢手的拟人反射控制方法的有效性，搭建了假肢手的拟人反射控制抓握实验平台，该假肢手为直流电机驱动的单自由度假肢手，拇指和食指通过耦合杆的连接实现张开和闭合。选取软纸杯作为假肢手的抓握对象，在抓取平稳后，通过突然在软纸杯中丢入100g砝码造成外界干扰导致软纸杯有滑动趋势或滑动，以检测假肢手的拟人反射的有效性。实验中，主模式控制器和反射控制器均采用模糊控制器。实验结果如图5和图6所示，假肢手在2.5s时接触到纸杯，初始抓取参考力为0.8N，假肢手主模式控制器控制效果良好；在10s作用纸杯中加入砝码，通过图6的局部放大图可以看出，滑动检测迅速，约70ms；抓握力增量模糊估计系统输出的抓握力增量ΔF_d为0.7N；假肢手的拟人反射控制器的在检测到滑动时响应时间约为150ms；抓握力控制效果良好，抓握物体迅速、平稳。结果表明，假肢手的拟人反射控制方法，不仅弄够实现被抓物体滑动时迅速及时的增加抓握力，而且能够根据滑动强度和滑动强度的变化率增加合适的抓握力，不破坏被抓物体；假肢手的拟人反射控制方法实现了被抓物体有滑动趋势或滑动时，迅速抓稳而且不破坏物体的拟人反射控制要求。

Claims (10)

1.一种假肢手的拟人反射控制方法，其特征在于：所述假肢手的拟人控制方法包括以下步骤：假肢手主模式控制器负责抓起物体；

根据抓取力反馈信息判断物体是否有滑动趋势或滑动；

有滑动趋势或滑动时，根据抓取力信号的小波变换的细节系数信息计算滑动强度和滑动强度的变化率；

根据滑动强度和滑动强度的变化率，由抓握力增量模糊估计系统计算抓握力增量；

有滑动趋势或滑动时，反射控制器和主模式控制器合成控制信号共同控制假肢手迅速、平稳抓握物体。

2.根据权利要求1所述的假肢手拟人反射控制方法，其特征在于，假肢手指节需安装力传感器，实时反馈力信息。

3.根据权利要求1所述的假肢手拟人反射控制方法，其特征在于，基于实际力与初始参考力偏差，主模式控制器控制假肢手的基本抓握动作。

4.根据权利要求1所述的假肢手拟人反射控制方法，其特征在于，根据力反馈信息在线判断是否有滑动趋势或滑动。

5.根据权利要求4所述的假肢手拟人反射控制方法，其特征在于，实时计算反馈力序列的小波变换细节系数，根据细节系数判断被抓物体是否有滑动趋势或滑动。

6.根据权利要求1所述的假肢手拟人反射控制方法，其特征在于，有滑动趋势或滑动时计算反馈力序列的小波变换细节系数的绝对值均值及其变换率作为滑动强度和滑动强度的变化率。

7.根据权利要求1所述的假肢手拟人反射控制方法，其特征在于，有滑动趋势或滑动时所述滑动强度和滑动强度的变化率经过归一化后，输入到模糊逻辑系统，经过模糊化、模糊推理、解模糊化和坐标变换得到抓握力增量。

8.根据权利要求7所述的假肢手拟人反射控制方法，其特征在于，所述抓握力增量叠加到初始参考力构成抓稳参考力。

9.根据权利要求1所述的假肢手拟人反射控制方法，其特征在于，有滑动趋势或滑动时所述反射控制器和主模式控制器合成控制信号共同控制假肢手迅速平稳抓握物体。

10.根据权利要求1所述的假肢手拟人反射控制方法，一种假肢手的拟人反射控制算法，包括以下步骤：

1)设定假肢手在抓握物体时，抓取初始参考力为F_d。通过安装在指节的力传感器在线实时测量抓握力的大小F，设定传感器的采样频率为f，所述假肢手控制周期为T(T＝1/f)。

2)根据所述实际抓握力与所述初始参考力的偏差e₀＝F-F_d，通过假肢手的主模式控制器(PID控制器、模糊控制器、滑模控制器或者其他控制器)抓起物体。

3)在时刻t＝kT时，取(k-N+1)T～kT时间段的N(一般为16～128)个力采样点组成力序列F[n]，n为1～N的整数，若k＜N-1，则F[k]＝0。

4)在时刻t，对所述力序列F[n]进行离散小波变换(DWT)，得到力序列F[n]的高频细节系数序列C_d[m]：

$C_d\left[m\right]=\underset{n}{\mathrm{\Σ}}F\left[n\right]\·h[2m-n]---\left(1\right)$

其中m为1～N/2的整数，h[n]表示半带高频带通滤波器的冲击响应。所述小波变换母小波可选Haar小波、Moret、db6等小波函数。

5)通过取一个合适的阈值c，当存在所述高频细节系数C_d≥c时，可判断被抓取物体在时刻t是否有滑动趋势或滑动，若有滑动趋势或滑动进入步骤6)，否则转入执行步骤3)。

6)当所述假肢手抓取的物体受到突然干扰时，即某时刻存在细节系数C_d≥c，通过所述细节系数序列C_d[m]的绝对值的均值y及其变化率y_c来衡量滑动强度和滑动强度的变化率：

$y=\frac{1}{K}\underset{m=0}{\overset{K}{\mathrm{\Σ}}}{C}_d\left[m\right]---\left(2\right)$

y_c＝dy/dt＝[y_k-y_k-1]/T                      (3)

其中，所述K为所述细节系数序列C_d[m]的元素个数，y_k-1和y_k分别表示当前时刻和上一个时刻的滑动强度，T为采样周期。

7)将所述滑动强度y及滑动强度的变化率y_c两个输入量输入到一个抓握力增量模糊估计系统，计算得到一个输出变量抓握参考力增量ΔF_d，也就是物体受到干扰时假肢手抓稳物体需要增加的抓握力。

所述抓握力增量模糊估计系统包括归一化、模糊逻辑系统和坐标变换过程。所述模糊逻辑系统包括模糊化、模糊推理、解模糊化过程。所述模糊逻辑系统输入和输出语言变量可设为3～7个，对应模糊规则为9～49条；所述输入变量和输出变量隶属度函数可采用标准三角形函数或者高斯函数；所述模糊推理可采用Madamni推理机制；所述解模糊化采用重心法、最大隶属度法、加权平均法或其他方法。

8)被抓物体有滑动趋势或滑动时，抓取参考力F_d(即抓握参考力)更新为F_d+ΔF_d。

9)反射控制器可采用模糊控制方法、滑模控制方法或其他控制方法，所述反射控制器和主模式控制器都基于实际力F与抓稳参考力F_d+ΔF_d的偏差e＝F-(F_d+ΔF_d)。将反射控制信号u_r叠加到主模式控制信号u_m合成为假肢手的控制信号u，输入到假肢手驱动电机控制其快速加力抓稳物体，从而实现拟人反射控制的效果。

10)转入步骤3)，直到算法被终止执行。

Images