CN105824250B - 基于小脑模型的仿生手臂控制系统及小脑模型建模方法 - Google Patents
基于小脑模型的仿生手臂控制系统及小脑模型建模方法 Download PDFInfo
- Publication number
- CN105824250B CN105824250B CN201610319716.7A CN201610319716A CN105824250B CN 105824250 B CN105824250 B CN 105824250B CN 201610319716 A CN201610319716 A CN 201610319716A CN 105824250 B CN105824250 B CN 105824250B
- Authority
- CN
- China
- Prior art keywords
- module
- value
- arm
- sub
- indicate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Abstract
本发明属于生物信息系统建模与仿生控制技术领域,一种基于小脑模型的仿生手臂控制系统及小脑模型建模方法,其中,所述一种基于小脑模型的仿生手臂控制系统,包括人机交互模块、储存器、命令产生模块和仿生手臂运动控制模块,所述人机交互模块、储存器、命令产生模块和仿生手臂运动控制模块依次相连,此外,所述命令产生模块还分别与储存器及仿生手臂运动控制模块相连,所述仿生手臂运动控制模块还分别与人机交互模块及储存器相连;本发明不仅具有良好的人机交互功能,而且,可以实现对手臂相对准确的控制。本发明将小脑建模控制与Phantom Omni力反馈器相结合,使被控手臂不再局限于仿真模型,为进一步建立真实小脑控制手臂运动的模型奠定基础。
Description
技术领域
本发明涉及一种基于小脑模型的仿生手臂控制系统及小脑模型建模方法,属于生物信息系统建模与仿生控制技术领域。
背景技术
人的小脑位于大脑半球后方,覆盖在脑桥及延髓之上,横跨在中脑和延髓之间,具有协调运动的功能。在感觉运动系统中,小脑不仅接收大脑皮层的运动命令传递给脊髓肌肉系统,同时也会接收本体感受器的反馈信息,对部分运动命令进行调整。当由于自身基因、蛋白质病变或某种外部因素使小脑受损后,患者无法有效利用来自大脑皮层和外周神经的信息来协调运动,就会导致产生随意运动协调性紊乱的症状,表现为测距不准、站立不稳、步履蹒跚等现象,称为小脑共济失调(Cerebellar Ataxia)。在临床工作中小脑共济失调的病历并不少见,患者的日常生活受到了严重的影响。目前医学研究虽然已经能在细胞及分子水平上识别许多与小脑共济失调相关的基因和蛋白质,但这种功能障碍的神经环路传播机理尚不完全明确,缺乏从仿生学和控制学角度通过建模方法对运动命令传播过程进行形式化描述。因此在神经解剖学和神经生理学的基础上建立小脑模型是解决该问题的关键,并在此基础上建立基于小脑模型的仿生手臂控制系统,通过采集患者数据并输入到系统中进行分析,可以为小脑性共济失调患者提供一种新的辅助分析和诊断方法。
小脑对运动的调整十分重要,关于小脑的这种功能是如何融合到现实的运动控制和系统学习中是国际上认知领域的一个研究热点。围绕这个问题,多年来包括生物学家、神经生理学家以及控制理论家在内的学者们进行了相关的探索,建立了多种小脑模型,如Albus的小脑皮层非匀质结构模型以及在此理论基础上建立的小脑关联控制器;Fujita等人指出苔藓纤维是将动态时变信号传递至小脑,提出自适应滤波器的小脑内部模型等。然而,现有的小脑模型大多可以以“黑箱结构”来比拟,突出小脑与感受器的相互作用,忽略、简化了小脑内部的诸多结构,不能充分体现小脑本身的特性;同时,现有的基于小脑模型的手臂运动控制系统中使用的是仅具有仿真意义的简单手臂模型,仅能够检验小脑模型的某些特定的控制效果,难以满足应用的要求。因此,需要在神经解剖学和神经生理学的基础上,从控制学的角度致力于模拟和复制小脑功能,建立新型小脑模型,并在此基础上搭建仿生手臂控制系统,为小脑共济失调患者提供新的辅助分析和诊断技术。
发明内容
为了克服现有技术存的问题,本发明目的是提供一种基于小脑模型的仿生手臂控制系统及小脑模型建模方法。该系统由基于神经解剖学和神经生理学特征的小脑模型来控制,不仅具有良好的人机交互功能,而且,可以实现对手臂相对准确的控制。该系统所具有学习记忆的能力,不仅可以对未知动作命令进行自我学习,储存其相关控制命令信息,更可以实现对已学动作的控制命令的快速调用。由于在小脑建模时参考了大量的生理解剖学知识,从而克服了现存的许多小脑建模方法着重追求控制效果而忽略其本身特性的弊端。本发明首次将小脑建模控制与Phantom Omni力反馈器相结合,使被控手臂不再局限于仿真模型,可以更好地模拟手臂运动的真实情形,为进一步建立个性化小脑共济失调训练康复力反馈系统奠定了基础。
为了实现上述发明目的,解决现有技术中所存在的问题,本发明采取的技术方案是:一种基于小脑模型的仿生手臂控制系统,包括人机交互模块、储存器、命令产生模块和仿生手臂运动控制模块,所述人机交互模块、储存器、命令产生模块和仿生手臂运动控制模块依次相连,此外,所述命令产生模块还分别与储存器及仿生手臂运动控制模块相连,所述仿生手臂运动控制模块还分别与人机交互模块及储存器相连;所述命令产生模块,包括小脑模块、命令转换模块和学习模块,除此之外,还包括命令产生模块与外部连接的第1、2输入端、第1、2输出端四个接口,其中,命令产生模块与外部接口的第1输入端、小脑模块、命令转换模块及命令产生模块与外部接口的第2输出端依次相连,所述命令转换模块还分别与学习模块及命令产生模块与外部接口的第1输出端相连,所述学习模块还分别与小脑模块及命令产生模块与外部接口的第2输入端相连;所述仿生手臂运动控制模块,包括仿生手臂运动控制模块与外部连接的输入端、输出端二个接口、仿真手臂模块、数据采集模块、软件控制平台及Phantom Omni力反馈器,其中,仿生手臂运动控制模块与外部接口的输入端与仿真手臂模块输入端相连,仿真手臂模块输出端分别与数据采集模块及仿生手臂运动控制模块与外部接口的输出端相连,所述数据采集模块还与软件控制平台、Phantom Omni力反馈器及仿生手臂运动控制模块与外部接口的输出端依次相连。
所述一种基于小脑模型的仿生手臂控制系统中的小脑模型建模方法,包括以下步骤:
步骤A、建立小脑模型的基本结构,由于小脑皮层具有匀质结构特性,因此,可以使用具有相同结构的基本单元的阵列对小脑进行建模,每个基本单元接收相同的用户指令信息输入,随后进入步骤B;
步骤B、计算各个基本单元中传递目标位置信息和传递本体感受信息的平行纤维的状态,根据用户输入的手臂末端起始位置和期望终止位置的指令信息,计算各个基本单元中传递目标位置信息和传递本体感受信息的平行纤维的状态,具体包括以下子步骤:
子步骤B1、根据期望的手臂运动终点的位置坐标,利用小脑模型控制器,即CMAC二维稀疏编码方法来确定第m个基本单元中传递目标位置信息的平行纤维的状态,即xmi的取值,其值具有二值性,用“0”表示抑制状态,“1”表示激活状态,在当次指令执行过程中一旦确定便不再改变;其中,m=1,2,…,16,i=1,2,…8;
子步骤B2、根据学习模块接收的仿真手臂相关信息和命令转换关系,利用公式(1),计算在t时刻,第m个基本单元中传递本体感受信息的平行纤维的状态pm(t),这里t=1,2,3,…为整数。
令表示第m个基本单元对应的命令转换模块中的关节角度调整向量,且为常向量;其中,εm表示上臂与竖直方向夹角的调整值,表示下臂与水平方向夹角的调整值,则表示t时刻时仿真手臂的关节角度向量,α(t)分别表示上臂与竖直方向夹角,β(t)表示下臂与水平方向的夹角,其初始值由用户指定,函数g(x)的定义为,
然后进入步骤C;
步骤C、计算各个基本单元的输出,从而得到小脑模块输出命令,具体包括以下子步骤:
子步骤C1、计算第m个基本单元的网状结构输出,即此基本单元中各个浦肯野细胞的状态ymj,j=1,2,…12,ymj的值随时间改变,具体包括以下子步骤:
子步骤C11、利用公式(3)计算第m个基本单元中第j个浦肯野细胞在t时刻的膜电位值smj(t),
式中,wmij表示第i条传递目标位置信息的平行纤维与第j个浦肯野细胞形成的突触的记忆权值,由于该类突触为小脑学习记忆的载体,因此wmij设为可调,其初始值设为1,小脑模块的输出通过调整其值大小来改变;pm(t)为传递本体感受信息的平行纤维的状态;wpmj表示传递本体感受信息的平行纤维与第j个浦肯野细胞形成的突触的权值,wbmj表示篮细胞与第j个浦肯野细胞形成的突触的权值,由于篮细胞对浦肯野细胞产生抑制作用,因此其值为负值,以上两权值均为固定值,分别设为0.2和-1,bm表示篮细胞的状态值,篮细胞在执行过程中始终保持激发状态,因此其值恒定为1;
子步骤C12、浦肯野细胞状态具有二值性,用“0”表示抑制状态,“1”表示激活状态,结合子步骤C11公式(3)计算得到的smj(t),利用公式(4)、(5)、(6)计算在t时刻时第m个基本单元中第j个浦肯野细胞的状态,
对于起始时刻t=1,
当t>1时,ymj(t)与上一时刻ymj(t-1)的值相关,对于ymj(t-1)=0的情况,赋值方法为,
而对于ymj(t-1)=1的情况,ymj(t)将依概率取值为0或1,
其中,smj(t)表示在t时刻的浦肯野细胞的膜电位值,φ、η分别为浦肯野细胞膜电位的去极化和复极化的阈值,为固定常数,且φ>η;函数pro(x)表示x发生的概率,具体说明如下,当pro(ymj(t)=0)=0.2,则ymj(t)以0.2的概率赋值为0,而以0.8的概率赋值为1;
子步骤C2、根据反馈环路,即loop的状态,计算各个基本单元输出,loop具有两种状态,即on与off状态,当小脑模块接收用户运动指令时,loop由off转变为on状态,当基本单元中的浦肯野细胞处于激活状态的数量达到总数量的90%时,loop由on转变为off状态,根据loop不同状态,利用公式(7)计算得到第m个基本单元的输出命令Om(t),
式中,γ为命令调整系数,设为常数;ymj(t)为在t时刻时第m个基本单元中第j个浦肯野细胞的状态;则在t时刻小脑模块的输出命令为O(t)=[O1(t),O2(t),…O16(t)],若O(t)为零向量,则执行步骤D,即完成一次小脑模块命令的输出,否则执行子步骤C3;
子步骤C3、计算当前小脑模块记忆信息对应的控制命令输出,具体包括以下子步骤:
子步骤C31、根据权值调整公式(8),调整第m个基本单元在t+1时刻的传递目标位置信息的平行纤维和浦肯野细胞形成的突触权值wmij(t+1)的大小,
式中,λ为调整系数,设为常数;ymj(t)为在t时刻时第m个基本单元中第j个浦肯野细胞的状态;xmi表示传递目标位置信息的平行纤维的状态值;Δwmij(t)为在t时刻时传递目标位置信息的平行纤维和浦肯野细胞形成的突触权值的变化值;wmij(t)表示在t时刻时传递目标位置信息的平行纤维和浦肯野细胞形成的突触权值的大小;
子步骤C32、根据t时刻的小脑模块输出命令O(t)和命令转换模块中的关节角度调整矩阵利用公式(9)计算t+1时刻仿真手臂的关节角度向量
式中,表示表示t时刻时仿真手臂的关节角度向量,α(t)分别表示上臂与竖直方向夹角,β(t)表示下臂与水平方向的夹角;表示在t时刻时小脑输出命令控制手臂关节调整的角度值,Δα(t)表示上臂与竖直方向的角度调整值,Δβ(t)表示下臂与水平方向的角度调整值;
子步骤C33、根据此时的仿真手臂关节角度信息,重复执行子步骤B2;
步骤D、执行小脑模块学习功能,根据用户指令调整小脑模块命令输出,具体包括以下子步骤:
子步骤D1、在完成步骤C之后,根据仿真手臂停止位置的关节角度信息利用公式(10)计算Phantom Omni仿真手臂在笛卡尔空间上的位置信息(x,y,z),
其中,L1表示上臂长度,L2表示其下臂长度,θ1和θ2分别为俯视Phantom Omni时,上臂与地平面之间的夹角和下臂与地垂线之间的夹角,θ3为与地面平行的旋转平面上的旋转角度,在此,设定θ3=0,然后计算仿真手臂位置信息与用户设定的期望位置的偏差Δx及其模值||Δx||,如果||Δx||小于仿真手臂坐标空间的单位长度的0.5倍,则建模完成,否则执行子步骤D2;
子步骤D2、根据公式(10)表示的仿真手臂的关节角度与位置的关系,计算其雅克比矩阵J,再利用公式(11)计算关节调整角度Δθ,
Δθ=J-1·Δx (11)
其中,Δx表示仿真手臂位置信息与用户设定的期望位置的偏差;
子步骤D3、根据Δθ确定第m个基本单元中攀爬纤维的状态值cm(n),n为学习次数,初始值为1,具体包括以下子步骤:
子步骤D31、根据公式(12)计算第m个基本单元对应的攀爬纤维的激发概率ρm,
式中,σm表示相应的命令转换模块中的关节角度调整向量与关节调整角度Δθ之间的夹角;
子步骤D32、将小于0.5的ρm的值重置为0,调整之后攀爬纤维的激发概率设为ρm',根据公式(13),确定cm(n)的取值,
pro(cm(n)=1)=ρm' (13)
其中,函数pro(x)表示x发生的概率;
子步骤D4、根据公式(14),对小脑模块第m个基本单元中的每个平行纤维和浦肯野细胞的初始权值wmij(1)进行调整,
式中,μ表示学习系数,为常数,cm(n)第m个基本单元中在n次学习后攀爬纤维的状态值,xmi表示传递目标位置信息的平行纤维的状态值,Δwmij(1)表示传递目标位置信息的平行纤维和浦肯野细胞形成突触权值的初值变化值;
子步骤D5、将仿真手臂恢复到初始位置,将t重置为1,学习次数为n+1,执行子步骤B2。
本发明有益效果是:一种基于小脑模型的仿生手臂控制系统及小脑模型建模方法,其中,所述一种基于小脑模型的仿生手臂控制系统,包括人机交互模块、储存器、命令产生模块和仿生手臂运动控制模块,所述人机交互模块、储存器、命令产生模块和仿生手臂运动控制模块依次相连,此外,所述命令产生模块还分别与储存器及仿生手臂运动控制模块相连,所述仿生手臂运动控制模块还分别与人机交互模块及储存器相连;所述一种基于小脑模型的仿生手臂控制系统中的小脑模型建模方法,包括以下步骤:(1)建立小脑模型的基本结构,(2)计算各个基本单元中传递目标位置信息和传递本体感受信息的平行纤维的状态,(3)计算各个基本单元的输出,从而得到小脑模块输出命令,(4)执行小脑模块学习功能,根据用户指令调整小脑模块命令输出。与已有技术相比,本发明不仅具有良好的人机交互功能,而且,可以实现对手臂相对准确的控制。该系统所具有学习记忆的能力,不仅可以对未知动作命令进行自我学习,储存其相关控制命令信息,更可以实现对已学动作的控制命令的快速调用。由于在小脑建模时参考了大量的生理解剖学知识,因此能克服现存的许多小脑建模方法着重追求控制效果而忽略其本身特性的弊端。本发明首次将小脑建模控制与Phantom Omni力反馈器相结合,使被控手臂不再局限于仿真模型,并且,Phantom Omni力反馈器所具有的独特的力反馈功能可以更好地模拟手臂运动的真实情形,为进一步建立真实小脑控制手臂运动的模型奠定基础。
附图说明
图1是本发明一种基于小脑模型的仿生手臂控制系统总体框图。
图2是本发明一种基于小脑模型的仿生手臂控制系统中的命令产生模块框图。
图3是本发明一种基于小脑模型的仿生手臂控制系统中的仿生手臂运动控制模块框图。
图4是本发明一种基于小脑模型的仿生手臂控制系统中的命令产生模块中小脑模块结构框图。
图5是小脑模块中的基本单元框图。
图6是仿真手臂示意图。
图7是软件平台控制流程图。
图8是本发明中小脑模型建模方法步骤流程图。
图9和图10是本发明系统针对不同用户指令控制仿真手臂运动的末端轨迹图。图中“+”代表起始位置,“*”代表期望目标位置。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,一种基于小脑模型的仿生手臂控制系统,包括人机交互模块、储存器、命令产生模块和仿生手臂运动控制模块,所述人机交互模块、储存器、命令产生模块和仿生手臂运动控制模块依次相连,此外,所述命令产生模块还分别与储存器及仿生手臂运动控制模块相连,所述仿生手臂运动控制模块还分别与人机交互模块及储存器相连。
如图2所示,命令产生模块,包括小脑模块、命令转换模块和学习模块,除此之外,还包括命令产生模块与外部连接的第1、2输入端、第1、2输出端四个接口,其中,命令产生模块与外部接口的第1输入端、小脑模块、命令转换模块及命令产生模块与外部接口的第2输出端依次相连,所述命令转换模块还分别与学习模块及命令产生模块与外部接口的第1输出端相连,所述学习模块还分别与小脑模块及命令产生模块与外部接口的第2输入端相连。
如图3所示,仿生手臂运动控制模块,包括仿生手臂运动控制模块与外部连接的输入端、输出端二个接口、仿真手臂模块、数据采集模块、软件控制平台及Phantom Omni力反馈器,其中,仿生手臂运动控制模块与外部接口的输入端与仿真手臂模块输入端相连,仿真手臂模块输出端分别与数据采集模块及仿生手臂运动控制模块与外部接口的输出端相连,所述数据采集模块还与软件控制平台、Phantom Omni力反馈器及仿生手臂运动控制模块与外部接口的输出端依次相连。
Phantom Omni运动控制系统具体工作原理为:仿真手臂模块接收小脑模块产生的与用户指令相应的控制命令,控制仿真手臂运动;通过数据采集模块采集部分仿真手臂末端运动轨迹信息,将信息传递给软件控制平台,并利用公式(15)完成对Phantom Omni力反馈器的运动控制:
其中,d表示位移,F表示Phantom Omni产生的力,v表示手臂速度,R代表设定的阻尼,K表示设定的刚度。
一种基于小脑模型的仿生手臂控制系统中的小脑模型建模方法,包括以下步骤:
步骤A、建立小脑模型的基本结构,由于小脑皮层具有匀质结构特性,因此,可以使用具有相同结构的基本单元的阵列对小脑进行建模,每个基本单元接收相同的用户指令信息输入,随后进入步骤B;
步骤B、计算各个基本单元中传递目标位置信息和传递本体感受信息的平行纤维的状态,根据用户输入的手臂末端起始位置和期望终止位置的指令信息,计算各个基本单元中传递目标位置信息和传递本体感受信息的平行纤维的状态,具体包括以下子步骤:
子步骤B1、根据期望的手臂运动终点的位置坐标,利用小脑模型控制器,即CMAC二维稀疏编码方法来确定第m个基本单元中传递目标位置信息的平行纤维的状态,即xmi的取值,其值具有二值性,用“0”表示抑制状态,“1”表示激活状态,在当次指令执行过程中一旦确定便不再改变;其中,m=1,2,…,16,i=1,2,…8;
子步骤B2、根据学习模块接收的仿真手臂相关信息和命令转换关系,利用公式(1),计算在t时刻,第m个基本单元中传递本体感受信息的平行纤维的状态pm(t),这里t=1,2,3,…为整数。
令表示第m个基本单元对应的命令转换模块中的关节角度调整向量,且为常向量;其中,εm表示上臂与竖直方向夹角的调整值,表示下臂与水平方向夹角的调整值,则表示t时刻时仿真手臂的关节角度向量,α(t)分别表示上臂与竖直方向夹角,β(t)表示下臂与水平方向的夹角,其初始值由用户指定,函数g(x)的定义为,
然后进入步骤C;
步骤C、计算各个基本单元的输出,从而得到小脑模块输出命令,具体包括以下子步骤:
子步骤C1、计算第m个基本单元的网状结构输出,即此基本单元中各个浦肯野细胞的状态ymj,j=1,2,…12,ymj的值随时间改变,具体包括以下子步骤:
子步骤C11、利用公式(3)计算第m个基本单元中第j个浦肯野细胞在t时刻的膜电位值smj(t),
式中,wmij表示第i条传递目标位置信息的平行纤维与第j个浦肯野细胞形成的突触的记忆权值,由于该类突触为小脑学习记忆的载体,因此wmij设为可调,其初始值设为1,小脑模块的输出通过调整其值大小来改变;pm(t)为传递本体感受信息的平行纤维的状态;wpmj表示传递本体感受信息的平行纤维与第j个浦肯野细胞形成的突触的权值,wbmj表示篮细胞与第j个浦肯野细胞形成的突触的权值,由于篮细胞对浦肯野细胞产生抑制作用,因此其值为负值,以上两权值均为固定值,分别设为0.2和-1,bm表示篮细胞的状态值,篮细胞在执行过程中始终保持激发状态,因此其值恒定为1;
子步骤C12、浦肯野细胞状态具有二值性,用“0”表示抑制状态,“1”表示激活状态,结合子步骤C11公式(3)计算得到的smj(t),利用公式(4)、(5)、(6)计算在t时刻时第m个基本单元中第j个浦肯野细胞的状态,
对于起始时刻t=1,
当t>1时,ymj(t)与上一时刻ymj(t-1)的值相关,对于ymj(t-1)=0的情况,赋值方法为,
而对于ymj(t-1)=1的情况,ymj(t)将依概率取值为0或1,
其中,smj(t)表示在t时刻的浦肯野细胞的膜电位值,φ、η分别为浦肯野细胞膜电位的去极化和复极化的阈值,为固定常数,且φ>η;函数pro(x)表示x发生的概率,具体说明如下,当pro(ymj(t)=0)=0.2,则ymj(t)以0.2的概率赋值为0,而以0.8的概率赋值为1;
子步骤C2、根据反馈环路,即loop的状态,计算各个基本单元输出,loop具有两种状态,即on与off状态,当小脑模块接收用户运动指令时,loop由off转变为on状态,当基本单元中的浦肯野细胞处于激活状态的数量达到总数量的90%时,loop由on转变为off状态,根据loop不同状态,利用公式(7)计算得到第m个基本单元的输出命令Om(t),
式中,γ为命令调整系数,设为常数;ymj(t)为在t时刻时第m个基本单元中第j个浦肯野细胞的状态;则在t时刻小脑模块的输出命令为O(t)=[O1(t),O2(t),…O16(t)],若O(t)为零向量,则执行步骤D,即完成一次小脑模块命令的输出,否则执行子步骤C3;
子步骤C3、计算当前小脑模块记忆信息对应的控制命令输出,具体包括以下子步骤:
子步骤C31、根据权值调整公式(8),调整第m个基本单元在t+1时刻的传递目标位置信息的平行纤维和浦肯野细胞形成的突触权值wmij(t+1)的大小,
式中,λ为调整系数,设为常数;ymj(t)为在t时刻时第m个基本单元中第j个浦肯野细胞的状态;xmi表示传递目标位置信息的平行纤维的状态值;Δwmij(t)为在t时刻时传递目标位置信息的平行纤维和浦肯野细胞形成的突触权值的变化值;wmij(t)表示在t时刻时传递目标位置信息的平行纤维和浦肯野细胞形成的突触权值的大小;
子步骤C32、根据t时刻的小脑模块输出命令O(t)和命令转换模块中的关节角度调整矩阵利用公式(9)计算t+1时刻仿真手臂的关节角度向量
式中,表示表示t时刻时仿真手臂的关节角度向量,α(t)分别表示上臂与竖直方向夹角,β(t)表示下臂与水平方向的夹角;表示在t时刻时小脑输出命令控制手臂关节调整的角度值,Δα(t)表示上臂与竖直方向的角度调整值,Δβ(t)表示下臂与水平方向的角度调整值;
子步骤C33、根据此时的仿真手臂关节角度信息,重复执行子步骤B2;
步骤D、执行小脑模块学习功能,根据用户指令调整小脑模块命令输出,具体包括以下子步骤:
子步骤D1、在完成步骤C之后,根据仿真手臂停止位置的关节角度信息利用公式(10)计算Phantom Omni仿真手臂在笛卡尔空间上的位置信息(x,y,z),
其中,L1表示上臂长度,L2表示其下臂长度,θ1和θ2分别为俯视Phantom Omni时,上臂与地平面之间的夹角和下臂与地垂线之间的夹角,θ3为与地面平行的旋转平面上的旋转角度,在此,设定θ3=0,然后计算仿真手臂位置信息与用户设定的期望位置的偏差Δx及其模值||Δx||,如果||Δx||小于仿真手臂坐标空间的单位长度的0.5倍,则建模完成,否则执行子步骤D2;
子步骤D2、根据公式(10)表示的仿真手臂的关节角度与位置的关系,计算其雅克比矩阵J,再利用公式(11)计算关节调整角度Δθ,
Δθ=J-1·Δx (11)
其中,Δx表示仿真手臂位置信息与用户设定的期望位置的偏差;
子步骤D3、根据Δθ确定第m个基本单元中攀爬纤维的状态值cm(n),n为学习次数,初始值为1,具体包括以下子步骤:
子步骤D31、根据公式(12)计算第m个基本单元对应的攀爬纤维的激发概率ρm,
式中,σm表示相应的命令转换模块中的关节角度调整向量与关节调整角度Δθ之间的夹角;
子步骤D32、将小于0.5的ρm的值重置为0,调整之后攀爬纤维的激发概率设为ρm',根据公式(13),确定cm(n)的取值,
pro(cm(n)=1)=ρm' (13)
其中,函数pro(x)表示x发生的概率;
子步骤D4、根据公式(14),对小脑模块第m个基本单元中的每个平行纤维和浦肯野细胞的初始权值wmij(1)进行调整,
式中,μ表示学习系数,为常数,cm(n)第m个基本单元中在n次学习后攀爬纤维的状态值,xmi表示传递目标位置信息的平行纤维的状态值,Δwmij(1)表示传递目标位置信息的平行纤维和浦肯野细胞形成突触权值的初值变化值;
子步骤D5、将仿真手臂恢复到初始位置,将t重置为1,学习次数为n+1,执行子步骤B2。
本发明基于小脑模型的仿生手臂控制系统执行过程,具体包括以下步骤:
步骤1、启动系统,用户通过人机交互模块向系统中输入控制手臂的指令信息。
步骤2、系统根据用户输入信息进行存储器检索,如果储存器中已存在当前用户指令的小脑控制命令信息,则直接执行步骤4,否则,为当前指令申请新的存储空间,然后执行步骤3。
步骤3、将用户的指令输入到命令产生模块,并根据小脑模型建模方法完成对小脑模块的建模。然后,将小脑模块的输出经过命令转换模块输出到储存器中新申请的存储空间保存,同时将控制命令输出到仿生手臂运动控制模块。
步骤4、仿生手臂运动控制模块根据系统的输入信息通过仿真手臂模块模拟Phantom Omni设备运动,并通过数据采集模块采集仿真手臂运动信息,然后通过软件平台完成对Phantom Omni设备控制任务。
步骤5、将仿真手臂轨迹图像和Phantom Omni设备的位置坐标输出到人机交互模块进行显示,则系统的一次指令执行过程结束。
Claims (2)
1.一种基于小脑模型的仿生手臂控制系统,包括人机交互模块、储存器、命令产生模块和仿生手臂运动控制模块,其特征在于:所述人机交互模块、储存器、命令产生模块和仿生手臂运动控制模块依次相连,此外,所述命令产生模块还分别与储存器及仿生手臂运动控制模块相连,所述仿生手臂运动控制模块还分别与人机交互模块及储存器相连;所述命令产生模块,包括小脑模块、命令转换模块和学习模块,除此之外,还包括命令产生模块与外部连接的第1、2输入端、第1、2输出端四个接口,其中,命令产生模块与外部接口的第1输入端、小脑模块、命令转换模块及命令产生模块与外部接口的第2输出端依次相连,所述命令转换模块还分别与学习模块及命令产生模块与外部接口的第1输出端相连,所述学习模块还分别与小脑模块及命令产生模块与外部接口的第2输入端相连;所述仿生手臂运动控制模块,包括仿生手臂运动控制模块与外部连接的输入端、输出端二个接口、仿真手臂模块、数据采集模块、软件控制平台及Phantom Omni力反馈器,其中,仿生手臂运动控制模块与外部接口的输入端与仿真手臂模块输入端相连,仿真手臂模块输出端分别与数据采集模块及仿生手臂运动控制模块与外部接口的输出端相连,所述数据采集模块还与软件控制平台、Phantom Omni力反馈器及仿生手臂运动控制模块与外部接口的输出端依次相连。
2.根据权利要求1所述一种基于小脑模型的仿生手臂控制系统中的小脑模型建模方法,其特征在于包括以下步骤:
步骤A、建立小脑模型的基本结构,由于小脑皮层具有匀质结构特性,因此,可以使用具有相同结构的基本单元的阵列对小脑进行建模,每个基本单元接收相同的用户指令信息输入,随后进入步骤B;
步骤B、计算各个基本单元中传递目标位置信息和传递本体感受信息的平行纤维的状态,根据用户输入的手臂末端起始位置和期望终止位置的指令信息,计算各个基本单元中传递目标位置信息和传递本体感受信息的平行纤维的状态,具体包括以下子步骤:
子步骤B1、根据期望的手臂运动终点的位置坐标,利用小脑模型控制器,即CMAC二维稀疏编码方法来确定第m个基本单元中传递目标位置信息的平行纤维的状态,即xmi的取值,其值具有二值性,用“0”表示抑制状态,“1”表示激活状态,在当次指令执行过程中一旦确定便不再改变;其中,m=1,2,…,16,i=1,2,…8;
子步骤B2、根据学习模块接收的仿真手臂相关信息和命令转换关系,利用公式(1),计算在t时刻,第m个基本单元中传递本体感受信息的平行纤维的状态pm(t),这里t=1,2,3,…为整数,
令表示第m个基本单元对应的命令转换模块中的关节角度调整向量,且为常向量;其中,εm表示上臂与竖直方向夹角的调整值,表示下臂与水平方向夹角的调整值,则表示t时刻时仿真手臂的关节角度向量,α(t)分别表示上臂与竖直方向夹角,β(t)表示下臂与水平方向的夹角,其初始值由用户指定,函数g(x)的定义为,
然后进入步骤C;
步骤C、计算各个基本单元的输出,从而得到小脑模块输出命令,具体包括以下子步骤:
子步骤C1、计算第m个基本单元的网状结构输出,即此基本单元中各个浦肯野细胞的状态ymj,j=1,2,…12,ymj的值随时间改变,具体包括以下子步骤:
子步骤C11、利用公式(3)计算第m个基本单元中第j个浦肯野细胞在t时刻的膜电位值smj(t),
式中,wmij表示第i条传递目标位置信息的平行纤维与第j个浦肯野细胞形成的突触的记忆权值,由于该类突触为小脑学习记忆的载体,因此wmij设为可调,其初始值设为1,小脑模块的输出通过调整其值大小来改变;pm(t)表示在t时刻,第m个基本单元中传递本体感受信息的平行纤维的状态;wpmj表示传递本体感受信息的平行纤维与第j个浦肯野细胞形成的突触的权值,wbmj表示篮细胞与第j个浦肯野细胞形成的突触的权值,由于篮细胞对浦肯野细胞产生抑制作用,因此其值为负值,以上两权值均为固定值,分别设为0.2和-1,bm表示篮细胞的状态值,篮细胞在执行过程中始终保持激发状态,因此其值恒定为1;
子步骤C12、浦肯野细胞状态具有二值性,用“0”表示抑制状态,“1”表示激活状态,结合子步骤C11公式(3)计算得到的smj(t),利用公式(4)、(5)、(6)计算在t时刻时第m个基本单元中第j个浦肯野细胞的状态,
对于起始时刻t=1,
当t>1时,ymj(t)与上一时刻ymj(t-1)的值相关,对于ymj(t-1)=0的情况,赋值方法为,
而对于ymj(t-1)=1的情况,ymj(t)将依概率取值为0或1,
其中,smj(t)表示在t时刻的浦肯野细胞的膜电位值,φ、η分别为浦肯野细胞膜电位的去极化和复极化的阈值,为固定常数,且φ>η;函数pro(x)表示x发生的概率,具体说明如下,当pro(ymj(t)=0)=0.2,则ymj(t)以0.2的概率赋值为0,而以0.8的概率赋值为1;
子步骤C2、根据反馈环路,即loop的状态,计算各个基本单元输出,loop具有两种状态,即on与off状态,当小脑模块接收用户运动指令时,loop由off转变为on状态,当基本单元中的浦肯野细胞处于激活状态的数量达到总数量的90%时,loop由on转变为off状态,根据loop不同状态,利用公式(7)计算得到第m个基本单元的输出命令Om(t),
式中,γ为命令调整系数,设为常数;ymj(t)为在t时刻时第m个基本单元中第j个浦肯野细胞的状态;则在t时刻小脑模块的输出命令为O(t)=[O1(t),O2(t),…O16(t)],若O(t)为零向量,则执行步骤D,即完成一次小脑模块命令的输出,否则执行子步骤C3;
子步骤C3、计算当前小脑模块记忆信息对应的控制命令输出,具体包括以下子步骤:
子步骤C31、根据权值调整公式(8),调整第m个基本单元在t+1时刻的传递目标位置信息的平行纤维和浦肯野细胞形成的突触权值wmij(t+1)的大小,
式中,λ为调整系数,设为常数;ymj(t)为在t时刻时第m个基本单元中第j个浦肯野细胞的状态;xmi表示传递目标位置信息的平行纤维的状态值;Δwmij(t)为在t时刻时传递目标位置信息的平行纤维和浦肯野细胞形成的突触权值的变化值;wmij(t)表示在t时刻时传递目标位置信息的平行纤维和浦肯野细胞形成的突触权值的大小;
子步骤C32、根据t时刻的小脑模块输出命令O(t)和命令转换模块中的关节角度调整矩阵利用公式(9)计算t+1时刻仿真手臂的关节角度向量
式中,表示t时刻时仿真手臂的关节角度向量,α(t)表示上臂与竖直方向夹角,β(t)表示下臂与水平方向的夹角;表示在t时刻时小脑输出命令控制手臂关节调整的角度值,Δα(t)表示上臂与竖直方向的角度调整值,Δβ(t)表示下臂与水平方向的角度调整值;
子步骤C33、根据此时的仿真手臂关节角度信息,重复执行子步骤B2;
步骤D、执行小脑模块学习功能,根据用户指令调整小脑模块命令输出,具体包括以下子步骤:
子步骤D1、在完成步骤C之后,根据仿真手臂停止位置的关节角度信息这里αe表示仿真手臂停止位置上臂与竖直方向的夹角,βe表示仿真手臂停止位置下臂与水平方向的夹角,利用公式(10)计算Phantom Omni仿真手臂在笛卡尔空间上的位置信息(x,y,z),
其中,L1表示上臂长度,L2表示其下臂长度,θ1和θ2分别为俯视Phantom Omni时,上臂与地平面之间的夹角和下臂与地垂线之间的夹角,θ3为与地面平行的旋转平面上的旋转角度,在此,设定θ3=0,然后计算仿真手臂位置信息与用户设定的期望位置的偏差Δx及其模值||Δx||,如果||Δx||小于仿真手臂坐标空间的单位长度的0.5倍,则建模完成,否则执行子步骤D2;
子步骤D2、根据公式(10)表示的仿真手臂的关节角度与位置的关系,计算其雅克比矩阵J,再利用公式(11)计算关节调整角度Δθ,
Δθ=J-1·Δx (11)
其中,Δx表示仿真手臂位置信息与用户设定的期望位置的偏差;
子步骤D3、根据Δθ确定第m个基本单元中攀爬纤维的状态值cm(n),n为学习次数,初始值为1,具体包括以下子步骤:
子步骤D31、根据公式(12)计算第m个基本单元对应的攀爬纤维的激发概率ρm,
式中,σm表示相应的命令转换模块中的关节角度调整向量与关节调整角度Δθ之间的夹角;
子步骤D32、将小于0.5的ρm的值重置为0,调整之后攀爬纤维的激发概率设为ρm',根据公式(13),确定cm(n)的取值,
pro(cm(n)=1)=ρm' (13)
其中,函数pro(x)表示x发生的概率;
子步骤D4、根据公式(14),对小脑模块第m个基本单元中的每个平行纤维和浦肯野细胞的初始权值wmij(1)进行调整,
式中,μ表示学习系数,为常数,cm(n)第m个基本单元中在n次学习后攀爬纤维的状态值,xmi表示传递目标位置信息的平行纤维的状态值,Δwmij(1)表示传递目标位置信息的平行纤维和浦肯野细胞形成突触权值的初值变化值;
子步骤D5、将仿真手臂恢复到初始位置,将t重置为1,学习次数为n+1,执行子步骤B2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610319716.7A CN105824250B (zh) | 2016-05-14 | 2016-05-14 | 基于小脑模型的仿生手臂控制系统及小脑模型建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610319716.7A CN105824250B (zh) | 2016-05-14 | 2016-05-14 | 基于小脑模型的仿生手臂控制系统及小脑模型建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105824250A CN105824250A (zh) | 2016-08-03 |
CN105824250B true CN105824250B (zh) | 2018-10-19 |
Family
ID=56529594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610319716.7A Active CN105824250B (zh) | 2016-05-14 | 2016-05-14 | 基于小脑模型的仿生手臂控制系统及小脑模型建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105824250B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212975B (zh) * | 2018-11-13 | 2021-05-28 | 北方工业大学 | 一种具有发育机制的感知行动认知学习方法 |
CN112060082B (zh) * | 2020-08-19 | 2021-10-15 | 大连理工大学 | 基于仿生强化学习型小脑模型的在线稳定控制仿人机器人 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706648B (zh) * | 2009-01-13 | 2012-08-29 | 华东理工大学 | 一种基于rcp与dsp的运动控制器的设计方法 |
CN105319987A (zh) * | 2015-11-09 | 2016-02-10 | 哈尔滨工程大学 | 一种作业型rov训练模拟器的运动控制仿真系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140320392A1 (en) * | 2013-01-24 | 2014-10-30 | University Of Washington Through Its Center For Commercialization | Virtual Fixtures for Improved Performance in Human/Autonomous Manipulation Tasks |
-
2016
- 2016-05-14 CN CN201610319716.7A patent/CN105824250B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706648B (zh) * | 2009-01-13 | 2012-08-29 | 华东理工大学 | 一种基于rcp与dsp的运动控制器的设计方法 |
CN105319987A (zh) * | 2015-11-09 | 2016-02-10 | 哈尔滨工程大学 | 一种作业型rov训练模拟器的运动控制仿真系统 |
Non-Patent Citations (3)
Title |
---|
Lateralized Readiness Potential Interpret the Effect of Task Difficult on Decision Making;Xiangqian Lin等;《2016 IEEE International Conference on Information and Automation(ICIA)》;20160831;第933-937页 * |
仿生机械臂的小脑控制模型和仿真;阮晓刚等;《电子学报》;20070531;第35卷(第5期);第991-995页 * |
机械臂的CONN控制与CMAC控制的比较;叶军;《计算机仿真》;20041231;第21卷(第12期);第155-157页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105824250A (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108081266A (zh) | 一种基于深度学习的机械臂手部抓取物体的方法 | |
CN109953761B (zh) | 一种下肢康复机器人运动意图推理方法 | |
CN105722479B (zh) | 用于控制大脑机器接口和神经假肢系统的系统 | |
CN105919796B (zh) | 中医按摩机器人系统及其穴位寻找方法 | |
CN107679522A (zh) | 基于多流lstm的动作识别方法 | |
CN109784211A (zh) | 一种基于深度学习的运动想象脑电信号分类方法 | |
CN107397649A (zh) | 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法 | |
CN105701540B (zh) | 一种自生成神经网络构建方法 | |
CN110236550B (zh) | 一种基于多模态深度学习的人体步态预测装置 | |
CN105824250B (zh) | 基于小脑模型的仿生手臂控制系统及小脑模型建模方法 | |
CN110900598A (zh) | 机器人三维运动空间动作模仿学习方法和系统 | |
CN112297005B (zh) | 一种基于图神经网络强化学习的机器人自主控制方法 | |
CN106499656B (zh) | 一种风扇风速智能控制方法 | |
CN108044625A (zh) | 一种基于多Leapmotion虚拟手势融合的机器人机械臂操控方法 | |
CN110232412A (zh) | 一种基于多模态深度学习的人体步态预测方法 | |
CN110428464A (zh) | 基于深度学习的多类别乱序工件机器人抓取位姿估计方法 | |
CN109144099A (zh) | 基于卷积神经网络的无人机群行动方案快速评估方法 | |
CN115617083A (zh) | 基于ppo算法的光伏发电太阳能电池板角度自动调整方法 | |
CN109243562A (zh) | 一种基于Elman神经网络和遗传算法的形象气质提升方法 | |
CN113276114A (zh) | 一种基于终端任务指派的可重构机械臂协同力/运动控制系统与方法 | |
CN108453737A (zh) | 一种基于神经网络的机器人动作轨迹获取系统及方法 | |
CN112525194A (zh) | 一种基于海马-纹状体内源性和外源性信息的认知导航方法 | |
CN105046193B (zh) | 一种基于融合稀疏表示矩阵的人体动作识别方法 | |
CN109887570A (zh) | 一种基于rgb-d相机与imu传感器的机器人辅助康复训练方法 | |
CN115494733A (zh) | 一种基于gazebo的水下机器人自适应控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |