CN105963100A - 按患者运动所需辅助的下肢康复机器人自适应控制方法 - Google Patents

Abstract

本发明公开了一种按患者运动所需辅助的下肢康复机器人自适应控制方法，通过实时采集患者下肢的关节角度和关节角速度信号，利用鲁棒变结构控制方法实现期望的轨迹自适应跟踪控制；然后，借助人机动力学系统模型，利用RBF神经网络实时学习患者的康复程度和主动运动能力，进而估算出下肢康复机器人的前馈助力；接着，基于轨迹跟踪误差自适应地衰减机器人的实时助力，实现连续自适应地按患者康复所需的辅助控制；最后，将经过按患者康复需求辅助自适应控制修正后的轨迹输入到下肢康复机器人关节运动控制器中，进行在线运动控制，实现连续无缝的按患者康复所需辅助的下肢康复机器人自适应控制。

Description

按患者运动所需辅助的下肢康复机器人自适应控制方法

技术领域

本发明涉及机器人控制技术，特别涉及一种下肢康复机器人自适应控制方法。

背景技术

脊椎损伤、脑卒中风等中枢神经系统疾病引起的下肢运动功能障碍患者呈急剧增加的趋势，严重危害着人类的健康。减重步行训练是针对该类疾病患者步行康复治疗的重要手段之一，已有大量的临床研究证实了其有效性。为此，将机器人技术与康复医学结合，研制智能化的下肢康复机器人代替护理师完成偏瘫患者的步态运动训练，可以显著提高患者的康复水平，减轻护理师的劳动强度。目前国内外有许多人在开展康复机器人的研究工作，但已有的康复机器人，训练动作种类比较少，运动单一，动作范围具有局限性，多数忽略了患者下肢的主动运动意图，不利于激发患者的主动意识及参与康复训练的兴趣，很难达到理想的康复训练要求。

近年来，国内外的研究机构研制了各种类型的康复机器人，但大多采用较简单的控制方法，Lokomat引入患者与机器人之间的交互作用力，通过阻抗控制器调节康复机器人对患者的辅助力。但在康复初期患者不足以产生驱动机器人的作用力时，难以实现患者在康复训练中的主动参与。而且已有的阻抗控制器中阻抗参数往往是固定的，这在康复机器人的控制中具有很大的局限性。机器人的辅助水平是通过康复医师根据康复的阶段及患者的运动能力确定的，由于康复阶段是离散的运动训练范式，难以实现连续的按需辅助。由于患者的运动能力和恢复水平是随着时间不断变化的，而阻抗控制的选择需要匹配患者的运动能力和康复水平，这使得选择合适的阻抗参数变得困难。不能很好地实现按照患者的康复需求的实时按需辅助控制。

申请号为201010561379.5的中国专利公开了一种下肢康复机器人运动控制方法，可实施被动训练和主动训练两种工作模式，实时检测患者作用于机器人的关节驱动力，通过逆动力学模型提取人机交互力，并利用阻抗控制器将交互力矩转化为步态轨迹修正量。但这种控制只适用于摆动阶段，逆动力学模型提取的人机交互力在双腿支撑阶段是不适用的。而且，所采用的阻抗模型参数也是固定不变的，无法实时产生按患者康复所需的辅助控制。申请号为201110103103.7的中国专利公开了一种步态康复训练机器人控制系统，可按照人正常行走的姿态进行被动模式和主动模式训练，利用所获取的足底压力信号来判断训练者的运动意图，对康复机器人的行走速度进行实时控制。专利号为ZL201210225997.1和ZL201210226579.4的中国专利公开了一种坐卧式下肢康复机器人及相应的主动训练控制方法，通过肌电信号采集、功能性电刺激和运动控制系统实现被动训练、助力训练或主动训练。但肌电信号模糊性强，抗干扰差，控制精度低，其阻抗模型也是通过牺牲位置偏差来获取辅助力。

综上所述，阻抗控制不适用于支撑阶段，生物电信号控制将辅助控制分成患者驱动部分和机器驱动部分，将控制方式设置成离散的康复训练模式，不能提供连续无缝的按患者康复所需的自适应控制，很难适应于不同步态周期和不同恢复期的患者。目前康复设备的控制方法还不能很好地满足对智能化、自适应控制的需求。难以实现真正意义上的按患者运动康复所需辅助的自适应控制。

发明内容

针对背景技术所指出的下肢康复机器人康复运动控制存在的问题，本发明的目的在于提供一种能够实时连续无缝的按患者运动所需的下肢康复机器人自适应控制方法。

为达到上述目的，本发明采用如下技术方案予以实现的：

一种按患者运动所需辅助的下肢康复机器人自适应控制方法，其特征是，包括下述步骤：

(1)实时采集下肢康复机器人髋关节和膝关节的关节角度及关节角速度；

(2)利用鲁棒变结构控制方法，获得轨迹跟踪的自适应控制率，实现期望的轨迹自适应跟踪控制；

(3)建立人机系统的动力学模型，如下：

$M\left(\mathrm{\θ}\right)\stackrel{..}{\mathrm{\θ}}+C(\mathrm{\θ},\stackrel{.}{\mathrm{\θ}})\stackrel{.}{\mathrm{\θ}}+G\left(\mathrm{\θ}\right)=T_{\mathrm{rob}}+T_h$

式中，M(θ)、G(θ)分别表示人机系统的转动惯量、离心力系数和重力项，表示人机系统的角加速度和角速度，T_rob和T_h分别表示机器人的前馈力矩和患者产生的主动力矩；

进而，计算出下肢康复机器人的前馈助力：

式中：γβ表示前馈助力，v和分别表示虚拟的参考轨迹和速度。但是，对于实际的人机动力学系统，通过实测其转动惯量、离心力系数、重力项和患者产生的主动力矩T_h，从中获得其前馈助力的解析解是很难的，甚至常常不可实现。

(4)基于上述复杂的人机动力学系统模型，利用RBF(高斯径向基)神经网络学习患者的康复程度和主动运动能力，进而估计下肢康复机器人的前馈助力

(5)基于步骤(2)的位置跟踪误差，利用梯度法计算出按需辅助的衰减自适应率；

(6)根据步骤(5)的衰减自适应率实时衰减步骤(4)估计的前馈助力，实现实时的按需辅助控制；

(7)将经过按患者康复需求辅助自适应控制修正后的轨迹输入到下肢康复机器人关节运动控制器中，进行在线运动控制，控制各关节的伺服电机实现期望的运转，最终实现连续无缝的按患者康复所需辅助的下肢康复机器人自适应控制。

上述方法中，步骤(2)所述的鲁棒变结构控制方法，具体包括下述子步骤：

a、根据跟踪的期望轨迹，建立虚拟的“参考轨迹”，其计算公式如下：

式中：v_i表示虚拟的参考轨迹，θ_di表示期望的跟踪轨迹，表示角度跟踪误差，λ_i表示角度误差与角速度误差的自适应比率；

b、再根据角度跟踪误差和角速度跟踪误差计算滑模面：

式中，S_i表示滑模面，和分别表示角速度跟踪误差和角度跟踪误差。

c、根据滑模面建立轨迹跟踪误差的自适应率，其计算公式如下：

$\stackrel{.}{\widehat{\mathrm{\β}}}={-\mathrm{\Γ}}^{-1}{\mathrm{\γ}}^{T}S;$

其中，表示轨迹跟踪自适应率，Γ表示正定的增益矩阵，γ表示下肢康复机器人系统的回归矩阵。

步骤(4)所述的RBF神经网络采用三层拓扑结构：输入层，隐含层和输出层。具体包括下述子步骤：

a、在输入层，分别输入患者下肢髋关节和膝关节实际运动的角度θ；

b、隐含层利用高斯径向基函数对输入的关节角度进行非线性映射，并据此建立回归矩阵γ。其中，高斯径向基函数为：

$g_{\mathrm{mi}}=\exp (-\frac{{|{\mathrm{\θ}}_i-{\mathrm{\μ}}_m|}^2}{{2\mathrm{\σ}}^2})$

式中，g_mi为高斯径向基函数值，θ_i为下肢康复机器人的关节角度，μ_m为第m个节点的中心矢量，σ为节点的基宽度。

回归矩阵为γ＝[g₁g₂………g_m]^T；

c、在输出层利用RBF神经网络的权值，估算下肢康复机器人的前馈助力

步骤(5)所述的梯度法的计算公式为：

式中，τ为遗忘因子。

与已有技术相比较，本发明的优点在于：

1、本发明基于人机动力学系统模型，利用RBF(高斯径向基)神经网络实时学习患者的康复程度和主动运动能力；同时，基于轨迹跟踪误差，自适应地衰减机器人的实时助力，最大限度地激发患者的主动运动能力，实现连续自适应地按患者康复所需的辅助控制。

2、本发明不需要生理信号传感器和人机交互力传感器，可以显著地降低实时自适应按需辅助控制的成本。

3、本发明不仅克服了现有控制方法无法实时检测患肢康复状态、难以适应不同患者、不同康复阶段的问题，而且可提高康复训练的智能化，使其适应患者的整个康复周期，实现连续无缝的自适应地按患者康复所需的辅助控制。

附图说明

下面结合附图及具体实施方式对本发明作进一步详细说明。

图1是本发明控制方法的总体控制流程图。

图2是RBF神经网络结构示意图。

图3是本发明控制硬件结构示意图。

图4是本发明涉及的下肢康复装置结构图。图中：8、曲柄滑块机构；9、滚珠丝杠线性驱动器；10、伺服电机；

具体实施方式

参见图1和图3，本发明连续无缝按患者运动所需辅助的下肢康复机器人自适应控制方法：首先，实时采集患者下肢髋关节和膝关节的关节角度和关节角速度信号，利用鲁棒变结构控制方法实现期望的轨迹自适应跟踪控制；然后，结合人机系统动力学模型，利用RBF(高斯径向基)神经网络实时学习患者的康复程度和主动运动能力，进而估算出下肢康复机器人的前馈助力；再次，基于轨迹跟踪误差自适应地衰减机器人的实时助力，最大限度地激发患者的主动运动能力，实现连续自适应地按患者康复所需的辅助控制；最后，将经过按患者康复需求辅助自适应控制修正后的轨迹输入到下肢康复机器人关节运动控制器中，进行在线运动控制，实现连续无缝的按患者康复所需辅助的下肢康复机器人自适应控制。其具体实施过程包括下述步骤：

(1)利用光电角度编码器实时采集下肢康复机器人髋关节和膝关节的关节角度及关节角速度。本实施例中，光电角度编码器采用14位高分辨率的绝对值编码器。

(2)利用鲁棒变结构控制方法实现期望的轨迹自适应跟踪控制；其具体实施过程可细分为如下子步骤：

a、根据跟踪的期望轨迹，计算虚拟的“参考轨迹”，其实施的具体计算公式如下：

式中：v_i表示虚拟的参考轨迹，θ_di表示期望的跟踪轨迹，表示角度跟踪误差，λ_i表示角度误差与角速度误差的自适应比率；

b、再根据角度跟踪误差和角速度跟踪误差计算滑模面：

式中，S_i表示滑模面，和分别表示角速度跟踪误差和角度跟踪误差。

c、根据滑模面建立轨迹跟踪误差的自适应率，如下式：

$\stackrel{.}{\widehat{\mathrm{\β}}}={-\mathrm{\Γ}}^{-1}{\mathrm{\γ}}^{T}S;$

其中，表示轨迹跟踪自适应率，Γ表示正定的增益矩阵，γ表示下肢康复机器人系统的回归矩阵。

(3)建立人机系统的动力学模：

$M\left(\mathrm{\θ}\right)\stackrel{..}{\mathrm{\θ}}+C(\mathrm{\θ},\stackrel{.}{\mathrm{\θ}})\stackrel{.}{\mathrm{\θ}}+G\left(\mathrm{\θ}\right)=T_{\mathrm{rob}}+T_h$

式中，M(θ)、G(θ)分别表示人机系统的转动惯量、离心力系数和重力项，表示人机系统的角加速度和角速度，T_rob和T_h分别表示机器人的前馈力矩和患者产生的主动力矩；

然后，再计算下肢康复机器人的前馈助力：

$\mathrm{\γ\β}=M\stackrel{.}{v}+\mathrm{Cv}+G-T_h$

式中：γβ表示前馈助力，v和分别表示虚拟的参考轨迹及其速度。但是，对于实际的人机动力学系统，通过实测其转动惯量、离心力系数、重力项和患者产生的主动力矩T_h，从中获得其前馈助力的解析解是很难的，甚至常常不可实现。

(4)基于上述复杂的人机动力学系统模型，利用RBF(高斯径向基)神经网络学习患者的康复程度和主动运动能力，进而估计下肢康复机器人的前馈助力如图2所示，本步骤中，RBF神经网络采用三层拓扑结构：输入层，隐含层和输出层。图中，θ_i-h和θ_i-k分别表示输入层输入人体下肢的髋关节角度和膝关节角度，g_1i、g_2i、g_mi分别表示隐含层相应节点的高斯径向基函数值，和分别表示相应节点的神经网络权值，表示估计的下肢康复机器人前馈助力。其具体实施过程又可细分为如下子步骤：

a、在输入层，分别输入患者下肢髋关节和膝关节实际运动的角度θ；

b、隐含层利用高斯径向基函数对输入的关节角度进行非线性映射，并据此建立回归矩阵γ。其中，高斯径向基函数为：

$g_{\mathrm{mi}}=\exp (-\frac{{|{\mathrm{\θ}}_i-{\mathrm{\μ}}_m|}^2}{{2\mathrm{\σ}}^2})$

式中，g_mi为高斯径向基函数值，θ_i为下肢康复机器人的关节角度，μ_m为第m个节点的中心矢量，σ为节点的基宽度。

回归矩阵为γ＝[g₁g₂………g_m]^T；

c、在输出层利用RBF神经网络的权值，估算下肢康复机器人的前馈助力

(5)基于步骤(1)的位置跟踪误差，利用梯度法计算出按需辅助的自适应率。本步骤中，梯度法的计算公式为：

$\frac{\∂}{\∂t}\left(\mathrm{\γ}\widehat{\mathrm{\β}}\right)=\mathrm{\γ}\stackrel{.}{\widehat{\mathrm{\β}}}=\frac{1}{\mathrm{\τ}}\mathrm{\γ}\widehat{\mathrm{\β}}$

式中，τ为遗忘因子。

进而，计算按需辅助的自适应率为：

(6)根据步骤(5)的自适应率实时衰减步骤(4)估计的前馈助力，实现实时的按需辅助控制；

(7)将经过按患者康复需求辅助自适应控制修正后的轨迹输入到下肢康复机器人关节运动控制器中，进行在线运动控制，控制各关节的伺服电机实现期望的转动，最终实现连续无缝的按患者康复所需辅助的下肢康复机器人自适应控制。本步骤中，将自适应控制修正后的轨迹输入到运动控制卡中，控制卡利用下肢康复装置机构几何尺寸，经运动反解计算，求解出各伺服电机的动作指令，控制各伺服电机按要求运转，最终实现下肢康复机器人自适应地按患者康复所需的连续无缝辅助控制。

参考图3，基于图1的控制方法，本发明对应提供了一种下肢康复机器人，包括：传感数据采集模块、中央控制模块和运动控制模块及下肢康复装置等，其中：传感数据采集模块由光电角度编码器1、信号处理电路2和数据采集卡3组成，中央控制模块由工控机(上位机)4和人机界面5组成，运动控制模块由运动控制卡6和伺服驱动器7组成，下肢康复装置由机械结构本体和伺服控制电机组成。

该下肢康复机器人中，传感数据采集模块中的光电角度编码器1选用14位高分辨率的绝对值编码器；信号处理电路2通过屏蔽线与光电角度编码器1和数据采集卡3依次连接，对采集到的下肢康复机器人关节转角和关节角速度进行放大、滤波等预处理。

当下肢康复机器人开始工作后，首先，进行下肢康复机器人控制采集的初始化，接着，数据采集卡3通过光电角度编码器1实时采集患者下肢的关节转角和关节角速度信号，与此同时，数据采集卡3还通过信号处理电路2对采集到的关节转角和关节角速度信号进行滤波和放大等预处理；然后，把采集到的各种信号发送到工控机4，工控机4首先对采集到的信号进行调理，再通过中央处理器运行连续无缝的按患者康复所需辅助的下肢康复机器人自适应控制算法，生成下肢康复机器人的关节角度和角速度，再用下肢康复装置中机械结构的几何尺寸通过运动反解，综合得出伺服电机的动作命令；运动控制卡6接受人机界面5输出的动作命令对下肢康复装置中伺服电机的运动进行规划，并输出至伺服驱动器7，伺服驱动器7生成脉冲信号至下肢康复装置中的伺服电机，驱动伺服电机实现下肢康复装置带动患者进行按需辅助康复训练的功能。

参考图4，本发明涉及到的下肢康复训练装置采用外骨骼结构，动力外骨骼设计为两条外骨骼式机械腿，每条机械腿具有髋关节弯曲/伸展和膝关节弯曲/伸展两个自由度，可以模拟人在步行时矢状面内相应的两关节转动，实现两自由度的转动，在每个关节处安装有曲柄滑块机构8，通过滚珠丝杠线性驱动器9连接到伺服电机10上，用于驱动外骨骼机械腿各关节的转动。分别在髋关节、膝关节处安装4个光电角度编码器1用于测量运动过程中的关节角度和关节角速度信号。

Claims (4)

1.一种按患者运动所需辅助的下肢康复机器人自适应控制方法，其特征在于，包括下述步骤：

(1)实时采集下肢康复机器人髋关节和膝关节的关节角度及关节角速度；

(2)利用鲁棒变结构控制方法，获得轨迹跟踪的自适应控制率，实现期望的轨迹自适应跟踪控制；

(3)建立人机系统的动力学模型如下：

$M\left(\mathrm{\θ}\right)\stackrel{\·\·}{\mathrm{\θ}}+C(\mathrm{\θ},\stackrel{\·}{\mathrm{\θ}})\stackrel{\·}{\mathrm{\θ}}+G\left(\mathrm{\θ}\right)=T_{rob}+T_h$

式中，M(θ)、G(θ)分别表示人机系统的转动惯量、离心力系数和重力项，表示人机系统的角加速度和角速度，T_rob和T_h分别表示机器人的前馈力矩和患者产生的主动力矩；进而，计算出下肢康复机器人的前馈助力：

式中：γβ表示前馈助力，v和分别表示虚拟的参考轨迹和速度；

(4)基于人机系统的动力学模型，利用RBF神经网络学习患者的康复程度和主动运动能力，进而估计下肢康复机器人的前馈助力

(5)基于步骤(2)的位置跟踪误差，利用梯度法计算出按需辅助的衰减自适应率；

(6)根据步骤(5)的衰减自适应率实时衰减步骤(4)估计的前馈助力，实现实时的按需辅助控制；

(7)将经过按患者康复需求辅助自适应控制修正后的轨迹输入到下肢康复机器人关节运动控制器中，进行在线运动控制，控制各关节的伺服电机实现期望的运转，最终实现连续无缝的按患者运动所需辅助的下肢康复机器人自适应控制。

2.如权利要求1所述的按患者运动所需辅助的下肢康复机器人自适应控制方法，其特征在于，步骤(2)所述的鲁棒变结构控制方法，具体包括下述子步骤：

a、根据跟踪的期望轨迹，建立虚拟的“参考轨迹”，其计算公式如下：

式中：v_i表示虚拟的参考轨迹，θ_di表示期望的跟踪轨迹，表示角度跟踪误差，λ_i表示角度误差与角速度误差的自适应比率；

b、再根据角度跟踪误差和角速度跟踪误差计算滑模面：

式中，s_i表示滑模面，和分别表示角速度跟踪误差和角度跟踪误差；

c、根据滑模面建立轨迹跟踪误差的自适应率，其计算公式如下：

其中，表示轨迹跟踪自适应率，Γ表示正定的增益矩阵，γ表示下肢康复机器人系统的回归矩阵。

3.如权利要求1所述的按患者运动所需辅助的下肢康复机器人自适应控制方法，其特征在于，步骤(4)所述的RBF神经网络采用三层拓扑结构：输入层，隐含层和输出层，具体包括下述子步骤：

a、在输入层，分别输入患者下肢髋关节和膝关节实际运动的角度θ；

b、隐含层利用高斯径向基函数对输入的关节角度进行非线性映射，并据此建立回归矩阵γ，其中，高斯径向基函数为：

$g_{mi}=\exp (-\frac{|{\mathrm{\θ}}_i-{\mathrm{\μ}}_m{|}^2}{2{\mathrm{\σ}}^2})$

式中，g_mi为高斯径向基函数值，θ_i为下肢康复机器人的关节角度，μ_m为第m个节点的中心矢量，σ为节点的基宽度；

回归矩阵为γ＝[g₁g₂………g_m]^T；

c、在输出层利用RBF神经网络的权值，估算下肢康复机器人的前馈助力

4.如权利要求1所述的按患者运动所需辅助的下肢康复机器人自适应控制方法，其特征在于，步骤(5)所述的梯度法的计算公式为：

式中，τ为遗忘因子。