CN108446442B - 类神经肌肉骨骼机器人上肢模型的简化方法 - Google Patents

类神经肌肉骨骼机器人上肢模型的简化方法 Download PDF

Info

Publication number
CN108446442B
CN108446442B CN201810144037.XA CN201810144037A CN108446442B CN 108446442 B CN108446442 B CN 108446442B CN 201810144037 A CN201810144037 A CN 201810144037A CN 108446442 B CN108446442 B CN 108446442B
Authority
CN
China
Prior art keywords
muscle
motion
track
deviation
simplified
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
Application number
CN201810144037.XA
Other languages
English (en)
Other versions
CN108446442A (zh
Inventor
钟汕林
乔红
陈嘉浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201810144037.XA priority Critical patent/CN108446442B/zh
Publication of CN108446442A publication Critical patent/CN108446442A/zh
Application granted granted Critical
Publication of CN108446442B publication Critical patent/CN108446442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及类神经肌肉骨骼机器人领域，提出一种类神经肌肉骨骼机器人上肢模型的简化方法，旨在解决类神经机器人模型的冗余问题。该方法包括：依据类神经肌肉骨骼机器人上肢模型在执行特定的基本运动模式时，计算其相关肌肉的平均肌肉力大小、第一运动轨迹，根据上述平均肌肉力的大小选出该运动模式的简化肌肉集合，计算利用简化肌肉集合执行上述基本运动时的第二运动轨迹，根据第一运动轨迹和第二运动轨迹确定运动精度指标，确定满足指定运动精度的简化肌肉集合为上述运动模式最简肌肉集合，合并所有基本运动模式所需要的简化肌肉集合，得到满足指定运动精度下，类神经肌肉骨骼机器人上肢模型的最简肌肉集合。本发明实现了对类神经肌肉骨骼机器人上肢模型的简化。

Description

类神经肌肉骨骼机器人上肢模型的简化方法
技术领域
本发明涉及智能机器人领域，尤其涉及一种类神经肌肉骨骼机器人上肢模型的简化方法。
背景技术
类神经肌肉骨骼机器人以仿造人类骨骼结构制作的人造骨架为基础，依据解剖学中肌肉的分布特点，添加人造肌肉作为机器人的执行器，再利用类神经控制算法计算肌肉激活信号，刺激人造肌肉收缩以产生肌肉力，从而驱动骨架运动，使类神经肌肉骨骼机器人能够实现准确的运动控制和力控制。
但是，类神经肌肉骨骼机器人是一个高度耦合、高度冗余的多输入多输出系统，构成类神经肌肉骨骼机器人的各个肢体都包括多个自由度，多块肌肉，且肌肉排布相互耦合，错综复杂。使得其控制过程复杂，硬件制作成本昂贵。为了易于控制，降低硬件平台的造价，需要提供一种简化方案，在保证控制精度的前提下，通过删减冗余的肌肉，降低类神经肌肉骨骼机器人的模型复杂度。
因此，将类神经肌肉骨骼机器人的高度耦合、高度冗余的多输入多输出系统删减冗余的肌肉，对各肢体的肌肉进行简化，降低类神经肌肉骨骼机器人模型的复杂度成为亟待解决的问题。
发明内容
为了解决现有技术中的上述问题，即为了解决对类神经肌肉骨骼机器人的高度耦合、高度冗余的多输入多输出系统，删减冗余的肌肉，对各肢体的肌肉进行简化，降低类神经肌肉骨骼机器人模型的复杂度问题。本申请提出一种类神经肌肉骨骼机器人上肢模型的简化方法以解决上述问题：
第一方面，本发明提供一种类神经肌肉骨骼机器人上肢模型的简化方法。该方法包括如下步骤：步骤1，获取待进行肌肉优化的目标运动模式，确定与上述目标运动模式的运动相关的目标关节集合；步骤2，根据肌肉筋腱附着点位置选取上述目标关节集合中各目标关节的肌肉，确定与上述目标运动模式相关的肌肉集合；步骤3，从预设的运动文件库中提取上述目标运动模式的运动文件作为期望运动；步骤4，根据上述期望运动，利用预设的静态优化算法计算上述肌肉集合中各肌肉的激活序列作为第一激活序列，使用各上述第一激活序列驱动上述肌肉集合中各肌肉的肌肉模型跟踪上述期望运动；步骤5，记录末端参考点的第一运动轨迹以及计算上述肌肉集合中各肌肉在运动过程中的肌肉力，并按照肌肉力平均值从大到小的顺序选出预定数目条肌肉作为简化肌肉，并生成简化肌肉集合；步骤6，根据上述期望运动，利用上述静态优化算法计算上述简化肌肉集合中各肌肉的激活序列作为第二激活序列，使用各上述第二激活序列驱动上述简化肌肉集合中各肌肉的肌肉模型跟踪上述期望运动；步骤7，记录末端参考点的第二运动轨迹，将上述第二运动轨迹与上述第一运动轨迹比较，确定运动轨迹的偏差；步骤8，如果上述偏差满足预设阈值，确定上述简化肌肉集合为上述类神经肌肉骨骼机器人对应于上述目标运动模式的最简肌肉集合。
在一些示例中，在上述步骤2中，上述目标关节集合的相关肌肉，为肌肉筋腱在骨骼上的附着点分布在上述目标关节集合中任一目标关节运动方向两侧，并为上述目标关节的运动提供转动力矩的肌肉。
在一些示例中，在上述步骤3中，上述运动文件为包含时间序列数据和上述目标关节集合中各目标关节随上述时间序列数据变化时的角度和/或位置数据。
在一些示例中，在上述步骤4中，上述利用上述静态优化算法计算各肌肉的激活序列，包括通过如下公式计算各肌肉在上述时间序列数据下的肌肉激活强度：
Figure BDA0001578318520000021
Figure BDA0001578318520000022
其中：
Figure BDA0001578318520000023
Figure BDA0001578318520000024
Figure BDA0001578318520000025
式中，aT Mi为第i条肌肉的激活强度，q和
Figure BDA0001578318520000031
表示所述目标关节当前的角度和角速度，qexp、
Figure BDA0001578318520000032
和
Figure BDA0001578318520000033
是由所述运动文件中的数据求解得到所述目标关节期望角度、角速度和角加速度；A表示系统的质量矩阵，G表示重力，CC表示科式力矩阵，R表示肌肉力臂矩阵，E表示外力矩阵，
Figure BDA0001578318520000034
表示肌肉力；
Figure BDA0001578318520000035
表示跟踪期望运动所需要的理想运动学加速度，
Figure BDA0001578318520000036
表示跟踪期望运动所需要的理想动力学加速度。
在一些示例中，上述计算上述肌肉集合中各肌肉的肌肉力，包括上述肌肉集合中各肌肉受上述激活序列作用后产生的主动力和上述肌肉集合中各肌肉受被动力，其中：
通过如下公式计算上述肌肉集合中各肌肉受上述激活序列作用后产生的主动力：
Figure BDA0001578318520000037
f(lm(t))＝exp(-(lm(t)-1)2/γ)
通过如下公式计算所述肌肉集合中各肌肉受被动力：
Figure BDA0001578318520000038
Figure BDA0001578318520000039
式中，模型参数
Figure BDA00015783185200000310
表示肌肉m的最大等距力，γ表示高斯形状因子，
Figure BDA00015783185200000311
表示肌肉m的被动力应力因子，kPE表示被动力与肌肉长度间的非线性因子，lm(t)表示t时刻肌纤维长度，
Figure BDA00015783185200000312
为主动力，
Figure BDA00015783185200000313
为被动力。
在一些示例中，上述肌纤维长度通过如下公式计算：
Figure BDA00015783185200000314
Figure BDA00015783185200000315
式中，
Figure BDA00015783185200000316
表示肌肉m在时刻t至时刻t+dt内的收缩速度，
Figure BDA00015783185200000317
表示肌肉收缩单元的收缩力，
Figure BDA00015783185200000318
是肌肉收缩力-速度传递函数的逆函数。
在一些示例中，通过如下公式计算上述肌肉收缩力：
Figure BDA0001578318520000041
Figure BDA0001578318520000042
Figure BDA0001578318520000043
Figure BDA0001578318520000044
Figure BDA0001578318520000045
Figure BDA0001578318520000046
式中，εT表示肌腱拉伸应变，
Figure BDA0001578318520000047
是肌腱应力阈值，klin是线性因子，ktoe是非线性因子，
Figure BDA0001578318520000048
是标准化肌腱力阈值，
Figure BDA0001578318520000049
是肌腱松弛长度，α(t)是羽状角随时间的变化函数，
Figure BDA00015783185200000410
是最优肌纤维长度，α0为初始羽状角，lMT(t)是肌肉-筋腱联合长度。
在一些示例中，上述将上述第二运动轨迹与上述第一运动轨迹比较，确定运动轨迹的偏差，包括：获取上述第一运动轨迹的轨迹点坐标，作为第一轨迹点坐标；获取上述第二运动轨迹的轨迹点坐标，作为第二轨迹点坐标；通过如下公式计算与上述期望运动的路径的重复偏差：
Figure BDA00015783185200000411
式中，epa T为路径重复偏差，第一轨迹点坐标为
Figure BDA00015783185200000412
Figure BDA00015783185200000413
第二轨迹点坐标
Figure BDA00015783185200000414
在一些示例中，上述方法包括：将上述第二运动轨迹与上述第一运动轨迹比较，确定运动轨迹的偏差还包括计算末端点的定位偏差，通过如下公式计算上述末端点的定位偏差：
Figure BDA00015783185200000415
式中，第一运动轨迹的末端点的坐标为
Figure BDA0001578318520000051
第二运动轨迹末端点的坐标为
Figure BDA0001578318520000052
定位偏差epo T。
在一些示例中，上述步骤8中，判断上述偏差满足是否预设阈值，包括：计算上述简化肌肉集合的路径重复精度和定位精度，并根据上述路径重复精度和定位精度得到上述简化肌肉集合驱动上述目标运动模式的精度指标；将上述精度指标与预设的阈值比较，判断上述偏差满足是否预设阈值；其中：上述精度指标为路径重复精度和定位精度的合集：
Figure BDA0001578318520000053
其中，
Figure BDA0001578318520000054
Figure BDA0001578318520000055
Figure BDA0001578318520000056
Figure BDA0001578318520000057
Figure BDA0001578318520000058
Figure BDA0001578318520000059
式中，路径重复精度包括最大路径重复偏差
Figure BDA00015783185200000510
最小路径重复偏差
Figure BDA00015783185200000511
和平均路径重复偏差
Figure BDA00015783185200000512
定位精度包括最大定位偏差
Figure BDA00015783185200000513
最小定位偏差
Figure BDA00015783185200000514
和平均定位偏差
Figure BDA00015783185200000515
本申请实施例提供的类神经肌肉骨骼机器人上肢模型的简化方法中，依据类神经肌肉骨骼机器人上肢各个运动关节单独运动时，其相关肌肉的平均肌肉力大小，选出该关节的简化肌肉集合，再对所有关节的简化肌肉集合取并集，得到满足指定运动精度下，类神经肌肉骨骼机器人上肢模型的最简肌肉集合，并依据最简肌肉集合搭建硬件平台，达到简化控制方案、降低类神经肌肉骨骼机器人上肢模型复杂度、降低硬件成本的目的。
附图说明
图1是应用于本申请的类神经肌肉骨骼机器人上肢模型的简化方法的示例性系统架构；
图2是应用于本申请的类神经肌肉骨骼机器人上肢模型的简化方法步骤流程示意图；
图3是应用于本申请的类神经肌肉骨骼机器人上肢模型的简化方法的上肢肘关节肌肉骨骼完整模型示意图；
图4是应用于本申请的类神经肌肉骨骼机器人上肢模型的简化方法的上肢肘关节肌肉骨骼简化模型示意图；
图5是应用于本申请的类神经肌肉骨骼机器人上肢模型的简化方法的示例性应用的步骤流程图；
图6是本申请实施例的示例性应用中上肢肘关节完整肌肉集合依据肌肉力降序排列示意图；
图7是本申请实施例的示例性应用中掌心参考点在完整模型与简化模型仿真中记录的运动轨迹。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了应用于类神经肌肉骨骼机器人上肢模型的简化方法的实施例的示例性系统架构。
系统架构包括传感检测装置101、执行装置102和控制装置103。传感检测装置101、执行装置102和控制装置103之间通过网络连接，上述用于在各装置之间提供通信链路介质的网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
上述视传感检测装置101用于检测与上述类神经肌肉骨骼机器人相关的数据。可以是安装于上述类神经肌肉骨骼机器人肢体、关节、肌肉上的各类传感器；用于对上述类神经肌肉骨骼机器人的肢体变换、关节旋转、肌肉伸缩等数据进行检测；上述对肢体变换、关节旋转、肌肉伸缩等数据检测的传感装置可以包括位置传感器、角度传感器、压力/张力传感器、视觉传感器等各类传感器。
上述控制装置103用于根据所获取到的与上述类神经肌肉骨骼机器人相关的数据以及待实现的任务需求实现对上述类神经肌肉骨骼机器人的控制，使得上述类神经肌肉骨骼机器人完成待实现的任务。上述控制装置103可以为按照预定逻辑或预定程序改变控制电路或设备状态的电子设备，可以是由电子元器件构成的电子线路，或由处理器或微处理器为核心的电子控制装置，如单片机系统、可编程逻辑控制器、微型计算机、工业控制机等。上述控制装置103还可以是提供各种服务的服务器，实现对与上述类神经肌肉骨骼机器人相关的数据的处理，根据处理结果控制上述类神经肌肉骨骼机器人肢体、关节、肌肉的运动。上述控制装置103还可以是具有数据处理功能、控制功能的应用平台。上述控制装置103可以根据需要安装于上述类神经肌肉骨骼机器人本体上。还可以安装上述类神经肌肉骨骼机器人本体之外的其他地方。上述控制装置可以具有存储与类神经肌肉骨骼机器人、与类神经肌肉骨骼机器人运动过程相关的历史数据的单元，例如，具有存储与类神经肌肉骨骼机器人指定任务以及完成该制度任务时肢体、关节、肌肉变化的历史数据库等；可以具有数据运算及处理能力，通过机器学习算法等进行自学习的模型训练；可以具有用于接收用户或平台的任务信息的单元，例如，网络接口。
上述执行装置102用于接收上述控制装置的控制信号，并根据控制信号的指示驱动上述与类神经肌肉骨骼机器人的肢体、关节、肌肉的运动。上述执行装置可以是驱动关节运动、肌肉伸缩的装置，可以为各种电动类执行机构，步进电机、电磁阀等。上述执行装置102可以安装于机器人的骨架或机器人的肢体上。
需要说明的是，本申请实施例所提供的类神经肌肉骨骼机器人上肢模型的简化方法一般由控制装置103执行。
本发明中，在保证控制精度的前提下，通过删减冗余的肌肉，简化类神经肌肉骨骼机器人的控制模型。其简化方案可以依据类神经肌肉骨骼机器人上肢各个运动关节单独运动时，其相关肌肉的平均肌肉力大小，选出该关节的简化肌肉集合，再对所有关节的简化肌肉集合取并集，得到满足指定运动精度下，类神经肌肉骨骼机器人上肢模型的最简肌肉集合，并依据最简肌肉集合搭建硬件平台，达到简化控制方案、降低复杂程度。
继续参考图2，示出了根据本申请的类神经肌肉骨骼机器人上肢模型的简化方法的一个实施例的流程，该类神经肌肉骨骼机器人上肢模型的简化方法，包括以下步骤：
步骤1，获取待进行肌肉优化的目标运动模式，确定与上述目标运动模式的运动相关的目标关节集合。
本发明中，可以将类神经肌肉骨骼机器人上肢的运动进行功能划分，分为多种基本运动模式，如，将上肢的运动划分为抬臂、伸展手臂、翻转手腕等基本的运动。对上肢的每一基本运动进行模型的简化，将待进行模型简化的运动作为目标运动模式。上述确定与上述目标运动模式的运动相关的目标关节集合，可以是在指定了目标运动模式后，分析产生该运动模式时，哪些关节需要配合运动，则这些关节构成目标关节集合。例如，翻转手腕的运动模式中，桡尺近端关节、桡中关节、桡腕关节需要运动，三者构成目标关节集合，肩关节可以保持不动，不影响“翻转手腕”运动的产生，故不属于目标关节集合。
步骤2，根据肌肉筋腱附着点位置选取上述目标关节集合中各目标关节的肌肉，确定与上述目标运动模式相关的肌肉集合。
关节的运动需要与其有连接关系的肌肉的作用，由对各目标关节的运动有关的肌肉构成上述目标运动模式相关的肌肉集合。具体地，上述目标关节集合的相关肌肉，为肌肉筋腱在骨骼上的附着点分布在上述目标关节集合中任一目标关节运动方向两侧，并为上述目标关节的运动提供转动力矩的肌肉。
步骤3，从预设的运动文件库中提取上述目标运动模式的运动文件作为期望运动。
在本发明中，预先存储有运动文件库，运动文件库中的运动文件与目标运动模式对应。上述运动文件中包含一组时间序列数据，时间从t1至tn，时间间隔为dt，目标关节集合C中关节Ci的角度随时间由
Figure BDA0001578318520000081
变化到
Figure BDA0001578318520000082
其它关节角度保持不变。具体地，运动文件可以列表的方式预先设置，可以为指定运动时间、运动起点角度和终点角度，通过线性插值形成时间序列。上述运动文件可以为包含时间序列数据和上述目标关节集合中各目标关节随上述时间序列数据变化时的角度和/或位置数据。
步骤4，根据上述期望运动，利用预设的静态优化算法计算上述肌肉集合中各肌肉的激活序列作为第一激活序列，使用各上述第一激活序列驱动上述肌肉集合中各肌肉的肌肉模型跟踪上述期望运动。
在本发明中，肌肉集合中的每条肌肉都有对应的一个激活序列，计算上述目标运动对应的肌肉集合中出全部肌肉的激活序列构成一组激活序列；该组激活序列分别驱动肌肉集合中对应的肌肉以跟踪运动文件所提供的期望运动。可以利用静态优化算法计算上述肌肉集合中各肌肉的激活序列，以驱动包含完整肌肉集合的骨骼肌肉模型跟踪运动文件所提供的期望运动。
其中，利用静态优化算法，通过如下公式计算各肌肉在所述时间序列数据下的肌肉激活强度：
Figure BDA0001578318520000091
Figure BDA0001578318520000092
其中：
Figure BDA0001578318520000093
Figure BDA0001578318520000094
Figure BDA0001578318520000095
式中，aT Mi为第i条肌肉的激活强度，q和
Figure BDA0001578318520000096
表示所述目标关节当前的角度和角速度，qexp、
Figure BDA0001578318520000097
和
Figure BDA0001578318520000098
是由所述运动文件中的数据求解得到所述目标关节期望角度、角速度和角加速度；A表示系统的质量矩阵，G表示重力，CC表示科式力矩阵，R表示肌肉力臂矩阵，E表示外力矩阵，
Figure BDA0001578318520000099
表示肌肉力；
Figure BDA00015783185200000910
表示跟踪期望运动所需要的理想运动学加速度，
Figure BDA00015783185200000911
表示跟踪期望运动所需要的理想动力学加速度。
步骤5，记录末端参考点的第一运动轨迹以及计算上述肌肉集合中各肌肉在运动过程中的肌肉力，并按照肌肉力平均值从大到小的顺序选出预定数目条肌肉作为简化肌肉，并生成简化肌肉集合。
在步骤5中，末端参考点为设于肢体末端，用于标识肢体末端运行轨迹的参考点。可以是设于掌心的参考点，位于中指掌骨质心位置，如附图3中，类神经肌肉骨骼机器人掌心出的小球。记录末端参考点的第一运动轨迹，可以是记录运动过程中末端参考点的三维坐标随时间的变化，所构成的运动轨迹。上述末端参考点的运动轨迹可以通过设于肢体末端的传感器所采集的数据获得。记录掌心参考点可以获得上肢末端的运动轨迹。
上述记录运动过程中肌肉集合在上述肌肉激活序列作用下产生的肌肉力，包括上述肌肉集合中各肌肉受激活序列作用后产生的主动力和上述肌肉集合中各肌肉受被动力，其中：
可以通过如下公式计算上述肌肉集合中各肌肉受上述激活序列作用后产生的主动力：
Figure BDA0001578318520000101
f(lm(t))＝exp(-(lm(t)-1)2/γ)
通过如下公式计算所述肌肉集合中各肌肉受被动力：
Figure BDA0001578318520000102
Figure BDA0001578318520000103
式中，模型参数
Figure BDA0001578318520000104
表示肌肉m的最大等距力，γ表示高斯形状因子，
Figure BDA0001578318520000105
表示肌肉m的被动力应力因子，kPE表示被动力与肌肉长度间的非线性因子，lm(t)表示t时刻肌纤维长度，
Figure BDA0001578318520000106
为主动力，
Figure BDA0001578318520000107
为被动力。
上述肌纤维长度通过如下公式计算：
Figure BDA0001578318520000108
Figure BDA0001578318520000109
式中，
Figure BDA00015783185200001010
表示肌肉m在时刻t至时刻t+dt内的收缩速度，
Figure BDA00015783185200001011
表示肌肉收缩单元的收缩力，
Figure BDA00015783185200001012
是肌肉收缩力-速度传递函数的逆函数。
上述肌肉收缩力可以通过如下公式计算：
Figure BDA00015783185200001013
Figure BDA00015783185200001014
Figure BDA0001578318520000111
Figure BDA0001578318520000112
Figure BDA0001578318520000113
式中，εT表示肌腱拉伸应变，
Figure BDA0001578318520000114
是肌腱应力阈值，klin是线性因子，ktoe是非线性因子，
Figure BDA0001578318520000115
是标准化肌腱力阈值，
Figure BDA0001578318520000116
是肌腱松弛长度，α(t)是羽状角随时间的变化函数，
Figure BDA0001578318520000117
是最优肌纤维长度，α0为初始羽状角，lMT(t)是肌肉-筋腱联合长度。
肌肉收缩力-速度传递函数的逆函数
Figure BDA0001578318520000118
的具体形式为：
Figure BDA0001578318520000119
其中，
Figure BDA00015783185200001110
Figure BDA00015783185200001111
式中，模型参数ε是一个任意小的非零常数，
Figure BDA0001578318520000121
是被动阻尼因子，Af是力-速度曲线形状因子，
Figure BDA0001578318520000122
是标准化肌肉力最大阈值。
第m条肌肉在时刻t所产生的肌肉力为主动力与被动力的合力，计算方式如下：
Figure BDA0001578318520000123
上述选取预定数目条肌肉作为简化肌肉，并生成简化肌肉集合，可以是对肌肉集合中的的肌肉依据肌肉力的均值大小降序排列，得到在上述目标运动模式下肌肉按照平均肌肉力由大到小排列的肌肉序列，选择前n条肌肉构成简化肌肉集合，其中，n的大小可以预先设置。
对于肌肉力均值的计算可以是，假设第m条肌肉在第ti时刻记录的肌肉力为
Figure BDA0001578318520000124
其中i＝1,…,n，则肌肉力均值计算公式为：
Figure BDA0001578318520000125
步骤6，根据上述期望运动，利用上述静态优化算法计算上述简化肌肉集合中各肌肉的激活序列作为第二激活序列，使用各上述第二激活序列驱动上述简化肌肉集合中各肌肉的肌肉模型跟踪上述期望运动。
在步骤6中，根据前述步骤所述的过程，驱动简化肌肉集合中各肌肉运动，以跟踪上述期望运动。
步骤7，记录末端参考点的第二运动轨迹，将上述第二运动轨迹与上述第一运动轨迹比较，确定运动轨迹的偏差。
记录驱动简化肌肉集合中各肌肉运动后所得到的肢体末端参考点的运动轨迹为第二运动轨迹，并与驱动肌肉集合中各肌肉运动后所得到的肢体末端参考点的第一运动轨迹比较，得到运动轨迹的偏差。
可以记录掌心参考点在运动中产生的运动轨迹，在时刻tn所到达的空间位置点。这里，如图4所示的类神经肌肉骨骼机器人掌心出的小球可以作为掌心参考点。
上述确定运动轨迹的偏差可以是确定路径重复偏差和定位偏差。具体地，路径偏差算法具体如下：获取上述第一运动轨迹的轨迹点坐标，作为第一轨迹点坐标；获取上述第二运动轨迹的轨迹点坐标，作为第二轨迹点坐标；通过如下公式计算与上述期望运动的路径重复偏差：
Figure BDA0001578318520000131
式中epa T为路径重复偏差，第一轨迹点坐标为
Figure BDA0001578318520000132
Figure BDA0001578318520000133
第二轨迹点坐标
Figure BDA0001578318520000134
上述定位偏差为将上述第二运动轨迹与上述第一运动轨迹比较，确定末端点的定位偏差。可以通过如下公式计算上述末端参考点的定位偏差：
Figure BDA0001578318520000135
式中，第一运动轨迹的末端参考点的坐标为
Figure BDA0001578318520000136
第二运动轨迹末参考端点的坐标为
Figure BDA0001578318520000137
定位偏差epo T。
步骤8，如果上述偏差满足预设阈值，确定上述简化肌肉集合为上述类神经肌肉骨骼机器人对应于上述目标运动模式的最简肌肉集合。
判断上述偏差满足预设阈值，可以通过判断简化肌肉集合的精度指标确定。上述简化肌肉集合的精度指标包括路径重复精度和定位精度。
简化肌肉集合的路径重复精度和定位精度可以通过如下过程计算得到。假设目标关节集合C中的关节Ci的变化范围为
Figure BDA0001578318520000138
设时间从t1至tn，时间间隔为dt，任意取关节Ci变化范围为
Figure BDA0001578318520000139
其中
Figure BDA00015783185200001310
对目标关节集合C中的所有关节进行同样的操作，构成目标运动模式的运动文件
Figure BDA00015783185200001311
对于每个运动文件
Figure BDA00015783185200001312
重复上述各步骤，计算路径重复偏差
Figure BDA00015783185200001313
和定位偏差
Figure BDA00015783185200001314
上述简化肌肉集合路径重复精度的三个指标：最大路径重复偏差
Figure BDA00015783185200001315
最小路径重复偏差
Figure BDA00015783185200001316
和平均路径重复偏差
Figure BDA00015783185200001317
可以计算如下：
Figure BDA00015783185200001318
Figure BDA00015783185200001319
Figure BDA00015783185200001320
上述简化肌肉集合的定位精度的三个指标：最大定位偏差
Figure BDA0001578318520000141
最小定位偏差
Figure BDA0001578318520000142
和平均定位偏差
Figure BDA0001578318520000143
可以计算如下：
Figure BDA0001578318520000144
Figure BDA0001578318520000145
Figure BDA0001578318520000146
上述精度指标DT Acc为路径重复精度和定位精度的合集，即：
Figure BDA0001578318520000147
判断简化肌肉集合DT的精度指标DT Acc是否满足目标运动模式运动控制的精度阈值UT(DT Acc<UT)，若不能达到，可通过增大n值，构成新的简化肌肉集合，直到找出能够达到精度阈值需要的最简肌肉集合。其中，精度阈值UT的具体形式为：
Figure BDA0001578318520000148
其中，精度阈值UT可以根据实际需求预先设定，不同任务需要的阈值不同。例如，完成轴孔装配任务，精度要求不能高于0.001，而完成抓取任务，精度可能只要0.1即可。
作为一具体示例，参考图3、图4和图5，图3和图4示出了对上述类神经肌肉骨骼机器人抬升右侧上肢前臂肌肉集合简化过程，图5示出了简化过程的流程步骤。其简化过程包括如下的步骤：
步骤S1：指定将进行肌肉优化的目标运动模式为抬升右侧上肢前臂，记为T。
步骤S2：根据目标运动模式T确定与目标运动相关的目标关节集合C，抬升右侧上肢前臂仅需要肘关节运动，因此目标关节集合C中只有1个关节，即肘关节。
步骤S3：根据肌肉筋腱附着点位置选取目标关节集合C的相关肌肉，确定与目标运动模式T相关的完整肌肉集合MT，MT j表示集合MT中的第j条肌肉，NT表示集合中的肌肉数量。图3示出了上肢肘关节肌肉骨骼完整模型示意图，图3中显示了肘关节完整肌肉集合MT所包含的14条肌肉，以及14条肌肉的分布情况。
步骤S4：提供产生目标运动模式T的运动文件ET，作为期望运动。上述运动文件ET中包含一组时间序列数据，时间从0s至1s，时间间隔为0.01s，肘关节角度随时间由60°变化到90°，其它关节角度保持不变。
步骤S5：利用静态优化算法计算一组肌肉激活序列AT M，驱动包含完整肌肉集合MT的骨骼肌肉模型跟踪ET所提供的期望运动。
步骤S6：记录掌心参考点H在运动中产生的运动轨迹PaT M，在时刻1s所到达的空间位置点PoT M。记录掌心参考点可以获得上肢末端的运动轨迹；可以基于掌心参考点运动轨迹计算路径重复偏差和定位偏差。请参阅图5所示运动轨迹图，图中曲线1显示了完整肌肉模型的运动轨迹PC M，曲线1上端末端点显示了时刻1s时掌心参考点所在位置PoT M。
步骤S7：记录运动过程中肌肉集合MT在肌肉激活AT M作用下产生的肌肉力FT M，其中FT Mi表示肌肉MT i在AT Mi激活下产生的肌肉力。
步骤S8：对MT中的肌肉依据FT M肌肉力的均值大小降序排列，得到运动模式T肌肉按照平均肌肉力由大到小排列的肌肉序列RT。请参阅图6所示肌肉力降序排列图，图中显示了肘关节完整肌肉集合MT依据FT M肌肉力的大小降序排列的结果。
步骤S9：依据肌肉序列RT，选择前5条肌肉构成简化肌肉集合DT，DT j表示集合DT中的第j条肌肉。图4所示上肢肘关节肌肉骨骼简化模型示意图，图中显示了肘关节简化肌肉集合DC所包含的5条肌肉的分布情况。
步骤S10：利用静态优化算法计算一组肌肉激活序列AT D，驱动仅包含简化肌肉集合DT的骨骼肌肉模型跟踪ET所提供的期望运动。
步骤S11：记录掌心参考点H在运动中产生的运动轨迹PaT D，在时刻1s所到达的空间位置点PoT D。
如图7所示运动轨迹图，图中曲线2显示了简化肌肉模型的运动轨迹PC D，曲线2上端末端点显示了时刻1s时掌心参考点所在位置PoT D，曲线3为直线表示PoT M与PoT D之间的定位偏差。
步骤S12：利用路径偏差算法计算PaT D与PaT M之间的偏差，计算跟踪期望运动ET的路径重复偏差epa T。在示例中，路径重复偏差epa T为0.0041951米。
步骤S13：计算PaT D和PoT D定位偏差epo T，定位偏差eC为0.0051米。
步骤S14：计算简化肌肉集合DT的路径重复精度和定位精度，得到用于衡量简化肌肉集合DT实现目标运动模式T的精度指标DT Acc。
本示例中，肘关节的变化范围为[0°,150°]，时间从0s至1s，时间间隔为0.01s，取K＝5，肘关节的变化分别取[0°,30°]，[30°,60°]，[60°,90°]，[90°,120°]，[120°,150°]，构成目标运动模式T的运动文件
Figure BDA0001578318520000161
Figure BDA0001578318520000162
对于每个运动文件
Figure BDA0001578318520000163
重复步骤S5、步骤S6、步骤S10、步骤S11、步骤S12和步骤S13，计算路径重复偏差
Figure BDA0001578318520000164
和定位偏差
Figure BDA0001578318520000165
最终求得本具体实施例的精度指标DT Acc为：
Figure BDA0001578318520000166
上述预设精度阈值UT为：
Figure BDA0001578318520000167
本示例中，选取的前5条肌肉构成的集合DT，其对应的精度指标DT Acc能够达到精度阈值UT的要求，因此所选的5条肌肉构成精度阈值为UT下，抬升右侧上肢前臂的最简肌肉集合DT*。
本申请的上述实施例，依据类神经肌肉骨骼机器人上肢各个运动关节单独运动时，其相关肌肉的平均肌肉力大小，选出该关节的简化肌肉集合，再对所有关节的简化肌肉集合取并集，得到满足指定运动精度下，类神经肌肉骨骼机器人上肢模型的最简肌肉集合，构建机器人控制模型，简化控制方案、降低类神经肌肉骨骼机器人的模型复杂度、降低硬件成本。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种类神经肌肉骨骼机器人上肢模型的简化方法，其特征在于，所述方法包括如下步骤：
步骤1，获取待进行肌肉优化的目标运动模式，确定与所述目标运动模式的运动相关的目标关节集合；
步骤2，根据肌肉筋腱附着点位置选取所述目标关节集合中各目标关节的肌肉，确定与所述目标运动模式相关的肌肉集合；
步骤3，从预设的运动文件库中提取所述目标运动模式的运动文件作为期望运动；
步骤4，根据所述期望运动，利用预设的静态优化算法计算所述肌肉集合中各肌肉的激活序列作为第一激活序列，使用各所述第一激活序列驱动所述肌肉集合中各肌肉的肌肉模型跟踪所述期望运动；
步骤5，记录末端参考点的第一运动轨迹以及计算所述肌肉集合中各肌肉在运动过程中的肌肉力，并按照肌肉力平均值从大到小的顺序选出预定数目条肌肉作为简化肌肉，并生成简化肌肉集合；
其中，末端参考点为设于肢体末端，用于标识肢体末端运行轨迹的参考点；
步骤6，根据所述期望运动，利用所述静态优化算法计算所述简化肌肉集合中各肌肉的激活序列作为第二激活序列，使用各所述第二激活序列驱动所述简化肌肉集合中各肌肉的肌肉模型跟踪所述期望运动；
步骤7，记录末端参考点的第二运动轨迹，将所述第二运动轨迹与所述第一运动轨迹比较，确定运动轨迹的偏差；
步骤8，如果所述偏差满足预设阈值，确定所述简化肌肉集合为所述类神经肌肉骨骼机器人对应于所述目标运动模式的最简肌肉集合。
2.根据权利要求1所述的类神经肌肉骨骼机器人上肢模型的简化方法，其特征在于，在所述步骤2中，所述目标关节集合的相关肌肉，为肌肉筋腱在骨骼上的附着点分布在所述目标关节集合中任一目标关节运动方向两侧，并为所述目标关节的运动提供转动力矩的肌肉。
3.根据权利要求1所述的类神经肌肉骨骼机器人上肢模型的简化方法，其特征在于，在所述步骤3中，所述运动文件为包含时间序列数据和所述目标关节集合中各目标关节随所述时间序列数据变化时的角度和/或位置数据。
4.根据权利要求3所述的类神经肌肉骨骼机器人上肢模型的简化方法，其特征在于，在所述步骤4中，所述利用所述静态优化算法计算各肌肉的激活序列，包括通过如下公式计算各肌肉在所述时间序列数据下的肌肉激活强度：
Figure FDA0002362821130000021
Figure FDA0002362821130000022
其中：
Figure FDA0002362821130000023
Figure FDA0002362821130000024
Figure FDA0002362821130000025
式中，aT Mi为第i条肌肉的激活强度，q和
Figure FDA0002362821130000026
表示所述目标关节当前的角度和角速度，qexp、
Figure FDA0002362821130000027
和
Figure FDA0002362821130000028
是由所述运动文件中的数据求解得到所述目标关节期望角度、角速度和角加速度；A表示系统的质量矩阵，G表示重力，CC表示科式力矩阵，R表示肌肉力臂矩阵，E表示外力矩阵，
Figure FDA0002362821130000029
表示肌肉力；
Figure FDA00023628211300000210
表示跟踪期望运动所需要的理想运动学加速度，
Figure FDA00023628211300000211
表示跟踪期望运动所需要的理想动力学加速度。
5.根据权利要求4所述的类神经肌肉骨骼机器人上肢模型的简化方法，其特征在于，所述计算所述肌肉集合中各肌肉在运动过程中的肌肉力，包括所述肌肉集合中各肌肉受所述激活序列作用后产生的主动力和所述肌肉集合中各肌肉受被动力，其中：
通过如下公式计算所述肌肉集合中各肌肉受所述激活序列作用后产生的主动力：
Figure FDA00023628211300000212
f(lm(t))＝exp(-(lm(t)-1)2/γ)
α(t)是羽状角随时间的变化函数；
通过如下公式计算所述肌肉集合中各肌肉受被动力：
Figure FDA0002362821130000031
Figure FDA0002362821130000032
式中，模型参数
Figure FDA0002362821130000033
表示肌肉m的最大等距力，γ表示高斯形状因子，
Figure FDA0002362821130000034
表示肌肉m的被动力应力因子，kPE表示被动力与肌肉长度间的非线性因子，lm(t)表示t时刻肌纤维长度，
Figure FDA0002362821130000035
为主动力，
Figure FDA0002362821130000036
为被动力。
6.根据权利要求5所述的类神经肌肉骨骼机器人上肢模型的简化方法，其特征在于，所述肌纤维长度通过如下公式计算：
Figure FDA0002362821130000037
Figure FDA0002362821130000038
式中，
Figure FDA0002362821130000039
表示肌肉m在时刻t至时刻t+dt内的收缩速度，
Figure FDA00023628211300000310
表示肌肉收缩力，
Figure FDA00023628211300000311
是肌肉收缩力-速度传递函数的逆函数。
7.根据权利要求6所述的类神经肌肉骨骼机器人上肢模型的简化方法，其特征在于，通过如下公式计算所述肌肉收缩力：
Figure FDA00023628211300000312
Figure FDA00023628211300000313
Figure FDA0002362821130000041
Figure FDA0002362821130000042
Figure FDA0002362821130000043
Figure FDA0002362821130000044
式中，εT表示肌腱拉伸应变，
Figure FDA0002362821130000045
是肌腱应力阈值，klin是线性因子，ktoe是非线性因子，
Figure FDA0002362821130000046
是标准化肌腱力阈值，
Figure FDA0002362821130000047
是肌腱松弛长度，
Figure FDA0002362821130000048
是最优肌纤维长度，α0为初始羽状角，lMT(t)是肌肉-筋腱联合长度。
8.根据权利要求1所述的类神经肌肉骨骼机器人上肢模型的简化方法，其特征在于，所述将所述第二运动轨迹与所述第一运动轨迹比较，确定运动轨迹的偏差，包括：
获取所述第一运动轨迹的轨迹点坐标，作为第一轨迹点坐标；
获取所述第二运动轨迹的轨迹点坐标，作为第二轨迹点坐标；
通过如下公式计算与所述期望运动的路径的重复偏差：
Figure FDA0002362821130000049
式中，epa T为路径重复偏差，第一轨迹点坐标为
Figure FDA00023628211300000410
第二轨迹点坐标
Figure FDA00023628211300000411
9.根据权利要求8所述的类神经肌肉骨骼机器人上肢模型的简化方法，其特征在于，所述方法包括：所述将所述第二运动轨迹与所述第一运动轨迹比较，确定运动轨迹的偏差还包括计算末端点的定位偏差，通过如下公式计算所述末端点的定位偏差：
Figure FDA0002362821130000051
式中，第一运动轨迹的末端点的坐标为
Figure FDA0002362821130000052
第二运动轨迹末端点的坐标为
Figure FDA0002362821130000053
定位偏差epo T。
10.根据权利要求9所述的类神经肌肉骨骼机器人上肢模型的简化方法，其特征在于，在所述步骤8之前，所述方法包括：
计算所述简化肌肉集合的路径重复精度和定位精度，并根据所述路径重复精度和定位精度得到所述简化肌肉集合驱动所述目标运动模式的精度指标；
将所述精度指标与预设的阈值比较，判断所述精度指标与预设的阈值的偏差是否满足预设阈值；其中：
所述精度指标为路径重复精度和定位精度的合集：
Figure FDA0002362821130000054
其中，
Figure FDA0002362821130000055
Figure FDA0002362821130000056
Figure FDA0002362821130000057
Figure FDA0002362821130000058
Figure FDA0002362821130000059
Figure FDA0002362821130000061
式中，路径重复精度包括最大路径重复偏差
Figure FDA0002362821130000062
最小路径重复偏差
Figure FDA0002362821130000063
和平均路径重复偏差
Figure FDA0002362821130000064
定位精度包括最大定位偏差
Figure FDA0002362821130000065
最小定位偏差
Figure FDA0002362821130000066
和平均定位偏差
Figure FDA0002362821130000067
CN201810144037.XA 2018-02-12 2018-02-12 类神经肌肉骨骼机器人上肢模型的简化方法 Active CN108446442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810144037.XA CN108446442B (zh) 2018-02-12 2018-02-12 类神经肌肉骨骼机器人上肢模型的简化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810144037.XA CN108446442B (zh) 2018-02-12 2018-02-12 类神经肌肉骨骼机器人上肢模型的简化方法

Publications (2)

Publication Number Publication Date
CN108446442A CN108446442A (zh) 2018-08-24
CN108446442B true CN108446442B (zh) 2020-03-13

Family

ID=63192549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810144037.XA Active CN108446442B (zh) 2018-02-12 2018-02-12 类神经肌肉骨骼机器人上肢模型的简化方法

Country Status (1)

Country Link
CN (1) CN108446442B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220075329A1 (en) * 2020-09-04 2022-03-10 International Business Machines Corporation Movement sequence analysis utilizing printed circuits
CN112364785B (zh) * 2020-11-13 2023-07-25 中移雄安信息通信科技有限公司 一种运动训练指导方法、装置、设备及计算机存储介质
CN113084814B (zh) * 2021-04-13 2022-05-10 中国科学院自动化研究所 基于分布位置优化实现肌肉骨骼机器人运动控制的方法
CN113199460B (zh) * 2021-05-24 2022-09-02 中国科学院自动化研究所 非线性肌肉骨骼机器人控制方法、系统及设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105467841B (zh) * 2015-12-18 2018-03-30 中国科学院自动化研究所 一种类人机器人上肢运动的类神经控制方法
CN105619408B (zh) * 2016-02-24 2017-10-27 中国科学院自动化研究所 一种类人机器人上肢运动模型的类神经精准控制方法

Also Published As

Publication number Publication date
CN108446442A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN108446442B (zh) 类神经肌肉骨骼机器人上肢模型的简化方法
Mattar A survey of bio-inspired robotics hands implementation: New directions in dexterous manipulation
CN111888194B (zh) 一种上肢康复训练方法、系统、装置及存储介质
US8989902B1 (en) User interface for a tele-operated robotic hand system
Hitzmann et al. Anthropomorphic musculoskeletal 10 degrees-of-freedom robot arm driven by pneumatic artificial muscles
Ugartemendia et al. Machine learning for active gravity compensation in robotics: Application to neurological rehabilitation systems
Ariyanto et al. Development of a low cost anthropomorphic robotic hand driven by modified glove sensor and integrated with 3D animation
Nia et al. Reinforcement learning-based grasp pattern control of upper limb prosthetics in an AI platform
Ramaswamy et al. A survey of robotic hand-arm systems
CN116533247A (zh) 基于dmp与卷积神经网络的机械臂多模态抓取任务实现方法
CN116629373A (zh) 一种模型训练系统、训练方法、装置及存储介质
Wang et al. Modelling of human haptic skill: A framework and preliminary results
de Azevedo Fernandes et al. A Real Framework to Apply Collaborative Robots in Upper Limb Rehabilitation.
Fikri et al. Arm exoskeleton for rehabilitation following stroke by learning algorithm prediction
Tiboni et al. Low-cost design solutions for educational robots
Setapen et al. Beyond teleoperation: Exploiting human motor skills with marionet
De La Cruz-Sánchez et al. Trajectory planning and fuzzy control of a hand exoskeleton for assisted rehabilitation
Al Mashhadany et al. Human-Robot Arm Interaction Based on Electromyography Signal
Ruth Robotic assemblies based on IPMC actuator
Veeramalla et al. Development and Gesture Control of Virtual Robotic Arm
Wu Simulation Analysis of Hydraulic Control System of Engineering Robot Arm Based on ADAMS
Berith et al. Trajectory Planning and Fuzzy Control of a Hand Exoskeleton for Assisted Rehabilitation
US20110004321A1 (en) Interface method between an operator and a multiarticular robotic and/or prosthetic device for moving the same
Peng et al. Adaptive modeling and control of an upper-limb rehabilitation robot using rbf neural networks
Bull Robotic Grasp Control using Tactile Feedback

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant