CN110303471B - 助力外骨骼控制系统及控制方法 - Google Patents

Abstract

本发明涉及一种助力外骨骼控制系统及控制方法，属于机器人技术领域。其系统包括传感通信执行子系统和处理规划决策子系统。传感通信执行子系统用于感知运动意图、运动状态和生理信息，其计算主控平台在人机耦合信息的基础上作出命令决策，并驱动机器人关节进行适时和适当的助力；处理规划决策子系统用以基于运动意图辨识方法和生物电信号分析技术，实现人机信息交互方式和人机意识融合，并用以基于多变量深度学习的步态规划方法实现步态规划，以及用以基于可变阻抗控制，确保该控制系统的整体舒适性与安全性，从而使用户达到最佳的使用效果。

Description

助力外骨骼控制系统及控制方法

技术领域

本发明涉及机器人技术领域，特别涉及外骨骼机器人技术领域，具体是指一种助力外骨骼控制系统设计。

背景技术

老龄化将使得老年人的四肢灵活性逐渐下降，并使得老年人致残几率快速上升。随着国内老龄化的问题日益加重，我国老年残疾人的人口比率将会大幅度增加。传统的运动康复医疗设备将不能满足老年人康复的需求，一方面的原因是人口数量的剧增，另一方面的原因是传统设备的工作效率和智能化程度较低。于此同时，具有自适应调节能力的智能外骨骼机器人将会得到巨大的市场需求。在研究智能的外骨骼机器人的控制策略过程中，助力外骨骼控制系统设计成为至关重要的一环。

助力外骨骼控制系统可以有效控制助力外骨骼的运动，更符合佩戴者个性化的助力需要，因此，如何实现更好的助力外骨骼控制，使用户达到最佳的使用效果，成为本领域亟待解决的问题。

发明内容

本发明的目的是克服了上述现有技术中的缺点，提供一种可更好地助力外骨骼控制，使用户达到更舒适便捷的使用效果的助力外骨骼控制系统和控制方法。

为了实现上述的目的，本发明的助力外骨骼控制系统具有如下构成：

该系统包括：传感通信执行子系统和处理规划决策子系统。

传感通信执行子系统，用于感知运动意图、运动状态和生理信息，其计算主控平台在人机耦合信息的基础上作出命令决策，并驱动机器人关节进行适时和适当的助力；

处理规划决策子系统，用以基于运动意图辨识方法和生物电信号分析技术，实现人机信息交互方式和人机意识融合，并用以基于多变量深度学习的步态规划方法实现步态规划，以及用以基于可变阻抗控制，确保该控制系统的整体舒适性与安全性。

该助力外骨骼控制系统中，所述的传感通信执行子系统包括由高速现场通信总线相互连接的多个多模态传感器、柔性关节驱动执行器和计算处理平台以及云端数据服务平台；其中，所述的多个多模态传感器包括足底压力传感器、加速度传感器、陀螺仪、力矩/力传感器、编码器、人体电容传感器和表面肌电传感器，并利用高速现场通信总线将上述的各个传感器组成传感器网络，该传感器网络用于感知佩戴者的运动意图、运动状态和生理信息，所述的计算处理平台基于所述的运动意图、运动状态和生理信息作出命令决策，以驱动所述的柔性关节驱动执行器进行适时和适当助力；并将运动意图、运动状态、生理信息、命令决策和状态信息上传至所述的云端数据服务平台。

该助力外骨骼控制系统中，所述的传感器网络用于感知佩戴者的运动意图、运动状态和生理信息具体为：基于足底压力分布、躯体加速度、角速度、关节位置、力矩信号提取的躯体运动动力学信息，所述的躯体运动动力学信息包括重心、零力矩点(ZMP，zero-moment point)、步态阶段、躯体姿态，并采用多分类SVM方法学习其与运动意图之间的映射关系，实现运动意图的分类与辨识；建立基于生物电信号机理的机理数学模型，人体电容与表面肌电信号经过滤波去噪、特征提取、信息降维处理，在所述的机理数学模型基础上，通过模式匹配算法实现运动意图的自然感知，进而将所述的运动意图的分类与辨识以及运动意图的自然感知通过贝叶斯信息融合方法实现高精度的运动感知。

该助力外骨骼控制系统中，所述的处理规划决策子系统具体用以基于所述的运动意图、运动状态和生理信息作出命令决策，以驱动所述的柔性关节驱动执行器进行适时和适当助力，具体为：根据当前所述的传感器网络采集到的步态状态进行步态时空定位，通过强化学习的方法进行最优决策，实现步态模式的自适应切换；同时依赖于步态数据采集、步态规划和步态分析，利用多变量深度学习方法从不同年龄、性别、体型的步态数据中提取出典型的步态模式，并且根据当前的状态实时调整步态轨迹的参数，规划步态轨迹，以适应佩戴者的运动意图；并且执行则依赖于关节输出和步态分析，根据不同的步态阶段，选择力矩控制、位置控制和阻抗控制等策略，实现柔顺协调控制。

该助力外骨骼控制系统中，所述的多变量深度学习方法具体为，以各个关节的广义坐标及其微分作为输入参数的神经节点，以所要求得的关节驱动力矩、关节运动轨迹作为输出节点，利用深度学习方法从所建立的步态数据库中提取出典型的步态模式，所述的典型的步态模式包括：平地行走、上坡、下坡、上楼梯、下楼梯、起、蹲。

该助力外骨骼控制系统中，所述的规划步态轨迹，以适应佩戴者的运动意图，具体为：利用三维步态仿真平台模拟真实的行走环境，进而利用学习网络选择不同的步态模型输出相应动作，以仿真环境中躯体状态的优劣生成相应的奖励信息，并以此训练强化学习网络，实现从环境到步态模型映射的学习，降低患者摔倒的风险，增强系统的自适应能力，使系统具备在特定环境下作出最优决策的能力。

该助力外骨骼控制系统中，所述的根据不同的步态阶段，选择力矩控制、位置控制和阻抗控制等策略，实现柔顺协调控制，具体为：考虑佩戴者个体差异以及外界环境的不确定性，实现最优的轨迹跟踪与柔性接触性能，动态调整阻抗控制器的刚度系数与阻尼系数，采用自适应算法，根据力反馈与姿态信息实时动态调整阻抗参数，实现可变阻抗的人机协调控制。

本发明还提供一种利用上述的助力外骨骼控制系统实现的助力外骨骼控制方法。

采用了该发明的助力外骨骼控制系统，其包括硬件层面的传感通信执行系统和软件层面的处理规划决策系统。硬件层面包括了现场高速通信总线、多模态传感器、柔性关节驱动执行器、计算处理平台和云端数据服务平台等，其中由足底压力、加速度计、陀螺仪、力矩/力传感器、编码器、人体电容、表面肌电等多个传感器在高速现场总线的基础上组成了一个实时互联互通的传感器网络，用于感知佩戴者的运动意图、运动状态和生理信息，计算主控平台在人机耦合系统全部信息的基础上作出命令决策驱动机器人关节进行适时和适当助力，并将系统状态信息上传至云服务平台；软件层面包括了意图感知、步态规划和协调柔顺控制三大部分，智能感知既包含了基于运动学，动力学等传统的运动意图辨识方法，同时也融入了人体电容与表面肌电等生物电信号分析技术，提供一种稳定高效舒适自然的人机信息交互方式，实现人机意识融合；步态规划研究基于多变量深度学习与深度强化学习的步态规划方法，降低患者摔倒风险，提升对环境的适应能力；人机协调柔顺控制研究自适应可变阻抗控制，确保人机系统的舒适性与安全性。从而能够根据佩戴者体型特征、运动意图和外界环境的改变实时作出判断与决策，动态安全地进行步态规划，快速响应运动意图，实现自适应柔顺助力，使之符合人机柔性交互与协调安全助力助行的需求，实现“意念控制”。

附图说明

图1为本发明的助力外骨骼控制系统结构图。

图2为本发明的助力外骨骼控制系统中意图感知、步态规划和协调柔顺控制三者间的结构关系示意图。

图3为系统功能框架逻辑图。

图4为系统各模块逻辑关系示意图。

图5为系统各模块工作流程图。

图6为多传感器信息互补融合意图感知算法示意图。

图7为基于多变量深度学习的典型步态提取方法示意图。

图8为基于深度强化学习的步态切换模型。

图9为可变阻抗柔顺控制算法。

图10为关节输出功能流程图和详细流程图描述。

图11为步态数据采集功能数据流程图和详细流程图描述。

图12为步态分析功能功能流程图和详细流程图描述。

图13为步态规划功能流程图和详细流程描述。

图14为本发明的系统接口类及其数据成员说明。

具体实施方式

为了能够更清楚地理解本发明的技术内容，特举以下实施例详细说明。

请参阅图1所示，为本发明的助力外骨骼控制系统结构图。

在一种实施方式中该系统包括：传感通信执行子系统和处理规划决策子系统。

传感通信执行子系统，用于感知运动意图、运动状态和生理信息，其计算主控平台在人机耦合信息的基础上作出命令决策，并驱动机器人关节进行适时和适当的助力；

处理规划决策子系统，用以基于运动意图辨识方法和生物电信号分析技术，实现人机信息交互方式和人机意识融合，并用以基于多变量深度学习的步态规划方法实现步态规划，以及用以基于可变阻抗控制，确保该控制系统的整体舒适性与安全性。

在一种较优选的实施方式中，所述的传感通信执行子系统包括由高速现场通信总线相互连接的多个多模态传感器、柔性关节驱动执行器和计算处理平台以及云端数据服务平台；其中，所述的多个多模态传感器包括足底压力传感器、加速度传感器、陀螺仪、力矩/力传感器、编码器、人体电容传感器和表面肌电传感器，并利用高速现场通信总线将上述的各个传感器组成传感器网络，该传感器网络用于感知佩戴者的运动意图、运动状态和生理信息，所述的计算处理平台基于所述的运动意图、运动状态和生理信息作出命令决策，以驱动所述的柔性关节驱动执行器进行适时和适当助力；并将运动意图、运动状态、生理信息、命令决策和状态信息上传至所述的云端数据服务平台。

在一种进一步优选的实施方式中，所述的传感器网络用于感知佩戴者的运动意图、运动状态和生理信息具体为：基于足底压力分布、躯体加速度、角速度、关节位置、力矩信号提取的躯体运动动力学信息，所述的躯体运动动力学信息包括重心、零力矩点(ZMP，zero-moment point)、步态阶段、躯体姿态，并采用多分类SVM方法学习其与运动意图之间的映射关系，实现运动意图的分类与辨识；建立基于生物电信号机理的机理数学模型，人体电容与表面肌电信号经过滤波去噪、特征提取、信息降维处理，在所述的机理数学模型基础上，通过模式匹配算法实现运动意图的自然感知，进而将所述的运动意图的分类与辨识以及运动意图的自然感知通过贝叶斯信息融合方法实现高精度的运动感知。

在另一种较优选的实施方式中，所述的处理规划决策子系统具体用以基于所述的运动意图、运动状态和生理信息作出命令决策，以驱动所述的柔性关节驱动执行器进行适时和适当助力，具体为：根据当前所述的传感器网络采集到的步态状态进行步态时空定位，通过强化学习的方法进行最优决策，实现步态模式的自适应切换；同时依赖于步态数据采集、步态规划和步态分析，利用多变量深度学习方法从不同年龄、性别、体型的步态数据中提取出典型的步态模式，并且根据当前的状态实时调整步态轨迹的参数，规划步态轨迹，以适应佩戴者的运动意图；并且执行则依赖于关节输出和步态分析，根据不同的步态阶段，选择力矩控制、位置控制和阻抗控制等策略，实现柔顺协调控制。

在一种进一步优选的实施方式中，所述的多变量深度学习方法具体为，以各个关节的广义坐标及其微分作为输入参数的神经节点，以所要求得的关节驱动力矩、关节运动轨迹作为输出节点，利用深度学习方法从所建立的步态数据库中提取出典型的步态模式，所述的典型的步态模式包括：平地行走、上坡、下坡、上楼梯、下楼梯、起、蹲。

在一种更进一步优选的实施方式中，所述的规划步态轨迹，以适应佩戴者的运动意图，具体为：利用三维步态仿真平台模拟真实的行走环境，进而利用学习网络选择不同的步态模型输出相应动作，以仿真环境中躯体状态的优劣生成相应的奖励信息，并以此训练强化学习网络，实现从环境到步态模型映射的学习，降低患者摔倒的风险，增强系统的自适应能力，使系统具备在特定环境下作出最优决策的能力。

在一种更优选的实施方式中，所述的根据不同的步态阶段，选择力矩控制、位置控制和阻抗控制等策略，实现柔顺协调控制，具体为：考虑佩戴者个体差异以及外界环境的不确定性，实现最优的轨迹跟踪与柔性接触性能，动态调整阻抗控制器的刚度系数与阻尼系数，采用自适应算法，根据力反馈与姿态信息实时动态调整阻抗参数，实现可变阻抗的人机协调控制。

本发明还提供一种利用上述各实施方式所述的助力外骨骼控制系统实现的助力外骨骼控制方法。

在实际的应用中，本发明的助力外骨骼机器人控制系统由硬件层面的传感通信执行系统和软件层面的处理规划决策系统组成。硬件层面包括了现场高速通信总线、多模态传感器、柔性关节驱动执行器、计算处理平台和云端数据服务平台等，其中由足底压力、加速度计、陀螺仪、力矩/力传感器、编码器、人体电容、表面肌电等多个传感器在高速现场总线的基础上组成了一个实时互联互通的传感器网络，用于感知佩戴者的运动意图、运动状态和生理信息，计算主控平台在人机耦合系统全部信息的基础上作出命令决策驱动机器人关节进行适时和适当助力，并将系统状态信息上传至云服务平台。

软件层面包括了意图感知、步态规划和协调柔顺控制三大部分，智能感知既包含了基于运动学，动力学等传统的运动意图辨识方法，同时也融入了人体电容与表面肌电等生物电信号分析技术，提供一种稳定高效舒适自然的人机信息交互方式，实现人机意识融合；步态规划研究基于多变量深度学习与深度强化学习的步态规划方法，降低患者摔倒风险，提升对环境的适应能力；人机协调柔顺控制研究自适应可变阻抗控制，确保人机系统的舒适性与安全性。意图感知、步态规划和协调柔顺控制三者间的结构关系图如图2所示。

控制系统的目标为，以控制系统为核心的助行机器人具备辅助行动不便的人群恢复日常行动能力，实现不同路面行走、上下楼梯、上下坡、站立和蹲下等运动功能，并且要保证穿戴的舒适性和运动的相容性，有效降低佩戴者摔倒的风险。为了实现此功能，助行机器人控制系统需要能够准确感知佩戴者的行为意图，根据佩戴者体型特征、运动意图和外界环境的改变实时作出判断与决策，动态安全地进行步态规划，快速响应运动意图，实现自适应柔顺助力，使之符合人机柔性交互与协调安全助力助行的需求，实现“意念控制”。

系统功能框架逻辑图如图3所示。为了确保助力机器人能够在差异化人群和非结构化应用场景中实现高效率助行助力能效，控制系统需要具备自适应步态助力功能。自适应步态助力功能依赖于四个模块：感知、决策、规划和执行。人体运动意图感知依赖于步态数据采集功能和步态分析功能，步态采集功能是行走过程中的关节转角、躯体空间姿态、人体肌肉电容和表面肌电信号进行实时采集，通过多传感器信息融合方法进行步态分析，感知运动意图；助力外骨骼机器人助力决策依赖于步态分析功能和步态规划功能，根据当前传感器采集到的步态状态进行步态时空定位，通过强化学习的方法进行最优决策，实现步态模式的自适应切换。规划则是指步态轨迹的规划，依赖于步态数据采集功能、步态规划功能和步态分析功能，利用多变量深度学习方法从不同年龄、性别、体型的步态数据中提取出典型的步态模式，并且根据当前的状态实时调整步态轨迹的参数，以适应佩戴者的运动意图。执行则依赖于关节输出功能和步态分析功能，根据不同的步态阶段，选择力矩控制、位置控制和阻抗控制等策略，实现柔顺协调控制。

系统包括如下关键功能指标

EtherCAT软件主站搭建，能够与伺服驱动器和传感器进行实时通信，时钟同步模式，通信频率1KHz。

IMU(加速度计、陀螺仪、磁力计)数据采集以及数据滤波融合。

低延时高精度的力矩信号滤波去噪方法。

驱动伺服电机运转，实现电流环、速度环及位置环的实时控制。

机器人关节末端力矩环控制，随动控制和助力控制模式。

机器人关节谐波减速机的摩擦力补偿。

行走步态轨迹的自适应规划和步态模式自适应切换

步态阶段的时空定位与人体运动意图的评估。

安全保障功能，实现关节位置和力矩输出的软件限位。

系统各模块逻辑关系示意图如图4所示。

主循环控制模块与各采集驱动控制模块通过EtherCAT现场总线连接，实现数据命令的实时互通互联。力矩传感器模块、IMU传感器模块和Copley关节驱动器模块将采集的信息汇总到主循环控制模块，在主循环中进行信号的处理加工、运动意图的评估、步态阶段的时空定位、步态轨迹的自适应规划、柔顺协调控制等操作，最终计算所得控制命令通过通信总线发送到电机驱动模块，实现协调柔顺助力。

系统各模块工作流程图如图5所示。

多传感器信息互补融合意图感知算法示意图如图6所示。其中基于足底压力分布、躯体加速度、角速度、关节位置、力矩等信号提取的躯体运动动力学信息如重心、ZMP、步态阶段、躯体姿态等，拟采用多分类SVM等方法学习其与运动意图的映射关系，实现运动意图的分类与辨识；建立基于生物电信号机理的数学模型，人体电容与表面肌电等信号经过滤波去噪、特征提取、信息降维等处理，在机理模型基础上，通过模式匹配算法实现运动意图的自然感知。两者信息通过贝叶斯信息融合方法实现高精度的运动感知。

基于多变量深度学习的典型步态提取方法示意图如图7所示。采用基于多变量深度学习的方法，以各个关节的广义坐标及其微分作为输入参数的神经节点，以所要求得的关节驱动力矩、关节运动轨迹作为输出节点，利用深度学习方法从所建立的步态数据库中提取出典型的步态模式，如平地行走、上坡、下坡、上楼梯、下楼梯、起、蹲等。

基于深度强化学习的步态切换模型如图8所示。利用三维步态仿真平台模拟真实的行走环境(平地行走、上下楼梯、上下坡、起蹲等)，Q学习网络通过选择不同的步态模型输出相应动作，以仿真环境中躯体状态的优劣生成相应的奖励信息，并以此训练强化学习网络，实现从环境到步态模型映射的学习，降低患者摔倒的风险，增强人机系统的自适应能力，使之具备在特定环境下作出最优决策的能力。

可变阻抗柔顺控制算法如图9所示。该算法表达式如下：

考虑佩戴者个体差异以及外界环境的不确定性，实现最优的轨迹跟踪与柔性接触性能，动态调整阻抗控制器的刚度系数与阻尼系数。为此，拟采用自适应算法，根据力反馈与姿态信息实时动态调整阻抗参数，实现可变阻抗的人机协调控制。

关节输出功能流程图和详细流程图描述如图10所示。

步态数据采集功能数据流程图和详细流程图描述如图11所示。

步态分析功能功能流程图和详细流程图描述如图12所示。

步态规划功能流程图和详细流程描述如图13所示。

本发明的系统接口类及其数据成员说明如图14所示。

MPU9250类中数据成员包含了加速度、陀螺仪和磁力计的量程、单位、测量精度、工作模式、片选引脚、漂移误差以及传感器的读取数值等。

Ascale：枚举变量用于表示加速度计的量程，共有2G、4G、8G、16G四个选项，G表示重力加速度。

Gscale：枚举变量用于表示陀螺仪的量程，共有250DPS,500DPS,1000DPS,2000DP四个选项，单位DPS为度每秒。

Mscale：枚举变量用于表示磁力计的分辨率，有16位和14位的选项。在16位分辨率模式下，最小的测量单位为0.15mG；在14位分辨率模式下，最小的测量单位为0.6mG。

Mmode：磁力计的采集频率模式，0x02,0x06分别表示8Hz和100Hz的采样率。

ChipSelect：IMU硬件芯片片选引脚设置，只有当其为效信号时，MPU9250开始正常的通讯工作。

gyroCount,accelCount,magCount：分别表示陀螺仪、加速度计和磁力计传感器的测量值，使用16位有符号整形表示，需要乘以相应的度量单位才可以得到最终的测量值。

ax,ay,az,gx,gy,gz,mx,my,mz：加速度、陀螺仪和磁力计的最新测量数值，并且以标准的单位形式呈现。

AccelBias,gyroBias,magBias：加速度、陀螺仪和磁力计的初始漂移偏差，用于校准和减小测量误差。

delt_t：存储相邻两次执行读取操作的时间间隔，用于提升角速度积分的精度。

ADS1256

_VREF：存储AD采集芯片的外部参考电压大小，一般为2.5V。

_ClockMHz：存储SPI通信的波特率，一般为4Mhz,8Mhz,12Mhz，高速率能够加快通信的频率。

_CS：AD芯片的片选引脚，当片选为低电平时，芯片正常工作，开始采集转换传输。初始状态应置位高电平，释放SPI总线。

_RST：AD芯片的复位引脚，在正常工作下，该引脚应置位高电平。

_SYN：AD芯片的同步信号输入引脚，用于触发AD芯片的采集，在连续转换模式下，需要将该引脚置为高电平。

_DRDY：AD芯片的信号输出引脚，在完成数据转换后输出中断信号，用于指示力矩传感器的数据采集完成。

_PGA：AD采样通道的运算放大器的放大倍速，对于信号微弱的信号应提高放大倍数，默认为1，不进行信号的放大。

EasyCAT

BufferOut：SPI通信输出缓冲区，用于存储采集芯片与EtherCAT从站交换的数据。

BufferIn：SPI通信输入缓冲区，用于存储采集芯片与EtherCAT从站交换的数据。

SCS：LAN9252通信芯片的片选引脚，低电平有效。初始化时应置位高电平，释放SPI总线

Sync_：EtherCAT从站的同步模式，有非同步模式、同步时钟同步模式和同步管理器同步模式选项可选。

QuatFusion

Ts：存储互补融合算法的执行周期，应根据程序调用频率设定。

Kp：陀螺仪漂移误差的修正控制器参数，PI控制器的比例控制器增益，增益过小，信号更为平滑，但误差修正过程较慢；增益过大，则误差修正过程迅速，但是容易导致不稳定和毛刺现象。

Ki：陀螺仪漂移误差的修正控制器参数，PI控制器的积分控制器增益，用于消除控制器的稳态误差，但是不宜过大，否则导致系统振荡。

exInt,eyInt,ezInt：积分控制器中的角速度误差积分变量，用于存储陀螺仪X,Y,Z轴的误差累计值。

Pitch，Roll，Yaw：欧拉角中的俯仰角，滚翻角和偏航角，用于表示空间中物体的三维姿态。

JointController

_InitPos：存储机器人关节的初始位置，用于机器人关节的零位校准。

_Ts：存储关节控制实时循环的时间间隔。

_Inertial：关节输出末端的惯量参数。

_Gvy：关节输出末端的重力参数。

_Thr1：关节软件限位的上限，限定关节的运动范围。

_Thr2：关节软件限位的下限，限定关节的运动范围。

_Pos：关节当前的实时位置。

_Vel：关节当前的转速。

_Acc：关节当前的角加速度。

_TorqueRaw：测量所得的力矩传感器原始数据。

_Vel1：上一采样点处的关节速度，用于估计关节的角加速度。

_PositionP：步态轨迹规划的位置输出。

_VelP：步态轨迹规划的速度输出。

_Time：主站模块运行的时间记录。

_ImpK：阻抗控制器的刚度参数

_ImpD：阻抗控制器的阻尼参数

_Fa，_Fb，_Fc，_Fd：谐波减速机摩擦力模型的参数，静摩擦+粘滞+库伦摩擦。

_a1，_b1：力矩测量信号的滤波参数

_input1：上一采样点的力矩信号输入

_output1：上一采样点的滤波信号输出

_Torque：滤波去噪后的力矩值

_Kp：关节力矩环PID控制器的比例系数

_Ki：关节力矩环PID控制器的积分系数

_Kd：关节力矩环PID控制器的微分系数

_eInt：积分控制器的误差积分过程值

_eLast：上一采样点的误差值

接口类成员函数说明

将各成员函数按照其属性功能进行分类，分为EtherCAT从站、EthterCAT主站、力矩传感器采集、力矩传感器滤波、IMU传感器采集，IMU信息融合滤波、主循环数据处理、关节力矩输出控制、谐波摩擦补偿、动力学模型补偿和关节安全限位等。

功能	函数
		EtherCAT从站	(12)(13)
EtherCAT主站	(36)(37)(38)(39)(40)(41)
		力矩传感器采集	(14)(15)(16)(17)(18)(19)(20)(21)(22)
IMU传感器采集	(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)(11)
		力矩传感器滤波	(31)
IMU信息融合滤波	(33)(34)(35)
		主循环数据处理	(23)(24)(25)
关节力矩输出控制	(30)
		谐波摩擦补偿	(28)
动力学模型补偿	(29)
		关节安全限位	(32)

表1接口类成员函数表

MPU9250

(1)MPU9250(uint8_t cs)

功能说明：MPU9250片选引脚初始化，将引脚变量赋予类中的片选变量。

参数说明：cs,表示芯片片选的管脚

(2)void getMres()；void getGres()；void getAres()

功能说明：获取磁力计、陀螺仪和加速度的测量单位，最小测量单位Count对应的测量标准单位值。

参数说明：无

(3)void readAccelData(int16_t*)；void readGyroData(int16_t*)；

void readMagData(int16_t*)

功能说明：读取IMU传感器测量数值，获取加速度计、陀螺仪和磁力计传感器的测量值，使用16位有符号整形表示

参数说明：int16_t*16位有符号整形指针，使用数组形式存储XYZ三轴的数据，并将其指针传入函数中，进行参数的赋值。

(4)void updateTime()

功能说明：更新当的采集程序的内部时间，包括当前时间、上一采样点时间和采样间隔时间。

参数说明：无

(5)void initMPU9250()

功能说明：MPU9250器件初始化，包括系统自检、系统重置、系统时钟设置，采样频率设置、采样精度设置和通信速率与通信模式。

参数说明：空

(6)void initAK8963(float*)

功能说明：磁力计初始化，包括磁力计重置、自检、校准、采样频率和采样速率设置等。

参数说明：float*以数组的形式存储磁力计XYZ轴的初始漂移误差

(7)void calibrateMPU9250(float*gyroBias,float*accelBias)

功能说明：陀螺仪和加速度计的初始漂移误差校准

参数说明：float*gyroBias陀螺仪XYZ轴的初始漂移误差，float*accelBias加速度计XYZ轴的初始漂移误差。

(8)void MPU9250SelfTest(float*destination)

功能说明：MPU9250中加速度计和陀螺仪的自检，通过一系列初始校准操作获取其漂移误差。

参数说明：float*destination加速度计和陀螺仪的初始漂移误差

(9)void writeByte(uint8_t,uint8_t,uint8_t)

功能说明：向MPU9250器件的指定寄存器写入数据。

参数说明：uint8_t MPU9250硬件的器件地址unit8_t寄存器地址的首地址uint8_t要写入的数值或者命令

(10)uint8_t readByte(uint8_t,uint8_t,uint8_t)

功能说明：从MPU9250器件中指定的寄存器中读取数据。

参数说明：第一个uint8_t：MPU9250硬件的器件地址第二个unit8_t：寄存器地址的首地址第三个uint8_t：需要读取的数值或者命令。

(11)void readBytes(uint8_t,uint8_t,uint8_t,uint8_t*)

功能说明：从MPU9250器件中指定的寄存器首地址开始连续读取数据

参数说明：第一个uint8_t：MPU9250硬件的器件地址第二个unit8_t：寄存器地址的首地；uint8_t*存储读取的数值或者命令。

EtherCAT从站

(12)EasyCAT(unsigned char SPI_CHIP_SELECT,SyncMode Sync)

功能说明：EtherCAT从站初始化，通信初始化，片选引脚初始化，同步模式初始化。

参数说明：SPI_CHIP_SELECT：主站芯片的片选管脚；Sync：主站同步模式

(13)unsigned char MainTask()//EtherCAT main task

功能说明：EtherCAT从站实时循环程序，必须周期性调用，用于从站与现场总线的数据交换。

参数说明：无

ADS1256力矩传感器采集

(14)ADS1256(float clockspdMhz,float vref,byte cs,byte rst,byte syn,byte drdy)

功能说明：ADS1256采集器件的初始化程序，通信初始化，AD采集初始化

参数说明：clockspdMhz：SPI通信时钟频率；verf：AD参考电压；cs：ADS1256片选引脚；rst：ADS1256复位引脚；syn：同步信号；drdy：数据采集完成信号。

(15)void WriteRegister(unsigned char reg,unsigned char wdata)

功能说明：向ADS1256器件指定的寄存器中写入数值或者命令

参数说明：reg：要写入的寄存器地址；wdata：写入的数值或者命令。

(16)unsigned char ReadRegister(unsigned char reg)

功能说明：向ADS1256器件指定的寄存器中读取数值

参数说明：reg：读取的寄存器地址；返回值：读取的寄存器数值。

(17)void SendCommand(unsigned char cmd)

功能说明：向ADS1256发送命令

参数说明：cmd：需要发送的指令。

(18)int32_t ReadChannel()

功能说明：读取ADS1256的AD转换通道的数值

参数说明：返回值：测量的AD值。

(19)void SetConversionFactor(float val)

功能说明：设置AD1256的转换因子。

参数说明：val：转换因子。

(20)void SetChannel(byte channel)

功能说明：设置AD转换通道。

参数说明：channel：AD通道。

(21)void SetChannel(byte AIP,byte AIN)

功能说明：设置差分双通道。

参数说明：AIP,AIP：差分通道的通道一和通道二

(22)void Begin(unsigned char drate)

功能说明：AD采集转换开始

参数说明：drate：AD采集速率，有如下选项可选

JointController

(23)JointController(double InitPos,double Inertial,double Gvy,double*Thr,double*FriParm,double Ts)

功能说明：关节控制器初始化，零位初始化，负载动力学参数设置，谐波摩擦参数设置，软件限位设置和控制周期设置。

参数说明：IntiPos：关节零位，使用count形式表示；inertial：负载端的惯量参数；Gvy：负载端的重力参数；Thr：软件限位；FriParm：谐波摩擦力模型参数；Ts：控制周期。

(24)void UpdateParm(double Pos,double Vel,double Torque)

功能说明：需要实时循环调用，更新关节坐标位置，速度，加速度，力矩测量值和系统时间。

参数说明：Pos：关节坐标输入；Count：原始格式输入；Vel：关节转速输入；Count：原始格式输入；Torque：力矩输入。

(25)void SetParm(double*ImP,double*TorqP)

功能说明：设置阻抗控制器和力矩控制内环的参数。

参数说明：Imp：阻抗控制器的刚度系数和阻尼系数；TorqP：力矩控制内环的比例、积分、微分参数。

(26)void TrajectoryPlanner(double*Arg,double*Fre)

功能说明：步态轨迹规划，包括轨迹的位置和速度规划。

参数说明：Arg：步态轨迹参数；Fre：步态轨迹的频率。

(27)double ImpedanceControlLoop()

功能说明：阻抗控制循环程序。

参数说明：无返回值：电机控制命令

(28)double FrictionCompensation(double TorqueD)

功能说明：谐波减速机摩擦力补偿，包括静摩擦力+动摩擦力+粘滞阻力补偿。

参数说明：TorqueD：测量的力矩数值。返回值：摩擦力补偿模型输出

(29)double DynamicCompensation()；

功能说明：关节末端动力学补偿。

参数说明：无输出值：动力学模型输出。

(30)int16_t TorqueControlLoop(double TorqueD)

功能说明：力矩控制实时循环。

参数说明：TorqueD：关节末端力矩输入。输出：关节力矩控制环输出。

(31)double TorqueFilter()

功能说明：力矩信号滤波器

参数说明：无输出：滤波后的力矩信号值。

(32)double PosSafeLimit(double TorqueOut)

功能说明：关节位置软件限位。

参数说明：TorqueOut：算法计算的力矩输出返回值：限位后的关节力矩输出

QuatFuison

(33)QuatFusion(float kp,float ki,float ts)

功能说明：IMU互补融合程序初始化

参数说明：kp：漂移误差补偿器的比例参数，ki：漂移误差补偿器的积分参数，ts：程序运行周期。

(34)void QuatFusionUpdate(float ax,float ay,float az,float gx,floatgy,float gz,float mx,float my,float mz,float*q)

功能说明：IMU互补融合算法更新

参数说明：ax,ay,az：加速度计的XYZ轴输入；gx,gy,gz：陀螺仪的XYZ轴输入；mx,my,mz：磁力计的XYZ轴输入。

(35)void GetEularAng(float q0,float q1,float q2,float q3)；

功能说明：获取IMU的空间姿态信息，从四元数形式转化到欧拉角形式。

参数说明：q0,q1,q2,q3：四元数形式表示的空间姿态

EtherCAT主站

(36)ec_SDOwrite(slave,0x1C12,0x00,FALSE,sizeof(u8),&u8,EC_TIMEOUTMON)

功能说明：SDO命令写入EtherCAT从站

参数说明：slave：从站硬件地址；add：从站字典地址；add：从站字典次地址；flag：是否连续写入；num：写入字节的数量；u8：写入命令的首地址；EC_TIMEOUTMON：写入命令的时间周期，若超出该时间则退出该函数。

(37)ec_dcsync0(1,TRUE,1000000,1000)

功能说明：设置EtherCAT从站同步方式，有同步时钟同步方式，SM同步方式和自由运转三种。

参数说明：slave：从站的硬件地址；flag：是否设置同步模式；time：同步的周期；offset：同步时间偏移。

(38)ec_statecheck(1,EC_STATE_SAFE_OP,EC_TIMEOUTMON*100)

功能说明：检查EtherCAT从站的状态，若与设置的状态一致，则跳出循环，否则等待从站状态变化。

参数说明：slave：从站硬件地址；STATE：设置的状态；EC_TIMEOUTMON：时间限制，若等待时间超过限制时间，则跳出循环。

(39)ec_writestate(1)

功能说明：更改从站的状态，OP,SAFEOP…

参数说明：valeu：从站状态

(40)ec_send_processdata()；

功能说明：发送PDO过程数据给从站，需要进行周期调用

参数说明：无

(41)ec_receive_processdata(EC_TIMEOUTRET)；

功能说明：接收从站的PDO过程数据，需要进行周期调用

参数说明：无

采用了该发明的助力外骨骼控制系统，其包括硬件层面的传感通信执行系统和软件层面的处理规划决策系统。硬件层面包括了现场高速通信总线、多模态传感器、柔性关节驱动执行器、计算处理平台和云端数据服务平台等，其中由足底压力、加速度计、陀螺仪、力矩/力传感器、编码器、人体电容、表面肌电等多个传感器在高速现场总线的基础上组成了一个实时互联互通的传感器网络，用于感知佩戴者的运动意图、运动状态和生理信息，计算主控平台在人机耦合系统全部信息的基础上作出命令决策驱动机器人关节进行适时和适当助力，并将系统状态信息上传至云服务平台；软件层面包括了意图感知、步态规划和协调柔顺控制三大部分，智能感知既包含了基于运动学，动力学等传统的运动意图辨识方法，同时也融入了人体电容与表面肌电等生物电信号分析技术，提供一种稳定高效舒适自然的人机信息交互方式，实现人机意识融合；步态规划研究基于多变量深度学习与深度强化学习的步态规划方法，降低患者摔倒风险，提升对环境的适应能力；人机协调柔顺控制研究自适应可变阻抗控制，确保人机系统的舒适性与安全性。从而能够根据佩戴者体型特征、运动意图和外界环境的改变实时作出判断与决策，动态安全地进行步态规划，快速响应运动意图，实现自适应柔顺助力，使之符合人机柔性交互与协调安全助力助行的需求，实现“意念控制”。

在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (6)

1.一种助力外骨骼控制系统，其特征在于，该系统包括：

传感通信执行子系统，用于感知运动意图、运动状态和生理信息，其计算主控平台在人机耦合信息的基础上作出命令决策，并驱动机器人关节进行适时和适当的助力；

处理规划决策子系统，用以基于运动意图辨识方法和生物电信号分析技术，实现人机信息交互方式和人机意识融合，并用以基于多变量深度学习的步态规划方法实现步态规划，以及用以基于可变阻抗控制，确保该控制系统的整体舒适性与安全性，

所述的传感通信执行子系统包括由高速现场通信总线相互连接的多个多模态传感器、柔性关节驱动执行器和计算处理平台以及云端数据服务平台；其中，所述的多个多模态传感器包括足底压力传感器、加速度传感器、陀螺仪、力矩/力传感器、编码器、人体电容传感器和表面肌电传感器，并利用高速现场通信总线将上述的各个传感器组成传感器网络，该传感器网络用于感知佩戴者的运动意图、运动状态和生理信息，所述的计算处理平台基于所述的运动意图、运动状态和生理信息作出命令决策，以驱动所述的柔性关节驱动执行器进行适时和适当助力；并将运动意图、运动状态、生理信息、命令决策和状态信息上传至所述的云端数据服务平台，

所述的传感器网络用于感知佩戴者的运动意图、运动状态和生理信息具体为：基于足底压力分布、躯体加速度、角速度、关节位置、力矩信号提取的躯体运动动力学信息，所述的躯体运动动力学信息包括重心、零力矩点、步态阶段、躯体姿态，并采用多分类SVM方法学习其与运动意图之间的映射关系，实现运动意图的分类与辨识；建立基于生物电信号机理的机理数学模型，人体电容与表面肌电信号经过滤波去噪、特征提取、信息降维处理，在所述的机理数学模型基础上，通过模式匹配算法实现运动意图的自然感知，进而将所述的运动意图的分类与辨识以及运动意图的自然感知通过贝叶斯信息融合方法实现高精度的运动感知。

2.根据权利要求1所述的助力外骨骼控制系统，其特征在于，所述的处理规划决策子系统具体用以基于所述的运动意图、运动状态和生理信息作出命令决策，以驱动所述的柔性关节驱动执行器进行适时和适当助力，具体为：根据当前所述的传感器网络采集到的步态状态进行步态时空定位，通过强化学习的方法进行最优决策，实现步态模式的自适应切换；同时依赖于步态数据采集、步态规划和步态分析，利用多变量深度学习方法从不同年龄、性别、体型的步态数据中提取出典型的步态模式，并且根据当前的状态实时调整步态轨迹的参数，规划步态轨迹，以适应佩戴者的运动意图；并且依赖于关节输出和步态分析，根据不同的步态阶段，选择力矩控制、位置控制和阻抗控制策略，实现柔顺协调控制。

3.根据权利要求2所述的助力外骨骼控制系统，其特征在于，所述的多变量深度学习方法具体为，以各个关节的广义坐标及其微分作为输入参数的神经节点，以所要求得的关节驱动力矩、关节运动轨迹作为输出节点，利用深度学习方法从所建立的步态数据库中提取出典型的步态模式，所述的典型的步态模式包括：平地行走、上坡、下坡、上楼梯、下楼梯、起、蹲。

4.根据权利要求2所述的助力外骨骼控制系统，其特征在于，所述的规划步态轨迹，以适应佩戴者的运动意图，具体为：利用三维步态仿真平台模拟真实的行走环境，进而利用学习网络选择不同的步态模型输出相应动作，以仿真环境中躯体状态的优劣生成相应的奖励信息，并以此训练强化学习网络，实现从环境到步态模型映射的学习，降低患者摔倒的风险，增强系统的自适应能力，使系统具备在特定环境下作出最优决策的能力。

5.根据权利要求2所述的助力外骨骼控制系统，其特征在于，所述的根据不同的步态阶段，选择力矩控制、位置控制和阻抗控制策略，实现柔顺协调控制，具体为：考虑佩戴者个体差异以及外界环境的不确定性，实现最优的轨迹跟踪与柔性接触性能，动态调整阻抗控制器的刚度系数与阻尼系数，采用自适应算法，根据力反馈与姿态信息实时动态调整阻抗参数，实现可变阻抗的人机协调控制。

6.一种利用权利要求1至5中任一项所述的助力外骨骼控制系统实现的助力外骨骼控制方法。

Images