CN110412866A - 基于自适应迭代学习的外骨骼单腿协同控制方法 - Google Patents
基于自适应迭代学习的外骨骼单腿协同控制方法 Download PDFInfo
- Publication number
- CN110412866A CN110412866A CN201910396222.2A CN201910396222A CN110412866A CN 110412866 A CN110412866 A CN 110412866A CN 201910396222 A CN201910396222 A CN 201910396222A CN 110412866 A CN110412866 A CN 110412866A
- Authority
- CN
- China
- Prior art keywords
- lower limb
- adaptive
- limb exoskeleton
- iteration
- control
- 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.)
- Granted
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Rehabilitation Tools (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于自适应迭代学习的外骨骼单腿协同控制方法，属于下肢外骨骼控制系统设计领域。本方法的操作步骤为：1）在迭代学习控制的基础上引入自适应项和鲁棒项，设计下肢外骨骼自适应迭代学习控制器。2）在Simulink中建立下肢外骨骼自适应迭代学习控制仿真模型。3）设置下肢外骨骼的控制系统参数和本体物理参数。4）通过仿真实验，分析了自适应迭代学习控制方法下，下肢外骨骼角度及角速度跟踪误差，以及误差收敛情况。本发明方法具有创新性和仿真依据，可解决现有下肢外骨骼人机协同运动控制中误差较大及鲁棒性不足等缺陷，对下肢外骨骼控制系统的设计具有重大的指导意义。
Description
技术领域
本发明涉及一种基于自适应迭代学习的外骨骼单腿协同控制方法，应用于下肢外骨骼人 机协同运动控制领域。
背景技术
下肢外骨骼是一种可穿戴的人机一体化机械装置，可重建和增强穿戴者的下肢运动能力， 在助老助残、医疗康复和军事救灾等领域具有广泛的应用前景。为了实现下肢外骨骼的助力 功能，要求下肢外骨骼严格跟随穿戴者下肢进行同步运动。当两者之间存在跟踪误差时，会 导致下肢外骨骼干扰穿戴者运动，甚至危及穿戴者的安全。
迭代学习控制算法能够有效利用控制过程中系统产生的各种信号，不依赖于系统的精确 数学模型，且非常适合处理重复性的控制任务。下肢外骨骼系统是一个人机耦合系统，具有 很强的非线性，难以建立精确的数学模型，且由于步态的周期性，人机协同运动是有限时间 区间上的重复任务，因此迭代学习控制非常适用于解决下肢外骨骼的人机协同运动问题。然 而，目前大多数的迭代学习控制具有一定的局限性，如期望轨迹已知、迭代初始值要求一致 等，使得理论上设计的迭代学习控制器在实际工程应用中存在很大的缺陷。将自适应控制技 术应用到迭代学习控制中，不仅可以对系统的先验知识进行学习，还能够以自适应控制处理 系统的非线性不确定性，实现对自适应控制过程动态响应的优化完善，提高系统的稳定性和 鲁棒性。
发明内容
本发明的目的在于克服已有技术存在的不足，提供一种基于自适应迭代学习的外骨骼单 腿协同控制方法，实现下肢外骨骼单腿协同控制，将跟踪误差控制在较低水平。
为达到上述目的，本发明采用如下技术方案：
一种基于自适应迭代学习的外骨骼单腿协同控制方法，其特征在于操作步骤如下：
a.自适应迭代学习控制器设计：
被控系统第k次运行时有：
式(1)中x∈Rn，θ∈Rm，分别为系统的状态、输出和输入变量。输入变量甲(14) 为输入变量乙(15)为输入变量丙(16)为
定义位置误差甲(17)即ek(t)，为目标轨迹(21)即θd(t)与第k迭代的角度(18)即θk(t) 的差值。同理根据第k+1次迭代的角度(20)可得第k+1次迭代的位置误差乙(19)即ek+1(t)。
ek(t)＝θd(t)-θk(t) (2)
经典的PID型闭环迭代学习控制律可以表示为：
式中Г，Φ，Ψ为学习增益矩阵。
在以上迭代学习控制律中引入自适应项，得到自适应迭代学习算法(26)。
设置第k次迭代的控制律和自适应参数学习律为：
自适应参数学习律采用的是闭环迭代学习，目的是获取未知项也即自适应项(25)即在式(4)中Kp和Kd是第k次迭代的PID增益矩阵，sgn是符号函数，可以增强系统的抗干扰 能力，N是总的迭代次数。在式(5)中，γ是自适应律参数，是的转 置。轨迹误差(27)即ek(t)，以及分别如式(6)和式(7)所示：
ek(t)＝θd(t)-θk(t) (6)
式(6)和式(7)中，目标轨迹(22)即θd(t)是实验所测得的矢状面内，髋关节和膝关节平地行走步态的运动数据的拟合函数。控制系统的输出力矩(23)即τk(t)输入到外骨骼动 力学模型中，即可得到下肢外骨骼的跟踪轨迹(24)即θk(t)。
b.下肢外骨骼Simulink仿真模型搭建
基于自适应迭代学习控制方法，在MATLAB/Simulink中建立下肢外骨骼单腿的人机协同 控制仿真模型。仿真框图包含五个用S-函数编写的子程序，即输入模块(1)、自适应算法模 块(4)、迭代学习模块(5)和主控制器模块(7)，以及下肢外骨骼本体模块(9)。其中，输 入模块(1)用于设定下肢外骨骼机器人轨迹跟踪的目标(3)，轨迹跟踪目标由NDI步态测量 系统捕捉并通过函数拟合得到；下肢外骨骼本体模块(9)用于定义下肢外骨骼动力学模型， 在步态周期的前60％调用支撑相动力学模型，步态周期的后40％调用摆动相的动力学模型； 主控制器模块(7)包含式(4)所示的下肢外骨骼机器人的控制算法；自适应算法模块(4)、 迭代学习模块(5)用于自适应参数迭代学习，得到自适应项(8)，如式(5)所示；每次迭代 都会获得一组控制力矩(10)以及轨迹跟踪结果(11)；数据汇总(2)和(6)将多种输入信号组成一个单一的矢量输出；计时器(12)用于实时显示运行时间(13)。
c.下肢外骨骼协同控制仿真参数设置
下肢外骨骼协同控制仿真参数设置包括两方面，即控制器参数设置和本体参数设置。控 制器参数设置需要PID参数和适应律参数γ总的迭代次数N，以及每迭代的总时间， 目标轨迹θd(t)以及初始状态
d.仿真结果分析
通过仿真结果分析，分别得到下肢外骨骼角度和速度的跟踪情况，以及误差收敛情况。 具体包括10次迭代过程中髋关节和膝关节的轨迹跟踪情况图，10次迭代后的髋关节和膝关 节角速度跟踪情况图，角度和角速度的跟踪误差收敛过程图。
本发明与现有技术相比较，具有如下显而易见的突出特点和显著优点：
1.本发明解决了下肢外骨骼人机不同步问题。
2.本发明在迭代学习控制的基础上加入了自适应项和鲁棒项，提高下肢外骨骼协同运动 控制的稳定性及控制精度。
附图说明
图1为本发明的下肢外骨骼单腿协同控制的Simulink仿真框图。
图2为迭代学习算法模型图。
图3为自适应迭代学习策略流程图。
图4为本发明实施例一的10次迭代过程中髋关节(左)和膝关节(右)的轨迹跟踪图。
图5为本发明实施例一的10次迭代后的髋关节(左)和膝关节(右)角速度跟踪情图。
图6为本发明实施例一的角度(左)和角速度(右)的跟踪误差收敛过程图。
具体实施方式
本发明的优选实施例结合附图详述如下：
实施例一：
参见图1～图6，本基于自适应迭代学习的外骨骼单腿协同控制方法，其特征在于操作步 骤如下：
a.自适应迭代学习控制器设计：
被控系统第k次运行时有：
式(1)中x∈Rn，θ∈Rm，分别为系统的状态、输出和输入变量；输入变量甲(14) 为输入变量乙(15)为输入变量丙(16)为
定义位置误差甲(17)即ek(t)，为目标轨迹(21)即θd(t)与第k迭代的角度(18)即θk(t) 的差值；同理根据第k+1次迭代的角度(20)可得第k+1次迭代的位置误差乙(19)即ek+1(t)；
ek(t)＝θd(t)-θk(t) (2)
经典的PID型闭环迭代学习控制律表示为：
式中Γ，Φ，Ψ为学习增益矩阵；
在以上迭代学习控制律中引入自适应项，得到自适应迭代学习算法(26)；
设置第k次迭代的控制律和自适应参数学习律为：
自适应参数学习律采用的是闭环迭代学习，目的是获取未知项也即自适应项(25)即在式(4)中Kp和Kd是第k次迭代的PID增益矩阵，sgn是符号函数，可以增强系统的抗干扰 能力，N是总的迭代次数；在式(5)中，γ是自适应律参数，是的转 置；
轨迹误差(27)即ek(t)，以及分别如式(6)和式(7)所示：
ek(t)＝θd(t)-θk(t) (6)
式(6)和式(7)中，目标轨迹(22)即θd(t)是实验所测得的矢状面内，髋关节和膝关节平地行走步态的运动数据的拟合函数；控制系统的输出力矩(23)即τk(t)输入到外骨骼动 力学模型中，即可得到下肢外骨骼的跟踪轨迹(24)即θk(t)；
b.下肢外骨骼Simulink仿真模型搭建
基于自适应迭代学习控制方法，在MATLAB/Simulink中建立下肢外骨骼单腿的人机协同 控制仿真模型；仿真框图包含五个用S-函数编写的子程序，即输入模块(1)、自适应算法模 块(4)、迭代学习模块(5)和主控制器模块(7)，以及下肢外骨骼本体模块(9)；其中，输 入模块(1)用于设定下肢外骨骼机器人轨迹跟踪的目标(3)，轨迹跟踪目标由NDI步态测量 系统捕捉并通过函数拟合得到；下肢外骨骼本体模块(9)用于定义下肢外骨骼动力学模型， 在步态周期的前60％调用支撑相动力学模型，步态周期的后40％调用摆动相的动力学模型； 主控制器模块(7)包含式(4)所示的下肢外骨骼机器人的控制算法；自适应算法模块(4)、 迭代学习模块(5)用于自适应参数迭代学习，得到自适应项(8)，如式(5)所示；每次迭代 都会获得一组控制力矩(10)以及轨迹跟踪结果(11)；数据汇总甲(2)和数据汇总乙(6)将多种输入信号组成一个单一的矢量输出；计时器(12)用于实时显示运行时间(13)；
c.下肢外骨骼协同控制仿真参数设置
下肢外骨骼协同控制仿真参数设置包括两方面，即控制器参数设置和本体参数设置；控 制器参数设置需要PID参数和适应律参数γ总的迭代次数N，以及每迭代的总时间， 目标轨迹θd(t)以及初始状态
d.仿真结果分析
通过仿真结果分析，分别得到下肢外骨骼角度和角速度的跟踪情况，及误差收敛情况。 具体包括10次迭代过程中髋关节和膝关节的轨迹跟踪情况图，10次迭代后的髋关节和膝关 节角速度跟踪情况图，角度和角速度的跟踪误差收敛过程图。
实施例二：
参见图1～图6，本基于自适应迭代学习的外骨骼单腿协同控制方法，其特征在于操作步 骤如下：
a.自适应迭代学习控制器设计：
按照发明内容a设计下肢外骨骼自适应迭代学习控制器如下：
b.下肢外骨骼Simulink仿真模型搭建
首先根据发明内容b，以及迭代学习算法模型图2和自适应迭代学习策略流程图3，建立 基于自适应迭代学习策略的下肢外骨骼单腿协同控制仿真框图，如图1所示。
c.下肢外骨骼协同控制仿真参数设置
对下肢外骨骼协同运动控制器进行参数设置。综合考虑迭代过程的轨迹跟踪误差及收敛 速度，设置PID参数和的值为自适应律参数γ的值为10。为了平衡仿真时间 和仿真结果，设置总的迭代次数N的值为10。每次迭代的总时间为一个步态周期(2s)，其中 在步态周期的前60％即前1.2s时为支撑相，步态周期的后40％即后0.8s为摆动相。
步态采集并通过拟合得到的θd(t)如式(8)和式(9)所示。其中式(8)为髋关节目标轨 迹，式(9)为膝关节目标轨迹。令t＝0可以得到初始状态
其次，设置下肢外骨骼机器人本体的物理参数。包括摆动相和支撑相的躯干、大腿、小 腿的长度和质量。最后进行仿真实验。
d.仿真结果分析
通过仿真结果分析，分别得到下肢外骨骼角度和速度的跟踪情况，以及误差收敛情况。 10次迭代过程中髋关节和膝关节的角度轨迹跟踪如图4所示，10次迭代后的关节角速度跟 踪情况如图5所示，10次迭代的误差收敛过程如图6所示。需要说明的是，每次迭代过程 误差是波动的，图6中的数据是每次迭代过程中误差绝对值的最大值。结合图4和图6可以 看出，随着迭代次数的增加，跟踪轨迹不断趋近于目标轨迹，并在第十次迭代后，髋关节的 最大轨迹跟踪误差为0.20度，最大跟踪误差出现在步态周期的80％处，该时刻的轨迹跟踪 误差是该时刻髋关节运动角度的3％。膝关节的最大轨迹跟踪误差为0.22度，最大跟踪误差 出现在步态周期的70％处，该时刻的轨迹跟踪误差是该时刻膝关节运动角度的4.4％。结合 图5和图6可以看出，迭代过程中角速度跟踪误差不断减小，第10次迭代后的髋关节角速 度跟踪误差为1.52度每秒，膝关节角速度跟踪误差为2.78度每秒。对于下肢外骨骼来说， 该误差下可以实现下肢外骨骼对穿戴者的辅助效果，且能够避免因关节误差过大而导致的关 节损伤。
本实施例通过基于自适应迭代学习的外骨骼单腿协同控制方法，解决了下肢外骨骼协同 控制误差较大的问题，可解决现有方法中的诸多缺陷，对提高下肢外骨骼控制性能有重大的 指导意义。
Claims (1)
1.一种基于自适应迭代学习的外骨骼单腿协同控制方法，其特征在于操作步骤如下：
a.自适应迭代学习控制器设计：
被控系统第k次运行时有：
式(1)中x∈Rn，θ∈Rm，分别为系统的状态、输出和输入变量；输入变量甲(14)为输入变量乙(15)为输入变量丙(16)为
定义位置误差甲(17)即ek(t)，为目标轨迹(21)即θd(t)与第k迭代的角度(18)即θk(t)的差值；同理根据第k+1次迭代的角度(20)可得第k+1次迭代的位置误差乙(19)即ek+1(t)；
ek(t)＝θd(t)-θk(t) (2)
经典的PID型闭环迭代学习控制律表示为：
式中Γ，Φ，Ψ为学习增益矩阵；
在以上迭代学习控制律中引入自适应项，得到自适应迭代学习算法(26)；
设置第k次迭代的控制律和自适应参数学习律为：
自适应参数学习律采用的是闭环迭代学习，目的是获取未知项也即自适应项(25)即在式(4)中Kp和Kd是第k次迭代的PID增益矩阵，sgn是符号函数，可以增强系统的抗干扰能力，N是总的迭代次数；在式(5)中，γ是自适应律参数，是的转置；
轨迹误差(27)即ek(t)，以及分别如式(6)和式(7)所示：
ek(t)＝θd(t)-θk(t) (6)
式(6)和式(7)中，目标轨迹(22)即θd(t)是实验所测得的矢状面内，髋关节和膝关节平地行走步态的运动数据的拟合函数；控制系统的输出力矩(23)即τk(t)输入到外骨骼动力学模型中，即可得到下肢外骨骼的跟踪轨迹(24)即θk(t)；
b.下肢外骨骼Simulink仿真模型搭建
基于自适应迭代学习控制方法，在MATLAB/Simulink中建立下肢外骨骼单腿的人机协同控制仿真模型；仿真框图包含五个用S-函数编写的子程序，即输入模块(1)、自适应算法模块(4)、迭代学习模块(5)和主控制器模块(7)，以及下肢外骨骼本体模块(9)；其中，输入模块(1)用于设定下肢外骨骼机器人轨迹跟踪的目标(3)，轨迹跟踪目标由NDI步态测量系统捕捉并通过函数拟合得到；下肢外骨骼本体模块(9)用于定义下肢外骨骼动力学模型，在步态周期的前60％调用支撑相动力学模型，步态周期的后40％调用摆动相的动力学模型；主控制器模块(7)包含式(4)所示的下肢外骨骼机器人的控制算法；自适应算法模块(4)、迭代学习模块(5)用于自适应参数迭代学习，得到自适应项(8)，如式(5)所示；每次迭代都会获得一组控制力矩(10)以及轨迹跟踪结果(11)；数据汇总甲(2)和数据汇总乙(6)将多种输入信号组成一个单一的矢量输出；计时器(12)用于实时显示运行时间(13)；
c.下肢外骨骼协同控制仿真参数设置
下肢外骨骼协同控制仿真参数设置包括两方面，即控制器参数设置和本体参数设置，控制器参数设置需要PID参数和适应律参数γ总的迭代次数N，以及每迭代的总时间，目标轨迹θd(t)以及初始状态
d.仿真结果分析
通过仿真结果分析，分别得到下肢外骨骼角度和角速度的跟踪情况，及误差收敛情况，具体包括10次迭代过程中髋关节和膝关节的轨迹跟踪情况图，10次迭代后的髋关节和膝关节角速度跟踪情况图，角度和角速度的跟踪误差收敛过程图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910396222.2A CN110412866B (zh) | 2019-05-14 | 2019-05-14 | 基于自适应迭代学习的外骨骼单腿协同控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910396222.2A CN110412866B (zh) | 2019-05-14 | 2019-05-14 | 基于自适应迭代学习的外骨骼单腿协同控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110412866A true CN110412866A (zh) | 2019-11-05 |
| CN110412866B CN110412866B (zh) | 2022-12-23 |
Family
ID=68358183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910396222.2A Active CN110412866B (zh) | 2019-05-14 | 2019-05-14 | 基于自适应迭代学习的外骨骼单腿协同控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110412866B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111515938A (zh) * | 2020-05-28 | 2020-08-11 | 河北工业大学 | 一种继承型迭代学习控制的下肢外骨骼行走轨迹跟踪方法 |
| CN111736460A (zh) * | 2020-05-28 | 2020-10-02 | 西华大学 | 机器人自适应迭代学习控制方法及系统 |
| CN112433474A (zh) * | 2020-11-27 | 2021-03-02 | 沈阳工业大学 | 基于scn内干扰力估计的坐垫机器人安全触发控制方法 |
| CN112433475A (zh) * | 2020-11-27 | 2021-03-02 | 沈阳工业大学 | 基于scn系统偏移量辨识的坐垫机器人限时学习控制方法 |
| CN113001540A (zh) * | 2021-02-19 | 2021-06-22 | 华南理工大学 | 负载机动型外骨骼的人机交互智能控制方法及外骨骼系统 |
| CN113043266A (zh) * | 2019-12-26 | 2021-06-29 | 沈阳智能机器人创新中心有限公司 | 一种基于迭代学习的自适应力跟踪控制方法 |
| CN113829339A (zh) * | 2021-08-02 | 2021-12-24 | 上海大学 | 基于长短时记忆网络的外骨骼运动协同方法 |
| CN116922396A (zh) * | 2023-09-07 | 2023-10-24 | 贵州航天控制技术有限公司 | 一种外骨骼系统的助力控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009205641A (ja) * | 2008-02-29 | 2009-09-10 | Canon Inc | 反復学習制御回路を備える位置制御装置 |
| CN102058464A (zh) * | 2010-11-27 | 2011-05-18 | 上海大学 | 下肢康复机器人运动控制方法 |
| CN106618830A (zh) * | 2016-12-30 | 2017-05-10 | 北京林业大学 | 一种单下肢外骨骼矫形器及矫形控制方法 |
| US20170340506A1 (en) * | 2016-05-25 | 2017-11-30 | Carnegie Mellon University | Torque control methods for an exoskeleton device |
-
2019
- 2019-05-14 CN CN201910396222.2A patent/CN110412866B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009205641A (ja) * | 2008-02-29 | 2009-09-10 | Canon Inc | 反復学習制御回路を備える位置制御装置 |
| CN102058464A (zh) * | 2010-11-27 | 2011-05-18 | 上海大学 | 下肢康复机器人运动控制方法 |
| US20170340506A1 (en) * | 2016-05-25 | 2017-11-30 | Carnegie Mellon University | Torque control methods for an exoskeleton device |
| CN106618830A (zh) * | 2016-12-30 | 2017-05-10 | 北京林业大学 | 一种单下肢外骨骼矫形器及矫形控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周海涛: "下肢外骨骼康复机器人结构设计及控制方法研究", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113043266B (zh) * | 2019-12-26 | 2022-05-17 | 沈阳智能机器人创新中心有限公司 | 一种基于迭代学习的自适应力跟踪控制方法 |
| CN113043266A (zh) * | 2019-12-26 | 2021-06-29 | 沈阳智能机器人创新中心有限公司 | 一种基于迭代学习的自适应力跟踪控制方法 |
| CN111736460A (zh) * | 2020-05-28 | 2020-10-02 | 西华大学 | 机器人自适应迭代学习控制方法及系统 |
| CN111515938B (zh) * | 2020-05-28 | 2022-11-18 | 河北工业大学 | 一种继承型迭代学习控制的下肢外骨骼行走轨迹跟踪方法 |
| CN111515938A (zh) * | 2020-05-28 | 2020-08-11 | 河北工业大学 | 一种继承型迭代学习控制的下肢外骨骼行走轨迹跟踪方法 |
| CN111736460B (zh) * | 2020-05-28 | 2022-04-29 | 西华大学 | 机器人自适应迭代学习控制方法及系统 |
| CN112433474A (zh) * | 2020-11-27 | 2021-03-02 | 沈阳工业大学 | 基于scn内干扰力估计的坐垫机器人安全触发控制方法 |
| CN112433475A (zh) * | 2020-11-27 | 2021-03-02 | 沈阳工业大学 | 基于scn系统偏移量辨识的坐垫机器人限时学习控制方法 |
| CN113001540B (zh) * | 2021-02-19 | 2022-08-12 | 华南理工大学 | 负载机动型外骨骼的人机交互智能控制方法及外骨骼系统 |
| CN113001540A (zh) * | 2021-02-19 | 2021-06-22 | 华南理工大学 | 负载机动型外骨骼的人机交互智能控制方法及外骨骼系统 |
| CN113829339A (zh) * | 2021-08-02 | 2021-12-24 | 上海大学 | 基于长短时记忆网络的外骨骼运动协同方法 |
| CN113829339B (zh) * | 2021-08-02 | 2023-09-15 | 上海大学 | 基于长短时记忆网络的外骨骼运动协同方法 |
| CN116922396A (zh) * | 2023-09-07 | 2023-10-24 | 贵州航天控制技术有限公司 | 一种外骨骼系统的助力控制方法 |
| CN116922396B (zh) * | 2023-09-07 | 2023-11-17 | 贵州航天控制技术有限公司 | 一种外骨骼系统的助力控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110412866B (zh) | 2022-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110412866A (zh) | 基于自适应迭代学习的外骨骼单腿协同控制方法 | |
| CN108115681B (zh) | 机器人的模仿学习方法、装置、机器人及存储介质 | |
| Billard et al. | Learning human arm movements by imitation:: Evaluation of a biologically inspired connectionist architecture | |
| Narayan et al. | Robust LQR-based neural-fuzzy tracking control for a lower limb exoskeleton system with parametric uncertainties and external disturbances | |
| CN111522243A (zh) | 一种五自由度上肢外骨骼系统鲁棒迭代学习控制策略 | |
| WO2019218805A1 (zh) | 一种四足机器人的运动闭环控制方法 | |
| CN108227506A (zh) | 一种基于自适应最优化方法的机器人导纳控制系统 | |
| Zhang et al. | A generalized indirect adaptive neural networks backstepping control procedure for a class of non-affine nonlinear systems with pure-feedback prototype | |
| Calanca et al. | Impedance control of series elastic actuators based on well-defined force dynamics | |
| Asl et al. | Neural network-based bounded control of robotic exoskeletons without velocity measurements | |
| CN111515938B (zh) | 一种继承型迭代学习控制的下肢外骨骼行走轨迹跟踪方法 | |
| CN113001540A (zh) | 负载机动型外骨骼的人机交互智能控制方法及外骨骼系统 | |
| Asl et al. | Satisfying task completion and assist-as-needed performance in robotic exoskeletons | |
| Guo et al. | Task performance-based adaptive velocity assist-as-needed control for an upper limb exoskeleton | |
| Yin et al. | Fuzzy iterative learning control strategy for powered ankle prosthesis | |
| Zhao et al. | Design of MG modal space sliding mode control for lower limb exoskeleton robot driven by electrical actuators | |
| CN112947071B (zh) | 基于Backstepping的下肢外骨骼控制方法 | |
| Qu et al. | Research on fuzzy adaptive impedance control of lower extremity exoskeleton | |
| Wang et al. | Machine learning for soft robot sensing and control: A tutorial study | |
| CN114851171B (zh) | 下肢外骨骼康复机器人步态轨迹跟踪控制方法 | |
| Yanhong et al. | Research on PID controller based on the BP neural network | |
| Ma et al. | Dynamic movement primitives based parametric gait model for lower limb exoskeleton | |
| Kalani et al. | Application of DQN learning for delayed output feedback control of a gait-assist hip exoskeleton | |
| Zhenlei et al. | Robust sliding mode control for a 2-DOF lower limb exoskeleton base on linear extended state observer | |
| Zhang et al. | Design on subsection based mix position controller for lower limb rehabilitation robot |
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 | ||
| GR01 | Patent grant |