CN110703604B - 一种外骨骼动力学模型参数辨识方法及外骨骼装置 - Google Patents

Abstract

本发明公开一种外骨骼动力学模型参数辨识方法及外骨骼装置，应用于外骨骼机器人领域，为了解决现有的模型辨识方法往往达不到实际要求的辨识精度和误差收敛速度的问题，本发明的方法首先建立包含未知参数的外骨骼动力学模型，并将其转化成线性形式；然后，采用NFO算法设计在特定物理约束下的外骨骼的激励轨迹并进行激励实验获取采样回归数据集与采样力矩数据集；采样回归数据集与采样力矩数据集组成采样数据集；最后，采用NFO算法，根据采样数据集进行动力学模型的未知参数辨识；并根据辨识出的动力学模型参数设计鲁棒控制器，基于设计的鲁棒控制器对外骨骼装置进行了实时驱动。

Description

一种外骨骼动力学模型参数辨识方法及外骨骼装置

技术领域

本发明属于外骨骼机器人领域，特别涉及一种外骨骼机器人的未知参数辨识方法及控制技术。

背景技术

下肢外骨骼是一种将人的智慧和机械的力量结合起来的可穿戴装置，在抢险救灾、医疗康复、军事作战等方面都有着广泛的应用场景。下肢外骨骼系统是指以伺服装置为控制核心的伺服控制系统，主要由电信号处理装置和动力机构组成。典型外骨骼组成元件如下：(1)给定元件。它可以是机械装置，如连杆等，提供位移信号；也可是电气元件，如电位计等，提供电压信号；(2)检测元件。用来检测执行元件的实际输出量，并转换成反馈信号。它可以是光电传感器、编码器、三维力传感器等；(3)比较元件。用来比较指令信号和反馈信号，并得出误差信号。实际中一般没有专门的比较元件，而是由某一结构元件兼职完成；(4)放大、转换元件。将比较元件所得的误差信号放大，并转换成电信号或液压信号(压力、流量)。它可以是电放大器等；(5)执行元件。将电能转变为机械能，产生直线运动或旋转运动，并直接控制被控对象。一般指电机或液压缸；(6)被控制对象。指系统的负载，如工作台等。

NFO(Neighborhood Field Optimization，邻域优化算法)算法的基本原理是：根据优化模型的复杂程度，确定搜索空间上的个体数和优化结束条件，并计算出每个个体的相邻优势个体和相邻劣势个体，并以此获得变异因子和变异向量，在选择的适应度函数下进行个体的更新，直至优化结束条件满足。

随着外骨骼机器人在工程领域中的应用日益扩大，对于外骨骼参数辨识的精度要求越来越高；而现有的模型辨识方法往往达不到实际要求的辨识精度和误差收敛速度，而缺少精度高，收敛快的模型辨识方法的研究。

发明内容

为解决上述技术问题，本发明提出一种基于NFO算法的外骨骼动力学模型参数辨识方法，及将该方法应用于一款下肢外骨骼装置，实现了对下肢外骨骼动力学模型参数的精确辨识，采用本发明方法的鲁棒控制器提高了下肢外骨骼装置抗干扰能力。

本发明采用的技术方案之一为：一种基于NFO算法的外骨骼动力学模型参数辨识方法，包括：

S1、建立包含未知参数的外骨骼动力学模型，并将其转化成线性形式；

S2、采用NFO算法设计在特定物理约束下的外骨骼的激励轨迹并进行激励实验获取采样回归数据集与采样力矩数据集；采样回归数据集与采样力矩数据集组成采样数据集；

S3、采用NFO算法，根据采样数据集进行动力学模型的未知参数辨识。

进一步地，步骤S1采用拉格朗日方法建立外骨骼的动力学模型。

进一步地，步骤S2所述在特定物理约束下的外骨骼的激励轨迹具体为：外骨骼关节角度、外骨骼关节角速度、外骨骼关节角加速度满足特定物理约束的外骨骼的激励轨迹。

进一步地，步骤S3具体为采用NFO算法对根据采样数据集构建的外骨骼动力学模型线性形式对应的适应度函数进行优化，从而辨别外骨骼动力学模型参数。

更进一步地，所述适应度函数采用Huber函数。

进一步地，当所述外骨骼为2-DOF下肢外骨骼时，步骤S3中采用NFO算法通过优化以下适应度函数进行动力学模型的未知参数辨识：

其中，E⁽ⁱ⁾为第i代数据的平方误差，

为第i代数据的力矩误差，

Φ表示未知参数矩阵，

表示Φ的估计值，

为第i代数据的采样回归矩阵，

为第i代数据的力矩估计，

是

的第j个元素，δ₁，δ₂分别是设计的力矩τ₁,τ₂的误差阈值，δ＝[δ₁,δ₂]^T。

本发明采用的技术方案之二为：一种鲁棒控制器，采用根据上述方法辨识得到的动力学模型参数设计得到。

进一步地，当所述外骨骼为2-DOF下肢外骨骼时，所述设计鲁棒控制器的过程为：

首先，获取下肢外骨骼的状态空间模型；

其中

上标T为转置运算，z₁＝x₁-x_r，z₂＝x₂-α，x_r由人体步态获得；

然后，针对获取的状态空间模型以及基于NFO算法辨识得到的外骨骼动力学模型参数，设计鲁棒控制器：

其中，

为α的导数，K₂∈R^2×2为正定矩阵，

为虚拟控制量，K₁∈R^2×2为正定矩阵，

分别为重力矩阵、科里奥利矩阵、关节摩擦力矩的估计值。

本发明采用的技术方案之三为：一种外骨骼装置，采用上述鲁棒控制器驱动。

进一步地，当所述外骨骼装置为2-DOF下肢外骨骼装置时，包括：两个机械连杆，记为：第一连杆、第二连杆，两个驱动电机，两个三维力传感器，两个光电编码器，四个光电传感器以及电源；所述第一连杆作为大腿臂，所述第二连杆作为小腿臂，所述第一连杆首端作为髋关节，第一连杆与第二连杆连之间的铰接作为膝关节，在髋关节和膝关节分别设置一个驱动电机，在大腿臂和小腿臂分别设置一个三维力传感器；

还包括：在大腿臂和小腿臂分别设置一个光电编码器，在大腿臂和小腿臂分别设置两个光电传感器，用于检测第一连杆与第二连杆各自的限位信号，在大腿臂和小腿臂分别设置两个绷带，用于将下肢外骨骼装置和人体耦合；

所述电源为驱动电机、三维力传感器、光电编码器、光电传感器供电。

本发明的有益效果：本发明首先建立了下肢外骨骼的拉格朗日动力学模型，再根据回归矩阵和参数矩阵获得了其线性形式；在基于NFO算法设计出了其在特定物理约束下的下肢外骨骼的激励轨迹并进行激励实验获取采样回归数据集与采样力矩数据集；采用NFO算法，根据采样数据集进行模型的未知参数辨识，并采用Huber函数作为适应度函数；根据辨识出的拉格朗日模型参数，设计了一种鲁棒控制器；本发明基于NFO算法对下肢外骨骼的拉格朗日模型进行了参数辨识，实现了对其的鲁棒控制，提高了系统的抗干扰能力。

附图说明

图1为本发明的基于NFO算法的外骨骼动力学模型参数辨识方法流程图；

图2为本发明实施例提供的2-DOF下肢外骨骼的机构示意图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图1-2对本发明内容进一步阐释。

为了提高外骨骼参数辨识的精度，本发明提出一种基于NFO算法的外骨骼动力学模型参数辨识方法，如图1所示，本发明的方法包括以下步骤：

S1、建立包含未知参数的外骨骼动力学模型，并将其转化成线性形式；

S2、采用NFO算法设计在特定物理约束下的外骨骼的激励轨迹并进行激励实验获取采样回归数据集与采样力矩数据集；采样回归数据集与采样力矩数据集组成采样数据集；

S3、采用NFO算法，根据采样数据集进行动力学模型的未知参数辨识。

本实施例以如图2所示的2-DOF(degree of freedom)下肢外骨骼装置为例对本发明的内容进行说明，本领域的技术人员应注意，本发明的技术方案不仅限于2自由度的下肢外骨骼，对于其他自由度的外骨骼(外骨骼包括上之外骨骼、下肢外骨骼)也同样适用。

如图2所示，2-DOF下肢外骨骼装置包括：两个机械连杆，分别记为：第一连杆、第二连杆，两个驱动电机，两个三维力传感器；其中第一连杆称作大腿臂，第二连杆称为小腿臂；第一连杆首端称为髋关节，第一连杆和第二连杆之间的铰接称作膝关节；髋关节和膝关节分别各设置了一个驱动电机，用于提供驱动力矩；大腿臂和小腿臂分别各设置了一个三维力传感器，用于测量人机交互力；

本实施例中整个2-DOF下肢外骨骼装置设置2个24A直流电源，用于为装置提供能源，具体的为驱动电机、三维力传感器、光电编码器、光电传感器供电；第一连杆与第二连杆上分别各设置一个光电编码器，用于测量两个关节的运动角度和角速度，第一连杆与第二连杆上各设置两个光电传感器，用于检测两个关节的限位信号，第一连杆与第二连杆上各设置两个绷带，用于将人体和外骨骼耦合。图2中direction of gravity表示重力方向。

在本发明的一个可选实施例中，步骤S1采用拉格朗日方法建立起了2-DOF下肢外骨骼的动力学模型，表示为：

其中，θ是外骨骼的关节角度，θ∈R²(R表示实数集，下同)，τ是电机驱动的关节力矩，τ∈R²，τ_dis是人机耦合力矩，τ_dis＝J^T(θ)F_dis，J^T(θ)是系统的雅克比矩阵，J^T(θ)∈R^2×2，F_dis是人机之间的耦合力，F_dis∈R²；M(θ)∈R^2×2、

G(θ)∈R²分别表示惯性矩阵，科里奥利矩阵和重力矩阵。

其他不同自由度的外骨骼对应不同维度的动力学模型，根据本发明的技术方案同样可以对其他不同自由度外骨骼动力学模型参数进行辨识。

M(θ)、

G(θ)各自的表达式如下：

其中，

分别表示外骨骼髋关节的角速度、角加速度，

分别表示外骨骼膝关节的角速度、角加速度，I_th,I_sh分别代表外骨骼大腿臂小腿臂的惯量，m_th,m_sh分别表示外骨骼大腿臂小臂的质量，a_th表示外骨骼大腿臂的长度，l_th,l_sh分别表示髋关节到大腿臂质心的长度，膝关节到小腿臂的长度，

表明关节摩擦。

步骤S1中利用参数矩阵Φ和回归矩阵

将拉格朗日模型线性化为如下线性形式，具体为：

其中，Φ为元素待辨识的未知参数矩阵，

为回归矩阵；

参数矩阵Φ的表达式为：

Φ＝[Φ⁽¹⁾Φ⁽²⁾Φ⁽³⁾Φ⁽⁴⁾Φ⁽⁵⁾Φ⁽⁶⁾Φ⁽⁷⁾Φ⁽⁸⁾]^T，

其中，

Φ⁽⁵⁾＝k_1,1，Φ⁽⁶⁾＝k_1,2，Φ⁽⁷⁾＝k_2,1，Φ⁽⁸⁾＝k_2,2。

回归矩阵

的表达式为：

其中，

Y⁽¹⁴⁾＝esinθ₁，

Y⁽¹⁷⁾＝0，Y⁽¹⁸⁾＝0，Y⁽²¹⁾＝0，

Y⁽²⁴⁾＝0，Y⁽²⁵⁾＝0，Y⁽²⁶⁾＝0，

在本发明的一个可选实施例中，上述步骤S2根据傅里叶级数的性质，将激励轨迹设计成傅里叶级数的形式，如下：

其中，θ_d期望的关节轨迹，θ_i,o为关节轨迹的偏移值，k为频率系数，k_f为基波频率，t为时间，N为周期，a_k,b_k为NFO算法所需要求解的优化参数。

步骤S3具体实现过程为采用NFO算法最小化以下适应度函数：

其中，T为给定的下肢外骨骼的特定物理约束，包括外骨骼的转动角度、角速度、角加速度，

为采样回归矩阵，

表示

的条件数。

在本发明的一个可选实施例中，上述步骤S3利用

和

组成激励实验中所得的采样数据集，根据步骤S1中所得的外骨骼模型的线性形式，利用NFO算法优化估计未知参数矩阵Φ，得到

为减小采样数据集中的干扰点对估计误差

的影响，采用如下的Huber函数作为NFO算法的适应度函数，来提高系统辨识的鲁棒性。

其中，E⁽ⁱ⁾为第i代数据的平方误差，

为第i代数据的力矩误差，

为第i代数据的力矩估计，

是

的第j个元素，δ₁，δ₂分别是设计的力矩τ₁,τ₂的误差阈值，δ＝[δ₁,δ₂]^T。

根据上述基于NFO算法的外骨骼拉格朗日模型参数辨识方法辨识得到的参数，设计一种鲁棒控制器，包括以下步骤：

A1、获得下肢外骨骼的状态空间模型为：

其中，

z₁＝x₁-x_r，z₂＝x₂-α，x_r由人体步态获得。

A2、针对该状态空间模型设计了一种鲁棒控制器如下：

其中，上标T为转置运算，

为α的导数，K₂∈R^2×2为正定矩阵，

为虚拟控制量，K₁∈R^2×2为正定矩阵，

分别为重力矩阵、科里奥利矩阵、关节摩擦力矩的估计值，G_n,C_n,M_n,τ_fn分别满足

本实施例基于李雅普洛夫能量函数，证明了2-DO下肢外骨骼装置在辨识的模型参数和设计的鲁棒控制器下的稳定性；具体为：

设定的李亚普洛夫函数为

李雅普洛夫能量函数为现有的公知技术，本发明在此不做详细阐述。

针对外骨骼拉格朗日模型中未知参数的存在，进而影响外骨骼系统受控性能和稳定性的问题，本发明采用NFO算法对外骨骼的拉格朗日模型进行了辨识，并利用了辨识的模型设计了鲁棒控制器，从而提高了参数未知的下肢外骨骼的控制性能和稳定性。

本发明首先建立了2-DOF下肢外骨骼的拉格朗日模型，再根据回归矩阵和参数矩阵获得了其线性形式；在基于NFO算法设计出了其在特定物理约束下的下肢外骨骼的激励轨迹并进行激励实验获取采样回归数据集与采样力矩数据集；采用NFO算法，根据采样数据集进行模型的未知参数辨识，并采用Huber函数作为适应度函数；根据辨识出的拉格朗日模型参数，设计了一种鲁棒控制器；基于李亚普洛夫能量函数，证明了外骨骼系统在辨识的模型参数和设计的鲁棒控制器下系统的稳定性；最后根据设计的鲁棒控制器对2-DOF下肢外骨骼进行了实时驱动。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.一种基于NFO算法的外骨骼动力学模型参数辨识方法，其特征在于，包括：

S1、建立包含未知参数的外骨骼动力学模型，并将其转化成线性形式；

S2、采用NFO算法设计在特定物理约束下的外骨骼的激励轨迹并进行激励实验获取采样回归数据集与采样力矩数据集；采样回归数据集与采样力矩数据集组成采样数据集；

S3、采用NFO算法，根据采样数据集进行动力学模型的未知参数辨识；具体为采用NFO算法对根据采样数据集构建的外骨骼动力学模型线性形式对应的适应度函数进行优化，从而辨别外骨骼动力学模型参数；

当所述外骨骼为2-DOF下肢外骨骼时，步骤S3中采用NFO算法通过优化以下适应度函数进行动力学模型的未知参数辨识：

其中，E⁽ⁱ⁾为第i代数据的平方误差，

为第i代数据的力矩误差，

Φ表示未知参数矩阵，

表示Φ的估计值，

为第i代数据的采样回归矩阵，

为第i代数据的力矩估计，

是

的第j个元素，δ₁，δ₂分别是设计的力矩τ₁,τ₂的误差阈值，δ＝[δ₁,δ₂]^T。

2.根据权利要求1所述的一种基于NFO算法的外骨骼动力学模型参数辨识方法，其特征在于，步骤S1采用拉格朗日方法建立外骨骼的动力学模型。

3.根据权利要求2所述的一种基于NFO算法的外骨骼动力学模型参数辨识方法，其特征在于，步骤S2所述在特定物理约束下的外骨骼的激励轨迹具体为：外骨骼关节角度、外骨骼关节角速度、外骨骼关节角加速度满足特定物理约束的外骨骼的激励轨迹。

4.根据权利要求3所述的一种基于NFO算法的外骨骼动力学模型参数辨识方法，其特征在于，所述适应度函数采用Huber函数。

5.一种鲁棒控制器，其特征在于，采用根据权利要求1-4任一项权利要求所述方法辨识得到的动力学模型参数设计得到。

6.根据权利要求5所述的一种鲁棒控制器，其特征在于，当所述外骨骼为2-DOF下肢外骨骼时，所述设计鲁棒控制器的过程为：

首先，获取下肢外骨骼的状态空间模型；

其中，

表示外骨骼髋关节的角速度、

表示外骨骼髋关节的角加速度，

表示外骨骼膝关节的角速度，

表示外骨骼膝关节的角加速度，上标T为转置运算，z₁＝x₁-x_r，z₂＝x₂-α，x_r由人体步态获得；

然后，针对获取的状态空间模型以及基于NFO算法辨识得到的外骨骼动力学模型参数，设计鲁棒控制器：

其中，

为α的导数，K₂∈R^2×2为正定矩阵，

为虚拟控制量，K₁∈R^2×2为正定矩阵，τ是电机驱动的关节力矩，τ_dis是人机耦合力矩，M表示惯性矩阵，C表示科里奥利矩阵，G表示重力矩阵，τ_f表示关节摩擦力矩，

分别为重力矩阵、科里奥利矩阵、关节摩擦力矩的估计值。

7.一种外骨骼装置，其特征在于，采用权利要求6所述鲁棒控制器驱动。

8.根据权利要求7所述的一种外骨骼装置，其特征在于，当所述外骨骼装置为2-DOF下肢外骨骼装置时，包括：两个机械连杆，记为：第一连杆、第二连杆，两个驱动电机，两个三维力传感器，两个光电编码器，四个光电传感器以及电源；所述第一连杆作为大腿臂，所述第二连杆作为小腿臂，所述第一连杆首端作为髋关节，第一连杆与第二连杆连之间的铰接作为膝关节，在髋关节和膝关节分别设置一个驱动电机，在大腿臂和小腿臂分别设置一个三维力传感器；

还包括：在大腿臂和小腿臂分别设置一个光电编码器，在大腿臂和小腿臂分别设置两个光电传感器，用于检测第一连杆与第二连杆各自的限位信号，在大腿臂和小腿臂分别设置两个绷带，用于将下肢外骨骼装置和人体耦合；

所述电源为驱动电机、三维力传感器、光电编码器、光电传感器供电。

Images