CN110967972A - 基于径向基函数神经网络的康复机器人自适应控制方法 - Google Patents

基于径向基函数神经网络的康复机器人自适应控制方法 Download PDF

Info

Publication number
CN110967972A
CN110967972A CN201911283241.0A CN201911283241A CN110967972A CN 110967972 A CN110967972 A CN 110967972A CN 201911283241 A CN201911283241 A CN 201911283241A CN 110967972 A CN110967972 A CN 110967972A
Authority
CN
China
Prior art keywords
movement speed
adaptive
error
neural network
robot
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.)
Pending
Application number
CN201911283241.0A
Other languages
English (en)
Inventor
彭亮
侯增广
王晨
王卫群
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 CN201911283241.0A priority Critical patent/CN110967972A/zh
Publication of CN110967972A publication Critical patent/CN110967972A/zh
Pending legal-status Critical Current

Links

Images

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
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance

Abstract

本发明属于康复机器人技术领域，具体涉及一种基于径向基函数神经网络的康复机器人自适应控制方法、系统、装置，旨在解决康复机器人无法根据人的运动能力提供最优的辅助力的问题。本系统包括获取机器人末端手柄t时刻的位置及运动速度，作为第一位置、第一运动速度；获取t时刻机器人末端手柄的期望位置和运动速度，计算其与第一位置、第一运动速度的误差，作为第一位置误差、运动速度误差；基于第一位置误差、运动速度误差，获取滑动变量；通过预设的自适应算法获取自适应控制率,并结合预设的控制周期，更新权重向量；通过自适应控制器计算机器人末端手柄需要施加的辅助力。本发明能根据人的运动能力，通过预构建的自适应控制器获取最优辅助力。

Description

基于径向基函数神经网络的康复机器人自适应控制方法
技术领域
本发明属于康复机器人技术领域，具体涉及一种基于径向基函数神经网络的康复机器人自适应控制方法、系统、装置。
背景技术
随着中国社会老龄化的加剧，越来越多的老人由于中风等原因造成上肢瘫痪，给日常生活带来非常大的不便。瘫痪患者需要通过大量的康复训练激发大脑可塑性，恢复一定的运动能力，以实现生活自理，进而提高生活质量，最大程度的回归社会。
机器人辅助康复训练能够节约大量的人力物力，并能够对患者康复水平进行实时量化的评估，提出更加适合患者个人的训练计划，使患者的训练更加有针对性并且更有助于患者的恢复。在康复机器人的控制策略方面，主动训练方法可以激发病人更多的主动参与，相比于被动训练方法更有益于病人在中风后期的大脑可塑性及运动能力的恢复。
目前主动训练中“按需辅助”原则的实现方法大致有两种，一种是基于肌电信号或者脑电信号直接测量人的运动意图，但是常用的模式识别方法只能区分有限种类的离散动作，无法建立肌电信号与力、力矩之间准确的动态模型；另一种方法是通过人机交互力的测量以及人机系统模型的建立来估计人的运动意图，但是模型校准过程繁琐，模型误差会导致训练过程中机器人的过度干预。
本发明为克服上述存在的问题，利用径向基函数神经网络建立一种自适应控制器，其中径向基函数神经网络均匀分布在机器人的工作空间，可以自适应的学习人机间的动力学关系以及人的运动能力。除此之外，使用阻抗控制器来保证人际之间的柔顺交互，同时决定最大容许跟踪误差。
发明内容
为了解决现有技术中的上述问题，即为了解决现有康复机器人无法根据人的运动能力提供最优的辅助力的问题，本发明第一方面，提出了一种基于径向基函数神经网络的康复机器人自适应控制方法，该方法包括：
步骤S100，获取康复机器人末端手柄t时刻位置及运动速度，作为第一位置、第一运动速度；
步骤S200，基于计算机工作空间中预设的起点和终点之间的期望轨迹，获取t时刻康复机器人末端手柄对应的期望位置、期望运动速度；计算所述期望位置、所述期望运动速度与所述第一位置、所述第一运动速度的误差，作为第一位置误差、第一运动速度误差；
步骤S300，基于所述第一位置误差、所述第一运动速度误差，获取滑动变量；
步骤S400，基于所述第一位置，通过高斯径向基函数构建回归矩阵；根据所述回归矩阵、所述滑动变量，通过预设的自适应算法获取自适应控制率，并结合预设的控制周期，更新所述回归矩阵的权重向量；
步骤S500，基于所述权重向量、所述第一位置、所述第一运动速度、所述滑动变量，通过自适应控制器计算机器人末端手柄需要施加的辅助力；
所述自适应控制器基于RBF神经网络和反馈阻抗控制器构建。
在一些优选的实施方式中，所述期望位置，其计算方法为：
xref(t)＝xi+(xd-xi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]
yref(t)＝yi+(yd-yi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]
其中，(xi,yi)、(xd,yd)为起点、终点的位置，τ为运动周期，t为当前时刻，(xref(t),yref(t))为t时刻的期望位置。
在一些优选的实施方式中，步骤S300中“基于所述第一位置误差和所述第一运动速度误差，获取滑动变量”，其方法为：
Figure BDA0002317336390000031
其中，s为滑动变量，
Figure BDA0002317336390000032
为第一运动速度误差，Λ为对角正定矩阵，
Figure BDA0002317336390000033
为第一位置误差。
在一些优选的实施方式中，步骤S400，中“通过预设的自适应算法获取自适应控制率”，其方法为：
Figure BDA0002317336390000034
其中，
Figure BDA0002317336390000035
为自适应控制率，Γ为对称的正定矩阵，YT为回归矩阵。
在一些优选的实施方式中，所述回归矩阵其权重向量更新方法为：
Figure BDA0002317336390000036
其中，
Figure BDA0002317336390000037
为权重向量，Ts为控制周期，k表示第k个控制周期。
在一些优选的实施方式中，步骤S500中“通过自适应控制器获取机器人末端手柄需要施加的辅助力”，其方法为：
Figure BDA0002317336390000038
其中，Fr为机器人末端手柄需要施加的辅助力，KD为刚度系数矩阵，
Figure BDA0002317336390000039
为滑动变量的导数，Y(·)为回归矩阵，X、
Figure BDA00023173363900000310
为第一位置、第一运动速度。
本发明的第二方面，提出了一种基于径向基函数神经网络的康复机器人自适应控制的系统，该系统包括获取模块、计算误差模块、获取滑动变量模块、自适应计算模块、输出辅助力模块；
所述获取模块，配置为获取康复机器人末端手柄t时刻位置及运动速度，作为第一位置、第一运动速度；
所述计算误差模块，配置为基于计算机工作空间中预设的起点和终点之间的期望轨迹，获取t时刻康复机器人末端手柄对应的期望位置、期望运动速度；计算所述期望位置、所述期望运动速度与所述第一位置、所述第一运动速度的误差，作为第一位置误差、第一运动速度误差；
所述获取滑动变量模块，配置为基于所述第一位置误差、所述第一运动速度误差，获取滑动变量；
所述自适应计算模块，配置为基于所述第一位置，通过高斯径向基函数构建回归矩阵；根据所述回归矩阵、所述滑动变量，通过预设的自适应算法获取自适应控制率，并结合预设的控制周期，更新所述回归矩阵的权重向量；
所述输出辅助力模块，配置为基于所述权重向量、所述第一位置、所述第一运动速度、所述滑动变量，通过自适应控制器计算机器人末端手柄需要施加的辅助力；
所述自适应控制器基于RBF神经网络和反馈阻抗控制器构建。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序应用由处理器加载并执行以实现上述的基于径向基函数神经网络的康复机器人自适应控制方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的基于径向基函数神经网络的康复机器人自适应控制方法。
本发明的有益效果：
本发明能根据人的运动能力，通过预构建的自适应控制器获取最优辅助力。本发明通过径向基函数神经网络以及反馈阻抗控制器构建自适应控制器，其中径向基函数神经网络为带有自适应算法的径向基函数神经网络，均匀分布在康复机器人的工作空间，可以自适应的学习人机间的动力学关系以及人的运动能力，解决动力学跟踪误差中非线性函数参数的不确定性问题。同时，阻抗控制器利用阻抗控制原理，通过选取阻抗控制器的值设置最大容许跟踪误差，保证康复训练过程中机器人与患者的柔顺交互。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于径向基函数神经网络的康复机器人自适应控制方法的流程示意图；
图2是本发明一种实施例的基于径向基函数神经网络的康复机器人自适应控制系统的框架示意图；
图3是本发明一种实施例的上肢康复机器人及实验场景的示意图；
图4是本发明一种实施例的计算机工作空间的虚拟训练环境的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
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。
本发明的基于径向基函数神经网络的康复机器人自适应控制方法，如图1所示，包括以下步骤：
步骤S100，获取康复机器人末端手柄t时刻位置及运动速度，作为第一位置、第一运动速度；
步骤S200，基于计算机工作空间中预设的起点和终点之间的期望轨迹，获取t时刻康复机器人末端手柄对应的期望位置、期望运动速度；计算所述期望位置、所述期望运动速度与所述第一位置、所述第一运动速度的误差，作为第一位置误差、第一运动速度误差；
步骤S300，基于所述第一位置误差、所述第一运动速度误差，获取滑动变量；
步骤S400，基于所述第一位置，通过高斯径向基函数构建回归矩阵；根据所述回归矩阵、所述滑动变量，通过预设的自适应算法获取自适应控制率，并结合预设的控制周期，更新所述回归矩阵的权重向量；
步骤S500，基于所述权重向量、所述第一位置、所述第一运动速度、所述滑动变量，通过自适应控制器计算机器人末端手柄需要施加的辅助力；
所述自适应控制器基于RBF神经网络和反馈阻抗控制器构建。
为了更清晰地对本发明基于径向基函数神经网络的康复机器人自适应控制方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
步骤S100，获取康复机器人末端手柄t时刻位置及运动速度，作为第一位置、第一运动速度。
本发明对患者进行康复训练过程中，其训练任务设置为计算机二维工作空间中的够取运动。如图3和图4所示，A和B为预设的够取目标点，图4中的Cursor为光标，跟随机器人末端手柄的移动而移动，Score为统计训练得分。患者在机器人的辅助下完成A和B之间的往复的轨迹跟踪任务运动。
在本实施例中，首先根据康复训练的患者施加于康复机器人末端手柄的力，获取康复机器人末端手柄t时刻在笛卡尔坐标系下(当前时刻)的位置X及运动速度
Figure BDA0002317336390000071
，将其作为第一位置、第一运动速度。其中，X＝[x,y]T，[x,y]为坐标，T为转置。
步骤S200，基于计算机工作空间中预设的起点和终点之间的期望轨迹，获取t时刻康复机器人末端手柄对应的期望位置、期望运动速度；计算所述期望位置、所述期望运动速度与所述第一位置、所述第一运动速度的误差，作为第一位置误差、第一运动速度误差。
在本实施例中，首先获取计算机工作空间中预设的起点和终点之间的期望轨迹，即A和B，由于本发明中在设定的两点之间进行往复的运动，所以起点和终点可以变换。
计算机工作空间中预设的起点和终点之间的期望轨迹Xd，即不同时刻机器人末端手柄对应的期望位置，可以表示如公式(1)(2)所示：
xref(t)＝xi+(xd-xi)[10(t/τ)3-15(t/τ)4+6(t/τ)5] (1)
yref(t)＝yi+(yd-yi)[10(t/τ)3-15(t/τ)4+6(t/τ)5] (2)
其中，(xi,yi)、(xd,yd)为起点、终点的位置，τ为运动周期，t为当前时刻，(xref(t),yref(t))为t时刻的期望位置。
基于t时刻光标对应的期望位置、期望运动速度，计算期望位置、期望运动速度与第一位置、第一运动速度的误差。计算过程如公式(3)(4)所示：
Figure BDA0002317336390000081
Figure BDA0002317336390000082
其中，
Figure BDA0002317336390000083
为位置误差，
Figure BDA0002317336390000084
为运动速度误差，
Figure BDA0002317336390000085
为Xd的导数，表示为期望运动速度。
步骤S300，基于所述第一位置误差、所述第一运动速度误差，获取滑动变量。
在本实施例中，基于第一位置误差、第一运动速度误差，获取滑动变量。其中计算机的工作空间中的滑动变量计算过程如公式(5)所示：
Figure BDA0002317336390000086
其中，s为滑动变量，Λ为对角正定矩阵。
同时，本发明提供了另一种获取滑动变量的方法。定义其参考轨迹v如公式(6)所示：
Figure BDA0002317336390000087
其中，Λ是一个对角正定矩阵，通过计算可以得到滑动变量，如公式(7)所示：
Figure BDA0002317336390000091
步骤S400，基于所述第一位置，通过高斯径向基函数构建回归矩阵；根据所述回归矩阵、所述滑动变量，通过预设的自适应算法获取自适应控制率，并结合预设的控制周期，更新所述回归矩阵的权重向量。
RBF(Radial Basis Function)神经网络又称作径向基函数，是具有单隐层的三层前向型网络。RBF神经网络模仿大脑中进行调整和相互覆盖的接收域的神经网络结构，已证明能够以任意地精度逼近任意地连续函数。因此采用RBF神经网络可以有效提高系统的控制精度和鲁棒性。
通过RBF神经网络高度的非线性映射能力和并行处理能力，使RBF神经网络具有良好的逼近性能，拥有较快地学习速度并且能够避免局部极小的问题，满足实时控制的要求。因此我们可以使用RBF神经网络来对系统中的不确定项进行逼近补偿。
在本实施例中，存在由A到B以及由B到A的两种运动方向，因此采用两个高斯径向基函数神经网络对两种不同方向运动中的人机间的动力学关系以及人的运动能力进行自适应学习。在每个运动方向定义均匀分布在工作空间中的20个径向基函数，如式(8)所示：
g＝[g1 g2 ... g20]T (8)
其中，g表示高斯径向基函数的向量集合，[g1 g2 ... g20]表示为20个径向基函数。
每个径向基函数被定义如公式(9)所示：
gn＝exp(-|X-μn|2/2σ2) (9)
其中，gn表示第n个径向基函数，μn是第n个径向基函数的位置，σ是标量平滑常数。
利用高斯径向基函数向量构建回归矩阵，如式(10)所示：
Figure BDA0002317336390000101
其中，YT为回归矩阵。在本发明中，根据上述的径向基函数的个数，回归矩阵为Y2 ×40。
同时，本发明为了使跟踪误差趋近零，采用如下形式的自适应算法获取自适应控制率，如公式(11)所示：
Figure BDA0002317336390000102
其中，
Figure BDA0002317336390000103
为自适应控制率，Γ为对称的正定矩阵。
对于由A到B方向的回归矩阵，权重向量为
Figure BDA0002317336390000104
对于由B到A方向的回归矩阵，权重向量为
Figure BDA0002317336390000105
在重复性的康复训练过程中，采用如下方式对
Figure BDA0002317336390000107
进行更新，如公式(12)所示：
Figure BDA0002317336390000106
其中，Ts为控制周期，设定为1毫秒，k为第k个控制周期。
步骤S500，基于所述权重向量、所述第一位置、所述第一运动速度、所述滑动变量，通过自适应控制器计算机器人末端手柄需要施加的辅助力。
随着患者病情的恢复，患肢的运动能力也逐渐增强，被动训练已经不能满足患者的康复需求。因此当患者肌力增强时，需要提高患者主动参与训练的程度，刺激运动神经，促进肌肉力量的改善，进一步恢复行动能力。当患者进行主动训练时，此时驱动人机系统运动的力由机器人和患者共同提供，因此需要考虑患肢与机器人之间的作用力。为了保护人体的安全，需要保证人机接触的柔顺性。上肢康复机器人可以通过传感器感知人机接触力，利用阻抗控制实现人机系统之间力和位置的柔顺性控制。
因此在本实施例中，自适应控制器基于RBF神经网络和反馈阻抗控制器构建。通过自适应控制器计算机器人末端手柄需要施加的辅助力，如公式(13)所示：
Figure BDA0002317336390000111
其中，Fr为机器人末端手柄需要施加的辅助力，
Figure BDA0002317336390000113
为滑动变量的导数，Y(·)为回归矩阵，KDs表示阻抗控制器的值，KD表示刚度系数矩阵，
Figure BDA0002317336390000112
是一个对称的正定增益矩阵，(kdx,kdy)为X轴和Y轴方向上的刚度系数，基于对角正定矩阵和刚度系数矩阵得到阻尼系数矩阵KDΛ。
阻抗控制器可以保证康复训练过程中机器人与患者的柔顺交互，同时可以通过选择KD的值决定最大容许跟踪误差。
由上述控制器可以得到机器人的控制扭矩，即电机的输出扭矩T，转化过程如公式(14)所示：
T＝JTFr (14)
其中，J为雅可比矩阵。
在每个运动周期内重复上述步骤，通过病人的主动力和康复机器人的辅助力的相互作用，完成病人康复后期的上肢主动康复训练。
本发明第二实施例的一种基于径向基函数神经网络的康复机器人自适应控制系统，如图2所示，包括：获取模块100、计算误差模块200、获取滑动变量模块300、自适应计算模块400、输出辅助力模块500；
所述获取模块100，配置为获取康复机器人末端手柄t时刻位置及运动速度，作为第一位置、第一运动速度；
所述计算误差模块200，配置为基于计算机工作空间中预设的起点和终点之间的期望轨迹，获取t时刻康复机器人末端手柄对应的期望位置、期望运动速度；计算所述期望位置、所述期望运动速度与所述第一位置、所述第一运动速度的误差，作为第一位置误差、第一运动速度误差；
所述获取滑动变量模块300，配置为基于所述第一位置误差、所述第一运动速度误差，获取滑动变量；
所述自适应计算模块400，配置为基于所述第一位置，通过高斯径向基函数构建回归矩阵；根据所述回归矩阵、所述滑动变量，通过预设的自适应算法获取自适应控制率，并结合预设的控制周期，更新所述回归矩阵的权重向量；
所述输出辅助力模块500，配置为基于所述权重向量、所述第一位置、所述第一运动速度、所述滑动变量，通过自适应控制器计算机器人末端手柄需要施加的辅助力；
所述自适应控制器基于RBF神经网络和反馈阻抗控制器构建。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统的具体的工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于径向基函数神经网络的康复机器人自适应控制系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适用于由处理器加载并实现上述的基于径向基函数神经网络的康复机器人自适应控制方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于径向基函数神经网络的康复机器人自适应控制方法。
所述技术领域的技术人员可以清楚的了解到，未描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
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 (9)

1.一种基于径向基函数神经网络的康复机器人自适应控制方法，其特征在于，该方法包括：
步骤S100，获取康复机器人末端手柄t时刻位置及运动速度，作为第一位置、第一运动速度；
步骤S200，基于计算机工作空间中预设的起点和终点之间的期望轨迹，获取t时刻康复机器人末端手柄对应的期望位置、期望运动速度；计算所述期望位置、所述期望运动速度与所述第一位置、所述第一运动速度的误差，作为第一位置误差、第一运动速度误差；
步骤S300，基于所述第一位置误差、所述第一运动速度误差，获取滑动变量；
步骤S400，基于所述第一位置，通过高斯径向基函数构建回归矩阵；根据所述回归矩阵、所述滑动变量，通过预设的自适应算法获取自适应控制率，并结合预设的控制周期，更新所述回归矩阵的权重向量；
步骤S500，基于所述权重向量、所述第一位置、所述第一运动速度、所述滑动变量，通过自适应控制器计算机器人末端手柄需要施加的辅助力；
所述自适应控制器基于RBF神经网络和反馈阻抗控制器构建。
2.根据权利要求1所述的基于径向基函数神经网络的康复机器人自适应控制方法，其特征在于，所述期望位置，其计算方法为：
xref(t)＝xi+(xd-xi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]
yref(t)＝yi+(yd-yi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]
其中，(xi,yi)、(xd,yd)为起点、终点的位置，τ为运动周期，t为当前时刻，(xref(t),yref(t))为t时刻的期望位置。
3.根据权利要求1所述的基于径向基函数神经网络的康复机器人自适应控制方法，其特征在于，步骤S300中“基于所述第一位置误差和所述第一运动速度误差，获取滑动变量”，其方法为：
Figure FDA0002317336380000021
其中，s为滑动变量，
Figure FDA0002317336380000022
为第一运动速度误差，Λ为对角正定矩阵，
Figure FDA0002317336380000023
为第一位置误差。
4.根据权利要求3所述的基于径向基函数神经网络的康复机器人自适应控制方法，其特征在于，步骤S400，中“通过预设的自适应算法获取自适应控制率”，其方法为：
Figure FDA0002317336380000024
其中，
Figure FDA0002317336380000025
为自适应控制率，Γ为对称的正定矩阵，YT为回归矩阵。
5.根据权利要求4所述的基于径向基函数神经网络的康复机器人自适应控制方法，其特征在于，步骤S400中“结合预设的控制周期，更新所述回归矩阵的权重向量”其方法为：
Figure FDA0002317336380000026
其中，
Figure FDA0002317336380000027
为权重向量，Ts为控制周期，k表示第k个控制周期。
6.根据权利要求4所述的基于径向基函数神经网络的康复机器人自适应控制方法，其特征在于，步骤S500中“通过自适应控制器获取机器人末端手柄需要施加的辅助力”，其方法为：
Figure FDA0002317336380000028
其中，Fr为机器人末端手柄需要施加的辅助力，KD为刚度系数矩阵，
Figure FDA0002317336380000031
为滑动变量的导数，Y(·)为回归矩阵，X、
Figure FDA0002317336380000032
为第一位置、第一运动速度。
7.一种基于径向基函数神经网络的康复机器人自适应控制系统，其特征在于，该系统包括获取模块、计算误差模块、获取滑动变量模块、自适应计算模块、输出辅助力模块；
所述获取模块，配置为获取康复机器人末端手柄t时刻位置及运动速度，作为第一位置、第一运动速度；
所述计算误差模块，配置为基于计算机工作空间中预设的起点和终点之间的期望轨迹，获取t时刻康复机器人末端手柄对应的期望位置、期望运动速度；计算所述期望位置、所述期望运动速度与所述第一位置、所述第一运动速度的误差，作为第一位置误差、第一运动速度误差；
所述获取滑动变量模块，配置为基于所述第一位置误差、所述第一运动速度误差，获取滑动变量；
所述自适应计算模块，配置为基于所述第一位置，通过高斯径向基函数构建回归矩阵；根据所述回归矩阵、所述滑动变量，通过预设的自适应算法获取自适应控制率，并结合预设的控制周期，更新所述回归矩阵的权重向量；
所述输出辅助力模块，配置为基于所述权重向量、所述第一位置、所述第一运动速度、所述滑动变量，通过自适应控制器计算机器人末端手柄需要施加的辅助力；
所述自适应控制器基于RBF神经网络和反馈阻抗控制器构建。
8.一种存储装置，其中存储有多条程序，其特征在于，所述程序应用由处理器加载并执行以实现权利要求1-6任一项所述的基于径向基函数神经网络的康复机器人自适应控制方法。
9.一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；其特征在于，所述程序适用于由处理器加载并执行以实现权利要求1-6任一项所述的基于径向基函数神经网络的康复机器人自适应控制方法。
CN201911283241.0A 2019-12-13 2019-12-13 基于径向基函数神经网络的康复机器人自适应控制方法 Pending CN110967972A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911283241.0A CN110967972A (zh) 2019-12-13 2019-12-13 基于径向基函数神经网络的康复机器人自适应控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911283241.0A CN110967972A (zh) 2019-12-13 2019-12-13 基于径向基函数神经网络的康复机器人自适应控制方法

Publications (1)

Publication Number Publication Date
CN110967972A true CN110967972A (zh) 2020-04-07

Family

ID=70034340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911283241.0A Pending CN110967972A (zh) 2019-12-13 2019-12-13 基于径向基函数神经网络的康复机器人自适应控制方法

Country Status (1)

Country Link
CN (1) CN110967972A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111993417A (zh) * 2020-08-04 2020-11-27 北京航空航天大学 一种基于rbf神经网络的机械臂自适应阻抗控制方法
CN112405554A (zh) * 2020-11-06 2021-02-26 上海傅利叶智能科技有限公司 用于机器人低刚度运动控制的方法、装置和康复机器人
CN112698567A (zh) * 2020-12-29 2021-04-23 上海电气集团股份有限公司 一种康复设备控制方法、装置、设备及介质
CN112947093A (zh) * 2021-04-07 2021-06-11 长春工业大学 一种机器人分散鲁棒跟踪控制方法、系统及存储介质
CN112932897A (zh) * 2021-01-28 2021-06-11 上海电气集团股份有限公司 一种康复机器人运动的方法、装置及其康复机器人
CN114161453A (zh) * 2021-12-30 2022-03-11 上海钛米机器人股份有限公司 基于双手柄的机器人控制方法、装置、系统和电子设备
CN114161453B (zh) * 2021-12-30 2024-05-10 上海钛米机器人股份有限公司 基于双手柄的机器人控制方法、装置、系统和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105963100A (zh) * 2016-04-19 2016-09-28 西安交通大学 按患者运动所需辅助的下肢康复机器人自适应控制方法
CN107397649A (zh) * 2017-08-10 2017-11-28 燕山大学 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法
CN109176525A (zh) * 2018-09-30 2019-01-11 上海神添实业有限公司 一种基于rbf的移动机械手自适应控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105963100A (zh) * 2016-04-19 2016-09-28 西安交通大学 按患者运动所需辅助的下肢康复机器人自适应控制方法
CN107397649A (zh) * 2017-08-10 2017-11-28 燕山大学 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法
CN109176525A (zh) * 2018-09-30 2019-01-11 上海神添实业有限公司 一种基于rbf的移动机械手自适应控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ERIC T. WOLBRECHT: "Optimizing Compliant, Model-Based Robotic Assistance to Promote Neurorehabilitation", 《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》 *
LINCONG LUO等: "A Greedy Assist-as-Needed Controller for Upper Limb Rehabilitation", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 *
彭亮 等: "康复辅助机器人及其物理人机交互方法", 《自动化学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111993417A (zh) * 2020-08-04 2020-11-27 北京航空航天大学 一种基于rbf神经网络的机械臂自适应阻抗控制方法
CN111993417B (zh) * 2020-08-04 2021-07-20 北京航空航天大学 一种基于rbf神经网络的机械臂自适应阻抗控制方法
CN112405554A (zh) * 2020-11-06 2021-02-26 上海傅利叶智能科技有限公司 用于机器人低刚度运动控制的方法、装置和康复机器人
CN112405554B (zh) * 2020-11-06 2022-07-01 上海傅利叶智能科技有限公司 用于机器人低刚度运动控制的方法、装置和康复机器人
CN112698567A (zh) * 2020-12-29 2021-04-23 上海电气集团股份有限公司 一种康复设备控制方法、装置、设备及介质
CN112932897A (zh) * 2021-01-28 2021-06-11 上海电气集团股份有限公司 一种康复机器人运动的方法、装置及其康复机器人
CN112932897B (zh) * 2021-01-28 2023-11-28 上海电气集团股份有限公司 一种康复机器人运动的方法、装置及其康复机器人
CN112947093A (zh) * 2021-04-07 2021-06-11 长春工业大学 一种机器人分散鲁棒跟踪控制方法、系统及存储介质
CN114161453A (zh) * 2021-12-30 2022-03-11 上海钛米机器人股份有限公司 基于双手柄的机器人控制方法、装置、系统和电子设备
CN114161453B (zh) * 2021-12-30 2024-05-10 上海钛米机器人股份有限公司 基于双手柄的机器人控制方法、装置、系统和电子设备

Similar Documents

Publication Publication Date Title
CN110967972A (zh) 基于径向基函数神经网络的康复机器人自适应控制方法
Bi et al. A review on EMG-based motor intention prediction of continuous human upper limb motion for human-robot collaboration
Freeman et al. A model of the upper extremity using FES for stroke rehabilitation
Freeman et al. Iterative learning control of FES applied to the upper extremity for rehabilitation
Pick et al. Measurement of driver steering torque using electromyography
Mehrabi et al. Predictive simulation of reaching moving targets using nonlinear model predictive control
CN112274865B (zh) 下肢康复机器人的按需辅助自适应控制方法和系统
CN109718059A (zh) 手部康复机器人自适应控制方法及装置
Zeng et al. Robot learning human stiffness regulation for hybrid manufacture
Yamada et al. Investigation of a cognitive strain on hand grasping induced by sensory feedback for myoelectric hand
Khoshdel et al. An optimized artificial neural network for human-force estimation: consequences for rehabilitation robotics
Pehlivan et al. Maintaining subject engagement during robotic rehabilitation with a minimal assist-as-needed (mAAN) controller
Soechting et al. 11 arm movements in three-dimensional space: computation, theory, and observation
Pham et al. Extraction and implementation of muscle synergies in neuro-mechanical control of upper limb movement
Kitamura et al. Bilateral control of human upper limbs using functional electrical stimulation based on dynamic model approximation
Khan et al. Muscle circumference sensor and model reference-based adaptive impedance control for upper limb assist exoskeleton robot
Mobasser et al. Hand force estimation using electromyography signals
Sharif Razavian et al. On the relationship between muscle synergies and redundant degrees of freedom in musculoskeletal systems
Potkonjak et al. The handwriting problem
Wang et al. A novel assist-as-needed controller based on fuzzy-logic inference and human impedance identification for upper-limb rehabilitation
Schearer et al. Identifying inverse human arm dynamics using a robotic testbed
Dutta et al. Impedance control of a robotic gripper for cooperation with humans
Ison et al. Multi-directional impedance control with electromyography for compliant human-robot interaction
Schubö et al. Movement coordination in applied human-human and human-robot interaction
Wolf et al. Developing a quasi-static controller for a paralyzed human arm: A simulation study

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200407