CN113001540A - 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 - Google Patents

Abstract

本发明公开了一种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，方法先将人体与负载机动型外骨骼建模为由躯干、左右两条大腿和左右两条小腿构成的5连杆模型；然后将5连杆模型分为支撑腿模型与摆动腿模型，利用拉格朗日运动方程，分别建立两个模型的动力学方程；再设计结合位置控制和基于跟踪微分器的AIA控制的混合控制方法，在步态周期中将位置控制应用于支撑腿模型，使外骨骼的关节角度实时跟踪人体的关节角度，将基于跟踪微分器的AIA控制应用于摆动腿模型，使外骨骼自适应穿戴者的人体运动和环境，两种控制方法依据步态周期的支撑相与摆动相交替实现，以使外骨骼实时跟踪人体位置。本发明能够实现外骨骼与人体的协调运动。

Description

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

技术领域

本发明涉及外骨骼控制技术领域，特别涉及一种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。

背景技术

负载机动型外骨骼是典型的人机耦合系统，通过融合仿生学、信息学、先进控制等技术，将人体的智力与机械的力量结合在一起，是人体与机器的完美结合。负载机动型外骨骼的大腿、小腿与液压执行机构在膝关节处呈三角形结构连接，其中液压执行机构由伺服驱动系统控制，承担外骨骼自身与外挂负载的重量。

由于外骨骼的动作有人体的参与，人体与外骨骼成为有机统一的系统，这就要求二者之间运动协调，不相互干涉，从而保证人体运动的自然连续，因此人机交互控制在负载机动型外骨骼的研究中至关重要。人机交互包括认知交互和物理交互两种，认知交互的作用是使外骨骼识别人体的动态意图，这对应的是外骨骼的控制系统；而物理交互指的是外骨骼与穿戴者之间在物理上的耦合，需保证两主体之间的交互力量受控。然而，目前的外骨骼人机交互控制还存在着不足：(1)由于人的关节运动，外骨骼的力跟踪性能仍较差；(2)受到穿戴者与外骨骼之间的物理相互作用的影响，可能导致系统不稳定。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供一种负载机动型外骨骼的人机交互智能控制方法，该方法可以提高外骨骼的跟踪精度，降低位置跟踪误差。

本发明的第二目的在于提供一种负载机动型外骨骼系统。

本发明的第三目的在于提供一种计算机可读存储介质。

本发明的第四目的在于提供一种计算设备。

本发明的第一目的通过下述技术方案实现：

一种负载机动型外骨骼的人机交互智能控制方法，包括如下步骤：

S1、将人体与负载机动型外骨骼建模为由躯干、左右两条大腿和左右两条小腿构成的5连杆模型；

S2、根据人体的行走是两腿支撑相与摆动相的循环交替往复过程的特点，将5连杆模型分为两个子系统：支撑腿模型与摆动腿模型，然后利用拉格朗日运动方程，分别建立支撑腿模型和摆动腿模型的动力学方程；

S3、设计结合位置控制和基于跟踪微分器的AIA控制的混合控制方法，在步态周期中将位置控制应用于支撑腿模型，使外骨骼的关节角度实时跟踪人体的关节角度，将基于跟踪微分器的AIA控制应用于摆动腿模型，使外骨骼自适应穿戴者的人体运动和环境，两种控制方法依据步态周期的支撑相与摆动相交替实现，以使外骨骼实时跟踪人体位置。

优选的，在步骤S2中，支撑腿模型具有2个髋关节自由度、1个膝关节自由度与1个踝关节自由度，其中，2个髋关节自由度是指髋关节前屈/后伸、髋关节内旋/外旋，膝关节自由度是指膝关节屈曲/伸展，踝关节自由度是指踝关节趾屈/背伸；

摆动腿模型具有1个髋关节自由度、1个膝关节自由度与1个踝关节自由度，其中，髋关节自由度是指髋关节前屈/后伸，膝关节自由度是指膝关节屈曲/伸展，踝关节自由度是指踝关节趾屈/背伸。

更进一步的，支撑腿模型的动力学方程如下：

式中，M_st(q_e)是对称正定惯性矩阵；q_e＝[q₁,q₂,q₃,q₄]^T是指外骨骼在旋转关节处的角度位置，q₁、q₂、q₃和q₄分别是外骨骼在踝关节趾屈/背伸、膝关节屈曲/伸展、髋关节前屈/后伸、髋关节内旋/外旋这四个自由度的关节角度；

是外骨骼在旋转关节处的角加速度；

是外骨骼在旋转关节处的角速度；

是向心与Coriolis矩阵；C_st(q_e)是重力力矩；T_act＝[T₁,T₂,T₃,T₄]^T是外骨骼的液压执行机构产生的关节力矩，T₁、T₂、T₃、T₄分别是液压执行机构在四个自由度的关节力矩；由于外骨骼只在髋关节前屈/后伸与膝关节屈曲/伸展这两个自由度上有助力，另外两个自由度由穿戴者自主控制，因此踝关节趾屈/背伸、髋关节内旋/外旋这两个自由度的力矩T₁、T₄为0；T_int是穿戴者施加的联合作用力矩；

摆动腿模型的动力学方程如下：

式中，T_int是穿戴者施加的联合作用力矩；q_e＝[q₅,q₆,q₇]^T是外骨骼在旋转关节处的角度位置，q₅、q₆、q₇分别是外骨骼在髋关节前屈/后伸、膝关节屈曲/伸展、踝关节趾屈/背伸这三个自由度的关节角度；M_sw(q_e)是对称正定惯性矩阵；

是向心与Coriolis矩阵，G_sw(q_e)是重力力矩；T_act＝[T₅,T₆,T₇]^T是液压执行机构驱动的关节扭矩，T₅、T₆、T₇分别是液压执行机构在三个自由度驱动的关节扭矩，由于踝关节不需要外骨骼驱动，而是由穿戴者自主控制，因此踝关节自由度上的关节扭矩T₇等于0。

更进一步的，步骤S3中，将位置控制应用于支撑腿模型的过程如下：

S311、先构建单自由度位置控制模型：

先设计一种控制器，以实现较小的差异角θ_e，即外骨骼可更柔顺地跟踪人体运动，该控制器的设计规范如下：

其中，θ_exo表示从动角，θ_h表示主动角，差异角θ_e＝θ_h-θ_exo；s表示Laplace运算符；S表示将人机交互作用扭矩d映射到外骨骼角速度ω上；H为函数符号，人机交互作用扭矩d是H的函数，d＝Hθ_e，代表穿戴者与外骨骼之间的动力学与运动学关系，越小的差异角代表越小的扭矩；G表示从外骨骼的液压执行机构扭矩T_act到外骨骼角速度ω的传递函数；C表示控制器参数，ω₀表示外骨骼的初始角速度。

选择外骨骼液压执行机构中液压阀的阀电压u来设计比例系数为K的比例控制器：

u＝K(θ_h-θ_exo) (1-4)

在位置控制中，若没有反馈控制的情况下，则设计位置控制模型的开环特征多项式为：

当有反馈控制时，则设计位置控制模型的闭环特征多项式为：

令

H＝k_H+k_vs,C＝k_p，将式(1-3)转化为：

将开环特征多项式转化为：

将闭环特征多项式转化为：

S312、在外骨骼的每个关节上使用比例控制器，以使外骨骼的关节角度实时跟踪人体的关节角度，根据式(1-4)，设计支撑腿模型的比例控制器如下：

u_i＝k_pi(θ_hi-θ_exoi) (1-10)

其中，u_i表示外骨骼的液压执行机构中第i个液压阀的阀门电压；θ_exoi表示第i个外骨骼的关节角；θ_hi表示第i个人体关节的角度，k_pi为控制器参数；

S313、基于式(1-1)、式(1-8)、式(1-9)和式(1-10)，利用MATLAB的SimMechanics工具箱建立外骨骼的位置控制模型，然后进行人体跟踪模拟，其中设置不同的k_pi值进行仿真；

S314、以人体实际运动作为参考，从外骨骼对人体的跟踪模拟结果中选择跟踪误差最小的k_pi作为最终的控制器参数，将该k_pi代入式(1-10)，即得到最终的能使外骨骼关节角度接近人体关节角度的比例控制器。

更进一步的，将基于跟踪微分器的AIA控制应用于摆动腿模型，过程如下：

S321、建立负载机动型外骨骼的动力学模型：

式中，M_d(t)为人机系统的惯性矩阵；C_d(t)为人机系统的阻尼矩阵；G_d(t)为人机系统的刚度矩阵；q_d(t)为理想的关节轨迹；q(t)为实际的关节轨迹；f(t)为人机交互力；

为理想的关节角加速度，

为实际的关节角加速度，

为理想的关节角速度，

为实际的关节角速度；

令Δq＝q_d(t)-q(t)，此时人机作用力与外骨骼驱动满足如下目标阻抗关系：

式中，Δq为理想与实际的关节轨迹差值，

为理想与实际的关节角加速度差值，

为理想与实际的关节角速度差值；

外骨骼的参考轨迹实际上是穿戴者的运动轨迹，然而由于个体的差异性与不确定性，衡量穿戴者的运动轨迹非常困难，因此采用安装于外骨骼液压执行机构处的力/力矩传感器与人体结合，实时测量人机交互力f(t)，并以此来估计参考轨迹，则最简单的人机作用力建模为：

f(t)＝R_d(t)(q_d(t)-q(t)) (1-13)

式中，R_d(t)表示人体的刚度矩阵，因此估计其参考轨迹

为：

式中，

表示对人体刚度矩阵的估计值；

然后将式(1-12)代入式(1-14)，结合式(1-13)，得到：

式中，

为人机交互力的变化加速度，

为人机交互力的变化速度；

S322、在负载机动型外骨骼的动力学模型的基础上，使用两阶段的跟踪微分器来获得平滑的跟踪参考轨迹、跟踪参考速度与跟踪参考加速度，使得外骨骼控制液压执行机构根据跟踪参考轨迹、跟踪参考速度与跟踪参考加速度来驱动外骨骼关节实时跟踪人体关节。

更进一步的，使用两阶段的跟踪微分器来获得平滑的跟踪参考轨迹、跟踪参考速度与跟踪参考加速度，具体如下：

先通过步骤S321中的模型估计出参考轨迹

然后将估计的参考轨迹

作为跟踪微分器第一阶段的输入，跟踪微分器输出跟踪参考轨迹

与粗略的跟踪参考速度值

再将

作为跟踪微分器第二阶段的输入，跟踪微分器输出精确的跟踪参考速度值

与跟踪参考加速度值

本发明的第二目的通过下述技术方案实现：

一种负载机动型外骨骼系统，所述负载机动型外骨骼系统通过本发明第一目的所述的负载机动型外骨骼系统的人机交互智能控制方法实现人机交互控制。

本发明的第三目的通过下述技术方案实现：

一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的负载机动型外骨骼的人机交互智能控制方法。

本发明的第四目的通过下述技术方案实现：

一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的负载机动型外骨骼的人机交互智能控制方法。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明设计了结合位置控制与AIA控制的混合控制策略，在步态周期的支撑相中使用位置控制方法，在步态周期的摆动相中使用基于跟踪微分器的AIA控制方法，两种控制方法依据步态周期的支撑相与摆动相交替实现，使得外骨骼能够自适应穿戴者的人体运动和环境，根据人体行走的特性对人体运动进行精确跟踪。

(2)本发明将位置控制应用于支撑腿模型时，通过在各个关节设置比例控制器，使外骨骼的关节角度实时跟踪人体的关节角度，不仅可以简化了仿生腿的位置计算，且其反向动力学计算也更加简单，控制更高效。

(3)本发明使用两阶段的跟踪微分器来获得平滑的跟踪参考轨迹、跟踪参考速度与跟踪参考加速度，能够为外骨骼系统提供平滑连续的阻抗调节，实现目标阻抗的动态平衡，达到穿戴者的个性化自适应控制，改善控制性能，从而实现人机交互的运动柔顺性。

附图说明

图1是支撑腿模型与摆动腿模型的示意图。

图2是负载机动型外骨骼系统的示意图。

图3是图2外骨骼系统的仿生腿示意图。

图4是图2外骨骼系统的控制示意图。

图5是本发明人机交互控制方法的示意图。

图6是单自由度位置控制模型的原理图。

图7是支撑腿关节的闭环控制原理图。

图8是基于跟踪微分器的AIA控制的原理图。

图9是负荷支撑阶段的参考方向跟踪曲线图。

图10是负荷支撑阶段的位置跟踪误差曲线图。

图11是步态周期摆动阶段的参考方向跟踪曲线图。

图12是步态周期摆动阶段的位置跟踪误差曲线图。

标号说明：

外骨骼系统100，仿生躯干1，仿生腿2，仿生髋关节21，仿生大腿22，仿生膝关节23，仿生小腿24，仿生踝关节25，仿生脚3，控制系统4，髋关节液压缸5，膝关节液压缸6，液压站7，油源71，电源8，位置传感器9。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

本实施例公开了一种负载机动型外骨骼的人机交互智能控制方法，所述方法应用在负载机动型外骨骼系统100中，使得负载机动型外骨骼系统可以实现与人体协调运动。

所述人机交互智能控制方法包括如下步骤：

S1、将人体与负载机动型外骨骼建模为由躯干、左右两条大腿和左右两条小腿构成的5连杆模型。5连杆模型主要针对矢状面上进行动力学特性的研究，其他平面由于运动范围小，对外骨骼系统动力学影响不明显而被忽略。5连杆模型可参见图1，图1中的左腿为支撑腿，右腿为摆动腿，q₁～q₇分别代表各部位或关节位置的旋转角度，支撑腿可视为通过踝关节固定在地面上，小腿、大腿与躯干构成一个三连杆多关节机器人。

这里，负载机动型外骨骼系统可穿戴在人身上，其包括机械系统、液压执行机构、传感系统和控制系统4。其中，如图2所示，机械系统包括依次连接的仿生躯干1、仿生腿2和仿生脚3，仿生腿2由仿生髋关节21、仿生大腿22、仿生膝关节23、仿生小腿24、仿生踝关节25构成。

仿生髋关节具有3个髋关节自由度，分别为1个主动自由度和2个被动自由度，其中，1个主动自由度是指髋关节前屈/后伸，2个被动自由度是指髋关节内旋/外旋、髋关节外摆/内收。仿生膝关节具有1个膝关节自由度，该膝关节自由度为主动自由度，是指膝关节屈曲/伸展，仿生踝关节具有3个踝关节自由度，均为被动自由度，分别是指踝关节趾屈/背伸、踝关节内旋/外旋、踝关节外展/内收，，仿生腿与5连杆模型相匹配，可参见图2和图3。

液压执行机构包括油源71、电源8、液压阀、液压管、电机、液压泵、髋关节液压缸5和膝关节液压缸6，电机、液压泵、油源和液压阀形成一个微型的液压站7，其和电源都放置在仿生躯干背部。电源连接液压阀、电机和液压泵，用于供电。油源一端通过液压管连接液压泵，电机驱动液压泵来抽取油源中的油液。油源另一端通过液压管连接液压阀，液压阀再通过液压管分别连接髋关节液压缸和膝关节液压缸，从而形成完整封闭的油液回路。

髋关节液压缸设置在仿生髋关节处并连接仿生躯干和仿生大腿，仿生大腿作为关节轴，髋关节液压缸用于驱动仿生髋关节的旋转运动。膝关节液压缸设置在仿生膝关节处并连接仿生大腿和仿生小腿，仿生大腿和仿生小腿作为关节轴，膝关节液压缸用于驱动仿生膝关节的旋转运动。

传感系统包括位置传感器9和力/力矩传感器，位置传感器安装在膝关节液压缸处，用于检测膝关节液压缸的位置数据，力/力矩传感器安装在膝关节液压缸和髋关节液压缸上，用于检测膝关节液压缸和髋关节液压缸的输出力。

如图4所示，控制系统连接传感系统，并获取位置传感器和力/力矩传感器的检测数据，控制系统连接液压阀，并通过控制液压阀的阀电压来控制液压阀的开度，进而控制髋关节液压缸和膝关节液压缸运动过程中的流量，流量可影响膝关节液压缸和髋关节液压缸的伸展和收缩运动。电机可连接至控制系统，由控制系统来控制其工作状态。

S2、由于人体的行走是两腿支撑相与摆动相的循环交替往复过程，摆动相中摆动腿位移量大，但只需要承担自身腿的重量，因此摆动过程具有相对较小的扭矩和较大的运动范围；支撑相中支撑腿位移量小，但将支撑整个躯干与负载的重量，因此支撑过程需要大扭矩和相对较小的运动范围。每条腿的动力学特性不同，为实现行走过程的人机交互模型分析，这里将5连杆模型分为两个子系统：支撑腿模型与摆动腿模型。

其中，支撑腿模型以支撑腿作为分析对象，具有在地面上支撑整个身体重量的作用。支撑腿模型具有2个髋关节自由度、1个膝关节自由度与1个踝关节自由度，2个髋关节自由度是指髋关节前屈/后伸、髋关节内旋/外旋，膝关节自由度是指膝关节屈曲/伸展，踝关节自由度是指踝关节趾屈/背伸。

摆动腿模型具有1个髋关节自由度、1个膝关节自由度与1个踝关节自由度，其中，髋关节自由度是指髋关节前屈/后伸，膝关节自由度是指膝关节屈曲/伸展，踝关节自由度是指踝关节趾屈/背伸。

然后利用拉格朗日运动方程，分别建立支撑腿模型和摆动腿模型的动力学方程：

支撑腿模型的动力学方程如下：

式中，M_st(q_e)是对称正定惯性矩阵；q_e＝[q₁,q₂,q₃,q₄]^T是指外骨骼在旋转关节处的角度位置，q₁、q₂、q₃和q₄分别是外骨骼在四个自由度(踝关节趾屈/背伸、膝关节屈曲/伸展、髋关节前屈/后伸、髋关节内旋/外旋)的关节角度；

是外骨骼在旋转关节处的角加速度，

是外骨骼在旋转关节处的角速度，

是向心与Coriolis矩阵；C_st(q_e)是重力力矩；T_act＝[T₁,T₂,T₃,T₄]^T是外骨骼的液压执行机构产生的关节力矩，T₁、T₂、T₃、T₄分别是液压执行机构在四个自由度(踝关节趾屈/背伸、膝关节屈曲/伸展、髋关节前屈/后伸、髋关节内旋/外旋)的关节力矩；由于外骨骼只在髋关节前屈/后伸与膝关节屈曲/伸展这两个自由度上有助力，另外两个自由度由穿戴者自主控制，因此踝关节趾屈/背伸、髋关节内旋/外旋这两个自由度的力矩T₁、T₄为0；T_int是穿戴者施加的联合作用力矩。

摆动腿模型的动力学方程如下：

式中，T_int是穿戴者施加的联合作用力矩；q_e＝[q₅,q₆,q₇]^T是外骨骼在旋转关节处的角度位置，q₅、q₆、q₇分别是外骨骼在三个自由度(髋关节前屈/后伸、膝关节屈曲/伸展、踝关节趾屈/背伸)的关节角度；M_sw(q_e)是对称正定惯性矩阵；

是向心与Coriolis矩阵，G_sw(q_e)是重力力矩；T_act＝[T₅,T₆,T₇]^T是液压执行机构驱动的关节扭矩，T₅、T₆、T₇分别是液压执行机构在三个自由度(髋关节前屈/后伸、膝关节屈曲/伸展、踝关节趾屈/背伸)驱动的关节扭矩，由于踝关节不需要外骨骼驱动，而是由穿戴者自主控制，因此踝关节自由度上的关节扭矩T₇等于0。

S3、对于单腿而言，其步态过程可分为负荷支撑阶段(支撑相)和空载摆动阶段(摆动相)，因此，这里设计了结合位置控制和基于跟踪微分器的AIA控制的混合控制方法，如图5所示。

在步态周期的支撑相中，将位置控制应用于支撑腿模型，能够使外骨骼的关节角度实时跟踪人体的关节角度；在步态周期的摆动相中，将基于跟踪微分器的AIA(自适应阻抗调节)控制应用于摆动腿模型，能够使外骨骼自适应穿戴者的人体运动和环境，两种控制方法依据步态周期的支撑相与摆动相交替实现，可使外骨骼实时跟踪人体位置。

具体来说，1)将位置控制应用于支撑腿模型的过程具体为：

S311、先构建如图6所示的单自由度位置控制模型：

先设计一种控制器，以实现较小的差异角θ_e，即外骨骼可更柔顺地跟踪人体运动，该控制器的设计规范如下：

其中，θ_exo表示从动角，θ_h表示主动角，差异角θ_e＝θ_h-θ_exo；s表示Laplace运算符；S表示将人机交互作用扭矩d映射到外骨骼角速度ω上；H为函数符号，人机交互作用扭矩d是H的函数，d＝Hθ_e，代表穿戴者与外骨骼之间的动力学与运动学关系，越小的差异角代表越小的扭矩；G表示从外骨骼的液压执行机构扭矩T_act到外骨骼角速度ω的传递函数；C表示控制器参数，ω₀表示外骨骼的初始角速度。

选择外骨骼液压执行机构中液压阀的阀电压u来设计比例系数为K的比例控制器：

u＝K(θ_h-θ_exo) (1-4)

在位置控制中，若没有反馈控制的情况下，则设计位置控制模型的开环特征多项式为：

因为该开环特征多项式没有任何控制器的先导与外骨骼的耦合行为，即GC＝0，表明该特征方程始终稳定；

当有反馈控制时，则设计位置控制模型的闭环特征多项式为：

令

H＝k_H+k_vs,C＝k_p，将式(1-3)转化为：

将开环特征多项式转化为：

令J＞0,k_v＞0,k_H＞0，则可使F_开稳定；

将闭环特征多项式转化为：

令J＞0,k_v＞0,k_H＞0,k_p＞0，则可使F_闭稳定；

S312、考虑到外骨骼支撑腿模型所实现的位置控制是一个多自由度系统，其中系统的主动轨迹是人的各关节(两条腿的髋关节、膝关节和踝关节)角度，而从动轨迹是相匹配的外骨骼关节角度，故在每个关节上使用比例控制器，以使外骨骼的关节角度实时跟踪人体的关节角度，两个关节角度之间的误差尽可能小，根据式(1-4)，设计如图7所示的支撑腿模型的比例控制器：

u_i＝k_pi(θ_hi-θ_exoi) (1-10)

其中，u_i表示外骨骼的液压执行机构中第i个液压阀的阀门电压；θ_exoi表示第i个外骨骼的关节角；θ_hi表示第i个人体关节的角度，k_pi为控制器参数。

从图7可以看出，施加在外骨骼上的转矩包括等效的人机交互作用扭矩T_hmi(对应图6中的d)，液压执行机构扭矩T_acti(对应图6中的C)。角速度、扭矩、角度等参数可通过外骨骼自带的传感器采集获知，阀门电压可由液压阀反馈给外骨骼的控制系统。

S313、基于式(1-1)、式(1-8)、式(1-9)和式(1-10)，利用MATLAB的SimMechanics工具箱建立外骨骼的位置控制模型，然后进行人体跟踪模拟，即穿戴者作出动作，外骨骼系统通过位置控制模型进行模拟仿真，自动跟踪人体位置，最终得到如图9所示的不同k_pi值下的参考方向跟踪曲线，以及如图10所示的位置跟踪误差曲线。这里，参考方向是指沿X、Y轴的移动，以及绕Z轴的旋转方向。

从图9中可以看出，在三个方向上外骨骼与参考方向的位置曲线几乎完全重合，说明外骨骼在位置控制下跟踪参考方向的效果良好。图10展示了外骨骼在三个方向上对人体位置的跟踪误差曲线，从图10可以看出，在沿X轴与Y轴移动的方向，初期误差较大，即脚跟着地时(支撑相开始)外骨骼与人体的位置匹配度较差，但随着支撑阶段逐步过渡到全脚掌着地，误差波形曲线迅速收敛为0，说明通过位置控制的调节，可快速地降低外骨骼对人体位置的跟踪误差。而沿Z轴旋转方向，全程的跟踪误差为0，说明整个模型在Z轴旋转方向没有位移。

S314、以人体实际运动作为参考，从外骨骼对人体的跟踪模拟结果中选择跟踪误差最小的k_pi作为最终的控制器参数，将该k_pi代入式(1-10)，即得到最终的能使外骨骼关节角度接近人体关节角度的比例控制器。如图10所示，在本实施例仿真实验中，k_pi为10的时候跟踪误差最小，因此最终的控制器参数为10。

之后外骨骼的第i个关节即可通过该比例控制器实时跟踪对应的第i个人体关节的角度，角度可通过位置传感器反馈回外骨骼系统的控制系统。

2)在人机交互控制的摆动阶段，支撑阶段所用的位置控制难以实现良好的控制效果，而AIA是一种不依赖模型的控制策略，不需要考虑系统的动态响应性能，因此在摆动阶段采用AIA控制，可以以平滑且连续的方式实时调整各状态下的阻抗参数，实现目标阻抗的动态平衡，达到穿戴者的个性化自适应控制，改善控制性能，从而实现人机交互的运动柔顺性。

将基于跟踪微分器的AIA控制应用于摆动腿模型，过程如下：

S321、建立负载机动型外骨骼的动力学模型：

式中，M_d(t)为人机系统的惯性矩阵；C_d(t)为人机系统的阻尼矩阵；G_d(t)为人机系统的刚度矩阵；q_d(t)为理想的关节轨迹；q(t)为实际的关节轨迹；f(t)为人机交互力；

为理想的关节角加速度，

为实际的关节角加速度，

为理想的关节角速度，

为实际的关节角速度。这些矩阵参数为外骨骼系统的已知参数，实际的角速度、角加速度可通过外骨骼自带的传感器采集得到，实际的关节轨迹、理想参数可由外骨骼的控制系统进一步计算得到。

令Δq＝q_d(t)-q(t)，此时人机作用力与外骨骼驱动满足如下目标阻抗关系：

式中，Δq为理想与实际的关节轨迹差值，

为理想与实际的关节角加速度差值，

为理想与实际的关节角速度差值。

外骨骼的参考轨迹实际上是穿戴者的运动轨迹，然而由于个体的差异性与不确定性，衡量穿戴者的运动轨迹非常困难，因此采用安装于外骨骼液压执行机构处的力/力矩传感器与人体结合，实时测量人机交互力f(t)，并以此来估计参考轨迹，则最简单的人机作用力建模为：

f(t)＝R_d(t)(q_d(t)-q(t)) (1-13)

式中，R_d(t)表示人体的刚度矩阵，因此估计其参考轨迹

为：

式中，

表示对人体刚度矩阵的估计值；

然后将式(1-12)代入式(1-14)，结合式(1-13)，得到：

式中，

为人机交互力的变化加速度，

为人机交互力的变化速度；

令C_d(t)与

正定，则可使f(t)收敛到零。

S322、由于步态周期摆动阶段所设计的控制器不仅需要参考方向信号(参考轨迹信号)，还需要参考速度与加速度信号。理想情况下，参考速度与参考加速度可用差分法得到，但人机交互力的测量必然会包含测量噪声，而差分法会放大噪声，使参考速度和参考加速度信号衰减，故不适用。因此，如图8所示，本实施例在负载机动型外骨骼的动力学模型的基础上，使用两阶段的跟踪微分器来获得平滑的跟踪参考轨迹、跟踪参考速度与跟踪参考加速度，过程具体如下：

先通过步骤S321中的模型估计出参考轨迹

然后将估计的参考轨迹

作为跟踪微分器第一阶段的输入，跟踪微分器输出跟踪参考轨迹

与粗略的跟踪参考速度值

再将

作为跟踪微分器第二阶段的输入，跟踪微分器输出精确的跟踪参考速度值

与跟踪参考加速度值

最终，外骨骼就可以控制液压执行机构根据跟踪参考轨迹、跟踪参考速度与跟踪参考加速度来驱动外骨骼关节实时跟踪人体关节。

另外，本实施例还针对两阶段的跟踪微分器的跟踪效果进行了验证。先采用MATLAB的SimMechanics工具箱建立外骨骼的动力学模型，然后在MATLAB的M语言环境下进行仿真实验，最终得到的参考方向跟踪曲线与位置跟踪误差模拟仿真结果如图11、图12所示，同图9与图10类似，均以沿X、Y轴的移动方向和绕Z轴的旋转方向作为分析对象。

图11展现了外骨骼在操作空间对参考方向的跟踪情况，在三个方向上外骨骼与参考方向的位置曲线几乎完全重合，说明摆动阶段中，外骨骼在AIA控制下跟踪参考方向的效果良好。图12展示了外骨骼对人体位置的跟踪误差曲线，从图12可以看出，在沿X轴移动与Z轴旋转的方向，初期误差较大，即脚趾离地时(摆动相开始)外骨骼与人体的匹配度较差，但随着摆动阶段逐步过渡到摆动相中期与末期，误差波形曲线振幅逐渐减小至接近收敛(10^-3数量级)，说明通过AIA控制的调节，两者的位置误差逐渐减小直至趋向于0。而在沿Y轴移动方向，初期误差不大，但随后从摆动相中期开始，误差逐渐变大，但变大范围有限，仍然维持在10^-2数量级以内。

由此可见，对于本实施例方法，在步态周期的支撑相中使用位置控制方法，在步态周期的摆动相中使用基于跟踪微分器的AIA控制方法，可以达到同时保持人机系统的鲁棒性(位置控制的支撑腿)与运动柔顺性(AIA的摆动腿)的效果。

实施例2

本实施例公开了一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现实施例1所述的负载机动型外骨骼的人机交互智能控制方法，具体如下：

S1、将人体与负载机动型外骨骼建模为由躯干、左右两条大腿和左右两条小腿构成的5连杆模型；

S2、根据人体的行走是两腿支撑相与摆动相的循环交替往复过程的特点，将5连杆模型分为两个子系统：支撑腿模型与摆动腿模型，然后利用拉格朗日运动方程，分别建立支撑腿模型和摆动腿模型的动力学方程；

S3、设计结合位置控制和基于跟踪微分器的AIA控制的混合控制方法，在步态周期中将位置控制应用于支撑腿模型，使外骨骼的关节角度实时跟踪人体的关节角度，将基于跟踪微分器的AIA控制应用于摆动腿模型，使外骨骼自适应穿戴者的人体运动和环境，两种控制方法依据步态周期的支撑相与摆动相交替实现，以使外骨骼实时跟踪人体位置。

本实施例中的计算机可读存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。

实施例3

本实施例公开了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例1所述的负载机动型外骨骼的人机交互智能控制方法，具体如下：

S1、将人体与负载机动型外骨骼建模为由躯干、左右两条大腿和左右两条小腿构成的5连杆模型；

S2、根据人体的行走是两腿支撑相与摆动相的循环交替往复过程的特点，将5连杆模型分为两个子系统：支撑腿模型与摆动腿模型，然后利用拉格朗日运动方程，分别建立支撑腿模型和摆动腿模型的动力学方程；

S3、设计结合位置控制和基于跟踪微分器的AIA控制的混合控制方法，在步态周期中将位置控制应用于支撑腿模型，使外骨骼的关节角度实时跟踪人体的关节角度，将基于跟踪微分器的AIA控制应用于摆动腿模型，使外骨骼自适应穿戴者的人体运动和环境，两种控制方法依据步态周期的支撑相与摆动相交替实现，以使外骨骼实时跟踪人体位置。

本实施例中所述的计算设备可以是台式电脑、笔记本电脑、平板电脑或其他具有处理器功能的终端设备。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种负载机动型外骨骼的人机交互智能控制方法，其特征在于，包括如下步骤：

S1、将人体与负载机动型外骨骼建模为由躯干、左右两条大腿和左右两条小腿构成的5连杆模型；

S2、根据人体的行走是两腿支撑相与摆动相的循环交替往复过程的特点，将5连杆模型分为两个子系统：支撑腿模型与摆动腿模型，然后利用拉格朗日运动方程，分别建立支撑腿模型和摆动腿模型的动力学方程；

S3、设计结合位置控制和基于跟踪微分器的AIA控制的混合控制方法，在步态周期中将位置控制应用于支撑腿模型，使外骨骼的关节角度实时跟踪人体的关节角度，将基于跟踪微分器的AIA控制应用于摆动腿模型，使外骨骼自适应穿戴者的人体运动和环境，两种控制方法依据步态周期的支撑相与摆动相交替实现，以使外骨骼实时跟踪人体位置。

2.根据权利要求1所述的负载机动型外骨骼的人机交互智能控制方法，其特征在于，在步骤S2中，支撑腿模型具有2个髋关节自由度、1个膝关节自由度与1个踝关节自由度，其中，2个髋关节自由度是指髋关节前屈/后伸、髋关节内旋/外旋，膝关节自由度是指膝关节屈曲/伸展，踝关节自由度是指踝关节趾屈/背伸；

摆动腿模型具有1个髋关节自由度、1个膝关节自由度与1个踝关节自由度，其中，髋关节自由度是指髋关节前屈/后伸，膝关节自由度是指膝关节屈曲/伸展，踝关节自由度是指踝关节趾屈/背伸。

3.根据权利要求2所述的负载机动型外骨骼的人机交互智能控制方法，其特征在于，支撑腿模型的动力学方程如下：

式中，M_st(q_e)是对称正定惯性矩阵；q_e＝[q₁,q₂,q₃,q₄]^T是指外骨骼在旋转关节处的角度位置，q₁、q₂、q₃和q₄分别是外骨骼在踝关节趾屈/背伸、膝关节屈曲/伸展、髋关节前屈/后伸、髋关节内旋/外旋这四个自由度的关节角度；

是外骨骼在旋转关节处的角加速度；

是外骨骼在旋转关节处的角速度；

是向心与Coriolis矩阵；C_st(q_e)是重力力矩；T_act＝[T₁,T₂,T₃,T₄]^T是外骨骼的液压执行机构产生的关节力矩，T₁、T₂、T₃、T₄分别是液压执行机构在四个自由度的关节力矩；由于外骨骼只在髋关节前屈/后伸与膝关节屈曲/伸展这两个自由度上有助力，另外两个自由度由穿戴者自主控制，因此踝关节趾屈/背伸、髋关节内旋/外旋这两个自由度的力矩T₁、T₄为0；T_int是穿戴者施加的联合作用力矩；

摆动腿模型的动力学方程如下：

式中，T_int是穿戴者施加的联合作用力矩；q_e＝[q₅,q₆,q₇]^T是外骨骼在旋转关节处的角度位置，q₅、q₆、q₇分别是外骨骼在髋关节前屈/后伸、膝关节屈曲/伸展、踝关节趾屈/背伸这三个自由度的关节角度；M_sw(q_e)是对称正定惯性矩阵；

是向心与Coriolis矩阵，G_sw(q_e)是重力力矩；T_act＝[T₅,T₆,T₇]^T是液压执行机构驱动的关节扭矩，T₅、T₆、T₇分别是液压执行机构在三个自由度驱动的关节扭矩，由于踝关节不需要外骨骼驱动，而是由穿戴者自主控制，因此踝关节自由度上的关节扭矩T₇等于0。

4.根据权利要求3所述的负载机动型外骨骼的人机交互智能控制方法，其特征在于，步骤S3中，将位置控制应用于支撑腿模型的过程如下：

S311、先构建单自由度位置控制模型：

先设计一种控制器，以实现较小的差异角θ_e，即外骨骼可更柔顺地跟踪人体运动，该控制器的设计规范如下：

其中，θ_exo表示从动角，θ_h表示主动角，差异角θ_e＝θ_h-θ_exo；s表示Laplace运算符；S表示将人机交互作用扭矩d映射到外骨骼角速度ω上；H为函数符号，人机交互作用扭矩d是H的函数，d＝Hθ_e，代表穿戴者与外骨骼之间的动力学与运动学关系，越小的差异角代表越小的扭矩；G表示从外骨骼的液压执行机构扭矩T_act到外骨骼角速度ω的传递函数；C表示控制器参数，ω₀表示外骨骼的初始角速度。

选择外骨骼液压执行机构中液压阀的阀电压u来设计比例系数为K的比例控制器：

u＝K(θ_h-θ_exo) (1-4)

在位置控制中，若没有反馈控制的情况下，则设计位置控制模型的开环特征多项式为：

当有反馈控制时，则设计位置控制模型的闭环特征多项式为：

令

H＝k_H+k_vs,C＝k_p，将式(1-3)转化为：

将开环特征多项式转化为：

将闭环特征多项式转化为：

S312、在外骨骼的每个关节上使用比例控制器，以使外骨骼的关节角度实时跟踪人体的关节角度，根据式(1-4)，设计支撑腿模型的比例控制器如下：

u_i＝k_pi(θ_hi-θ_exoi) (1-10)

其中，u_i表示外骨骼的液压执行机构中第i个液压阀的阀门电压；θ_exoi表示第i个外骨骼的关节角；θ_hi表示第i个人体关节的角度，k_pi为控制器参数；

S313、基于式(1-1)、式(1-8)、式(1-9)和式(1-10)，利用MATLAB的SimMechanics工具箱建立外骨骼的位置控制模型，然后进行人体跟踪模拟，其中设置不同的k_pi值进行仿真；

S314、以人体实际运动作为参考，从外骨骼对人体的跟踪模拟结果中选择跟踪误差最小的k_pi作为最终的控制器参数，将该k_pi代入式(1-10)，即得到最终的能使外骨骼关节角度接近人体关节角度的比例控制器。

5.根据权利要求3所述的负载机动型外骨骼的人机交互智能控制方法，其特征在于，将基于跟踪微分器的AIA控制应用于摆动腿模型，过程如下：

S321、建立负载机动型外骨骼的动力学模型：

式中，M_d(t)为人机系统的惯性矩阵；C_d(t)为人机系统的阻尼矩阵；G_d(t)为人机系统的刚度矩阵；q_d(t)为理想的关节轨迹；q(t)为实际的关节轨迹；f(t)为人机交互力；

为理想的关节角加速度，

为实际的关节角加速度，

为理想的关节角速度，

为实际的关节角速度；

令Δq＝q_d(t)-q(t)，此时人机作用力与外骨骼驱动满足如下目标阻抗关系：

式中，Δq为理想与实际的关节轨迹差值，

为理想与实际的关节角加速度差值，

为理想与实际的关节角速度差值；

外骨骼的参考轨迹实际上是穿戴者的运动轨迹，然而由于个体的差异性与不确定性，衡量穿戴者的运动轨迹非常困难，因此采用安装于外骨骼液压执行机构处的力/力矩传感器与人体结合，实时测量人机交互力f(t)，并以此来估计参考轨迹，则最简单的人机作用力建模为：

f(t)＝R_d(t)(q_d(t)-q(t)) (1-13)

式中，R_d(t)表示人体的刚度矩阵，因此估计其参考轨迹

为：

式中，

表示对人体刚度矩阵的估计值；

然后将式(1-12)代入式(1-14)，结合式(1-13)，得到：

式中，

为人机交互力的变化加速度，

为人机交互力的变化速度；

S322、在负载机动型外骨骼的动力学模型的基础上，使用两阶段的跟踪微分器来获得平滑的跟踪参考轨迹、跟踪参考速度与跟踪参考加速度，使得外骨骼控制液压执行机构根据跟踪参考轨迹、跟踪参考速度与跟踪参考加速度来驱动外骨骼关节实时跟踪人体关节。

6.根据权利要求5所述的负载机动型外骨骼的人机交互智能控制方法，其特征在于，使用两阶段的跟踪微分器来获得平滑的跟踪参考轨迹、跟踪参考速度与跟踪参考加速度，具体如下：

先通过步骤S321中的模型估计出参考轨迹

然后将估计的参考轨迹

作为跟踪微分器第一阶段的输入，跟踪微分器输出跟踪参考轨迹

与粗略的跟踪参考速度值

再将

作为跟踪微分器第二阶段的输入，跟踪微分器输出精确的跟踪参考速度值

与跟踪参考加速度值

7.一种负载机动型外骨骼系统，其特征在于，所述负载机动型外骨骼系统通过权利要求1～6中任一项所述的负载机动型外骨骼系统的人机交互智能控制方法实现人机交互控制。

8.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1～6中任一项所述的负载机动型外骨骼的人机交互智能控制方法。

9.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1～6中任一项所述的负载机动型外骨骼的人机交互智能控制方法。

Images