CN113858201B - 用于柔性驱动机器人的自适应变阻抗控制方法、系统与设备 - Google Patents

Abstract

本申请提供一种意图驱动的自适应阻抗控制方法、系统、设备、存储介质及机器人，涉及物理性人机交互领域，所述方法包括：获取目标用户的运动数据，将所述运动数据数据输入到运动意图模型，通过所述运动意图模型计算所述目标用户的运动意图，对所述运动意图进行实时追踪，获取变阻抗模型参数，将所述变阻抗模型参数输入驱动器的控制系统模型中，调整驱动器输出力矩，以使所述机器人进行动作。本申请并不是简单的引导人类或者跟随人类，而是评估人类的运动意图，主动采取措施对人类进行协助，本申请的方法能够实现稳定的闭环控制过程，其安全性得到严格保证，通过本申请的方法能够实现人机之间安全、高效的交互。

Description

用于柔性驱动机器人的自适应变阻抗控制方法、系统与设备

技术领域

本申请实施例涉及物理性人机交互技术领域，具体而言，涉及一种意图驱动的自适应阻抗控制方法、系统、设备、存储介质及机器人。

背景技术

物理性人机交互（physicalhuman-robot interaction，pHRI）技术致力于结合人类和机器的优点，目前在工业和医疗领域都有应用，但是物理性人机交互技术的安全性问题和效率问题一直都没有得到有效地解决。例如，在穿戴柔性驱动机械臂进行重物搬运、实施康复训练等场景中，人和机器人紧贴在一起，互相之间不可避免地会发生碰撞。

目前解决物理性人机交互中实现安全性的方法有设计轻型机械臂、设计被动机器人系统、传感器检测碰撞发生并及时进行反馈控制等，但是这些方法对实时性要求过高，需要大量传感器，并且在保证安全性的同时性能受到极大地限制。

因此，如何保证机器人和人的安全的情况下，安全、高效的实现物理性人机交互成为具有挑战性和亟待解决的问题。

发明内容

本申请实施例提供一种意图驱动的自适应阻抗控制方法、系统、设备、存储介质及机器人，旨在实现安全、高效的物理性人机交互。

本申请实施例第一方面提供一种意图驱动的自适应阻抗控制方法，所述方法包括：

获取目标用户的运动数据，所述运动数据包括关节角度向量、人机交互力矩；

将所述运动数据输入到运动意图模型，通过所述运动意图模型计算所述目标用户的运动意图，所述运动意图表示所述目标用户运动的期望位置；

对所述运动意图进行实时追踪，获取变阻抗模型参数，所述变阻抗模型参数表示所述机器人的当前位置与所述期望位置的冲突程度；

将所述变阻抗模型参数输入驱动器的控制系统模型中，调整驱动器输出力矩，以使所述机器人进行动作。

可选地，所述机器人为可穿戴机器人，所述运动意图模型为：

，

其中，是目标用户肢体的关节角度向量，表示关节角度向量对时间的一阶导，分别表示随时间变化的阻尼和刚度的参数，表示人机之间的交互力矩，表示运动意图，表示运动意图的一阶导，表示数据的维度为n，表示数据的维度为。

可选地，所述机器人为采用柔性驱动器的可穿戴机器人，所述对所述运动意图进行实时追踪，获取变阻抗模型参数，包括：

通过可变阻抗模型计算所述运动意图与所述可穿戴机器人的当前位置之间的位置差异，获取所述变阻抗模型参数；

所述可变阻抗模型为：

其中，表示预设的加权函数，分别表示期望惯性矩阵、期望阻尼矩阵、期望刚度矩阵，它们是对角线矩阵，且矩阵中对角线上的元素为常数，分别表示机器人关节角度、期望的运动意图，分别表示对时间的二阶导，表示对时间的一阶导，表示人机之间的交互力矩，表示数据的维度为。

可选地，所述加权函数为：

，

其中，分别表示机器人关节角度、期望的运动意图，,都是正常数，且，,分别代表的上边界和下边界，且是一个偶数整数，是一个常数，是一个区域函数。

可选地，所述控制系统模型为：

其中，表示转动惯量矩阵，表示与离心力和科里奥利力有关的参数矩阵，K表示刚度矩阵，且K为正定的对角矩阵，是一个已知的回归矩阵，表示一组预设参数，是机器人关节角度的矢量，是驱动器转子轴位置的矢量，，是机器人的虚拟期望位置输入，表示人机之间的交互力矩，表示阻抗向量，表示参考向量，表示对时间的一阶导；

其中，B是驱动器的惯性矩阵，是对角矩阵，且矩阵中对角线上的元素为常数，是控制输入，表示数据的维度为n，表示数据的维度为，表示数据维度为，表示数据的维度为。

可选地，本申请实施例第二方面提供一种机器人控制系统，应用于采用柔性驱动器的可穿戴机器人，所述系统包括：

闭环控制模型，所述闭环控制模型用于执行如本申请第一方面所述的方法，所述闭环控制模型为：

其中，是驱动器的惯性矩阵，是正定矩阵，，是驱动器转子轴位置的矢量，是机器人的虚拟期望位置输入，,对时间的一阶导，是一个正常数，是一个参考向量，表示数据的维度为，表示数据的维度为n。

本申请实施例第三方面提供一种机器人，所述机器人包括：

获取模块，用于获取目标用户的运动数据，所述运动数据包括关节角度向量、人机交互力矩；

运动意图模型，用于通过所述运动数据计算所述目标用户的运动意图，所述运动意图表示所述目标用户运动的期望位置；

变阻抗模型参数获取模块，用于对所述运动意图进行实时追踪，获取变阻抗模型参数，所述变阻抗模型参数表示所述机器人的当前位置与所述期望位置的冲突程度；

驱动器控制系统模型，用于依据所述变阻抗模型参数调整驱动器输出力矩，以使所述机器人进行动作。

可选地，所述机器人为采用柔性驱动器的可穿戴机器人，所述变阻抗模型参数获取模块，包括：

可变阻抗模型，用于计算所述运动意图与所述可穿戴机器人的当前位置之间的位置差异，获取所述变阻抗模型参数；

所述可变阻抗模型为：

其中，表示预设的加权函数，分别表示期望惯性矩阵、期望阻尼矩阵、期望刚度矩阵，它们是对角矩阵，且矩阵中对角线上的元素为常数，分别表示机器人关节角度、期望的运动意图，分别表示对时间的二阶导，表示对时间的一阶导，表示人机之间的交互力矩，表示数据的维度为。

本申请实施例第四方面提供一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如本申请第一方面所述的方法。

本申请实施例第五方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现本申请第一方面所述的方法。

采用本申请提供的意图驱动的自适应阻抗控制方法，通过人类肢体的运动意图模型来估算人类的运动意图，并使用机器人的可变阻抗模型来跟踪所述运动意图来持续调节阻抗参数的大小，根据阻抗参数改变机器人的交互输出，本申请并不是简单的引导人类或者跟随人类，而是评估人类的运动意图，主动采取措施对人类进行协助，本申请的方法能够实现稳定的闭环控制过程，其安全性得到严格保证，通过本申请的方法能够实现人机之间安全、高效的交互。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提出的意图驱动的自适应阻抗控制方法的流程图；

图2是本申请一实施例提出的加权函数示意图；

图3是本申请一实施例提出的机器人系统的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

众所周知，人类和机器人彼此都有各自的优势和劣势。例如，人类技术娴熟、聪明、灵活，但是他们有效载荷能力有限，定位和跟踪精度也有限。相比之下，机器人拥有很高的有效载荷能力，也拥有良好的定位能力和跟踪精度，但是机器人现有的学习、适应、决策能力不如人类。pHRI技术可以结合人类和机器人的优点，可以在许多工业和医疗业务中发挥重要作用，与其相关的研究在近年间受到了高度关注。

为了安全和高效实现pHRI，应当预测人类的运动，并控制机器人与人类的运动进行相互配合。但是，现有技术对人类运动的预测通常是采用EMG或者EEG传感器测量人体的肌肉或者大脑活动，利用传感器的输出来预测人类的运动。对于机器人的控制，通常是通过观察人类的运动行为来模仿人类的行为与环境交互，或者是采用协作的方法使机器人来主导或者跟随人类的行为。但是现有的方法存在传感器使用过多、交互效率低等缺点。

本申请提出一种自适应阻抗控制方法，通过人类肢体的运动意图模型来估算人类的运动意图，并使用机器人的可变阻抗模型来跟踪所述运动意图来持续调节阻抗参数的大小，根据阻抗参数改变机器人的交互输出，本申请并不是简单的引导人类或者跟随人类，而是评估人类的运动意图，主动采取措施对人类进行协助，本申请的方法能够实现稳定的闭环控制过程，其安全性得到严格保证，通过本申请的方法能够实现人机之间安全、高效的交互。

参考图1，图1是本申请一实施例提出的自适应阻抗控制方法的流程图。如图1所示，该方法包括以下步骤：

步骤S110、获取目标用户的运动数据，所述运动数据包括关节角度向量、人机交互力矩；

步骤S120、将所述运动数据数据输入到运动意图模型，通过所述运动意图模型计算人类的运动意图，所述运动意图表示人类运动的期望位置。

在与人类交互的机器人系统中，首先考虑和解决两个主要问题，即，预测人类的运动意图，以及控制机器人智能的采取行动适应它。因此，了解人类的运动意图是涉及与人类交互的机器人系统的基础。

测量与目标用户相关的运动数据，如目标用户的关节转角，与机器交互使用的力的大小等，获得运动数据后将其输入运动意图模型，运动意图模型是用于估算人类的运动意图的，运动意图指人类运动将要到达的期望位置，运动意图模型可以根据具体所要实现的物理性人机交互系统中人类的动作来进行设计。

示例的，机器人为一种可穿戴机器人系统，其中，目标用户即指人类主题，人类主体是为了增强或康复目的而穿戴该机器人的。在本例中，可通过考虑人类肢体模型建立人类的运动意图模型。所述运动意图模型为：

（1）

其中，是目标用户（人类）肢体的关节角度向量，表示关节角度向量的一阶导，中得下标h表示human，分别表示可能随时间变化的damping（阻尼）和stiffness（刚度）参数，表示人机之间的交互力矩，表示运动意图，或者说，在本实施例中其表示的期望的关节角度向量，表示数据的维度为n，表示数据的维度为。

当可穿戴机器人用于康复目的时，对于康复机器人来说，运动意图模型中期望的运动意图可以通过参考健康人类的运动轨迹来进行定义，而非所估计的期望关节角度。

本申请并非直接利用表层特征如交互力矩和关节角度向量等可以通过安装在人类肢体表面的传感器来测量的数据，而是利用这些数据提取出更深层的运动意图来使用，运动意图描述的是人类肢体潜在的、可能的变化，而这些变化并不能被传感器所测量。

步骤S130、对所述运动意图进行实时追踪，获取变阻抗模型参数，所述变阻抗模型参数表示所述机器人的当前位置与所述期望位置的冲突程度。

得到人类的运动意图后，将其设定为机器人的可变阻抗模型中的参考轨迹。

可变阻抗模型是指机器人的力位模型，其刻画了力位混合关系，可变阻抗模型中的参考位置为预测的人体意图。可变阻抗模型依据机器人的驱动结构、驱动器等相关参数进行构建。在实际实施中，可变阻抗模型的初值预先设定。

在上述定义的机器人系统的控制问题中，第二个问题为：控制机器人智能的采取行动适应运动意图。也就是说，在得到运动意图后，机器人应当将其作为自己的期望位置，运动至此，以实现与人类运动的相互配合。然而，在本申请中，得到人类的运动意图后，并非立即控制机器人采取动作，而是利用机器人的可变阻抗模型追踪人类的运动意图，评估当前机器人交互动作与期望位置之间的冲突状况，得到变阻抗模型参数。或者说，本申请的变阻抗参数是一种权重参数，该权重参数评估了人类的运动意图，根据该权重参数，机器人来放大/抑制当前的交互动作，来帮助人们或者缓解人机之间的动作冲突。

示例的，在本申请上述的可穿戴机器人中，机器人采用柔性驱动器。在人机交互中机器人通常由柔性驱动器驱动，一个例子是串联弹性驱动器（SEA），其由一块连接在执行对象和电机之间的弹性钢组成。由于弹性材料直接与电机相连，柔性驱动器在冲击的耐受性和能量储存上具有吸引性的优点，这非常适用于涉及pHRI的应用。

在本实施例的柔性驱动可穿戴机器人中，在采用公式（1）得到人类的运动意图后，将该运动意图指定为可穿戴机器人的参考轨迹，其可变阻抗模型被设计为：

（2）

其中，表示预设的加权函数，分别表示期望惯性矩阵、期望阻尼矩阵、期望刚度矩阵，它们是对角矩阵，且矩阵中对角线上的元素为常数，分别表示机器人关节角度、期望的运动意图，分别表示对时间的二阶导，表示对时间的一阶导，表示人机之间的交互力矩，表示数据的维度为。

在本实施例中，带点的字母是对该字母时间求导，如代表角度对时间的一阶导，也就是关节的角速度，代表的是二阶导，也就是关节的角加速度。带帽子符号^代表的是期望（或者说运动意图），带帽子如的分别表示期望角加速度、期望角速度和期望角度。与之相对，不带帽子如分别表示机器人实际的角加速度、角速度和关节角度。

该可变阻抗模型标用于驱使机器人跟踪人类运动意图的估算值，来对人类进行协助。加权函数在交互中被设计为可变阻抗。

可变阻抗模型（2）可被改写为：

其中， ，通过公式（3）可以看出，阻抗参数随着加权函数的增加而成比例的增加，反之亦然。

加权函数可以根据自身需要进行构建，示例的，权重参数的一个例子如下所示

（4），

其中，分别表示机器人关节角度、期望的运动意图，,都是正常数，且，,分别代表的上边界和下边界，且是一个偶数整数，是一个常数，是一个区域函数，它被指定为：

其中，R是一个正常数。

该加权函数如图2所示，即 ， ，。

可以看出，机器人的阻抗依据加权函数的变化为：

当机器人的运动与人类的运动意图相匹配时，，加权函数的输出很大，这样机器人就会保持一个高阻抗来放大协助。

当机器人的运动与人类的运动意图出现一些冲突时，，加权函数的输出变小，阻抗变小，机器人变为被动协助，以缓解冲突，避免对人类的潜在伤害。

步骤S140、将所述变阻抗模型参数输入驱动器的控制系统模型中，调整驱动器输出力矩，以使所述机器人进行动作。

得到变阻抗模型参数后，需要依据其对交互进行控制。

将得到的变阻抗模型参数，输入机器人的驱动器的控制系统模型中，控制驱动器的输出力矩，使机器人得动作配合人类运动意图。

示例的，在上述柔性驱动器的可穿戴机器人实施例中，驱动器的控制系统模型为：

，（6）

，（7）

其中，表示转动惯量矩阵，表示与离心力和科里奥利力有关的参数矩阵，K表示刚度矩阵，且K为正定的对角矩阵，是一个已知的回归矩阵，表示一组预设参数，是机器人关节角度的矢量，是驱动器转子轴位置的矢量，，是机器人的虚拟期望位置输入，表示人机之间的交互力矩，表示阻抗向量，表示参考向量，表示对时间的一阶导；

其中，B是驱动器的惯性矩阵，是对角矩阵，且矩阵中对角线上的元素为，是控制输入，表示数据的维度为n，表示数据的维度为，表示数据维度为，表示数据的维度为。

将变阻抗模型参数代入柔性驱动器的控制系统模型中，计算驱动器电机轴转角，从而调整输出力矩的大小。在本实施例中，θ是电机轴的转角，u是电机输出的力矩，q是关节转角。柔性驱动器电机轴和它驱动的机械臂之间不是刚性连接的，而是弹簧连接的，调节电机轴的转角以改变柔性驱动器输入力矩的大小，以使柔性驱动机械臂关节转角变动，配合人类的关节转动。

简而言之，根据柔性驱动器的控制系统模型和输出力矩的大小，柔性驱动机械臂会做出相应的运动，对人体运动意图实现追踪。本实施例上述控制系统模型的构建方法，包括：

将公式（2）的两边都乘以，然后将公式（2）改写为：

接下来，向其中引入一个阻抗矢量：

，

其中， 是一个参考向量，并且：

其中，是两个正定的对角线矩阵，是低通滤波后的信号。

通过使用公式（9）至（13），公式（8）的左侧可以被和表示为：

上述公式（14）证明了的收敛可促成可变阻抗模型（2）在低频范围内的实现。依据该性质，可进行控制模型的设计。

对于本实施例采用的机器人和柔性驱动器，已知二者动力学模型为：

其中，是机器人关节角度的矢量，是驱动器转子轴位置的矢量，表示转动惯量矩阵，表示与离心力和科里奥利力有关的参数矩阵,,表示重力引起的扭矩。（16）中的K表示刚度的正定对角矩阵，B是驱动器的惯性矩阵，是对角矩阵，且矩阵中对角线上的元素为常数， u 是控制输入。

并且，公式（15）的一个属性为：公式（15）的左侧可以用一组参数（如质量、惯性）表示为

是一个已知的回归矩阵，值得注意的是，中的第一个来自矩阵，中的第二个表示方程（17）左侧括号外的向量。

发明人认为，由于（15）（16）描述的整体动力学模型具有递归结构，因此，控制模型的开发可以按照反步法进行，即，首先，一个虚拟的期望位置输入被提出，以实现z的收敛，然后，提出一个最终控制控制输入，以驱动转子轴的位置收敛到虚拟的期望位置输入。

通过使用公式（9）和公式（15）的已知属性，公式（15）被改写为

，（6）

其中，，是机器人的虚拟期望位置输入。

基于同一发明构思，本申请一实施例提供一种机器人，该控制系统应用于采用柔性驱动器的可穿戴机器人。

当可穿戴机器人采用上述步骤S110至步骤S140后，其控制系统的总体闭环控制模型，可以被描述为：

，（18）

=，（19）

其中，是驱动器的惯性矩阵，是正定矩阵，，是驱动器转子轴位置的矢量，是机器人的虚拟期望位置输入，,对时间的一阶导，是一个正常数，是一个参考向量。

或者说，该闭环控制模型能够实现以上的方法。该闭环控制模型可以用于对控制系统进行抽象概括，便于对系统进行稳定性分析，还可以用于指导控制算法的设计、编写。

该闭环控制模型的构建方法，包括：

虚拟期望位置输入被提议为：

其中，是正定对角矩阵，表示的估计值，其更新方式为：

其中，是一个正定对角矩阵，用于调节估计参数的收敛性。

将（21）代入（20）中得到以下动力学方程：

其中，。

接下来，由于控制模型的受控输入被设定为驱动器的实际位置对期望输入的跟踪，因此，。

首先，一个滑动矢量被引入驱动器中：

（19）

其中，是一个正常数，是一个参考向量，其被定义为

使用滑动矢量s，子系统（16）的动态变化表示为：

现在，驱动器的受控输入被提议为

其中，是正定矩阵。

将（24）代入（23），可穿戴机器人的闭环方程为：

，（18）

基于同一发明构思，本申请一实施例提供一种机器人。参考图3，图3是本申请一实施例提出的机器人的示意图。如图3所示，该机器人包括：

获取模块310，用于获取目标用户的运动数据，所述运动数据包括关节角度向量、人机交互力矩；

运动意图模型320，用于通过所述运动数据计算所述目标用户的运动意图，所述运动意图表示所述目标用户运动的期望位置；

变阻抗模型参数获取模块330，用于对所述运动意图进行实时追踪，获取变阻抗模型参数，所述变阻抗模型参数表示所述机器人的当前位置与所述期望位置的冲突程度；

驱动器控制系统模型340，用于依据所述变阻抗模型参数调整驱动器输出力矩，以使所述机器人进行动作。

可选地，所述机器人为采用柔性驱动器的可穿戴机器人，所述变阻抗模型参数获取模块，包括：

可变阻抗模型，用于计算所述运动意图与所述可穿戴机器人的当前位置之间的位置差异，获取所述变阻抗模型参数；

所述可变阻抗模型为：

其中，表示预设的加权函数，分别表示期望惯性矩阵、期望阻尼矩阵、期望刚度矩阵，它们是对角矩阵，且矩阵中对角线上的元素为常数，分别表示机器人关节角度、期望的运动意图，分别表示对时间的二阶导，表示对时间的一阶导，表示人机之间的交互力矩。

基于同一发明构思，本申请另一实施例提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的意图驱动的自适应阻抗控制方法。

基于同一发明构思，本申请另一实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请上述任一实施例所述的意图驱动的自适应阻抗控制方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种意图驱动的自适应阻抗控制方法、系统、设备、存储介质及机器人，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种意图驱动的自适应阻抗控制方法，其特征在于，所述方法应用于机器人，所述方法包括：

获取目标用户的运动数据，所述运动数据包括关节角度向量、人机交互力矩；

将所述运动数据输入到运动意图模型，通过所述运动意图模型计算所述目标用户的运动意图，所述运动意图表示所述目标用户运动的期望位置；

对所述运动意图进行实时追踪，获取变阻抗模型参数，所述变阻抗模型参数表示所述机器人的当前位置与所述期望位置的冲突程度；

将所述变阻抗模型参数输入驱动器的控制系统模型中，调整驱动器输出力矩，以使所述机器人进行动作。

2.根据权利要求1所述方法，其特征在于，所述机器人为可穿戴机器人，所述运动意图模型为：

其中，

是用户肢体的关节角度向量，

表示关节角度向量对时间的一阶导，

分别表示随时间变化的阻尼和刚度的参数，τ_e表示人机之间的交互力矩，

表示运动意图，

表示运动意图的一阶导，

表示数据的维度为n，

表示数据的维度为n×n。

3.根据权利要求1所述方法，其特征在于，所述机器人为采用柔性驱动器的可穿戴机器人，所述对所述运动意图进行实时追踪，获取变阻抗模型参数，包括：

通过可变阻抗模型计算所述运动意图与所述可穿戴机器人的当前位置之间的位置差异，获取所述变阻抗模型参数；

所述可变阻抗模型为：

其中，ω(·)表示预设的加权函数，

分别表示期望惯性矩阵、期望阻尼矩阵、期望刚度矩阵，它们是对角矩阵，且矩阵中对角线上的元素为常数，q,

分别表示机器人关节角度、期望的运动意图，

分别表示q,

对时间的二阶导，

表示q,

对时间的一阶导，τ_e表示人机之间的交互力矩，

表示数据的维度为n×n。

4.根据权利要求3所述方法，其特征在于，所述加权函数为：

其中，q,

分别表示机器人关节角度、期望的运动意图，ω_H,ω_L都是正常数，且ω_H＞ω_L，ω_H,ω_L分别代表ω(·)的上边界和下边界，N≥4且是一个偶数整数，0＜k＜1是一个常数，h(·)是一个区域函数。

5.根据权利要求1所述方法，其特征在于，所述控制系统模型为：

其中，M(.)表示转动惯量矩阵，

表示与离心力和科里奥利力有关的参数矩阵，

表示刚度矩阵，且

为正定的对角矩阵，

是一个已知的回归矩阵，

表示一组预设参数，

是机器人关节角度的矢量，

是驱动器转子轴位置的矢量，Δθ＝θ-θ_d，θ_d是机器人的虚拟期望位置输入，τ_e表示人机之间的交互力矩，z表示阻抗向量，

表示参考向量，

表示

对时间的一阶导；

其中，

是驱动器的惯性矩阵，是对角矩阵，且矩阵中对角线上的元素为常数，

是控制输入，

表示数据的维度为n，

表示数据的维度为n×n，

表示数据维度为n_q，

表示数据的维度为n×n_q。

6.一种机器人控制系统，其特征在于，应用于采用柔性驱动器的可穿戴机器人，所述系统包括：

闭环控制模型，所述闭环控制模型用于执行权利要求1-5任一所述的方法，所述闭环控制模型为：

其中，

是驱动器的惯性矩阵，

是正定矩阵，Δθ＝θ-θ_d，

是驱动器转子轴位置的矢量，θ_d是机器人的虚拟期望位置输入，

分别表示s,θ,θ_d,Δθ对时间的一阶导，α是一个正常数，

是一个参考向量，

表示数据的维度为n×n，

表示数据的维度为n。

7.一种机器人，其特征在于，所述机器人包括：

获取模块，用于获取目标用户的运动数据，所述运动数据包括关节角度向量、人机交互力矩；

运动意图模型，用于通过所述运动数据计算所述目标用户的运动意图，所述运动意图表示所述目标用户运动的期望位置；

变阻抗模型参数获取模块，用于对所述运动意图进行实时追踪，获取变阻抗模型参数，所述变阻抗模型参数表示所述机器人的当前位置与所述期望位置的冲突程度；

驱动器控制系统模型，用于依据所述变阻抗模型参数调整驱动器输出力矩，以使所述机器人进行动作。

8.根据权利要求7所述机器人，所述机器人为采用柔性驱动器的可穿戴机器人，所述变阻抗模型参数获取模块，包括：

可变阻抗模型，用于计算所述运动意图与所述可穿戴机器人的当前位置之间的位置差异，获取所述变阻抗模型参数；

所述可变阻抗模型为：

其中，ω(·)表示预设的加权函数，

分别表示期望惯性矩阵、期望阻尼矩阵、期望刚度矩阵，它们是对角矩阵，且矩阵中对角线上的元素为常数，q,

分别表示机器人关节角度、期望的运动意图，

分别表示q,

对时间的二阶导，

表示q,

对时间的一阶导，τ_e表示人机之间的交互力矩，

表示数据的维度为n×n。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1至5中任一所述的方法。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至5中任一所述的方法。

Images