CN114912290A - 站坐交互中护理机器人智能辅助方法 - Google Patents

Abstract

站坐交互中护理机器人智能辅助方法属于站坐交互中护理机器人智能辅助的应用技术领域，尤其涉及肢体残障人群站坐交互障碍问题的解决。本发明提出一种基于模型预测的护理机器人智能辅助控制方法，这个控制方法能够解决肢体残障人群的站坐交互障碍问题，实现站坐交互中人体受到座椅冲击力的减弱。本发明采用如下技术方案，本发明包括以下步骤：步骤一：对人体的生物模型进行简化,结合简化后的人体结构，构建描述人体生物结构的空间几何模型，描述站坐交互中人体部位间的几何关系；步骤二：基于垂直维度与步骤一中的人体空间几何模型构建人体进行站坐交互的动力学模型。

Description

站坐交互中护理机器人智能辅助方法

技术领域

本发明属于站坐交互中护理机器人智能辅助的应用技术领域，尤其涉及肢体残障人群站坐交互障碍问题的解决。

背景技术

站坐交互，是指从站立到坐下的过程，其中的交互通常指代人与座椅接触的过程。站坐交互对于下肢健康的正常人来说和呼吸一样轻松自然，并不会感知到任何障碍。但对于下肢残障又或是下肢肌肉力量不足的老年人来说，站坐交互存在一定的障碍。当他们进行站坐交互时，下肢残障或下肢肌肉力量的不足使他们的下肢肌肉无法正常出力，导致他们在接触椅面后受到来自座椅猛烈的冲击，这样的冲击对于老年人来说是危险的，如果他们本身就存在骨质酥松等疾病，他们可能会因此摔倒在地面上，甚至导致骨折、损坏身体的其他器官或肌肉韧带组织。

站坐交互中存在障碍的这些下肢残障的老年人正在逐年增加、形成一个越发庞大的群体。无法正常完成站坐交互意味着这些老年人将丧失一部分自理生活的能力，同时也意味着他们在日常生活中潜在的受伤的危险，这将成为一个不可忽视的社会问题。

因此，研究出能在站坐交互中提供冲击力减缓辅助的护理机器人控制方法，对下肢残障的老年人来说，无论是对生活质量的提高还是对意外跌倒等危险的预防，都有着重要的意义。

发明内容

本发明就是针对上述问题，本发明提出一种基于模型预测的护理机器人智能辅助控制方法，这个控制方法能够解决肢体残障人群的站坐交互障碍问题，实现站坐交互中人体受到座椅冲击力的减弱。

为实现上述目的，本发明采用如下技术方案，本发明包括以下步骤：

步骤一：对人体的生物模型进行简化,结合简化后的人体结构，构建描述人体生物结构的空间几何模型，描述站坐交互中人体部位间的几何关系；

步骤二：基于垂直维度与步骤一中的人体空间几何模型构建人体进行站坐交互的动力学模型；模型中人体在垂直维度的运动过程被分为了两个阶段，第一阶段人体只受到来自座椅柔软部分软弹簧的弹力和重力，第二阶段人体不但受到一个恒定不变的软弹簧的弹力和重力，还要受到来自座椅底部坚硬部分的硬弹簧的弹力；

步骤三：人体站坐交互的动力学模型的预测计算；在不考虑纵向受到外力的情况下，基于当前采样周期的刚体质心的位移、速度和加速度通过模型中的动力学方程预测出下一个采样周期的质心位移、速度和加速度；

步骤四：在步骤二动力学模型的基础上建立护理机器人的智能辅助模型；将人体看作是一个质量块，并将护理机器人也看作为一个质量块；人体与护理机器人之间由两组弹簧阻尼相连，第一组弹簧阻尼包括人体大腿柔软部位的弹簧阻尼和护理机器人椅面柔软部分的弹簧阻尼，第二组弹簧阻尼包括人体大腿骨骼坚硬部分和护理机器人椅面坚硬部分的弹簧阻尼；以上弹簧阻尼的大小均取决于人体与护理机器人的相对位移；相对位移变化，弹簧阻尼值也随之线性变化；

步骤五：通过传感器获取人体接触座椅瞬间的状态变量，其中包括人与机器人的位移、速度、加速度；将得到的状态变量输入到状态观测器A中，使状态观测器A开始循环计算未来状态变量x的预测序列；获得的预测序列为在不考虑机器人辅助力条件下人与护理机器人在未来采样周期中的状态；

步骤六：将预测的状态变量序列输入至对象模型，在经过计算后输出在不考虑机器人辅助力条件下座椅对人的作用力F_椅预序列；这个序列从当前采样周期开始至采样过程结束；得到的F_椅预序列经过滤波处理后得到期望的座椅对人体作用力F_期望序列，并从这个序列中取下一周期的F_期望，将它与上一周期系统的输出F_椅(首个周期座椅对人体的作用力为0)作差得到系统的控制误差e；

步骤七：把控制误差e输入至最优控制器中计算得出下一周期控制机器人的作用力f_robot的大小；再将上一周期状态观测器B输出的状态变量(首个周期采用初始状态变量)和最优控制器输出的f_robot输入至状态观测器B中得到最终模拟真实系统的下一周期的状态变量x₂；这里得到的状态变量x₂，不但会成为下一采样周期状态观测器A的输入，还会成为下一采样周期的状态观测器B输入的一部分；

步骤八：将状态变量x₂代入至对象模型中模拟真实环境得出系统的输出F_椅，同时将F_椅反馈至最优控制器的输入部分，用于计算误差。

作为一种优选方案，本发明所述步骤二中，第一阶段动力学方程：

m₁为人体躯干质量，m₂为人体大腿质量，

为软弹簧的弹性系数，

为软弹簧的阻尼系数，y₁为大腿所在刚体的质心纵向位移，

为大腿所在刚体的质心纵向移动速度，

为大腿所在刚体的质心纵向加速度。f_y为纵向受到的外力；

第二阶段动力学方程：

为硬弹簧的弹性系数，

为硬弹簧的阻尼系数，f_K为恒定不变的来自软弹簧的弹力。

作为另一种优选方案，本发明所述步骤三中，假设当前周期的速度为

则可知下一个采样点的速度应为(采样时间设为s)：

参考上式可知，下一个采样点周期的加速度

可解得为：

其中下一个采样点周期的速度

的计算公式如下：

联立上述方程可解得下一个采样周期的质心位移、速度和加速度。

作为另一种优选方案，本发明所述步骤四，在站坐交互接触后过程的第一阶段，不考虑第二组弹簧阻尼的影响，仅考虑第一组弹簧阻尼的影响，人体受到来自护理机器人椅面柔软部分弹簧阻尼力和自身的重力；而护理机器人则受到来自人体大腿柔软部位的弹簧阻尼力、自身的重力和控制机器人升降电机对机器人的作用力；

在站坐交互接触后过程的第二阶段，认为受到第一阶段弹簧阻尼力为定值且为第一阶段受到的最大弹簧阻尼受力值，同时考虑第二组弹簧阻尼的影响，人体受到来自护理机器人坚硬部分的弹簧阻尼力、前面阶段中来自机器人弹簧阻尼力的最大值以及自身的重力；而护理机器人则受到来自人体大腿骨骼坚硬部分的弹簧阻尼力、第一阶段受到来自人弹簧阻尼的最大值、自身的重力和控制机器人升降电机对机器人的作用力；

人体站坐交互第一阶段的人-机动力学方程为：

其中m_人为人体除小腿外的质量，y_人为人体大腿部位运动的位移，

为人体大腿部位运动的速度，

为人体大腿部位运动的加速度，m_机为机器人的质量，y_机为机器人运动的位移，

为机器人运动的速度，

为机器人运动的加速度，K_soft为连接人体与机器人柔软部分的弹簧系数，C_soft为连接人体与机器人柔软部分的阻尼系数，f_robot为控制机器人升降电机对机器人的作用力；

人体站坐交互第二阶段的人-机动力学方程为：

其中K_hard为连接人体与机器人坚硬部分的弹簧系数，C_hard为连接人体与机器人坚硬部分的阻尼系数，f_soft1为第一阶段人受到来自机器人弹簧阻尼力的最大值，f_soft2为第一阶段机器人受到来自机器人弹簧阻尼力的最大值。

作为另一种优选方案，本发明所述步骤五，状态观测器A观测的是当系统中不考虑护理机器人进行辅助运动，即不包含控制系统给定量f_robot时人与护理机器人的状态变量，这些状态变量包括：人体的位移、人体的速度、人体的加速度、机器人的位移、机器人的速度、机器人的加速度；状态变量的表达式为：

其中x为状态观测器A中状态变量的整合表示；

参照步骤三中的计算方法，预测出这些状态变量在辅助模型下未来的变化情况；在状态方程中，将这些状态变量看作为一个整体，将现采样周期中已知的状态变量与未来下一采样周期中未知的状态变量视为是一种线性的对应关系，得到状态观测器A中状态变量的计算表达式为：

其中

为状态观测器A中当前采样周期状态变量x在未来一个采样周期中的状态，D为连接两个状态变量的常量；

状态观测器B观测的是考虑护理机器人对交互过程进行辅助，即包含控制系统给定量f_robot时人与护理机器人的状态变量；状态观测器B与状态观测器A的差异在于是否在控制模型中考虑机器人的辅助作用；状态观测器B观测的这些状态变量虽然在数值上与状态观测器A有所不同，但依然与状态观测器A观测的是同种类型的状态变量，同样包括人体的位移、人体的速度、人体的加速度、机器人的位移、机器人的速度、机器人的加速度；状态观测器B状态变量的表达式为：

其中x₂为状态观测器B中状态变量的整合表示；

在状态观测器B中，未来邻接的一个采样周期的状态变量由当前采样周期的状态变量与作用于护理机器人的控制系统的给定量f_robot共同得到；每个控制系统的给定量f_robot由最优控制器得出，将f_robot视为常数而不再看作是变量；参照状态观测器A中状态变量的计算方法，将两个相邻采样周期状态变量的变化看成线性对应的关系，得出状态观测器B中状态变量的计算表达式为：

其中

为状态观测器B中当前采样周期状态变量x₂在未来一个采样周期中的状态，E、F为常量。

作为另一种优选方案，本发明所述步骤六，对象模型指的是控制对象的理论计算模型(下述内容是具体说明)；辅助控制系统的控制对象为座椅对人体的出力F_椅；人体所受到的冲击力与护理机器人所受到的冲击力是互为一对作用力与反作用力；参考步骤四中的护理机器人智能辅助模型能够得出冲击力的计算表达式，其中站坐交互第一阶段冲击力的表达式为：

站坐交互第二阶段冲击力的表达式为：

表达式中的F_椅为人受到的来自座椅的冲击力。

在已知一个采样周期的条件下，可计算出该采样周期控制对象的输出值；在这个基础上，通过状态观测器A中输出的状态变量预测序列，可计算出控制对象的预测变化值，预测出一段连续变化的座椅对人体的出力F_椅预，它在状态空间方程中的表达式为：

F_椅预＝Cx

其中F_椅预为第二部分中预测的座椅对人体的出力，C为连接状态变量与F_椅预的常量；

滤波处理指的是对第二部分中座椅对人体出力的预测值进行滤波的操作；期望座椅对人体出力的计算表达式为：

F_期望(k+i)＝μⁱF_椅预(k)+(1-μⁱ)F_椅预(n)

其中F_期望为期望的座椅对人体的出力，k为当前采样周期的个数，i为剩余采样周期的个数，n为采样周期的总个数，μ为滤波系数。

作为另一种优选方案，本发明所述步骤七，最优控制器控制的是辅助控制系统的给定控制量；在控制系统中，根据最优控制器输出的给定量控制电机驱动护理机器人进行垂向运动；首先是性能指标的制定，最优控制器的性能指标分为两个部分，前半部分的任务是保证系统的输出尽可能接近期望值，而后半部分的任务则是保证控制系统的给定量尽可能低以减少能量损耗；前半部分包含权重系数q与控制误差e，其中控制误差为上一采样周期的期望座椅对人出力与上一采样周期的实际座椅对人出力；在实际的控制中，上一采样周期的实际座椅对人出力由设置在座椅中的压力传感器测得；后半部分包括权重系数r与智能辅助控制系统的给定控制量f_robot；其中两者权重系数的设置是为了能够在控制中能够有所侧重，如果更注重系统输出与期望值的接近，更低的误差，则可将权重系数q调大；如果更侧重控制系统中更低的能量损耗，希望用更低的电量驱动护理机器人完成智能辅助，则可将权重系数r调大；经过以上考虑后，得到的最优控制器的性能指标表达式为：

J＝q[e]²+r[f_robot]²

其中J为最优控制器的性能指标；

在确定最优控制器的性能指标后，可对最优控制器进行最优解的求解，最优控制器的求解表达式为：

求解得到的是控制系统的给定量f_robot，它将用于控制系统后面的环节；在智能辅助控制系统中，对于每个采样周期我们都会通过最优控制器求解得到一个基于当前状态变量与环境的给定量，并通过这个给定量对系统加以控制。

本发明有益效果。

本发明提供一种人体站坐交互障碍的解决方案。本发明针对人体站坐交互的运动过程建立了可用于护理机器人的智能辅助模型，并基于该模型建立了护理机器人的智能辅助控制系统。本发明不仅将人体与座椅接触后的运动过程从站坐交互的研究中隔离出来单独研究，还在研究站坐交互过程时，我们将整个过程细分为两个阶段进行研究，这些在过往的技术方案中都是前所未有的。对人体与座椅接触过程的单独分析，有助于更有针对性地解析人与座椅的碰撞关系，能够使辅助模型更具备针对性，更能有效减缓交互过程产生的冲击力。人体与座椅接触后会先与座椅的柔软部分进行接触，然后才会与座椅的坚硬部分进行碰撞，因此将过程细分为两个阶段，能够更为真实、全面地通过模型展现运动过程的全貌，在后续基于模型的交互辅助得到更好的效果。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图1为本发明的人体生物结构空间几何模型图。

图2为本发明的护理机器人智能辅助控制系统框图。

图3为本发明的护理机器人智能辅助流程图。

图4为本发明的护理机器人智能辅助中座椅对人体作用力的仿真结果图。

具体实施方式

如图所示，本发明包括以下步骤：

步骤一：对人体的生物模型进行简化。人体的生物结构较为复杂，涉及诸多肌肉与骨骼，将它们进行简化。结合简化后的人体结构，构建出一个描述人体生物结构的空间几何模型，用于描述站坐交互中人体部位间的几何关系。

步骤二：基于垂直维度与步骤一中的人体空间几何模型构建人体进行站坐交互的动力学模型。模型中人体在垂直维度的运动过程被分为了两个阶段，第一阶段人体只受到来自座椅柔软部分软弹簧的弹力和重力，而第二阶段人体不但受到一个恒定不变的软弹簧的弹力和重力，还要受到来自座椅底部坚硬部分的硬弹簧的弹力。

第一阶段动力学方程：

m₁为人体躯干质量，m₂为人体大腿质量，

为软弹簧的弹性系数，

为软弹簧的阻尼系数，y₁为大腿所在刚体的质心纵向位移，

为大腿所在刚体的质心纵向移动速度，

为大腿所在刚体的质心纵向加速度。f_y为纵向受到的外力。

第二阶段动力学方程：

为硬弹簧的弹性系数，

为硬弹簧的阻尼系数，f_K为恒定不变的来自软弹簧的弹力。上述两段内容是对“步骤二：基于垂直维度与步骤一中的人体空间几何模型构建人体进行站坐交互的动力学模型”的具体说明。

步骤三：人体站坐交互的动力学模型的预测计算。在不考虑纵向受到外力的情况下可基于当前采样周期的刚体质心的位移、速度和加速度通过模型中的动力学方程预测出下一个采样周期的质心位移、速度和加速度。假设当前周期的速度为

则可知下一个采样点的速度应为(采样时间设为s)：

参考上式可知，下一个采样点周期的加速度

可解得为：

其中下一个采样点周期的速度

的计算公式如下：

联立上述方程可解得下一个采样周期的质心位移、速度和加速度。

步骤四：在步骤二动力学模型的基础上建立护理机器人的智能辅助模型。将人体看作是一个质量块，并将护理机器人也看作为一个质量块。人体与护理机器人之间由两组组弹簧阻尼相连，第一组弹簧阻尼包括人体大腿柔软部位的弹簧阻尼和护理机器人椅面柔软部分的弹簧阻尼，而第二组弹簧阻尼包括人体大腿骨骼坚硬部分和护理机器人椅面坚硬部分的弹簧阻尼。以上弹簧阻尼的大小均取决于人体与护理机器人的相对位移。相对位移变化，弹簧阻尼值也随之线性变化。

在站坐交互接触后过程的第一阶段，不考虑第二组弹簧阻尼的影响，仅考虑第一组弹簧阻尼的影响，人体受到来自护理机器人椅面柔软部分弹簧阻尼力和自身的重力。而护理机器人则受到来自人体大腿柔软部位的弹簧阻尼力、自身的重力和控制机器人升降电机对机器人的作用力。

在站坐交互接触后过程的第二阶段，认为受到第一阶段弹簧阻尼力为定值且为第一阶段受到的最大弹簧阻尼受力值，同时考虑第二组弹簧阻尼的影响，人体受到来自护理机器人坚硬部分的弹簧阻尼力、前面阶段中来自机器人弹簧阻尼力的最大值以及自身的重力。而护理机器人则受到来自人体大腿骨骼坚硬部分的弹簧阻尼力、第一阶段受到来自人弹簧阻尼的最大值、自身的重力和控制机器人升降电机对机器人的作用力。

人体站坐交互第一阶段的人-机动力学方程为：

其中m_人为人体除小腿外的质量，y_人为人体大腿部位运动的位移，

为人体大腿部位运动的速度，

为人体大腿部位运动的加速度，m_机为机器人的质量，y_机为机器人运动的位移，

为机器人运动的速度，

为机器人运动的加速度，K_soft为连接人体与机器人柔软部分的弹簧系数，C_soft为连接人体与机器人柔软部分的阻尼系数，f_robot为控制机器人升降电机对机器人的作用力。

人体站坐交互第二阶段的人-机动力学方程为：

其中K_hard为连接人体与机器人坚硬部分的弹簧系数，C_hard为连接人体与机器人坚硬部分的阻尼系数，f_soft1为第一阶段人受到来自机器人弹簧阻尼力的最大值，f_soft2为第一阶段机器人受到来自机器人弹簧阻尼力的最大值。

步骤五：通过传感器获取人体接触座椅瞬间的状态变量，其中包括人与机器人的位移、速度、加速度。将得到的状态变量输入到状态观测器A中，使状态观测器A开始循环计算未来状态变量x的预测序列。获得的预测序列为在不考虑机器人辅助力条件下人与护理机器人在未来采样周期中的状态。

状态观测器A观测的是当系统中不考虑护理机器人进行辅助运动，即不包含控制系统给定量f_robot时人与护理机器人的状态变量，这些状态变量包括：人体的位移、人体的速度、人体的加速度、机器人的位移、机器人的速度、机器人的加速度。状态变量的表达式为：

其中x为状态观测器A中状态变量的整合表示。

参照步骤三中的计算方法，可预测出这些状态变量在智能辅助模型下未来的变化情况。想要由已知的状态变量推算下一采样周期的状态变量，需要当前采样周期中的多个状态变量，因此在状态方程中，可将这些状态变量看作为一个整体，将现采样周期中已知的状态变量与未来下一采样周期中未知的状态变量视为是一种线性的对应关系，能够得到状态观测器A中状态变量的计算表达式为：

其中

为状态观测器A中当前采样周期状态变量x在未来一个采样周期中的状态，D为连接两个状态变量的常量。

状态观测器B观测的是考虑护理机器人对交互过程进行辅助，即包含控制系统给定量f_robot时人与护理机器人的状态变量。状态观测器B与状态观测器A的差异在于是否在控制模型中考虑机器人的辅助作用。状态观测器B观测的这些状态变量虽然在数值上与状态观测器A有所不同，但依然与状态观测器A观测的是同种类型的状态变量，同样包括人体的位移、人体的速度、人体的加速度、机器人的位移、机器人的速度、机器人的加速度。状态观测器B状态变量的表达式为：

其中x₂为状态观测器B中状态变量的整合表示。

在状态观测器B中，未来邻接的一个采样周期的状态变量由当前采样周期的状态变量与作用于护理机器人的控制系统的给定量f_robot共同得到。由于每个控制系统的给定量f_robot可由最优控制器得出，因此在这一部分中，可以将f_robot视为常数而不再看作是变量。参照状态观测器A中状态变量的计算方法，我们依然可以将两个相邻采样周期状态变量的变化看成线性对应的关系，可得出状态观测器B中状态变量的计算表达式为：

其中

为状态观测器B中当前采样周期状态变量x₂在未来一个采样周期中的状态，E、F为常量。

步骤六：将预测的状态变量序列输入至对象模型，在经过计算后输出在不考虑机器人辅助力条件下座椅对人的作用力F_椅预序列。这个序列从当前采样周期开始至采样过程结束。得到的F_椅预序列经过滤波处理后得到期望的座椅对人体作用力F_期望序列，并从这个序列中取下一周期的F_期望，将它与上一周期系统的输出F_椅(首个周期座椅对人体的作用力为0)作差得到系统的控制误差e。

对象模型指的是控制对象的理论计算模型。智能辅助控制系统的控制对象为座椅对人体的出力F_椅。人体所受到的冲击力与护理机器人所受到的冲击力是互为一对作用力与反作用力。参考步骤四中的护理机器人智能辅助模型能够得出冲击力的计算表达式，其中站坐交互第一阶段冲击力的表达式为：

站坐交互第二阶段冲击力的表达式为：

表达式中的F_椅为人受到的来自座椅的冲击力。

在已知一个采样周期的条件下，可计算出该采样周期控制对象的输出值。在这个基础上，通过状态观测器A中输出的状态变量预测序列，可计算出控制对象的预测变化值，预测出一段连续变化的座椅对人体的出力F_椅预，它在状态空间方程中的表达式为：

F_椅预＝Cx

其中F_椅预为第二部分中预测的座椅对人体的出力，C为连接状态变量与F_椅预的常量。

滤波处理指的是对第二部分中座椅对人体出力的预测值进行滤波的操作。期望座椅对人体出力的计算表达式为：

F_期望(k+i)＝μⁱF_椅预(k)+(1-μⁱ)F_椅预(n)

其中F_期望为期望的座椅对人体的出力，k为当前采样周期的个数，i为剩余采样周期的个数，n为采样周期的总个数，μ为滤波系数。

步骤七：把控制误差e输入至最优控制器中计算得出下一周期控制机器人的作用力f_robot的大小。再将上一周期状态观测器B输出的状态变量(首个周期采用初始状态变量)和最优控制器输出的f_robot输入至状态观测器B中得到最终模拟真实系统的下一周期的状态变量x₂。这里得到的状态变量x₂，不但会成为下一采样周期状态观测器A的输入，还会成为下一采样周期的状态观测器B输入的一部分。

最优控制器控制的是智能辅助控制系统的给定控制量。在控制系统中，我们根据最优控制器输出的给定量控制电机驱动护理机器人进行垂向运动。首先是性能指标的制定，最优控制器的性能指标分为两个部分，前半部分的任务是保证系统的输出尽可能接近期望值，而后半部分的任务则是保证控制系统的给定量尽可能低以减少能量损耗。前半部分包含权重系数q与控制误差e，其中控制误差为上一采样周期的期望座椅对人出力与上一采样周期的实际座椅对人出力。在实际的控制中，上一采样周期的实际座椅对人出力由设置在座椅中的压力传感器测得。后半部分包括权重系数r与智能辅助控制系统的给定控制量f_robot。其中两者权重系数的设置是为了能够在控制中能够有所侧重，如果更注重系统输出与期望值的接近，更低的误差，则可将权重系数q调大。如果更侧重控制系统中更低的能量损耗，希望用更低的电量驱动护理机器人完成智能辅助，则可将权重系数r调大。经过以上考虑后，得到的最优控制器的性能指标表达式为：

J＝q[e]²+r[f_robot]²

其中J为最优控制器的性能指标。

在确定最优控制器的性能指标后，可对最优控制器进行最优解的求解，最优控制器的求解表达式为：

求解得到的是控制系统的给定量f_robot，它将用于控制系统后面的环节。在智能辅助控制系统中，对于每个采样周期我们都会通过最优控制器求解得到一个基于当前状态变量与环境的给定量，并通过这个给定量对系统加以控制。

步骤八：将状态变量x₂代入至对象模型中模拟真实环境得出系统的输出F_椅，同时将F_椅反馈至最优控制器的输入部分，用于计算误差。

如图1所示，在步骤一构建的空间几何模型中，人体被看作由三个刚体组成，人体的头部和上身看作是一个刚体(刚体的质心为Q₁),人体的髋部、大腿看作是一个刚体(刚体的质心为Q₂),人体的小腿、脚部看作是一个刚体。三个刚体之间由p₁、p₂两个点柔性连接，刚体间可进行平动和转动。Q₁点通过两个拉伸弹簧和一个扭转弹簧与座椅相连。模型中座椅的弹簧和阻尼全部加载至人体模型的弹簧和阻尼中，即座椅的弹簧和阻尼为0。因小腿及脚部在过程2中无纵向运动且横向运动幅度很小、可忽略不计，故将其视作静止状态。m₁为大腿部分刚体的质量而m₂则为上身及躯干部分的质量，在本文中，用N₁指代大腿部分的刚体，用N₂指代上身及躯干部分的刚体。此段内容是对"步骤一：对人体的生物模型进行简化,结合简化后的人体结构，构建描述人体生物结构的空间几何模型，描述站坐交互中人体部位间的几何关系"的具体说明。

基于步骤五、六、七，在Matlab2016b软件中搭建了仿真平台，通过仿真完成了对护理机器人智能辅助过程的仿真,仿真程序流程参考图3。仿真的初始状态变量采用的是姿态传感器对人体站坐交互姿态信息的测量值，而仿真的采样周期设置为0.01s。仿真的结果参考图4。其中实线为不考虑护理机器人智能辅助作用下的仿真曲线，而虚线为考虑护理机器人智能辅助作用下的仿真曲线。结果表明在护理机器人进行智能辅助后，座椅对人体最大作用力要明显低于进行智能辅助前的仿真数据，且座椅对人体产生作用力的持续时间也大幅度地延长了，在搭建的仿真环境中，护理机器人理论上能够减缓人体在进行站坐交互时座椅对人体的冲击力。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (7)

1.站坐交互中护理机器人智能辅助方法，其特征在于包括以下步骤：

步骤一：对人体的生物模型进行简化,结合简化后的人体结构，构建描述人体生物结构的空间几何模型，描述站坐交互中人体部位间的几何关系；

步骤二：基于垂直维度与步骤一中的人体空间几何模型构建人体进行站坐交互的动力学模型；模型中人体在垂直维度的运动过程被分为了两个阶段，第一阶段人体只受到来自座椅柔软部分软弹簧的弹力和重力，第二阶段人体不但受到一个恒定不变的软弹簧的弹力和重力，还要受到来自座椅底部坚硬部分的硬弹簧的弹力；

步骤三：人体站坐交互的动力学模型的预测计算；在不考虑纵向受到外力的情况下，基于当前采样周期的刚体质心的位移、速度和加速度通过模型中的动力学方程预测出下一个采样周期的质心位移、速度和加速度；

步骤四：在步骤二动力学模型的基础上建立护理机器人的智能辅助模型；将人体看作是一个质量块，并将护理机器人也看作为一个质量块；人体与护理机器人之间由两组弹簧阻尼相连，第一组弹簧阻尼包括人体大腿柔软部位的弹簧阻尼和护理机器人椅面柔软部分的弹簧阻尼，第二组弹簧阻尼包括人体大腿骨骼坚硬部分和护理机器人椅面坚硬部分的弹簧阻尼；以上弹簧阻尼的大小均取决于人体与护理机器人的相对位移；相对位移变化，弹簧阻尼值也随之线性变化；

步骤五：通过传感器获取人体接触座椅瞬间的状态变量，其中包括人与机器人的位移、速度、加速度；将得到的状态变量输入到状态观测器A中，使状态观测器A开始循环计算未来状态变量x的预测序列；获得的预测序列为在不考虑机器人辅助力条件下人与护理机器人在未来采样周期中的状态；

步骤六：将预测的状态变量序列输入至对象模型，在经过计算后输出在不考虑机器人辅助力条件下座椅对人的作用力F_椅预序列；这个序列从当前采样周期开始至采样过程结束；得到的F_椅预序列经过滤波处理后得到期望的座椅对人体作用力F_期望序列，并从这个序列中取下一周期的F_期望，将它与上一周期系统的输出F_椅(首个周期座椅对人体的作用力为0)作差得到系统的控制误差e；

步骤七：把控制误差e输入至最优控制器中计算得出下一周期控制机器人的作用力f_robot的大小；再将上一周期状态观测器B输出的状态变量(首个周期采用初始状态变量)和最优控制器输出的f_robot输入至状态观测器B中得到最终模拟真实系统的下一周期的状态变量x₂；这里得到的状态变量x₂，不但会成为下一采样周期状态观测器A的输入，还会成为下一采样周期的状态观测器B输入的一部分；

步骤八：将状态变量x₂代入至对象模型中模拟真实环境得出系统的输出F_椅，同时将F_椅反馈至最优控制器的输入部分，用于计算误差。

2.根据权利要求1所述站坐交互中护理机器人智能辅助方法，其特征在于所述步骤二中，第一阶段动力学方程：

m₁为人体躯干质量，m₂为人体大腿质量，

为软弹簧的弹性系数，

为软弹簧的阻尼系数，y₁为大腿所在刚体的质心纵向位移，

为大腿所在刚体的质心纵向移动速度，

为大腿所在刚体的质心纵向加速度；f_y为纵向受到的外力；第二阶段动力学方程：

为硬弹簧的弹性系数，

为硬弹簧的阻尼系数，f_K为恒定不变的来自软弹簧的弹力。

3.根据权利要求1所述站坐交互中护理机器人智能辅助方法，其特征在于所述步骤三中，假设当前周期的速度为

则可知下一个采样点的速度应为(采样时间设为s)：

参考上式可知，下一个采样点周期的加速度

可解得为：

其中下一个采样点周期的速度

的计算公式如下：

联立上述方程可解得下一个采样周期的质心位移、速度和加速度。

4.根据权利要求1所述站坐交互中护理机器人智能辅助方法，其特征在于所述步骤四，在站坐交互接触后过程的第一阶段，不考虑第二组弹簧阻尼的影响，仅考虑第一组弹簧阻尼的影响，人体受到来自护理机器人椅面柔软部分弹簧阻尼力和自身的重力；而护理机器人则受到来自人体大腿柔软部位的弹簧阻尼力、自身的重力和控制机器人升降电机对机器人的作用力；

在站坐交互接触后过程的第二阶段，认为受到第一阶段弹簧阻尼力为定值且为第一阶段受到的最大弹簧阻尼受力值，同时考虑第二组弹簧阻尼的影响，人体受到来自护理机器人坚硬部分的弹簧阻尼力、前面阶段中来自机器人弹簧阻尼力的最大值以及自身的重力；而护理机器人则受到来自人体大腿骨骼坚硬部分的弹簧阻尼力、第一阶段受到来自人弹簧阻尼的最大值、自身的重力和控制机器人升降电机对机器人的作用力；

人体站坐交互第一阶段的人-机动力学方程为：

其中m_人为人体除小腿外的质量，y_人为人体大腿部位运动的位移，

为人体大腿部位运动的速度，

为人体大腿部位运动的加速度，m_机为机器人的质量，y_机为机器人运动的位移，

为机器人运动的速度，

为机器人运动的加速度，K_soft为连接人体与机器人柔软部分的弹簧系数，C_soft为连接人体与机器人柔软部分的阻尼系数，f_robot为控制机器人升降电机对机器人的作用力；人体站坐交互第二阶段的人-机动力学方程为：

其中K_hard为连接人体与机器人坚硬部分的弹簧系数，C_hard为连接人体与机器人坚硬部分的阻尼系数，f_soft1为第一阶段人受到来自机器人弹簧阻尼力的最大值，f_soft2为第一阶段机器人受到来自机器人弹簧阻尼力的最大值。

5.根据权利要求1所述站坐交互中护理机器人智能辅助方法，其特征在于所述步骤五，状态观测器A观测的是当系统中不考虑护理机器人进行辅助运动，即不包含控制系统给定量f_robot时人与护理机器人的状态变量，这些状态变量包括：人体的位移、人体的速度、人体的加速度、机器人的位移、机器人的速度、机器人的加速度；状态变量的表达式为：

其中x为状态观测器A中状态变量的整合表示；

参照步骤三中的计算方法，预测出这些状态变量在辅助模型下未来的变化情况；在状态方程中，将这些状态变量看作为一个整体，将现采样周期中已知的状态变量与未来下一采样周期中未知的状态变量视为是一种线性的对应关系，得到状态观测器A中状态变量的计算表达式为：

其中

为状态观测器A中当前采样周期状态变量x在未来一个采样周期中的状态，D为连接两个状态变量的常量；

状态观测器B观测的是考虑护理机器人对交互过程进行辅助，即包含控制系统给定量f_robot时人与护理机器人的状态变量；状态观测器B与状态观测器A的差异在于是否在控制模型中考虑机器人的辅助作用；状态观测器B观测的这些状态变量虽然在数值上与状态观测器A有所不同，但依然与状态观测器A观测的是同种类型的状态变量，同样包括人体的位移、人体的速度、人体的加速度、机器人的位移、机器人的速度、机器人的加速度；状态观测器B状态变量的表达式为：

其中x₂为状态观测器B中状态变量的整合表示；

在状态观测器B中，未来邻接的一个采样周期的状态变量由当前采样周期的状态变量与作用于护理机器人的控制系统的给定量f_robot共同得到；每个控制系统的给定量f_robot由最优控制器得出，将f_robot视为常数而不再看作是变量；参照状态观测器A中状态变量的计算方法，将两个相邻采样周期状态变量的变化看成线性对应的关系，得出状态观测器B中状态变量的计算表达式为：

其中

为状态观测器B中当前采样周期状态变量x₂在未来一个采样周期中的状态，E、F为常量。

6.根据权利要求1所述站坐交互中护理机器人智能辅助方法，其特征在于所述步骤六，对象模型指的是控制对象的理论计算模型(下述内容是具体说明)；辅助控制系统的控制对象为座椅对人体的出力F_椅；人体所受到的冲击力与护理机器人所受到的冲击力是互为一对作用力与反作用力；参考步骤四中的护理机器人智能辅助模型能够得出冲击力的计算表达式，其中站坐交互第一阶段冲击力的表达式为：

站坐交互第二阶段冲击力的表达式为：

表达式中的F_椅为人受到的来自座椅的冲击力；

在已知一个采样周期的条件下，可计算出该采样周期控制对象的输出值；在这个基础上，通过状态观测器A中输出的状态变量预测序列，可计算出控制对象的预测变化值，预测出一段连续变化的座椅对人体的出力F_椅预，它在状态空间方程中的表达式为：

F_椅预＝Cx

其中F_椅预为第二部分中预测的座椅对人体的出力，C为连接状态变量与F_椅预的常量；

滤波处理指的是对第二部分中座椅对人体出力的预测值进行滤波的操作；期望座椅对人体出力的计算表达式为：

F_期望(k+i)＝μⁱF_椅预(k)+(1-μⁱ)F_椅预(n)

其中F_期望为期望的座椅对人体的出力，k为当前采样周期的个数，i为剩余采样周期的个数，n为采样周期的总个数，μ为滤波系数。

7.根据权利要求1所述站坐交互中护理机器人智能辅助方法，其特征在于所述步骤七，最优控制器控制的是辅助控制系统的给定控制量；在控制系统中，根据最优控制器输出的给定量控制电机驱动护理机器人进行垂向运动；首先是性能指标的制定，最优控制器的性能指标分为两个部分，前半部分的任务是保证系统的输出尽可能接近期望值，而后半部分的任务则是保证控制系统的给定量尽可能低以减少能量损耗；前半部分包含权重系数q与控制误差e，其中控制误差为上一采样周期的期望座椅对人出力与上一采样周期的实际座椅对人出力；在实际的控制中，上一采样周期的实际座椅对人出力由设置在座椅中的压力传感器测得；后半部分包括权重系数r与智能辅助控制系统的给定控制量f_robot；其中两者权重系数的设置是为了能够在控制中能够有所侧重，如果更注重系统输出与期望值的接近，更低的误差，则可将权重系数q调大；如果更侧重控制系统中更低的能量损耗，希望用更低的电量驱动护理机器人完成智能辅助，则可将权重系数r调大；经过以上考虑后，得到的最优控制器的性能指标表达式为：

J＝q[e]²+r[f_robot]²

其中J为最优控制器的性能指标；

在确定最优控制器的性能指标后，可对最优控制器进行最优解的求解，最优控制器的求解表达式为：

求解得到的是控制系统的给定量f_robot，它将用于控制系统后面的环节；在智能辅助控制系统中，对于每个采样周期我们都会通过最优控制器求解得到一个基于当前状态变量与环境的给定量，并通过这个给定量对系统加以控制。

Images