CN115416003A - 一种面向老人的下肢外骨骼的按需辅助控制方法 - Google Patents

Abstract

本发明属于控制技术领域，具体涉及了一种面向老人的下肢外骨骼的按需辅助控制方法，旨在解决现有的按需辅助机器人控制方法实用性与通用性低，并且过于注重减少轨迹跟踪误差而忽视用户之间步态轨迹的存在固有差异问题的问题。借助下肢外骨骼系统动力学模型利用BP神经网络训练得到基于人体质心的膝关节力矩估计模型，得到人体膝关节的估计力矩；采用统计学方法选择参考轨迹与参考力矩；将估计力矩、参考力矩、参考轨迹作为输入，设计基于跟踪误差虚拟隧道的AAN控制器，得到辅助力矩；综合由辅助力矩和完成外骨骼自身运动的力矩得到最终关节驱动的输入力矩；通过步态相位识别与自适应力矩控制器，获得人机系统运动状态及驱动器的力矩命令值，保证辅助力准确准时的施加。

Description

一种面向老人的下肢外骨骼的按需辅助控制方法

技术领域

本发明属于控制技术领域，特别涉及一种面向老人的下肢外骨骼的按需辅助控制方法。

背景技术

研究表明，如果老年人以及中风后患者能够更多的参与到辅助运动中，将会提高肌肉力量恢复的有效性。在用户执行运动任务期间，外骨骼机器人更多的考虑穿戴者的运动能力只弥补用户不足的部分，从而减少对用户运动任务的干预，由此产生的策略被称为“按需辅助策略”。

按需辅助策略是通过传感器(可以是各种类型传感器)采集的信息或一些任务评分估计用户的运动能力，根据用户的运动能力与运动任务要求之间差距对外骨骼进行控制，使得外骨骼只弥补用户不足的部分。目前已有许多学者针对不同的用户及不同的外骨骼机器人研究了不同的按需辅助策略。现有按需辅助控制方法虽然能够充分考虑用户的积极参与程度，减少外骨骼对人的干预，使用户最大程度的主动参与运动，但在准确估计用户运动能力及参与程度还存在一定难度，并且存在过于注重减少轨迹跟踪误差而忽视用户之间固有的步态轨迹差异的问题。

发明内容

本发明解决了如何实现简单可行的老人行走中的运动能力评估，如何避免外骨骼控制过于注重减少轨迹跟踪误差而忽视用户之间固有的步态轨迹差异的问题。

本发明提供了一种面向老人的下肢外骨骼的按需辅助控制方法，所述控制方法包括：

步骤1：外骨骼传感系统采集及处理人体质心附近的运动信息，光学运动捕捉系统捕捉人体质心附近标记点的运动轨迹，采用IMU模块采集质心和腿部的运动信息；

步骤2：建立下肢外骨骼系统动力学模型如下：

式中，τ_r是外骨骼机器人执行器施加的扭矩，M_r是外骨骼机器人每个连杆的转动惯量，

表示外骨骼的关节状态，其中包括关节的角度、角速度和角加速度，C_r是每个连杆的粘性摩擦系数；m_l是每个连杆质量，l_c是到机器人关节端点到连杆的质心的距离，g表示重力常数；

步骤3：基于下肢外骨骼系统动力学模型利用BP神经网络训练得到基于人体质心的膝关节力矩估计模型，外骨骼传感系统采集的数据经过关节力矩估计模型得到估计的人体膝关节力矩

步骤4：选择健康年轻人的步行运动数据作为参考，基于统计的方法确定期望参考轨迹θ_d与期望参考关节力矩τ_d；

基于统计的方法确定期望参考轨迹与期望参考关节力矩，具体包括下述子步骤：

a、选择健康年轻人的膝关节角度的平均值轨迹作为标准参考轨迹，取所有膝关节力矩的平均值作为标准参考关节力矩；

b、对参考轨迹与参考力矩曲线进行离散存储，在步态相位0～100范围内，以相位间隔为1进行存储：

式中，θ_d为参考轨迹，τ_d为参考关节力矩，T_θ和T_τ分别为参考轨迹和参考力矩的存储表，

是对步态相位向上取整；

步骤5：比较步骤4的期望参考关节力矩τ_d与步骤3估计出的人体膝关节力矩

得出外骨骼机器人应施加到用户身上的理论辅助力矩：

步骤6：综合步骤4的期望参考轨迹θ_d和步骤1外骨骼传感系统实际采集到的轨迹θ_r，得到轨迹跟踪误差θ_e：

θ_e＝θ_d-θ_r；

步骤7：综合步骤5的理论所需力矩τ_n和步骤6的轨迹跟踪误差θ_e，设计基于跟踪误差虚拟隧道的AAN控制器，得到AAN控制器的输出力矩τ_AAN；

基于跟踪误差虚拟隧道的AAN控制器，其方法为：

将一些健康人在行走过程中的膝关节轨迹各个时刻的标准偏差(SD)的平均值作为隧道边界值θ_bound；

当跟踪误差超过边界时即|θ_e|>θ_bound，外骨骼进行按需辅助助力，此时人体应受到的辅助τ_AAN为τ_n；

当轨迹跟踪误差在虚拟隧道边界内时，外骨骼则进行跟随控制，人体应受到的辅助τ_AAN为0；

步骤8：根据步骤2的完成外骨骼自身运动的力矩τ_r和步骤6的AN控制器的输出力矩τ_AAN可得关节驱动的输入力矩τ_u：

τ_u＝τ_AAN+τ_r

步骤9：以外骨骼传感系统采集的膝关节角度为输入，采用改进的自适应振荡器PSAO算法进行对步态相位进行识别，获得行走过程中步态相位与步频，保证辅助力准时的施加；

所述改进的自适应振荡器PSAO算法，其计算公式如下：

式中：

为第i个振荡器的相位，i＝1,...,n，

表示

对时间求导，振荡器的相位被定义在[0,2π)范围内；α₀为偏移量，

表示α₀对时间求导；α_i为第i个振荡器的幅值，i＝1,...,n，α_i≥0，

表示α_i对时间求导；ω为第一个振荡器的频率，ω≥0，

表示ω对时间求导；

k_α、k_ω、k₀为常数增益参数；

为由PSAO算法估计的膝关节角度，e为估计的关节角度与输入角度之间的误差；对一个周期内的关节角度与步态相位进行拟合得到第一个振荡器的基函数

将

关于

求导得到

步骤10：将步骤6的输出力矩τ_AAN映射到电机驱动指令力矩τ_u，通过PI控制驱动模块的电流环来保证力矩的快速准确的跟踪；

所述的将τ_AAN映射到电机驱动指令力矩τ_u，具体包括下述子步骤：

a、假设外骨骼运动过程中滑动摩擦力恒等于测试过程中的静摩擦力：

式中，F为拉力计测得，mg为外骨骼小腿的重力，角度θ为小腿与重力方向的夹角由IMU测得数据处理得到，f(θ)为关节角度θ时的粘性摩擦力、库仑摩擦力等阻力之和，l和d分别为小腿连杆长度和质心到电机旋转中心得距离，r为连杆转动处的接触圆的半径；

b、采集多个角度数据与拉力计数据，对数据拟合得到电机重力于摩擦力补偿力矩：

τ_g＝F·l＝0.975sin(θ)Nm

c、得到给驱动器的输入力矩：

式中，M为小腿连杆的转动惯量，

表示小腿关节的角加速度。

进一步的，步骤1所述的外骨骼传感系统实时采集及处理人体运动信息，其方法为：

光学运动捕捉系统用于捕捉人体质心附近标记点的运动轨迹；5个IMU模块分别放置在左右腿的大腿和小腿矢状面上以及腰背部的冠状面上，用于采集质心和腿部的运动信息。

进一步的，所述步骤3的方法为：

所述BP神经网络采用三层全连接型前馈神经网络结构：输入层，隐藏层和输出层，具体包括下述子步骤：

a、在输入层，分别输入经过预处理的质心垂直方向的坐标y，质心垂直方向速度v，质心垂直方向的加速度a，步速v_gait和步态相位

b、隐藏层含有30个节点，采用双曲正切sigmoid激活函数对输入的数据进行计算，sigmoid激活函数为：

式中，x为隐藏层的输入；

c、输出层使用线性激活传递函数，估算步态期间左右膝关节的矢状面关节力矩。

进一步的，步骤10所述的通过PI控制驱动模块的电流环来保证力矩的快速准确的跟踪，其方法为：

通过Elmo Application Studio II软件进行多次调试得到电流环的PI参数。

本发明的有益效果为：

1、本发明克服了现有控制方法无法实现简单可行的老人行走中的运动能力评估的问题，借助惯性测量单元获取人体质心运动信息，基于下肢外骨骼系统动力学模型，利用BP神经网络训练得到质心运动信息与膝关节力矩之间的模型；

2、本发明基于轨迹跟踪误差虚拟隧道设计了按需辅助策略，克服了当前外骨骼控制过于注重减少轨迹跟踪误差而忽视用户之间步态轨迹的存在固有差异问题；

3、本发明不需要生理信号和人机交互力传感器，可以显著地降低实时按需辅助控制的成本。

附图说明

下面结合附图及具体实施方式对本发明作进一步详细说明。

图1是本发明控制方法的总体结构框图。

图2是本发明基于人体质心的膝关节力矩模型示意图。

图3是本发明标准参考轨迹曲线示意图。

图4是本发明标准参考力矩曲线示意图。

图5是健康步态下的膝关节角度标准差及标准差均值示意图。

图6是Elmo电流环PI整定结果示意图。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步详细描述：

(1)外骨骼传感系统实时采集及处理人体运动信息；

(2)建立下肢外骨骼系统动力学模型如下：

式中，τ_r是外骨骼机器人执行器施加的扭矩，M_r是外骨骼机器人每个连杆的转动惯量，

表示外骨骼的关节状态，其中包括关节的角度、角速度和角加速度，C_r是每个连杆的粘性摩擦系数；m_l是每个连杆质量，l_c是到机器人关节端点到连杆的质心的距离，g表示重力常数；

(3)基于下肢外骨骼系统动力学模型利用BP神经网络训练得到基于人体质心的膝关节力矩估计模型，外骨骼传感系统采集的数据经过关节力矩估计模型可以得到估计的人体膝关节力矩

(4)选择健康年轻人的步行运动数据作为参考，基于统计的方法确定期望参考轨迹θ_d与期望参考关节力矩τ_d；

(5)比较步骤(4)的期望参考关节力矩τ_d与步骤(3)估计出的人体膝关节力矩

得出外骨骼机器人应施加到用户身上的理论辅助力矩τ_n：

(6)综合步骤(4)的期望参考轨迹θ_d和步骤(1)外骨骼传感系统实际采集到的轨迹θ_r，得到轨迹跟踪误差θ_e：

θ_e＝θ_d-θ_r；

(7)综合步骤(5)的理论所需力矩和步骤(6)的轨迹跟踪误差，设计基于跟踪误差虚拟隧道的AAN控制器，得到AAN控制器的输出力矩；

(8)根据步骤(2)的完成外骨骼自身运动的力矩τ_r和步骤(6)的AN控制器的输出力矩τ_AAN可得关节驱动的输入力矩τ_u：

τ_u＝τ_AAN+τ_r

(9)以外骨骼传感系统采集的的膝关节角度为输入，采用改进的自适应振荡器PSAO算法进行对步态相位进行识别，获得行走过程中步态相位与步频，保证辅助力准时的施加。

(10)将步骤(6)的输出力矩τ_AAN映射到电机驱动指令力矩τ_u，通过PI控制驱动模块的电流环来保证力矩的快速准确的跟踪。

为了更清晰地对本发明下肢康复机器人的按需辅助自适应控制方法进行说明，下面结合图1对本发明方法实施例中各步骤展开详述。

步骤(1)，外骨骼传感系统实时采集及处理人体运动信息。光学运动捕捉系统用于捕捉人体质心附近标记点的运动轨迹，5个IMU模块分别放置在左右腿的大腿和小腿矢状面上以及腰背部的冠状面上，用于采集质心和腿部的运动信息；

步骤(2)，本发明采用拉格朗日方法对外骨骼机器人进行建模，其各连杆简单动力学模型如下：

式中参数M_r是外骨骼机器人每个连杆的转动惯量，C_r是每个连杆的粘性摩擦系数。m_l是每个连杆质量，l_c是到机器人关节端点到连杆的质心的距离，τ_r是外骨骼机器人执行器施加的扭矩。由于本发明只在膝关节处具有主动驱动能力，故只考虑小腿连杆处的动力学。

步骤(3)，基于下肢外骨骼系统动力学模型，利用BP神经网络训练得到基于人体质心的膝关节力矩估计模型。如图2所示，本步骤中，BP神经网络采用三层全连接型前馈神经网络结构：输入层、隐藏层和输出层。其具体实施过程又可细分为以下子步骤：

a、在输入层共有5个节点，分别输入经过预处理的质心垂直方向的坐标y，质心垂直方向速度v，质心垂直方向的加速度a，步速v_gait和步态相位

人体质心运动学信息由放置在腰背部骶骨附近的IMU近似获取；

b、隐藏层含有30个节点，采用双曲正切sigmoid激活函数对输入的数据进行计算，sigmoid激活函数为：

式中，x为隐藏层的输入；

c、输出层含有两个节点分别是步态期间左右膝关节的矢状面膝关节力矩

本发明将关节力矩估计神经网络的损失函数设置为步态期间预测得到的力矩与数据集中处理后的目标力矩的均方误差，BP神经网络在反向传播过程中使用Adam优化器。

步骤(4)，选择健康年轻人的步行运动数据作为参考，基于统计的方法确定期望参考轨迹θ_d与期望参考关节力矩τ_d。其具体实施过程又可细分为以下子步骤：

a、选择4km/h(约1.1m/s)步速下的膝关节角度的平均值轨迹作为标准参考轨迹，如图3所示，图中灰色为14名健康实验者127次4km/h步速下的膝关节角度，黄色和紫色分别是左右膝关节的平均角度曲线。从标准参考轨迹中可以发现对于健康的人来说，左右步态几乎是对称的，相位之差约在50％；

b、选择所有膝关节力矩的平均值作为标准参考关节力矩，如图4所示，其中灰色为不同健康实验者多组4km/h步速下的左右膝关节矢状面上的力矩曲线，紫色和蓝色分别是左右膝关节的平均膝关节力矩曲线；

c、对参考轨迹与参考力矩曲线进行离散存储，在步态相位0～100范围内，以相位间隔为1进行存储：

式中，θ_d为参考轨迹，τ_d为参考力矩，T_θ和T_τ分别为参考轨迹和参考力矩的存储表，

是对步态相位向上取整。

步骤(5)，比较步骤(4)的期望参考关节力矩τ_d与步骤(3)估计出的人体膝关节力矩

得出外骨骼机器人应施加到用户身上的理论辅助力矩τ_n：

步骤(7)，辅助过程中除了步骤(5)的理论辅助力矩τ_n，还需根据用户实时的运动情况来决定辅助力矩，需要兼顾用户跟踪参考轨迹以及施加辅助大小。综合理论所需力矩τ_n和轨迹跟踪误差θ_e，设计基于跟踪误差虚拟隧道的AAN控制器，得到AAN控制器的输出力矩τ_AAN。其具体实施过程可细分为以下子步骤：

a、将一些健康人在行走过程中的膝关节轨迹各个时刻的标准偏差(SD)的平均值作为隧道边界值θ_bound；

b、当跟踪误差超过边界时即|θ_e|>θ_bound，外骨骼进行按需辅助助力，此时人体应受到的辅助τ_AAN为τ_n；当轨迹跟踪误差在虚拟隧道边界内时，外骨骼则进行跟随控制，人体应受到的辅助τ_AAN为0。可表示为：

步骤(9)，改进的自适应振荡器PSAO算法以外骨骼传感系统采集的的膝关节角度为输入，对步态相位进行识别，获得行走过程中步态相位与步频，保证辅助力准时的施加。其计算公式如下：

式中：

为第i个振荡器的相位，i＝1,...,n，

表示

对时间求导，振荡器的相位被定义在[0,2π)范围内；α₀为偏移量，

表示α₀对时间求导；α_i为第i个振荡器的幅值，i＝1,...,n，α_i≥0，

表示α_i对时间求导；ω为第一个振荡器的频率，ω≥0，

表示ω对时间求导；

k_α、k_ω、k₀为常数增益参数；

为由PSAO算法估计的膝关节角度，e为估计的关节角度与输入角度之间的误差；对一个周期内的关节角度与步态相位进行拟合得到第一个振荡器的基函数

将

关于

求导得到

步骤(10)，将τ_AAN映射到电机驱动指令力矩τ_u，具体包括下述子步骤：

a、假设外骨骼运动过程中滑动摩擦力恒等于测试过程中的静摩擦力：

式中，F为拉力计测得，mg为外骨骼小腿的重力，角度θ为小腿与重力方向的夹角由IMU测得数据处理得到，f(θ)为关节角度θ时的粘性摩擦力、库仑摩擦力等阻力之和，l和d分别为小腿连杆长度和质心到电机旋转中心得距离，r为连杆转动处的接触圆的半径；

b、采集多个角度数据与拉力计数据，对数据拟合得到电机重力于摩擦力补偿力矩τ_g：

τ_g＝F·l＝0.975sin(θ)Nm

c、得到给驱动器的输入力矩：

式中，M为小腿连杆的转动惯量，

表示小腿关节的角加速度。

步骤(10)所述的通过PI控制驱动模块的电流环来保证力矩的快速准确的跟踪，其方法为：

通过Elmo Application Studio II软件进行多次调试得到电流环的PI参数，其整定后电机电流的响应与跟踪结果如图6所示。

Claims (4)

1.一种面向老人的下肢外骨骼的按需辅助控制方法，所述控制方法包括：

步骤1：外骨骼传感系统采集及处理人体质心附近的运动信息，光学运动捕捉系统捕捉人体质心附近标记点的运动轨迹，采用IMU模块采集质心和腿部的运动信息；

步骤2：建立下肢外骨骼系统动力学模型如下：

式中，τ_r是外骨骼机器人执行器施加的扭矩，M_r是外骨骼机器人每个连杆的转动惯量，

表示外骨骼的关节状态，其中包括关节的角度、角速度和角加速度，C_r是每个连杆的粘性摩擦系数；m_l是每个连杆质量，l_c是到机器人关节端点到连杆的质心的距离，g表示重力常数；

步骤3：基于下肢外骨骼系统动力学模型利用BP神经网络训练得到基于人体质心的膝关节力矩估计模型，外骨骼传感系统采集的数据经过关节力矩估计模型得到估计的人体膝关节力矩

步骤4：选择健康年轻人的步行运动数据作为参考，基于统计的方法确定期望参考轨迹θ_d与期望参考关节力矩τ_d；

基于统计的方法确定期望参考轨迹与期望参考关节力矩，具体包括下述子步骤：

a、选择健康年轻人的膝关节角度的平均值轨迹作为标准参考轨迹，取所有膝关节力矩的平均值作为标准参考关节力矩；

b、对参考轨迹与参考力矩曲线进行离散存储，在步态相位0～100范围内，以相位间隔为1进行存储：

式中，θ_d为参考轨迹，τ_d为参考关节力矩，T_θ和T_τ分别为参考轨迹和参考力矩的存储表，

是对步态相位向上取整；

步骤5：比较步骤4的期望参考关节力矩τ_d与步骤3估计出的人体膝关节力矩

得出外骨骼机器人应施加到用户身上的理论辅助力矩：

步骤6：综合步骤4的期望参考轨迹θ_d和步骤1外骨骼传感系统实际采集到的轨迹θ_r，得到轨迹跟踪误差θ_e：

θ_e＝θ_d-θ_r；

步骤7：综合步骤5的理论所需力矩τ_n和步骤6的轨迹跟踪误差θ_e，设计基于跟踪误差虚拟隧道的AAN控制器，得到AAN控制器的输出力矩τ_AAN；

基于跟踪误差虚拟隧道的AAN控制器，其方法为：

将健康人在行走过程中的膝关节轨迹各个时刻的标准偏差(SD)的平均值作为隧道边界值θ_bound；

当跟踪误差超过边界时即|θ_e|>θ_bound，外骨骼进行按需辅助助力，此时人体应受到的辅助τ_AAN为τ_n；

当轨迹跟踪误差在虚拟隧道边界内时，外骨骼则进行跟随控制，人体应受到的辅助τ_AAN为0；

步骤8：根据步骤2的完成外骨骼自身运动的力矩τ_r和步骤6的AN控制器的输出力矩τ_AAN可得关节驱动的输入力矩τ_u：

τ_u＝τ_AAN+τ_r

步骤9：以外骨骼传感系统采集的膝关节角度为输入，采用改进的自适应振荡器PSAO算法进行对步态相位进行识别，获得行走过程中步态相位与步频，保证辅助力准时的施加；

所述改进的自适应振荡器PSAO算法，其计算公式如下：

式中：

为第i个振荡器的相位，i＝1,...,n，

表示

对时间求导，振荡器的相位被定义在[0,2π)范围内；α₀为偏移量，

表示α₀对时间求导；α_i为第i个振荡器的幅值，i＝1,...,n，α_i≥0，

表示α_i对时间求导；ω为第一个振荡器的频率，ω≥0，

表示ω对时间求导；

k_α、k_ω、k₀为常数增益参数；

为由PSAO算法估计的膝关节角度，e为估计的关节角度与输入角度之间的误差；对一个周期内的关节角度与步态相位进行拟合得到第一个振荡器的基函数

将

关于

求导得到

步骤10：将步骤6的输出力矩τ_AAN映射到电机驱动指令力矩τ_u，通过PI控制驱动模块的电流环来保证力矩的快速准确的跟踪；

所述的将τ_AAN映射到电机驱动指令力矩τ_u，具体包括下述子步骤：

a、假设外骨骼运动过程中滑动摩擦力恒等于测试过程中的静摩擦力：

式中，F为拉力计测得，mg为外骨骼小腿的重力，角度θ为小腿与重力方向的夹角由IMU测得数据处理得到，f(θ)为关节角度θ时的粘性摩擦力、库仑摩擦力等阻力之和，l和d分别为小腿连杆长度和质心到电机旋转中心得距离，r为连杆转动处的接触圆的半径；

b、采集多个角度数据与拉力计数据，对数据拟合得到电机重力于摩擦力补偿力矩：

τ_g＝F·l＝0.975sin(θ)Nm

c、得到给驱动器的输入力矩：

式中，M为小腿连杆的转动惯量，

表示小腿关节的角加速度。

2.如权利要求1所述的一种面向老人的下肢外骨骼的按需辅助控制方法，其特征在于，步骤1所述的外骨骼传感系统实时采集及处理人体运动信息，其方法为：

光学运动捕捉系统用于捕捉人体质心附近标记点的运动轨迹；5个IMU模块分别放置在左右腿的大腿和小腿矢状面上以及腰背部的冠状面上，用于采集质心和腿部的运动信息。

3.如权利要求1所述的一种面向老人的下肢外骨骼的按需辅助控制方法，其特征在于，所述步骤3的方法为：

所述BP神经网络采用三层全连接型前馈神经网络结构：输入层，隐藏层和输出层，具体包括下述子步骤：

a、在输入层，分别输入经过预处理的质心垂直方向的坐标y，质心垂直方向速度v，质心垂直方向的加速度a，步速v_gait和步态相位

b、隐藏层含有30个节点，采用双曲正切sigmoid激活函数对输入的数据进行计算，sigmoid激活函数为：

式中，x为隐藏层的输入；

c、输出层使用线性激活传递函数，估算步态期间左右膝关节的矢状面关节力矩。

4.如权利要求1所述的一种面向老人的下肢外骨骼的按需辅助控制方法，其特征在于，步骤10所述的通过PI控制驱动模块的电流环来保证力矩的快速准确的跟踪，其方法为：

通过Elmo Application Studio II软件进行多次调试得到电流环的PI参数。

Images