CN116394229A - 一种外骨骼机器人的在线控制方法、装置、设备及介质 - Google Patents

一种外骨骼机器人的在线控制方法、装置、设备及介质 Download PDF

Info

Publication number
CN116394229A
CN116394229A CN202310549615.9A CN202310549615A CN116394229A CN 116394229 A CN116394229 A CN 116394229A CN 202310549615 A CN202310549615 A CN 202310549615A CN 116394229 A CN116394229 A CN 116394229A
Authority
CN
China
Prior art keywords
exoskeleton robot
fuzzy
joint angle
output torque
controller
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
CN202310549615.9A
Other languages
English (en)
Inventor
陆新江
刘睿廷
柏昀旭
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202310549615.9A priority Critical patent/CN116394229A/zh
Publication of CN116394229A publication Critical patent/CN116394229A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/0006—Exoskeletons, i.e. resembling a human figure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1612—Programme controls characterised by the hand, wrist, grip control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请适用于机器人技术领域，提供了一种外骨骼机器人的在线控制方法、装置、设备及介质。该在线控制方法包括：基于模糊规则对外骨骼机器人进行建模，得到TS模糊模型；对TS模糊模型的模糊规则进行融合，并将融合后的TS模糊模型投影到高维空间，得到外骨骼机器人控制模型；根据训练数据，求解外骨骼机器人控制模型的后件参数；根据求解得到的后件参数，确定控制器输出扭矩与关节角度之间的关系表达式；利用关系表达式对T时刻的期望关节角度进行控制器输出扭矩计算，并在T时刻根据计算得到的控制器输出扭矩对外骨骼机器人的控制器进行控制。本申请的在线控制方法能有效提高外骨骼机器人的控制性能。

Description

一种外骨骼机器人的在线控制方法、装置、设备及介质
技术领域
本申请涉及机器人技术领域，尤其涉及一种外骨骼机器人的在线控制方法、装置、设备及介质。
背景技术
近年来，外骨骼机器人在军事、医疗领域得到了广泛的研究与应用，能够为穿戴者提供保护功能、增强穿戴者的能力，比如延展、补充、替代或增强人的身体功能、肢体运动能力和负重能力。外骨骼机器人需要运用一定的控制方法控制外骨骼实现正常人体步态，助力人体运动。其常用的控制方法主要包括比例积分微分(PID，proportional-integral-derivative)控制、模糊控制、重力补偿闭环控制和自适应控制等。这些方法已经得到了许多成功的运用，但由于外骨骼机器人是一个典型的多关节、人机强耦合的复杂非线性系统，且具有复杂的外部环境影响，这常常使得这些过程难以建立准确的模型，导致外骨骼机器人的控制性能欠佳。
发明内容
本发明实施例提供了一种外骨骼机器人的在线控制方法、装置、设备及介质，可以解决外骨骼机器人的控制性能欠佳的问题。
第一方面，本发明实施例提供了一种外骨骼机器人的在线控制方法，该控制方法包括：
基于模糊规则对外骨骼机器人进行建模，得到TS模糊模型；
对TS模糊模型中的模糊规则进行融合，并将融合后的TS模糊模型投影到高维空间，得到外骨骼机器人控制模型；
根据外骨骼机器人的训练数据，求解外骨骼机器人控制模型的后件参数；
根据求解得到的后件参数，确定控制器输出扭矩与关节角度之间的关系表达式；
利用控制器输出扭矩与关节角度之间的关系表达式对T时刻的期望关节角度进行控制器输出扭矩计算，并在T时刻根据计算得到的控制器输出扭矩对外骨骼机器人的控制器进行控制。
可选的，融合后的TS模糊模型为：
Figure BDA0004230879400000021
其中，y(T)表示外骨骼机器人的关节角度，k＝1,2,...,R，R表示融合后的TS模糊模型的模糊规则总数，U为与关节角度和控制器输出扭矩相关的向量，Φk(U)表示U对第k条模糊规则的隶属度，yk(T)为融合后的TS模糊模型的第k条模糊规则。
可选的，外骨骼机器人控制模型为：
Figure BDA0004230879400000022
其中，
Figure BDA0004230879400000023
ak(T)和bk(T)均表示外骨骼机器人控制模型的后件参数，/>
Figure BDA0004230879400000024
表示投影函数，ωk(U)表示U对第k条模糊规则中所有模糊集的总隶属度，x表示每条模糊规则中的模糊集总数，/>
Figure BDA0004230879400000025
表示U对第k条模糊规则中第q个模糊集的隶属度。
可选的，外骨骼机器人的训练数据包括N个训练样本及每个训练样本对应的外骨骼机器人在T时刻的关节角度，训练样本包括：外骨骼机器人在T时刻前n个时刻的关节角度，以及外骨骼机器人在T时刻的控制器输出扭矩；
根据外骨骼机器人的训练数据，求解外骨骼机器人控制模型的后件参数，包括：
构建目标函数：
Figure BDA0004230879400000026
其中，
Figure BDA0004230879400000031
表示目标函数，ak(T)和bk(T)表示外骨骼机器人控制模型的后件参数，k＝1,2,...,R，R表示融合后的TS模糊模型的模糊规则总数，Ui表示N个训练样本中第i个训练样本，Ui＝[y(T-1)i,...,y(T-n)i,u(T)i]，y(T)i表示第i个的训练样本对应的外骨骼机器人在T时刻的关节角度，y(T-1)i表示第i个的训练样本中外骨骼机器人在T-1时刻的关节角度，y(T-n)i表示第i个的训练样本中外骨骼机器人在T-n时刻的关节角度，u(T)i表示第i个的训练样本中外骨骼机器人在T时刻的控制器输出扭矩，n为Ui中关节角度的总数，e(Ui,T)表示建模误差，ξ表示正则化因子，Φk(Ui)表示Ui对第k条模糊规则的隶属度，/>
Figure BDA0004230879400000032
表示投影函数；
利用拉格朗日乘子法对目标函数进行求解；
利用核函数对目标函数的求解结果进行矩阵转换，并对转换得到的矩阵进行求解，得到外骨骼机器人控制模型的后件参数bk(T)、ak(T)。
可选的，根据求解得到的后件参数，确定控制器输出扭矩与关节角度之间的关系表达式，包括：
根据求解后得到的后件参数，得到外骨骼机器人控制模型的第k条模糊规则；
根据外骨骼机器人控制模型的第k条模糊规则，得到控制器输出扭矩与关节角度之间的关系表达式。
可选的，外骨骼机器人控制模型的第k条模糊规则yk(T)为：
Figure BDA0004230879400000033
其中，γi表示拉格朗日乘子，K(Ui,U)为核函数，N表示训练样本的总个数，Φk(Ui)表示Ui对第k条模糊规则的隶属度，bk(T)表示外骨骼机器人控制模型的后件参数。
可选的，根据外骨骼机器人控制模型的第k条模糊规则，得到控制器输出扭矩与关节角度之间的关系表达式，包括：
对外骨骼机器人控制模型的第k条模糊规则进行一阶泰勒展开并求导，得到外骨骼机器人控制模型的第k条模糊规则yk(T)为：
Figure BDA0004230879400000041
其中，yk(T-1)表示第k条模糊规则下外骨骼机器人在T-1时刻的关节角度，Φk(Ui)表示Ui对第k条模糊规则的隶属度，γi表示拉格朗日乘子，N表示训练样本的总个数，σ为高斯函数的宽度，uk(T-1)表示第k条模糊规则下外骨骼机器人在T-1时刻的输出扭矩，uk(T-1)i表示在第k条模糊规则下第i个训练样本中外骨骼机器人在T-1时刻的输出扭矩，Δuk(T)＝(uk(T)-uk(T-1))，Δuk(T-1)＝(uk(T-1)-uk(T-2))，uk(T)表示在第k条模糊规则下外骨骼机器人在T时刻的输出扭矩，uk(T-2)表示在第k条模糊规则下外骨骼机器人在T-2时刻的输出扭矩；
其中，A＝(yk(T-2)-yk(T-2)i)2+(yk(T-3)-yk(T-3)i)2+(yk(T-4)-yk(T-4)i)2，其中，yk(T-2)表示第k条模糊规则下外骨骼机器人在T-2时刻的关节角度，yk(T-2)i表示第k条模糊规则下第i个训练样本中外骨骼机器人在T-2时刻的关节角度，yk(T-3)表示第k条模糊规则下外骨骼机器人在T-3时刻的关节角度，yk(T-3)i表示第k条模糊规则下第i个训练样本中外骨骼机器人在T-3时刻的关节角度，yk(T-4)表示第k条模糊规则下外骨骼机器人在T-4时刻的关节角度，yk(T-4)i表示第k条模糊规则下第i个训练样本中外骨骼机器人在T-4时刻的关节角度；
对求导后的每条模糊规则进行计算，得到每条模糊规则下的控制器输出扭矩为：
Figure BDA0004230879400000042
对每条模糊规则下的控制器输出扭矩进行加权，得到控制器输出扭矩与关节角度之间的关系表达式为：
Figure BDA0004230879400000051
其中，ε表示预设常数值，yk(T)表示第k条模糊规则下外骨骼机器人在T时刻的期望关节角度，u(T)表示外骨骼机器人在T时刻的控制器输出扭矩，βk(uk(T))表示对第k条模糊规则下输出扭矩uk(T)进行加权求和的系数。
第二方面，本申请实施例提供了一种外骨骼机器人的在线控制装置，包括：
建模模块，基于模糊规则对外骨骼机器人进行建模，得到TS模糊模型；
规则融合模块，对TS模糊模型中的模糊规则进行融合，并将融合后的TS模糊模型投影到高维空间，得到外骨骼机器人控制模型；
后件参数求解模块，根据外骨骼机器人的训练数据，求解外骨骼机器人控制模型的后件参数；
关系表达式确定模块，根据求解得到的后件参数，确定控制器输出扭矩与关节角度之间的关系表达式；
外骨骼机器人控制模块，利用关系表达式对T时刻的期望关节角度进行控制器输出扭矩计算，并在T时刻根据计算得到的控制器输出扭矩对外骨骼机器人的控制器进行控制。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，该处理器执行上述计算机程序时实现上述的外骨骼机器人的在线控制方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述的外骨骼机器人的在线控制方法。
本申请的上述方案有如下的有益效果：
在本申请的实施例中，通过基于模糊规则对外骨骼机器人进行建模，得到TS模糊模型，再对TS模糊模型中的模糊规则进行规则融合，将规则融合后的TS模糊模型投影到高维空间，得到外骨骼机器人控制模型，再利用训练数据对外骨骼机器人控制模型中的后件参数进行求解，并根据求解出的后件参数确定控制器输出扭矩与关节角度之间的关系表达式，最终将期望关节角度代入关系表达式中，得到控制器输出扭矩，并按照得到的控制器输出扭矩对外骨骼机器人输入控制指令，对外骨骼机器人进行控制。其中，通过对TS模糊模型进行规则融合并将其投影到高维空间，使得能够在少量规则的条件下准确的对外骨骼机器人系统进行建模，保证了模糊控制的可行性和准确性，同时利用训练数据对建模得到的外骨骼机器人控制模型的后件参数进行求解，并根据求解结果确定控制器输出扭矩与关节角度之间的关系表达式，从而使得后续能根据期望关节角度，准确计算出控制器输出扭矩，实现对外骨骼机器人系统的准确在线步态控制，达到良好的控制效果，有效提高外骨骼机器人系统的控制性能。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的外骨骼机器人的在线控制方法的流程图；
图2为本申请一实施例提供的基于数据驱动的外骨骼机器人的在线控制方法的框图；
图3为本申请一实施例提供的外骨骼机器人控制模型的构建框图；
图4为本申请一实施例中训练阶段外骨骼机器人控制模型的输出关节角度与实际期望关节角度的曲线图；
图5为本申请一实施例中训练阶段外骨骼机器人控制模型的输出关节角度与实际期望关节角度之间的误差曲线图；
图6为本申请一实施例中测试阶段计算得出的控制器输出扭矩和实际控制器输出扭矩的曲线图；
图7为本申请一实施例中测试阶段计算得出的控制器输出扭矩和实际控制器输出扭矩之间的误差曲线图；
图8为本申请一实施例中仿真测试阶段外骨骼机器人的关节角度和实际关节角度的曲线图；
图9为本申请一实施例中仿真测试阶段外骨骼机器人的关节角度和实际关节角度之间的误差曲线图；
图10为本申请一实施例提供的外骨骼机器人的在线控制装置的结构示意图；
图11为本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
针对现有的外骨骼机器人的控制性能欠佳的问题，本申请实施例提供了一种外骨骼机器人的在线控制方法，该控制方法通过基于模糊规则对外骨骼机器人进行建模，得到TS模糊模型，再对TS模糊模型中的模糊规则进行规则融合，将规则融合后的TS模糊模型投影到高维空间，得到外骨骼机器人控制模型，再利用训练数据对外骨骼机器人控制模型中的后件参数进行求解，并根据求解出的后件参数确定控制器输出扭矩与关节角度之间的关系表达式，最终将期望关节角度代入关系表达式中，得到控制器输出扭矩，并按照得到的控制器输出扭矩对外骨骼机器人输入控制指令，对外骨骼机器人进行控制。其中，通过对TS模糊模型进行规则融合并将其投影到高维空间，使得能够在少量规则的条件下准确的对外骨骼机器人系统进行建模，保证了模糊控制的可行性和准确性，同时利用训练数据对建模得到的外骨骼机器人控制模型的后件参数进行求解，并根据求解结果确定控制器输出扭矩与关节角度之间的关系表达式，从而使得后续能根据期望关节角度，准确计算出控制器输出扭矩，实现对外骨骼机器人系统的准确在线步态控制，达到良好的控制效果，有效提高外骨骼机器人系统的控制性能。
接下来对本申请提供的外骨骼机器人的在线控制方法做示例性说明。
如图1所示，本申请提供的外骨骼机器人的在线控制方法包括如下步骤：
步骤11，基于模糊规则对外骨骼机器人进行建模，得到TS模糊模型。
在本申请的一些实施例中，可通过传统的TS-模糊方法建立外骨骼关节角度与控制器输出之间的关系模型，实现对外骨骼机器人的建模，得到TS模糊模型。具体的，该TS模糊模型的表达式如下：
Figure BDA0004230879400000081
其中，y(T)表示外骨骼机器人的关节角度(即外骨骼机器人在T时刻的关节角度)，L表示模糊规则总数，
Figure BDA0004230879400000082
表示U对第j条模糊规则的隶属度，U为与关节角度和控制器输出扭矩相关的向量，具体的，U＝[y(T-1),...,y(T-n),u(T)]，y(T-1)表示外骨骼机器人在T-1时刻的关节角度，y(T-n)表示外骨骼机器人在T-n时刻的关节角度，n为U中关节角度的总数，u(T)表示外骨骼机器人在T时刻的控制器输出扭矩，/>
Figure BDA0004230879400000091
和/>
Figure BDA0004230879400000092
均为向量。示例性的，若U为1×N维的向量，则/>
Figure BDA0004230879400000093
为N×1维的向量，U与/>
Figure BDA0004230879400000094
相乘得到一个数。
值得一提的是，在利用TS模糊方法构建TS模糊模型时，前件部分依据输入输出之间的线性关系来进行规则划分，后件部分为线性方程，来构成各规则间的线性组合，使非线性系统的全局输出具有良好的线性描述特性。即，在本申请中通过利用TS模糊方法构建TS模糊模型，能使TS模糊模型具有较高的拟合精度，进而实现对外骨骼机器人的精准控制。
步骤12，对TS模糊模型中的模糊规则进行融合，并将融合后的TS模糊模型投影到高维空间，得到外骨骼机器人控制模型。
在本申请的一些实施例中，对TS模糊模型中模糊规则进行融合得到融合后的TS模糊模型，是为了避免规则量太大，对其进行规则融合约简规则，将多条模糊规则融合为一条来减少模糊规则的数量，能够在少量规则的条件下准确的对外骨骼机器人系统进行建模。
通过上述步骤，虽然可以减少模糊规则的数量，使得在少量规则的条件下能对外骨骼机器人系统进行准确的建模，但经过规则融合后的TS模糊模型为非线性的，不利于模型的建立，因此将融合后的TS模糊模型投影到高维空间，能够让TS模糊模型呈现为线性的，消除非线性TS模糊规则不利于模型建立的弊端。
在本申请的一些实施例中，具体可利用空间核函数将融合后的TS模糊模型投影到高维空间，得到外骨骼机器人控制模型。
步骤13，根据外骨骼机器人的训练数据，求解外骨骼机器人控制模型的后件参数。
经过步骤12，虽然减少了模糊规则的数量，并消除了非线性不利于模型建立的弊端，但所得到的外骨骼机器人控制模型中含有当前未知的两个后件参数ak(T)和bk(T)，使建模出现问题，因此本步骤利用外骨骼机器人的训练数据，对后件参数进行求解，让后件参数ak(T)和bk(T)变为已知的，解决建模问题。
需要说明的是，上述训练数据为多个训练样本，训练样本包括外骨骼机器人在多个历史时刻的关节角度和控制器输出扭矩数据。在本申请的一些实施例中，针对关节角度，可采用常见的关节角度采集方法采集关节角度，例如通过惯性测量单元或者传感器采集的数据得到；针对控制器输出扭矩，可通过外骨骼反馈的控制器输出扭矩数据采集控制器输出扭矩。
步骤14，根据求解得到的后件参数，确定控制器输出扭矩与关节角度之间的关系表达式。
在本申请的一些实施例中，可通过将求解得到的后件参数代入到外骨骼机器人控制模型中，得到外骨骼机器人控制模型的第k条模糊规则，再通过对外骨骼机器人控制模型的第k条模糊规则进行计算，可以得到控制器输出扭矩与关节角度之间的关系表达式。
步骤15，利用关系表达式对T时刻的期望关节角度进行控制器输出扭矩计算，并在T时刻根据计算得到的控制器输出扭矩对外骨骼机器人的控制器进行控制。
上述T时刻可以为一未来时刻，期望关节角度为此未来时刻外骨骼机器人期望的关节角度，控制器输出扭矩则为将期望关节角度代入关系表达式中，计算得到的控制器输出扭矩。
需要说明的是，将期望关节角度代入关系表达式中，便能计算出控制器输出扭矩。基于此，将计算出的控制器输出扭矩作为外骨骼机器人电机的输出扭矩，便可控制外骨骼机器人达到期望关节角度的姿态。
值得一提的是，通过对TS模糊模型进行规则融合并将其投影到高维空间，使得能够在少量规则的条件下准确的对外骨骼机器人系统进行建模，保证了模糊控制的可行性和准确性，同时利用训练数据对建模得到的外骨骼机器人控制模型的后件参数进行求解，并根据求解结果确定控制器输出扭矩与关节角度之间的关系表达式，从而使得后续能根据期望关节角度，准确计算出控制器输出扭矩，实现对外骨骼机器人系统的准确在线步态控制，达到良好的控制效果，有效提高外骨骼机器人系统的控制性能。
下面结合具体实施例对上述步骤12的具体步骤进行示例性说明。
在本申请的一些实施例中，上述步骤12的具体实现过程包括如下步骤：
步骤12.1，对TS模糊模型中的模糊规则进行规则融合，将多条模糊规则融合为一条来减少模糊规则的数量。
在本申请的一些实施例中，原本TS模糊模型共有H条模糊规则，将1到h1条模糊规则融合为一条新模糊规则，h1+1到h2条模糊规则融合为第二条新模糊规则，以此类推，直到hq+1到H条模糊规则融合为第k条新模糊规则。具体的，该规则融合计算过程为：
Figure BDA0004230879400000111
得到融合后的TS模糊模型为：
Figure BDA0004230879400000112
其中，
Figure BDA0004230879400000113
为融合后的第k条模糊规则，y(T)表示外骨骼机器人的关节角度，H表示融合前模糊规则总数，R表示融合后的模糊模型的模糊规则总数，Φ1(U)表示U对第1个模糊集的隶属度，Φ2(U)表示U对第2个模糊集的隶属度，ΦR(U)表示U对第R个模糊集的隶属度，Φk(U)表示U对第k个模糊集的隶属度，U表示与关节角度和控制器输出扭矩相关的向量，/>
Figure BDA0004230879400000114
表示U对第j条模糊规则的隶属度，/>
Figure BDA0004230879400000115
和/>
Figure BDA0004230879400000116
均为向量。
值得一提的是，将多条模糊规则融合为一条来减少模糊规则的数量，能够避免规则量太大，确保能在少量规则的条件下准确的对外骨骼机器人系统进行建模。
步骤12.2，将融合后的TS模糊模型投影到高维空间，得到外骨骼机器人控制模型。
融合后的模糊规则yk(T)为非线性的，不利于模型的建立，为了得到线性的模糊规则，可利用空间核函数将yk(T)投影到高维空间，得到线性的模糊规则
Figure BDA0004230879400000121
同时将线性的模糊规则代入上述融合后的TS模糊模型中，得到外骨骼机器人控制模型：
Figure BDA0004230879400000122
其中，
Figure BDA0004230879400000123
ak(T)和bk(T)均表示外骨骼机器人控制模型的后件参数，U为与关节角度和控制器输出扭矩相关的向量，/>
Figure BDA0004230879400000124
表示投影函数，ωk(U)表示U对第k条模糊规则中所有模糊集的总隶属度，q表示每条模糊规则下模糊变量的维数，/>
Figure BDA0004230879400000125
表示U对第k条模糊规则中第q个模糊集的隶属度。
值得一提的是，利用空间核函数将融合后的TS模糊模型投影到高维空间，能够让TS模糊模型呈现为线性的，消除非线性TS模糊模型不利于模型建立的弊端。
下面结合具体实施例对上述步骤13的具体步骤进行示例性说明。
在本申请的一些实施例中，上述外骨骼机器人的训练数据包括N个训练样本及每个训练样本对应的外骨骼机器人在T时刻的关节角度，每个训练样本包括：外骨骼机器人在T时刻前n个时刻的关节角度，以及外骨骼机器人在T时刻的控制器输出扭矩。
基于上述训练数据，上述步骤13的具体实现过程包括如下步骤：
第一步，为求解外骨骼机器人控制模型的后件参数ak(T)和bk(T)，构建目标函数：
Figure BDA0004230879400000126
其中，
Figure BDA0004230879400000127
表示目标函数，k＝1,2,...,R，R表示融合后的模糊模型下的模糊规则总数，N表示训练样本的总个数，Ui表示N个训练样本中第i个训练样本，Ui＝[y(T-1)i,...,y(T-n)i,u(T)i]，y(T)i表示第i个的训练样本对应的外骨骼机器人在T时刻的关节角度，y(T-1)i表示第i个的训练样本中外骨骼机器人在T-1时刻的关节角度，y(T-n)i表示第i个的训练样本中外骨骼机器人在T-n时刻的关节角度，n为Ui中关节角度的总数，u(T)i表示第i个的训练样本中外骨骼机器人在T时刻的控制器输出扭矩，e(Ui,T)表示建模误差，ξ表示在近似精度和泛化之间进行权衡的正则化因子，Φk(Ui)表示Ui对第k条模糊规则的隶属度，/>
Figure BDA0004230879400000131
表示投影函数。
第二步，构建拉格朗日函数。
拉格朗日函数的表达式如下：
Figure BDA0004230879400000132
其中，γi表示拉格朗日乘子。
利用拉格朗日乘子法求解得到该目标函数的解如下：
Figure BDA0004230879400000133
Figure BDA0004230879400000134
Figure BDA0004230879400000135
Figure BDA0004230879400000136
利用核函数对目标函数的求解结果进行矩阵转换：
Figure BDA0004230879400000141
Figure BDA0004230879400000142
Figure BDA0004230879400000143
利用训练数据，通过上述等式可以求出外骨骼控制模型的后件参数ak(T)和bk(T)，以及拉格朗日乘子γi。
其中，0R×R表示R行R列的零矩阵，ΦR×N表示训练数据求得的隶属度函数矩阵，R表示规则数，N表示训练样本数，
Figure BDA0004230879400000144
表示训练数据求得的隶属度函数矩阵的转置，R表示规则数，N表示训练样本数，DN×N表示所求得中间值dij构成的N行N列矩阵，bR×1表示每条模糊规则中后件参数b构成的R行1列矩阵，ΛN×1表示拉格朗日乘子γi构成的N行1列矩阵，0R×1表示R行1列的零矩阵，yN×1表示采集的训练数据中T时刻关节角度数据构成的N行1列矩阵，dij表示通过已知数据求得的中间值，ξ表示在近似精度和泛化之间进行权衡的正则化因子，IN表示N行N列的单位矩阵，Φk(Uj)表示第j个的训练样本Uj对第k条模糊规则的隶属度，K(Ui,Uj)表示核函数。
在本申请的一些实施例中，定义核函数为径向基函数
Figure BDA0004230879400000145
Figure BDA0004230879400000146
经过上述步骤，对后件参数进行求解，让后件参数ak(T)和bk(T)变为已知参数。
值得一提的是，后件参数ak(T)和bk(T)变为已知参数，解决了因出现未知参数带来的建模问题。
下面结合具体实施例对上述步骤14的具体步骤进行示例性说明。
在本申请的一些实施例中，上述步骤14的具体实现方式包括如下步骤：
步骤14.1，根据求解后得到的后件参数，得到外骨骼机器人控制模型的第k条模糊规则，并能对外骨骼机器人控制模型进行更新。
将求解得到的ak(T)代入融合后的线性模糊规则
Figure BDA0004230879400000151
中，得到外骨骼机器人控制模型的第k条模糊规则为：
Figure BDA0004230879400000152
引入径向基函数
Figure BDA0004230879400000153
将上式转换为：
Figure BDA0004230879400000154
然后，经过隶属度函数加权，得到外骨骼机器人控制模型为：
Figure BDA0004230879400000155
步骤14.2，根据外骨骼机器人控制模型的第k条模糊规则，得到控制器输出扭矩与关节角度之间的关系表达式。
对外骨骼机器人控制模型的第k条模糊规则进行一阶泰勒展开：
Figure BDA0004230879400000156
引入径向基函数
Figure BDA0004230879400000157
并对上式的中间项进行一阶求导可得：
Figure BDA0004230879400000158
其中A＝(yk(T-2)-yk(T-2)i)2+(yk(T-3)-yk(T-3)i)2+(yk(T-4)-yk(T-4)i)2，qk(T-1)＝[yk(T-2),...,yk(T-n-1)]。
其中，yk(T-2)表示第k条模糊规则下外骨骼机器人在T-2时刻的关节角度，yk(T-2)i表示第k条模糊规则下第i个训练样本中外骨骼机器人在T-2时刻的关节角度，yk(T-3)表示第k条模糊规则下外骨骼机器人在T-3时刻的关节角度，yk(T-3)i表示第k条模糊规则下第i个训练样本中外骨骼机器人在T-3时刻的关节角度，yk(T-4)表示第k条模糊规则下外骨骼机器人在T-4时刻的关节角度，yk(T-4)i表示第k条模糊规则下第i个训练样本中外骨骼机器人在T-4时刻的关节角度，yk(T-n-1)表示第k条模糊规则下外骨骼机器人在T-n-1时刻的关节角度。
所以，外骨骼机器人控制模型的第k条模糊规则可转换为：
Figure BDA0004230879400000161
其中，yk(T)表示第k条模糊规则下的T时刻外骨骼机器人的关节角度，Φk(Ui)表示在第i个训练样本里所有模糊规则的总隶属度，γi表示拉格朗日乘子，N表示训练样本的总个数，σ为高斯函数的宽度，uk(T-1)表示第k条模糊规则下外骨骼机器人在T-1时刻的输出扭矩，uk(T-1)i表示在第i个训练样本中于第k条模糊规则下外骨骼机器人在T-1时刻的输出扭矩。
Δuk(T)＝(uk(T)-uk(T-1))，Δuk(T-1)＝(uk(T-1)-uk(T-2))，uk(T)表示在第k条模糊规则下外骨骼机器人在T时刻的输出扭矩，uk(T-2)表示在第k条模糊规则下外骨骼机器人在T-2时刻的输出扭矩。
其中，R(Δuk(T-1))是高阶无穷小项，满足如下关系：
Figure BDA0004230879400000162
需要说明的是，在外骨骼机器人控制过程中，如外骨骼的控制器输出、惯性等，这些过程不能在很小的时间间隔内变化太快，所以高阶无穷小项可以合理地忽略，则上述等式近似为：
Figure BDA0004230879400000163
对上述求导后的每条模糊规则进行计算，得到每条模糊规则下的控制器输出扭矩为：
Figure BDA0004230879400000171
最后，对每条模糊规则下的控制器输出扭矩进行加权，得到最终的控制器输出扭矩与关节角度之间的关系表达式为：
Figure BDA0004230879400000172
其中，ε表示预设常数值，yk(T)表示第k条模糊规则下外骨骼机器人在T时刻的期望关节角度，u(T)表示外骨骼机器人在T时刻的控制器输出扭矩，βk(uk(T))表示对第k条模糊规则下输出扭矩uk(T)进行加权求和的系数。
在本申请的一些实施例中，ε为一个很小的数，实际控制中，通过实时的数据计算得到
Figure BDA0004230879400000173
为防止分母为0，当其负向趋近于0时，设置ε为一个很小的负数，当其正向趋近于0时，设置ε为一个很小的正数。
值得一提的是，根据后件参数确定关系表达式，在后续控制时，给定一个期望关节角度，还能知道相关的历史关节角度和历史控制器输出，从而通过关系表达式计算期望控制器输出，这种方法考虑到了历史数据和实时数据，能够实现对外骨骼机器人系统的准确在线步态控制，达到良好的控制效果，有效提高了外骨骼机器人系统的控制性能。
下面结合一具体实例对上述外骨骼机器人的在线控制方法进行示例性说明。
如图2所示，对外骨骼机器人系统进行建模得到TS模糊模型，此TS模糊模型通过规则融合，以及利用训练数据u(T)，y(T-1),...,y(T-n)以及空间核函数求解后件参数后，得到外骨骼机器人控制模型y(T)，对外骨骼机器人控制模型的每条模糊规则下的控制器输出扭矩yk(T)进行泰勒展开，得到线性TS模糊模型，再对线性TS模糊模型进行逆变换，得到控制器输出扭矩与关节角度之间的关系表达式，并将此关系表达式置入TS逆控制器中。TS逆控制器的输入端为关节角度yk(T)和yk(T-1)，输出端为控制器输出扭矩u(T)，该控制器输出扭矩进入外骨骼机器人系统对外骨骼机器人进行控制，以使外骨骼机器人输出期望关节角度y(T)。
上述外骨骼机器人控制模型的构建过程如图3所示，对外骨骼机器人系统进行建模得到TS模糊模型，对TS模糊模型进行规则融合，图中
Figure BDA0004230879400000181
表示表示x(对应于上文中的U)对第j条模糊规则的隶属度，与上文中的/>
Figure BDA0004230879400000182
对应，融合后/>
Figure BDA0004230879400000183
变为φk(x)，φk(x)表示x对第k条模糊规则的隶属度。融合后的TS模糊模型经过空间核函数进行投影，并经过训练数据求解后件参数，得到外骨骼机器人控制模型。训练数据即为图中输入到构建框的u(T)和y(T)，以及图中角度模型所示的数据y(T-1),...,y(T-n)。
在本申请的一些实施例中，结合仿真对本申请提供的在线控制方法的准确性进行验证：利用采集的一组数据作为训练数据，构建外骨骼机器人的TS模糊模型，并经过求解参数后得到外骨骼机器人控制模型，该外骨骼机器人控制模型的输出关节角度与实际期望关节角度如图4所示，输出关节角度与实际期望关节角度之间的误差如图5所示，可以看出，外骨骼机器人控制模型的输出关节角度曲线与实际给定的期望关节角度曲线几乎重合。在此基础上，使用另一组包含相同类型的数据对本申请提供的在线控制方法进行测试，利用上述控制器输出扭矩与关节角度之间的关系表达式计算得出的控制器输出扭矩和实际控制器输出扭矩如图6所示，计算得出的控制器输出扭矩和实际控制器输出扭矩之间的误差如图7所示，可以看出，利用该关系表达式所得出的控制器输出扭矩u(T)和实际的控制器输出力矩是一致的。将计算得出的控制器输出力矩加入模型进行仿真，所得的外骨骼机器人的关节角度和实际关节角度如图8所示，外骨骼机器人的关节角度和实际关节角度之间的误差如图9所示，可以看出，外骨骼机器人关节角度曲线和实际关节角度曲线几乎重合。
需要说明的是，图4中Training output表示外骨骼机器人控制模型的输出关节角度，Proposed method表示实际期望关节角度，图5中Training error表示输出关节角度与实际期望关节角度之间的误差，图6中Testing output表示计算得出的控制器输出扭矩，Proposedmethod表示实际控制器输出扭矩，图7中Testing error表示计算得出的控制器输出扭矩和实际控制器输出扭矩之间的误差，图8中Testing output表示基于得到的控制器输出扭矩对外骨骼机器人进行控制，输出的关节角度，Proposedmethod表示实际关节角度，图9中Testing error表示外骨骼机器人输出的关节角度和实际关节角度之间的误差；图4、8中的x轴表示训练和测试数据点，y轴表示模糊模型计算的T时刻关节角度数据值，图5、9中的x轴表示训练和测试数据点，y轴表示模糊模型计算的T时刻关节角度数据值和实际关节角度数据值的误差值，图6中的x轴表示测试数据点，y轴表示模糊模型计算的T时刻控制器输出值，图7中的x轴表示测试数据点，y轴表示模糊模型计算的T时刻控制器输出值和实际控制器输出值的误差值。
因此可以看出，本申请实施例所提供的外骨骼机器人的在线控制方法能够很好的控制外骨骼机器人达到预期的位置，能很好的跟踪外骨骼机器人的步态，具有良好的控制性能。
下面对本申请提供的外骨骼机器人的在线控制装置进行示例性说明。
如图10所示，本申请实施例提供了一种外骨骼机器人的在线控制装置，该外骨骼机器人的在线控制装置1000包括：
建模模块1001，基于模糊规则对外骨骼机器人进行建模，得到TS模糊模型；
规则融合模块1002，对TS模糊模型中的模糊规则进行融合，并将融合后的TS模糊模型投影到高维空间，得到外骨骼机器人控制模型；
后件参数求解模块1003，根据外骨骼机器人的训练数据，求解外骨骼机器人控制模型的后件参数；
关系表达式确定模块1004，根据求解得到的后件参数，确定控制器输出扭矩与关节角度之间的关系表达式；
外骨骼机器人控制模块1005，利用关系表达式对T时刻的期望关节角度进行控制器输出扭矩计算，并在T时刻根据计算得到的控制器输出扭矩对外骨骼机器人的控制器进行控制。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
如图11所示，本申请的实施例提供了一种终端设备，该实施例的终端设备D10包括：至少一个处理器D100(图11中仅示出一个处理器)、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102，所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。
具体的，所述处理器D100执行所述计算机程序D102时，通过基于模糊规则对外骨骼机器人进行建模，得到TS模糊模型，对TS模糊模型中的模糊规则进行规则融合，再利用训练数据对外骨骼机器人控制模型中的后件参数进行求解，并确定控制器输出扭矩与关节角度之间的关系表达式，最终将期望关节角度代入关系表达式中，得到控制器输出扭矩，并按照得到的控制器输出扭矩对外骨骼机器人输入控制指令，对外骨骼机器人进行控制。其中，通过对TS模糊模型进行规则融合并将其投影到高维空间，使得能够在少量规则的条件下准确的对外骨骼机器人系统进行建模，保证了模糊控制的可行性和准确性，同时利用训练数据对建模得到的外骨骼机器人控制模型的后件参数进行求解，并根据求解结果确定控制器输出扭矩与关节角度之间的关系表达式，从而使得后续能根据期望关节角度，准确计算出控制器输出扭矩，实现对外骨骼机器人系统的准确在线步态控制，达到良好的控制效果，有效提高外骨骼机器人系统的控制性能。
所称处理器D100可以是中央处理单元(CPU，Central Processing Unit)，该处理器D100还可以是其他通用处理器、数字信号处理器(DSP，Digital Signal Processor)、专用集成电路(ASIC，Application Specific Integrated Circuit)、现成可编程门阵列(FPGA，Field-Programmable Gate Array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D101在一些实施例中可以是所述终端设备D10的内部存储单元，例如终端设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述终端设备D10的外部存储设备，例如所述终端设备D10上配备的插接式硬盘，智能存储卡(SMC，SmartMedia Card)，安全数字(SD，Secure Digital)卡，闪存卡(Flash Card)等。进一步地，所述存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到外骨骼机器人的在线控制方法装置/终端设备的任何实体或装置、记录介质、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)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以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。专业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申请的范围。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种外骨骼机器人的在线控制方法，其特征在于，包括：
基于模糊规则对外骨骼机器人进行建模，得到TS模糊模型；
对所述TS模糊模型中的模糊规则进行融合，并将融合后的TS模糊模型投影到高维空间，得到外骨骼机器人控制模型；
根据所述外骨骼机器人的训练数据，求解所述外骨骼机器人控制模型的后件参数；
根据求解得到的后件参数，确定控制器输出扭矩与关节角度之间的关系表达式；
利用所述关系表达式对T时刻的期望关节角度进行控制器输出扭矩计算，并在所述T时刻根据计算得到的控制器输出扭矩对所述外骨骼机器人的控制器进行控制。
2.根据权利要求1所述的在线控制方法，其特征在于，融合后的TS模糊模型为：
Figure FDA0004230879390000011
其中，y(T)表示所述外骨骼机器人的关节角度，k＝1,2,...,R，R表示融合后的TS模糊模型的模糊规则总数，U为与关节角度和控制器输出扭矩相关的向量，Φk(U)表示U对第k条模糊规则的隶属度，yk(T)为融合后的TS模糊模型的第k条模糊规则。
3.根据权利要求2所述的在线控制方法，其特征在于，所述外骨骼机器人控制模型为：
Figure FDA0004230879390000012
其中，
Figure FDA0004230879390000013
ak(T)和bk(T)均表示所述外骨骼机器人控制模型的后件参数，/>
Figure FDA0004230879390000014
表示投影函数，ωk(U)表示U对第k条模糊规则中所有模糊集的总隶属度，x表示每条模糊规则中的模糊集总数，/>
Figure FDA0004230879390000021
表示U对第k条模糊规则中第q个模糊集的隶属度。
4.根据权利要求3所述的在线控制方法，其特征在于，所述外骨骼机器人的训练数据包括N个训练样本及每个训练样本对应的外骨骼机器人在T时刻的关节角度，所述训练样本包括：所述外骨骼机器人T时刻前n个时刻的关节角度，以及所述外骨骼机器人在T时刻的控制器输出扭矩；
所述根据所述外骨骼机器人的训练数据，求解所述外骨骼机器人控制模型的后件参数，包括：
构建目标函数：
Figure FDA0004230879390000022
Figure FDA0004230879390000023
其中，
Figure FDA0004230879390000024
表示所述目标函数，ak(T)和bk(T)表示所述外骨骼机器人控制模型的后件参数，k＝1,2,...,R，R表示融合后的TS模糊模型的模糊规则总数，Ui表示N个训练样本中第i个训练样本，Ui＝[y(T-1)i,...,y(T-n)i,u(T)i]，y(T)i表示第i个的训练样本对应的所述外骨骼机器人在T时刻的关节角度，y(T-1)i表示第i个的训练样本中所述外骨骼机器人在T-1时刻的关节角度，y(T-n)i表示第i个的训练样本中所述外骨骼机器人在T-n时刻的关节角度，u(T)i表示第i个的训练样本中所述外骨骼机器人在T时刻的控制器输出扭矩，n为Ui中关节角度的总数，e(Ui,T)表示建模误差，ξ表示正则化因子，Φk(Ui)表示Ui对第k条模糊规则的隶属度，/>
Figure FDA0004230879390000025
表示投影函数；
利用拉格朗日乘子法对所述目标函数进行求解；
利用核函数对所述目标函数的求解结果进行矩阵转换，并对转换得到的矩阵进行求解，得到所述外骨骼机器人控制模型的后件参数bk(T)、ak(T)。
5.根据权利要求4所述的在线控制方法，其特征在于，所述根据求解得到的后件参数，确定控制器输出扭矩与关节角度之间的关系表达式，包括：
根据求解后得到的后件参数，得到所述外骨骼机器人控制模型的第k条模糊规则；
根据所述外骨骼机器人控制模型的第k条模糊规则，得到控制器输出扭矩与关节角度之间的关系表达式。
6.根据权利要求5所述的在线控制方法，其特征在于，所述外骨骼机器人控制模型的第k条模糊规则yk(T)为：
Figure FDA0004230879390000031
其中，γi表示拉格朗日乘子，K(Ui,U)为核函数，N表示训练样本的总个数，Φk(Ui)表示Ui对第k条模糊规则的隶属度，bk(T)表示所述外骨骼机器人控制模型的后件参数。
7.根据权利要求6所述的在线控制方法，其特征在于，所述根据所述外骨骼机器人控制模型的第k条模糊规则，得到控制器输出扭矩与关节角度之间的关系表达式，包括：
对所述外骨骼机器人控制模型的第k条模糊规则进行一阶泰勒展开并求导，得到所述外骨骼机器人控制模型的第k条模糊规则yk(T)为：
Figure FDA0004230879390000032
其中，yk(T-1)表示第k条模糊规则下所述外骨骼机器人在T-1时刻的关节角度，Φk(Ui)表示Ui对第k条模糊规则的隶属度，γi表示拉格朗日乘子，N表示训练样本的总个数，σ为高斯函数的宽度，uk(T-1)表示第k条模糊规则下所述外骨骼机器人在T-1时刻的输出扭矩，uk(T-1)i表示在第k条模糊规则下第i个训练样本中所述外骨骼机器人在T-1时刻的输出扭矩，Δuk(T)＝(uk(T)-uk(T-1))，Δuk(T-1)＝(uk(T-1)-uk(T-2))，uk(T)表示在第k条模糊规则下所述外骨骼机器人在T时刻的输出扭矩，uk(T-2)表示在第k条模糊规则下所述外骨骼机器人在T-2时刻的输出扭矩；
其中，A＝(yk(T-2)-yk(T-2)i)2+(yk(T-3)-yk(T-3)i)2+(yk(T-4)-yk(T-4)i)2，
其中，yk(T-2)表示第k条模糊规则下所述外骨骼机器人在T-2时刻的关节角度，yk(T-2)i表示第k条模糊规则下第i个训练样本中所述外骨骼机器人在T-2时刻的关节角度，yk(T-3)表示第k条模糊规则下所述外骨骼机器人在T-3时刻的关节角度，yk(T-3)i表示第k条模糊规则下第i个训练样本中所述外骨骼机器人在T-3时刻的关节角度，yk(T-4)表示第k条模糊规则下所述外骨骼机器人在T-4时刻的关节角度，yk(T-4)i表示第k条模糊规则下第i个训练样本中所述外骨骼机器人在T-4时刻的关节角度；
对求导后的每条模糊规则进行计算，得到每条模糊规则下的控制器输出扭矩为：
Figure FDA0004230879390000041
对每条模糊规则下的控制器输出扭矩进行加权，得到所述控制器输出扭矩与关节角度之间的关系表达式为：
Figure FDA0004230879390000042
其中，ε表示预设常数值，yk(T)表示第k条模糊规则下所述外骨骼机器人在T时刻的期望关节角度，u(T)表示所述外骨骼机器人在T时刻的控制器输出扭矩，βk(uk(T))表示对第k条模糊规则下输出扭矩uk(T)进行加权求和的系数。
8.一种外骨骼机器人的在线控制装置，其特征在于，包括：
建模模块，基于模糊规则对外骨骼机器人进行建模，得到TS模糊模型；
规则融合模块，对所述TS模糊模型中的模糊规则进行融合，并将融合后的TS模糊模型投影到高维空间，得到外骨骼机器人控制模型；
后件参数求解模块，根据所述外骨骼机器人的训练数据，求解所述外骨骼机器人控制模型的后件参数；
关系表达式确定模块，根据求解得到的后件参数，确定控制器输出扭矩与关节角度之间的关系表达式；
外骨骼机器人控制模块，利用所述关系表达式对T时刻的期望关节角度进行控制器输出扭矩计算，并在所述T时刻根据计算得到的控制器输出扭矩对所述外骨骼机器人的控制器进行控制。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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7任一项所述的外骨骼机器人的在线控制方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的外骨骼机器人的在线控制方法。
CN202310549615.9A 2023-05-16 2023-05-16 一种外骨骼机器人的在线控制方法、装置、设备及介质 Pending CN116394229A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310549615.9A CN116394229A (zh) 2023-05-16 2023-05-16 一种外骨骼机器人的在线控制方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310549615.9A CN116394229A (zh) 2023-05-16 2023-05-16 一种外骨骼机器人的在线控制方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116394229A true CN116394229A (zh) 2023-07-07

Family

ID=87008981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310549615.9A Pending CN116394229A (zh) 2023-05-16 2023-05-16 一种外骨骼机器人的在线控制方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116394229A (zh)

Similar Documents

Publication Publication Date Title
Perrusquía et al. Identification and optimal control of nonlinear systems using recurrent neural networks and reinforcement learning: An overview
CN111890365B (zh) 目标跟踪方法、装置、计算机设备及存储介质
CN110647042A (zh) 一种基于数据驱动的机器人鲁棒学习预测控制方法
Bilal et al. Development of a vision based pose estimation system for robotic machining and improving its accuracy using LSTM neural networks and sparse regression
Qi et al. Stable indirect adaptive control based on discrete-time T–S fuzzy model
Liu et al. Multi-kernel online reinforcement learning for path tracking control of intelligent vehicles
Lee et al. Ensemble bayesian decision making with redundant deep perceptual control policies
CN110989585B (zh) 避奇异的步态规划方法、装置、可读存储介质及机器人
Tarel et al. Using robust estimation algorithms for tracking explicit curves
CN108313330B (zh) 一种基于增广Kalman滤波的卫星干扰力矩估计方法
US7529651B2 (en) Accurate linear parameter estimation with noisy inputs
Xu et al. A real-time performance recovery framework for vision-based control systems
CN112571420A (zh) 一种未知参数下的双功能模型预测控制方法
Dalla Libera et al. Model-based reinforcement learning for physical systems without velocity and acceleration measurements
Lázaro-Gredilla et al. A Bayesian approach to tracking with kernel recursive least-squares
Han et al. Adaptive unscented Kalman filter and its applications in nonlinear control
CN113370208A (zh) 一种可重构机械臂子系统的控制方法及系统
CN113297798A (zh) 一种基于人工神经网络的机器人外界接触力估计方法
CN116394229A (zh) 一种外骨骼机器人的在线控制方法、装置、设备及介质
CN116512256A (zh) 基于联合学习的机器人最优人机交互阻抗控制方法、存储介质及机器人
US10386252B2 (en) Position control apparatus for identifying low-frequency disturbance
CN116276965A (zh) 基于非奇异终端滑模的机械臂固定时间轨迹跟踪控制方法
Zhang et al. Model-free optimal consensus control of networked Euler-Lagrange systems
CN115016273A (zh) 一种单连杆机械手臂的预定义时间稳定控制方法及系统
US20190258922A1 (en) Model calculation unit and control unit for calculating an rbf model

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