CN117067201A - 外骨骼机器人的形变补偿方法、系统、设备及存储介质 - Google Patents
外骨骼机器人的形变补偿方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117067201A CN117067201A CN202310991094.2A CN202310991094A CN117067201A CN 117067201 A CN117067201 A CN 117067201A CN 202310991094 A CN202310991094 A CN 202310991094A CN 117067201 A CN117067201 A CN 117067201A
- Authority
- CN
- China
- Prior art keywords
- deformation
- exoskeleton
- data set
- dimensional force
- robot
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 210000003141 lower extremity Anatomy 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 230000009471 action Effects 0.000 claims description 61
- 230000015654 memory Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 14
- 210000001503 joint Anatomy 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 210000004394 hip joint Anatomy 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 20
- 210000002414 leg Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000003049 pelvic bone Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 210000001624 hip Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 210000002303 tibia Anatomy 0.000 description 2
- 206010033892 Paraplegia Diseases 0.000 description 1
- 241000253999 Phasmatodea Species 0.000 description 1
- 206010037714 Quadriplegia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- B25J9/16—Programme controls
-
- 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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Rehabilitation Tools (AREA)
Abstract
本申请涉及机器人技术领域，特别涉及一种外骨骼机器人的形变补偿方法、系统、设备及存储介质，该方法包括以下步骤：获取数据集；数据集包括形变数据集和六维力数据集；基于数据集，采用神经网络进行深度学习训练，学习六维力和形变之间的映射关系；将训练好的神经网络作为形变估计器，根据机器人当前的力和力矩信息预测出对应的质心形变补偿量；将质心形变补偿量和预规划的姿态相结合，得到下一时刻的质心姿态以及各关节的目标关节角度；基于各关节的目标关节角度，对外骨骼机器人进行形变补偿。本申请提供的外骨骼机器人的形变补偿方法，减小了外骨骼实际模型和理想刚体模型间的误差，降低了下肢外骨骼机器人的控制难度。
Description
技术领域
本申请实施例涉及机器人技术领域，特别涉及一种外骨骼机器人的形变补偿方法、系统、设备及存储介质。
背景技术
自平衡下肢外骨骼机器人(Self-Balancing Lower-Limb Exoskeleton，简称SBLLE)是一类高自由度、全驱动、无需拐杖或推车等额外辅助支撑工具便可动态平衡行走的机器人，它可以帮助截瘫、四肢瘫患者进行下肢医疗康复训练以及替代轮椅提供支撑并实现动态平衡行走。SBLLE具有多关节、多连杆、重量大的特点，在其制造、加工、装配等过程中不可避免地会产生误差，如关节间隙、连杆位置误差和姿态误差。此外，由于材料刚度不足，在重力作用下，连杆具有弹性形变，齿轮传动存在误差，穿戴者和外骨骼两者的大重量进一步放大外骨骼实际模型和理想刚体模型间的误差。这些误差会影响外骨骼的运动控制，导致外骨骼摆动腿提前触地，产生较大的冲击力，从而引起外骨骼摔倒。
现有的误差处理手段通常是针对不同的误差开发不同的补偿器。例如利用数学建模的方法将关节的误差建模为线性模型，使用稳态线性二次调节器去调整增益，以及采用多目标速度辅助的惯性测量单元估计器，通过在左右脚、左右腿胫骨和盆骨处各放置一个惯性测量单元(Inertial Measurement Unit，简称IMU)，以及在每只脚的拐角处放置一维力传感器，利用机器人的运动学模型将每个IMU的倾斜估计以级联的方式通过线速度向前传播，以此实现对关节的误差估计和补偿。
然而，利用速度辅助IMU估计状态的技术需要多个IMU来估计不同部位的状态，前一个IMU的状态传递给后一个IMU，结合腿部运动学实现状态估计，这种技术存在较大的传感器测量不确定性和计算的复杂性，此外，该技术只能计算俯仰角和摆动角上的误差，忽略了偏航角上的误差。
发明内容
本申请实施例提供一种外骨骼机器人的形变补偿方法、系统、设备及存储介质，减小外骨骼实际模型和理想刚体模型间的误差，降低下肢外骨骼机器人的控制难度。
为解决上述技术问题，第一方面，本申请实施例提供一种外骨骼机器人的形变补偿方法，包括以下步骤：首先，获取数据集；数据集包括形变数据集和六维力数据集；然后，基于数据集，采用神经网络进行深度学习训练，学习六维力和形变之间的映射关系；接下来，将训练好的神经网络作为形变估计器，根据机器人当前的力和力矩信息预测出对应的质心形变补偿量；然后，将质心形变补偿量和预规划的姿态相结合，得到下一时刻的质心姿态以及各关节的目标关节角度；最后，基于各关节的目标关节角度，对外骨骼机器人进行形变补偿。
在一些示例性实施例中，六维力数据集通过六维力传感器直接采集得到；形变数据集通过借助动作捕捉系统采集外骨骼实际姿态，并通过计算外骨骼实际姿态与预规划的外骨骼姿态的差值得到；其中，形变的计算公式如下式所示：
其中，是外骨骼实际姿态；/>是预规划的外骨骼姿态。
在一些示例性实施例中，获取数据集，包括：将行走动作拆分成多组用于贴合实际行走场景的分解动作；分别对每组分解动作进行数据采集；将采集到的数据以预规划的动作为参照，按照预规划的行走动作轨迹来拼接每组分解动作，得到模拟行走动作的形变数据集和六维力数据集。
在一些示例性实施例中，分解动作包括蹲下与起立动作、左脚抬起动作、右脚抬起动作以及髋关节转动动作；其中，蹲下与起立动作是用于模拟行走动作的开始与结束；左脚抬起动作、所述右脚抬起动作是用于模拟单足支撑期；髋关节转动动作是用于模拟重心转移过程。
在一些示例性实施例中，获取六维力数据集，包括：在外骨骼机器人双足的足底均安装六维力传感器；采用六维力传感器采集xyz坐标系中三个方向的力和力矩信息，得到六维力数据集。
在一些示例性实施例中，神经网络为双向长短期记忆网络；其中，双向长短期记忆网络包括正向长短期记忆网络和反向长短期记忆网络；基于数据集，采用神经网络进行深度学习训练，学习六维力和形变之间的映射关系，包括：将数据集输入至所述双向长短期记忆网络进行深度学习训练，双向长短期记忆网络将六维力信息直接映射成与其对应的形变信息。
第二方面，本申请实施例还提供了一种外骨骼机器人的形变补偿系统，基于上述外骨骼机器人的形变补偿方法进行形变补偿，包括：依次连接的自平衡下肢外骨骼机器人、通信系统和上位机；其中，自平衡下肢外骨骼机器人包括数据采集单元、中央控制单元以及任务执行单元，数据采集单元和所述任务执行单元均与中央控制单元连接；数据采集单元为安装在机器人足底的六维力传感器；中央控制单元为控制器；任务执行单元为安装在机器人各关节处的电机。
在一些示例性实施例中，中央控制单元的控制器包括形变估计器和自平衡反馈控制器；形变估计器所使用的网络包括输入层、双向长短期记忆网络、输出层；其中，输入层为时间序列的力和力矩数据；输出层为预测的质心形变量。
另外，本申请还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述外骨骼机器人的形变补偿方法。
另外，本申请还提供了一种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上述外骨骼机器人的形变补偿方法。
本申请实施例提供的技术方案至少具有以下优点：
本申请实施例提供一种外骨骼机器人的形变补偿方法、系统、设备及存储介质，该方法包括以下步骤：首先，获取数据集；数据集包括形变数据集和六维力数据集；然后，基于数据集，采用神经网络进行深度学习训练，学习六维力和形变之间的映射关系；接下来，将训练好的神经网络作为形变估计器，根据机器人当前的力和力矩信息预测出对应的质心形变补偿量；然后，将质心形变补偿量和预规划的姿态相结合，得到下一时刻的质心姿态以及各关节的目标关节角度；最后，基于各关节的目标关节角度，对外骨骼机器人进行形变补偿。
本申请针对自平衡下肢外骨骼机器人具有多种误差来源的问题，提出一种外骨骼机器人的形变补偿方法，该形变补偿方法通过动作捕捉系统和六维力传感器建立外骨骼的形变数据集和六维力数据集(力/力矩数据集)，利用神经网络深度学习六维力(力/力矩信息)与形变的关系。训练好的神经网络作为形变估计器加入到外骨骼的控制系统中，可以根据当前的力/力矩预测质心形变，该预测量与预规划的姿态结合，通过逆运动学解算出新的各关节期望角度，实现对形变的补偿。在数据采集实验和行走实验中，实验结果表明该形变补偿方法能够实现形变补偿量的预测，并大幅减小实际模型与理想刚体模型的误差。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，除非有特别申明，附图中的图不构成比例限制。
图1为本申请一实施例提供的一种外骨骼机器人的形变补偿方法的流程示意图；
图2a为本申请一实施例提供的下肢外骨骼形变示意图；
图2b为本申请一实施例提供的下肢外骨骼简图；
图3为本申请一实施例提供的双向长短期记忆网络(Bi-LSTM)的结构示意图；
图4为本申请一实施例提供的自平衡下肢外骨骼机器人形变补偿原理示意图；
图5为本申请一实施例提供的行走实验结果示意图；
图6a为本申请一实施例提供的形变估计器估计的位置形变量示意图；
图6b为本申请一实施例提供的形变估计器估计的角度形变量示意图；
图7a为本申请一实施例提供的ZMP在x轴上的响应轨迹示意图；
图7b为本申请一实施例提供的ZMP在y轴上的响应轨迹示意图；
图8为本申请一实施例提供的一种外骨骼机器人的形变补偿系统的结构示意图；
图9为本申请一实施例提供的一种电子设备的结构示意图。
具体实施方式
由背景技术可知，现有的机器人形变补偿方法通常利用速度辅助惯性测量单元IMU估计状态的技术需要多个IMU来估计不同部位的状态，前一个IMU的状态传递给后一个IMU，结合腿部运动学实现状态估计，这种技术存在较大的传感器测量不确定性和计算的复杂性；此外，该技术只能计算俯仰角和摆动角上的误差，忽略了偏航角上的误差。另外，直接补偿技术需要测量不同连杆和关节的刚度系数，这需要耗费大量的时间和精力。
现有的误差处理手段通常是针对不同的误差开发不同的补偿器。例如自平衡下肢外骨骼的研发团队利用数学建模的方法将关节的误差建模为线性模型，使用稳态线性二次调节器去调整增益。在之后的研究中，又有相关技术提出一个多目标速度辅助的惯性测量单元估计器，通过在左右脚、左右腿胫骨和盆骨处各放置一个IMU，以及在每只脚的拐角处放置一维力传感器，利用机器人的运动学模型将每个IMU的倾斜估计以级联的方式通过线速度向前传播，以此实现对关节的误差估计和补偿。还有一相关技术是利用数学建模的方法对连杆弹性和关节间隙分别补偿，其中连杆弹性补偿量与关节角度和刚度系数有关，关节间隙补偿量与关节速度和滤波器截止频率有关。此外还利用IMU结合腿部运动学估计骨盆处的状态。
然而，前面提到，利用速度辅助IMU估计状态的技术存在较大的传感器测量不确定性和计算的复杂性，此外，该技术只能计算俯仰角和摆动角上的误差，忽略了偏航角上的误差。因此，针对自平衡下肢外骨骼机器人具有多种误差来源的问题，本申请实施例提供一种外骨骼机器人的形变补偿方法，包括以下步骤：首先，获取数据集；数据集包括形变数据集和六维力数据集；然后，基于数据集，采用神经网络进行深度学习训练，学习六维力和形变之间的映射关系；接下来，将训练好的神经网络作为形变估计器，根据机器人当前的力和力矩信息预测出对应的质心形变补偿量；然后，将质心形变补偿量和预规划的姿态相结合，得到下一时刻的质心姿态以及各关节的目标关节角度；最后，基于各关节的目标关节角度，对外骨骼机器人进行形变补偿。本申请实施例通过提供一种外骨骼机器人的形变补偿方法，减小外骨骼实际模型和理想刚体模型间的误差，降低下肢外骨骼机器人的控制难度。
下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。
参看图1，本申请实施例提供了一种外骨骼机器人的形变补偿方法，包括以下步骤：
步骤S1、获取数据集；数据集包括形变数据集和六维力数据集。
步骤S2、基于数据集，采用神经网络进行深度学习训练，学习六维力和形变之间的映射关系。
步骤S3、将训练好的神经网络作为形变估计器，根据机器人当前的力和力矩信息预测出对应的质心形变补偿量。
步骤S4、将质心形变补偿量和预规划的姿态相结合，得到下一时刻的质心姿态以及各关节的目标关节角度。
步骤S5、基于各关节的目标关节角度，对外骨骼机器人进行形变补偿。
本发明旨在利用神经网络和六维力传感器减小计算复杂度，减少刚度系数测量的工作量，直接构建力和力矩信息与形变量的映射关系。简而言之，本发明的目的是设计一种计算简单、操作简便且具有鲁棒性的形变补偿方法，以期减小外骨骼实际模型和理想刚体模型间的误差，降低下肢外骨骼机器人的控制难度。
一方面，本申请通过建立形变和六维力(力/力矩信息)的映射关系。具体的，外骨骼全身形变由质心处形变表示，通过动捕系统测量的姿态和预规划姿态做差得到，力/力矩信息采集自外骨骼足底的六维力传感器；另一方面，自平衡下肢外骨骼机器人行走时的形变并不能直接获取，因此设计了四组动作来模拟行走动作，通过拼接的方式获得接近行走运动的形变数据集和六维力数据集；再次，本申请借助双向长短期记忆网络(Bi-LSTM)强大的学习能力来学习具有非线性时变特性的形变和力/力矩的关系，将训练好的网络加入到外骨骼控制系统中，让外骨骼可以根据力/力矩信息去预测和补偿相对应的形变，最终缩小外骨骼实际模型与理想刚体模型的误差。
本申请采用质心处的形变表示外骨骼整体的形变。具体的，在重力作用下，自平衡下肢外骨骼机器人的连杆和关节处会产生形变，尤其是行走过程中的单足支撑期。如图2a所示，蓝色为外骨骼在重力作用下的实际形变图，黑色为理想刚体情况下外骨骼的姿态，形变主要产生在支撑腿上，这是因为此时支撑腿承受了机器人整体的重量，而摆动腿仅承受自身重量。在行走过程中，支撑腿和摆动腿交替转化，为了简化形变的表示，我们将外骨骼盆骨处的形变表示成外骨骼的整体形变。如图2b所示，A点处的形变通过连杆和关节传递给B点和C点，C点由于在摆动腿上，形变较小，其形变近似于B点处的形变。A点和C点处在外骨骼行走过程中交替承受外骨骼机器人的整体重量，它们的形变也随着姿态变化而变化，因此本申请采用B点处(质心处)的形变表示外骨骼整体的形变。
由于自平衡下肢外骨骼机器人的形变会随着姿态的变化而变化，为了体现形变的变化，本申请在自平衡下肢外骨骼机器人双足的足底安装了六维力传感器。六维力传感器能够采集到xyz坐标系中三个方向的力和力矩信息，即fx，fy，fz，τx，τy，和τz。两脚的力/力矩记为F，表达式如下所示：
其中，上式中上标l代表左脚，上标r代表右脚。
形变与力/力矩的关系表示如下：
AT＝fΔ(F)
其中，上式中fΔ(·)表示非线性映射函数。本发明的关键在于寻找合适的映射函数。由于形变是非线性且时变的，两者间的映射关系无法直接通过数学公式给出，由此选择了神经网络去学习两者间的映射关系。
在一些实施例中，步骤S1中六维力数据集通过六维力传感器直接采集得到；形变数据集通过借助动作捕捉系统采集外骨骼实际姿态，并通过计算外骨骼实际姿态与预规划的外骨骼姿态的差值得到；其中，形变的计算公式如下式所示：
其中，是外骨骼实际姿态；/>是预规划的外骨骼姿态。
具体的，是质心处的实际姿态，即动作捕捉系统下测得的外骨骼实际姿态。是质心处的参考姿态，即预规划的外骨骼姿态。
在一些实施例中，步骤S1中获取数据集，包括：
步骤S101、将行走动作拆分成多组用于贴合实际行走场景的分解动作。
步骤S102、分别对每组分解动作进行数据采集。
步骤S103、将采集到的数据以预规划的动作为参照，按照预规划的行走动作轨迹来拼接每组分解动作，得到模拟行走动作的形变数据集和六维力数据集(力/力矩数据集)。
在一些实施例中，步骤S101中的分解动作包括蹲下与起立动作、左脚抬起动作、右脚抬起动作以及髋关节转动动作；其中，蹲下与起立动作是用于模拟行走动作的开始与结束；左脚抬起动作、所述右脚抬起动作是用于模拟单足支撑期；髋关节转动动作是用于模拟重心转移过程。
本申请通过设计一套实验动作，采集外骨骼在执行这套动作时的形变数据和足底力/力矩数据，实验动作应当尽可能地模拟行走过程时的动作。
需要说明的是，为了增加样本数量和增强泛化关系，可以设置不同体重的穿戴者重复多组动作。最后，将采集到的数据以预规划的动作为参照，按照预规划的行走动作轨迹来拼接每组动作，最后得到近似于行走动作的形变数据集和力/力矩数据集。
在一些实施例中，步骤S1中获取六维力数据集，包括：在外骨骼机器人双足的足底均安装六维力传感器；采用六维力传感器采集xyz坐标系中三个方向的力和力矩信息，得到六维力数据集。本申请所需要的传感器设备为两个六维力/力矩传感器，在源头处减少了多个传感器可能带来的噪音，并降低了计算复杂性。更重要的是，六维力传感器可以采集偏航角上的信息，因此可以实现偏航角上的误差补偿，这在现有技术上是无法实现的。
在一些实施例中，神经网络为双向长短期记忆网络(Bi-LSTM)；其中，双向长短期记忆网络包括正向长短期记忆网络和反向长短期记忆网络；步骤S2中基于数据集，采用神经网络进行深度学习训练，学习六维力和形变之间的映射关系，包括：将数据集输入至所述双向长短期记忆网络进行深度学习训练，双向长短期记忆网络将六维力信息直接映射成与其对应的形变信息。本申请选择Bi-LSTM神经网络去深度学习形变与六维力的映射关系，无需利用机器人运动学建立形变的相关数学模型，省去了刚度系数测量的大量工作。
需要说明的是，本申请提供的外骨骼机器人的形变补偿方法，具有较强的鲁棒性，适用于任何双足机器人，不仅仅是自平衡下肢外骨骼机器人。本申请预测的形变对象可以有多个，如同时预测左右脚的形变。
本申请通过神经网络进行深度学习训练，可以将六维力直接映射成相关的形变量。在选择神经网络时，可以选择适合处理时序预测任务的网络，如RNN、LSTM、Bi-LSTM、GRU等等，本发明在分析出行走运动具有时间依赖性和周期性步态后，选择了双向长短期记忆网络(Bi-LSTM)作为训练网络来学习六维力信息和形变之间的映射关系。
需要说明的是，形变估计器的神经网络有多种选择可以实现时序预测，如BP，CNN，RNN，LSTM，GRU等等。
Bi-LSTM神经网络是由一层正向LSTM和一层反向LSTM结合而成，Bi-LSTM和LSTM的关系，以及LSTM的结构如图3所示。输入层为时间序列的力/力矩数据，输出为预测的质心形变量。LSTM的结构包括遗忘门(计算公式如公式(1)所示)、输入门(计算公式如公式(2a)、公式(2b)所示)；记忆单元(计算公式如公式(3)所示)；输出门(计算公式如公式(4a)、公式(4b)所示)。具体的计算公式如下所示：
ft＝σ(Wf[ht-1,xt]+bf) (1)
it＝σ(Wi[ht-1,xt]+bi) 2a
ot＝σ(Wo[ht-1,xt]+bo) (4a)
ht＝ot*tanh(Ct) (4b)
其中，Wf，Wi，WfC，Wo分别是遗忘门、输入们、隐藏层和输出门的权重矩阵。
训练过程中通过平均绝对误差(Mean Absolute Error，MAE)和平均值标准误差(Standard Errorof Mean，SEM)两个指标来评价训练结果的好坏，将具有最优模型效果的模型参数保存，作为形变估计器的网络参数。
如图4所示，训练好的神经网络将作为形变估计器，根据当前的力和力矩信息预测出对应的质心形变补偿量。将该补偿量和预规划的姿态相结合，可以得出下一时刻的质心姿态，通过逆运动学计算器解算出各关节的目标角度，便把该目标角度通过NI(NationalInstrument)控制系统发给外骨骼，由此实现形变的补偿。
本申请设计一个能进行时序预测的网络，该网络能够学习时序信息的内在关联性，并对下一时刻的信息进行预测。本申请将采集到的形变数据和力/力矩信息放入时序预测网络中训练，调整网络的超参数以达到更好的训练效果，训练好的网络称为形变估计器。本申请将形变估计器根据力/力矩信息预测出的形变量与离线规划的轨迹相结合，通过逆运动学解算出下一时刻各关节的目标关节角度。
通过对本申请提供的外骨骼机器人的形变补偿方法进行实验、模拟，以验证本申请的方法的可行性和有益效果。
本发明的实验包括数据采集实验和行走实验。在数据采集实验中，神经网络在测试集的效果得到验证，相同动作产生的形变在加补偿器前后得到对比。在行走实验中，两名实验对象穿戴加了形变估计器的自平衡下肢外骨骼机器人，实现了稳定行走。
1)数据采集实验
表1展示的是训练好的Bi-LSTM神经网络在测试集上的预测形变效果，可以看出神经网络能实现较好的预测效果。
表2展示的是数据采集实验中相同动作产生的形变在加补偿器前后的对比情况，补偿前/后的位置平均形变是8.930/2.218mm，位置形变减少了75.2％。补偿前/后的角度平均形变是4.156/0.159度，角度形变减少了96.2％。
表2数据采集实验在加补偿器前后的形变
2)行走实验
一名健康成年男子(体重65kg，身高172cm)被招募参与行走实验。行走实验结果如图5所示，摆动腿的脚掌始终保持与地面平行，说明支撑腿处的形变得到了补偿，自平衡下肢外骨骼实现了动态平衡载人行走。
形变估计器在行走运动中估计的形变量如图6a和图6b所示，可以看出形变量有着明显的周期性。其中Δβ的形变量最大，进一步说明了由于重力作用，形变主要发生在俯仰角。
需要说明的是，零力矩点(Zero Moment Point，ZMP)是评价动态行走稳定性的重要指标，图7a、图7b分别为与图6a、图6b对应的ZMP响应轨迹，其中紫色的轨迹为实际ZMP轨迹绿色的轨迹为期望的ZMP轨迹/>阴影面积为支撑多边形，当ZMP位于多边形内可以视为此时是稳定的。图7a为外骨骼在x轴上的ZMP轨迹，可以看出外骨骼沿着x轴前进了1.56m，与期望轨迹偏离最大的地方是局部放大处，此时偏离位移为0.0564米，距离支撑多边形边缘的最小距离为0.0696米。图7b为外骨骼在y轴上的ZMP轨迹，可以看出外骨骼的步态呈周期性和对称性。红圈是实际轨迹偏离期望轨迹的最大处，此时偏离位移为0.0456米，与支撑多边形边界的最小距离为0.0479米。由此可以得出结论，ZMP实际轨迹始终能够很好地跟踪期望轨迹，且都在支撑多边形内，意味着外骨骼实现了稳定行走。同时，无论是在x轴还是y轴，ZMP轨迹仍有部分地方存在较大振荡，说明误差仍然存在，无法消除，这进一步说明了形变估计器存在的必要性。
综上所述，本申请提出了一种创新的自平衡下肢外骨骼机器人的形变补偿方法，该形变补偿方法通过动作捕捉系统和六维力传感器建立外骨骼的形变数据集和力/力矩数据集，利用神经网络深度学习力/力矩信息与形变的关系。训练好的神经网络作为形变估计器加入到外骨骼的控制系统中，可以根据当前的力/力矩预测质心形变，该预测量与预规划的姿态结合，通过逆运动学解算出新的各关节期望角度，实现对形变的补偿。在数据采集实验和行走实验中，实验结果表明该形变补偿方法能够实现形变补偿量的预测，并大幅减小实际模型与理想刚体模型的误差。
参看图8，本申请实施例还提供了一种外骨骼机器人的形变补偿系统，基于上述实施例所述的外骨骼机器人的形变补偿方法进行形变补偿，包括：依次连接的自平衡下肢外骨骼机器人101、通信系统102和上位机103；其中，自平衡下肢外骨骼机器人101包括数据采集单元、中央控制单元以及任务执行单元，数据采集单元和所述任务执行单元均与中央控制单元连接；其中，数据采集单元为安装在机器人足底的六维力传感器；中央控制单元为控制器；任务执行单元为安装在机器人各关节处的电机。
在一些实施例中，中央控制单元的控制器包括形变估计器和自平衡反馈控制器；形变估计器所使用的网络包括输入层、双向长短期记忆网络(Bi-LSTM)、输出层；其中，输入层为时间序列的力和力矩数据；输出层为预测的质心形变量。
参看图9，本申请另一实施例提供了一种电子设备，包括：至少一个处理器110；以及，与至少一个处理器通信连接的存储器111；其中，存储器111存储有可被至少一个处理器110执行的指令，指令被至少一个处理器110执行，以使至少一个处理器110能够执行上述任一方法实施例。
其中，存储器111和处理器110采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器110和存储器111的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器110处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器110。
处理器110负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器111可以被用于存储处理器110在执行操作时所使用的数据。
本申请另一实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
由以上技术方案，本申请实施例提供一种外骨骼机器人的形变补偿方法、系统、设备及存储介质，该方法包括以下步骤：首先，获取数据集；数据集包括形变数据集和六维力数据集；然后，基于数据集，采用神经网络进行深度学习训练，学习六维力和形变之间的映射关系；接下来，将训练好的神经网络作为形变估计器，根据机器人当前的力和力矩信息预测出对应的质心形变补偿量；然后，将质心形变补偿量和预规划的姿态相结合，得到下一时刻的质心姿态以及各关节的目标关节角度；最后，基于各关节的目标关节角度，对外骨骼机器人进行形变补偿。
本申请针对自平衡下肢外骨骼机器人具有多种误差来源的问题，提出一种外骨骼机器人的形变补偿方法，该形变补偿方法通过动作捕捉系统和六维力传感器建立外骨骼的形变数据集和六维力数据集(力/力矩数据集)，利用神经网络深度学习六维力(力/力矩信息)与形变的关系。训练好的神经网络作为形变估计器加入到外骨骼的控制系统中，可以根据当前的力/力矩预测质心形变，该预测量与预规划的姿态结合，通过逆运动学解算出新的各关节期望角度，实现对形变的补偿。在数据采集实验和行走实验中，实验结果表明该形变补偿方法能够实现形变补偿量的预测，并大幅减小实际模型与理想刚体模型的误差。
本领域的普通技术人员可以理解，上述各实施方式是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各自更动与修改，因此本申请的保护范围应当以权利要求限定的范围为准。
Claims (10)
1.一种外骨骼机器人的形变补偿方法，其特征在于，包括：
获取数据集；所述数据集包括形变数据集和六维力数据集；
基于所述数据集，采用神经网络进行深度学习训练，学习六维力和形变之间的映射关系；
将训练好的神经网络作为形变估计器，根据机器人当前的力和力矩信息预测出对应的质心形变补偿量；
将所述质心形变补偿量和预规划的姿态相结合，得到下一时刻的质心姿态以及各关节的目标关节角度；
基于各关节的目标关节角度，对外骨骼机器人进行形变补偿。
2.根据权利要求1所述的外骨骼机器人的形变补偿方法，其特征在于，所述六维力数据集通过六维力传感器直接采集得到；所述形变数据集通过借助动作捕捉系统采集外骨骼实际姿态，并通过计算所述外骨骼实际姿态与预规划的外骨骼姿态的差值得到；其中，形变的计算公式如公式(1)所示：
其中，是外骨骼实际姿态；/>是预规划的外骨骼姿态。
3.根据权利要求1所述的外骨骼机器人的形变补偿方法，其特征在于，所述获取数据集，包括：
将行走动作拆分成多组用于贴合实际行走场景的分解动作；
分别对每组分解动作进行数据采集；
将采集到的数据以预规划的动作为参照，按照预规划的行走动作轨迹来拼接每组分解动作，得到模拟行走动作的形变数据集和六维力数据集。
4.根据权利要求3所述的外骨骼机器人的形变补偿方法，其特征在于，所述分解动作包括蹲下与起立动作、左脚抬起动作、右脚抬起动作以及髋关节转动动作；其中，所述蹲下与起立动作是用于模拟行走动作的开始与结束；
所述左脚抬起动作、所述右脚抬起动作是用于模拟单足支撑期；
所述髋关节转动动作是用于模拟重心转移过程。
5.根据权利要求1所述的外骨骼机器人的形变补偿方法，其特征在于，所述获取六维力数据集，包括：
在外骨骼机器人双足的足底均安装六维力传感器；
采用所述六维力传感器采集xyz坐标系中三个方向的力和力矩信息，得到六维力数据集。
6.根据权利要求1所述的外骨骼机器人的形变补偿方法，其特征在于，所述神经网络为双向长短期记忆网络；其中，
所述双向长短期记忆网络包括正向长短期记忆网络和反向长短期记忆网络；
基于所述数据集，采用神经网络进行深度学习训练，学习六维力和形变之间的映射关系，包括：
将所述数据集输入至所述双向长短期记忆网络进行深度学习训练，所述双向长短期记忆网络将六维力信息直接映射成与其对应的形变信息。
7.一种外骨骼机器人的形变补偿系统，基于权利要求1至6中任一项所述的外骨骼机器人的形变补偿方法进行形变补偿，其特征在于，包括：依次连接的自平衡下肢外骨骼机器人、通信系统和上位机；其中，
自平衡下肢外骨骼机器人包括数据采集单元、中央控制单元以及任务执行单元，所述数据采集单元和所述任务执行单元均与所述中央控制单元连接；
所述数据采集单元为安装在机器人足底的六维力传感器；所述中央控制单元为控制器；
所述任务执行单元为安装在机器人各关节处的电机。
8.根据权利要求7所述的外骨骼机器人的形变补偿系统，其特征在于，所述中央控制单元的控制器包括形变估计器和自平衡反馈控制器；
所述形变估计器所使用的网络包括输入层、双向长短期记忆网络、输出层；其中，所述输入层为时间序列的力和力矩数据；所述输出层为预测的质心形变量。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一所述的外骨骼机器人的形变补偿方法。
10.一种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权利要求1至6中任一所述的外骨骼机器人的形变补偿方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310991094.2A CN117067201A (zh) | 2023-08-07 | 2023-08-07 | 外骨骼机器人的形变补偿方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310991094.2A CN117067201A (zh) | 2023-08-07 | 2023-08-07 | 外骨骼机器人的形变补偿方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117067201A true CN117067201A (zh) | 2023-11-17 |
Family
ID=88703396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310991094.2A Pending CN117067201A (zh) | 2023-08-07 | 2023-08-07 | 外骨骼机器人的形变补偿方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117067201A (zh) |
-
2023
- 2023-08-07 CN CN202310991094.2A patent/CN117067201A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ezati et al. | A review of simulation methods for human movement dynamics with emphasis on gait | |
| CN112051741B (zh) | 一种双足机器人动态运动生成与控制方法 | |
| Dembia et al. | Opensim moco: Musculoskeletal optimal control | |
| Brahmi et al. | Novel adaptive impedance control for exoskeleton robot for rehabilitation using a nonlinear time-delay disturbance observer | |
| Seth et al. | A neuromusculoskeletal tracking method for estimating individual muscle forces in human movement | |
| Bonnet et al. | Optimal exciting dance for identifying inertial parameters of an anthropomorphic structure | |
| JP4392448B2 (ja) | 直列連鎖システムにおける未知動作を予測するシステムおよびその方法 | |
| CN114248855B (zh) | 双足机器人空间域步态规划与控制的方法 | |
| CN111062247B (zh) | 一种面向外骨骼控制的人体运动意图预测方法 | |
| EP3117967A1 (en) | Transparency control method for robotic devices and a control device therefor | |
| Bonnet et al. | A constrained extended kalman filter for dynamically consistent inverse kinematics and inertial parameters identification | |
| Goddard et al. | Control of the heel-off to toe-off motion of a dynamic biped gait | |
| Bailly et al. | Estimating the center of mass and the angular momentum derivative for legged locomotion—a recursive approach | |
| CN115373269A (zh) | 四足机器人行走与对角步态运动控制方法 | |
| Vatankhah et al. | Intermittent control model for ascending stair biped robot using a stable limit cycle model | |
| Lamas et al. | Comparison of several muscle modeling alternatives for computationally intensive algorithms in human motion dynamics | |
| CN113171271A (zh) | 一种上肢康复机器人的重力补偿方法 | |
| Esmaeili et al. | Using fuzzy neural network sliding mode control for human-exoskeleton interaction forces minimization | |
| CN113119102B (zh) | 基于浮动基飞轮倒立摆的仿人机器人建模方法和装置 | |
| Hwang et al. | Biped Balance Control by Reinforcement Learning. | |
| Sharma et al. | Biomechanical trajectory optimization of human sit-to-stand motion with stochastic motion planning framework | |
| CN117067201A (zh) | 外骨骼机器人的形变补偿方法、系统、设备及存储介质 | |
| Jamisola et al. | An approach to drastically reduce the required legs DOFs for bipedal robots and lower-limb exoskeletons | |
| CN114700948B (zh) | 基于发散运动分量的下肢外骨骼机器人控制系统 | |
| González et al. | Center of mass estimation for rehabilitation in a multi-contact environment: A simulation study |
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 |