JP6260022B2

JP6260022B2 - 制御信号生成装置およびパワーアシスト装置

Info

Publication number: JP6260022B2
Application number: JP2013182268A
Authority: JP
Inventors: 智之野田; 淳一朗古川; 森本　淳; 淳森本
Original assignee: ATR Advanced Telecommunications Research Institute International
Current assignee: ATR Advanced Telecommunications Research Institute International
Priority date: 2013-09-03
Filing date: 2013-09-03
Publication date: 2018-01-17
Anticipated expiration: 2033-09-03
Also published as: JP2015047404A

Description

本発明は、使用者（ユーザ）の生体信号から制御信号を生成するための制御信号生成装置および使用者の行う運動を支援するパワーアシスト装置に関するものである。

日本をはじめ多くの国で少子高齢化社会が問題になる中、ロボティクス技術を応用したアシスト機器への要望が高まっている。一方、バランスや歩行が可能なロボットが開発されてきている。例えば、運動に必要な作用力を空間上の任意の複数接触点に最適に配分し，ヒトと同じように各関節のトルクを発生できるロボットが存在する（特許文献１参照）。

また、近年では、下肢・体幹運動の支援をめざした外骨格型ロボットのようなリハビリテーションを支援するロボットの開発をますます要求することとなってきている。たとえば、外骨格型ロボットは、患者の自立生活を促進するリハビリテーションにおいて、脊髄損傷患者のために使用される（特許文献２を参照）。

このように、運動機能の代償や回復のための生体信号を用いたロボット制御では、患者の負担や、システムの簡便さの観点から、表面筋電図（Surface Electromyogram: ｓＥＭＧ）や、脳波（Electroencephalogram: ＥＥＧ）など、非侵襲的での生体信号の検出を行うものが報告されている（非特許文献１、非特許文献２、非特許文献３、非特許文献４を参照）。

非侵襲的に生体信号の検出を行うシステムにおいては、複数の電極を用いた計測をおこなうことが多い。しかし、非侵襲的な計測方法は信号のＳ／Ｎ比が小さいため、ノイズや電極のインピーダンス変化の影響を受けやすい。

そこで、従来は、電極数を増加させ、冗長な情報から統計的・機械学習的な手法により、有用な情報を取り出す試みが行われている。ＥＥＧを用いたものでは、脳活動情報を多チャネルのフュージョンモデルにより抽出する手法や（非特許文献５参照）、ヒトの動作意図判別のための多数の筋活動情報を取得するメッシュ型ｓＥＭＧ(非特許文献６参照)などが提案されている。インピーダンス変化の具体例としては、ｓＥＭＧではタスクによる筋疲労、発汗、貼っているセンサの位置のズレや筋活動のわずかな違いによって得られる信号が変化する問題が指摘されている(非特許文献７参照)。Panagoitisらは時間的変化を考慮した特徴量を抽出しフィードバックすることを提案している(非特許文献８参照)。

ＷＯ２００７／１３９１３５号公報特開２０１２−０４５１９４号公報

T. Kagawa and Y. Uno. Gait pattern generation for a power-assist device of paraplegic gait. The 18 th IEEE International Symposium on Robot and Human Interactive Communication, pp. 633-638, 2009. Tomoyuki Noda, Norikazu Sugimoto, Junichiro Furukawa, Masa aki Sato, Sang-Ho Hyon, and Jun Morimoto. Brain-controlled exoskeleton robot for bmirehabilitaion. IEEE/RAS International Conference on Humanoid Robotics (Humanoids2012), Osaka, pp.21-27, 2012. Tomoyuki Noda, Jun ichiro Furukawa, Tatsuya Teramae, and Jun Morimoto. An electromyogram based force control coordinated in assistive interaction. IEEE International Conference on Robotics and Automation(ICRA2013), Karlsruhe, Germany, p. WeC6.4, May 2013. Tomohiro Hayashi, Hiroaki Kawamoto, and Yoshiyuki Sankai. Control method of robot suit hal working as operator's muscle using biological anddynamical information. IEEE/RSJ International Conference on Inteligent Robots and Systems, pp. 3063-3068, 2005. Lalit Gupta, Beomsu Chung, Mandyam D Srinath, Dennis L Molfese, and Hyunseok Kook. Multichannel fusion models for the parametric classifcation of differential brain activity. IEEE TRANSACTION ON BIOMEDICAL ENGINEERING, Vol. 52, No. 11, pp. 1869-1880, 2005. Kentaro Nagata and Kazushige Magatani. Basic study on combined motion estimation using multi-channel surface emg signals. 33rd Annual International Conference of the IEEE EMBS Boston, Massachusetts USA, August 30 - September 3, pp. 7865-7868, 2011. N.A. Dimitrova and G.V.Dimitrov. Interpretation of emg changes with fatigue: facts, pitfalls, and fallacies. Journal of Electromyography and Kinesiology, Vol. 13, pp. 13-16, 2003. Panagiotis K artemiads and Kostas J Kyriakopoulos. An emg-based robot control scheme robust to time-varying emg signal features. IEEE TRANSACTION ON INFORMATION TECHNOLOGY IN BIOMEDICAL, Vol. 14, No. 3, pp. 582-588, 2010.

しかしながら、このような非侵襲的に生体信号の検出を行うシステムの実際の運用時には、センサの故障や断線などの障害に対する頑健性（ロバスト性）が要求される。

例えば、電極やアンプの故障、コネクタが外れる・断線するなど、体表面に配置した電極・配線は常に物理的な接触にさらされており、多数を用いたセンサの一部の信号が欠損するリスクがある。しかし、従来は、センサの故障や断線の問題が生じた場合に、適切に目的とする推定量を筋電からリアルタイムに導きだすことを想定していない。

本発明は、上記のような問題点を解決するためになされたものであって、その目的は、非侵襲的に生体信号の検出を行う場合にも、センサからの信号取得の不安定性に対して頑健な制御が可能な制御信号生成装置およびそれを用いたパワーアシスト装置を提供することである。

この発明の１つの局面に従うと、対象者の生体信号から意図された使用者の筋骨格系運動を推定し、外部装置を駆動するための制御信号を生成する制御信号生成装置であって、対象者の体表面の複数の部位ごとに複数個ずつ配置され、生体信号を時系列として計測するためのセンサと、部位ごとの複数のセンサからの生体信号を受けて、意図された筋骨格系運動を推定する推定手段とを備え、推定手段は、部位ごとの複数のセンサからの測定チャネルのうち、異常の発生した不良測定チャネルを、複数の測定チャネルの所定の時間間隔内の信号間の相関に基づいて検知する検知手段と、所定数の測定チャネルが不良となる組合せごとに予め準備された推定モデルのうちから、検知された不良測定チャネルを除いて準備された推定モデルを選択的に用いて、筋骨格系運動を推定する推定処理手段とを含み、推定された筋骨格系運動に基づき、外部装置を駆動するための制御信号を算出する制御信号算出手段をさらに備える。

好ましくは、センサは、対象者の推定対象となる関節に対応して配置されており、推定手段は、部位ごとの複数のセンサからの信号を受けて、対応する関節に発生する関節駆動トルクを推定し、推定処理手段は、所定数の測定チャネルが不良となる組合せごとに予め準備された関節トルクの推定モデルのうちから、検知された不良測定チャネルを除いて準備された推定モデルを選択的に用いて、関節駆動トルクを推定する。

好ましくは、検知手段は、各測定チャネルの不良の態様ごとに、事前に機械学習により準備された態様が発生したかを判別する複数の判別器を含む。

好ましくは、各判別器は、複数の測定チャネルからの信号について所定の時間間隔にわたってフィルタ処理された組に対する共分散行列の非対角の独立な成分を特徴ベクトルとするとき、特徴ベクトルにより、不良の有無を判別するようにロジスティック回帰分析により学習された識別器である。

好ましくは、検知手段は、複数の測定チャネルに対する所定の時間間隔の異なる時点についてのグラフィカル・ガウシャン・モデルにより、各測定チャネルの不良を検出する。
好ましくは、検知手段は、グラフィカル・ガウシャン・モデルにおいて、スパースな構造学習により、有意な相関がある変数ノード間に辺があるようなグラフを求める。

好ましくは、グラフィカル・ガウシャン・モデルにおいては、正常時に対応するグラフに対する現時点のグラフの距離のみに基づいて、不良の有無を判別する。

この発明の他の局面に従うと、対象となる人間の筋骨格系運動のアシストを行うためのパワーアシスト装置であって、アシスト対象となる関節ごとに設けられ、関節の運動をアシストする力を発生するためのアクチュエータと、アシスト対象となる関節に対応して対象者の体表面の複数の部位ごとに複数個ずつ配置され、表面筋電位を時系列として計測するための電極と、部位ごとの複数の電極からの信号を受けて、対応する関節に発生する関節駆動トルクを推定するトルク推定手段とを備え、トルク推定手段は、部位ごとの複数の電極からの測定チャネルのうち、異常の発生した不良測定チャネルを、複数の測定チャネルの所定の時間間隔内の信号間の相関に基づいて検知する検知手段と、所定数の測定チャネルが不良となる組合せごとに予め準備された関節トルクの推定モデルのうちから、検知された不良測定チャネルを除いて準備された推定モデルを選択的に用いて、関節駆動トルクを推定する推定処理手段とを含み、推定された関節駆動トルクに基づき、アクチュエータにより発生すべき目標トルクを算出する目標トルク算出手段と、目標トルクに基づいて、アクチュエータを駆動する駆動手段とを備える。

好ましくは、パワーアシスト装置は、外骨格型ロボットである。

本発明の制御信号生成装置およびパワーアシスト装置によれば、センサからの信号取得の不安定性に対して頑健な制御で、制御信号を生成し、あるいは、アシスト力を生成することが可能である。

本実施の形態における外骨格型ロボット１の構成事例を示す図である。外骨格型ロボット１の自由度の構成を示す図である。外骨格型ロボット１のブロック図の例である。検出機構１２４のうち、筋電位を検出する機構を説明するための概念図である。本実施の形態におけるパワーアシスト制御において、筋肉によりアシスト対象となる関節に与えられているトルクを推定する処理の概念を示す図である。本実施の形態において、筋電位から関節駆動トルクを推定して、能動関節のアクチュエータを制御するための制御ブロックを示す図である。外骨格型ロボットの構成において、１自由度分の動作を行う空電ハイブリッドアクチュエータの部分を抜き出した外観を示す図である。１自由度分の動作を行う空電ハイブリッドアクチュエータのシステムを制御する構成を説明するための機能ブロック図である。各アクチュエータが、関節を動かす態様を説明するための概念図である。本実施の形態の関節駆動トルクの推定処理の有用性を検証する実験の構成を説明するための概念図である。ｓＥＭＧ信号の時間変化とロジスティック回帰によるセンサチャネルの状態判別結果を示す図である。トルク推定処理の途中で、エラーチャネルが発生した状況を示す図である。電極素子（センサー）の断線や、電極素子の体表面への接触不良の場合の異常スコアを示す図である。電極素子（センサー）のコネクタのチャネル位置の挿入ミスの場合や、汗などによる電極間のショートが発生した場合の異常スコアを示す図である。チャネルが断線した場合の異常スコアの時間変化を示す図である。

以下、本発明の実施の形態の外骨格型ロボットの構成について、図に従って説明する。なお、以下の実施の形態において、同じ符号を付した構成要素および処理工程は、同一または相当するものであり、必要でない場合は、その説明は繰り返さない。

また、外骨格型ロボットの関節を駆動するためのアクチュエータとしては、一例として、以下に説明する「空電ハイブリッド式のアクチュエータ」を例として説明する。

そこで、以下、本実施の形態において、歩行・姿勢リハビリテーションのための空電ハイブリッド式のアクチュエータによる外骨格型ロボットについて説明する。

ただし、本発明の空電ハイブリッド式外骨格型ロボットは、下肢の運動をアシストするための外骨格型ロボットに対してだけでなく、上肢の運動をアシストする外骨格型ロボットとしても使用することが可能である。

また、以下の説明では、下肢の対としての運動をアシストする外骨格型ロボットについて説明するが、下肢のうちのいずれか一方、または、上肢のうちのいずれか一方の運動をアシストする外骨格型ロボットとして使用することも可能である。

さらに、本発明の空電ハイブリッド式外骨格型ロボットは、対象となる人間の筋骨格系の運動をアシストするのであれば、上述したような「下肢のうちの少なくともいずれか一方、または、上肢のうちの少なくともいずれか一方の運動」に限定されるものではなく、たとえば、対象となる人間の腰の運動のみをアシストするものであってもよいし、歩行または走行時において下肢の運動と連動して腰の運動をアシストするものであってもよい。本明細書では、このような対象となる人間の運動のアシストを総称して、「対象となる人間の筋骨格系運動の支援（アシスト）」と呼ぶことにする。

本実施の形態の外骨格型ロボットは、外骨格を有する。「外骨格」とは、人間の骨格構造に対応してロボットが有する骨格構造のことである。より特定的には、「外骨格」とは、外骨格型ロボットを装着する人間の体の一部を、外部から支えるフレーム（枠組み）構造のことをいう。

このフレーム構造には、さらに、フレーム構造の各部を人間の骨格構造に基づく運動に応じて動かすための関節が設けられる。

特に、下肢の運動をアシストする外骨格型ロボットは、ベースと下半身とを有し、足首、膝、腰の左右の位置に、能動６自由度の関節を有するロボットである。また、当該６つの関節は、空電ハイブリッド駆動の関節である。以下、このように、外骨格型ロボットにおいて、ユーザの関節に対してサポート力を与えるためにアクチュエータにより駆動される関節のことを「能動関節」と呼ぶ。
[実施の形態１]
図１は、本実施の形態における外骨格型ロボット１の構成事例を示す図である。本外骨格型ロボット１は、１０自由度である。

なお、このような外骨格型ロボットの構成事例については、類似の構成が、上述した特許文献２にも開示されている。

図１において、図１（ａ）は、外骨格型ロボットの外観を示す図であり、図１（ｂ）は、図１（ａ）の外観において、外骨格型ロボット１の主要部を抽出して示す斜視図である。

図１（ｂ）において、外骨格型ロボット１は、両脚に対応したフレーム構造、バックパック１０１、柔軟シート１０２、ＨＡＡ拮抗筋１０３、ＨＦＥ伸筋１０４、ＨＦＥモータ１１１、ＫＦＥ伸筋１０５、ＫＦＥモータ１０６、ＡＦＥ伸筋・ＡＡＡ拮抗筋１０７、ＡＦＥ屈筋１０８、ユニバーサルジョイント１０９、フレーム構造に設けられたプーリー付回転関節１１０を備える。

なお、図１（ｂ）では、バックパック１０１が運動を支援する構造に直接とりつけられているが、図１（ａ）に示すように、バックパック１０１は、この構造から取り外されていてもよい。

また、ユニバーサルジョイント１０９には、たとえば、光学式エンコーダを回転軸に取り付け、関節角度を計測する。プーリー付回転関節１１０も同様に光学式エンコーダを取り付ける。光学式エンコーダは、軸に取り付けるのではなく、軸に巻かれたベルトの移動方向と移動量を読み取る構成としてもよい。なお、ハイブリッド関節であるＨＦＥおよびＫＦＥ関節においては、モータ付属のエンコーダを用いて関節角度を計測してもよい。

また、図２は、外骨格型ロボット１の自由度の構成を示す図である。

図２において、各関節において、「Ｒ＿」との表示は、右側の関節であることを示し、「Ｌ＿」との表示は、左側の関節であることを示す。

図１および図２を参照して、全１０自由度のうち、ＨＦＥ関節とＫＦＥ関節はハイブリッド駆動としている。また、図２において、全１０自由度のうち、左右のＡＦＥ関節は伸筋と屈筋による拮抗駆動を採用している。ハイブリッド駆動および拮抗駆動以外の関節は、パッシブな駆動である。ただし、より多くの関節、たとえば、全ての関節をハイブリッド駆動としてもよい。

図１において、両脚が接続する胴体部には姿勢センサを搭載してベース部の姿勢を検出している。また、全ての関節にワイヤ式エンコーダ（またはモータ付属のエンコーダ）を取り付け、関節角度を計測できるようにしている。関節角度ならびに後に説明するように下肢の筋電位を検出することで、各関節に発生させる目標トルクが算出できる。

また、足底部には、床反力センサを搭載し、接触を想定する足底部が実際に接触しているかどうかを判定したり、ヤコビ行列に含まれるモデル誤差を修正するために補助的に使用する構成としてもよい。

また、バックパック１０１内には制御器の他、エアマッスルのバルブおよび電動モータのドライバを内蔵している。

また、バックパック１０１内に、バッテリーと圧搾した空気ボンベ（またはＣＯ_２ガスボンベでもよい）、レギュレータを搭載し、電源ラインとエア供給が断絶した場合に備え、短時間の自律駆動を可能にする構成であってもよい。

また、図３は、外骨格型ロボット１のブロック図の例である。

外骨格型ロボット１を制御するためのコマンドが、外部制御装置２０から、通信経路を介して外骨格型ロボットに与えられる。特に限定されないが、外部制御装置２０は、汎用のパーソナルコンピュータを用いることが可能であり、通信経路としては、イーサネット（登録商標）ケーブルを用いることができる。もちろん、通信経路としては、その他の規格の有線通信の経路の他、無線による通信経路、たとえば、無線ＬＡＮ（Local Area Network）や他の通信規格の無線などを使用してもよい。

外部制御装置２０は、ユーザからの指示入力を受ける入力部２０８と、コマンドを生成するためのプログラムや、様々な制御パラメータなど制御のために必要とされるデータが記録された不揮発性の記憶装置２０６と、外部制御装置２０を起動するためのファームウェアが記憶されたＲＯＭ（Read Only Memory）や、ワーキングメモリとして動作するＲＡＭ（Random Access Memory）などを含むメモリ２０４と、プログラムに応じて、コマンドを生成する処理を実行する演算装置２１０と、コマンドを通信経路を介して、外骨格型ロボットに送信するためのインタフェース（Ｉ／Ｆ）部２０２と、演算装置２１０の制御の下で、外骨格型ロボット１への制御の状態に関する情報などを表示するための表示装置２１２とを備える。

上述のとおり、外部制御装置２０が、汎用のパーソナルコンピュータである場合は、演算装置２１０は、ＣＰＵ（Central Processing Unit）で構成され、不揮発性の記憶装置２０６としては、ハードディスクドライブやソリッドステートドライブなどを用いることができる。ただし、外部制御装置２０の機能ブロックの一部または全部は、専用のハードウェアにより構成されてもよい。

また、外部制御装置２０は、たとえば、外骨格型ロボットが装着される使用者について、筋電位から関節トルクを推定するための推定モデルをキャリブレーション時に構成する処理を行う。構成された推定モデルにつての情報は、たとえば、記憶装置１３２などの記憶装置に記憶される。

外骨格型ロボット１は、外骨格部１２、内部制御装置１０を備える。

外骨格部１２は、ベース１２１、下半身１２２、能動関節１２３、検出機構１２４を備える。さらに、能動関節１２３は、エアマッスル１２３１（図示せず）、電動モータ１２３２（図示せず）を備える。

また、内部制御装置１０は、Ｉ／Ｆ部１１、記録装置１３１、記憶装置１３２、計測装置１３３、制御部１３４、出力装置１３５を備える。

Ｉ／Ｆ部１１は、外部制御蔵置２０から指令されたトルクまたは位置指令等を受け付けることができる。

なお、ベース１２１は、腰の位置の骨格、腰の位置の能動関節１２３を含むと考えても良いし、腰の位置の骨格のみであると考えても良い。

下半身１２２は、腿や足の位置の骨格、腿や足の位置の能動関節１２３を含むと考えても良いし、腿や足の位置の骨格のみであると考えても良い。

能動関節１２３は、左右の足首、左右の膝、および腰の左右の各位置に配置されている能動の関節である。ここで、能動関節１２３とは、アクチュエータで能動的に動作することのできる関節である。つまり、能動関節１２３は、アクチュエータを備える。

また、ここでの１以上の能動関節１２３は、ハイブリッド型である。つまり、能動関節１２３の少なくとも一部のものは、エアマッスル１２３１、電動モータ１２３２を備えるハイブリッド型である。なお、アクチュエータは、制御目標値となるトルク値を駆動信号として受け付け、受け付けたトルク値に基づいて制御する機能を有している。

アクチュエータとして、サーボモータを使用する場合、アクチュエータは、例えば、電流制御が可能な駆動回路を有し、電流に比例したトルクを発生させるサーボモータは、制御目標値として入力されたトルク値に、ギヤ比により決定されるトルク定数を乗じて駆動回路に指令することで入力されたトルクを発生させるトルク制御を実現する。特に、能動関節１２３にトルクセンサを配設し、当該トルクセンサにより検出した値を駆動回路にフィードバックすることにより、高精度のトルク制御が可能となる。

検出機構１２４は、ロボットの状態を検出する。検出機構１２４は、例えば、各関節に配置されたエンコーダ、足平に配置された床反力センサ、骨盤部に配置された姿勢検出のためのジャイロセンサ、各エアマッスルの駆動力を検知するロードセルなどである。検出機構１２４は、関節の角度を検出する角度センサや、ロボットの姿勢を取得する姿勢センサ、外力センサなどでも良い。

また、検出機構１２４は、使用者のアシスト対象となる関節を運動させる筋肉の部位、たとえば脚部に装着された筋電センサにより使用者の筋電位を検出する。

内部制御装置１０は、能動関節１２３を動作させる。内部制御装置１０は、Ｉ／Ｆ部１１が受け付けた目標トルクまたは位置指令等に対応して、能動関節１２３を動作させる。

計測装置１３３は、センサ等の検出機構１２４から検出結果を示す様々な信号（データ）を受け付ける。

制御部１３４は、制御目標値の算出等の様々な演算を行う。制御部１３４が行う演算は後に説明する。

出力装置１３５は、能動関節１２３に制御信号を出力する。出力装置１３５は、例えば、目標とするエアマッスルの圧力値やモータの制御値を能動関節１２３に出力する。より詳しくは、このような制御値は、モータドライバや圧力制御バルブなどに出力され、物理的なエネルギー（圧縮空気や電流）がモータやエアマッスルに供給される。

（筋電位フィードバックによる能動関節の制御：１自由度系）
以上の説明では、下肢の運動をアシストする外骨格型ロボットの構成について説明した。以下では、外骨格型ロボットの装着者の運動へのパワーアシスト動作を説明するにあたり、説明の簡単のために、１自由度の系（１つの関節の１方向への運動）を例にとって説明する。ただし、このような１自由度の系への制御を、上述した下肢の外骨格型ロボットの各関節に適用することが可能である。また、上述したように、より一般的な外骨格型ロボットに適用することも可能である。

そこで、以下では、上肢の運動をアシストすることを想定した１自由度の系として、本実施の形態の動作原理について説明する。

図４は、検出機構１２４のうち、筋電位を検出する機構を説明するための概念図である。

検出機構１２４は、上述したとおり、外骨格型ロボット側で、関節角度などロボットの状態を検出するセンサからの信号を受け取り制御部１３４へ出力する状態検出部１２４２と、装着者側の筋電位を検出する筋電位検出部１２４４とを含む。

図４においては、上腕の表面電位を検出するために、たとえば、上腕の腱の部分にグランド電極ＥＬＧが配置され、上腕二頭筋には、たとえば、電極ＥＬ１〜ＥＬ４が配置されている。上腕三頭筋には、たとえば、電極素子ＥＬ５〜ＥＬ６が配置されている。

なお、電極の個数、配置などは、あくまでも例示であり、筋電位を計測する部位に応じて、適宜変更できる。また、以下では、「筋電位を計測する部位」とは、パワーアシストを行う対象となる関節に対して、アシスト力を発生させる目的となる運動を生じさせる筋肉の部位のことをいうものとする。

また、図示省略するが、電極素子ＥＬ５〜ＥＬ６の各々には、取得した表面電位を増幅するためのプリアンプや、フィルタ処理を行うためのアナログフィルタなどが設けられていてもよい。

筋電位検出部１２４４は、電極素子ＥＬ１〜ＥＬ６からの信号をさらに増幅するアンプ１２５０と、アンプ１２５２からの信号をアナログデジタル変換するＡ／Ｄ変換器１２５４とを含む。

したがって、以下、筋電位を測定する「測定チャネル」とは、対象となる筋の電位を測定するための、体表面から１つの電極を経由したアナログ信号が個別にデジタル信号化される経路のことをいうものとする。したがって、「エラーチャネル」とは、何らかの物理的な故障等により欠損もしくは不良な信号が混入したセンサに対する測定チャネルのことをいい、以下のような状態のチャネルも含む。

ｉ）電極素子と体表面との接触不良の状態。たとえば、電極素子が体表面から浮いていたり、密着性を高めるために電極表面に塗布されるジェルの不均一なども含む。

ｉｉ）また、電極素子ＥＬ５〜ＥＬ６からアンプ１２５０に至る経路における断線や接続コネクタの接続不良や抜けの状態。

ｉｉｉ）本来結合されるべきアンプ１２５０の入力端子とは、異なる入力端子に接続コネクタが誤接続された状態。

ｉｖ）体表面の汗やジェルにより、電極素子において生じる通電状態（たとえば、電極素子に２つの電極がある場合、この電極間での通電状態など）。

図５は、本実施の形態におけるパワーアシスト制御において、筋肉によりアシスト対象となる関節に与えられているトルクを推定する処理の概念を示す図である。

図５に示すように、本実施の形態では、複数のセンサを用いた場合にセンサや配線の不良があっても適切に目的とする推定量を生体信号から導き出す。

ここでは、筋電から関節トルクを推定するにあたり、不良測定チャネルの異なる複数の組み合わせに対して、頑健な推定を実現する。

より具体的には、以下のとおりである。

１）所定数（たとえば、１個）のセンサ（測定チャネル）が不良となる組合せごとに、予め関節トルクの推定モデルを、機械学習により複数用意しておく。このようにして、予め準備されるモデル１〜モデルｎのそれぞれにより、推定されるトルクは、推定トルクτ⁽¹⁾（ハット）〜τ⁽ⁿ⁾ （ハット）である。（以下の文字の頭に“＾”が付された文字については、文字の後に（ハット）をつけて表す。“＾”は、推定値であることを意味する。）
２）次に、不良センサを複数の筋電信号の相関から検出し、最終的な推定値τ（ハット）に対する各推定値の寄与率を検出された不良センサに応じて変化させる。すなわち、検出された不良センサからの信号に基づかないモデルの寄与度を大きくする。より具体的には、たとえば、推定モデルを、検出された不良チャネルを含まない推定モデルに適宜切り替えることにより、頑健なトルク推定を達成する。
（表面筋電図（ｓＥＭＧ）からのロバストな関節トルク推定）
以下では、本実施の形態の筋電位−トルク推定の変換処理について説明する。

本実施の形態では、複数の電極から筋電を取得した上で、筋電位−トルク推定の変換において、モデルをあらかじめ複数構築し、故障がおこった場合にはセンサを含まない推定モデルを用いる。

これにより、エラーチャネルを含んだモデルから、正常なセンサ信号のみで構成されたモデルにリアルタイムで切り替え、破綻なく関節トルク推定を実現する。

以下では一例として、システムのセンサのうち１つのチャネルに起こる故障に対応する仕組みを考える。これは、ネットワークやデータベースの分野でも単一の故障でシステム全体が機能しないことを改善すること（SPOF: Single Point of Failure）が重要であり、一つの頑健性の指標となっていることに対応するものである。もっとも、本実施の形態の筋電位−トルク推定の変換処理においては、予め２つまでのエラーチャネルが発生することを想定しておき、エラーチャネルを含んだモデルから、正常なセンサ信号で構成されたモデルに切り替える構成としてもよい。想定するエラーチャネルの最大個数は、これより多い場合に拡張することも可能である。

ただし、以下では簡単のために、ｓＥＭＧの計測システムにおいて起こる故障・不具合は、センサ信号の経路上のいずれか１チャネルのみであるとする。

図６は、本実施の形態において、筋電位から関節駆動トルクを推定して、能動関節のアクチュエータ（ここでは、一例として、空電ハイブリッド式アクチュエータ）を制御するための制御ブロックを示す図である。

このような制御ブロックは、たとえば、制御部１３４の機能として達成される。あるいは、制御部１３４と演算装置２１０との協働により、このような機能が達成されてもよい。

図６を参照して、関節トルク変換部２１００では、アシスト対象（この例では、使用者の上肢）２１４０から測定された筋電位（ｓＥＭＧ）信号は、以下に説明するような手続きにより、予め設定されたモデルにより、関節トルクを計算する。

より具体的には、関節トルク変換部２１００は、Ａ／Ｄ変換器１２５４からのｓＥＭＧ信号に対して所定のデジタルフィルタリング処理を行うＥＭＧ信号フィルタ部２１０２と、フィルタリングにより得られる出力ｕ（ｔ）から、関節駆動トルクτ_emgを推定する関節トルク算出部２１０６とを含む。

さらに、目標トルク算出部２１１０は、推定されたτ_emgからアクチュエータの生成するべき目標トルクτ_ｒ ^＊を算出する。

目標トルク算出部２１１０は、逆動力学作用モデル算出部２１１２を含んでおり、逆動力学作用モデル算出部２１１２は、後に説明するように、目標トルクτ_ｒ ^＊からのフィードバック２１１４により、目標トルクτ_ｒ ^＊を算出する。

腱スプリングモデル算出部２１２０は、エアマッスルに供給する圧力ｐ^＊およびモータへの制御値を算出する。制御対象２１３０は、後に説明するような能動関節に設けられた空電ハイブリッド式アクチュエータである。

関節トルク算出部２１０６は、この場合のヒトの関節駆動トルクを、式（１）のように複数の筋電−トルク変換モデルを用いて推定する。

ここで、ノーテーションについては、以下のとおりである。

つまり、式（１）の意味するところは、エラーチャネルi が検出された場合は、そのチャネルが含まれないモデルを用いた推定トルク値に切り替える、ということである。
（エラーチャネル判別）
以下では、関節トルク算出部２１０６の行うエラーチャネルの検出処理について説明する。

本実施の形態では、ｓＥＭＧに対するエラーチャネルの検出手法として、信号の相関に注目する。

すなわち、近傍チャネルの相関を利用し、ロジスティック回帰によりエラーチャネルと正常なチャネルの状態を教師有り学習の識別器で判別する。ｓＥＭＧの信号が正常な場合をｙ＝１（クラスＳ１）、故障が含まれる場合をｙ＝０（クラスＳ２）と定義する。ｓＥＭＧの区間入力に対して正常な場合はＳ１に、不良な場合にはＳ２に分類する識別器を予め機械学習により設定しておく。

以下の具体例では、たとえば、特徴量は、整流したｓＥＭＧのローパスフィルタ（カットオフ１８Ｈｚ、ウィンドウ幅１．０ｓ）からの信号に基づいて抽出されるものとし、ロジスティック２値判別（ロジスティック回帰分析）により上記の識別器を構成する。

２つのクラスＳ１とＳ２に分類する線形識別関数は、式（２）のように特徴量に重みづけした総和で表される。

ｆ（Ｘ；θ）＝０は２つのクラスの境界を決める関数である。

「Ｄ次元の特徴ベクトル」とは、この場合、測定チャネルからの信号についての相関行列の非対角な独立な成分であり、たとえば、チャネル数が６の場合は，Ｄ＝（６×６−６）／２＝１５個の要素からなる。

ここで、クラスのいずれか片方に属する確率をＰと表せば、ロジスティック回帰では次の式（３）が正確に成り立つような重みを求める。

この式（３）をＰについて解けば、次の式（４）のようになる。

Ｐは０から１の値をとり、ｆ（Ｘ；θ）＝０の場合にＰ＝０．５となる。ここで２値の変数（ラベル）ｙ（ｙ＝１の時Ｓ₁、ｙ＝０の時Ｓ₂を表す）を導入し、Ｎ個の入力-出力データサンプル（Ｘ₁，ｙ₁）,…, （Ｘ_N，ｙ_N）を考えると、尤度関数は次の式（５）のように表現される。

ここで、Ｎ個の入力-出力データサンプル（Ｘ₁，ｙ₁）,…, （Ｘ_N，ｙ_N）とは、たとえば、以下のようなものを想定する。エラーチャネル１個の場合を想定すると、「入力特徴量ベクトル」Ｘi＝（ｘi1，…，ｘiD）とは、チャネル数が６の場合、たとえば、ある時間間隔（ｔi〜ｔi＋Δｔ）における電極ＥＬ１〜ＥＬ６の信号に対して整流し、フィルタ処理をかけたものについて、測定チャネルからの信号についての相関行列の非対角な独立な成分である。そして、このような「入力特徴量ベクトル」を、Ｎ個のうち、特定チャネルｊがエラーチャネルである場合をＮ／ｍ個と、正常である場合をＮ（ｍ−１）／ｍ個とを準備し、これを学習用のサンプルとする。

ロジスティック回帰ではこの尤度関数が最大となるパラメータベクトルθを計算する。以上の方法により、以下のような分類を行う：

このように分類することでセンサチャネルの状態を判別し、式（１）によりトルク推定を行う。

すなわち、各チャネルエラーの態様ごとに、そのような態様が発生したかを判別する判別器が、事前に、機械学習により準備される。たとえば、１チャネルエラーまでを想定するのであれば、ｑ個のチャネルがある場合、ｑ個の判別器が準備されることになる。

なお、１チャネルエラーまでを想定している場合は、同時に、２チャンネルからの異常が検出された場合は、２つのうち、より異常である尤度の高い方のチャネルに異常が発生しているものとして判別する構成としてもよい。

また、２チャネルエラーまでを想定するのであれば、エラーチャネルが１チャネルの場合と２チャネルの場合のそれぞれの場合の合計として｛ｑ＋ｑ（ｑ−１）／２｝個の判別器が事前に準備される。想定されるエラーチャネルの個数がこれより増加した場合も同様である。

また、上記の例では、特徴量は、整流したｓＥＭＧのローパスフィルタからの信号に基づいて抽出されるものとして説明したが、特徴量は、センサからの生データを用いる構成としてもよい。
（ｓＥＭＧからの関節トルク推定）
この例では肘まわりのｓＥＭＧから肘の関節駆動トルクを推定する。

ｓＥＭＧから駆動トルクを推定するためにヒトの腕の力学系をロボットモデルに近似し、取得した関節角度データから式（６）の逆動力学計算により関節の駆動トルクを計算する。このような関節の駆動トルクの計算は、逆動力学相互作用モデル算出部２１１２により実行される。

次に、関節トルク算出部２１０６が、ｓＥＭＧ信号から関節駆動トルクτ_emgを推定する処理について説明する。

本実施の形態では、ｓＥＭＧ信号に、２次のローパスフィルターをかけたものが筋張力をよく表しており、筋収縮速度-筋張力、筋長-筋張力の非線形性の影響が少ないゆっくりとした関節の可動範囲の狭い動作を実験タスクとしていることから、ローパスフィルターをかけたｓＥＭＧ信号の値からトルクを次のように線形モデルで推定する。

ここで、以下の関係があり、Ｍはチャネル数である。

また、測定されるｓＥＭＧ信号から得られるフィルタリング後の各チャネルの信号ｕ^mは、以下の式で表される。

たとえば、ｓＥＭＧ信号は２５０ＭＨｚで計測し、整流化した後、カットオフ６．０Ｈｚの２次型バターワースフィルターをかける。さらに０．０４sec区間の移動積分値を計算する。

なお、ｅｍｇ_k は時刻ｋにおけるｓＥＭＧ信号の値である。

式（７）のパラメータｗを、式（６）によって求まるτと、式（７）におけるτ_all （ハット）またはτ_-i（ハット）の二乗誤差を最小にするように求める。

このようにして得られた推定値（この例では、τ_all （ハット）またはτ_-i（ハット））が関節駆動トルクτ_emgとして、逆動力学相互作用モデル算出部２１１２に出力される。

なお、ｓＥＭＧ信号からトルクを推定するためには、上述したような線形モデルに限定されるわけではなく、たとえば、以下の文献に開示されるＨｉｌｌモデルの筋張力を使用してもよい。

公知文献１：A. Hill， “The heat of shortening and the dynamic constants of muscle，” Proceedings of the Royal Society of London. Series B, Biological Sciences, vol. 126, no. 843, pp. 136-195, 1938.
公知文献２：S. Stroeve， “Learning combined feedback and feedforward control of a musculoskeletal system，” Biological Cybernetics, vol. 75, no. 1, pp. 73-83, 1996.
あるいは、ｓＥＭＧ信号と力の非線形性をネイピア数の指数関数で表したものを使用してもよい。

公知文献３：David G Lloyd and Thor F Besier. An emg-driven musculoskeletal model to estimate muscle forces and knee joint moments in vivo. Journal of Biomechenics, Vol. 36, pp. 765{776, 2003.
ただし、上述したような式（７）の線形モデルであれば、それぞれ筋張力に変換するためのパラメーターを各筋肉ごとに同定する必要がなく、解析が容易であるという利点がある。
［１軸アシスト装置についての実験］
（空電ハイブリッド式アクチュエータ用のトルク制御器）
以下では、空電ハイブリッド式アクチュエータ用のトルク制御器による力制御可能な１軸アシスト装置について説明する。エアマッスルＰＡＭは非常に大きな力を発生するため、高強力・高弾性の化繊ワイヤであっても伸びがモデルの誤差の原因となる。「腱スプリングモデル」を仮定した力制御と小型のモーターが発生するトルクにより、緻密な関節トルク制御が可能である。

このような空電ハイブリッド式アクチュエータおよび空電ハイブリッド式アクチュエータ用のトルク制御器については、上述した非特許文献２に開示があるので、概略について説明する。

以下に説明するように、このようなトルク制御器（腱スプリングモデル算出部２１２０の実行する機能）は、制御部１３４に対して、機械学習を実行させることにより、実行させる構成とすることが可能である。

空圧式エアマッスルは軽量であるもの、圧縮空気（または圧縮気体）のエネルギーをゴムチューブにより収縮力に変換することにより大きな力を生み出すことができる。

エアマッスルが、力を発生させる原理は、空圧式の空気袋が埋め込まれたらせん状のファイバーが、圧縮空気が送り込まれて空気袋が膨張すると、長手方向（縦方向）に収縮するというものである。

より詳しく説明すると、両端部に栓をしたゴムチューブに対して、動径方向を拘束するよう、表面にらせん状にまかれたファイバーを被せた構造になっている。このゴムチューブの中に空気を送り込むと、空気の圧力でゴムチューブが膨張する。しかし、動径方向はファイバーによって拘束されているため膨張できず、径方向の膨張に引っ張られて縦方向に収縮する。膨らみながら収縮する様が動物の筋肉に似ているところが人工筋肉と呼ばれる。

アクチュエータ自体が軽く、柔らかい。さらに、ゴムチューブの内面全体がアクチュエータの収縮に寄与するため、断面積のみで圧力を受ける構造になっている一般的なエアシリンダー等よりも、パワー・ウェイト・レシオを大きく取りやすい。反面、上述したように、一般に空気圧による機器制御は空気の収縮・膨張などによる、制御遅れが大きく、素早い動作は苦手である。

なお、「空気袋」は、流体により膨張ないし収縮運動をするものであれば、袋中に流入するものは、空気に限られないので、より一般には、「流体袋」と表現する。

図７は、外骨格型ロボットの構成において、１自由度分の動作を行う空電ハイブリッドアクチュエータの部分を抜き出した外観を示す図である。

図７において、空圧式エアマッスルのうち上側のエアマッスル３０２は、屈筋(ＰＡＭ１)に相当し、下側のエアマッスル３０４ものは伸筋(ＰＡＭ２)に相当する。

伸筋ＰＡＭ２は、屈筋ＰＡＭ１とは相反し反対向きの力を生成する。

プーリー付回転関節３１０には、電動モータからの駆動力も印加され、空圧式エアマッスルからの駆動力と電動モータからの駆動力とが合成される。

エアマッスル３０２からの駆動力は、ワイヤ３０６によりプーリー付回転関節３１０に伝達され、エアマッスル３０４からの駆動力は、ワイヤ３０８によりプーリー付回転関節３１０に伝達される。このような構成により、駆動力の伝達機構自体を軽量化することが可能となる。

プーリー付回転関節３１０へ加えられた駆動トルクにより、脚（または腕）３５０が駆動される。

図８は、図７に示した１自由度分の動作を行う空電ハイブリッドアクチュエータのシステムを制御する構成を説明するための機能ブロック図である。

図８においては、内部制御装置１０は、マルチファンクションボード(Multi Function board)として構成される。

外部制御装置２０に接続されたマルチファンクションボード１０は、外部制御装置２０からのコマンドに応じて、アクチュエータを制御する。具体的には、マルチファンクションボード１０は、空圧式エアマッスル３０２および３０４の収縮を制御するためのバルブ３０１とバルブ３０２、ならびに、電動モータ３１２を制御するためのモータドライバ３１１を制御する。さらに、マルチファンクションボード１０は、関節角度θを検知する角度エンコーダ３２４およびエアマッスルからの駆動力を検知するロードセル、能動関節に加わるトルクを検知するトルクセンサからの計測データを読み取ることで、これらに基づき、以下に説明するような制御を実行する。

角度エンコーダ３２４は、たとえば、直交エンコーダを使用することが可能である。

エアマッスル３０２および３０４ならびに電動モータ３１２からの駆動力は、プーリー付回転関節３１０において合成され、脚３５０にトルクτを与える。

図９は、各アクチュエータが、関節を動かす態様を説明するための概念図である。

以下では、まず、図９（ａ）に示されるように、腱ワイヤの伸長を無視できる場合を考える。

空圧式エアマッスルフォースからの駆動力fPAMi(ｉ＝１，２，…)は、ワイヤとプーリにより、腕（または脚）にトルクとして転送され/変換される。このプーリーを介して、電動モータの駆動力も伝達される。空圧式エアマッスルフォースからの駆動力fPAMiは、空圧式エアーマッスルと駆動力をプーリーに伝達するワイヤーとの接合部に設けられたロードセルにより検知される。

以下のモデルの説明は、拮抗筋と電動モータの組合せの場合に限らず、たとえば、伸筋と電動モータの組合せにも広く適用することが可能である。ただし、以下では、説明の簡単のために、単純な２つの拮抗筋のモデルを考える。

トルクτ_PAMは、駆動力f_PAMiにより、以下の式ように表される。

τ_PAMは、空圧式エアマッスルの駆動力によるトルクであり、一方、r₀はプーリー半径で、この単純なモデルでは、r₀は定数とする。

モーターの駆動力によるトルクは、空圧式エアマッスルの駆動力と並行して伝達される。例えば、小さなトルクが機械的なベルトによりプーリー経由で伝達される。

空圧式エアマッスルは、直流的または低周波のトルクの生成において優れている。また、電動モータによる駆動力は、迅速で周波数の高いトルクとして、空圧式エアマッスルの駆動力によるトルクτ_PAMの誤差をカバーするので、電動式のトルクτmotorの値は、空圧式エアマッスルによるトルクよりも小さな値でよい。

トータルのトルクは、以下の式で表される。

τ＝τ_PAM＋τmotor
したがって、特に限定されないが、たとえば、内部制御装置１０が、第一の閾値よりも（「より」は「以上」も含む、とする）高周波であるトルクに対して電動モータ３１２を追加動作させることは好適である。なお、追加動作とは、エアマッスル３０２および３０４に加えて電動モータ３１２を動作させることである。ここで、第一の閾値は、例えば、３Hzである。

空圧式エアマッスルから、ワイヤがプーリーへ駆動力を伝達し、指定された一方向へ関節を駆動する。

ワイヤとしては、金属線、チェーンあるいは機械的なベルトなどの方式と比較して、軽量で強く、柔軟であるので、液晶ポリマー繊維を採用することができる。液晶ポリマー繊維としては、たとえば、クラレ社製ベクトラン（登録商標）を用いることができ、これは、高分子繊維であるにも関わらず、高強力高弾性率を有する素材として知られている。

（空圧式エアマッスルの力学モデル）
空圧式エアマッスル、ワイヤおよびプーリを含む空圧式アクチュエータは、人間の筋肉と多くの共通点を持っている。

外骨格型ロボットが人間の重さを支持する際に、ワイヤは、その特性において、人間の腱に類似している。

そこで、以下に説明するように、平衡の仮定を置いて、空圧式エアマッスルのためのトルク制御器を導出する。

空圧式エアマッスルの圧力の制御には、たとえば、比例的に圧力を調整するバルブを使用し、圧力ｐはクローズドフィードバックループにより制御され、十分に安定であるものとする。

過渡状態においては、バルブ圧力と空圧式エアマッスルの圧力との間には、空気力学的な運動が存在するものの、一定の時定数の後には、ロボットと人間の重量のような外部の運動上の制約条件に駆動力が釣り合うまで、空圧式エアマッスルは収縮する。

したがって、空気回路の動力学の影響は小さく、準静的な動作では無視することができる。

この均衡点で、駆動力の生成は、内圧および収縮割合に依存し、空圧式エアマッスルの駆動力モデルは、以下のように与えられる：

ここで、εは、収縮割合であり、Ｄ_０とψ_０とは、常圧における空圧式エアマッスルの径と、空圧式エアマッスルにおいて、空圧式の空気袋が埋め込まれたらせん状のファイバーの収縮方向に直交する方向に対する巻方向の傾きの角度である。

このような「空圧式エアマッスルの駆動力モデル」は、たとえば、以下の文献に開示されている。

公知文献４：K. Inoue. Rubbertuators and applications for robots. In Proceedings of the 4th international symposium on Robotics Research, pp. 57-63. MIT Press, 1988.
公知文献５：D.G. Caldwell, A. Razak, and MJ Goodwin. Braided pneumatic muscle actuators. In Proceedings of the IFAC Conference on Intelligent Autonomous Vehicles, pp. 507-512, 1993.
空気シリンダーと異なり、関節角が変化することによってトルクは非線形に変化する。
運動上の制約条件が常に不変であるという仮定の下では、空圧式エアマッスルの圧力は常に同じ均衡点での収縮割合ε（ｐ）を与えることになる。すなわち、収縮割合ε（ｐ）は、圧力ｐの関数となる。

このとき、このような「空圧式エアマッスルの駆動力モデル」の逆モデルは、機械学習により学習することができる。すなわち、所望の駆動力ｆを得るための圧力ｐを求めることに相当する。内部制御装置１０は、このような圧力ｐをエアマッスルに与えるように、バルブを制御することで、所望の駆動力を出力させることになる。

例えば、ハートマン等は、動力学的な学習について、以下の文献で提案している。

公知文献６：Christoph Hartmann, Joschka Boedecker, Oliver Obst, Shuhei Ikemoto, and Minoru Asada. Real-time inverse dynamics learning for musculoskeletal robots based on echo state gaussian process regression. In Accepted at RSS 2012, 2012.
しかしながら、一般的には、運動上の制約条件をダイナミックに変更し、異なる外力Ｆと釣り合うので、この仮定は、上述したような外骨格型ロボットにおいては、厳密には成り立たない。

したがって、この場合の均衡点での収縮割合εは、圧力と外力の関数として、ε（ｐ，Ｆ）と表現される。

（腱スプリング均衡モデル）
上述したような液晶ポリマー繊維製のワイヤは、高強力高弾性率を有するので、通常は、張力に対して長さが変化しないとの近似がよく成り立つ。高強度・高弾性率繊維としては、ベクトラン（登録商標）のようなポリアリレート繊維の他に、たとえば、超高分子量ポリエチレン繊維、ＰＢＯ繊維などがある。

しかし、人間（たとえば、体重は６０ｋｇある)を保持するためには、空圧式エアマッスルは、張力として、典型的には、３０００Ｎを生成する（最大値としては、たとえば、５０００Ｎが必要になる）。

このような大きな力が加わると、たとえ、液晶ポリマー繊維製のワイヤ（腱ワイヤ）であっても、その伸長量が無視できず、均衡点を変化させてしまう。

以下では、図９（ｂ）に示すように、腱ワイヤの伸長の影響を考慮したモデルを検討する。

そこで、液晶ポリマー繊維製の腱の力学モデルとして、以下に説明するような、線形の腱スプリング・モデルを導入する。

ｆ＝ｋΔε （Ｓ２）
すなわち、このモデルでは、腱ワイヤ（ポリアリレート繊維などの液晶ポリマー繊維製のワイヤ）は、バネに近似され、Δεは、力によって引き起こされた余分なエアマッスルの収縮であり、ｋはばね定数である。つまり、腱が力によって伸びる分、空圧式エアマッスルは、余分に収縮することが必要になる。このようにバネに近似される腱ワイヤのことを「腱スプリング」と呼ぶことにする。

このような腱に相当するワイヤを、腱スプリングとして近似しない場合、空圧式エアマッスルの駆動力モデルｇ（…）は３つのパラメーター(そのうちの２つは依存関係にある)を備えた以下の二次式（Ｓ３）で表される:

ここで、
２次式の係数には、以下の関係が成り立つ。

均衡点で、駆動力ｆ^＊は、腱の伸長によって、以下のように減少する。

ここで、ｇ´（…）が腱スプリングの仮定の下での駆動力モデルであり、ε^＊は、見かけの収縮割合であり、εは、空圧式エアマッスルの実際の収縮割合であり、Δεは、空圧式エアマッスルの実際の収縮割合への付加項である。

式（Ｓ２）から、Δε＝ｆ^＊／ｋとなる。

実際の収縮割合εは、上述したような外骨格型ロボットの検出機構１２４では、直接測定するのが困難である。したがって、その代りに、推定収縮割合εest（＝ε^＊−Δε）を使用する。収縮割合ε^＊は、以下の式のように、関節角から計算される。

ここで、Ｌ_０は、関節角θ＝０のときの空圧式エアマッスルの初期長さである。つまり、「見かけの収縮割合」とは、アクチュエータにより駆動される関節の角度変化から導かれる収縮割合であって、角度センサから検知できる量に基づく収縮割合であるのに対して、「実際の収縮割合」とは、駆動力ｆ^＊を生成するために、エアマッスルが現実に収縮している割合のことである。

収縮割合ε^＊において、駆動力ｆ^＊が必要とされる場合、逆モデルｇ^−１（）から、必要な圧力ｐ^＊が、以下のようにして導出される。

最小二乗アルゴリズムを使用して、既知の空圧式エアマッスルのデータから、空圧式エアマッスルパラメーターａ、ｂおよびｃを評価できる。

さらに、たとえば、キャリブレーション実験で、１自由度システムによって均衡点駆動力を測定する際に、バネ定数ｋについては、手動で調整することで最適値を実験的に求めることができる。

運動をアシストする主要なトルク(所定の周波数以下の成分のトルク、たとえば、直流成分のトルク)は、空圧式エアマッスルによって供給され、実際のトルクτ_PAMsは、ロードセルにより測定することができる。上述したように、高周波トルク(所定の周波数を超える成分のトルク：交流成分のトルク)は電動モータによって生成される。

したがって、モータのトルクは以下の式（Ｓ７）のように表現される。

以上のようにして、腱スプリングモデルを腱ワイヤに適用することにより、関節角と腱ワイヤに印加される駆動力を検知する構成において、空圧式エアマッスルの駆動力を正しく反映した逆モデルを、たとえば、機械学習により、構築することが可能となる。その結果、空電アクチュエータを制御する際に、その周波数応答性を向上させることが可能となる。
（１軸アシストシステムによる実験：ロバストな関節トルク推定実験）
（実験設定）
図１０は、本実施の形態の関節駆動トルクの推定処理の有用性を検証する実験の構成を説明するための概念図である。

この実験では、１自由度のロボットアームを使用し、図１０のようにヒトの上肢に固定し上下させる運動をタスクとした。ヒトの関節角度データをロボットアームのエンコーダーから取得し、ｓＥＭＧ信号は上腕二頭筋から２箇所、上腕三頭筋から２箇所の計４箇所から計測し、上述した手法により関節駆動トルクを推定する。

その際、トルク推定に主要となる上腕二頭筋の１つのチャネルにエラーが起こった場合を考える。本実験ではエラーチャネルとして、ｓＥＭＧ信号のセンサコードのアンプなどへの接触不良や切れかかっている状態などを想定し、そのような信号が入るように実験中センサコードとアンプ接続のオン／オフを断続的に切り替えた。

図１１は、このような実験において、ｓＥＭＧ信号の時間変化とロジスティック回帰によるセンサチャネルの状態判別結果を示す図である。

図１１（ａ）は動作時のｓＥＭＧの様子を表したものである。途中電圧の大きさが極端に小さくなっている区間がエラーの入った状況である。

図１１（ｂ）は、そのｓＥＭＧ信号に対して、正常なチャネルと判別された場合はラベルを１に、エラーチャネルであると判別された場合は０となるように分類した結果である。判別正答率は９１％であった。

（関節トルクの推定結果）
図１２は、トルク推定処理の途中で、エラーチャネルが発生した状況を示す図である。

図１２は、ｓＥＭＧ信号からトルクを推定する際、推定に対して主要となるチャネルにエラーが起こった場合に対応するロバストな関節トルク推定を行った結果を示す。

図１２（ａ）では、従来方法で主要となるチャネルにエラーが起こった場合のトルク推定結果を示し、図１２（ｂ）では同じ状況に対し、ロバストなトルク推定結果を示す。図１２では、逆動力学から計算したトルクと、ｓＥＭＧ信号より推定したトルクの双方が示されている。

この図１２より、エラーチャネルが検出された際、従来方法では対処できず推定関節トルクの誤差が大きくなり適切に推定がおこなえていない。

これに対して、本実施の形態の推定手法では、エラーチャネルが検出されるとすぐに推定モデルが切り替えられているため、誤差が少なく、適切な推定がおこなえていることが分かる。

図１２（ａ）では全体の平均二乗誤差が１７.９であるのに対し、図１２（ｂ）では８.２であった。

以上説明したとおり、本実施の形態では、生体信号を検出するセンサチャネルを複数用いて、ｓＥＭＧ信号から関節駆動トルクを推定するモデルを複数組み合わせることで、一部のセンサからのチャネルに故障等のエラーが発生しても頑健にトルク推定が可能である。
[実施の形態２]
実施の形態１では、エラーチャネルの検出のために、各チャネルエラーの態様ごとに、そのような態様が発生したかを判別する判別器が、事前に、機械学習により準備される構成であった。

実施の形態２では、エラーチャネルの検出のために、以下に説明するようなグラフィカル・ガウシャン・モデルを用いる。エラーチャネル検出の構成以外は、実施の形態１と同様である。
（エラーチャネルの検知）
以下では、実施の形態２の方法に基づいたsEMGチャネルの異常検知を行なう処理について説明する。

実施の形態２の方法は、グラフィカル・ガウシャン・モデルにより、各チャネルの異常スコアを計算するものである。

このような手法については、たとえば、以下の文献に開示がある。

公知文献７：T. Ide, A. C. Lozano, N. Abe, and Y. Liu， “Proximity-based anomaly detection using sparse structure learning，” SIAM International Conference on Data Mining, pp. 97-108, 2009.
すなわち、センサーからの以下のような２組のデータセットＤ_A（Ｎ_A個の組）およびＤ_B（Ｎ_B個の組）が与えられたとき、まず、与えられた分散行列に基づいたスパース構造を学習する。

ここで、Ｒ^Mは、Ｍ次元の実数ベクトルであることを示す。

次に、２つのスパースなグラフが比較され、各変数について異常スコアが算出される。

以下、詳しく説明する。

１）グラフィカル・ガウシャン・モデル（ＧＧＭ：Graphical Gaussian Model）
ＧＧＭは、多変量データのふたつを比べて、その相違に対する個々の変数の寄与度を計算することに相当する。

Ｍ次元の確率変数ｘ（∈Ｒ^M)に対して、ＧＧＭは、以下の式（Ｔ２）のようなＭ次元のガウス分布を仮定する。

ここで、detは、行列式を表し、また、Λ（∈Ｒ^M×M)は精度行列を表す。また、Ｎ(…｜μ，Σ)によって平均ベクトルμおよび分散行列Σのガウス分布（正規分布）を表す。

ＧＧＭでは、ガウス分布がグラフ(Ｖ，Ｅ)に関連づけられており、Ｖは、Ｍ変数をすべて含んでいるノードの組であり、また、Ｅは１組の辺である。

グラフにおいて、他のすべての変数を与えたときに、それらが条件付きで独立している場合、およびその場合のみ、変数ｘ_iと変数ｘ_jとの間の辺が存在しないことになる。

ガウス分布の仮定の下では、以下の式で表わされる。

ここで、変数ｘ_iと変数ｘ_jとの間の記号は、統計的独立を表わす。

さらに、形式的には、「近傍」の定義は以下のように与えられる。

すなわち、「Λij≠０が成り立つ場合、そして、その場合のみ、変数ノードxiは変数ノードxjの近傍である。」
変数ノードｘ_iの近傍グラフとは、ノードｘ_iとその近傍ノードとの間が、辺で接続されており、ノードｘ_iとその近傍ノードを含んでいるグラフである。

さらに、「近傍ノードの選択」とは、各ノードの近傍ノードをすべて列挙するということである。

２）スパース構造学習
次に、データからスパース構造を学習する方法について説明する。

「構造学習」とは、変数（電極素子（センサー）に対応）同士の本質的な依存関係をデータから見出すことを意味する。すなわち、「変数ノードを頂点とする（重み付き）グラフを求めること」に相当する。依存関係がある変数同士の間には、辺が張られるが、そうでない場合には、辺は張られない。したがって、「スパースな構造学習」という場合は、本質的な依存関係にのみ辺があるようなグラフを求めることを目標とすることになる。

この処理は、データＡおよびＢの両方に共通であるので、当面、添え字のＡまたはＢを省略し、どちらのデータも、以下の式のようにＤで表すこととすると、標本共分散行列Ｓは式（Ｔ４）により与えられる。

３）正規化された最大尤推定法:
ＧＧＭでは、見方を変えれば、構造学習とは、多変数のガウス分布の精度行列Λを見つけることである。ここで、精度行列Λは、標本共分散行列Ｓの逆行列に相当する。

しかしながら、一般に標本共分散行列は多くの場合、ランク不足であって、逆行列が存在しない。

したがって、以下の式（Ｔ５）で表されるＬ１正規化項つきの最尤方程式を解く必要がある。

正規化項（ペナルティー項）のおかげで、精度行列Λ^＊の中の要素の多くは、厳密に０になる。正規化項の重みρは、入力パラメータであり、「相関係数のどの値までを有意な相関とみなすか」の指標と解釈できる。

４）グラフのＬＡＳＳＯアルゴリズム:
グラフについてのＬＡＳＳＯ（least absolute shrinkage and selection operator）アルゴリズムは、行列内をブロック化した勾配法を利用することにより、解くべき問題を、一連のＬ１正則化項付きの２次計画問題に還元する。

このようなアルゴリズムについては、たとえば、以下の公知文献８に開示されている。

公知文献８：O. Banerjee, L. E. Ghaoui, and G. Natsoulis， “Convex optimization techniques for fitting sparse gaussian graphical models，” In proc. Intl. Conf. Machine Learning, pp. 89-96, 2006.
行列内をブロック化した勾配法を利用するために、以下の式のように、特定の１つの変数ｘ_iに注目し、精度行列Λとその逆行列を分割する。

ここで、行列の行および列は、変数ｘ_iに関連する要素が最後の行および最後の列に位置するように、配列されるものと仮定する。

したがって、「一連のＬ１正則化項付きの２次計画問題に還元する」とは、精度行列Λにおいて、部分行列Ｌを定数として、ｌの部分について最適問題を導き、精度行列を１列（１行）ずつ最適化することに相当する。これにより、スパースな精度行列を、明示的な逆行列計算なしに求めることができる。

さらに、この変数ｘ_iに基づいた行列の分割に対応して、同じ方法で標本共分散行列Σ（行列Ｓに相当）が分割される。

５）異常スコア
スパース構造学習により、時間軸上の２つの異なる時点において、その各時点における変数（電極素子（センサー）に対応）の組に対応するスパースな構造が得られることになる。これらを、添え字Ａ，Ｂで区別することにする。

ＧＧＭの文脈では、このことは、データを生成する２つの確率モデルｐ_A（ｘ）とｐ_B（ｘ）が得られたのと同義である。以下に説明するように、両者を比較することで、どの変数が、どれだけ両者の変化に寄与したのかを表すスコア（異常スコア）を計算する。

データセットＤ_AおよびＤ_Bが与えられたとき、確率モデルにおいて、２組のデータセットの相違に、各変数がどの程度寄与しているかを定量化するために、最も自然な尺度は、Kullback-Leibler（ＫＬ）距離である。

１つの変数ｘ_iに着目した場合、ｐ_A(x_i|z_i)とｐ_B(x_i|z_i)の間のＫＬ距離の期待値を、分布ｐ_A(z_i)によって計算すると、以下の式（Ｔ６）のようになる。

さらに、ＫＬ距離ｄ^AB _iは、以下のように書き換えることができる。

ここで、精度行列Λ_Aおよびその逆行列Σ_Aを以下のように分割する。

ＫＬ距離ｄ^AB _iは、ｉ番目の変数ノードの近傍グラフの変化の尺度である。この量が大きいほど、変数ｘ_iに関して大きな変化があったことを意味する。

したがって、近傍ノードが保存されることを仮定すると、ｉ番目の変数の異常スコアを、以下の式（Ｔ８）として定義することが合理的である。

しかしながら、分散行列および精度行列に対する計算コストは非常に高い。実時間のロボットをコントロールするために、このような計算コストはできるだけ小さくすることが望ましい。

そこで、ｉ番目の変数の異常スコアを単に、以下の式（Ｔ９）として定義する。

実験により、式（Ｔ９）の定義により、チャネルエラーを判別するのに、十分であることが確認できた。

図１３は、電極素子（センサー）の断線や、電極素子の体表面への接触不良の場合の異常スコアを示す図である。

図１３（ａ）は、第２チャネルに断線や欠損があった場合の各チャネルの異常スコアの値を示し、図１３（ｂ）は、第１チャネルの電極素子の２つの電極のうち一方が浮いた状態となった場合の異常スコアの値を示す。

図１３（ａ）では、第２チャネルに異常があることが、図１３（ｂ）では、第１チャネルに異常があることが、それぞれ、異常スコアに現れている。

図１４は、電極素子（センサー）のコネクタのチャネル位置の挿入ミスの場合や、汗などによる電極間のショートが発生した場合の異常スコアを示す図である。

図１４（ａ）は、第１チャネルと第４チャネルを逆につないでしまった場合の各チャネルの異常スコアの値を示し、図１４（ｂ）は、第２チャネルの電極素子の２つの電極が汗（あるいはジェル）により通電してしまった場合の異常スコアの値を示す。

図１４（ａ）では、第１および第４チャネルに異常があることが、図１４（ｂ）では、第２チャネルに異常があることが、それぞれ、異常スコアに現れている。

図１５は、チャネルが断線した場合の異常スコアの時間変化を示す図である。

図１５（ａ）は、第２チャネルの電極素子（センサー）に断線がある場合の異常スコアを他のチャネルと比較したものであり、図１５（ｂ）は、第２チャネルのｓＥＭＧ信号と異常スコアの時間変化を示す図である。

断線によりｓＥＭＧ信号がゼロとなっている期間は、異常スコアが一定上の値となっており、異常スコアにより第２チャネルの異常をリアルタイムに検出できていることがわかる。

したがって、以上説明したような方法を使用して、各ｓＥＭＧチャネルの異常スコアを計算し、センサーチャネルがエラーを含んでいるのを検知できる。検知されたチャネルエラーに応じて、実施の形態１と同様にして、トルク推定モデルを切り替えることができる。

実施の形態２のパワーアシスト装置のその他の構成は、実施の形態１のパワーアシスト装置と同様であるので、その説明は、繰り返さない。

以上のようなエラーチャネル検知の構成によっても、実施の形態１と同様の効果を奏することが可能である。

しかも、チャネル数が大きくなったときにも、スパース構造学習により、変数間の本質的な関係のみを抽出できるので、多チャネル化に、より適したチャネルエラーの判別が可能となる。

なお、以上説明した実施の形態１および２においては、生体信号としては筋電位を用いるものとして説明したが、本発明は、このような場合に限定されず、たとえば、複数のセンサからの信号を統合して解析することで、使用者の行おうとしている運動における関節の駆動力（または駆動トルク）を推定するようなシステムに適用することができる。たとえば、筋電位に加えて、または筋電位の代わりに、たとえば、頭蓋の表面側から複数のセンサにより検知される脳活動の信号（たとえば、脳波や、近赤外によるＮＩＲＳ（Near-Infrared Spectroscopy）信号など）を使用するシステムであってもよい。

また、以上説明した実施の形態１および２においては、筋電位を用いて使用者の行おうとしている運動における関節の駆動力（または駆動トルク）を推定するようなシステムについて説明したが、本発明はこのような構成に限定されるものでもなく、たとえば、上述したような筋電位や脳活動の信号のような生体信号を統合して解析することで、使用者の行おうとしている運動の方向、強度、または速度のような意図される運動の態様を推定し、それに応じた制御信号により、外骨格ロボットのような外部装置を駆動するようなシステムに用いることもできる。たとえば、下肢の外骨格ロボットを制御してリハビリテーションに応用するような場合は、使用者が立ち上がろうとしているのか、すわりこもうとしているのかという意図が判別できれば、下肢の外骨格ロボットにより体重補償を行うのか否かをこの判別結果に応じて、切り替える、というような制御を行うことも可能である。

また、以上説明した実施の形態１および２においては、使用者（ユーザ）自身の筋電位の測定により、使用者自身の関節駆動力（または関節駆動トルク）を推定するという構成で説明したが、たとえば、筋電位の測定（より一般には、生体信号の測定）は、療法士の筋電位を測定し、関節の運動をサポートされるのはユーザ（リハビリの対象者）というような使用方法も可能である。この場合は、パワーアシストの構成も必ずしも外骨格型ロボットの構成に限定されるものではなく、ユーザの運動を支援できるような駆動系であれば、他の構成を用いることも可能である。

今回開示された実施の形態は、本発明を具体的に実施するための構成の例示であって、本発明の技術的範囲を制限するものではない。本発明の技術的範囲は、実施の形態の説明ではなく、特許請求の範囲によって示されるものであり、特許請求の範囲の文言上の範囲および均等の意味の範囲内での変更が含まれることが意図される。

１外骨格型ロボット、１０内部制御装置、１１Ｉ／Ｆ部、１２外骨格、２０外部制御装置、１２１ベース、１２２下半身、１２３能動関節、１２４検出機構、１３１記録処理部、１３２記憶装置、１３３計測装置、１３４制御部、１３５出力装置、３０２，３０４エアマッスル、３１０プーリー付回転関節、３１２電動モータ。

Claims

対象者の生体信号から意図された前記使用者の筋骨格系運動を推定し、外部装置を駆動するための制御信号を生成する制御信号生成装置であって、
前記対象者の体表面の複数の部位ごとに複数個ずつ配置され、生体信号を時系列として計測するためのセンサと、
前記部位ごとの複数のセンサからの生体信号を受けて、前記意図された前記筋骨格系運動を推定する推定手段とを備え、
前記推定手段は、
前記部位ごとの複数のセンサからの測定チャネルのうち、異常の発生した不良測定チャネルを、複数の測定チャネルの所定の時間間隔内の信号間の相関に基づいて検知する検知手段と、
所定数の測定チャネルが不良となる組合せごとに予め準備された推定モデルのうちから、検知された不良測定チャネルを除いて準備された推定モデルを選択的に用いて、前記筋骨格系運動を推定する推定処理手段とを含み、
前記推定された前記筋骨格系運動に基づき、前記外部装置を駆動するための制御信号を算出する制御信号算出手段をさらに備える、制御信号生成装置。
前記センサは、前記対象者の推定対象となる関節に対応して配置されており、
前記推定手段は、前記部位ごとの複数のセンサからの信号を受けて、対応する関節に発生する関節駆動トルクを推定し、
前記推定処理手段は、所定数の測定チャネルが不良となる組合せごとに予め準備された関節トルクの推定モデルのうちから、検知された不良測定チャネルを除いて準備された推定モデルを選択的に用いて、前記関節駆動トルクを推定する、請求項１記載の制御信号生成装置。
前記検知手段は、各前記測定チャネルの不良の態様ごとに、事前に機械学習により準備された前記態様が発生したかを判別する複数の判別器を含む、請求項２記載の制御信号生成装置。
各前記判別器は、前記複数の測定チャネルからの信号について前記所定の時間間隔にわたってフィルタ処理された組に対する共分散行列の非対角の独立な成分を特徴ベクトルとするとき、前記特徴ベクトルにより、前記不良の有無を判別するようにロジスティック回帰分析により学習された識別器である、請求項３記載の制御信号生成装置。
前記検知手段は、複数の前記測定チャネルに対する前記所定の時間間隔の異なる時点についてのグラフィカル・ガウシャン・モデルにより、各前記測定チャネルの不良を検出する、請求項２記載の制御信号生成装置。
前記検知手段は、グラフィカル・ガウシャン・モデルにおいて、スパースな構造学習により、有意な相関がある変数ノード間に辺があるようなグラフを求める、請求項５記載の制御信号生成装置。
前記グラフィカル・ガウシャン・モデルにおいては、正常時に対応するグラフに対する現時点のグラフの距離のみに基づいて、不良の有無を判別する、請求項５記載の制御信号生成装置。
対象となる人間の筋骨格系運動のアシストを行うためのパワーアシスト装置であって、
アシスト対象となる関節ごとに設けられ、前記関節の運動をアシストする力を発生するためのアクチュエータと、
前記アシスト対象となる関節に対応して対象者の体表面の複数の部位ごとに複数個ずつ配置され、表面筋電位を時系列として計測するための電極と、
前記部位ごとの複数の電極からの信号を受けて、対応する関節に発生する関節駆動トルクを推定するトルク推定手段とを備え、
前記トルク推定手段は、
前記部位ごとの複数の電極からの測定チャネルのうち、異常の発生した不良測定チャネルを、複数の測定チャネルの所定の時間間隔内の信号間の相関に基づいて検知する検知手段と、
所定数の測定チャネルが不良となる組合せごとに予め準備された関節トルクの推定モデルのうちから、検知された不良測定チャネルを除いて準備された推定モデルを選択的に用いて、前記関節駆動トルクを推定する推定処理手段とを含み、
前記推定された関節駆動トルクに基づき、前記アクチュエータにより発生すべき目標トルクを算出する目標トルク算出手段と、
前記目標トルクに基づいて、前記アクチュエータを駆動する駆動手段とを備える、パワーアシスト装置。
前記検知手段は、各前記測定チャネルの不良の態様ごとに、事前に機械学習により準備された前記態様が発生したかを判別する複数の判別器を含む、請求項８記載のパワーアシスト装置。
各前記判別器は、前記複数の測定チャネルからの信号について前記所定の時間間隔にわたってフィルタ処理された組に対する共分散行列の非対角の独立な成分を特徴ベクトルとするとき、前記特徴ベクトルにより、前記不良の有無を判別するようにロジスティック回帰分析により学習された識別器である、請求項９記載のパワーアシスト装置。
前記検知手段は、複数の前記測定チャネルに対する前記所定の時間間隔の異なる時点についてのグラフィカル・ガウシャン・モデルにより、各前記測定チャネルの不良を検出する、請求項８記載のパワーアシスト装置。
前記検知手段は、グラフィカル・ガウシャン・モデルにおいて、スパースな構造学習により、有意な相関がある変数ノード間に辺があるようなグラフを求める、請求項１１記載のパワーアシスト装置。
前記グラフィカル・ガウシャン・モデルにおいては、正常時に対応するグラフに対する現時点のグラフの距離のみに基づいて、不良の有無を判別する、請求項１１記載のパワーアシスト装置。
前記パワーアシスト装置は、外骨格型ロボットである、請求項８〜１３のいずれか１項に記載のパワーアシスト装置。