JP7054130B2 - 運動学習支援装置および運動学習支援方法 - Google Patents
運動学習支援装置および運動学習支援方法 Download PDFInfo
- Publication number
- JP7054130B2 JP7054130B2 JP2017148882A JP2017148882A JP7054130B2 JP 7054130 B2 JP7054130 B2 JP 7054130B2 JP 2017148882 A JP2017148882 A JP 2017148882A JP 2017148882 A JP2017148882 A JP 2017148882A JP 7054130 B2 JP7054130 B2 JP 7054130B2
- Authority
- JP
- Japan
- Prior art keywords
- torque
- user
- joint
- control
- assist
- 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.)
- Active
Links
Images
Landscapes
- Rehabilitation Tools (AREA)
Description
[実施の形態]
図1は、本実施の形態における運動学習支援装置1000の構成を説明するための概念図である。ここでは、運動学習支援装置1000は、一例として、ユーザ2の肘関節の動きに対するリハビリテーションを支援するものとして、説明する。
(モデル予測制御)
以下では、外部制御装置20の実行するモデル予測制御について、さらに詳しく説明する。
(EMG信号の計測とトルク推定)
図3は、EMG信号の計測における電極配置とEMG信号によるトルク推定の処理を説明するための図である。
したがって、以下の文献に記載されるようにパラメーターを較正する必要がある。
公知文献2:K. Kiguchi and Y. Hayashi, An EMG-Based Control for an Upper-Limb Power-Assist Exoskeleton Robot, in IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 42, no. 4, pp. 1064-1071, Aug. 2012.
また、上述した特許文献3にも、筋電位から筋張力へ変換するための較正処理や、信号変換について開示がある。そこで、以下では、筋電位から筋張力への変換について、簡単にまとめる。
(EMG測定と生成トルクへの変換)
特に限定されないが、フロントエンドのアンプで、測定されたEMG信号は、たとえば、10倍に増幅され、主アンプで500倍に増幅される。
上述のとおり測定されたEMG信号は、マルチファンクションボード10において全波整流およびローパス・フィルタリングによる前処理が施され、関節トルク推定部202は、時間ステップtにおいて処理されたEMG信号を使用して、時間ステップt+kにおける関節トルクを評価する。ここで、kは上述した予測インターバルに相当する時間ステップである。
(最適制御問題)
図5は、モデル予測制御の手続を説明するための概念図である。
モデル予測制御では、まず、図5(a)に示すように、現在時刻tから有限時間先の(t+T)まで(この期間を「予測ホライズン」と呼ぶ)において、系に対する価値関数を最小化するように、最適な制御入力列とその予測値を求める。そして得られた最適な入力列の中で最初の制御入力u(t)のみを現在時刻tにおいて入力する。
以上説明したように、本実施の形態では、モデル予測制御と生体信号(たとえば、本実施の形態ではEMG信号)による人の生成するトルクの推定とを組み合わせることにより、以下のような利点がある。
[アシストアズニーディッド法の制御に対する実験]
以上説明したような、筋電位を計測することによるモデル予測制御を用いた、アシストロボットのアシストアズニーディッド制御の実験結果について以下説明する。
アシストアズニーディッド法の制御を評価するために、目標リハビリテーション運動として、肘関節トラッキング制御タスクに、本実施の形態で説明した方法を適用した。さらに本実施の形態で説明した方法を、筋電信号に基づかないアシストアズニーディッドアプローチと比較した。
図6は、実験に使用した肘関節トラッキング・タスクを説明するための図である。
「カール運動」とは、図6(a)(b)に示すように、肘を前後に動かさずに肘を支点にして、前腕を前後に動かす運動である。このタスクを健康な被験者にとってさえ難しくするために、ロボットの先端に0.5kgの重りを加えた。
被験者は、トラッキング・タスクのための関節トルクを生成する外骨格ロボットに任せて運動するように命じられた。外骨格ロボットが目標動作を追跡する関節トルクを優勢に生成する。
被験者は、外骨格ロボットと協力的に目標軌道を追跡するために、必要な関節トルクを部分的に生成するように命じられた。
被験者は、目標動作を追跡する関節トルクを任意に生成するように命じられた。外骨格ロボットは、単に目標をトラッキングするために必要な不足する小さなトルクを生成するだろうと期待される。
次に、提案されたアシストアズニーディッドフレームワークを、被験者のトルク出力を評価するために筋電信号を使用しない技術のアシストアズニーディッド方法と比較する。このような方法は、たとえば、以下の文献に開示されている。
この筋電信号を使用しないアシストアズニーディッドアプローチは、2段階の計算ステップからなっている。
次に、本実施の形態で説明した方法によって生成されたアシストのための関節トルクが、大きな関節トルクおよび正確な動作を生成するのをどのようにして支援するかを評価するために、目標軌道をトラッキングする試行を純粋な人間の関節制御と比較した。
(実験結果)
(A)人間の関与レベルの3つの異なる条件での肘関節トラッキングパフォーマンス
以下では、軌道トラッキング試行のパフォーマンスとトラッキング・タスクのために関節トルクがどのように生成されたかを示す。
さらに、6人の異なる被験者について、本実施の形態で説明した方法を評価した。
(B)筋電信号を用いないアシストアズニーディッド方法との比較
本実施の形態のアシストアズニーディッド方法の目標関節トラッキング試行を、RDとHDの条件で、筋電信号を用いないアシストアズニーディッド制御と比較した。
(C)複雑な軌道トラッキング・タスクの純粋な対人コントロールとの比較
最後に、複雑な軌道トラッキング・タスクについて、本実施の形態で説明した方法を評価した。
(実施の形態の変形例)
なお、以上の説明では、筋電位からユーザの発揮するトルクを、事前に得られている筋電位から発揮力(ユーザトルク)の変換式に従って予測し、将来的なユーザの発揮力・発揮トルクが予測するという構成であるものとして説明した。ただし、たとえば、アシストロボット側に装着されているセンサからの計測情報を使って、ユーザの発揮するトルクを、事前に得られているトルクセンサから発揮力の変換式に従って、予測するという構成とすることも可能である。この場合、トルク値の時系列がユーザごとの反射・トルク発生の癖、ユーザに依らない人間に生来的に備わる反射(たとえば、大きな力がかかると人は逆方向に力を発揮する、もしくは、姿勢を維持もしくはバランスを取ろうとする等の反射的な行動をとる等)を反映したような行動予測が可能となるので、上述したような筋電などの生体信号と同様のフレームワークの制御系が構築可能である。
これに対して、従来のアシストアズニーディッド制御としては、以下の文献に記載の方法がある。
この非特許文献6に開示の手法は、「PD制御+ダイナミクスキャンセル+カルマンフィルタ」の構成を有するものであり、過去の状態に基づいて現在の状態を推定し、モデル誤差から現在の人による外乱を推定している。力センサによって外乱を計測した場合も未来の情報は使われていない。
モデル予測制御(MPC)は人とロボットが一体となった系を対象とする場合、未来のロボットの入力に対するヒトの出力を予測する数式モデルを使用する。
そこで、ユーザの関節の運動に対するユーザの中枢からの指令に基づいて生成される信号として、筋電電位などの生体信号と、人とロボットの相互作用によって生じた関節トルクを力センサによって検出した信号とを、総称して、「生体由来信号」と呼ぶことにする。
Claims (8)
- ユーザの関節の運動の運動学習をアシストするための運動学習支援装置であって、
前記アシストを受ける前記ユーザの関節部に装着され、前記関節部へのアシストトルクを生成するアクチュエータ手段を有する能動関節と、
前記ユーザの関節の運動に対する前記ユーザの中枢からの指令に基づいて生成される生体信号を検出するための検知装置と、
前記ユーザの学習対象となる運動の目標軌道情報を格納する記憶装置と、
前記能動関節が発生する前記アシストトルクを制御するための制御信号を生成する制御部とを備え、
前記制御部は、前記生体信号に基づいて、検出時から所定の時間経過した時点においてユーザが自身の関節により生成するユーザトルクを推定し、前記目標軌道情報に対応する目標軌道の運動を生成するために不足している不足関節トルクを導出し、前記不足関節トルクを前記アシストトルクとして、前記関節部が前記目標軌道を運動するように、前記ユーザが発揮するトルクのモデルを事前に取得したデータに従って最適化し、モデル予測制御により生成した前記制御信号で前記能動関節を制御する、運動学習支援装置。 - 前記制御部は、
前記生体信号に基づいて、検出時から所定の時間経過した時点の前記ユーザが自身の関節により生成する前記ユーザトルクを推定するトルク推定手段と、
推定された前記ユーザトルクと前記アシストトルクとにより、前記能動関節が目標軌道を運動するように、前記制御信号により前記アクチュエータ手段を制御するためのモデル予測制御手段とを含み、
前記モデル予測制御手段は、推定された前記ユーザトルクの推定情報を用いて、前記アクチュエータ手段のモデル予測制御のための価値関数を最小化するように、前記制御信号を算出する、請求項1記載の運動学習支援装置。 - 前記能動関節の関節角度を検知するための角度検知手段をさらに備え、
前記モデル予測制御手段は、前記目標軌道の運動のための前記モデル予測制御において、前記アクチュエータ手段の状態を表すパラメータとして前記関節角度および前記関節角度の角速度を用いる、請求項2記載の運動学習支援装置。 - 前記モデル予測制御手段は、前記所定の時間に相当する期間を予測ホライズンとして、前記制御信号を算出し、
前記価値関数は、前記予測ホライズンの期間におけるコスト関数の積算値であり、
前記コスト関数は、現在の能動関節の状態と目標軌道をとった場合の能動関節の状態との差の絶対値に応じて単調に増加する項と、能動関節の出力するトルクの絶対値に応じて単調に増加する項との重み付き線形和である、請求項2または3記載の運動学習支援装置。 - 前記記憶装置は、前記トルク推定手段による前記ユーザトルクの推定値を所定のタイムステップごとに前記推定情報として格納し、
前記モデル予測制御手段は、前記記憶装置に格納された前記推定情報を用いて、前記アクチュエータ手段のモデル予測制御のための価値関数を最小化するように、前記制御信号を算出する、請求項2~4のいずれか1項に記載の運動学習支援装置。 - 前記能動関節は、前記ユーザの四肢のいずれかに装着された外骨格型ロボットの能動関節である、請求項1~5のいずれか1項に記載の運動学習支援装置。
- +
前記生体信号は、前記ユーザの関節を駆動する筋肉の体表面から取得される筋電信号であり、
前記トルク推定手段は、前記筋電信号に対する線形モデルを用いて、前記ユーザトルクを推定する、請求項3記載の運動学習支援装置。 - ユーザの関節の運動の運動学習をアシストするための運動学習支援装置を用いた運動学習支援方法であって、
前記運動学習支援装置は、前記アシストを受ける前記ユーザの関節部に装着され、前記関節部へのアシストトルクを生成するアクチュエータ手段を有する能動関節と、前記ユーザの関節の運動に対する前記ユーザの中枢からの指令に関わる生体信号を検出するための検知装置と、前記ユーザの学習対象となる運動の目標軌道情報を格納する記憶装置と、前記能動関節が発生する前記アシストトルクを制御するための制御信号を生成する制御部とを含み、
前記制御部が、前記生体信号に基づいて、検出時から所定の時間経過した時点の前記ユーザが自身の関節により生成するユーザトルクを推定するステップと、
前記制御部が、推定された前記ユーザトルクと前記アシストトルクとにより、前記関節部が前記目標軌道情報に対応する目標軌道を運動するように、制御信号により前記アクチュエータ手段を制御するステップとを備え、
前記アクチュエータ手段を制御するステップは、推定された前記ユーザトルクにより、前記目標軌道の運動を生成するために不足している不足関節トルクを導出し、前記不足関節トルクを前記アシストトルクとして、前記関節部が前記目標軌道を運動するように、前記ユーザが発揮するトルクのモデルを事前に取得したデータに従って最適化し、モデル予測制御により生成した前記制御信号で前記能動関節を制御するステップを含む、運動学習支援方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017148882A JP7054130B2 (ja) | 2017-08-01 | 2017-08-01 | 運動学習支援装置および運動学習支援方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017148882A JP7054130B2 (ja) | 2017-08-01 | 2017-08-01 | 運動学習支援装置および運動学習支援方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019025104A JP2019025104A (ja) | 2019-02-21 |
JP7054130B2 true JP7054130B2 (ja) | 2022-04-13 |
Family
ID=65475151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017148882A Active JP7054130B2 (ja) | 2017-08-01 | 2017-08-01 | 運動学習支援装置および運動学習支援方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7054130B2 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7200849B2 (ja) * | 2019-06-27 | 2023-01-10 | トヨタ自動車株式会社 | 学習装置、歩行訓練システム、方法、プログラム、及び学習済みモデル |
CN112115812A (zh) * | 2020-08-31 | 2020-12-22 | 深圳市联合视觉创新科技有限公司 | 人体运动信号的标注方法、装置及计算设备 |
CN113442114A (zh) * | 2021-06-04 | 2021-09-28 | 迈宝智能科技(苏州)有限公司 | 腰部助力外骨骼及其控制方法 |
CN114021376B (zh) * | 2021-11-17 | 2024-04-09 | 中国北方车辆研究所 | 一种四足机器人地形坡度估计方法 |
CN114869306A (zh) | 2022-06-14 | 2022-08-09 | 东南大学 | 基于博弈论和sEMG的上肢康复机器人自适应控制方法及系统 |
CN115337175A (zh) * | 2022-08-17 | 2022-11-15 | 上海神泰医疗科技有限公司 | 存储介质及康复机器人 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080009771A1 (en) | 2006-03-29 | 2008-01-10 | Joel Perry | Exoskeleton |
JP2013094502A (ja) | 2011-11-02 | 2013-05-20 | Toyota Motor Corp | アシストロボット制御装置 |
JP2014119797A (ja) | 2012-12-13 | 2014-06-30 | Institute Of National Colleges Of Technology Japan | モデル予測制御を用いたパワーアシストシステム |
JP2015083091A (ja) | 2013-10-25 | 2015-04-30 | 国立大学法人山口大学 | 動作支援装置 |
JP2016053824A (ja) | 2014-09-03 | 2016-04-14 | 株式会社国際電気通信基礎技術研究所 | 駆動システム |
-
2017
- 2017-08-01 JP JP2017148882A patent/JP7054130B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080009771A1 (en) | 2006-03-29 | 2008-01-10 | Joel Perry | Exoskeleton |
JP2013094502A (ja) | 2011-11-02 | 2013-05-20 | Toyota Motor Corp | アシストロボット制御装置 |
JP2014119797A (ja) | 2012-12-13 | 2014-06-30 | Institute Of National Colleges Of Technology Japan | モデル予測制御を用いたパワーアシストシステム |
JP2015083091A (ja) | 2013-10-25 | 2015-04-30 | 国立大学法人山口大学 | 動作支援装置 |
JP2016053824A (ja) | 2014-09-03 | 2016-04-14 | 株式会社国際電気通信基礎技術研究所 | 駆動システム |
Non-Patent Citations (1)
Title |
---|
瓜野琢也,「表面筋電位センサとトルクセンサを併用したモデル予測制御の力動作予測に基づくパワーアシストの実現」,ロボティクス・メカトロニクス講演会講演概要集,日本機械学会,2012年,1A1-U11(1)-1A1-U11(4) |
Also Published As
Publication number | Publication date |
---|---|
JP2019025104A (ja) | 2019-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7054130B2 (ja) | 運動学習支援装置および運動学習支援方法 | |
Li et al. | Adaptive human–robot interaction control for robots driven by series elastic actuators | |
US10555865B2 (en) | Torque control methods for an exoskeleton device | |
Long et al. | Active disturbance rejection control based human gait tracking for lower extremity rehabilitation exoskeleton | |
US10016332B2 (en) | Admittance shaping controller for exoskeleton assistance of the lower extremities | |
Asl et al. | Field-based assist-as-needed control schemes for rehabilitation robots | |
Pehlivan et al. | Minimal assist-as-needed controller for upper limb robotic rehabilitation | |
Qiu et al. | Exoskeleton online learning and estimation of human walking intention based on dynamical movement primitives | |
Aguirre-Ollinger et al. | Active-impedance control of a lower-limb assistive exoskeleton | |
Zhang et al. | Torque control in legged locomotion | |
Madoński et al. | Application of a disturbance-rejection controller for robotic-enhanced limb rehabilitation trainings | |
Tran et al. | The relationship between physical human-exoskeleton interaction and dynamic factors: using a learning approach for control applications | |
Galinski et al. | Optimal design of an alignment-free two-DOF rehabilitation robot for the shoulder complex | |
Han et al. | Human–robot interaction evaluation-based AAN control for upper limb rehabilitation robots driven by series elastic actuators | |
Oghogho et al. | Deep reinforcement learning for emg-based control of assistance level in upper-limb exoskeletons | |
Asl et al. | Satisfying task completion and assist-as-needed performance in robotic exoskeletons | |
Dalla Gasperina et al. | Development and electromyographic validation of a compliant human-robot interaction controller for cooperative and personalized neurorehabilitation | |
Paredes-Acuña et al. | Tactile-based assistive method to support physical therapy routines in a lightweight upper-limb exoskeleton | |
Huang et al. | Self-learning assistive exoskeleton with sliding mode admittance control | |
Huang et al. | Adaptive compliance shaping with human impedance estimation | |
Ahmed et al. | Robotic exoskeleton control for lower limb rehabilitation of knee joint | |
Han et al. | The swing control of knee exoskeleton based on admittance model and nonlinear oscillator | |
Kong et al. | Mechanical design and impedance compensation of SUBAR (Sogang University’s Biomedical Assist Robot) | |
Durandau et al. | Myoelectric model-based control of a bi-lateral robotic ankle exoskeleton during even ground locomotion | |
Anwar et al. | Adaptive trajectory control to achieve smooth interaction force in robotic rehabilitation device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170920 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200717 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210526 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210708 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210903 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211011 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220323 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220323 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7054130 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |