机器人辅助手部运动神经康复系统的进展与趋势研究

基于脑机接口(BCI)的神经反馈训练是一种用于脑卒中后运动康复的新方法,与传统康复方式不同,这种方法可以调动患者训练的主动性,提高大脑的参与度,诱发神经功能重组,从而改善康复训练的效果。本文针对融合手功能康复机器人的神经反馈训练系统进行深入调研,通过手部运动神经活动诱发范式、手部康复机器人的运动反馈方式、神经解码方式和手部康复训练评价方式的介绍,分析神经反馈训练系统的研究现状,揭示神经可塑性机制在康复医学中的转化及其应用研究不足,并基于当前需要解决的问题,探讨系统效用提升的途径。

模块化可重构机器人动力学研究进展

模块化可重构机器人由于其构型多变,运动形式丰富等特点,可以在非结构化环境或未知环境中执行任务,在最近几年迅速成为机器人研究领域的前沿和热点.模块化可重构机器人在军事、医疗、教育等众多工程领域具有广泛的应用前景,其典型代表包括仿生多足模块化机器人、模块化可重构机械臂、晶格式模块化机器人等.模块化可重构机器人丰富的构型设计、多样的连接特征、不断拓展的应用范围,给动力学建模与控制带来了很多挑战和机遇.本文首先阐述了模块化可重构机器人的研究背景和意义,并概述了其构型分类与设计、构型描述与运动学建模方法.随后,本文系统回顾了模块化可重构机器人动力学研究中相关问题的最新进展,包括:(1)系统整体动力学建模;(2)结合面以及对接机构动力学建模;(3)基于动力学模型的控制方法.本文最后提出了模块化可重构机器人动力学研究中若干值得关注的问题.

一款仿蚯蚓机器人的纤维驱动特性建模与辨识

针对一款Yoshimura折纸结构仿蚯蚓移动机器人,本文提出了基于人工肌肉纤维驱动的折展-纤维机器人新构型.该人工肌肉纤维为镀银尼龙线材质,以电热方式实现纤维收缩驱动,是一种典型的力电热耦合材料.考虑到其力电热耦合特性尚未明确,本文首先基于第一性原理提出了等长收缩状态下驱动电流-纤维温度微分模型,并通过NSGA-Ⅱ算法精确辨识了模型各参数.进一步,基于数据驱动建模方式明确了等长收缩状态下纤维温度-收缩力关系以及等温收缩状态下纤维变形-收缩力关系,最终实现了人工肌肉纤维力电热耦合特性的精确刻画,为新型仿蚯蚓移动机器人的运动性能分析和优化提供了理论基础.

软镜递送机器人平台的设计与性能评估

针对目前气管插管手术机器人控制精度和灵巧度不足的问题,设计了一种适配可视化软镜、用于气管插管术的软镜递送机器人操作平台。平台在结构设计的基础上,使用stm32主控板配合ps2手柄实现了对系统的远程控制。随后对软镜末端进行运动学特性分析,探究了系统的主从端映射关系。为解决实际应用过程中存在误差的情况,提出了一套误差修正方法,并给出实例计算结果。为进一步评估平台系统的运动性能,在仿真环境下进行了气管插管复杂运动模拟实验。结果表明,机器人平台控制精度优于2 mm,配合可视化软镜能满足气管插管手术相关技术操作要求。

基于改进快速行进平方法的多移动机器人聚集路径规划与控制

针对多移动机器人聚集的路径规划与控制问题,本文提出了基于改进快速行进平方法的路径规划策略.首先,运用分段函数改进了速度图,实现了更安全、更高效的路径规划,可以将快速行进网格地图上的速度映射到真实机器人速度上,并且减少传统快速行进平方法在回溯路径过程中产生的冗余路径;接着,针对多移动机器人聚集过程总能耗最小、聚集点附近空间最大、聚集队形约束下的聚集过程总能耗最小三种任务需求,分析设计不同的目标函数,给出多移动机器人的聚集点和对应规划路径,展示本文方法的有效性以及在不同场景下的适用性.最后,在车辆动力学模型基础上,使用模型预测控制以改进后的快速行进网格地图上的速度作为机器人参考速度进行了轨迹跟踪仿真实验,实现结果显示跟踪误差减小,验证了本文改进速度场的有效性,可适用于真实环境下多移动机器人聚集路径规划与控制.

具有非完整约束移动机器人的超宽带-惯导-里程计融合定位与能观测性分析

为解决现有超宽带-惯导组合定位系统在轮式移动机器人的定位精度低、依赖高精度IMU等问题,提出了一种采用误差状态卡尔曼滤波融合超宽带-惯导-里程计的定位算法,利用里程计的线速度测量和由非完整约束隐含的伪测量,提高了移动机器人的位置和姿态估计精度.同时,对于由多传感器测量模型组成的非线性系统,通过基于李导数的能观性秩条件分析方法对该系统的能观测性进行了详细的理论分析与数学证明,得到了系统局部弱可观的条件,从而确定了系统状态可以被无偏估计所需要的测量输出以及控制输入.仿真结果表明,在满足能观测性条件时,本文提出的方法能够有效地获得移动机器人较准确的六自由度位姿,且相比传统方法显著提升了定位精度.

基于间接编码的形态自适应机器人神经网络控制器设计

为解决传统机器人神经网络控制器只适用于特定形态的问题,提出一种基于间接编码的渐进式方法来生成控制器。该方法使用进化计算实现,不针对特定形态设计控制器,而是寻找机器人形态和控制器之间的映射关系,控制器能够自适应形态的变化。实验通过机器人传感器失效来模拟机器人形态的改变。实验结果表明:当机器人某个传感器失效时,相比于常规的直接编码,使用间接编码的渐进式方法生成的控制器性能更好,表现出更好的健壮性,具有一定的形态自适应能力。

竞争与合作视角下的多Agent强化学习研究进展

随着深度学习和强化学习研究取得长足的进展,多Agent强化学习已成为解决大规模复杂序贯决策问题的通用方法。为了推动该领域的发展,从竞争与合作的视角收集并总结近期相关的研究成果。该文介绍单Agent强化学习;分别介绍多Agent强化学习的基本理论框架——马尔可夫博弈以及扩展式博弈,并重点阐述了其在竞争、合作和混合三种场景下经典算法及其近期研究进展;讨论多Agent强化学习面临的核心挑战——环境的不稳定性,并通过一个例子对其解决思路进行总结与展望。

精确抓握力量控制的脑动力学研究

精确抓握是人类完成多种精细复杂操作的基础,其神经控制机制极其复杂。目前对于精确抓握力量调节时大脑的动力学变化机制尚不明确。探究不同力幅度下精确抓握控制的指力行为和脑电动力学特征。12名健康右利手受试者被要求在10%、20%和30%最大自主收缩力(MVC)等3个力量水平下进行精确抓握的力量控制,同时采集运动过程中拇指和食指的力信号、压力中心点(COP)轨迹以及脑电信号(EEG),并分别使用变异系数(CV)、COP速度和COP面积以及递归定量分析(RQA)进行量化评估。结果显示,拇指和食指的指尖力信号的CV与力量水平呈现线性正相关(拇指:r=0.624,P<0.001;食指:r=0.721,P<0.001);拇指和食指在30%MVC力量水平的COP面积分别为(1.94±1.21)和(2.02±1.45) mm2,显著大于在10%MVC((1.01±0.81)、(0.89±1.02) mm2)和20%MVC((1.20±0.62)、(1.16±0.63) mm2,P<0.05)时的COP面积。拇指在10%,20%和30%MVC下x和y轴的COP速度分别为(4.23±1.11)、(2.11±0.50)、(1.70±0.40) mm/s和(6.22±1.45)、(3.39±0.70)、(2.90±0.69) mm/s,呈现随着力量水平的增加而逐级下降的趋势(P<0.01),而10%MVC下的食指x和y轴的COP速度((4.95±1.34)、(7.04±1.75) mm/s)显著高于20%MVC((2.78±0.53)、(3.79±0.63) mm/s)和30%MVC ((2.95±0.94)、(3.54±0.82) mm/s,P<0.05)。随着力量水平的增加,EEG信号α频带的RQA参数显著下降(P<0.05)。研究表明,随着力量水平的增加,力量波动性、EEG信号的复杂性增加,手指的调整速度和控制稳定性降低,EEG信号的α频带与精确抓握的运动控制密切相关。研究揭示精确抓握指力的指力控制与中枢神经系统的动力学行为有密切耦联,为深入研究中枢外周协同工作机制、定量评估神经肌肉系统功能提供新的路径。

无人机平飞下激光雷达和双目视觉融合的SLAM建图

针对无人机在较快运动下使用单一传感器难以有效构建地图的问题,提出一种基于LiDAR与双目融合的建图方法。利用LiDAR获取远处环境信息,提取物体的边界信息减少数据冗余,实现预先地图的构建;使用双目获取近处的信息,同时利用改进的特征金字塔法以实现特征快速提取,与LiDAR预建地图并行计算提高运行效率;最后将视觉特征与LiDAR预建地图融合构建二维地图。实验表明,该方法在无人机不同速度下可构建可靠性更高、更精确的环境地图,可为快速无人机的实时避障提供位置信息。

基于非局部注意力机制的在线多目标跟踪算法

针对多目标跟踪任务在人群拥挤场景存在目标漏检、遮挡等问题,在CenterTrack框架基础上引入非局部注意力机制以捕捉多个目标之间、目标与场景之间的非局部依赖关系,提出基于空间非局部注意力残差块的跟踪模型;并进一步扩展到时空域,建立基于时空关系非局部注意力模块的跟踪模型,同时实现检测和跟踪任务。在MOT17、MOT16、2D MOT15三个数据集的实验结果表明,提出的两种在线跟踪模型较CenterTrack算法有明显提升,且在MOT17中MOTA(Multiple Object Tracking Accuracy)指标达到了目前较为先进的水平,为62.4%和62.5%,验证了该算法的有效性。

四连杆膝关节假肢的动力学建模与分析

相比于单轴式膝关节,四连杆膝关节具有更好的仿生特性和运动安全性,因而在下肢假肢研究中得到广泛关注.本研究以一款四连杆膝关节被动假肢为研究对象,主要关注足-地交互作用力以及膝关节单边接触力等强非线性因素对下肢假肢步态的影响.为此,采用Kelvin-Voigt模型和库伦模型描述足-地接触力和摩擦力,并采用Kelvin-Voigt模型描述膝关节单边接触力,从而基于第一类拉格朗日方程建立假肢动力学模型.本研究以步态实验测得的髋关节运动数据为模型的驱动信号,针对假肢的步态特征进行了数值分析.计算结果显示,当膝关节液压阻尼器的刚度较小时,强非线性作用力会使假肢产生显著的亚谐波响应,进而导致步态周期失谐.进一步研究发现,提胯行为能够避免步态周期失谐,这也为残疾人行走时的提胯等代偿行为提供了一种新的力学解释.为了评价假肢步态与健康人实测步态的一致性,本研究进一步定义了步态相关系数并分析了膝关节液压阻尼器刚度、阻尼参数对相关系数的影响.结果表明,通过合理的刚度、阻尼参数设计,两者步态的相关系数可达到0.9以上,这为四连杆膝关节被动假肢进一步优化提供了理论支撑.

基于迁移学习和空洞卷积的癫痫状态识别方法

癫痫患者脑电信号的自动检测和发作诊断对临床治疗癫痫具有重要意义。针对训练数据有限及训练与测试数据分布不一致的难点,采用领域间联合知识迁移学习方法,实现小训练数据量下的癫痫状态识别。首先对脑电信号进行4层小波包分解,提取小波包分解系数作为特征,通过边缘分布和联合分布迭代调整,完成源域和目标域特征之间的知识迁移,训练空洞卷积神经网络作为分类器,完成目标域癫痫状态识别。分别在波士顿儿童医院CHB-MIT脑电数据集(22例被试,共计790 h)和波恩大学癫痫脑电数据集(5组,每组100个片段,每段23.6s)上进行算法验证,实验结果表明,所提出的方法对复杂癫痫状态的平均识别准确度、敏感性、特异性在CHB-MIT数据集上达到96.8%、96.1%、96.4%;在波恩数据集上,平均识别准确率为96.9%,有效提高了癫痫状态识别综合性能,实现了癫痫发作稳定可靠检测。

基于生成对抗网络和网络集成的面部表情识别方法EE-GAN

由于现实生活场景差异大,人类在不同场景中表现的情感也不尽相同,导致获取到的情感数据集标签分布不均衡;同时传统方法多采用模型预训练和特征工程来增强与表情相关特征的表示能力,但没有考虑不同特征表达之间的互补性,限制了模型的泛化性和鲁棒性。针对上述问题,提出了一种包含网络集成模型Ens-Net的端到端深度学习框架EE-GAN:一方面考虑了多个异质网络获得的不同深度和区域的特征,实现不同语义、不同层次的特征融合,并通过网络集成以提高模型的学习能力;另一方面,基于对抗生成网络生成具有特定表情标签的面部图像,在进行数据增强的同时,达到平衡表情标签数据分布的目的。在CK+、FER2013和JAFFE数据集上的定性和定量实验验证了所提方法的有效性:相较于局部保留投影方法(LPP)在内的基于视图学习的方法,EE-GAN面部表情识别的准确率最高,分别达到了82.1%、84.8%和91.5%;同时,和AlexNet、VGG、ResNet等传统卷积神经网络(CNN)模型相比,准确率最少提高了9个百分点。

仿蚯蚓移动机器人离散步态控制与相位差控制特性比较

从机器人的运动特征、稳态平均速度和波动特性3个方面,对仿蚯蚓移动机器人的离散步态控制策略和相位差控制策略进行比较研究.首先,通过学习蚯蚓的形态学特征,基于舵机-弹簧钢片复合结构,设计并制作了可以执行拮抗变形的仿蚯蚓机器人单元,并将其串联得到一个8单元仿蚯蚓移动机器人.以该机器人为平台,从理论和实验角度研究了机器人在离散步态控制和等相位差控制下的平均速度和运动特征.研究发现,对于2种控制策略,实验得到的平均速度都与理论预测定性吻合,但机器人单元在运动过程中有可能发生显著的向后滑动,使得实验得到的平均速度低于理论预测的平均速度.随后,从波传播的角度对2种控制策略进行了比较.2种控制策略都使得机器人单元的变形以波动的形式沿机器人进行传播,传播方向与机器人运动方向相反,与蚯蚓的后退蠕动波机理保持一致.对于离散步态控制,波传播的波形、波速、波长和周期都与步态参数密切相关;对于相位差控制,波形和周期都由作动规律决定,不能通过相位差进行调节,但波速和波长与相位差成反比.从控制效果来看,机器人在最优的等相位差控制模式下可以实现更高的平均速度,且与蚯蚓的连续特征保持一致,具有一定的优势.

融合注意力机制与双向长短时记忆网络的基于语音分析的抑郁识别方法

为有效地通过语音识别抑郁状态,在将语音进行滤波、降采样等预处理后通过短时傅里叶变换成时频图,输入本文提出的DD-AudioNet(一种融合注意力机制与双向长短时记忆网络的卷积神经网络)进行训练,提取神经网络的瓶颈层向量作为深度学习特征,共128个,再加上声学、频域、停顿、Mel频率倒谱系数和色度5类常用特征共计563个,基于特征选择方法Lasso选择了26个.用迁移学习方法CORAL拉近训练集和测试集的特征分布,最后通过逻辑回归、随机森林和XgBoost分别进行分类辨识.实验结果表明,本文通过高维度特征定义与选择,设计的DD-AudioNet提取的深度学习特征可有效提升基于语音的抑郁状态辨识能力.

基于行波函数的仿蠕虫移动机器人驱动信号统一表征方法

提出了基于行波函数的仿蠕虫移动机器人驱动信号统一表征方法.首先,针对连续型仿蠕虫移动机器人,推导了基于行波函数的驱动信号表达式,并提出了驱动信号波形生成函数的构造方法.然后,针对多单元仿蠕虫移动机器人,修正了基于行波函数的驱动信号表达式,并证明了多单元机器人的驱动信号表达式可以转化为连续型机器人的驱动信号表达式.最后,简单介绍了当存在以不同波速传播的驱动信号时和当不同部分上的驱动信号波形生成函数不相同时的驱动信号表达式.将本文提出的方法应用于一个连续型仿蠕虫移动机器人和两个多单元仿蠕虫移动机器人,新驱动信号表征方法和原驱动信号表征方法得到了相同的结果,表明本文方法具有很强的适用性.

面向光束平差法的视觉SLAM并行计算架构与实现

同步定位和建图(SLAM)是解决机器人探索未知环境的最基本的方法之一,它能够让机器人在无需预先获得场景定位基础结构的条件下便可以进行定位和避障.作为一个普遍而通用的解决方法,光束平差法被绝大多数的视觉SLAM算法的后端优化环节所采用,但实际应用中需要耗费大量的计算资源和时间.目前,视觉SLAM算法对算力要求越来越高,其中后端性能优化更是直接影响视觉SLAM算法的整个性能.本文提出一种基于FPGA的光束调整加速架构,该架构包括矩阵乘加加速器、舒尔补构造加速单元以及预处理共轭梯度求解器,能够有效地简化求解矩阵规模,以并行化方式加速求解后端优化方程.本文使用高层次综合来实现基于块的预处理共轭梯度加速器的并行化设计,比ARM计算平台提升了27.7倍的执行速度,节省了约95%的能耗,所提出的加速架构能灵活适用于采用各种视觉SLAM算法的光束平差法部分的运算.

基于时移和片组注意力融合的双流行为识别网络

基于深度学习的行为识别算法往往由于复杂的网络设计而难以在实际应用中达到快速、准确的识别效果.针对以上情况,提出一种轻量型的基于时移和片组注意力融合的端到端双流神经网络模型.算法在RGB与光流分支网络中,采用时间稀疏分组随机采样策略实现长时程建模,利用时移模块在时间维度上置换部分通道从而结合邻帧信息来提升时序表征能力,同时通过多路径及特征图注意融合的片组注意力模块提升网络的识别性能.实验表明,模型在行为识别公共数据集UCF101及HMDB51上分别达到了95.00%和72.55%的识别准确率.

下肢康复机器人人机耦合动力学建模和主动柔顺控制

针对多关节下肢康复机器人非线性人机交互作用力影响训练过程中舒适度和安全性的问题,提出一种人机耦合动力学建模方法和主动柔顺控制策略。结合脑卒中发病初-中期康复训练特点和降低髋关节输出功率的要求,确定出坐卧式下肢康复机器人自由度配置、自平衡结构原理,并完成具体模型设计。基于简化的人体肌骨模型,考虑人机耦合方式,确定出人机交互作用力模型,进一步给出考虑自平衡结构影响的人机耦合动力学模型。引入环境刚度模拟患者踩踏在不同路面的接触力效果,利用动力学前馈进行关节期望力矩补偿控制,并通过李雅普诺夫定理判定控制系统的稳定性。通过实验验证了轨迹跟踪、力跟踪的准确性,进一步通过临床试验,92.2%的脑卒中患者病情得到缓解,验证了研究内容的可行性和安全性。