下肢助力外骨骼机器人自适应阻抗控制研究

当前用于人体运动增强的下肢助力外骨骼系统获得越来越多的关注。获取高精度跟随控制是下肢助力外骨骼机器人研制的主要挑战。针对当前基于位置的控制算法需要复杂的外骨骼动力学模型的问题,该文提出了基于增强学习的变参数阻抗控制算法。首先介绍了HUALEX助力外骨骼系统并对HUALEX建立简单动力学模型。基于此,提出一种基于增强学习的自适应阻抗控制算法,验证了阻抗参数对控制效果的影响,并通过仿真实验验证了该算法的有效性。

下肢外骨骼助力性能评价方法研究

为定量研究下肢外骨骼的助力性能,提出了助力性能量化指标矩差和ΔT与矩差功率比μ,矩差和ΔT定义为人体穿戴外骨骼前后下肢髋、膝、踝三关节力矩差值之和,矩差功率比μ定义为ΔT与外骨骼消耗的总功率p之比。建立了下肢外骨骼的动力学模型,结合人体步态运动数据获得了在常见步态下总功率p的变化情况。利用动力学分析软件ADAMS建立了人体简化仿真模型和人机穿戴仿真模型,分析了ΔT的变化规律,结合p和ΔT得到μ的变化规律,结果显示,在行走站立阶段,ΔT均保持较大数值,表明穿戴外骨骼之后,在站立阶段人体下肢三关节力矩大幅减小,外骨骼辅助作用明显;矩差功率比μ均在摆动阶段取得最大值,表明在摆动阶段外骨骼单位功耗对人体辅助贡献大,功耗利用率高。

基于增强学习的下肢助力外骨骼虚阻抗控制（英文）

提出了一种基于增强学习的变虚阻抗控制算法,其控制器设计为一个结合人机交互模型的虚阻抗控制器。为了适应不同穿戴者所产生的交互力,采用了PI2增强学习算法对控制器中的参数进行在线学习。该控制策略在一自由度外骨骼平台和HUALEX下肢助力外骨骼上进行了实验验证,证明了所提出控制算法的有效性。

基于GAN的多维时间序列人体步态数据增强

典型的外骨骼机器人控制策略通常需要大量的人体步态数据来计算控制器的参考输入;步态预测或分类任务也需要大量的步态数据用于模型训练.数据增强技术可以合成与真实数据分布相似又保持原始数据动态特性的人工数据,从而降低人工收集步态数据的成本,有助于提高控制器的精度或模型的泛化能力.本研究以健康受试者在光学运动捕捉平台采集的原始步态数据为基础,通过建立多维和一维生成对抗网络模型学习真实数据的潜在分布从而生成相似分布的合成数据以达到一倍至数十倍增强真实数据的效果.对增强后的数据采用T-SNE可视化、JS散度和MAE度量两种数据的相似度,相比于一维时间序列GAN模型,多维时间序列GAN模型无论是从数据分布相似还是统计相似上精度都更高.

基于多传感器信息融合的外骨骼运动意图辨识

为了实现外骨骼机器人的柔顺运动控制,需要对穿戴者的运动意图进行实时准确地辨识与预测。本研究利用多传感器信息融合的方法完成对穿戴者运动意图的识别。通过对多种机器学习算法在识别准确性、资源消耗和处理实时性进行比较、最终确定利用支持向量机(SVM)实现对日常8个运动模式(静坐、双腿站立、步行、跑步、上下斜坡和上下楼梯)完成动作模式的识别,识别平均准确率达到95%。对于运动相位和运动切换事件的预测,利用神经-模糊推理理论完成运动相位识别与状态切换事件的预测。在给定的测试集上相位识别准确率为99%,且预测的状态切换时刻与真实时间的偏移绝对值的均值为61.6 ms,满足外骨骼柔顺控制对预测时间的要求。