骨骼服灵敏度放大控制方法研究

为了减少操作者和骨骼服之间的传感器,并在减小操作者施加力矩、提高操作者舒适度的情况下,实现骨骼服跟踪操作者的运动,研究了一种骨骼服灵敏度放大控制方法。利用Matlab的SimMechanics工具箱建立了骨骼服的摆动腿的单自由度和三自由度模型,作为控制对象,根据骨骼服的数学模型设计了灵敏度放大控制器,以PID控制器仿真实现人机之间的交互模型。仿真结果表明:骨骼服运动过程中,在驱动器施加较大力矩的情况下,操作者只需很小的力矩就可以摆动骨骼服,能够有效降低操作者的能量消耗,是一种行之有效的控制方法。

GA优化的RBF神经网络外骨骼灵敏度放大控制

为改善外骨骼机器人灵敏度放大控制(SAC)性能,结合遗传算法(GA)与径向基函数(RBF)神经网络建立在线计算外骨骼机器人的精确动力学模型.用GA优化RBF神经网络的中心矢量与基宽度,并对RBF网络的权值实时更新,在线学习外骨骼机器人动力学模型中的参数矩阵,进一步推导出SAC控制律.仿真结果表明:GA优化后的RBF网络,可以在线学习外骨骼的动力学模型,基于该模型的SAC能够实现精确的人体轨迹跟踪,相比于优化前,人体轨迹跟踪误差以及人机交互信息会快速减小并收敛到0的微小邻域内,可实现人机协调运动.

下肢外骨骼康复机器人的灵敏度放大控制研究

针对课题组研发的下肢外骨骼康复机器人中的患者主动训练模式,提出了灵敏度放大的控制方法,建立弹簧阻尼模型更好的模拟出人机交互时的交互力,并通过Matlab/Sim Mechanics和BP神经网络建立逆动力学模型,用Sim Mechanics和Simulink模块进行了计算机仿真实验,仿真结果表明采用灵敏度放大控制方法能减小患者训练时体能的消耗,实现了患者以较小的力矩带动外骨骼实现共同运动,同时可以采集到患者腿部的数据进行康复评价.

基于支持向量机的外骨骼机器人灵敏度放大控制

为了准确控制外骨骼机器人跟随人体运动,需要建立其动态、精确的数学模型;人体下肢外骨骼是一个多自由度、强耦合以及非线性的多连杆系统,难以建立准确的运动学和动力学模型;文章使用三维运动捕捉与空间定位系统,获取实际人体运动参数(运动学与动力学),应用支持向量机(SVM)学习人体下肢外骨骼的数学模型;基于该模型构造基于支持向量机模型的灵敏度放大控制方法;文章使用MATLAB和LIBSVM建立外骨骼下肢机器人的数学模型,并进行仿真分析;仿真结果表明基于SVM的模型学习方法,能够准确计算出人体下肢外骨骼的动力学模型,并简化建模过程;基于SVM的灵敏度放大控制,能够有效计算出人体下肢外骨骼各关节(髋关节、膝关节、踝关节)的输出力矩,并控制外骨骼机器人跟随人体运动。

下肢骨骼服全过程运动控制研究

为了实现下肢骨骼服的全过程运动控制,提出了对下肢骨骼服进行分阶段控制的策略。根据人体运动数据将下肢骨骼服的运动划分为摆动阶段和支撑阶段;根据这2个阶段的特点,摆动阶段采用灵敏度放大控制方法,支撑阶段采用位置控制方法,利用脚底压力传感器信号实现两种状态下控制器的切换。分阶段控制策略既利用了灵敏度放大控制的优点,避免了在使用者身上安装传感器的问题,同时又利用位置控制方法解决了模型不确定性较大的支撑阶段的控制。仿真结果证明,在设计的控制器作用下,下肢骨骼服能够准确迅速跟踪人的运动轨迹,并能提供运动所需的大部分力矩。

一种基于模型的下肢助力外骨骼混合控制策略

针对外骨骼控制中运动的灵活性和良好的辅助效果难以兼容的问题,提出了一种混合控制策略。该策略基于重力补偿、灵敏度放大和力闭环控制方法。对外骨骼的支撑腿和摆动腿采用不同的控制方法,支撑腿采用线性三维倒立摆模型进行重力补偿,结合灵敏度放大法,达到良好的跟随运动与支撑助力效果。在摆动相使用双量程传感器检测人机交互力,预测主动关节运动趋势,作为力反馈信号,构成力闭环的控制策略,满足人机随动的使用目的。完成了单关节的跟随性能测试,在此基础上进一步完成了负重蹲起试验、连续行走试验、穿戴者负重感测试,验证了外骨骼在支撑相和摆动相控制策略的有效性以及系统的助力效果和运动跟随效果。