文摘

下肢辅助外骨骼是旨在帮助运营商步行或携带有效载荷。外骨骼是人类运动所需的影子意图准确、顺从地防止不协调。如果用户的意图准确估计,一个精确的位置控制策略将提高用户之间的协作和外骨骼。本文混合位置控制方案,结合滑模控制(SMC)和小脑模型关节控制器(小脑)神经网络,提出了人类运动意图控制外骨骼的做出适当的反应。利用遗传算法(GA)来确定最优滑动面和SMC的滑动控制律来提高性能。提出的控制策略(SMC_GA_CMAC)与三种其他类型的方法相比,也就是说,传统SMC没有优化,优化SMC与GA (SMC_GA)和SMC小脑模型补偿(SMC_CMAC),都是用来跟踪所需的关节角位置,推导出从临床步态分析(CGA)数据。位置跟踪性能与使用ADAMS和MATLAB / SIMULINK cosimulation调查两种情况,第一种情况是没有干扰而第二个病例是一个有界扰动。cosimulation结果表明该控制策略的有效性,可以采用类似的外骨骼系统。

1。介绍

下肢外骨骼,始于1960年代末,是一个机电结构所穿的人类用户的智能设备援助和增强性能。近年来,可穿戴机器人吸引了许多研究者广泛的利益。伯克利的下肢外骨骼(BLEEX)旨在帮助人们走了带负载,可以走0.9 m / s的速度而携带34公斤有效载荷(1]。机械腿有7个自由度(三个在臀部,一个膝盖,脚踝和三个),其中四个自由度由valve-based驱动液压驱动系统(2]。然而,这些许多活动自由度系统复杂和沉重,重38公斤。后者外骨骼,ExoHiker, ExoClimber,和人类负重外骨骼,简化机械结构和减少活动自由度的数量,同时携带更多的有效载荷可达68公斤- 90公斤(3]。提出的混合式辅助义肢),在日本筑波大学,有两个在髋关节和膝关节活动自由度,根据收集到的电信号控制的肌肉(4]。哈尔是用来帮助用户携带负载和帮助残疾人行走5,6]。欠驱动外骨骼系统设计基于适当的标准来帮助步兵士兵走在不同的地形,关节活动应用于膝关节而其他关节被动(7]。莫雷诺等人研究和分析可穿戴式下肢外骨骼的人际互动,在机器人收集信息从传感器来检测人类活动和主题也修改他们的外骨骼的步态模式来获得所需的响应(8]。

虽然许多类型的下肢外骨骼机器人研究,human-exoskeleton合作运动是相当复杂和困难由于非线性动态模型的特点和不确定性,例如,外部干扰和无意识的动作。实现目标的外骨骼为人类提供援助,一个一致的动态跟踪性能要求操作外骨骼在高效、平滑,连续的方式(9]。控制过程可以分为两个步骤,获取人体运动意图与人机交互(HRI)和后人类运动意图准确。

当使用者想要移动,中央控制器将控制信号发送给执行外骨骼听从指挥信号,在此期间HRI减少。控制的一个关键问题是遵循人类运动的意图准确地估计。意图跟踪,越准确越顺从地外骨骼的作品。机器人机械手的精确运动控制已收到相当大的注意力从许多机器人技术研究者和挑战继续限制整体控制性能,因为结构化和非结构化的不确定性的10]。在外骨骼,结构化不确定性包含负载变化,而非结构化不确定性包含传感器噪声、关节摩擦,和外部干扰。有许多方法等位置控制的方法来处理不确定性的鲁棒控制(11,12),自适应控制13,14),智能控制15),和滑模控制16]。

SMC是一种鲁棒控制方法,驱动状态轨迹预定义的滑动面采用不连续控制输入(17),用于改善机器人机械手的控制性能与模型参数摄动等不确定因素,未知关节摩擦和惯量,和外部干扰(18]。值得注意的是,其总体性能优于普通PID控制算法(19]。设计一个控制器SMC的过程有两个步骤:定义合适的滑动表面和不连续控制律设计13]。SMC应该选择适当的参数获得最佳性能。一些常见的优化方法是提供和应用于机器人,例如,GA (20.),粒子群优化(PSO) (21),蚁群优化(ACO) (22),而进化算法(EA) (23]。遗传算法实现简单,能够找到全局最优解24),这是用来优化智能结构的方法(25,26]。解耦SMC作为依法监督控制器应用PID控制,使用遗传算法的参数调整,提高跟踪性能和消除抖振的问题27]。增益开关和滑动面常数参数选择通过GA, SMC设计可以获得令人满意的性能(28]。然而,GA只是用来优化参数的滑动表面或SMC控制法律。在这项工作中,我们使用GA优化所有参数的滑动面,同时控制律。

最优SMC可以处理不确定性达到令人满意的性能。改善跟踪性能,不需添加与财产补偿项的快速学习能力。阿不思·[的小脑模型提出了第一个29日类似于人类小脑的模式,这是一个autoassociative内存前馈神经网络。与其他前馈神经网络相比,它具有更快的收敛速度(30.]。方法采用小脑模型与SMC补偿项应用于机器人机械手的位置控制31日]。在这项工作中,我们建议最佳SMC用GA和小脑模型补偿结合,形成混合位置控制策略。

本文的其余部分组织如下。给出了具体的系统研究在第二部分。节3详细解释,提出的控制策略。Cosimulations使用该方法和结果分析提出了在第四节。结论是在最后一节。

2。问题的配方

2.1。外骨骼配置

基于生物设计原则,设计了外骨骼必须保持适应性人类下肢的多功能性。一个可用的强大的工具在设计一个辅助外骨骼是巨大的临床步态分析(CGA)数据对人类行走(32]。海巡署数据(33),我们的外骨骼设计如图1。如图1所示,有两个主动关节的一条腿在矢状面,膝关节和髋关节由液压驱动系统驱动。

2.2。外骨骼的数学模型

multirigid系统欧拉是机器人机械手的常用的建模方法。外骨骼是一个典型的人机协作系统,包括用户的下肢和机械的四肢绑在一起的袖口的交互。获得数学模型,单腿外骨骼因为它的对称结构。不失一般性,摆动腿的外骨骼机器人的动力学方程可以表示如下: 在哪里是对称的惯性矩阵;科氏力和离心力矩阵;引力矩阵;是控制输入向量;表示未建模动态和外部干扰。

的动力学模型(1),表现为以下几个特性(34]。

属性1。矩阵是对称的正定。

属性2。矩阵是一个斜对称的矩阵如果,。

财产3。存在有限的标量,这样,,,在动态模型,这意味着所有项目是有界的。

在机器人的位置控制机械手,我们定义轨迹跟踪误差 在哪里跟踪误差,参考轨迹,是实际的轨迹。基于(2),我们可以获得 在哪里和第一和第二的导数吗,和命令输入角速度和加速度向量,然后呢和的实际输出,分别都是有界的。

3所示。控制策略设计

3.1。滑模控制

一般的SMC设计包括两个步骤:滑动面设计和施工控制律。SMC的目的是跟踪指定的轨迹人类意图和维护系统轨迹的滑动表面(18]。考虑到存在不确定性,包括未建模摩擦的变化参数,和外部扰动的鲁棒性应该外骨骼系统的控制器设计的一个重要问题。一般滑动面被定义为。为了提高控制器的鲁棒性,设计了积分滑动面表示如下(35]: 在哪里和正定矩阵。然后可以推导出: 作为SMC的第二个设计阶段,应该选择控制律,它应该满意SMC的存在条件(36]: 外骨骼系统在研究中,我们定义了SMC控制律如下: 在哪里,和正定矩阵,是一个象征性的功能如下所示:

SMC算法抖振现象,影响位置控制的准确性。为了消除抖振,连续函数继电器特色是用来取代符号函数的函数限制在理想的边界层滑模轨迹(37]。然后(7)可以写成 在哪里,。在稳定性分析之前,Barbalat引理显示为以下(38]。

Barbalat引理。如果一个可微函数 有一个极限 ,如果 是均匀连续的呢 作为 。

定理1。提出的控制器(9)保证渐近收敛于零,轨迹跟踪误差和滑动表面。即系统全局稳定;也就是说,当,,。

证明。李雅普诺夫函数被定义为 区分关于时间的收益率 考虑到财产2,然后 结合(10)- (12),你可以得到 和可以解决的 用(14)(13),然后 用(7)(15),我们可以获得 很容易知道和正定矩阵;因此,;然后。因此,该系统是全局稳定的。与Barbalat引理,作为;然后一个人知道和作为。这种控制律可以实现轨迹跟踪误差收敛到零。

3.2。遗传算法

在SMC,这些常数参数存在的滑动面和控制法律,这是,,,和在(9),确定总体性能。因此,有必要使用优化算法找到的最优值。遗传算法是一种自适应启发式搜索算法,模拟生物进化的自然选择过程,并使用开发一系列的搜索空间指向一个最佳的解决方案。有五个组件需要实现GA:表示,初始化、适应度函数、遗传算子和遗传参数(39]。

一个简单的遗传算法包括三种类型的接线员:选择、交叉和变异40]。选择是一个概率的过程选择染色体种群中使用他们的健身价值。健身价值较大的染色体可能是选择繁殖。交叉是一个过程,随机选择一个轨迹和互换角色向左或向右的轨迹两个染色体之间创建两个后代。为父染色体交叉发生的概率通常是将一个较大的值(例如,0.8)。突变是随机翻转的一些碎片通过改变“0”到“1”,反之亦然,有一个小概率(如0.001),保持遗传多样性保证GA可以来更好的解决方案。遗传算法优化的过程如图2。如图2显示,参数如人口的大小和生成和代码的长度应该初始化;然后选择的过程中,交叉,变异之前,直到满足收敛条件。

3.3。SMC与GA优化

根据适应度函数,上面所讨论的,在实施前应确认GA SMC。SMC的目标是实现精确的机器人机械手轨迹跟踪;轨迹误差越小,更有效的控制器。这些参数优化轨迹误差相关;因此适应度函数定义如下: 适应度函数,这些参数可以找到跟踪误差最小化的过程中使用设计的轨迹跟踪控制律。在遗传算法的搜索空间,SMC将适应度函数最小值时最优参数。SMC优化的算法GA算法显示为1在附录一个。

3.4。小脑模型神经网络

小脑模型神经网络有三个步骤:将一个输入到联合区,通过哈希编码压缩存储单元,计算的输出作为一个标量产品内存区域(41),如图所示3。小脑模型的输出可以表示如下(42]: 在哪里协会是一个由输入矢量投影向量,权向量,是散列的矩阵编码,是散列向量的数量,是协会的数量向量,代表协会单位反应散列单元。

类似于其他神经网络,重量参数应该被更新使用最小二乘法(LSM)。更新过程表示如下: 在哪里权向量增量,是学习速率,,是目标输出,是惯性参数。

小脑模型最初是应用于控制问题的提出米勒三世et al。43]。小脑控制回路通常添加到传统的控制回路,在传统的控制器促动植物稳定和小脑模型有助于提高控制严谨而不影响传统的控制回路(44,45]。换句话说,小脑控制通常是作为补偿项添加传统的控制方法。该算法相结合的混合控制策略SMC和小脑模型显示算法2在附录B。

3.5。GA文中针对SMC和小脑模型神经网络的组合

基于以上讨论,我们可以结合SMC, GA,和小脑模型神经网络混合控制策略,叫做SMC_GA_CMAC。我们可以把该控制律的基础上(9)如下: 在哪里代表了小脑模型神经网络的输出,是一个正定矩阵,,,,使用遗传算法优化矩阵。达到条件(6)、小脑模型的输出约束如下:

外骨骼系统,控制图如图所示4所示。如图4表明,GA,得到最优参数,,,构建优化的SMC。小脑模型的输入更新滑动面及其重量是来自跟踪误差最小化。提出了控制律的输出,其中是主要的输出SMC_GA和小脑模型提供的补偿输出。

4所示。模拟提出的控制策略

在本节中,该方法是通过模拟研究。仿真结果,从应用程序到控制摆动腿的外骨骼使用提出的算法,给出了。如图1显示了活动自由度,髋关节和膝关节,踝关节是被动的。基于(1),摆动腿的动力学模型可以表示为 在哪里,,,,,。在模拟所需的下肢关节角位置源于的注册会计师数据如图5所示。周期性的步态的周期是2秒,我们将获得关于时间的拟合表达式 在哪里和所需的角位置的髋关节和膝关节,分别。

探讨了该方案的有效性和鲁棒性,被认为是两个仿真例:没有具有有界扰动的干扰(例)和(两个)。外部的干扰是时间的函数,假定有一个上限: 记录各自的表演,均方根误差(RSME)检查控制性能定义如下: 在哪里是误差向量的大小。我们整合ADAMS和MATLAB / SIMULINK控制外骨骼使用提出的控制策略,在图所示6。如图6从亚当斯模型显示,有六个输出变量角位置,速度,加速度摆动腿的膝关节和髋关节在MATLAB设计控制器输出两个控制力矩ADAMS模型。图6(一)显示了在亚当斯和外骨骼模型图6 (b)显示了仿真软件的控制方案。设计控制器产生控制信号转移到亚当斯在外骨骼关节的运动学信息以亚当斯和返回给MATLAB工作区。之间创建一个通信块MATLAB和ADAMS的动力学运动步态周期如图7,这说明了平地行走的下肢外骨骼。

提出控制方案之间的比较和传统SMC, SMC与小脑模型神经网络(SMC_CMAC),并与GA优化SMC (SMC_GA)进行。模拟比较,包含跟踪位置和跟踪错误的SMC, SMC_GA, SMC_CMAC,和SMC_GA_CMAC情况1和情况2、在数据描述8和9。如图8所示,数据8(一个)和8 (c)代表了髋关节和膝关节的关节轨迹跟踪数据8 (b)和8 (d)显示跟踪误差的比较这两个关节分别使用四种控制器。可以看出,所有的控制器可以实现良好的跟踪性能和传统SMC没有优化的最大跟踪错误。同样,角位置跟踪和跟踪比较,以防数据中描述了两个错误9(一个)- - - - - -9 (d)。如图9显示,所需的关节角轨迹也可以被跟踪。评估的控制性能情况1和情况2、RSME比较使用四个控制器中描述数据10和11。图10 ()给RSME两个联合跟踪错误,以防一个图10 (b)描述了在两个。在两种情况下,性能序列从糟糕到更好的应该SMC, SMC_CMAC SMC_GA, SMC_GA_CMAC。图(11日)说明了髋关节的RSME比较图11 (b)膝关节的说明。在数据10和11,RSME并不大的改变;因此,提出控制策略存在外部干扰时仍能工作。

如果RSME作为基准,改善百分比(IMP)四种控制器的性能情况1和情况2显示在表中1和2。两个表显示,提出的控制策略将获得改进百分比最高的69.4%和76.8%分别为髋关节和膝关节,以防一个改变时,以防两68.1%和76.8%。表1和2说明,SMC_GA不如比SMC_CMAC SMC_GA_CMAC但是具有更好的性能,而SMC_CMAC优于SMC。因此,提出的控制策略是可靠的和有效的外骨骼系统动力学是否受到外部干扰有界。

5。结论

对下肢外骨骼辅助,精确的位置控制human-exoskeleton协作是非常重要的。本文提出混合位置控制策略SMC_GA_CMAC遵循人类肢体关节轨迹的外骨骼。遗传算法用于查找SMC和小脑模型神经网络的最优结构实现为补偿来提高跟踪性能。拟议中的SMC_GA_CMAC控制策略被证明是稳定与李雅普诺夫函数和特性更好的跟踪性能与SMC相比,SMC_GA, SMC_CMAC。提出的控制算法保证了高精度位置控制的要求机器人机械手动力学不确定性。混合控制策略SMC_GA_CMAC更适合控制外骨骼遵循人体运动意图下的发生的不确定性。此外,该方法将调查和探索在现实外骨骼原型在不久的将来。

未来的研究将集中在优化需克服其缺点,因为二进制输入字符的映射,可以解决模糊逻辑在cosimulation等智能方法。人类的运动意图的评估也是一个至关重要的挑战,这将是使用机器学习方法的调查。

附录

答:SMC使用遗传算法优化

看算法1。

b .小脑模型神经网络补偿

看算法2。

相互竞争的利益

作者宣称没有利益冲突。