文摘

我们已经开发出一种新的离散算法的刚度提取表面肌肉肌电图(表)来自人类操作员的武器和应用它抗干扰控制机器人遥操作。臂刚度的变化估计从面肌信号和转移到变阻抗控制下的一个远程机器人模仿人类运动控制行为,特别是对扰动衰减。从表估计刚度相比,该算法能够减少非线性残余误差的影响,提高健壮性和简化刚度校验。为了提取包络平滑刚度面肌信号,两个本文采用包络方法,即快速线性包络基于低通滤波和移动平均和振幅单组分和频率调制(调幅-调频)方法。这两种方法都已纳入拟议中的刚度方差估计算法和广泛测试。试验结果表明,基于这两种方法提取刚度变化和健壮的衰减扰动很敏感。它可能申请操控的危险环境或人类机器人物理合作场景。

1。介绍

生理实验表明,人类的手臂可以通过人类的运动控制,稳定主要依靠机械阻抗适应在与外部环境互动(1]。这样的行为已经受到了越来越多的研究关注在仿生控制器设计2- - - - - -4),已应用于人类的机器人技术转移,例如,康复和手册培训。

传统智能控制可以处理系统不确定性动态的形式(5- - - - - -7),而“人类”控制器可以没有模型信息而设计的。人类灵感控制策略(3]使机器人能够在经济的角度来看,一些人类的运动特性和有发展潜力的人类机器人交互特别是一些物理机器人耦合情况下,例如,康复或日常物理合作任务。此外,如春的机器人关节致动器等系列弹性致动器(海)8]或可变阻抗驱动器(通过)9)允许研究人员适应机器人阻抗参数物理或可编程(10]。然而,它仍然是很难选择合适的阻抗规定具体任务由于人类的复杂性和困难电动机精确建模(11,12]。

虽然存在不同类型的方法和技术对人类机器人技术转移与各种身体传感器,例如,基于视觉的运动技术转移从人类操作员到机器人13- - - - - -15]。这种方法是有效的对人类机器人运动学技术转移但很难转移人类刚度规定代表人类学习技能(16,17]。另一个有趣的方法是阻抗学习示范(18)需要一组例子的学习过程虽然可能不是有效的操控,因为环境建模的复杂性。触觉反馈可以使机器人更好的类似人类的方式调整其刚度(19)提高人类与机器人之间的互动性能,虽然也有局限性,由于不同的环境和不同的用户体验。

面肌电信号为基础的技术转移从人类的机器人可能会比较有利于人类和机器人互动之间的桥梁,为面肌信号表示人类肌肉激活和适当的肌肉cocontractions,面肌信号是一个近似的线性相关性与人类共同运动,力量,刚度,等等20.- - - - - -23]。此外,面肌信号容易建立直观的人工机器人交互界面(24- - - - - -27]。这也是一个前馈方式解码人类运动意图从面肌电信号的信号28]。

由于这些特殊性,面肌电信号的信号已经在遥操作场景中使用。在[26,29日,30.),一个机器人teleimpedance系统开发,结合刚度估计从面肌信号和运动学运动跟踪视觉标记粘人的胳膊上。

高效面肌电信号实时信号处理是至关重要的基于表在遥操作机器人控制,和基于离散时间的面肌包络似乎适合这个需求。在[31日),有一个总复习表处理,这表明离散时间等面肌信号处理的过滤器是更有效的离散小波变换(DWT)。在[30.],面肌信号处理提取增量刚度在离散时间域来减少非线性刚度估算残余误差和校准时间。在机器人应用测试干扰衰减对姿态控制和运动控制。然而,刚度估算光滑和健壮的方式仍然是一个具有挑战性的工作。例如,人类肢体刚度测量通常是基于机械扰动(32),但它不适合人类机器人实时互动,大错误生成人类手臂连续刚度估计,这可能消除远程机器人的性能。另外,基于刚度评估表可以根据肌肉cocontraction水平分为不同类型,和一些实验表明,机器人往往是更稳定的使用这样的离散方法,产生一个更好的性能在实际使用场景33]。

本文概要的遥操作控制方法是开发,基于刚度变化估计提出了我们的以前的工作30.]。整个结构如图1。人类手臂控制模型简化为一个前馈和反馈force-dependant force-dependant词项补偿外力(34)或虚拟外力从机器人视觉反馈的环境。人类操作员臂刚度变化是从表中提取信号在手臂抗干扰的任务。两个表信号包络的方法和他们的应用程序维护机器人姿态控制和路径跟踪控制被广泛测试一个巴克斯特机器人(35),这将在以下部分中详细描述。

2。方法

2.1。人类手臂刚度变化的估计

本文只对人类手臂肌肉cocontraction力影响刚度变化被认为是,除了手臂姿势的影响(32),因为我们主要关注刚度的变化在不同的采样间隔。此外,手臂姿势不会改变的实验。因此,刚度变化估计模型是相对简化。

根据联合部队和面肌信号之间的近似线性关系,人类手臂联合部队估计通过可以描述表(1)。 在哪里是一个向量的扭矩在关节空间。和分别表示受体激动剂和拮抗剂肌肉力系数表示程度的手臂的自由,表示数量的肌肉来衡量面肌设备。此外,,,在那里和表示每个主动肌肌群和拮抗肌群常数系数,分别。,。和分别表示对手,对手的肌肉cocontractions可由过滤面肌电信号的信号。是非线性剩余误差。,是人类操作员的雅可比矩阵的胳膊,是在端点上的力和力传感器可以测量。可以从表中提取信号。因此可以通过LS经验确定。

相应地,人类手臂关节刚度可以描述为(2根据()20.),如下: 在哪里,,表示生成的关节僵硬的肌肉,和是非线性剩余误差。

为了补偿可能的非线性残余误差,我们采用微分方法估计人类臂刚度变异。(2)可以修改,如下: 在哪里样品之间的刚度变化即时吗和,是样本之间的从表中提取信号包络变化即时吗和。注意,如果笛卡尔空间的矢量的端点,需要转化为机器人关节空间将下面几节详细讨论。为简化,在本文中,我们假设。

2.2。人类臂端点刚度变异系数的识别

摘要人类手臂手肘刚度变异系数的估计是基于人类端点刚度测量。力系数表信号估计刚度系数变化的先决条件,随着刚度变异系数的绝对值力系数表示的(2)。

一般情况下,LS估计系数是一个简单和有效的方法,已经广泛应用于人类肢体刚度测量(36,37]。在这里,我们使用(4)- (5)来估计刚度系数。评估期间,穿着MYO臂章(38)如图2(4通道激动剂肌肉和其他4通道拮抗剂肌肉)附近的上臂上手肘和施加的力在,,3可重复的轨迹,分别与他/她的手腕与耦合机制,以约束手腕运动。耦合机制是正确设计嵌入式与ATI mini45力传感器(39几个人类和机器人身体的手自由人类手臂和手腕的运动阻力端点刚度估算。力振幅和方向进行监视以武力展示界面的动态颜色条: 总的来说,我们可以区分力矩阵在每个坐标轴和相应的表信号,将归一化最大随意收缩(MVC)然后分化的方法,使用MATLAB / Simulink同步(40]。刚度评估程序可以在图3: 在哪里估计系数,,。

2.3。摘要信号的包络基于快速平滑算法

如上所述,面肌信号无损和生成肌肉活动,代表肌肉紧张,联合部队刚度变化,等等21]。面肌信号的线性求和的复合运动单位动作电位(MUAPs)列车引发的运动单位(41]。通常,20 - 500 Hz面肌信号提取的后处理42]。在这篇文章中,它是足够我们使用面肌电信号实现抗干扰实验采样率为200 Hz。此外,刚度估计从表应平滑,使机器人运动的。基于[43,44),修改后的快速摘要envelopig算法提取面肌电信号幅度信号显示在(8)- (10)假设之间没有延时程序: 在哪里,,表示表的过程输出信号平滑包络在简单的常数;是平方系数表信号;表数组的长度是在简单的常量;表示低通滤波器。是零持有人产生相同的数据维度参考位置的机器人运动复制,而本文的实验是在实时实现,所以重采样不是必要的。整个过程和示例的面肌包络图所示4。应该是面肌的包络信号,很容易使用微分法计算包络变化(15):

2.4。基于多波段调幅-调频模式面肌信号的包络

根据(27),面肌信号被视为单组分振幅和频率调制(调幅-调频)信号由于其多个特征波段,可以描述为(12),所以这里的关键是提取平滑从面肌功能的信号: 在哪里和分别表信号的振幅和相位。如前所述,面肌信号MUAP求和,可以用(表示13),所以面肌信号的振幅可以由主调幅-调频包围组件虽然面肌电信号的相位信号不被认为是。 在哪里表示瞬时的总和MUAPs,表示剩余错误造成的扰动,建模错误,有限的总和,等等。详细,面肌信号的包络提取需要6下面指定的步骤:(1)预处理:原始面肌电信号检测到信号预处理和上面提到的同样的速度。(2)信号细分:得到一个平滑信封以相对低的时间延迟,面肌信号实验划分为200 ms段没有重叠。(3)冷杉过滤:银行48阶有限脉冲响应(杉木)过滤器是利用清洁面肌电信号的信号。在MATLAB中实现如下功能: 在哪里,设计带通滤波器,;,功能设计成低通滤波器,输出从上面的第二步。(4)多波段解调:面肌信号的瞬时包络(IE)是基于离散能量分离算法(DESA)提出了45),可以在以下描述: 在哪里第四步的处理的输出;样品在一个段;是一个在样本即时样品吗;是一个段的长度。(5)序列平滑:21-pint经验中值滤波器的设计并用来移除的IE峰值序列。

整个过程和面肌电信号振幅包络图所示的例子5。

2.5。人类手臂刚度映射到机器人关节和可变阻抗界面设计

从刚度变化的估计,我们可以获得刚度变化的监管部门,可以从笛卡儿空间转移到关节空间通过以下: 在哪里表示估计样本联合刚度常数和是人类手臂的雅可比矩阵。在这篇文章中,估计笛卡尔端点刚度变异算子的手臂。特别是针对单一关节刚度估算,,在那里的长度是链接连接到特定的联合。机械臂关节刚度计算如下: 在哪里和目前在样本即时关节僵硬吗和最初的机械臂关节刚度分别在样本点是刚度的变化吗,是以前的刚度变化的总和。此外,它是重要的规范化的刚度在指定期间稳定地区稳定人类机器人刚度映射;否则它将映射nonconsistent这可能花费很多时间来优化控制参数。在这里,机器人手臂稳定地区和可以获得实验。因此,我们可以采用以下: 在哪里根据评估表,表示修改刚度值是估计的最大值关节刚度规定,是估计关节刚度规定的最小值,和巴克斯特机器人的稳定极限,是每个样本的估计关节刚度常数。

总之,映射模型和阻抗界面设计如图所示6机器人指挥运动位置的参考轨迹或一个固定的点。映射刚度将获得反馈回路的位置误差和速度是阻尼的增加将简化为(20.),选择经验。所以整个实验系统可以被视为一种人类机器人集成系统见图6。阻抗界面是一个PD控制在每个关节如下面所示:

3所示。实验系统设置

硬件设置刚度变异系数估计如图8。人类的手腕固定耦合机制与力传感器组装基地。人类主体是坚持一个便携式支持补偿胳膊肘重力。MYO是戴在肘部附近的上臂肌肉(参见图检测9)活动。

机器人实验平台在这个工作是巴克斯特机器人由躯干,2自由度的头,和双7自由度手臂,扭矩传感器,编码器,并通过一个标准的直接编程访问ROS(机器人操作系统)接口,等等。巴克斯特的每个关节机械臂是由串行弹性致动器(海),它提供了被动合规最小化任何接触或影响的力量。巴克斯特机器人肩膀关节和分别采用抗干扰测试。整体实验系统如图7。静态和动态抗干扰测试实现巴克斯特机器人,分别如下:(1)抗干扰控制下的姿态维护:如图10,与变刚度适应共同将回应外部干扰而其他关节将保存在高刚度模式没有外部干扰的效果。在测试期间实现,人类的话题将机械臂上的随机干扰,而人类的主题谁穿MYO臂章的前臂将加强他的手臂当看到机器人手臂扰动下的视觉反馈。(2)抗干扰控制在路径跟踪:如图11,动态联合选择抗干扰。巴克斯特的机器人联合跟随参考轨迹来,而人类主题应用随机干扰在巴克斯特的手臂移动手臂时来和其他学科做类似的抗干扰任务时姿势抗干扰控制测试机器人受到干扰。其他机器人关节也保存在高刚度模式为了清楚地识别巴克斯特机器人单关节的抗干扰性能。

4所示。结果

4.1。人类手臂刚度变异系数估计

显示在图12力和表之间的关系,使用LS估计线性模型方法。它可以得出的结论是,根据力和面肌电信号近似关系的两个表包络方法部分中描述2。图13显示了人类手臂刚度系数使用这两种方法的评估结果。它表明,两种方法都有类似的属性系数估计。虽然快速线性包络是速度比调幅-调频包围,但后来似乎更好面肌包络如图4和5。可以看出,图的包络花键5比图平滑4。

4.2。抗干扰控制下的姿态维护的结果

如图10,调幅-调频面肌包络算法用于抗干扰控制下的姿态维护。测试结果如图14。有三个步骤来测试人类的抗干扰时机器人的姿态控制。人类的主题优势机器人时手肘接触到扰动引起的话题,当扰动消失,人类主题的手臂返回放松。可以看出人类臂刚度变化非常敏感,成功消除了外部干扰。从干扰力包络表示,当抗干扰策略介绍在测试期间,巴克斯特联合振幅大大减少即使干扰力增加。

4.3。抗干扰控制下路径跟踪结果

如图11,抗干扰控制是实现机器人路径跟踪的情况下,基于快速面肌线性包络算法。测试结果如图15。可以看出,机器人可以按照参考轨迹没有外部干扰,但当外部干扰采用机器人手臂,机器人关节未能按照参考路径,甚至振荡发生在测试。然而,当人类操作员转移他的刚度巴克斯特机器人关节,巴克斯特机器人往往是更稳定和健壮的动态干扰较低位置错误。

5。结论

本文提出了一种新的离散算法从表面刚度提取肌电图(表),已测试操控下抗干扰的性能实验。我们使用两种方法的面肌包络方法从表中提取离散的刚度变化,分别。实验研究表明,这两种方法都是有效的和可靠的外部动态环境。该方法应用这些特性可能会在不同的遥操作机器人和人类互动的任务。

相互竞争的利益

作者宣称没有利益冲突。

确认

作者要感谢杨Runxian穆罕默德阿卜杜勒先生和夫人对他们的帮助在实验准备和安吉洛Cangelosi教授的技术支持在普利茅斯大学实验。作者还想承认支持的工程和物理科学研究委员会(EPSRC)赠款EP / L026856/1和EP / J004561/1,机器人技术与系统国家重点实验室(打击)sklrs - 2014 - 05 / SKLRS201405B女士,中国国家自然科学基金(国家自然科学基金委)拨款61273339。