迭代学习阻抗下肢康复机器人

文摘

论述了蹲训练中风患者的问题。主要的思想是纠正病人的训练轨迹通过迭代学习控制(ILC)方法。获得更好的康复效果,病人通常需要多次练习参考姿势,虽然大多数活跃的训练方法很难保持患者训练正确的姿势。而不是传统的ILC的策略,一个impedance-based迭代学习方法提出了动态调节阻抗值和潇洒地帮助病人正确的姿势逐渐和表现的更好。为了方便impedance-based ILC,我们提出两个目标。第一个目标是找到合适的阻抗值基于ILC方案。第二个目标是搜索适度学习收敛速度和鲁棒性在迭代域。仿真和实验结果表明,轨迹跟踪的性能通过该算法将大大提高。

1。介绍

中风是第三世界各地的永久性残疾或死亡的主要原因。据统计,在中国,中风的发病率是1.82%;多达1036万名成年人,超过40年的年龄,遭受中风(1]。再培训运动是中风患者恢复的关键部分,和步行和其他站动态平衡活动通常是很高的目标名单上的患者(2]。使中风患者恢复运动能力和释放物理治疗师的负担,许多下肢康复机器人开发。其中,Lokomat是一个典型的代表,它是一种外部骨架式下肢康复机器人,采取混合force-position控制策略,是致病的,使病人完成自由行走运动(3]。KineAssist是轮式移动机器人的步态和平衡训练,患者可以自由行走,提供援助和重量平衡支持(4,5]。他们都是高度赞扬和康复领域都取得了极大的成果。步态训练是一个重要的部分较低的康复机器人,这吸引了很多研究人员的关注。相反,尽管蹲训练是一个不可或缺的部分,它很少被提及。而不是专注于步态训练,我们强调蹲训练,改善臀部和大腿电力生产所必需的(6]。潜在的问题是,很难适应不同病人和确保跟踪的准确性和病人的安全和舒适,与此同时,给病人必要协助。

在康复训练过程中,机器人必须直接与人类互动和安全是一个关键问题。以确保机器人的安全交互与一个未知的环境,一种阻抗控制在1985年首次提出的霍根,基于这一想法,应该控制位置和力量,而是两者之间的动态关系(7]。致病的训练策略需要互动robot-patient控制,主要是通过阻抗控制的使用。康复机器人的各种研究阻抗控制研究[8- - - - - -10]。通过调整阻抗的机器人康复设备,机器人的行为可以调整从非常僵硬到非常兼容。机器人的行为可以更兼容如果病人轻微受损,病人能贡献更多的自愿努力机械培训过程。同样,机器人行为可以硬,如果病人无法达到的程度要求机器人训练过程中运动(11]。使用阻抗控制有利于提高人机交互的安全感和舒适感,战略被广泛证实。

迭代学习控制(ILC)已成为最有效的控制方法在处理重复跟踪控制问题或周期性扰动抑制问题[12]。ILC的概念是一个系统的性能可以提高多次执行相同的任务通过学习从以前的执行(试验)13]。与此同时,许多ILC算法提出了设计一个纯粹的前馈行动仅仅依赖前面的控制性能(14- - - - - -17]。迭代学习控制器,前馈控制器,生成一种改进的跟踪信号在过去特定的轨迹利用控制结果。自建模错误是不可避免的,真正的ILC系统可能违反它的收敛条件,尽管ILC标称模型(满足条件18,19]。鲁棒控制通常是进口的,在实践中,随着ILC,增强系统的鲁棒性和更好的跟踪性能20.,21]。ILC的应用之前,反馈控制器通常作为prestabilizer这将确保实现闭环稳定和抑制外源性干扰通过学习从以前的迭代,而迭代学习控制器提供了在特定的轨迹跟踪性能改善利用过去的控制结果。在过去的十年里,ILC引入康复领域由于其学习特点。由于步态运动的特点,Joonbum和音)提出了一个步态康复策略,辅助转矩计算在当前大步从以前的进步,基于信息受迭代学习算法(22]。鲁珀特,外骨骼机器人用于协助恢复手臂的功能,具有闭环控制器将pid反馈控制器和一个迭代学习控制器基于前馈控制器,旨在协助重复治疗任务相关活动的日常生活23]。最近,弗里曼等人开发了一个FES-based上肢康复系统,可以调整菲斯信号通过ILC[根据话题的跟踪性能24]。Joonbum和音)开发可穿戴式下肢康复机器人步态训练,将为患者提供智能辅助转矩ILC的帮助。鲁珀特和弗里曼等人的上肢康复机器人强调,结合与ILC反馈控制器,使系统稳定。

在本文中,一个impedance-based ILC蹲训练的方法和分析提出了中风病人在迭代域和时间域。方法是正确的病人的训练轨迹通过整合ILC方案与阻抗的值。具体来说,培训的修正轨迹康复机器人控制器的输入是通过ILC派生通过学习适当的阻抗值。通过学习过去的轨迹跟踪信息,提出了ILC方法能够逐步提高轨迹跟踪的性能,和具体的培训条件,可以获得不同的个体。提议的方法的收敛性和有效性验证通过案例研究通过模拟和实验的结果。

2。下肢康复机器人系统描述

2.1。硬件描述

如图1全向移动的机器人系统主要由底盘(OMC)和体重(受虐妇女综合症)系统的支持。OMC由两个被动轮和两个主动轮,前的是安装在机器人的前面可以朝各个方向,后者是在后面的机器人。每一个主动轮是由两个独立的伺服电机驱动,一个用于驾驶,另一个是用于指导。编码器安装在每个电机轴记录的旋转角度可以计算出机器人的位置。实际上,患者会分成不同的组考虑残疾的水平。残疾的病人患有中风损伤因人而异,也为同一病人在康复过程中。病人在高残疾水平可能无法站起来,更不要说训练,在正常重力环境。因此,受虐妇女综合症系统旨在提供0 - 100%体重的支持,可减轻病人的负担的腿。此外,受虐妇女综合症系统包含三自由度(标记为①,②,③在图1)来满足的需求自由行走,可以限制每个自由度的锁定机制。受虐妇女综合症系统是安装在导轨上,由一个独立的伺服电机驱动,这使得它在垂直方向还有一个平移自由度。

结束时受虐妇女综合症系统,两个基础力/力矩传感器,由ADI制造,安装记录人机交互力。部队可以测量200 N应用于水平面分辨率为0.0122 N。人体需要穿一个特别设计的皮带紧紧地绑在力传感器。在这种情况下,机器人的末端执行器和人类几乎是重叠的,所以我们假设病人的末端执行器是一样的机器人。病人的任务是根据给定的轨迹重复蹲;此外,监视器将提供视觉反馈培训期间的跟踪性能。在追踪任务中,机器人的工作是给病人一定支持,申请援助在跟踪任务,并在必要时将病人的位置。

2.2。建模和线性化

如图2,它是人类和机器人系统的几何形状。在跟踪任务,机器人需要补偿的位置X方向和Z主题下蹲时方向。运动以来Y方向是没有必要在这个任务中,受虐妇女综合症的冗余自由度系统限制通过锁定机制。同时,主题的脚的位置作为坐标系统的起源,因为它几乎是固定在地面训练。假设这个主题与机器人交互运用向量的力和力矩问交互点,力和力矩由两个力传感器测量。

结合人机交互动态模型可以描述为 在哪里 表示向量的机器人的位置、速度和加速度。是系统质量矩阵,是一个科里奥利矩阵,然后呢是引力矩阵。矩阵是向量的交互机器人系统的转矩。矩阵代表的矢量阻抗,人类和机器人之间的动态关系,用于指导主题的四肢参考轨迹。

众所周知,精确的机器人运动控制要求复杂的非线性控制器(25]。考虑到建模的复杂性和不确定性,很难设计控制器。为了便于控制器的设计,我们线性化非线性机器人系统,将其描述为整数阶26]。的一般整数阶线性系统给出如下: 在这个术语 ,这个术语 ,这个词 。输入项代表了扭矩信号,输出项代表互动点的速度矢量。

2.3。轨迹规划

由于没有具体的参考轨迹跟踪,一个实验是由一个健康主题的法律蹲轨迹。在这个过程中,机器人将以下模式来应对主体的运动,和编码器的实时数据存储。如图3,它是一个蹲轨迹图生成的记录位置参数。虽然显示轨迹如图3(一个)看起来令人困惑,所有的轨迹都在安全地带。不同于其他轨迹跟踪任务,蹲训练很可能导致跌倒或伤害这表明给定轨迹对人体不应该越过安全地带。有一个好的知识的每个培训的变化轨迹,三个破折号从图3(一个)。我们可以看到三个破折号如图3 (b)是不规则的,因为测试主题的运动是可选的,不受限制。跟踪任务简单,参考轨迹应该是简单的和光滑的。想法是,给定的轨迹是根据测试数据生成的;同时,位置偏差在一定范围是容忍期间将保证合规培训。

如图4,这是一个图的人类主体的下肢。A和B点代表了两种极端位置的训练。,距离联合脚踝关节膝盖,柄的长度,是大腿的长度。人类的关节角矢量 ,在那里和分别是脚踝和膝盖的关节角。发现科目的训练轨迹因人而异,而关节角的变化是相似的。因此,蹲的运动学公式给出了轨迹 在哪里是一个向量表示参考训练轨迹,是一个向量的联合变量引用,然后呢是一个向量的运动学参数。考虑到提前可以测量,末端执行器主要由的轨迹。

中风患者的残疾程度因人而异;有些病人可能严重受损,而其他人则轻微受损。因此,考虑到不同的残疾程度的病人,花费的时间,T沿着给定的轨迹,价值5至15秒。此外,主题往往会被要求跟踪相同的轨迹超过20次。本文的主要思想是根据参考轨迹正确的受试者的姿势,使培训过程通过修改这个词非常的舒适与迭代学习方法。

3所示。Impedance-Based迭代学习控制

3.1。阻抗控制

作为一种广泛使用的阻抗模型

条款 , , 增益矩阵,在哪里我是单位矩阵。如果我们希望沿着轨迹主体自由地移动,获得通常被设置为0的值和被认为是积极的价值观来创建一个自然的感觉。我们可以让机器人沿着预定轨迹移动病人的位置,设置 与标量 。增益越高是,硬系统,反之亦然。因此,僵硬的和兼容的特性主要是由收益。

正如上面提到的,机器人的工作是给受试者在必要时帮助和保障安全的交互。阻抗如何获得将是一项艰巨的任务。康复机器人的自适应阻抗控制是一种行之有效的方法来修改在步态训练机器人援助概念的基础上设置机械阻抗高(低合规)如果检测到工作或参与,反之亦然(11]。然而,高阻抗将增加机器人援助为了引导话题的四肢参考轨迹,让受试者不舒服和更有可能掉下来。不同于自适应阻抗控制方法,ILC可以逐渐减少定位误差。本文的目的是开发一种轨迹校正器,可以通过ILC正确的主体的姿态和提高主体的跟踪性能。

3.2。迭代学习阻抗

我们的方法的讨论之前,简要介绍ILC。如图5ILC的制定给出如下。考虑以下线性离散定常系统,也就是说, 在哪里是时候指数, 代表国家、控制输入和输出,分别。向量 与相应的矩阵维度。控制的目标是找到一个合适的输入(用)生产精确的遵循的参考轨迹。积分器,或者术语,是很少用来学习函数因为ILC自然积分器行动从一个试验下(13]。因此,可以作为PD-type学习法律 在哪里比例增益,是微分增益, 跟踪误差。从(4)和(6),阻抗可以作为学习法律 在哪里和是学习增益矩阵。

3.3。鲁棒性分析

的鲁棒性将讨论如下。在我们的例子中,人类的主题将回到起点结束时跟踪周期的初始状态条件是相同的在每一个迭代。然后,输出轨迹可以估计所需的输出轨迹和初始状态误差。定理1:在每一次迭代的初始条件是总是相同的;也就是说, 。

如果 更新法(6)确保 在哪里被简化为。

证明。让是一个控制输入

问题是等价的证明 。

我们定义

的主要思想是证明的证据 在哪里 。

从(4)和(9),我们得到

以规范双方(11),我们有 在哪里 , 。

两边乘以(12)和规范,

假设 ,可以选择足够大的有

因此,

根据规范的定义,这些融合统一 。因此, 统一在 。

从(10),(11),(12),(13),(14),(15)和(16),我们有 。

注意,在证明,每一次迭代的初始状态条件是相同的。因此,由此产生的输出轨迹可以通过设计获得准确估计和初始状态误差。从(9),如果 ,聚集的输出轨迹遵循所需的轨迹偏移量的初始误差,如果选择这样 ,学会了控制输入使得系统拥有一个渐近跟踪能力即使面对非零初始误差。

4所示。仿真和实验结果

如图6,这是该方案的原理图块。这个职位在整个迭代学习控制器阻抗方案生成阻抗轨迹跟踪误差的基础上,但不考虑人类受试者的积极的贡献力量。ILC块用于存储输入阻抗信号在前面的运行后,将用于下一次运行修改。因此,机器人的阻抗,反过来,增加或减少人类偏离主题。在这种情况下,人类受试者将在初步阶段自由移动;控制器的帮助下,他们将得到帮助当他们偏离预定义的轨迹。错误越多,阻抗越多,反之亦然。

动态模型应用于模拟,和人类主体的几何参数如表所示1。进行仿真验证该算法在MATLAB R2014a仿真工具箱。然后,康复机器人的实验补充验证该算法。

4.1。模拟研究

人与机器的参数系统仿真

阻抗控制器给出的学习效果如下: 在这个术语和这个词满足收敛条件(8)。

在仿真中,阻抗将使系统兼容和验证该算法的收敛性。因为很难预测主题的积极力量,活跃力量作为一个重复干扰噪声为了验证该控制方案的有效性在实际的工作环境。仿真结果如图7和8和潜在的问题将在下面讨论。

如图7图,它是一个反向的关节角的变化计算解决方案(1)。虽然比较期望的轨迹和跟踪轨迹直接反映了培训的质量,关节角的跟踪性能是更重要的是可以为我们提供更多的培训细节尤其是医生。蓝色,绿色,和黑色破折号代表关节角的变化在不同的迭代。我们可以得知该方法显示拒绝重复干扰的能力。

如图8参考轨迹的跟踪性能和跟踪轨迹进行比较。我们可以学习的跟踪误差收敛到零的增加迭代。

4.2。实验结果

正如上面提到的,该算法的收敛条件和鲁棒性。进一步,我们应用该算法对下肢康复机器人来验证其实际性能。在实验中,实验对象被要求跟踪参考轨迹的几何参数见表10倍1。体重支持实验的测试期间没有使用主题没有患中风或神经功能缺损。实验用健康的主题进行了评估,如果迭代学习阻抗计划可以修改机器人援助基于过去的跟踪信息。

如图9的,这是一个图的关节角变化的实验。在最初的几个试验,测试主题的关节角跟踪性能不好这表明他的姿势是不正确的。与迭代的增加,测试主题的关节角的变化近似方法的引用,这表明这个话题的训练性能逐渐提高的帮助下机器人。

如图10的,这是一个图误差均方根(RMS)对应于该方法的收敛于约8毫米。考虑到蹲训练是一个比较艰巨的任务,在15毫米误差是可以接受的。可以看出,误差在第一个几个培训周期迅速减少表明PD-type ILC跟踪精度的改善方案可以提供。

如图11的参考轨迹和跟踪轨迹测试主题比较表明测试主题几乎可以跟踪参考轨迹准确第十迭代。

5。结论

摘要迭代学习阻抗的方法提出了支持援助和培训正确的病人的姿势使用下肢康复机器人。给出了该算法的收敛条件,变量和参数的鲁棒性进行了分析。仿真和实验结果表明,与拟议的法规遵循和援助取得了迭代学习方法。最当前的康复机器人展示了同样的问题,它可以几乎都依从和机器人援助。尽管许多机械矫正法使用阻抗控制可以使主题跟踪参考轨迹准确,很多科目都容易进入状况,四肢是由机器人被动。提出本文的主要思想引入一个学习阻抗方法,可以给主题一定支持,他们表现不佳,让他们自愿在大多数培训期间培训。该系统将提高受试者的阻抗偏离学习的最后一个手术信息。考虑不同几何参数的主题,我们提出一个方法来生成训练很容易与没有任何轨迹训练实验。尽管ILC算法已经超越这些相对简单的结构类型和现在包含广泛的植物模型和控制律结构,本文采取的方法是应用ILC法律以最简单的结构可以满足所需的性能要求。未来的工作将扩展到使用不同的结构类型的ILC算法如考虑整个过去的操作信息或将当前迭代结构,将学习当前迭代误差通过引入反馈控制器。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金支持,批准号61573234,和上海市科学技术委员会批准号。15441900802和15441900802。

引用

1. j . Hu李振国侯,x y . Chen f . Zhang和w·王,“下肢康复机器人和交互式控制方法,”《自动化学报》,40卷,不。11日,第2390 - 2377页,2014年。视图:谷歌学术搜索
2. j·l·巴顿布朗d, e·刘易斯et al .,“运动性架空小说功能的评估流动性工具中风后康复,”2007年IEEE 10日国际会议上康复机器人2007年,页1049 - 1054,位于。视图:谷歌学术搜索
3. m·伯恩哈特·m·弗雷·g·科伦坡,r .不懂“混合force-position控制产量的合作行为康复机器人LOKOMAT”9日国际会议上康复机器人技术,2005 (ICORR 2005),页536 - 539年,芝加哥,美国,2005年。视图:谷歌学术搜索
4. k·亚当斯,j·p·奥谢,k l·奥谢和m . Climstein”6周的蹲的影响,plyometric电力生产和squat-plyometric训练,”力量与素质训练研究期刊》的研究》第六卷,没有。1,36-41,1992页。视图:谷歌学术搜索
5. m . Peshkin d·a·布朗,j。j Santos-Munne et al .,“KineAssist:机器人地面步态和平衡训练设备,”9日国际会议上康复机器人技术,2005 (ICORR 2005),页241 - 246年,芝加哥,美国,2005年。视图:谷歌学术搜索
6. n . j . Dahlkvist p .梅奥,比比Seedhom,“部队从深蹲蹲和不断上升的,”医学工程,11卷,不。2、69 - 76年,1982页。视图:谷歌学术搜索
7. n .霍根“阻抗控制:操作方法:II-implementation一部分,”杂志的动态系统、测量和控制,卷107,不。1,分裂到8 - 16个,页。1985。视图:谷歌学术搜索
8. j·l . y . Yang Wang通,l .张“手臂康复机器人阻抗控制和实验,”2006年IEEE机器人和仿生学国际会议上昆明,页914 - 918年,2006年。视图:出版商的网站|谷歌学术搜索
9. j . f . Veneman r . Kruidhof e·e·Hekman r . Ekkelenkamp e·h·Asseldonk和h . Kooij设计”设计和评价互动LOPES外骨骼机器人的步态康复,”IEEE神经系统和康复工程,15卷,不。3、379 - 386年,2007页。视图:谷歌学术搜索
10. j·a·赫尔Blaya和h”,自适应控制的可变阻抗ankle-foot矫正法协助垂足步态,”IEEE神经系统和康复工程,12卷,不。1,24-31,2004页。视图:谷歌学术搜索
11. 侯赛因,s .问:谢,p . k .印度“机械矫正法的自适应阻抗控制步态康复,”IEEE控制论,43卷,不。3、1025 - 1034年,2013页。视图:谷歌学术搜索
12. j·h·李,美国Natarajan和k·s·李,“基于模型的预测控制方法与周期性重复的连续过程的控制操作,“《过程控制,11卷,不。2、195 - 207年,2001页。视图:谷歌学术搜索
13. m . d . A .•布里斯托Tharayil, A·g·Alleyne“迭代学习控制的调查”电机控制系统,26卷,不。3、96 - 114年,2006页。视图:谷歌学术搜索
14. 冯·d·h·欧文斯和k”,在迭代学习控制参数优化,”国际期刊的控制,卷76,不。11日,第1069 - 1059页,2003年。视图:谷歌学术搜索
15. k·阿比和J.-X。徐:“采样系统迭代学习控制:从理论到实践,“IEEE工业电子产品,卷。58岁的没有。7,3002 - 3015年,2011页。视图:谷歌学术搜索
16. g . Pipeleers和k·l·摩尔“统一分析迭代学习和重复控制器在审判领域,“IEEE自动控制卷,59号4、953 - 963年,2014页。视图:谷歌学术搜索
17. d .问:黄,j . x, v . Venkataramanan t·c·t·黄齐,“高性能压电定位阶段使用当前周期的跟踪与增益调度迭代学习控制,”IEEE工业电子产品,卷61,不。2、1085 - 1098年,2014页。视图:谷歌学术搜索
18. c·j·简,”一个离散迭代学习控制对于一类非线性时变系统,”IEEE自动控制,43卷,不。5,748 - 752年,1998页。视图:谷歌学术搜索
19. K.-H。公园,“平均运营商PD-type迭代学习控制变量初始状态误差,“IEEE自动控制,50卷,不。6,865 - 869年,2005页。视图:谷歌学术搜索
20. 徐j . x和j .徐”,在迭代学习从不同的跟踪任务时变不确定性的存在,”IEEE系统,人与控制论B部分,控制论,34卷,不。1,第597 - 589页,2004。视图:谷歌学术搜索
21. c·j·简和a . Tayebi”进一步的结果自适应迭代学习控制的机器人机械手,”自动化,44卷,不。3、830 - 837年,2008页。视图:谷歌学术搜索
22. Bae和m . Tomizuka”步态康复策略受迭代学习算法的启发,“机电一体化,22卷,不。2、213 - 221年,2012页。视图:谷歌学术搜索
23. Balasubramanian s, r·魏m·佩雷斯et al .,”鲁伯特:协助恢复手臂外骨骼机器人功能,”2008个虚拟康复温哥华,页163 - 167年,公元前2008年。视图:谷歌学术搜索
24. c·t·弗里曼·e·罗杰斯,a . m .休斯,j·h·布里奇和k . l . Meadmore”迭代学习控制卫生保健:电刺激和机器人上肢中风康复,”电机控制系统,32卷,不。1,18-43,2012页。视图:谷歌学术搜索
25. t . j .冰斗湖,a . k . Bejczy a . Isidori y陈,“非线性反馈控制机器人手臂,”第23届IEEE会议决定和控制,页736 - 751,拉斯维加斯,内华达州,美国,1984年。视图:谷歌学术搜索
26. k . Zhang y . x, x问:陆,和十斤,“带领不同焊接移动机器人动态建模,”机械工程学报,44卷,不。11日,第120 - 116页,2008年。视图:谷歌学术搜索

版权

版权©2017晨辉郭et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。