分层共享控制Cane-Type助行机器人gydF4y2Ba

文摘gydF4y2Ba

层次的助行机器人共享控制方法对人类运动意图识别和障碍emergency-avoidance方法基于人工势场(APF)提出。人类的运动的目的是获得感官的相互作用力测量系统由4电阻值寄存器(FSR)和扭矩传感器。同时,激光测距仪(探测器)是用于检测障碍并试图引导运营商基于人工势场的斥力计算。一个障碍emergency-avoidance方法由不同的控制策略也认为根据障碍或紧急情况下的不同状态。确保用户的安全,分层共享控制方法结合了意图识别方法与障碍emergency-avoidance方法基于助行机器人和障碍物之间的距离。最后,实验验证提出的分级共享控制方法的有效性。gydF4y2Ba

1。介绍gydF4y2Ba

随着社会的发展,人口老龄化导致越来越重要的社会问题(gydF4y2Ba1gydF4y2Ba]。老年人面临的问题,如身体能力的弱化和视觉恶化随着他们年龄的增长。因此,老年人需要提高步行能力,以应对日常生活的基本需求。巧,许多研究人员注意到机器人的应用和近年来医疗技术gydF4y2Ba2gydF4y2Ba- - - - - -gydF4y2Ba10gydF4y2Ba]。他们制造许多智能康复艾滋病(例如,助行机器人)帮助老年人获得正常行走的能力,开发出一系列的成就,如川等人发明了“哈尔”(gydF4y2Ba5gydF4y2Ba]。可穿戴助动运动(WPAL)发明的下肢(gydF4y2Ba6gydF4y2Ba]。菊池等。gydF4y2Ba7gydF4y2Ba)提出了一个智能可控沃克(i-walker)。Hirata等人发明了一种被动智能沃克称为“RT-Walker”[gydF4y2Ba9gydF4y2Ba]。Wakita et al。gydF4y2Ba10gydF4y2Ba还发明了一个cane-type助行机器人“i-cane”来帮助老年人走路和恢复。gydF4y2Ba

此外,机器人行业的另一个热点是避障。这些调查通常需要不同的传感器如超声波传感器、激光传感器和照相机。结合一些具体算法,机器人的自主导航和避障功能就可以实现。目前,大量的研究已发表(gydF4y2Ba11gydF4y2Ba- - - - - -gydF4y2Ba14gydF4y2Ba]。参考文献(gydF4y2Ba15gydF4y2Ba,gydF4y2Ba16gydF4y2Ba)提出了障碍检测和避免方法机器人拿着相机。然而,图像的过程将使计算更加复杂,这也将花费更多的时间和不适合助行机器人。gydF4y2Ba

基于上述的研究,可以发现,助行机器人具有良好的人机交互界面和有许多人类运动意图识别方法可以充分考虑人的主观意图(gydF4y2Ba17gydF4y2Ba- - - - - -gydF4y2Ba24gydF4y2Ba]。使用助行机器人的导纳控制执行(gydF4y2Ba10gydF4y2Ba]。然而,这些助行机器人通常不能识别和纠正算子的不合理或不正确的意图,这可能会导致一些安全隐患。与助行机器人相比,避障机器人路径规划的功能,能够安全地到达目标点。遗憾的是,避障机器人只有单一的功能,缺乏人机界面。gydF4y2Ba

考虑到机器人控制的优缺点和人类的控制,许多调查人员结合这两种控制方法的优点,提出共享控制的概念。定义的共享控制系统可以共享其控制器与一个或多个人类和一个或多个机器人控制器(gydF4y2Ba25gydF4y2Ba]。共享领域的控制,许多研究人员均取得了不少的成绩(gydF4y2Ba26gydF4y2Ba- - - - - -gydF4y2Ba30.gydF4y2Ba]。总体而言,研究机器人共享控制仍处于起步阶段。参考文献(gydF4y2Ba31日gydF4y2Ba,gydF4y2Ba32gydF4y2Ba)提出了一种轮机器人共享控制方法检测人类的意图通过肌电图。但设备获取的生物电信号针不能提供舒适的体验。与此同时,这些设备价格昂贵,而且使用时很不方便在日常生活中没有专业人员。gydF4y2Ba

在这项研究中,一个方便且经济有效的分层的助行机器人共享控制方法基于人类运动意图识别和障碍emergency-avoidance方法提出解决这种情况如果有障碍在正常行走。它可以保存在避障的努力,使部分运营商的原始意图。介绍了助行机器人部分gydF4y2Ba2gydF4y2Ba。分级共享控制方法认为助行和助行机器人的避障功能介绍部分gydF4y2Ba3gydF4y2Ba在细节。特别是,意图识别算法可以使助行机器人彻底考虑操作者的主观意图,提高人机交互的质量。此外,本文中使用的人工势场法就能助行机器人的路径规划,以避免风险造成的运营商的不合理的意图。此外,假定不同的控制策略根据助行机器人和障碍物之间的距离。部分gydF4y2Ba4gydF4y2Ba讨论了实验和分析。结论部分gydF4y2Ba5gydF4y2Ba。最后,在现实环境中进行实验证明了该共享控制算法的有效性。gydF4y2Ba

2。助行机器人系统gydF4y2Ba

2.1。建筑结构的助行机器人gydF4y2Ba

在这部作品中,助行机器人系统是由一组坚实的支持结构,形成全方位的平台,一个工业个人计算机(IPC),激光传感器,电阻值与FSR设备,和扭矩传感器。助行机器人的实际照片如图gydF4y2Ba1gydF4y2Ba。全方位的平台包括三个全方位mecanum轮子由直流电机驱动的。采用激光传感器检测障碍物。的工作原理,电阻值设备将在以下部分所述。gydF4y2Ba

图gydF4y2Ba2gydF4y2Ba显示了助行机器人的控制流程图。在此系统中,互动的力量从运营商收集的激光传感器可以传播到IPC。IPC可以发送控制命令基于收集的数据平台,助行机器人的运动控制。gydF4y2Ba

2.2。设备在助行机器人电阻值gydF4y2Ba

图gydF4y2Ba3gydF4y2Ba显示了电阻值设备助行机器人的细节。图gydF4y2Ba3(一个)gydF4y2Ba显示装置包括电阻值的结构处理,扭矩传感器,四个方向的身上。图gydF4y2Ba3 (b)gydF4y2Ba显示的分布的四个FSR传感器粘贴的四方金属杆的处理,从而使FSR传感器和扭矩传感器精确检测算子的力的大小和方向。图gydF4y2Ba3 (c)gydF4y2Ba显示了FSR传感器,这是一个一维可变电阻压力传感器。连接这些FSR传感器和扭力传感器信号调节电路,运营商应获得的力量意图的力量。gydF4y2Ba

2.3。坐标系统的建立gydF4y2Ba

图gydF4y2Ba4gydF4y2Ba显示了助行机器人体系结构的俯视图。因为共享控制算法是基于人类运动意图识别和当地的助行机器人周围的障碍物,全球坐标系统是没有必要在这个研究。但全方位的平台的坐标系统,设备,电阻值和激光传感器需要建立。为了简化计算,坐标系统的全方位平台,设备,电阻值和激光传感器与一个固定的局部坐标系的统一gydF4y2BaXOYgydF4y2Ba。在坐标系统gydF4y2BaXOYgydF4y2Ba,助行机器人的前方向设置为积极的一面gydF4y2BaxgydF4y2Ba设在和左前端设置为正gydF4y2BaygydF4y2Ba设在。,因为FSR传感器是一维的压力传感器获得的数据的设备组件的电阻值运营商的力量gydF4y2BaXgydF4y2Ba或gydF4y2BaYgydF4y2Ba方向。我们假设沿着积极的力量gydF4y2BaygydF4y2Ba设在是gydF4y2Ba。沿着顺时针方向,转矩传感器检测到的力量gydF4y2Ba。部队向四个方向FSR传感器获得gydF4y2Ba 分别。激光传感器扫描前面的障碍在逆时针方向不断获得环境信息。在当地坐标系统gydF4y2BaXOYgydF4y2Ba,积极gydF4y2BaXgydF4y2Ba方向设置为初始角0°,沿着逆时针方向和角度增加。在这种情况下,激光传感器的扫描范围(−90°、90°)。gydF4y2Ba

3所示。共享控制算法gydF4y2Ba

3.1。准入控制算法gydF4y2Ba

从描述的设备电阻值gydF4y2Ba2.2gydF4y2Ba和力量gydF4y2Ba在gydF4y2Ba2.3gydF4y2Ba的组件,我们可以得到运营商的意图的力量gydF4y2BaxgydF4y2Ba设在和gydF4y2BaygydF4y2Ba分别设在和旋转方向。和运营商的意图gydF4y2Ba 因此,组件可以获得的力量gydF4y2Ba

在这项研究中,操作者的意图力量由一个五维向量和操作者的意图是由一个三维向量表示。然后,意图部队和运营商的意图可以表示为gydF4y2Ba

的意图的力量沿着方向吗gydF4y2BaxgydF4y2Ba设在。gydF4y2Ba的意图的力量沿着方向吗gydF4y2BaygydF4y2Ba设在,gydF4y2Ba是转矩对助行机器人。正方向的扭矩是逆时针方向。然后,意图力量可以被重写gydF4y2Ba

是一个变换矩阵定义的是哪一个gydF4y2Ba 一半的宽度助行机器人在图gydF4y2Ba4gydF4y2Ba。gydF4y2Ba

一旦向量算子的意图的力量gydF4y2Ba获得,向量gydF4y2Ba可以转化为速度矢量吗gydF4y2Ba通过开环控制导纳算法。根据导纳控制算法,可以写成传递函数gydF4y2Ba

是比例系数。此外,(gydF4y2Ba5gydF4y2Ba)可以分为连续时间域模型的形式:gydF4y2Ba

离散化(gydF4y2Ba6gydF4y2Ba),我们有gydF4y2Ba

最后,(gydF4y2Ba7gydF4y2Ba以简化的形式)可以改写为离散化(gydF4y2Ba6gydF4y2Ba),我们有gydF4y2Ba

3.2。人工势场方法gydF4y2Ba

斥力基于人工势场的方法给出的公式gydF4y2Ba

,gydF4y2Ba 和gydF4y2Ba是常数。常数gydF4y2Ba是一个正整数,gydF4y2Ba是一个障碍之间的距离和助行机器人。gydF4y2Ba代表了推斥力。研究人员提出一个有效的障碍识别算法计算的排斥力gydF4y2Ba33gydF4y2Ba]。障碍的链表反映了周围的障碍物的信息可以通过简化的障碍识别算法。gydF4y2Ba

每个障碍环境中可以表达six-tuple结构(gydF4y2Ba 和gydF4y2Ba),如图gydF4y2Ba5gydF4y2Ba。gydF4y2Ba

激光传感器位于点gydF4y2Ba。障碍是ob。gydF4y2Ba代表的距离gydF4y2Ba阻塞的右边缘和激光传感器之间。gydF4y2Ba之间的角度吗gydF4y2BaxgydF4y2Ba设在和线连接阻塞和激光传感器的右边缘。同样的,gydF4y2Ba和gydF4y2Ba代表的距离gydF4y2Ba和角gydF4y2Ba 分别。gydF4y2Ba是斥力的大小,gydF4y2Ba之间的夹角是积极的吗gydF4y2BaxgydF4y2Ba设在和斥力的方向。在这项研究中,每个障碍斥力的方向角平分线的定义gydF4y2Ba的角gydF4y2Ba边缘之间的障碍和激光传感器的探测线。替换gydF4y2Ba 到(gydF4y2Ba9gydF4y2Ba),单一障碍引起的排斥力gydF4y2Ba可以获得的gydF4y2Ba

应该注意的是,两个障碍之间的差距可能是如此之小,助行机器人不能通过安全的差距。自一个障碍引起的排斥力只是由障碍之间的相对距离和助行机器人,累计群障碍引起的排斥力在相同的位置可能大于操作者的意图的力量。在这种情况下,累积排斥力将阻碍助行机器人的运动。为了避免这种情况,短距离的障碍应该合并。图gydF4y2Ba6gydF4y2Ba给出了图的合并障碍。gydF4y2Ba

两个相邻的障碍ob1和ob2如图gydF4y2Ba6(一)gydF4y2Ba角的值gydF4y2Ba可以很容易地获得基于给定six-tuple结构。根据余弦定理,距离gydF4y2Baob1和发现ob2之间gydF4y2Ba

如果距离小于助行机器人的大小,这两个障碍需要合并,如图gydF4y2Ba6 (b)gydF4y2Ba。合并后的右边缘的两个障碍是由障碍ob2 ob1和左边缘的障碍。然后,角平分线的距离。基于(gydF4y2Ba9gydF4y2Ba),合并后的障碍引起的排斥力可以计算的gydF4y2Ba

的距离gydF4y2Ba不能直接由激光传感器。结果是,光束的激光传感器(线延长线)可能只是交叉之间的差距两个障碍。如果发生这种情况,激光传感器无法检测障碍和斥力不能获得。合并障碍的信息存储在列表,并给出排斥力量的结果gydF4y2Ba

在实际应用中,组件的排斥力量gydF4y2Ba沿着gydF4y2BaXgydF4y2Ba和gydF4y2BaYgydF4y2Ba方向分别计算,为了促进融合的力量。的排斥力量的积极的和消极的方向是一致的gydF4y2BaxgydF4y2Ba设在和gydF4y2BaygydF4y2Ba分别设在。可以获得相应的组件gydF4y2Ba

3.3。紧急避障算法gydF4y2Ba

助行机器人和障碍物之间的距离可能会导致冲突。因此,必须采取紧急避障算法确保操作员的安全及安全的机器人。考虑到助行机器人的特点,提出了一种避障策略研究。助行机器人的移动时,障碍emergency-avoidance地区首先基于策略的决定。如果组件的力沿着意图gydF4y2BaxgydF4y2Ba设在该地区是-当有障碍,助行机器人将搬回避免障碍。如果不是,助行机器人将横向的方式避免障碍。在这项研究中,选择障碍emergency-avoidance地区是一个矩形,而激光传感器位于点gydF4y2BaOgydF4y2Ba如图gydF4y2Ba7gydF4y2Ba。如果检测到激光传感器的扫描点的矩形区域,这意味着在该地区有障碍。矩形状态描述如下:gydF4y2Ba

这一点gydF4y2Ba一个gydF4y2Ba(gydF4y2BaxgydF4y2Ba,gydF4y2BaygydF4y2Ba)是检测的激光传感器和gydF4y2Ba 当(gydF4y2Ba15gydF4y2Ba),矩形条件为真。gydF4y2Ba

在图gydF4y2Ba7gydF4y2Ba“WallD”代表了助行机器人之间的距离和侧壁。gydF4y2Ba

作为第一步,该算法可以使机器人移动沿着正面或负面的方向平行gydF4y2BaygydF4y2Ba设在避免障碍。机器人运动方向的选择,投票算法。机器人数量的扫描点的数量满足矩形条件(gydF4y2Ba15gydF4y2Ba在每一个方面gydF4y2BaxgydF4y2Ba设在。然后,一边更少的扫描点满足矩形条件(gydF4y2Ba15gydF4y2Ba)存在被认为是足够的空间避障。因此,它将移动到一边,更少的扫描点满足矩形条件(gydF4y2Ba15gydF4y2Ba)存在。基于投票算法,机器人将搬到一边,更少的扫描点存在。助行机器人的初始状态也由使用投票算法。最重要的是,该障碍emergency-avoidance方法可以被描述为状态转换图,如图gydF4y2Ba8gydF4y2Ba。数字0 - 3代表助行机器人的状态如表所示gydF4y2Ba1gydF4y2Ba,字母“a”代表状态转换关系状况表gydF4y2Ba2gydF4y2Ba。gydF4y2Ba

机器人在避障过程中,检测到的距离“WallD”。距离小于安全距离后,机器人可以立即改变它的运动状态。助行机器人各种运动状态之间可以转换,当有障碍物的避障区域。gydF4y2Ba

3.4。分级共享控制算法gydF4y2Ba

从上面的描述,准入控制算法提出了部分gydF4y2Ba3所示。1gydF4y2Ba可以有效地获得相应的机器人的速度根据操作者的意图的力量。准入控制算法还可以使运营商控制平稳。节gydF4y2Ba2.2gydF4y2Ba人工势场方法综合考虑机器人周围的障碍和操作者的意图,这有利于使机器人朝着合理的方向发展。障碍emergency-avoidance方法提出了部分gydF4y2Ba3所示。3gydF4y2Ba完全可以保证机器人的安全,同时避免障碍。gydF4y2Ba

上述三种算法集成,共同控制算法可以很容易设计。根据不同的机器人和障碍物之间的距离如图分层方式gydF4y2Ba9gydF4y2Ba,共同控制算法可以使用不同的控制算法来控制机器人,如图gydF4y2Ba10gydF4y2Ba和分层共享控制算法。gydF4y2Ba

在控制系统中,激光传感器设置为中心,最外层的设置gydF4y2Ba自由层gydF4y2Ba。没有障碍的半圆形区域如图gydF4y2Ba9gydF4y2Ba,机器人是完全符合运营商的意图。半圆形区域和矩形区域之间的区域被定义为gydF4y2Ba排斥干扰层gydF4y2Ba。如果检测到任何障碍在这一层,斥力计算的人工势场法和操作者的意图力量控制机器人的运动。该地区在矩形区域被定义为gydF4y2Ba障碍Emergency-Avoidance层gydF4y2Ba。如果在这一层中发现任何障碍,机器人只会接收来自运营商的反向运动指令;否则,它将跟随障碍emergency-avoidance提出的算法部分gydF4y2Ba3所示。3gydF4y2Ba为了避免障碍。gydF4y2Ba

4所示。实验和分析gydF4y2Ba

在这部作品中,实验是在特定的室内环境进行描绘在图gydF4y2Ba11gydF4y2Ba。在实验中,常数gydF4y2Ba在(gydF4y2Ba9gydF4y2Ba)被选为2,以确保和斥力集中取决于障碍之间的距离和助行机器人。同时,斥力的价值应该与意图传感器测量的力的大小。根据IPC的AD转换结果,意图力量的有效范围大约是1 - 25 N。当的距离gydF4y2Ba 障碍是非常远离助行机器人及其斥力太小,不能影响助行机器人的运动。在这个时候,排斥力gydF4y2Ba 当的距离gydF4y2Ba 助行机器人的障碍是非常接近。这时,排斥力应大致相当于最大的意图,即gydF4y2Ba 用这些常数(gydF4y2Ba9gydF4y2Ba),我们可以获得的参数:gydF4y2Ba 在实验中,助行机器人推进。图gydF4y2Ba11gydF4y2Ba显示了助行机器人的运动轨迹。gydF4y2Ba

实验进行一个24岁的学生和一个23岁的学生。实验结果如图gydF4y2Ba12gydF4y2Ba和gydF4y2Ba13gydF4y2Ba。数据,横轴是时间坐标。gydF4y2Ba和gydF4y2Ba代表了部队的意图gydF4y2BaxgydF4y2Ba设在和gydF4y2BaygydF4y2Ba分别设在。gydF4y2Ba和gydF4y2Ba代表排斥部队沿着gydF4y2BaxgydF4y2Ba设在和gydF4y2BaygydF4y2Ba分别设在。gydF4y2Ba和gydF4y2Ba代表的助行机器人的速度gydF4y2BaxgydF4y2Ba设在和gydF4y2BaygydF4y2Ba分别设在。gydF4y2Ba

从以上三个数据,实验可分为三个阶段:gydF4y2Ba

阶段1gydF4y2Ba。起初,助行机器人非常远离障碍,障碍留在gydF4y2Ba自由层gydF4y2Ba。这时,组件的运营商的力量沿着意图gydF4y2BaxgydF4y2Ba设在大于斥力,而运营商的意图的力量gydF4y2BaygydF4y2Ba设在接近于零。因此,机器人主要由运营商控制。与此同时,排斥力非常小,主要沿gydF4y2BaygydF4y2Ba设在,如图gydF4y2Ba12 (b)gydF4y2Ba和gydF4y2Ba13 (b)gydF4y2Ba。指出助行机器人以一定的速度移动的负方向gydF4y2BaygydF4y2Ba设在。10秒钟后,排斥力明显增加和助行机器人ob2逐渐接近障碍。检测到的障碍gydF4y2Ba排斥干扰层gydF4y2Ba。与此同时,机器人的速度沿gydF4y2BaxgydF4y2Ba设在迅速下降到零,而机器人的速度沿gydF4y2BaygydF4y2Ba设在与斥力增加增加。在这个阶段,助行机器人的状态是“国家0。”gydF4y2Ba

第二阶段gydF4y2Ba。在gydF4y2Ba ,运营商觉得助行机器人的速度降低;因此,运营商增加推力的方向gydF4y2BaxgydF4y2Ba设在为了使助行机器人移动了。在这一刻,障碍ob2检测gydF4y2Ba障碍Emergency-Avoidance层gydF4y2Ba。根据障碍emergency-avoidance方法,它符合状态转换关系条件”“然后助行机器人的状态改变从“0”到“状态1,”产生的,机器人的速度gydF4y2BaxgydF4y2Ba设在迅速下降到零,机器人在一个固定的速度沿着移动gydF4y2BaygydF4y2Ba设在。从数据gydF4y2Ba12gydF4y2Ba(b)和gydF4y2Ba13gydF4y2Ba(b),我们可以看到,排斥力保持不变。它表明,在“状态1”,运营商的意图力量不能影响机器人的速度在第二阶段和障碍并不紧急避障地区检测到。gydF4y2Ba

第三阶段gydF4y2Ba。由于障碍ob3的影响,助行机器人的正方向缓慢移动gydF4y2BaygydF4y2Ba设在emergency-avoidance方法根据障碍。在gydF4y2Ba 在图gydF4y2Ba12gydF4y2Ba和gydF4y2Ba 在图gydF4y2Ba13gydF4y2Ba,运营商停止应用目的力助行机器人和助行机器人停止移动。gydF4y2Ba

在实验中只有导纳控制应用,它不能反映障碍在图的影响gydF4y2Ba14gydF4y2Ba。操作员走向障碍时,操作员必须避免自己的障碍。相比意图的力量gydF4y2Ba在数据gydF4y2Ba12gydF4y2Ba和gydF4y2Ba13gydF4y2Ba,意图迫使gydF4y2Ba在数据gydF4y2Ba12gydF4y2Ba和gydF4y2Ba13gydF4y2Ba大在避障,这表明共享控制方法可以节省精力。gydF4y2Ba

总体来说,人机交互实验显示分级的有效性为助行机器人共享控制。基于层次共享控制算法,机器人可以成功地帮助操作者避免障碍和指导操作者在一个可行的方向移动,这是方便的。gydF4y2Ba

5。结论gydF4y2Ba

在这项工作中,我们提出了一个层次化的控制方法对助行机器人结合人体运动意图识别和避障方法。它可以保存在避障的努力,使运营商的原始意图走的一部分。使用这个控制策略,助行机器人可以自主选择不同的控制算法,以避免阻碍基于助行机器人和障碍物之间的距离。此外,紧急避障机制是为了确保机器人的安全系统。实验结果表明,助行机器人可以切换不同控制算法之间的顺利和指导运营商安全行走。gydF4y2Ba

的利益冲突gydF4y2Ba

作者指出任何潜在的利益冲突。gydF4y2Ba

确认gydF4y2Ba

这项工作是由中国国家自然科学基金(批准号(国家自然科学基金委)61473130),武汉的应用基础研究项目(批准号部分2016010101010014],湖北省杰出青年科学基金(2015 cfa047)。作者欣然承认这些支持。gydF4y2Ba

引用gydF4y2Ba

1. k·a·克莱恩和d . m . Bowdish“感染人口老龄化,”gydF4y2Ba目前看来在微生物学gydF4y2Ba,29卷,第67 - 63页,2016年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
2. c . Hu f . Aeschlimann g . Chatzipirpiridis et al .,“时空控制的电沉积磁驱动的机器逆蛋白石结构的基础上,“gydF4y2Ba电化学通讯gydF4y2Ba,81卷,2017年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
3. c, h . Vogler m . Aellen et al .,“精度高、局部微电极装置诱导生成的质子梯度和通量差增长行为的花粉管,”gydF4y2Ba芯片上的实验室gydF4y2Ba,17卷,2017年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
4. j .黄、x Tu和j .他”的设计和评价鲁珀特耐磨上肢外骨骼机器人临床和家庭疗法,”gydF4y2BaIEEE系统,人,和控制论:系统gydF4y2Ba,46卷,不。7,926 - 935年,2016页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
5. h .川k . Kamibayashi y醒来时et al .,“试点研究中使用混合辅助肢体运动改善慢性中风患者,”gydF4y2BaBMC神经学gydF4y2Ba,13卷,不。1,第98 - 93页,2013。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
6. 田边,e . Saitoh s Hirano et al .,“可穿戴助动的设计为重建截瘫的步态运动(WPAL),“gydF4y2Ba残疾与康复:辅助技术gydF4y2Ba,8卷,不。1,第91 - 84页,2013。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
7. t .菊池,t .田中,k . Anzai s Kawakami (m . Hosaka和k . Niino”评价线追踪控制器的智能可控沃克。”gydF4y2Ba先进的机器人gydF4y2Ba,27卷,不。7,493 - 502年,2013页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
8. j .黄z h .关t . Matsuno t .福田康夫和k . Sekiyama”mobile-wheeled滑模速度控制倒立摆系统,”gydF4y2BaIEEE机器人gydF4y2Ba,26卷,不。4、750 - 758年,2010页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
9. a . Hara y Hirata, k . Kosuge”使用刹车伺服运动控制的被动智能沃克,”gydF4y2BaIEEE机器人gydF4y2Ba,23卷,不。5,981 - 990年,2007页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
10. 黄k . Wakita j . p . Di, k . Sekiyama和t .福田”Human-walking-intention-based omnidirectional-type甘蔗机器人的运动控制,”gydF4y2BaIEEE / ASME举办gydF4y2Ba,18卷,不。1,第296 - 285页,2013。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
11. 哈提卜m . r . Chatila,“延长势场方法移动机器人传感器动作,”gydF4y2Ba国际会议上聪明的自治系统gydF4y2Ba,第496 - 490页,1995年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
12. 山本k . Iwatsuka k, k .加藤,”发展为盲人导盲犬系统与字符识别能力,”gydF4y2Ba电脑和机器人视觉上第一个加拿大会议,2004。诉讼gydF4y2Ba伦敦,页401 - 405,加拿大,2004年IEEE计算机协会。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
13. t . Gonnot和j . Saniie”集成机器视觉和盲人导航和通信系统指导,”gydF4y2Ba2016年IEEE国际会议上电信息技术(EIT)gydF4y2Ba大福克斯,页0187 - 0191年,ND, 2016年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
14. e·b·凯泽和m .朗沃,“可穿戴的视障和盲人导航系统,”gydF4y2BaIEEE计算机协会,2012年IEEE /埃西斯11计算机与信息科学国际会议gydF4y2Ba,第233 - 230页,上海,中国,2012。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
15. c·j·金和d . Chwa轮式移动机器人避障方法使用区间二型模糊神经网络,”gydF4y2BaIEEE模糊系统gydF4y2Ba,23卷,不。3、677 - 687年,2015页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
16. f·法和公元卢卡,“实时计算距离动态障碍与多个深度传感器,”gydF4y2BaIEEE机器人与自动化信件gydF4y2Ba,卷2,不。1,56 - 63,2017页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
17. 黄j . p . Di, t .福田”全方位的类型的运动控制甘蔗机器人基于人类的意图,”gydF4y2Ba2008年IEEE / RSJ智能机器人和系统国际会议gydF4y2Ba不错,页2983 - 2988年,法国,2009年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
18. 长谷川p . Di, y, s中川et al .,“秋天使用拐杖助行机器人检测和预防控制,”gydF4y2BaIEEE / ASME举办gydF4y2Ba,21卷,不。2、625 - 637年,2016页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
19. 问:y, w . x, j .黄和p·c·苏,“激光和力传感器基于人类运动意图估计算法对助行机器人”gydF4y2Ba2015年IEEE国际会议网络技术在自动化、控制和智能系统(网络)gydF4y2Ba沈阳,页1858 - 1863年,中国,2015。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
20. 程w . Wang李振国侯,l . et al .,“对患者的运动意图识别:动力学建模和识别iLeg-An LLRR运动约束下,“gydF4y2BaIEEE系统男人和控制论系统gydF4y2Ba,46卷,不。7,1-13,2016页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
21. k . Khokar r . Alqasemi s Sarkar k·里德,Dubey r .,“一种新型远程机器人human-in-the-loop协助把握基于意图识别的方法,”gydF4y2Ba2014年IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”gydF4y2Ba香港,页4762 - 4769年,2014年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
22. j·h·汉,s·j·李和j·h·金”的行为不能给养地图识别人类的意图及其应用的机器人互动,”gydF4y2BaIEEE人机系统gydF4y2Ba,46卷,不。5,页1 - 15,2016。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
23. j .黄w·霍w·徐,默罕默德,和y Amirat”通过人机界面控制上肢助动外骨骼运动意图识别的基础上,“gydF4y2BaIEEE自动化科学与工程gydF4y2Ba,12卷,不。4、1257 - 1270年,2015页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
24. h . c .唱j·m·李,s . j . Kim y黄,和j .一个“sit-to-stand意图识别方法和stand-to-sit肌动电流图信号地上下肢康复机器人,”gydF4y2Ba2015年IEEE国际会议上先进的智能机电一体化(AIM)gydF4y2Ba,页418 - 421,2015年韩国釜山。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
25. t·b·谢里丹gydF4y2Ba遥控机器人、自动化和人工监控gydF4y2Ba剑桥,麻省理工学院出版社,1992年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba
26. s . s . Nudehi r·穆克吉和m . Ghodoussi”共同控制方法为微创telesurgical触觉界面设计训练,”gydF4y2BaIEEE控制系统技术gydF4y2Ba,13卷,不。4、588 - 592年,2005页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
27. f·陈,p . Di, j .黄h·佐佐木和t .福田,“进化的人工势场法建立机械臂路径规划,”gydF4y2Ba2009年国际研讨会上Micro-NanoMechatronics和人文科学gydF4y2Ba97年,页92 - 2009年,日本名古屋。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
28. h·t·Trieu h·t·阮,k .开松机”共享控制策略在智能轮椅避障任务”gydF4y2Ba2008年IEEE 30年国际会议在医学和生物学社会工程gydF4y2Ba4257年,页4254 - 2008 BC,加拿大,温哥华。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
29. w·g·哈和s . b .曹”最优局部过滤器EEG信号的共享控制车辆,”gydF4y2Ba2015年第七届国际会议的软计算和模式识别(SoCPaR)gydF4y2Ba福冈,页290 - 293年,日本,2015年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
30. w . x, j .黄c . j . t y . j . Wang和l . Cheng”基于强化学习共享控制助行机器人及其实验验证”gydF4y2Ba先进的机器人gydF4y2Ba卷,29号22日,第1481 - 1463页,2015年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
31. s . Sathish k . Nithyakalyani s Vinurajkumar c . Vijayalakshmi和j . Sivaraman”控制机器人轮椅使用EMG信号瘫痪的人,”gydF4y2Ba印度科学和技术杂志》上gydF4y2Ba,9卷,不。1,2016。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
32. a . Accogli l . Grazi美国克雷亚et al .,“EMG-based检测用户的意图辅助上肢外骨骼人机共同控制,”gydF4y2Ba可穿戴机器人:挑战和趋势gydF4y2Ba,页181 - 185,施普林格国际出版,可汗,2017年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
33. w .香港y . t .田z,咚,和m .周”为智能机器人系统从本地环境中提取特征,“gydF4y2Ba机器人gydF4y2Ba,25卷,不。3,2003。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba

版权gydF4y2Ba

版权©2017 Chunjing陶等。这是一个开放的分布式下文章gydF4y2Ba知识共享归属许可gydF4y2Ba,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。gydF4y2Ba