英语原文共 6 页
2014年6月29日至7月4日第十一届
世界智能控制与自动化大会论文集
上肢外骨骼的迭代学习控制
张宏斌、李志军、苏春仪
华南理工大学自动化科学与工程学院自动化系统与网络控制重点实验室，广州ZJLI@ IEEE.ORG
摘要
本文提出了一种上肢外骨骼的迭代学习控制，以提供前臂运动辅助，使前臂能够在存在参数/功能不确定性、未建模动态（包括执行器动力学）和/或环境干扰。在给定人前臂位置期望轨迹的情况下，迭代学习控制方案用于补偿未知的时变周期扰动。利用迭代学习和李雅普诺夫综合方法，该控制器不需要精确的肌肉模型知识，可以证明闭环系统是半全局一致有界的。通过实验验证了该控制器的性能，并通过两个对比实验，说明了该控制器通过跟踪周期/重复轨迹来实现控制的有效性。索引项-迭代学习，外骨骼，时变周期扰动。
一、引言
近年来，由于医疗康复需要大量冗长的重复运动，机器人的动力辅助外骨骼已经引起了人们的广泛关注，这些重复运动预计将由机器人完成。多个机器人辅助康复表明，机器人治疗的效果明显优于传统的康复方法。一般来说，康复机器人可以根据其交互能力分为两类。一种是机械手型机器人，其中人机交互发生在手上。另一种是多触点装置，
即外骨骼，近年来已成为人们关注的焦点。主要区别在于多个接触点的存在以及设备和患者之间的运动冗余。外骨骼的主要优点是可以控制肢体的各个部分，从而直接影响运动合成器。因为人类肢体运动具有特殊的生物学特性
（这项工作部分由自治系统和网络控制重点实验室（中国教育部）授予，2012A04，2013A04，国家自然科学基金资助61174045，中央大学资助的基础研究经费2013ZG00 35，N计划在NCET-12—0195和中国教育部博士学位基金会授予的20130172110026年度大学优秀人才基础上，对应作者：支俊丽，Email：ZJLI@ IEEE.ORG。）
由于多连杆节段的神经控制和电机系统的冗余性，许多外骨骼被开发出来用于康复目的，具有不同的目标。例如，IPAM三维康复机器人由两个气动机器人组成，分别控制前臂和上臂。Armin机器人是一种具有四个主动（肩部和肘部）和两个被动自由度（DOF）的半外骨骼运动学的触觉机器人[9]。T-WREX是一种提供重力补偿的被动装置。迭代学习控制可以在各种应用中存在显著的动态不确定性时提供高性能。迭代学习控制的应用不需要系统动力学的信息，参数的学习与迭代过程一致。然而，这将导致迭代早期的大初始误差和跟踪误差收敛像迭代次数一样缓慢。由于外骨骼控制的性质，存在着动力学不确定性和周期性扰动。上述针对MIMO系统的ILC自适应控制方法不能直接应用于外骨骼控制。基于系统的性质（具有动力学不确定性和周期性扰动的外骨骼机器人），对此类系统的控制问题提出了新的挑战。因此，本文提出了一种外骨骼机器人补偿未知时变周期扰动的迭代学习方法。新的学习控制律由反馈项和学习项组成。学习术语由学习机制更新。为了便于学习控制的设计和收敛性分析，引入了一个由正标量函数组成的总体成本函数来评价跟踪和学习性能。利用迭代学习控制，在成本函数框架下，反馈可以很容易地融合学习机制。与单独使用反馈控制器相比，使用这种改进方案可以提高跟踪性能。到目前为止，关于外骨骼迭代学习控制的研究还很少。因此，本文提出了外骨骼的迭代学习控制在存在参数/功能不确定性、未建模动态和/或环境干扰的情况下，人类上肢提供前臂运动辅助，使人类前臂能够跟踪任何连续的预期轨迹（或恒定的设定点）。通过实验验证了控制器的性能。通过两个对比实验，验证了该控制方法的有效性。
ii.肌肉肢体的动力学外骨骼
人类肌肉已经被模仿成和中的模式，并适应了这种模式。假设中心神经系统控制手臂以补偿其动力学，肌肉粘弹性和反射产生一个可模拟为反馈的恢复力。戴在外骨骼上的全臂肌肉模型可分为带外骨骼的身体节段动力学和肌肉激活收缩动力学。肌肉的激活和收缩动力学解释了肌肉中产生的力，身体节段动力学考虑了主动力矩和被动关节力矩。受[14]和[15]的启发，外骨骼系统（包括人类和机器人）的N自由度动力学可以在任务空间中建模为
二、上肢外骨骼
系统实验使用了一个完整的人体骨架结构的机器人。用两只手和两只脚。手和脚是五个马达。所开发的机器人遵循人体上肢的运动结构（见图。1）。此外，机器人的自由度都是纯粹的旋转关节。外骨骼发达的关节可实现五个单轴旋转关节：每个肩外展内收（abd-add）、肩屈伸（flx-ext）、肘部flx-ext、前臂内旋外旋（pronsup）和腕桡尺（rad-uin）偏差各一个。
图1.机器人的机械设计
该机器人装置采用直流电机作为驱动元件。我们选择的直流电机是Maxondc平板无刷电机EC45。为了使直流电机的速度和扭矩与应用要求相匹配，采用谐波传输驱动（接头I和接头2采用SHID-17100-2SH型）。接头3和4为SHD-14-100-2SH型，接头5为CSF-32-50-2A-GR型）。具体来说，我们选择的电机驱动器是Elmo高分辨率编码器（2048脉冲/周期）和霍尔效应传感器，用于测量关节之间的角度和运动方向。该配置基于平板直流电机和薄饼传输，能够提供最大8/Nm的扭矩，但最大扭矩以电子方式限制为3 vm，以确保使用者的安全。
动力外骨骼还包括外骨骼、分布式嵌入式系统（ELMO驱动器）、伺服电机和控制计算机等四层控制架构，所开发的机器人控制架构基本上由三个部分组成：1）外骨骼及其机械结构、传感器和执行器；2）控制驱动单元uni负责实时执行算法，为传感器、执行器和控制器之间的接口生成驱动力和采集卡；3）控制计算机，在我们的情况下，它执行为系统和使用它的医生之间的接口开发的应用程序。该控制结构将控制算法与机器人进行接口。机器人电路和传感器有两个功能：i）获取控制所需的位置、角速度和加速度信号。数据收集和评估；2）生成启动执行器的电源信号。
该装置提供前臂运动辅助，使由两个关节组成的人前臂能够跟踪任何连续的期望轨迹（或恒定的设定点）。简而言之，控制系统的工作方式应如下：传感器与肢体相连，测量其运动，误差消除算法对不死物体进行实时识别。-所需的运动部件，错误信息被输入到控制器，以便生成所需的执行器动作，以提供错误。
三、有无骨性人类肌肉的肌肉肢体动力学
假设中枢神经系统控制手臂以补偿其动力学，肌肉粘弹性和反射产生一种可被模拟为反馈的恢复力。外骨骼的总臂部肌肉模型可分为具有外骨骼的身体节段动力学和肌肉激活和收缩动力学。肌肉的激活和收缩动力学解释了肌肉中产生的力。人体节段动力学考虑了所激发的主动力矩和被动关节力矩，包括人和机器人在内的骨骼系统的N自由度动力学可以在任务空间中建模。vo（t）的有限性意味着vo（t）是有界的，因此，e1和e2作为t-oo收敛到原点。因此v是有界的，这意味着el，e2lt;loo。从gd的有界性出发，我们知道g是有界的。由于G是有界的，所以它遵循V是有界的，因此我们很容易得到下面的定理：Theorem 3。1。在假设3.1下，考虑外骨骼机器人动力学（1）和执行器动力学。假设系统的初始条件是有界的。在全状态反馈控制律（16）和自适应律（21）的作用下。然后，对于每个紧凑集0，其中g（o），g（o）.e:（0）qo，所有信号都有界，跟踪误差e1和e2收敛到零。
控制目标是保证所有的信号都是有界的，而机器人的输出在任务空间中遵循所需的轨迹YGD，使得跟踪误差收敛到原点的一个小邻域，即lim q-q alllt;6，约为60。（i）闭环系统中的所有信号都保持一致的最终有界（uub）；（11）状态跟踪误差g-qd指数收敛到零的小邻域；（iii）在跟踪轨迹i]上实现了足够精确的动态不确定性近似。
以下属性需要用于以下激活。
该机器人装置采用直流电机作为驱动元件。我们选择的直流电机是Maxondc平板无刷电机EC45。为了使直流电机的速度和扭矩与应用要求相匹配，采用谐波传输驱动（型号SHD-17100-2SH，用于IOINTS 1和2）。接头3和4为SHD-14-100-2SH型，接头5为CSF-32-50-2A-GR型）。特别是，为我们的应用选择的电机驱动器是ELMO。高分辨率编码器（2048脉冲/周期）和霍尔效应传感器用于测量关节之间的角度和运动方向。这种配置，基于平板直流电机和薄饼传输，能够提供最大扭矩为amp;牛米。然而，为了保证用户的安全，最大扭矩以电子方式限制在3M。
动力外骨骼还包括作为外骨骼的Fournyer控制体系结构、分布式嵌入式系统（ELMO驱动器）、伺服电机和控制计算机。所开发的机器人控制体系结构基本上由三个部分组成：1）外骨骼及其机械结构、传感器和执行器；2）控制驱动程序它负责实时执行算法，为传感器、执行器和控制器之间的接口产生驱动力和采集卡；3）控制计算机，在我们的情况下，它执行为系统和使用它的医生之间的接口开发的应用程序。该控制结构将控制算法与机器人接口。机器人电路和传感器具有两个功能：1）获取控制所需的位置、角速度和加速度信号。数据收集和评估；2）为激活执行器生成电源信号。
该装置旨在提供前臂运动辅助，使由两个关节组成的人前臂能够短暂地跟踪任何连续的预期轨迹（或恒定的设定点），控制系统应如下工作：传感器与肢体相连，测量其运动，误差消除算法对不需要的运动部件执行实时识别，将错误信息输入到控制器，以生成所需的执行器动作，以提供错误。
四、实验结果
为了评价为辅助人体运动而发展的外骨骼的性能，我们进行了两次实验，其动力学事先未知。采用迭代学习控制和局部放电控制（n1）：使用简单局部放电控制（no2）的比较实验，选择两个不同的任务，由使用者在周期性轨迹中移动肘关节和肩关节。所选参数见表1。
在实验过程中，机器人基本上处于主动控制状态。机器人能够在实时位置反馈的基础上对直线运动施力。XoSkeleton提供了选择移动范围和速度的灵活性。它还具有提供运动辅助的能力。外骨骼前屈关节和肩关节的实验结果如图所示。2-6使用建议的方法。表1列出了所选的控制参数。在这个实验中，外骨骼进行重复和周期性的运动。两个关节的预期轨迹如图所示。2和6.可以看出，所需的轨迹（实线）几乎与测量的轨迹（虚线）填充重叠。2和6。作为时间函数的误差如图所示。3和7。可以看出，跟踪表情随着时间的推移而变小。输入电流如图所示。图4和图8所示为干扰导向电流。5。从这些数据中，即使我们不知道外骨骼的动力学，也不知道与环境的距离，我们也可以通过所提出的控制来获得理想的性能。从实验中可以看出，实际位置收敛到所需的轨迹。2和输入文件是有界的和稳定的，如图所示4,8
图2.使用提议的控制器对肩关节的位置跟踪
图3.基于该控制的肩关节位置误差
图4.利用所提出的控制方法对肩关节的输入电流进行控制。
图5.利用所提出的控制方法对肩关节的学习力矩进行了研究。
图6.基于该控制的肘关节位置跟踪
图7.利用所提出的控制方法对肘关节的位置误差进行了分析。
图8.采用所提出的控制方法对肘关节的输入电流进行控制。
图9.利用所提出的控制方法对肘关节的学习力矩进行了研究。
为了进一步评估所提出的AP-Prosh的性能，在相同条件下使用PD控制进行比较实验。控制结果如图10-15所示。所选的控制参数也显示在表一中。在这个实验中，外骨骼被操作来执行重复和周期性的运动。图2所示为两个接头所需的钢筋构造。10和12。可以看出，所需的轨迹（实线）与图中测量的轨迹（虚线）近似重叠。
结论
在参数/功能不确定的情况下，研究了上肢骨外骨骼的迭代学习控制，为前臂运动提供辅助，使前臂能够跟踪任何连续的期望运动轨迹（或恒定的设定点），从而实现对上肢骨外骨骼的重复学习控制。建模动力学和/或环境干扰。由于外骨骼执行器的动力学不确定性，采用迭代学习控制方案来补偿未知变化的周期性扰动。通过实验验证了控制器的性能。通过两个对比实验，说明了通过跟踪周期/重复轨迹来实现控制的有效性。
参考文献
[1]G.B.Prange，M.J.A.Jannink，C.G.M.Groothuis Oudshoorn，HJ.Hermes和M.J Ijzerman，“机器人辅助治疗对中风后偏瘫手臂恢复的影响的系统综述，康复杂志。Res.Development.，第43卷，第2期，2006年4月，第171-184页
[2] G.Kwakkel，B.J.Kollen和H.I.Krebs，“机器人辅助治疗对中风后上肢恢复的影响：非系统性回顾，白血球神经修复，第22卷，第2期，2008年4月，第111-121页
- J.Mehrholz，T.Platz，J.Kugler和M.Pohl，”机电机器人辅助手臂t.为改善中风后日常生活的AM功能和活动而进行的训练，“中风，2009年3月，第392-39314页]
- K.Kiguchi和Y.Hayashi，”上肢动力辅助外骨骼机器人基于EMG的控制，IEEE Trans。《系统、人与控制论》，B部分，控制论，第42卷，第4期，2012年8月，PP1064-1071
- R.Lu，Z.Li，C.-Y.Su和A.Xue，“带康复外骨骼的人类肢体的开发与学习控制”。IEEETRAN。工业电子，第61卷，第7期，2014年7月，第3776-3785页
- R.A.R.C.Gopura和K.Kiguchi，“主动上肢外骨骼机器人的机械设计：最新技术和设计难点”，在IEEE国际会议上。康复。Robot，2009年6月，第178-187（7 L.Lunenburger，G.Colombo和R.Rie
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
