机器人在人-机协同操作中对人体疲劳的适应
摘要：本文提出了一种新的人机协作方法，将机器人的物理行为在线适应人体运动疲劳。机器人从跟随者开始模仿人。由于协同任务是在人的领导下完成的，机器人逐渐学习与任务执行相关的参数和轨迹。同时，机器人在任务生产过程中监测人体的疲劳。当预先确定的疲劳程度显示出来时，机器人将使用所学的技能来接管对身体要求很高的任务，并让人恢复一些力量。人仍然存在，以执行机器人无法完全接管和维持整体监督的协作任务。机器人自适应系统是基于动态运动原语、局部加权回归和自适应频率振荡器的。利用基于肌电图测量的人体肌肉活动的在线模型，对人体运动疲劳进行了估计。通过对实际协同操作任务（材料锯切和表面抛光）的实验，验证了该方法的有效性。
关键词：物理人-机协作 人的疲劳 机器人学习 人-机接口
1引言
人-机协作是机器人成功融入人类日常生活的关键因素之一。其应用领域包括使用性能良好的机器人平台（如类人机器人）进行的家庭和工业活动（Tsagarakis等人2017年；Kanek等人2008年；Albu-Schauml;ffer等人2007年），通过外骨骼系统增强人体能力（Fleischer和Hommel，2008年；Peternel等人。2016）。
实现无缝和直观的人-机协作的主要挑战之一是使机器人能够在线识别人类伙伴的意图和目标，以适当地帮助人类完成给定的任务。这意味着机器人必须通过对感官数据的检测和处理与人类伙伴进行通信。
建立这种通信通道的一种常见方法是使用安装在机器人一侧的力传感器来测量两个媒介之间的交互力（Ikeura和Inooka 1995；Kosuge和Kaza-Mura 1997；Tsumugiwa等人2002年；Evrard等人2009年；Gribovskaya等人2011年；Ikemoto等人2012年；Peternel和Babi_c 2013年；Donner和Buss 2016年），作为一个简单的工具，用于监测人和机器人之间的能量流。或者，机器人编码器可以直接读取人为引起的位置变化（Peternel等人2014）警告机器人控制框架接触系统的运动变化。其他常见的感觉系统基于视觉反馈（Agravante等人2014）和阅读人类听觉指令（Medina等人2012年），从人类的角度创造一个直观的沟通渠道。
虽然上述方法可以非常有效地控制机器人的协作行为，但它们有几个缺点。例如，如果人类和机器人同时与不可预测的环境交互，不规则和嘈杂的交互力将被导入力传感器读数（Peternel等人2014）。在这种情况下，很难区分哪些力分量来自人类，哪些来自与环境的相互作用。此外，上述任何一种方法都无法读取人类行为的某些重要特性；其中一个特性是人体肢体的阻抗，它在实现与不确定环境的稳定接触中起着关键作用（Burdet等人2001）。
为了克服传统人机界面的缺点，我们最近提出了一种人机协同操作控制界面（Peternel等人。2017年）【基于远程阻抗原理（Ajodani 2016年）】，通过获取的肌肉活动信号和他/她的肢体动态可操作性测量读取合作伙伴的意图。该接口使机器人能够直接读取人体手臂的运动功能，以及其机械性能，如刚度。
作为直接意图识别的替代方法，机器人可以依靠人类演示（Evrard等人2009年；Lee和Ott 2011年；Peternel等人2014年；Ben Amor等人2014年；Rozo等人2015年；Maeda等人2017年）或者逐渐适应人类行为（Peternel等人2016）学习协作任务的基本技能。然而，与基于实时意图识别接口的学习方法相比，离线学习方法无法显示出对状态变化的适应性，而在线适应则相对缓慢。
大多数先前提出的人-机合作方法的共同点是假设人类伙伴具有恒定水平的身体耐力。这种假设在简单的任务中是合理的，这些任务需要很小的体力劳动或很短的执行时间。结果，其他粗糙和更动态的交互场景可能会影响人的性能。（Peternel等人2016）由于该方法的性质，人类的贡献被最小化，没有估计或监控疲劳。与坚固的仿人机器人不同，人类伙伴容易出现身体疲劳；这是一种依赖于主体的现象，将迅速、不可预测地影响人的身体交互能力（de Luca 1984）。
在这种情况下，机器人应该能够识别人类的疲劳并适应其行为，在给定的任务中提供额外的物理支持。因此，人类伙伴应该只在认知层面上监督任务，并减少体力劳动。在神经科学和生理学领域对人体生理疲劳进行了广泛的研究（de Luca 1984；Giat等人1993年；丁等人2000；Liu等人2002年；Enoka和Duchateau 2008年；Ma等人2009）。然而，在人-机协作场景中，人的疲劳还没有得到很好的研究。在最近的一项研究中，Sadrfaridpour等人（Sadrfaridpour等人2016年）采用了基于模型的人体肌肉疲劳估计（Ma等人2009）调整组件组装任务中协作的工作速度。机器人的任务是挑选必要的零件，并将它们放在人类附近，然后由人类依次单独组成组件。然而，这种方法没有解决直接的物理人机交互或实时协同操作（即，在执行任务时，人和机器人没有与工具/对象物理耦合）。此外，机器人的行为并没有超出执行速度的适应性。
为了超越现有技术，克服上述局限性，我们提出了一种新型的人-机协同操作方法，使机器人能够根据人体疲劳调整和调节所提供的物理辅助。机器人通过混合力/阻抗控制器控制其行为（Peternel等人2017年），建立了基于机器学习的人与机器人共享控制。机器人从跟随者开始，模仿人类的领导者，以促进协同任务的执行。同时，机器人逐渐从人类的引导中学习任务参数。当机器人以在线方式检测到人类疲劳时，它利用所学的技能来接管对身体要求高的任务方面的控制。另一方面，由于任务的协同性，人的对应物仍处于认知复杂方面的控制之中，而机器人自身无法完全产生这些复杂方面。
我们提出了一个新的模型来估计受RC电路动态响应影响的人体疲劳。该模型与先前提出的基于人体肌肉力的模型具有相似的动力学特性（Ma等人2009）。主要区别在于，我们的模型根据从肌电图（EMG）中观察到的肌肉活动来估计疲劳。基于肌肉活动的模型的一个优点是，它还可以提供来自肌肉共同收缩的力的信息，而肌肉共同收缩不能通过端点处的测量力或关节中的测量扭矩观察到。另一个优点是不需要对人体测量力。
图1： 提出的人-机协同操纵框架，针对机器人适应人类疲劳。 机器人由混合力/阻抗控制器控制，肌肉活动界面为机器人控制器提供关于人类运动行为的信息，以在任务的不同阶段实现适当的交互行为。人体疲劳估计系统为机器人提供人体耐力状态。学习系统允许机器人在与人类伙伴协作期间学习任务执行的技能，然后在检测到人体疲劳时复现它
我们通过KUKA轻量级机器人的实验证明了所提出的方法，该机器人配备了Pisa/IIT软手（参见图1的设置）。 我们在两个合作任务上验证了我们的方法：人机器人木锯和机器人辅助表面抛光。 初步研究在2016年IEEE-RAS人形机器人国际会议上提出（Peternel等人，2016年）。 在本文中，我们扩展了人体疲劳模型，以便在努力减少时包括恢复。 我们通过新的实验结果进一步扩展了以前的工作，包括方法的多学科分析和新的人机协作任务的验证。 此外，本文还提供了对基本概念和技术的更详细描述。
2方法
所提出的方法见图1中的方框图描述。我们通过混合力/阻抗控制器控制机器人的运动，该控制器使用基于基于amuscle活动的人机器人界面提供的人类意图的信息（Peternel等人2017）。 我们通过基于EMG测量的人体肌肉力量的模型估计合作的人类伴侣的疲劳。 机器人在协作任务执行的初始阶段学习了物理行为（参考轨迹）。 我们使用动态运动图元（DMP）（Ijspeert等人，2003）对机器人运动轨迹进行编码，这是通过局部加权回归在线学习的（Schaal和Atkeson 1998）。 该机器人使用自适应频率振荡器（Petric等人2011）来估计所需的任务执行速度并控制所学习的DMP的相位和频率。
2.1通过人为意图界面控制机器人
任务框架力控制在机器人关节扭矩水平
其中Fint是机器人在环境中作用的笛卡尔空间相互作用力/扭矩，q是关节角，tau;是关节力矩，J是机器人雅可比矩阵，M是质量矩阵，C是离心和科里奥利矩阵，g是重力矢量。
实施混合力/阻抗控制器来控制机器人的运动和力的行为，并被定义为
其中术语与力任务有关，并在预定轴上执行力控制，术语与阻抗控制轴有关。力量任务由PI控制器控制
其中和是PI控制器的增益，是误差信号，Fa和Fd是实际和期望的末端执行器力值。对角矩阵SF用于选择应用力控制器的轴。阻抗项定义为
其中是实际的，是机器人末端执行器的参考姿势，K和D是笛卡尔空间中的机器人虚拟刚度和阻尼矩阵。 刚度矩阵由最近提出的界面控制（Peternel等人2017），而阻尼矩阵通过双重诊断设计获得（Albu-Schauml;ffer等人2013）。 在锯切实验任务中，机器人通过估计的人类意图控制协作任务的不同阶段的刚度。 两个协作的媒介必须在每个阶段产生相互/反向行为。 例如，如果人拉动锯，机器人必须要求低刚度以符合运动。 在相反的情况下，当锯到达人的尽头时，机器人必须变得僵硬才能将锯拉回到机器人末端的参考位置。 笛卡尔刚度矩阵定义为（Peternel等人2017）。
其中，是用于选择刚度应调制的轴的对角矩阵（在我们的锯切运动轴中），kconst是用于为其他轴设置恒定刚度的矩阵，是机器人刚度调制参数，定义见（Peternel等人2017）
其中是从意图界面（isin;[0,1]和isin;[0,1]）得到的人工估计刚度指数，kmax和kmin是最大和最小可控机器人刚度范围。人体刚度趋势的估计定义见（Ajoudani等人，2014）。
其中A1和A2是作用于肩关节的显性肌肉的肌肉激活水平。在我们的实验中，我们使用了后三角肌（PD）和前三角肌（AD）肌肉。拮抗肌的测量使得能够检测拉动和推动动作。 参数b1定义映射的最大幅度，b2定义映射的形状。 参数a确定与任务相关的映射操作范围。参数b1 = 20，b2 = 0.05和a = 12确定肌肉激活与人体刚度趋势之间的映射，如（Peternel等人，2017）中的实验确定。
使用Delsys TrignoWireless系统通过EMG测量每个肌肉的肌肉活动。我们使用最大自主收缩（MVC）处理（过滤和校正）并标准化EMG信号。处理的EMG和肌肉激活水平之间的映射定义为
其中Ai是每个肌肉i的肌肉激活水平，EMG（t）是处理的EMG信号，MVC是最大主动收缩（MVC）下的EMG信号。
2.2人体疲劳估计
用于估计人体肌肉疲劳的几种模型可以在文献中找到（Giat等人1993; Ding等人2000; Liu等人2002; Ma等人2009）。这些模型主要依赖于复杂且耗时的生物力学系统，离线校准和肌肉力量测量。尽管这些模型可以在疲劳方面提供非常准确的人体肌肉容量估计，但潜在的复杂性会严重限制它们在实际日常生活机器人工作中的应用。为了简化依赖于受试者的校准程序，我们通过观察占优势肌肉的肌肉活动提出了一种新的疲劳模型。与使用昂贵的力传感器来指示肌肉疲劳相比，我们探索了使用轻型和可穿戴的EMG电极，这些电极不会干扰任务。
文献中已经存在几种用于估计人体肌肉疲劳的基于EMG的方法。这些方法是基于观察频域中EMG信号的变化;例如频谱的平均幅度和频率（DeLuca 1984）。虽然这种方法对于持续不断的肌肉力量是直截了当的，但是在动态任务中的估计可能是困难的，例如协作锯切，其中力量正在迅速变化。为了避免这个问题，我们直接整合从EMG信号获得的肌肉活动值来估计疲劳。
我们的人体疲劳模型受RC电路动力学的启发。某种肌肉的疲劳根据肌肉的当前力量（通过肌电图估计）的一级动力学增加，以及肌肉在耐力方面的能力，这是针对个体肌肉的。我们使用以下一阶微分方程系统定义了肌肉疲劳估计模型：
式中，isin;[0，1]表示疲劳指数，是代表当前作用力的动力学参数，是给定肌肉i的疲劳相关能力，R是恢复率。恢复率决定了肌肉在疲劳后恢复力量的速度。我们从文献中选择了一个保守值（Ma等人2010）。肌肉R=0.5。或者，恢复率活动阈值决定使用疲劳或恢复模式。参数和R编码人体疲劳和恢复方面的细节，并应根据给定任务中使用的个体和肌肉进行调整。参数越高，疲劳作用所需的时间越大。
（10）中的模型包括疲劳和恢复，分别对应于疲劳指数的充放电。当检测到肌肉活动超过某个阈值时，就会引起疲劳。当肌肉活动降低，低于阈值时，通过逐渐降低疲劳指数的值来模拟恢复。我们的模型行为与人类研究中观察/建模的疲劳动力学很好地对应（Ma等人2009年），他们使用力测量作为工作量估计。他们的模型随着时间的推移呈现指数响应，这取决于肌肉的力量水平。
式中，为肌肉的产力能力，与疲劳有关，为肌肉在MVC时的力，为肌肉受力，与疲劳有关，k为时间常数。由（10）导出，在我们的模型中可以观察到类似的指数响应。
模型处理MVC力的产生能力，在肌肉力量下呈指数衰减。（Ma等人2009年）。力的产生能力与疲劳基本上有相反的关系，即疲劳会降低力的能力。另一方面，我们的模型直接处理疲劳，因此疲劳表现出增长受到肌肉力量的影响。虽然这两个模型表现出类似的反应。在疲劳方面，它们使用不同的肌肉力量估计变量，即力和肌肉活动。然而，肌肉活动与肌肉力量有关，并且这种关系在一定的操作范围内是成比例的（Hogan 1984）。
我们通过初步实验估计了每个肌肉（PD和AD）的参数.在这个实验中，我们指示人类通过施加肌肉
全文共10825字，剩余内容已隐藏，支付完成后下载完整资料
英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[715]
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。
