关键词：
下肢外骨骼阻抗控制
自适应阻抗控制
评价神经网络
事件触发评价学习
最优控制
摘要：
外骨骼机器人在医工交叉康复领域得到了广泛研究和应用,智能化和精准化康复需求不断提升,基于人机交互的外骨骼机器人智能控制理论与方法成为近些年的研究热点。现有外骨骼机器人控制方法忽略了人-机-环境之间物理相互作用的动态变化特性,无法根据该变化动态调节相应的重要控制参数,直接影响患者使用外骨骼康复训练过程中的穿戴舒适性、人机运动协调性以及康复训练效果。阻抗控制方法通过调节物理交互力与机器人运动的内在关系,是实现人机柔顺交互的重要方法之一。然而,当前的外骨骼机器人阻抗控制方法仍然面临精确系统动力学模型依赖、参数人工预设、在线学习能力弱、环境适应性差等问题与挑战。针对上述问题,本文开展了面向下肢外骨骼的阻抗控制方法研究,通过建立一种新的物理人-机-环共融交互模型、设计基于神经网络的自适应学习阻抗控制算法,最终提升了下肢外骨骼人机交互的舒适性和柔顺性。本文的主要研究内容如下:
（1）针对现有下肢外骨骼自适应阻抗控制算法依赖传感器测量交互力的问题,开展了面向刚性外骨骼机器人的阻抗控制方法研究,提出了一种基于交互力参数估计的下肢外骨骼自适应阻抗控制策略,设计了一种在线神经网络权重更新律,能够实现在交互力发生变化情况下自适应调整阻抗参数,同时保证参数估计精度。最后,结合Lyapunov理论证明了外骨骼闭环控制系统的稳定性。
（2）现有描述人机交互的阻抗模型仅考虑了机器人-环境之间交互力,缺乏外骨骼-人-环境三者之间的交互阻抗模型。针对刚性外骨骼与人以及环境之间的交互,本文构建了一种人-外骨骼-环境交互阻抗模型,然后将阻抗控制问题转化为一种最优控制问题,提出了事件触发评价学习阻抗控制算法对该优化问题进行有效求解。所提出的事件触发机制降低了通信代价,同时评价神经网络增强了外骨骼机器人系统学习能力。针对神经网络参数学习问题,本文在梯度下降方法基础上,通过引入一种改进的辅助项来降低初始容许控制的要求。同时,将历史和瞬态状态数据同时应用于参数更新律,放松了持续激励条件。最后,采用Lyapunov理论严格证明了闭环系统稳定,数值仿真分析验证了算法的有效性。
（3）针对外骨骼系统在康复训练或辅助人类行走过程中,机器人应当在安全范围内稳定运行,并满足关节运动范围、力矩大小等状态约束。本文通过引入状态误差转换技术,将状态约束系统转换为等效的无状态约束系统,设计了一种融合上层运动轨迹规划器和下层评价学习控制器的分层评价学习最优控制算法,该算法不仅能够识别人的运动意图,还通过在评价网络权值更新率中引入辅助项,放宽了初始控制条件的限制。采用Lyapunov稳定性理论分析了无状态约束系统的稳定性。最后,数值仿真验证了提出的学习阻抗控制算法的有效性。
（4）针对刚性下肢外骨骼模型阻抗控制策略无法直接适用于柔性驱动外骨骼模型的问题,本文研究了一种柔性驱动外骨骼自适应阻抗控制策略。首先,提出了一种柔性执行器模型以实现对外骨骼刚度调节,降低了电机谐波减速器产生的振动。然后,构建了阻抗模型,将阻抗控制模型整合到柔性外骨骼模型中,提出了自适应阻抗控制器,并采用Lyapunov稳定性理论分析了柔性驱动外骨骼系统稳定性。
（5）针对不确定环境下柔性外骨骼机器人控制问题,提出了一种融合阻抗扰动观测器、动态事件触发、H∞以及经验回放技术的混杂控制方法。提出的动态事件触发机制可灵活调整控制器的更新时间,弱化了静态事件触发机制的保守性,节约能耗。提出了一种单评价网络框架估计代价函数、事件触发最优控制策略以及时间触发扰动策略。此外,利用历史数据和瞬态数据相结合的方法放宽了持续激励条件。采用Lyapunov稳定性理论分析了不确定柔性外骨骼系统稳定性,仿真结果验证了不确定环境下混杂控制方法的有效性。
欢迎来到三峡大学图书馆！
