[发明专利]基于镜像力场的上肢双臂康复机器人导纳控制方法及系统

权利要求书

1.一种基于镜像力场的上肢双臂康复机器人导纳控制系统，其特征在于，包括如下模块：

模块M1：基于多传感信号融合的人机紧耦合健侧力场建模，获得受试者健侧的运动意图；

模块M2：根据受试者健侧的运动意图进行基于状态空间的健患侧生理信号及力场映射，获得受试者患侧的运动轨迹和意图；

模块M3：根据受试者患侧的运动轨迹和意图进行基于力场镜像的健患侧同步耦合控制，进而控制外骨骼的运动；

所述模块M1包括通过健侧肌电传感器实时预测受试者的运动意图，将交互过程中的作用力建模为阻抗模型，并通过阻抗模型预测受试者的关节状态，其中阻抗模型如公式（1）所示：

其中，为上肢双臂康复机器人与受试者交互过程中的作用力；为上肢双臂康复机器人末端的实际位置；为上肢双臂康复机器人末端的期望位置；上标符号·表示相应的状态量对时间的导数；为位置误差增益；为速度增益；

通过公式（1）估计受试者的运动意图，如公式（2）所示：

其中，表示受试者健侧的运动意图的估计值，上标符号^表示对应量的估计值；表示在任意虚拟目标位置误差增益的初始值；表示在任意虚拟目标速度增益的初始值；上标v表示数值是基于虚拟目标给定的任意初始值；

所述模块M2包括如下模块：

模块M2.1：根据所述模块M1建模受试者健侧力场与生理肌电信号，即获得受试者健侧的运动意图；

模块M2.2：受试者健患侧双臂沿相同的轨迹做康复动作，通过镜像原理获得受试者患侧的运动轨迹和意图；

所述模块M3包括将患侧在交互过程中产生的交互力与已建立的患侧运动轨迹和意图结合，通过导纳控制来控制外骨骼的运动，其中患侧意图表示为：

其中，为健侧模型预测的受试者意图；为患侧模型的原始运动意图；为调节两者权重比例的超参数；

所述模块M3中的导纳控制包括：

上肢双臂康复机器人与受试者交互过程的动力学方程如公式（4）所示：

其中，M和G分别表示笛卡尔空间坐标系下上肢外骨骼机器人与人交互系统的惯性矩阵和重力矩阵；C表示笛卡尔空间坐标系下上肢外骨骼机器人与人交互系统的科氏力和离心力矩阵；为交互系统中的扰动；为系统的控制输入；上标··表示康复机器人末端的实际位置对时间的二阶导数即加速度；

假设上肢双臂康复机器人末端的实际位置和上肢双臂康复机器人末端的实际位置对时间的导数是测量得到；设=,,其中，和分别表示第i个关节的转动角度与角速度，1≤i≤n；表示由机器人各关节转动角度构成的位置矩阵；表示由各关节角速度构成的速度矩阵；上标T表示转置；则交互任务的动态性表示为如下形式：

定义位置误差，速度误差，为对的虚拟控制，得：

使用李雅普诺夫函数，表示构建的李雅普诺夫函数形式的函数；符号表示矩阵乘法；对时间求导得：

令，其中为增益矩阵，重置公式（7）得：

由公式（8）得：

定义李雅普诺夫函数,表示构建的李雅普诺夫函数形式的函数；对时间求导得：

当动力学的参数已知时，控制表示为以下形式：

其中，表示增益矩阵；

使用径向基神经网络逼近机器人动力学的G、C和M项；外部扰动由扰动观测器进行补偿；自适应控制律为：

其中，为径向基神经网络，为权重系数，为动态回归量矩阵即样本点与各径向基中心的距离，表示径向函数网络输入；令为高阶扰动观测器，高阶扰动观测器形式如下：

其中，表示扰动观测过程中的增益矩阵；表示估计误差；表示动态回归量矩阵，表示实际采样点；表示权重系数；，，权重矩阵的更新如下：

其中，表示动态回归量矩阵的更新值；表示速度误差的更新；表示估计值的更新；上标符号表示权重导数的期望值；表示物理参数的更新值；表示估计误差；表示期望估计误差；表示径向基函数的输出；为更新率，和为权重。

2.根据权利要求1所述的基于镜像力场的上肢双臂康复机器人导纳控制系统，其特征在于，能够实现如下步骤：

步骤1：基于多传感信号融合的人机紧耦合健侧力场建模，获得受试者健侧的运动意图；

步骤2：根据受试者健侧的运动意图进行基于状态空间的健患侧生理信号及力场映射，获得受试者患侧的运动轨迹和意图；

步骤3：根据受试者患侧的运动轨迹和意图进行基于力场镜像的健患侧同步耦合控制，进而控制外骨骼的运动；

所述步骤1包括通过健侧肌电传感器实时预测受试者的运动意图，将交互过程中的作用力建模为阻抗模型，并通过阻抗模型预测受试者的关节状态，其中阻抗模型如公式（1）所示：

其中，为上肢双臂康复机器人与受试者交互过程中的作用力；为上肢双臂康复机器人末端的实际位置；为上肢双臂康复机器人末端的期望位置；上标符号·表示相应的状态量对时间的导数；为位置误差增益；为速度增益；

通过公式（1）估计受试者的运动意图，如公式（2）所示：

其中，表示受试者健侧的运动意图的估计值，上标符号^表示对应量的估计值；表示在任意虚拟目标位置误差增益的初始值；表示在任意虚拟目标速度增益的初始值；上标v表示数值是基于虚拟目标给定的任意初始值；

所述步骤2包括如下步骤：

步骤2.1：根据所述步骤1建模受试者健侧力场与生理肌电信号，即获得受试者健侧的运动意图；

步骤2.2：受试者健患侧双臂沿相同的轨迹做康复动作，通过镜像原理获得受试者患侧的运动轨迹和意图；

所述步骤3包括将患侧在交互过程中产生的交互力与已建立的患侧运动轨迹和意图结合，通过导纳控制来控制外骨骼的运动，其中患侧意图表示为：

其中，为健侧模型预测的受试者意图；为患侧模型的原始运动意图；为调节两者权重比例的超参数；

所述步骤3中的导纳控制包括：

上肢双臂康复机器人与受试者交互过程的动力学方程如公式（4）所示：

其中，M和G分别表示笛卡尔空间坐标系下上肢外骨骼机器人与人交互系统的惯性矩阵和重力矩阵；C表示笛卡尔空间坐标系下上肢外骨骼机器人与人交互系统的科氏力和离心力矩阵；为交互系统中的扰动；为系统的控制输入；上标··表示康复机器人末端的实际位置对时间的二阶导数即加速度；

假设上肢双臂康复机器人末端的实际位置和上肢双臂康复机器人末端的实际位置对时间的导数是测量得到；设=,,其中，和分别表示第i个关节的转动角度与角速度，1≤i≤n；表示由机器人各关节转动角度构成的位置矩阵；表示由各关节角速度构成的速度矩阵；上标T表示转置；则交互任务的动态性表示为如下形式：

定义位置误差，速度误差，为对的虚拟控制，得：

使用李雅普诺夫函数，表示构建的李雅普诺夫函数形式的函数；符号表示矩阵乘法；对时间求导得：

令，其中为增益矩阵，重置公式（7）得：

由公式（8）得：

定义李雅普诺夫函数,表示构建的李雅普诺夫函数形式的函数；对时间求导得：

当动力学的参数已知时，控制表示为以下形式：

其中，表示增益矩阵；

使用径向基神经网络逼近机器人动力学的G、C和M项；外部扰动由扰动观测器进行补偿；自适应控制律为：

其中，为径向基神经网络，为权重系数，为动态回归量矩阵即样本点与各径向基中心的距离，表示径向函数网络输入；令为高阶扰动观测器，高阶扰动观测器形式如下：

其中，表示扰动观测过程中的增益矩阵；表示估计误差；表示动态回归量矩阵，表示实际采样点；表示权重系数；，，权重矩阵的更新如下：

其中，表示动态回归量矩阵的更新值；表示速度误差的更新；表示估计值的更新；上标符号表示权重导数的期望值；表示物理参数的更新值；表示估计误差；表示期望估计误差；表示径向基函数的输出；为更新率，和为权重。