[发明专利]一种基于外骨骼机器人辨识人体下肢模型惯性参数的方法

说明书

本发明公开了一种基于外骨骼机器人辨识人体下肢模型惯性参数的方法，首先建立外骨骼人机器人与人体下肢耦合的单腿髋膝双关节动态模型，基于最小二乘辨识将未知参数线性组合写入系统运动方程，再输入激励轨迹，仅对外骨骼机器人进行摆动实验，构建外骨骼数据集，完成对外骨骼的实验后，以相同配置对受试者进行实验，获取人机耦合数据集，使用离线最小二乘法估计外骨骼和人体下肢的参数。本发明的方法区别于现有典型人体测量模型的通用数据，辨识的人体下肢模型惯性参数更贴近不同用户特征，有效提升用户下肢节段的测量和惯性特征准确性，继而通过正确计算被动力矩更加真实地量化用户肌肉力矩，对于康复外骨骼机器人主动训练模式研究具有关键作用。

技术领域

本发明属于康复外骨骼机器人技术领域，具体涉及一种基于外骨骼机器人辨识人体下肢模型惯性参数的方法。

背景技术

根据世界卫生组织(WHO)的调查，全球大约有10亿(占总人口数量的15％)患有某种残疾，大约有2亿人患有功能性障碍。此外，当今人们的部分工作需要更强、更持久的肌肉运动，但是当人们长时间从事高强度的体力工作时，人体会出现肌肉疲劳。为了解决以上问题，一些科研工作者发明了一种可穿戴设备，即下肢外骨骼机器人。下肢外骨骼在民用领域被用于减轻人体负担，在医疗康复领域被用作辅助康复设备，为患者进行康复训练。下肢外骨骼集传感、控制等技术于一体，具有仿生学、机器人学、信息与控制科学、医学等多学科领域的特点。由于康复训练的目标是将患者的运动能力恢复到正常水平，因此研究人体步态是下肢外骨骼康复机器人研究的基础。但大多数最初开发的康复外骨骼机器人仅提供被动模式训练，即沿着预定义的固定轨迹移动用户的下肢。而近年来，许多研究人员认为，主动模式能够实现更有效和最佳的训练。在这种训练模式中，用户肌肉力量的量化对于机器人行为自适应以及告知用户其对于训练的贡献十分重要。

在康复机器人中，有两种广泛使用的量化用户肌肉力量的方法。一种是通过使用附着在用户皮肤上的表面电极测量肌电图(electromyography，EMG)，另一种是基于逆动力学分析估计肌肉力矩。通过测量外骨骼机器人每个关节处施加的外部力矩，并去除用户下肢的惯性、科里奥利和重力扭矩(称为被动力矩)，可以估计人类用户的肌肉力矩。其中，被动力矩的计算需要准确估计下肢节段的人体测量和惯性特征，例如质量、质心位置和惯性矩，通常称为身体节段惯性参数(body segment inertial parameters，BSIPs)。在人体运动的逆动力学分析中，BSIPs通常根据人体测量模型进行估计。由此可见，从关节力矩中分离主动肌肉力量严重依赖于用户下肢动态模型的准确性，所以辨识用户特定惯性参数的方法很重要。

发明内容

为解决上述技术问题，本发明提出一种基于外骨骼机器人辨识人体下肢模型惯性参数的方法，通过实时测量外骨骼人机器人与人体下肢耦合的单腿髋膝双关节位置及力矩信息来估计人体主动肌肉力矩，并根据相同配置下的外骨骼单独实验来分离外骨骼和用户躯体节段的参数。

本发明采用的技术方案为：一种基于外骨骼机器人辨识人体下肢模型惯性参数的方法，具体步骤如下：

S1、建立外骨骼人机器人与人体下肢耦合的单腿髋膝双关节动态模型，并基于最小二乘辨识将未知参数的线性组合写入系统运动方程；

S2、输入粒子群优化(PSO)优化设计的激励轨迹，仅对外骨骼机器人，即未被人类受试者佩戴的外骨骼进行摆动实验，构建外骨骼数据集；

S3、在完成外骨骼的实验后，以相同的配置通过外骨骼机器人的传感器采集不同体型的健康人体在单腿摆动下的下肢双关节的力矩以及实时角度、角速度和角加速度信息，从而获取人机耦合数据集；

S4、根据步骤S2与S3得到的数据集以及步骤S1的运动方程，并使用离线最小二乘法估计外骨骼和人体下肢的参数。

进一步地，所述步骤S1具体如下：

人体下肢模型的运动方程表示为：