Sensing Pressure Distribution on a Lower-Limb Exoskeleton

                      下肢外骨骼感觉压力分布物理人机界面

摘要：监测物理压力分布的感官仪器
提出了下肢外骨骼的人机界面。我们建议分发
测量用户与整个接触面积之间的相互作用压力
机器作为人机交互的替代测量方法。获得这个
测量时，插入了一系列新开发的软硅胶压力传感器
肢体和将机器人与用户直接接触的机械接口
穿着者的皮肤。与最先进的措施相比，这种方法的优点是
它允许分析测量相互作用压力，这可能是有用的
用于评估人机交互的安全性和舒适度。本文介绍
新的传感器及其特性，以及交互的发展
测量装置，适用于下肢康复机器人。系统
被校准，并且示出了其在原型步态训练任务期间的使用的示例。

介绍
外骨骼和可穿戴机器人在最后的应用领域已经看到了巨大的扩张
尽管这个领域的研究始于六十年代[2]。他们现在适用于几个
领域包括军事力量增加[3]或医疗援助[4]，康复[5]
和触觉界面[6]。与其他机器人相比，外骨骼的独特特征
与触觉反馈的接口是机器人与机器人之间的紧密的物理和认知耦合
用户[7]。组件 - 物理和控制 - 允许这种身体和认知合作
构成人机界面。在这项工作中，我们对物理人机器人感兴趣
接口，即介导物理相互作用转移的机械和感觉组件
在用户和外骨骼之间[8]。
用户可以将可穿戴机器人与接口袖口和
矫形器。连接袖口是可调节尺寸的软带，固定在用户的四肢上：一个
袖口用于每个连接点。 Lokomat®采用了这一解决方案的一个例子
外骨骼[5]，以及LOPES下肢外骨骼[9]。采用类似的解决方案
其他上肢外骨骼，如欧空局人类外骨骼[10]，潮气[11] - 或
Armin II [12]以及像Alex [13]和HAL [4]等下肢外骨骼。矫正器，另一方面
手是由塑料或其他矫形材料制成的外壳，可以穿在其上
康复机器人应用力量的肢体。他们已经用于脚踝[14]，膝盖和
下肢[15,16]和上肢[12,17]外骨骼机器人。两种解决方案都增加了
人机交互区域，从而提高机器人的舒适度，人体工程学和安全性。这个
对康复机器人尤其感兴趣，其中较低的压力值总体上增加
机器人介导治疗的接受度和可用性[18]。机器人设备将负载传输到
通过提供关节扭矩，并将其转移到附件的相互作用力
用户点。然后将该接触力负载分布在物理接口上，最后
导致用户皮肤上的压力分布。外骨骼机器人的艺术状态显示了两个
量化物理人机交互的不同方法：通过直接测量交互力，或
通过并估计相互作用力矩。
从机器人传送到用户的相互作用扭矩的估计可以由
测量由机器人关节施加的扭矩，并通过去除惯性科里奥利摩擦和摩擦
重力扭矩组件需要移动机器人。剩下的扭矩是转移到
用户通过物理接口。机器人扭矩可以通过扭矩传感器来测量，或者，
当使用串联弹性或其他顺应性执行器时，通过等效的变形测量
线性弹性元件，如LOPES [9]。动态和摩擦模型的精度
机器人对获得可靠的相互作用测量至关重要，而且显然难以获得。另一个
临界性依赖于相互作用动力学的存在，例如由于存在软组织
符合标准的物理接口（如皮带）。

交互式扭矩的估计可用于计算负载如何转移到物理
与用户接口。要做到这一点，需要一个模型的连接和互动之间的交互
机器人和用户，将在机器人关节处测量的扭矩与相互作用力相关联
附件点。这种模式可能难以甚至难以获得，尤其是在多个时候
附件用于每个链接，或者当应用了矫正界面时。
另一种方法是直接测量附着点的相互作用力。
这可以通过称重传感器检索，放置在袖带/矫形器和连接器之间的连接处
外骨骼链接，例如在ESA人类外骨骼骨骼[10]或亚历克斯[13]，或由
评估弹性传动元件的变形，如MIT腿外骨骼[19]。一个
等效的方法是测量机器人连杆结构的变形，如同
HAL套件[4]。
然而，力测量有一些缺点要考虑。首先，他们隐藏
与袖带/矫形器压力分布有关的信息。这个信息可以
非常有用，与用户在机器人期间感觉到的安全性和舒适性直接相关
操作：高（峰值）压力可能不舒服，甚至使用户痛苦[20,21]，可能
影响康复治疗的安全性和有效性[18]。此外，当使用皮带时
将用户绑定到设备上，例如[5]中，分配在皮带上的力可能相互补偿
因此在连接点不会产生可测量的力，同时有效地装载
用户的皮肤。在这种情况下，例如，当皮带被紧固时，因此应用a
- 将“压力”压到肢体上。最后，负载单元不能使用时的交互
用户肢体和机器人链接不是由有限数量的附件来介导的，而是由分布式的
如在[17]的电动矫形器的情况下。
由于这些原因，使用分布式测量分布式互动力似乎是很自然的
测量系统与穿着者的肢体接触，其中发生相互作用。一个
这种解决方案可能涉及使用薄的分布式压力传感器来插入
用户和袖口/矫形器界面，覆盖整个交互区域。理想情况下，应用这样一个
感官系统不应要求设备中的设计更改，使其适用于任何类型的设备
机器人。此外，与肢体接触的局部传感器将精确地测量什么
用户感觉到他的肢体，并且将允许对交互的舒适度的真实评估。
在这项工作中，我们提出了分布式力传感器的新颖应用来监测人机器人
外骨骼的相互作用。为了获得这个措施，我们开发了一种新的力传感器
光电转换原理，特别适应于所产生的要求
人机交互应用（即软材料，力范围，尺寸，传感器数量）。这个
传感器松散地基于我们实验室开发的现有触觉感应技术
Skilsens技术，我们适应这个目的。一个新的感官系统的原型是开发和测试下肢外骨骼的附着点，LOPES步态康复机器人。这种感觉系统是朝着发展的第一步通用，灵活，适应性强的分布式互动测量系统，适用于所有一种外骨骼装置。
本文的组织结构如下。在第2节中，我们介绍了新的分布式压力传感器
它被用作感官系统中的基础组件。压力的工作原理传感器，并给出了完整的特性。第3节介绍了新的感官仪器来监测外骨骼连接袖带的相互作用。系统在四个健康状态下进行校准
受试者在静态和动态条件下。第4节介绍了使用这个新系统的一个例子监测步态训练任务中的相互作用压力。最后，第5节得出我们的结论

2.柔性触觉传感器
2.1。 设计
我们的重点是应用分布力传感来监测人机器人
相互作用，我们开发了一种新的分布式软力传感器，松散地基于人造触觉
我们实验室开发的技术，Skilsens技术[22,23]。 我们的传感器（我们会
称为压力传感器“，-Skilsens垫”或“简单的”）由一组敏感元件组成
基于机械光电转换原理。 每个敏感元素由a组成
光发射器和光接收器，并且整个传感器被软硅胶外壳覆盖。 除了
覆盖电子设备并提供结构刚性到垫，壳直接参与
转导原则。 单个敏感元件的草图如图1（a）所示。
印刷电路板（PCB）容纳发光体（InGaN芯片技术，高亮度）
绿色LED，OSA Opto Light GmbH，KöpenickerStr。 325 / Haus 201,12555 Berlin，Germany）发射
沿着纵向的光，以及光电二极管（模拟环境光光电
传感器，电流输出，安华高科技有限公司，新加坡义顺大道7号），获得
从侧面的光。当传感器上施加负载时，会使其结构发生变形，这样会堵塞
从发射器到接收器的光路，并减少到达光电二极管的光，
改变其目前的产出。每个敏感元件具有动态的，非放大的范围
约0.2伏，输出阻抗为22kΩ。信号采用32通道采集
ADC板，采样频率为2 kHz，并用四阶巴特沃斯数字滤波
滤波器，截止频率为40 Hz。采集和过滤程序使用
NI Labview 2009（美国国家仪器公司，美国德克萨斯州奥斯汀）。

根据应用选择传感器的尺寸（稍后在第3节中描述）。长度
根据用于连接用户与机器人的皮带的高度，将传感器固定为60mm，
其宽度为20mm。具有这种尺寸，以后将会详细说明，传感器不会干扰
显着地与其将附接到其上的带的柔性。由于传感器延伸
主要沿其长度，敏感元素位于一排。八位数
敏感元素被证明是增加空间分辨率之间的最佳妥协
（沿着传感器的长度），并减少相邻敏感的光学干扰
元素。图1（c）显示了传感器的最终外观。机械刚度，因此
垫的最大可测量力主要由材料和结构决定
传感器横截面的属性。
传感器的横截面如图2所示，主要参数部分
这确定了总体刚度被突出显示。该部分由五个几何定义
参数：内部高度（H 1），上部硅胶厚度（H 2），厚度
（W）的基础上的硅氧烷，以及连接的内部和外部半径（R 2和R 1）
垫的基础与其上部。这些参数的值，以及的选择
材料，必须选择以便将垫适应所讨论的任务的力范围要求
在这项工作中。

相互作用力范围要求为60 N，对应于垫上的平均压力
基于一系列初步实验[24]。我们使用的材料是a
Shore A 40铂催化硅胶（Sorta Clear 40，Smooth-On，Inc.，Easton，PA，USA），着色
与黑色颜料。该材料使用九个参数Mooney-Rivlin实体模型进行建模，
其特征在于Axel Products Inc.（Ann Arbor，MI，USA）。四个主要特点
影响超弹性弹性体的结构行为进行了测试[25,26]：纯紧张（使用长，
薄样品和视频伸展仪），纯剪切（使用非常宽的样品和激光
伸长计），双轴应力（通过圆盘的径向拉伸和激光伸展计）
和体积压缩（带圆柱形样品）。所有四个测试都是在下面进行的
缓慢的周期性负荷，以避免Mullin效应（第一次改变结构性质
材料加载）。测试材料的最大工程应变为0.5。
关于这个程序如何进行的细节在[25]中给出。
为了获得所需的力范围，我们研究了图2的几何参数
使用ANSYS 12（Ansys Inc.，Canonsburg，PA，USA）进行有限元（FE）分析。该
我们模拟的实验包括与平行于PCB的传感器相互作用的刚性平坦体，推动硅树脂结构。而硅胶盖的横截面沿长度是恒定的
的传感器，我们不能执行二维有限元分析。结构的两端，
将其结构关闭到PCB上，对结构的整体行为作出了重大贡献
覆盖，不可能在结构分析中忽略他们的贡献。作为那个
边缘的横截面不是恒定的[见图1（c）]，需要一个3D有限元分析。
模拟系统的一半的表示如图3（a）所示。设置由a组成
刚性平压头，传感器的硅树脂结构和PCB。利用两个对称性
结构（沿纵轴和横轴），我们仅在a上执行FE计算
系统的四分之一（模拟运行在图3所示系统的一半）。联系人
在平坦的压头和硅树脂之间被模拟为刚性的无摩擦连接。这个选择
是基于在超弹性上获得可靠的摩擦建模的难度
材料[27]。硅树脂结构和PCB之间的接触被建模为粘合剂
连接。仿真中的非线性与接触的存在有关
超弹性材料模型。我们通过施加压头的位移来模拟载荷
对于PCB，对于每个变形状态，我们评估了总应力状态[一个例子
在图3（b）中给出]，变形状态（如图3（c）中的例子）和总的力响应
结构体。我们对硅胶的分析显示，该结构遭受了下沉的影响
垫在其中央部分，然后在其边界变得更加变形。该效果如图3（c）所示
放大变形），并以两种方式影响转导：一方面增加
在中心部分相对于边界的变形，从而增加其效果
光闭塞另一方面，它减少了传感器的敏感范围，因为它减少了
硅胶盖接触PCB（并使光电输出饱和）的力。
考虑到这些影响，我们研究了上述五个结构参数来获得
最终设计。 图4报告了FE分析预测的力/变形行为。 有可能
看到传感器预期在约1.5mm的变形下达到60N力范围，
这导致传感器输出饱和。 最终设计的几何参数是
R 1 = 6mm，R 2 = 6mm，W = 3mm，H 2 = 3mm，H 1 = 4mm。 从最终设计开始
参数，硅胶外壳是通过在阳/丙烯酸模具中铸造液体硅酮而获得的。
聚合后，将硅胶外壳胶合在PCB上，完成传感器的生产过程。

2.2。描述
在生产后，每个垫的特征在于其结构和电气行为。都
通过单个程序获得表征：在压力传感器上施加负载
使用刚性平坦体，复制FE模拟的相同设置，以及变形和
记录了电压输出。使用INSTRON 4464测试进行表征
机器（INSTRON Inc，Norwood，MA，USA），装备有1kN称重传感器和刚性平压头。
对于每个传感器，我们执行了以1mm / min的速度执行的五个装载 - 卸载循环
模拟准静态负载。图4显示了垫的结构表征的结果，
其中传感器上的总力与总变形进行比较。可以看出，
结构所示的行为接近于通过FE模拟预测的行为，并且根据需要，
60N的最大可测量载荷导致约1.5mm的变形，以得到平均值
刚度为40N / mm。结构的滞后非常小（约为全力范围的3％）。

此外，我们将八个光电二极管的电压输出定义为所应用的函数
装载力。这种表征是必要的，以便在之间进行一对一的对应
敏感元件的输出电压和作用在结构上的力。这是必须的
估计传感器上的压力分布和总力，如第2.3节所述。
图5显示了作为施加的加载力的函数的八个通道的示例输出。它
可以看出，所有通道的输入/输出关系是平滑的，没有关键的非线性，
以及约3.3 mV / N的非放大增益。虽然大多数通道的输出是相当线性的，
我们决定，为了更好的准确性，使用5节点，三阶样条插值器（拟合）来适应数据
使用Mathworks™MATLAB®和Shape Language Modeling工具包（版权）进行
（c）2009，John D’Errico）。电气特性和数据拟合构成了模型
传感器，并且由于光/电压的变化而需要在每个不同的焊盘上执行
不同光电二极管之间的特征，也是由于材料性质本身的差异。
因此，我们分别对这项工作中使用的三个传感器（见第3节）进行了表征。在图5和表1中评估拟合优度，其报告归一化的RMSE和最大值
与装配模型相比，在装载 - 卸载循环上收集的信号的百分比误差。
这些结果表明，对于给定的负载，敏感元件的电压输出非常
可重复性，结构滞后对输出精度的影响较小。

2.3。 力和压力分布估计
为了估计从八个电压输出作用在传感器上的力和压力分布，
我们实现了一种简单的估计算法，它使用了传感器的模型
特征描述在上一节。 该算法基于以下假设：
八个敏感元件中的每一个的力和电压与另一个敏感元件的力和电压不相关
相邻元素。 这是一个简化：一个元素的变形取决于
因为硅胶罩是单一的结构，相邻元件的变形。 有了这个
方法，必须在均匀的载荷条件下对传感器进行一次表征。该
然而，力估计算法并没有假设负载是均匀的
分布式，而是可以在所有加载条件下使用（具有可变性能）。该
算法的工作原理如下：

信号被滤波和去偏移;
将八个电压用作力/电压模型的输入（如第2.2节），以提取
八个力值;
平均8个结果力确定传感器上的估计力;
（平行于3）八个所产生的力被转换成八个压力分布值
（除以垫的表面）。
由于该算法的假设，传感器的精度和测量噪声
取决于加载条件，并且需要针对每个预期加载模式进行评估。给予
传感器性能的一个例子，我们在两种不同的不均匀负载下进行了测试
条件。我们开发了两个具有曲线压痕面的两个刚性压头（两个不同的）
测试曲率3m -1和5m -1）。我们通过应用分析了传感器的性能
负载在0到60 N的范围内，并通过比较力估计算法的输出
记录称重传感器。实验设置与校准阶段相同，
作为以1mm / min的恒定速度进行的5个装载 - 卸载循环。图6报道
两个条件的估计结果，用于目的的压头的草图。蓝色
点表示算法的估计，红线表示估计的线性拟合。有可能
看到非均匀负载在估计中引入了两个误差源。表2报告
归一化和绝对RMSE的测量来评估测量噪声，以及
传感器的系统误差。比较估计的力量计算归一化的RMSE
负载力，并用60 N的全压力进行归一化。系统误差为
通过线性拟合压力传感器的估计值，并通过比较压力传感器的斜率来评估
拟合曲线的理想陡度为1（对应于没有系统误差的测量）。
这种系统效应对测量的最大误差约为2N，这是很好的
低于由RMSE评估的测量噪声（可达5 N）。

我们测试的条件肯定不代表将作用于传感器的负载分布
正常运行时。 然而，他们证明传感器的性能取决于
负载分布，并且在使用时预期的负载条件需要进行校准
传感器。 因此，在下一节中，我们将对所应用的传感器进行校准
到外骨骼，用四个不同的科目，来评估测量噪声和精度
现实世界的应用。

感知下肢外骨骼的人机交互作用
本节介绍了我们开发的分布式压力传感器的实际应用
交互测量感官仪器。如前所述，传感器的性能依赖于
在装载条件下。因此，以可靠的方式测试传感器的唯一方法是应用
装置到外骨骼，并用可靠的相互作用校准传感器的输出
测量，如六轴称重传感器。因此，我们将系统应用于连接
下肢外骨骼的袖口（3.1节），并用静态载荷（3.2节）进行动态测试
负载（第3.3节）和原型恢复任务（第4节）。
所有实验均在四名男性健康受试者（28±3岁，体重74±3 kg，
高度174±1厘米）。我们选择的科目显然不是人口的代表
使用这种外骨骼的康复方案。但是，我们的目标不是
复制或代表典型的康复方案及其人口，而是测试a
测量系统在一小群科目上。我们选择了类似构建和大小的对象
减少附着点位置的变化，袖口大小，从而给予可比性
校准结果（在预加载和卸载垫上的力分数方面见第3.2节）。
3.1。材料和方法
我们的案例研究是LOPES步态康复和评估机器人[9]，如图7（a）所示。
LOPES是一个8度自由度的动力外骨骼，可以帮助用户的步态
每个腿三个致动自由度，两个在髋部，一个在膝盖，并附加
在冠状面和横向平面移动（或固定）骨盆的平移自由度。
LOPES接头由串联弹性致动器[28]供电，可以以扭矩控制
模式，或使用允许定义吸引力的虚拟模式阻抗控制[9]
轨迹和虚拟弹簧常数。用户被捆绑并链接到外骨骼通过
每个腿的三个附着点：一个在大腿上，两个在小腿上。如图7（a）和图7（b）所示，我们的感觉器械应用于右上肢袖带。使用的袖口
该机器人由Hocoma（Hocoma AG，Industriestrasse 4，CH-8604 Volketswil，
瑞士），并且通过直接连接到机器人连杆的刚性碳纤维框架制成
钢筋，以及可以固定在腿上的柔性带。图8（a）显示了a的草图
袖口的横截面。力由机器人传递到连接袖带
钢筋，然后带束带缠绕在由碳纤维支撑的使用者腿部周围
帧。这种袖口也用于其他外骨骼机器人，最着名的是Lokomat [5]
袖口最初设计。类似的解决方案由刚性框架和柔性带组成，
用于其他下肢[4,13]和上肢机器人[10,12]。

在这项工作中提出的解决方案，同时具体针对这个袖口，可以很容易地扩展到类似的
附件系统。这个配置，如图8（a）所示，包括放置一些敏感的
柔性皮带和使用者肢体之间的垫片。为了容纳Skilsens垫，并保留它们
固定在皮带上，我们设计了一个刚性塑料框架，如图8（b）所示，其主体完全在上
袖口外部。这样，只有传感器的硅树脂结构与肢体接触
保持互动舒适。这个框架也容纳了化合物的连接器
信号/电力电缆，可以轻松增加或减少分布在皮带上的传感器数量，
以及迅速改变立场。如第2节所述，传感器的宽度（和，
因此，可以装配在单个带中的最大垫数）选择为20mm（与
由于6毫米的框架造成额外的负担）。这允许良好的力测量分辨率
沿着皮带（取决于腿的周长，最多10到12个传感器可以装在袖口上），以及
不会显着影响皮带的柔韧性。
在这项工作中进行的所有实验中，只有大腿连接袖带被传感
六个敏感元素，三个在前面，三个在后面，如图8（c）所示。此外
使用6轴测力传感器（ATI Mini45，ATI Industrial）传感袖带附着点
自动化，1031 Goodworth Dr.，Apex，NC 27539 USA）提供可靠的测量参考
用于系统的校准和验证。在这项工作中，我们只收到信号
相对于三个垫，两个在前面，一个在袖口的后部。这些传感器突出显示
图8（a）。
3.2。校准静态加载
执行第一次校准以评估具有静态的传感器的精度和精度负载，传感器与用户接触。进行表征以验证传感器在正常工作条件下的有效性，与执行的测试不同
第2.2节因为：传感器装有压力分布和变形曲线，不同于用于传感器表征的受控加载条件;
•传感器与用户的大腿直接接触，其大小不规则，不一致
从一个主题到另一个主题;
•传感器的位置决定了相互作用力沿皮带分布的方式，
因此，在垫上卸载的相互作用力的分数。这一变化
不同科目和传感器;
•传感器在正常操作期间可能稍微移动，不知道这会有多少
影响测量。
对每个受试者进行校准，右腿处于垂直静止位置，
脚固定在地上。受试者被要求不移动，并且增加扭矩步骤
如图9所示，对髋关节施加-50Nm〜+ 50Nm的范围
使用称重传感器测量传递到大腿的交互力。同时，
使用所描述的算法估计作用在每个垫上的压力分布和总力
第2.3节。所有的数据都是在静态条件下获取的，忽略了所有的瞬态效应。

通过比较测力传感器的输出和在静态条件下作用在传感器上的力，
我们可以评估每个传感器和每个用户：
•在每个垫上卸载互动力的分数。这个因素是固定的，不会改变
只要垫子不能在皮带上移动：因此，我们期望线性关系
总互动力量和测量力;
•由于皮带的紧固而导致作用在垫上的预紧力。这个值
对应于当没有交互力存在时的测量力。
校准的结果如图10（a）所示，作为例1，对于主题1
比较总交互力（由称重传感器，x轴测量）与作用力
在每个压力传感器（Skilsens力，y轴）上。只有压迫力（在我们的标志上是负的）
惯例）可以通过我们的压力传感器来测量。因此线性拟合分为两条线
段：一个用于压力传感器的负值（即，在传感器的工作范围内），和
一个表示焊盘卸载的范围（其测量的力为0）。
静态校准强调了三个因素。预加载作用在每个垫上
对应于拟合曲线的y截距，这是当没有交互作用时垫上的力
施加力。该值（和相应的压力分布）等于基线
由皮带紧固在大腿上引起的力。曲线的斜率表示分数
在每个压力传感器上卸载互动力。这个百分比值决定了总数
上肢的交互力分布在袖带的不同区域。所以呢
确定沿着皮带长度的压力分布。最后，x轴截取的
线性曲线限定由传感器测量的力的范围。对于每个科目的结果
静态校准（以及错误数据）在表3中详细显示。
此外，静态校准还可以提供如何沿着宽度分布压力的想法
静态载荷下的传感器。这是有用的，例如，评估作用的基线压力
当外骨骼没有施加负荷时，或者当峰值时评估压力分布时的大腿
传输负载。图10（b）示出了八个压力分布的一个例子
在零相互作用（上图）和峰值相互作用（下图）之间的传感器之一的元素。

3.3。动态加载
在四个对象上复制了静态校准的相同实验设置以验证
在动态变化的负载条件下传感器的行为。应用动态加载
用户，扭矩啁啾（频率范围：0-3 Hz，总时间：100 s，振幅：30 Nm，偏移：-25 Nm）为
命令为LOPES髋关节，而主体站立时脚固定在地面上，被要求不移动。由于转矩控制带宽限制，频率范围限制在3 Hz
外骨骼（其使用串联弹性致动），并且设置偏移以保持相互作用
力沿着同一个方向。
选择频率范围，以在肢体上施加强烈的时变相互作用力
对用户和机器人都不太要求。较高的频率负载将是
对受试者非常不舒服，也要求机器人的结构和框架。
与静态表征相比，我们正在调查的主要区别在于存在
并对动态衰减对传感器力测量的影响进行量化。
图11示出了由测力传感器记录的相互作用力，以及三个垫中的每一个
动态表征。作为示例，仅示出了一个对象的测量
（主题1），但其他测试结果相当。可以注意到，与臀部不同
力矩，由称重传感器测量的髋关节相互作用力不是一个完美的啁啾声。这是由于动态的
在任务期间由机器人和受试者的振动和小的运动引起的影响。

3.4。静态和动态表征的讨论
在静态条件下校准的结果证明可以有效地使用传感器
在正常操作期间监视用户外骨骼互动力。据数据报道
表3对于所有科目，所有传感器，互补力的不变部分在每一个上卸载
垫，范围从17-21％为最负载的垫，到7-8％为较少的垫。这个分数
取决于传感器的位置，以及大腿的大小，因此它会不同的变化
传感器和主体。这种线性关系允许估计总的交互力
附着点，在触觉传感器的工作范围内。因此，可以给出多个垫估计值
冗余，因此更好的精度，对所得到的相互作用的测量，使其成为负载传感器的可行替代品。此外，该校准允许评估交互作用
沿皮带分布。
此外，校准显示了作用在每个传感器上的预加载力。这个价值也是
由于预压力取决于袖口的位置和位置如何紧密，因此对象的高度变化
被固定到用户的大腿上。因此，可以看出预压力是不同的
在连接在相同袖口上的垫中。预加载值范围从17-18 N到最紧密
紧固的袖口，4-5N，最松紧。测量预压力，
我们的传感器允许治疗师以重复和可靠的方式紧固袖口。
我们的压力传感器仅对压缩载荷敏感。由…引起的预载力
紧固会导致垫的预压缩。因此，取决于交互的方向
通过外骨骼施加，垫将被压缩或未压缩。为此，每一个
垫对两个方向的相互作用力敏感。
在我们的实验中应用了预加载力和交互式扭矩（与之相当）
在步态恢复任务中应用[9]），可以看出从未达到全程饱和度，
并且，取决于被摄体，垫可以具有良好的双向交互力范围。
与线性拟合相比，每个垫的静态表征数据的分散可以是
归因于不同的原因：传感器噪声;由于力估计算法造成的误差;和
在执行任务期间，垫相对于大腿的小的移动。的确这是最后一次
效果也可以稍微变化，局部，预加载和曲线的斜率。
传感器还允许人们确定压力如何沿着带的宽度分布
（对应于传感器的长度）。图10（b）是压力如何的例子
分布不均匀，不仅沿着袖口的长度，而且沿其宽度。传感器允许
提取八个压力分布值。这八项措施可直接用于检测
负载分布，或提取单个感兴趣的值，如总负载力[as in
图10（a）]，平均压力或峰值压力（当
评估舒适度）。
动态特性证明传感器在此期间不会产生任何显着的影响
动态载荷条件，至少在LOPES可提供的载荷范围内
外骨骼。结果如图11和表4所示，对于静态条件，a
交互力的恒定分数在每个传感器上卸载。这个部分不依赖于
频率分量的负载压力，显示没有明显的影响
动态加载条件。

这些结果表明，我们的感官装置可以有效地用于监测人机器人
下肢外骨骼的相互作用。在受控条件下，已经显示出一个常数
互动力的分数在静态和动态加载两个敏感元素上卸载
条件。为此，我们的感官系统可用于评估所产生的人机器人
相互作用的力量，提供冗余且因此高度可靠的测量。不止如此，我们的
感官系统允许评估交互式力量如何分布在接触区域上
用户肢体因此，与单点措施相比，我们的系统提供了客观的意义
评估交互舒适度（根据肢体上的局部压力），并允许量化
紧固力（通过监测每个垫的预加载）在皮带上。在本节中，我们执行了一个
通过比较每个触觉传感器的输出与a的感觉系统的特征
称重传感器。通过与不同的相互作用力进行比较可以获得类似的结果
估计，通过相互作用扭矩的测量获得。例如，基于模型的互动
可以使用扭矩估计或来自可靠扭矩源的直接测量。
在这项工作中提出的原型中，只有接触面积的一小部分被传感器覆盖。
这意味着传感器不沿着皮带移动[它们如图所示固定
图8（c）]，大腿和传感器的相对位置当然是可能的
小滑点如果皮带没有正确地固定在大腿上，或者皮带的尺寸是这样的话，可能会发生这种请况
与大腿周长相比太大了。在我们的实验中，紧固力是
足以固定皮带和大腿的相对位置。这是事实证明的
在每个传感器上卸载互动力的恒定分数（图10）。如果传感器移动到
用户大腿的不同部分，力的不同分数在其表面上卸载。因此，
校准无效，当使用传感器的测量来估计时，会发生错误
总互动力在这种感官系统的最终原型中，全面的互动区域将是
覆盖，所有的交互将被卸载在传感器上，从而消除了这个问题
它的根。
案例研究：走在模拟粘性领域
作为我们感官仪器的最终评估，我们分析了相互作用的压力
步态训练任务中的分配。在这个实验中，穿着外骨骼的受试者，
在前面的章节中描述的相同的传感器被要求以恒定的方式在跑步机上行走
速度4公里/小时。分析了两种不同的条件。在第一个，外骨骼是
控制在零转矩模式[29]，其中它尽可能透明。在第二个
在髋关节应用10 Nm / rad·s -1的粘性场，模拟步态训练任务。
每个条件保持约250步步（约2.5分钟）。
与运动学数据一样，如前所述，我们收集了每个传感器的压力数据，以及
由称重传感器测量的总相互作用力。所有记录的数据在步态平均
循环，清楚地表明互动力量的总体趋势。
图12报告了收购的结果，常见的x轴代表了百分比
步态循环。图12（a）报告了每个垫上卸载的平均压力和总力。
图12（b）示出了在步态循环期间压力分布如何变化的示例（正面垫2
显示）。循环的开始（0-100％）对应于脚对地面的影响。站立阶段的范围是从0到约50-60％的周期，其中发生脚尖。 剩余的
循环的一部分（60-100％）对应于腿摆动阶段。

要注意的另一个有趣的行为涉及步态期间后垫的压力。
将表示整体相互作用力的称重传感器的输出与
垫，可以看出，虽然两个正面垫具有与整体相互作用相同的趋势
力（负，在0-30％的范围内，摆动开始时有一个喘振），后排显示a
完全不同的行为。在站立阶段的中心部分（步态周期的10-50％），一个峰值
在大腿后部的局部压力由触觉传感器检测。类似，较小
即使在第二个正面垫上，也可以看到相反的方向。这些峰可能是
由于腿部肌肉在姿态阶段的共同收缩以及随之而来的变化
大腿的形状和大小。局部压力的这些峰值不对应于整个相互作用力的减小，并且将不会通过单独使用测力传感器来检测。这些
评估只是如何量化当地互动压力的一个例子
在使用康复机器人的步态训练任务期间的分布，以及如何传达信息
通过这种分布式感觉装置比单点测量更丰富。
5。结论
在这项工作中，我们提出了一种新的方法来提供相互作用压力的分布式测量
在人机界面上的外骨骼。所提出的系统是基于分布式度量
通过应用分布式压力传感器获得的用户 - 机器人接触区域上的压力
在用户和外骨骼之间。开发了感官系统的原型，并进行了测试
一个步态康复机器人，LOPES下肢外骨骼，在四个健康的科目。感官
证明设备能够准确，冗余和可靠地测量相互作用力。上
最重要的是，它可以监控用户肢体的局部压力分布，提供一个
客观意味着评估用户的局部压力，从而提高互动的舒适度
这种感官体系是发展通用性，灵活性的第一步
和适应性分布式相互作用测量系统，适用于各种外骨骼
设备。这样的系统可以代表用于监测用户皮肤局部压力的有价值的工具，
允许改变和调整机器人的控制，以避免过度的局部压力，也可以
监控互动过程中交互的分布情况。这可能在领域特别有意义
交互的人体学是至关重要的，如康复机器人。
虽然这项工作侧重于分析压力分布，但这种感觉系统也可能是
用于检测用户组织的变形，特别是在使用不可变形的矫形器的机器人中
物理接口（柔性皮带通过变形适应肌肉的变形
他们自己）。验证这可能构成可行的，低成本的替代方案可能是有趣的
对肌肉活动的更直接和有创的测量，如表面EMG。
致谢
作者感谢Francesco Giovacchini，Jan Osmers和Maxime Guilleux
在有限元分析中为他们的宝贵帮助。我们也感谢匿名评审员
为他们的帮助意见。这项工作得到欧盟在EVRYON内的部分支持
协同项目STREP（演进人形机器人共生互动形态，
项目FP7-ICT-2007-3-231451）。