外骨骼运动控制方法的简单解读

wzf@robotics_notes

已于 2025-02-09 08:10:31 修改

阅读量2.7k

点赞数 26

分类专栏：机器人本体与控制文章标签：机器人自动化科技算法

于 2023-11-29 23:29:32 首次发布

本文链接：https://blog.csdn.net/woyaomaishu2/article/details/134701102

版权

机器人本体与控制专栏收录该内容

10 篇文章

订阅专栏

本文概述了外骨骼运动控制的关键技术，包括关节运动控制、柔性交互、能量成型和贝叶斯优化。重点介绍了如何通过各种传感器追踪运动意图，以及如何提高人机交互的透明度。作者还讨论了外骨骼在实际应用中的挑战和潜在问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Title: 外骨骼运动控制方法的简单解读

关联博文
[1] 外骨骼运动控制方法的简单解读
[2] 利用 IMU 估计人体关节轴向和位置 —— 论文推导

I. 前言

针对如下四种外骨骼运动控制方法, 进行论文调研与简单解读.

[1] 关节运动控制 —— 运动轨迹/运动意图的跟踪

[2] 柔性交互控制 —— 最常用方法, 提高外骨骼和人交互的 “透明性”

[3] 能量成型控制 —— 借鉴双足机器人的无源步态控制

[4] 贝叶斯优化 —— 控制参数的优化与学习

外骨骼用到了机器人技术, 但应该不算机器人. 不像机器人最重要的是要实现自主功能 (自主运动、自主规划、自主决策等), 而外骨骼是反过来的, 没有自主功能只是一件机械工具. 外骨骼需要判断和预测人体运动意图, 并和人体一起执行该运动意图, 起到加强人体运动能力的作用.

其难点主要有两点:

(1) 人体运动意图的识别与预测

(2) 人-机耦合动力学系统的控制

其中前者对外骨骼来说更基础, 许多研究和开发侧重于此, 比如通过肌电生理信号、IMU (加速度计+陀螺仪) 运动信号、甚至人-机接触的压力/扭矩信号等进行运动意图的识别和预测.

正确地且实时地预测了人体意图后, 如何更优的进行力与运动的辅助则是第二点中动力学系统控制的内容了. 因为外骨骼耦合了人体肌肉骨骼系统, 使得整个系统从建模到控制都异常困难, 很利用经典控制理论导出优美的最优控制方法, 故而最终对控制律的评价都只能通过实验中人体的呼吸、代谢等指标来衡量有效性.

下面我们简单选几篇曾经看过的论文简单解读一下, 争取对外骨骼的运动控制有所了解 (回顾).

II. 关节运动控制 —— 运动轨迹/运动意图的跟踪

[1] G. Liang, et al. “PID control for the robotic exoskeleton: Application to lower extremity rehabilitation,” IEEE International Conference on Mechatronics and Automation, 2012

[2] C. Fleischer, et al. “Application of EMG signals for controlling exoskeleton robots.” Biomed Tech (Berl), 2006

III. 柔性交互控制 —— 提高外骨骼和人交互的 “透明性”

[3] Y. Ding, et al. “IMU-based iterative control for hip extension assistance with a soft exosuit,” ICRA, 2016

[4] G. Lee, Y. Ding, I. G. Bujanda, N. Karavas, Y. M. Zhou and C. J. Walsh, “Improved assistive profile tracking of soft exosuits for walking and jogging with off-board actuation,” IROS, 2017

IV. 能量成型控制 —— 借鉴双足机器人的无源步态控制

[5] G. Lv, H. Zhu and R. D. Gregg, “On the Design and Control of Highly Backdrivable Lower-Limb Exoskeletons: A Discussion of Past and Ongoing Work,” in IEEE Control Systems Magazine, 2018

V. 贝叶斯优化 ——控制参数的优化与学习

[6] Y. Ding, et al. “Human-in-the-loop optimization of hip assistance with a soft exosuit during walking,” Science Robotics, 2018

[7] Eric Brochu, Vlad M. Cora, Nando de Freitas, “A Tutorial on Bayesian Optimization of Expensive Cost Functions, with Application to Active User Modeling and Hierarchical Reinforcement Learning”, arXiv:1012.2599, 2009