一种手术机器人人机协同运动模糊模型参考学习控制方法与流程

文档序号:17211896发布日期:2019-03-27 10:52阅读:264来源:国知局
一种手术机器人人机协同运动模糊模型参考学习控制方法与流程

本发明涉及医疗手术机器人领域,具体涉及一种手术机器人人机协同运动模糊模型参考学习控制方法。



背景技术:

近些年在手术机器人领域,机器人与医生之间的直接物理接触是一个重要的研究方向。目前,在许多手术机器人人机交互运动的研究中,机器人的阻抗或者导纳控制已经被广泛的使用。但是由于手术机器人协作控制过程的强非线性、高阶次、时变性及随机干扰等因素导致控制规则不够完善,且在手术过程中医生的个人因素模型难以通过数学建模建立,导致运动效果主要依赖设计者的主观意图,以致于不能获得理想的人机交互效果。

在手术过程中,医生需要机器人时刻保持其最佳运动状态,因此,针对上述问题,有必要提出一种手术机器人人机协作控制的模糊模型参考学习控制方法。



技术实现要素:

本发明要解决的技术问题是提供一种手术机器人人机协同运动模糊模型参考学习控制方法,可有效地使机器人匹配医生操作的运动过程,提高手术机器人的柔顺度与安全性,获得理想的人机交互效果。

为了解决上述技术问题,本发明提供了一种手术机器人人机协同运动模糊模型参考学习控制方法,包括学习系统和机器人,所述学习系统包括配合连接的模糊控制器、学习机构和导纳控制器,将机器人末端受到的牵引力与机器人末端的移动速度作为学习系统的输入参数,将机器人的导纳值作为学习系统的输出参数;

其包括以下步骤:

步骤1)将学习系统的输入参数和输出参数模糊化并建立模糊集合;

步骤2)根据模糊集合在模糊控制器内建立初始模糊规则表以及建立学习系统的参考模型;

步骤3)学习机构根据输入参数和参考模型对初始模糊规则表进行修改,得到模糊规则修改表;

步骤4)模糊控制器根据模糊规则修改表调整导纳值并输出,实现机器人匹配手术动作。

进一步的,所述模糊控制器用于建立机器人的牵引力与移动速度之间的动态关,其公式为:

mdv+bdv=fh;

其中md为虚拟惯量,bd为导纳值,fh为施加在机器人末端的牵引力,v为实际速度。

进一步的,输入参数和输出参数的模糊集合建立为:

选择变导纳控制,输入为机器人末端受到的牵引力fh,其论域为[-7n,7n],

其模糊子集的论域为{-4,-3,-2,-1,0,1,2,3,4};

机器人末端的速度v,其论域为[-400mm/s,400mm/s],

其模糊子集的论域为{-4,-3,-2,-1,0,1,2,3,4};

机器人的导纳值bd,其论域为[5mm/(s·n),50mm/(s·n)];

其模糊子集的论域为{1,2,3,4,5}。

进一步的,所述参考模型的建立方法为:

由最小加加速度理论推导出人体最优运动特征模型,

x(τ)=x0+(xf-x0)(6τ5-15τ4+10τ3)

其中,x0和xf分别代表运动的始末位置,τ为时间比例常数,τ=t/tf,其中,t为运动时间,tf为运动终止时间;

进一步的,所述学习机构包括模糊逆向模型和知识基修改器,建立模糊逆向模型的模糊逆向规则表,根据模糊逆向规则表建立调整规则,当触发调整规则时,知识基修改器对模糊控制器中的导纳值,即机器人的导纳值。

进一步的,调整规则的建立方法为:

先对人体最优运动特征模型进行求微分,求解可得:

其中,vjerk为参考模型的目标值;

参考模型和被控对象输出值之间的误差为:

ye(kt)=vjerk-v;

根据模糊逆向规则表得到模糊逆向模型的输入为:

ye(kt)=vjerk-v

yc(kt)=(ye(kt)-ye(kt-t))/t

输出为p(kt);

其中,输入ye(kt)的模糊集合论域为:{-5,-4,-3,-2,-1,0,1,2,3,4,5};

输入yc(kt)的模糊集合论域为:{-5,-4,-3,-2,-1,0,1,2,3,4,5};

输出p(kt)的模糊集合论域为:{-1,-0.8,-0.6,-0.4,-0.2,0,0.2,0.4,0.6,0.8,1}

因此,cm(kt)=bd(kt-t)+p(kt),其中cm(kt)为修改过后bd的值;

由模糊隐函规则实现触发激活修改,其激活度为:

仅激活度为时,条件成立,模糊隐函规则被激活。

进一步的,当ye(kt)≈0时,调整结束。

进一步的,所述学习机构为离线学习机构。

本发明的有益效果:

通过模糊模型的自我学习方法,能够有效的解决控制规则不够完善等问题,获得理想的人机交互效果,并提高手术机器人的柔顺度与安全性。适用于医疗辅助手术机器人。

并且由于自我学习方法根据医生实际操作的情况而进行的,因此能够考虑医生个人操作习惯,从而提高机器人的智能化程度。

附图说明

图1是本发明的模糊模型参考学习控制系统的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。

参照图1所示,本发明的手术机器人人机协同运动模糊模型参考学习控制方法的一实施例,首先建立控制系统的整体结构,包括学习系统和机器人,学习系统包括配合连接的模糊控制器、参考模型、学习机构和导纳控制器,将机器人末端受到的牵引力与机器人末端的移动速度作为学习系统的输入参数,将机器人的导纳值作为学习系统的输出参数;

在手术过程中,医生不可能一次一次的训练手术机器人达到最优运动方式,因此本发明选用的是离线训练学习机构,提高启发式模糊控制器的性能,优化模糊控制器在医生需要机器人辅助运动时,机器人可以时刻保持着最优的运动状态。

具体的为,将学习系统的输入参数和输出参数模糊化并建立模糊集合;根据模糊集合在模糊控制器内建立初始模糊规则表以及建立学习系统的参考模型;学习机构根据输入参数和参考模型对初始模糊规则表进行修改,得到模糊规则修改表;模糊控制器根据模糊规则修改表调整导纳值并输出,实现机器人匹配手术动作。

其中,学习机构包括模糊逆向模型和知识基修改器组成,用于学习和修改输出参数,通过建立模糊逆向模型的模糊逆向规则表,根据模糊逆向规则表建立调整规则,当触发调整规则时,知识基修改器对模糊控制器中的导纳值,即机器人的导纳值。在模糊模型的回路中,模糊模型学习参考结合了来自机器人与参考模型的反馈信息,将反馈信息传送到学习机构,学习机构将利用得到的反馈信息来修改模糊控制器中的参数。模糊控制器根据机器人的实时速度与操作人员的牵引力来控制机器人的导纳值的变化,使机器人的运动接近理想的运动模型。

其结构中,模糊控制器用于建立机器人的牵引力与移动速度之间的动态关,其公式为:

mdv+bdv=fh;

其中md为虚拟惯量,bd为导纳值,fh为施加在机器人末端的牵引力,v为实际速度。

将机器人末端受到的牵引力与机器人末端的移动速度作为学习系统的输入参数,将机器人的导纳值作为学习系统的输出参数,并模糊化后建立模糊集合:

选择变导纳控制,输入为机器人末端受到的牵引力fh,其论域为[-7n,7n],

其模糊子集的论域为{-4,-3,-2,-1,0,1,2,3,4};

机器人末端的速度v,其论域为[-400mm/s,400mm/s],

其模糊子集的论域为{-4,-3,-2,-1,0,1,2,3,4};

机器人的导纳值bd,其论域为[5mm/(s·n),50mm/(s·n)];

其模糊子集的论域为{1,2,3,4,5}。

根据医生经验(操作习惯)和机器人的自身情况,建立模糊控制器的初始模糊规则表:

建立控制系统的参考模型:

为将机器人训练到最佳运动状态,建立了最小加加速度模型,对于人机交互,这种模型是最柔顺的运动方式,由最小加加速度理论可以推导出如下人体最优运动特征模型:

x(τ)=x0+(xf-x0)(6τ5-15τ4+10τ3)

其中,x0和xf分别代表运动的始末位置,τ为时间比例常数,τ=t/tf,其中,t为运动时间,tf为运动终止时间;

通过对上述的公式求微分,求解可得:

其中,vjerk为参考模型的目标值;

参考模型和被控对象输出值之间的误差为:

ye(kt)=vjerk-v;

参考模型和被控对象输出值之间的误差为:

ye(kt)=vjerk-v;

设计离线学习机构,建立模糊逆向模型的模糊逆向规则表:

根据模糊逆向规则表得到模糊逆向模型的输入为:

ye(kt)=vjerk-v

yc(kt)=(ye(kt)-ye(kt-t))/t

输出为p(kt);

其中,输入ye(kt)的模糊集合论域为:{-5,-4,-3,-2,-1,0,1,2,3,4,5};

输入yc(kt)的模糊集合论域为:{-5,-4,-3,-2,-1,0,1,2,3,4,5};

输出p(kt)的模糊集合论域为:{-1,-0.8,-0.6,-0.4,-0.2,0,0.2,0.4,0.6,0.8,1};

因此,cm(kt)=bd(kt-t)+p(kt),其中cm(kt)为修改过后bd的值;

由模糊隐函规则实现触发激活修改,其激活度为:

仅激活度为时,条件成立,模糊隐函规则被激活,导纳值得到调整,其余的均不发生变化。当ye(kt)≈0时,就被认为被控对象的理想行为已经到达,学习系统的机制将不再对模糊控制器的参数作调整或者不做出大的调整,即可以微调,一些大的动作默认为无操作。

通过离线学习机构调整初始模糊规则表,使机器人根据修改后的模糊规则表调整导纳值,匹配医生手术过程中操作的运动过程。本发明提供的一种手术机器人人机协作控制的模糊模型参考学习控制方法可以有效的解决控制规则不够完善等问题,获得理想的人机交互效果,并提高手术机器人的柔顺度与安全性。适用于医疗辅助手术机器人。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1