一种基于鲁棒控制与导纳控制结合的下肢康复机器人的控制方法与流程

本发明涉及康复机器人控制领域，特别涉及一种基于鲁棒控制与导纳控制结合的下肢康复机器人的控制方法。

背景技术：

目前在关于下肢康复机器人的控制算法有很多。早期的控制算法大多数为被动控制，即轨迹追踪控制，控制机器人带动中风患者按照预设的固定轨迹运动，这种运动只适合于受伤严重，基本无运动能力的患者，因为该控制算法未考虑患者的主动参与。近年来导纳控制算法比较常应用于康复机器人，与被动控制固定的期望轨迹不同，导纳控制能够根据人机交互力实时修正期望轨迹，从而一定程度上考虑患者的主动参与和实现人机柔顺性。但是大多数导纳控制的位置控制器是基于比例积分微分(proportionalintegraldifferentiation，pid)，该位置控制器结构简单，难以抵消外部干扰。

技术实现要素：

本发明要解决的问题是如何提供一种可以减少外界干扰的导纳控制方法，该控制方法具有在康复机器人上既具备柔顺性，又具备鲁棒性。

为了解决上述问题，本发明提供了一种基于鲁棒控制与导纳控制结合的下肢康复机器人的控制方法，其特征在于，包括以下步骤：

s1：采集髋、膝和踝关节位置的角度信号q，采集人机交互力矩信号τint；

s2：将实时测得的人机交互力矩τint信号输入导纳控制器，获得期望角度修正信号δq；

s3：将预设参考角度qr与δq进行叠加，获得关节期望角度qd；

s4:将关节期望角度与关节角度信号叠加获得角度误差e；将关节期望角度qd，关节角度q和角度误差e输入动力学模型，获得理想关节力矩τs,d；将角度误差e输入鲁棒控制器，获得补偿力矩τc；

s5：将s4中理想关节力矩τs,d和补偿力矩τc进行叠加，获得电机输出力矩τm；

s6：将电机输出力矩信息传送至机器人中，使得机器人的电机按照电机输出力矩进行工作。通过添加鲁棒控制器，根据实际角度以及预期角度之间的误差，提供一个补偿力矩，减少外界对机器人的状态影响，从而使得康复机器人在不同场景更具鲁棒性和安全性。

可选的，所述的步骤s2中的导纳控制器的处理式为其中τint为人机交互力矩，b和k分别为下肢阻尼和刚度。

可选的，所述的步骤s4中的动力学模型的处理式为其中m(q)∈r^3×3是对称正定惯量矩阵，是向心力矩阵，g(q)∈r^3×1是重力向量，q∈r^3×1，和分别是关节角度、角速度和角加速度，关节角度、角速度和角加速度均由s1中采集的髋、膝和踝关节位置的角度信号处理获得，为关节期望角加速度。

可选的，所述的步骤s4中的鲁棒控制器的处理包括以下步骤：

s11：定义滑模面其中α是一个正定常数矩阵，i^3×3是一个单位矩阵；

s12：补偿力矩为其中η为外部干扰，是η的估计值，γ^-1是自适应律，ρ(s)是一个由滑模面s决定的正增益系数，为系数矩阵，p为正定矩阵。系统的鲁棒性不仅考虑到轨迹误差，还结合本身的系统模型(惯量矩阵)估计和抵消外部干扰力，这相对于传统的pid控制仅仅是基于误差进行修改，有着整体调整的优势，因此对外表现的抗干扰能力更强，应用场景更多元化的效果。

可选的，所述的步骤s12中还包括有位移偏量δ，补偿力矩的表达式为添加位移偏量δ，能够消除鲁棒控制器产生的抖动，提高平滑度。

可选的，所述步骤s4中还包括有摩擦力控制器，将关节角度q输入摩擦力控制器后获得摩擦力补偿力矩τf；所述的步骤s5中还需要将摩擦力补偿力矩τf进行叠加。整体系统包括机械系统均具有摩擦力，通过摩擦力控制器产生摩擦力补偿力矩，能够抵消系统产生的摩擦力，从而使得控制更精准，使用体验更好。

可选的，所述的摩擦力控制器的表达式为其中表示τco∈r^3×1库仑摩擦力矩，表示粘性摩擦力矩，τst∈r^3×1表示静态摩擦力矩，τm∈r^3×1表示电机的输出力矩。摩擦力考虑范围较广，能够保证产生的补偿力矩更精确，整体所获得的控制效果更佳。

本发明具有以下的有益效果：

兼具导纳控制的柔顺性和鲁棒控制的抗干扰性。在控制过程中，因为采用导纳控制，能够在根据预设参考轨迹的基础上进行直接进行角度轨迹的修正，因此整体控制柔顺，而鲁棒控制则是针对期望角度以及机器人实际的角度进行分析，提供补偿力矩从而消除干扰因素，两者在控制上并不相互干扰，因此整体控制柔顺，能够保留现有的导纳控制的柔顺性，并直接增加控制的鲁棒性，因此控制效果好，实际使用过程优于现有的单导纳控制方法。

考虑鲁棒控制的自身抖动误差。在增加鲁棒控制器后，能够从鲁棒控制器自身对其产生的抖动从自身的算法中进行消除，减少了增加去除该抖动的麻烦，减少算法的冗余，另外还能够提高控制精度。

考虑整体系统的误差。在考虑控制精度中，将系统的各个摩擦力作为考虑因素，提供多个所需要的抵消的摩擦力的补偿力矩，提高整体的控制精度。

附图说明

图1为本发明的控制框图。

图2为实验结果中的三个关节的轨迹图，图中a，b和c分别表示髋、膝和踝关节。qr表示参考轨迹，qd-arc和qd-pid分别表示采用基于鲁棒控制的导纳控制下和基于pid控制的导纳控制下的期望轨迹，q-arc和q-pid分别表示表示采用基于鲁棒控制的导纳控制下和基于pid控制的导纳控制下的实际轨迹。

图3为实验结果中的三个关节的轨迹追踪误差图，图中a，b和c分别表示髋、膝和踝关节。e-arc和e-pid分别表示表示采用基于鲁棒控制的导纳控制下和基于pid控制的导纳控制下的轨迹追踪误差。

图4为实验结果中的三个关节的人机交互力矩图，图中a，b和c分别表示髋、膝和踝关节。ace-arc和ace-pid分别表示表示采用基于鲁棒控制的导纳控制下和基于pid控制的导纳控制下的人机交互力矩。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征更易被本领域技术人员理解，从而对本发明的保护范围作出更为清楚的界定。

实施例1

本实施例中，参考附图1，对康复机器人的控制方法为：

s1：采集髋、膝和踝关节位置的角度信号q，采集人机交互力矩信号τint；

s2：将实时测得的人机交互力矩信号τint输入导纳控制器，其中导纳控制器的表达式为其中τint为人机交互力矩，b和k分别为下肢阻尼和刚度，获得期望角度修正信号δq；

s3：将预设参考角度qr与δq进行叠加，获得关节期望角度qd；

s4:将关节期望角度与关节角度信号叠加获得角度误差e；将关节期望角度qd，关节角度q和角度误差e输入动力学模型；获得理想关节力矩τs,d；将角度误差e输入鲁棒控制器，其中鲁棒控制器的处理过程包括有以下步骤，s11：定义滑模面其中α是一个正定常数矩阵，i^3×3是一个单位矩阵；

s12：补偿力矩为其中η为外部干扰，是η的估计值，γ^-1是自适应律，ρ(s)是一个由滑模面s决定的正增益系数，为系数矩阵，p为正定矩阵，位移偏量δ；获得补偿力矩τc；将关节角度q输入摩擦力控制器其中表示τco∈r^3×1库仑摩擦力矩，表示粘性摩擦力矩，τst∈r^3×1表示静态摩擦力矩，τm∈r^3×1表示电机的输出力矩,获得摩擦力补偿力矩τf

s5：将s4中理想节力矩τs,d、补偿力矩τc和摩擦力补偿力矩τf进行叠加，获得电机输出力矩τm；

s6：将电机输出力矩信息传送至机器人中，使得机器人的电机按照电机输出力矩进行工作。

完成s6步骤后，再重复s1步骤，形成循环控制。

实际试验分为实验组和对照组，实验组采用基于鲁棒控制的导纳控制算法(记为ace-arc)，对照组采用基于pid控制的导纳控制算法(记为ace-pid)。实验对象为一名24岁的健康男性。参考轨迹为该受试者的步态轨迹，该步态轨迹在实验前已采用运动捕捉系统采集。在实验前，用绑带将受试者下肢固定在机器人外骨骼上，并由一名监督者在软件操作界面开启控制程序。若受试者在训练过程中感到不舒适，监督者可以采用硬件或软件上的紧急停止按钮终止系统。

在训练过程中，控制系统会将实时检测的人机交互力矩通过导纳控制器转化为期望轨迹的修正量，基于该修正量实时更新期望轨迹。根据该期望轨迹通过基于鲁棒控制的位置控制器计算得到理想输出力矩，并将该力矩转化为控制信号给电机驱动机器人运动。

图2、图3和图4分别显示髋、膝和踝关节的轨迹跟踪、跟踪误差和相互作用力矩。在图2中，使用ace-arc和ace-pid的每个关节期望轨迹相差不大，而实际的轨迹很不同。根据图3，ace-arc比ace-pid具有更好的轨迹跟踪性能，即ace-arc具备更强的抗干扰性和鲁棒性。从图4可以看出使用ace-arc和ace-pid的每个关节的相互作用力矩相差不大，即这两种控制方法下的人机柔顺性相近。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。