基于意图的自适应外骨骼控制

基于用户意图驱动的自适应步态辅助可穿戴外骨骼

摘要

提出并评估了一种基于用户意图的下肢可穿戴机器人康复策略。该控制策略通过监测人‐矫形器交互力矩，确定步态起始时刻，并在需要时调整矫形器操作以提供步态辅助。根据与正常步态模式的关系，矫形器操作被分为辅助或抵抗功能。控制算法依赖于关节刚度的自适应调节，依据是交互力矩及其相对于期望轨迹的偏差。采用健康受试者记录的步态平均值作为参考输入。
本研究的目标是开发一种能够根据用户意图触发步态启动、保持动态稳定性，并通过高效的多关节实时刚度自适应同时维持各关节同步的控制策略。该算法已在五名健康受试者中进行测试，结果表明其在启动步态以及在外力存在的情况下行走时维持平衡方面具有良好的性能。本工作作为一项初步研究，旨在为不完全性脊髓损伤和中风患者提供辅助。

关键词 自适应控制 · 外骨骼 · 步态启动 · 步态辅助 · 可穿戴机器人

1 引言

以人为核心的康复对于确保用户参与治疗至关重要。多种以人为核心的方法，例如患者协作和支持运动功能评估，面向机器人开发行为已被广泛研究[1]。这些策略通过确定提供给用户的机器人辅助水平，支持按需辅助的概念。针对步态而言，辅助必须根据患者的需求进行动态调整，因此有必要根据用户意图和运动以及治疗需求来开发个性化辅助，这涉及对所需辅助感知的认知。其他因素也会直接影响辅助质量，例如机械支撑的可用性、控制策略、辅助设备组合等。一种广泛用于检测和评估辅助需求的方法是评估位置误差。然而，仅使用预定义轨迹模式而无其他输入，会施加完全的辅助，可能导致用户懈怠并对患者造成伤害。因此，有必要测量人‐矫形器交互力矩，以评估用户表现和状态，设计力‐位置控制的混合组合。在机器人康复中，可以通过有效的控制策略[2]（如阻抗或自适应控制）实现辅助，这些策略根据受试者的表现进行调节。此类控制策略基于按需辅助的原则运行，即当参与者偏离期望轨迹时，辅助力随之增加。这种偏差也可用作生成触发器的输入，以根据用户表现启动运动或辅助。

为了设计基于自主控制的机器人康复，许多研究人员已对步态启动和终止的最佳时刻检测进行了研究。一种广泛使用的监测人类意图的方法依赖于使用脑机接口，例如XoR中的方法。这些系统在监测用户意图方面效率较高，因为启动步态无需关节位置的实际位移。相反，MINDWALKER中的步态启动基于质心（CoM）的位移，该位移通过启发式方法计算得出。HAL（混合辅助肢体）通过感知肌肉信号来测量肌肉力量，以支持患者的自主运动，并感知用户运动以确定需施加的关节刚度，从而适应用户运动。

使用可穿戴机器人进行步态辅助在确定适合动态稳定性的辅助力度时具有挑战性，需要考虑地面反作用力。一些可穿戴机器人已成功实现了动态稳定性，例如BLEEX[9], XPED2[10], Ekso（早期eLegs）[11], Rex（Rex Bionics）和 Re‐Walk[12]，并在提供被动活动范围辅助以及利用复杂系统方面被证明是高效的。

本研究的目的是开发一种用于可穿戴机器人的辅助控制策略，以实现用户依赖型步态启动和步态辅助。该步态启动方法确保用户参与治疗过程，并提高其完成任务的积极性。该控制策略采用基于阻抗的方法进行步态辅助，且无需使用跑步机或体重支撑。由于缺乏重量补偿，维持在地面反作用力作用下的平衡成为一个挑战。目标是为低成本可穿戴机器人开发一种高效控制模型，并验证该机器人对神经系统疾病患者的辅助行为。本文提出了一种基于混合位置和交互力矩的控制策略，能够实时持续地将用户运动调整到期望步态模式。这种实时调整还能确保关节轨迹之间的同步，以维持动态稳定性。

2 以人为中心的步态

人‐矫形器交互力矩在定义以人为核心的控制策略的动态分析中至关重要。因此，外骨骼动态分析的数学模型可以表示为
$$
M_{ort}(q)\ddot{q} + C_{ort}(q,\dot{q}) + G_{ort}(q) = \tau_a + \tau_{pat} + \tau_d
$$
其中，$q$、$\dot{q}$、$\ddot{q}$分别为关节位置、速度和加速度向量。$M_{ort}(q)$为惯性矩阵，$C_{ort}(q,\dot{q})$为离心和科里奥利向量，$G_{ort}(q)$表示重力力矩。$\tau_a$和$\tau_{pat}$分别为矫形器和患者力矩，$\tau_d$对应作用于受试者的外部干扰。这些执行器和患者力矩受到人‐矫形器交互的影响，而外部干扰可能来自任何辅助或外部源，会影响机器人的动态稳定性。在本研究中，$\tau_{pat}$用于步态启动，并确定矫形器应提供的辅助水平。

2.1 步态启动

步态启动可以定义为用户意图执行动作的时间$t$，该时间可通过人‐矫形器交互力矩确定。这种用户依赖型启动在影响或激励用户提供主动运动输入方面具有较高效率。用户动机对于提升治疗效果并避免懈怠是必要的。由于基于人‐矫形器交互力矩的步态启动在区分震颤与用户意图时可能存在不足，因此还必须结合关节位置和力矩来触发治疗过程。此外，该策略允许用户使用其感觉更舒适的腿部来启动治疗，如图1所示。

步态启动策略考虑了双腿的关节位置和人‐矫形器交互力矩。这可以表示为，
$$
G_{init} = Leg_x, x \in [R,L]
$$
其中，$G_{init}$ 是从用户处获取的用于$Leg_x$的步态启动触发信号；$\theta_R$和$\theta_L$分别为右腿和左腿的关节角度；$\tau_R$和$\tau_L$分别对应右腿和左腿中测量的交互力矩。

2.2 步态辅助

在本研究中，对于每个关节，执行器与患者协同工作。通过改变关节刚度参数，可以调整执行器的扭矩，这不可避免地会改变相应的关节轨迹和力补偿。
这种刚度变化会改变执行器的扭矩，从而决定矫形器与人体之间传递的控制程度。这种阻抗控制方案因其柔顺行为而被广泛使用，能够实现自适应步行模式以及患者与矫形器之间的更自然交互。因此，阻抗控制可由公式(3)确定。
$$
F = Ma + Cv + K(\theta_{ref} - \theta_{act})
$$
其中，$\theta_{ref}$ 和 $\theta_{act}$ 分别为参考关节位置和实际关节位置，K 为关节的刚度参数，F 表示施加到关节的力。M 表示质量，C 为阻尼常数，a 和 v 分别表示机器人的加速度和速度。此处，系统的输入采样率保持恒定，且阻尼系数保持较小，因此矫形器的速度不会被用户改变，从而不会对施加的力产生显著影响。因此，受位置误差影响的力方程被修改为：
$$
F = K(\theta_{ref} - \theta_{act})
$$
K 的值可以根据用户的表现和矫形器需提供的辅助水平动态确定。
$$
K_{t+1} = K_t \pm \Delta K
$$
$$
\Delta K = \left| \frac{\theta_{ref} - \theta_{act}}{s \cdot \tau_{pat}} \right|
$$
其中，s 是一个置信因子，用于确定在时间 $t+1$ 的刚度值。该置信因子是一个由治疗师根据患者能力来定义的变量。该置信因子可根据用户进展进行调整，以修改时间点

算法 1: Gait initiation
Case $\theta_R(t) \neq \theta_R(t-1), \tau_R(t) \neq \tau_R(t-1)$ && $\theta_L(t) = \theta_L(t-1)$
$x = R$
Else $x = L$

如图2所示，刚度变化模块负责增加、减小或维持每个关节的刚度参数。
在给定的轨迹误差范围内，刚度由位置误差计算得出；但当超过定义的误差阈值时，应根据测量的交互力矩来调整刚度。这种情况通常在外扰动存在时发生。以下是定义该刚度变化所涉及的参数：
$\theta_e$- 位置误差 (deg)
$\theta_{ehThup}$ – 位置误差上限阈值 (deg)
$\theta_{ehTlo}$ – 位置误差下限阈值 (deg)
$\tau_{pat}$- 人-矫形器交互力矩 (Nm)
$\tau_{pathTlo}$- 交互力矩下限阈值 (Nm)
$\tau_{pathTup}$- 交互力矩上限阈值 (Nm)
$\Delta K$- 刚度变化 (N/m)
$K = K + \Delta K$
$K = K - \Delta K$

算法2：步态辅助
案例 $\theta_e > \theta_{ehThup}$
情况 $\theta_e < \theta_{ehTlo}$ && $\tau_{pathTlo} < \tau_{pat} < \tau_{pathTup}$
Else
保持 K

基于一组记录的健康个体行走模式生成的平均行走模式被用作参考输入。
根据该模式和患者参与度，刚度K在每个关节处确定工作模式，即辅助或抵抗模式。在第一组试验中，通过在每个关节施加低刚度值来获取每个受试者的最大交互力矩。从这些最大值中，我们提取交互力矩的上下阈值，以动态定义工作模式。这些阈值通过将最大交互力矩乘以置信因子（s）获得。

3 实验步骤

所提出的意图驱动自适应策略基于位置误差和交互力矩。该策略需要对用户适应性进行初步研究，以确定步态启动和辅助场景。因此，实验分为两个阶段：初始化和执行。初始化阶段通过在矫形器不提供辅助的情况下监测交互力矩和关节位置，从而定义s。该初始化阶段用于参数化用户意图及其对运动的适应性。在执行阶段，运动变化和交互力矩的变化被用作步态启动的触发器。受限于置信因子的交互力矩用于确定刚度变化的时间点。这两个阶段均通过下肢外骨骼进行实施和评估。

3.1 外骨骼

H1 是一款具有仿人构型的 6 自由度（自由度）可穿戴下肢矫形器，旨在为不完全性脊髓损伤(SCI)或中风患者提供辅助。如图3所示，该外骨骼是在 Hyper*项目 框架内开发的。H1 每条腿包含三个关节：髋关节、膝关节和踝关节，每个关节均由一台与谐波驱动齿轮耦合的直流电机驱动。该外骨骼配备了电位计和应变计，分别用于测量关节角度以及连杆上的人‐矫形器交互力矩。关于外骨骼结构和通信参数的详细描述见[13]。可变刚度控制确保了安全的治疗体验[14, 15]。该外骨骼允许刚度值在 1‐100 N/m 范围内调节。低刚度值(<10N/m)不会对用户行为产生显著影响；同样，高刚度值(> 80 N/m)将提供完全辅助运动，用户几乎无需主动参与。初始刚度值的设定必须综合考虑用户能力及矫形器所需提供的辅助程度。

3.2 实验

最初，行走模式是通过在受试者身上进行测试并应用低刚度值（20牛/米）生成的。这一阶段对于获取交互力矩模式以及使用户适应矫形器是必要的。该初始化过程还确定了用户中观察到的最小交互力矩以及位置偏差。这些交互力矩的变化用于判断刚度变化的启动时机，从而通过调整刚度来确定所需的自适应行为。这种可变刚度将产生辅助或阻力行为。置信因子用于确定关节刚度函数开始渐进式驱动的时间，从而在不影响关节轨迹的情况下实现平滑性能。刚度值的逐渐增加或减少使交互力矩更加平滑。

该设置包含从健康用户获得并经过若干次步态周期重复后优化的记录的步态模式。刚度和置信因子的值根据受试者的健康状况确定。由于该策略是在健康个体上进行测试的，初始刚度和置信因子分别假设为50牛/米和0.9。
在健康受试者中发现较高的交互力矩，因此需要较高的置信因子来定义其阈值。

通过遵循协议并考虑连续试验之间的中间暂停来评估控制策略，以便在从疲劳中恢复后识别用户意图。间隔为10‐20秒
每次试验开始时引入听觉提示，以通知受试者启动步态，用于步态启动算法。
同样，在每次10分钟步行测试结束时，考虑1‐2分钟的暂停时间以评估步态辅助策略。因此，该研究包含两种类型的行走实验：3分钟的步态启动和10分钟的步态辅助。步态辅助实验持续30分钟，即进行3组10分钟步行测试。

4 结果与讨论

所提出的自适应控制策略已在五名健康个体中进行了测试和评估，其年龄组为 37±9，体重为 80±8kg，身高为1.75±0.05m。结果部分分为两部分，以分别说明步态启动和步态辅助场景。

4.1 步态启动

在一个步态周期中，膝关节在运动启动和摆动相中均起着关键作用。因此，通过监测膝关节运动相对于预期模式的偏差以及交互力矩来评估步态启动策略。监测膝关节的屈伸运动以区分用户意图和震颤运动。如图4所示，在大多数试验中，用户的右腿表现出步态运动的启动。这可以从左右腿髋关节和膝关节的交互力矩变化中看出。步态的启动以膝关节的屈曲运动为特征。例如，在97秒时，右膝关节显示出轻微的位移，从而启动了步态周期。几秒钟后出现髋关节轨迹，紧接着发生向左腿转移。

4.2 步态辅助

通过与参考步态模式进行比较，评估控制模型提供的自适应步态辅助的有效性。图5显示了参考步态模式以及五名健康受试者的平均步态周期结果。受试者以低刚度进行自由正常行走运动。在这种情况下，发现与期望轨迹的偏差较大。经过一系列试验（10次）后，由于作用于关节的自适应刚度的影响，该误差逐渐减小。刚度变化有助于将此误差保持在规定范围内，并在每个关节处遵循类似的增加和减少K的模式，从而产生辅助或阻力行为。

其中一位受试者的结果用于展示控制策略的响应。如图6所示，健康用户的步态表现展示了本研究提出的刚度变化的影响。初始以低刚度值行走被定义为“无辅助”模式。与参考模式相比，未辅助行走产生的最大偏差较大。
在应用可变刚度后，用户能够在预定义误差限范围内行走。经过10次试验后，刚度变化也随着运动逐渐收敛。在20次试验结束时，用户的运动已非常接近参考模式。

对于所有用户，误差均在定义的限值范围内。髋关节在刚度的实时变化方面表现出较小的变化和更强的适应性行为。由于外骨骼是一个平面机器人，无法监测侧向髋部运动。然而，这种矫形器限制并不影响所提出的控制策略。
踝关节和膝关节均表现出显著的刚度变化。髋关节刚度在小范围内变化，这从图7中的交互力矩中可以明显看出。这可能是由于用户的髋关节侧向运动补偿了关节轨迹所致。

踝关节的交互力矩在12 牛·米到‐3 牛·米之间，如图7所示，应用置信因子后，阈值被限制在10 牛·米到‐1 牛·米之间。当达到位置误差阈值时，使用此阈值限值来启动刚度增量。类似地，在膝关节中，交互力矩在14 牛·米到‐14 牛·米之间，应用置信因子后，阈值为12 牛·米和‐12 牛·米。即使在最大刚度存在的情况下，交互力矩仍保持在限值范围内。

由于膝关节的屈伸运动在行走过程中对维持步态相位之间的过渡至关重要，因此如图8所示，在几次步态试验后，刚度变化趋于收敛。如图9所示，膝关节中的轨迹偏差被发现处于小范围内，但存在延迟。对于踝关节而言，由于对地面反作用力的补偿，其刚度行为表现出不同的模式。在踝关节中，相对于参考位置的偏差较大，这解释了刚度变化的模式。
置信因子用于通过改变关节的刚度，从而逐渐作用于关节。其结果是出现表现为负斜率（降低刚度）的放松区间，从而使系统实现平滑行为。较低的置信因子将导致刚度变化的较少且较短的步骤，因此增量会更快。相反，较高的置信因子将限制刚度增加。刚度值的逐渐增加是由于位置误差的持续差异所致。关节的位置误差与交互力矩的变化相结合，导致高刚度值。

5 结论

一种基于用户意图的自适应行走策略已根据位置误差和人‐矫形器交互力矩进行了评估，从而确保了有效且安全的治疗。步态启动通过每个步态周期开始时接收的用户输入指令来确定。各关节的刚度值根据用户需求动态调整，并在实时过程中将位置误差保持在规定的界限内。可穿戴机器人在无体重补偿的情况下进行了测试，证明了该控制策略在存在地面反作用力时仍能确保动态稳定性的可靠性。所提出的控制方法的结果通过将实际轨迹与预定义步态轨迹进行比较而得到评估。实验结果表明，用户的步态意图被有效识别且无延迟，并由腿部运动准确跟随。结果还显示，各关节的刚度值演化并不遵循相同的模式。经过一系列试验后，刚度值收敛至某一给定范围内。刚度变化与屈伸运动相协调。这证明了所提出的方法在涉及多个关节的实时过程中的有效性。
本研究为一项进一步的研究奠定了基础，该研究将此步态启动策略与脑机接口相结合，考虑神经信号，并评估自适应控制在不完全脊髓损伤和中风患者辅助中的性能，包括肌肉刺激（FES）的存在，从控制的角度来看，其表现为外部干扰。