基于回归预测,优化用于几乎直接驱动的膝关节外骨架机器人的扭矩控制模型

科学领域:

• 机器人技术 机器人技术 机器人技术
• 生物力学 生物力学
• 机器学习 机器学习

背景情况:

• 控制下肢外骨架机器人,特别是在人机合系统中,由于复杂的,非线性传感器到扭矩映射,提出了挑战.
• 通过传统的数学工具,很难准确地建模关节扭矩.

研究的目的:

• 开发一种非线性回归预测模型,用于预测外骨架机器人的膝关节扭矩.
• 创建一个膝关节扭矩控制模型,以补偿机械和控制系统的延迟.
• 评估开发的控制模型在使用表面电肌图 (sEMG) 协助爬楼梯时的有效性.

主要方法:

• 在爬楼梯时从外骨架机器人收集膝盖扭矩和惯性测量单元 (IMU) 数据.
• 采用了结合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 的多变量网络模型进行非线性近似.
• 在模型训练期间实施时间转移技术,以补偿系统延迟,并生成多个控制模型.

主要成果:

• CNN-LSTM模型成功地学习了膝关节关节扭矩预测的非线性近似值.
• 在轻量级的膝关节外骨上进行的测试显示,直腿骨 (RF) 的sEMG活性减少了20.87%,而大脑中部 (VM) 的sEMG活性增加了17.45%.
• 不同的时间转移参数影响了外骨的性能,优化的转移增强了辅助.

结论:

• 开发的机器学习控制模型在外部骨机器人上爬楼梯时有效地帮助膝关节关节.
• 使用CNN-LSTM与时间转移补偿的方法解决了非线性映射和系统延迟的挑战.
• 实验结果验证了该模型减少用户肌肉劳动和提高外骨性能的能力.