一个机器学习驱动的主动-被动上肢外骨架机器人的评估:实验性人体循环研究.

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
• 人与机器人的交互

背景情况:

• 设计有效的外骨控制器是具有挑战性的,因为复杂的人机交互,传感器/执行器选择和通信问题.
• 评估外骨性能的现有方法可能耗时,可能无法完全捕捉用户体验.

研究的目的:

• 开发一个测试框架,用于评估一种新的主动-被动肩部外骨架.
• 创建和验证基于表面电肌图 (sEMG) 的人机合作控制方法,用于直观的外骨操作.

主要方法:

• 实施了一种分层控制策略,集成基于sEMG的意图估计,强度调节和执行器控制.
• 进行了肩关节升高实验,比较了主动-被动,完全被动和完全活跃的外骨架控制.
• 通过测试后的调查,负载耐受性持续时间和人类扭矩,功率和代谢能量消耗的逆动态模拟来评估性能.

主要成果:

• 与完全被动控制相比,主动-被动外骨显示,与完全被动控制相比,所需的用户肌肉激活扭矩减少了50%.
• 疲劳指标在活动-被动状态相对于完全被动状态,减少了3的因素.
• 基于sEMG的控制方法有效地将佩戴者的运动意图转化为外骨架辅助.

结论:

• 开发的积极-被动肩部外骨架及其基于sEMG的控制系统在减少用户的精力和疲劳方面提供了显著的优势.
• 新的测试框架为评估外骨性能和控制策略提供了一个强大的方法.
• 这项研究有助于推进可穿戴辅助设备的更直观,更有效的人机合作系统.