模型预测控制与最佳建模在康复机器人中的气动人工肌肉:通过初步测试证实有效性

科学领域:

• 机器人和控制系统 机器人和控制系统
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 气动人工肌肉 (PAM) 非常适合用于康复机器人,因为它们的合规性和轻量特性.
• 对于精确的建模和精确的运动控制来说,PAM固有的非线性动力学带来了重大挑战.
• 有效的控制策略对于在康复环境中确保人机交互的安全和舒适至关重要.

研究的目的:

• 评估模型预测控制器 (MPC) 对PAMs准确运动控制的有效性.
• 为了比较MPC与粒子群优化-比例-整数-导数 (PSO-PID),代学习控制 (ILC) 和经典PID控制器的性能.
• 在各种动态条件下评估控制器性能,包括外部负载和模拟干扰.

主要方法:

• 开发一个模型预测控制器 (MPC),利用通过粒子优化生成的动态模型.
• 用PSO-PID,ILC和PID控制系统对MPC进行比较分析.
• 使用单个PAM系统进行实验验证,该系统受到各种设定点波形,外部负载和干扰的影响.

主要成果:

• 经典的PID控制表现出最高的位移误差和显著的振荡.
• 虽然PSO-PID比PID有所改善,但仍有波动,影响了人机交互的安全性.
• ILC表现出快速收和低误差,但在不同的输入频率方面遇到了困难.
• MPC的表现优于所有其他控制器,实现了最低的错误值,快速的设定点响应,并且没有学习期要求.

结论:

• 模型预测控制 (MPC) 为康复机器人中的气动人工肌肉精确运动控制提供了最有效的解决方案.
• 与传统和智能控制方法相比,MPC的预测能力确保了卓越的性能,安全性和适应性.
• 这些发现支持将MPC集成到需要高保真度运动控制的先进康复机器人系统中.