一个基于学习的阻抗控制策略,在关节空间的软假肢手腕上实施

科学领域:

• 机器人技术 机器人技术 机器人技术
• 生物医学工程 生物医学工程
• 控制系统 控制系统

背景情况:

• 软假肢手腕由于其固有的合规性和复杂的非线性动态而存在重大控制挑战.
• 有效的控制对于提高假肢手的性能和用户体验至关重要.

研究的目的:

• 开发和评估一种基于学习的阻抗控制策略,用于肌驱动的软连续手腕.
• 为了实现PRISMA HAND II假肢的稳定和适应性关节空间控制.

主要方法:

• 一种混合方法,将基于物理学的建模 (欧勒-伯努利束理论,欧勒-拉格朗日方程) 与神经网络相结合,以捕捉未建模的非线性.
• 与PRISMA HAND II假肢的集成,用于现实世界的应用测试.

主要成果:

• 模拟显示了高精度,根平均平方误差 (RMSE) 为3.04 × 10−4 rad,沉降时间为3.1 s.
• 实验结果显示,平均RMSE为2.7 × 10−2 rad,在外部干扰下成功恢复轨迹.
• 拟议的控制器在准确性和稳定性方面超过了传统的方法,如滑动模式控制器 (SMC),模型参考适应控制器 (MRAC) 和模型预测控制器 (MPC).

结论:

• 基于学习的阻抗控制策略为个性化假肢康复提供了可行的解决方案,使合规的交互和强大的运动跟踪成为可能.
• 这种混合控制方法有效地平衡了分析建模与数据驱动的适应性,用于软假肢系统的智能控制.
• 这种方法为下一代软假肢铺平了道路,其功能和用户集成得到了改进.