《Biomimetics》:Assist-as-Needed Control for Upper Limb Rehabilitation Using a Learned Passive Interaction Force Reference
编辑推荐:
上肢康复机器人应在使用者能够参与运动时提供自适应辅助,同时避免过度的机器人干预。一个关键挑战是,测得交互力包含自主和被动机械成分,使得基于直接力的参与评估不可靠。本研究提出一种基于学习型被动交互力参考的按需辅助(Assist-as-Needed)控制框架,用于
上肢康复机器人应在使用者能够参与运动时提供自适应辅助,同时避免过度的机器人干预。一个关键挑战是,测得交互力包含自主和被动机械成分,使得基于直接力的参与评估不可靠。本研究提出一种基于学习型被动交互力参考的按需辅助(Assist-as-Needed)控制框架,用于四自由度(4-DOF)上肢康复机器人。研究人员在进食和饮水任务中开展了五名健康参与者的被动实验,并在上臂和前臂接口记录交互力。结果揭示被动交互具有明显的任务、接口和方向依赖性。随后开发门控循环单元(Gated Recurrent Unit, GRU)模型,从机器人运动学、运动阶段和任务信息估计期望被动交互力,最大决定系数(R2)约为0.92。将相对于估计被动参考的偏差用于构建面向控制的参与度估计,并与轨迹跟踪性能结合以调节自适应阻抗。控制器级仿真显示,机器人辅助随规定交互贡献增加而降低,并在跟踪性能恶化时再次增加。这些结果支持使用学习型被动交互参考进行按需辅助调节的可行性,并为后续参与度估计器的主动人体验证提供基础。
研究背景与问题:卒中及其他神经系统疾病所致上肢运动障碍可显著降低日常生活活动能力。机器人辅助康复能够提供密集、可重复训练,并在治疗中记录运动与交互信息;康复效果不仅取决于训练量,也取决于机器人辅助如何适应用户。传统被动训练可沿预定轨迹引导肢体,但用户主动参与机会有限。按需辅助控制(Assist-as-Needed)旨在用户可完成任务时减少机器人干预、需要支持时恢复辅助,因而成为康复机器人重要方向。其核心问题是如何确定每一时刻应提供的辅助量。现有方法多依据轨迹误差、交互力、肌电、脑电、生理信号或组合变量评估用户表现;交互力因直接反映人机物理耦合且可连续测量而具吸引力。然而,人机界面测得交互力不等同于用户自主用力,还包含肢体动力学、重力、软组织变形、绑带条件、机器人运动及残余运动学失配等被动效应。直接将交互力映射为参与度,可能把被动机械效应误判为主动贡献。上肢康复机器人中人臂与机构构成耦合运动学系统,解剖关节中心在运动中变化,而机器人关节沿预定机械轴运动;即使引入被动自由度,交互力仍依赖肢体构型和运动状态。固定零力假设或常数力阈值难以作为完整康复运动中的参与评估参考。数据驱动方法可描述变化的人机交互状态,但既有研究相对较少关注学习期望被动交互状态本身,并以偏离该状态的残差估计参与度。基于此,研究人员开展本研究。
研究开展、结论与意义:研究人员面向四自由度上肢康复机器人提出基于学习型被动交互力参考的按需辅助控制框架。首先开展进食和饮水任务被动实验,五名健康参与者完成实验,在上臂和前臂接口同步记录交互力,并比较释放与锁定被动关节条件;结果表明被动交互具有任务、接口和方向依赖性。随后建立GRU模型,从机器人关节位置、关节速度、归一化运动相位和任务信息估计上臂与前臂期望被动交互力,最大R
2约为0.92。研究人员将当前交互力与估计被动参考之间的方向性残差用于构建控制导向参与度估计,并与轨迹跟踪性能结合调节自适应阻抗。控制器级仿真显示,机器人辅助随规定交互贡献增加而降低,并在跟踪性能恶化时再次增加。研究结论支持利用学习型被动交互参考进行按需辅助调节的可行性,并为后续参与度估计器的主动人体验证提供基础;但主动辅助结果仅来自控制器级仿真,尚未验证参与度估计与自主人体用力的定量关系。
关键技术方法(不超过250字):研究纳入五名健康参与者,实验经Fuwai Hospital伦理委员会批准(No. 2022-1138)。平台为四自由度上肢康复机器人,上臂和前臂接口各安装六轴力/力矩传感器,关节位置由编码器测量,运动与交互力以100 Hz同步采集;任务为进食和饮水,设置被动关节释放与锁定条件,并进行归一化运动相位处理。GRU输入为四关节位置、速度、归一化相位和任务二值编码,输出上臂与前臂三维交互力;网络含64和32个隐藏单元的两层递归层、dropout率0.20、序列长度50。采用五折留一参与者交叉验证,并以线性回归(Linear Regression, LR)和多层感知机(Multilayer Perceptron, MLP)为对照。控制器级仿真以系数c
m规定方向性交互贡献,并独立改变跟踪误差E(t)。
研究结果:
4.1 被动交互力特征(Passive Interaction Force Characteristics):通过进食和饮水被动实验及释放/锁定被动关节比较,发现被动交互力受任务、接口和方向共同影响。前臂接口在饮水任务中合力明显大于进食;前臂平均合力在进食时由释放条件2.69 N增至锁定条件4.39 N,在饮水时由5.33 N增至7.85 N。上臂平均合力在进食时为3.18和5.12 N,在饮水时为3.64和4.14 N,未表现饮水一致增加,但方向分量变化明显;F
z可呈正负变化,F
y多为正。相对接口力份额显示,进食时上臂约占54.2%和53.8%,饮水时前臂份额约59.4%和65.5%。结论是被动交互不能由单一恒力表示,上臂与前臂接口提供互补信息,支持将任务和接口信息纳入被动交互模型。
4.2 被动交互力估计性能(Passive Interaction Force Estimation Performance):通过GRU与LR、MLP比较及五折留一参与者评估,GRU总体预测性能优于参考模型,组件平均均方根误差(root mean square error, RMSE)更低、组件平均R
2更高。上臂F
x、F
y、F
z的RMSE分别为0.96、0.83、0.91 N,R
2分别为0.49、0.84、0.92;前臂相应RMSE为5.02、2.07、5.11 N,R
2为0.68、0.70、0.67。预测曲线较测量信号平滑,未完全复现短时波动和尖峰,但保留主要变化模式。结论是GRU可在双接口提供连续被动交互参考,估计精度随力分量、任务和接口而变化。
4.3 控制器级仿真方案(Controller-Level Simulation Protocol for Assistance Regulation):通过规定方向性交互贡献系数c
m∈{0, 0.5, 1.0, 2.0},分别对应被动、低、中、高贡献条件;正常跟踪时E(t)=0.10,并在运动后期将E(t)由0.10渐增至0.60后再恢复。仿真以GRU估计被动力加规定方向性贡献形成模拟当前交互力,再由参与度估计P(t)和跟踪误差E(t)计算λ
raw(t)及平滑辅助因子λ(t),进而调节虚拟刚度和阻尼。结论是该仿真用于检验控制律内部响应,不用于验证参与度估计的生理意义。
4.4 模拟交互条件下的控制器响应(Controller Response Under Simulated Interaction Conditions):通过改变c
m和E(t)评估控制响应。正常跟踪下,估计参与度约为0、0.39、0.63、0.86时,稳态辅助因子分别约为1、0.65、0.43、0.22;高贡献条件下虚拟刚度和阻尼降至可用自适应范围约22%。当高参与度下跟踪误差短暂升至0.60时,λ
raw约增至0.65,平滑后λ约达0.59,随后随跟踪恢复而回落。结论是控制器在参与度较高且跟踪可接受时减少辅助,在跟踪恶化时恢复辅助,而非仅凭交互力增大降低辅助。
4.5 讨论与局限(Discussion and Limitations):讨论指出,被动交互随运动变化,直接力解释可能受任务依赖的被动机械效应影响;基于参考的策略先估计期望被动交互状态,仅将超出被动不确定范围的方向性残差用于形成P(t),再结合E(t)决定λ(t),从而避免被动变化直接驱动辅助调节。上臂与前臂接口信息互补,参与度不宜单独决定辅助量。局限包括:被动交互数据集仅来自五名健康参与者,样本量不足以代表上肢生物力学全体变异,人体测量变量未显式输入GRU;参与度估计与按需辅助调节仅经控制器级仿真评估,未纳入闭环生物力学或神经肌肉骨骼模型及主动人体实验;实验仅涉及进食和饮水;GRU在不同力分量上的预测精度不均一。未来需开展主动人体在环验证、患者研究、更多日常生活活动及更真实的人机闭环建模。
5 结论(翻译):本研究为四自由度上肢康复机器人开发了基于交互力的按需辅助框架,将学习型被动交互力估计器、方向残差参与度估计、轨迹跟踪评估和自适应阻抗调节整合于统一控制架构。进食和饮水被动康复实验显示,人机交互力受康复任务、物理接口和力方向影响;释放被动关节通常较锁定条件降低交互力,而上臂与前臂接口的相对交互力模式随任务改变。结果确认被动交互不能由单一恒定力表示,并支持在被动交互模型中纳入任务和接口信息。随后采用GRU模型估计上臂和前臂三维被动交互力,估计力复现测量信号在运动周期中的主要时间模式;上臂F
z一致性最佳,R
2约为0.92,不同力分量预测性能存在差异。所得被动力估计用于计算方向性交互残差并导出归一化参与变量。按需辅助控制器将估计参与度与轨迹跟踪性能结合,调节辅助因子和机器人阻抗。控制器级仿真显示,当模拟贡献由被动增至高水平且跟踪保持可接受时,辅助因子由1.00降至约0.22;当跟踪误差暂时增加时,辅助因子再次增加,表明即使参与度较高,运动性能恶化时仍可恢复机器人支持。总体结果支持在学习型被动交互参考用于基于交互力的按需辅助控制框架中的可行性;该方法将被动实验数据、控制导向参与度估计和自适应阻抗调节联系于统一控制器。然而,主动辅助结果仅通过控制器级仿真获得;因此本研究展示控制策略的内部一致性和预期响应,但尚未验证估计参与度作为自主人体用力定量测量的有效性。仍需主动人体实验、后续患者研究及更真实生物力学人在回路建模,以建立该关系并进一步评估所提框架的生理有效性和闭环性能。