基于人机交互的模型预测控制方法,用于由串联弹性执行器驱动的外骨骼机器人

《IEEE/CAA Journal of Automatica Sinica》:Human-Robot Interaction-Based Model Predictive Control for Exoskeleton Robots Driven by Series Elastic Actuators

【字体: 大 中 小 】 时间:2026年03月11日 来源:IEEE/CAA Journal of Automatica Sinica 19.2

编辑推荐:

  摘要:尊敬的编辑,本文提出了一种模型预测控制(MPC)方案,用于由串联弹性执行器(SEA)驱动的多关节外骨骼机器人(ER)中的人机交互(HRI)。该方案在机器人主导(RIC)模式下,使SEA驱动的ER能够为受试者提供所需的辅助和支持。同时,在人机协作(HIC)模式下,它使SEA驱

  摘要:尊敬的编辑,本文提出了一种模型预测控制(MPC)方案,用于由串联弹性执行器(SEA)驱动的多关节外骨骼机器人(ER)中的人机交互(HRI)。该方案在机器人主导(RIC)模式下,使SEA驱动的ER能够为受试者提供所需的辅助和支持。同时,在人机协作(HIC)模式下,它使SEA驱动的ER能够紧密跟随受试者的动作,并提供最小的阻力。此外,设计了一种有限时间收敛的零化神经网络(FTCZNN)模型来解决MPC方案的最优解。凸激活函数的设计确保了误差函数在有限时间内收敛到零,从而保证了MPC优化的递归可行性。通过理论分析证明了所提出的FTCZNN算法的收敛性。最后,数值模拟验证了由FTCZNN模型解决的MPC方案使SEA驱动的ER能够高效、快速响应且具有强大的鲁棒性执行HRI任务。

相关工作:随着机器人技术逐渐从数字时代过渡到工业4.0的智能协作时代,出现了各种人机协作项目,包括康复机器人和外骨骼机器人[1]、[2]。在这些涉及物理HRI的应用中,安全始终是首要关注的问题[3]、[4]。与传统的ER相比,由SEA驱动的ER具有低阻抗、抗冲击性和被动顺应性,有效确保了人机协作的安全[5]–[7]。然而,由SEA驱动的ER通常是高阶复杂系统,在HRI中进行精确控制仍然具有挑战性。在[8]中,引入了一种基于级联的比例积分控制方案,通过牛顿-拉夫森方法将力控制问题转化为位置控制问题,简化了控制过程。然而,该方法依赖于当前和过去的误差来调整控制扭矩,对于复杂系统可能效率低下。在[9]中,提出了一种自适应交互控制方法,可以实时调整控制参数以适应系统变化。然而,这种方法的实现过程复杂且系统优化能力有限。在[10]中,为SEA驱动的机器人设计了一种具有强鲁棒性和抗干扰能力的滑模控制器。然而,存在的抖动振动可能导致系统不稳定。

基于上述分析,本文提出了一种用于HRI的MPC方案,以控制由SEA驱动的多关节ER。同时,为从MPC方案转换而来的二次规划(QP)设计了一种FTCZNN模型。FTCZNN模型中引入的非负松弛变量将QP问题的不等式约束转化为等式约束。FTCZNN模型采用单调递增的奇数个激活函数进行有限时间控制,理论上证明了其能够实现有限时间收敛。最后,通过数值模拟验证了由FTCZNN模型解决的MPC方案使SEA驱动的ER能够高效、快速响应且具有强大的鲁棒性执行HRI任务。

问题表述:为了准确描述由SEA驱动的多关节ER在HRI中的动态特性,并验证由FTCZNN模型解决的MPC方案的有效性,有必要建立由SEA驱动的多关节ER的动态模型。考虑HRI的动态模型是一个高阶系统,可以统一表示为 M(q)q¨+C(q,q˙)q˙+G(q)=K(θ?q)+τiJθ¨+K(θ?q)=u(1)(2) 其中 q=[q1,…,qn]T∈Rn 表示由SEA驱动的关节角度,θ=[θ1,…,θn]T∈Rn 表示电机旋转角度。M(q)∈Rn×n,G(q)∈Rn 表示惯性矩阵和重力扭矩。C(q,q˙)∈Rn×n 是向心力和科里奥利力。K∈Rn×n,J∈Rn×n 表示刚度矩阵和等效惯性。τi∈Rn,u∈Rn 表示交互扭矩和控制扭矩。SEA的输出扭矩表示为 τo=K(θ?q)。(3)

基于HRI的MPC设计:定义SEA驱动的ER关节角度的期望轨迹为 qd∈Rn。反向求解机器人侧的动态模型(1),得到期望输入 R=M(qd)q¨d+C(qd,q˙d)q˙d+G(qd)?τi。(4) 执行器侧的动态模型(2)的状态空间模型可以表示为 ?????x˙=f(x,u,t)f(x,u,t)=[τ˙oKJ?1(u?τo?Jq¨)](5) 其中状态变量为 x=[τo,τ˙o]。通过前向差分公式,状态空间模型(5)可以表示为 x˙=(x(k+1)?x(k))/T=f(x,u,t)(6) 因此,建立了线性离散时间系统 x(k+1)=Ax(k)+Bu(k)+L(k)(7) 其中 A=[0?TKJ?10T]+I,B=[0TKJ?1],L(k)=[0TKq¨(k)],I是单位矩阵。通过离散状态公式(7)依次预测控制周期的系统状态,得到 XK=Px(k)+CUK+SLK(8) 其中 P=[A,A2,…,ANp]T∈R2nNp×2n,Np表示预测范围,Nc表示控制范围,S=???????IA?ANp?10I?ANp?2????00?I????????∈R2nNp×2nNp,C=???????BAB?ANp?1B0B?ANp?2B????00?B???????∈R2nNp×nNp,XK=[x(k+1),x(k+2),…,x(k+Np)]T∈R2nNp,UK=[u(k),u(k+1),…,u(k+Nc?1)]T∈RnNc,LK=[L(k),L(k+1),…,L(k+Np?1)]T∈R2nNp。

参考轨迹序列在预测范围Np中定义为 RK=[r(k+1),r(k+2),…,r(k+Np)]T。因此,由SEA驱动的多关节ER的轨迹跟踪的MPC方案描述为 min s.t. ∑i=1Np∥x(k+i)?r(k+i)∥2Q+∑i=0Nc?1∥u(k+i)∥2fumin≤u(k+i)≤umax,i=0,1,2,…,Nc(9) 其中 Q∈R2n×2n 表示跟踪误差的权重矩阵,f∈Rn×n 表示输入的权重矩阵,r(k+i)∈R2n 对于 i=1,2,…,Np 表示参考轨迹,umin,umax 分别表示控制输入 u 的下限和上限。

MPC方案(9)可以展开并整理为 minu∥vec(XK?RK)∥2Qˉ+∥vec(UK)∥2fˉ s.t. Umin≤UK≤Umax(10) 其中 Umin=[umin,…,umin]∈RnNc,fˉˉˉ=I?f∈RnNc×nNc,Qˉˉˉˉ=I?Q∈R2nNp×2nNp,Umax=[umax,…,umax]∈RnNc,? 表示克罗内克积,vec(?) 表示向量化操作。将(8)–(10)合并,MPC方案(9)可以重写为标准QP问题形式 minv(t)12vT(t)Hv(t)+ZTv(t) s.t. Gv(t)≤g(11) 其中 H=2(CTQˉˉˉˉC+fˉˉˉ),G=[I,?I]T∈R2nNc×nNc,Z=[2(PXK+SLK?RK)TQˉC]T,v(t)=vec(UK)∈RnNc,g=[Umax,Umin]T。

FTCZNN模型设计:本节提出了一个FTCZNN模型来解决从MPC方案(9)转换而来的QP问题(11)。首先,在QP问题(11)的不等式中添加非负松弛变量γ(t)∈R2nNc,通过引入惩罚因子 ρ Y(v(t),γ(t))=12vT(t)Hv(t)+ZTv(t)+ρ2∥Gv(t)?g+γ(t)∥2。(12) 由于H是正定矩阵,它保证了存在满足以下条件的QP问题(11)的全局最优解:{?v(t)Y=Hv?(t)+Z+ρGT(Gv?(t)?g+γ?(t))=0,?γ(t)Y=ρ(Gv?(t)?g+γ?(t))=0(13) 因此,它可以重新表述为 Υz(t)?O=0(14) 其中 Υ=[H+ρGTGρGTρGρI],z(t)=[v(t)γ(t)],O=[ρGTg?Zρg]。其次,定义误差函数为 E(t)=Υz(t)?O。基于零化动态设计方法 E˙(t)=??ψ(E(t)) 使误差函数趋于零。其中 ? 是一个缩放因子,ψ(?) 表示激活函数数组,每个元素 ψ(?) 是单调递增的奇数阶激活函数,ψ(?) 规定为 ψ(ej)=12χ(Γ?(ej)+Γ1/?(ej))+12δej(15) 其中参数 ?∈(0,1),χ>0,δ>0,ej 表示误差函数 E(t) 的第j个元素,Γ?(ej)=?????|ej|?0,?|ej|?ej>0ej=0,ej<0。因此,FTCZNN模型表示为 Υz˙(t)=??ψ(Υz(t)?O)。(16)

理论分析:定理1:对于从MPC方案(6)转换而来的QP问题(11),所提出的FTCZNN模型(16),变量 z(t)=[vT(t), γT(t)]T 从初始状态 z(0)=[vT(0), γT(0)]T 全局收敛到最优解 z?(t)=[v?T(t),γ?T(t)]T。证明:候选李雅普诺夫函数表示为 V=ET(t)E(t)(17) 其中 V≥0。对李雅普诺夫函数的两边求时间导数得到 V˙=??ET(t)ψ(E(t))≤0。(18) 基于李雅普诺夫稳定性准则,可以推断出 E(t) 渐近趋于零。因此,从初始状态 z(0)=[vT(0), γT(0)]T 开始,变量 z(t)=[vT(t), γT(t)]T 在FTCZNN模型(16)中全局收敛到最优解 z(t)?=[v?T(t), γ?T(t)]T。■ 定理2:对于所提出的FTCZNN模型(16),在tf时间内计算由SEA驱动的ER的控制扭矩v?(t)以实现有限时间控制。有限时间tf由 tf≤(2|emax(0)|1??)/?(1??) 给出。(19) 其中 emax(0) 表示集合E(0)中绝对值最大的元素。证明:设 emax(t) 表示E(t)中绝对值最大的元素。给定 E(t)=??ψ(E(t)),我们可以推导出以下方程:e˙j(t)=?σψ(ej(t))。因此,当 emax(0)=0,emax(0)>0 和 emax(0)<0 时,分别讨论了有限时间tf的上限。当 emax(0)>0 时,由于对于所有可能的j,应用比较定理可以得出 emax(t)≥ej(t) 对于所有j和t≥0。对于所有可能的j和t≥0,有 ?emax(t)≤ej(t)。因此,随着时间的推移,?emax(t)≤ej(t)≤emax(t),这意味着ej(t) 将随着emax(t) 趋于零而收敛。FTCZNN模型(16)的收敛时间由动态收敛时间 tfmax 决定,即 tf≤tfmax。对于 tfmax,关系式为 e˙max(t)=??ψ(emax(t))。设计一个CLF为 W(t)=|emax(t)|2,其时间导数为 W˙(t)=?ζ(χ|emax(t)|(1/?)+1+χ|emax(t)|?+1+δe2max(t))≤?ζχ|emax(t)|?+1=?ζχW(?+1)/2(t)。(19) 通过解决上述不等式,得到 ?????W(1??)/2≤|emax(0)|1???12?χt(1??),W(1??)/2=0,t≤2|emax(0)|1???χ(1??),W(1??)/2=0,t>2|emax(0)|1???χ(1??)。(20) 从上述分析可以得出 tf≤tfmax<2|emax(0)|1???χ(1??)。当 emax(0)<0 时,可以得到类似的结果:tf≤tfmax<2|emax(0)|1???χ(1??)。当 emax(0)=0 时,有 tf≤tfmax≤2|emax(0)|1???χ(1??)。因此,控制扭矩u在有限时间tf内完成,以实现SEA驱动的ER的有限时间控制。进一步证明,由FTCZNN模型(16)解决的MPC方案(9)可以实现有限时间控制。

数值示例:本节使用由SEA驱动的两关节ER作为示例,通过数值模拟证明,由FTCZNN模型(16)解决的MPC方案(9)允许由SEA驱动的两关节ER高效执行复杂的HRI任务。该方法不仅高效且响应迅速,而且具有鲁棒性。此外,这些结果可以轻松扩展到由SEA驱动的多关节ER。由SEA驱动的双关节电动执行器(ER)的参数如下:驱动关节的数量为n=2,连杆长度l1=l2=0.5m,关节到质心的距离lc1=lc2=0.25m,转动惯量I1=I2=0.5 kg·m2,连杆质量m1=m2=1 kg。SEA的动态参数设置为:惯性矩阵J=diag{0.1,0.1} kg·m2,刚度矩阵K=diag{25×103,25×103} Nm/rad。此外,Q=20000I,f=I,Np=Nc=2,?=10,ξ=1,δ=30,?=0.2,ρ=10,采样时间T=0.01s。施加在执行器上的控制扭矩有[-12, 12] Nm的上下限。由SEA驱动的双关节ER的期望轨迹分别为qd1=π6sin(0.75t) rad和qd2=π9sin(0.75t) rad。图1. 采用FTCZNN算法求解的所提出的MPC方案在采用HIC模式的双关节ER中的数值仿真结果。(a) 由SEA驱动的双关节ER的电机旋转角度与关节角度的跟踪结果;(b) SEA的输出扭矩τ=[τ1,τ2]T;(c) SEA的输出扭矩变化率τ˙=[τ˙1,τ˙2]T;(d) 控制扭矩。图2. 采用FTCZNN算法求解的所提出的MPC方案在采用RIC模式的双关节ER中的数值仿真结果。(a) 由SEA驱动的双关节ER末端执行器的运动路径;(b) SEA的输出扭矩τ的跟踪结果;(c) SEA的输出扭矩变化率τ˙的跟踪结果;(d) 控制扭矩。HIC模式对于按需辅助由SEA驱动的ER至关重要,它确保在不需要辅助时,由SEA驱动的ER提供的阻力最小。图1显示了通过FTCZNN模型(16)求解的所提出的MPC方案(9),使由SEA驱动的ER能够实现HIC模式。图中显示,机器人角度q与执行器角度θ之间的误差为1×10^-4 rad,SEA的输出扭矩跟踪误差为1×10^-5 Nm。这证明了通过FTCZNN模型(16)求解的所提出的MPC方案(9)使由SEA驱动的ER能够实现更平滑、更舒适的透明运动。这也验证了通过FTCZNN模型(16)求解的MPC方案(9)在人机交互(HRI)中的优势。RIC模式表明,由SEA驱动的ER可以帮助受试者跟随期望的轨迹。交互扭矩设置为τe=[sin(t),sin(t)]T Nm。如图2所示,通过FTCZNN模型(16)求解的所提出的MPC方案(9)使由SEA驱动的双关节ER能够准确跟踪期望轨迹,误差为10^-4 rad。此外,施加在SEA上的控制扭矩被限制在±12 Nm范围内。因此,这表明通过FTCZNN模型(16)求解的MPC方案(9)使由SEA驱动的双关节ER能够在康复任务中高效、快速响应且具有很强的鲁棒性地辅助受试者。结论本文设计了一种基于人机交互的MPC方案,用于由SEA驱动的多关节ER。随后引入了FTCZNN模型来解决由MPC方案转换的QP问题的最优解。通过理论分析和数值仿真,验证了通过FTCZNN求解的所提出的MPC方案在HIC模式和RIC模式下具有快速收敛、高稳定性和强鲁棒性的优势,从而确保了受试者与由SEA驱动的ER协作时的安全性。致谢本研究部分得到了中国国家自然科学基金(62173048, 62373065, 61873304, 62106023)、吉林省重点科技项目(20230204081YY)和安徽省科技创新团队(2024AH010023)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号