本技术介绍了一种膝关节外骨骼的多动作力矩辅助控制方法,该方法依托于活动分类和相位检测。该系统包括一个两阶段人工神经网络和三个人体动力学模型。第一阶段的人工神经网络负责初步处理,以实现精确的力矩控制。
背景技术
作为一种可穿戴机器人,下肢外骨骼系统能与人体肌肉骨骼系统协同工作,长期以来被期望用于增强使用者的运动能力。膝关节外骨骼机器人在智能养老领域的应用,能够针对性地辅助中老年人提高社区养老的生活质量。其通过对膝关节施加伸展和屈曲力矩进行辅助助力,减少运动中股四头肌、半腱肌及比目鱼肌等肌群出力,提高穿戴者的运动能力和安全性。然而,在日常生活中高效辅助患有膝关节炎或肌无力的中老年人进行日常活动是膝关节外骨骼一个最具挑战性和应用潜力的目标。
能够实时、准确地识别多种非节奏人体运动意图,是膝关节外骨骼机器人具备高性能控制策略的关键。由于外骨骼机器人在户外使用时面临场景实时变化、动作多元连续转换的问题,使得原本适用于实验室测试或临床康复应用的传统运动检测和步态估计策略存在对穿戴者造成伤害的风险,因此对基于社区多动作应用的膝关节外骨骼力矩辅助控制方法进行研究极具必要性。
传统有源外骨骼基于时间(步态周期)或运动学(如关节角度)的力矩辅助控制策略不能很好适应户外行走模式的变化。这些控制器通常基于步态相位生成离散辅助力矩轨迹。其辅助轨迹只能在下一个离散段的开始处改变,难以适应不同的行走模式(例如速度变化和突然停止)。连续步态检测及连续力矩控制策略有望解决上述问题,可根据输入信号(例如关节角度)即时更新辅助轨迹,从而快速适应行走模式的变化。
实现思路