北京航空航天大学石岩教授团队：基于增强型鲸鱼优化算法的下肢外骨骼模型参数辨识与反步控制|CJME论文推荐|力矩|增强型|外骨骼|控制器|机器人|石岩|算法|鲸鱼

引用论文

Shi, Y., Kou, J., Chen, Z. et al. Model Parameters Identification and Backstepping Control of Lower Limb Exoskeleton Based on Enhanced Whale Algorithm. Chin. J. Mech. Eng. 37, 26 (2024). https://doi.org/10.1186/s10033-024-01008-6

(戳链接，下载全文)

关于文章

研究背景及目的

目前外骨骼研究的关键是质量、安全性和稳定性。可靠的外骨骼控制和协同运动的实现需要精确的动态模型。同时，先进的位置环、速度环、力矩环等控制器也依赖于模型的精度来提高协同运动性能。人机交互的时变力矩决定了可穿戴的舒适性能，所设计的控制器应将时变力矩实时约束在很小的范围内。此外，许多机器人制造商并不提供这些模型参数或仅获得部分参数信息。由于仿生结构的不规则性，外骨骼的物理参数如中心点、惯性矩和机械尺寸等在实际应用中很难测量。

外骨骼一般需要精确的动态模型，以方便设计人机交互条件下基于模型的控制器。然而，由于外骨骼系统的质量、惯性矩和机械尺寸等模型参数未知，外骨骼的动态模型难以构建。因此本文提出了一种参数辨识方法，用来辨识外骨骼模型的未知参数，并建立精确的外骨骼模型。

试验方法

本文提出了一种增强型鲸鱼优化算法（EWOA）来确定外骨骼模型参数。同时，通过有限傅里叶级数设计周期性激励轨迹，输入具有机械物理约束的外骨骼期望位置需求。在此基础上，采用基于识别模型的反步进控制器来改善人机协同运动下的可穿戴舒适性能。最后，通过双DOF外骨骼平台验证了所提出的模型参数识别和控制方法。

激励轨迹被视为期望需求轨迹。采用PID控制器驱动双DOF下肢外骨骼实验平台。根据编码器和力矩传感器采集的数据，经过滤波得到回归矩阵。根据回归矩阵和扭矩计算出模型参数。通过比较计算扭矩和实际扭矩，可以验证模型参数的准确性。此外，还使用了一些与激励轨迹不同的测试轨迹来验证识别精度。最后，通过反步进控制器实现下肢外骨骼的控制实验。采用巴特沃斯低通滤波器处理驱动力矩噪声。为了防止滤波后的转矩相位发生变化，采用正向滤波和反向滤波两种方式对转矩信号进行滤波。

Figure 1 Model identification and backstepping control scheme

Figure 2 The theoretical and physical model of the lower limb exoskeleton system

结果

通过采集外骨骼运行过程中的实际扭矩和计算扭矩作对比，发现实际驱动扭矩与计算扭矩具有较高的拟合度。但由于关节附近存在未知摩擦力，部分离散点误差较大。将设计的控制器用在辨识后的外骨骼模型上，控制器在3秒钟时启动，外骨骼响应迅速。膝关节运动在0.5秒后达到稳态响应。同时，0.9秒后髋关节响应位置误差小于0.03rad。由于外骨骼系统由静态转为动态，关节力矩在瞬态响应范围内增大，但仍处于安全范围值。随着稳态响应的临近，关节扭矩处于正常范围，并随需求轨迹周期性变化。实验结果表明，基于参数识别后的数学模型的外骨骼控制可以达到较高的精度。此外，两个关节的稳态人机交互力矩被约束在15 N· m以内。该力矩在合理范围内，提高了人机协同运动下可穿戴设备的舒适性能。

结论

本研究利用拉格朗日模型构建了2-DOF下肢外骨骼平台，验证了模型参数识别方法和反步控制策略，提出了增强型鲸鱼优化算法（EWOA）设计激励轨迹，识别质量、惯性矩和机械尺寸等未知模型参数。周期性激励轨迹应考虑机械物理约束，以输入外骨骼的期望位置需求。在此基础上，设计了基于确定模型的反步进控制器，以改善人机协同运动下的舒适性能。外骨骼的动态响应和稳态响应保证了操作者步态轨迹的同步，性能令人满意。

前景与应用

本文研究构建一种2-DOF下肢外骨骼，利用优化算法辨识出准确的外骨骼模型，并提出有效的控制策略以实现人机协同运动。通过研究外骨骼模型参数辨识技术，给外骨骼等类人机器人提供了一种简单有效的模型未知参数辨识方法，另外，提供了一种柔性的人机交互策略，以改善操作者和外骨骼之间的可穿戴舒适性能。有利于截瘫、偏瘫等下肢运动功能损失的患者利用外骨骼进行安全有效的康复训练。

相关文章/图书推荐

[1] X Yang, B Zhang. Material embrittlement in high strain-rate loading. International Journal of Extreme Manufacturing, 2019, 1(2): 022003.

[2] B Zhang, J Yin. The 'skin effect' of subsurface damage distribution in materials subjected to high-speed machining. International Journal of Extreme Manufacturing, 2019, 1(1): 012007.

[3] H Liu, H Han, Q Jiang, et al. Mechanisms involved in the machinability improvement of Inconel 718 superalloy through ultra-high-speed machining. Journal of Materials Processing Technology, 2024, 333: 118614.

关于作者

作者团队介绍

石岩，北京航空航天大学自动化科学与电气工程学院，博导/教授，国家级领军人才。主持国家重点研发计划项目、某计划重点基础研究项目、国家自然科学基金项目等40余项，以第一/通讯作者在ASME、IEEE、IMechE会刊等发表SCI论文90余篇，出版专著4部，授权发明专利30余项。获得国家科技进步二等奖1项、省部级/学会科技进步一等奖3项。

寇建阁，北京航空航天大学自动化科学与电气工程学院，博士研究生。研究方向为下肢外骨骼、人体运动意图识别与步态规划、人机交互控制方法。参与国家重点研发计划项目、某计划重点基础研究项目、国家自然科学基金等多项项目，发表SCI/EI论文10余篇，授权国家发明专利5项。

团队研究方向

1.气压传动系统精密检测与控制

2.外骨骼机器人与智能假肢

3.基于人机复合控制的呼吸支持与肺康复

近年团队发表文章

[1] Shi Y, Li L, Yang J, et al. Center-based transfer feature learning with classifier adaptation for surface defect recognition[J]. Mechanical Systems and Signal Processing, 2023, 188: 110001.

[2] Ning F, Shi Y, Cai M, et al. Manufacturing cost estimation based on a deep-learning method[J]. Journal of Manufacturing Systems, 2020, 54: 186-195.

[3] Shi Y, Li H, Fu X, et al. Self-powered difunctional sensors based on sliding contact-electrification and tribovoltaic effects for pneumatic monitoring and controlling[J]. Nano Energy, 2023, 110: 108339.

[4] Xu S, Wang Y, Sun Z, et al. A Compound Regulative Pneumatic Vibration Isolator With Quasi-Zero Stiffness Mechanism For Load Variable Instruments[J]. IEEE Transactions on Instrumentation and Measurement, 2024.

[5] Kou J, Wang Y, Chen Z, et al. Gait planning and multimodal human-exoskeleton cooperative control based on central pattern generator[J]. IEEE/ASME Transactions on Mechatronics, 2024.