基于SCN步行力估计的康复机器人各轴速度直接约束控制的制作方法

技术领域：

本发明涉及康复机器人的控制领域，尤其涉及康复机器人速度约束控制方法。

背景技术：
：

近年来，康复步行机器人受到了研究者的广泛关注。然而，在实际应用中，训练者的主动步行力，严重影响了机器人的控制精度，从而导致跟踪性能下降；另外，康复机器人不同于一般机械系统，约束机器人的运动速度防止发生突变，对保障训练者的安全性具有重要作用。因此，研究康复机器人的运动速度约束方法，并抑制训练者的步行力对提高人机系统性能及安全性具有重要意义。

康复步行机器人轨迹跟踪控制已有许多研究成果，然而这些结果都无法解决训练者步行力及各轴速度直接约束问题，这不仅影响跟踪精度，而且威胁训练者的安全。到目前为止，还没有关于步行力观测及控制器直接约束各轴运动速度的控制方法，本发明基于新视角提出了步行力估计方法，并研究了各轴运动速度直接约束的控制方法，对保障人机系统控制精度和安全性具有重要意义。

技术实现要素：
：

发明目的：

为了解决上述问题，本发明提供了一种基于scn步行力估计的康复机器人各轴速度直接约束控制方法。

技术方案：

本发明是通过以下技术方案来实现的：

一种基于scn(stochasticconfigurationnetworks，scn)步行力估计的康复机器人各轴速度直接约束控制方法，其特征在于：

1)基于康复机器人的动力学模型，通过分解广义输入力，建立具有训练者步行力的康复机器人动力学模型；

2)基于scn方法构建训练者步行力的网络估计模型，以运动轨迹和运动速度为网络输入，通过不断随机配置隐含层节点参数，获得训练者的步行力估计；

3)设计各轴速度直接约束控制器，抑制训练者步行力对控制精度的影响，同时控制器直接约束康复机器人各轴的实际运动速度。

步骤如下：

步骤1)基于康复训练机器人的动力学模型，通过分解广义输入力，建立具有训练者步行力的康复机器人动力学模型。系统的动力学模型描述如下

其中

x(t)＝[x(t)y(t)θ(t)]^t分别为康复机器人x轴、y轴、旋转角的实际运动轨迹，u(t)表示广义输入力，m表示康复机器人的质量，m表示康复者的质量，i0表示转动惯量，m0，k(θ)，b(θ)为系数矩阵；θ表示水平轴和机器人中心与第一个轮子中心连线间的夹角，即θ＝θ1，由康复步行机器人结构可知θ3＝θ+π，li表示系统重心到每个轮子中心的距离，r0表示中心到重心的距离，φi表示x′轴和每个轮子对应的li之间的夹角，λi表示重心到每个轮子的距离，i＝1,2,3,4；将u(t)分解为待设计的跟踪控制力u0(t)和待观测的训练者步行力δu0(t)，代入模型(1)可得

令x1(t)＝x(t)，可得到具有训练者步行力的康复机器人动力学模型

步骤2)基于scn方法构建训练者步行力的网络估计模型，以机器人运动轨迹和速度作为scn的网络输入层，并通过权重ω和阈值b与隐含层连接，利用高斯函数得到隐含层输出g(x(t))。

其中

g(x(t))＝[g1(ω1x(t)+b1),...,gl(ωlx(t)+bl)]^t，

gj(ωjx(t)+bj)为隐含层第j个节点的输出j＝(1,2,...,l)，ωh,j为输入层第h个输入连接隐含层第j个节点的权值，h＝(1,2,...,6)，bj为隐含层第j个节点的阈值。

然后，scn隐含层通过权重与输出层连接，得到训练者步行力估计的网络输出如下：

其中

为第j个隐含层节点连接第g个输出的权值g＝(1,2,3)。

进一步，根据隐含层节点数为l-1时得到的训练者步行力估计误差随机配置第l个隐含层节点参数，并使其满足δl>0，δl表达形式如下：

由于

其中

故

εl^tεl-(r+μl)εl-1^tεl-1＝-δl

其中，参数0<r<1,{μl}为非负实数序列，μl≤(1-r)。当δl>0时，εl^tεl＜(r+μl)εl-1^tεl-1，随着随机配置的隐含层节点数不断增加，当此时εl^tεl＜rεl-1^tεl-1，容易得到即可实现训练者步行力估计步骤3)设计各轴速度直接约束控制器，抑制训练者步行力对控制精度的影响，同时控制器直接约束康复机器人各轴的实际运动速度，其特征在于：设xd(t)＝[xd(t)yd(t)θd(t)]^t为医生指定的运动轨迹，定义轨迹跟踪误差、速度跟踪误差、虚拟速度跟踪误差为：

e(t)＝x(t)-xd(t)＝x1(t)-xd(t)(6)

z(t)＝x2(t)-α(8)

其中e(t)＝[ex(t)ey(t)eθ(t)]^t分别为康复机器人x轴、y轴、旋转角方向的轨迹误差；分别为康复机器人x轴、y轴、旋转角方向的实际速度误差；α＝[αx(t)αy(t)αθ(t)]^t为虚拟运动速度，z(t)＝[zx(t)zy(t)zθ(t)]^t分别为康复机器人x轴、y轴、旋转角方向的虚拟速度误差。

由式(7)(8)可得

令并结合式(3)可得

利用式(10)(11)可得x轴、y轴、旋转角各轴方向跟踪误差系统如下：

设计机器人虚拟运动速度表达形式如下：

其中参数c11>0，c12>0，c13>0。

设计各轴速度直接约束控制器为

其中且φ＝φ1+φ2+φ3，参数c21>0，c22>0，c23>0，k11>0，k12>0，k13>0，k21>0，k22>0，k23>0。

由控制器式(14)可知：

分别设计x轴、y轴、旋转角各轴方向的李雅普诺夫函数如下：

沿跟踪误差系统对式(16)求导，并将(9)(12)代入可得

将式(13)(15)代入式(17)可得

由式(18)可得则各轴跟踪误差系统(12)渐近稳定；且由李雅普诺夫函数式(16)可知，进而得到各轴速度约束范围由此可知控制器(14)抑制了训练者的步行力且直接约束了各轴的运动速度。

步骤4)基于stm32f411系列单片机将输出pwm信号提供给电机驱动模块，使康复步行机器人在速度约束下帮助训练者跟踪医生指定的运动轨迹，其特征在于：以stm32f411系列单片机为主控制器，主控制器的输入接电机测速模块、输出接电机驱动模块；电机驱动模块与直流电机相连；电源系统给各个电气设备供电。主控制器控制方法为读取电机编码器的反馈信号与主控制器给定的控制命令信号xd(t)和，计算得出误差信号。根据误差信号，主控制器按照预定的控制算法计算出电机的控制量，送给电机驱动模块，电机转动带动轮子维持自身平衡及按指定方式运动。

优点及效果：

本发明是一种基于scn步行力估计的康复机器人各轴速度直接约束控制方法，具有如下优点：

本发明结合动力学模型，建立了具有训练者步行力的康复步行机器人动力学模型；基于scn方法构建了步行力的网络估计模型，并设计了各轴速度直接约束控制器，抑制步行力对控制精度影响，同时直接约束各轴运动速度，提高了系统控制精度，保障了训练者的安全

附图说明：

图1为本发明控制器工作框图；

图2为本发明系统坐标图；

图3为本发明stm32f411单片机最小系统；

图4为本发明mpu9250外围电路；

图5为本发明电机驱动模块外围电路；

图6为本发明硬件总体原理电路。

具体实施方式：

下面结合附图对本发明做进一步的说明，但本发明保护范围不受实施例的限制。

一种基于scn步行力估计的康复机器人各轴速度直接约束控制方法，其特征在于：

1)基于康复机器人的动力学模型，通过分解广义输入力，建立具有训练者步行力的康复机器人动力学模型；

2)基于scn方法构建训练者步行力的网络估计模型，以运动轨迹和运动速度为网络输入，通过不断随机配置隐含层节点参数，获得训练者的步行力估计；

3)设计各轴速度直接约束控制器，抑制训练者步行力对控制精度的影响，同时控制器直接约束康复机器人各轴的实际运动速度。

步骤如下：

步骤1)基于康复训练机器人的动力学模型，通过分解广义输入力，建立具有训练者步行力的康复机器人动力学模型。系统的动力学模型描述如下

其中

x(t)＝[x(t)y(t)θ(t)]^t分别为康复机器人x轴、y轴、旋转角的实际运动轨迹，u(t)表示广义输入力，m表示康复机器人的质量，m表示康复者的质量，i0表示转动惯量，m0，k(θ)，b(θ)为系数矩阵；θ表示水平轴和机器人中心与第一个轮子中心连线间的夹角，即θ＝θ1，由康复步行机器人结构可知θ3＝θ+π，li表示系统重心到每个轮子中心的距离，r0表示中心到重心的距离，φi表示x′轴和每个轮子对应的li之间的夹角，λi表示重心到每个轮子的距离，i＝1,2,3,4；将u(t)分解为待设计的跟踪控制力u0(t)和待观测的训练者步行力δu0(t)，代入模型(1)可得

令x1(t)＝x(t)，可得到具有训练者步行力的康复机器人动力学模型

步骤2)基于scn方法构建训练者步行力的网络估计模型，以运动轨迹和速度为网络输入，通过不断随机配置隐含层节点参数，获得人机系统不确定性估计，其特征在于：以机器人运动轨迹和速度作为scn的网络输入层，并通过权重ω和阈值b与隐含层连接，利用高斯函数得到隐含层输出g(x(t))。

其中

g(x(t))＝[g1(ω1x(t)+b1),...,gl(ωlx(t)+bl)]^t，

gj(ωjx(t)+bj)为隐含层第j个节点的输出j＝(1,2,...,l)，ωh,j为输入层第h个输入连接隐含层第j个节点的权值，h＝(1,2,...,6)，bj为隐含层第j个节点的阈值。

然后，scn隐含层通过权重与输出层连接，得到训练者步行力估计的网络输出如下：

其中

为第j个隐含层节点连接第g个输出的权值g＝(1,2,3)。

进一步，根据隐含层节点数为l-1时得到的训练者步行力估计误差随机配置第l个隐含层节点参数，并使其满足δl>0，δl表达形式如下：

其中，参数0<r<1,{μl}为非负实数序列，随着随机配置的隐含层节点数不断增加，直至便可实现训练者步行力估计步骤3)设计各轴速度直接约束控制器，抑制训练者步行力对控制精度的影响，同时控制器直接约束康复机器人各轴的实际运动速度，其特征在于：设xd(t)＝[xd(t)yd(t)θd(t)]^t为医生指定的运动轨迹，定义轨迹跟踪误差、速度跟踪误差、虚拟速度跟踪误差为：

e(t)＝x(t)-xd(t)＝x1(t)-xd(t)(6)

z(t)＝x2(t)-α(8)

其中e(t)＝[ex(t)ey(t)eθ(t)]^t分别为康复机器人x轴、y轴、旋转角方向的轨迹误差；分别为康复机器人x轴、y轴、旋转角方向的实际速度误差；α＝[αx(t)αy(t)αθ(t)]^t为虚拟运动速度，z(t)＝[zx(t)zy(t)zθ(t)]^t分别为康复机器人x轴、y轴、旋转角方向的虚拟速度误差。

由式(7)(8)可得

令并结合式(3)可得

利用式(10)(11)可得x轴、y轴、旋转角各轴方向跟踪误差系统如下：

设计机器人虚拟运动速度表达形式如下：

其中参数c11>0，c12>0，c13>0。

设计各轴速度直接约束控制器为

其中且φ＝φ1+φ2+φ3，参数c21>0，c22>0，c23>0，k11>0，k12>0，k13>0，k21>0，k22>0，k23>0。

由控制器式(14)可知：

分别设计x轴、y轴、旋转角各轴方向的李雅普诺夫函数如下：

沿跟踪误差系统对式(16)求导，并将(9)(12)代入可得

将式(13)(15)代入式(17)可得

由式(18)可得则各轴跟踪误差系统(12)渐近稳定；且由李雅普诺夫函数式(16)可知，进而得到各轴速度约束范围由此可知控制器(14)抑制了训练者的步行力且直接约束了各轴的运动速度。

步骤4)基于stm32f411系列单片机将输出pwm信号提供给电机驱动模块，使康复步行机器人在速度约束下帮助训练者跟踪医生指定的运动轨迹，其特征在于：以stm32f411系列单片机为主控制器，主控制器的输入接电机测速模块、输出接电机驱动模块；电机驱动模块与直流电机相连；电源系统给各个电气设备供电。主控制器控制方法为读取电机编码器的反馈信号与主控制器给定的控制命令信号xd(t)和，计算得出误差信号。根据误差信号，主控制器按照预定的控制算法计算出电机的控制量，送给电机驱动模块，电机转动带动轮子维持自身平衡及按指定方式运动。

本发明解决了步行力观测及各轴速度直接约束控制问题。建立了具有步行力的康复机器人动力学模型；基于scn方法构建步行力的网络估计模型，以运动轨迹和速度为网络输入，通过不断随机配置隐含层节点参数，获得步行力估计；设计了各轴速度直接约束控制器，抑制步行力对控制精度的影响，同时直接约束各轴的实际运动速度，保障了训练者的安全。