趙 鵬，高學(xué)山,2**，牛軍道，郝亮超

(1.廣西科技大學(xué)電氣電子與計算機(jī)科學(xué)學(xué)院，廣西柳州 545006；2.北京理工大學(xué)機(jī)電學(xué)院，北京 100081；3.廣西科技大學(xué)機(jī)械與汽車工程學(xué)院，廣西柳州 545616)

0 引言

隨著生活水平的提高以及社會的快速發(fā)展，我國已經(jīng)進(jìn)入老齡化社會，腦卒中和意外事故等造成的運(yùn)動障礙患者數(shù)量呈現(xiàn)增長趨勢。目前，針對這類患者的康復(fù)治療方案主要依靠傳統(tǒng)的治療模式和治療師的經(jīng)驗，難以滿足高強(qiáng)度重復(fù)訓(xùn)練的要求，而且還缺少經(jīng)驗豐富的康復(fù)醫(yī)師、專業(yè)護(hù)士以及高端的康復(fù)設(shè)備。因此，針對下肢運(yùn)動功能障礙人員進(jìn)行康復(fù)訓(xùn)練已成為亟待解決的重大社會問題[1-4]。近年來，伴隨著機(jī)器人技術(shù)在康復(fù)醫(yī)學(xué)中的逐步應(yīng)用，醫(yī)工結(jié)合得以發(fā)展，人們對智能康復(fù)器械的需求大幅度增加，結(jié)合人體姿態(tài)行為識別與機(jī)器人的運(yùn)動控制技術(shù)成為研究的熱點。

人體姿態(tài)實時識別技術(shù)基于多傳感數(shù)據(jù)來檢測人體行為，可實現(xiàn)對人體姿態(tài)變化的有效判別[5]。陳盛等[6]針對肩關(guān)節(jié)康復(fù)患者開發(fā)一種鏡像康復(fù)訓(xùn)練系統(tǒng)，用sEMG裝置感知患者上肢肌電信息從而解析實時姿態(tài)，控制機(jī)器人跟隨患者做鏡像同步運(yùn)動，取得了較好的康復(fù)訓(xùn)練效果。蔣亞杰[7]引入可以獲取人體骨骼圖像的Kinect體感設(shè)備，獲取人體關(guān)節(jié)點等深度數(shù)據(jù)，進(jìn)而提取人體骨骼相關(guān)數(shù)據(jù)流信息，并通過建立運(yùn)動學(xué)方程，把操作者手指姿態(tài)轉(zhuǎn)化為機(jī)器人關(guān)節(jié)運(yùn)動數(shù)據(jù)信息，完成對機(jī)器人的運(yùn)動控制。為降低機(jī)器人與患者運(yùn)動意圖之間的誤差，許多學(xué)者通過傳感器數(shù)據(jù)對機(jī)器人實現(xiàn)運(yùn)動控制。唐彪等[8]通過視覺感知機(jī)器人控制系統(tǒng)對視覺圖像進(jìn)行處理并得到人體關(guān)節(jié)數(shù)據(jù)等信息，實現(xiàn)控制遠(yuǎn)端機(jī)器人實時跟隨人體運(yùn)動。Bo?nak和krjanc[9]使用多個傾角傳感器對患者的運(yùn)動意圖進(jìn)行判斷，最后通過PID算法控制機(jī)器人。Homich等[10]利用磁力計和陀螺儀計算人體與機(jī)器人之間的位姿偏差，通過補(bǔ)償位姿偏差，使機(jī)器人與人體運(yùn)動姿態(tài)趨于一致。伊蕾等[11]設(shè)計一種模糊控制器，該控制器可降低移動單元轉(zhuǎn)彎及推力突變對使用者造成的傷害，并實現(xiàn)人機(jī)協(xié)調(diào)運(yùn)動。上述人體姿態(tài)識別方法通過人體肌電信號或機(jī)器視覺來提取人體的運(yùn)動狀態(tài)，這些方法雖然識別率較高，但是都要求使用者在身體的不同部位固定一定數(shù)量的傳感器或設(shè)置機(jī)器人系統(tǒng)可識別的顏色標(biāo)記。由于使用者的身體狀況和環(huán)境等因素會干擾系統(tǒng)正常運(yùn)行，系統(tǒng)有可能做出錯誤判斷，導(dǎo)致機(jī)器人的控制誤差較大。

針對上述問題和所研制機(jī)器人的特點，本研究提出一種在主動跟隨模式下基于人體行走姿態(tài)來控制機(jī)器人運(yùn)動的控制技術(shù)。在控制系統(tǒng)的構(gòu)建中，數(shù)據(jù)采集系統(tǒng)將人體的運(yùn)動速度數(shù)據(jù)作為機(jī)器人跟隨運(yùn)動速度的控制輸入，并采用基于模糊PID算法的控制器補(bǔ)償跟隨運(yùn)動中的誤差，使得下肢康復(fù)機(jī)器人能夠較好地按照人體的姿態(tài)變化有效跟隨人體運(yùn)動，且在輔助人體運(yùn)動的同時對其進(jìn)行實時保護(hù)。

1 康復(fù)機(jī)器人系統(tǒng)介紹

如圖1所示，下肢康復(fù)機(jī)器人主要由人體運(yùn)動數(shù)據(jù)采集系統(tǒng)、為患者提供輔助力的體重支持系統(tǒng)和驅(qū)動機(jī)器人運(yùn)動的驅(qū)動系統(tǒng)3個部分構(gòu)成?；颊咴谑褂每祻?fù)機(jī)器人進(jìn)行下肢康復(fù)訓(xùn)練時需要身穿減重服，依靠體重支持系統(tǒng)為其提供的輔助力實現(xiàn)下肢站立，另外，體重支持系統(tǒng)還能對個體特征和病患程度不同的患者提供全方位的行走保護(hù)。在康復(fù)過程中，數(shù)據(jù)采集系統(tǒng)和動力驅(qū)動系統(tǒng)是實時伺服工作的，可共同幫助患者進(jìn)行行走訓(xùn)練。此外，體重支持系統(tǒng)通過給下肢力量不足的患者施加輔助的外力支持，減輕患者下肢負(fù)擔(dān)。體重支持系統(tǒng)裝置上安裝有傳感器，能夠?qū)崟r檢測人體姿態(tài)行為的變化，人體運(yùn)動帶動體重支持系統(tǒng)上面的位移傳感器，使得位移數(shù)值發(fā)生變化。數(shù)據(jù)采集系統(tǒng)根據(jù)實時檢測的位移變化量，對這些數(shù)據(jù)進(jìn)行信息分析，得到下肢康復(fù)機(jī)器人的控制指令，從而達(dá)到實時跟隨使用者運(yùn)動的目的。

圖1 下肢康復(fù)機(jī)器人結(jié)構(gòu)圖Fig.1 Structure diagram of lower limb rehabilitation robot

1.1 數(shù)據(jù)采集系統(tǒng)傳感器的結(jié)構(gòu)布置

人體姿態(tài)行為識別主要通過布置在數(shù)據(jù)采集系統(tǒng)上的傳感器采集人體的行為信息，然后通過行為識別算法來實現(xiàn)。為實時獲取人體行為的變化數(shù)據(jù)，并準(zhǔn)確獲取肢體的運(yùn)動信息，需要對現(xiàn)實狀況下感知人體行為的傳感器進(jìn)行配置。正常人在行走過程中，為了維持平衡和移動重心，上部肢體會自然產(chǎn)生左右擺動的運(yùn)動特征，而在轉(zhuǎn)身過程中身體會有較明顯的轉(zhuǎn)向特點。通過對正常人行走姿態(tài)的研究分析，對使用者行走、轉(zhuǎn)彎和停止的數(shù)據(jù)進(jìn)行總結(jié)并歸類，結(jié)合傳感器系統(tǒng)確定所需的感知信息、傳感器類型數(shù)量以及傳感器的位置。在下肢康復(fù)機(jī)器人系統(tǒng)中，經(jīng)過對人體行走姿態(tài)的運(yùn)動分析可知，人體肩部擺動距離變化值是主要的感知信息，這一信息在使用者行走過程中起關(guān)鍵的作用，因此位移傳感器結(jié)構(gòu)布置如圖2所示。

圖2 位移傳感器結(jié)構(gòu)布置圖Fig.2 Structure layout diagram of displacement sensor

1.2 數(shù)據(jù)采集系統(tǒng)硬件

康復(fù)機(jī)器人的數(shù)據(jù)采集系統(tǒng)由位移傳感器和主控板組成。位移傳感器的反饋數(shù)據(jù)是康復(fù)機(jī)器人運(yùn)動控制的基礎(chǔ)，通過搭建數(shù)據(jù)采集電路實現(xiàn)位移數(shù)據(jù)的實時采集。上位機(jī)數(shù)據(jù)采集處理系統(tǒng)和康復(fù)機(jī)器人通過WiFi模塊完成運(yùn)動數(shù)據(jù)的交互，該模塊的傳輸速率為54 Mbps，有效傳輸距離為100 m，具有傳輸速率快、距離遠(yuǎn)、抗干擾能力強(qiáng)和使用簡單的優(yōu)點，數(shù)據(jù)采集系統(tǒng)的硬件結(jié)構(gòu)如圖3所示。

圖3 運(yùn)動數(shù)據(jù)采集系統(tǒng)的硬件結(jié)構(gòu)Fig.3 Hardware structure of motion data acquisition system

首先，體重支持系統(tǒng)兩側(cè)的位移傳感器實時感知患者肩部的位移信息，并將位移信息反饋至機(jī)器人的主控板上。然后主控板的WiFi模塊將人體姿態(tài)運(yùn)動數(shù)據(jù)傳輸至上位機(jī)，上位機(jī)對運(yùn)動數(shù)據(jù)進(jìn)行預(yù)處理，提取時域特征，并進(jìn)行分析識別，通過算法計算人體所處狀態(tài)及運(yùn)動趨勢。最后，上位機(jī)得出驅(qū)動輪的期望運(yùn)動速度并發(fā)送至主控板，機(jī)器人主控系統(tǒng)通過CAN通信向驅(qū)動器發(fā)送速度控制指令，實現(xiàn)控制機(jī)器人跟隨運(yùn)動的目標(biāo)。

1.3 數(shù)據(jù)采集系統(tǒng)數(shù)據(jù)處理

為提高姿態(tài)行為識別的準(zhǔn)確性，需要對采集的數(shù)據(jù)進(jìn)行預(yù)處理，剔除運(yùn)動數(shù)據(jù)中的噪聲，使數(shù)據(jù)更接近真實情況。本研究采用滑動平均濾波方法對運(yùn)動數(shù)據(jù)進(jìn)行預(yù)處理，由于機(jī)器人主控板控制周期為30 ms，所以將傳感器數(shù)據(jù)采樣頻率f設(shè)置為1 kHz，數(shù)據(jù)采集長度N設(shè)為15，濾波數(shù)據(jù)處理流程如圖4所示。

圖4 滑動平均濾波數(shù)據(jù)處理流程Fig.4 Data processing flow of moving average filtering

由圖5可知，濾波前位移值存在較大的抖動現(xiàn)象，濾波后位移值變得平滑，有利于人體姿態(tài)變化特征的分析。

圖5 位移曲線濾波前后對比Fig.5 Comparison of displacement curve before and after filtering

數(shù)據(jù)采集系統(tǒng)采集電機(jī)當(dāng)前速度和編碼器數(shù)據(jù)上傳至上位機(jī)，上位機(jī)結(jié)合當(dāng)前電機(jī)電流、電壓等信息，借助卡爾曼濾波器，降低速度值噪聲，減少觀測不準(zhǔn)確的情況，綜合得出機(jī)器人當(dāng)前真實速度。由圖6可知，在濾波前速度值變化快，勻速運(yùn)動過程有較大抖動，在經(jīng)過卡爾曼濾波法處理后，速度曲線更有利于人體運(yùn)動姿態(tài)的識別。

圖6 轉(zhuǎn)速曲線濾波前后對比Fig.6 Comparison of speed curve before and after filtering

2 機(jī)器人運(yùn)動學(xué)模型的構(gòu)建

本文研究的下肢康復(fù)機(jī)器人主要是為腦卒中中后期患者所設(shè)計的。為方便患者能夠在原地轉(zhuǎn)彎，底盤采用六輪分布結(jié)構(gòu)，同一軸線上有3個輪，驅(qū)動輪中置，兩個萬向輪前后置，采用差速控制，理論上不考慮機(jī)器人側(cè)滑和打滑的現(xiàn)象。下肢康復(fù)機(jī)器人運(yùn)動學(xué)模型如圖7所示，{O,X,Y}為全局坐標(biāo)系，{P,Xc,Yc}為局部坐標(biāo)系，x、y分別表示機(jī)器人在全局坐標(biāo)系中的橫、縱坐標(biāo)，θ為兩坐標(biāo)系的夾角。

圖7 下肢康復(fù)機(jī)器人運(yùn)動學(xué)模型Fig.7 Kinematics model of lower limb rehabilitation robot

設(shè)機(jī)器人每個驅(qū)動輪直徑為2r，兩側(cè)驅(qū)動輪間距為2b，在局部坐標(biāo)系下的速度為v。當(dāng)機(jī)器人幾何中心與質(zhì)心重合，機(jī)器人運(yùn)行方向與驅(qū)動輪軸方向垂直，那么在車輪不打滑情況下構(gòu)建非完整約束方程：

(1)

寫成矩陣形式為

(2)

(3)

式中：S(q)是一個Jacobian矩陣，V(t)=[vp,wp]T，vp為P點線速度，wp為P點角速度，則運(yùn)動學(xué)方程可表示為

(4)

建立位移傳感器位移量與機(jī)器人驅(qū)動輪轉(zhuǎn)速之間的關(guān)系，確定康復(fù)機(jī)器人期望控制輸入為

(5)

(6)

式中：vr為機(jī)器人運(yùn)動期望線速度，wr為機(jī)器人運(yùn)動期望角速度，x1和x2為左右兩側(cè)位移傳感器變化值，ζ為位移與驅(qū)動輪轉(zhuǎn)速之間的線性系數(shù)。

假如qr=[xr,yr,θr]T表示人體運(yùn)動的給定參考軌跡位姿，q=[x,y,θ]T表示移動機(jī)器人的實際位姿，實際位姿每一時刻的變化值與肩部擺動距離變化值成線性關(guān)系，則定義軌跡誤差qe為

(7)

式中：{xr,yr,θr}為給定參考軌跡的坐標(biāo)，{xp,yp,θp}為實際軌跡的坐標(biāo)；Te為轉(zhuǎn)換矩陣。對式(7)求導(dǎo)得到微分方程為

(8)

設(shè)計一個平滑的速度控制Vc=f(Ve,vr,K)，其中K=[Kp,Ki,Kd]T。根據(jù)誤差公式(8)及參考文獻(xiàn)[12]的思想，選擇適當(dāng)?shù)腖yapunov函數(shù)設(shè)計協(xié)助速度控制輸入Vc，則Vc可表示如下：

(9)

3 基于模糊PID的機(jī)器人控制器

在實際應(yīng)用中，模糊PID控制器的輸入為康復(fù)機(jī)器人的期望速度，反饋值為驅(qū)動輪的實際速度，具體結(jié)構(gòu)如圖8所示。

圖8 模糊PID控制器的結(jié)構(gòu)Fig.8 Structure of fuzzy PID controller

3.1 速度輸入輸出模糊化和隸屬度函數(shù)

模糊PID控制器中給定的轉(zhuǎn)速和機(jī)器人實際速度之間的偏差值e、偏差變化率ec在模糊集上的論域為[-6，6]，輸出量PID參數(shù)ΔKp、ΔKi、ΔKd的基本論域分別為[-15，15]、[-13，13]、[-2，2]，模糊子集為{NB，NM，NS，ZO，PS，PM，PB}，分別對應(yīng){負(fù)大，負(fù)中，負(fù)小，零，正小，正中，正大}。

如圖9所示，采用計算量相對較小且易于實現(xiàn)的三角隸屬度函數(shù)來確定模糊語言變量的隸屬度。

圖9 偏差值e (a)和偏差變化率ec (b)三角隸屬度函數(shù)Fig.9 Triangular membership function of deviation value e (a) and deviation rate ec (b)

由Matlab模糊控制工具箱得出，輸出量PID參數(shù)ΔKp、ΔKi、ΔKd的基本論域取值范圍與偏差值e、偏差變化率ec的對應(yīng)圖像(圖10-12)，則可得出ΔKp、ΔKi、ΔKd在實際計算過程中的取值范圍。

圖10 ΔKp基本論域(a)及其與e、ec 的對應(yīng)關(guān)系(b)Fig.10 Basic theoretical domain ΔKp (a) and its corresponding relation with e and ec (b)

圖11 ΔKi基本論域(a)及其與e、ec 的對應(yīng)關(guān)系(b)Fig.11 Basic theoretical domain ΔKi (a) and its corresponding relation with e and ec (b)

圖12 ΔKd基本論域(a)及其與e、ec 的對應(yīng)關(guān)系(b)Fig.12 Basic theoretical domainΔKd (a) and its corresponding relation with e and ec (b)

3.2 模糊規(guī)則建立

通過查找相關(guān)資料和不斷反復(fù)調(diào)試，確定如下模糊規(guī)則：

當(dāng)誤差|e|和誤差變化率|ec|較小時，輸入誤差較小，應(yīng)優(yōu)先考慮系統(tǒng)的抗干擾性和穩(wěn)定性，Kp，Ki和Kd取值應(yīng)大一些；

當(dāng)誤差|e|和誤差變化率|ec|均為中等大小時，優(yōu)先降低系統(tǒng)的超調(diào)量，考慮響應(yīng)速度和調(diào)節(jié)時間，Kp取值應(yīng)小一些；

當(dāng)誤差|e|和誤差變化率|ec|較大時，輸入誤差較大，應(yīng)優(yōu)先考慮系統(tǒng)的跟蹤準(zhǔn)確性，防止因微分飽和引起的超調(diào)變大，Kp取值應(yīng)大一些，此時取Ki=0。

根據(jù)以上規(guī)則制定模糊規(guī)則表，如表1-3所示。{NB，NM，NS，ZO，PS，PM，PB}分別對應(yīng){負(fù)大，負(fù)中，負(fù)小，零，正小，正中，正大}，算法在計算時依據(jù)|e|和|ec|的輸入范圍，對應(yīng)表格對Kp，Ki和Kd取值。

表1 ΔKp模糊規(guī)則表Table 1 ΔKp fuzzy rule table

表2 ΔKi模糊規(guī)則表Table 2 ΔKi fuzzy rule table

表3 ΔKd模糊規(guī)則表Table 3 ΔKd fuzzy rule table

3.3 模糊推理與解模糊化

由于被控對象必須是一個精確的控制量，但依據(jù)上述模糊規(guī)則輸入被控速度值后得到的是一個模糊集合，所以使用計算量小、計算過程相對簡單的加權(quán)平均法來解模糊，確定最終能夠代表模糊集合的單值，計算過程如下：

(10)

式中：u為解模糊后的精確值，ui為模糊變量的元素，μ(ui)為ui元素相對應(yīng)的隸屬度?？刂破鞲鶕?jù)機(jī)器人的速度輸入e和ec，依此調(diào)節(jié)Kp，Ki，Kd并得到最終的整定參數(shù)，可用公式表示為kx=△kx+k′x。模糊推理流程如圖13所示。

圖13 模糊推理流程圖Fig.13 Flow chart of fuzzy reasoning

4 運(yùn)動控制系統(tǒng)仿真與實驗

4.1 運(yùn)動控制系統(tǒng)仿真

搭建康復(fù)機(jī)器人的運(yùn)動控制仿真模型。由于PID的參數(shù)在調(diào)試過程中是相互影響的，所以在確定PID參數(shù)時要先確定PI控制器，經(jīng)試湊法確定Kp=500，Ki=100，最后在此基礎(chǔ)上確定Kd的值。為保證系統(tǒng)穩(wěn)定性與安全性，Kp的值不宜過大；為減小超調(diào)量，Ki的值不宜過小，最終確定Kp=500，Ki=100，Kd=20。由圖14可知，在輸入為階躍響應(yīng)時，模糊PID控制器響應(yīng)曲線較為平滑，1 s內(nèi)達(dá)到穩(wěn)定狀態(tài)；而經(jīng)典PID控制響應(yīng)曲線的超調(diào)量達(dá)到11%，大約6 s后才趨于平穩(wěn)。由此可知，模糊PID不論從調(diào)節(jié)時間、上升時間還是穩(wěn)定性上來說都具有更大的優(yōu)勢。

圖14 模糊PID與經(jīng)典PID對比圖Fig.14 Fuzzy PID vs normal PID

設(shè)機(jī)器人初始位姿為(0，0，π/4)，參考軌跡為y=x，期望速度為0.8 m/s，期望角速度為0 rad/s。從圖15a、b中可以看出在開始一段時間內(nèi)，經(jīng)典PID直線軌跡跟蹤精度較差，誤差較大，在大約5 s后跟蹤誤差逐漸趨于0；而從圖15c中可以看出，運(yùn)動過程中線速度與角速度在大約5 s后穩(wěn)定。模糊PID直線軌跡跟蹤和誤差曲線如圖16所示，從圖16b中可以看出在給定參考軌跡下，在大約3 s左右跟蹤誤差趨于0;而從圖16c中也可以看出,運(yùn)動過程中線速度與角速度曲線在大約3 s后穩(wěn)定。對比兩種控制算法，模糊PID控制算法跟蹤響應(yīng)速度更高，實時性更好。

圖15 經(jīng)典PID直線軌跡跟蹤和誤差曲線Fig.15 Normal PID linear trajectory tracking and error curve

圖16 模糊PID直線軌跡跟蹤和誤差曲線Fig.16 Fuzzy PID linear trajectory tracking and error curve

4.2 運(yùn)動控制實驗

本研究選取1名身高177 cm、體重70 kg的測試對象參與康復(fù)機(jī)器人運(yùn)動控制實驗。在實驗過程中志愿者需要穿著減重服，志愿者的身體左右兩側(cè)的體重支持?jǐn)?shù)值均設(shè)定為18 kg，確保志愿者身體處于一種近似平衡的狀態(tài)。在康復(fù)訓(xùn)練過程中不需要人為控制機(jī)器人的運(yùn)動，系統(tǒng)將志愿者的位姿變化信息作為機(jī)器人的控制輸入。實驗主要驗證機(jī)器人根據(jù)傳感器數(shù)據(jù)識別當(dāng)前使用者身體姿態(tài)變化對實現(xiàn)下肢康復(fù)機(jī)器人運(yùn)動控制的正確性和可靠性，實驗重復(fù)3次，最后取3次實驗數(shù)據(jù)的平均值，實驗現(xiàn)場如圖17所示。

圖17 實驗測試過程Fig.17 Experimental test process

4.3 實驗分析

實驗過程中，測試者沿著目標(biāo)軌跡行走，實際軌跡則通過機(jī)器人電機(jī)編碼器反饋的數(shù)據(jù)計算獲得。如圖18a所示，紅色虛線為機(jī)器人行進(jìn)的參考軌跡，黑色實線所對應(yīng)的模糊PID控制方法在起步時與參考軌跡誤差更小，轉(zhuǎn)彎時能夠提前做出轉(zhuǎn)彎動作，經(jīng)典PID軌跡在4 m后和參考軌跡誤差逐漸加大。由機(jī)器人直行-左轉(zhuǎn)-直行過程中的模糊PID與經(jīng)典PID軌跡誤差值(圖18b)可知，在15 s左右時誤差逐漸收斂；20 s后機(jī)器人左轉(zhuǎn)，角度產(chǎn)生較大的誤差；30 s左右機(jī)器人誤差趨于零并保持穩(wěn)定，總體上模糊PID控制優(yōu)于傳統(tǒng)PID。

圖18 機(jī)器人行進(jìn)中軌跡(a)和軌跡誤差曲線(b)Fig.18 Trajectory (a) and trajectory error (b) curves in robot moving

圖19為機(jī)器人在直行-左轉(zhuǎn)-直行實驗過程中驅(qū)動輪線速度和角速度的誤差值變化過程。由運(yùn)動過程中線速度誤差ev變化(圖19a)可知，在直行過程中，上位機(jī)根據(jù)位移信息綜合判斷識別當(dāng)前運(yùn)動姿態(tài)，實時調(diào)整機(jī)器人直行速度。在機(jī)器人開始運(yùn)動后20 s，上位機(jī)對人體運(yùn)動數(shù)據(jù)綜合分析后，判定當(dāng)前為直行-左轉(zhuǎn)狀態(tài)，導(dǎo)致角速度發(fā)生變化，與上一時刻相比產(chǎn)生較大的角速度誤差eω；在27 s時由于機(jī)器人運(yùn)動狀態(tài)的改變再一次產(chǎn)生較大的誤差，因此機(jī)器人位姿的變化同時引起機(jī)器人角速度發(fā)生波動(圖19b)。

圖19 機(jī)器人行進(jìn)中車輪線速度誤差(a)和角速度誤差(b)曲線Fig.19 Error curves of wheel linear velocity (a) and angular velocity (b) in robot moving

5 結(jié)論

針對腦卒中患者的術(shù)后下肢運(yùn)動功能的康復(fù)訓(xùn)練，設(shè)計了一種可對患者移動陪護(hù)的康復(fù)機(jī)器人，并建立下肢康復(fù)機(jī)器人的運(yùn)動學(xué)模型以及運(yùn)動控制系統(tǒng)的Simulink模型，仿真驗證了運(yùn)動學(xué)模型的準(zhǔn)確性。同時，研究構(gòu)建了機(jī)器人平臺上的人體姿態(tài)行為信息采集的傳感器系統(tǒng)，提出基于模糊PID的人體姿態(tài)實時識別智能控制系統(tǒng)及控制算法。相較于經(jīng)典PID，該算法可以實時調(diào)整PID的參數(shù)，以適應(yīng)不同的使用情況，證明了該算法的有效性。此外，當(dāng)輸入相同設(shè)定速度時，通過對比經(jīng)典PID與模糊PID發(fā)現(xiàn)后者具有較快的調(diào)節(jié)時間，穩(wěn)定性也更好，調(diào)節(jié)精度更高，可以達(dá)到機(jī)器人穩(wěn)定快速跟隨人體運(yùn)動的目的。最后通過實驗測試發(fā)現(xiàn)，該下肢康復(fù)機(jī)器人使用模糊PID控制技術(shù)實現(xiàn)了智能同步運(yùn)動的功能，具有響應(yīng)速度快、反應(yīng)時間短等優(yōu)點。該機(jī)器人可以提高患者主動進(jìn)行康復(fù)訓(xùn)練的積極性，加快患者的康復(fù)進(jìn)程。