基于径向基函数神经网络的康复机器人自适应控制方法技术

本发明专利技术属于康复机器人技术领域，具体涉及一种基于径向基函数神经网络的康复机器人自适应控制方法、系统、装置，旨在解决康复机器人无法根据人的运动能力提供最优的辅助力的问题。本系统包括获取机器人末端手柄t时刻的位置及运动速度，作为第一位置、第一运动速度；获取t时刻机器人末端手柄的期望位置和运动速度，计算其与第一位置、第一运动速度的误差，作为第一位置误差、运动速度误差；基于第一位置误差、运动速度误差，获取滑动变量；通过预设的自适应算法获取自适应控制率,并结合预设的控制周期，更新权重向量；通过自适应控制器计算机器人末端手柄需要施加的辅助力。本发明专利技术能根据人的运动能力，通过预构建的自适应控制器获取最优辅助力。

【技术实现步骤摘要】
基于径向基函数神经网络的康复机器人自适应控制方法
本专利技术属于康复机器人
，具体涉及一种基于径向基函数神经网络的康复机器人自适应控制方法、系统、装置。
技术介绍
随着中国社会老龄化的加剧，越来越多的老人由于中风等原因造成上肢瘫痪，给日常生活带来非常大的不便。瘫痪患者需要通过大量的康复训练激发大脑可塑性，恢复一定的运动能力，以实现生活自理，进而提高生活质量，最大程度的回归社会。机器人辅助康复训练能够节约大量的人力物力，并能够对患者康复水平进行实时量化的评估，提出更加适合患者个人的训练计划，使患者的训练更加有针对性并且更有助于患者的恢复。在康复机器人的控制策略方面，主动训练方法可以激发病人更多的主动参与，相比于被动训练方法更有益于病人在中风后期的大脑可塑性及运动能力的恢复。目前主动训练中“按需辅助”原则的实现方法大致有两种，一种是基于肌电信号或者脑电信号直接测量人的运动意图，但是常用的模式识别方法只能区分有限种类的离散动作，无法建立肌电信号与力、力矩之间准确的动态模型；另一种方法是通过人机交互力的测量以及人机系统模型的建立来估计人的运动意图，但是模型校准过程繁琐，模型误差会导致训练过程中机器人的过度干预。本专利技术为克服上述存在的问题，利用径向基函数神经网络建立一种自适应控制器，其中径向基函数神经网络均匀分布在机器人的工作空间，可以自适应的学习人机间的动力学关系以及人的运动能力。除此之外，使用阻抗控制器来保证人际之间的柔顺交互，同时决定最大容许跟踪误差。
技术实现思路
为了解决现有技术中的上述问题，即为了解决现有康复机器人无法根据人的运动能力提供最优的辅助力的问题，本专利技术第一方面，提出了一种基于径向基函数神经网络的康复机器人自适应控制方法，该方法包括：步骤S100，获取康复机器人末端手柄t时刻位置及运动速度，作为第一位置、第一运动速度；步骤S200，基于计算机工作空间中预设的起点和终点之间的期望轨迹，获取t时刻康复机器人末端手柄对应的期望位置、期望运动速度；计算所述期望位置、所述期望运动速度与所述第一位置、所述第一运动速度的误差，作为第一位置误差、第一运动速度误差；步骤S300，基于所述第一位置误差、所述第一运动速度误差，获取滑动变量；步骤S400，基于所述第一位置，通过高斯径向基函数构建回归矩阵；根据所述回归矩阵、所述滑动变量，通过预设的自适应算法获取自适应控制率，并结合预设的控制周期，更新所述回归矩阵的权重向量；步骤S500，基于所述权重向量、所述第一位置、所述第一运动速度、所述滑动变量，通过自适应控制器计算机器人末端手柄需要施加的辅助力；所述自适应控制器基于RBF神经网络和反馈阻抗控制器构建。在一些优选的实施方式中，所述期望位置，其计算方法为：xref(t)＝xi+(xd-xi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]yref(t)＝yi+(yd-yi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]其中，(xi,yi)、(xd,yd)为起点、终点的位置，τ为运动周期，t为当前时刻，(xref(t),yref(t))为t时刻的期望位置。在一些优选的实施方式中，步骤S300中“基于所述第一位置误差和所述第一运动速度误差，获取滑动变量”，其方法为：其中，s为滑动变量，为第一运动速度误差，Λ为对角正定矩阵，为第一位置误差。在一些优选的实施方式中，步骤S400，中“通过预设的自适应算法获取自适应控制率”，其方法为：其中，为自适应控制率，Γ为对称的正定矩阵，YT为回归矩阵。在一些优选的实施方式中，所述回归矩阵其权重向量更新方法为：其中，为权重向量，Ts为控制周期，k表示第k个控制周期。在一些优选的实施方式中，步骤S500中“通过自适应控制器获取机器人末端手柄需要施加的辅助力”，其方法为：其中，Fr为机器人末端手柄需要施加的辅助力，KD为刚度系数矩阵，为滑动变量的导数，Y(·)为回归矩阵，X、为第一位置、第一运动速度。本专利技术的第二方面，提出了一种基于径向基函数神经网络的康复机器人自适应控制的系统，该系统包括获取模块、计算误差模块、获取滑动变量模块、自适应计算模块、输出辅助力模块；所述获取模块，配置为获取康复机器人末端手柄t时刻位置及运动速度，作为第一位置、第一运动速度；所述计算误差模块，配置为基于计算机工作空间中预设的起点和终点之间的期望轨迹，获取t时刻康复机器人末端手柄对应的期望位置、期望运动速度；计算所述期望位置、所述期望运动速度与所述第一位置、所述第一运动速度的误差，作为第一位置误差、第一运动速度误差；所述获取滑动变量模块，配置为基于所述第一位置误差、所述第一运动速度误差，获取滑动变量；所述自适应计算模块，配置为基于所述第一位置，通过高斯径向基函数构建回归矩阵；根据所述回归矩阵、所述滑动变量，通过预设的自适应算法获取自适应控制率，并结合预设的控制周期，更新所述回归矩阵的权重向量；所述输出辅助力模块，配置为基于所述权重向量、所述第一位置、所述第一运动速度、所述滑动变量，通过自适应控制器计算机器人末端手柄需要施加的辅助力；所述自适应控制器基于RBF神经网络和反馈阻抗控制器构建。本专利技术的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序应用由处理器加载并执行以实现上述的基于径向基函数神经网络的康复机器人自适应控制方法。本专利技术的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的基于径向基函数神经网络的康复机器人自适应控制方法。本专利技术的有益效果：本专利技术能根据人的运动能力，通过预构建的自适应控制器获取最优辅助力。本专利技术通过径向基函数神经网络以及反馈阻抗控制器构建自适应控制器，其中径向基函数神经网络为带有自适应算法的径向基函数神经网络，均匀分布在康复机器人的工作空间，可以自适应的学习人机间的动力学关系以及人的运动能力，解决动力学跟踪误差中非线性函数参数的不确定性问题。同时，阻抗控制器利用阻抗控制原理，通过选取阻抗控制器的值设置最大容许跟踪误差，保证康复训练过程中机器人与患者的柔顺交互。附图说明通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。图1是本专利技术一种实施例的基于径向基函数神经网络的康复机器人自适应控制方法的流程示意图；图2是本专利技术一种实施例的基于径向基函数神经网络的康复机器人自适应控制系统的框架示意图；图3是本专利技术一种实施例的上肢康复机器人及实验场景的示意图；图4是本专利技术一种实施例的计算机工作空间的虚拟训练环境的示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实本文档来自技高网...

【技术保护点】
1.一种基于径向基函数神经网络的康复机器人自适应控制方法，其特征在于，该方法包括：/n步骤S100，获取康复机器人末端手柄t时刻位置及运动速度，作为第一位置、第一运动速度；/n步骤S200，基于计算机工作空间中预设的起点和终点之间的期望轨迹，获取t时刻康复机器人末端手柄对应的期望位置、期望运动速度；计算所述期望位置、所述期望运动速度与所述第一位置、所述第一运动速度的误差，作为第一位置误差、第一运动速度误差；/n步骤S300，基于所述第一位置误差、所述第一运动速度误差，获取滑动变量；/n步骤S400，基于所述第一位置，通过高斯径向基函数构建回归矩阵；根据所述回归矩阵、所述滑动变量，通过预设的自适应算法获取自适应控制率，并结合预设的控制周期，更新所述回归矩阵的权重向量；/n步骤S500，基于所述权重向量、所述第一位置、所述第一运动速度、所述滑动变量，通过自适应控制器计算机器人末端手柄需要施加的辅助力；/n所述自适应控制器基于RBF神经网络和反馈阻抗控制器构建。/n

【技术特征摘要】
1.一种基于径向基函数神经网络的康复机器人自适应控制方法，其特征在于，该方法包括：
步骤S100，获取康复机器人末端手柄t时刻位置及运动速度，作为第一位置、第一运动速度；
步骤S200，基于计算机工作空间中预设的起点和终点之间的期望轨迹，获取t时刻康复机器人末端手柄对应的期望位置、期望运动速度；计算所述期望位置、所述期望运动速度与所述第一位置、所述第一运动速度的误差，作为第一位置误差、第一运动速度误差；
步骤S300，基于所述第一位置误差、所述第一运动速度误差，获取滑动变量；
步骤S400，基于所述第一位置，通过高斯径向基函数构建回归矩阵；根据所述回归矩阵、所述滑动变量，通过预设的自适应算法获取自适应控制率，并结合预设的控制周期，更新所述回归矩阵的权重向量；
步骤S500，基于所述权重向量、所述第一位置、所述第一运动速度、所述滑动变量，通过自适应控制器计算机器人末端手柄需要施加的辅助力；
所述自适应控制器基于RBF神经网络和反馈阻抗控制器构建。


2.根据权利要求1所述的基于径向基函数神经网络的康复机器人自适应控制方法，其特征在于，所述期望位置，其计算方法为：
xref(t)＝xi+(xd-xi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]
yref(t)＝yi+(yd-yi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]
其中，(xi,yi)、(xd,yd)为起点、终点的位置，τ为运动周期，t为当前时刻，(xref(t),yref(t))为t时刻的期望位置。


3.根据权利要求1所述的基于径向基函数神经网络的康复机器人自适应控制方法，其特征在于，步骤S300中“基于所述第一位置误差和所述第一运动速度误差，获取滑动变量”，其方法为：



其中，s为滑动变量，为第一运动速度误差，Λ为对角正定矩阵，为第一位置误差。


4.根据权利要求3所述的基于径向基函数神经网络的康复机器人自适应控制方法，其特征在于，步骤S400，中“通过预设的自适应算法获取自适应控制率”，其方法为：



其中，为自适应控制率，Γ为对称的正定矩阵，YT为回归矩阵。


5.根据权利要求4所述的基于径向基函数神经网络的康复机器...

【专利技术属性】
技术研发人员：彭亮，侯增广，王晨，王卫群，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11