基于SCN人机不确定模型的康复机器人快速有限时间控制制造技术

本发明专利技术公开了一种基于随机配置网络（Stochastic Configuration Networks，SCN）人机不确定模型的康复机器人快速有限时间控制方法。其特征为：基于康复步行训练机器人的动力学模型，分离由康复者引起人机系统的不确定项，建立具有人机不确定性的康复步行训练机器人动力学模型；基于SCN方法构建人机不确定性的网络估计模型，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；基于有限时间稳定理论设计跟踪控制器，抑制人机不确定性对系统跟踪精度的影响，同时保证机器人在任意初始位置，均可使跟踪误差系统快速有限时间稳定。可使跟踪误差系统快速有限时间稳定。可使跟踪误差系统快速有限时间稳定。

【技术实现步骤摘要】
基于SCN人机不确定模型的康复机器人快速有限时间控制

：
[0001]本专利技术涉及轮式康复机器人的控制方法，尤其是具有人机不确定性的康复机器人控制领域。

技术介绍
：
[0002]交通事故及人口老龄化使步行障碍患者逐年增多，由于我国缺少专业康复人员，导致步行障碍患者无法得到及时有效的运动训练，从而步行功能逐渐丧失，无法实现日常独立生活。随着康复步行机器人在康复中心、养老院等场所的应用，有效解决了康复人员短缺的问题。然而，在实际应用中，人和机器人接触会产生人机不确定性，严重干扰了步行机器人对康复医生指定运动轨迹的跟踪，不仅无法达到理想的康复效果，而且过大的跟踪误差导致机器人碰撞周围物体，威胁训练者的安全。因此，研究步行机器人的控制方法，解决人机接触不确定问题，对保证训练者的康复效果和安全性具有重要意义。
[0003]近年来，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人和机器人合作运动中产生的人机不确定性问题，以及机器人在任意初始位置暂态跟踪性能不高的问题。如果人机接触和人机系统暂态性能不解决，将会产生较大的跟踪误差而威胁训练者的安全。到目前为止，还没有关于人机不确定估计及适应人机接触不确定性变化的任意初始位置的快速有限时间控制方法。本专利技术基于新视角提出了人机接触产生不确定性的估计方法，并研究了补偿人机不确定性的快速有限时间控制方法，对保障训练者的康复效果和安全性具有重要意义。

技术实现思路
：
[0004]专利技术目的：
[0005]为了解决上述问题，本专利技术提供了一种基于SCN人机不确定模型的康复机器人快速有限时间控制方法。
[0006]技术方案：
[0007]本专利技术是通过以下技术方案来实现的：
[0008]一种基于SCN(Stochastic Configuration Networks，SCN)人机不确定模型的康复机器人快速有限时间控制方法，其特征在于：
[0009]1)基于康复步行训练机器人的动力学模型，分离由康复者引起人机系统的不确定项，建立具有人机不确定性的康复步行训练机器人动力学模型；
[0010]2)基于SCN方法构建人机不确定性的网络估计模型，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；
[0011]3)基于有限时间稳定理论设计跟踪控制器，抑制人机不确定性对系统跟踪精度的影响，同时保证机器人在任意初始位置，均可使跟踪误差系统快速有限时间稳定。
[0012]步骤如下：
[0013]步骤一)基于康复步行训练机器人的动力学模型，分离由康复者引起人机系统的
不确定项，建立具有人机不确定性的康复步行训练机器人动力学模型，其特征在于：系统的动力学模型描述如下
[0014][0015]其中
[0016][0017][0018][0019]M表示机器人质量、m表示康复者质量、r0表示机器人中心到重心的距离，I0表示转动惯量，为系数矩阵，θ
i
表示水平方向和机器人中心与第i个轮子中心连线间的夹角，l
i
为机器人重心到每个轮子中心的距离，φ
i
为水平方向与每个轮子对应l
i
之间的夹角。u(t)表示机器人的控制输入力，f
i
为机器人每个轮子的输入力，X(t)为机器人的实际运动轨迹，i＝1,2,3,4。
[0020]分离模型(1)中由康复者引起的人机不确定性信息，记模型(1)可以化为如下形式
[0021][0022]其中，表示人机不确定性，并且
[0023][0024][0025]ΔM0表示分离出的人机不确定项，ΔB(θ)表示分离出的人机不确定项，M0、B(θ)为系数矩阵，L表示机器人中心到轮子中心的距离。
[0026]令由方程(2)得到具有人机不确定性的康复步行训练机器人动力学模型：
[0027][0028]步骤二)基于SCN方法构建人机不确定性的网络估计模型，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))。
[0029]其中
[0030][0031]G(x(t))＝[g1(ω1x(t)+b1),...,g
L
(ω
L
x(t)+b
L
)]T
[0032]g
j
(ω
j
x(t)+b
j
)为隐含层第j个节点的输出j＝(1,2,...,L)，ω
h,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)，b
j
为隐含层第j个节点的阈值。
[0033]然后，SCN隐含层通过权重与输出层连接，得到人机系统不确定性估计的网络输出如下：
[0034][0035]其中
[0036][0037]为第j个隐含层节点连接第g个输出的权值g＝(1,2,3)。
[0038]进一步，根据隐含层节点数为L-1时得到的人机不确定性估计误差随机配置第L个隐含层节点参数，并使其满足δ
L
>0，δ
L
表达形式如下：
[0039][0040]由于
[0041][0042]其中
[0043][0044]故
[0045][0046]其中，参数0<r<1,{μ
L
}为非负实数序列，μ
L
≤(1-r)。当δ
L
>0时，ε
LT
ε
L
<(r+μ
L
)ε
L-1T
ε
L-1
，随着随机配置的隐含层节点数不断增加，当此时ε
LT
ε
L
<rε
L-1T
ε
L-1
，容易得到即可实现人机系统不确定估计
[0047]步骤三)基于有限时间稳定理论设计跟踪控制器，抑制人机不确定性对系统跟踪精度的影响，同时保证机器人在任意初始位置，均可使跟踪误差系统快速有限时间稳定，其特征在于：引入一条辅助轨迹x
a
(t)，使实际跟踪轨迹由医生指定训练轨迹x
d
(t)和辅助轨迹x
a
(t)组成，即即x
a
(t)在有限时间T上满足x
a
(T)＝0，且x
a
(0)＝x1(0)-x
d
(0)。
[0048]其中
[0049][0050]由ξ(t)表达形式可知ξ(0)＝1，t>T时ξ(t)＝0，同时ξ(t)在T时刻光滑连续，可以得到系统轨迹在有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SCN人机不确定模型的康复机器人快速有限时间控制，其特征在于：基于康复步行训练机器人的动力学模型，分离由康复者引起人机系统的不确定项，建立具有人机不确定性的康复步行训练机器人动力学模型；基于SCN方法构建人机不确定性的网络估计模型，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；基于有限时间稳定理论设计跟踪控制器，抑制人机不确定性对系统跟踪精度的影响，同时保证机器人在任意初始位置，均可使跟踪误差系统快速有限时间稳定；步骤如下：1)基于康复步行训练机器人的动力学模型，分离由康复者引起人机系统的不确定项，建立具有人机不确定性的康复步行训练机器人动力学模型；2)基于SCN方法构建人机不确定性的网络估计模型，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；3)基于有限时间稳定理论设计跟踪控制器，抑制人机不确定性对系统跟踪精度的影响，同时保证机器人在任意初始位置，均可使跟踪误差系统快速有限时间稳定。2.根据权利要求1所述基于SCN人机不确定模型的康复机器人快速有限时间控制，其特征在于基于康复步行训练机器人的动力学模型，分离由康复者引起人机系统的不确定项，建立具有人机不确定性的康复步行训练机器人动力学模型，系统的动力学模型描述如下其中其中其中M表示机器人质量、m表示康复者质量、r0表示机器人中心到重心的距离，I0表示转动惯量，为系数矩阵，θ
i
表示水平方向和机器人中心与第i个轮子中心连线间的夹角，l
i
为机器人重心到每个轮子中心的距离，φ
i
为水平方向与每个轮子对应l
i
之间的夹角。u(t)表示机器人的控制输入力，f
i
为机器人每个轮子的输入力，X(t)为机器人的实际运动轨迹，i＝1,2,3,4。分离模型(1)中由康复者引起的人机不确定性信息，记模型(1)可以化为如下形式
其中，表示人机不确定性，并且并且ΔM0表示分离出的人机不确定项，ΔB(θ)表示分离出的人机不确定项，M0、B(θ)为系数矩阵，L表示机器人中心到轮子中心的距离。令x1(t)＝X(t),由方程(2)得到具有人机不确定性的康复步行训练机器人动力学模型：。3.根据权利要求1所述基于SCN人机不确定模型的康复机器人快速有限时间控制，其特征在于基于SCN方法构建人机不确定性的网络估计模型，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，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b＝[b1,b2,...,b
L
]
T
G(x(t))＝[g1(ω1x(t)+b1),...,g
L
(ω
L
x(t)+b
L
)]
T
g
j
(ω
j
x(t)+b
j
)为隐含层第j个节点的输出j＝(1,2,...,L)，ω
h,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)，b
j
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，得到人机系统不确定性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时得到的人机不确定性估计误差随机配置第L个隐含层节点参数，并使其满足δ
L
>0，δ
L
表达形式如下：其中，参数0<r<1,{μ
L
}为非负实数序列，μ
L
≤(1-r),随着随机配置的隐含...

【专利技术属性】
技术研发人员：孙平，王子健，王殿辉，王硕玉，李树江，谢静，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：