基于人体动态臂力估计模型的人-机器人协同控制方法技术

本发明专利技术提供了基于人体动态臂力估计模型的人‑机器人协同控制方法，包括以下步骤：采用小波滤波算法对采集的上肢肌肉及转角数据进行去噪处理，去除原始数据中的高斯白噪声；采用改进的均方根滤波器提取去噪后肌电信号的幅值信息，并通过离散低通滤波器进行平滑处理；基于深度学习算法，获得肌电信号与关节转动的关系，建立关节转动补偿模型，并将基于关节转动补偿模型获得的关节转动等效肌电信号与提取的肌电信号幅值信息进行数据融合；将数据融合后的肌电信号作为输入，手臂力量信息作为输出，采用长短时记忆神经网络训练人体动态臂力估计模型；最后依据估计得到的手臂力量结合PD控制算法，调节机器人位移，最终实现人与机器人的协同操作。

【技术实现步骤摘要】
基于人体动态臂力估计模型的人-机器人协同控制方法
本专利技术属于人机交互领域和人工智能领域，具体涉及基于人体动态臂力估计模型的人-机器人协同控制方法。
技术介绍
由于人机协作相较于机器人独立工作具有更高的灵活性，人与机器人间的关系在今后将更加紧密，人与机器人将实现信息共享，共同完成复杂任务。目前一个被广泛应用的人机交互接口就是力传感器，通过力传感器采集人类导师的肌肉力量信息，控制机器人实现人类导师的意图(Agravante,D.J.,Cherubini,A.,Bussy,A.,Gergondet,P.,&Kheddar,A.(2014).CollaborativeHuman-HumanoidCarryingUsingVisionandHapticSensing.2014IEEEInternationalConferenceonRoboticsandAutomation(ICRA),607-612.)。然而，力传感器容易受到交互环境以及操作空间的制约，完全依赖力传感器获取人类的肌肉力量信息的方法不切实际。随着科学工作者对人体生物信号的深入研究，发现人体肌电信号携带有大量人类的运动信息，对于建立新型的人机协作接口具有可行性。2014年，LukaPeternel等人借助肌电信号在线学习人类导师的运动轨迹和运动频率，机器人在自主阶段周期性地使用所学的运动信息完成特定任务(Peternel,L.,Petric,T.,Oztop,E.,&Babic,J.(2014).Teachingrobotstocooperatewithhumansindynamicmanipulationtasksbasedonmulti-modalhuman-in-the-loopapproach.AutonomousRobots,36(1-2),123-136.)。2017年，LukaPeternel等人又通过肌电信号将估计的人类运动刚度集成到机器人混合控制器，实现人机协同锯切、紧固螺栓等任务。2019年，JosephDelPreto等人通过上肢肌肉的肌电信号估计手臂刚度，通过完成人机协作搬运和装配任务。此外，这种利用肌电信号作为媒介提出的人类技能传递方法还被应用于手术医疗、康复训练等领域。目前常见的基于肌电信号的人机协作接口框架大多是通过监测人类导师肌电信号的变化估计手臂的刚度，并将估计刚度映射到机器人阻抗控制器的方法。然而，上述人机协作接口中并没有对估计刚度的精度进行标定，这种模型接口包含人类导师的行为信息低于力传感器的人机交互接口，限制了后期复杂模型的应用。因此设计一种估计人类导师肌肉力量的模型代替传统的力传感器对于人机协作技术的发展具有重要意义。当前基于肌电信号对肌肉力量的估计主要以等距收缩为主，动态收缩的肌肉力量估计更为复杂，需要与肌肉动力学模型相结合，同时兼顾生理和非生理因素影响。研究表明，关节角度不但包含收缩类型、肌肉长度、肌肉力臂等信息，而且还会影响肌电信号的频谱及其振幅间的关系，因此考虑关节角度能够有效降低估计模型的复杂程度(Roman-Liu,D.,&Bartuzi,P.(2013).TheinfluenceofwristpostureonthetimeandfrequencyEMGsignalmeasuresofforearmmuscles.Gait&Posture,37(3).)。2007年，FaridMobasser利用与肘关节转动有关的上臂肌肉的肌电信号和肘关节角位置和速度等信息采用快速正交搜索(FOS)方法，研究了在等距、等张和轻载三种操作条件下肘关节力估算，但受备选基函数的限制，动态肌肉力量的估计精度不高。2015年，JavadHashemi通过引入关节角度影响因子来校准并行串联辨识模型(PCI)，实现肘关节在一定角度范围内的肌肉力估计。PCI模型同时考虑了估计模型的动态与非线性，是目前较为优秀的肌肉力量估计模型，但对于关节角度的影响采用插值拟合方式，忽略了关节角度与肌电信号的非线性关系，因此动态关节力估计精度较等距收缩预测精度差距明显。虽然科学工作者们验证了关节角度对动态肌肉力量估计的积极作用，但由于关节角度对关节力的影响过于复杂，仍需要进行深入研究。此外肌肉力量估计模型的延迟问题也是制约其在人机协作领域应用的一个重要问题。研究表明，肌电信号的滤波过程是造成肌肉力量估计延迟的主要原因。JavadHashemi采用移动窗口长度为400(400ms，0.6Hz)的平均滤波器对原始肌电信号进行处理，信号处理过程延迟约150ms，PCI模型计算过程延迟约20ms，因此估计的肌肉力量产生了约170ms的延迟现象。肌电信号信号处理过程中方法的选择既决定了特征信息的保留程度，又影响了特征提取的实时性，需深入研究。
技术实现思路
本专利技术的目的是提供一种基于人体动态臂力估计模型的人-机器人协同控制方法，旨在借助人体肌电信号，快速、便捷地获取人体的手臂力量，传递人来导师的运动意图，实现人与机器人的协同操作。本专利技术通过引入遗忘参数对特征提取方法进行优化；构建关节转动和肌电信号的深度学习模型使提取的肌电信号包含最少的关节旋转信息。采用与手臂力量相关的PD控制算法，依据人类的本能反应去控制机器人协同运动。该方法发挥了人和机器人的各自优势，利用机器人的超强体力，让机器人承担大部分的体力劳动，而利用人类导师自身的感知能力，为机器人提供指导。本专利技术至少通过如下技术方案之一实现。基于人体动态臂力估计模型的人-机器人协同控制方法，该方法主要包括信号采集及去噪、信号特征提取、人体动态臂力估计和人-机器人协同控制，分别对应如下步骤：步骤1、采集手臂表面肌电信号、关节转角以及手臂力量信息为人体动态臂力估计模型的训练数据，并对训练数据进行预处理；步骤2、采用改进的均方根滤波器提取去噪后肌电信号的幅值信息，并采用离散低通滤波器进行平滑处理；步骤3、基于深度学习算法，获得肌电信号与关节转动的关系，建立关节转动补偿模型，并将关节转动补偿模型获得的关节转动等效肌电信号与提取的肌电信号幅值信息进行数据融合，将数据融合后的肌电信号作为长短时记忆神经网络的输入，手臂力量信息作为输出，采用长短时记忆神经网络训练人体动态臂力估计模型，以估计得到人体手臂力量；步骤4、依据动态臂力估计模型估计得到的手臂力量结合PD控制算法，调节机器人位移，最终实现人与机器人的协同操作。优选的，所述关节转动补偿模型采用RBF神经网络。优选的，所述训练数据具体包括三角肌前部、中部、后部和肱二头肌、肱三头肌的表面肌电信号，肩关节与肘关节的关节转角以及手臂力量信息。优选的，所述预处理具体是采用小波滤波算法对采集的数据进行去噪处理，去除原始数据中的高斯白噪声。优选的，步骤1中，所述小波滤波算法采用6阶Daubechies基函数，软阈值处理。优选的，所述改进的均方根滤波器表达式为：式中，η为遗忘因子，Eraw[m]为第m个小波滤波后的肌电信号，ERMS[i]为第i个经改进均方根滤波处理本文档来自技高网...

【技术保护点】
1.基于人体动态臂力估计模型的人-机器人协同控制方法，其特征在于，该方法主要包括信号采集及去噪、信号特征提取、人体动态臂力估计和人-机器人协同控制，分别对应如下步骤：/n步骤1、采集手臂表面肌电信号、关节转角以及手臂力量信息为人体动态臂力估计模型的训练数据，并对训练数据进行预处理；/n步骤2、采用改进的均方根滤波器提取去噪后肌电信号的幅值信息，并采用离散低通滤波器进行平滑处理；/n步骤3、基于深度学习算法，获得肌电信号与关节转动的关系，建立关节转动补偿模型，并将关节转动补偿模型获得的关节转动等效肌电信号与提取的肌电信号幅值信息进行数据融合，将数据融合后的肌电信号作为长短时记忆神经网络的输入，手臂力量信息作为输出，采用长短时记忆神经网络训练人体动态臂力估计模型，以估计得到人体手臂力量；/n步骤4、依据动态臂力估计模型估计得到的手臂力量结合PD控制算法，调节机器人位移，最终实现人与机器人的协同操作。/n

【技术特征摘要】
1.基于人体动态臂力估计模型的人-机器人协同控制方法，其特征在于，该方法主要包括信号采集及去噪、信号特征提取、人体动态臂力估计和人-机器人协同控制，分别对应如下步骤：
步骤1、采集手臂表面肌电信号、关节转角以及手臂力量信息为人体动态臂力估计模型的训练数据，并对训练数据进行预处理；
步骤2、采用改进的均方根滤波器提取去噪后肌电信号的幅值信息，并采用离散低通滤波器进行平滑处理；
步骤3、基于深度学习算法，获得肌电信号与关节转动的关系，建立关节转动补偿模型，并将关节转动补偿模型获得的关节转动等效肌电信号与提取的肌电信号幅值信息进行数据融合，将数据融合后的肌电信号作为长短时记忆神经网络的输入，手臂力量信息作为输出，采用长短时记忆神经网络训练人体动态臂力估计模型，以估计得到人体手臂力量；
步骤4、依据动态臂力估计模型估计得到的手臂力量结合PD控制算法，调节机器人位移，最终实现人与机器人的协同操作。


2.根据权利要求1所述的基于人体动态臂力估计模型的人-机器人协同控制方法，其特征在于，所述关节转动补偿模型采用RBF神经网络。


3.根据权利要求2所述的基于人体动态臂力估计模型的人-机器人协同控制方法，其特征在于，所述训练数据具体包括三角肌前部、中部、后部和肱二头肌、肱三头肌的表面肌电信号，肩关节与肘关节的关节转角以及手臂力量信息。


4.根据权利要求3所述的基于人体动态臂力估计模型的人-机器人协同控制方法，其特征在于，所述预处理具体是采用小波滤波算法对采集的数据进行去噪处理，去除原始数据中的高斯白噪声。


5.根据权利要求4所述的基于人体动态臂力估计模型的人-机器人协同控制方法，其特征在于，步骤1中，所述小波滤波算法采用6阶Daubechies基函数，软阈值处理。


6.根据权利要求5所述的基于人体动态臂力估计模型的人-机器人协同控制方法，其特征在于，所述改进的均方根滤波器表达式为：



式中，η为遗忘因子，Eraw[m]为第m个小波滤波后的肌电信号，ERMS[i]为第i个经改进均方根滤波处理的肌电信号,N为滤波器滑动窗口大小。


7.根据权利要求6所述的基于人体动态臂力估计模型的人-机器人协同控制方法，其特征在于，步骤2包...

【专利技术属性】
技术研发人员：张铁，孙韩磊，邹焱飚，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44