基于自适应振荡器的助行器连续步态相位估计控制方法技术

本发明专利技术公开了一种助行器连续步态相位估计控制方法，特别是一种基于自适应振荡器的助行器连续步态相位估计控制方法，采用AOs算法模型，加速收敛模块，步态相位估计检测模块，步态事件对齐模块和助力控制模块；AOs模型由一组以ω(t)为基频的Hopf振荡器单元组成；加速收敛模块加快AO算法在周期和类周期步态信号下收敛速度；步态相位估计检测模块提供一种AOs算法步态相位估计失败的检测方法和应对机制；步态事件对齐模块提出AOs估计出的相位与步态事件对应的平滑解决方法；助力控制模块根据当前估计出的步态相位来提供预先定义好的助力值。本发明专利技术解决了“助行器的助力控制更好的适应日常活动”的技术问题。保证助行器助力的安全可靠性。的安全可靠性。的安全可靠性。

【技术实现步骤摘要】
基于自适应振荡器的助行器连续步态相位估计控制方法


[0001]本专利技术涉及一种助行器连续步态相位估计控制方法，特别是一种基于自适应振荡器的助行器连续步态相位估计控制方法。

技术介绍

[0002]借助穿戴式外骨骼机器人来辅助老年人或脑卒中患者实现步行锻炼、康复训练，改善其步行能力，是治疗该类群体运动功能衰退或者障碍的有效手段。采用下肢关节助力的外骨骼辅助锻炼、训练方式可以补偿步行运动过程中下肢欠缺的关节驱动力，同时保障运动过程的安全。
[0003]目前国内外对于助行器助力控制策略的研究主要可分为三种思路：其一，基于有限状态机(Finite State Machine，FSM)的方法，通过状态转移条件对离散的步态事件(如摆动相、支撑相)进行切换，在每个步态事件中采用相应的助力控制策略，譬如专利号为CN202011088505.X的专利使用大腿侧的IMU检测足跟离地的时刻；专利号为CN201310009489.4的专利使用下肢关节信息判断摆动相和支撑相。其二，基于振荡器(Oscillators)对步态进行整周期截取，并对每个周期进行从0
‑
100％的步态相位占比识别。其三，基于大数据的机器学习方法，估计出步态的相位值。三种方法均通过采集当前步行人体运动学数据，并经过处理得到助力控制量对助行器进行髋关节助力控制。
[0004]但是，使用广泛的FSM助力控制方法，必须预先掌握助行器的所有状态，根据传感器判断目前所处状态，提供助力控制，一旦出现未知的状态发生，算法就会错乱导致安全问题；最先进的机器学习方法，需要采集大量的涵盖所有使用场景的数据，并且模型属于黑盒子，无法从理论上进行解释。具有诸多优势的振荡器算法基本有自适应振荡器(Adaptive Oscillators AOs)和相角振荡器(Phase Oscillator PO)两类，PO通过步态角度和角速度进行相位估计，但是其获得的相角具有较大的非线性畸变，用于助行的过程会造成不适，并且在人体下肢角度为0的过程中存在抖动问题。AOs属于一种迭代算法，能够预测人体的周期和类周期性运动，但是存在非周期运动下存在难以收敛，周期性下存在收敛速度较慢的情况；其次AOs容易收敛到与步态周期成倍数的周期信号分量中；AOs在人体运动过程中从一个类周期/周期运动转换到另一个不同频率的类周期/周期运动过程中会产生无法收敛或者收敛错乱的情况；最后AOs获取的步态相位与实际的人体运动状态存在一定的随机偏移，该随机偏移量无法提前预知。

技术实现思路

[0005]本专利技术的目的是为了解决上述现有技术的不足而提供一种基于自适应振荡器的助行器连续步态相位估计控制方法。
[0006]具体为，本控制方法采用AOs算法模型，加速收敛模块，步态相位估计检测模块，步态事件对齐模块和助力控制模块。
[0007]AOs模型由一组以ω(t)为基频的Hopf振荡器(HO)单元组成，公式如下：
[0008][0009]μ为振荡器的幅值，ω为振荡器频率特征，x和y分别为振荡器在笛卡尔坐标系下的坐标值，为振荡器外部的周期性的输入，ν为对应的耦合系数。当外部的θ(t)频率与振荡器的频率一致时，发生类似“共振”的现象，坐标(x,y)将会持续的以ω为角速度围绕着原点进行运动震荡。
[0010]将周期输入信号看作是周期输入信号看作是为保证振荡器能够具备与外部干扰同步的能力，即引入了新的状态变量ω(t)至Hopf振荡器中形成自适应HO振荡器，引入反馈，以便振荡器与任何周期输入信号发生“共振”。同时为了实现HO对输入信号幅值和相位的同步/收敛，也引入对应的状态变量α(t),至HO中。HO振荡器的输出表示为
[0011][0012]其中，对应HO的相位，对应Hopf振荡器的幅值。是输入步态信号θ
r
(t)与振荡器同步输出的误差，作为反馈量。ν
ω
,v
η
代表AOs模型中的反馈学习参数，决定了AOs模型同步输入信号的收敛速度。上述反馈控制能够保证，在有限时间内，振荡器的状态变量ω,α能够收敛到外部耦合输入信号的参数
[0013]采用多个上述自适应HO振荡器单元形成振荡池，即AOs算法。AOs中每个HO振荡器包含幅值α(t)，频率iω(t)和相位三个状态参数，其中i为HO振荡器的序号，若振荡器数量为n，则i＝0...n
‑
1。通过学习输入周期和类周期信号的特征，AO具有动态的同步输入信号的能力：
[0014][0015]其中，是输入步态信号与振荡器同步输出θ(t)的误差，作为反馈量。
[0016][0016][0017]加速收敛模块用于改善AO算法在周期和类周期步态信号下收敛速度慢的问题。其动态地实时地估计输入步态信号的周期，据此设置AOs算法的学习参数到最优值，实现更加
快速的收敛速度。
[0018]为简化分析，考虑自适应HO振荡器公式(2)，
[0019][0020]假设AOs已经接近了稳定值，即收敛到输入信号的特征：得到：
[0021][0022]有
[0023][0024]将e(t)代入公式(2)，可以得到输入输出的状态方程，输入为输出为ω,α：
[0025][0026]其中，
[0027][0028]B
ω
＝[1 0 0 0]T
[0029][0030][0031][0032]假设此时HO振荡器已经接近收敛值，则假设此时HO振荡器已经接近收敛值，则采用平均原理averaging technique简化公式(7)的结果得到：
[0033][0034][0035][0036]HO自适应振荡器的幅值传递函数为：
[0037][0038]传递函数的时间常数为：
[0039]τ
α
＝2/η
ꢀꢀ
(10)
[0040]η越大，时间常数越小，收敛速度越快。
[0041]HO自适应振荡器的频率传递函数为：
[0042][0043]选择
[0044][0045]上式(11)可以简化为
[0046][0047]阶跃响应常数为
[0048][0049]根据反馈学习参数与收敛时间常数的关系式(10)，(12)，(14)，可以寻找最优的学习参数来实现期望的收敛时间τ
ω
和τ
α
。理论上，在保证收敛条件下收敛时间常数τ
ω
和τ
α
越小越好。由于引入了两个假设前提，1.假设AOs已经接近了稳定值，即收敛到输入信号的特征；2.简化为的平均假设。上述关系式存在一定的误差。在实践中，发现收敛常数在0.2T≤τ
α
≤5T，0.2T≤τ
ω
≤5T，上式还是能较好的符合AOs收敛特性，且能成功收敛到外部信号的特征。因此取τ
α
＝0.2T,τ
ω
＝0.2T。
[0050]最终推导出的最优学习参数如下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应振荡器的助行器连续步态相位估计控制方法，其特征是包括采用AOs算法模型，加速收敛模块，步态相位估计检测模块，步态事件对齐模块和助力控制模块；其中，AOs模型由一组以ω(t)为基频的Hopf振荡器单元组成，公式如下：其中，μ为振荡器的幅值，ω为振荡器频率特征，x和y分别为振荡器在笛卡尔坐标系下的坐标值，为振荡器外部的周期性的输入，v为对应的耦合系数；当外部的θ(t)频率与振荡器的频率一致时，发生类似“共振”的现象，坐标(x,y)将会持续的以ω为角速度围绕着原点进行运动震荡；将周期输入信号看作是为保证振荡器能够具备与外部干扰同步的能力，即引入了新的状态变量ω(t)至Hopf振荡器中形成自适应Hopf振荡器，引入反馈，以便振荡器与任何周期输入信号发生“共振”；同时为了实现Hopf振荡器对输入信号幅值和相位的同步/收敛，也引入对应的状态变量至Hopf振荡器中；Hopf振荡器的输出表示为中；Hopf振荡器的输出表示为其中，对应Hopf振荡器的相位，对应Hopf振荡器的幅值，是输入步态信号θ
r
(t)与振荡器同步输出的误差，作为反馈量，v
ω
,v
η
代表AOs模型中的反馈学习参数，决定了AOs模型同步输入信号的收敛速度；上述反馈控制能够保证，在有限时间内，振荡器的状态变量ω,α能够收敛到外部耦合输入信号的参数采用多个上述自适应Hopf振荡器单元形成振荡池，即AOs算法；AOs中每个Hopf振荡器包含幅值α(t)，频率iω(t)和相位三个状态参数，其中i为Hopf振荡器的序号，若振荡器数量为n，则i＝0...n
‑
1；通过学习输入周期和类周期信号的特征，AO具有动态的同步输入信号的能力：其中，是输入步态信号与振荡器同步输出的误差，作为反馈量；
其中，加速收敛模块动态地实时地估计输入步态信号的周期，据此设置AOs算法的学习参数到最优值以实现更加快速的收敛速度，具体的，为简化分析，考虑自适应HO振荡器公式(2)，假设AOs已经接近了稳定值，即收敛到输入信号的特征：得到：有将e(t)代入公式(2)，可以得到输入输出的状态方程，输入为输出为ω,α：其中，其中，B
ω
＝[1 0 0 0]
TTT
假设此时Hopf振荡器已经接近收敛值，则假设此时Hopf振荡器已经接近收敛值，则采用平均原理averaging technique简化公式(7)的结果得到：
Hopf自适应振荡器的幅值传递函数为：传递函数的时间常数为：τ
α
＝2/η
ꢀꢀꢀꢀ
(10)其中，η越大，时间常数越小，收敛速度越快；Hopf自适应振荡器的频率传递函数为：选择上式(11)简化为：...

【专利技术属性】
技术研发人员：徐铃辉，杨巍，陈玉婷，余林繁，颜泽皓，夏庆超，杨灿军，
申请(专利权)人：浙大宁波理工学院，
类型：发明
国别省市：