一种基于动态臂力估计的人机协作方法技术

技术编号:35858558 阅读:13 留言:0更新日期:2022-12-07 10:46
本发明专利技术公开了一种基于动态臂力估计的人机协作方法。本发明专利技术方法包括步骤:采集手臂多个位置上的表面肌电信号sEMG;对多个sEMG进行自适应幅值提取;然后对多个通道的sEMG幅值进行自适应平滑处理;将平滑后的多个通道的sEMG幅值通过融合神经网络对多个通道的sEMG幅值依此进行延时补偿、通道融合、时序捕捉,得到对应多个通道的sEMG幅值的融合特征,然后将融合特征输入估计神经网络,获得融合特征与操作员臂力的映射关系;根据映射关系进行协作控制,驱动协作机械臂做出协作动作。本发明专利技术相比现有技术,能同时解决表面肌电信号的延时、多通道融合、特征时序关系捕捉这三个人机协同的瓶颈,实现低延时高精度的人机协作效果。实现低延时高精度的人机协作效果。实现低延时高精度的人机协作效果。

【技术实现步骤摘要】
一种基于动态臂力估计的人机协作方法


[0001]本专利技术属于人机协同设备智能控制的
,具体涉及一种基于动态臂力估计的人机协作方法。

技术介绍

[0002]对于工业应用中的物理人机交互场景来说,基于表面肌电信号(sEMG)的意图识别相对于视觉,力传感器等意图识别方式,具有不受应用场景的限制、高柔性、高适应性、低系统复杂性的优点,因此受到研究者们的广泛关注。
[0003]目前,对于建立sEMG与机器人动态臂力的关系,包括通过系统辨识的方式建立了每个通道sEMG与输出力的模型、基于角度的肌电幅值校准和并行级联辨识相结合的方式用于估计动态收缩时肘关节在腕部产生的力、利用长短时记忆网络(LSTM)建立了前后三角肌与水平力之间的映射关系。
[0004]但是,当前的方法只关注单个方向或单个关节的力估计,应用到复杂人机协作场景存在很多挑战。影响力估计效果的瓶颈问题在于sEMG幅值估计方法的稳定性,臂力估计过程中的sEMG延时问题,多个通道sEMG融合问题以及sEMG特征的时序关系的捕捉问题。
[0005]目前,虽然存在利用并行级联模型捕捉肌电延时、利用广义典型相关分析建立了一种实时特征提取与融合模型、利用线性回归方法对多个通道sEMG信号进行加权并使用递归神经网络捕捉融合特征间的时间信息三类技术方案。然而,到目前为止没有一种方案能够同时解决sEMG延时、多个通道sEMG融合以及sEMG特征的时序关系捕捉问题的方法。
[0006]此外,现有的sEMG幅值估计方法只是利用经验法确定了幅值估计的时间窗口长度,而基于经验的方法通常很难保证技术方案的再现性;另一方面,目前标准化的幅值估计方法,是基于非因果迭代学习的幅值估计方法,非因果迭代学习意味着要利用未来的肌电数据估计当前时刻的幅值,因而只适合于离线分析,无法适应在线实时人机协作过程。

技术实现思路

[0007]为了克服现有技术存在的一个或者多个缺陷与不足,本专利技术的目的在于提供一种基于动态臂力估计的人机协作方法,用于在实时的人机协作下同时解决sEMG延时、多个通道sEMG融合以及sEMG特征的时序关系捕捉问题。
[0008]为了达到上述目的,本专利技术采用以下的技术方案。
[0009]一种基于动态臂力估计的人机协作方法,包括步骤如下:
[0010]采集人机协作中操作员在执行设定动作时手臂多个位置上的表面肌电信号sEMG、角度信号、对协作机械臂施加的力度信号,将sEMG、角度信号、力度信号输入数据信号处理系统进行后续的处理;
[0011]对多个sEMG进行自适应幅值提取,得到相应多个通道的sEMG幅值;然后对多个通道的sEMG幅值进行自适应平滑处理,得到平滑后的多个通道的sEMG幅值;
[0012]将平滑后的多个通道的sEMG幅值作为输入,通过融合神经网络对多个通道的sEMG
幅值依此进行延时补偿、通道融合、时序捕捉,得到对应多个通道的sEMG幅值的融合特征;然后将融合特征输入估计神经网络,获得融合特征与操作员臂力的映射关系,实现从多个通道的sEMG幅值对操作员臂力的估计;
[0013]数据信号处理系统根据对操作员臂力的估计进行协作控制,得到与操作员设定动作相配合的协作,然后驱动协作机械臂做出协作动作。
[0014]优选地,对多个sEMG进行自适应幅值提取的步骤如下:
[0015]构建sEMG幅值的提取窗口,得到提取窗口的长度的迭代公式;根据基于信息熵的迭代收敛准则,对提取窗口的长度进行迭代,在满足迭代收敛准则时提取窗口的长度为最优;
[0016]获得最优的提取窗口的长度后,使用最优的提取窗口对sEMG幅值进行自适应提取,得到自适应的多个通道的sEMG幅值。
[0017]优选地,提取窗口的长度的迭代公式为:
[0018][0019]其中,M
k
表示提取窗口的长度,α为整流器系数,v为重线性化系数,ω
k
为k时刻自适应的sEMG幅值,A
k
为sEMG的幅值的一阶导数、B
k
为sEMG的幅值的二阶导数,Γ(
·
)表示欧拉伽马函数。
[0020]进一步地,基于信息熵的迭代收敛准则为:
[0021][0022]其中,H(S
k
)表示基于信息熵的迭代收敛准则,)表示基于信息熵的迭代收敛准则,S
k
表示sEMG幅值s
k
在当前迭代次数下提取窗口长度M
k
的平均值,p(S
k
)表示迭代次数下具有M
k
阶自由度的卡方分布概率密度函数χ2(
·
)。
[0023]优选地,进行自适应平滑处理的步骤如下:
[0024]采用分形维数D评估自适应幅值提取后多个通道的sEMG幅值的包络的跳动程度;
[0025]构建指数衰减函数ε与分形维数D的关系,根据粒子群优化算法获取指数衰减函数ε中最优的衰减因子A;
[0026]采用包含最优的衰减因子A的指数衰减函数ε对自适应幅值提取后多个通道的sEMG幅值的包络进行平滑。
[0027]进一步地,分形维数D的计算如下式所示:
[0028][0029]而:
[0030][0031][0032]其中,N(Δ)、N(2Δ)分别表示用宽度为Δ、2Δ的网格覆盖sEMG幅值包络时所需的网格数,l表示在设定的采样周期内所采集的sEMG信号的样本量,ω
i
表示在设定的采样周期内的第i时刻的sEMG幅值包络。
[0033]再进一步地,指数衰减函数ε与分形维数D关系如下式所示:
[0034]ε=e

AD
[0035]对sEMG幅值的包络进行平滑如下式所示:
[0036][0037]其中,为第k时刻的sEMG幅值特征。
[0038]优选地,融合神经网络包括依次连接的延时补偿模块、通道融合模块、时序捕捉模块;融合神经网络以平滑后多个通道的sEMG幅值作为输入,输出为对应的融合特征;
[0039]延时补偿模块用于对经过自适应平滑处理后的多个通道的sEMG幅值进行延时补偿;
[0040]通道融合模块用于将经过延时补偿的多个通道的sEMG幅值进行融合,获得相应的融合特征;
[0041]时序捕捉模块用于分析融合特征之间的时序关系,输出具有时序关系的融合特征。
[0042]进一步地,估计神经网络包括相互连接的长短时记忆网络与注意力机制网络;
[0043]长短时记忆网络以具有时序关系的融合特征作为输入,长短时记忆网络输出具有强化时序关系的融合特征;
[0044]注意力机制网络以强化时序关系的融合特征作为输入,输出为估计的臂力,从而将多个通道的sEMG幅值映射到操作员的臂力上,实现臂力估计。
[0045]优选地,协作控制具体采用PD速度控制、分段速度控制两种方式计算位移量,PD速度控制、分段速度控本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于动态臂力估计的人机协作方法,其特征在于,包括步骤如下:采集人机协作中操作员在执行设定动作时手臂多个位置上的表面肌电信号sEMG、角度信号、对协作机械臂施加的力度信号,将sEMG、角度信号、力度信号输入数据信号处理系统进行后续的处理;对多个sEMG进行自适应幅值提取,得到相应多个通道的sEMG幅值;然后对多个通道的sEMG幅值进行自适应平滑处理,得到平滑后的多个通道的sEMG幅值;将平滑后的多个通道的sEMG幅值作为输入,通过融合神经网络对多个通道的sEMG幅值依此进行延时补偿、通道融合、时序捕捉,得到对应多个通道的sEMG幅值的融合特征;然后将融合特征输入估计神经网络,获得融合特征与操作员臂力的映射关系,实现从多个通道的sEMG幅值对操作员臂力的估计;数据信号处理系统根据对操作员臂力的估计进行协作控制,得到与操作员设定动作相配合的协作,然后驱动协作机械臂做出协作动作。2.根据权利要求1所述基于动态臂力估计的人机协作方法,其特征在于,对多个sEMG进行自适应幅值提取的步骤如下:构建sEMG幅值的提取窗口,得到提取窗口的长度的迭代公式;根据基于信息熵的迭代收敛准则,对提取窗口的长度进行迭代,在满足迭代收敛准则时提取窗口的长度为最优;获得最优的提取窗口的长度后,使用最优的提取窗口对sEMG幅值进行自适应提取,得到自适应的多个通道的sEMG幅值。3.根据权利要求1所述基于动态臂力估计的人机协作方法,其特征在于,所述提取窗口的长度的迭代公式为:其中,M
k
表示提取窗口的长度,α为整流器系数,v为重线性化系数,ω
k
为k时刻自适应的sEMG幅值,A
k
为sEMG的幅值的一阶导数、B
k
为sEMG的幅值的二阶导数,Γ(
·
)表示欧拉伽马函数。4.根据权利要求3所述基于动态臂力估计的人机协作方法,其特征在于,所述基于信息熵的迭代收敛准则为:其中,H(S
k
)表示基于信息熵的迭代收敛准则,)表示基于信息熵的迭代收敛准则,S
k
表示sEMG幅值s
k
在当前迭代次数下提取窗口长度M
k
的平均值,p(S
k
)表示迭代次数下具有
M
k
阶自由度的卡方分布概率密度函数χ2(
·
)。5.根据权利要求1所述基于动态臂力估计的人机协作方法,其特征...

【专利技术属性】
技术研发人员:张铁初虎波邹焱飚孙韩磊
申请(专利权)人:华南理工大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1