兼具柔順與安全的助行機器人運動控制研究

徐文霞 黃劍 晏箐陽 王永驥 陶春靜

兼具柔順與安全的助行機器人運動控制研究

徐文霞1黃劍1晏箐陽1王永驥1陶春靜2

針對助行機器人的柔順性和安全性問題,基于多傳感器系統(tǒng)融合技術(shù),本文提出了一種能夠兼具柔順與安全的助行機器人運動控制方法.首先介紹了助行機器人的機械結(jié)構(gòu)、控制原理以及多傳感器系統(tǒng),然后根據(jù)機器人多傳感器系統(tǒng),設(shè)計出各傳感器相對應的用戶意圖估計方法,提出了一種基于多傳感器融合的助行機器人柔順運動控制算法.分析用戶可能發(fā)生的跌倒模式,使用基于卡爾曼濾波(Kalman flter,KF)的序貫概率比檢驗(Sequential probability ratio test,SPRT)方法和決策函數(shù)來判斷用戶是否會跌倒,并判斷處于哪種跌倒模式.最后,通過助行機器人柔順運動控制實驗和用戶跌倒檢測實驗驗證了算法的有效性.

助行機器人,跌倒檢測,力傳感器,激光傳感器,柔順性

DOI10.16383/j.aas.2016.c160163

由于社會的發(fā)展和人類平均年齡的延長,老年人的人口數(shù)量不斷增長,我國已逐漸開始進入老齡化社會.許多老年人或者殘疾人都面臨著一些下肢功能障礙的問題,因此在日常生活中,他們需要一些輔助助行設(shè)備或者專業(yè)的看護人員來幫助他們.但是由于聘請專業(yè)看護人員成本較高,而且目前專業(yè)看護人員處于緊缺狀態(tài),所以那些能幫助老年人或者殘疾人行走,以及滿足他們?nèi)粘Ｉ钚枰闹袡C器人成為了機器人研究領(lǐng)域的熱點問題[1?3].

對于助行類機器人來說,人是助行機器人的操控者.人在使用助行類機器人時,希望能夠舒適地操作機器人,即機器人能夠順從人對機器人產(chǎn)生的作用力,順應人的行走意圖.也就是說機器人應該具備一定的柔順性,于是柔順控制是助行機器人相關(guān)研究中非常重要的一個問題.目前機器人研究中的柔順性主要分為主動柔順性和被動柔順性.主動柔順性是指采用一些控制算法來主動控制外部作用力來實現(xiàn)柔順性.被動柔順性是指通過設(shè)計一些輔助的機械結(jié)構(gòu)來實現(xiàn)對外部作用力的順從[4].被動柔順控制存在著一定的問題,而且應用范圍受到限制[5],所以目前主動柔順控制為柔順控制的主要研究方向.

目前機器人柔順控制的研究主要集中在機械臂和多足機器人的研究中,關(guān)于助行類機器人的柔順控制研究較少.Shibata等[6]將人在推電動輪椅時的手臂看作一個虛擬阻尼器,計算其虛擬阻抗,采用阻抗控制來實現(xiàn)推輪椅這個動作時的柔順性.Katsura等[7]使用一個反應力矩觀測器來觀測環(huán)境在平移和旋轉(zhuǎn)兩個方向上的干擾,將自適應力控制算法應用在這兩個方向上的控制中,實現(xiàn)人在推動電動輪椅時的對偶柔順控制.這些主要是輪椅機器人運動控制中的柔順控制研究.對于助行機器人來說,柔順控制的目標是機器人能夠在正常行走過程中順應用戶的運動意圖.傳統(tǒng)的助行機器人主要使用力傳感器來得到用戶的運動意圖[8],但是人的行走實際上是通過上肢和下肢的協(xié)調(diào)產(chǎn)生出來的一種動作[9]. Stephenson等[10]指出高度中風病人還保留著上肢和下肢的協(xié)調(diào)能力,所以在恢復訓練的時候,增加滑動的手柄會幫助病人的恢復.Suzuki等[11]提出了一種由穿戴式設(shè)備和杖式助行器組成的助行系統(tǒng),幫助偏癱病人的行走恢復訓練.因此在估計人的行走意圖的時候,下肢所表現(xiàn)出來的運動意圖也應該被考慮進去.目前針對上肢獲得運動意圖的肢康復機器人是面向手臂康復進行運動控制[12?14],并不是獲得行走中的運動意圖,而輪式助行機器人中還沒有出現(xiàn)對上肢和下肢動作的研究.本文使用激光測距儀和力傳感器結(jié)合的方法,通過力傳感器得到用戶上肢的運動意圖,通過激光測距儀得到用戶下肢的運動意圖.然后采用融合技術(shù),得到更加準確的用戶運動意圖,讓用戶能夠釋放一部分推助行機器人的力量,并且感覺機器人是跟隨人的運動,而不是人在推著機器人運動,提高助行機器人的柔順性.

助行機器人的另外一個重要特性就是安全性,即保障用戶在使用助行機器人過程中的安全.老年人或者殘疾人在使用助行機器人時最常發(fā)生的危險就是跌倒,因此跌倒檢測算法及跌倒防護策略在助行機器人的控制中就顯得尤為重要.目前,跌倒檢測主要有三種方法:1)通過圖像檢測[15];2)通過對周圍環(huán)境的感知[16];3)通過穿戴式傳感器檢測[17?18].使用圖像檢測跌倒的方法主要是將攝像頭安裝在實驗環(huán)境中,采用圖像處理算法檢測人是否跌倒.Wu[19]通過研究發(fā)現(xiàn),人在跌倒的時候垂直方向和水平方向的速度要比其他的受控動作快3倍,并且跌倒時速度的振幅都相同,反之在受控動作中速度的振幅在垂直和水平方向上是不同的.這種方法的優(yōu)點是不需要穿戴任何設(shè)備,缺點是圖像處理的算法比較復雜,而且在圖像處理過程中受到光線和噪音的影響,會降低檢測準確率.對于通過對周圍環(huán)境的感知的方法,通常是將紅外傳感器或者聲音傳感器安裝在所處的環(huán)境中來檢測是否有跌倒的發(fā)生.如Litvak等[16]基于地板震動和聲音,使用模式識別算法來區(qū)別人跌倒和一些其他物體的掉落,準確率高達95%.這類方法的優(yōu)點是成本低廉,實施起來比較方便,也不需要穿戴任何設(shè)備,缺點是只能用于已安裝傳感器的環(huán)境中.最近幾十年,已經(jīng)有很多學者提出了關(guān)于穿戴傳感器的跌倒檢測方法, Williams等[20]研制出一種設(shè)備來探測地面對于加速度計的影響,使用一個傾度傳感器來監(jiān)測人是否處于一個平衡的位置.Degen等[21]研制了一個內(nèi)置加速度計的腕表,加速度的振幅用于跌倒檢測.這種基于穿戴式傳感器的檢測方法的優(yōu)點是成本低廉,并且沒有使用環(huán)境范圍的限制,缺點是需要提前穿戴傳感器裝置.

對于助行機器人來說,使用的前提就是要能夠保障用戶的安全.這種安全不僅僅是指使用過程中的安全,也包括當用戶發(fā)生危險時,機器人應該做出相應的行動來保障使用者的安全.而用戶可能由于自身身體的缺陷,如腿腳不便等,發(fā)生跌倒,于是助行機器人的跌倒檢測和跌倒防護機制就變得十分必要.目前關(guān)于助行類機器人的跌倒檢測和跌倒防護方面的研究并不多見,Hirata等[22]使用激光測距儀和傾度傳感器來估計用戶使用機器人的狀態(tài)(正常使用、斜坡運動、緊急狀況等),當用戶膝蓋和機器人的距離超過一定范圍,就剎車停止運動來防止用戶跌倒.然后Hirata等[23]使用激光測距儀得到用戶下半身各關(guān)節(jié)相對于機器人的位置,從而計算用戶的COG來進行預判是否跌倒,達到跌倒防護的目的.但是這些方法只能判斷前后方向的跌倒,并不能判斷左右方向上的跌倒.Huang等[24]針對智能拐杖,融合全景攝像頭得到的用戶頭部的位置和激光傳感器得到的相對機器人的位置來判斷用戶是否跌倒.然后Huang等[25]將穿戴式傳感器與助行機器人結(jié)合起來,用穿戴式設(shè)備得到用戶的行走狀態(tài)判斷是否即將發(fā)生跌倒,但是穿戴式設(shè)備穿戴起來相對來說比較麻煩.本文主要使用助行機器人本體上的力傳感器和激光測距儀來得到用戶上肢和下肢表現(xiàn)出來的意圖速度,然后通過上肢和下肢的意圖速度來判斷用戶是否會發(fā)生跌倒,當檢測到跌倒趨勢之后,采取緊急制動的方式達到跌倒防護的效果.

目前來看,同時考慮柔順性與安全性的助行機器人國內(nèi)尚不多,本文主要在只使用機器人本體的傳感器的情況下,對兼具柔順與安全的助行機器人運動控制進行了研究.本文的創(chuàng)新點為首次同時考慮上肢和下肢所表現(xiàn)出來的運動意圖,使用多傳感器融合技術(shù),得到與傳統(tǒng)導納控制相比更加柔順的助行機器人運動控制,并根據(jù)上肢和下肢的運動意圖,監(jiān)控用戶的行走狀態(tài),檢測是否有跌倒的趨勢并判斷具體的跌倒模式.本文結(jié)構(gòu)如下:首先介紹所使用的智能助行機器人的基本結(jié)構(gòu),其次提出用戶上肢和下肢的運動意圖提取方法,使用多傳感器融合技術(shù),融合上/下肢的運動意圖,得到更加準確的用戶意圖速度,實現(xiàn)助行機器人柔順控制.然后基于卡爾曼濾波(Kalman flter,KF)的序貫概率比檢驗(Sequential probability ratio test,SPRT)方法和決策函數(shù)來判斷用戶是否會跌倒及可能出現(xiàn)的跌倒模式,并使機器人及時停止運動達到跌倒防護的效果,保障機器人的安全性.最后通過實驗證明該算法的有效性.

1 助行機器人構(gòu)成

本文使用的助行機器人由1個全向移動平臺、1個防護支撐結(jié)構(gòu)、1個控制器和多傳感器機構(gòu)(力傳感器陣列和激光測距儀)組成,如圖1所示.全向移動平臺由3個麥卡拉姆輪組成,實現(xiàn)全向移動;防護支撐結(jié)構(gòu)用于保證機器人運行的穩(wěn)定以及支撐用戶,并形成圍欄式的機構(gòu)來保證用戶在使用時的安全;控制器由控制箱和觸摸顯示器屏組成,控制箱用于數(shù)據(jù)的處理以及數(shù)據(jù)的交換,觸摸顯示屏用于人機交互及助行機器人的操作;多傳感器機構(gòu)由8個反饋移位寄存器(Feedback shift register,FSR)力傳感器和1個激光測距儀組成,8個FSR用于測量用戶和機器人之間的交互力,激光測距儀用于測量用戶的行走狀態(tài).

圖1 助行機器人Fig.1 The intelligent walking-aid robot

2 基于多傳感器系統(tǒng)的用戶意圖估計

2.1 基于力傳感器的用戶意圖估計

為了替代昂貴的六軸力/力矩傳感器,我們設(shè)計了一個拉/壓力傳感器陣列來估計用戶上肢表現(xiàn)出來的運動意圖,如圖2所示.8個FSR分別安裝在操作手柄的前后左右四個方向,用于測量在四個方向上的人機交互力.定義{O}為慣性坐標系,{h}和{r}分別為用戶坐標系和機器人局部坐標系.根據(jù)我們的前期研究成果[26],可以由這些力傳感器和機器人的運動學方程得到用戶的意圖速度即在用戶坐標系{h}中通過力傳感器得到的用戶運動意圖速度.

圖2 機器人坐標系系統(tǒng)和交互力的測量Fig.2 Robot coordinate system(top view)and measurement of interaction forces

2.2 基于激光測距儀的用戶意圖估計

傳統(tǒng)的基于力傳感器的用戶意圖估計方法存在一些缺點,例如當緊急情況發(fā)生時,用戶此時也許還握著控制手柄,于是機器人跟用戶之間仍然存在著交互力,導致機器人會繼續(xù)移動,這時就不能保證用戶的安全.因此,不能完全信賴基于力傳感器的用戶意圖估計方法,特別是當緊急情況發(fā)生的時候.此外,人的行走步態(tài)是通過上肢和下肢協(xié)調(diào)而產(chǎn)生的動作,為了得到更加準確的用戶運動意圖,采用通過激光測距儀得到的用戶下肢運動意圖與通過力傳感器得到的用戶上肢運動意圖相結(jié)合的方法.

在估計用戶下肢表現(xiàn)出的運動意圖之前,激光測距儀需要將人腿從周圍的環(huán)境中識別出來.完整的下肢意圖速度估計方法主要分為以下四個步驟:

步驟1.線段分割.因為連續(xù)掃描的點應該屬于同一物體,于是計算每兩個連續(xù)掃描點之間的距離,如果距離小于一定閾值,就認為這兩點屬于同一物體,將這些屬于同一物體的點分類到一個簇中;如果距離大于該閾值,則認為這兩個連續(xù)掃描點屬于兩個不同的簇.

步驟 2.圓的確定.使用文獻[27]中的方法確定一個圓.當確定一個圓的時候,需要知道圓的圓心和半徑,圓心為圓弧上任意三點之間連線線段的中心垂直線段的交點,如圖3所示.圓心位置則為

其中,ma,mb為兩個切線的斜率.

圖3 圓的參數(shù)Fig.3 Parameters of circle

由于檢測到的有些圓弧的大小與人腿大小不匹配,所以需要設(shè)定一個條件來去掉不匹配的圓弧.如果圓弧段中點到圓弧兩個邊緣點連線的距離d滿足如圖3所示,則判斷該圓可能被識別為人腿,否則去掉這些圓弧.

步驟3.人腿檢測,根據(jù)圓周角定理,如果四個點在同一圓上,根據(jù)幾何分析,這四點所形成的內(nèi)切角大小是相等的.如P1,P2,P3和P4(如圖3所示)在同一圓弧上,則

然后計算所有點內(nèi)切角的平均值,如果標準差小于8.6°,平均值在90°～135°之間,則將該圓弧視為一個圓.人腿的檢測可以視為圓檢測的一種延伸,因為人腿的直徑一般在0.1m～0.25m之間,所以如果檢測到的圓的直徑滿足條件,則識別為人腿.為了減少計算量,根據(jù)用戶使用該助行機器人的情況,設(shè)定人腿和激光測距儀的距離應在0.3m～1.2m之間,人腿檢測的實驗結(jié)果如圖4所示.

圖4 基于激光的人腿檢測Fig.4 Leg identifcation by laser

步驟4.下肢運動意圖估計.人的行走過程是兩條腿交換移動的過程,但是人腿的速度很難表現(xiàn)出人的移動速度和方向,用人的兩腿連線中點來估計人的意圖速度

其中,hxl和hyl為左腿在坐標系{h}中的位置,hxr和hyr為右腿在坐標系{h}中的位置.為機器人的實際速度.由于兩腳連線的中點很難體現(xiàn)人的意圖角速度,本文定義于是即在用戶坐標系{h}中通過激光傳感器得到的用戶運動意圖速度.

2.3 基于多傳感器融合的助行機器人柔順控制

柔順運動是指機器人順從與物體或者人之間的接觸而產(chǎn)生的交互行為,而且保證機器人的操作安全[28].傳統(tǒng)的力傳感器被廣泛的使用于各種助行器的柔順運動控制中,它作為人-機接口,讓用戶能夠根據(jù)自己的意愿控制助行器.但是如果只使用力傳感器作為人-機接口,當用戶由于身體健康狀況或者外界環(huán)境因素跌倒時,用戶可能會壓住力傳感器或者存在其他誤操作,所以力傳感器并不是完全值得信賴.于是先使用力傳感器和激光測距儀得到用戶的運動意圖,再通過多傳感器融合技術(shù)來融合上肢和下肢的運動意圖,從而得到更加準確的用戶意圖速度,讓機器人能夠順從人的運動意圖,實現(xiàn)柔順控制.

在實際系統(tǒng)中,KF用于多傳感器信息的融合有著很好的效果,因此本節(jié)中使用KF來進行上肢和下肢意圖速度的融合.首先定義狀態(tài)變量

其中,k為采樣時間,△t為系統(tǒng)采樣時間,A1為系統(tǒng)參數(shù)矩陣,H1為測量系統(tǒng)參數(shù),w1和v1分別為過程和測量的噪聲,且都為高斯白噪聲.根據(jù)經(jīng)驗,取a=0.6,b=0.4.

依據(jù)系統(tǒng)的模型,可以根據(jù)上一時刻的系統(tǒng)狀態(tài),預測當前時刻的系統(tǒng)狀態(tài),并且更新當前時刻的系統(tǒng)狀態(tài)協(xié)方差矩陣P

其中,Q1是系統(tǒng)過程的協(xié)方差矩陣.

結(jié)合系統(tǒng)狀態(tài)預測值和測量值,可以得到現(xiàn)在狀態(tài)的最優(yōu)化估算值

其中,K1為卡爾曼增益,

然后更新系統(tǒng)狀態(tài)的協(xié)方差矩陣

其中,I為單位矩陣.

3 用戶跌倒檢測

由于助行機器人的圍欄式保護結(jié)構(gòu),用戶在使用機器人時可能發(fā)生的跌倒模式可以分為三種:1)向前跌倒;2)向左跌倒;3)向右跌倒.如圖5所示.由于助行機器人在操作桿旁的圍欄上有固定用戶手臂的裝置,所以向下跌倒的情況發(fā)生的概率較小.

圖5 三種跌倒情況Fig.5 The three kinds of falling

根據(jù)用戶可能發(fā)生的跌倒模式,本文提出一種基于多傳感器的用戶跌倒檢測算法.力傳感器和激光測距儀得到用戶的行走狀態(tài)之后,使用第2節(jié)中的上肢和下肢運動意圖估計方法得到用戶上肢和下肢表現(xiàn)出來的意圖速度.通過基于KF的SPRT方法計算每個可能發(fā)生的跌倒狀態(tài)的似然函數(shù),得到每個跌倒狀態(tài)的決策函數(shù),判斷是否會發(fā)生跌倒,并且判斷具體的跌倒模式.如果用戶處于即將跌倒狀態(tài),則通過緊急制動來防止用戶跌倒,保障用戶的安全,如果用戶處于正常行走狀態(tài),則使用基于多傳感器融合的柔順運動控制算法.

3.1 離線跌倒數(shù)據(jù)采集

在介紹跌倒檢測算法之前,需要對用戶在使用助行機器人時不同跌倒模式下的意圖速度數(shù)據(jù)進行采集,得到不同跌倒模式下用戶表現(xiàn)出來的意圖速度的平均值,稱為不同跌倒模式下的意圖速度期望值即意圖速度的平均值,其中i為跌倒模式(1:向前跌倒;2:向左跌倒;3:向右跌倒).在數(shù)據(jù)采集過程中,使用下肢關(guān)節(jié)固定裝置來降低志愿者的行走能力[27],模仿行走障礙或者行走能力下降的用戶.離線跌倒數(shù)據(jù)采集具體過程為:3個志愿者分別進行3個跌倒模式的實驗20次(志愿者1:30歲,女,身高160cm;志愿者2:24歲,女,身高160cm;志愿者3:21歲,男,身高170cm),如圖6所示,統(tǒng)計每個志愿者在不同跌倒模式下的速度值.圖7、圖8和圖9為意圖速度的平均值和的分布直方圖和核密度估計曲線,其中實線為核密度(cm/s),縱坐標為分布概率.表1為3個志愿者在3種不同跌倒模式下的各意圖速度的平均值取3個志愿者的的平均值作為跌倒檢測算法的意圖速度的平均值,即

圖6 離線跌倒數(shù)據(jù)采集實驗圖Fig.6 The picture of falling ofine data collection experiment

圖7 3個志愿者在向前跌倒時的意圖速度分布圖Fig.7 Distribution of intent velocities of three subjects during falling to forward

圖8 3個志愿者在向左跌倒時的意圖速度分布圖Fig.8 Distribution of intent velocities of three subjects during falling to left

圖9 3個志愿者在向右跌倒時的意圖速度分布圖Fig.9 Distribution of intent velocities of three subjects during falling to right

表1 3個志愿者在不同跌倒模式下的平均意圖速度(cm/s)Table 1 The intent velocities of three subjects in diferent falling modes(cm/s)

3.2 跌倒檢測算法

SPRT方法是一種解決假設(shè)檢驗問題的重要方法,除了能解決傳統(tǒng)決策問題,還能解決有時延的決策問題.并且,SPRT不需要似然分布(Likelihood distribution)的知識來得到?jīng)Q策閾值,只需要將根據(jù)KF得到的創(chuàng)新項的比值作為測試指標.

給定零假設(shè)H0和對立假設(shè)H1的閾值為E和F,測試過程如下所示.在td時刻做的決策之前的第k次試驗,如果

則接受零假設(shè)H0,如果

則接受對立假設(shè)H1.否則,需要來幫助判斷.

對于助行機器人來說,可以通過聯(lián)合力傳感器和激光測距儀分別得到的用戶運動意圖可以判斷用戶是否跌倒.定義狀態(tài)跌倒的檢測是通過狀態(tài)的變化得到的.由于狀態(tài)中存在不確定性和誤差,通常需要對狀態(tài)進行估計,KF是狀態(tài)估計的一種常用方法. KF的狀態(tài)方程和觀測方程分別為

其中,A2=I,H2=I,B=?t,w2(k)和v2(k)為零均值高斯白噪音.具體KF狀態(tài)估計方法見文獻[29].

根據(jù)本文中用戶跌倒檢測的要求,用戶運動意圖的殘差項為

殘差項的協(xié)方差矩陣為

其中,P2(k)為系統(tǒng)狀態(tài)協(xié)方差矩陣,R2為系統(tǒng)噪音的協(xié)方差矩陣.

于是似然函數(shù)為

最后使用決策函數(shù)[30]:

其中,i為跌倒模式,t為系統(tǒng)時間.

3.3 跌倒模式判斷

判斷用戶是否跌倒是基于在3個跌倒模式下的決策函數(shù)的值,當di＞hi時(其中hi為k模式下的跌倒檢測閾值),且其他跌倒模式下的di≤hi,就可以判斷用戶即將發(fā)生i模式的跌倒.如果所有的di不大于該模式的跌倒檢測閾值,則判斷用戶不會發(fā)生跌倒,處于正常行走狀態(tài),具體步驟如下:

算法1.用戶跌倒檢測算法

步驟1.離線數(shù)據(jù)采集.對用戶不同跌倒模式下的意圖速度數(shù)據(jù)進行采集,得到不同跌倒模式下用戶表現(xiàn)出來的意圖速度的平均值

步驟2.跌倒檢測:

步驟2.1.使用KF對上下肢意圖速度進行估計.

步驟2.2.計算用戶運動意圖的殘差項

步驟2.3.計算用戶運動意圖的殘差項的協(xié)方差矩陣為Sk.

步驟2.4.得到不同跌倒模式下的似然函數(shù)

步驟2.5.得到不同跌倒模式下的決策函數(shù)值

步驟2.6.如果di＞hi,且其他模式的di≤hi.則判斷用戶發(fā)生第i種模式的跌倒.

步驟2.7.否則,重復步驟2.1～2.6.

步驟3.如果檢測出用戶跌倒,則助行機器人緊急停止.

4 助行機器人運動控制

助行機器人分為主動型助行機器人和被動型助行機器人,主動型助行機器人是指根據(jù)用戶的運動來移動的助行機器人,由伺服電機驅(qū)動機器人來實現(xiàn)移動;被動型助行機器人是指幫助用戶實現(xiàn)移動效果的助行機器人,通常是通過控制伺服剎車來實現(xiàn)運動.本文使用的助行機器人是主動型助行機器人,通常對于主動型助行機器人來說,運動控制問題研究的是助行機器人如何基于用戶的意圖來進行運動.本文的目標是設(shè)計兼具柔順與安全的助行機器人運動控制系統(tǒng),即在用戶正常行走時,要求助行機器人能夠順應用戶的運動意圖,在用戶處于非正常行走階段時,保證用戶的使用安全.

本文第2.3節(jié)提出了基于多傳感器融合的助行機器人用戶意圖估計算法,融合了用戶上肢和下肢所表現(xiàn)出來的運動意圖,得到更加準確的用戶運動意圖.與傳統(tǒng)的基于力傳感器的用戶運動意圖估計方法相比,該方法得到的用戶運動意圖更加接近真實的用戶行走意圖,于是助行機器人就能夠根據(jù)用戶的運動意圖來移動,更好地順應用戶的意圖,實現(xiàn)具有柔順性的助行機器人運動控制.本文第3節(jié)分析了用戶的跌倒模式,采用基于卡爾曼濾波的SPRT方法和決策函數(shù)來判斷用戶是否有跌倒趨勢,并判斷處于哪種跌倒模式,采取緊急制動的方法來保證用戶的安全,實現(xiàn)了在非正常行走階段時也能對用戶進行安全保護.

由于本文使用的助行機器人的硬件限制,需要通過控制3個電機以及獲取電機和各種傳感器的信息,導致閉環(huán)控制的效果不佳,于是結(jié)合用戶正常行走狀態(tài)和非正常行走狀態(tài)的助行機器人運動控制,設(shè)計了一種開環(huán)的兼具柔順與安全的助行機器人運動控制系統(tǒng),如圖10所示.當用戶跌倒檢測算法測得用戶處于正常行走狀態(tài)時,則使用第2.3節(jié)中的基于多傳感器融合的助行機器人用戶意圖估計算法得到用戶準確的運動意圖,然后通過串口傳遞給全向移動平臺,控制機器人運動.當用戶處于即將跌倒的狀態(tài)時,則采取緊急制動策略,使助行機器人立即停止,防止用戶跌倒,保障用戶的安全.

圖10 兼具柔順與安全的助行機器人運動控制系統(tǒng)框圖Fig.10 The system block diagram of the walking-aid robot motion control which has compliance and safety

5 實驗結(jié)果

為了證明本文提出的多傳感器融合的助行機器人跌倒檢測算法的有效性,使用助行機器人進行實驗驗證.

5.1 助行機器人柔順運動控制實驗

圖11為本文提出的向前運動時的基于多傳感器融合的柔順運動控制實驗的用戶意圖速度圖.由于激光測距儀沒有測量用戶的旋轉(zhuǎn)速度,所以沒有融合上肢和下肢的意圖旋轉(zhuǎn)速度.圖11中實線為上肢意圖速度,虛線為下肢意圖速度,帶點的實線表示融合后的用戶意圖速度,由于實驗過程為向前行走,所以圖11(b)中的機器人實際速度為零.根據(jù)文獻[31]中對人行走過程中速度的實驗,可以知道由于行走過程中人的雙腳交替擺動,人的行走速度曲線類似一個正弦線.從圖11中可以看出,融合后的速度與文獻[31]中人行走速度曲線更加相似,也就是融合后的意圖速度能夠跟隨用戶的行走,而不是用戶推著機器人行走,因此用戶操作起來會更加舒適.

圖11 基于多傳感器融合的用戶意圖速度實驗1Fig.11 Multi-sensors based human intent velocities Experiment 1

圖12為在幾種行走模式下的運動控制實驗,實驗過程為:向前行走→左轉(zhuǎn)→向前行走→向左行走.可以看到在各種行走模式下,本文提出的基于多傳感器融合的柔順運動控制算法能得到柔順的、準確的用戶行走意圖.

圖12 基于多傳感器融合的用戶意圖速度實驗2Fig.12 Multi-sensors based human intent velocities Experiment 2

5.2 柔順運動控制對比實驗

為了證明本文提出的基于多傳感器融合的柔順運動控制的有效性,本節(jié)將本文方法與傳統(tǒng)的導納控制進行對比實驗.圖13為同一志愿者在相同實驗環(huán)境和行走速度下,機器人采用導納控制時,用戶向前運動時的意圖速度圖,圖中的實線為根據(jù)力傳感器得到的用戶意圖速度.圖14為兩組實驗過程中交互力的對比圖,實線為多傳感器融合柔順運動控制實驗的交互力,虛線為導納控制實驗的交互力.從圖中可以看出,在啟動階段兩組實驗使用的交互力相同,但是在運動過程中,多傳感器融合柔順運動控制實驗中的交互力明顯比導納控制實驗的小.綜合圖11～14的結(jié)果可以知道,基于多傳感器融合的柔順運動控制算法能夠讓用戶操作機器人所需要的力量更小,更加柔順,更加舒適.

圖13 導納控制實驗Fig.13 Admittance control experiment

圖14 交互力對比Fig.14 The comparison of interactive force

5.3 助行機器人跌倒檢測試驗

為了驗證本文提出的基于多傳感器融合的助行機器人跌倒檢測算法,3個志愿者每人進行3組實驗,分別為志愿者向前跌倒、向左跌倒和向右跌倒實驗,總共9組實驗,實驗結(jié)果如圖15～22所示.從圖中可以看出,9組實驗都成功地判斷了用戶的跌倒趨勢,并且及時地緊急制動機器人,防止用戶跌倒.

圖15為志愿者1向前跌倒時的實驗結(jié)果圖.從圖15(a)可以看到,在大約3.5秒左右,由于用戶的跌倒模式為向前跌倒,用戶身體向前傾斜,雙手向前推操作桿,于是上肢意圖速度表現(xiàn)為在前后方向的速度達到最大,而由于向前跌倒,用戶的下肢沒有移動,所以下肢意圖速度的表現(xiàn)為在前后方向的速度迅速降低.在圖15(b)中,大約在3.5秒時,df突然增大,且明顯大于跌倒判斷閾值,于是判斷出用戶處于即將跌倒狀態(tài).圖15(c)為用戶行走狀態(tài),當用戶處于正常行走狀態(tài)時為0,當向前跌倒時為1,向左跌倒時為2,向右跌倒時為3.圖15(d)為實驗過程視頻截圖.

圖16為志愿者1向左跌倒時的實驗結(jié)果圖.在大約2.6秒前,用戶向前正常行走,此時上肢意圖速度在左右方向的速度為0,Z軸速度也為0,由于人腿在行走過程中雙腳會交替擺動,且人腿速度和機器人實際運行速度不會同步,所以下肢運動意圖表現(xiàn)為在一定范圍內(nèi)波動.大約在2.6秒時,用戶開始向左跌倒,用戶身體開始向左傾斜,雙手會向左推操作桿,于是上肢意圖速度就表現(xiàn)為在前后方向的速度為零,左右方向達到最大,而且下肢運動意圖在前后方向的速度基本變化不大,在左右方向則突然增大,如圖16(a)所示,此時用戶的下肢意圖速度仍然處于正常狀態(tài),所以沒有判斷用戶跌倒.根據(jù)圖16(b)可以看出,在大約0.5秒后,即3.3秒時,機器人判斷出用戶處于跌倒狀態(tài),圖16(c)中的用戶行走狀態(tài)也判斷處于向左跌倒.

圖15 志愿者1向前跌倒仿真實驗結(jié)果圖Fig.15 Subject 1 fall detection experiment results of falling to forward

圖16 志愿者1向左跌倒仿真實驗結(jié)果圖Fig.16 Subject 1 fall detection experiment results of falling to left

圖17 志愿者1向右跌倒仿真實驗結(jié)果圖Fig.17 Subject 1 fall detection experiment results of falling to right

圖17為志愿者1向右跌倒時的實驗結(jié)果圖.當用戶向右跌倒時,用戶身體向右傾斜,雙手會向右推操作桿,于是上肢意圖速度就表現(xiàn)為在前后方向的速度為零,左右方向上的負方向上達到最大,而下肢運動意圖在前后方向的速度基本變化不大,在左右方向則突然增大,如圖17(a)所示.從圖17(b)可以看出,在大約2.9秒時,機器人判斷出用戶處于跌倒狀態(tài),且跌倒模式為向右跌倒,且圖17(c)中的用戶行走狀態(tài)也判斷正確.

圖18為志愿者2的3組實驗的結(jié)果圖,圖19為志愿者3的3組實驗的結(jié)果圖.從圖18和圖19可以看出,本文提出的算法能夠成功地判斷用戶的行走狀態(tài).

圖18 志愿者2實驗結(jié)果圖Fig.18 The fall detection experiment results of Subject 2

圖19 志愿者3實驗結(jié)果圖Fig.19 The fall detection experiment results of Subject 3

由于本文算法使用的是志愿者1～3的離線跌倒數(shù)據(jù)的平均值,為了驗證該算法對其他人也有效,對志愿者4(24歲,男,身高170cm)進行了相同的跌倒檢測實驗,實驗結(jié)果如圖20所示.從圖20可以看出,跌倒檢測算法分別在3.4秒、2.1秒和2.8秒判斷出了用戶的跌倒趨勢,并緊急停止機器人,防止用戶跌倒.

圖20 志愿者4實驗結(jié)果圖Fig.20 The fall detection experiment results of Subject 4

圖21 基于穿戴式傳感器的助行機器人用戶跌倒檢測實驗(向前跌倒)Fig.21 Wearable sensor based user fall detection experiment of walking-aid robot(fall forward)

5.4 用戶跌倒檢測和防護算法對比實驗

本文首次提出了基于上肢和下肢運動意圖的助行機器人用戶跌倒檢測和防護算法,在使用離線采集的用戶跌倒數(shù)據(jù)之后,對普通的用戶具有一定的適應性.由于基于助行機器人的跌倒檢測算法并不多見,為了證明本文提出的用戶跌倒檢測和防護算法的效果,與Huang等[25]提出的基于穿戴式傳感器的助行機器人用戶跌倒檢測算法進行對比實驗.

實驗中,志愿者1在同樣的實驗環(huán)境中,使用基于穿戴式傳感器的助行機器人用戶跌倒檢測算法進行與上節(jié)中相同的實驗,使用的基于穿戴式傳感器的助行機器人用戶跌倒檢測算法見文獻[25].在該算法中,用戶使用穿戴式傳感器在線測量用戶運動姿態(tài),得到用戶行走特征,采用Dubois概率理論得到用戶正常行走狀態(tài)的行走特征隸屬度函數(shù).根據(jù)用戶在線的行走狀態(tài)對跌倒趨勢進行檢測,當用戶處于正常行走狀態(tài)時,使用傳統(tǒng)的導納控制策略,當助行機器人檢測到用戶的跌倒趨勢時,立即停止運動防止跌倒.

圖21和圖22分別為使用基于穿戴式傳感器的助行機器人用戶跌倒檢測算法時,用戶向前跌倒和向左跌倒的實驗結(jié)果圖.圖中d1(用戶COP在水平面上的投影點和雙腳中點的距離)和d2(用戶腰部高度)分別為穿戴式傳感器測得的用戶行走特征,μ(d(n))為行走特征的隸屬度函數(shù),c為跌倒檢測的閾值,μ(d(n))＜c時,判斷用戶即將跌倒.從圖21和圖22可以看到,該算法成功地判斷出用戶即將跌倒,但是卻不能判斷跌倒的具體模式(向前、向左或者向右跌倒).而且穿戴式傳感器需要提前穿戴好,是否穿戴正確也會影響算法的整體效果.本文使用的激光測距儀固定在機器人上,與穿戴式傳感器比較,使用起來更加方便,檢測效果更加穩(wěn)定.并且基于穿戴式傳感器的助行機器人用戶跌倒檢測算法,需要對每個用戶的正常行走特征的數(shù)據(jù)進行采樣,使用該用戶特定的數(shù)據(jù),才能保證算法有效,而本文算法,不需要對于特定的用戶使用特定的數(shù)據(jù).

圖22 基于穿戴式傳感器的助行機器人用戶跌倒檢測實驗(向左跌倒)Fig.22 Wearable sensor based user fall detection experiment of walking-aid robot(fall to left)

6 結(jié)論

隨著科技的進步和社會的發(fā)展,中國社會老齡化趨勢越來越嚴重,因此康復助行等設(shè)備的開發(fā)就顯得十分的急迫.助行機器人研究最基本的兩個問題是用戶操作的柔順性(即機器人能夠順應用戶的行走意圖)和使用過程中的安全性(即保障用戶在使用過程中的安全).本文提出了兼具柔順與安全的助行機器人運動控制算法,能夠有效增加用戶在操作機器人時的柔順性,并且預測用戶在使用助行機器人過程中可能發(fā)生的跌倒,并采取有效的跌倒防護策略.首先詳細描述了助行機器人的結(jié)構(gòu),原理和多傳感器系統(tǒng),通過力傳感器得到用戶上肢的運動意圖速度,通過激光測距儀得到用戶下肢的運動意圖速度.分析用戶的跌倒模式,使用基與KF的SPRT方法和決策函數(shù)來判斷用戶是否跌倒,并處于哪種跌倒模式.在用戶正常行走狀態(tài)下,使用卡爾曼濾波算法融合這兩種運動意圖速度,得到更加準確、更加柔順的用戶意圖速度,在檢測到即將跌倒時,則緊急制動機器人,防止用戶跌倒,保證用戶的安全.最后助行機器人實驗驗證了本文算法的有效性.

1 Hu Jin,Hou Zeng-Guang,Chen Yi-Xiong,Zhang Feng, Wang Wei-Qun.Lower limb rehabilitation robots and interactive control methods.Acta Automatica Sinica,2014,40(11):2377?2390 (胡進,侯增廣,陳翼雄,張峰,王衛(wèi)群.下肢康復機器人及其交互控制方法.自動化學報,2014,40(11):2377?2390)

2 Peng Liang,Hou Zeng-Guang,Wang Wei-Qun.Synchronous active interaction control and its implementation for a rehabilitation robot.Acta Automatica Sinica,2015,41(11): 1837?1846 (彭亮,侯增廣,王衛(wèi)群.康復機器人的同步主動交互控制與實現(xiàn).自動化學報,2015,41(11):1837?1846)

3 Tan Min,Wang Shuo.Research progress on robotics.Acta Automatica Sinica,2013,39(7):963?972 (譚民,王碩.機器人技術(shù)研究進展.自動化學報,2013,39(7):963?972)

4 Whitney D E.Resolved motion rate control of manipulators and human prostheses.IEEE Transactions on Man-Machine Systems,1969,10(2):47?53

5 Yin Yue-Hong,Wei Zhong-Xin,Zhu Jian-Ying.Compliance control of robot an overview.Robot,1998,20(3):232?240 (殷躍紅,尉忠信,朱劍英.機器人柔順控制研究.機器人,1998,20(3):232?240)

6 Shibata T,Murakami T.Power-assist control of pushing task by repulsive compliance control in electric wheelchair.IEEE Transactions on Industrial Electronics,2012,59(1): 511?520

7 Katsura S,Ohnishi K.Human cooperative wheelchair for haptic interaction based on dual compliance control.IEEE Transactions on Industrial Electronics,2004,51(1):221?228

8 Xu W X,Huang J,Wang Y J,Tao C J,Cheng L.Reinforcement learning-based shared control for walking-aid robot and its experimental verifcation.Advanced Robotics, 2015,29(22):1463?1481

9 Wannier T,Bastiaanse C,Colombo G,Dietz V.Arm to leg coordination in humans during walking,creeping and swimming activities.Experimental Brain Research,2001,141(3): 375?379

10 Stephenson J L,Lamontagne A,De Serres S J.The coordination of upper and lower limb movements during gait in healthy and stroke individuals.Gait and Posture,2009,29(1):11?16

11 Suzuki S,Hirata Y,Kosuge K,Onodera H.Walking support based on cooperation between wearable-type and canetype walking support systems.In:Proceedings of the 2011 IEEE/ASME International Conference on Advanced Intelligent Mechatronics.Budapest,Hungary:IEEE,2011.122?127

12 Huang J,Huo W G,Xu W X,Mohammed S,Amirat Y.Control of upper-limb power-assist exoskeleton using a humanrobot interface based on motion intention recognition.IEEE Transactions on Automation Science and Engineering,2015,12(4):1257?1270

13 Huang J,Tu X K,He J P.Design and evaluation of the RUPERT wearable upper extremity exoskeleton robot for clinical and in-home therapies.IEEE Transactions on Systems, Man,and Cybernetics:Systems,2016,46(7):926?935

14 Wu J,Huang J,Wang Y J,Xing K X.Nonlinear disturbance observer-based dynamic surface control for trajectory tracking of pneumatic muscle system.IEEE Transactions on Control Systems Technology,2014,22(2):440?455

15 Mirmahboub B,Samavi S,Karimi N,Shirani S.Automatic monocular system for human fall detection based on variations in silhouette area.IEEE Transactions on Biomedical Engineering,2013,60(2):427?436

16 Litvak D,Zigel Y,Gannot I.Fall detection of elderly through foor vibrations and sound.In:Proceedings of the 30th Annual International Conference on Engineering in Medicine and Biology Society.Vancouver,British Columbia, Canada:IEEE,2008.4632?4635

17 Cheng W C,Jhan D M.Triaxial accelerometer-based fall detection method using a self-constructing cascade-AdaBoost-SVM classifer.IEEE Journal of Biomedical and Health Informatics,2013,17(2):411?419

18 Karantonis D M,Narayanan M R,Mathie M,Lovell N H, Celler B G.Implementation of a real-time human movement classifer using a triaxial accelerometer for ambulatory monitoring.IEEE Transactions on Information Technology in Biomedicine,2006,10(1):156?167

19 Wu G.Distinguishing fall activities from normal activities by velocity characteristics.Journal of Biomechanics,2000,33(11):1497?1500

20 Williams G,Doughty K,Cameron K,Bradley D A.A smart fall and activity monitor for telecare applications.In:Proceedings of the 20th Annual International Conference on Engineering in Medicine and Biology Society.Hong Kong, China:IEEE,1998.1151?1154

21 Degen T,Jaeckel H,Rufer M,Wyss S.SPEEDY:a fall detector in a wrist watch.In:Proceedings of the 7th IEEE International Symposium on Wearable Computers.White Plains,New York,USA:IEEE,2003.184?189

22 Hirata Y,Muraki A,Kosuge K.Motion control of intelligent walker based on renew of estimation parameters for user state.In:Proceedings of the 2006 IEEE/RSJ International Conference on Intelligent Robots and Systems.Beijing,China:IEEE,2006.1050?1055

23 Hirata Y,Komatsuda S,Kosuge K.Fall prevention control of passive intelligent walker based on human model.In:Proceedings of the 2008 IEEE/RSJ International Conference on Intelligent Robots and Systems.Nice,France:IEEE,2008. 1222?1228

24 Huang J,Di P,Wakita K,Fukuda T,Sekiyama K.Study of fall detection using intelligent cane based on sensor fusion.In:Proceedings of the 2008 International Symposium on Micro-NanoMechatronics and Human Science.Nagoya, Japan:IEEE,2008.495?500

25 Huang J,Xu W X,Mohammed S,Shu Z.Posture estimation and human support using wearable sensors and walking-aid robot.Robotics and Autonomous Systems,2015,73:24?43

26 Han R,Tao C J,Huang J,Wang Y J,Yan H P,Ma L F. Design and control of an intelligent walking-aid robot.In: Proceedings of the 6th International Conference on Modelling,Identifcation,and Control.Melbourne,VIC:IEEE, 2014.53?58

27 Li P,Kadirkamanathan V.Fault detection and isolation in non-linear stochastic systems-a combined adaptive Monte Carlo fltering and likelihood ratio approach.International Journal of Control,2004,77(12):1101?1114

28 Jebson P J L,Hayden R J.AO principles of fracture management.The Journal of the American Medical Association, 2008,300(20):2432?2433

29 Lefebvre T,Xiao J,Bruyninckx H,De Gersem G.Active compliant motion:a survey.Advanced Robotics,2005,19(5):479?499

30 Marsland S.Machine Learning:An Algorithmic Perspective.Boca Raton,FL,USA:Chapman and Hall/CRC,2009. 356?359

31 Kadirkamanathan V,Li P,Jaward M H,Fabri S G.Particle fltering-based fault detection in non-linear stochastic systems.International Journal of Systems Science,2002,33(4): 259?265

徐文霞華中科技大學自動化學院博士研究生.2008年獲得華中科技大學文華學院電氣工程及其自動化專業(yè)學士學位.主要研究方向為助行機器人運動控制.

E-mail:xwxsai@163.com

(XU Wen-XiaPh.D.candidate at the School of Automation,Huazhong University of Science and Technology (HUST).She received her bachelor degree from Wenhua College of HUST in 2008.Her main research interest is motion control of walking aid robot.)

黃 劍華中科技大學自動化學院教授. 2005年獲得華中科技大學控制科學與工程博士學位,曾于2006至2008年在日本名古屋大學微納米系統(tǒng)工程福田研究室做博士后研究員.主要研究方向為康復機器人,機器人裝配,網(wǎng)絡(luò)控制系統(tǒng)和生物信息處理.本文通信作者.

E-mail:huan_gjan@mail.hust.edu.cn

(HUANG JianProfessor at the School of Automation,Huazhong University of Science and Technology.He received his Ph.D.degree from Huazhong University of Science and Technology in 2005.From 2006 to 2008,he was a postdoctoral researcher in the Department of Micro-Nano System Engineering and Department of Mechano-Informatics and Systems,Nagoya University,Japan.His research interest covers rehabilitation robot,robotic assembly,networked control systems,and bioinformatics.Corresponding author of this paper.)

晏箐陽華中科技大學自動化學院博士研究生.2015年獲得華中科技大學測控技術(shù)與儀器專業(yè)學士學位.主要研究方向為助行機器人運動控制.

E-mail:yanqingyang@hust.edu.cn

(YAN Qing-YangPh.D.candidate at the School of Automation,Huazhong University of Science and Technology. She received her bachelor degree in measurement techniques and instrumentation from Huazhong University of Science and Technology in 2015.Her main research interest is motion control of walking aid robot.)

王永驥華中科技大學自動化學院教授.主要研究方向為飛行器制導控制,智能優(yōu)化,智能控制和康復機器人控制.

E-mail:wangyjch@hust.edu.cn

(WANG Yong-JiProfessor at the School of Automation,Huazhong University of Science and Technology.His research interest covers aircraft guidance and control,intelligent optimization,intelligent control,and rehabilitation robot control.)

陶春靜國家康復輔助研究中心助理研究員.主要研究方向為康復工程,智能控制和機器人.E-mail:taochj@gmail.com

(TAO Chun-JingAssistantresearch fellow atthe NationalResearch Centre for Rehabilitation Technical Aids.Her research interest covers rehabilitation engineering,intelligent control,and robotics.)

Research on Walking-aid Robot Motion Control with Both Compliance and Safety

XU Wen-Xia1HUANG Jian1YAN Qing-Yang1WANG Yong-Ji1TAO Chun-Jing2

Aimed at compliance and safety problems in motion control of walking-aid robot,a multi-sensor fusion based walking-aid robot motion control method with both compliance and safety is proposed.Firstly,the mechanism,control theory and multi-sensor system of the walking-aid robot are introduced.Then according to multi-sensor system,user motion intention estimation methods for each sensor are designed and a multi-sensor based compliance motion control for walking-aid robot is proposed.After analyzing user's possible falling modes,a Kalman flter(KF)based sequential probability ratio test(SPRT)method and decision function are used to detect the fall and falling mode.Finally,several compliance motion control experiments and fall detection experiments are described to show validity of the proposed algorithm.

Walking-aid robot,fall detection,force sensor,laser range fnder,compliance

徐文霞,黃劍,晏箐陽,王永驥,陶春靜.兼具柔順與安全的助行機器人運動控制研究.自動化學報,2016,42(12): 1859?1873

Xu Wen-Xia,Huang Jian,Yan Qing-Yang,Wang Yong-Ji,Tao Chun-Jing.Research on walking-aid robot motion control with both compliance and safety.Acta Automatica Sinica,2016,42(12):1859?1873

2016-02-25 錄用日期2016-08-15

Manuscript received February 25,2016;accepted August 15, 2016

國家自然科學基金(61473130),教育部新世紀優(yōu)秀人才支持計劃(NC ET-12-0214),湖北省自然科學基金杰出青年基金(2015CFA047)資助

Supported by National Natural Science Foundation of China (61473130),Program for New Century Excellent Talents in University(NCET-12-0214),and in part by the Science Fund for Distinguished Young Scholars of Hubei Province(2015CFA047)

本文責任編委程龍

Recommended by Associate Editor CHENG Long

1.華中科技大學自動化學院圖像處理與智能控制教育部重點實驗室武漢430074 2.國家康復輔具研究中心北京100176

1.Key Laboratory of Ministry of Education for Image Processing and Intelligent Control,School of Automation,Huazhong University of Science and Technology,Wuhan 430074 2.National Rehabilitation Center,Beijing 100176