本发明属于重力补偿相关
技术领域：
，更具体地，涉及一种上肢康复机器人的肢体重力动态补偿方法。
背景技术：
：目前上肢康复机器人的重力补偿方法主要有两种类型，一种是通过配重、弹簧或由辅助致动器产生主动力来抵消重力；另一种是通过输入扭矩的最佳控制来实现。在这种情况下，控制律将抵消机器人连杆动力学上的重力效应项。此两种重力补偿方法存在以下缺点：由于康复机器人尺寸的限制，配重重力平衡方案的使用在一些应用中会被限制，弹簧的补偿策略则需要确定补偿机制的确切位置。通过输入扭矩的最佳控制实现重力补偿的方案因为需要根据康复机器人的位置和关节速度不断更新补偿电压，导致实时计算的负担大大增加。目前，专利cn110103229a中公开了一种设于机器人末端的工作的重力补偿方法和系统，其中公开了重力补偿方法的计算方法为：重力补偿后的测量数据＝当前姿态下的实时测量数据-当前姿态下所述工具的负载数据 清零姿态下所述工具的负载数据，以此方式获得重力补偿后的测量数据。上述专利是通过实时测量数据与负载数据的差值加上清零姿态下工具的负载数据，其不是通过建立模型预测获得的数据，并且其工具的重力补偿为一个刚性的对象，不存在与其它部件之间的相互作用，对象运动状态单纯；专利cn110666799a中公开了一种基于重力补偿的六自由度串联机器人柔顺控制方法，其中公开了：获取机器人底座安装倾角与末端工具重力，获取力传感器的零点数据与末端工具重心在传感器坐标系下的坐标，利用机器人姿态变换矩阵，获取机器人在不同姿态下的重力补偿值，通过导纳控制方法，将力偏差作为控制系统的输入来调整机器人的末端位置；同样的，该专利中针对的对象是机器人，不存在人与机器人交互的情况，补偿的对象也是刚体。总的来说，上述重力补偿的方法中，补偿的对象均为刚性对象，其与人体上肢不同，人体上肢为柔性体，其在运动状态下会受到上臂的牵扯，受到的力矩也是变化的，上述对于刚体的补偿方法并不适应于对于人体上肢的重力补偿，因此，需要一种对于人体上肢柔性体的重力补偿方法。技术实现要素：针对现有技术的以上缺陷或改进需求，本发明提供了一种上肢康复机器人的肢体重力动态补偿方法，考虑了人体经由肩部对上肢的影响，涉及人机交互，解决了传统重力补偿方法不能提供实时补偿或者动力学建模困难的问题。为实现上述目的，按照本发明，提供了一种上肢康复机器人的肢体重力动态补偿方法，该方法包括下列步骤：s1将携带有康复机器人的人体上肢的运动划分为主动运动模式和被动运动模式，被动运动模式下康复机器人带动人体上肢运动，主动运动模式下康复机器人辅助人体上肢运动，测量被动模式下康复机器人在不同位姿下各个关节的关节角，并计算机械臂对人体上肢的支撑力，以此获得各个关节的关节角和支撑力一一对应的数据集；s2利用所述数据集构建预测模型，该预测模型中各个关节的关节角作为输入，所述支撑力作为输出；测量在主动运动模式下六维力传感器测得的合力以及各个关节的实时关节角，利用实时关节角和预测模型获得机械臂对人体上肢的预测支撑力，也即上肢重力补偿预测值，利用所述六维力传感器测得的合力减去所述上肢重力补偿预测值，以此实现主动运动模式下人体上肢重力的补偿。进一步优选地，在步骤s1中，计算机械臂对人体上肢的支撑力是通过测量人体上肢对康复机器人的扭矩，然后利用该扭矩计算获得护套对人体上肢的支撑力。进一步优选地，所述利用扭矩计算护套对人体上肢的支撑力，按照下列关系式进行：其中，m是人体上肢对康复机器人的扭矩，j是关节坐标系到世界坐标系的雅克比矩阵，是护套对人体上肢的支撑力。进一步优选地，所述支撑力采用最小二乘法计算获得。进一步优选地，在步骤s2中，所述预测模型采用径向基函数神经网络构建。进一步优选地，在步骤s2中，所述预测模型所述预测模型包括输入层、隐藏层和输出层，使用k-均值聚类法确定聚类中心和隐藏神经元宽度，以康复机器人关节角作为输入，上肢重力补偿值为输出。进一步优选地，在步骤s2中，利用所述六维力传感器测得的合力减去所述上肢重力补偿预测值时，还需将上肢重力补偿预测值转换至与所述合力至同一个坐标系中。进一步优选地，所述支撑力按照下列关系式转换至所述合力的所在的坐标系中：其中，是所述合力所在的世界坐标系中的支撑力，r是关节坐标系与世界坐标系的转换矩阵。总体而言，通过本发明所构思的以上技术方案与现有技术相比，具体包括下列步骤：1.本发明中将上肢康复机器人的运动划分为主动运动模式和被动运动模式，主动运动模式下，患者上肢主动带动康复机器人运动，康复机器人通过六维力传感器检测到患者的运动意图后，辅助患者上肢朝着患者想要的方向运动。在主动运动过程中，六维力传感器检测到的力包括患者的主动力、上肢的重力、肩部对上肢的牵扯力以及肩肘关节的被动关节扭矩，为使患者在主动运动过程中能够更省力，并使六维力更准确的识别患者的运动意图，应对上肢的重力、肩部对上肢的牵扯力以及肩肘关节的被动关节扭矩进行补偿。为此，需要在被动运动模式下测量人体上肢完全放松状态下的测量传感器数据，认为此时人体上肢只受重力、肩部对上肢的牵扯力以及肩肘关节的被动关节扭矩的影响，并根据康复机器人运动状态下的关节角预测运动状态下对于人体上肢的重力补偿值，以此实现在运动状态下对人体上肢的重力的补偿；2.本发明中不是通过力矩和关节角度直接建立的预测模型，而是通过力矩计算出在被动运动状态下护套对人体上肢的支撑力，利用关节角度和支撑力建立预测模型，以此预测人体上述在不同关节角度下的重力补偿值，进而对主动运动状态下人体上肢的重力进行补偿，补偿精度高；3.本发明为实现实时补偿，需获知手臂在任何姿态下的重力值，因此采用径向基函数神经网络(rbfnn)进行建模，构建以关节角度为输入，支撑力为输出的预测模型，在上肢运动的时候根据手臂的当前位置从训练模型中直接获取补偿值，实现重力的实时补偿，补偿精度高。附图说明图1是按照本发明的优选实施例所构建的上肢康复机器人的肢体重力动态补偿方法流程图；图2是按照本发明的优选实施例所构建的康复机器人的结构示意图；图3是按照本发明的优选实施例所构建的康复机器人穿戴在人体上肢上的上肢重力补偿示意图。在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：101-第一关节，102-第二关节，103-第三关节，104-第四关节，105-第五关节，106-上臂护套，107-前臂护套。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。如图1所示，一种上肢康复机器人的肢体重力动态补偿方法，包括：(1)将携带有康复机器人的人体上肢的运动划分为主动运动和被动运动，被动运动模式下康复机器人带动人体上肢运动，主动运动模式下康复机器人辅助人体上肢运动，将六维力传感器布置在康复机器人与人上臂和前臂接触的位置，将扭矩传感器布置在康复机器人的主动关节位置；具体来讲，如图2所示的上肢康复机器人运动关节的数量有五个，其中主动关节是第一关节101和第三关节103，其余关节是被动关节，第二关节102与第一关节101耦合，第四关节104、第五关节105与第三关节103耦合。扭矩传感器分别安装在两个主动关节101和103上，扭矩传感器测量的是关节的轴向扭矩，故只有z轴上的扭矩有数据，位于第一关节的扭矩传感器的测量值可表示为m1＝[00000m1z]t，位于第三关节的扭矩传感器的测量值可表示为m3＝[00000m3z]t。同时，上臂处六维力传感器的中心应和上臂护套106的中心在一条直线上，前臂处六维力传感器的中心应和前臂护套107的中心在一条直线上，上臂处六维力传感器的测量值可表示为fs＝[fsxfsyfszmsxmsymsz]t，前臂处六维力传感器的测量值可表示为ff＝[ffxffyffzmfxmfymfz]t。(2)选取覆盖康复机器人的多个姿态，在被动运动位置控制模式下得到数组扭矩的测量数据；在本实施例中，第一关节101和第三关节103的运动范围均为0°～50°，选取n个具有代表性且能覆盖康复机器人运动范围的姿态，记为其中i＝1,…,n，θj表示在该姿态下第j个关节的关节角。然后采用位置控制遍历数组中的所有姿态，具体来说，在受试者穿戴上康复机器人后，让康复机器人运动到指定位置并停下，记录此时的角度以及扭矩传感器的数值，记为其中i＝1,…,n，测量过程中受试者的手臂应保持完全放松的状态。(3)根据对人手臂的建模和六维力的数据计算出基坐标系下人手臂对护套的支撑力；如图3所示，根据正运动学建立denavit-hartenberg参数表，如下表所示：iαi-1ai-1diθi10000290°0090°390°00180°40d5d790°5-90°0-d60上述表中，i是关节编号；αi-1是绕轴，从轴旋转到的角度；ai-1是沿轴，从轴移动到的距离；di是沿轴，从轴移动到的距离；θi是绕轴，从轴旋转到的角度。在被动运动模式下，在上臂和前臂护套的中心位置构造与重力方向相反的支撑力和根据静态平衡条件，如果没有其他的主动力，支撑力和手臂施加在关节上的扭矩是相互抵消的，即有其中，表示用于补偿手臂重力施加在康复机器人上的力矩矢量，表示第i个关节的轴向扭矩，j是所述上肢康复机器人的护套到各个关节的雅克比矩阵，j＝[j1j2j3j4j5](2)由于支撑力在基坐标系下只存在于z0方向上，故只有与雅可比矩阵第三列变量相乘才会产生非零值。因此式(1)可展开为根据扭矩平衡，扭矩传感器测量值用于估计由支撑力施加在康复机器人关节上的扭矩。因为康复机器人存在耦合关系，关节1处扭矩传感器测得的是关节1和关节2的合扭矩，而关节3处扭矩传感器测得的是关节3、4、5的合扭矩。综上可得，其中，i表示第i组测量数据，使用最小二乘法即可得到第i组数据对应的支撑力为耦合驱动上肢康复机器人的关节耦合矩阵。(4)采用径向基函数神经网络，建立重力补偿模型；具体来说，在matlab中调用newrb()函数设计一个近似的径向神经网络，它的函数形式如下：[net,tr]＝newrb(p,t,goal,spread,mn,df)其中，p为q组输入向量组成的r*q维矩阵，t为q组目标分类向量组成的s*q维矩阵，goal为均方误差目标(meansquarederrorgoal),默认为0.0，spread为径向基函数的扩展速度，默认为1，mn为神经元的最大数目,默认为q，df为两次显示之间所添加的神经元数目,默认为25；net为返回值,一个rbf网络，tr为返回值,训练记录。使用newrb()函数建立基于径向基函数神经网络(rbfnn)的人体上肢重力补偿模型，模型以主动关节的关节角θ作为输入，以支撑力作为输出，并使用步骤(3)中得到的数据对模型进行求解。(5)在主动模式下完成对手臂的实时重力补偿。在主动模式运动时，实时获取当前第一关节和第三关节的角度并导入到人体上肢重力补偿模型中，即可获取当前位姿下的上肢重力补偿值在基坐标系下的表达0fu＝[00fu000]t，再将支撑力旋转至六维力坐标系下，其中，是基坐标系到六维力坐标系的旋转矩阵。最后，从上臂处六维力传感器的读数中减去nfu，即完成了对上臂的实时重力补偿，对前臂的实时重力补偿也是同样步骤。本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3
技术特征：1.一种上肢康复机器人的肢体重力动态补偿方法，其特征在于，该方法包括下列步骤：
s1将携带有康复机器人的人体上肢的运动划分为主动运动模式和被动运动模式，被动运动模式下康复机器人带动人体上肢运动，主动运动模式下康复机器人辅助人体上肢运动，测量被动模式下康复机器人在不同位姿下各个关节的关节角，并计算机械臂对人体上肢的支撑力，以此获得各个关节的关节角和支撑力一一对应的数据集；
s2利用所述数据集构建预测模型，该预测模型中各个关节的关节角作为输入，所述支撑力作为输出；测量在主动运动模式下人体上肢受到的合力以及各个关节的实时关节角，利用实时关节角和预测模型获得康复机器人对人体上肢的预测支撑力，即上肢重力补偿预测值，利用所述人体上肢受到的合力减去所述预测重力补偿预测值，以此实现主动运动模式下人体上肢重力的补偿。
2.如权利要求1所述的一种上肢康复机器人的肢体重力动态补偿方法，其特征在于，在步骤s1中，计算机械臂对人体上肢的支撑力是通过测量人体上肢对康复机器人的扭矩，然后利用该扭矩计算获得人体上肢的支撑力。
3.如权利要求2所述的一种上肢康复机器人的肢体重力动态补偿方法，其特征在于，所述利用扭矩计算机械臂对人体上肢的支撑力，按照下列关系式进行：
其中，m是人体上肢对康复机器人的扭矩，j是关节坐标系到手臂护套坐标系的雅克比矩阵，是康复机器人对人体上肢的支撑力。
4.如权利要求3所述的一种上肢康复机器人的肢体重力动态补偿方法，其特征在于，所述支撑力采用最小二乘法计算获得。
5.如权利要求1或2所述的一种上肢康复机器人的肢体重力动态补偿方法，其特征在于，在步骤s2中，所述预测模型采用径向基函数神经网络构建。
6.如权利要求1或2所述的一种上肢康复机器人的肢体重力动态补偿方法，其特征在于，在步骤s2中，所述预测模型包括输入层、隐藏层和输出层，使用k-均值聚类法确定聚类中心和隐藏神经元宽度，以康复机器人关节角作为输入，上肢重力补偿值为输出。
7.如权利要求1或2所述的一种上肢康复机器人的肢体重力动态补偿方法，其特征在于，在步骤s2中，利用所述人体上肢受到的合力减去所述上肢重力补偿预测值时，还需将所述上肢重力补偿预测值转换至与所述合力至同一个坐标系中。
8.如权利要求7所述的一种上肢康复机器人的肢体重力动态补偿方法，其特征在于，所述支撑力按照下列关系式转换至所述合力的所在的坐标系中：
其中，是所述合力所在的世界坐标系中的支撑力，r是关节坐标系与世界坐标系的转换矩阵。
技术总结本发明属于重力补偿相关技术领域，并一种上肢康复机器人的肢体重力动态补偿方法。该方法包括下列步骤：S1将携带有康复机器人的人体上肢的运动划分为主动运动模式和被动运动模式，测量被动模式下康复机器人在不同位姿下各个关节的关节角，计算机械臂对人体上肢的支撑力，以此获得关节角和支撑力一一对应的数据集；S2构建预测模型，其中关节角作为输入，支撑力作为输出；测量在主动运动模式下人体上肢受到的合力以及实时关节角，利用实时关节角和预测模型获得上肢重力补偿预测值，利用合力减去重力补偿预测值，以此实现主动运动模式下人体上肢重力的补偿。通过本发明，解决传统重力补偿方法不能提供实时补偿或者动力学建模困难的问题。
技术研发人员：熊蔡华;张昊;何畅;陈名欢;邓地梁;李宇昊
受保护的技术使用者：华中科技大学
技术研发日：2021.04.30
技术公布日：2021.08.03
