《中國人工智能學會通訊》——3.26 人機互動控制政策

康複訓練中康複機器人時刻與人體互相作用，兩者之間的互動控制不可或缺。首先，互動控制可以為患者創造一個柔順、自然的人機接口，避免患肢由于肌肉痙攣等原因與康複機器人産生對抗力，進而避免給患者帶來二次傷害。其次，互動控制通過擷取患者的主動運動意圖，鼓勵患者積極參與到康複訓練中來，提高康複效果。

基于系統動力學模型的控制政策

基于人機系統動力學模型及力位傳感器測量值可計算得到患者對康複機器人主動施加力 / 力矩的大小，該力 / 力矩是患者運動意圖直覺的展現，基于該力 / 力矩可設計人機互動控制政策。由于随機幹擾、不精準的摩擦力模型以及康複機器人系統誤差等多種不确定因素的存在，康複機器人系統的精确模型往往很難獲得，給精确估計患者的主動力 /力矩帶來困難。

針對該問題，國内外學者進行了一系列相關研究。文獻 [14] 指出，機器人關節接觸面的法向力和靜摩擦力、粘滞摩擦力、庫倫摩擦力等幾乎所有類型的摩擦力均相關；這就意味着機器人遠端關節角度将對近基座關節的摩擦力産生顯著影響。基于該結論，文獻 [15] 在建立的 iLeg 康複機器人動力學模型中，考慮了耦合因素對髋關節摩擦力的影響，獲得了更為精确的關節摩擦力模型。由于安裝在關節位置的扭矩傳感器測量值中包含機械臂的關節扭矩、患者下肢的靜息扭矩以及患者下肢主動施加扭矩等三種扭矩值，為獲得患者主動施加扭矩，文獻[16] 分别建立了人體下肢動力學模型和康複機器人的動力學模型，分别用于估計人體下肢的靜息關節扭矩和機器人的關節扭矩，并進而聯合扭矩測量值計算得到患者主動施加扭矩值，通過實驗驗證了該方法的可行性。為消除未知環境下位置與剛度等不确定性幹擾以及機器人動力學系統模組化的不确定誤差，Seul 等[17-19]利用神經網絡作為補償器，提出基于神經網絡的機械臂力控制方法。此方法[17]在自由運動空間和與環境接觸運動空間中分别設計并訓練神經網絡補償器，用來補償未知環境下位置與剛度不确定性，以及機器人動力學系統模組化的不确定誤差，使得機器人能夠跟蹤期望力矩；并且機器人在自由運動空間向環境接觸空間運動過程中，機械臂與環境之間互動力保持期望的動态關系，進而提高系統魯棒性。基于三自由度旋轉機器人操作手的仿真實驗表明，在環境資訊完全未知的情況下，所提基于神經網絡補償的力控制器能夠保持良好的力跟蹤性能，即使環境剛度突然發生較大的變化，該方法仍能夠在 0.5 秒内收斂，是以所提基于神經網絡補償的力控制器對于康複機器人環境資訊模組化，不确定外加幹擾以及動力學模組化誤差具有良好的魯棒性。

Cheng 等[20]提出一種基于神經網絡的自适應控制器，以確定當運動學、動力學以及驅動器模型等存在不确定性因素時，機器人仍然具有良好的跟蹤性能。

由于機械阻抗的存在，外骨骼康複裝置往往會阻礙患者肢體擺動的靈活性。未經補償的機械慣量通常會降低患者肢體擺動的自然頻率，消耗更多能量。Gabriel 等[21]提出一種閉環控制器用來對慣量進行補償，閉環通路由角加速度值乘以負增益值組成，其中角加速度值經過低通濾波處理，而負增益用來模拟低頻負慣量；采用該慣量補償器在一台膝關節外骨骼康複機器人進行實驗發現，當控制系統中采用上述慣量補償控制器時，受試患者可以重新獲得他們正常穩定的膝關節運動頻率。

基于虛拟隧道的控制政策

Duschau-Wicke 等[22]提出一種患者合作式控制政策。該政策的核心思想是在理想的路徑空間周圍建立具備主動柔順性的虛拟牆，形成一條以理想路徑為中心的虛拟隧道。患肢處于隧道内部時可自由運動，并在運動前進方向上可獲得輔助力矩，進而輕松地完成沿着預定路徑的康複運動訓練；而當患肢處于隧道外部時，機器人将對其施加一個趨向于隧道中心的柔順力，進而将患肢拉回至隧道内部，同時通過圖形回報子產品，以給患者提供實時的視覺指導，提示患者主動調整患肢的運動方向。對 10名健康人與 15 名非完全脊髓損傷患者進行的實驗表明，在此政策下，患者可以主動地改變步态訓練的軌迹，控制步态時序；同時實驗中測量了表面肌電信号，該資料顯示，患者訓練具備更強的主動參與性，進而有效激發患者積極性。

Krebs 等[23]基于 MIT-MANUS 上肢康複機器人平台，在期望的運動方向上增加了滑動窗以監測肢體運動，當肢體運動速度過慢時機器人将提供助力，引導患肢運動，進而輔助患肢完成訓練。然而，此種訓練方式同樣存在弊端，即患者在康複訓練過程中往往選擇更為省力的方式進行運動[24] ，甚至執行純被動訓練。

Cai 等[25]在标準的空間步态軌迹基礎上設計了一個虛拟管道，允許患者偏離該标準軌迹一定距離。與前述方法不同的是，在 Cai 等提出的方法中，當患肢處在虛拟管道内時，機器人不提供輔助；隻有當超出通道邊界時，機器人才會糾正患肢的運動。是以，該方法需要患者更強的肢體功能才能完成訓練；如果患者肢體運動能力較差，将很難順利完成訓練，進而降低其主動參與的積極性。同時，Cai等還提出一種基于速度場、滑動窗的虛拟隧道控制政策。當患肢處于遠離虛拟隧道位置時，機器人将控制患肢以給定速度向隧道中心運動，該給定速度與患肢偏離隧道中心的距離成正比；同時，設計了沿虛拟隧道以給定速度前進的滑動窗，機器人根據患肢與滑動窗相對位置的不同對患肢施加助力或者阻力。針對該方法，Cai 等采用脊髓完全切斷的小鼠進行步态實驗，驗證了該方法的可行性[13] 。

此外，Hu 等[26]通過對任務路徑周圍建立虛拟管道的方式對患者的主動運動進行限制，避免患者較大偏離任務路徑；同時，基于空間與時間兩個次元對肢體運動進行輔助，通過犧牲部分空間自由度，以實作患者能夠調節訓練的節奏，進而激發患者主動參與訓練的積極性。

基于表面肌電信号的控制政策

表面肌電信号是骨骼肌産生的電活動信号 [27-28] ，可以通過貼合在皮膚表面的電極采集擷取[29-30] ，它具有非侵入性、易擷取、可操作性強、安全性高等特點，是人機互動控制中常用的生物信号之一。

表面肌電信号能夠反映特定肌肉群的激活程度，因而基于表面肌電信号的互動控制政策能夠更加細緻的監督與控制患者肢體的運動，且具有更大的靈活性與靈敏度。對于偏癱患者而言，可以運用健側肢體控制患肢進行運動訓練；利用患肢殘存的肌電信号，設計互動控制政策，則可以鼓勵患者主動收縮患肢肌肉，更有效地促進患肢功能的康複；對于患肢肌肉嚴重萎縮的情況，可以通過健全肌肉相關神經進行控制，進而重度癱瘓患者也能基于表面肌電信号進行康複訓練。

彭亮等[31]提出了一種基于表面肌電信号及Holf 頻率振蕩器的上肢康複機器人互動控制方法：首先，采集反應患者運動意圖的表面肌電信号；然後，基于該資料采用 Holf 頻率振蕩器拟合肌肉節律性收縮特性；進而，用該振蕩器控制上肢康複機器人輔助患者執行重複性的運動訓練。該方法既考慮了正常運動模式的學習，又綜合考慮了患者自身的運動意圖與實際參與運動訓練的能力。仿真分析與人機互動實驗驗證了所提方法能夠在較短時間中内實作與患者運動意圖的同步。

Yin 等[32]提出了一種針對偏癱患者的人機互動訓練政策：基于步行過程中受試者健側下肢的表面肌電信号，分析正常行走過程中兩側下肢運動的協調性，在此基礎上采用模糊神經網絡識别患側下肢的運動意圖，進而實作了患者和步态康複機器人的互動控制。兩名健康志願者的實驗表明，采用該互動訓練政策可實作受試者與機器人之間的實時互動，完成機器人輔助的主動步态康複訓練。

阻抗控制

在機器人與人機互動系統中，阻抗控制政策應用廣泛。該控制政策的概念最先由 Hogan 提出[33] ，是阻尼控制和剛性控制的推廣。阻抗控制的基本思想是允許患者偏離預定的參考軌迹而不是強制患者在固定軌迹上運動，偏離的程度取決于患者施加的力矩大小以及患者的行為模式，進而能夠為患者創造一個舒适自然的觸覺接口。阻抗控制器的實作不依賴于外界環境運動限制的先驗知識[34] ，實作相對簡單。

Hu 等[26]采用阻抗控制方法完成了人體主動力矩到實際運動的轉換，實作了康複機器人對患肢的主動柔順性，進而提供了一個能激發患者主動參與康複訓練任務的自然、安全、柔順的康複訓練環境；進而，以偏離參考運動軌迹的誤差及患者主動施加力矩方向為依據，采用自适應模糊控制算法調節運動阻抗值，建立了自适應的人際互動接口，在輔助患者完成主動康複訓練任務的同時也保證了患者安全。

Robert 等[35]提出基于阻抗控制方法與自适應控制其的“患者互動式”康複政策。該政策允許患者步态一定程度地偏離期望步态軌迹，偏離程度依賴于患者主動施加力以及設定的阻抗參數。當阻抗參數設定值較低時，患者能夠較為容易地完成步态訓練，激發患者積極性；當阻抗參數設定值較大時，康複機器人帶動患者進行被動訓練，不需患者肌力參與。自适應控制器能夠使患者适應更加個性化、自然舒适的步态模式，将阻抗控制與自适應控制政策相結合，可以互相取長補短，提高訓練效果。在步态訓練機器人 Lokomat 上進行的實驗表明，該政策能夠依據患者中樞神經系統殘存的肌肉控制能力，自适應調整機器人輔助力，使得機器人與患者之間的互動運動更為協調，并確定了一定程度的柔順性。

Fanny 等[36-37]提出基于備援自由度的變阻抗控制政策，通過笛卡爾阻抗控制調節器與備援解析方法的融合，提高人機互動性能與系統穩定性。其中，笛卡爾阻抗調節政策用來獲得末端執行器與人體施加力矩之間的柔順行為；備援解析方法用來解耦末端執行器的等效慣量，以保持機器人逼近給定的阻抗特性，并使控制器更為友善地尋找保持系統穩定的阻抗參數空間。考慮到互動過程中個體行為的差異性，作者在不同的阻抗調節政策中選取最優政策，并在七自由度訓練平台進行實體實驗。實驗結果表明，用來保證末端執行器慣量透明解耦的備援政策，能夠擴大阻抗參數的穩定空間區域，提高控制性能；同時，具備适當的阻抗參數自調節能力的變阻抗控制政策性能優于定阻抗控制政策。因為在變阻抗控制政策中，通過人為地引導機器人互動運動，人體感受更為舒适自然；同時能夠達到較好的精度與執行效率的折中。