下肢外骨骼机器人系统设计与试验分析

2021-11-11张付杰李子建赵江海陈淑艳陈丹惠俞志鹏

昆明理工大学学报(自然科学版) 2021年3期

张付杰，李子建，赵江海，陈淑艳，陈丹惠，俞志鹏

(1.昆明理工大学农业与食品学院，云南昆明 650500； 2.常州先进制造技术研究所，江苏常州 213164)

0 引言

我国人口老龄化日趋严重，国家统计局提供的近5年国民经济和社会发展统计公报数据表明，我国65周岁以上老龄人口构成从10.5%升至12.6%，预计未来20年将会有超过4亿老龄人口[1].这类人群中由于生理机能衰退、重大疾病后遗症以及意外事故等带来的身体运动失能，使得致残率越来越高，这已经逐步成为我国必须重点关注的社会问题之一.因此为人体负重运动提供支撑、辅助和保护功能的穿戴式外骨骼机器人技术日益受到重视，成为国内外研究的热门领域.

自2004年美国加州伯克利大学研制出了第一款液压驱动外骨骼机器人BLEEX以来[2]，国外学者陆续研发出多款适用于各领域的外骨骼机器人，如日本筑波大学Yoshiyuki Sankai研究团队研制的HAL外骨骼机器人[3]，适用于脑卒中、肢体残障认识或老年行动机能衰退的患者的康复训练；以色列ReWalkrobotics研发的ReWalk下肢外骨骼助力机器人和美国伯克利仿生技术公司研发的eLEGS外骨骼系统，都是采用电池供电的仿生机械腿，在智能手杖的辅助下，协助下肢瘫痪的病人能够再次站立行走[4]；日本Honda Walking Assist辅助装置和韩国SeoKeehong团队研发的轻便外骨骼机器人Gems，结构部件大都采用轻便的碳纤维材料，总重量均小于4 kg，在髋关节处安装微型电机提供抬腿助力辅助老年人日常行走，用以提高老年人步态功能和中风患者复健[5]；美国哈佛大学设计的柔性外骨骼Soft Exosuit，与传统刚性外骨骼不同，驱动方式采用了气动肌肉，大量取消了刚性元件，实现运动过程中对人体运动的干涉最小化[6];与有动力源的外骨骼机器人不同，无源被动式外骨骼机器人主要通过机械支架牵引和弹性元件储能，将人体运动过程中的能量循环利用，从而降低穿戴者自身的能量消耗，如加拿大的Mawashi公司为美国海豹突击队研制的超轻被动型士兵外骨骼系统UPRIS和俄罗斯驻叙利亚的工兵执行扫雷任务用的K-2单兵外骨骼系统[7]；国外研发的外骨骼机器人还包括新加坡南洋理工大学的LEE、美国Parker公司的Indego、美国Ekso Bionic公司商业化的Ekso等外骨骼机器人[8].

在国内，中科院合肥物质科学研究院对外骨骼的构型、感知和控制方法等进行了分析研究，研发了康复下肢可穿戴助力机器人Exop-1，设备重19.6 kg，装有22个传感器[9]；电子科技大学机器人实验室开发的外骨骼机器人也成功地实现了助力行走，但在人机协调、运行噪声和续航方面有待进一步提高[10]；清华大学仿生机械系和德国亚琛工业大学共同研制的由齿轮减速电机驱动的下肢外骨骼LLE，被用特殊环境下辅助截瘫和脊髓损伤患者恢复运动能力，为实现外骨骼机器人轻量化，该团队提出髋、膝关节和腰部支撑紧凑化模块化设计[11]；此外西安交通大学、东南大学、海军航空工程学院等相关科研机构也开展了外骨骼机器人样机的设计与开发，如北京交通大学郭盛教授团队研制的基于肌电控制下肢气动外骨骼机器人，为外骨骼机器人柔性化提供了一种参考，但是运动范围受到气源和气泵的局限[12]；下肢外骨骼机器人驱动控制大都基于机构动力学，结合运动学分析位置、速度和加速度与输出扭矩之间的关系[13]，驱动关节采用PID控制，通过PID算法能够实现对步态曲线的跟踪，但在曲线拐点位置不能完全贴合，会导致跟踪曲线滞后[14]；东北大学研制的模糊PID外骨骼机器人，通过模糊自适应控制改善传统PID算法带来的跟踪滞后，获得了较为良好的跟随效果[15]；哈尔滨工业大学研制了多传感器混合相位控制下肢外骨骼机器人，采用惯性传感器IMU、足底压力传感器、背部扭矩传感器等采集运动信号，能够准确地进行人体行走步态识别[16]，以自适应阻抗控制方法提高姿态阶段的稳定性和抗冲击性以及主动干扰[17]，但是多传感器耦合增加了控制系统的设计难度，且机械结构笨重以及大量的走线及数据接口也不符合轻量化、小型化的发展.

针对传统刚性外骨骼结构笨重的问题，本文分析人体膝关节柔性产生机理，并提出一种基于串型弹性驱动器的外骨骼柔性关节，提出使用轻型扭矩传感器、磁编码器和陀螺仪取代传统复杂的多传感器耦合系统采集人体运动参数.根据人体下肢的关节转角、关节转矩等运动学及动力学参数，结合人体步态特征运动规律，研究基于人机交互作用原理的力随动控制算法，进行外骨骼机器人样机开发与性能验证，并对其运动特性和助力性能进行评估.

1 柔性外骨骼系统的硬件设计

1.1 外骨骼系统结构设计

本文设计的外骨骼系统，由柔性驱动关节、柔性支撑杆和柔性支架构成，柔性外骨骼虚拟样机、实物及穿戴如图1所示.驱动关节基于一体化架构和模块化设计理念，符合轻量化、紧凑化的发展趋势.当外骨骼机器人用于助力时，髋关节和膝关节设定2个主动自由度，用以提供抬腿助力.此外髋关节还配置2个被动自由度，踝关节也配置1个被动自由度.驱动关节中采用的串联弹性驱动器，具有柔顺、减振的功能特点；关节中安装扭矩传感器，可以有效识别与人体交互作用力.为了提高穿戴者的舒适性，外骨骼关节之间的支撑杆大量运用高强度轻量化材料，大量减轻了整机的重量.支撑杆件通过绑缚带与人体下肢紧密贴合，使得支撑杆可以和人体很好地匹配.柔性驱动关节可以方便挂载到柔性支架和大腿支撑杆上.整个机器人硬件模块间设计有快速拆装接口，可实现外骨骼系统的穿戴与解脱，同时通过折叠可有效减小在运输过程中的占用空间.

1.2 柔性关节驱动器运动分析与结构设计

(a) 虚拟样机 (b) 组装后的实物 (c) 人体穿戴图1 柔性外骨骼虚拟样机、实物及穿戴示意图Fig.1 Virtual prototype, physical object and display of flexible exoskeleton

(a) 人类膝关节结构图 (b) SEA模型与肌肉-肌腱组织模型图2 串联弹性驱动器的仿生功能Fig.2 Bionic function of SEA

串联弹性驱动器的设计参考了圆周型SEA[18].圆周型SEA通过在驱动器输出轴与负载机构之间串联弹性元件实现柔顺性，具有结构紧凑、关节活动范围大的优势.为提高柔性关节的集成度和功率密度比，参考工业机器人模块化驱动关节[19]，驱动方式采用盘式电机，关节走线采取中空结构，提高了通讯接口端子集成度，使得走线长度减少40%，避免走线缠绕引起的传输故障.柔性关节主要零部件包括中空伺服电机、空心主轴、谐波减速机、磁编码器、扭矩传感器、外壳及支架等.为减轻关节重量，主要传动和支撑部件采用高强度航空铝，覆盖件采用碳钢.为简化关节结构设计和减小关节体积，输出法兰的柔性连接部件由扭矩传感器代替.该设计方案既能够采集人体意图识别判断所需的交互扭矩信号，又使得关节具有柔顺、减振的功能特点.盘式电机驱动型柔性关节结构如图3所示.

图3 盘式电机驱动型柔性关节结构Fig.3 Flexible joint structure driven by disc motor

1.3 外骨骼系统硬件架构设计

依据一体化设计思路，建立基于CAN总线的柔性外骨骼分布式控制系统架构，如图4所示.针对下肢控制系统的实时性和稳定性要求，下肢控制系统采用三层结构的分布式控制系统：运动主控层、数据通讯层、电机驱动层.运动主控层是整个控制系统的核心，主要负责动力学计算和运动决策等；数据通讯层通过CAN总线获取关节扭矩、人体位姿等信息，为整个控制系统提供反馈；电机驱动层完成机器人的关节伺服实时驱动等功能.

图4 柔性外骨骼控制系统架构Fig.4 Flexible exoskeleton control system

控制系统的目标是使得外骨骼能够快速追随穿戴者运动，使穿戴者感受较小的阻力，从而增加穿戴的舒适性和稳定性.控制系统的硬件主要包括嵌入式高性能PC控制器、直流伺服电机、驱动单元和多种类传感器等模块，满足系统兼容、通讯、控制等方面的稳定性要求.

1.4 传感信息获取与处理

多传感器信息获取路径主要通过电动关节安装的扭矩传感器、磁编码器和位于腰部的陀螺仪，其中扭矩传感器、磁编码器用于获取大腿摆动的扭矩和加速度等信息，陀螺仪用于检测人体步姿的前倾角.基于以上传感器信号，柔性外骨骼可以对穿戴者步态意图进行预判，传感信息获取路径如图5所示.

图5 传感信息获取路径Fig.5 Path of sensor information

由于扭矩与加速度信号包含大量的随机噪声，为提高后续意图识别算法的准确性，本研究采用滑动平均滤波对上述2类传感数据进行处理，实验处理结果如图6所示.经过滤波后，传感数据的噪声得到很大程度抑制，为后续意图识别算法提供了保障.

图6 基于滑动平均滤波的传感信号处理结果Fig.6 Sensing signal processing results based on moving average filtering

2 外骨骼机器人动力学模型构建

在设计外骨骼助力控制算法之前，必须先建立外骨骼机器人的动力学模型[20].可以将下肢外骨骼机器人等效为二连杆机构，其机构简图如图7所示.

图7 下肢柔性外骨骼机构简图Fig.7 Mechanism diagram of lowerextremity flexible exoskeleton

采用拉格朗日方法推导外骨骼的动力学模型[21]，由图7所示，m1和m2为大腿和小腿的质量，k1和k2为大腿和小腿的质心，p1和p2为关节电机旋转中心到质心的距离，l1和l2为外骨骼大腿和小腿的长度，把髋膝关节转动角度θ1和θ2当作广义力坐标，髋膝驱动扭矩τ1和τ2当作广义力拉格朗日算子，带入拉格朗日运动方程可以推出如下模型.

大腿连杆的动能K1、势能P1可分别表示为：

基于以上分析，本文根据华南地区集装箱出口特点，综合考虑运输成本、时间及服务水平3个影响因素，并将各因素统一量化为成本量，进而利用AHP方法确定各指标的权重，建立成本价值量的经济性分析模型.成本价值量即各因素对路径经济性影响的损失价值，该值越小对应路径经济性越好.

(1)

P1=-m1gp1cosθ1

(2)

小腿连杆的动能K2、势能P2可分别表示为：

(3)

P2=-m2g[l1cosθ1+P2cos(θ1+θ2)]

(4)

综合式(1)～(4)，二连杆机构的拉格朗日函数L为：

(5)

根据式(5)，求拉格朗日函数L的偏导为：

(6)

(7)

根据(6)、(7)可以计算得到施加在髋关节和膝关节的理论扭矩值τ1和τ2为：

(8)

(9)

3 外骨骼机器人助力控制模式

柔性外骨骼与穿戴者构成一个完整的人机系统，为了达到协调运动目的，除了准确的意图识别，还必须构建有效的交互通道与控制算法.人机协调控制系统架构如图8所示，人机内部作用机制可由意图识别和机器人运动输出两个交互通道进行阐释.通过这两个交互通道，人体的运动意图由机器人准确实时获取，机器人按照设计的控制扭矩作用于人体，从而达到人机交互作用的协调统一.

图8 人机协调控制系统交互通道Fig.8 Human-machine coordinated control system interaction channel

在实际应用中，由于小腿连杆质量很小，二连杆系统可进一步等效为单连杆结构.这样设计可进一步简化控制模型，便于控制算法的实现.为满足助力功能，基于最小作用力原理的控制算法如图9所示.

图9 基于最小作用力原理的控制算法Fig.9 Control algorithm based on the principle of minimum force

助力模式中，设置电机为扭矩模式.由关节扭矩传感器获取的数据，实时计算人机交互作用力，与设置的人机交互最小力阈值进行比较后，进行各个关节扭矩的调节，以保持人体作用下的外骨骼系统助力输出灵敏度最大.设定助力方式为抬腿助力，落腿人体随动，通过各传感器信号判断落腿动作完成，进而实现穿戴者与柔性外骨骼顺应随动控制.外骨骼机器人控制算法流程如图10所示.

图10 外骨骼机器人控制算法Fig.10 Exoskeleton robot control algorithm

4 外骨骼机器人样机试验

整合机械、驱动、传感与控制单元，完成外骨骼系统集成后，对外骨骼机器人性能参数进行测试与校核，开展试验与评估.外骨骼机器人样机基础性能如表1所示.

表1 外骨骼机器人样机基础性能

4.1 外骨骼穿戴典型动作及随动控制测试

对穿戴者完成典型动作测试如图11所示.实验结果证明人机相容性高，能够支持原地摆动、慢走、快走等多种动作.在助力行走实验中，实时采集人体运动的扭矩、位置、速度和加速度信息，对随动控制算法进行验证，实验数据如图12所示.扭矩传感器电压与电机电流响应曲线如图13所示.

图11 外骨骼各类典型动作测试Fig.11 Typical action experiments of exoskeleton

图12 各类典型动作测试中运动学信息采集Fig.12 Kinematics information collection in typical motion experiments

图13 扭矩传感器电压与电机电流实时跟踪曲线Fig.13 Torque sensor voltage and motor current response curve

通过以上运动学信息采集，比较慢走和快走模式下的位置、速度和加速度信号，可以得出外骨骼机器人跟随人体运动时，没有产生明显的冲击；随着位置信号的变化，扭矩传感器除了步态切换时产生扭矩突变，大部分时间扭矩值为零，可以得出基于最小作用力原理的控制算法助力效果明显；分析慢走和快走模式的扭矩和加速度周期曲线，可以得出慢走助力平均峰值扭矩为15.3 N·m，快走助力平均峰值扭矩为18.2 N·m；根据扭矩传感器电压和电机电流信号可以得出电机响应扭矩传感器时间为0.02 s，电机跟随扭矩传感器的跟随速率良好，符合外骨骼助力行走实际需求.

4.2 外骨骼机器人穿戴助力效果试验

选择身高175～180 cm、体重60～80 kg男性受试者3名，于跑步机上设定以慢走3.5 km/h和快走6 km/h行走5 min，对比穿戴外骨骼机器人前后的心率(HR)值(次/min)，连续测量受试者3次，取平均值作为助力评价指标.测量仪器采用穿戴式华为WatchGT2的运动心率检测功能，外骨骼机器人穿戴前后平均心率对照如图14所示，穿戴前后助力效率分析如表2所示.