張 洋,譚 昕
(江漢大學智能制造學院,武漢 430056)
如今智能機器人的研究是科學技術發(fā)展的最前沿熱點,其所包含的科學技術以及制造過程所需要的工藝過程都體現(xiàn)了一個國家的科學技術水準的綜合實力[1]。外骨骼機器人是一種能在人的主觀意圖下結合機械動力驅動的可穿戴與人一體化的智能設備,通過機械裝置的運動和助力,可以使得人在正常活動中減少身體機能的消耗[2]。外骨骼機器人可以用于醫(yī)療器械、工廠生產(chǎn)、軍事活動、抗險救災等多個方面[3]。在使用外骨骼機器人時,機器人設備與人體同步運動時,需要及時通過傳感器對運動時的物理信息進行采集提取,同時進行分析判斷,才能實現(xiàn)人與機器的同步實時運動。目前國內外的外骨骼機器人主要使用的傳感器分為兩種,即測量力、位移、角度等物理量的傳感器以及測量肌電(Electromy?ography,EMG)、腦電(Electroencephalography,EEG)等生物電信號的傳感器。檢測物理量的傳感器在對應的外骨骼機器人中應用的比較成熟,但其本身的固有性質是基于人體對機器人設備的作用力來進行信息的傳遞,在作用過程中就存在一定的滯后時間,使得外骨骼機器人在運動中存在一定的滯后,不能完美地實現(xiàn)人機一體化運動。結合生物電信號的研究發(fā)現(xiàn),肌電信號的產(chǎn)生總是超前于人體運動,其中表面肌電信號(Suface EMG,sEMG)采集方便且對人體無損傷,受到廣泛的研究使用。利用肌電信號的超前特性,應用于外骨骼機器人設備中能大大提升設備的實時性能。
本文簡要說明了最具代表性的下肢外骨骼機器人的現(xiàn)狀,講述了其工作的模式以及在運動過程中需要提取的信號。通過概括分析當下的相關技術特點以及應用的方面,對當下的外骨骼機器人識別處理過程中的關鍵問題進行了論述,并展望了未來的發(fā)展提升方向,為后續(xù)研究提供借鑒。
鮑登繩結構是在生活中常見的一種應用在外骨骼機器人中的結構,圖1所示為應用了鮑登繩結構的外骨骼機器人的膝關節(jié)結構的實物圖。圖2所示為實物圖的三維模型,其主要的動力是依靠鮑登繩的拉力帶動關節(jié)處的軸旋轉模擬人體的大腿、小腿、膝關節(jié)的抬腿運動[3]。這套設備的主要目的是為了在人行進過程中減少人體機能消耗,人在抬腿時通過鮑登繩拉動彈簧,彈簧在收縮過程中儲存彈性勢能,行進時腿緩慢放下過程中,彈簧儲存的彈性勢能釋放,勢能轉換為鮑登繩的拉力帶動膝關節(jié)彎曲,節(jié)省人體的能量消耗[4]。這套裝置對運動信息的采集依靠力傳感器和角度傳感器反饋的物理信息。如圖3所示,力傳感器和角度傳感器所測得的電壓通過芯片的處理獲得有效的數(shù)值反饋給主機程序,直觀地呈現(xiàn)出來[5]。此套設備的優(yōu)點在于結構簡單,便于控制且成本較低,但其依靠鮑登繩作為機構運動的動力,響應時間過慢,與人體一體化程度不高,且鮑登繩使用上磨損較大,會使得機構運動準確性進一步下降[6]。
圖1 鮑登繩外骨骼機器人實物
圖2 鮑登繩外骨骼機器人膝關節(jié)結構
圖3 傳感器信息傳遞
對于鮑登繩外骨骼機器人,在人體運動過程中所需要采集的運動信息單一,只需要一個對一個關節(jié)的力和位移進行采集分析,其優(yōu)點是數(shù)據(jù)直觀清晰,能明確地判斷出人體的運動狀態(tài)以及下一步的運動軌跡,但其繩結構的本身通過電機驅動,無可避免使得它的響應速度緩慢,無法實現(xiàn)運動中的步態(tài)一致,即使通過軟件算法的優(yōu)化也只能消除而不能避免滯后的存在。
不同于鮑登繩結構外骨骼機器人,圖4所示為一種多傳感器外骨骼機器人。這款外骨骼機器人的主體軀干結構與傳統(tǒng)的鮑登繩結構的外骨骼機器人的結構類似,但是他優(yōu)化了其中的鮑登繩材料,取消了鮑登繩和彈簧的柔性緩沖結構,替換成了諧波減速器和電機作為運動的驅動力,使其在運動的過程中相應速度提升,同時增加了機器人的整體使用壽命[7]。其中傾角傳感器、角度傳感器、角加速度傳感器等多傳感器構成傳感器系統(tǒng),傳感器系統(tǒng)采集人體軀干的傾角、髖關節(jié)的運動角度信息、膝關節(jié)和踝關節(jié)的運動角度信息以及足底壓力傳感器進行人體的步態(tài)分析[8]。
圖4 多傳感器外骨骼機器人實物
其中傾角傳感器測得人體軀干的傾斜角度,實時反饋人體運動時的身體傾斜情況,防止運動時摔倒。通過足底的壓力傳感器信息得到人在進行周期性行進動作時對應的相位動作信息,推斷出下一次落腳位置和時間等物理信息[9]。角加速度傳感器和角度傳感器所測得角加速度和旋轉的角度對應著髖關節(jié)、膝關節(jié)、踝關節(jié)在人體行進中的運動角度和速度,通過這些信息結合設備本身的尺寸可以反推出各個關節(jié)點的運動軌跡,用來模擬正常人行走的步態(tài)信息。采集到這些信息之后在電腦芯片中進行模型的訓練就可以幫助穿戴者在運動中節(jié)省人體的機能消耗,也可以用于醫(yī)療設備中幫助殘疾病人進行康復性訓練實現(xiàn)正常的行走[10]。
此設備的優(yōu)點比較于鮑登繩外骨骼機器人是添加了外骨骼機器人的智能性,使他不再單一于減輕人體的運動時的消耗。結合了多種傳感器,通過傳感器的反饋信息可以對人體的運動進行分析和預測,不僅可以提高機器人在運動中的相應速度,還可以保證機器人在長期使用中的損耗時精度不受影響[11]。此設備大大優(yōu)化了鮑登繩結構外骨骼機器人存在的缺陷,在其中添加了多個角度傳感器,通過提取人體運動時的關節(jié)角速度與角加速度這兩個物理量,結合人體的步態(tài)規(guī)劃可以動態(tài)地分析人體運動中的意圖,即角加速度判斷下肢的運動是加速還是減速預測下一步的運動意圖,提升了外骨骼機器人的性能,但在其相應的快速性上始終存在不足,這種設備的信息傳遞始終是人體作用于剛性的機械設備產(chǎn)生相互作用力之后傳遞的信息,此信息滯后于人體的運動,在運動之后才能通過傳感器傳遞人體的信息,從而進行下一步的運動分析和預測工作,這是這套設備存在的缺陷。
當下研究的熱點是一種結合人體生物電信號的外骨骼機器人,其所采集的表面電極產(chǎn)生機理如圖5所示。由圖可知,表面電極的產(chǎn)生先于人體肌肉產(chǎn)生的收縮力,所以能優(yōu)化外骨骼機器人人機合一上時間響應的問題[12]。
圖5 人體肌電信號產(chǎn)生過程
表面電極的采集常用的有針電極采集和表面肌電電機片采集。針電極采集人體表面電極是通過電極針插入到需要采集的肌肉中,在人體運動時檢測出肌肉的表面電極變化。電極片則只需要貼附于人體肌肉表面檢測即可,但是這種方式所采集的電極信號收到外界噪聲以及設備本身的干擾較大,需要進行信號的處理分析[13]。
如圖6所示,肌電信號外骨骼機器人的設備構成有別于多傳感器外骨骼機器人的主要是在硬件部分的設備。它不再使用傳感器所傳遞的信號來判斷人體的運動意圖,而直接提取人的生物信號來判斷人的運動意圖,這樣避免了傳感器機器人本身存在的信息滯后性,提高了人體運動時機器的響應速度,使得人機交互更加密切[14]。此設備當下的難點在于肌電信號所包含的人體信息十分復雜,在實驗處理過程中為了消除其他因素的影響要進行濾波處理得到要實驗分析的生物電信號,即得到的信號只能控制單一關節(jié)的動作,無法實現(xiàn)多關節(jié)的連續(xù)動作控制,存在著控制的局限性,不能對人體的整體運動進行廣泛地控制,還需要結合力傳感器等多信號交互進行人體動作的識別控制。
圖6 肌電信號外骨骼機器人信號傳遞
如圖7所示,對于傳感器采集到的運動信號,在信號的采集和傳輸?shù)倪^程中,難以避免地會受到溫度、噪聲、摩擦力等外界因素的干擾,會收集一些對運動信息無用的干擾信息。這種情況下,需要對傳感器采集到的信息進行過濾處理,剔除外界干擾信息等無用的信息。在對傳感器采集的原始數(shù)據(jù)進行處理時,可以采用巴特沃斯低通濾波器、FIR低通濾波器、小波去噪等進行去噪處理[15]。但在原始信號中,人體的運動信號與外界的噪聲信號存在重疊的情況,考慮到信號失真的情況不適用巴特沃斯低通濾波器和FIR低通濾波器[16]。
圖7 模式識別流程
對于表面電極片所采集到的電極信息同樣存在著電子器件、輻射、噪聲等干擾因素的影響,同樣需要對原始信號進行去噪處理。表面電極片采集到的信息可以通過數(shù)據(jù)采集儀傳輸至電腦主機中直接通過軟件進行處理。對原始信號的處理可以通過Matlab/Simulink中的Filter Designer設計滿足要求的濾波器提出外界干擾因素的影響[17]。在處理噪聲的同時要考慮到人體肌肉激活度的問題,人體肌肉肌肉激活度到達一定值時才會有相應的動作運動,因此在處理過程中要另外設計一組濾波器處理人體肌肉激活度得到有用的運動信息。
傳感器采集到的運動信息做預處理后,進一步將人行走過程中的膝關節(jié)角度和角速度、髖關節(jié)角度和角速度、大腿角速度各個數(shù)值進行平均值、均方差、均方根、相關系數(shù)、偏度的數(shù)學處理,得到各個動作對應的特征數(shù)值為運動模式識別做數(shù)據(jù)基礎[18]。
表面電極片采集到的運動信息做預處理后,通過肌肉電極激活度測得人體肌肉的收縮力大小,再根據(jù)人體肌肉的長度,表達出關節(jié)的力矩和關節(jié)轉角[19-20]。此部分的處理在于肌電信號在時域上劃分處理,劃分出不同運動過程中的表面肌電電機的數(shù)值,得出相應動作時的電極數(shù)值,為后續(xù)的運動模式識別打下數(shù)據(jù)基礎。
當下應用于外骨骼機器人中的分類器都是基于前期采集的特征數(shù)據(jù),分析處于不同運動模式下的數(shù)據(jù)特征差異來判斷進行分類都是在有監(jiān)督學習框架下的工作模式識別。本文主要介紹幾種常見的分類器。
2.3.1 KNN算法
K最近鄰算法是一種懶惰算法,其原理十分簡單,是記錄所有樣本數(shù)據(jù),計算出一個和所有樣本數(shù)據(jù)最接近的訓練數(shù)據(jù),依次來判斷新的數(shù)據(jù)分類是否符合條件。此算法的優(yōu)點在于簡單、易實現(xiàn),但其樣本計算量巨大,可解釋性差,使用于稀有事件分類。
2.3.2 GA-BP神經(jīng)網(wǎng)絡
GA算法——遺傳算法,是一種模擬自然界遺傳機制的算法,其原理是依據(jù)所需的適應度函數(shù),通過遺傳中的選擇、交叉和變異對樣本個體進行篩選,樣本個體中適應度高的個體數(shù)據(jù)被保留下來,反復循環(huán)下來得出最適應的樣本[21]。
BP算法——誤差反向傳播算法,其原理是在前饋網(wǎng)絡中,基于輸出信號與標記信號的誤差比較,通過誤差的大小利用梯度下降算法調整神經(jīng)元權值[22]。
結合兩種算法的優(yōu)點,將GA算法的全局性好的優(yōu)點和BP算法的最優(yōu)解精準的優(yōu)點相結合,提高神經(jīng)網(wǎng)絡的穩(wěn)定性。
2.3.3 極限學習機
極限學習機(ELM)是一種新型的快速學習算法,其主要是訓練單隱藏層前饋神經(jīng)網(wǎng)絡。ELM可以隨機初始化輸入權重和偏重并得到相應的輸出權重,不同于傳統(tǒng)算法的人為設定。依據(jù)Moore-Penrose廣義逆矩陣可以對單隱藏層神經(jīng)網(wǎng)絡解出,因此訓練參數(shù)減少,訓練速度加快[23]。
2.3.4 支持向量機(SVM)
SVM的原理是將樣本的特征向量映射到空間之中,SVM的目的就是將這些空間中的點用一個超平面將其劃分為不同的種類區(qū)分開來,訓練所使用的算法來求出這個超平面即為SVM[24]。
依據(jù)圖8所示的算法設計框圖,結合上述的分類器可以將前期采集得到的數(shù)據(jù)進行分類處理。將數(shù)據(jù)運用算法進行模型訓練,得到訓練模型之后就能對需要測試的數(shù)據(jù)進行驗證,測試訓練模型的準確性。
圖8 分類器模型設計流程
在使用KNN算法時,K值的設定會在較大程度上的影響分類結果,固需要多次驗證合適的K值找尋最適用的K值進行分類。對于GA-BP神經(jīng)網(wǎng)絡和極限學習機算法來說,其中的隱藏層影響著著分類的準確性,因此要對隱含節(jié)點的個數(shù)進行驗證,調整到最好的準確率再進行驗證實驗。在使用SVM時,要調整對應模型的懲罰因子C和函數(shù)的系數(shù)g得到最適合的訓練模型。
在多種算法的使用過程中,能發(fā)現(xiàn)對特征信號的識別分析的準確性還需要人為地調試從而不斷提升,所以在算法的設計過程要充分考慮人體的運動周期,對運動周期系統(tǒng)化劃分建立模型才能通過算法有效識別出人體的運動意圖,結合人體的運動機理研究不斷調整運動模型才能探索出最優(yōu)化的分類算法。
外骨骼機器人的運動信息的采集大多數(shù)還是使用傳感器,傳感器的使用簡單普遍,提取的信息也很直觀和準確,這些都歸功于現(xiàn)在傳感器設備的不斷更新?lián)Q代,設備的精度和效率越來越高,大大提升了機器人運動應用方面的快速性和準確性。但其本身固有存在著的物理信息延時性的特點是無法通過傳感器的升級換代和軟件的優(yōu)化消除掉的,所以人們在尋找著肌電信號的生物信息這種新型的信號應用于外骨骼機器人中來解決這方面的問題,使得人機交互更加緊密和迅速,讓機器人的運動更加貼合人體的需求,達到人機一體的目的。目前的方式應當著眼于優(yōu)化肌電信號的提取分析,不斷明確人體運動對應的不同肌電信號,才能以此來控制機器人的運動。雖然目前對于的肌電信號的研究還沒有那么徹底,但是已經(jīng)有了肌電信號控制單一關節(jié)的成果,可以在此基礎上利用肌電信號優(yōu)先于人體動作的特點,再結合傳感器等其他設備來控制其他的關節(jié)運動,可以優(yōu)化延時性的問題,提高機器人的響應速度,解決目前存在的一些問題。
肌電信號的優(yōu)點是顯而易見的,在未來也是研究發(fā)展應用的熱門技術難點。在未來的研究中應該關注以下的關鍵技術突破點:首先是人體的運動機理的研究和運動模式的系統(tǒng)劃分,對人體的運動所需的生理條件進行更加完善和細致的分解,這樣更有助于外骨骼機器人數(shù)據(jù)庫的升級完善,提高運動過程的意圖識別的準確性,并且也能改善目前肌電信號控制的單一性,使得肌電信號的對應動作不再是單一關節(jié)的動作,使得其控制效果更加全面。其次是總結外骨骼機器人針對不同身高體重的人群所具備的共性,使得外骨骼機器人的使用不再有局限性,不會使得不同人穿戴時出現(xiàn)運動識別上的錯誤,造成機器和人的運動不匹配的問題。最后則是當下的肌電信號外骨骼機器人所運用的肌電信號運動識別的控制單一,對下肢的整體運動無法進行完整的識別控制。即生物電信號所包含內容豐富,識別過程中的濾波處理只能得到單一設定的信號,對復雜運動的識別控制無法達到預期的效果。為了完善這一不足,在設備中加入物理信息的傳感器,提取更多的信息融合分析,完善人體運動過程中的實時識別提高人機交互的實時性能。