Assistive Control of Knee Exoskeletons for Human Walking on Granular Terrains

📄 arXiv: 2411.11777v2 📥 PDF

作者: Chunchu Zhu, Xunjie Chen, Jingang Yi

分类: cs.RO

发布日期: 2024-11-18 (更新: 2025-02-16)

备注: Ten pages, thirteen figures, submitted to IEEE Transactions on Biomedical Engineering (TBME)

💡 一句话要点

提出基于刚度模型预测控制的膝关节外骨骼辅助方法，提升沙地行走性能。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 膝关节外骨骼 模型预测控制 地面反作用力估计 机器学习 步态分析

📋 核心要点

  1. 人类在颗粒状地形行走时，步态和能量消耗与 твердом грунт存在差异，现有外骨骼控制方法难以有效适应。
  2. 论文提出基于刚度模型预测控制的膝关节外骨骼辅助方案，利用机器学习实时预测地面反作用力，并以此为基础进行力矩辅助。
  3. 实验结果表明，该方法能够有效降低沙地行走时的肌肉激活和代谢消耗，验证了其在复杂地形下的辅助效果。

📝 摘要（中文）

本文提出了一种基于刚度模型预测控制的膝关节外骨骼辅助方法，用于提升人类在沙地等颗粒状地形上的行走性能。首先，对比分析了人类在沙地和 твердом грунт上行走时的步态和运动特征。然后，提出了一种基于机器学习的估计方案，用于实时预测不同地形下人类行走时的地面反作用力（GRF）。基于估计的GRF和人体关节力矩，设计了一种膝关节外骨骼控制器，通过模型预测刚度控制方案提供辅助力矩。室内和室外实验验证了建模和控制设计的有效性及其性能。实验结果表明，在沙地上行走时，辅助外骨骼控制分别降低了15%的主要肌肉激活和3.7%的代谢消耗。

🔬 方法详解

问题定义：论文旨在解决人类在沙地等颗粒状地形行走时，由于地形不确定性导致的外骨骼控制困难问题。现有外骨骼控制方法通常针对 твердом грунт设计，无法有效适应颗粒状地形的步态变化和地面反作用力变化，导致辅助效果不佳，甚至可能增加能量消耗。

核心思路：论文的核心思路是利用机器学习方法实时预测不同地形下的地面反作用力（GRF），并将其作为模型预测控制器的输入，从而实现对外骨骼辅助力矩的精确控制。通过调整膝关节的刚度，使外骨骼能够更好地适应沙地行走的步态特征，降低肌肉激活和代谢消耗。

技术框架：整体框架包含三个主要模块：1) 步态和运动分析模块，用于对比分析人类在沙地和 твердом грунт上的行走特征；2) 基于机器学习的地面反作用力（GRF）估计模块，利用传感器数据实时预测GRF；3) 基于模型预测刚度控制的膝关节外骨骼控制器，根据估计的GRF和人体关节力矩，计算并施加辅助力矩。

关键创新：论文的关键创新在于将机器学习与模型预测控制相结合，实现了对外骨骼辅助力矩的自适应控制。传统的模型预测控制通常依赖于精确的动力学模型，但在复杂地形下难以建立准确的模型。通过机器学习实时估计GRF，可以有效克服这一问题，提高控制器的鲁棒性和适应性。

关键设计：GRF估计模块采用了机器学习算法（具体算法未知），利用传感器数据（例如IMU、力传感器等）作为输入，预测三个方向的地面反作用力。模型预测控制器采用基于刚度的控制策略，通过调整膝关节的刚度来实现辅助力矩的控制。控制器的目标函数可能包含能量消耗、步态稳定性等因素，并通过优化算法求解最优的刚度参数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在沙地上行走时，采用该外骨骼控制方法可以分别降低15%的主要肌肉激活和3.7%的代谢消耗。这些数据表明，该方法能够有效降低在复杂地形行走时的生理负担，具有显著的辅助效果。具体的肌肉激活和代谢消耗的测量方法未知。

🎯 应用场景

该研究成果可应用于康复机器人、军事外骨骼、以及辅助老年人或残疾人在复杂地形行走的设备中。通过自适应地形的辅助控制，可以显著降低行走时的能量消耗和肌肉负担，提高行动能力和生活质量。未来，该技术有望扩展到其他关节外骨骼，实现全身运动辅助。

📄 摘要（原文）

Human walkers traverse diverse environments and demonstrate different gait locomotion and energy cost on granular terrains compared to solid ground. We present a stiffness-based model predictive control approach of knee exoskeleton assistance on sand. The gait and locomotion comparison is first discussed for human walkers on sand and solid ground. A machine learning-based estimation scheme is then presented to predict the ground reaction forces (GRFs) for human walkers on different terrains in real time. Built on the estimated GRFs and human joint torques, a knee exoskeleton controller is designed to provide assistive torque through a model predictive stiffness control scheme. We conduct indoor and outdoor experiments to validate the modeling and control design and their performance. The experiments demonstrate the major muscle activation and metabolic reductions by respectively 15% and 3.7% under the assistive exoskeleton control of human walking on sand.