Multi-stage robust nonlinear model predictive control of a lower-limb exoskeleton robot

📄 arXiv: 2509.22120v1 📥 PDF

作者: Alireza Aliyari, Gholamreza Vossoughi

分类: cs.RO

发布日期: 2025-09-26

备注: 12 pages, 11 figures, 2 tables, under review at the journal of "Transactions of the Canadian Society for Mechanical Engineering"

💡 一句话要点

提出多阶段鲁棒非线性模型预测控制，提升下肢外骨骼机器人控制的抗扰动性。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 下肢外骨骼 模型预测控制 非线性控制 鲁棒控制 人机交互 多阶段优化

📋 核心要点

  1. 外骨骼机器人控制面临人机系统不确定性带来的鲁棒性挑战，传统线性化方法难以应对机器人动力学的非线性。
  2. 论文提出多阶段NMPC，通过非线性优化和多场景不确定性建模，提升外骨骼机器人在未知载荷下的控制鲁棒性。
  3. 实验结果表明，该方法显著降低了人机交互力，在存在未知载荷和扰动时，交互力的RMS值降低了77%至94%。

📝 摘要（中文）

本文提出了一种鲁棒非线性模型预测控制（RNMPC）方法，称为多阶段NMPC，用于控制二自由度下肢外骨骼。该方法通过求解非线性优化问题，并使用多个场景来表示系统不确定性，从而提高控制器的鲁棒性。研究重点在于最小化摆动阶段的人-机交互力，尤其是在机器人携带未知载荷时。仿真和实验结果表明，与非鲁棒NMPC相比，该方法显著提高了鲁棒性，实现了更低的跟踪误差和交互力。例如，当存在2公斤未知载荷和外部扰动时，多阶段NMPC的大腿和小腿交互力的RMS值分别降低了77%和94%。

🔬 方法详解

问题定义：论文旨在解决下肢外骨骼机器人在存在不确定性（如未知载荷、外部扰动）时，难以实现精确控制和降低人机交互力的问题。传统的基于线性化的模型预测控制方法，由于忽略了机器人动力学的非线性特性，在实际应用中性能会显著下降，鲁棒性不足。

核心思路：论文的核心思路是采用非线性模型预测控制（NMPC），直接利用外骨骼机器人的非线性动力学模型进行预测和优化，并通过多阶段方法来显式地考虑系统的不确定性。通过在优化过程中考虑多种可能的不确定性场景，使得控制器能够适应不同的工况，从而提高控制的鲁棒性。

技术框架：该方法采用多阶段NMPC框架，主要包含以下几个阶段： 1. 系统建模：建立二自由度下肢外骨骼机器人的非线性动力学模型。 2. 不确定性建模：使用多个离散的场景来表示系统的不确定性，例如不同的载荷大小、不同的外部扰动等。 3. 优化问题构建：构建一个非线性优化问题，目标是最小化人机交互力，同时满足约束条件（如关节角度、关节速度的限制）。优化变量包括控制输入（电机力矩）和状态变量（关节角度、关节速度）。 4. 优化求解：使用非线性优化算法（如SQP）求解该优化问题，得到最优的控制序列。 5. 控制执行：将最优控制序列的第一个控制输入作用于外骨骼机器人。 6. 重复预测：在下一个控制周期，重复以上步骤，实现滚动优化。

关键创新：该方法最重要的技术创新点在于将多阶段方法与非线性模型预测控制相结合，从而能够显式地处理系统的不确定性，并利用非线性动力学模型提高控制精度。与传统的鲁棒MPC方法相比，该方法不需要对非线性模型进行线性化，避免了线性化带来的误差，从而提高了控制性能。

关键设计：关键设计包括： 1. 不确定性场景的选取：需要根据实际应用场景，选择合适的不确定性场景，例如不同的载荷大小、不同的外部扰动等。场景数量的选择需要在计算复杂度和鲁棒性之间进行权衡。 2. 目标函数的构建：目标函数需要包含人机交互力、跟踪误差等多个指标，需要根据实际需求调整各个指标的权重。 3. 约束条件的设定：需要根据外骨骼机器人的物理限制，设定合适的约束条件，例如关节角度、关节速度的限制。

📊 实验亮点

实验结果表明，所提出的多阶段NMPC方法显著提高了外骨骼机器人的控制鲁棒性。在存在2公斤未知载荷和外部扰动的情况下，与非鲁棒NMPC相比，多阶段NMPC的大腿和小腿交互力的RMS值分别降低了77%和94%。这表明该方法能够有效降低人机交互力，提高控制性能。

🎯 应用场景

该研究成果可应用于多种下肢外骨骼机器人，例如用于康复训练、助力行走、负重辅助等。通过提高外骨骼机器人的控制精度和鲁棒性，可以有效降低人机交互力，提高穿戴舒适性和安全性，从而改善用户体验。未来，该方法可以进一步扩展到更复杂的机器人系统，例如多自由度外骨骼机器人、人机协作机器人等。

📄 摘要（原文）

The use of exoskeleton robots is increasing due to the rising number of musculoskeletal injuries. However, their effectiveness depends heavily on the design of control systems. Designing robust controllers is challenging because of uncertainties in human-robot systems. Among various control strategies, Model Predictive Control (MPC) is a powerful approach due to its ability to handle constraints and optimize performance. Previous studies have used linearization-based methods to implement robust MPC on exoskeletons, but these can degrade performance due to nonlinearities in the robot's dynamics. To address this gap, this paper proposes a Robust Nonlinear Model Predictive Control (RNMPC) method, called multi-stage NMPC, to control a two-degree-of-freedom exoskeleton by solving a nonlinear optimization problem. This method uses multiple scenarios to represent system uncertainties. The study focuses on minimizing human-robot interaction forces during the swing phase, particularly when the robot carries unknown loads. Simulations and experimental tests show that the proposed method significantly improves robustness, outperforming non-robust NMPC. It achieves lower tracking errors and interaction forces under various uncertainties. For instance, when a 2 kg unknown payload is combined with external disturbances, the RMS values of thigh and shank interaction forces for multi-stage NMPC are reduced by 77 and 94 percent, respectively, compared to non-robust NMPC.