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以解决下肢外骨骼机器人控制问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 外骨骼机器人 鲁棒控制 非线性模型预测控制 人机交互 优化算法 康复技术 动态系统

📋 核心要点

  1. 现有的线性化方法在处理外骨骼机器人的非线性动态时，容易导致性能下降，无法有效应对人机系统中的不确定性。
  2. 本文提出的多阶段鲁棒非线性模型预测控制（RNMPC）方法，通过解决非线性优化问题，利用多种场景来表示系统的不确定性，从而增强控制的鲁棒性。
  3. 实验结果显示，采用多阶段RNMPC方法后，机器人在承载未知负载时，交互力的均方根值显著降低，分别减少77%和94%。

📝 摘要（中文）

随着肌肉骨骼损伤病例的增加，外骨骼机器人的使用日益增多。然而，其有效性在很大程度上依赖于控制系统的设计。设计鲁棒控制器面临挑战，尤其是在存在不确定性的情况下。本文提出了一种多阶段鲁棒非线性模型预测控制（RNMPC）方法，旨在通过解决非线性优化问题来控制一个具有两个自由度的外骨骼机器人。该方法利用多种场景来表示系统的不确定性，重点在于最小化摆动阶段的人机交互力，尤其是在机器人承载未知负载时。仿真和实验结果表明，该方法显著提高了鲁棒性，跟踪误差和交互力在各种不确定性下均有显著降低。

🔬 方法详解

问题定义：本文旨在解决外骨骼机器人控制中的鲁棒性问题，现有的线性化方法在面对非线性动态时表现不佳，导致控制效果不理想。

核心思路：提出多阶段鲁棒非线性模型预测控制（RNMPC）方法，通过非线性优化来处理人机交互中的不确定性，增强控制系统的鲁棒性。

技术框架：该方法包括多个阶段的优化过程，首先通过建模系统的不确定性，然后在每个阶段解决非线性优化问题，以最小化人机交互力。

关键创新：最重要的创新在于引入多场景表示不确定性，克服了传统线性化方法的局限性，使得控制系统能够在复杂环境中保持高效性能。

关键设计：在设计中，采用了特定的损失函数来优化人机交互力，并通过仿真和实验验证了不同负载和外部干扰下的控制效果。具体参数设置和优化算法的选择也对最终性能有显著影响。

📊 实验亮点

实验结果显示，采用多阶段RNMPC方法后，机器人在承载2 kg未知负载和外部干扰时，交互力的均方根值分别降低了77%和94%，显著优于非鲁棒NMPC方法。这表明该方法在复杂环境下的有效性和鲁棒性。

🎯 应用场景

该研究的潜在应用领域包括医疗康复、助行设备和人机协作机器人等。通过提高外骨骼机器人的控制鲁棒性，可以更好地支持肌肉骨骼损伤患者的康复，提升其生活质量。未来，该技术有望在更广泛的机器人应用中发挥重要作用。

📄 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.