chapter13.1-基于阻抗匹配策略的物理人机交互控制

CHAPTER13其他应用人机交互系统人手臂阻抗参数识别机器人阻抗控制模型基于函数逼近的自适应控制器仿真213.1基于阻抗匹配策略的物理人机交互控制13.1基于阻抗匹配策略的物理人机交互控制物理的人机交互：提高机器人系统的安全性人机交互控制主要有两种方法：位置/力控制和阻抗控制，当外部约束条件已知时，阻抗控制有较好的跟踪能力根据人体手臂阻抗的变化来调节机器人阻抗模型的参数是提高人机交互性能的有效方法。采用人体手臂笛卡尔空间下刚度的估计模型对其末端刚度进行实时估计基于阻抗参数（质量、阻尼和刚度）完成人体手臂的阻抗估计模型引入基于函数逼近技术（FunctionApproximationTechnique，FAT）的自适应控制器来控制机械臂末端执行器的位置3人机交互系统1.人机交互系统的结构人机交互系统示意图4基于主从结构的阻抗匹配系统框架如下图所示。表面肌电信号和手臂姿态信息可使用佩戴在人体上臂和前臂上的两个MYO手环来测量，MYO手环通过无线网络连接到主计算机。然后，由主计算机计算发出的控制命令通过UDP发送到从计算机（Linux/ROS），用于控制机器人。2.人机交互原理人体手臂和机械臂交互简化模型人机交互系统包含人手臂和机械臂。5机械臂运动学如下：

（13.1）求其关于时间的二阶导数

（13.2）

6机械臂的动力学描述如下：（13.3）

机械臂阻抗控制模型阻抗控制是控制机械臂和环境（这里的环境是指人的手臂）之间的动态相互作用（相互作用力和轨迹）的常用方法7笛卡尔空间中机器人阻抗模型如下：（13.4）

交互过程中人体手臂的动态行为可描述如下：

（13.5）

人手臂阻抗参数识别1.人手臂雅可比计算（13.6）

8

图13.4人体手臂D-H模型2.最小活动臂关节刚度和共激活指数识别

图13.5用于终点刚度校准的实验装置Baxter机器人的一个夹具夹住受试者的腕关节以施加随机扰动获得十五种不同的配置对于每种配置，受试者尽可能保持三种不同的肌肉共激活水平9获得肌肉共激活指数p：采用移动平均过程和低通滤波器从EMG信号中提取包络。(如图13.6）图13.6通过移动平均过程和低通滤波器获得的肌肉共激活指数p的包络线MYO手环内的EMG传感器有8个通道，但只需要用其中两个靠近对抗肌肉的通道：二头肌和三头肌（13.7）

10机械臂端点位移和恢复力之间的动态关系可以描述如下：（13.8）

阻抗控制是控制机械臂和环境（这里的环境是指人的手臂）之间的动态相互作用（相互作用力和轨迹）的常用方法

（13.9）

11(13.10)

(13.11)

(13.12)

12机器人阻抗控制模型考虑如下时不变线性系统：

(13.13)

机械臂系统η的状态定义如下:

(13.14)

13系统如下所述：(13.15)

(13.16)

设计如下线性二次型调节器以最小化代价函数：(13.17)(13.18)

根据式（13.14-15）和（13.17）

14

(13.19)

(13.20)

根据式（13.19）、（13.20）和Riccati等式，期望的阻抗模型为

(13.21)

基于函数逼近的自适应控制器采用基于函数逼近技术的自适应控制器来控制机器人在关节空间中的轨迹。为了实现机械臂的控制算法，定义如下参数：(13.22)

由式（13.3）和式（13.22），可得

(13.23)15因此，得自适应控制器

(13.24)

根据式（13.23）和式（13.24），可得闭环关节轨迹控制系统：(13.25)

16采用如下函数近似方法(13.26)

估计值更新规则为(13.27)(13.28)(13.29)采用以下李雅普诺夫函数(13.30)

综上可得

17仿真1.仿真参数设置仿真：先用机器人工具箱建立一个两自由度模拟机械臂和一个四自由度模拟机械臂，分别模拟机械臂和人体手臂。参数描述数值连杆1的质量连杆2的质量连杆1的惯性连杆2的惯性连杆1的长度连杆2的长度表13.1机械臂模型参数18192.不同臂配置和模拟结果活动水平

图13.7两种不同的人体手臂姿态不同的手臂配置和肌肉活动水平导致人体手臂的刚