资源描述：
《基于进化动态递归模糊神经网络的上肢康复机器人自适应阻抗控制》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、基于进化动态递归模糊神经网络的上肢康复机器人自适应阻抗控制高技术通讯2010年第20卷第10期:1072～1079doi:10.3772/j.issn.1002—0470.2010.10.015基于进化动态递归模糊神经网络的上肢康复机器人自适应阻抗控制①徐国政②宋爱国③李会军(东南大学仪器科学与工程学院南京210096)摘要针对机器人辅助患肢进行康复训练时患肢病情的变化对系统运动平滑性和稳定性造成的影响,在传统阻抗控制方法的基础上,提出了一种基于进化动态递归模糊神经网络(EDRFNN)的新的自适应阻抗控制方法.该方法根据
2、在线辨识得到的患肢机械阻抗参数,运用EDRFNN对目标阻抗控制参数进行动态调整.在调整过程中,首先采用混合进化算法离线优化目标阻抗控制参数,然后再利用基于Lyapunov函数稳定收敛性理论设计的动态BP算法对目标阻抗控制参数在线作进一步的调整.分析和仿真结果表明,这种新的方法较其它阻抗控制方法更能有效地适应患肢病情的变化,且具有较好的平滑性和稳定性.关键词康复机器人,动态递归,模糊神经网络,进化算法,在线辨识,自适应阻抗控制0引言康复机器人技术是近年来发展起来的一种新的运动神经康复治疗技术….在机器人辅助患者进行康复运动
3、的过程中,一个重要的方面就是康复机器人能够实时感知患者的病情状态并采取相应的控制策略,从而使得当患肢病情发生变化时,控制系统的运动平滑性基本保持不变.近年来不少研究者已经对此问题进行了研究,其中应用较为广泛的有力控制策略l,,基于力势场和生物电信号的控制方法等].阻抗控制是一种已被广泛用于康复机器人的运动控制的有效的机器人力控制方法_5J,这种传统的阻抗控制方法虽然取得了一定的效果,但是整个系统的性能仍然取决于目标阻抗控制参数的选取.随着智能控制技术的发展,阻抗控制方法和智能控制技术相结合,在一定程度上弥补了传统方法的不
4、足,提高了康复训练效果[7-9J.然而到目前为止,运用(模糊)神经网络技术设计的康复机器人阻抗控制策略大都基于前馈神经网络进行设计,前馈神经网络是一种静态网络,而患者在康复训练过程中,由于肌力/肌张力的变化,肌肉痉挛等因素的存在,其病情是动态多变的,此外,上述控制策略大都直接根据传感器检测信息进行设计,而且控制器参数多采用传统的易陷于局部最优的反向传播(back.propaga.tion,BP)算法进行优化,因此上述控制策略仍有一定的局限性.针对上述问题,本文提出了一种基于进化动态递归模糊神经网络(evolutionar
5、ydynamicrecur.rentfuzzyneuralnetwork,EDRFNN)的上肢康复机器人自适应阻抗控制方法.该方法以具有较好动态学习和映射能力的动态递归模糊神经网络(DRFNN)为基础分别设计目标刚度控制器和阻尼控制器,同时将传感器检测信息同患肢病情特性识别相结合,根据在线辨识得到的患肢机械阻抗参数,运用EDRFNN对目标刚度参数和阻尼参数分别进行在线调整;同时针对传统BP算法的缺点,提出一种控制器参数混合学习算法,该方法分别运用混合进化算法和基于Lyapunov函数稳定收敛性理论设计的动态BP算法对控制
6、器参数进行离线和在线优化.分析和仿真结果表明,较其它阻抗控制方法而言,改进后的控制策略能够较好地改善机器人辅助康复运动控制系统的动态性能,特别是在患肢病情发生变化时,系统具有更好的运动平滑性和稳定性.1患肢机械阻抗参数在线辨识研究表明,患肢在恢复的不同阶段中其机械阻抗,刚度,阻尼参数是不断变化的[11,12],这些参数较为准确地反映出了患肢在恢复过程中的病情特性.①863计划(2008AA040202)资助项目.思0979.生,博士;研究方向:康复机器人传感与控制技术;E-mail:xgzseu@yahoo.com.cn
7、③通讯作者,E.mail:a.g.song@seu.edu.cn(收稿日期:2009-08-03)徐国政等:基于进化动态递归模糊神经网络的上肢康复机器人自适应阻抗控制弹.()2EDRFNNfe1阻抗控制器=6+()一'一假设占,五为患肢机械阻抗参数b,相应的=占+(2)E:∑[()一()].(3)-0'=0(4)"『∑()()1Nl(5)L∑()()J警『∑戈()()]l(6)l∑()(f)j2.1EDRFNN阻抗控制器结构关节康复机械手在关节空间的动力学模型为M(9)9+h(9,)=f—f(7)式中,li,,O分别是关
8、节的加速度,速度和位置向量,M(0)∈R是正定的惯性矩阵,h(8,8)=C(,)+G(),其中C(9,)∈是哥氏力和离心力向量,G(9)∈R是重力向量,f∈是关节驱动力矩,f∈是患肢对康复机械手的反作用力矩.考虑目标阻抗控制模型MdX+Bd(—Xd)+JI;(—xd)=Fd—F(8)其中Md,Bd,Kd分别为目标惯性
