从零到一认识外骨骼（6）

接前一篇文章：从零到一认识外骨骼（5）

本文内容参考：

知识宝典丨解码科技：外骨骼机器人的前世今生

外骨骼机器人（一）：Lokomat核心技术简介-CSDN博客

外骨骼机器人和人形机器人概览_机器人设计导则-CSDN博客

外骨骼机器人发展与应用全解析-CSDN博客

机器人前沿--下肢外骨骼机器人_下肢外骨骼机器人关节编程-CSDN博客

人工智能技术在外骨骼机器人中的应用，发展历程与原理介绍_外骨骼机器人的智能感知与识别-CSDN博客

外骨骼机器人的控制怎么做？_外骨骼姿态控制-CSDN博客

人体增强技术-CSDN博客

人形机器人关节动力图鉴，惠斯通三大电机系列为“钢铁之躯”注入灵魂

杀入千元级！外骨骼机器人卖断货，这些电机企业加速卡位-电子发烧友网

特此致谢！

二、深入了解

2. 外骨骼机器人的基本结构

（1）机械结构设计

在外骨骼机器人的机械结构设计中，关键组件包括：关节部分、长度调节结构、驱动电机和减速器。

设计人员需基于人体解剖结构和运动机理，确定外骨骼的尺寸调节范围和自由度分配。为确保结构强度和安全性，常采用有限元分析软件进行机械强度校核和模态分析。这种设计方法确保了外骨骼机器人能够安全、有效地辅助人体运动，同时满足不同体型使用者的需求。

（2）驱动系统设计

在外骨骼机器人的驱动系统设计中，主要有三种类型的驱动方式：电机驱动、气压驱动和液压驱动。其中，电机驱动因其结构简单、易于控制等特点，在外骨骼机器人中应用最为广泛。电机驱动可分为两种方案：

• 直接安装盘式电动机于旋转关节
• 利用电动推杆驱动

气压和液压驱动虽然原理相似，但在性能上有明显差异。液压驱动相比气压驱动具有体积小、重量轻、结构紧凑等优势，但由于对油液温度敏感、系统效率较低等因素，在实际应用中面临一定挑战。这些驱动方式的选择直接影响外骨骼机器人的性能和适用场景，因此在设计时需要权衡各方面因素，选择最适合的驱动方案。

（3）传感器系统

在外骨骼机器人的传感器系统中，关键传感器类型主要包括：

• 惯性测量单元（IMU）：用于测量机器人各关节的角速度和加速度。
• 力敏电阻(FSR)：安装在足底，用于检测地面反作用力。
• 力传感器：安装在人机接口处，用于测量人机交互。

这些传感器通过采集多模态信息，为外骨骼机器人提供全面的状态感知能力，支持精确的运动控制和人机交互。例如，IMU数据可用于实时计算关节角度；而FSR则有助于识别步态周期的不同阶段；力传感器则允许外骨骼感知用户的意图和需求，实现更自然、流畅的动作协调。

3. 人机交互与控制策略

外骨骼机器人能否成功地与人类合作，取决于其人机交互系统的设计。近年来，意图识别技术和自适应控制算法的研究取得了显著进展，使得外骨骼机器人能够更好地理解佩戴者的需求，并作出精准的反应。

（1）意图识别技术

在外骨骼机器人的人机交互系统中，意图识别技术扮演着至关重要的角色。通过多传感器信息融合，外骨骼机器人能够准确识别佩戴者的运动意图。近年来，研究人员在外骨骼机器人意图识别领域取得了显著进展，为提高人机协作的效率和舒适度做出了重要贡献。

支持向量机（SVM）被广泛应用于运动模式识别中，能够区分静态模式、步行、上下楼梯等不同的动作模式。更进一步地，研究人员通过结合主成分分析（PCA）降维处理，显著提升了数据处理的实时性。

一项值得关注的研究提出了一种基于 多传感器信息融合 的运动意图识别方法。该方法通过结合 脚底压力信号 和 人体运动相关信息 ，实现了对人体运动意图的精确识别。具体来说，研究人员利用 支持向量机(SVM) 技术成功识别了8种不同的运动模式，包括：

• 静态模式 ：静坐、双腿站立
• 动态模式 ：步行、跑步、上下斜坡、上下楼梯

这项研究为外骨骼机器人意图识别技术的发展提供了有价值的见解和实践经验，为未来的研究和应用奠定了坚实的基础。通过不断提高意图识别的精度和实时性，外骨骼机器人将能够更好地理解和响应用户的需要，从而提供更加自然、流畅的人机交互体验。

（2）自适应控制算法

在外骨骼机器人控制领域，自适应控制在外骨骼机器人控制系统中扮演着重要角色，自适应控制算法一直是研究的重点之一。近年来，研究人员在外骨骼机器人自适应控制方面取得了显著进展，尤其在迭代学习控制和基于用户偏好的学习算法方面表现突出。

研究人员提出的迭代学习控制方法结合了PD型迭代学习控制，通过不断调整和优化控制信号，显著提高了外骨骼机器人的性能。另有基于用户偏好的学习算法（如COSPAR算法）能够根据用户的需求和行为偏好进行个性化调整，从而提供更加自然、流畅的控制体验。

1）迭代学习控制

一项值得关注的研究提出了一种自适应切换的迭代学习控制策略，专门用于绳驱踝外骨骼力控制器的设计。该策略巧妙地结合了峰值迭代学习控制和传统的PD型迭代学习控制，实现了对外骨骼系统力控信号的精确调节。具体而言：

• 当峰值误差较大时，采用峰值迭代学习控制，仅对力控信号峰值点进行迭代更新；
• 当峰值误差较小时，切换为传统的PD型迭代学习控制，对力控信号的所有点进行迭代更新。

这种方法的优势在于既能保证助力曲线的平稳升降，又能实现快速收敛和较强的抗干扰能力。实验结果表明，与传统PD型迭代学习算法相比，该自适应切换策略具有以下优点：

• 更快的收敛速度
• 受干扰后更快的恢复速度
• 能够实现行走过程中辅助力的准确跟踪控制

2）基于用户偏好的学习算法

另一项值得关注的研究是COSPAR算法，它是一种基于用户偏好的自适应学习算法。COSPAR算法结合了Self-Sparring算法和合作学习的思想，通过维护基于可能动作的贝叶斯偏好关系函数，实现对外骨骼步态的个性化优化。该算法的工作流程可以简化为以下步骤：

1）稀疏数据表示

使用稀疏矩阵表示高维稀疏数据，如文本数据的词袋模型。

2）相似度计算

采用余弦相似度衡量向量间的相似度：

3）聚类中心初始化

使用k-means++方法初始化聚类中心。

4）迭代优化

将每个数据点分配给与其最相似的聚类中心：

更新聚类中心：

5）终止条件

聚类中心不再变化或达到最大迭代次数。

这些研究成果展示了自适应控制算法在外骨骼机器人控制中的重要性。通过不断优化和创新控制算法，外骨骼机器人能够更好地适应不同用户的需要和复杂的环境条件，为用户提供更加自然、舒适的辅助体验。未来，随着人工智能和机器学习技术的不断发展，我们可以期待看到更多先进、智能的自适应控制算法在外骨骼机器人领域的应用，推动这一技术向更高水平发展。

更多内容请看下回。