基于KMP的下肢外骨骼康复机器人及运动轨迹规划算法

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112859868A(43)申请公布日2021.05.28(21)申请号202110070852.8(22)申请日2021.01.19(71)申请人武汉大学地址430072湖北省武汉市武昌区八一路299号(72)发明人郭朝　肖晓晖　周智雍　钱伟　倪传政　(74)专利代理机构湖北武汉永嘉专利代理有限公司42102代理人许美红(51)Int.Cl.G05D1/02(2020.01)A61H1/02(2006.01)A61H3/00(2006.01)权利要求书1页说明书5页附图3页(54)发明名称基于KMP的下肢外骨骼康复机器人及运动轨迹规划算法(57)摘要本发明公开了一种基于KMP的下肢外骨骼康复机器人运动轨迹规划算法，包括以下步骤：将步态、步态相和刚度阻尼数据作为训练集；以训练集中的步态、步态相作为示教数据，使用高斯混合模型GMM建立关节概率分布模型；采用高斯回归算法计算训练集中样本之间的联合概率分布，根据需要预测的关节角度和阻抗函数的先验概率分布，计算其后验概率分布，得到预测值和方差的函数，指导参数轨迹的分布；通过两个高斯分布的KL散度最小化导出均值和协方差的最优解，并运用核函数制定KMP策略；根据到的使用者的步态相，通过KMP策略实时生成预测步态轨迹。CN112859868ACN112859868A权　利　要　求　书1/1页1.一种基于KMP的下肢外骨骼康复机器人运动轨迹规划算法，其特征在于，包括以下步骤：将步态、步态相和刚度阻尼数据作为训练集；以训练集中的步态、步态相作为示教数据，使用高斯混合模型GMM建立关节概率分布模型；采用高斯回归算法计算训练集中样本之间的联合概率分布，根据需要预测的关节角度和阻抗函数的先验概率分布，计算其后验概率分布，得到预测值和方差的函数，指导参数轨迹的分布；通过两个高斯分布的KL散度最小化方法导出均值和协方差的最优解，并运用核函数制定KMP策略；根据检测到的使用者的步态相，通过KMP策略实时生成预测步态轨迹。2.根据权利要求1所述的基于KMP的下肢外骨骼康复机器人运动轨迹规划算法，其特征在于，通过多个步态周期的迭代，以及包括均值、协方差和核矩阵的参数更新，使输出轨迹更接近于使用者所需康复训练轨迹。3.根据权利要求1所述的基于KMP的下肢外骨骼康复机器人运动轨迹规划算法，其特征在于，对输入的高维示教数据，对预测输出进行矩阵核化，以避免基函数的显性作用，高维数据包括力矩、关节转角、关节角速度。4.根据权利要求1所述的基于KMP的下肢外骨骼康复机器人运动轨迹规划算法，其特征在于，在外骨骼控制器进行轨迹跟踪时，利用步态相和步态相对应的关节角度作为期望点，对检测到的步态相进行在线规划，生成符合使用者运动状态的步态轨迹；针对每个步态周期中的步态相和对应的步态相角，在每一个步态相出现时实时在线规划步态轨迹，以减小人机之间的位置误差。5.根据权利要求1所述的基于KMP的下肢外骨骼康复机器人运动轨迹规划算法，其特征在于，在原始训练集中插入节点和端点，对训练集进行扩展，使用扩展后的训练集更新均值、协方差和核矩阵。6.一种基于KMP的下肢外骨骼康复机器人，其特征在于，该下肢外骨骼康复机器人执行如权利要求1‑5中任一项所述的基于KMP的下肢外骨骼康复机器人运动轨迹规划算法。7.根据权利要求6所述的基于KMP的下肢外骨骼康复机器人，其特征在于，该下肢外骨骼康复机器人包括控制盒（Ⅰ）、腰部结构（Ⅱ）、膝关节机构（Ⅲ）、小腿部分（Ⅳ）以及踝关节机构（Ⅴ）；控制元件置于控制盒（Ⅰ）中，腰部结构（Ⅱ）包括；背板、电池、驱动器、腰托、腰部和背部柔性连接、髋关节以及大腿连接件，其中驱动器部分包括离合器；膝关节机构（Ⅲ）为滚动凸轮变瞬心结构，连接大腿和小腿；小腿部分（Ⅳ）包括支撑小腿以及柔性绑带；踝关节机构（Ⅴ）与小腿相连。2CN112859868A说　明　书1/5页基于KMP的下肢外骨骼康复机器人及运动轨迹规划算法技术领域[0001]本发明涉及机器人运动规划领域，尤其涉及一种基于KMP的下肢外骨骼康复机器人及运动轨迹规划算法。背景技术[0002]随着中国老龄化形势日益严峻，而老年人随着年龄增长，运动能力减弱，且受到各种病症的影响，导致老年人生活受到极大影响。经过科学的治疗和康复训练后，部分人能够恢复运动能力。然而患者在自身运动能力缺乏的情况下，需要专业医师辅助康复训练。然而，因为专业医师的缺乏，大量患者得不到及时且科学的康复训练。针对这种现状，医疗机构开始采用康复机器人替代治疗师进行康复训练，减少人力成本的同时可以辅助患者进行准确科学的康复训练。外骨骼机器人因其跟人体肢体的贴合较好，且能较完整的带动肢体复现康复动作等原因，将外骨骼机器人作为康复机器人已成为一种发展趋势。[0003]然而目前外骨骼康复机器人多数采用固定轨迹，而固定轨迹无法适应不同体型和病情的患者需求。[0004]KMP全称是Kernelized Movement Primitive，其中文名为核化运动基元算法。由英国利兹大学的黄艳龙博士提出。使用核技巧避免了基函数的定义，从而解决了模仿学习过程中其他轨迹规划算法面临的高维输入的难。更重要的是，KMP仅需要学习少量的样本，而且能够生成经过不同节点和端点的适应性动作。因此，KMP适用于有多维控制变量输入的变刚度外骨骼机器人的轨迹在线规划与控制。发明内容[0005]本发明的目的在于提供一种能够在线生成可调步态的方法，针对不同穿戴者进行个性化建模，并能够根据患者意图实时调整步态的外骨骼康复机器人。[0006]本发明为达上述目的所采用的技术是：[0007]提供一种基于KMP的下肢外骨骼康复机器人运动轨迹规划算法，包括以下步骤：[0008]将步态、步态相和刚度阻尼数据作为训练集；[0009]以训练集中的步态、步态相作为示教数据，使用高斯混合模型GMM建立关节概率分布模型；[0010]采用高斯回归算法计算训练集中样本之间的联合概率分布，根据需要预测的关节角度和阻抗函数的先验概率分布，计算其后验概率分布，得到预测值和方差的函数，指导参数轨迹的分布；[0011]通过两个高斯分布的KL散度最小化方法导出均值和协方差的最优解，并运用核函数制定KMP策略；[0012]根据检测到的使用者的步态相，通过KMP策略实时生成预测步态轨迹。[0013]接上述，通过多个步态周期的迭代，以及包括均值、协方差和核矩阵的参数更新，使输出轨迹更接近于使用者所需康复训练轨迹。3CN112859868A说　明　书2/5页[0014]接上述技术方案，对输入的高维示教数据，对预测输出进行矩阵核化，以避免基函数的显性作用，高维数据包括力矩、关节转角、关节角速度。[0015]接上述技术方案，在外骨骼控制器进行轨迹跟踪时，利用步态相和步态相对应的关节角度作为期望点，对检测到的步态相进行在线规划，生成符合使用者运动状态的步态轨迹；针对每个步态周期中的步态相和对应的步态相角，在每一个步态相出现时实时在线规划步态轨迹，以减小人机之间的位置误差。[0016]接上述技术方案，在原始训练集中插入节点和端点，对训练集进行扩展，使用扩展后的训练集更新均值、协方差和核矩阵。[0017]本发明还提供一种基于KMP的下肢外骨骼康复机器人，该下肢外骨骼康复机器人执行如上述技术方案所述的基于KMP的下肢外骨骼康复机器人运动轨迹规划算法。[0018]接上述技术方案，该下肢外骨骼康复机器人包括控制盒(Ⅰ)、腰部结构(Ⅱ)、膝关节机构(Ⅲ)、小腿部分(Ⅳ)以及踝关节机构(Ⅴ)；控制元件置于控制盒(Ⅰ)中，腰部结构(Ⅱ)包括；背板、电池、驱动器、腰托、腰部和背部柔性连接、髋关节以及大腿连接件，其中驱动器部分包括离合器；膝关节机构(Ⅲ)为滚动凸轮变瞬心结构，连接大腿和小腿；小腿部分(Ⅳ)包括支撑小腿以及柔性绑带；踝关节机构(Ⅴ)与小腿相连。[0019]本发明产生的有益效果是：本发明提出了KMP核化运动基元算法的外骨骼康复机器人的运动规划算法，借助示教过程，其中包括力矩，关节转角，关节角速度等高维数据。以此为输入示教数据通过GMM和GMR计算出示教数据的均值和协方差，最后通过KMP算法实时在线调整期望轨迹，得出最适合使用者的运动/刚度轨迹，以此来提高外骨骼康复机器人的康复训练效率。相对于现有其他技术，本发明具有支持高维输入/输出，支持自定义轨迹节点以及端点，且允许模糊输入，同时可以在线动态调整预测输出轨迹。附图说明[0020]下面将结合附图及实施例对本发明作进一步说明，附图中：[0021]图1是本发明实施例KMP规划流程图；[0022]图2是本发明实施例步态/阻抗在线规划流程图；[0023]图3是本发明实施例下肢外骨骼康复机器人示意图。具体实施方式[0024]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。[0025]本发明实施例基于KMP的下肢外骨骼康复机器人运动轨迹规划算法，如图1和图2所示，包括以下步骤：[0026]S1、将步态、步态相和刚度阻尼数据作为训练集；[0027]S2、以训练集中的步态、步态相作为示教数据，使用高斯混合模型GMM建立关节概率分布模型；[0028]S3、采用高斯回归算法计算训练集中样本之间的联合概率分布，根据需要预测的关节角度和阻抗函数的先验概率分布，计算其后验概率分布，得到预测值和方差的函数，指4CN112859868A说　明　书3/5页导参数轨迹的分布；[0029]S4、通过两个高斯分布的KL散度最小化方法导出均值和协方差的最优解，并将均值和协方差最优解代入核函数制定KMP策略；[0030]S5、根据检测到的使用者的步态相，通过KMP策略实时生成预测步态轨迹。[0031]KMP运动规划流程为：[0032]KMP通过正常的动作数据集生成拟人运动轨迹，其中参数化轨迹为：[0033]ξ(s)＝Θ(s)Tw   (1)[0034]转角Θ(s)为：[0035][0036]其中，为基函数。设权重向量为正态分布，即：w～N(μw，∑w)[0037]N(μw，∑w)表示以μw为权重均值，∑w为权重协方差的正态分布[0038]TTξ(s)～N(Θ(s)μw，Θ(s)∑wΘ(s))      (3)[0039]KMP目标是令参数化轨迹模仿由参考数据建立的关节概率分布模型使用KL散度最小化方法。KL散度的最小化可确保在模仿学习过程中的信息损失最小，考虑目标函数的最小化：[0040][0041]其中Pp(ξ|sn)表示在给定输入sn的情况下的参数轨迹的分布，Pr(ξ|sn)对应于步态相输入sn相关的参考轨迹概率分布。[0042]DKL(·||·)表示参数轨迹的分布与参考轨迹概率分布之间的KL散度：[0043][0044]通过两个高斯分布的KL散度属性，将参数化轨迹改写为：[0045][0046]其中|·|和Tr(·)分别表示矩阵的行列式和迹线，权重向量的定义可进一步分解为均值最小子问题和协方差最小子问题。[0047]得出均值和协方差的目标函数最小化形式，以此解决均值和协方差的子问题，从而得出KMP公式，预测角度输出：k*(K+λΣ)‑1U和下一阶段参考轨迹：N(k(s*,s*)‑k*(K+λΣ)‑1k*T)/λ。[0048]对于高位输入的示教数据集，对预测输出进行矩阵核化，以避免基函数的显性作用。可以定义核矩阵：[0049]Tk(si,sj)＝Θ(si)Θ(sj)     (7)5CN112859868A说　明　书4/5页[0050]定义：[0051][0052][0053]表示示教数据构成的高斯混合模型中的均值，表示模型中的协方差[0054]对于任意输入步态相s*，KMP预测对应的输出为：[0055]ξ(s*)＝k*(K+λ∑)‑1U     (8)[0056]其中k*＝[k(s*,s1)k(s*,s2)...k(s*,sN)]        (9)[0057][0058]λ表示惩罚系数；[0059][0060]需要注意的是，本算法可以将原始参考轨迹和节点/端点连接起来以解决轨迹的扩展适应问题。[0061]例如，给出L个期望点(即为了解决轨迹扩展适应性问题所设计的预测轨迹经过点)，表示为其中和分别对应时刻设定点的均值和协方差，将与原始轨迹D连接，获得扩展后的参考轨迹以此作为训练集，通过示教数据的运动节点分布和其对应的关节角度等特性定义期望节点和端点，并进行期望数值的适应性调整，本算法可以生成所有经过期望点的适应轨迹，同时保持示教形状，另外可以通过新的任务需求设计期望点条件分布。[0062]根据上述KMP特性，步态规划的流程为：KMP通过正常的人体步态数据集生成拟人步态轨迹，而在外骨骼控制器进行轨迹跟踪时，由于使用者的状态变化，会出现实际轨迹和预设轨迹的偏差，进而产生人机之间的位置误差，此时利用步态相和步态相对应的关节角度作为期望点，可以针对检测到的步态相进行在线规划，生成符合使用者运动状态的步态轨迹。针对每个步态周期中的步态相和对应的步态相角，在每一个步态相出现时实时在线规划步态轨迹，就能够减小人机之间的位置误差。通过多个步态周期的迭代和参数更新，均值μ，协方差Σ和核矩阵K会不断更新，使输出轨迹更接近于使用者所需康复训练轨迹。[0063]KMP步态阻抗在线规划流程步骤如下：[0064]通过GMM和GMR的方法得到关节轨迹概率分布模型，KMP利用该模型(其中包括步态相与步态以及与之对应的刚度与阻尼)生成拟人步态轨迹；[0065]在线进行轨迹跟踪，利用状态变化产生的位置误差与步态相和步态相对应的关节角度、刚度和阻抗作为期望点，进行在线规划生成符合运动状态的步态轨迹以减少位置误差；[0066]根据多个步态周期的迭代和参数更新，在线规划所生成的轨迹逐渐逼近于使用者所需的康复训练轨迹。6CN112859868A说　明　书5/5页[0067]KMP训练过程主要包括基于核化运动基元的步态/阻抗规划，包括以下步骤：[0068]1.初始化[0069]定义核函数k(·,·)和惩罚系数λ。[0070]2.示教学习[0071]收集示教数据N表示轨迹长度，H表示示教数量，Sn,h表示步态相,h表示第h组示教数据，n表示第n个步长；[0072]建立高斯混合模型πc指高斯分布中的先验概率，N表示高斯分布。[0073]3.预测输出轨迹[0074]输入步态相s*；[0075]计算均值μ,协方差Σ，核矩阵K；[0076]输出本阶段预测轨迹E(ξ(s*))＝k*(K+λΣ)‑1μ；[0077]输出本阶段参考轨迹D(ξ(s*))＝N(k(s*,s*)‑k*(K+λΣ)‑1k*T)/λ，预测轨迹与示教数据类型保持一致，本专利中提出的轨迹规划算法可以同时输入多个类型的示教数据进行模仿学习。[0078]4.更新参考数据集[0079]在原始数据集中插入节点和端点；[0080]使用扩展后的参考数据作为训练集；[0081]更新均值μ,协方差Σ，核矩阵K。[0082]本发明算法搭载的设备为一种主被动结合的绳驱下肢外骨骼机器人，如图3所示，包括控制盒(Ⅰ)、腰部结构(Ⅱ)、膝关节机构(Ⅲ)、小腿部分(Ⅳ)以及踝关节机构(Ⅴ)。控制元件置于控制盒(Ⅰ)中，腰部结构(Ⅱ)包括了背板、电池、驱动器、腰托、腰部和背部柔性连接、髋关节以及大腿连接件，其中驱动器部分添加了离合器以实现主被动结合；膝关节机构(Ⅲ)为滚动凸轮变瞬心结构，连接大腿和小腿；小腿部分(Ⅳ)包括支撑小腿以及柔性绑带，可以进行长度调节；踝关节机构(Ⅴ)与小腿相连。控制盒(Ⅰ)执行上述实施例的基于KMP的下肢外骨骼康复机器人运动轨迹规划算法。[0083]本发明的下肢外骨骼机器人可以使患者肢体根据自身意图调整的步态中进行康复，更能增加其主动性和参与度，起到了促进恢复的作用。[0084]综上，本发明提出了KMP核化运动基元算法的外骨骼康复机器人的运动规划算法，借助示教过程，其中包括力矩，关节转角，关节角速度等高维数据。以此为输入示教数据通过GMM和GMR计算出示教数据的均值和协方差，最后通过KMP算法实时在线调整期望轨迹，得出最适合使用者的运动/刚度轨迹，以此来提高外骨骼康复机器人的康复训练效率。相对于现有其他技术，具有支持高维输入/输出，支持自定义轨迹节点以及端点，且允许模糊输入，同时可以在线动态调整预测输出轨迹。[0085]应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。7CN112859868A说　明　书　附　图1/3页图18CN112859868A说　明　书　附　图2/3页图29CN112859868A说　明　书　附　图3/3页图310