面向直立抗扰的踝关节外骨骼人机协作控制策略优化

来源 :武汉理工大学 | 被引量 : 0次 | 上传用户:oliveloveyou6
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
外骨骼可以为穿戴者提供身体支撑、保护、助力等辅助作用。穿戴者肌肉活动与外骨骼助力间的适应问题,是人机协作过程中的技术难题。本文以踝关节外骨骼为例,研究直立抗扰任务下的人机协作机制,探索简单任务下外骨骼人机协作控制的一般规律。
  研究工作包括以下3个方面:
  (1)设计面向直立抗扰的踝关节外骨骼。基于直立抗扰下人体平衡机理,建立踝关节力矩模型;通过“沙袋撞击”实验研究直立抗扰下人体踝关节运动特性,提供机械设计参数;外骨骼作动结构上,采用串联弹性作动器和鲍登绳驱动,避免外骨骼体积大、惯性大、抗冲击性差等问题。
  (2)设计踝关节外骨骼力矩跟随控制的优化策略。采用三次样条曲线描述直立抗扰下外骨骼期望力矩;设计基于PID的外骨骼力矩跟随控制器;将穿戴者双腿肌肉激活量作为评估人机协作适应度的指标,建立人在环优化的目标函数;通过自适应粒子群改进算法,优化外骨骼期望力矩;获得最佳的力矩控制参数,实现直立抗扰下外骨骼人机协作最优控制。
  (3)设计人机协作直立抗扰实验。采用实时控制器搭建外骨骼硬件控制系统;基于Matlab提供的Simulink工具包编写外骨骼控制程序;设计3组对比实验,评估基于优化的人机协作控制对穿戴者运动性能的改善的作用。
  实验结果表明:基于优化的踝关节外骨骼人机协作控制策略,可以有效的降低穿戴者下肢肌肉激活程度,减少穿戴者踝关节动作力矩,完成直立抗扰任务,对穿戴者有明显、积极的辅助作用。这为外骨骼人机协作控制的研究,提供了一种通用的解决方法。
  
其他文献
随着世界各国把国防与外交重点不断向海洋转移,探索海洋、开发海洋资源成为了各个国家的关注重点,凭借无人化、智能化等优点,无人艇成为海上活动的重要载体。路径规划是无人艇运动控制的核心技术之一,标志了无人艇的智能化水平,但目前缺少结合实际航道规则进行无人艇路径规划的算法研究。本文在此基础上提出了一种新的遵循航道规则的无人艇全局路径规划算法,同时优化了局部路径规划算法。主要从以下几个方面展开研究工作:(1
学位
随着深度神经网络(Deep neural network,DNN)技术的发展,其在机器学习和模式识别领域有着广泛的影响,特别是在图像识别和自动语音识别(ASR)方面的成功应用。这鼓舞着我们继续探索DNN在其他方面的应用,这些领域有着部分相同的功能和过程。然而,其在一个新的领域的应用,需要依赖新的知识来提高性能。本研究重点研究了基于深度神经网络的说话人识别任务。所谓说话人识别,又被称为声纹识别技术,
制造业一直是国民经济的支柱,制造技术是国家综合国力与科技水平的一个侧面反映。但是目前我国的制造业水平与发达工业国家仍旧存在一定的差距,主要体现在产品技术、生产技术和管理技术的研究和应用上。而流水车间调度问题正是制造业企业在实际生产过程中经常遇到的关键问题之一,因此对该类问题的研究一直是学术界和企业密切关心的热点。另外,随着制造业的不断发展,国内外的行业竞争日趋激烈,客户的提出的需求也日益变得更加个
随着交通环境的日益复杂,高精度定位与地图匹配技术对于提高智能交通系统的效率与安全性愈有重要意义。现阶段的车道级定位与地图匹配方案主要依赖激光雷达、高清摄像机和差分卫星等,价格昂贵,且易受外界环境影响,无法短期内在消费者市场内广泛使用。本文所设计的车道级定位与地图匹配方案,融合多种低成本传感器信息,提高导航系统定位精度,并可在普通商业电子地图上完成车道级的地图匹配。本文主要研究内容如下:(1)完成了
基于视觉的目标检测技术在无人驾驶、门禁系统和军事等多领域应用越来越广泛。提高目标检测技术精度的关键在于克服其中多尺度目标检测、遮挡目标检测和多任务损失均衡问题。本文针对这些问题,开展了如下研究。首先,搭建了基于Faster-RCNN的目标检测网络算法研究平台,设计了一种自适应学习率衰减策略,避免训练时人工调整学习率,节省时间。在自选数据集VOC07+12上的测试表明,基于Res Net-101的F
学位
数字图像篡改检测是信息安全领域十分重要的一部分,已有大量的学者对此进行研究。传统的方法需手工设计特征,难以适应当前大数据的环境。本文在阅读大量文献的基础上,对将深度学习卷积神经网络应用到数字图像篡改检测,问题中进行了研究,对收集到的七个开源图像篡改检测数据特点进行了详细分析,提出了一种双通道图像篡改检测方法,并对比了传统基于单项图像处理技术的检测算法和一种新进提出的算法,实验部分证实了方法的有效性
学位
随着智能产业的持续发展和“互联网+”理念的不断深化,车辆的智能网联化将成为未来发展的趋势,而未来智能网联汽车的应用将极大的提升交通运输的效率与安全性。伴随着汽车网联化程度的提高,信息传输的准确性和实时性将变得越来越重要。因此,作为保障信息交互安全的车载无线通信系统的稳定是智能网联汽车发展的重要前提,那么对车载无线信道的特性进行研究就具有十分重要的意义。由于车载信道的时变非平稳性,使得一般的模型仿真
调整能源结构,加强能源安全已成为全球关注的一个热点,其中风能作为一种可再生能源具有良好的发展前景。风速预测对风电场和电力系统的运行都具有重要意义,准确的风速预测可以有效地提高风电场在电力市场中的竞争能力,优化风电场运营成本并提高风力发电的可靠性。由于风速数据具有非线性、非平稳、波动性大的特点,导致实际风速预测值具有时变性且预测难度大。论文研究了基于宽度神经网络集成学习的风速预测方法,主要工作如下:
学位
在物联网中,嵌入式处理器受功耗、散热、成本等因素的限制而算力有限,但众多传感器数据需要实时滤波并上传,所以对复杂现场的非线性问题通常使用简单的线性方法进行处理,因而不能获得良好性能;同时,传统非线性方法因计算复杂、不能满足实时化要求而鲜有采用。针对以上问题,结合项目实际,论文从理论上提出了一种稀疏核自适应滤波器的实时化策略,并通过实物测试验证了该策略的有效性。论文主要研究工作如下:针对嵌入式设备特
准确、稳定与实时的道路场景理解是无人驾驶系统安全运行的保障,而目标检测和语义分割是实现实例级和像素级理解的必经之路。然而,受雾霾天气等外界环境因素和道路场景中类别多样性等内部因素的影响,理解难度大幅提升。为提高无人驾驶中道路场景理解算法的准确率和实时性,本文进行了如下研究:首先,研究了道路场景图像去雾预处理算法。以AOD-Net去雾算法为基础,针对其提取的去雾特征难以满足高分辨率道路图像的问题,提
学位