20、基于操作者重量感知的助力机器人建模、仿真与控制

基于操作者重量感知的助力机器人建模、仿真与控制

1. 引言

1.1 助力机器人及其当前应用

助力机器人是一种人机协作系统，可拓展人类执行任务的能力和技能。早在20世纪60年代，“人力放大器”和“Hardiman”的出现标志着助力机器人领域的突破，但该领域的研究进展至今仍不尽如人意。目前，助力系统主要为病人、残疾人及老年人开发，用于医疗保健和康复支持。此外，也有部分助力系统应用于其他领域，如婴儿车助力、农业作业工人的身体支撑、汽车液压助力、制造业技能辅助、汽车滑动门助力、自行车辅助控制以及体育训练辅助等。

1.2 工业中助力机器人搬运重物

在许多行业中，搬运重物是常见且必要的任务，这也成为助力机器人的一个潜在应用领域。例如，在制造与装配、采矿、建筑、物流运输、灾害救援、林业和农业等行业，经常需要移动重物。然而，人工搬运重物不仅繁琐，还容易导致与工作相关的残疾和疾病，如背痛。而自主系统在搬运物体时，在很多情况下可能无法提供所需的灵活性。因此，采用合适的人机协作系统，如助力系统，可能是工业中搬运重物的理想选择。但目前工业中尚未出现适用于此目的的助力系统，因为其设计尚未得到足够的关注。

1.3 助力机器人的重量错觉

助力机器人可减轻操作者对所搬运物体的感知重量。因此，使用助力机器人搬运物体所需的负载力应低于手动搬运时所需的负载力。然而，传统助力系统存在局限性，操作者在使用系统搬运物体前无法正确感知物体的重量，从而可能施加过大的负载力。这会导致加速度突然增加、操作者产生恐惧、缺乏机动性和稳定性，甚至可能引发致命事故。虽然有一些助力系统可用于搬运物体，但它们在安全性、机动性、可操作性、自然性、稳定性以及与用户的交互等方面表现不佳，因为其控制未考虑人类特性，尤其是重量错觉和负载力特征。

1.4 单手和双手操作的区别

在工业实践中，工人会根据物体的物理特征（如形状、大小、质量等）以及任务要求，选择使用单手或双手操作物体。研究假设，单手操作和双手操作在重量感知、负载力和物体运动方面可能存在差异，这些差异可能会影响控制建模。因此，有必要研究单手操作的重量感知、负载力和运动特征，并与双手操作进行比较，以便在助力控制建模中体现这些差异。

1.5 提升、下降和水平操作

在工业中，为满足任务需求，工人需要在不同方向上转移物体，如垂直提升、垂直下降和水平操作等。研究假设，在这些不同方向上操作物体时，机动性、重量感知、负载力和运动可能会有所不同，这些差异会影响控制和系统性能。虽然之前对垂直提升物体进行了研究，但水平操作物体的研究仍未得到充分关注，尽管在实际应用中水平操作非常普遍。目前，少数考虑水平操作物体的助力机器人系统并非针对工业应用，且由于其控制建模未考虑人类特性，性能存在局限性。

1.6 本章概述

本章介绍了一种与人类协作进行水平物体操作的助力机器人系统。该系统将重量感知纳入机器人动力学和控制中，并对水平操作物体进行了仿真。确定了水平操作物体的最佳机动性条件，并与垂直提升物体的条件进行了比较。同时，确定了实际重量与感知重量之间的心理物理关系，并分析了水平操作物体时的负载力和运动特征。最后，实施了一种新型控制方案，以减少过大的负载力和加速度，从而提高系统性能。

2. 实验机器人系统：配置、动力学与控制

2.1 配置

开发了一个具有单自由度（水平平移运动）的助力机器人系统，该系统使用由交流伺服电机驱动的滚珠丝杠组件。滚珠丝杠组件和伺服电机同轴固定在金属板上，金属板水平放置在桌子上。通过弯曲铝板制作了三个矩形盒子，作为被操作的物体。每个盒子可通过力传感器与滚珠丝杠组件的螺母相连，由人类受试者进行操作。系统中，伺服驱动器接收来自控制器的命令信号，放大后将电流传输给伺服电机，以产生与命令信号成比例的运动。位置传感器将物体的实际位移反馈给伺服驱动器，伺服驱动器通过比较实际位移和期望位移来调整命令信号。人类施加的力由力传感器感知，经放大后传输给控制系统，该力仅使物体产生运动（加速度）。

2.2 动力学

当受试者使用助力机器人系统水平操作物体时，物体的动力学可由以下方程描述：
[
m\ddot{x}_d = f_h + F_0
]
若将假设纳入动力学中，方程变为：
[
m_1\ddot{x}_d = f_h + m_2g
]
其中，$m$ 为物体的实际质量，$\ddot{x}_d$ 为物体的期望加速度，$f_h$ 为受试者施加的负载力，$g$ 为重力加速度。$m_1$ 和 $m_2$ 均代表质量，但 $m_1$ 形成惯性力，$m_2$ 形成重力，且 $m_1 \neq m_2 \neq m$，$m_1 \ll m$，$m_2 \ll m$，$|m_1\ddot{x}_d| \neq |m_2g|$。$m_1$ 和 $m_2$ 的差异源于人类对物体重量的感知与实际情况之间的差异。

2.3 控制

从上述动力学方程推导出以下方程：
[
\ddot{x}_d = \frac{1}{m_1}(f_h + m_2g)
]
[
\dot{x}_d = \int \ddot{x}_d dt
]
[
x_d = \int \dot{x}_d dt
]
在伺服电机的速度控制模式下，使用Matlab/Simulink进行系统仿真时，伺服电机的命令速度由以下方程计算：
[
\dot{x}_c = \dot{x}_d + G(x_d - x)
]
助力系统通常使用以下三种控制方法：
1. 基于位置的阻抗控制
2. 基于扭矩/力的阻抗控制
3. 力控制

基于位置的阻抗控制和基于扭矩/力的阻抗控制能产生较好的效果，而力控制在减少过大作用力方面的效果可能有所不同。本系统采用基于位置的阻抗控制，原因如下：
- 基于位置的阻抗控制可自动补偿摩擦、惯性和粘性等影响，而力控制需要考虑这些因素，但对摩擦力进行建模和计算非常困难。对于多自由度系统，动态效应和非线性力等会影响力控制的系统性能。
- 位置控制的滚珠丝杠传动比高，执行器力小，而力控制则相反。
- 高传动比下，位置控制更易于实现实际系统，而力控制则较难。

然而，位置控制也存在一些缺点：
- 位置控制的稳定性较差，当人类触摸/抓取物体进行操作时，会在 $x$ 和 $f_h$ 之间形成反馈回路，导致不稳定。相比之下，力控制的稳定性问题较少或不存在。
- 电机系统延迟对位置控制的稳定性影响更大。
- $G$ 值和速度控制虽可补偿摩擦、惯性和粘性等影响，但无法完全补偿，可能影响人类的重量感知。

若 $m$ 和 $m_1$ 之间的差异很大，位置控制会给伺服电机带来很大负载，导致不稳定，而力控制在这方面的影响相对较小。力控制和位置控制各有优劣，但本系统采用位置控制更为有效，未来可考虑采用力控制。

3. 实验1：分析机动性、重量感知、力和运动特征

3.1 受试者

十名年龄在23至30岁之间的机械工程专业男性学生自愿参与实验。他们身体健康，且对实验假设一无所知。实验前，向他们提供了实验说明，但未进行正式培训。

3.2 助力机器人系统的评估标准

助力可定义为增强人类能力或适应人类操作和工作情境的能力。特别是在为老年人和残疾人提供支持时，助力的目的是提高生活质量，包括支持自助和护理两个方面。助力系统有两个要求：一是放大人类力量、辅助人类运动等，这是助力的实现方式，但可能存在实现方法和人机系统稳定性等问题；二是安全性、安全感、可操作性和易用性等，这一要求虽不如前者具体，但对助力系统的实用性更为重要。在提升物体时，助力系统的主要要求包括机动性、安全性和稳定性，其中机动性起着关键作用。研究认为，只有轻便、自然且安全的系统才能提供一致的易用性和舒适性，但过于轻便的系统可能不安全、不易操作且不舒适。因此，将操作者的易用性和舒适性作为助力机器人系统机动性的评估标准。

3.3 实验目标

实验1的目标包括：
1. 确定最佳机动性条件。
2. 确定实际重量与感知重量之间的心理物理关系。
3. 分析负载力并确定负载力的过量情况。
4. 分析使用助力机器人系统水平操作物体时的物体运动，如位移、速度和加速度等。

3.4 实验设计

实验的自变量为 $m_1$ 和 $m_2$ 的值以及物体的视觉大小，因变量为机动性、感知重量、负载力和物体的运动（位移、速度和加速度）。

3.5 实验步骤

使用Matlab/Simulink对系统进行仿真，针对十二组 $m_1$ 和 $m_2$ 的值分别进行独立仿真。仿真前，设置了三个自定义模块（计数器、D/A转换器和A/D转换器）的参数。受试者分别使用机器人系统对不同大小的物体进行操作，每次操作后，对系统的机动性进行主观评价，评价分为五个等级：非常容易且舒适（得分：+2）、容易且舒适（得分：+1）、临界状态（得分：0）、不易操作且不舒适（得分：-1）、非常不易操作且不舒适（得分：-2）。同时，记录每次试验的负载力和运动数据。每次试验后，受试者还需用右手在桌子上水平手动操作一个参考重量的物体，通过比较感知重量，采用“恒定刺激”的心理物理方法估计物体的感知重量。

3.6 实验结果

3.6.1 最佳机动性

分别确定了十二组 $m_1$ 和 $m_2$ 值下，不同大小物体的系统机动性平均评价得分。结果表明，物体的视觉大小对机动性无影响，可能是因为人类通过触觉感官评估机动性，视觉大小线索对其无影响。十组 $m_1$ 和 $m_2$ 值获得了正得分，而另外两组获得了负得分。其中，$m_1 = 0.5kg$，$m_2 = 0.03kg$ 和 $m_1 = 1kg$，$m_2 = 0.03kg$ 两组得分最高，可实现最佳机动性。这些结果表明，若考虑 $m_1 \neq m_2 \neq m$，$m_1 \ll m$，$m_2 \ll m$，$m_1\ddot{x}_d \neq m_2g$ 的假设，才能区分出不同大小物体下具有满意机动性的 $m_1$ 和 $m_2$ 值组合。但目前尚不清楚这些最佳组合是否仅适用于本次实验条件，还是在实际工业应用中普遍适用。

$m_1$ (kg)	$m_2$ (kg)	平均机动性得分
1	0.06	+0.83(0.41)
2	0.06	+0.33(1.21)
0.5	0.03	+2.0 (0)
1	0.03	+2.0 (0)
1.5	0.03	+1.5 (0.55)
2	0.09	-0.17(0.98)
0.5	0.06	+1.0 (0)
1.5	0.09	-0.17(0.98)
0.5	0.09	+0.17(0.75)
1	0.09	+1.0 (0.63)
1.5	0.06	+0.67(0.52)
2	0.03	+1.17(0.41)

3.6.2 实际重量与感知重量的关系

分别确定了 $m_1 = 0.5kg$，$m_2 = 0.03kg$ 和 $m_1 = 1kg$，$m_2 = 0.03kg$ 两种条件下，不同大小物体的平均感知重量。假设 $m_2$ 为物体的实际重量，即每个物体的实际重量为 $0.03kg$ 或 $0.2943N$。结果显示，$m_1$ 不影响重量感知，而 $m_2$ 会影响。同时，视觉物体大小也不影响重量感知，受试者通过触觉线索估计感知重量，视觉线索无影响。当使用助力机器人系统水平操作物体时，感知重量约为实际重量的18%，这意味着水平操作时，助力系统可将物体的感知重量降低至手动操作时的18%。此前研究表明，垂直提升和垂直下降物体时，感知重量分别降至实际重量的40%和20%，水平操作时的重量感知更低，可能是因为重力得到了补偿。

3.6.3 力分析

通过分析典型试验的负载力时间轨迹，得出不同条件下不同大小物体的平均峰值负载力（PLF）。结果显示，$m_1 = 1kg$，$m_2 = 0.03kg$ 条件下的平均PLF略大于 $m_1 = 0.5kg$，$m_2 = 0.03kg$ 条件下的平均PLF。此前研究发现，负载力与 $m_1$ 成正比，且受试者对 $m_1$ 的变化不敏感。因此，推测 $m_1$ 较大导致了负载力较大。此外，受试者施加的负载力远大于实际所需的负载力，且PLF的大小与物体大小成正比。这些过大的负载力可能会导致机动性、安全性和运动等方面的问题。

$m_1, m_2$ 组合	大物体平均PLF (N)	中物体平均PLF (N)	小物体平均PLF (N)
$m_1 = 0.5kg, m_2 = 0.03kg$	2.9131(0.1307)	2.6020(0.1151)	2.4113(0.1091)
$m_1 = 1.0kg, m_2 = 0.03kg$	2.9764(0.2009)	2.6554(0.1552)	2.4602(0.1367)

3.6.4 运动分析

典型试验的位移、速度和加速度轨迹显示，负载力和物体加速度的时间轨迹同步，即负载力达到峰值时，加速度也达到峰值。但位移轨迹与负载力和加速度轨迹不同步，存在时间延迟。此前假设该时间延迟是由位置传感延迟引起的，而本研究表明，可能是位置传感器的时间常数和受试者调整情况及运动的延迟共同作用的结果。同时，推测这种时间延迟可能导致操作者感觉使用助力机器人系统操作的物体重量减轻。通过对每次试验的峰值速度和峰值加速度进行分析，结果显示速度和加速度较大，这可能是由于过大的峰值负载力导致的，对系统的机动性、安全性和运动等方面有害。

物体大小	$m_1 = 0.5kg, m_2 = 0.03kg$ 平均峰值速度 (m/s)	$m_1 = 1.0kg, m_2 = 0.03kg$ 平均峰值速度 (m/s)
大	0.1497(0.0149)	0.1557(0.0209)
中	0.1345(0.0157)	0.1399(0.0122)
小	0.1098(0.0121)	0.1176(0.0119)

物体大小	$m_1 = 0.5kg, m_2 = 0.03kg$ 平均峰值加速度 (m/s²)	$m_1 = 1.0kg, m_2 = 0.03kg$ 平均峰值加速度 (m/s²)
大	0.2309 (0.0901)	0.2701 (0.0498)
中	0.2282 (0.0721)	0.2542(0.0153)
小	0.1887(0.0298)	0.2134(0.0525)

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    classDef decision fill:#FFF6CC,stroke:#FFBC52,stroke-width:2px;

    A([开始]):::startend --> B(受试者操作PAO):::process
    B --> C{命令速度是否超过阈值}:::decision
    C -->|是| D(m1指数下降至0.5kg):::process
    C -->|否| E(m1保持不变):::process
    D --> F(继续操作):::process
    E --> F
    F --> G([结束]):::startend

4. 实验2：通过新型控制改善系统性能

4.1 实验

实验1结果显示，受试者施加的负载力和加速度过大，导致了一系列问题。实验2旨在通过应用新型控制方法来减少过大的负载力和加速度。新型控制方法为：当受试者操作物体且命令速度超过阈值时，$m_1$ 的值从较大值指数下降至 $0.5kg$。此前研究发现，负载力与 $m_1$ 成正比，且受试者对 $m_1$ 的变化不敏感。因此，降低 $m_1$ 可成比例地降低负载力，且不会影响动力学方程的关系。实验2的程序与实验1相同，但在仿真时，$m_1$ 和 $m_2$ 的值分别设置为 $m_1 = 6 * e^{-6t} + 0.5$，$m_2 = 0.03$（条件1.a）和 $m_1 = 6 * e^{-6t} + 1.0$，$m_2 = 0.03$（条件2.a）。受试者使用7点双极等间隔量表对系统性能进行主观评价，评价等级包括：最佳（得分：+3）、更好（得分：+2）、好（得分：+1）、相似（得分：0）、差（得分：-1）、更差（得分：-2）、最差（得分：-3）。

4.2 实验结果

4.2.1 峰值负载力和峰值加速度的降低

将实验2中 $m_1 = 6 * e^{-6t} + 0.5$，$m_2 = 0.03$ 和 $m_1 = 6 * e^{-6t} + 1.0$，$m_2 = 0.03$ 条件下的平均PLF与实验1中 $m_1 = 0.5$，$m_2 = 0.03$ 和 $m_1 = 1.0$，$m_2 = 0.03$ 条件下的平均PLF进行比较，结果显示，控制修改后PLF显著降低。同时，对比控制修改前后不同大小物体的平均峰值加速度，发现峰值加速度也有所降低，这可能是由于控制修改后峰值负载力降低，从而导致加速度相应降低。而速度在控制修改后变化不显著。

$m_1, m_2$ 组合	大物体平均PLF (N)	中物体平均PLF (N)	小物体平均PLF (N)
$m_1 = 6 * e^{-6t} + 0.5, m_2 = 0.03$	1.3569 (0.1154)	1.1123(0.0821)	0.9901(0.0910)
$m_1 = 6 * e^{-6t} + 1.0, m_2 = 0.03$	1.8646 (0.1707)	1.5761(0.1071)	1.0990 (0.0885)

物体大小	$m_1 = 6 * e^{-6t} + 0.5, m_2 = 0.03$ 平均峰值加速度 (m/s²)	$m_1 = 6 * e^{-6t} + 1.0, m_2 = 0.03$ 平均峰值加速度 (m/s²)
大	0.1234 (0.0403)	0.1404 (0.0302)
中	0.1038 (0.0233)	0.1220 (0.0107)
小	0.0884 (0.0311)	0.1008 (0.0164)

4.2.2 系统性能的改善

分别确定了三个物体的平均评价得分，结果显示，新型控制方法有效地改善了系统性能。不同大小物体在各条件下的得分相近，表明新型控制对各种物体均有较好的效果。

5. 结论

本研究提出了一种单自由度助力机器人系统，用于人类受试者水平操作物体。该系统将人类特征纳入机器人动力学和控制中，确定了操作物体的最佳机动性条件以及实际重量与感知重量之间的心理物理关系。通过分析重量感知、负载力和运动特征，实施了一种基于这些特征的新型控制方法，有效降低了峰值负载力和加速度，提高了系统性能。这些研究结果有助于开发适用于工业中搬运重物的人性化助力机器人设备，如制造与装配、采矿、物流运输和建筑等行业。同时，为读者提供了如何使用Matlab/Simulink对机器人系统进行建模、开发控制系统以及实现硬件和软件接口的生动示例。未来，将使用重物和真实机器人系统验证研究结果，将系统升级为多自由度系统，并研究水平操作中单手和双手操作在重量感知、负载力和运动特征方面的差异。

5. 结论（续）

在本次研究里，我们精心打造了一个单自由度的助力机器人系统，其核心目标是辅助人类受试者进行水平方向的物体操作。在这个过程中，我们大胆创新，将人类的特征巧妙地融入到机器人的动力学和控制体系之中。通过一系列严谨的实验和分析，我们成功地确定了操作物体时的最佳机动性条件，这就好比为机器人的操作找到了一把精准的“钥匙”，让其在工作时能够更加流畅和高效。同时，我们还深入探究了实际重量与感知重量之间的心理物理关系，这一发现为我们更好地理解人类与机器人之间的交互提供了重要的理论支持。

在对重量感知、负载力和运动特征进行细致分析后，我们基于这些宝贵的研究成果，精心设计并实施了一种新型控制方法。这种方法就像是给机器人装上了一个智能的“大脑”，能够根据实际情况自动调整，从而有效地降低了峰值负载力和加速度。这不仅提高了系统的性能，还大大增强了系统的稳定性和安全性，使得机器人在操作过程中更加可靠。

这些研究成果具有非常重要的现实意义，它们就像是一颗颗璀璨的星星，为开发适用于工业领域的人性化助力机器人设备指引了方向。在制造业和装配业中，助力机器人可以帮助工人轻松地搬运和操作重型零部件，提高生产效率和质量；在采矿业中，它可以在恶劣的环境下代替人工进行危险的作业，保障工人的生命安全；在物流运输和建筑业中，助力机器人也能够发挥巨大的作用，减轻工人的劳动强度，提高工作效率。

此外，本研究还为读者提供了一个生动且实用的示例，展示了如何使用Matlab/Simulink这一强大的工具对机器人系统进行建模、开发控制系统以及实现硬件和软件之间的接口。这就像是为读者打开了一扇通往机器人技术领域的大门，让他们能够更加深入地了解和掌握机器人系统的设计和开发过程。

然而，我们也清楚地认识到，目前的研究还存在一些不足之处。未来，我们将继续努力，使用更重的物体和真实的机器人系统对研究结果进行验证，确保研究成果在实际应用中的可靠性和有效性。同时，我们计划将系统升级为多自由度系统，这将大大拓展机器人的操作范围和灵活性，使其能够更好地适应各种复杂的工作场景。另外，我们还将深入研究水平操作中单手和双手操作在重量感知、负载力和运动特征方面的差异，进一步优化机器人的控制策略，提高人机协作的效率和舒适度。

6. 致谢

在此，我们要向日本教育、文化、体育、科学和技术部致以最诚挚的感谢。正是他们的慷慨资助，为我们的研究提供了坚实的经济支持，使得我们能够顺利开展各项实验和研究工作。没有他们的帮助，我们的研究可能无法取得如今的成果。

总结

助力机器人作为人机协作领域的重要研究方向，具有巨大的发展潜力和应用前景。通过本次研究，我们在助力机器人的设计、控制和应用方面取得了一系列重要的成果。我们将人类特征纳入机器人系统，确定了最佳机动性条件和心理物理关系，实施了新型控制方法，提高了系统性能。这些成果为工业领域的重物操作提供了有效的解决方案，同时也为机器人技术的发展做出了积极的贡献。

未来，我们将继续深入研究，不断完善助力机器人系统，使其更加智能化、人性化和高效化。我们相信，在不久的将来，助力机器人将在更多的领域得到广泛应用，为人类的生产和生活带来更多的便利和改变。希望更多的研究者能够关注和参与到这个领域的研究中来，共同推动助力机器人技术的发展，创造更加美好的未来。

以下是对本次研究的关键信息总结表格：
| 研究内容 | 具体成果 |
| — | — |
| 系统设计 | 开发单自由度助力机器人系统，融入人类特征 |
| 条件确定 | 确定最佳机动性条件 |
| 关系探究 | 明确实际与感知重量的心理物理关系 |
| 控制方法 | 实施新型控制方法，降低峰值负载力和加速度 |
| 应用前景 | 有助于工业领域重物操作的人性化设备开发 |
| 未来计划 | 验证结果、升级系统、研究操作差异 |

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A([当前研究成果]):::startend --> B(使用重物和真实系统验证结果):::process
    A --> C(升级系统为多自由度):::process
    A --> D(研究水平操作单手和双手差异):::process
    B --> E([未来完善的助力机器人系统]):::startend
    C --> E
    D --> E

通过上述的总结表格和流程图，我们可以更加清晰地看到本次研究的重点成果以及未来的发展方向。相信在不断的探索和创新中，助力机器人技术将迎来更加辉煌的明天。