【20250104】TRO论文：基于人体行为迭代学习的外骨骼自适应步态模式调整策略...

【基本信息】

论文标题：Iterative Learning of Human Behavior for Adaptive Gait Pattern Adjustment of a Powered Exoskeleton

发表期刊：IEEE Transactions on Robotics (TRO)

发表时间：2022年2月7日

【访问链接】

论文：https://ieeexplore.ieee.org/document/9705479

【科学问题】

对于康复外骨骼机器人来说，步行辅助大多是通过给定的预定义步态轨迹来控制的，因为对于完全性脊髓损伤的人来说，下肢的运动功能完全丧失，既没有办法采集患者自己的步态轨迹，也无法使用肌电传感器采集肌电运动信号(EMG) 来获得运动意图。同时，由于患者的感觉功能丧失，其下肢在运动过程中无法感受温度、力和皮肤接触情况，导致无法获得运动的反馈信号。

然而，预定义的步态模式导致的一个重要问题就是运动过程相对固定，缺少对运动状态（尤其是运动姿态）的自适应过程。例如：身体前倾会导致过早地接触地面（如图(a)所示），脚在摆动时碰撞到了地面；身体向后倾斜导致延迟接触地面（如图(b)所示），摆动腿会在悬空的情况下切换为支撑状态。

解决这个问题的一种方法是对步态轨迹进行参数化，即为每个关节轨迹定义一个可参数调整的数学函数。

但是，这些步态参数的值可能因人而异，因此常常采用反复行走试错的方式来获得局部最优的参数，导致应用十分局限。

因此，本文提出了一种基于人体行为迭代学习的外骨骼自适应步态调整策略，可以根据穿戴者躯干的倾斜角度来自动调整步态参数，使得外骨骼机器人辅助穿戴者的运动过程可以根据运动状态进行在线呢调整，以适应不同的运动姿态，保证穿戴者的步行稳定性。

【核心研究思路】

本文提出了一种基于人体行为迭代学习的外骨骼自适应步态调整策略，主要思路及创新部分如下：

• 首先构建基线步态模式，由躯干倾斜角度参数化，通过调整躯干倾斜角度即可对步态模式进行修正；

• 提出人体行为迭代学习算法，迭代地观察地面接触时间，用躯干倾斜角度的调整误差进行补偿，最终为穿戴者提供自适应的步态模式。

下面是核心过程的详细介绍：

1. 基线步态模式

基线步态模式由人的身体尺寸、运动范围和躯干倾斜角度参数化来确定，并且假定前脚触地时，前肢小腿与地面是垂直的。

通过设置髋关节和膝关节的最小安全角度，将踝关节的角度用躯干倾斜角度和几何关系来表示。

2. 人体行为迭代学习

1）对于提前触地的情况（设置平面是关节轨迹生成算法假想的坐标平面）。摆动脚触地，支撑腿遵循支撑轨迹，摆动腿遵循摆动轨迹。此时，躯干倾斜角度超出预期，出现正调整误差（即和之间的相对角度）。

和表示从支撑脚尖处观察到的摆动腿的末端轨迹在地面坐标系下的正向运动学。

由于设置平面（set ground）和实际平面（actual ground）的错位出现在支撑脚尖处，根据脚尖位置和实际平面的交点来计算触地时间（脚尖和实际地面接触的最短时间）：

2）对于延迟触地的情况。延迟触地发生在步态阶段已经改变的时候，支撑腿遵循摆动轨迹，摆动腿遵循支撑轨迹。此时，调整误差为负。

假设调整误差发生在支撑脚的脚后跟处，因此摆动脚的接触点也是脚跟点。和表示从支撑脚尖处观察到的摆动腿的末端轨迹（脚跟点）在地面坐标系下的正向运动学。

根据脚跟位置和实际平面的交点来计算触地时间（脚跟和实际地面接触的最短时间）：

这里添加了一个表示考虑经过了一个单步迈步的持续时间。

步态模式通过人体行为迭代学习的迭代进行调整。

人体行为迭代学习的主要目标是通过调整躯干倾斜角度来改变触地时的姿态，从而同步改变步态模式，使穿戴者每隔接触地面一次。

迭代学习的更新方程为

其中，是第i次迭代躯干倾斜角度的调整误差，是迭代学习的增益，是前面两种情况计算的触地时间的反函数。

根据调整误差，根据迭代的躯干倾斜角度进行补偿：

当触地时间的误差范数小于阈值的时候中止迭代。

3. 人体行为迭代学习的鲁棒性问题

本文在原始人体行为迭代学习算法的基础上，考虑了三种不确定性因素下原算法的改进：

其中：

• 鞋子的柔性导致围绕脚尖和脚跟旋转的位置发生变化（）；

• 实际摆动脚的接触点与脚尖的位置可能存在微小的距离（）；

• 由于矢状面外的自由度不可能，实际运动可能存在侧向倾角的影响（）。

【实验结果】

本文一共有两个实验。第一个实验是验证人体行为迭代学习的收敛性；第二个实验是验证调整后的步态模式在多个性能指标（步行速度、能量消耗等）中的优越性。

• 实验1中两名截瘫患者在平坦地面上直线行走直到人体行为迭代学习迭代20次。每个受试者都有两种初始步态模式（即两种不同的躯干倾斜角度），为了观察 ILHB 能否在不同的初始设置条件下稳健地实现收敛的目标。

• 实验2用来评估人体行为迭代学习获得的调整后的步态模式是否对穿戴者产生了积极的影响。人体行为迭代学习会减少异常地面接触所产生的负面结果，具有同步步态模式的穿戴者表现出增强的步行性能，并实现更舒适的步态（不会因平衡、持久冲击等而消耗不必要的能量）。

实验所用的下肢外骨骼机器人WalkOn在Cybathlon2020比赛中取得了冠军的好成绩，比赛视频节选：

欢迎关注公众号【沙漏AI机器人】，我们将持续分享AI与机器人领域的前沿技术。