买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：燕山大学

摘要：本发明涉及一种基于信息融合的上肢康复机器人控制方法，属于康复机器人技术领域，包括根据机器人末端的位置、速度和患者对机器人末端施加的力来预测患者的运动意图；根据机器人末端位置及与外部环境碰撞的力来估计环境特征；根据患者施加在机器人末端的力及其变化率，基于卡尔曼滤波算法对运动意图和环境特征进行信息融合；基于模糊朴素贝叶斯原理，计算机器人当前的末端位置及与外部环境碰撞力的基本概率分布，判断任务是否完成；由于任务过程中的碰撞，引入柔顺模型，减小机器人末端与外部环境发生碰撞时的力，以保证任务操作过程中的安全性。本发明不仅提高了训练任务的完成度和患者的主动参与度，也提高了康复机器人辅助的智能性。

主权项：1.一种基于信息融合的上肢康复机器人控制方法，其特征在于，包括以下步骤：S101、采集当前机器人末端的位置、速度、患者对机器人末端施加的力和末端与外部环境的碰撞力；S102、根据当前机器人末端的位置、速度和对机器人末端施加的力，预测患者运动意图；患者握住机器人末端的把手施加力，使机器人末端执行器按照患者的运动意图移动；所述运动意图根据当前机器人末端的位置、速度和对机器人末端施加的力、通过径向基神经网络估计得到；患者对机器人末端施加的力为fh，机器人末端的位置为x，速度为预测的运动意图为： 其中，h·为未知的非线性函数；用径向基神经网络RBFNN学习患者的运动意图，估计运动意图为： 其中，RBFNN的输入为S·为径向基函数，表示估计的权值，ε表示估计的误差；S103、根据当前机器人末端的位置和机器人末端与外部环境的碰撞力，估计环境特征；具体步骤为：假设未知环境在每个时刻的特征服从高斯分布，即 其中，表示高斯分布的均值向量，表示高斯分布的协方差矩阵，P表示未知环境在每个时刻的特征概率，z表示粒子；采用混合蒙特卡洛采样HMC以获得粒子， t为当前时刻，N为采样粒子数，粒子是一个由Xd的表示的六维向量；根据机器人末端位置估计环境特征： 其中，为高斯分布函数的协方差矩阵，μd为高斯分布均值，为当前机器人末端位置与粒子对应的未知环境之间的距离；根据末端与外部环境的碰撞力估计环境特征： 其中，为高斯分布函数的协方差矩阵，θf为摩擦锥的角度高斯分布均值，Fet表示每个时刻的碰撞力，表示与Fet对应的摩擦锥；根据末端位置和末端与外部环境的碰撞力获得更准确的环境特征： 其中，为粒子的权重；整合末端位置和末端与外部环境的碰撞力后得到新的粒子高斯分布： 新的粒子中包含环境特征的信息Xe2；S104、根据患者对机器人末端施加的力及其变化率，计算S102所预测的运动意图与S103所估计的环境特征的信任度，并结合卡尔曼滤波算法对运动意图和环境特征进行信息融合；具体步骤为：采用模糊逻辑，输入为患者对机器人末端施加的力Fh和其变化率输出为对患者运动意图的信任度n∈0,1；输入变量：|Fh|＝{NB,NM,NS,ZO,PS,PM,PB},输出变量：n＝{SS,SB,M,BS,BB},隶属度函数均采用高斯型；根据模糊规则设计模糊规则表；设计权重因子分配：α1＝n,α2＝1-α1其中，α1为所预测的运动意图的信任度，α2为所估计的环境特征的信任度；分别对运动意图和环境特征进行卡尔曼滤波，xik+1＝Aikxik+Bikuik+Γikωikzik＝Cikxik+vik其中，Ai为状态转移矩阵，x是状态变量，Bi是一个已知矩阵，u是控制项，Γ表示一个已知的矩阵增益，ω是系统噪声，z为观测，C是观测矩阵，υ是观测噪声；结合对患者运动意图的信任度n∈0,1进行对滤波后的运动意图和环境特征进行信息融合， 其中，为卡尔曼滤波后的运动意图，为卡尔曼滤波后的环境特征，为信息融合后的所需位置Xe；S105、基于模糊朴素贝叶斯原理，计算机器人当前的末端位置及与外部环境碰撞力的基本概率分布，判断任务是否完成；S106、若判断任务完成，则终止；若判断任务未完成，则引入柔顺模型，保证任务安全的同时将命令位置传递给机器人，继续执行步骤S102。

全文数据：

权利要求：

百度查询： 燕山大学 一种基于信息融合的上肢康复机器人控制方法