基于粒子群算法的人体上肢运动的补偿学习控制.doc

基于粒子群算法的人体上肢运动的补偿学习控制* 孙鹏伟, 王士敏, 王琪 (北京航空航天大学理学院,北京,100083) 摘要：针对人体上肢的骨骼动力学模型，考虑肌肉的收缩性、弹性和黏滞性等力学性能对其运动过程的影响，研究了人体上肢运动轨迹跟踪的控制问题。由于肌肉力学模型仅是一种近似的简化，肌肉的真实结构要复杂的多，由此引起的系统建模的不准确性以及外部的扰动等一些不确定因素的存在给人体上肢精确运动的控制带来了较大的困难。针对这一问题，本文采用比例微分（PD）控制的计算力矩法，考虑到上肢肌肉的黏弹性特性，通过恰当选取反馈增益矩阵、，得到人体上肢运动的闭环动态误差方程。在此基础上设计了人体上肢运动的控制器，提出了一种新的基于粒子群算法的补偿学习的控制方法。该方法通过利用计算力矩来控制系统的精确已知部分，利用PSO进化学习对不确定性因素进行补偿，消除不确定性因素对上肢运动的影响，实现对上肢运动轨迹跟踪的良好控制。文末给出了仿真算例，仿真结果表明了该方法的有效性。 关键词：人体上肢运动，肌肉特性，补偿学习控制，粒子群算法 0引言 随着科技的发展和进步，人们逐渐认识到了人体肌肉的许多力学特性，这其中主要包括肌肉的收缩性、弹性和黏滞性。由于肌肉的上述特性，决定了肌肉不是一个完全的弹性体，而是一个黏弹性体。近年来，为了模拟肌肉的这些力学性能，简化肌肉的结构，许多学者提出了不同的肌肉结构力学模型[1,2]，用以反应肌肉的功能。由于肌肉力学模型仅是一种近似的简化，肌肉真实结构要复杂的多，由此引起的系统建模的不准确性以及外界的小扰动等一些不确定因素的存在给人体上肢精确运动的控制增加了较大的难度。 粒子群优化算法（Particle Swarm Optimization，简称PSO）是由美国的Jim Kennedy和Eberhart受鸟群集体飞行捕食的行为启发而共同提出的仿生算法[3]，是一种基于群体智能的演化计算技术，同遗传算法相似，也是一种基于迭代的优化算法。粒子群优化算法由于具有收敛速度快、设置参数少等特点，近年来,作为一种搜寻技术在工程领域研究中已得到应用。本文针对一类简单的人体上肢2个关节的平面（与肩同高的水平面）动力学模型，考虑 肌肉力学性能的作用，研究了人体上肢运动轨迹跟踪的控制问题。首先考虑到上肢肌肉的黏弹性特性，采用比例微分（PD）控制的计算力矩法，通过恰当选取反馈增益矩阵、，得到了人体上肢运动的闭环动态误差方程。在此基础上设计了人体上肢运动的控制器，提出了一种新的基于粒子群优化算法的补偿学习的控制方法。本文提出的控制方法是将粒子群优化算法与计算力矩法相结合，通过利用计算力矩控制器来控制系统的精确已知部分，通过利用PSO进化学习对不确定性因素进行补偿，消除不确定性因素对上肢运动的影响，实现对上肢运动轨迹跟踪的良好控制。文末给出了仿真算例，仿真结果表明了该方法的有效性。 1动力学模型 图1 简化的上肢骨骼模型 如图1所示为由两个关节（肩关节、肘关节）构成的人体上肢的简化模型，以肩关节为坐标原点建立笛卡尔坐标系。为简化计算，设上肢在与肩关节同高的水平面上运动，忽略重力的作用。肩关节只能转动，肘关节可以转动和平动。将骨骼看作为刚体，前臂和上臂骨骼的连接看作铰链连接，在动力学模型中忽略肌肉的作用。应用拉格朗日方程建立的上肢动力学方程的一般形式可以表示为： （1） 式中：、和分为维关节位移、关节速度和关节加速度矢量；为 维由肌肉产生的转矩矢量；为维的惯量矩阵；为维的哥氏力和离心力矢量；为维重力矢量。各参数表达式： , 其中：和分别为上臂和前臂骨骼的质量，和分别为上臂和前臂的长度，和分别为从近关节到上臂和前臂的质心的距离。 2．肌肉的黏弹性特性 目前测量肌肉的刚度和阻尼值的方法得到的只能是刚度和阻尼值的合成值，不能分离出由于人体肌肉的主动激励产生的刚度值[4]；也就是说，在人体的多关节系统中，准确确定肌肉的阻尼值存在较大的难度。根据一些实验数据，我们可以假定它的值近似与肌肉的刚度成比例[5]。在关节空间中，肌肉的黏性假定与刚度值存在如下的关系式[6]： （2） 其中：当人体上肢运动的速度较低时，在运动的初始和末端阶段，上式给出了一个较高的肌肉阻尼值。 由相关的实验结果可知，在关节空间中肌肉的刚度值不与关节的位置和速度精确相关。设无外部扰动，则人体上肢运动时的刚度值与力矩的幅值线性相关[7,8], Burdet[9]和Franklin[10]等人指出，在上肢运动的过程中，肌肉的刚度值与阻尼也存在着近似的比例关系。2001年，Burdet[11]等人通过实