康復輔助機器人及其物理人機交互方法

彭亮 侯增廣 王晨 羅林聰 王衛群

隨著自動化和人工智能技術的發展,智能機器人應用不再局限于傳統的工業和制造業,而被廣泛應用到醫療健康、教育服務、軍事和空間探索等領域.其中,隨著計算機、傳感器、神經工程、信息處理等技術的飛速發展,康復與輔助機器人的廣泛研究也已經有近30年的歷史.康復與輔助機器人的發展不僅為神經科學和康復醫學帶來了極大的技術進步和觀念變革,而且作為一種高新技術產業已經成為世界經濟新的增長點,相關研究得到世界各國的重視,成為技術競爭的重要領域之一[1].同時,隨著全球特別是中國社會老齡化的加劇,對康復輔助機器人的需求也在不斷增加,為該領域的發展提供了更廣闊的市場空間和難得的發展機遇.

中國人口老齡化形勢嚴峻,已經成為世界上老年人最多的國家.截止到2014年底,我國60歲以上老齡人口已達2.12億,并且將在2025年達到3億.同時,由腦卒中、脊髓損傷、腦外傷等原因造成的殘障人口數量迅速增長,我國肢體殘疾人口逾2400萬,每年新增腦卒中患者約200萬,大多數患者都具有一定程度的功能障礙.傳統的康復訓練基于人工手段,而我國專業治療師非常緊缺,美國康復治療師數量為70人/10萬人,而我國目前僅為0.4人/10萬人,且專業水平低,無法滿足日益增長的需求.康復輔助機器人的使用能夠提高康復效率,降低治療成本,減少人員需求和體力消耗,同時可以提高康復效果,其研究進展為神經損傷患者、殘疾人、老年人的功能康復和生活輔助帶來了希望.

康復輔助機器人涉及神經科學、生物力學、人因工程、機器人自動控制等領域知識,是典型的多學科交叉的復雜系統,其研究具有較高的挑戰性.其中機器人自動控制起著非常關鍵的作用,在充分理解臨床實際需求的基礎上,需要利用控制理論的建模、分析與綜合工具,并結合其他學科理論和技術,最終實現臨床目標.

與其他機器人相比,康復輔助機器人有其不同特點和控制要求.康復輔助機器人的作業對象是人,其性能必須滿足對個體差異和環境變化的適應性,人機交互的柔順性,面對異常情況的安全性,以及對人體生理心理的適應性等要求,從而對控制系統的準確性、可靠性、智能化水平等都提出更高的要求.

在康復輔助機器人應用中,由人和機器人兩個具有一定自主性的個體共同完成目標,兩者之間的雙向信息交流非常重要.另一方面,對于康復輔助機器人,人和機器人耦合在一起,存在物理人機交互(Physical human-robot interaction,pHRI),兩者之間的角色分配和能量交互控制非常關鍵[2].首先,機器人需要了解人的意圖,配合其完成期望的運動,即意圖識別過程;然后,人和機器人在交互中的角色和作用在動態改變,人機之間的能量交互過程隨之進行動態調整,以滿足康復或輔助的目標,即交互控制策略[3].除此之外,機器人需要將其當前的狀態及時反饋給人,同時保證人在交互過程中的安全[4].

本文以神經康復機器人、穿戴式外骨骼、智能假肢等應用為例,介紹當前的研究現狀,并重點探討人體運動意圖檢測方法和交互控制方法等研究重點和難點.最后展望該領域的未來技術發展方向.

1 康復輔助機器人的發展現狀

康復輔助機器人的廣泛研究開始于20世紀90年代,最早是以工業機器人作為研究平臺,隨著研究的深入,逐漸成為獨立的機器人大類,包括神經康復機器人、穿戴式外骨骼、智能假肢、智能輪椅等.以神經康復機器人為例,按照不同的訓練部位劃分,有上肢、下肢、手指、手腕、踝關節等不同種類,根據文獻[5]統計,目前處于研究階段的各類上肢康復機器人已經超過100種.

1.1 神經康復機器人

按照機器人的結構特點,神經康復機器人可以分為末端牽引式和外骨骼式兩大類,前者主要采用多連桿機構,通過末端執行器與患者肢體末端接觸;后者仿照人體結構進行設計,實現與患者各關節運動的對應.

早期上肢康復機器人以美國麻省理工學院的MIT-Manus[6]機器人為代表,屬于末端牽引式,主體結構采用平面五連桿,共兩個自由度,主要用于中風患者肩、肘關節的康復運動訓練(圖1(a)).該機器人采用阻抗控制方法,根據不同患者設計不同的力場,患者借助機器人的輔助學習運動技巧,實現功能康復[7].由蘇黎世聯邦理工大學研發的ARMin[8]上肢康復機器人,是外骨骼式上肢康復機器人的典型代表,共5個自由度(肩部3個、肘部1個、前臂1個),能夠實現肩關節內收/外展、旋內/旋外、前屈/后伸,肘關節屈/伸,前臂旋前/旋后等動作,手部設計了用以輔助抓握訓練的模塊,并配有力傳感器,提供主動訓練模式.該機器人還集成了虛擬現實訓練環境,可以模擬做飯、打掃等日常動作.多中心隨機對照臨床試驗結果證明,ARMin對于患者的康復能夠取得較好效果[9].瑞士Hocoma公司已經將ARMin機器人成功商業化,并在其基礎上開發出Armeo Power系列康復機器人(圖1(b)).

圖1 MIT-Manus與Armeo Power上肢康復機器人Fig.1 MIT-Manus and Armeo Power upper limb rehabilitation robots

下肢康復機器人所需扭矩較大,同時需要考慮支撐人體部分甚至全部重量,以懸吊減重式為主要形式.國際上最具影響力的是由瑞士蘇黎世大學醫學院、蘇黎世聯邦理工學院、蘇黎世大學、Hocoma公司和德國Woodway公司聯合研發,由Hocoma公司商業化的Lokomat[10]下肢康復機器人(圖2).它主要由一對腿部外骨骼、跑步機和懸吊減重系統構成,其中每條腿部外骨骼有兩個自由度,控制髖膝關節在矢狀面屈伸運動,同時與跑步機和虛擬現實訓練界面同步配合,實現下肢的模擬步態訓練.為滿足不同患者的康復需求,Lokomat實現了多種主被動訓練策略[11],根據患者在訓練過程中的實際表現對輔助力進行調整.

圖2 瑞士Hocoma公司的Lokomat下肢康復機器Fig.2 Lokomat lower limb rehabilitation robot

1.2 穿戴式外骨骼機器人

穿戴式外骨骼機器人是近些年發展起來的一種新型機器人,具有極大的靈活性和空間拓展性,其穿戴于患者身上,對人體運動能力具有一定的的延伸、補償甚至超越的功能[12].具有代表性的是美國加州大學伯克利分校研發的BLEEX[13]助力型下肢外骨骼機器人,由液壓驅動,采用仿生設計,每條腿有7個自由度,包含30多個傳感器,可在負重75kg下以0.9m/s速度行走,主要應用于士兵野外作戰.繼BLEEX研制成功后,其技術由軍用轉向民用,研發出了Ekso[14]系列下肢外骨骼,主要用于幫助下肢失去行動能力的截癱患者或下肢肌無力患者重新站立起來.日本筑波大學研發的HAL[15]系列外骨骼機器人(圖3(a)),定位于康復醫療、殘疾人助力以及救災等場合,采用電機驅動,并創新使用肌電信號獲取人的運動意圖.由以色列科學家研制成功的Rewalk[16]外骨骼機器人(圖3(b))包含兩類產品,分別是個人版和康復版.個人版能夠讓截癱患者重新站立起來,因此強調針對單一病人量身設計,適合于在家庭和社區使用,康復版面向康復中心設計,能夠提供步態康復訓練.

圖3 外骨骼機器人Fig.3 Exoskeletal robots

上述外骨骼機器人普遍采用剛性結構和電機驅動,存在體積大、重量高、剛性強、穿戴不便等缺點,從而催生了柔性驅動的軟體外骨骼機器人的出現.軟體外骨骼通常采用氣動驅動方式,重量輕,而氣動驅動器本身可壓縮,具有較高的柔順性.哈佛大學Walsh團隊[17],將氣動人工肌肉固定在特制的外套上,對髖、膝、踝關節進行運動輔助,整個設備包含氣源只有7.1kg,相比于電機驅動的剛性外骨骼要輕得多,并能夠在驅動情況下顯著減小人的平均代謝能量.在此研究基礎上,該團隊研制了一款新型的軟性外骨骼Soft Exosuit[18],通過繩傳動方式,將位于腰部的電機驅動沿著特殊編織而成的軟性外衣傳遞到足跟,實現對用戶的輔助(圖4).其創新之處還在于設計了一種基于碳纖維織物的具有彈性的力傳感器[19].與傳統的剛性外骨骼相比,該設計的優勢在于用戶的關節活動不會受到外部剛性結構的限制,且整個設備質量很輕,從而減少外骨骼對用戶的干涉,有助于實現更加自由靈活的交互.

圖4 美國哈佛大學研制的Soft Exosuits外骨骼機器人Fig.4 Soft Exosuits from Harvard University

1.3 智能假肢

圖5 基于TMR手術和表面肌電信號控制的動力型假肢Fig.5 Power prothesis controlled by sEMG signal via targeted muscle reinnervation

對于截肢患者,主要通過安裝假肢完成其喪失的功能,實現生活自理.傳統的機械式假肢舒適性差、自由度少、使用不便,影響患者的使用體驗,且實現的功能有限.與之相比,動力型假肢具有較高的集成度,以及與人體類似的自由度和靈活性,但多自由度假肢的控制具有非常高的挑戰性.目前,由肌電信號驅動的智能假肢控制方案是最有前景的解決方案,肌電信號與肢體的運動具有較高的相關性,早在1948年,德國的Reiter[20]研制成功了世界上第一只肌電控制的假手,利用殘余肢體的肌電信號信息控制假手的開合.隨著患者截肢程度越高,所需要代償的自由度越多,其控制所需的信息越多,而殘肢可供利用的控制信號也越少,因此傳統的肌電假肢控制方法很難實現多自由度假肢的意念控制.

目前,結合肌肉神經功能重建手術和模式識別方法,有望解決多自由度假肢控制難題.靶向肌肉神經功能重建(Targeted muscle reinnervation,TMR)手術將殘存神經轉接到特定靶向肌肉中,從而重建因截肢失去的運動神經信息源.美國芝加哥康復研究中心Kuiken等[21]采用TMR手術,將上肢截肢者的殘余臂叢神經植入同側胸大肌,然后利用陣列電極實現對肌電信號的采集,最后通過特征提取、模式識別方法,實現對患者期望動作的識別,并控制假肢完成動作,首次實現了經肱骨截肢者以直覺控制多功能肌電假肢.中國科學院深圳先進技術研究院李光林團隊[22]對TMR進行優化和改良,提出一種新的神經功能重建方法—目標神經功能替代術(Targeted nerve functional replacement,TNFR),并采用TMR方法與TNFR方法相結合的方式,首次在國內對經肱骨截肢者成功實施了神經功能重建術,建立了經肱骨截肢者神經功能重建模型,利用高密度電極采集因截肢而喪失的肌電信息,并通過LDA(Linear discriminant analysis)分類器對7類手部動作進行識別,分類精度達到95%以上,實現意念控制多功能肌電假肢的目的.

圖6 仿生假肢與動力假肢Fig.6 Bionic prostheis and powered prosthesis

2006年,德國Otto Bock公司研發了世界上首款仿生智能假肢C-Leg[23](圖6(a)),集成了控制器、電源模塊、傳感器、無線收發裝置等,根據力矩傳感器信息判斷步態的支撐期與擺動期,通過控制器調節液壓缸關節阻尼,保證穩定的行走,并實現能量的儲存與釋放.2014年,美國范德堡大學[24]研制了一款電動膝上假肢(圖6(b)),安裝有6軸IMU慣性傳感器、編碼器、膝關節力傳感器等,膝關節和踝關節都有較強的反向驅動能力,通過對電機扭矩的控制,實現對不同剛度和阻尼特性的模擬.該假肢通過24V鋰電池供電,能夠以4.5km/h的速度連續行走6.75km.

2 康復輔助機器人的人體運動意圖識別方法

意圖識別,即機器人通過人體生理信息采集和分析,了解人的運動規劃,進而更好地輔助其完成目標動作,包含意圖測量和意圖理解兩個過程.

2.1 運動意圖測量

人體運動控制(Human motor control)是一個非常復雜的過程,從運動規劃到運動指令的下發,再到肌肉收縮,最后到關節運動和感覺反傳,涉及到中樞神經系統、外周神經系統、肌肉骨骼系統等多個復雜子系統.人的運動意圖產生于大腦,卻貫穿于整個運動過程,隱含在不同的子系統中,因此可以在不同層面使用不同的手段進行測量.

人的運動意圖與特定任務相關,尚無明確和統一的定義.最簡單的意圖可以是單個動作的開關或多個離散動作的切換,例如殘疾人可以控制假手抓起水杯喝水,而假手的張合動作本身則由其控制器來自動完成[25];通過腦機接口(Brain machine interface,BMI)控制輪椅的前進、后退、左轉、右轉等動作[26];通過肌電假肢可以實現多自由度的復雜操作[27];穿戴式外骨骼機器人的控制也是根據用戶運動意圖,在站立、坐下、行走等不同種類的動作中進行選擇[28].

人的運動意圖也可以是連續信息,例如期望的運動軌跡、關節力或力矩等.例如人的上肢夠取運動(Reaching motion)滿足“最小急動度(Minimal jerk)”條件[29],最終得到一條空間中的直線路徑和鐘形速度曲線,則可以根據當前的位置和速度預測其期望的位移;而外骨骼機器人普遍將人機交互力或力矩作為人的運動意圖,控制機器人運動.

如前所述,人的運動意圖包含在不同的層面,因此有不同的體現形式,需要采用不同的手段進行檢測.在中樞神經系統層面,可以采集腦電信號(Electroencephalogram,EEG),包括頭皮腦電和植入式腦電兩種;而在肌肉層面,可以采集肌電信號(Electromyography,EMG),根據電極侵入人體與否,分為表面肌電(Surface EMG,sEMG)和肌內肌電(Intramuscular EMG)兩種[30?31],通過檢測肌肉內部運動單元(Motor unit)的電勢變化,可以反映肌肉激活程度,而且其時頻信息與肌肉產生的力有較高的相關性.在骨骼關節層面,可以通過多自由度力/力矩傳感器進行測量,包括3軸的交互力和3軸的交互扭矩,實現比較高的測量精度,但是成本比較高.目前比較流行的一種間接測量交互力/力矩的方式是串聯彈性驅動(Serial elastic actuator,SEA)[32],將彈性元件與電機及減速器等驅動元件串聯在一起,通過檢測彈性元件的形變,計算得到關節扭矩或力.SEA設計能夠以較低成本實現關節力或力矩的檢測,并且由于彈性元件的加入,提高了關節本身的柔順性和交互的安全性[33],因此在康復輔助機器人研究中受到越來越多的關注.

上述各種不同的測量手段有其各自不同的特點,需要根據實際情況選擇合適的方案.頭皮腦電可以通過用戶佩戴電極帽,以非侵入的形式采集,對于截癱、截肢等患者也適用,但是腦電信號容易受到噪聲干擾[34],采集和處理過程對環境要求較高;而肌電信號的信噪比要高于腦電信號,但是仍然容易受到皮膚表面情況(汗液、毛發等)、運動偽差(Motion artifacts)、皮膚肌肉位移等因素的干擾[35?36];相對而言,力/力矩傳感器信號的可靠性和精度更高,實際系統中應用也最多.但是,運動和力信息是人體運動意圖的執行結果,缺少人體運動規劃信息,而且在時間上相對腦電和肌電信號滯后,存在數十毫秒到數百毫秒的電機械延遲(Electromechanical delay)[37].因此,在設計實際系統時,需要根據這些檢測手段各自的特點進行權衡,也可以將多種檢測手段結合起來使用,提高檢測精度和可靠性.

2.2 運動意圖理解

在對人的生理信號進行采集之后,需要運用建模方法對信號進行處理,提取其中所包含的人體運動意圖信息.如前所述,目前BMI應用以機器人的離散動作控制為主,根據腦電處理結果從若干種運動類型中進行選擇,進而觸發假肢、輪椅、外骨骼相應的動作,常用的動作分類方法包括LDA,SVM(Support vector machines)等.肌電信號與肌肉收縮產生的力有較高的相關性,并通過肢體的動力學影響最終的運動,所以肌電信號的建模方法通常有模式分類和連續模型兩種,前者通過多通道肌電信號的特征提取和模式分類,實現對假肢不同動作的控制,常用的特征包括時頻特征、小波變換、AR模型等[38?39],分類方法包括LDA,SVM,神經網絡等[40].通過模式識別的方法,肌電信號只用于區分有限種類的離散動作,而每個動作的執行可以由機器人自動完成,從而減小了噪聲對最終控制結果的影響,在智能假肢控制中得到廣泛應用.

康復機器人等應用通常要求對整個人機交互過程進行調節,因此將肌電信號與連續的運動或力/力矩進行對應更加適用,即要建立兩者之間的動態模型.一種方法被稱作EMG驅動的神經肌肉骨骼模型(EMG-driven musculoskeletal model)[41],將肌電信號作為神經激活度的表征,輸入到Hill肌肉模型,結合肌肉動力學、肌腱模型、肌肉力臂幾何關系等,計算得到輸出關節力矩.而當運動涉及到多塊肌肉時,該方法得到的模型非常復雜,而且存在很多與個體相關的未知參數.Buchanan等[42]首先根據人體測量學統計信息對未知參數進行估計,得到一個近似模型,然后根據實際樣本在近似模型的基礎上進行參數的辨識.而由于肢體慣量和關節彈性等因素的影響,人在隨意運動下的關節力矩無法直接測量,從而無法得到用于參數辨識的訓練樣本.Lloyd等[43]在實驗中,結合運動學信息(位置、速度、角速度)和肢體逆動力學模型,估計得到關節扭矩訓練樣本,然后使用最小二乘法對模型參數進行辨識.另一種方法是黑箱模型,只考慮輸入輸出關系,如Kiguchi等[44]采用自適應神經模糊控制器建立EMG幅值信號與患者估計力矩之間的關系,使用誤差反傳學習算法調整權值矩陣,同時考慮到肢體姿態對于EMG采集的影響,將關節角度也作為控制器的輸入.在HAL機器人[45]控制中,為得到人體髖關節和膝關節的主動關節扭矩,通過將收縮肌和拮抗肌的肌電信號加權相減來估計,而權值則利用最小二乘法根據實際關節扭矩來進行辨識.文獻[46]使用自適應振蕩器算法從節律性變化的肌電信號中獲取人重復運動的頻率和相位變化,然后結合最小急動度條件,在線生成與人運動意圖同步的機器人參考軌跡.

3 康復輔助機器人的人機交互控制方法

在獲取人的運動意圖之后,需要根據人的運動意圖進行機器人控制.在康復輔助機器人應用領域,根據人與機器人在人機交互中角色的不同,主要有主從控制模式和協作學習模式兩類不同交互模式.在主從控制模式下,由人來完成運動的規劃和指令的下達,而由機器人完成運動任務的執行,機器人相當于人體運動功能的代償或增強.而在協作學習模式下,人機協作完成目標任務,機器人負責減小由人引起的控制誤差,同時還要盡量鼓勵人的參與,起到引導學習的目的.而隨著人的運動能力的提高,機器人逐步減少對人的干預,讓人更大程度地獨立完成任務,實現運動學習和功能康復的目標.

3.1 主從控制模式的人機交互控制

主從控制模式適用于智能假肢、穿戴式外骨骼、智能輪椅等應用.如前所述,通過采集肌電信號和運用模式識別方法,可以對期望的動作類型進行識別,然后由機器人執行相應的動作.機器人的運動模式可以通過編程事先確定,以固定的速度軌跡完成動作.而為了讓動作執行過程更加自然平滑,并能夠接受人的控制,Yatsenko等[47]在假肢執行某類動作時,采用比例控制的方式,根據肌電信號的幅值大小,調節假肢的運動速度.得益于人腦的自適應學習能力,用戶可以較快地學會對機器人的控制[48],但是對人來說,這種簡單的比例控制方法顯然不夠自然,并影響其正常的運動控制.

對于穿戴式外骨骼等應用,機器人控制變量通常是位置,在測量或估計得到人機交互力后,可以將其轉化為期望的運動軌跡.Ge等[49]將人的運動控制策略假設成質量–彈簧–阻尼形式的線性阻抗,則人的目標位置為彈簧的平衡位置.阻抗控制在機器人中的應用首先由Hogan[50]提出,是機器人剛度控制的擴展.阻抗控制方法針對機器人與環境交互任務,使用質量、阻尼、彈簧等阻抗模型來刻畫交互接口的作用力和運動結果之間的動態特性.阻抗控制有兩種實現形式,一種根據運動偏差檢測來控制機器人輸出力,適用于具有較強反向驅動能力的機構,廣泛應用于力反饋設備中,MIT-Manus上肢康復機器人也是采用的阻抗控制方法;另一種實現形式是檢測交互力來控制機器人位置與彈簧平衡位置之間的偏差,也被稱作導納控制或基于位置的阻抗控制.對于大多數機器人,位置伺服更容易實現,因此基于位置的阻抗控制得到廣泛應用.

動力型膝上假肢控制中常用一種稱為有限狀態阻抗(Finite state impedance,FSI)控制[51]的方法.FSI控制基于當前的步態相位調整假肢關節的阻抗,以模擬正常人體膝關節在運動中的動力學特性.一個完整的步態周期可以劃分為不同的步態的相位,用有限狀態機來進行描述,而電動膝關節的動力學特性通常使用彈簧–阻尼系統進行建模,其阻抗參數隨著步態相位而變化.在控制中,步態相位狀態的切換通常根據足底壓力和最大膝關節角度等來確定.

在增強型外骨骼等應用場合,用戶與機器人共同完成任務,用戶也有能量輸出,希望通過控制外骨骼最大程度地節省人的體力.Modares等[52]提出一種新的人機交互策略,采用最優控制框架,將目標任務轉化為尋找機器人最優阻抗參數的LQR問題,其中性能指標定義為關于跟蹤誤差和患者主動力的二次型,通過強化學習方法,最小化人的主動力和跟蹤誤差.在下假肢控制上,Wen等[53]提出一種基于自適應動態規劃的控制框架,動態地自動調整膝關節的阻抗參數,實現平衡步態.

3.2 協作學習模式的人機交互控制

對于神經康復應用,機器人協助患者完成目標任務,同時引導患者重新學習正常的運動模式,實現神經康復的目標,人與機器人之間是一種協作學習關系.

機器人輔助神經康復的作用機理是基于腦可塑性[54]和人體的運動學習[55]理論,通過重復運動和反饋刺激,使患者重新學會前饋和反饋運動控制,促進腦功能重組和代償,實現運動功能的改善和恢復[56].因此,康復機器人需要提供對運動回路的重復刺激和增強反饋,同時引導患者的主動參與和積極訓練.由于沉浸感、趣味性、可編程等優勢,虛擬現實系統已經成為康復機器人的重要組成部分,結合機器人的運動輔助功能實現康復訓練的目標[57].

機器人輔助訓練的目標是實現最大程度的神經康復,因此訓練策略和機器人控制方法是最受關注的焦點.總體來說,康復訓練策略分為主動和被動兩種[58?59],被動訓練針對卒中早期以及重癥患者,由機器人帶動患者進行重復運動,實現保持關節活動度、促進血液循環、防止肌肉萎縮等目的,而對其自身運動控制功能的提升作用較小.目前臨床上使用較多的CPM(Continuous passive motion)設備,就工作在被動訓練模式.主動訓練則強調由患者主導康復訓練過程,機器人根據患者的運動意圖和實際表現實時調整輔助力或運動軌跡.一方面通過機器人引導來糾正其錯誤的運動模式,另一方面通過機器人輔助來補償其運動能力的不足,完成訓練任務.由于主動訓練由患者主動觸發和調整,對運動神經系統具有更強的刺激,因此主動訓練比康復訓練對于神經康復具有更好的效果,臨床研究也證明了這一點[60].

對于機器人來說,被動康復訓練是典型的軌跡跟蹤任務,實現起來比較容易,無論是通過簡單的重力補償的PD控制,還是基于模型的自適應控制,都與普通機械臂控制類似.同時為了保證安全性,需要增加痙攣檢測和緊急制動等機制.相對而言,主動康復實現起來難度比較大,一方面在于如何準確獲取患者的主動運動意圖,另一方面在于如何提供適當的輔助力.

如果機器人輔助過多,則患者過度依賴機器人,產生懈怠;而如果機器人輔助不足,則對患者的挑戰性過大,甚至無法完成任務,從而打擊患者訓練的積極性.因此,機器人的輔助策略應當符合按需輔助(Assist-as-needed)的原則,即盡可能讓患者利用其參與能力完成任務,而機器人僅在必要時間提供必要的輔助力[61].由于個體以及病情差異,人體肌肉骨骼系統的復雜性和人體主動輸出的隨機性導致很難對人體的運動能力和動力學進行準確的建模,難以實現最優的輔助.

為實現按需輔助的目標,避免機器人的過度干預,很多研究都采用虛擬通道(Virtual tunnel)[11,62?63]技術.Cai等[62]利用阻抗控制,在期望運動軌跡不同方向上構造不均勻的力場.在法線方向上,設置偏移誤差的閾值,構成一個沿期望運動軌跡的虛擬通道,患者在通道內部可以自由運動,而不受機器人的干預,只有在偏移過大超出閾值接觸到“彈性墻”時才受到機器人的糾正力,而力的大小由“墻”的剛度決定;在前進方向上,設置最小速度閾值[63],只有當患者運動過慢時,才由機器人根據運動誤差提供患者一定的助力.虛擬通道在空間和速度上設置閾值,只有觸發閾值時才由機器人進行輔助,在一定程度上避免了機器人的過度干預.但是由于缺乏對患者自身運動能力的考慮,并不是一種最優的實現手段,而閾值本身的設置也是比較難以確定的.

為了更好地根據患者需求控制康復機器人的輔助力,需要對患者的實際運動能力進行在線評估,僅由機器人提供必要的輔助力.Wolbrecht等[64]在基本的機器人自適應控制器的基礎上,通過徑向基函數(Radial basis function,RBF)神經網絡對患者的運動能力進行建模,并且RBF神經網絡只與空間位置相關,均勻分布在機器人的工作空間,而RBF神經網絡的幅值根據運動誤差進行自適應的調整.在標準的參數調節率基礎上,增加了一個包含遺忘因子的調節項,即當機器人輔助力較大而誤差較小時,逐步減小機器人的輔助力,避免患者因為機器人的過度干預而懈怠,從而實現按需輔助的目標.該方法的優勢是不需要對人機系統進行建模,易于實現,缺點是假設人的輸出只與位置相關,因此只適用于特定軌跡的任務.與之類似,Pehlivan等[65]也利用RBF神經網絡對患者的運動能力進行建模,不同之處在于其只采用標準的參數調節率.通過證明,該控制器能夠實現跟蹤誤差一致最終有界,而誤差邊界與反饋增益矩陣成反比.因此,根據當前誤差,設計反饋增益矩陣調節率,改變容許誤差閾值,從而避免機器人過度輔助,實現按需輔助的目標.該方法的優勢在于其調節率直接影響最大跟蹤誤差,更加直觀和便于調節.

4 康復輔助機器人未來趨勢展望

4.1 優化機器人的柔順性設計

由于康復輔助機器人與人直接物理接觸,機器人的安全性和人的舒適體驗非常重要.除了通過機器人柔順控制,機器人本體設計也要具有一定的柔順性,以保證人的絕對安全和柔順交互,提高人機相容性.受限于機器人結構復雜度、重量要求、驅動方式、控制難度、制造成本等因素影響,目前的康復輔助機器人自由度低、體積大、重量高、柔順性差,安全性和交互體驗不盡如人意.未來,一方面要在機器人的仿人設計上取得突破,模擬人體自由度,提高運動靈活性,發展串聯彈性驅動、變剛度驅動等柔順驅動方式;另一方面,發展軟體材料、柔性結構、氣動驅動等技術將具有廣闊的應用前景,而由于具有較強的非線性,增加了控制器設計的難度,同時要解決氣源、噪聲等應用中實際問題.未來可仿照人體的肌肉骨骼系統,結合剛性機器人和柔性機器人的優勢,實現剛柔并濟,提高人機相容性.

4.2 提高人體運動意圖識別效果

如前所述,人體運動意圖識別對于康復機器人主動訓練,輔助外骨骼和智能假肢的運動控制至關重要,直接影響用戶的自然操作感受和康復輔助效果,因此提高人體運動意圖識別精度和可靠性具有重要研究價值.提高人體運動意圖的識別效果一方面在于生理信息檢測技術的發展,另一方面在于意圖理解模型的創新.未來,隨著生理信號傳感技術的不斷發展,腦電、肌電、近紅外光譜、肌肉超聲以及其他新型檢測技術將提供更高質量的信號,提供更豐富的人體生理信息.同時,隨著信號處理、模式識別、機器學習、人工智能技術的不斷進步,將逐步加深對隱含在生理信號中的人體運動意圖的理解,提高解碼精度和可靠性.未來人體運動意圖識別技術的突破將大幅提升康復輔助機器人的研究水平和應用前景.

4.3 發展數據驅動的機器人控制

目前,物理人機交互控制的一大挑戰來自對于人體運動能力和行為的準確建模.首先,人的行為具有較強的隨機性,難以準確建模和預測,這一方面有望隨著人體運動意圖識別方法的突破而得到解決.隨著檢測技術和大數據分析技術的進步,通過大量采集人的腦電信號、肌電信號、運動學及動力學信號等多模態信息,并結合運動任務的自身特點,利用大數據分析和深度學習等方法,實現對人體的運動模式進行準確建模和預測.其次,人體神經肌肉骨骼系統具有高度復雜性,現在普遍采用基于Hill肌肉模型的方法,模型精度有待提高,而且最終模型中大量與個體相關的生理參數難易獲得,而基于神經網絡等黑箱模型的方法難以避免過擬合的風險,可靠性差.未來,需要對現有模型進行改進,增加肌肉疲勞、共同收縮、關節黏彈性等特性,利用OpenSim等平臺對神經肌肉骨骼系統進行建模和模擬,并隨著數據的獲取不斷地優化修正,最終提高模型的精度,并減小計算負擔,以便于嵌入到機器人控制系統中.最后,人機交互是一種相互學習、相互適應的過程,可以利用人機交互數據對人的學習過程進行建模,預測機器人控制對于用戶行為的影響,設計機器人的控制方法,加快人與機器人的相互適應,提高交互效率和效果.

4.4 創新多模態的人體感覺反饋

人體運動控制離不開感覺器官提供的反饋信息,最重要的如視覺、聽覺、觸覺、本體感覺等,因此虛擬現實技術在人機交互中得到廣泛應用.對于康復輔助機器人應用,因為有物理人機交互,存在力和運動的動態因果關系,觸覺反饋的利用價值更大.感覺正常的人可以通過皮膚和肌肉觸力覺去感受與環境的交互特性,而對于殘疾人或肢體感覺損傷的患者,無法通過自身肢體去感受觸覺信息,影響人機交互的效果.目前通常更多的依靠增強視覺或聽覺反饋,例如將肌電信號轉化為曲線圖像或聲音反饋給人,或將實際誤差進行視覺放大或扭曲,實現對反饋過程的干預,還有通過刺激身體其他部位來反饋觸覺信息.這些手段可以組合起來使用,讓使用者更好地感知自身以及機器人的運動狀態,提高人機相容性.但是,這些感覺代償或轉移的方法永遠無法代替人的自然感受,未來隨著神經工程的發展,可以通過感覺神經刺激實現對人體感覺反饋通路的干預,將觸覺信息通過機器人傳遞到感覺神經,或直接刺激大腦模擬觸覺感受.總之,未來多模態人體感覺反饋的進步,將大幅提高康復輔助機器人的臨床實用性和使用效果.

5 結束語

綜上所述,康復輔助機器人在輔助神經損傷患者、老年人、殘疾人進行神經康復和日常輔助中具有廣闊的應用前景,也是最有挑戰性的機器人研究領域之一.近30年來,康復輔助機器人逐步從實驗室研究走向臨床應用,產生了一大批各具特色的神經康復機器人、穿戴式外骨骼、智能假肢等康復輔助系統,極大促進了該領域的研究水平和應用水平.由于人與機器人存在直接物理接觸,機器人與人之間的物理人機交互控制是影響交互性能的關鍵,而人體運動意圖識別和人機交互控制策略是兩項研究重點和核心技術.未來研究將朝著優化機器人的柔順性設計、提高人體運動意圖識別效果、發展數據驅動的機器人控制以及創新多模態的人體感覺反饋技術等方向發展,最終提升機器人的康復服務水平.