基于外骨骼機器人的人機交互控制研究綜述

王珂，譚昕

（江漢大學智能制造學院，武漢 430056）

0 引言

自20世紀60年代起，人們對人體外骨骼機器人的研發已慢慢興起。隨著科技的不斷進步與發展，如今的外骨骼機器人大多用于軍事、民用、醫療康復等方面。外骨骼機器人是能對人體進行輔助或者主動助力來滿足人體運動需求的機器，它可以穿戴在人體外部，通過搭載計算機系統，對由傳感系統感知到的人體運動信息進行運算推理，進而控制外骨骼驅動人體各關節運動的人機一體化設備[1]。人體外骨骼系統現階段的兩種研究形式：一種用于輔助殘疾人行走的康復型人體外骨骼[2-3]，主要用于醫療領域；另一種用于增強普通人體負荷能力的助力型人體外骨骼，主要用于軍事和負重領域。

如今外骨骼機器人技術相對成熟，但其在人機交互方面仍需不斷地創新與探索。本文通過回顧外骨骼機器人與人機交互控制的研究現狀，深入分析外骨骼機器人系統與人機交互控制關聯，最后對外骨骼機器人的研究進行總結。

1 外骨骼機器人研究現狀

目前為止，外骨骼的相關研究在國內外取得了許多重大的突破，其功能不斷地齊全，質量不斷地減輕，與人體的契合度逐步完善。圖1為目前市場上外骨骼的一些展示。

圖1 外骨骼展示

外骨骼的研發中，較為前沿的有：以色列的Rewalk[4]，其可通過手腕中的移動設備來控制人體外骨骼的運動，實現走、坐、站立等動作；日本筑波大學的HAL-5以收集到的肌電信號作為輸入信號[5]，KineAssist可以通過模擬實際生活環境來完成爬樓梯、行走、平衡站立等運動[6-8]。另外還有一些處于研發階段的機型，如歐盟研究開發的基于腦機接口BCI控制的MindWalker[9]、美國特拉華州立大學基于彈簧驅動的重力平衡外骨骼、加州大學伯克利分校采用低成本鮑登繩輪驅動的Austin、氣動的Lifesuit、輔助兒童患者的ATLAS，以及泰國理工學院設計的AIT leg exoskeleton-I等[10]。針對運動損傷及中風患者而形成的柔性外骨骼，如：荷蘭特文特大學設計的LOPES，它的機身整體質量輕，運動便攜；由德克薩斯州奧斯汀的Harmony仿生公司研發的SHR；韓國西江大學推出的EXPOS外骨骼系統能輔助患者行走、站立、坐起等運動[11]。哈佛大學柔性外骨骼Soft Exosuit能在不平等區域行走，跨過障礙物能檢測出人體正在做的不同動作。

與西方國家相比，國內的外骨骼裝置的發展比較緩慢，但隨著中國社會老齡化的加劇，外骨骼裝置的發展慢慢得到了大多數人的重視。2013年，由南京軍區總醫院博士后工作站研發的外骨骼裝置，定義為“單兵負重輔助系統”，其著重于軍事領域，致力于壓縮負重，并快速協同穿戴者運動；中科院常州先進所于2014年研發了EXOP-1外骨骼系統，此外骨骼由航空鋁制作而成，包含22個傳感器、6個驅動器及主控制器，如圖2（a）、圖2（b）所示。2017年，上海傅利葉智能科技有限公司研發出Fourier M2上肢力反饋運動控制系統和Fourier X1下肢外骨骼機器人，如圖2(c)所示。深圳市邁步機器人科技有限公司研發出下肢康復外骨骼機器人BEAR-H1，為首款采用柔性驅動與多傳感器融合的下肢外骨骼機器人。

圖2 國內外骨骼機器人

2 下肢外骨骼交互控制方式的研究現狀

下肢外骨骼的人機交互實際為運動意圖與驅動部位的信息交流，存在感知層、控制層和執行層的交互。因此，交互控制技術長久以來都是下肢康復機器人的關鍵技術，也是未來研發的難題。早期的外骨骼機器人，大多數采用的是傳感器，只能被動地輔助人行走。為實現穿戴者的主動協同，科學家們不斷提出新的控制策略。目前，用于下肢外骨骼機器人主動協同的控制方法主要有力/位混合控制[12]、阻抗控制和基于生物電信號的控制等。另外，為提高人機互動準確性，將虛擬現實技術和功能型電刺激技術等逐漸加入到人機交互集成控制技術中。力/位控制是指對機器人在切向位置與法向力的控制，Bernhardt等[13]通過LOKOMA平臺上模擬，實現人機交互協同行走，該實驗的目的是讓穿戴者實現自主導航訓練，使穿戴者在訓練過程中產生主動力，但力/位控制容易受到外界影響，從而影響靈敏度與精度。

阻抗控制起初由Hogan[14]提出，是通過調節由用戶設定的目標阻抗模型，使機器人終端實現柔順運動。阻抗控制與其它常規控制方法的不同在于其控制視圖展現力與終點位置之間的多種變量關系，其特征在于可疊加不同控制器來應對不同要求。Duschau Wick等[15]在建立的理想軌跡中利用阻抗控制，提高結構的柔順性，從而實現了以穿戴者的主體操作機器人步態模擬。

肌電控制是通過采集人體神經發射出的電信號來實行控制，下肢外骨骼多用于表面肌電信號（sEMG）和腦電信號（EEG）。EEG作為神經系統主要控制者，對于它的信號提取能更加準確地判斷人的運動意圖，但它所傳遞的信息過于繁雜，容易受到眼電信號（EOG）和心電信號（ECG）的影響，從而不能提取精確信號，降低了準確性。因此，關于EEG的人機交互控制研究方向在于離線分類識別從而實現簡單肢體運動[16-18]，目前對于EEG的研究還處于理論假設階段，并未有相關實際研發成果。表面肌電信號（sEMG）作為肌肉力電信號起源[19]，表現在不同狀態下肌肉反應狀態變化，其采集方式是通過收集分布在皮膚表面不同位置的電極片所傳輸的電信號，現在已經運用到下肢外骨骼機器人和機械手中[20-21]。經過醫學人員對人體肌電信號的研究得知：手臂的彎曲和伸展都是通過肌電信號的傳輸，其響應速度在20～80 ms之間[22]。肌電信號可用于預測穿戴者的運動意圖，做出相應反應，減少延長時間。生物力學模型的建立也是肌電控制中的重要一環，文獻[23]中所提到的模型，通過對下肢采集到的sEMG進行解碼，來識別和預測穿戴者的意圖，給各關節提供相應力矩，進而實現對外骨骼機械的交互控制。

3 助行康復機器人人機交互

人機交互（HCI）作為交叉學科的一部分，包含了計算機學、生物物理學、集成電路等多學科知識。HCI是由Stuart K. Card、Thomas P. Moran 和Allen Newell首次發表于1980年的ACM通信期刊。主要經歷了早期手工作業、作業控制語言及交互命令語言、用戶圖形界面（GUI）、網絡用戶界面、多通道和多媒體的智能人機交互與虛擬交互界面等6個階段[24]。人機交互領域是人與計算機的連接口，隨著科技的不斷發展，一種便攜、易操作、多功能的智能交互界面得到越來越多人的關注[25]。本文將人機交互模式控制分為3類：基于生物電信號對人體運動信息檢測，基于交互力矩預估，機器人測量信號的運行反饋。

3.1 基于生物電信號對人體運動信息檢測

該檢測是通過粘貼在皮膚表面的電極收集肌肉反應的微弱信號，借助儀器放大采集到的信號，再經過固有的軟件分析，預測穿戴者的運動意圖。采集到的信號分為肌電信號和腦電信號，目前肌電信號的運用更加成熟廣泛。隨著對肌電控制的研發探索，形成了3種肌電控制模式：基于閾值決策的控制、基于閾值比例控制和模式識別技術。Battye等通過給收集到的sEMG設定一個閾值，當收集到的信號達到甚至超過該閾值時，假肢能夠閉合，反之假肢展開，這種控制只能產生簡單的彎曲或閉合，控制方式比較單一。為提高運用效果的流暢性，Bottomley等在基于閾值的基礎上提出閾值比例控制模式，對比前者，此控制模式能實現將收集到的肌電信號與假肢的變化速率和力度按照一定的比例來一一對應。隨著科技的不斷發展，單一的運動已滿足不了人們的需求，為達到多功能智能化，模式識別技術應運而生，它可以實現控制系統的多自由度控制。模式識別技術是通過多通道sEMG中提取相關的特征值并輸入到不同分類器來區分不同運動，從而完成多自由度的復雜運動。

圖3 基于sEMG 信號人機交互過程

圖4 DELSYS 肌電信號采集裝置與分析

基于sEMG和EEG 信號的提取與控制都存在一些局限性，例如人腦不同皮層產生的不同腦電信號會影響對人體運動意圖的預測；再者，肌電信號采集電極的數量、位置、大小、特征值提取的閾值范圍等都會使信號采集的精確性產生誤差。因此如何對所采集的信號提取、校準并實現對人體運動意圖的準確預估是目前研發的一個主要節點。

圖5 肌電信號采集示意圖

隨著研究人員的不斷發展探索，人們對運動信息的檢測不僅僅來源于sEMG和EEG。2019年，新加坡國立大學（NUS）的一組研究人員研發了一種具有更加強大的人工神經系統的皮膚——異步編碼電子皮膚（Asynchronous Coded Electronic Skin,ACES）[26]，這種ACES電子皮膚由物理傳感器構成，是一種神經模擬構架，能快速精確傳遞觸覺信號。同時，文獻[27]也提供了一種新型的柔性傳感器，該傳感器由2個具有微結構的薄層構成，能快速檢測出人感受不到的微小壓力，為交互傳感性能提供精確性。

3.2 基于交互力矩預估

sMEG信號的運用具有便捷、靈敏度高、動作準確等特點，但這僅僅是在單一模式下的體現，在面對復雜運動情況下，需建立不同的模型，例如生物力學模型[28]來理解人體運動與感知的關聯、構建關于肌電信號與關節間連續運動（包括關節力矩、旋轉角度等）的數據模型，需要運用神經網絡模型[29]。現階段對肌電的研究集中在人機交互運動的穩定性、協調性和下肢與外骨骼的契合度。Hill肌肉力模型是建立在生物力學模型（如圖6）之上，是最早提出的，但其需要的生理數據過多且大部分難以提取，實用性低導致它很少運用在交互力矩預估之中。表面肌電信號的運動量連續識別能彌補Hill肌肉力模型的不足，對后續的研究具有參考價值[30-31]。

圖6 生物力學模型建立

在外骨骼機器人中，可以通過調節關節角度變化來實現使用者的運動意圖。因此首先需要收集人體的步態圖，通過收集到的肌電信號對關節連續運動角度和力矩進行解碼，從而實現穿戴者的運動軌跡。如圖7所示，其流程為提取sEMG信號通過肌肉收縮模型的對比，從而實現對關節力矩的輸出[32-35]。

圖7 基于sEMG 的受試者下肢關節力矩估計

3.3 下肢外骨骼機器人測量信號的運行反饋

外骨骼機器人不是依賴編程技術，而是通過人工智能與深度學習來實現人機實時交互的“心隨意”模式。因此，運行反饋是由硬件與軟件部分構成。其中硬件部分包括人體傳感器、環境傳感器和動力結構。軟件部分包含人機交互指令、算法和云端引擎。通過兩者相互協作，從而幫助人行走。

利用陀螺儀來保持平衡，在髖關節、膝關節與踝關節安裝加速度計、力矩傳感器，來保證動力執行機構提供準確的力與轉矩。控制系統需要對所施加力與轉矩做出靈敏反應。如圖8所示，PCI是連接上位機與多軸運動控制卡之間的橋梁，上位機給多軸運動控制器提供指令，多軸運動控制器對指令進行解讀，并傳遞給驅動器使關節電動機做出反應。

圖8 控制系統框架

4 結論

隨著下肢外骨骼技術的不斷成熟，它的使用范圍更加廣泛，能為人們提供更好的服務。目前國內的人機交互部分有很多部分需要完善，例如表面肌電感知、系統反應靈敏度、人機交互性能提升等問題需要進一步探索研究。希望通過對下肢外骨骼的發展歷程、類別、基于生物電信號對人體運動信息的檢測、交互力矩的預估和運動信息反饋的綜述，對后續的相關研究提供參考與借鑒。