基于最小可觉差的可穿戴机器人自适应助力控制方法

本发明涉及可穿戴机器人人机交互控制，具体是基于最小可觉差的可穿戴机器人自适应助力控制方法。

背景技术：

1、在现有的可穿戴机器人，如肌电假肢、外骨骼机器人、康复训练设备等，其人机交互控制系统中，研发重点普遍放在提高手势识别的准确率和力控制的精度上，评价指标也多采用分类准确率、均方根误差等客观数值。然而，该类系统的最终使用者是人，用户的操控体验才是衡量系统好坏的关键。举例来说，一个拥有99%识别率但每次错误都会导致用户尴尬或危险的假肢，其实际使用价值远低于一个只有95%识别率但错误模式稳定、可被用户预判和容忍的系统。

2、现有技术主要存在以下不足：

3、1.控制策略与人的感知脱节：现有系统追求“误差最小化”，没有区分用户“能感觉到的误差”和“感觉不到的误差”。这导致系统经常在用户无感知的情况下进行不必要的修正，造成设备抖动、能耗增加，反而降低了用户对系统的信任感。

4、2.参数设置缺乏个性化感知基准：自适应控制器的参数调整依据多是客观性能指标，缺少将用户主观感受量化为控制器参数的有效方法。例如，有些方案虽采用自适应控制器，但其参数仍基于误差最小化目标调整，且使用对称的死区结构，未能利用人体对正负方向误差感知不对称的特性，也缺乏让用户反馈来闭环调整参数的机制。

5、3.错误处理方式单一：现有系统对不同类型的错误，如微小偏差、方向错误、识别失败等，系统却采用相同的修正策略，无法区分哪些错误用户可以容忍，哪些错误是必须立刻处理的严重问题，导致系统的响应常常不符合用户的预期。

6、4.忽略用户生理状态变化：现有技术没有考虑肌肉疲劳、注意力下降等生理状态变化对用户感知和控制能力的影响，无法在用户状态不佳时动态调整控制参数，导致操控体验不稳定。

技术实现思路

1、本发明的目的是提供基于最小可觉差的可穿戴机器人自适应助力控制方法，包括以下步骤：

2、步骤1）进行jnd标定与基于生理状态的动态补偿，建立用户个性化感知基准，包括力觉最小可觉差和手势识别最小可觉差；

3、步骤2）基于力觉最小可觉差，采用基于控制增量误差e(t)的非对称死区控制机制修正可穿戴机器人的力矩指令；

4、步骤3）对手势识别置信度与所述手势识别最小可觉差进行比较；

5、若手势识别置信度≥且，则保持上一控制周期的力矩指令不变。

6、若手势识别置信度≥且，则利用所述步骤2）中的非对称死区控制机制进行修正；

7、若手势识别置信度<，则执行触发渐进式安全响应；

8、步骤4）在执行输出后，利用用户反馈与自适应模块采集用户的主观评价，并根据主观评价执行闭环自适应校准。

9、进一步，采用以下任意一种方式进行jnd标定；

10、第一种方式：以预存储的默认阈值作为初始力觉最小可觉差和初始手势识别最小可觉差；

11、通过递推最小二乘算法对初始力觉最小可觉差和初始手势识别最小可觉差进行校准，步骤包括：

12、初始化估计值和协方差；

13、监测用户隐式或显式反馈行为，以获取观测值y(k)；

14、计算卡尔曼增益，并更新参数估计值和协方差；其中λ为遗忘因子；为前一时刻的协方差；r为方差；

15、当所述协方差小于预设阈值且所述估计值连续多次相对变化小于预设门限时，判定校准收敛；

16、其中，获取所述观测值y(k)的方式为：

17、对初始力觉最小可觉差进行标定时，当检测到用户在死区范围内主动反向施力时，系统将当前力误差绝对值∣e(t)∣作为观测值；

18、当连续多次检测到方向相反的超死区修正时，令观测值；为系数；

19、对手势识别最小可觉差进行标定时，当手势置信度落在阈值θ(k−1)的一个预设邻域内且用户在tmax时间内未干预时，将当前手势置信度值作为观测值；若用户反馈错误，则观测值为当前手势置信度值与预设补偿量之和；

20、第二种方式：采用自适应阶梯法，在多个力水平下测试力觉最小可觉差，并采用离线回放与在线验证相结合的方式测试手势识别最小可觉差；

21、第三种方式：在用户最大自主收缩力的30%~50%范围内的某一力水平下测试，并结合用户历史数据完成jnd标定。

22、进一步，生理修正的步骤为：通过操作时长、肌电信号中值频率实时监测用户的疲劳度，通过响应时延检测注意力，从而生成疲劳修正系数和注意力修正系数，对jnd标定的初始感知基准进行动态补偿，得到力觉最小可觉差和手势识别最小可觉差；

23、力觉最小可觉差和手势识别最小可觉差如下所示：

24、

25、

26、式中，、为jnd标定的初始感知基准。

27、进一步，可穿戴机器人的力矩指令包括辅助力、阻抗力、人机交互力、重力补偿力、引导力。

28、进一步，采用非对称死区控制机制修正可穿戴机器人的力矩指令的步骤包括：

29、步骤2.1）令正向死区边界，负向死区边界；

30、步骤2.2）判断控制增量误差e(t)是否满足，若满足，则令力矩指令，否则，进入步骤2.3）；

31、步骤2.3）若，则可穿戴机器人的力矩指令修正如下：

32、

33、若，则可穿戴机器人的力矩指令修正如下：

34、

35、其中，和为修正系数。

36、进一步，控制增量误差e(t)如下所示：

37、

38、其中，为上层决策器给出的期望力矩指令，为上一控制周期控制器实际输出的力矩指令；e(t)表征本次控制周期所期望的力矩增量。

39、进一步，在一次控制流程中，若步骤2和步骤3用于处理方向性偏差的修正循环的迭代执行次数大于预设最大迭代次数且满足手势识别置信度≥、，则判定为收敛失败，并执行渐进式安全响应。

40、进一步，渐进式安全响应包括四个响应阶段，每个响应阶段设定有响应时长；

41、第一阶段，保持输出等待用户纠正；用户纠正的方式包括主动反向施力、手势重新执行、物理按键复位或语音指令；

42、第二阶段，线性衰减输出并提供触觉提示；输出；其中，=0.5×；为触发安全响应瞬时的力矩指令值，为目标输出值；为第二阶段的总预设时长，为第二阶段开始的时间戳，t为当前时间戳；

43、第三阶段，输出衰减至零并提供语音报警；

44、第四阶段，完全停止，等待系统复位；

45、在任意阶段若检测到用户主动纠正行为，则终止安全响应并恢复正常控制。

46、进一步，主观评价包括偏大、偏小、错误；

47、闭环自适应校准的触发条件为：在在最近n次用户动作执行周期中同一类型的主观评价出现次数大于等于m次，错误累积比例大于预设阈值，或者系统首次使用的前h次操作中同一类型的主观评价出现次数大于等于k次。

48、进一步，闭环自适应校准的步骤包括：

49、s1）根据反馈类型确定调整方向：

50、若主观评价为偏大，则增大,并依据死区守恒规则减小负向死区边界,以降低正向敏感度、增加负向敏感度，形成符合人体感知的不对称结构；所述死区守恒规则为，调整后的与之和等于调整前的与之和，即；

51、若主观评价为偏小，则减小，并依据所述死区守恒规则相应地增大负向死区边界；

52、的调整步长如下所示：

53、(6)

54、其中是调整前的死区边界，是根据用户反馈计算出的调整量；是触发本次自适应校准的、最近n次偏大反馈发生时，所记录的正向超出量的平均值；当主观评价为“偏小”时，是最近n次偏小反馈操作中负向超出量∣∣的平均值；为感知灵敏度系数；

55、若主观评价为错误，则调整所述手势识别最小可觉差或触发重新标定，分离手势识别错误与力控制错误；

56、手势识别最小可觉差调整方式为：=+ ·，其中为方向系数；，为预设的单次调整上限；为置信度；

57、当错误反馈连续出现超过预设次数或调整后投诉率未下降时，触发重新标定；

58、s2）监控后续反馈，若投诉率下降，则保留调整，并更新感知灵敏度系数为=×

59、若投诉率上升或出现相反方向的投诉，则回滚此次调整，并更新感知灵敏度系数为=×；为步长放大因子，为步长缩小因子。

60、本发明的技术效果是毋庸置疑的，本发明的有益效果如下：

61、提升了操控平顺性与自然度：通过将用户无法感知的微小误差纳入死区不予响应，有效抑制了系统不必要的抖动和“碎动作”，使设备运动更平滑、更自然。

62、降低了系统能耗与机械磨损：无效修正的减少直接降低了执行机构的动作频率和幅度，从而节约能耗，并延长了电机、减速器等关键部件的使用寿命。

63、增强了用户信任感与可控感：通过非对称死区和基于主观反馈的自适应机制，使系统的“脾性”越来越贴合用户的习惯。同时，智能错误分级确保了在关键时刻的安全响应，使用户对系统更加信任。

64、提供了个性化与自适应的无缝体验：从初始的多模式标定，到运行中的生理状态补偿，再到基于反馈的参数自学习，系统全流程实现了从“千人千面”到“一时一策”的精细化、个性化适配。

65、实现了理论完备与工程实用兼顾：本发明给出了非对称死区控制器的李雅普诺夫稳定性证明，并从工程上提供了快速校准、无标定模式、硬件安全冗余等设计，兼具理论先进性与工程实用性。