面向机器人手臂运动控制的上肢人体电容传感基础理论研究

Recent advances of robotic manipulator greatly extent the motor ability of human upper limbs in workplaces and daily life. For controlling the robotic manipulators that coexist and assist humans, one of the key issues is how to accurately extract and recognize human upper-limb motion intent. In this project, we firstly propose an upper-limb capacitive sensing strategy and exploit the principle of muscle morphology recording by capacitance signals, which is a step forward to reveal the physical significance of the new biological signal source. Compared with the existing surface electromyography based sensing methods, the capacitive sensing system can measure the muscle contraction information with the electrodes placed above the clothes, which increases the convenience of the biological signal measuring. Secondly, we design the human upper-limb intuitive motion recognition method based on the capacitance signals. The quantification of capacitance signal feature space and muscle contraction pattern changes with subjects’ exposure to proper visual feedbacks is also carried out. We also explore the potentials of interaction training to accelerate the subjects learning procedure and to improve the intent recognition performance. Thirdly, we design a real-time intuitive controller based on the capacitive sensing strategy to control the robotic manipulator. Extensive experiments on more than 10 healthy subjects are going to be carried out to validate the proposed capacitive sensing based robotic controller. The performance on joint motion direction control, joint stiffness control, recognition accuracy and time response will be evaluated for further improvement.

面向机器人手臂运动控制的上肢运动信息提取和运动意图识别是机器人领域的重要科学问题。本项目首先探索现有人体电容传感和肌肉形态学研究中亟需解决的基础理论问题，研究基于人体电容信号的肢体形态学信息传感机理，突破传统生物信号传感方法的局限，实现上肢电容传感系统，使之能够穿戴在衣物外侧、以金属电极非接触皮肤的方式提取肌肉收缩信息；其次，基于上肢运动中的电容信号，提取运动特征，研究上肢运动直接意图的识别和估计算法，并设计交互实验方法，研究反馈信息对上肢运动中肌肉收缩模式反映出的电容信号特征、意图识别精度等关键因素的影响和规律性变化；最后，研究基于电容传感的机器人手臂关节运动控制和关节刚度控制方法，研制电容传感实时识别系统，开展样本量不少于10人的实际运动识别与机器人控制实验，对实时识别精度、控制延时等指标进行评价。

本项目针对面向机器人手臂人机交互的运动信息提取和运动意图识别，研究利用人体电容传感测量运动中肌肉收缩的形态学信息的方法，以克服现有生物信号传感方法的不足。项目首先研发了用于上肢运动意图识别的电容传感系统并在离散运动模式识别与握力估计任务中进行了验证，9种运动模态平均识别准确率为92.32%，归一化离线信号与握力二次曲线拟合平均R2为0.86。其次，为提升人机接口对前臂肌肉信号的采集分辨率，本项目调整了技术路线，在现有的电容传感基础上引入了基于生物阻抗断层扫描（EIT）技术，研制了基于EIT的人机接口系统，研究基于EIT信号的前臂运动识别与运动估计，设计了基于EIT信号驱动的肌肉骨骼模型估计算法。相比原有上肢电容传感技术路线，新研制的人机接口引入了激励信号，实现了以非植入的方法对深层肌肉信号的采集，提升了原有上肢人机接口系统的测量维度。实时连续握力估计平均R2值0.9，连续腕关节角度估计平均R2值0.91。第三，针对复杂动态环境下的意图识别目标，根据调整后的技术路线研究了复杂动态环境下的意图识别，基于EIT人机接口和机械信号实现了隔天穿戴下的意图识别，基于EIT信号的最长17天的随机隔天重复穿戴与动态姿态干扰下，经过自适应处理方法平均R2降低在5%-7.8%，算法亦在穿戴式机器人任务中进行了验证。第四，研究了电容传感在下肢运动中的肌肉形态学参数特征，研发了一套肌肉形态学信息同步测量实验平台，建立了基于运动相位同步的实验方法，初步证实了电容信号均与相应部位的肌肉形态学参数之间存在较强的相关性，每名被试的最优通道的R2均高于0.8。第五，在人机协作切割这类典型的人-机-环境强物理耦合的任务中进行了人机接口的性能验证，并设计了意图控制算法。基于EIT人机接口与意图控制算法，实现了对人运动状态的识别和肌肉收缩强度的实时估计，实现了对操作者运动状态、锯切力、推拉速度、锯切方向的自适应。性能均通过量化指标进行了系统评估，证明了人机接口与算法的有效性。