استفاده از کنترل مود لغزشی تطبیقی در راندن یک اگزواسکلتون افزاینده‌ی قدرت بر مبنای کمینه‌سازی نیروهای تعاملی بین انسان و ربات

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه مهندسی مکاترونیک، دانشگاه تبریز، تبریز، ایران

2 دانش‌آموخته کارشناسی ارشد، گروه مهندسی مکاترونیک، دانشگاه تبریز، تبریز، ایران

چکیده

راه‌رفتن طولانی به‌ویژه همراه با حمل بار یکی از مواردی است که انسان را دچار خستگی زودرس می‌کند. از این رو استفاده از اگزواسـکلتـون‌ها برای افزایش قدرت در راهپیمایی‌های طولانی مطرح شده است. روش‌های مختلفی برای کنترل تعامل حرکتی بین انسان و ربات اگزواسکلتون ارائه شده است، که یک روش تخمین نیروی تعاملی و صفر کردن این نیرو است. در این روش نیروی تعاملی بین انسان و ربات بر اساس اختلاف حرکت مفصل‌های نظیر بین آنها تخمین زده می‌شود. در راستای توسعه‌ی این راه‌کار، در این مقاله روش کنترل مود لغزشی با تنظیم تطبیقی ضرائب بهره‌ی لغزش ارائه شده و عملکرد آن با شرایطی که بهره‌ها ثابت باشند مقایسه می‌شود. برای هر دو روش کنترلی اثبات پایداری به روش لیاپانوف انجام می-گیرد. ربات بر اساس یک مدل 3 رابطی و برای اجرای حرکت پا در مرحله‌ آونگی که شامل جابجایی‌های مفصلی بزرگ‌تر و سریع‌تر است مدلسازی می‌شود. در آخر عملکرد کنترل‌گرها روی این مدل با شبیه‌سازی عددی ارزیابی می‌شود. نتایج نشان می‌دهند روش کنترل مود لغزشی تطبیقی در ردگیری مسیرهای مرجع و صفر کردن نیرو‌های تعاملی موفق‌تر عمل می‌کند.

کلیدواژه‌ها

موضوعات


  • Young AJ, Ferris DP. State of the Art and Future Directions for Lower Limb Robotic IEEE Transactions on Neural Systems and Rehabilitation Engineering. Vol. 25, No.2, pp. 171-182, 2016.
  • Yang CJ, Zhang JF, Chen Y, Dong YM, Zhang Y. A review of exoskeleton-type systems and their key technologies. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science. Vol. 222, No.8, pp. 1599-1612, 2008.
  • Dollar AM, Herr H. Lower extremity exoskeletons and active orthoses: challenges and state-of-the-art. IEEE Transactions on robotics. Vol. 24, No.1, pp. 144-158, 2008.
  • Yan T, Cempini M, Oddo CM, Vitiello N. Review of assistive strategies in powered lower-limb orthoses and exoskeletons. Robotics and Autonomous Systems. Vol. 1, No.64, pp. 120-136, 2015.
  • Kazerooni, R. Steger, L. Huang, Hybrid control of the berkeley lower extremity exoskeleton (BLEEX), Int. J. Robot. Res. Vol. 25, No.5, pp. 561-573, 2006.
  • Ataei, M.M., Salarieh H., and Alasty A., Adaptive impedance control of exoskeleton robot, Modares Mechanical Engineering, Vol. 13, No. 7, pp. 111-126, 2013 (in Persian فارسی).
  • Shahi H., Yousefi koma A., Mohammadi Moghaddam M., Control of user-in-charge exoskeletons in the presence of interaction forces and environmental disturbances, Modares Mechanical Engineering, Vol. 17, No. 11, pp. 97-108, 2018 (in Persianفارسی ).
  • Tran HT, Cheng H, Lin X, Duong MK, Huang R. The relationship between physical human-exoskeleton interaction and dynamic factors: using a learning approach for control applications. Science China Information Sciences. Vol. 57, No.12, pp. 1-13, 2014.
  • Hayashi T, Kawamoto H, Sankai Y. Control method of robot suit HAL working as operator's muscle using biological and dynamical information. In Intelligent Robots and Systems (IROS), IEEE/RSJ International Conference on. Edmonton, Canada, 2005.
  • Chen D, Ning M, Zhang B, Yang G. Control strategy of the lower-limb exoskeleton based on the EMG signals. In Robotics and Biomimetics (ROBIO), IEEE International Conference on. Bali, Indonesia, 2014.
  • Kazerooni H, Racine JL, Huang L, Steger R. On the control of the berkeley lower extremity exoskeleton (BLEEX). In Robotics and automation (ICRA), IEEE international conference on. Barcelona, Spain, 2005.
  • Yang Z, Zhu Y, Yang X, Zhang Y. Impedance control of exoskeleton suit based on adaptive RBF neural network. In Intelligent Human-Machine Systems and Cybernetics (IHMSC), IEEE International Conference on. Hangzhou, Zhejiang, China, 2009.
  • Huang R, Cheng H, Guo H, Chen Q, Lin X. Hierarchical interactive learning for a human-powered augmentation lower exoskeleton. in Robotics and Automation (ICRA), IEEE International Conference on. Stockholm, Sweden, 2005.
  • Torabi M, Sharifi M, Vossoughi G. Robust Adaptive Sliding Mode Admittance Control of Exoskeleton Rehabilitation Robots. Scientia Iranica. Vol. 25, No.5, pp. 2628-2642, 2018.
  • Jin X, Zhu S, Zhu X, Chen Q, Zhang X. Single-input adaptive fuzzy sliding mode control of the lower extremity exoskeleton based on human–robot interaction. Advances in Mechanical Engineering. Vol. 9, No.2, pp. 1668-1687, 2008.
  • Madani, T., B. Daachi, and K. Djouani. Non-singular terminal sliding mode controller: Application to an actuated exoskeleton. Mechatronics. Vol. 1, No.33, pp. 136-145, 2016.
  • Ka DM, Hong C, Toan TH, Qiu J. Minimizing human-exoskeleton interaction force by using global fast sliding mode control. International Journal of Control, Automation and Systems. Vol. 14, No.4, pp. 1064-1073, 2016.
  • Van Cuong P, Wang YN. Adaptive trajectory tracking neural network control with robust compensator for robot manipulators. Neural Comput. Appl. Vol. 27, No.2, pp. 525-536, 2016.
  • Riani, A., et al. Adaptive integral terminal sliding mode control for upper-limb rehabilitation exoskeleton. Control Engineering Practice. Vol.1, No.75, pp.108-117, 2018.
  • Winter DA. Biomechanics and motor control of human movement. John Wiley & Sons, 2009.
  • Noorani SMR, Ghanbari A, Jafarizadeh MA. Stable Walking on Slope for a Planar 3-Link Biped Robot via Orbital Stabilization upon Zero Dynamic Manifold. Sharif Journal – Mechanical Engineering, Vol. 3-30, No. 2/2, pp. 83-95, 2014, (in Persian فارسی).
  • Esmaeili B, Beyramzad J, Seyyedrasuli M, Sayyed Noorani MR, Ghanbari A. Using fuzzy neural network sliding mode control for human-exoskeleton interaction forces minimization. In IEEE International Conference on Mechatronics and Automation (ICMA), Changchun, China 2018.
  • J. E. Slotine and W. Li, Applied nonlinear control. Prentice-Hall Englewood Cliffs, NJ, 1991.