[0001] 本发明属于双臂机器人技术领域，具体涉及一种基于镜像原理的双臂机器人自适应控制方法、电子设备及存储介质。

[0002] 传统的康复训练通常依赖于医护人员的辅助操作，存在着效率低、难以个性化、无法实时调整辅助力等问题；采用最小辅助力辅助患者康复有着诸多优势和效果，采用最小辅助力控制能够减少对患者康复过程中的过度干预，帮助患者建立更加自主的运动能力，促进肌肉力量和关节活动范围的恢复，从而提高康复效果和治疗效率；现有双臂机器人在健侧机械臂辅助患侧机械臂时，多采用恒定辅助力模式，无法根据患者的个体差异和具体运动情况进行动态调整与安全保障，导致康复效果难以达到最佳状态。

[0003] 另外，现有的基于镜像原理的双臂机器人自适应控制策略存在缺乏个性化适应性、辅助力调整不及时、碰撞风险防范不足等明显的缺陷。

[0077] 以下通过具体实施例对本发明作进一步详细说明，但并不限制本发明的范围。

[0078] 实施例1

[0079] 一种基于镜像原理的双臂机器人自适应控制方法，其流程如图3所示，包括以下步骤；

[0080] S1、使用双臂机器人启动投篮等镜像训练任务场景，如图2所示，患者位于初始位置并握紧双臂机器人末端手柄，如图1所示；根据投篮任务，基于镜像原理，健侧机械臂主动带动患侧机械臂进行康复训练运动；通过关节角度传感器和力传感器实时获取健侧和患侧机械臂的相关数据，经过处理获得健侧和患侧机械臂末端TCP实时的位置x、速度v、加速度a、交互力F等的参数。

[0081] S2、根据S1中获得的健侧和患侧机械臂的位置x、速度v、加速度a、交互力F等的参数，构建当前时刻的健侧机械臂状态量X健(t)和患侧机械臂状态量X患(t)，获取当前时刻健侧机械臂和患侧机械臂之间的差异，健侧机械臂状态量X健(t)和患侧机械臂状态量X患(t)分别包括健侧和患侧机械臂的位置、速度、加速度、交互力等参数的状态量。

[0082] 在步骤S2中，

[0083] 所述X健(t)包括健侧机械臂在t时刻的位置xd、速度vd、加速度ad和交互力Fd等参数；所述健侧机械臂状态量X健(t)＝(xd,vd,ad,Fd)。

[0084] 所述X患(t)包括患侧机械臂在t时刻的位置xm、速度vm、加速度am和交互力Fm等参数；所述患侧机械臂状态量X患(t)＝(xm,vm,am,Fm)。

[0085] 所述健侧和患侧机械臂之间的差异ΔX为：

[0086] ΔX＝X健(t)‑X患(t)；

[0087] ΔX＝(xd‑xm,vd‑vm,ad‑am,Fd‑Fm)。

[0088] S3、根据S1获得的健侧和患侧机械臂的参数，输入到双臂机器人自适应控制网络模型，实时监测当前健侧和患侧机械臂的位置x、速度v、加速度a、交互力F等参数的变化，引入碰撞系数C，用于预测健侧机械臂和患侧机械臂的碰撞风险，通过将每个机械臂的连杆离散为一定数量的点，并计算另一侧机械臂每个点与当前机械臂点之间的欧式距离d，筛选出最小值dmin，定义健侧和患侧机械臂之间的安全距离Z，实时监测并判断健侧和患侧机械臂之间欧式距离最小值dmin是否小于安全距离Z，若小于安全距离则存在碰撞风险，则设置C＝‑1，否则C＝1。

[0089] 在步骤S3中，为了有效防止健侧和患侧机械臂在训练过程中碰撞，引入碰撞系数C的步骤为：首先将每个机械臂的连杆离散为一定数量的点，并计算另一侧机械臂每个点与当前机械臂点之间的欧式距离d，筛选出其最小值dmin，定义健侧和患侧机械臂之间的安全距离Z，实时监测并判断健侧和患侧机械臂之间欧式距离最小值dmin是否小于安全距离Z，若dmin≤Z则为碰撞状态，则碰撞系数C＝‑1；若dmin＞Z则为不碰撞状态，则碰撞系数C＝1，以改变机械臂辅助力的方向，从而有效地避免健患侧机械臂碰撞。

[0090] 欧氏距离公式与碰撞阈值设定公式为：

[0091]

[0092] 若dmin≤Z，设定为碰撞阈值，判定碰撞状态，碰撞系数C＝‑1，否则C＝1。

[0093] S4、根据当前时刻的健侧机械臂状态量X健(t)和患侧机械臂状态量X患(t)，输入到双臂机器人自适应控制网络模型中，利用这些信息构建健侧和患侧机械臂动力学模型，预测下一时刻健侧机械臂的预测量N健(t+1)和下一时刻患侧机械臂的预测量N患(t+1)，获取预测模型的辅助力，下一时刻健侧机械臂的预测量N健(t+1)和下一时刻患侧机械臂的预测量N患(t+1)分别包括预测的健侧和患侧机械臂末端位置、速度、加速度、交互力等参数的状态量。

[0094] 在步骤S4中，

[0095] 所述健侧机械臂的动力学模型为：

[0096]

[0097] 其中，M健表示健侧机械臂的质量矩阵； 表示健侧机械臂的末端加速度；C健表示健侧机械臂的阻尼矩阵； 表示健侧机械臂的末端速度；K健表示健侧机械臂的刚度特性；x健表示健侧机械臂末端位置；Fext表示外部作用在健侧机械臂末端的力。

[0098] 所述患侧机械臂的动力学模型为：

[0099]

[0100] 其中，M患表示患侧机械臂的质量矩阵； 表示患侧机械臂的末端加速度；C患表示患侧机械臂的阻尼矩阵； 表示患侧机械臂的末端速度；K患表示患侧机械臂的刚度矩阵；x患表示患侧机械臂的末端位置；Fassistant表示患侧机械臂上机器人施加的辅助力；Finteraction表示患侧机械臂与外部环境之间的交互力。

[0101] 下一时刻健侧机械臂的预测量N健(t+1)和下一时刻患侧机械臂的预测量N患(t+1)的状态预测为：

[0102]

[0103] 其中，X健(t)表示当前时刻健侧机械臂的状态；X患(t)表示当前时刻患侧机械臂的状态；f和g分别表示预测健侧和患侧机械臂状态的函数。

[0104] 获取预测模型的辅助力τMPC表示为：

[0105]

[0106] 其中，N健(t+1)”表示下一时刻健侧机械臂的加速度预测；N患(t+1)”表示下一时刻患侧机械臂的加速度预测；N健(t+1)'表示下一时刻健侧机械臂的速度预测；N患(t+1)')表示下一时刻患侧机械臂的速度预测；N健(t+1)表示下一时刻健侧机械臂的位移预测；N患(t+1)表示下一时刻患侧机械臂的位移预测；M患表示患侧机械臂的质量矩阵；C患表示患侧机械臂的阻尼矩阵；K患表示患侧机械臂的刚度矩阵。

[0107] S5、在双臂机器人自适应控制策略中，循环执行S1‑S4，持续监测并记录健侧机械臂状态量X健(t)、患侧机械臂状态量X患(t)、下一时刻健侧机械臂的预测量N健(t+1)、下一时刻患侧机械臂的预测量N患(t+1)，引入优化函数R(X(t))，优化函数用于优化双臂机器人的运动效果和康复训练的个性化程度，从而优化控制策略，提高康复效果。

[0108] 在步骤S5中，循环执行康复训练任务过程中，持续监测并记录患者健侧和患侧机械臂的状态量X(t)、预测量N(t)以及优化函数R(X(t))，所述优化函数为：

[0109] R(X(t))＝w1·e1+w2·e2；

[0110] 其中，w1和w2表示权重系数，且w1+w2＝1；e1表示康复效果指标，e1＞1，e1包括个性化设置关节活动范围大小、肌肉力量强弱，康复效果越好，e1值越高；e2表示安全性指标，e2＞1，e2为判断健侧和患侧机械臂之间碰撞风险预警发生的次数，康复训练过程中没有发生安全问题，则e2值较高。

[0111] 优化函数R(X(t))用于减小不必要的辅助力并在急剧运动时起到阻尼作用，进一步优化控制策略，确保患者患侧机械臂始终以最小的辅助力辅助患者康复，同时，在遇到突然急速的镜像训练运动时R(X(t))值会急剧增加；

[0112]

[0113] 此时，辅助力Fassistant换向，从而起到阻尼调节和减缓效果，防止机械臂发生意外或不稳定的运动状态。

[0114] S6、循环S1‑S5，基于获取的多组数据，引入权重系数调整因子β，作为各权重项的固定缩放系数，用于控制整体权重的放大或缩小，β的值较大，则增加系统的灵敏度和响应速度，β的值较小，则降低系统的灵敏度但提高稳定性。

[0115] 在步骤S6中，所述权重系数调整项包括位置权重系数K'p、速度权重系数K'i、交互力权重系数K'd、预测模型辅助力误差的权重系数K'MPC；各个权重系数表示为：

[0116] K′p＝β·Kp；

[0117] K′i＝β·Ki；

[0118] K′d＝β·Kd；

[0119] K′MPC＝β·KMPC；

[0120] 其中，Kp、Ki、Kd分别表示位置、速度、交互力的自适应权重系数，KMPC表示预测模型辅助力权重系数；权重系数调整因子β为固定放大系数，用于控制整体权重的放大或缩小，β的值较大，则增加系统的灵敏度和响应速度；β的值较小，则降低系统的灵敏度但提高稳定性；K'p根据β调整位置误差的权重，用于控制位置误差对辅助力的影响；K'i根据β调整速度误差的权重，用于控制速度误差对辅助力的影响；K'd根据β调整交互力误差的权重，用于控制交互力误差对辅助力的影响；K'MPC根据β调整预测模型辅助力误差的权重，用于控制位置误差对辅助力的影响。

[0121] 基于预测模型辅助力权重系数KMPC和动态调整的自适应权重系数K'p、K'i、K'd，根据健侧和患侧的运动状态和机械臂动力学特性，准确地预测出患者患侧机械臂所需的最小辅助力，通过引入优化函数R(X(t))，减少不必要的辅助力，确保实现康复训练的最小辅助力控制，同时在健侧和患侧机械臂急剧变化时，起到阻尼的作用。

[0122] S7、循环S1‑S6，通过实时获取健侧和患侧机械臂末端的位置x、速度v、加速度a、交互力F的参数及预测模型的辅助力等信息，根据健侧和患侧机械臂数据的差异变化，动态调整自适应权重系数、预测模型权重系数以及优化函数。

[0123] 在步骤S7中，各项权重系数将根据健侧和患侧机械臂的差异进行自适应调整，以确保患侧始终保持最小辅助力施加。

[0124] 各项权重系数将根据健侧和患侧机械臂状态量和预测量参数差异进行自适应调整，同时引入的优化函数R(X(t))项，以确保患侧始终保持最小辅助力施加。

[0125] 所述位置权重系数K'p用于调节位置差异对辅助力的影响程度；所述速度权重系数K'i用于调节速度差异对辅助力的影响程度；所述交互力权重系数K'd用于调节交互力差异对辅助力的影响程度；所述预测模型权重系数K'MPC用于调节预测模型参数差异的影响程度，公式如下：

[0126]

[0127] 其中，Δx表示健侧和患侧机械臂的位置差异，反映了健侧和患侧机械臂位置的差异程度；Δv表示健侧和患侧机械臂的速度差异，反映了健侧和患侧机械臂速度的差异程度；ΔF表示健侧和患侧机械臂的交互力差异，反映了健侧和患侧机械臂交互力的差异程度；Δτ表示健侧和患侧机械臂预测模型辅助力的参数差异，反映了健侧和患侧机械臂预测模型辅助力参数的差异程度。

[0128] 在患者康复训练过程中，通过监测健侧和患侧机械臂的参数数据，即Δx(位置差异)、Δv(速度差异)、ΔF(交互力差异)和Δτ(预测模型参数差异)，反映出健侧和患侧机械臂之间的差异程度；如果这些参数中的任意几项差异增大，意味着健侧和患侧机械臂的同步运动出现了偏差；此时，数据参数差异越大，相应的权重系数也越大，需要更多的辅助力来保持它们的同步运动。

[0129] S8、根据各项权重系数和优化函数的动态变化，实时调整患侧机械臂的最小辅助力大小和方向，用于确保在康复训练过程中始终以最小的辅助力辅助患者完成康复训练任务。

[0130] 所述基于镜像康复训练任务过程中健侧机械臂带动患侧机械臂，根据权重系数的动态调整和碰撞系数C，根据机械臂动力学模型和健侧机械臂的运动状态预测患侧机械臂应该施加的辅助力。

[0131] 所述患侧最小辅助力的计算公式为：

[0132] Fassistant(x)＝C·(K′p·Δx+K′i·Δv+K′d·ΔF+K′MPC·τMPC)‑R(X(t))；

[0133] 其中，Fassistant(x)表示患侧机械臂的最小自适应辅助力；Δx表示健侧和患侧机械臂之间的位置差异，用于根据位置差异调整辅助力；Δv表示健侧和患侧机械臂之间的速度差异，用于根据速度差异调整辅助力；ΔF表示健侧和患侧机械臂之间的交互力差异，用于根据交互力差异调整辅助力；τMPC表示基于模型预测的辅助力部分。

[0134] C表示碰撞风险系数，用于控制辅助力的正负方向，

[0135]

[0136] R(X(t))为优化函数，以确保在康复训练过程中始终以最小的辅助力辅助患者完成康复训练任务。

[0137] S9、每次完成镜像康复训练任务后，对患者健侧和患侧机械臂的数据进行收集和处理，并生成一份表格，用于记录健侧机械臂与患侧机械臂之间参数差异随时间变化情况。

[0138] S10、基于S9生成的表格，对比分析健侧和患侧机械臂差异的大小及变化趋势，评估患者在康复过程中的整体恢复情况，并确定第几次康复后的效果。

[0139] 实施例2

[0140] 一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如实施例1中所述的一种基于镜像原理的双臂机器人自适应控制方法中的任一步骤。

[0141] 本实施例电子设备的硬件还包括与处理器相配合的GPU、显示缓冲存储器、RAMD/A转换器、散热器；GPU负责处理电子设备的图形显示，提供图像渲染和加速功能，并利用其并行计算优势加速处理如深度学习训练、科学计算等大规模数据密集型任务。

[0142] 进一步地，实施例1中所述的一种基于镜像原理的双臂机器人自适应控制方法过程可被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行所述方法的程序代码。在这样的实施例中，该计算机程序可以从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被处理器执行时，执行本申请的方法中限定的上述功能。

[0143] 实施例3

[0144] 一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例1中所述的实现一种基于镜像原理的双臂机器人自适应控制方法中的任一步骤。

[0145] 本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

[0146] 可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如python、C++，还包括常规的过程式程序设计语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

[0147] 本实施例计算机可读存储介质可采用GPU等硬件进行加速处理，利用GPU的并行计算优势加速处理如实施例1中所述的实现一种基于镜像原理的双臂机器人自适应控制方法中的任一步骤。

[0148] 综上所述，本发明有效克服了现有技术中的不足，且具高度产业利用价值。上述实施例的作用在于说明本发明的实质性内容，但并不以此限定本发明的保护范围。本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和保护范围。

[0149] 上述实施例为本发明的具体实施方式，但本发明的实施方式并不受上述实施例的限制，其它任何不超出本发明设计思路组合、改变、修饰、替代、简化，均落入本发明的保护范围之内。