外骨骼作为一种穿戴于人体肢体外侧，可实现人机协作的智能机械装置，为穿戴者提供平衡支撑、身体保护、行走助力等辅助功能，在医疗、军事和工业领域正逐渐得到推广[1]．如何控制外骨骼，使其与穿戴者共同应对外界扰动，保持身体平衡，是外骨骼研究的核心问题之一．然而，人体神经-肌肉-骨骼系统复杂，很难建立精确的动力学模型．外界干扰具有偶发性质，难以定义通用的控制模板．由于缺乏对协作对象(人体)和协作任务(抗扰)的准确认知，因此研究人员难以制定出有效的外骨骼控制策略．目前外骨骼控制策略常以人体运动学、生物力学[2]及人形机器人控制原理[3]为基础，通过外骨骼装置向穿戴者关节提供额外辅助力/力矩．设计外骨骼控制策略时，研究者常常忽略人体神经肌肉活动对外骨骼助力的反馈性调整，导致人机耦合运动的协调性差，额外增加穿戴者的能量消耗；因此，外骨骼控制策略须与人体神经肌肉控制策略相适应，以切实降低对肌肉活动的需求和活动量级[4]，为穿戴者运动关节提供有益的机械动力．阻抗控制[5]是外骨骼常用控制方法之一，当与动态环境交互时，为刚性杆件提供柔顺特性，是解决外骨骼人机协调问题的重要手段．不同穿戴者存在个体差异，固定的控制参数无法适用于所有穿戴者．如何调节控制参数使外骨骼呈现更好的个体适应性，是本领域的重点研究课题．文献[6]提出了一种“人在环”(human-in-the-loop，HIL)优化框架．该框架基于人体可测的呼吸指标建立待优化目标函数，通过优化算法调整外骨骼控制参数．呼吸指标测量有较长的时延[7]，导致目标函数获取耗时过长，不适用于持续时间较短的直立抗扰任务[8]，因此本研究选择人体下肢表面肌电信号(surface electromyography，sEMG)构建目标函数，实现针对直立抗扰任务的控制参数优化．常用的优化解算算法有梯度下降法、遗传算法和贝叶斯优化算法等．梯度下降法中局部梯度的计算对噪声很敏感[9]，对外骨骼控制参数寻优问题适应性较低．遗传算法通过更新种群和搜索最优点的方式在解空间中迭代寻优，需要有足够多的初始样本点，耗时较久．而贝叶斯优化中的高斯过程具有突出的描述能力和易处理性，在模型参数调优问题上使用效果较为理想，通过较少的迭代次数即可获取可接受的参数．不同于遗传算法须要进行种群迭代，贝叶斯优化算法每次迭代仅产生一个新采样点，因而在迭代寻优过程中，计算量降低，缩短了整个优化过程的耗时．本研究针对控制策略及参数优化两个重点问题进行研究，基于现有HIL优化框架，使用sEMG信号建立直立抗扰任务相关目标函数，通过贝叶斯优化算法对外骨骼控制参数进行寻优，获取适用于不同受试者的个性化控制参数，解决直立抗扰任务下穿戴者神经肌肉活动和外骨骼助力的适应问题，发掘外骨骼人机协作控制的一般规律．1 外骨骼控制系统搭建设计了一种面向直立抗扰任务的踝关节外骨骼，穿戴部分借鉴文献[6]中方案(见图1)．10.13245/j.hust.230207.F001图1外骨骼穿戴部分示意图图1中拉力传感器用于测量鲍登绳末端与外骨骼接触力，旋转编码器用于测量外骨骼踝关节位置旋转角度．在此基础上，搭建了如图2所示的外骨骼人机协作直立抗扰控制平台，实现直立抗扰任务下穿戴者与外骨骼设备的运动信息采集及对踝关节外骨骼的实时控制．当人体直立时，通过肌肉反射控制关节抵抗外界复杂扰动，保持平衡的过程被称作直立抗扰，通过沙袋撞击人体模拟外界扰动力，作用力曲线如图3所示，图中：F'为作用力；t'为一次扰动时间．采用鲍登绳牵引替代刚性连杆传动，实现外骨骼作动器与穿戴部分分离，降低外骨骼对穿戴者的负担，AMTI测力平台采集受试者足底压力/力矩数据，在线解算踝关节力矩信息；肌电仪采集受试者下肢肌肉sEMG信号；运动捕捉系统用于测量人体姿态信息，确定直立抗扰动作是否完成；旋转编码器采集外骨骼踝关节旋转角度；拉力传感器用于测量鲍登绳末端与外骨骼接触力；点触开关采集沙袋撞击数据，记录直立抗扰起始时刻．经重采样处理后，所有设备采样频率均为1 kHz．10.13245/j.hust.230207.F002图2外骨骼人机协作直立抗扰控制平台10.13245/j.hust.230207.F003图3扰动装置作用力曲线2 基于贝叶斯优化的外骨骼控制参数“人在环”调整框架设计2.1　踝关节外骨骼HIL优化框架本研究所建立的基于HIL的外骨骼控制参数优化框架如图4所示．该框架分为上下两层，上层应用“人在环”外骨骼控制优化策略，对阻抗控制参数进行迭代寻优；下层采用阻抗控制算法，为外骨骼提供同步跖屈力矩，辅助穿戴者维持直立平衡．上层输入为双腿比目鱼肌、胫骨前肌肌肉激活程度，输出为优化后的外骨骼控制参数K1，B1，K2和B2，其中：B1和K1为前倾段阻尼系数和刚度系数；B2和K2为恢复段阻尼系数和刚度系数．下层分段10.13245/j.hust.230207.F004图4基于分段阻抗控制的外骨骼人机协作控制优化阻抗控制根据上层输出的控制参数及外骨骼反馈的关节角度差异Xd计算出力矩期望Fd，将其作为PD控制器的输入，PD控制器利用期望力矩Fd及传感器反馈力矩Fe，计算输出实际力Fa，以驱动外骨骼，F和∆θ分别为施加于穿戴者的力与穿戴者踝关节角度变化．2.2　分段阻抗控制策略图5为人体直立抗扰分段示意图，图中：θ为外骨骼踝关节实际旋转角度；t为一次抗扰过程时间．根据沙袋撞击实验可知[10]，直立抗扰时踝关节刚度(踝关节力矩-角度比值)[11]呈现分段变化趋势(如图5所示)，以踝关节前倾角度最大时刻或前倾角速度为零时刻为分段点．基于该人体阻抗变化趋势，采取分段阻抗控制策略，将阻抗调整过程分为前倾阶段和恢复阶段，以使外骨骼取得较好的人机协作效果，图6为直立抗扰实验．10.13245/j.hust.230207.F005图5人体直立抗扰分段示意图10.13245/j.hust.230207.F006图6直立抗扰实验本控制算法忽略加速度、向心力等因素影响，采用刚度-阻尼控制，模型给定如下F1(θ)=B1(θ˙r-θ˙)+K1(θr-θ);F2(θ)=B2(θ˙r-θ˙)+K2(θr-θ), (1)式中：F1(θ)和F2(θ)分别为前倾阶段和恢复阶段的期望阻抗；θr为期望角度．2.3　基于sEMG信号的目标函数建立人体主要通过跖屈力矩维持直立平衡，所以选择跖屈肌群中的比目鱼肌[10]作为主要观测肌肉．考虑到人体肌肉的运动代偿功能[12]，将胫骨前肌(背屈肌肉)作为辅助观测肌肉．按照文献[13]中提供的方法将混有大量噪声的原始sEMG信号，处理成归一化的肌肉激活程度．根据均方根值(root mean square，RMS)，建立优化目标函数ft(i)=γ1a1(t)RMS+γ2a2(t)RMS+γ3a3(t)RMS+γ4a4(t)RMS, (2)式中：γ1～γ4为权重系数；a1(t)，a2(t)，a3(t)和a4(t)分别为左、右腿的胫骨前肌及左、右腿的比目鱼肌的肌肉激活程度；i为当前实验次数．比目鱼肌在直立抗扰过程中起主要作用，使用贝叶斯优化算法对权重系数进行优化，使不同阻抗参数下适应度值变化明显，确定权重系数为γ1=γ3=0.2，γ2=γ4=0.8．其中，RMS值计算以沙袋按键开关触发开始，以运动捕捉系统测得人体摇摆角速度[14]到达±0.01 rad/s范围内终止．2.4　基于贝叶斯优化算法的阻抗参数优化方法考虑到通常用于优化机器学习超参数的贝叶斯优化算法，非常适合于优化高维目标函数[15]，因此在HIL优化框架中使用贝叶斯优化算法．由式(2)可得下肢四块肌肉的适应度值．外骨骼参数优化过程以适应度值为输入，四个阻抗参数优化结果为输出，即[K1*,B1*,K2*,B2*]=argminxi∈Xift(K1,B1,K2,B2), (3)式中：K1*，B1*，K2*和B2*为适应度值最小时对应的四个阻抗参数值；Xi为所有可取的采样点；xi为任一采样点．贝叶斯优化部分的先验函数采用高斯过程回归，其统计特征由均值函数和协方差函数来描述，即[15]f(x)~GP(μ(x), k(x, x'));μ(x)=E[f(x)];k(x, x')=E[(f(x)-μ(x))(f'(x)-μ'(x))], (4)式中：f(x)为适应度函数；μ(x)和k(x,x')为先验分布的均值函数和协方差函数；E为均值．f(x)的先验分布依靠样本数据来获取，即通过样本数据来建立先验分布的高斯过程．协方差函数选用平方指数内核，表达式为[15]k(xi,xj)=exp[-||xi-xj||2/2]，(5)式中xi和xj为两个不同采样点．当采样点接近时，协方差函数值接近于1，表示两个采样点相关性很大；当两个采样点距离较远时，协方差函数值接近于0，表示两个采样点的相关性较小．在采集函数选取上，鉴于期望提升函数(expected improvement，EI)可以衡量下一采样点改进的程度，使用EI来评估预期改进，表达式为[14]I(x)=min{0,gn+1(x)-g(x*)}，(6)式中：I(x)为改进程度；g(x*)为当前最小值；gn+1(x)为下一采样点函数值．3 实验及结果分析3.1　实验方案设计选择8名受试者参与外骨骼辅助人体直立抗扰实验，受试者均为男性，身高(176.13±4.46) cm，体重(73.88±4.68) kg，脚长25.5～26.5 cm，无运动障碍及神经方面疾病史．为验证本研究所设计方法的有效性，依次进行四组对比实验，具体实验方案如下．实验A．受试者不穿戴外骨骼，在实验平台上进行10组直立抗扰实验．实验B．受试者穿戴外骨骼，控制器采用Emmens等[14]提出的虚拟刚度控制，表达式为τM=KA(ϕAd-ϕA)，(7)式中：KA为刚度系数；ϕAd为期望踝关节角度；ϕA为实际踝关节角度．KA取值方法为KA=13τmax-τminφmax-φmin，(8)式中：τmax和τmin为踝关节力矩最大值和最小值；φmax和φmin为踝关节角度最大值和最小值，具体数值由图4中位置传感器测量获取．考虑到受试者均为健康人群，KA取值为踝关节力矩最大增长值除以踝关节角度最大增长值的1/3．在确定KA取值后，进行10组直立抗扰实验．实验C．受试者穿戴外骨骼，控制器采用分段阻抗控制，阻尼系数初始值设为0.05KA．在直立抗扰过程中，前倾阶段外骨骼顺从人体前倾，恢复阶段外骨骼提供拉力协助人体平衡．将前倾阶段外骨骼设为低阻抗状态，恢复阶段为高阻抗状态，令K2=3K1，其中K2=KA，进行10组直立抗扰实验．实验D．受试者穿戴外骨骼，在参数区间中随机选取50组阻抗参数进行直立抗扰实验，收集穿戴者肌电数据并由式(2)计算适应度值．其中，阻抗参数与适应度值构成高斯过程的先验样本，之后采用贝叶斯优化获取最优控制参数，在最优参数控制下，进行10组直立抗扰实验．3.2　实验结果与分析图7为受试者1的踝关节力矩测量结果，图中：τ为踝关节力矩；T为周期．此处踝关节力矩均为净力矩，在B，C，D组实验中通过测力平台测得合力矩减去外骨骼提供的力矩计算得到[14]．10.13245/j.hust.230207.F007图7受试者踝关节力矩测量结果图8为受试者1(典型受试者)的肌肉激活程度测量结果，图中：a为肌肉激活程度；LT，LS，RT和RS分别为左胫骨前肌、左比目鱼肌、右胫骨前肌、右比目鱼肌．由图可知在实验中受试者下肢胫骨前肌和比目鱼肌肌肉激活程度曲线中有较为明显的波峰．10.13245/j.hust.230207.F008图8受试者肌肉激活程度测量结果通过肌肉激活程度RMS值衡量受试者能耗大小，通过踝关节力矩RMS值衡量省力程度．分别对8位实验者实验数据进行统计分析，对比4组实验中受试者下肢力矩和肌电结果，如图9和10所示，图中：R为肌肉激活程度RMS值；n为受试者序号．本文研究面向小扰动下的直立抗扰踝关节外骨骼控制策略，针对大的外界扰动情况，选取一位受试者进行对照实验，验证提出的控制优化策略的可行性．其中D组实验直接使用小扰动下D组优化后的参数，其他实验保持一致．结果对比如图11所示．10.13245/j.hust.230207.F009图9踝关节力矩RMS值对比10.13245/j.hust.230207.F010图10受试者sEMG结果对比10.13245/j.hust.230207.F011图11受试者大扰动下sEMG结果对比通过图10中A和C组对比可知：相比不穿戴外骨骼模式，穿戴外骨骼+分段阻抗控制的左、右腿胫骨前肌平均降低了约24.68%和20.33%，左、右腿比目鱼肌平均降低了约28.26%和23.26%，踝关节力矩平均降低了约23.59%．数据表明：在分段阻抗控制策略下，踝关节外骨骼能够有效协助人体直立抗扰，降低该过程的能耗，使人体更加省力．通过图10中B和C组对比可知：穿戴外骨骼+分段阻抗控制与穿戴外骨骼+虚拟刚度数据表明，与单一刚度控制相比，分段阻抗控制在降低人体能耗和省力上性能更为优越．通过图10中C和D组对比可知：穿戴外骨骼+分段阻抗控制+HIL优化比穿戴外骨骼+分段阻抗控制模式下，肌肉激活程度进一步降低，左、右腿胫骨前肌平均降低了约12.22%和9.05%，左、右腿比目鱼肌平均降低了约12.15%和7.02%，踝关节力矩平均降低了约5.38%．数据表明所设计的HIL优化框架能够对外骨骼控制参数进行优化，进一步降低人体能耗和踝关节力矩，提升外骨骼在辅助人体直立抗扰过程中的性能．通过图10中A，B，C和D组可知：在大的外界扰动下，四组实验中使用优化后的控制参数使四块腿部肌肉均有最小的sEMG均方根值．本研究提出的踝关节外骨骼控制策略仍有协助人体直立抗扰，减轻直立抗扰过程消耗的潜力．4 结论本研究针对直立抗扰下踝关节外骨骼控制策略，提出了一种面向人机协作的外骨骼控制参数优化方法，解决穿戴者神经肌肉活动和外骨骼助力的适应问题．该方法可以有效降低直立抗扰下穿戴者下肢肌肉激活程度，减小穿戴者踝关节力矩，对穿戴者直立抗扰具有明显的积极辅助作用．针对大的外界扰动，进行四组对照实验，验证了控制策略的可行性．