拟人步态算法在康复机器人系统的应用

陈卓强 李林 张焜

1 广东省医疗器械质量监督检验所 （广东 广州 510663）

2 橙象医疗科技（广州）有限公司 （广东 广州 511400）

内容提要： 文章介绍了一种简单高效的步态规划法在康复机器人上的实际应用。通过三个步骤描述了该算法的实际应用过程：首先是步态数据的采集，然后对采集到的数据进行滤波和分析，得到标准的步态曲线函数，最后对该函数进行优化和离散化，以适应电机控制，并最终用于机器人的控制。

根据国家统计部门的数据显示，我国每年约有240万人患有偏瘫。在初期治疗中，药物和手术是主要的治疗手段，而后期治疗主要以康复训练为主[1]。传统的康复治疗方法是由治疗师手动帮助患者进行训练，有些患者的康复训练还需要多名治疗师的协助。然而，这种治疗方式需要大量人力资源，并且治疗效果也会因治疗师水平的不同而存在差异[2]。随着科技和工业的发展，现代工业科技在医疗领域得到了应用。康复机器人是为解决上述问题而发展的一类产品。步态训练机器人是一种通过提供辅助力量和控制来帮助康复患者进行步行训练的先进技术。步态规划算法在康复机器人系统中起着至关重要的作用，它可以根据患者的状况和需求生成合适的步态模式和参考轨迹，实现个性化的康复训练。

1.步态规划算法在康复机器人系统中的应用及实例

1.1 步态规划算法在康复机器人中的应用

个性化康复训练：步态规划算法可以根据患者的特定需求和能力生成个性化的康复训练方案。通过调整步态参数和参考轨迹，康复机器人可以提供准确的步行辅助和支持，帮助患者逐步恢复步行功能。

步态适应性调整：随着患者的康复进展，步态规划算法可以实时调整步态参数和参考轨迹，以适应患者的变化步态控制需求。这可以提高康复机器人的效能，促进患者的步行能力和平衡能力的改善。

运动表达和仿真：步态规划算法可以用于模拟和表达正常的步行模式，帮助患者感知和重建理想的步行模式。通过与正常步行模式的对比，患者可以更好地理解自己的步态问题，并更有针对性地进行康复训练。

1.2 实例和案例研究

Hocoma的Lokomat系统采用了先进的步态规划算法，通过根据患者的步态特征和康复目标生成个性化的步行模式和参考轨迹，为患者提供准确的步行辅助和支持。这种系统的应用有助于改善患者的步行能力和康复效果，并提升他们的生活质量[3]。

另外，特温特大学的LOPES系统是一种外骨骼下肢康复机器人，采用了新颖的步态在线生成规划算法，成功解决了固定参考轨迹导致的相位错位步行和实时规划的高阻力等问题[4]。

这些先进的下肢康复机器人系统的出现，为患者提供了更多个性化的康复选择，推动了康复技术的发展和进步。

2.步态规划算法类型

步态规划算法是下肢康复机器人的核心控制算法之一，优良的步态规划算法能让机器人的运动更稳定、安全和高效，并且高度的拟人步态对于康复效果也是更优异的。下面介绍的是目前主流的三种步态规划方法。

2.1 参考步态数据法

参考步态数据法是使用预先设定轨迹控制机器人。参考步态数据法具有计算和控制简单的特点，并且能够实现高度拟合人类正常的步态，但是这种方法不能很好地适应于突发的状况与未知的环境，适用于环境简单但对步态有严格要求的场景。

北京理工大学的BHR-Z采用了参考步态数据法进行步态规划，不仅实现了基本的行走动作，还能完成太极等复杂动作[5]。富士通公司外围设备研究所和上海交通大学联合研发的人形机器人JFHR则通过拟合人体步态数据，并采用遗传算法来实现稳定的步态规划[6,7]。此外，瑞士苏黎世大学和HOCOMA医疗器械公司合作开发的下肢康复机器人Lokomat使用正常人体的生理步态作为目标步态，并结合神经网络的方法，使其适用于不同的患者。

2.2 数学模型法

数学模型法从动力学原理建立机器人模型、计算行走的重心轨迹，并最终采用逆运动学计算各个关节的运动角度轨迹。该方法主要目的是机器人的稳定行走，其步态与人类正常步态并非一致，主要适用于环境复杂且对行走稳定性有高要求，但对步态无要求的场景。

慕尼黑工业大学和应用力学研究所合作开发的双足步行机器人“Johnnie”就采用了数学模型法进行机器人的运动学建模，实现了机器人的变速和避障行走。这一成果为机器人步态控制领域带来了新的进展，展示了数学模型法在提升机器人行走能力方面的潜力[8]。

2.3 中央模式发生器法

中央模式发生器（Central Pattern Generator，CPG）是一种仿生学方法，使用动物的神经控制原理和产生节律性运动的机制来实现步态控制。这种方法使用数学模型来描述节律性运动，其中最经典的是CPG模型。尽管目前该模型的实现方法和应用还不够系统和完善，仍存在一些问题，但它为步态规划领域开辟了新的方向。

CPG模型最初由Matsuoka教授提出，Taga博士利用该模型实现了在存在干扰情况下机器人的稳定行走[9]。这些研究展示了CPG模型在机器人步态控制中的潜力和应用前景。

3.参考步态算法的实际应用

下肢康复机器人的一个分支——步态训练康复机器人，其主要功能是帮助患者矫正病态步态，因此机器人的步态要跟正常人步态相吻合。参考步态数据法直接从正常人身上采集数据，其生成的步态最大程度还原了正常人的步态，更加能帮助患者进行步态矫正训练，该算法由于没有考虑重心转移，没有自平衡能力，但是在步态训练机中，人和机器腿往往是悬挂的，由设备提供稳定的支撑，因此该算法是非常适用于步态训练机器人的。本研究在步态训练机器人中使用了这种方法来实现机器人的步态生成，经过了可靠的测试和实验证明了该方法的稳定性和可靠性。

3.1 步态数据采集

在进行步态数据采集时，采用角度传感器来获取受试者在不同速度下髋关节和膝关节的运动角度-时间曲线。为了确保数据的可靠性，为受试者的腿部绑定了带有角度传感器的机械腿支架。在安装角度传感器时，髋关节角度传感器的中心位置需要对准股骨大转子在矢状面上的运动点，膝关节角度传感器的中心位置则需对准膝关节运动的中心点。这样，机械腿支架上的髋关节和膝关节运动关节能够以1kHz的频率将数据发送到电脑端进行实时显示和保存。

实验开始后，受试者穿戴好机械腿支架，在步态训练机器人的跑步机上以匀速行走。通过调节跑步机的速度，获得不同速度下的步态曲线数据。采集了从0.5～3.5km/h，以0.5km/h递增的共计7种不同速度的步态数据。正常人的步态会受身高、体重、年龄和外部环境等因素的影响，因此按照这些因素将受试者分成不同的组别，以获取到不同组不同速度下的数据。在示例中的图1中展示了其中一组以1km/h运动速度下采集到的部分数据。

图1.一组髋、膝关节角度数据

通过采集和分析这些步态数据，能够建立合适的参考模型，并将其应用于步态机器人的步态规划中。这种步态规划方法能够有效辅助患者进行康复训练，使机器人的运动更加准确，并与正常人的步态特征相符合。这种个性化的步态规划为康复训练提供了有针对性和高度适应性的解决方案，帮助患者恢复步态功能和改善生活质量。

3.2 步态数据处理与函数化

在3.1中，采集到了多组的数据，用其中一组数据来进行分析处理，如图1所示，一组数据中有4条曲线，其中左右腿各占两条曲线，分别是髋角度-时间曲线和膝关节的角度-时间曲线。通过观察数据曲线，可以发现左右腿髋或膝的角度数据相位大致为180°，形状大致相同，因此，只需要分析处理一条腿的髋和膝两种曲线的数据即可。

这些数据是在不同人以及不同速度下采集到的步态曲线数据。要得到一条适用于大部分患者的步态曲线，就必须将采集到的不同种类的这些曲线进行融合，得到一条正常人步态平均曲线，在处理过程中，髋和膝关节的角度数据分开处理。

需要注意的是，采集修正到的数据是正常人行走时髋关节和膝关节的角度值。由于机器腿的结构与人体结构存在较大差异，这些数据不能直接应用于控制机械腿的运动。还需要对数据进行速度和加速度范围的控制，以避免速度和加速度的突变，从而防止机械腿对患者或设备造成的损伤。

本研究采集到的是随时间变化的角度数据，通过使用矩阵实验室进行求导计算，可以得到相应的角速度和角加速度数据，并将其绘制成曲线。观察曲线时，发现速度和加速度会存在一些突变点，速度和加速度的突变点会导致设备运行得不平稳，因此需要修正这些突变的数据，但是又需要确保整体的步态曲线不会发生较大的偏差。对于修正突变的速度和加速度，使用了修正速度-拟合位置的方法。首先，手动修改或者移除突变位置的速度和加速度，然后使用矩阵实验室工具箱的数据拟合工具，对修正后的角速度和角加速度数据进行拟合，得到函数曲线。然后，检查速度和加速度曲线是否仍存在突变点，如有需要，重复修正和拟合的过程。最后，通过对拟合完成的速度进行积分运算，可以得到对应的角度-时间曲线。为了确保角度-时间曲线和第一次生成的曲线偏差尽可能地小，需要再次融合两条曲线的数据，得到第三条曲线，然后重复这一方法，最终得到满足要求的平滑且没有突变，并且首尾两端能够平滑过渡的角度-时间曲线。修正后的步态曲线如图2所示。

图2.髋、膝关节角度和角速度曲线

3.3 步态算法在康复机器人的实际使用

拟合得到的函数分为髋和膝两个，这两种函数都可以通过Y轴的伸缩来适用于不同髋、膝关节的活动角度，通过对X轴的伸缩就能得到不同的步频，因此，就能将这一函数封装为黑匣子，输入三个变量，关节活动度、步频和时间。将这些功能集成到嵌入式程序中，就能控制机器人按照已经规划好的步态来运动。实际的用户界面输入的是关节活动度、运动速度、大小腿长度这三个关键参数，所以还需要增加一个能输入关节活动度、运动速度、大小腿长度输出步频的算法，这部分算法主要核心思想是利用人腿接触跑台的速度为匀速作为标准计算得到的。

除此之外，在实际步态训练机器人应用中，还需要考虑步态的起步模式、步频转换柔顺控制、速度转换柔顺控制、双腿相位差和腿与跑台同步性，这些都是需要额外的算法处理的。

在实际的程序中，使用的控制逻辑如下。在本研究的步态训练机器人中，双腿之间、腿与跑台之间都能直接全双工通讯。起步模式使用的是已经上述规划的步态轨迹，左右腿通讯互相知道对方的位置，当两腿运动相位差为180°时开始进入训练模式。由于起步模式使用的步态轨迹和训练模式使用的步态轨迹是相同的，所以在起步模式到训练模式的转换不需要进行步态转换，只需要进行的是速度转换，而在起步模式中使用的是恒速运动，这也为速度转换带来了方便。

在起步模式后到训练模式前期和速度调节时，都需要对机器腿的运动速度进行柔和控制。由于步态是由固定曲线规划出来的，因此，对于速度的控制也就是对于曲线在X轴上的伸缩，也即是对步态运动时间的伸缩，这在嵌入式程序中可以通过改变运动时间这一变量即可，在加减速过程中使用S型算法使得速度的变化更加平滑。

由于某些特殊原因，可能会导致机器腿训练时出现双腿相位差不是180°的情况。为了解决这一问题，两条机器腿都需要知道对方的实时位置，当对方位置与本腿位置的相位差值不为180°的时候就分别调节左右两腿的速度，即一条腿加速另外一条腿减速。但是直接使用调速方法会带来腿与跑台不同步的问题，为了更好地解决这一问题，在嵌入式程序中还检测出左右腿的步态周期，即该腿在摆动期才允许进行加减速。为了能更快地调节这一相位差，程序会辨识其相位差更接近180°还是更接近-180°以控制是左腿加速右腿减速还是左腿减速右腿加速，其加速度值也会根据当前速度、相位差值来智能调节。

跑台与机器腿的同步性带来的问题，可以通过调节步态曲线来得到理想的同步效果，但是，在实际的使用会因为患者腿长测量、机械腿与患者腿关节对齐等因素而带来误差。这个误差目前可以通过微调跑台速度来改善，但是可能这并不是最好的解决办法，通过检测患者关节受力和足底与跑台的摩擦力来调整跑台或机器腿的速度才能更好地解决这个问题。

4.小结

本文讨论了步态训练系统的关键运动算法——步态规划，首先列举Locomat、ReStore和LOPES这三种下肢康复机器人系统以及其使用的步态规划算法，然后简述了目前常见的三类步态规划算法（参考步态法、数学模型法和CPG法），最后使用了参考步态法应用到本步态训练系统中。

这种方法首先需要进行标准步态的采集，然后对采集到的数据进行分析并进行优化，最后将优化后的数据应用到步态机器人的电机控制中。当然，本研究的使用还存在一些可以优化改进的地方。数据分析和优化那部分，为了进一步优化步态曲线的稳定性和逼真度，可以考虑使用其他数据处理方法，例如使用滤波算法平滑曲线，或者采用机器学习技术对数据进行分析和预测。这项工作的成果将有助于改善机械腿的性能和适用性，为需要步态训练的患者带来更好的康复效果。