一种假肢手抓握物体初始参考力模糊估计方法

摘要

一种假肢手抓握物体初始参考力模糊估计方法，包括以下步骤：1)设定假肢手在接触物体前，以一定速度抓取软硬程度不同的物体；2)假肢手手指与物体接触时，通过安装于指节的力传感器测量接触力；3)在手指接触物体的短时间内，对实际接触力F进行微分得到接触力梯度；4)对接触力和接触力梯度进行归一化、模糊化、模糊推理以及解模糊化，得到模糊估计值，其中设计了特定的模糊规则库；7)将模糊估计值进行坐标反变换得到期望抓握力；8)取假肢手接触物体之后一小段时间内(50-300ms)计算的最大的期望抓握力作为假肢手抓取物体时初始参考力。本发明对假肢手抓取软硬程度不同物体，初始参考力估计区分明显，估计效果良好。

说明书

技术领域

本发明涉及一种假肢手抓握物体初始参考力模糊估计方法。 

背景技术

人类与动物的本质区别在于人不仅会使用工具，还能创造工具、改造世界，这很大程度上得益于他们那一双具有灵活操纵功能的多指手。对于肢体残疾人，手的丧失不仅使其身心遭受打击，同时也给生活带来不便。因此，假肢手的研究对于改善上肢残疾人的生活具有非常重要的意义。 

在日常生活中，人手的操纵环境往往是动态非良好的，操纵对象复杂多样，这就要求假肢手比普通机械手适应性和灵活性更好，功能更加强大。假肢手要像人手那样实现灵活抓取和操纵，其控制系统的设计与控制策略的研究显得尤为重要。人手在抓握物体时，首先通过眼睛看到被抓握物体，根据经验估计抓握力的大小，然后通过神经系统控制人手驱动器一骨骼肌，实现变刚度抓握软硬不同的物体。由于假肢手完成设计后，结构、刚度是确定的，且人的大脑意图目前还不能完全解码，使得假肢手不能像人手一样实现变刚度抓握不同软硬的物体。 

目前对于假肢手控制系统的设计，主要是通过采集残疾人残肢上的肌电信号(EMG)对其进行特征提取，从而对不同动作进行模式识别，以控制假肢手完成各种动作。对于假肢手的抓取控制，多采用力跟踪控制，即事先给定期望抓握力或者通过肌电信号乘以一个比例系数得到期望力，然后设计控制器，对其进行跟踪控制。 

然而在抓取软硬程度不同的物体时，如不能给定假肢手合适的期望抓握力，就有可能造成物体滑落或者物体损坏；肌电信号的不稳定也会造成期望力的不确定性。通过事先设置多种不同的期望力，在具体的抓取任务中，由切换开关来实现软硬程度不同物体的抓握是一种解决方法，但这需要视觉信息来把握被抓物体的特征，同时需要手动切换模式。人们更多的是期望在假肢手与未知物体接触的动态过程中，通过瞬间的动态接触力特性来估计期望抓握力，以实现对不同软硬物体的抓握控制。 

发明内容

为了防止假肢手在抓取物体时期望抓握力过小造成抓取不稳定，或者抓握力过大造成物体损坏变形，本发明提供一种适应不同软硬物体，假肢手抓取物体初始抓握力的模糊估计方法。 

本发明所采用的技术方案是： 

一种适应不同软硬物体，假肢手抓取物体初始抓握力的模糊估计方法，包括以下步骤： 

1)设定假肢手手指以一定速度抓取软硬程度不同的物体 

2)触碰到物体时，通过安装于手指指节的压力传感器测量假肢手手指与被抓物体的实际接触力F，所述实际接触力是指手指刚与物体接触时，指节上传感器测量到的接触力； 

3)对实际抓握接触力F进行微分得到接触力梯度dF： 

dF＝(F_k-F_k-1)/T                                  (1) 

其中：k是大于0的自然数；F_k为当前传感器测量的接触力值；F_k-1是上一时刻传感器测量的抓握力值；T是相邻两次测量的时间间隔，即采样时间。 

4)对接触力F和接触力梯度dF进行归一化得到f和df，使其论域均为[-1，1]： 

f＝[2F-(F_max+F_min)]/[2(F_max-F_min)]                (2) 

df＝[2dF-(dF_max+dF_min)]/[2(dF_max-dF_min)]          (3) 

其中：F_max，F_min分别表示接触力的最大值与最小值；dF_max，dF_min分别表示接触力梯度的最大值与最小值。 

5)接触力f与接触力梯度df分别乘以量化因子k₁、k₂，得到模糊系统的输入E_f与R_f： 

6)将E_f与R_f进行模糊化，模糊推理以及解模糊化，得到模糊估计值u_f。其中，输入E_f、R_f和输出uf的隶属度函数都可采用吊钟形、三角形函数、梯形、高斯函数或其他函数形式；接触力、接触力梯度以及输出量模糊化后的语言变量为：很大力或很大梯度(PL)、大力或大梯度(PM)、较大力或较大梯度(PS)、中等力或中等梯度(ZR)、较小力或较小梯度(NS)、小力或小梯度(NM)、很小力或很小梯度(NL)；设计了49条模糊规则形成了特定的模糊规则库；还可以根据具体需要增加或减少语言变量级数与模糊规则数目；模糊推理机制可采用Madamni推理机制、Larsen推理机制、Zadeh推理机制等；解模糊化可采用高度法、重心法、面积法、加权平均法或其他方法； 

7)将模糊估计值u_f进行坐标变换使其值域为[0，1]，并乘以比例系数k₃，得到期望抓握力f_d： 

f_d＝k₃(u_f+1)                   (4) 

8)取假肢手接触物体之后一小段时间内(50-300ms)内计算的最大的期望抓握力f_d作为 假肢手抓取物体时初始参考力。 

本发明提出在假肢手抓握不同软硬物体时，能够在初始接触时根据接触力和接触力梯度判断出适应刚度的抓取参考力大小。其核心思想是：假肢手的手指以一定的速度接触物体时，由于物体刚度的不同，初始接触力的大小以及接触力的变化快慢(力的梯度)不一样，所以将初始接触力和接触力的梯度模糊化后，根据设定的规则库，通过模糊推理，解模糊化得到假肢手抓握物体的初始参考力。所述的参考力能够适应软硬不同的物体，对于硬物体经过模糊估计得到较大的抓握参考力，对于软物体经过模糊估计得到较小的抓握参考力。所述的模糊逻辑估计参考力系统，采用图形法，可以推导出抓握力模糊估计模型的数学表达式： 

f_d＝k₃(u_f+1)                  (5) 

$u_f=k_3\mathrm{sat}\left(\sigma \right)=\left(\begin{array}{cc}{k}_3\mathrm{sgn}\left(\sigma \right)& \left|\sigma \right|>1\\ k_{3}g\left(\sigma \right)& \left|\sigma \right|\le 1\end{array}\right)---\left(6\right)$

g(σ)＝k(1-γ)+γσ                 (7) 

σ＝E_f+R_，＝k₁f+k₂df                 (8) 

其中u_f——模糊逻辑系统输出值 

k₁、k₂——模糊逻辑系统输入比例因子 

k₃——模糊逻辑系统输出比例因子 

sgn(*)——符号函数，其值为-1，0或1分别对应自变量为负值、零或正值 

f——归一化后的接触力 

df——归一化后的接触力梯度 

k、γ——是与模糊输入有关的非线性函数。 

本发明的有益效果主要表现在：提出的抓握物体参考力模糊估计策略，采用初始阶段接触力和接触力梯度输入到模糊逻辑系统得到假肢手初始抓握参考力。该参考力可适应软硬不同的物体，从而使得假肢手在抓取物体时更柔顺、平稳。 

附图说明

图1为本发明的假肢手抓握控制策略。 

图2为本发明的假肢手抓握不同刚度物体的接触力和接触力梯度。 

图3为本发明的假肢手抓握物体初始参考力模糊估计模型。 

图4为本发明的模糊估计系统输入输出三角型隶属度函数。 

图5为本发明的模糊估计系统输入输出高斯型隶属度函数。 

图6为本发明的模糊估计系统规则库。 

图7为本发明的假肢手抓握硬物体初始参考力估计实验结果。 

图8为本发明的假肢手抓握中等刚度物体初始参考力估计实验结果。 

图9为本发明的假肢手抓握软物体初始参考力估计实验结果。 

具体实施方式

下面结合附图对本发明做进一步描述。 

由于假肢手完成设计后，结构、刚度是确定的，且人的大脑意图目前还不能完全解码，使得假肢手不能象人手一样实现变刚度抓握物体。所以，采用主动控制来实现假肢手抓握不同刚度物体的功能。基于人手抓握的控制原理，提出了假肢手抓握控制策略，如图1所示，其中F为假肢手的抓握力，F_d为期望的抓握力。根据抓握力的测量信息，以抓握力模糊估计模型代替人脑视觉的抓握力的估计，以模糊控制器代替人的大脑神经控制，从而使假肢手能实现柔顺、平稳的抓取。 

假肢手手指以一定的速度抓取刚度不同的物体时，手指与物体接触瞬间，两者之间的接触力表现出的动态性能是不同的。以纸杯、饮料瓶和金属外壳手机三种日常生活常见物体为例，分别代表软物体，中等刚度物体和硬物体三种不同刚度的物体。用一定的电压驱动假肢手手指对这三种物体进行抓握，取抓握力及其梯度作为分析对象，如图2所示，假肢手手指抓取不同刚度物体时，抓握力与抓握力的梯度有着明显的区别，在刚接触的瞬间尤为突出。由此，取抓握力与抓握力的梯度作为接触力的动态特性，作为初始参考力的估计依据。 

如图3，根据本发明内容设计假肢手抓握物体初始参考力模糊估计策略，控制算法及其参数制定的具体过程如下： 

第一步：本发明内容提到，配合策略的实施，必须在假肢手手指指节安装压力传感器，并将传感器所测量的抓握力及其梯度进行模糊推理，得到估计参考力。那么在估计参考力之前，必须通过抓握接触力的特性建立模糊化与反模糊化方法，模糊规则库以及模糊推理机制。如图2，对假肢手手指抓取不同刚度物体进行多次实验，通过压力传感器测量得到抓握接触力，并对抓握力取微分得到力梯度： 

dF＝(F_k-F_k-1)/T                 (1) 

所述的抓握力是指假肢手手指最先与物体接触的指节所测得的抓握接触力。 

第二步：从多次实验结果中，取接触力的最大值F_max与最小值F_min，接触力梯度的最大值dF_max与最小值dF_min，作为参考力估计时的归一化参数。归一化的目的是使接触力与接触力梯度统一到论域[-1，1]中，便于输入的量化和模糊化。归一化公式如下： 

f＝[2F-(F_max+F_min)]/[2(F_max-F_min)]          (2) 

df＝[2dF-(dF_max+dF_min)]/[2(dF_max-dF_min)]    (3) 

其中：F_max，F_min分别表示接触力的最大值与最小值；dF_max，dF_min分别表示接触力梯度的最大值与最小值。 

第三步：确定模糊估计输入输出的隶属度函数。因为第二步中已经将接触力与接触力梯度进行了归一化，统一到论域论域[-1，1]中，所以，输入隶属度函数论域也应该为[-1，1]，如图4，隶属度函数的类型可以选用三角形函数形式，如图5，也可以选用高斯型，或采用其他的函数形式，本发明实验输入输出的隶属度函数均采用了标准的三角形函数形式。 

第四步：建立模糊规则库。在日常生活中，人手接触到物体复杂多样，它们的刚度范围很广，无法对每一种可能接触到的物体进行实验。所以本发明选取了三种有代表性的物体：纸杯(软物体)，饮料瓶(中等刚度物体)，手机(硬物体)，进行了多组实验。为了更好地区分不同刚度的物体，估计出合适的参考力，将接触力、接触力梯度以及输出量模糊化后的语言变量扩展为七级：很大力或很大梯度(PL)、大力或大梯度(PM)、较大力或较大梯度(PS)、中等力或中等梯度(ZR)、较小力或较小梯度(NS)、小力或小梯度(NM)、很小力或很小梯度(NL)。参照图2可知，当物体刚度较大时，接触力和力的梯度也较大，此时应采用较大的参考力以实现稳定抓取；当物体的刚度较小时，接触力和力的梯度也较小，此时应采用较小的参考力以实现柔顺抓取，防止将物体抓坏。基于此，如图6，设计了49条模糊规则形成了特定的模糊规则库，还可以根据具体需要增加语言变量级数与模糊规则数目。 

第五步：模糊推理机制与解模糊化，模糊推理机制可采用Madamni推理机制、Larsen推理机制、Zadeh推理机制等，解模糊化可采用高度法、重心法、面积法、加权平均法或其他方法 

可以看到本策略中，模糊估计模型的建立需要以接触力的动态特性为依据，接触力动态特性实验直接影响估计参考力的准确性。 

为了验证上述提出的假肢手抓握物体初始参考力模糊估计策略的有效性，搭建假肢手初始参考力估计实验方案，该假肢手由直流电机驱动拇指与食指运动。选用三种不同刚度物体：硬杯子，饮料瓶，纸杯子，作为假肢手抓握对象，以检验模糊估计策略能否对不同刚度物体估计出合适的初始参考力。实验中，以恒定的电压驱动假肢手手指运动，手指与物体接触的前200ms进行参考力估计。实验结果如图7至图9，分别为硬杯子，饮料瓶和纸杯子的估计参考力结果，假肢手抓握硬杯子，饮料瓶以及纸杯子的模糊估计参考力分别约为：2.3N，1.4N，0.9N；假肢手以此参考力进行力跟踪抓握，既能保证软物体(纸杯子)不损坏，又能实现对不同刚度物体的稳定抓取。结果表明：本发明提出的假肢手抓握物体初始参考力模糊估计策 略，能够快速实现对不同软硬物体的初始参考力估计，估计出的参考力能保证软物体不损坏，实现对不同软硬物体的稳定抓握。