基于哈密顿量的能量整形技术，结合注意力增强的傅里叶神经算子，用于踝关节康复机器人的自适应扭矩控制

《ADVANCED ENGINEERING INFORMATICS》：Hamiltonian-based energy shaping with attention-augmented fourier neural operators for adaptive torque control in ankle rehabilitation robot

　　

Naveed Ahmad Khan | Prashant K. Jamwal | Girija Chetty | Shahid Hussain

摘要

在康复机器人领域，能量流的控制不仅是一项稳定性要求，更是一种能够影响人机交互（HRI）质量和安全性的治疗工具。在人机耦合系统中，势能和动能的精确调节决定了辅助方式的提供方式、干扰的排除方式以及患者努力的激励方式。能量塑形技术使控制器能够构建一个以预设参考姿态为基准的人工能量场，从而使恢复性扭矩自然地从能量场中产生，并将充满干扰的交互活动限制在可控的被动操作范围内。本研究提出了一种基于深度学习的能量塑形框架，用于三自由度（DOF）踝关节康复机器人的扭矩控制。该方法基于Port-Hamilton力学原理，采用基于互连和阻尼分配-被动性控制（IDA-PBC）的方法来塑造系统的能量场，从而实现实际稳定性和安全的患者交互。为了解决静态或启发式能量塑形的局限性，我们引入了一种基于物理信息的数据驱动方法，该方法通过注意力增强傅里叶神经算子（AFNO）动态构建势能函数。该架构从时空传感器数据（包括关节运动学和交互扭矩）中学习映射关系，从而得到定义控制能量场的最佳塑形参数。实验验证表明，在十名健康受试者（八名男性，两名女性，年龄25–43岁）参与的控制性运动中（包括背屈/跖屈、内翻/外翻以及外展/内收），所提出的控制策略能够有效引导关节轨迹朝向预设参考姿态，同时在充满干扰的交互条件下保持系统的被动性并最小化不必要的能量消耗。