欠驱动软按摩理疗机器人的逆补偿与自适应模糊积分滑模控制

《Engineering Applications of Artificial Intelligence》：Inverse compensation and adaptive fuzzy integral sliding-mode control for the underactuated soft massage physiotherapy robot

软按摩机器人（SMPR）基于气动执行器（PPA）的非线性迟滞特性建模，提出逆补偿器与自适应模糊积分滑模控制（AFISMC）结合的控制策略，通过实验验证了系统对迟滞的补偿效果及轨迹跟踪精度。

　　本研究聚焦于一种新型的软体机器人技术，其旨在解决传统针灸推拿过程中存在的控制难题。针灸推拿作为一种古老的中医疗法，广泛应用于健康维护和疾病预防领域，然而其操作通常依赖于经验丰富的专业人士，不仅需要长时间的学习和训练，而且在实际应用中存在一定的安全风险。因此，开发一种能够安全、精确执行针灸推拿任务的机器人系统成为研究重点。

为了实现这一目标，研究团队设计并制造了一种软体推拿机器人（Soft Massage Physiotherapy Robot, SMPR），该机器人由可穿戴外壳和多个气动推拿执行器（Pneumatic Physiotherapy Actuator, PPA）组成。可穿戴外壳上设有对应穴位的固定孔，PPA则安装在这些孔中，以实现对特定穴位的精准按摩。PPA采用气动驱动方式，因其具备良好的稳定性、高输出力和较大的形变能力，成为实现针灸推拿功能的理想选择。

然而，PPA在实际运行中表现出复杂的迟滞特性，这对系统的建模和控制提出了挑战。迟滞现象是软体机器人系统中常见的非线性行为，它可能导致控制精度下降，并影响系统的整体性能。因此，如何准确描述PPA的迟滞行为，同时保持建模过程的计算可行性，成为研究的关键之一。

针对这一问题，研究团队提出了一种动态模型，该模型由线性部分和不对称Prandtl–Ishlinskii迟滞模型（Asymmetric Prandtl–Ishlinskii Hysteresis Model, APIH）组成。APIH模型能够更精确地捕捉PPA的非线性迟滞特性，从而为后续的控制设计提供理论基础。基于该模型，研究团队设计了一个逆补偿器，用于抵消PPA的迟滞效应，使得系统在一定程度上接近线性状态，便于控制。

此外，为了应对系统中存在的不确定性，如外部干扰、建模误差和参数扰动，研究团队引入了模糊近似器（Fuzzy Approximator）。模糊近似器能够对这些不确定性进行近似，从而减少其对系统控制性能的影响。在此基础上，研究团队进一步提出了自适应模糊积分滑模控制（Adaptive Fuzzy Integral Sliding-Mode Control, AFISMC）方法，用于处理模糊近似器所捕捉的不确定性，提升系统的鲁棒性和控制精度。

滑模控制作为一种常见的非线性控制方法，因其对系统扰动和不确定性的强适应能力而被广泛应用。然而，传统滑模控制在实际应用中仍面临一些挑战，如系统的非线性特性较强，且容易产生高频切换（chatter）现象，这可能影响控制的平滑性和稳定性。为此，研究团队结合了模糊近似器与滑模控制方法，设计出一种混合控制策略，以提升系统的整体性能。

为了进一步验证该控制策略的有效性，研究团队还采用了一种基于反步法（Back-Stepping Method）的名义控制器（Nominal Controller），用于控制近似线性化的系统。名义控制器能够确保系统在受到干扰时仍能保持良好的运行状态。通过将逆补偿器、模糊近似器、AFISMC方法和名义控制器相结合，研究团队成功实现了对SMPR的精确控制，并进一步验证了其在针灸推拿任务中的应用效果。

实验结果表明，所设计的控制策略能够有效消除系统中的不确定性干扰，并精准补偿PPA的迟滞效应，从而提升了SMPR的交互安全性、响应速度和控制精度。实验测试涵盖了多个实际场景，包括不同类型的穴位按摩任务和不同环境下的操作条件。实验数据不仅验证了控制策略的有效性，还展示了其在轨迹跟踪方面的优异表现。

本研究的主要贡献在于：首先，设计了一种适用于人体针灸推拿的SMPR，并开发了能够准确描述其PPA迟滞行为的动态模型；其次，基于该模型设计了逆补偿器，并结合AFISMC方法，实现对SMPR的高精度控制；再次，通过模糊近似器和名义控制器的结合，进一步提升了系统的鲁棒性和稳定性；最后，通过实验验证了所提出的控制策略在实际应用中的可行性，为未来针灸推拿机器人的开发提供了理论依据和技术支持。

本研究的创新点在于，将软体机器人技术与传统中医推拿方法相结合，利用气动驱动技术实现安全、柔和的按摩操作。同时，通过建立动态模型和逆补偿器，有效解决了PPA的迟滞问题，使得系统在复杂环境下仍能保持良好的控制性能。此外，引入模糊近似器和自适应控制方法，提升了系统对不确定性的适应能力，使得SMPR能够在实际应用中实现高精度、高稳定性的控制。

在控制策略的设计过程中，研究团队充分考虑了系统的复杂性和非线性特性，采用了一种多层控制结构，包括逆补偿器、模糊近似器、AFISMC方法和名义控制器。这种结构不仅能够有效处理系统的迟滞特性，还能应对各种外部干扰和建模误差，从而确保SMPR在实际操作中的稳定性和精确性。实验结果表明，该控制策略能够显著提升系统的控制精度，同时保持较高的响应速度，为未来针灸推拿机器人的应用提供了可靠的技术支持。

此外，本研究还通过理论分析和实验验证相结合的方式，对控制系统的稳定性进行了深入探讨。研究团队基于Lyapunov稳定性理论，对所提出的控制策略进行了稳定性分析，证明了其在理论上的可靠性。同时，通过实验测试，验证了该控制策略在实际应用中的有效性，为后续研究提供了参考依据。

在实际应用中，SMPR不仅能够实现对穴位的精准按摩，还能根据用户的反馈进行实时调整，从而提升按摩的舒适度和效果。PPA的气动驱动方式使得机器人能够模仿人类的手法，实现柔和、精准的按摩动作。同时，逆补偿器的设计使得系统能够有效抵消PPA的迟滞效应，确保控制的连续性和稳定性。

本研究还提出了一种新的控制方法，即自适应模糊积分滑模控制（AFISMC）。该方法结合了模糊控制的非线性逼近能力和滑模控制的强鲁棒性，能够有效处理系统中的不确定性，提升控制精度。AFISMC方法在实际应用中表现出良好的性能，能够减少外部干扰对系统的影响，同时保持较高的控制速度。

在实验测试过程中，研究团队采用了多种测试场景，包括不同类型的穴位按摩任务和不同环境下的操作条件。测试结果表明，所提出的控制策略能够在各种复杂条件下保持良好的控制性能，同时提升系统的交互安全性和响应速度。实验数据不仅验证了控制策略的有效性，还展示了其在轨迹跟踪方面的优异表现。

综上所述，本研究通过设计一种新型的SMPR系统，结合动态建模、逆补偿器、模糊近似器和AFISMC方法，成功解决了传统针灸推拿过程中存在的控制难题。实验结果表明，该控制策略能够有效提升系统的控制精度和稳定性，为未来针灸推拿机器人的开发提供了理论依据和技术支持。本研究不仅推动了软体机器人技术在医疗领域的应用，还为传统中医推拿的现代化发展提供了新的思路和方法。