基于最优辅助水平参数的以用户为中心的强鲁棒自适应控制技术在动力辅助轮椅中的应用

《Mechatronics》：User-centered robust adaptive control using an optimal assistance level parameter for power-assisted wheelchairs

　　A. Ait-Ghezala|G. Conreur|T. Poulain
法国上法兰西综合理工学院，LAMIH，CNRS，UMR 8201，59313瓦朗谢讷市，法国

摘要
本文提出了一种用于动力辅助轮椅的自适应辅助架构，该架构能够根据用户瞬时推进力矩与在最佳条件下维持预期运动状态所需力矩之间的差异，持续调整辅助力度。这一差异被定义为用户贡献指数，并被纳入通过Takagi–Sugeno多面体建模和线性矩阵不等式方法构建的鲁棒LPV控制器的动态成本函数中，从而确保在不同地形及用户阻力条件下的闭环稳定性和干扰抑制能力。所提出的框架将用户、轮子与地面相互作用的LPV模型与所需辅助力的在线估算相结合，从而无需依赖外部传感器或经验性调节即可实现个性化且具备情境感知能力的力矩输出。在PSCHITT-PMR驾驶模拟器平台上对五名参与者进行的实验验证表明，与传统及经验性自适应策略相比，该方案显著降低了用户力矩幅度及推进力波动性。

引言
手动推动轮椅虽能促进活动，但易导致上肢过度使用损伤[1]。全动力轮椅虽可减轻负担，却会限制用户的主动参与度和操控灵活性。动力辅助轮椅则在减轻负荷与保持活动能力之间取得了平衡，但有效的辅助力输出仍面临挑战。目前常见的固定或比例力矩放大方式忽视了用户、轮子与地面之间的非线性动力学关系，往往会增加代谢成本[2]。

为克服这些缺陷，研究界试图采用自适应和智能控制方法。增益调度及模糊逻辑控制器[3][4]虽可实现基于情境的适应性调整，但依赖经验规则，对参数调节敏感，且缺乏正式的鲁棒性保障。机器学习方法也被用于从运动学或生理信号中推断用户意图[5][6]，然而分类错误可能降低安全性并削弱用户信任。类似地，肌电信号检测结合观测器估计算法[7]虽能捕捉肌肉激活情况，但需精确的电极放置，且易受运动伪影和噪声影响，限制了其在实际应用中的可行性。

另有研究致力于提升安全性和稳定性。再生制动及干扰补偿策略[8][9]虽能增强在斜坡及横坡上的稳定性，但可能增加能耗，并在电池电量不足时导致运行状态突变。近期，基于最优控制和鲁棒控制的模型驱动共享控制方法在提升推进稳定性与效率方面展现了良好前景[10][11][12][13][14]。尽管取得了这些进展，现有研究仍存在三重根本性局限：一是对用户、轮椅及地形动力学的描述过于简化或孤立，无法体现三者之间的耦合关系；二是缺乏能够同时兼顾减负、推进稳定性及能源管理等多目标权衡的统一框架；三是辅助力度参数的定义不完整或静态化，而该参数直接决定了人机之间的力矩分配，其不匹配可能削弱用户信任并影响人机接口的稳定性[15][16]。

本文通过一种全新的辅助力度确定方法来解决这些局限。该框架无需依赖肌电信号、力矩阈值[7]或斜坡检测[9]等外部指标，而是根据用户推进力矩与在相同运动场景下最佳控制条件所需的力矩之间的瞬时差异来确定辅助力度。这种设计确保辅助力度与实际推进需求紧密关联，能随地形及用户用力情况实时变化，且无需人工校准。控制架构基于用户-轮子-地面相互作用的线性参数变分模型构建，该模型可体现手部与轮子之间的阻抗效应以及由地形决定的滚动阻力。由此得到的用户贡献指数被纳入鲁棒LPV控制器的动态成本函数中，从而实现能够兼顾减负、抗干扰能力及电机能量管理的自适应力矩生成。通过Takagi–Sugeno多面体框架下的基于李雅普诺夫的线性矩阵不等式方法，可正式保证闭环系统的稳定性。

图1展示了所提策略的整体架构。该架构由两个并行工作的模块组成。第一个模块用于估算辅助力度参数：通过由Takagi–Sugeno最优控制器控制的虚拟自主轮椅模型，对实测轮速与参考轮速之间的跟踪误差进行处理，从而得出最优推进力矩。随后将用户实测力矩与该参考值进行比较，计算出用户贡献指数，该指数反映了用户在每一时刻对运动任务的贡献程度。第二个模块则负责实现鲁棒的自适应辅助控制：用户-轮子-地面之间的耦合动力学关系由Takagi–Sugeno模糊模型表示，用户贡献指数被纳入动态成本函数中，进而通过状态反馈生成辅助力矩。闭环速度信号会反馈至这两个模块，从而实现针对用户用力情况及当前运动条件的实时适配。

本文的主要贡献如下：
• 最优辅助参数：基于用户推进力矩与最佳控制状态下所需力矩之间的瞬时差异，设计出一种最优辅助力度参数，该参数可实现自动校准，并具有物理意义，能实时适应地形特征及用户用力情况，无需依赖外部传感器或经验性调节。
• LPV建模与参数自适应：建立了考虑手部与轮子之间的阻抗效应以及滚动阻力变化的用户-轮子-地面相互作用LPV模型。
• 自适应控制设计：构建了基于Takagi–Sugeno方法的LPV H∞控制器，将辅助力度参数嵌入动态成本函数中，从而实现自适应辅助力调节、执行器约束处理以及用户-轮子耦合补偿，同时通过基于线性矩阵不等式的分析确保闭环系统的稳定性和干扰抑制能力。
• 实验验证：在PSCHITT-PMR交互式驾驶模拟器上，对动力辅助轮椅原型进行了实验测试，共有五名参与者参与，实验结果表明，与传统及经验性自适应策略相比，该方案显著降低了用户力矩幅度及推进力波动性。

本文的其余结构如下：第2节介绍用户-轮子-地面相互作用的建模方法；第3节详细阐述最优辅助力度参数的设计思路；第4节介绍自适应辅助控制策略；第5节通过用户测试展示实验结果；最后，第6节总结主要发现并指出未来研究方向。

片段摘录
用户-轮子相互作用建模
图2展示了用户、轮子与地面之间的动态相互作用，该系统由两个相互耦合的子系统构成。上部为人与轮子的相互作用：辅助力矩Ta(t)与阻抗反馈Zρ(t)ω(t)相加后，经过具有时间常数τ的一阶肌肉激活模型过滤，从而产生用户的推进力矩Th(t)。该模型能够反映从感知到的用力需求到实际产生的力矩之间的神经肌肉延迟过程。

最优辅助力度参数
本文提出了一种最优辅助力度参数γ?(t)，作为衡量用户对推进任务瞬时贡献程度的量化指标。其核心思想是将用户实际产生的力矩与同一轨迹下由最优控制的自主轮椅所需的力矩进行比较。该比值定义为：
?γ?(t)=sat[0,1]Th(t)Tt(t),|Tt(t)|>?
其中，Th(t)为用户施加的推进力矩，Tt(t)为……

自适应辅助控制设计
本节介绍了用于动力辅助轮椅的自适应触觉辅助控制器的设计方法。图1展示了用户与自适应辅助模块之间的整体交互流程。

基于用户的实验验证
本节介绍了在PSCHITT-PMR平台上对所提出的动力辅助轮椅辅助架构进行的实验验证工作[20][21]。实验场景是在虚拟环境中利用SCANeR STUDIO工具构建的（见图3）。

结论
本文提出了一种以用户为中心的动力辅助轮椅自适应辅助架构，该架构基于最优辅助力度参数γ?(t)设计，该参数定义为用户推进力矩与基于虚拟自主轮椅模型得出的最佳力矩之间的比值。与那些依赖经验性可访问性指数的方法不同，γ?(t)是基于用户、轮子与地面之间的耦合动力学关系确定的，能够实时适应地形特征及用户用力情况，无需人工干预。

CRediT作者贡献说明
A. Ait-Ghezala：撰写——初稿、方法论、形式分析、验证、研究、软件开发。
C. Sentouh：指导、方法论、撰写——审阅与编辑。
G. Conreur：软件开发。
P. Pudlo：指导、资源协调。
T. Poulain：软件开发。

关于写作过程中生成式AI及AI辅助技术的声明
在稿件准备阶段，作者们使用了Perplexity AI工具来检查英文文本的一致性。随后，作者们对文本进行了审阅和编辑，并对最终内容承担全部责任。

利益冲突声明
作者们声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究得到了CPER RITMEA项目的支持，该项目由欧盟通过欧洲区域发展基金（FEDER）、法国政府以及上法兰西大区共同资助。作者们还感谢由CNRS支持的陆地运输与移动研究联合会（FR3733）所提供的帮助。