《Electronics》：Real-Time Neuroadaptive Control with Tactile Calibration for Physical Human–Robot Interaction
编辑推荐：
研究人员提出了一种应用于触觉传感接口（tactile sensing interface）的神经自适应控制（neuroadaptive control）框架，用于与机械臂进行实时、人类引导的物理交互。该框架采用双环架构（dual-loop architectu
研究人员提出了一种应用于触觉传感接口（tactile sensing interface）的神经自适应控制（neuroadaptive control）框架，用于与机械臂进行实时、人类引导的物理交互。该框架采用双环架构（dual-loop architecture），包括一个内环神经自适应控制器（inner-loop neuroadaptive controller）用于补偿非线性机器人动力学，以及一个外环ARMA–RLS触觉映射（outer-loop ARMA–RLS tactile mapping），将触觉传感器电压转换为平面末端执行器位移指令。安装在机器人末端执行器上的四个压阻式触觉传感器（piezoresistive tactile sensors）通过自回归滑动平均（autoregressive moving-average, ARMA）模型进行单独校准，该模型通过递归最小二乘（recursive least squares, RLS）更新。所提出的触觉接口不估计绝对笛卡尔力/扭矩（force/torque wrench）；相反，它学习一种用户和传感器特定的电压到运动指令映射，用于平面引导。为了评估对用户变异性的鲁棒性，28名参与者完成了校准实验，产生了112个用户和传感器特定的校准模型。校准过程实现了毫米级位移预测精度，所有参与者的平均均方根误差（RMSE）约为2.70 mm。校准后，参与者使用触觉接口引导机械臂沿预定义的8字形轨迹运动。平均最近路径跟踪误差从初始试验的 毫米减少到最终试验的 毫米，表明在重复接触该接口后，触觉引导的路径跟踪性能有所改善。在这些实验中，内环神经自适应控制器保持了有界的关节空间跟踪误差。总体而言，所提出的校准和控制框架提供了一种低成本的物理接口，用于平面人类引导机器人运动，无需使用腕装力/扭矩传感器（force/torque sensor）。
**论文解读文章**
**研究背景与问题**
物理人机交互（physical human–robot interaction, pHRI）依赖于机器人感知并响应人类用户施加的接触力的能力。尽管触觉反馈已成功集成到高速闭环控制任务中，如机器人轮廓跟踪和高动态操作，但如何将高维触觉输入映射为直观的机器人运动指令仍是一个挑战。现有低成本触觉传感器（如压阻式传感器）存在非线性、迟滞、漂移以及对安装和接触力学的敏感性，限制了其直接应用。此外，用户施加接触压力的方式具有显著变异性，传统离线校准方法难以捕捉用户特定的交互行为。因此，需要一种自适应校准策略，能够在实时交互中学习用户和传感器特定的电压到运动指令映射，同时补偿机器人动力学的不确定性。本研究旨在开发并验证一种结合神经自适应控制和触觉校准的框架，以实现低成本的平面人类引导机器人运动。
**研究内容与结论**
研究人员提出了一种基于双环架构的神经自适应控制框架：内环使用神经自适应控制器（neuroadaptive controller, NAC）补偿非线性机器人动力学，外环采用自回归滑动平均（ARMA）模型结合递归最小二乘（RLS）更新，将触觉传感器电压映射为平面末端执行器位移指令。该框架不估计绝对力/扭矩，而是学习用户和传感器特定的电压-运动映射。通过28名参与者（共112个校准序列）的实验验证，校准实现了毫米级位移预测精度（平均RMSE约2.70 mm），且重复使用后8字形轨迹跟踪误差下降。该研究提供了一种无需腕装力/扭矩传感器的低成本物理接口，发表于《Electronics》。
**关键方法**
研究人员采用双环控制架构：内环为基于两层神经网络的神经自适应控制器（NAC），通过Lyapunov稳定性分析保证关节空间跟踪误差有界；外环使用ARMA(4,4)模型（每个传感器8个自适应系数）通过RLS在线更新，将触觉传感器电压映射为标量位移贡献，再经方向向量投影生成任务空间笛卡尔偏移。校准阶段利用预定义的矩形轨迹（每条边150 mm，持续8秒）提供激励，参考位移由机器人正向运动学计算。实验使用Neuromeka Indy7六自由度协作机器人，末端执行器安装四个压阻式触觉传感器（TS0–TS3），传感器采样及控制更新频率为100 Hz。样本队列为28名参与者（University of Louisville IRB批准）。
**研究结果**
**4.1 矩形校准收敛：单被试案例研究**
以被试8为例，在线校准过程中，每个传感器的ARMA预测位移与滤波后的正向运动学参考位移对齐。整体归一化RMSE为0.91%（1.36 mm），晚期20%阶段误差进一步降低，表明在线辨识随数据积累而改进。
**4.2 矩形校准收敛：队列结果**
28名被试的112个校准序列显示，平均RMSE为2.70 mm（中位数2.08 mm），相当于150 mm校准边长的1.80%。70.4%的样本误差在2 mm以内，90.0%在5 mm以内。收敛起始时间（95%样本误差<5 mm的1.0 s窗口）平均为0.324 s，75%的试验在0.366 s内收敛。
**4.3 学习到的ARMA参数跨被试分布**
各被试的ARMA系数（8个/传感器）呈现结构化模式。主导自回归系数（CoeffIdx 1–4）具有一致的集中趋势，输入系数（CoeffIdx 5–8）绝对值较小但相对变异较大，表明映射在不同被试间具有可重复性。
**4.4 8字形轨迹跟踪性能随重复试验变化**
参与者进行3次练习（T1–T3）和1次最终评估（F）。最近路径误差的RMSExy从T1的11.07±5.45 mm降至F的8.41±3.48 mm，中位数从10.51 mm降至7.17 mm，中位改善27.4%。最终试验的误差分布更集中。
**4.5 次要指标：8字形试验的形状失配面积**
全局形状相似度通过对称差XOR面积衡量，中位数从T1的0.0014 m2降至F的0.0010 m2，减少30.2%，76.2%的参与者最终试验失配面积更低。
**4.6 末端执行器平滑度：8字形试验的加加速度**
以被试18为例，平面加加速度RMS从T1的 m/s3降至F的 m/s3（减少20.8%），95百分位加加速度从 降至 （减少17.0%），表明运动平滑度改善（仅限单被试分析）。
**讨论与结论**
**讨论**
研究将神经自适应内环控制器与ARMA–RLS外环触觉校准模块结合，实现了稳定平面人类引导运动。矩形校准达到毫米级预测精度，且收敛快速。TS1传感器变异较大，可能源于安装几何和接触力学差异。8字形任务中，最终试验的最近路径误差和形状失配面积均低于初始试验，表明重复使用后几何跟踪误差降低。运动平滑度（加加速度）在单被试中呈现改善趋势。局限性包括：校准精度为位移预测而非力估计；使用固定ARMA阶数和控制器参数；仅四个传感器限制了交互表达力；未进行直接同被试对比实验。未来需扩展至三维任务、更大触觉阵列及在线参数自适应。
**研究结论**
本研究将内关节空间神经自适应控制器与外ARMA–RLS触觉校准模块集成，用于平面人类引导机器人运动。该接口将接触引起的触觉电压映射为平面位移指令，而非估计绝对交互力/扭矩。通过28名被试和112个传感器特定校准序列的评估，证明了毫米级位移预测精度、早期收敛行为以及重复使用后最终试验8字形跟踪误差降低。学习到的ARMA系数在队列中保持结构化。未来工作将扩展至三维交互任务，集成更大触觉阵列、分布式机器人皮肤模块和多模态传感，并研究在线自适应触觉映射参数和控制器增益，以及直接同被试对比实验。
