中文学术标题：采用串并混联结构与精密绳驱动的高后驱性康复机器人

《International Journal of Advanced Robotic Systems》：Rehabilitation robot with high backdrivability using a serial-parallel hybrid structure and precise cable drive

　　

后驱性（backdrivability）能够提高康复训练机器人的安全性与舒适性，从而促进患者的主动参与。然而，现有高后驱性系统往往需要在传动比降低或响应带宽下降等方面做出取舍。为解决上述问题，本研究采用串并混联结构（serial-parallel hybrid structure）与精密绳驱动（precise cable drive）相结合的设计方案。但串并混联结构会增加运动学解算成本。为此，引入等效运动副螺旋（equivalent kinematic pair screw, equivalent KP screw）系统方法，对混联运动链进行简化，以降低控制过程中的计算开销。所开发的机器人工作空间完全覆盖人体上肢正常运动范围，并提供较高的运动灵活性，能够覆盖大多数康复训练动作所需区域。尽管具有优异的反向驱动能力（10 cNm），该机器人仍保持了较高的传动比（1:24）与良好的控制带宽（50 Hz）。康复训练系统设计基于患者主动意图，实验结果表明该机器人具有较高的轨迹跟踪精度（误差：±0.5°）。

论文解读：基于串并混联结构与精密绳驱动的高后驱性康复机器人

1. 研究背景与问题

与传统康复训练方式相比，康复机器人具有可长时间持续运行、能够提供患者表现的详细反馈、实现患者状态监测以及增强康复治疗师能力等显著优势，因此成为康复工程领域的研究热点。在康复机器人的人机紧密交互过程中，安全性是首要设计指标。后驱性（backdrivability），即外力作用下机器人关节可被逆向驱动的能力，等效于机器人固有的柔顺性，可有效降低关节不可逆损伤风险。此外，后驱性还可提升训练舒适度，患者运动意图能够更自然地传递到机器人末端，从而促进患者主动参与，符合神经可塑性康复理论的要求。

然而，现有高后驱性系统多采用串联弹性驱动器（series elastic actuator, SEA）或准直驱（quasi-direct drive, QDD）方案，二者均存在固有局限。SEA依赖精密控制算法管理弹性元件以提升系统响应，但控制复杂度较高，可能损害系统实时性能尤其是带宽和速度；QDD虽结构简单可靠，但传动比低导致扭矩输出受限，难以满足肌肉强化或抗阻训练等需要高力矩的康复任务需求。后驱性主要受传动比、摩擦、系统惯量和传动效率影响。因此，如何在保留较高传动比和控制带宽的同时实现高后驱性，是康复机器人设计中的关键挑战。

2. 研究内容与意义

针对上述问题，研究人员提出将串并混联结构与精密绳驱动相结合的设计方案。通过将肩关节和肘关节的电机与传动装置移至腰部以降低系统惯量，并利用精密柔性绳驱动减少系统摩擦，在保持系统轻量化和较高功率密度的同时实现了良好的机械透明性。这一设计在保留较高传动比的前提下解决了反向驱动能力不足的问题，兼顾了安全性、舒适性与主动训练参与度。

然而，串并混联结构增加了运动学解算的复杂度。为此，研究人员提出基于等效运动副螺旋（equivalent kinematic pair screw, equivalent KP screw）系统的方法，将混联运动链等效简化为串联运动链，同时采用指数积（product of exponentials, PoE）公式进行运动学建模，省去了关节变量与电机控制量之间的额外转换，显著降低了控制过程的计算成本。实验表明，相较于传统D-H参数法，等效KP螺旋系统方法将十个位置的正运动学计算时间从5.1 ms降至3.7 ms，减少了约27%的运算量，为后续先进控制策略预留了计算资源。该研究成果发表于《International Journal of Advanced Robotic Systems》。

3. 关键技术方法概述

研究人员构建了由基座、腰部、肩关节、上臂、肘关节、前臂和末端执行器构成的康复机器人系统，各关节采用绳驱动旋转执行器。核心技术方法包括：（1）串并混联结构，将电机和传动装置配置于腰部以降低系统惯量；（2）精密绳驱动传动，减少摩擦与惯量；（3）等效KP螺旋系统运动学简化方法，以PoE公式统一描述运动链并降低计算开销；（4）基于雅可比矩阵的奇异值分解（singular value decomposition, SVD）、条件数、灵活性指数（dexterity index）和可操作性（manipulability）分析；（5）基于表面肌电（surface electromyography, sEMG）信号的运动意图识别，采用主成分分析（principal component analysis, PCA）降维与BP神经网络、支持向量机（support vector machine, SVM）、K近邻（K-nearest neighbors, KNN）、随机森林（random forest, RF）四种分类器进行动作分类。样本人群为5名健康受试者（三男两女，年龄范围10–40岁），共采集500组sEMG数据集。

4. 研究结果

4.1 工作空间与灵活性分析
通过三维工作空间分析并与人体上肢运动范围对比，该机器人工作空间大于人体上肢正常活动范围，可覆盖大多数康复训练动作所需区域。灵活性指数与可操作性指数在主要康复训练工作区域内均呈现良好水平，表明机器人能够在工作空间内有效辅助患者完成多方向运动训练。进一步分析关节角度对上述指标的影响发现，灵活性指数与可操作性与θ₁无关，随θ₂和θ₃绝对值增大而提升，在达到50°时取得最大值，此后逐渐下降。当θ₂处于(-85°,-45°)∪(45°,85°)以及θ₃处于(-85°,-50°)∪(50°,85°)范围内时，机器人具有良好的灵活性与可操作性。

4.2 后驱性验证
在无动力模式下对三个关节分别进行10次反向驱动力矩测试，5名健康受试者参与实验。结果表明所有关节反向驱动力矩均小于10 cNm，远低于SEA和QDD系统。系统带宽经Bode图测量为50 Hz，明显高于康复训练所需控制带宽。在统一测试条件（非动力模式、空载、相同力矩测量系统）下与现有系统对比：传统系统反向驱动力矩8 cNm、带宽25 Hz、传动比1224:1；SEA系统19 cNm、5 Hz、36:1；QDD系统10 cNm、40 Hz、3.37:1；而本系统反向驱动力矩10 cNm、带宽50 Hz、传动比24:1。可见本系统在高后驱性的同时保持了较高的传动比和控制带宽。此外，机器人运动部件重量与关节功率之比较ANYexo提升两倍、较ARmin V提升五倍，验证了轻量化设计对安全性的增强作用。后驱性安全测试中，当受试者手臂置于机器人运动路径上时，反向驱动能力使机器人及时停止运动，证明后驱性可有效保障训练安全。

4.3 基于sEMG的意图识别与康复训练实验
康复训练系统基于患者主动意图设计，通过sEMG信号识别运动意图，激活相应康复训练轨迹，引导患者完成训练。运动轨迹库包含肩关节屈/伸、肩关节内/外旋、肩关节外展/内收及肘关节屈/伸四种常见康复动作。sEMG信号采集自胸大肌、三角肌前束、三角肌后束、肱二头肌、肱三头肌和肱桡肌六块肌肉，采样频率2000 Hz，经50 Hz陷波和50–400 Hz带通滤波后，以300样本窗口、50样本步长进行滑窗分段。每块肌肉提取均方根（root mean square, RMS）、波长、平均绝对值（mean absolute value, MAV）、过零计数（zero-crossing count, ZC）和平均功率频率（mean power frequency, MPF）等特征，形成60维特征向量，经PCA降维至18维。将数据集按7:3分为训练集和测试集，对比BP神经网络、SVM、KNN和RF四种分类器，BP神经网络综合表现最优，准确率达93.73%，识别时间短，因此被选为运动意图识别模型。t-分布随机邻域嵌入（t-distributed stochastic neighbor embedding, t-SNE）可视化结果验证了模型具有良好的类别可分性。轨迹跟踪精度方面，关节2–4的跟踪误差分别达到±0.5°、±0.7°和±0.8°，优于燕山大学六自由度上肢康复机器人（肩关节误差0.88°、肘关节误差1.52°）和东北大学五自由度外骨骼康复机器人（各关节误差在1°以内），验证了该系统优异的运动控制精度。

5. 讨论与结论

研究讨论指出，通过等效KP螺旋系统方法简化混联运动链，成功解决了串并混联结构引入的运动学计算复杂问题，使机器人能够在保持低惯量的同时不牺牲计算效率。未来的临床应用中，还需进一步考虑惯性测量、能效以及标准化康复评估指标，并与现有先进康复机器人进行系统对比研究。此外，高后驱性有望带来更优的人机交互表现，后续将围绕增强人机交互特性的控制架构展开研究，以提升系统安全性、舒适性和交互自然度。本研究的主要局限性在于实验仅在健康受试者中完成，其对患者群体的临床有效性和适用性仍待验证。

研究结论翻译如下：本研究将精密绳驱动传动与串并混联结构相结合，从低惯量和低摩擦两个角度增强了系统后驱性，解决了现有高后驱性系统中控制带宽与传动比之间的权衡问题。轻量化结构设计确保了良好的功率密度而不牺牲性能。针对混联结构带来的运动学计算复杂性，研究人员提出了基于等效KP螺旋系统理论的运动链简化方法，使混联机器人能够在保持低惯量的同时不降低计算效率。灵活性分析验证了机器人具有优异的运动灵活性，其工作空间完全覆盖人体上肢运动范围，确保大多数康复训练动作能够在良好的可操作性下完成。实验验证表明，该机器人表现出近似透明的性能，反向驱动力矩仅10 cNm，控制带宽达50 Hz，且未牺牲传动比。人机协同康复训练实验展现了优秀的性能与精确度。这些研究成果为临床康复训练和在线康复治疗提供了技术支持。由于实验仅在健康受试者中开展，该系统对患者康复的临床有效性和适用性仍需进一步验证。未来将招募上肢偏瘫患者，系统评估该系统在临床康复场景中的康复效果、患者参与度及人机交互舒适性。此外，还将研究基于肌电（electromyography, EMG）信号运动意图识别的实时控制策略，从透明度、临床实用性、能效和标准化康复评估指标等角度对该系统作进一步评估，并与现有先进康复机器人开展对比研究以验证其优势。同时，高后驱性康复机器人有望表现出更优的人机交互性能，因此后续还将开发具有增强人机交互特性的控制架构，以提升系统安全性、舒适性和交互自然度。