面向高保真技能迁移的神经肌肉-机器人协同：基于sEMG介导的智能不确定性补偿实现自适应阻抗控制

《Neurocomputing》：Neuromuscular-robotic synergy for high-fidelity skill transfer: sEMG-mediated adaptive impedance control via intelligent uncertainty compensation

　　

摘要
遥操作系统中有效的技能迁移要求准确捕捉人类神经肌肉意图，并将其转化为物理人机协作过程中的自适应交互控制。然而，现有的遥操作方法主要以位置为基础，无法反映实时肌肉激活动力学，导致透明度有限和运动技能迁移保真度不优。本文提出了一种基于表面肌电信号（sEMG）驱动的意图自适应神经机器人阻抗控制框架，用于闭环技能迁移。该方法将肌肉激活模式明确映射到交互阻抗，使人体的运动意图能够连续调制机器人顺应性。为增强在模型不确定性和环境扰动下的鲁棒性，开发了一种混合架构，将自适应阻抗控制与智能学习机制相结合以实现动态不确定性补偿。此外，一种闭环逆运动学方案确保了双边遥操作中稳定的多自由度运动跟踪。在具有多自由度机器人从端系统的力反馈双边遥操作平台上进行了实验验证。结果表明，与传统基于位置的方法相比，该方法实现了89%的力跟踪相关性和32%的运动一致性提升。这些发现表明，意图自适应的sEMG驱动阻抗控制显著提升了神经肌肉保真度、交互透明度和闭环技能迁移性能。

引言
遥操作已成为现代机电系统中的关键范式，使人类操作者能够通过机器人平台与远程或危险环境进行交互[4]。通过将人类在场与物理任务执行解耦，遥操作系统已广泛应用于需要高精度、安全性和灵巧性的领域，包括受限环境中的操作、精细装配和人机协作[2]，[23]。尽管在感知、执行和控制架构方面取得了重大进展，但从人类操作者到机器人系统的高保真技能迁移仍然是一个基本挑战[13]。

有效技能迁移背后的关键因素是物理交互过程中的机械阻抗调节[7]，[20]。人类操作者会自然地根据任务需求和环境不确定性调整肢体刚度和阻尼，从而在各种接触条件下实现稳定高效的操作[11]，[20]。然而，大多数传统遥操作框架主要依赖位置-位置或位置-力控制策略，采用固定或手动调谐的阻抗参数[17]，[30]。这类方法无法反映操作者的实时交互意图，往往导致透明度有限、顺应性降低和交互保真度下降，尤其是在接触密集型任务中[1]，[16]。

为克服这些局限性，基于阻抗的遥操作已被广泛研究，以提高稳定性和交互性能[9]，[10]。通过塑造运动与力之间的动态关系，阻抗控制为顺应性人机交互提供了原则性框架[7]。先前的研究已探索了可变阻抗策略以增强适应性，包括增益调度、任务依赖调谐和基于模型的优化[2]，[11]，[13]。然而，这些方法通常依赖于预定义的启发式规则或外部测量，缺乏将操作者内部神经肌肉状态直接纳入控制回路的机制[12]，[22]。

表面肌电图（sEMG）提供了一种无创且信息丰富的接口，用于在运动和交互过程中捕捉人类神经肌肉活动[16]，[27]。sEMG信号反映了与力生成和刚度调节相关的肌肉激活模式，因此非常适合估计人类的交互意图[11]，[13]。近期的研究表明，使用sEMG推断肢体阻抗并在机器人和遥操作系统中调节顺应性具有可行性[22]，[24]。图1说明了基于sEMG信号的远程阻抗控制概念，如文献[22]中所采用的。然而，现有的sEMG驱动方法通常局限于低维任务或简化的实验设置，其在全功能遥操作机电系统中的集成——具有动态耦合、运动学冗余和模型不确定性——仍有待充分探索[3]，[25]。

遥操作系统中的另一挑战源于模型不确定性、未建模动力学和外部扰动，这些可显著降低跟踪精度和交互稳定性[26]。基于学习的控制技术，如神经网络逼近器，在补偿机器人系统中的非线性不确定性方面展现了强大潜力[21]。特别是，基于学习的逼近器提供了高效的局部逼近能力，已成功应用于自适应控制和扰动抑制[21]，[29]。然而，其与人在回路中的阻抗调制在技能迁移中的协调集成尚未得到充分关注[13]，[19]。

最近，深度强化学习（DRL）已被用于从交互数据中直接学习阻抗策略[14]，[15]。这些方法非常灵活，但需要大量离线训练且缺乏明确的生理可解释性。相比之下，我们的sEMG方法保留了人类神经肌肉意图与机器人行为之间的直接对应关系，允许无需预训练即可实现透明、基于物理的技能迁移。

针对上述挑战，本文提出了一种sEMG驱动的自适应阻抗控制框架，用于遥操作机电系统中人在回路的技能迁移[11]，[13]。该方法利用实时sEMG信号调制阻抗参数，实现与操作者交互意图一致的生灵启发顺应性调节[11]，[22]。开发了一种将自适应阻抗控制与基于学习的不确定性补偿相结合的混合控制架构，以增强对动态变化和外部扰动的鲁棒性[26]，[28]。此外，引入了一种闭环逆运动学方案，以确保在冗余和动态耦合下的稳定和精确运动跟踪[28]。

从系统角度看，所提出的架构遵循分层控制结构，其中基于sEMG的意图估计在高层级控制阻抗自适应，而基于学习的补偿在扰动抑制层运行。这种设计实现了统一的人在回路控制回路，在单一遥操作框架中显式集成了神经肌肉意图、自适应顺应性和非线性不确定性补偿。

本工作的主要贡献总结如下：
• 一种新颖的sEMG驱动意图自适应阻抗控制策略，将神经肌肉激活模式直接映射到交互阻抗，实现遥操作期间生理一致的顺应性调制。
• 一种混合神经自适应控制架构，将自适应阻抗控制与基于学习的不确定性估计相结合，以提高对模型不确定性和外部扰动的鲁棒性。
• 一种遥操作系统的闭环技能迁移框架，将基于sEMG的意图解码与逆运动学相结合，确保稳定的多自由度跟踪和改善的交互保真度。
• 在具有力反馈主端和多自由度机器人从端的双边遥操作平台上进行实验验证，与传统方法相比展示了改善的力跟踪和运动一致性。

进行了大量实验以评估力跟踪性能、运动一致性和交互保真度[3]，[17]。结果表明，所提出的方法与传统方法相比显著改善了遥操作性能，凸显了其在人机遥操作技能迁移中的有效性[11]，[13]。

为说明本工作的新颖性，我们进一步将所提出的框架与sEMG驱动遥操作的代表性现有研究进行了比较，如表1所示。与之前未考虑不确定性补偿[11]，[22]或在低自由度平台上实现[11]的工作不同，我们的方法同时实现了sEMG驱动的阻抗调制、基于RBFNN的不确定性补偿和冗余机械臂的闭环逆运动学。

本文其余部分组织如下。第2节描述了机器人平台、sEMG采集以及RBFNN的基础知识。第3节描述了所提出的控制框架，包括运动学、动力学、双边力反馈和基于sEMG的变增益调制。第4节描述了实验验证和讨论。第5节为本文的结尾。

**系统组件与基础知识**

本节概述了所提出的遥操作系统中使用的核心硬件组件和信号采集工具。该配置旨在实现闭环人机交互框架，整合用户意图的肌肉激活和力反馈以实现实时技能迁移。

**系统架构**

本节介绍了旨在改善遥操作系统稳定性和透明度的控制算法。为处理主从模型中的动态不确定性，采用RBFNN来估计和补偿这些不确定性，减少状态振荡并实现PID控制器参数的实时自适应调谐。实现了一种双边力反馈框架，将从机器人的交互力传输到主端，增强操作者的

**位置-位置控制实验**

为评估运动一致性和响应性，在关节空间和笛卡尔空间进行了手写任务，记录实时位置用于轨迹跟踪。图7显示了Omni的关节角度（蓝色）和Baxter的（橙色）。Omni因操作者抖动、传感器噪声和扰动而表现出关节震颤；Baxter的路径更平滑，这归功于顺应性执行器和阻尼控制。关节空间RMSE值分别为0.01944、0.01745、0.02373、0.02601、0.02384和0.05210，证实了高

**结论**

本文提出了一种sEMG驱动的自适应阻抗控制框架，用于遥操作中的高保真技能迁移。所提出的方法将肌肉激活映射到机器人顺应性，并基于RBFNN进行不确定性补偿，与传统基于位置的方法相比，获得了89%的力跟踪相关性和32%的运动一致性提升。实验结果表明，结合学习增强控制的神经肌肉状态解码能够显著

**CRediT作者贡献声明**
Chunxu Li：写作–审阅与编辑、写作–初稿、资源、方法论、资金获取、概念构思。Xuanming Zhang：写作–初稿、可视化、验证、软件、调查研究、形式化分析、数据整理。Jinming Yao：写作–审阅与编辑、软件、形式化分析、数据整理。Xin Li：写作–审阅与编辑、数据整理。Ze Ji：监督、项目管理、资金获取。

**利益冲突声明**
作者声明不存在任何已知的竞争经济利益或个人关系可能会影响本文所报告的工作。

Chunxu Li于2019年获斯旺西大学博士学位，目前是健康与康复科学大学健康科学学院的正教授。他在AMM、JCDE、SR、IEEE Trans. Circuits Syst., Ind. Inform.、IEEE T. Mechatron.和Information Sciences等顶级期刊上发表了50余篇学术论文，累计引用超过1200次。他还在IEEE国际会议上（ICIICII 2022、ISRIM

Chunxu Li | Xuanming Zhang | Jinming Yao | Xin Li | Ze Ji