3.26 人机交互控制策略
康复训练中康复机器人时刻与人体相互作用，两者之间的交互控制不可或缺。首先，交互控制可以为患者创造一个柔顺、自然的人机接口，避免患肢由于肌肉痉挛等原因与康复机器人产生对抗力，从而避免给患者带来二次伤害。其次，交互控制通过获取患者的主动运动意图，鼓励患者积极参与到康复训练中来，提高康复效果。
基于系统动力学模型的控制策略
基于人机系统动力学模型及力位传感器测量值可计算得到患者对康复机器人主动施加力 / 力矩的大小，该力 / 力矩是患者运动意图直观的体现，基于该力 / 力矩可设计人机交互控制策略。由于随机干扰、不精准的摩擦力模型以及康复机器人系统误差等多种不确定因素的存在，康复机器人系统的精确模型往往很难获得，给精确估计患者的主动力 /力矩带来困难。
针对该问题，国内外学者进行了一系列相关研究。文献 [14] 指出，机器人关节接触面的法向力和静摩擦力、粘滞摩擦力、库伦摩擦力等几乎所有类型的摩擦力均相关；这就意味着机器人远端关节角度将对近基座关节的摩擦力产生显著影响。基于该结论，文献 [15] 在建立的 iLeg 康复机器人动力学模型中，考虑了耦合因素对髋关节摩擦力的影响，获得了更为精确的关节摩擦力模型。由于安装在关节位置的扭矩传感器测量值中包含机械臂的关节扭矩、患者下肢的静息扭矩以及患者下肢主动施加扭矩等三种扭矩值，为获得患者主动施加扭矩，文献[16] 分别建立了人体下肢动力学模型和康复机器人的动力学模型，分别用于估计人体下肢的静息关节扭矩和机器人的关节扭矩，并进而联合扭矩测量值计算得到患者主动施加扭矩值，通过实验验证了该方法的可行性。为消除未知环境下位置与刚度等不确定性干扰以及机器人动力学系统建模的不确定误差，Seul 等[17-19]利用神经网络作为补偿器，提出基于神经网络的机械臂力控制方法。此方法[17]在自由运动空间和与环境接触运动空间中分别设计并训练神经网络补偿器，用来补偿未知环境下位置与刚度不确定性，以及机器人动力学系统建模的不确定误差，使得机器人能够跟踪期望力矩；并且机器人在自由运动空间向环境接触空间运动过程中，机械臂与环境之间交互力保持期望的动态关系，从而提高系统鲁棒性。基于三自由度旋转机器人操作手的仿真实验表明，在环境信息完全未知的情况下，所提基于神经网络补偿的力控制器能够保持良好的力跟踪性能，即使环境刚度突然发生较大的变化，该方法仍能够在 0.5 秒内收敛，因此所提基于神经网络补偿的力控制器对于康复机器人环境信息建模，不确定外加干扰以及动力学建模误差具有良好的鲁棒性。
Cheng 等[20]提出一种基于神经网络的自适应控制器，以确保当运动学、动力学以及驱动器模型等存在不确定性因素时，机器人仍然具有良好的跟踪性能。
由于机械阻抗的存在，外骨骼康复设备往往会阻碍患者肢体摆动的灵活性。未经补偿的机械惯量通常会降低患者肢体摆动的自然频率，消耗更多能量。Gabriel 等[21]提出一种闭环控制器用来对惯量进行补偿，闭环通路由角加速度值乘以负增益值组成，其中角加速度值经过低通滤波处理，而负增益用来模拟低频负惯量；采用该惯量补偿器在一台膝关节外骨骼康复机器人进行实验发现，当控制系统中采用上述惯量补偿控制器时，受试患者可以重新获得他们正常稳定的膝关节运动频率。
基于虚拟隧道的控制策略
Duschau-Wicke 等[22]提出一种患者合作式控制策略。该策略的核心思想是在理想的路径空间周围建立具备主动柔顺性的虚拟墙，形成一条以理想路径为中心的虚拟隧道。患肢处于隧道内部时可自由运动，并在运动前进方向上可获得辅助力矩，从而轻松地完成沿着预定路径的康复运动训练；而当患肢处于隧道外部时，机器人将对其施加一个趋向于隧道中心的柔顺力，从而将患肢拉回至隧道内部，同时通过图形反馈模块，以给患者提供实时的视觉指导，提示患者主动调整患肢的运动方向。对 10名健康人与 15 名非完全脊髓损伤患者进行的实验表明，在此策略下，患者可以主动地改变步态训练的轨迹，控制步态时序；同时实验中测量了表面肌电信号，该数据显示，患者训练具备更强的主动参与性，从而有效激发患者积极性。
Krebs 等[23]基于 MIT-MANUS 上肢康复机器人平台，在期望的运动方向上增加了滑动窗以监测肢体运动，当肢体运动速度过慢时机器人将提供助力，引导患肢运动，从而辅助患肢完成训练。然而，此种训练方式同样存在弊端，即患者在康复训练过程中往往选择更为省力的方式进行运动[24] ，甚至执行纯被动训练。
Cai 等[25]在标准的空间步态轨迹基础上设计了一个虚拟管道，允许患者偏离该标准轨迹一定距离。与前述方法不同的是，在 Cai 等提出的方法中，当患肢处在虚拟管道内时，机器人不提供辅助；只有当超出通道边界时，机器人才会纠正患肢的运动。因此，该方法需要患者更强的肢体功能才能完成训练；如果患者肢体运动能力较差，将很难顺利完成训练，从而降低其主动参与的积极性。同时，Cai等还提出一种基于速度场、滑动窗的虚拟隧道控制策略。当患肢处于远离虚拟隧道位置时，机器人将控制患肢以给定速度向隧道中心运动，该给定速度与患肢偏离隧道中心的距离成正比；同时，设计了沿虚拟隧道以给定速度前进的滑动窗，机器人根据患肢与滑动窗相对位置的不同对患肢施加助力或者阻力。针对该方法，Cai 等采用脊髓完全切断的小鼠进行步态实验，验证了该方法的可行性[13] 。
此外，Hu 等[26]通过对任务路径周围建立虚拟管道的方式对患者的主动运动进行限制，避免患者较大偏离任务路径；同时，基于空间与时间两个维度对肢体运动进行辅助，通过牺牲部分空间自由度，以实现患者能够调节训练的节奏，从而激发患者主动参与训练的积极性。
基于表面肌电信号的控制策略
表面肌电信号是骨骼肌产生的电活动信号 [27-28] ，可以通过贴合在皮肤表面的电极采集获取[29-30] ，它具有非侵入性、易获取、可操作性强、安全性高等特点，是人机交互控制中常用的生物信号之一。
表面肌电信号能够反映特定肌肉群的激活程度，因而基于表面肌电信号的交互控制策略能够更加细致的监督与控制患者肢体的运动，且具有更大的灵活性与灵敏度。对于偏瘫患者而言，可以运用健侧肢体控制患肢进行运动训练；利用患肢残存的肌电信号，设计交互控制策略，则可以鼓励患者主动收缩患肢肌肉，更有效地促进患肢功能的康复；对于患肢肌肉严重萎缩的情况，可以通过健全肌肉相关神经进行控制，从而重度瘫痪患者也能基于表面肌电信号进行康复训练。
彭亮等[31]提出了一种基于表面肌电信号及Holf 频率振荡器的上肢康复机器人交互控制方法：首先，采集反应患者运动意图的表面肌电信号；然后，基于该数据采用 Holf 频率振荡器拟合肌肉节律性收缩特性；进而，用该振荡器控制上肢康复机器人辅助患者执行重复性的运动训练。该方法既考虑了正常运动模式的学习，又综合考虑了患者自身的运动意图与实际参与运动训练的能力。仿真分析与人机交互实验验证了所提方法能够在较短时间中内实现与患者运动意图的同步。
Yin 等[32]提出了一种针对偏瘫患者的人机交互训练策略：基于步行过程中受试者健侧下肢的表面肌电信号，分析正常行走过程中两侧下肢运动的协调性，在此基础上采用模糊神经网络识别患侧下肢的运动意图，进而实现了患者和步态康复机器人的交互控制。两名健康志愿者的实验表明，采用该交互训练策略可实现受试者与机器人之间的实时交互，完成机器人辅助的主动步态康复训练。
阻抗控制
在机器人与人机交互系统中，阻抗控制策略应用广泛。该控制策略的概念最先由 Hogan 提出[33] ，是阻尼控制和刚性控制的推广。阻抗控制的基本思想是允许患者偏离预定的参考轨迹而不是强制患者在固定轨迹上运动，偏离的程度取决于患者施加的力矩大小以及患者的行为模式，从而能够为患者创造一个舒适自然的触觉接口。阻抗控制器的实现不依赖于外界环境运动约束的先验知识[34] ，实现相对简单。
Hu 等[26]采用阻抗控制方法完成了人体主动力矩到实际运动的转换，实现了康复机器人对患肢的主动柔顺性，从而提供了一个能激发患者主动参与康复训练任务的自然、安全、柔顺的康复训练环境；进而，以偏离参考运动轨迹的误差及患者主动施加力矩方向为依据，采用自适应模糊控制算法调节运动阻抗值，建立了自适应的人际交互接口，在辅助患者完成主动康复训练任务的同时也保证了患者安全。
Robert 等[35]提出基于阻抗控制方法与自适应控制其的“患者交互式”康复策略。该策略允许患者步态一定程度地偏离期望步态轨迹，偏离程度依赖于患者主动施加力以及设定的阻抗参数。当阻抗参数设定值较低时，患者能够较为容易地完成步态训练，激发患者积极性；当阻抗参数设定值较大时，康复机器人带动患者进行被动训练，不需患者肌力参与。自适应控制器能够使患者适应更加个性化、自然舒适的步态模式，将阻抗控制与自适应控制策略相结合，可以互相取长补短，提高训练效果。在步态训练机器人 Lokomat 上进行的实验表明，该策略能够依据患者中枢神经系统残存的肌肉控制能力，自适应调整机器人辅助力，使得机器人与患者之间的交互运动更为协调，并确保了一定程度的柔顺性。
Fanny 等[36-37]提出基于冗余自由度的变阻抗控制策略，通过笛卡尔阻抗控制调节器与冗余解析方法的融合，提高人机交互性能与系统稳定性。其中，笛卡尔阻抗调节策略用来获得末端执行器与人体施加力矩之间的柔顺行为；冗余解析方法用来解耦末端执行器的等效惯量，以保持机器人逼近给定的阻抗特性，并使控制器更为方便地寻找保持系统稳定的阻抗参数空间。考虑到交互过程中个体行为的差异性，作者在不同的阻抗调节策略中选取最优策略，并在七自由度训练平台进行物理实验。实验结果表明，用来保证末端执行器惯量透明解耦的冗余策略，能够扩大阻抗参数的稳定空间区域，提高控制性能；同时，具备适当的阻抗参数自调节能力的变阻抗控制策略性能优于定阻抗控制策略。因为在变阻抗控制策略中，通过人为地引导机器人交互运动，人体感受更为舒适自然；同时能够达到较好的精度与执行效率的折中。
