《Neurocomputing》：Human-Machine Shared Control Strategy for an Intelligent Walker Based on the Feedforward Neural Network Artificial Potential Field Method
編輯推薦：
智能助行器人機共享控制策略基于前饋神經網絡自適應人工勢場方法（NN-APF），解決傳統人工勢場局部極小和目標不可達問題，仿真驗證目標到達率92.3%，軌跡平滑度提升，實驗證明其可行性和安全性。
趙丹丹|王亞剛|陳正高|王天|毛斌健|余紅柳|孟巧玲
上海科技大學光電子與計算機工程學院，中國上海200093
摘要
在協助、跟隨并為行動困難的用戶提供安全保護的過程中，智能助行器的主動避障行為至關重要。鑒于此，本文提出了一種基于前饋神經網絡人工勢場方法（NN-APF）的人機共享控制策略，該策略適用于智能助行器的局部路徑規劃需求。所提出的方法基于NN-APF算法，該算法利用神經網絡來校準人工勢場（APF）的排斥增益系數，從而增強了傳統的APF技術。這降低了APF陷入局部最小值或無法到達目標的可能性，從而提高了算法的穩定性。NN-APF在MATLAB仿真平臺上進行了測試。仿真實驗表明，NN-APF具備安全繞過障礙物的能力，目標點到達率為92.3%。此外，它還提高了智能助行器在復雜環境中的軌跡平滑度。進一步的實驗試驗證明了NN-APF的可行性和實用性。部署NN-APF后，智能助行器能夠主動避障，同時遵循用戶指定的行走路徑，并提供更安全的路線選擇指導。
引言
在醫學與現代工程技術的交叉融合背景下，醫療康復設備正在朝著更高智能化的方向不斷發展。目前，下肢康復機器人主要分為兩類：外骨骼機器人和末端執行器型康復機器人[1]。這兩種類型的機器人在幫助患者恢復下肢功能方面發揮著重要作用。然而，由于這些機器人在價格高昂、應用范圍有限以及機械結構龐大等方面的缺點，難以將康復訓練與患者的日常生活相結合，也無法確保患者在日常生活中行走的安全[2]、[3]。智能助行器（IW）作為一種輔助行走康復機器人，整合了移動機器人電機驅動技術和相關算法，以協助步態障礙患者進行日常行走訓練。這種整合使患者能夠充分利用其自主訓練潛力，并將康復訓練融入日常生活[4]。IW的應用場景決定了其技術特性，這些特性與一般機器人有所不同。它們強調人機集成和安全性保護，對智能和靈活的控制系統有更高的要求[5]。傳統的移動機器人路徑規劃算法主要分為全局路徑規劃和局部路徑規劃兩大類。全局路徑規劃通常用于已知環境中，從起點找到終點。局部路徑規劃用于動態或部分已知環境中，側重于避障和實時路徑調整。常見的全局路徑規劃算法包括Dijkstra算法和A-star算法。動態窗口方法、人工勢場方法和隨機樹算法廣泛應用于局部路徑規劃[6]。同時，為了克服傳統路徑規劃算法的局限性，許多研究人員使用啟發式和進化算法來優化路徑規劃。針對靜態和動態環境中的移動機器人，已經廣泛研究了各種啟發式和學習型路徑規劃方法，包括遺傳算法、蟻群優化、粒子群優化和基于神經網絡的方法[7]、[8]、[9]、[10]、[11]、[12]、[13]、[14]。盡管這些方法表現出很強的優化能力，但它們的計算復雜性和缺乏人機交互考慮限制了其在IW中的直接應用。IW的控制算法必須整合用戶的運動意圖，考慮用戶的行走功能障礙[15]，并據此進行運動控制和避障。然而，現有的移動機器人路徑規劃和避障算法要求移動機器人在更短的時間內、更高的精度和更短的距離內到達預設目標點[6]。因此，現有的路徑規劃算法并不適合IW，有必要開發更適合的新的算法。
智能助行器通過識別用戶的移動意圖來輔助用戶行走。該設備能夠執行與運動跟隨、避障和安全保護相關的功能。在現有的移動機器人路徑規劃算法中，人工勢場（APF）以其簡單性、易實現性和邏輯清晰性而著稱。它可以與其他算法結合進行優化。此外，APF在路徑規劃中表現出出色的軌跡平滑性和安全性[16]，這符合智能助行器必須將用戶的運動意圖與控制算法融合的前提。同時，人工勢場方法的應用也得到了高度發展和普及。文獻[17]提出了一種基于雙環軌跡跟蹤控制和改進的人工勢場方法的自主避障和軌跡規劃控制策略，大大提升了移動機器人的自主避障的實時性和穩定性。在他們的研究中，文獻[18]提出了一種基于改進的人工勢場方法和一致性協議的多自主水下機器人（AUV）的協作避障算法。該算法解決了AUV在勢場局部最小值處容易產生零合力問題。在最近的一篇出版物中，文獻[19]提出了一種用于無人水面車輛的碰撞避免新方法。該方法采用了新穎的吸引力和排斥力設計，以確保無人水面車輛之間的安全避碰。在傳統的人工勢場方法中，當目標點產生的重力和障礙物產生的排斥力大小相等且方向相反時，移動機器人將無法移動，即會陷入局部最小值。同時，當障礙物靠近目標時，障礙物產生的排斥力會過大，從而阻止移動機器人接近目標，使其無法到達[20]、[21]。在參考文獻[22]中，介紹了人工勢場在路徑規劃中的優勢，并提出了PAPF方法。該方法通過引入轉向角限制、速度調整和預測勢場，生成平滑、高速且安全的路徑。混合方法能夠在動態環境中生成更平滑和優化的路徑[23]、[24]、[25]、[26]，從而提高移動機器人的導航效率和安全性。盡管聯合智能算法可以在一定程度上緩解局部最小值問題，但它們會增加整體計算復雜性，因此在實際應用中存在一定的局限性。文獻[27]提出了一種新穎的增強模型預測控制（EMPC）策略，將模型預測控制（MPC）與APF相結合。該方法通過解決優化問題生成最優控制序列，使自動駕駛車輛能夠跟蹤預定軌跡并避障。
本文探討了傳統人工勢場方法的局限性，并提出了一種優化方法，該方法修改了人工勢場方法中的吸引力生成機制。將目標點設置納入用戶的運動意圖，并用虛擬目標點替換固定目標點，旨在提高算法規劃局部路徑的能力并規避局部最小值。同時，充分考慮了激光雷達檢測范圍內的所有障礙物，并使用模糊控制器自適應調整排斥增益系數。根據障礙物的大小及其與IW之間的距離，實時確定障礙物的排斥增益系數，以實現最安全的避障（圖1）。IW定義的人機融合特性表明，該算法天然傾向于規避傳統人工勢場方法的固有局限性。這是通過將用戶的意圖整合到算法中實現的，然后根據用戶的意圖修改吸引力的大小和方向。這確保了IW的避障和跟隨功能以及避障和保護功能以安全有效的方式執行。
本文的其余部分組織如下：第2節介紹了傳統人工勢場的基本概念。第3節定義了改進的人工勢場方法，并提出了一種使用模糊控制器的自調諧排斥增益系數方法。第4節提供了一些仿真結果，并使用AAPF-UMIR算法在智能助行器上展示了算法的實用性和有效性。最后，第5節總結了本文。
部分摘錄
NN-APF
人工勢場方法[28]是一種基于模擬物理勢場概念的虛擬力算法。移動機器人被視為一個力對象，在環境中建立一個虛擬勢場來引導其運動。目標點的吸引場對移動機器人產生吸引力，而障礙物的排斥場對移動機器人產生排斥力。這兩種力的合力方向...
基于用戶意圖識別的人機共享控制
在人工勢場方法中，吸引勢場是由目標點生成的全局勢場，用于引導移動機器人朝向目標點。隨著移動機器人與目標點之間的距離減小，目標點產生的吸引力也會減小，即移動機器人越接近目標點，它接收到的吸引力就越小，以避免移動機器人接近目標時速度過快。
NN-APF仿真實驗
為了分析和驗證本文描述的前饋神經網絡自適應人工勢場方法的有效性，使用MATLAB軟件作為算法仿真和驗證的平臺。該實驗使用了兩個二維地圖來生成可能出現局部最優解和無法到達目標的場景。這種方法使得前饋神經網絡自適應人工勢場的評估成為可能
結論
所提出的智能輔助行走設備采用了一種基于前饋神經網絡的自適應人工勢場方法的人機共享控制策略。該策略專為智能輔助行走設備的路徑規劃功能設計。所提出的方法建立了新的排斥勢場函數和吸引勢場函數，結合前饋神經網絡自適應調整排斥增益系數
CRediT作者貢獻聲明
王亞剛：撰寫 – 審稿與編輯，項目管理。趙丹丹：撰寫 – 原始草案，方法論，概念化。王天：可視化，調查。陳正高：形式分析，數據管理。余紅柳：監督，資源協調。毛斌健：可視化，軟件開發。孟巧玲：監督，資源協調。
利益沖突聲明
作者聲明他們沒有已知的競爭財務利益或個人關系可能影響本文報告的工作。
致謝
我們衷心感謝編輯和審稿人提供的建設性和有益的評論，這些評論使我們的修改后的論文得到了顯著改進。本研究得到了中國國家重點研發計劃（項目編號2020YFC2007502）的支持。
趙丹丹目前在上海科技大學攻讀碩士學位。她的研究興趣包括移動機器人的智能導航算法、強化學習和康復機器人技術。
