《Neurocomputing》：Human-Machine Shared Control Strategy for an Intelligent Walker Based on the Feedforward Neural Network Artificial Potential Field Method
编辑推荐：
智能助行器人机共享控制策略基于前馈神经网络自适应人工势场方法（NN-APF），解决传统人工势场局部极小和目标不可达问题，仿真验证目标到达率92.3%，轨迹平滑度提升，实验证明其可行性和安全性。
赵丹丹|王亚刚|陈正高|王天|毛斌健|余红柳|孟巧玲
上海科技大学光电子与计算机工程学院，中国上海200093
摘要
在协助、跟随并为行动困难的用户提供安全保护的过程中，智能助行器的主动避障行为至关重要。鉴于此，本文提出了一种基于前馈神经网络人工势场方法（NN-APF）的人机共享控制策略，该策略适用于智能助行器的局部路径规划需求。所提出的方法基于NN-APF算法，该算法利用神经网络来校准人工势场（APF）的排斥增益系数，从而增强了传统的APF技术。这降低了APF陷入局部最小值或无法到达目标的可能性，从而提高了算法的稳定性。NN-APF在MATLAB仿真平台上进行了测试。仿真实验表明，NN-APF具备安全绕过障碍物的能力，目标点到达率为92.3%。此外，它还提高了智能助行器在复杂环境中的轨迹平滑度。进一步的实验试验证明了NN-APF的可行性和实用性。部署NN-APF后，智能助行器能够主动避障，同时遵循用户指定的行走路径，并提供更安全的路线选择指导。
引言
在医学与现代工程技术的交叉融合背景下，医疗康复设备正在朝着更高智能化的方向不断发展。目前，下肢康复机器人主要分为两类：外骨骼机器人和末端执行器型康复机器人[1]。这两种类型的机器人在帮助患者恢复下肢功能方面发挥着重要作用。然而，由于这些机器人在价格高昂、应用范围有限以及机械结构庞大等方面的缺点，难以将康复训练与患者的日常生活相结合，也无法确保患者在日常生活中行走的安全[2]、[3]。智能助行器（IW）作为一种辅助行走康复机器人，整合了移动机器人电机驱动技术和相关算法，以协助步态障碍患者进行日常行走训练。这种整合使患者能够充分利用其自主训练潜力，并将康复训练融入日常生活[4]。IW的应用场景决定了其技术特性，这些特性与一般机器人有所不同。它们强调人机集成和安全性保护，对智能和灵活的控制系统有更高的要求[5]。传统的移动机器人路径规划算法主要分为全局路径规划和局部路径规划两大类。全局路径规划通常用于已知环境中，从起点找到终点。局部路径规划用于动态或部分已知环境中，侧重于避障和实时路径调整。常见的全局路径规划算法包括Dijkstra算法和A-star算法。动态窗口方法、人工势场方法和随机树算法广泛应用于局部路径规划[6]。同时，为了克服传统路径规划算法的局限性，许多研究人员使用启发式和进化算法来优化路径规划。针对静态和动态环境中的移动机器人，已经广泛研究了各种启发式和学习型路径规划方法，包括遗传算法、蚁群优化、粒子群优化和基于神经网络的方法[7]、[8]、[9]、[10]、[11]、[12]、[13]、[14]。尽管这些方法表现出很强的优化能力，但它们的计算复杂性和缺乏人机交互考虑限制了其在IW中的直接应用。IW的控制算法必须整合用户的运动意图，考虑用户的行走功能障碍[15]，并据此进行运动控制和避障。然而，现有的移动机器人路径规划和避障算法要求移动机器人在更短的时间内、更高的精度和更短的距离内到达预设目标点[6]。因此，现有的路径规划算法并不适合IW，有必要开发更适合的新的算法。
智能助行器通过识别用户的移动意图来辅助用户行走。该设备能够执行与运动跟随、避障和安全保护相关的功能。在现有的移动机器人路径规划算法中，人工势场（APF）以其简单性、易实现性和逻辑清晰性而著称。它可以与其他算法结合进行优化。此外，APF在路径规划中表现出出色的轨迹平滑性和安全性[16]，这符合智能助行器必须将用户的运动意图与控制算法融合的前提。同时，人工势场方法的应用也得到了高度发展和普及。文献[17]提出了一种基于双环轨迹跟踪控制和改进的人工势场方法的自主避障和轨迹规划控制策略，大大提升了移动机器人的自主避障的实时性和稳定性。在他们的研究中，文献[18]提出了一种基于改进的人工势场方法和一致性协议的多自主水下机器人（AUV）的协作避障算法。该算法解决了AUV在势场局部最小值处容易产生零合力问题。在最近的一篇出版物中，文献[19]提出了一种用于无人水面车辆的碰撞避免新方法。该方法采用了新颖的吸引力和排斥力设计，以确保无人水面车辆之间的安全避碰。在传统的人工势场方法中，当目标点产生的重力和障碍物产生的排斥力大小相等且方向相反时，移动机器人将无法移动，即会陷入局部最小值。同时，当障碍物靠近目标时，障碍物产生的排斥力会过大，从而阻止移动机器人接近目标，使其无法到达[20]、[21]。在参考文献[22]中，介绍了人工势场在路径规划中的优势，并提出了PAPF方法。该方法通过引入转向角限制、速度调整和预测势场，生成平滑、高速且安全的路径。混合方法能够在动态环境中生成更平滑和优化的路径[23]、[24]、[25]、[26]，从而提高移动机器人的导航效率和安全性。尽管联合智能算法可以在一定程度上缓解局部最小值问题，但它们会增加整体计算复杂性，因此在实际应用中存在一定的局限性。文献[27]提出了一种新颖的增强模型预测控制（EMPC）策略，将模型预测控制（MPC）与APF相结合。该方法通过解决优化问题生成最优控制序列，使自动驾驶车辆能够跟踪预定轨迹并避障。
本文探讨了传统人工势场方法的局限性，并提出了一种优化方法，该方法修改了人工势场方法中的吸引力生成机制。将目标点设置纳入用户的运动意图，并用虚拟目标点替换固定目标点，旨在提高算法规划局部路径的能力并规避局部最小值。同时，充分考虑了激光雷达检测范围内的所有障碍物，并使用模糊控制器自适应调整排斥增益系数。根据障碍物的大小及其与IW之间的距离，实时确定障碍物的排斥增益系数，以实现最安全的避障（图1）。IW定义的人机融合特性表明，该算法天然倾向于规避传统人工势场方法的固有局限性。这是通过将用户的意图整合到算法中实现的，然后根据用户的意图修改吸引力的大小和方向。这确保了IW的避障和跟随功能以及避障和保护功能以安全有效的方式执行。
本文的其余部分组织如下：第2节介绍了传统人工势场的基本概念。第3节定义了改进的人工势场方法，并提出了一种使用模糊控制器的自调谐排斥增益系数方法。第4节提供了一些仿真结果，并使用AAPF-UMIR算法在智能助行器上展示了算法的实用性和有效性。最后，第5节总结了本文。
部分摘录
NN-APF
人工势场方法[28]是一种基于模拟物理势场概念的虚拟力算法。移动机器人被视为一个力对象，在环境中建立一个虚拟势场来引导其运动。目标点的吸引场对移动机器人产生吸引力，而障碍物的排斥场对移动机器人产生排斥力。这两种力的合力方向...
基于用户意图识别的人机共享控制
在人工势场方法中，吸引势场是由目标点生成的全局势场，用于引导移动机器人朝向目标点。随着移动机器人与目标点之间的距离减小，目标点产生的吸引力也会减小，即移动机器人越接近目标点，它接收到的吸引力就越小，以避免移动机器人接近目标时速度过快。
NN-APF仿真实验
为了分析和验证本文描述的前馈神经网络自适应人工势场方法的有效性，使用MATLAB软件作为算法仿真和验证的平台。该实验使用了两个二维地图来生成可能出现局部最优解和无法到达目标的场景。这种方法使得前馈神经网络自适应人工势场的评估成为可能
结论
所提出的智能辅助行走设备采用了一种基于前馈神经网络的自适应人工势场方法的人机共享控制策略。该策略专为智能辅助行走设备的路径规划功能设计。所提出的方法建立了新的排斥势场函数和吸引势场函数，结合前馈神经网络自适应调整排斥增益系数
CRediT作者贡献声明
王亚刚：撰写 – 审稿与编辑，项目管理。赵丹丹：撰写 – 原始草案，方法论，概念化。王天：可视化，调查。陈正高：形式分析，数据管理。余红柳：监督，资源协调。毛斌健：可视化，软件开发。孟巧玲：监督，资源协调。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
我们衷心感谢编辑和审稿人提供的建设性和有益的评论，这些评论使我们的修改后的论文得到了显著改进。本研究得到了中国国家重点研发计划（项目编号2020YFC2007502）的支持。
赵丹丹目前在上海科技大学攻读硕士学位。她的研究兴趣包括移动机器人的智能导航算法、强化学习和康复机器人技术。
