《Biomimetic Intelligence and Robotics》：Adaptive robust control for a parallel orthopedic rehabilitation robot with guaranteed healing-safety
编辑推荐：
在骨科康复中，确保机械刺激的安全性和精确性对于有效骨愈合至关重要。本研究针对一种新型6自由度（6-DOF）骨科康复机器人，提出了一种安全性保证的控制策略，该机器人能够对胫骨骨折施加主动多轴机械刺激。为满足临床环境的严格安全要求，研究人员提出了一种自适应鲁棒控制
在骨科康复中，确保机械刺激的安全性和精确性对于有效骨愈合至关重要。本研究针对一种新型6自由度（6-DOF）骨科康复机器人，提出了一种安全性保证的控制策略，该机器人能够对胫骨骨折施加主动多轴机械刺激。为满足临床环境的严格安全要求，研究人员提出了一种自适应鲁棒控制架构，该架构整合了预设跟踪性能。核心创新在于集成了一种分段时变性能函数，该函数在动态瞬态和稳态阶段均将机器人的运动误差严格限制在预定义的安全包络内。为处理系统固有的非线性和时变生物扰动，研究人员采用轻量级神经网络实时自适应补偿集总不确定性，并增强积分滑模控制器（ISMC）。在自主研发的6-DOF骨科康复机器人平台上进行的一系列硬件实验验证了所提方法的有效性。实验结果表明，该控制器有效抑制了扰动，并将跟踪误差维持在预定界限内，这展示了在机器人骨科康复中增强安全性和跟踪可靠性的巨大潜力。
### 论文解读
#### 研究背景与问题
胫骨作为人体骨骼系统的主要承重部件，易在职业危害、车辆碰撞和运动中遭受高能量创伤，其骨折约占所有骨折病例的15%。不充分的治疗和康复会导致下肢运动功能严重受损，降低患者生活质量并带来巨大负担。研究表明，适当的机械刺激通过促进血管生成和骨生成、抑制破骨细胞分化来加速骨折愈合，但刺激的安全裕度很窄——过大的负载、错误的方向或轨迹跟踪不佳不仅会损害愈合过程，还可能增加二次损伤风险。现有骨科机器人系统多面向术中复位或手术操作，侧重于力放大、工作空间拓展和导航，缺乏对康复期机械刺激的严格误差约束控制。因此，研究人员提出了一种保障“愈合安全”的控制策略，将每个受控自由度的跟踪误差严格限制在时变临床允许包络内。
#### 研究内容与意义
研究人员针对自主研发的6自由度（6-DOF）并联骨科康复机器人，提出了一种自适应鲁棒控制框架，集成神经网络（NN）近似和分段时变性能函数，以实现高精度轨迹跟踪和严格输出约束。该机器人采用6-R?UHU构型（R为旋转副，U为万向副，H为基于滚珠丝杠的螺旋副），可在治疗期主动施加多轴机械刺激，非治疗期通过电机脱离重构为6-UPU拓扑，减轻系统质量以提升穿戴舒适性。在自制原型机上的硬件实验验证了该方法在动态瞬态和稳态阶段均能严格保持误差边界，显著优于传统滑模控制器（SMC），为机器人骨科康复的安全性和可靠性提供了新方案。该论文发表在《Biomimetic Intelligence and Robotics》。
#### 关键技术方法
研究人员采用以下主要技术：（1）分段时变性能函数，通过平滑、有界且正定的函数ρ(t)动态调整瞬态和稳态误差边界，确保全局连续性；（2）双神经网络（dual-layer NN）用于在线实时逼近包含未建模动力学和外部扰动的集总扰动，其激活函数为tanh，避免额外设计中心与宽度，适合轻量级实时实现；（3）积分滑模控制器（ISMC），结合比例和积分增益增强鲁棒性并抑制抖振。实验平台为自主研发的6-R?UHU并联骨科康复机器人，采用分布式控制架构（工业PC C6930，Beckhoff，GER；EtherCAT通信；电机驱动器EPOS4 Compact，maxon，CHE），以1 kHz采样率执行控制算法，并使用中央弹簧模拟骨骼弹性负载。
#### 研究结果
**4.1 实验设置**
实验分为两组：实验1采用正弦参考轨迹（x
d(t)=y
d(t)=z
d(t)=0.5sin(πt) mm，旋转自由度归零），以模拟促进骨生成的循环机械负载；实验2对比常规滑模控制器（SMC），沿z轴设置三种场景（低频正弦、高频正弦、三角波），以评估不同动态条件下的性能。
**4.2 性能评价标准**
采用均方根误差（RMSE）和最大绝对误差（MaxAE）作为量化指标，其中MaxAE直接反映可能施加于骨折部位的最坏机械偏差，对愈合安全尤为关键。
**4.3 实验结果**
- **实验1**：所提自适应鲁棒控制策略实现了高精度轨迹跟踪，实际轨迹（蓝线）紧密跟随参考（红线），误差（e(t)）严格约束在分段时变性能函数定义的“漏斗形”包络内。RMSE随时间逐步下降：以x轴为例，0–5秒为0.0467 mm，5–15秒降至0.0332 mm，15–20秒进一步减至0.0266 mm，表明神经网络在线补偿提升了渐近稳定性。
- **实验2案例1（低频正弦，0.5 Hz）**：所提控制器误差曲线更平滑，无SMC的高频抖振。在0–4秒期间，MaxAE从0.1256 mm降至0.0783 mm（降低62.34%），RMSE从0.4926 mm降至0.0423 mm（降低8.58%）；在12–15秒期间，MaxAE和RMSE分别降至SMC的34.34%和5.45%。
- **实验2案例2（高频正弦，1 Hz）**：SMC误差在边界附近波动甚至越界，所提控制器保持严格约束。虽然0–8秒内RMSE略高于SMC（因优先抑制峰值偏差），但在12–15秒期间MaxAE和RMSE分别降至0.0483 mm和0.0478 mm，优于SMC的0.1623 mm和0.0763 mm，表明在快速动态下仍能保障安全。
- **实验2案例3（三角波）**：三角波引入加速度不连续点，SMC在峰值处产生显著超调并违反安全包络，所提控制器通过神经网络在线适应转点模式并与积分滑模互补，保持误差严格有界。在12–15秒期间，MaxAE和RMSE分别为0.0492 mm和0.0436 mm，仅为SMC的31.25%和48.44%。
综上，实验证实所提方法在三种场景下均有效抑制抖振并降低安全关键的MaxAE，确保误差严格受限，验证了“保证性能”能力。
#### 总结与讨论
研究结论部分指出：本文提出了一种基于神经网络的自适应鲁棒控制框架，具有保证性能，用于满足6-DOF并联康复机器人对精确机械刺激的严格要求。通过协同集成双神经网络进行不确定性补偿与新型分段时变性能函数，所提策略在瞬态响应和稳态精度之间实现了良好平衡。在自制原型机上的实验结果证实，该方法不仅确保严格遵循安全关键运动约束，而且提供了复杂临床环境所需的鲁棒性。未来工作将扩展到体内动物研究，以进一步评估所施加刺激的生物学功效。
