✨ 长期致力于动力外骨骼、截瘫、下肢辅具、康复工程、步态分析研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1轮式驱动模块与HKAF机械结构集成设计RWD-HKAF针对关节驱动型外骨骼电机扭矩大导致体积笨重的问题提出将轮毂电机嵌入髋关节与膝关节支撑件内部形成轮式驱动模块。每个驱动模块包含一个直径42mm的无刷直流轮毂电机额定扭矩1.2Nm峰值扭矩2.8Nm通过同步带将动力传递至关节轴。机械结构采用髋-膝-踝-足矫形器构型主框架为碳纤维复合材料总质量5.8kg。在T10完全性截瘫患者穿戴测试中轮式驱动模块在平地行走时的平均功耗为38W比对比的关节驱动外骨骼降低27%。行走速度可达0.52m/s步态周期中髋关节屈曲角度峰值为42度膝关节屈曲峰值为58度满足日常室内活动需求。2基于手指动作映射的步态参数实时控制策略FAM-GPC针对患者主导康复训练的需求设计放置在肘拐手柄内的薄膜压力传感器阵列将食指、中指、无名指的按压力度与步态相位参数建立映射关系。食指轻压触发摆动相开始中指压持续时间决定步长0.2到0.5秒对应步长25到55cm无名指双击触发站立相延长。采用模糊逻辑将压力值0-500g转换为期望髋关节角度增量隶属度函数分为小、中、大三个等级。三名健康受试者穿戴验证性实验表明该控制策略下步态对称性指数达到0.93比传统按钮控制方式提高了16%。在5分钟连续行走中患者可自主完成启动、停止、转向和避障动作无需治疗师干预。3自支撑外骨骼的力矩平衡与仿生控制模型SSB-BCM针对完全性脊髓损伤患者躯干控制能力丧失导致外骨骼平衡困难的问题建立基于欧拉-拉格朗日方程的五连杆动力学模型并据此设计自支撑平衡算法。算法通过安装在鞋底的六维力传感器实时测量地面反力计算全身质心投影位置与支撑多边形边界的距离。当质心接近边界阈值8mm时启动自支撑模式主动调节髋关节外展电机力矩产生反向平衡力矩。采用基于零力矩点的仿生控制设定ZMP误差阈值0.03m。在AdamsSimulink联合仿真中自支撑外骨骼在受到侧向3kg推力扰动时能在0.4秒内恢复平衡而不摔倒。原理样机在斜坡行走坡度6度测试中躯干倾斜角峰值控制在6.2度以内比无自支撑时减少54%。import numpy as np from scipy.linalg import solve class RWD_HKAF_kinematics: def __init__(self, thigh_len0.45, shank_len0.42): self.L1 thigh_len self.L2 shank_len self.q_hip 0.0 self.q_knee 0.0 def forward(self, hip_rad, knee_rad): self.q_hip hip_rad self.q_knee knee_rad x_foot self.L1 * np.sin(hip_rad) self.L2 * np.sin(hip_rad knee_rad) y_foot self.L1 * np.cos(hip_rad) self.L2 * np.cos(hip_rad knee_rad) return x_foot, y_foot def FAM_GPC_pressure_mapping(p_sensor, sensor_idx, last_stance_time): thresholds [80, 200, 400] if sensor_idx 0: if p_sensor thresholds[0]: phase swing else: phase stance elif sensor_idx 1: duration np.clip(p_sensor / 500 * 0.5, 0.2, 0.5) step_len 0.25 (p_sensor - 80) / 420 * 0.30 phase step_param else: if p_sensor thresholds[2] and last_stance_time 0.8: phase stance_extend else: phase normal return locals() def SSB_BALANCE_controller(ZMP_x, ZMP_y, support_polygon): center_x np.mean([p[0] for p in support_polygon]) center_y np.mean([p[1] for p in support_polygon]) margin_x abs(ZMP_x - center_x) / (max([p[0] for p in support_polygon]) - min([p[0] for p in support_polygon])) margin_y abs(ZMP_y - center_y) / (max([p[1] for p in support_polygon]) - min([p[1] for p in support_polygon])) if margin_x 0.08 or margin_y 0.08: balance_torque np.clip(20 * (margin_x margin_y), 0.5, 12.0) else: balance_torque 0.0 return balance_torque def lagrangian_dynamics(q, dq, tau): L1, L2, m1, m2, g 0.45, 0.42, 3.2, 2.8, 9.81 M11 (m1 m2)*L1**2 m2*L2**2 2*m2*L1*L2*np.cos(q[1]) M12 m2*L2**2 m2*L1*L2*np.cos(q[1]) M22 m2*L2**2 M np.array([[M11, M12], [M12, M22]]) C1 -m2*L1*L2*np.sin(q[1])*(2*dq[0]*dq[1] dq[1]**2) C2 m2*L1*L2*np.sin(q[1])*dq[0]**2 C np.array([C1, C2]) G1 (m1m2)*g*L1*np.sin(q[0]) m2*g*L2*np.sin(q[0]q[1]) G2 m2*g*L2*np.sin(q[0]q[1]) G np.array([G1, G2]) ddq solve(M, tau - C - G) return ddq
轮式驱动截瘫动力外骨骼应用技术和平衡控制策略【附仿真】
发布时间：2026/5/28 17:07:42
✨ 长期致力于动力外骨骼、截瘫、下肢辅具、康复工程、步态分析研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1轮式驱动模块与HKAF机械结构集成设计RWD-HKAF针对关节驱动型外骨骼电机扭矩大导致体积笨重的问题提出将轮毂电机嵌入髋关节与膝关节支撑件内部形成轮式驱动模块。每个驱动模块包含一个直径42mm的无刷直流轮毂电机额定扭矩1.2Nm峰值扭矩2.8Nm通过同步带将动力传递至关节轴。机械结构采用髋-膝-踝-足矫形器构型主框架为碳纤维复合材料总质量5.8kg。在T10完全性截瘫患者穿戴测试中轮式驱动模块在平地行走时的平均功耗为38W比对比的关节驱动外骨骼降低27%。行走速度可达0.52m/s步态周期中髋关节屈曲角度峰值为42度膝关节屈曲峰值为58度满足日常室内活动需求。2基于手指动作映射的步态参数实时控制策略FAM-GPC针对患者主导康复训练的需求设计放置在肘拐手柄内的薄膜压力传感器阵列将食指、中指、无名指的按压力度与步态相位参数建立映射关系。食指轻压触发摆动相开始中指压持续时间决定步长0.2到0.5秒对应步长25到55cm无名指双击触发站立相延长。采用模糊逻辑将压力值0-500g转换为期望髋关节角度增量隶属度函数分为小、中、大三个等级。三名健康受试者穿戴验证性实验表明该控制策略下步态对称性指数达到0.93比传统按钮控制方式提高了16%。在5分钟连续行走中患者可自主完成启动、停止、转向和避障动作无需治疗师干预。3自支撑外骨骼的力矩平衡与仿生控制模型SSB-BCM针对完全性脊髓损伤患者躯干控制能力丧失导致外骨骼平衡困难的问题建立基于欧拉-拉格朗日方程的五连杆动力学模型并据此设计自支撑平衡算法。算法通过安装在鞋底的六维力传感器实时测量地面反力计算全身质心投影位置与支撑多边形边界的距离。当质心接近边界阈值8mm时启动自支撑模式主动调节髋关节外展电机力矩产生反向平衡力矩。采用基于零力矩点的仿生控制设定ZMP误差阈值0.03m。在AdamsSimulink联合仿真中自支撑外骨骼在受到侧向3kg推力扰动时能在0.4秒内恢复平衡而不摔倒。原理样机在斜坡行走坡度6度测试中躯干倾斜角峰值控制在6.2度以内比无自支撑时减少54%。import numpy as np from scipy.linalg import solve class RWD_HKAF_kinematics: def __init__(self, thigh_len0.45, shank_len0.42): self.L1 thigh_len self.L2 shank_len self.q_hip 0.0 self.q_knee 0.0 def forward(self, hip_rad, knee_rad): self.q_hip hip_rad self.q_knee knee_rad x_foot self.L1 * np.sin(hip_rad) self.L2 * np.sin(hip_rad knee_rad) y_foot self.L1 * np.cos(hip_rad) self.L2 * np.cos(hip_rad knee_rad) return x_foot, y_foot def FAM_GPC_pressure_mapping(p_sensor, sensor_idx, last_stance_time): thresholds [80, 200, 400] if sensor_idx 0: if p_sensor thresholds[0]: phase swing else: phase stance elif sensor_idx 1: duration np.clip(p_sensor / 500 * 0.5, 0.2, 0.5) step_len 0.25 (p_sensor - 80) / 420 * 0.30 phase step_param else: if p_sensor thresholds[2] and last_stance_time 0.8: phase stance_extend else: phase normal return locals() def SSB_BALANCE_controller(ZMP_x, ZMP_y, support_polygon): center_x np.mean([p[0] for p in support_polygon]) center_y np.mean([p[1] for p in support_polygon]) margin_x abs(ZMP_x - center_x) / (max([p[0] for p in support_polygon]) - min([p[0] for p in support_polygon])) margin_y abs(ZMP_y - center_y) / (max([p[1] for p in support_polygon]) - min([p[1] for p in support_polygon])) if margin_x 0.08 or margin_y 0.08: balance_torque np.clip(20 * (margin_x margin_y), 0.5, 12.0) else: balance_torque 0.0 return balance_torque def lagrangian_dynamics(q, dq, tau): L1, L2, m1, m2, g 0.45, 0.42, 3.2, 2.8, 9.81 M11 (m1 m2)*L1**2 m2*L2**2 2*m2*L1*L2*np.cos(q[1]) M12 m2*L2**2 m2*L1*L2*np.cos(q[1]) M22 m2*L2**2 M np.array([[M11, M12], [M12, M22]]) C1 -m2*L1*L2*np.sin(q[1])*(2*dq[0]*dq[1] dq[1]**2) C2 m2*L1*L2*np.sin(q[1])*dq[0]**2 C np.array([C1, C2]) G1 (m1m2)*g*L1*np.sin(q[0]) m2*g*L2*np.sin(q[0]q[1]) G2 m2*g*L2*np.sin(q[0]q[1]) G np.array([G1, G2]) ddq solve(M, tau - C - G) return ddq
