كنترل مايوالكتريك تناسبي و برخط درجات آزادي شانه يك ربات انسان نما با استفاده از سيگنال هاي الكترومايوگرام

Online proportional myoelectric control of a humanoid shoulder motions using electromyogram signals

در اين مقاله يك الگوريتم دو مرحله اي براي كنترل مايوالكتريك تناسبي بازوي ربات انسان نماي سورنا 3 ارائه مي شود كه از تركيب نقاط قوت روش هاي كنترلي مطرح در اين حوزه يعني كنترل الگو محور و كنترل همزمان تناسبي براي افزايش دقت تخمين ها استفاده مي كند. هدف از اين تحقيق، ارائه يك واسط كاربري انسان-ربات مي باشد كه بين فعاليت هاي الكتريكي ماهيچه اي كه به سيگنال هاي الكترومايوگرام معروف هستند و زواياي درجات آزادي مفصل شانه متناظر با اين ماهيچه ها نگاشتي ايجاد كند. در مرحله اول از اين الگوريتم، با استفاده از الگوريتم آناليز تفكيك مربعي و الگوريتم راي اكثريت، درجه آزادي فعال در هر لحظه شناسايي مي شود. در اين مقاله الگوريتم هاي طبقه بندي معروف در حوزه كنترل مايوالكتريك به همراه بردار مشخصه هايي متشكل از مشخصه هاي حوزه هاي زمان و فركانس براي رسيدن به روش طبقه بندي آناليز تفكيك مربعي با دقت بالاي 97% و يك بردار مشخصه برتر بررسي شده اند. در مرحله دوم، با استفاده از نتيجه مرحله اول، يك شبكه عصبي با تاخير زماني در ورودي از بين چهار شبكه آموزش ديده براي هر چهار كلاس حركتي مفصل شانه انتخاب مي شود. اين شبكه براي تخمين زاويه متناظر با سيگنال الكترومايوگرام همان درجه آزادي بكار مي رود. مدل شبكه عصبي و آناليز تفكيك در ابتدا با استفاده از داده هاي خارج ازخط آموزش مي بينند و با استفاده از داده هاي برخط تست مي شوند. دقت بدست آمده از تخمين زوايا مفاصل در حالت خارج ازخط و برخط و شبيه سازي مقاومت اين روش در برابر تعدادي اغتشاش خارجي، حاكي از پيشرفت چشمگيري در اين حوزه مي باشد.

This paper proposes a two phase strategy for proportional myoelectric control of Surena 3 humanoid robot which benefits from the strength of two common myoelectric control methods, Pattern recognition base and Simultaneous proportional control, for improving joint angle estimation. The aim of this research is to present a human-robot interface to create a mapping between electrical activities of muscles known as electromyogram (EMG) signals and kinematics of corresponding motion. The first phase is concerned with motion classification using Quadratic Discriminant Analysis (QDA) and Majority Voting (MV). Several common motion classification algorithms and feature vectors including time domain and frequency domain futures were investigated which led to QDA and a superior feature vector with more than 97% classification accuracy. The second phase is concerned with continuous angle estimation of shoulder joint motion classes using Time Delayed Artificial Neural Network (TDANN) with overall accuracy of 90% R2. QDA serves as a high level controller which decides between four TDANN corresponding to each of the shoulder motion classes. QDA and TDANN models were trained with several sets of offline data and were tested with online dataset. Online and offline data estimation accuracy and model robustness against disturbances show a significant improvement compared to similar methods in this field.