Development and Iterative Learning-Enhanced Sliding Mode Control of a Bioinspired Knee Exoskeleton

📝 معرفی مقاله

توسعه اگزواسکلتون زیست‌الهام زانو و کنترل مد لغزشی تقویت‌شده با یادگیری تکرارشونده (IL-Enhanced SMC):

این مقاله یک Research Article است که در سال ۲۰۲۶ در ژورنال ENGINEERING Information Technology & Electronic Engineering منتشر شده و به طراحی هم‌زمان ساختار مکانیکی و سیستم کنترل یک اگزواسکلتون رباتیکی زانو برای کمک به بیماران دارای اختلال عملکرد زانو و توان‌بخشی حرکتی می‌پردازد. ایده اصلی مقاله این است که برای دستیابی به یک اگزواسکلتون مؤثر، تنها طراحی کنترل‌کننده کافی نیست؛ بلکه ابتدا باید مشکل عدم تطابق حرکتی میان مفصل مکانیکی اگزواسکلتون و مفصل واقعی زانوی انسان حل شود و سپس کنترل‌کننده‌ای طراحی شود که بتواند مسیر حرکتی زانو را با دقت بالا و در حضور اغتشاشات ناشی از تعامل انسان و ربات دنبال کند.

💡 چرا بررسی این مقاله اهمیت دارد؟

یکی از مشکلات اصلی اگزواسکلتون‌های زانو این است که زانوی انسان برخلاف یک لولای ساده، دارای حرکت Polycentric یا چندمرکزی است و مرکز لحظه‌ای دوران آن هنگام خم و راست شدن تغییر می‌کند. بنابراین استفاده از یک محور چرخش ثابت می‌تواند باعث Human–Machine Misalignment، ایجاد نیروهای ناخواسته، ناراحتی کاربر و حتی آسیب ثانویه شود. از طرف دیگر، سیستم انسان–اگزواسکلتون دارای دینامیک غیرخطی، عدم قطعیت و اغتشاشات غیرتکراری است و کنترل‌کننده‌های ساده‌ای مانند PID یا روش‌های کاملاً وابسته به مدل نمی‌توانند در تمام شرایط راه‌رفتن عملکرد مناسبی داشته باشند. مقاله برای حل هم‌زمان این دو مسئله، یک ساختار مکانیکی زیست‌الهام همراه با یک کنترل‌کننده Iterative Learning-Enhanced Sliding Mode Control یا IL-enhanced SMC ارائه می‌کند.

📚 بخش‌های اصلی این مقاله

🔹 ۱- طراحی مکانیکی زیست‌الهام مفصل زانو

• در بسیاری از اگزواسکلتون‌ها، زانو به صورت یک مفصل تک‌محوره ساده مدل می‌شود، در حالی که زانوی واقعی هنگام Flexion و Extension دارای حرکت ترکیبی چرخشی و لغزشی است.
• مقاله محور مکانیکی اگزواسکلتون را روی Optimal Axis of Rotation یا «محور بهینه دوران» قرار می‌دهد که از نظر آناتومیکی به محور مناسب‌تری برای حرکت زانو نزدیک است.
• فقط استفاده از این محور برای تمام افراد کافی نیست، زیرا مسیر Instantaneous Center of Rotation یا ICR میان افراد مختلف تغییر می‌کند.
• به همین دلیل یک مکانیزم Dynamic Pin–Cam طراحی شده است که پین درون یک شیار منحنی حرکت کرده و مسیر چندمرکزی زانوی انسان را تقریب می‌زند.
• منحنی Cam بر اساس داده‌های حرکتی زانوی انسان که با سیستم سه‌بعدی Vicon Motion Capture ثبت شده‌اند، طراحی و با یک تابع ریاضی تقریب زده شده است.
• یک واحد الاستیک نیز بین بخش‌های مکانیکی قرار داده شده تا اختلاف‌های باقی‌مانده میان آناتومی افراد مختلف و مسیر از پیش طراحی‌شده Cam را به شکل غیرفعال جذب کند.
• در نتیجه ساختار می‌تواند خود را تا حدی با تفاوت‌های آناتومیکی افراد تطبیق دهد و نیروی ناخواسته ناشی از عدم هم‌محوری انسان و ربات را کاهش دهد.

🔹 ۲- سیستم محرک Quasi-Direct Drive و واحد الاستیک

• برای تأمین گشتاور موردنیاز زانو، مقاله به جای محرک‌های حجیم‌تر از یک سیستم Quasi-Direct Drive یا QDD استفاده می‌کند.
• این محرک از یک موتور با چگالی گشتاور بالا و یک گیربکس دو مرحله‌ای با نسبت کاهش 1:36 تشکیل شده است.
• وزن کل محرک QDD حدود ۶۰۰ گرم است.
• گشتاور پیوسته سیستم برابر 18 نیوتون متر و حداکثر گشتاور آن 45 نیوتون متر است که مطابق مقاله برای کمک به فعالیت‌های معمول راه‌رفتن کافی در نظر گرفته شده است.
• واحد الاستیک علاوه بر جبران اختلاف مسیر میان انسان و اگزواسکلتون، ضربه‌های محوری ناگهانی ایجادشده هنگام تغییر فازهای حرکت را نیز جذب می‌کند.
• فنر کششی/فشاری طراحی‌شده دارای حداکثر جابه‌جایی 10 میلی‌متر و ضریب سختی 5 نیوتون بر میلی‌متر است.

🔹 ۳- مدل دینامیکی سیستم انسان–اگزواسکلتون

• به دلیل اتصال ران و ساق انسان به اگزواسکلتون توسط Strap، مقاله مجموعه انسان و اگزواسکلتون را برای طراحی کنترل به صورت یک سیستم کوپل‌شده در نظر می‌گیرد.
• چون حرکت اصلی زانو در صفحه Sagittal انجام می‌شود، سیستم به صورت یک مدل Single-Link با یک Degree of Freedom ساده‌سازی شده است.
• مدل دینامیکی بر اساس فرمول‌بندی Lagrange نوشته می‌شود: M(q)q̈ + C(q,q̇)q̇ + G(q) = τ
• M(q) ماتریس اینرسی، C(q,q̇) مؤلفه‌های کوریولیس و گریز از مرکز، G(q) مؤلفه گرانش، τk گشتاور تولیدشده توسط اگزواسکلتون و τe گشتاورهای خارجی، اغتشاشات و بخشی از تعاملات غیرخطی میان انسان و سیستم هستند.
• از آنجا که پارامترهای دقیق بدن هر فرد و نیروهای تعامل انسان–ربات در زمان واقعی به آسانی قابل شناسایی نیستند، بخش زیادی از این عدم قطعیت‌ها به صورت یک Lumped Unknown Disturbance در طراحی کنترل در نظر گرفته می‌شود.

🔹 ۴- کنترل مد لغزشی تقویت‌شده با یادگیری تکرارشونده (IL-Enhanced SMC)

هسته اصلی بخش کنترلی مقاله ترکیب دو الگوریتم Iterative Learning Control (ILC) و Sliding Mode Control (SMC) است.

• برای بهبود ورودی کنترلی Gait، ILC  از تکراری بودن چرخه‌های راه‌رفتن استفاده می‌کند و خطای یک چرخه ILC را در چرخه‌های بعدی یاد می‌گیرد.
• بنابراین هرچه چرخه‌های حرکت تکرار شوند، کنترل‌کننده اطلاعات بیشتری از رفتار دوره‌ای زانو به دست آورده و خطای دنبال‌کردن مسیر کاهش پیدا می‌کند.
• مشکل ILC این است که در برابر اغتشاشات ناگهانی و غیرتکراری عملکرد ضعیف‌تری دارد.
• در مقابل، SMC نسبت به عدم قطعیت مدل و اغتشاشات خارجی بسیار مقاوم است، اما استفاده از تابع ناپیوسته sign(s) می‌تواند باعث پدیده Chattering یا نوسان سریع ورودی کنترل شود.
• مقاله SMC را درون چارچوب Iterative Learning قرار می‌دهد تا دقت مربوط به ILC و Robustness مربوط به SMC هم‌زمان استفاده شوند.

سطح لغزش به صورت ترکیبی از خطای زاویه و مشتق خطا تعریف می‌شود: sₖ(t) = c eₖ(t) + ėₖ(t). سپس یک پارامتر تطبیقی در هر Iteration مقدار لازم برای مقابله با عدم قطعیت‌های سیستم را یاد می‌گیرد. برای کاهش Chattering، مقاله تابع ناپیوسته sgn(s) را با تابع نرم tanh(s) جایگزین می‌کند. در نتیجه ورودی کنترلی نهایی به صورت یک ترکیب از بخش Sliding Mode، تخمین تطبیقی اغتشاش و یادگیری بین چرخه‌های متوالی حرکت ساخته می‌شود. مقاله علاوه بر ارائه قانون کنترل، پایداری و همگرایی آن را نیز با استفاده از تحلیل Lyapunov بررسی کرده و نشان می‌دهد که Sliding Surface با افزایش Iterationها به سمت صفر همگرا می‌شود.

🔹 ۵- آزمایش جبران Human–Machine Misalignment

برای ارزیابی طراحی مکانیکی، آزمایش‌هایی روی سه داوطلب مرد سالم انجام شده است.

• اگزواسکلتون در حالت Passive و بدون اعمال توان استفاده شد.
• فرد روی Treadmill با سرعت 3 کیلو‌متر بر ساعت حرکت کرد.
• سیستم Vicon 3D Motion Capture موقعیت Markerهای قرارگرفته روی پا را ثبت کرد.
• برای کاهش خطای اندازه‌گیری، مسیر حرکتی در ۱۰ چرخه متوالی راه‌رفتن ثبت و میانگین‌گیری شد.

سپس مسیر مفصل واقعی زانو با مسیر مکانیزم اگزواسکلتون مقایسه شد. مقادیر Mean Square Error برای سه فرد به‌ترتیب 0.41 ، 0.73 و 0.81 میلی‌متر مربع گزارش شده است و حداکثر اختلاف لحظه‌ای مشاهده‌شده حدود 1.25 میلی‌متر بوده است. همچنین مسیرهای ثبت‌شده شکل مشخص J-Shaped داشتند که با رفتار آناتومیکی مرکز لحظه‌ای دوران زانوی انسان سازگار است. نتایج نشان می‌دهد ساختار Pin–Cam و مکانیزم زیست‌الهام توانسته‌اند تطابق حرکتی مناسبی میان مفصل انسان و اگزواسکلتون ایجاد کنند.

🔹 ۶- پیاده‌سازی Real-Time و آزمایش دنبال‌کردن مسیر

• الگوریتم‌های IL-enhanced SMC و PID با زبان C پیاده‌سازی شدند.
• نرم‌افزار در محیط Keil MDK توسعه داده شد.
• کنترل‌کننده روی یک میکروکنترلر STM32 اجرا شد.
• فرکانس حلقه کنترل برابر 100 هرتز بود.
• زاویه مفصل با Encoder مغناطیسی MT6825 با رزولوشن 18-bit اندازه‌گیری شد.
• همچنین یک IMU مدل LPMS-CURS3 با رزولوشن زاویه‌ای کمتر از 0.01° مورد استفاده قرار گرفت.

ابتدا مسیر طبیعی زانوی کاربر در پنج سرعت مختلف 1، 1.5، 2، 2.5 و 3 کیلو‌متر بر ساعت ثبت شد. داده‌ها در MATLAB Smooth و Fit شدند و از آن‌ها یک Offline Trajectory Generator ساخته شد. سپس مسیرهای تولیدشده به عنوان Reference Trajectory وارد کنترل‌کننده شدند.

🔹 ۷- مقایسه عملکرد IL-Enhanced SMC با PID

مقاله عملکرد روش پیشنهادی را با یک PID مبتنی بر Iterative Learning مقایسه کرده است.

• در 1 کیلو‌متر بر ساعت: RMSE = 1.05° و Maximum Error = 4.93°
• در 1.5 کیلو‌متر بر ساعت: RMSE = 1.34° و Maximum Error = 4.32°
• در 2 کیلو‌متر بر ساعت: RMSE = 2.51° و Maximum Error = 7.92°
• در 2.5 کیلو‌متر بر ساعت: RMSE = 2.46° و Maximum Error = 8.37°
• در 3 کیلو‌متر بر ساعت: RMSE = 2.16° و Maximum Error = 5.98°

در مقابل، PID مبتنی بر Iterative Learning در سرعت 3 کیلو‌متر بر ساعت به RMSE = 5.40° و Maximum Error حدود 20.14° می‌رسد و بیشترین Maximum Error آن در سرعت 2.5 کیلو‌متر بر ساعت برابر 21.70° است.

نکته مهم نتایج این است که خطا در سرعت‌های میانی 2 و 2.5 کیلو‌متر بر ساعت افزایش پیدا می‌کند، زیرا در این محدوده تغییرپذیری Gait و تعاملات دینامیکی انسان–اگزواسکلتون بیشتر است. اما در سرعت 3 کیلو‌متر بر ساعت حرکت دوباره حالت بسیار Periodic پیدا می‌کند و بخش ILC می‌تواند الگوی تکرارشونده حرکت را بهتر یاد بگیرد؛ در نتیجه RMSE روش پیشنهادی مجدداً کاهش پیدا می‌کند.

🔹 ۸- جمع‌بندی و دستاورد اصلی مقاله

مهم‌ترین دستاورد مقاله، ارائه یک طراحی Hardware–Software Synergy است؛ یعنی طراحی مکانیکی و الگوریتم کنترل به صورت مکمل یکدیگر عمل می‌کنند. در بخش مکانیکی، ترکیب Optimal Axis of Rotation + Dynamic Pin–Cam + Elastic Unit

باعث کاهش عدم تطابق سینماتیکی انسان و اگزواسکلتون می‌شود. در بخش Actuation، سیستم Elastic QDD یک محرک نسبتاً سبک با گشتاور پیوسته 18 نیوتون متر و گشتاور Peak برابر 45 نیوتون متر فراهم می‌کند. در بخش کنترلی، ترکیب Iterative Learning + Sliding Mode Control باعث می‌شود کنترل‌کننده هم از ماهیت تکرارشونده Gait برای افزایش دقت استفاده کند و هم در مقابل اغتشاشات ناگهانی و عدم قطعیت‌های مدل Robust باقی بماند. جایگزینی تابع sign با tanh نیز برای کاهش Chattering استفاده شده است. آزمایش‌های Vicon نشان دادند ساختار زیست‌الهام قادر است مسیر مفصل زانو را با خطای مکانی پایین دنبال کند و آزمایش‌های Treadmill نیز نشان دادند که روش IL-enhanced SMC در تمام سرعت‌های بررسی‌شده، RMSE را حداکثر در حدود 2.51° نگه می‌دارد و نسبت به کنترل‌کننده PID مبتنی بر یادگیری تکرارشونده، به‌خصوص در شرایط دینامیکی و سرعت‌های بالاتر، Robustness و Tracking Accuracy بهتری دارد.

🧭 مسیرهای پیشنهادی برای ادامه تحقیق

• بهینه‌سازی Offset مربوط به Optimal Axis of Rotation و طراحی دقیق‌تر منحنی Cam برای تطبیق با آناتومی هر فرد.
• کاهش بیشتر وزن و ابعاد سیستم QDD و یکپارچه‌سازی سخت‌افزار.
• توسعه کنترل‌کننده برای محیط‌های پیچیده‌تر مانند شیب و پله و سازگاری با تغییر Cadence و Stride Length.
• استفاده از Human-in-the-Loop Optimization برای تنظیم خودکار پارامترهای کنترل متناسب با ویژگی‌های هر کاربر.
• انجام مطالعات بالینی طولانی‌مدت روی بیماران واقعی و توسعه Fail-Safe و Fault-Detection برای افزایش ایمنی سیستم.

🎓 دروس مرتبط از سرفصل‌های دانشکده مهندسی برق

برای درک کامل مباحث نظری، الگوریتم‌های کنترلی و پیاده‌سازی مکاترونیکی این مقاله، دروس زیر پیشنهاد می‌شوند:

• نام درس: کنترل غیرخطی | شماره درس: ۲۵۴۷۹ (جهت تحلیل و طراحی کنترل‌کننده مد لغزشی SMC)
• نام درس: کنترل تطبیقی | شماره درس: ۲۵۴۷۸ (جهت پیاده‌سازی الگوریتم‌های یادگیری تکراری ILC)
• نام درس: کنترل حرکتی | شماره درس: ۲۵۶۶۵ (جهت تحلیل بیومکانیک گام‌برداری و تعامل حرکتی انسان و ربات)
• نام درس: کنترل ربات ۱ | شماره درس: ۲۵۴۵۱ (جهت تحلیل سینماتیک و دینامیک ربات‌های پوشیدنی)
• نام درس: آشنایی با سیستم‌های رباتیک | شماره درس: ۲۵۷۳۸ (جهت مفاهیم پایه مکانیزم‌ها و ساختار رباتیک)
• نام درس: مدل‌سازی سیستم‌های بیولوژیک | شماره درس: ۲۵۶۳۱ (جهت شبیه‌سازی دقیق آناتومی و مرکز آنی چرخش مفصل زانو)
• نام درس: اصول مهندسی پزشکی | شماره درس: ۲۵۷۲۴ (جهت کاربردهای توانبخشی و سیستم‌های کمکی زیستی)
• نام درس: بیواینسترومنت | شماره درس: ۲۵۶۲۳ (جهت ابزاردقیق، سنسورها و اندازه‌گیری سیگنال‌های حرکتی)
• نام درس: آزمایشگاه مکاترونیک | شماره درس: ۲۵۰۴۷ (جهت یکپارچه‌سازی سیستم‌های الکترومکانیکی و محرک‌های ربات)

🔗 دسترسی به مقاله

✍️ محمد‌مهدی شمسایی