Использование Emg в робототехнике для достижения репликации естественного движения

Перевод сигналов мышц человека в роботизированное движение

Стремление создать роботов, которые движутся с человекоподобной текучестью, уже давно является центральной задачей в робототехнике. В то время как традиционное программирование и механическое управление достигают точных, повторяемых движений, им часто не хватает адаптивности и изящества естественного движения человека. Электромиография (EMG) — техника измерения электрической активности, производимой скелетными мышцами — предлагает мощный мост между человеческим намерением и роботизированным действием. Захватывая биоэлектрические сигналы, которые предшествуют и сопровождают каждое сокращение мышц, EMG позволяет роботам, протезам и экзоскелетам реагировать непосредственно на двигательное намерение пользователя, создавая взаимодействия, которые чувствуют себя более интуитивно, отзывчивым и реалистичным.

В этой статье подробно рассматривается, как EMG используется в робототехнике для достижения естественной репликации движения. Мы рассмотрим фундаментальные принципы получения сигналов EMG, различные стратегии управления, используемые для перевода этих сигналов в роботизированные команды, наиболее эффективные применения в протезировании, экзоскелетах и гуманоидных роботах, а также преимущества, текущие проблемы и перспективные будущие направления этой быстро развивающейся области.

Понимание электромиографии: язык мышечного сокращения

Физиологическая основа сигнала EMG

Каждое добровольное движение происходит в моторной коре головного мозга, которая посылает электрические импульсы вниз по спинному мозгу и через моторные нейроны, чтобы достичь отдельных мышечных волокон. Когда двигательный нейрон запускает, он запускает потенциал действия, который распространяется вдоль мембраны мышечного волокна, заставляя волокна сокращаться. Сумма всех потенциалов действия от моторных единиц в мышце генерирует обнаруживаемое электрическое поле на поверхности кожи. Этот рисунок напряжения является сырым электромиографическим сигналом.

Амплитуда сигнала ЭМГ колеблется от микровольт до нескольких милливольт, частота содержания обычно составляет от 0 до 500 Гц. Прочность сигнала коррелирует с уровнем сокращения мышц— большая сила набирает больше моторных единиц и увеличивает скорость стрельбы, что приводит к более высокой амплитуде и более плотной активности сигнала.Однако связь не является строго линейной; такие факторы, как мышечная усталость, размещение электродов и толщина подкожной ткани, вносят изменчивость.

Поверхностная ЭМГ против внутримышечной ЭМГ

Существуют два основных метода захвата сигналов ЭМГ. Поверхностная ЭМГ (sEMG) использует клеевые электроды, размещенные на коже непосредственно над целевой мышцей. Этот неинвазивный подход является наиболее распространенным в роботизированных приложениях, поскольку он безболезнен, прост в применении и подходит для управления в режиме реального времени. sEMG обнаруживает суммарную активность многих моторных единиц под электродом, обеспечивая составное представление об активации мышц.

Внутримышечная ЭМГ (iEMG) , с другой стороны, использует тонкий провод или игловые электроды, вставленные в мышечный живот. Этот метод предлагает более высокое отношение сигнал-шум и может изолировать потенциалы действия отдельных двигательных единиц, давая гораздо более тонкое разрешение конкретных групп мышц. В то время как iEMG является более инвазивным и менее практичным для ежедневного использования, он остается ценным в исследовательских условиях и для продвинутого протезного контроля, где требуется высокая селективность.

Обработка сигналов: от необработанных данных до команд управления

Сырые сигналы ЭМГ по своей природе шумные, загрязненные артефактами движения, помехой линии электропередач и перекрестным общением со смежными мышцами.Для преобразования этих сигналов в надежные управляющие входы для робота необходим многоступенчатый конвейер обработки:

Операция в реальном времени требует низкой задержки: весь конвейер от получения сигнала до выполнения команды должен завершиться в течение 50–100 миллисекунд, чтобы поддерживать чувство непрерывного контроля пользователя. Это ограничение приводит к оптимизации как аппаратного обеспечения (высокопроизводительные аналого-цифровые преобразователи), так и программного обеспечения (эффективные встроенные алгоритмы).

Интеграция EMG в роботизированные системы управления

Парадигмы управления: пороговое, пропорциональное и распознавание шаблонов

Ранние миоэлектрические протезы использовали простое контроль порога: когда амплитуда ЭМГ превышала заданный уровень, протезная рука либо открывалась, либо закрывалась с фиксированной скоростью.В то время как функциональный, этот подход предлагал только грубое, двоичное управление и отсутствие градации силы или движения.

Пропорциональный контроль улучшился на этом, нанося обработанную оболочку ЭМГ непосредственно на скорость или силу роботизированного привода. Более сильное сокращение мышц приводит к более быстрому или сильному движению, давая пользователю более естественный и тонкий опыт управления. Для сустава с одной степенью свободы (например, протезного локтя) пропорциональный контроль остается эффективным и широко развернутым.

Для многочленных роботизированных рук или экзоскелетов с несколькими степенями свободы, распознавание образов является доминирующей парадигмой. Пользователь намеренно сокращает различные комбинации мышц для генерации различных моделей ЭМГ. Классификатор, обученный на наборе отработанных жестов, определяет, какой шаблон создается, и отправляет соответствующую команду роботу. При распознавании образов пользователи могут переключаться между действиями (например, захватом мощности, щипком, вращением запястья) без необходимости физического переключателя или дополнительного устройства ввода.

Роль машинного обучения и глубокого обучения

Успех миоэлектрического управления распознаванием образов в значительной степени зависит от надежности алгоритма классификации. Линейные классификаторы (LDA) являются вычислительно легкими и хорошо работают, когда количество жестов мало, а мышечные сигналы пользователя стабильны. Однако они борются с межсессионной изменчивостью (например, небольшим сдвигом электродов изо дня в день) и с дискриминацией большого набора жестов.

Модели глубокого обучения, особенно сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN, такие как LSTM), продемонстрировали превосходную производительность при классификации моделей ЭМГ в различных условиях. CNNs преуспевают в изучении пространственных особенностей из многоканальных электродных массивов, в то время как RNN захватывают временную динамику последовательностей активации мышц. Гибридные архитектуры, которые объединяют оба, теперь являются активной областью исследований, с зарегистрированными точность, превышающая 95% для целых 10–15 различных жестов рук в лабораторных условиях.

Несмотря на свою мощность, модели глубокого обучения требуют значительного количества маркированных обучающих данных и являются более вычислительно интенсивными.Усилия по развертыванию таких моделей на маломощных встроенных процессорах (например, серия ARM Cortex-M с аппаратными ускорителями) продолжаются, стремясь сделать глубокое обучение в реальном времени возможным в носимых роботизированных устройствах.

Адаптация в реальном времени и обучение пользователей

И пользователь, и контроллер должны адаптироваться друг к другу. Пользователи изначально практикуют сокращение своих мышц в определенных шаблонах для генерации последовательных сигналов. Между тем, современные системы включают алгоритмы онлайн-адаптации , которые обновляют параметры классификатора в реальном времени, приспосабливаясь к постепенному дрейфу сигнала, мышечной усталости или легкому движению электродов. Эта двусторонняя адаптация является ключом к поддержанию надежного, естественного контроля над длительными периодами использования.

Ключевые применения EMG в робототехнике

Продвинутые миоэлектрические протезы

Протезы конечностей являются наиболее зрелым и видимым применением робототехники, управляемой ЭМГ. Протезы верхних конечностей с миоэлектрическим управлением теперь позволяют пользователям выполнять широкий спектр действий в повседневной жизни: от захвата хрупкого яйца до переноса тяжелой сумки с удивительно высокой функциональностью. Целенаправленная мышечная реиннервация (TMR), хирургическая техника, разработанная в Институте реабилитации Чикаго, перенаправляет ампутированные нервы в неповрежденные мышцы в остаточной конечности. После регенерации нервов эти мышцы действуют как биологические усилители: когда пользователь намеревается двигать отсутствующую руку или локть, реиннервированные мышцы сокращаются, и сигналы ЭМГ от этих сокращений могут использоваться для управления соответствующими протезными суставами. TMR значительно улучшил избирательность и интуитивность миоэлектрического контроля для людей с ампутациями выше локтя.

Современные протезы рук, такие как Ottobock Bebionic или Touch Bionics i-limb, включают в себя несколько индивидуально моторизованных пальцев, что позволяет использовать различные схемы захвата. Системы распознавания образов могут плавно переключаться между этими захватами. Исследователи также комбинируют EMG с другими модальностями восприятия (например, инерционные единицы измерения, датчики силы), чтобы обеспечить контекстно-осознанный контроль, который еще больше усиливает естественность.

Реабилитационные и вспомогательные экзоскелеты

Экзоскелеты, которые помогают или усиливают движение человека, в значительной степени полагаются на интуитивные интерфейсы управления. Экзоскелеты на основе ЭМГ обнаруживают добровольную активацию мышц пользователя, а затем обеспечивают точно рассчитанный вспомогательный крутящий момент, который дополняет усилия пользователя. Этот подход особенно ценен в нейрореабилитации для выживших после инсульта или людей с травмами спинного мозга, где экзоскелет может облегчить повторяющуюся, специфическую для задачи практику.

Экзоскелеты Ekso GT и ReWalk, традиционно управляемые с помощью костылей или датчиков наклона, улучшаются с помощью датчика EMG, чтобы обеспечить более плавное, направленное на намерение шагом. Исследовательские платформы, такие как экзоскелет HAL (Hybrid Assistive Limb), разработанные Cyberdyne (Япония), используют датчики sEMG на ногах пользователя, чтобы предсказать предполагаемые совместные движения и применить поддержку точно, когда это необходимо. Этот контроль типа ] киборг создает симбиотическое взаимодействие: пользователь остается основным лицом, принимающим решения, в то время как экзоскелет усиливает силу и выносливость.

Гуманоидные роботы и телеоперация

В гуманоидной робототехнике первостепенное значение имеет воспроизведение естественных жестов, передвижения и манипуляции. EMG предоставляет операторам возможность дистанционно управлять движениями гуманоидного робота, просто выполняя сами действия. Сигналы EMG, захваченные из рук, рук и ног оператора, отображаются на исполнительные механизмы робота, что позволяет осуществлять телеоперацию, которая кажется гораздо менее абстрактной, чем джойстик или управление клавиатурой.

Например, Honda ASIMO использовалась в экспериментах, где оператор, носящий эмга-оборудованный рукав, управлял жестами рук и движениями рук робота. Аналогично, робот NASA Valkyrie был протестирован с интерфейсом оператора, который сочетает в себе эмга с инерциальным отслеживанием для достижения ловких манипуляций в макетных сценариях реагирования на бедствия. Такой подход снижает когнитивную нагрузку на оператора, позволяя ему сосредоточиться на задаче, а не на схеме управления роботом.

Промышленные и совместные роботы

В промышленных условиях роботы-коботы все чаще используются вместе с людьми. Датчики ЭМГ, которые носят на предплечье или плече рабочего, могут обнаруживать мышечную усталость или неудобные позы, заставляя кобота регулировать вспомогательную силу или предупреждать пользователя о потенциальных эргономических рисках. Эта активная эргономика представляет собой новое использование ЭМГ не для прямого управления движением, а для мониторинга безопасности и здоровья совместной работы человека и робота.

Помимо увеличения силы, коботы, управляемые EMG, могут помогать в задачах, требующих как тонких, так и грубых моторных навыков, таких как сборка конвейера или манипулирование инструментом.Читая мышечную активность пользователя, робот может плавно переходить между пассивным удерживанием нагрузки и активным управляемым движением.

Преимущества EMG-интегрированной робототехники

Остающиеся проблемы и существующие ограничения

Качество сигнала и шум

Несмотря на достижения, сигналы sEMG, как известно, хрупкие. Артефакты движения кабеля или смещения электродов вызывают временные всплески, которые могут быть неправильно истолкованы как добровольные команды. Пот, изменения импеданса кожи и электромагнитные помехи еще больше ухудшают сигнал. Надежная конструкция аппаратного обеспечения (щитовые кабели, активные электроды, расширенная фильтрация) может смягчить, но не устранить эти проблемы, особенно в реальных условиях за пределами лаборатории.

Переменная и обучение пользователей

Два человека, выполняющие одно и то же движение, будут генерировать разные модели ЭМГ из-за анатомических различий, состава мышц и изученных стратегий активации. Следовательно, классификаторы должны быть откалиброваны или переобучены для каждого нового пользователя, процесс, который может занять много времени. Кроме того, некоторые пользователи изо всех сил пытаются создать последовательные, различные модели, ограничивая количество надежно контролируемых функций.

Электродная установка и долгосрочная стабильность

Оптимальное размещение электродов изменяется в зависимости от анатомии пользователя и немного изменяется, когда пользователь перемещается или смещает позу. Электрод, который мигрирует даже на несколько миллиметров, может значительно изменить записанный сигнал, чтобы ухудшить точность классификации. Многоразовые влажные электроды требуют геля, который со временем высыхает, в то время как сухие электроды часто имеют более высокое контактное сопротивление. Исследования сухих, встраиваемых в ткань электродов и саморегулирующихся систем размещения продолжаются, но еще не клинически созрели.

Вычислительные и силовые ограничения

Распознавание образов в реальном времени с помощью глубоких нейронных сетей требует значительной вычислительной мощности, что противоречит необходимости в легких, низкоэнергетических носимых устройствах. Срок службы батареи, рассеивание тепла и задержка обработки - все это компромиссы, которые дизайнеры должны балансировать. Появляются вычислительные решения с специализированными нейронными процессорами (НПУ), но они еще не распространены в коммерческих протезах или экзоскелетах.

Проприоцепция и обратная связь с замкнутым контуром

В то время как EMG обеспечивает сигнал управления потоком, пользователь получает ограниченную или не сенсорную обратную связь от роботизированного устройства. Без тактильных или проприоцептивных ощущений (например, зная, насколько жесткая рука протеза сжимается), пользователи должны полагаться только на визуальные сигналы. Это отсутствие обратной связи замкнутого цикла снижает естественность взаимодействия и может привести к случайному проскальзыванию или чрезмерной силе. Новые исследования сочетают EMG с тактильной обратной связью (вибраторы или приводы давления на остаточной конечности) и даже соматотопно отображаемую электрическую стимуляцию для восстановления ощущения прикосновения.

Будущие направления: к безшовному симбиозу человека и робота

Высокоплотная EMG и разделение источников

Используя массивы из десятков или даже сотен микроэлектродов, высокоплотная sEMG может пространственно отображать картину активации в мышечной группе. Методы разделения слепых источников (такие как независимый анализ компонентов) могут затем изолировать активность отдельных моторных единиц, предлагая гораздо более богатый и более избирательный сигнал управления. Этот подход обещает увеличить количество различимых команд и повысить устойчивость к шуму.

Слияние с другими биосигналами

Одно только ЭМГ не может захватить все аспекты человеческого намерения. Сочетание ЭМГ с электроэнцефалографией (ЭЭГ) из кожи головы, механомиография (ММГ) измерения мышечной вибрации или ультразвуковая визуализация глубокой деформации мышц может обеспечить дополнительную информацию. Мультимодальный синтез датчиков, обработанный единой моделью машинного обучения, может обеспечить одновременное управление несколькими роботизированными конечностями или сложное секвенирование действий.

Имплантируемые и инъекционные датчики EMG

Для приложений, требующих долгосрочных сигналов высокой точности, разрабатываются имплантируемые миоэлектрические датчики (IMES). Эти крошечные, биосовместимые устройства вводятся в отдельные мышцы и передают EMG беспроводным способом на внешний контроллер. IMES избегают проблем с импедансом кожи и обеспечивают селективные, стабильные сигналы. Клинические испытания показали многообещающие результаты для протезного контроля, а будущие версии могут включать двунаправленную связь для сенсорной обратной связи.

Адаптивный и предиктивный контроль

Контроллеры следующего поколения будут не только реагировать на текущий сигнал ЭМГ, но и предвидеть следующее движение пользователя. Изучая временные последовательности активации мышц, которые предшествуют данному действию (например, тонкое подготовительное со-сжатие перед захватом), робот может предварительно расположить себя, уменьшая задержку еще больше. Этот прогнозирующий подход в сочетании с обучением подкреплению может позволить роботам выполнять движение, которое ощущается как расширение собственного тела пользователя.

Мягкая и носимая робототехника

Особенно перспективным является сближение ЭМГ с мягкими роботизированными материалами (силиконовые приводы, текстильные экзоскелеты). Мягкие экзоскелеты, которые носят как одежду и контролируются встроенными датчиками ЭМГ, могут обеспечивать вспомогательные силы без массы и жесткости обычных экзоскелетов. Такие мягкие миоэлектрические экзоскелеты уже тестируются для поддержки верхних конечностей в производстве и для помощи походки в пожилом населении.

Заключение

Электромиография превратилась из лабораторной техники изучения физиологии мышц в практический интерфейс управления, который трансформирует то, как роботы интерпретируют и выполняют движения человека. Благодаря достижениям в обработке сигналов, машинном обучении и дизайне датчиков, EMG дает возможность протезам восстанавливать утраченные функции, экзоскелетам усиливать человеческую силу и гуманоидным роботам отражать наши жесты с беспрецедентной точностью. Преимущества — интуитивное управление, естественное качество движения, отзывчивость в реальном времени — уже ощутимы в клинических и исследовательских условиях. Тем не менее, значительные препятствия остаются: изменчивость сигналов, обучение пользователей, вычислительные ограничения и отсутствие сенсорной обратной связи с замкнутым циклом должны быть решены, прежде чем робототехника, управляемая EMG, станет неотъемлемой частью повседневной жизни.

Заглядывая в будущее, интеграция массивов датчиков высокой плотности, имплантируемых устройств, мультимодального синтеза биосигналов и адаптивных прогностических алгоритмов раздвинет границы возможного. По мере созревания этих технологий линия между человеческим моторным намерением и роботизированным исполнением будет продолжать размываться, приближая нас к будущему, где вспомогательные и совместные роботы будут двигаться с той же текучестью, изяществом и выразительностью, что и люди, которым они служат.

Внешние ссылки и дальнейшее чтение