CN116766197A - 一种髋关节外骨骼助力控制方法 - Google Patents

Abstract

本发明为一种髋关节外骨骼助力控制方法，所述控制方法包括以下内容：利用人正常行走时运动学参数数据集训练第二神经网络，获得神经网络关节力矩模型，用于预测髋关节的关节力矩；穿戴者穿戴髋关节外骨骼，实时获取髋关节、膝关节和踝关节上在矢状面、冠状面、水平面上的旋转角度，利用训练好的第一神经网络判定人正常行走时穿戴者处于支撑相还是摆动相；若为支撑相，利用神经网络关节力矩模型输入实时的人正常行走时运动学参数，获得各关节的关节力矩，用于髋关节助力；若为摆动相，则根据牛顿‑欧拉关节力矩模型实时提供相应的髋关节助力力矩。该方法能够解决在日常行走时足底反力难以预测的问题。

Description

一种髋关节外骨骼助力控制方法

技术领域

本发明涉及外骨骼控制技术领域，特别涉及一种髋关节外骨骼助力控制方法，用于行走助力。

背景技术

人口老龄化是当今社会面临的最为严峻的问题之一。失去行为运动能力会对患者的日常生活带来极大的不便，也会给家庭和社会带来巨大的负担。现如今我国人口呈收紧型，在可预见的将来，将会出现劳动力短缺和老年人赡养保健等问题，在此背景下，可穿戴式下肢助力外骨骼机器人的研发应运而生。

下肢外骨骼机器人的整体控制策略可概括为：外骨骼的助力控制器根据人体运动状态生成期望的助力曲线，外骨骼的执行器根据传感器接受的人体运动信息调整外骨骼助力大小，从而使外骨骼根据穿戴者的不同运动状态提供相应的辅助力矩。

在基于髋关节行走助力的研究中，研究人员通过在人体髋关节位置布置机械辅助装置，施加辅助扭矩于人体髋关节，能够降低人行走过程中的能量代谢，降低幅度通常在4％至21％之间。在选择控制策略和方法方面，有研究者采用较简单的控制方法，即由下肢关节对穿戴者当前的步态进行估计，依据所划分的步态相位确定助力周期，从而基于当前步态周期从转矩查找表计算输出转矩，还有研究者利用BP神经网络对人体行走时的步态进行划分，以确定助力时刻与助力周期，并依据前一步的助力周期生成当下步态的助力曲线。而这些研究中的助力力矩曲线都是在助力动作发生之前便预先设计好的，外骨骼输出的助力力矩与穿戴者的运动信息只是一个简单的映射关系，不会根据穿戴者在进行一个步态周期中的实时运动学信息来在线计算外骨骼所需要提供的关节力矩，外骨骼不能针对一个步态周期下的某一时刻为穿戴者提供符合人体关节动力学的辅助力矩。

发明内容

根据背景技术所指出的下肢外骨骼机器人控制方法存在的技术问题，本发明的目的在于提供一种髋关节外骨骼助力控制方法，可以将可穿戴惯性传感器所实时捕获的穿戴者运动信息(角度，角速度，角加速度等)作为输入来直接精确计算穿戴者当前时刻的动作下所需要的助力力矩，在线计算外骨骼所需要提供的关节力矩，从而实时地为穿戴者提供辅助力矩。

为实现上述目的，本发明采用如下技术方案：

一种髋关节外骨骼助力控制方法，所述控制方法包括以下内容：

获取人体运动状态下髋关节、膝关节和踝关节上在矢状面、冠状面、水平面上的旋转角度，并对旋转角度打标签支撑相或摆动相，建立运动状态数据集；

获取髋关节、膝关节和踝关节的角速度和角加速度，大腿、小腿和足的质心加速度，髋关节、膝关节和踝关节上在矢状面、冠状面、水平面上的旋转角度，髋关节、膝关节和踝关节的关节坐标，大腿、小腿和足的质心坐标，及各关节的关节力矩，建立人正常行走时运动学参数数据集；

利用运动状态数据集训练第一神经网络，用于识别人体运动状态为支撑相或摆动相；

利用人正常行走时运动学参数数据集训练第二神经网络，获得神经网络关节力矩模型，用于预测髋关节的关节力矩；

穿戴者穿戴髋关节外骨骼，实时获取髋关节、膝关节和踝关节上在矢状面、冠状面、水平面上的旋转角度，利用训练好的第一神经网络判定人正常行走时穿戴者处于支撑相还是摆动相；若为支撑相，利用神经网络关节力矩模型输入实时的人正常行走时运动学参数，获得各关节的关节力矩，用于髋关节助力；若为摆动相，则根据牛顿-欧拉关节力矩模型实时提供相应的髋关节助力力矩。

进一步地，所述第二神经网络为多层分类-回归融合神经网络，所述多层分类-回归融合神经网络包含：分类层、回归层与融合层；

所述分类层采用SVM神经网络算法，所述SVM神经网络算法以人体运动状态下髋关节、膝关节和踝关节上在矢状面、冠状面、水平面上的旋转角度作为特征向量输入，将人体在支撑相的步态相位划分为初始着地、承重反应期、支撑相中期、支撑相末期四个相位，将四个相位记为k₁，k₂，k₃，k₄；

所述回归层采用由NTM(神经图灵机)和RNN(循环神经网络)同步进行训练的并行神经网络，归一化之后的运动学参数数据组合成特征向量输入这个并行神经网络，每个特征向量经过回归层输出人体髋关节的力矩预测值；

回归层训练完成后，回归层的输出值将被输入融合层，融合层的作用是计算所划分的不同相位下的不同回归层结果之间的权重比，在这项任务中采用反向传播算法以计算权重；

多层分类-回归融合神经网络的最终髋关节力矩预测值M满足以下公式：

M＝X(k)M_N+Y(k)M_R

其中M_N是NTM所预测的髋关节力矩值，M_R是RNN所预测的髋关节力矩值，X(k)是融合层所输出的NTM预测值所占权重比，Y(k)是融合层所输出的RNN预测值所占权重比，权重值均与SVM神经网络算法所划分的步态相位有关，k为相位；

利用人正常行走时运动学参数数据集训练多层分类-回归融合神经网络，获得神经网络关节力矩模型，用于预测髋关节的关节力矩。

进一步地，所述牛顿-欧拉关节力矩模型为：

式中，M₁是髋关节的关节力矩；r₁,r₂,r₃分别是大腿，小腿和足的质心坐标；c₁,c₂,c₃分别是髋关节，膝关节和踝关节的关节坐标，ω₁，ω₂，ω₃分别是髋关节，膝关节和踝关节的关节角速度，α₁，α₂，α₃分别是髋关节，膝关节和踝关节的关节角加速度，I₁,I₂,I₃分别是大腿，小腿和足的绕各自质心的转动惯量；f₁,f₂,f₃分别为髋关节、膝关节和踝关节的关节力，表达式为：

式中，分别为人体基坐标原点到髋关节，膝关节，踝关节的旋转矩阵；f₀为足底反力，在摆动相时为0；a₁,a₂,a₃分别为大腿，小腿和足的质心加速度；g为重力加速度。

更进一步地，在VICON红外光学动捕系统中建立人体步态模型，利用红外摄像头采集人体正常行走时运动学参数数据(髋关节，膝关节，踝关节的关节坐标，关节角度，角速度和角加速度、大腿，小腿和足的质心坐标，质心速度，质心加速度、共21*3个输入)作为神经网络训练所需要的特征值，同时结合测力台采集人体在正常行走时的髋关节力矩(实验方式获得)作为神经网络训练的目标值。

进一步地，所述髋关节外骨骼包括设置在外骨骼助力点处的力传感器、靠近膝关节的绑缚、连接绑缚与腰部电机的拉力带、用于驱动腰部电机的电机驱动器、PID控制器、用于捕获人体运动信息的可穿戴惯性传感器；

将可穿戴惯性传感器所捕获的人体运动信息作为输入，借由支撑相助力、摆动相助力两种运动状态下的输出各自的目标助力力矩，从而根据下式计算目标人机交互力F_a，

其中，M为目标助力力矩，由神经网络关节力矩模型或牛顿-欧拉关节力矩模型输出获得，L为髋关节与外骨骼助力点之间的距离；θ为穿戴者大腿与髋关节外骨骼的拉力带之间的夹角；

以支撑相助力，摆动相助力两种运动状态下设计的目标人机交互力F_a为输入，设计力控制器：在外骨骼助力点处添加力传感器，目标人机交互力F_a与力传感器测量到的实际人机交互力F_b做差得到力偏差值F_e，计算公式为F_e＝F_a-F_b；将力偏差值F_e输入到PID控制器进行计算，得到电机驱动器所需的目标电流值I_t，并与所检测到的电流反馈I_s做差得到电机驱动器所需的实际电流值I_r，电机驱动器按照目标电流值I_t驱动髋关节外骨骼的电机进行运动并带动绑缚对穿戴者施加辅助力，从而实现支撑相助力、摆动相助力两种运动状态下设计的目标人机交互力F_a，为穿戴者髋关节提供所需的目标力矩M。

进一步地，为了确保髋关节力矩预测算法能够适应不同步态相位下的的髋关节力矩预测任务要求，提高对于整体行走步态下髋关节力矩预测的准确性，提出了一种多层分类-回归融合神经网络算法，包括分类层，回归层与融合层。将归一化之后的运动学参数数据组合成特征向量输入多层分类回归融合神经网络中，每个向量经过回归层输出人体髋关节的力矩，当达到最大迭代次数时，训练完成，并将训练好的模型保存。

与现有技术相比，本发明的有益效果是：

本发明控制方法，可以将可穿戴惯性传感器所实时捕获的穿戴者运动信息(角度，角速度，角加速度等)作为输入来直接精确计算穿戴者当前时刻的动作下所需要的助力力矩，从而为外骨骼实时提供人体当下时刻行走所需要的助力力矩，外骨骼借此可以依据人体不同时刻下不同的运动信息来实时更新助力力矩曲线。同现有技术相比，该方法为外骨骼提供的助力曲线具有更高的实时性，并且更加符合人体关节动力学。

本发明控制方法依据支撑相和摆动相分别采用不同模型进行助力，能够解决在日常行走时足底反力难以预测的问题，只用容易测得的参数就可以得到关节力矩。

附图说明

图1为人体下肢七连杆模型结构示意图。

图2为多层分类-回归融合神经网络算法架构图。

图3为力控制器的控制框图。

图4为外骨骼助力模块示意图。

具体实施方式

下面结合实施例及附图进一步解释本发明，但并不以此作为对本申请保护范围的限定。

本发明一种髋关节外骨骼助力控制方法，包括以下步骤：

步骤1：从关节动力学出发，建立人体下肢牛顿-欧拉关节力矩模型。

步骤2：采集人体的下肢运动学和动力学数据并进行归一化，构建多层分类-回归融合神经网络，将人体的运动信息作为多层分类-回归融合神经网络的输入，髋关节力矩作为多层分类-回归融合神经网络输出，训练多层分类-回归融合神经网络，从而建立人体髋关节力矩预测的神经网络关节力矩模型。

步骤3：穿戴者进行行走运动时，外骨骼根据穿戴者的运动状态实时提供相应的助力力矩。

本发明可以依据穿戴者某一时刻的运动信息对髋关节实时提供相应的助力，提升了助力效率，降低了穿戴者的体能消耗。

进一步的，步骤S1中具体包括：

a计算人体下肢肢段生理学参数，基于人体统计学获得身体数据，包括身体各部位的长度、质量及重心位置，计算公式如下：

其中，H为身高，L₁为大腿长，L₂为小腿长，L₃为足长,C₁为大腿重心到髋关节的距离，C₂为小腿重心到膝关节的距离，C₃为足重心到踝关节的距离，M为体重，m₁为大腿质量，m₂为小腿质量，m₃为足质量。

b将人体下肢简化为七连杆模型，如图1所示，计算各个关节与相邻关节之间的变换矩阵。

c依据步骤a、步骤b获得人体下肢肢段生理学参数和关节之间的变换矩阵，建立人体下肢牛顿-欧拉关节力矩模型，计算人体在行走时的下肢各个关节的关节力：

式中，分别为人体基坐标原点到髋关节，膝关节，踝关节的旋转矩阵；f₀为足底反力，在摆动相时为0；f₁,f₂,f₃分别为髋关节，膝关节和踝关节的关节力；a₁,a₂,a₃分别为大腿，小腿和足的质心加速度；g为重力加速度。

最终计算各个关节的关节力矩，公式如下：

最终髋关节计算公式为

式中，M₁,M₂,M₃分别是髋关节，膝关节，踝关节的关节力矩；r₁,r₂,r₃分别是大腿，小腿和足的质心坐标；c₁,c₂,c₃分别是髋关节，膝关节和踝关节的关节坐标，ω₁，ω₂，ω₃分别是髋关节，膝关节和踝关节的关节角速度，α₁，α₂，α₃分别是髋关节，膝关节和踝关节的关节角加速度，I₁,I₂,I₃分别是大腿，小腿和足的绕各自质心的转动惯量；

所述髋关节计算公式即为牛顿-欧拉关节力矩模型。

进一步的，步骤S2中具体包括：

a获取髋关节、膝关节和踝关节的角速度和角加速度，大腿、小腿和足的质心加速度，髋关节、膝关节和踝关节上在矢状面、冠状面、水平面上的旋转角度，髋关节、膝关节和踝关节的关节坐标，大腿、小腿和足的质心坐标，及各关节的关节力矩，建立人正常行走时运动学参数数据集；并将这些数据进行归一化处理。

b依据现有神经网络在一个步态周期下不同步态相位中的预测效果，多层分类-回归融合神经网络算法的分类层采用SVM(支持向量机)神经网络算法，以人体下肢各关节角度作为特征向量输入，将人体在支撑相的步态相位划分为初始着地，承重反应期，支撑相中期，支撑相末期四个相位，将四个相位记为k₁，k₂，k₃，k₄，回归层采用由NTM(神经图灵机)和RNN(循环神经网络)同步进行训练的并行神经网络，归一化之后的运动学参数数据组合成特征向量输入这个并行神经网络，每个向量经过回归层输出人体髋关节的力矩预测值。回归层训练完成后，回归层的输出值将被输入融合层，融合层的作用是计算所划分的不同相位下的不同回归层结果之间的权重比，在这项任务中采用反向传播算法以计算权重。其架构如图2所示。

最终多层分类-回归融合神经网络算法的髋关节力矩预测值满足以下公式：

M＝X(k)M_N+Y(k)M_R

其中M_N是NTM神经网络所预测的髋关节力矩值，M_R是RNN神经网络所预测的髋关节力矩值，X(k)是NTM神经网络预测值所占权重比，Y(k)是RNN神经网络预测值所占权重比，权重值均与SVM算法所划分的步态相位有关。

利用人正常行走时运动学参数数据集训练第二神经网络，获得神经网络关节力矩模型，用于预测髋关节的关节力矩；将运动学参数数据集中的运动学参数作为特征值，将人体在行走时的髋关节力矩作为神经网络训练的目标值。

进一步的，步骤S3中具体包括：

穿戴外骨骼行走时，穿戴者的运动状态被分为支撑相和摆动相，其判断依据是人体在行走时的足底压力，阈值为0。即在足底压力大于0时，助力控制器判断穿戴者进入支撑相位，并将助力模式调整为神经网络关节力矩模型助力，而在足底压力等于0时，助力控制器判断穿戴者进入摆动相位，并将助力模式调整为牛顿-欧拉关节力矩模型助力。可穿戴IMU传感器实时捕捉人体行走时的运动信息，并依据人体运动信息判断人体运动状态，助力控制器从而不断调整助力模式和电机输出力矩。

在本发明中，人体运动状态被分为支撑相和摆动相，在本实施例中，其判断方法是预先构建的一种以三个关节上在矢状面，冠状面，水平面上的旋转角度为输入，步态相位为输出的XGBoost机器学习分类模型。在XGBoost机器学习分类模型输出为支撑相时，助力控制器判断穿戴者进入支撑相位，并将助力模式调整为神经网络关节力矩模型模型助力，而在XGBoost机器学习分类模型输出为摆动相时，助力控制器判断穿戴者进入摆动相位，并将助力模式调整为牛顿-欧拉关节力矩模型助力。

现有的髋关节外骨骼助力控制方法中的助力力矩曲线都是在所需助力动作发生之前便预先设计好的，不会根据穿戴者在进行一个步态周期中的实时运动学信息进行实时结算外骨骼所需要提供的关节力矩，而本发明可以将穿戴者某一时刻的运动信息作为神经网络关节力矩模型或牛顿-欧拉关节力矩模型的输入，直接对当前时刻的穿戴者所需要的关节力矩进行计算，从而实时对髋关节实时提供相应的助力，提升了助力效率，降低了穿戴者的体能消耗。

实施例

本实施例提出一种髋关节外骨骼行走助力控制方法，包括：

S1建立人体下肢关节动力学模型：计算人体下肢肢段生理学参数，依据人体下肢生理学参数，将人体下肢简化为七连杆模型，计算各个关节与相邻关节之间的变换矩阵，随后依据算得的人体下肢肢段生理学参数和关节变换矩阵，建立人体下肢关节牛顿欧拉递推逆动力学模型。

基于人体统计学获得身体数据，包括身体各部位的长度、质量及重心位置，计算公式如下：

其中，H为身高，L₁为大腿长，L₂为小腿长，L₃为足长，C₁为大腿重心到髋关节的距离，C₂为小腿重心到膝关节的距离，C₃为足重心到踝关节的距离，M为体重，m₁为大腿质量，m₂为小腿质量，m₃为足质量。将人体下肢简化为七连杆模型，计算各个关节与相邻关节之间的变换矩阵，以骨盆为人体基坐标，公式如下：

式中为人体基坐标原点到髋关节的旋转矩阵α₁，γ₁，β₁分别为髋关节在矢状面，冠状面，水平面上的旋转角度。同理可得髋关节到膝关节的旋转矩阵/>以及膝关节到踝关节的旋转矩阵/>继续，计算人体基坐标原点到膝关节的旋转矩阵

人体基坐标原点到踝关节的旋转矩阵

随后计算人体在行走时的下肢各个关节的关节力：

式中f₀为足底反力，在摆动相时为0，f₁,f₂,f₃分别为髋关节，膝关节和踝关节的关节力，a₁,a₂,a₃分别为大腿，小腿和足的质心加速度，g为重力加速度。

最终计算各个关节的关节力矩表达式，公式如下：

最终髋关节计算公式为

式中，M₁,M₂,M₃分别是髋关节，膝关节，踝关节的关节力矩；r₁,r₂,r₃分别是大腿，小腿和足的质心坐标；c₁,c₂,c₃分别是髋关节，膝关节和踝关节的关节坐标，ω₁，ω₂，ω₃分别是髋关节，膝关节和踝关节的关节角速度，α₁，α₂，α₃分别是髋关节，膝关节和踝关节的关节角加速度，I₁,I₂,I₃分别是大腿，小腿和足的绕各自质心的转动惯量。

S2采集人体的下肢运动学和动力学数据并进行归一化，将人体的运动信息作为神经网络的输入，髋关节力矩作为第二神经网络输出，训练第二神经网络，从而建立实现人体髋关节力矩预测的神经网络关节力矩模型：所述第二神经网络为多层分类-回归融合神经网络，包含：分类层、回归层与融合层；

分类层采用SVM(支持向量机)神经网络算法，以人体下肢各关节角度作为特征向量输入，将人体在支撑相的步态相位划分为初始着地，承重反应期，支撑相中期，支撑相末期四个相位，将四个相位记为k₁，k₂，k₃，k₄，回归层采用由NTM(神经图灵机)和RNN(循环神经网络)同步进行训练的并行神经网络，归一化之后的运动学参数数据组合成特征向量输入这个并行神经网络，每个向量经过回归层输出人体髋关节的力矩预测值。回归层训练完成后，回归层的输出值将进入融合层，计算所划分的不同相位下的回归层不同结果之间的权重比。

参照步骤S1中所建立的动力学模型，提取特定的人体运动学参数作为特征值，采集这些运动学参数数据以及人体的关节力矩数据，并将这些数据进行归一化处理，其归一化公式如下：

其中x₀是原始数据，x是归一化之后的数据，x_min是原始数据中的最小值，x_max是原始数据中的最大值。

最终多层分类-回归融合神经网络算法的髋关节力矩预测值满足以下公式：

M＝X(k)M_N+Y(k)M_R

其中M_N是NTM所预测的髋关节力矩值，M_R是RNN所预测的髋关节力矩值，X(k)是NTM预测值所占权重比，Y(k)是RNN预测值所占权重比，权重值均与SVM算法所划分的步态相位有关。

所述融合层包括四层融合层，分别计算支撑相的不同相位的权重，并根据上述的公式获得髋关节力矩预测值M。

S3穿戴者进行行走运动时，外骨骼根据穿戴者的运动状态实时提供相应的助力力矩：

可穿戴IMU传感器实时捕捉人体行走时的运动信息，并依据人体运动信息判断人体运动状态，将穿戴者运动状态分为支撑相和摆动相，助力控制器从而不断调整助力模式和电机输出力矩。

当穿戴者处于支撑相位时，关节力矩计算所需的足底反力无法测量，于是采用神经网络关节力矩模型所生成的力矩助力曲线进行助力。

当穿戴者处于支撑相位时，足底反力为0，可采用牛顿-欧拉关节力矩模型所生成的力矩助力曲线进行助力。

将可穿戴惯性传感器所捕获的人体运动信息作为输入，借由支撑相助力，摆动相助力两种运动状态下的下肢关节力矩模型输出目标助力力矩，从而计算目标人机交互力，公式如下：

其中M为下肢关节力矩模型输出的目标助力力矩，L为髋关节与外骨骼助力点之间的距离。θ为穿戴者大腿与拉力带之间的夹角，与穿戴者的步态相位有关。

本实施例中所采用髋关节外骨骼为前后拉柔性外骨骼，在穿戴者大腿靠近膝关节的部位附加绑缚，在绑缚的内外侧的助力点位置分别连接后拉力带和前拉力带，所述拉力带一端连接助力点，另一端连接固定在腰部的电机，每个拉力带由一个电机进行控制，电机连接电机驱动器，电机驱动器及电机均安装在腰部，实现对髋关节助力的控制。在拉力带与绑缚相接位置设置力传感器，外侧受力时，夹角θ为前拉力带与大腿之间的夹角，内侧受力时，夹角θ为后拉力带与大腿之间的夹角，外骨骼在膝关节附近的部件安装示意图如图4所示。

以支撑相助力，摆动相助力两种运动状态下设计的目标人机交互力F_a为输入，设计力控制器。在外骨骼助力点处添加力传感器，目标人机交互力F_a与力传感器测量到的实际人机交互力F_b做差得到力偏差值F_e，计算公式为F_e＝F_a-F_b。将力偏差值F_e输入到PID控制器进行计算，得到电机驱动器所需的目标电流值I_t，并与所检测到的电流反馈I_s做差得到电机驱动器所需的实际电流值I_r，电机驱动器按照电流值I_t驱动髋关节外骨骼的电机进行运动并带动绑缚对穿戴者施加辅助力，从而实现支撑相助力、摆动相助力两种运动状态下设计的目标人机交互力F_a，为穿戴者髋关节提供关节力矩模型所输出的目标力矩M。

力控制器的控制框图如图3所示，依据可穿戴惯性传感器所捕获的人体运动信息，结合所构建的人体下肢关节动力学模型，输出当前运动状态下的目标助力力矩，并通过人机交互力计算公式计算目标人机交互力F_a，将目标人机交互力F_a作为正值，力传感器测量到的实际人机交互力F_b作为负值，进行加和(∑)，得到力偏差值F_e，将力偏差值F_e输入到PID控制器进行计算，得到电机驱动器所需的目标电流值I_t，并与所检测到的电流反馈I_s做差得到电机驱动器所需的实际电流值I_r，将I_r输入电机驱动器，电机驱动器按照电流值I_t驱动髋关节外骨骼的电机进行运动，为穿戴者提供当前运动状态下的目标助力力矩。

本发明未述及之处适用于现有技术。

Claims (5)

1.一种髋关节外骨骼助力控制方法，其特征在于，所述控制方法包括以下内容：

获取人体运动状态下髋关节、膝关节和踝关节上在矢状面、冠状面、水平面上的旋转角度，并对旋转角度打标签支撑相或摆动相，建立运动状态数据集；

获取髋关节、膝关节和踝关节的角速度和角加速度，大腿、小腿和足的质心加速度，髋关节、膝关节和踝关节上在矢状面、冠状面、水平面上的旋转角度，髋关节、膝关节和踝关节的关节坐标，大腿、小腿和足的质心坐标，及各关节的关节力矩，建立人正常行走时运动学参数数据集；

利用运动状态数据集训练第一神经网络，用于识别人体运动状态为支撑相或摆动相；

利用人正常行走时运动学参数数据集训练第二神经网络，获得神经网络关节力矩模型，用于预测髋关节的关节力矩；

穿戴者穿戴髋关节外骨骼，实时获取髋关节、膝关节和踝关节上在矢状面、冠状面、水平面上的旋转角度，利用训练好的第一神经网络判定人正常行走时穿戴者处于支撑相还是摆动相；若为支撑相，利用神经网络关节力矩模型输入实时的人正常行走时运动学参数，获得各关节的关节力矩，用于髋关节助力；若为摆动相，则根据牛顿-欧拉关节力矩模型实时提供相应的髋关节助力力矩。

2.根据权利要求1所述的髋关节外骨骼助力控制方法，其特征在于，所述第二神经网络为多层分类-回归融合神经网络，所述多层分类-回归融合神经网络包含：分类层、回归层与融合层；

所述分类层采用SVM神经网络算法，所述SVM神经网络算法以人体运动状态下髋关节、膝关节和踝关节上在矢状面、冠状面、水平面上的旋转角度作为特征向量输入，将人体在支撑相的步态相位划分为初始着地、承重反应期、支撑相中期、支撑相末期四个相位，将四个相位记为k₁，k₂，k₃，k₄；

所述回归层采用由NTM(神经图灵机)和RNN(循环神经网络)同步进行训练的并行神经网络，归一化之后的运动学参数数据组合成特征向量输入这个并行神经网络，每个特征向量经过回归层输出人体髋关节的力矩预测值；

回归层训练完成后，回归层的输出值将被输入融合层，融合层的作用是计算所划分的不同相位下的不同回归层结果之间的权重比，在这项任务中采用反向传播算法以计算权重；

多层分类-回归融合神经网络的最终髋关节力矩预测值M满足以下公式：

M＝X(k)M_N+Y(k)M_R

其中M_N是NTM所预测的髋关节力矩值，M_R是RNN所预测的髋关节力矩值，X(k)是融合层所输出的NTM预测值所占权重比，Y(k)是融合层所输出的RNN预测值所占权重比，权重值均与SVM神经网络算法所划分的步态相位有关，k为相位；

利用人正常行走时运动学参数数据集训练多层分类-回归融合神经网络，获得神经网络关节力矩模型，用于预测髋关节的关节力矩。

3.根据权利要求1所述的髋关节外骨骼助力控制方法，其特征在于，所述牛顿-欧拉关节力矩模型为：

式中，M₁是髋关节的关节力矩；r₁,r₂,r₃分别是大腿，小腿和足的质心坐标；c₁,c₂,c₃分别是髋关节，膝关节和踝关节的关节坐标，ω₁，ω₂，ω₃分别是髋关节，膝关节和踝关节的关节角速度，α₁，α₂，α₃分别是髋关节，膝关节和踝关节的关节角加速度，I₁,I₂,I₃分别是大腿，小腿和足的绕各自质心的转动惯量；f₁,f₂,f₃分别为髋关节、膝关节和踝关节的关节力，表达式为：

式中，分别为人体基坐标原点到髋关节，膝关节，踝关节的旋转矩阵；f₀为足底反力，在摆动相时为0；a₁,a₂,a₃分别为大腿，小腿和足的质心加速度；g为重力加速度。

4.根据权利要求1所述的髋关节外骨骼助力控制方法，其特征在于，人正常行走时运动学参数数据集的获取过程是：在VICON红外光学动捕系统中建立人体步态模型，利用红外摄像头采集人体正常行走时运动学参数数据，同时结合测力台采集人体在正常行走时的髋关节的关节力矩。

5.根据权利要求1所述的髋关节外骨骼助力控制方法，其特征在于，所述髋关节外骨骼包括设置在外骨骼助力点处的力传感器、靠近膝关节的绑缚、连接绑缚与腰部电机的拉力带、用于驱动腰部电机的电机驱动器、PID控制器、用于捕获人体运动信息的可穿戴惯性传感器；

将可穿戴惯性传感器所捕获的人体运动信息作为输入，借由支撑相助力、摆动相助力两种运动状态下的输出各自的目标助力力矩，从而根据下式计算目标人机交互力F_a，

其中，M为目标助力力矩，由神经网络关节力矩模型或牛顿-欧拉关节力矩模型输出获得，L为髋关节与外骨骼助力点之间的距离；θ为穿戴者大腿与髋关节外骨骼的拉力带之间的夹角；

以支撑相助力，摆动相助力两种运动状态下设计的目标人机交互力F_a为输入，设计力控制器：在外骨骼助力点处添加力传感器，目标人机交互力F_a与力传感器测量到的实际人机交互力F_b做差得到力偏差值F_e，计算公式为F_e＝F_a-F_b；将力偏差值F_e输入到PID控制器进行计算，得到电机驱动器所需的目标电流值I_t，并与所检测到的电流反馈I_s做差得到电机驱动器所需的实际电流值I_r，电机驱动器按照目标电流值I_t驱动髋关节外骨骼的电机进行运动并带动绑缚对穿戴者施加辅助力，从而实现支撑相助力、摆动相助力两种运动状态下设计的目标人机交互力F_a，为穿戴者髋关节提供所需的目标力矩M。