Feedback-error learning control for powered assistive devices

Abstract

Gait pathologies often produce abnormal gait patterns, affecting human mobility. Powered assistive devices, such as lower-limb exoskeletons and orthoses, are starting to complement gait rehabilitation, to actively aid or restore the abnormal gait pattern. The human motor control system starts to influence the design of bioinspired architectures for these devices, comprising the definition of distinct levels of controllers (high-, mid-, and low-level) distributed hierarchically. Low-level controllers play an important role in this architecture, ensuring time-effective assistance adaptive to user’s needs as gait speed and trajectory. The main goal with this dissertation is the development of a real-time Feedback-Error Learning (FEL) low-level control to be integrated into a bioinspired control architecture approached in a Stand-alone, Active Orthotic System - SmartOs. The FEL control was performed by means of an Artificial Neural Network (ANN) as a feedforward controller to acquire the inverse model of the assistive device, and a Proportional-Integral-Derivative (PID) feedback controller to guarantee stability and handle with disturbances. A Powered Knee Orthosis and Powered Ankle-Foot Orthosis were used as the assistive devices and a positionbased tracking assistive strategy was applied. A validation without human load and with two subjects walking in a treadmill at 0.8, 1.0 and 1.2 km/h with the two assistive devices, controlled by the Feedback-Error Learning control, was performed. The ANN took around 90 s to learn the inverse model of the assistive device, demonstrating versatility and steadiness when changes to the magnitude and speed of the input trajectory were applied. The feedback controller guaranteed stability and shown good reactions to the applied disturbances. The implemented FEL control was capable to decrease the angular position error by 15% and to eliminate 0.25 s of phase delay when compared to a solo PID controller. Thus, it proves to be a time-effective asset to control assistive powered devices. Future work addresses the validation with more subjects and different assistive strategies.

Patologias da marcha podem conduzir ao desenvolvimento de uma marcha anormal, afetando a mobilidade das pessoas. Dispositivos ativos de assistência (DAA) começam a complementar a reabilitação da marcha. Particularmente, exosqueletos ou ortóteses ativas para os membros inferiores, destacam-se na área da reabilitação da marcha. O sistema de controlo motor humano tem sido usado como inspiração para o design de arquiteturas de controlo para estes DAA, pois compreendem a definição de diferentes níveis de controladores (alto, médio e baixo) organizados hierarquicamente. Especificamente, os controladores de baixo nível têm um papel importante nesta arquitetura, devendo garantir uma assistência temporalmente eficaz adaptada às necessidades do utilizador do utilizador, como a velocidade e a trajetória da marcha. O objetivo desta dissertação é o desenvolvimento do controlo de baixo nível Feedback- Error Learning (FEL) em tempo real, inserido no sistema de controlo bioinspirado SmartOs. O controlo FEL foi realizado através de redes neuronais artificias (RNA) como um controlador de realimentação positiva para adquirir o modelo inverso da planta, e um controlador Proporcional-Integral-Derivativo (PID) como controlador de realimentação negativa, para garantir estabilidade e lidar com perturbações do sistema. Uma ortótese ativa do joelho e do tornozelo foram os DAA usados e foi aplicada uma estratégia de assistência por seguimento baseado em posição. Foram efetuadas validações sem carga e com dois sujeitos a caminhar numa passadeira a 0.8, 1.0 e 1.2 km/h, com os dois DAA, separadamente, controlados pelo controlo FEL. A RNA demorou cerca de 90 s a aprender o modelo inverso do DAA, demostrando versatilidade e estabilidade quando foram aplicadas mudanças na magnitude e velocidade da trajetória de entrada. O controlador de realimentação negativa garantiu estabilidade e conseguiu corrigir o erro quando aplicadas perturbações externas. O controlo de FEL diminui o erro de posição em 15%, eliminando o desvio de fase, quando comparado com o controlador PID. Portanto, prova ser um controlo temporalmente eficaz e vantajoso para DAA. Trabalho futuro passa pela validação com mais sujeitos e diferentes estratégias de assistência.