Implementering av en kontrollstrategi för ett kabeldrivet ankel exoskelett

Ankle exoskeletons are designed to help people with movement weakness to restore the walking ability . However, people with gait pathology, for instance, drop foot, usually have difficulties in lifting the front part of foot during gait. Thus, different from health subjects, both plantarflexion and dorsiflexion assistance are needed for them to walk better. The purpose of this thesis is to implement an EMG-­driven control strategy for a cable­driven ankle exoskeleton while exploring the use of reinforcement learning in exoskeleton control. The work uses an EMG­-driven musculoskeletal model to predict ankle joint torque. The model uses EMG signals from 4 lower­-limb muscles related to plantarflexion and dorsiflexion to obtain ankle torque and stiffness. The dynamic model for an ankle exoskeleton is built for simulation. The reinforcement learning controller is designed for the ankle exoskeleton tracking the desired ankle joint torques. Based on simulation results, two main conclusions can be drawn, one is that the proposed control strategy can provide precise torque assistance; the other is that using reinforcement learning to track the desired assistive trajectories is effective. Ankel exoskeletons är utformade för att hjälpa människor med rörelsessvaghet att återställa gångförmågan. Men personer med gångpatologi, till exempel faller fot, har vanligtvis svårt att lyfta den främre delen av foten under gång. Således, annorlunda än hälsoämnen, behövs både plantarflexion- och dorsiflexionshjälp för att de ska kunna gå bättre. Syftet med denna avhandling är att implementera en EMG­-driven kontrollstrategi för ett kabeldrivet vristexoskelet samtidigt som man utforskar användningen av förstärkningsinlärning vid exoskeletskontroll. Arbetet använder en EMG­-driven muskuloskeletal modell för att förutsäga fotledets vridmoment. Modellen använder EMG-­signaler från 4 nedre extremiteter muskler relaterade till plantarflexion och dorsiflexion för att uppnå vridmoment och styvhet. Den dynamiska modellen för ett fotoskeleton är byggd för simulering. Förstärkningsinlärningskontrollern är utformad för fotledets exoskelett som spårar önskade vridmoment i fotleden. Baserat på simuleringsresultat kan två huvudsakliga slutsatser dras, en är att den föreslagna kontrollstrategin kan ge exakt momenthjälp; den andra är att det är effektivt att använda förstärkningslärande för att spåra de önskade hjälpbanorna