⚡ electrical engineering

A Novel Hybrid PID-LQR Controller for Sit-To-Stand Assistance Using a CAD-Integrated Simscape Multibody Lower Limb Exoskeleton

Este artículo presenta el diseño y la evaluación de un novedoso controlador híbrido PID-LQR para un exoesqueleto de extremidades inferiores, el cual, al integrarse con un modelo dinámico de alta fidelidad derivado de CAD y simular la transición de sentado a de pie, demuestra una superioridad significativa en el seguimiento de trayectorias y la estabilidad en comparación con los controladores PID y LQR convencionales.

Autores originales: Ranjeet Kumbhar, Rajmeet Singh, Appaso M Gadade, Ashish Singla, Irfan Hussain

Publicado 2026-04-07

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Ranjeet Kumbhar, Rajmeet Singh, Appaso M Gadade, Ashish Singla, Irfan Hussain

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como la receta secreta para enseñarle a un "robot de piernas" a ayudar a una persona a levantarse de una silla de la manera más suave y segura posible.

Aquí tienes la explicación, traducida al español y con un toque de creatividad:

🦾 El Problema: Levantarse no es tan fácil como parece

Imagina que quieres levantarte de una silla. Tu cerebro hace cálculos instantáneos: "¿Cuánta fuerza necesito en las rodillas? ¿Cómo inclino el tronco para no caerme?". Para una persona con parálisis o debilidad muscular, esto es como intentar subir una montaña sin equipo.

Los científicos han creado exoesqueletos (armaduras robóticas) para ayudar. Pero hay un gran problema: programar a estos robots para que se muevan como un humano es muy difícil. Si el robot se mueve demasiado rápido, te tira al suelo; si es muy lento, te deja en la mitad del camino.

🤖 La Solución: Tres "Cerebros" diferentes

Los autores de este estudio probaron tres formas diferentes de "pensar" para controlar el robot y ver cuál funcionaba mejor para la acción de levantarse de la silla (Sit-to-Stand):

El Cerebro "PID" (El Viejo Confiable pero Rígido):
- La analogía: Imagina a un conductor que solo mira el espejo retrovisor. Si se desvía un poco a la izquierda, gira el volante a la derecha. Si se desvía a la derecha, gira a la izquierda.
- El problema: Es reactivo. Solo actúa cuando ya ha cometido un error. A veces, por intentar corregir demasiado, el robot se vuelve inestable, se pasa de la raya (sobreimpulso) y tarda mucho en calmarse.
El Cerebro "LQR" (El Matemático Perfecto):
- La analogía: Imagina a un conductor que tiene un mapa perfecto y calcula la ruta ideal antes de moverse. Sabe exactamente dónde estará el coche en el futuro.
- El problema: Es muy bueno en teoría, pero si el mapa no es 100% perfecto (por ejemplo, si el usuario es más pesado de lo esperado), el robot puede quedarse un poco "desalineado" al final, sin llegar exactamente a la posición deseada.
El Cerebro "Híbrido PID-LQR" (El Estrella del Equipo):
- La analogía: ¡Esta es la mezcla perfecta! Imagina un equipo de conducción donde tienes al Matemático (LQR) guiando la ruta general para que sea suave y eficiente, y al Conductor de Espejo (PID) sentado a su lado, listo para hacer micro-ajustes rápidos si algo sale mal.
- La magia: Combinaron ambos con un "mezclador" (un coeficiente llamado alfa) que pesa más la parte matemática (65%) y un poco la parte correctiva (35%).

🛠️ ¿Cómo lo probaron? (El Laboratorio Virtual)

En lugar de arriesgar a pacientes reales, los investigadores hicieron algo genial:

El Modelo CAD: Tomaron un diseño 3D muy detallado del robot (hecho en un programa de arquitectura llamado SolidWorks) y lo "importaron" a una simulación por computadora. Es como si el robot existiera en un videojuego ultra-realista donde la gravedad y el peso de cada pieza son exactos.
El Movimiento Humano: Usaron otro programa (OpenSim) para copiar cómo se mueve un humano promedio al levantarse de la silla, dividiendo el movimiento en tres fases: flexión (agacharse un poco), transferencia (levantarse del asiento) y extensión (quedarse de pie).

🏆 Los Resultados: ¡El Híbrido Gana por K.O.!

Cuando compararon los tres cerebros, el Híbrido fue el campeón indiscutible:

Precisión: El robot híbrido siguió la trayectoria humana casi a la perfección. Mientras el "Viejo Confiable" (PID) se equivocaba bastante, el Híbrido se desviaba muy poco (menos de 2 grados).
Velocidad de estabilización: Esta es la parte más importante. Cuando el robot termina de levantarse, debe dejar de moverse rápido para no tambalearse.
- El PID tardó casi 3 segundos en calmarse (¡demasiado lento!).
- El Híbrido lo hizo en 0.04 segundos. ¡Es como si el robot tuviera frenos de luz!
Seguridad: El Híbrido tuvo muy poco "sobreimpulso" (no se pasó de la raya), lo que significa que no aplicará fuerzas bruscas que podrían lastimar al usuario.

💡 En Resumen

Este estudio nos dice que para ayudar a alguien a levantarse de una silla con un robot, no basta con usar un controlador simple ni solo uno matemático. La clave es mezclarlos.

El nuevo controlador "Híbrido" actúa como un bailarín experto: sabe la coreografía perfecta (LQR) pero también sabe corregir sus pasos en tiempo real si tropieza (PID). Esto hace que el movimiento sea tan suave y seguro que, en el futuro, estos robots podrían usarse en hospitales para ayudar a pacientes a recuperar su independencia sin miedo a caídas.

¡Es un gran paso hacia robots que no solo son fuertes, sino también inteligentes y delicados!

Resumen Técnico: Controlador Híbrido PID-LQR para Asistencia en el Movimiento de Sentarse a Pararse (STS)

1. Planteamiento del Problema

El control preciso de exoesqueletos de extremidades inferiores durante las transiciones de sentarse a pararse (STS, por sus siglas en inglés) representa un desafío central en la robótica de rehabilitación. Esto se debe a dos factores principales:

Dinámica compleja: El sistema humano-exoesqueleto presenta dinámicas altamente no lineales y variables en el tiempo.
Requisitos de seguridad clínica: Se exigen trayectorias de seguimiento extremadamente precisas para garantizar la seguridad del usuario.
Las estrategias de control tradicionales presentan limitaciones: el control PID es simple pero local, a menudo generando errores en estado estacionario bajo carga y requiriendo un ajuste manual tedioso. El controlador LQR (Regulador Lineal Cuadrático) ofrece un diseño óptimo basado en el estado global, pero depende de modelos linealizados y carece de acción integral, lo que puede resultar en errores residuales y falta de robustez ante incertidumbres en los parámetros del usuario.

2. Metodología

El estudio propone un marco de trabajo integral que combina modelado físico de alta fidelidad, generación de trayectorias fisiológicas y diseño de controladores:

Modelado Físico (CAD-Simscape): Se desarrolló un modelo dinámico de alta fidelidad del exoesqueleto bilateral (6 grados de libertad: cadera, rodilla y tobillo por lado). El ensamblaje CAD de SolidWorks (material Al 6061-T6) se importó directamente al entorno MATLAB/Simulink Simscape Multibody. Este flujo de trabajo preservó automáticamente las propiedades geométricas e inerciales precisas de todos los eslabones, eliminando la necesidad de derivaciones manuales complejas de la formulación Lagrangiana.
Generación de Trayectorias de Referencia: Se utilizaron simulaciones musculo-esqueléticas en OpenSim para generar trayectorias de referencia fisiológicamente representativas para un sujeto de referencia (75 kg, 1.75 m). El movimiento STS se dividió en tres fases biomecánicas:
1. Flexión-impulso (0–33%): Flexión del tronco y desplazamiento del centro de masa.
2. Transferencia de momento (34–66%): Despegue del asiento y transferencia de fuerzas al suelo.
3. Extensión (67–100%): Extensión progresiva hasta la postura erguida.
Diseño del Controlador Híbrido: Se propuso una arquitectura de control que combina las fortalezas de PID y LQR mediante una superposición ponderada:
$\tau_{Híbrido} = \alpha \cdot \tau_{LQR} + (1 - \alpha) \cdot \tau_{PID}$
Donde el coeficiente de mezcla $\alpha = 0.65$ se optimizó para minimizar un índice de rendimiento compuesto (error cuadrático medio y energía de control). Esta configuración busca la respuesta transitoria óptima del LQR junto con la rechazo de perturbaciones y eliminación de error en estado estacionario del PID.

3. Contribuciones Clave

Modelo de Alta Fidelidad: Integración directa de CAD a Simscape Multibody, preservando parámetros físicos reales para una simulación más precisa.
Nueva Arquitectura de Control: Propuesta de un controlador Híbrido PID-LQR específico para la asistencia STS, superando las limitaciones individuales de ambos enfoques.
Comparación Sistemática: Evaluación rigurosa contra dos líneas base (PID y LQR) utilizando múltiples métricas de rendimiento (precisión de seguimiento, respuesta transitoria y error en estado estacionario).
Generación de Datos Fisiológicos: Uso de OpenSim para crear trayectorias de referencia realistas divididas en fases biomecánicas.

4. Resultados

La simulación comparativa demostró la superioridad del controlador híbrido en todas las métricas evaluadas:

Precisión de Seguimiento (RMSE):
- El controlador Híbrido redujo el Error Cuadrático Medio (RMSE) en un 72.3% en la cadera y un 70.4% en la rodilla en comparación con el PID.
- Valores de RMSE finales: Cadera (1.06°), Rodilla (1.38°) y Tobillo (0.58°).
Respuesta Transitoria:
- Tiempo de Asentamiento: El PID falló en asentar la trayectoria del tobillo dentro de la ventana de tiempo clínica (3.0 s), requiriendo 2.849 s. El LQR mejoró esto a 0.642 s, pero el Híbrido logró tiempos de asentamiento extremadamente rápidos: 0.070 s (cadera), 0.040 s (rodilla) y 0.140 s (tobillo), representando una reducción superior al 90% frente al PID.
- Sobrepaso (Overshoot): El controlador Híbrido mantuvo el sobrepaso en niveles clínicamente aceptables (2.39% – 6.10%), significativamente menor que el PID (hasta 20.32% en el tobillo) y el LQR.
Estabilidad: El controlador híbrido logró eliminar el error en estado estacionario (problema del LQR) y mejorar la velocidad de respuesta (problema del PID), garantizando una evolución postural suave y estable a lo largo de las tres fases del movimiento.

5. Significado e Impacto

Este trabajo valida la viabilidad de una arquitectura de control híbrida para exoesqueletos de asistencia clínica.

Seguridad del Paciente: La reducción drástica del sobrepaso y el tiempo de asentamiento minimiza las fuerzas articulares no deseadas sobre el usuario y evita la inestabilidad del equilibrio durante la transición crítica de sentarse a pararse.
Potencial de Transferencia: Los resultados demuestran que la combinación de la estructura de retroalimentación de estado óptima (LQR) con la acción integral (PID) resuelve las limitaciones inherentes de los controladores individuales, ofreciendo una solución robusta para la variabilidad del usuario.
Futuro: Aunque los resultados actuales son basados en simulación con actuación de torque ideal, el estudio sienta las bases para futuras validaciones en hardware (HIL), incorporación de dinámica de actuadores y ensayos clínicos con poblaciones de pacientes reales.

En conclusión, el controlador Híbrido PID-LQR con un coeficiente de mezcla de 0.65 se presenta como una solución superior para la asistencia robótica en la rehabilitación de la marcha, ofreciendo un equilibrio óptimo entre precisión, estabilidad y rapidez de respuesta.