⚡ electrical engineering

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

Este artigo apresenta o projeto e a validação de um novo controlador híbrido PID-LQR para um exoesqueleto de membros inferiores, demonstrando através de simulações de alta fidelidade que essa estratégia supera significativamente os controladores PID e LQR individuais no acompanhamento de trajetórias durante a transição de sentar para levantar, oferecendo alto potencial para aplicações clínicas.

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

Publicado 2026-04-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando ensinar um robô a ajudar uma pessoa a sair de uma cadeira e ficar em pé. Parece simples, certo? Mas, na realidade, é como tentar equilibrar uma torre de blocos de madeira enquanto alguém empurra a mesa. O corpo humano é cheio de curvas, pesos que mudam e movimentos que não são lineares.

Este artigo descreve como os pesquisadores criaram um "cérebro" (um sistema de controle) muito inteligente para um exoesqueleto (um traje robótico para as pernas) que faz exatamente isso: ajuda na transição de sentar para ficar em pé.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: A Dificuldade de Ficar em Pé

Sentar e levantar é uma das atividades mais complexas que fazemos. Para quem tem problemas neurológicos (como após um AVC ou lesão na medula), isso pode ser impossível sem ajuda.
Os robôs existentes tentam ajudar, mas o "cérebro" deles muitas vezes é desajeitado. Se o robô empurrar muito forte, a pessoa pode cair para frente. Se empurrar pouco, a pessoa não consegue ficar de pé. É como tentar dirigir um carro com os freios e o acelerador descalibrados.

2. A Solução: Três "Cérebros" Diferentes

Os pesquisadores testaram três estratégias diferentes para controlar o robô:

O "Piloto Automático" Clássico (PID):
Imagine um motorista que só olha para onde está errando agora. Se o carro está um pouco para a esquerda, ele vira o volante para a direita. É simples e fácil de construir, mas ele não "pensa" no futuro. Se a estrada estiver cheia de buracos (ou seja, se o peso do usuário mudar), ele pode errar muito ou demorar para corrigir. No teste, esse método foi o mais lento e impreciso.
O "Matemático Perfeito" (LQR):
Este é um piloto que calcula tudo com base em um modelo matemático perfeito. Ele sabe exatamente como o carro vai se mover e planeja a melhor rota. É muito rápido e eficiente. Porém, ele é um pouco "rígido". Se o mundo real for um pouco diferente do modelo matemático (o que sempre acontece com humanos reais), ele pode deixar o carro parar um pouco fora do lugar exato, como se tivesse deixado o freio de mão puxado.
O "Mestre Híbrido" (PID-LQR):
Aqui está a grande inovação do artigo. Os pesquisadores criaram um híbrido. Eles pegaram a inteligência matemática do "Matemático Perfeito" (LQR) e misturaram com a capacidade de correção constante do "Piloto Automático" (PID).
- A Analogia: Pense no LQR como o capitão de um navio que traça a rota perfeita. Pense no PID como o marinheiro que fica ajustando o leme o tempo todo para corrigir pequenas ondas. Juntos, eles têm a melhor rota e a correção constante. O "Mestre Híbrido" usa uma mistura de 65% de matemática perfeita e 35% de correção constante.

3. O Laboratório Virtual: O "Gêmeo Digital"

Antes de testar em um robô de verdade, eles criaram um gêmeo digital extremamente realista no computador.

Eles pegaram o desenho 3D do robô (feito no SolidWorks) e o colocaram dentro de um simulador de física (Simscape).
Eles também usaram um software chamado OpenSim para copiar os movimentos exatos de uma pessoa saudável ficando de pé.
Isso é como treinar um piloto de avião em um simulador de voo antes de deixá-lo voar de verdade. Eles puderam testar milhares de vezes sem risco de quebrar nada ou machucar alguém.

4. Os Resultados: Quem Ganhou?

Quando colocaram os três "cérebros" para competir na tarefa de levantar o robô:

O "Piloto Clássico" (PID): Foi o pior. O robô tremeu muito, demorou para parar no lugar certo e, às vezes, quase "caiu" (erro de overshoot). Em uma das pernas, ele demorou tanto para estabilizar que a pessoa não conseguiria ficar de pé a tempo.
O "Matemático Perfeito" (LQR): Foi rápido, mas deixou um pequeno erro final. A pessoa ficaria de pé, mas um pouco torta.
O "Mestre Híbrido" (PID-LQR): Foi o vencedor absoluto.
- Precisão: O erro foi reduzido em mais de 70% comparado ao método antigo.
- Velocidade: O robô parou e estabilizou em menos de 0,1 segundo (o que é instantâneo para um robô), enquanto o antigo levava quase 3 segundos.
- Suavidade: O movimento foi tão suave que não houve "pulos" ou movimentos bruscos que poderiam assustar ou machucar o usuário.

5. Por que isso importa?

Imagine um idoso ou alguém com paralisia tentando levantar da cama.

Com o método antigo, o robô poderia empurrar de forma desajeitada, fazendo a pessoa perder o equilíbrio.
Com o novo Mestre Híbrido, o robô age como um parceiro de dança perfeito: ele sabe exatamente quando puxar, quando empurrar e quando soltar, tudo de forma suave e segura.

Resumo Final:
Os pesquisadores criaram um novo sistema de controle que combina o melhor de dois mundos. Eles provaram, através de simulações super-realistas, que esse novo sistema é muito mais seguro, rápido e preciso do que os métodos usados hoje em dia. O próximo passo será testar isso em um robô físico e, eventualmente, em pacientes reais para devolver a independência de movimento a quem precisa.

Título: Um Novo Controlador Híbrido PID-LQR para Assistência na Transição Sentar-Emergir (STS) Usando um Exoesqueleto de Membros Inferiores Integrado ao CAD e Simulado no Simscape Multibody

1. Problema e Contexto

A transição sentar-emergir (STS) é uma das atividades diárias mais exigentes biomecanicamente, exigindo coordenação precisa de múltiplas articulações contra a gravidade. Para indivíduos com comprometimentos neurológicos (como lesão na medula espinhal, AVC ou declínio motor relacionado à idade), essa transição frequentemente define a fronteira entre independência e dependência funcional.
O principal desafio no desenvolvimento de exoesqueletos para reabilitação reside no controle preciso durante essas transições, devido à:

Dinâmica altamente não linear e variante no tempo do sistema humano-exoesqueleto.
Requisitos rigorosos de rastreamento de trajetória impostos pela segurança clínica.
Limitações das estratégias de controle existentes:
- PID (Proporcional-Integral-Derivativo): Embora simples, é uma abordagem local e de variável única, frequentemente resultando em erro de estado estacionário sob carga e exigindo ajuste manual de ganhos.
- LQR (Regulador Linear Quadrático): Oferece um projeto de realimentação de estado ótimo, mas depende de um modelo linearizado, podendo carecer de robustez frente a incertezas de modelagem e parâmetros inerciais variáveis dos usuários, além de não eliminar erros de estado estacionário sem ação integral.

2. Metodologia

O estudo propõe uma abordagem sistemática que integra modelagem física de alta fidelidade, geração de trajetórias fisiológicas e uma nova arquitetura de controle.

Modelagem Dinâmica de Alta Fidelidade:
- Foi desenvolvido um modelo dinâmico baseado em física para um exoesqueleto bilateral de membros inferiores.
- A montagem CAD detalhada (SolidWorks, material Al 6061-T6) foi importada diretamente para o ambiente MATLAB/Simulink Simscape Multibody via Simscape Multibody Link.
- Este fluxo de trabalho preservou automaticamente as propriedades geométricas e inerciais (massas, tensores de inércia) de todos os elos, eliminando a necessidade de derivação manual da formulação Lagrangiana. O sistema possui 6 graus de liberdade (DOF) ativos (quadril, joelho e tornozelo por lado).
Geração de Trajetórias de Referência:
- As trajetórias de referência para as articulações do quadril, joelho e tornozelo foram geradas usando o ambiente de simulação musculosquelética OpenSim para um sujeito de referência (percentil 50, 75 kg, 1,75 m).
- O movimento STS foi decomposto em três fases biomecânicas:
  1. Flexão-Impulso (0–33%): Flexão anterior do tronco e deslocamento do centro de massa.
  2. Transferência de Momento (34–66%): Evento de descolamento do assento e transferência de forças de reação ao solo.
  3. Extensão (67–100%): Extensão progressiva até a postura ereta.
Projeto do Controlador Híbrido PID-LQR:
- O artigo compara três estratégias: PID clássico, LQR e uma arquitetura Híbrida PID-LQR.
- A lei de controle híbrida é uma superposição ponderada: $\tau_{híbrido} = \alpha \tau_{LQR} + (1 - \alpha) \tau_{PID}$ .
- O coeficiente de mistura ( $\alpha$ ) foi otimizado para 0,65, minimizando um índice de desempenho composto que considera o erro quadrático médio (RMSE) e o esforço de controle.
- Esta arquitetura visa combinar a resposta transitória ótima do LQR com a rejeição de perturbações e eliminação de erro de estado estacionário da ação integral do PID.

3. Principais Contribuições

Modelo Integrado ao CAD: Desenvolvimento de um modelo dinâmico de alta fidelidade no Simscape Multibody importado diretamente do SolidWorks, garantindo precisão geométrica e inercial.
Trajetórias Derivadas do OpenSim: Geração de perfis de movimento STS fisiologicamente representativos divididos em três fases biomecânicas distintas.
Novo Controlador Híbrido: Proposta de uma arquitetura que sintetiza as vantagens do LQR (estabilidade global, resposta rápida) e do PID (eliminação de erro estacionário), superando as limitações individuais de cada um.
Comparação Sistemática Multi-métrica: Avaliação rigorosa das três estratégias com base em precisão de rastreamento, resposta transitória e erro de estado estacionário.

4. Resultados

A simulação demonstrou que o controlador Híbrido PID-LQR superou consistentemente as estratégias de base (PID e LQR) em todas as métricas de desempenho:

Precisão de Rastreamento (RMSE e MAE):
- O controlador Híbrido reduziu o RMSE em 72,3% no quadril e 70,4% no joelho em comparação ao PID.
- Os valores de RMSE finais foram de 1,06° (quadril), 1,38° (joelho) e 0,58° (tornozelo).
- O erro de rastreamento foi mantido dentro de ±2° no quadril e ±3° no joelho durante a fase crítica de flexão.
Resposta Transitória:
- Tempo de Acomodação (Settling Time): O PID falhou em estabilizar a trajetória do tornozelo dentro da janela de 3,0 segundos (tempo de acomodação de 2,849 s), o que é clinicamente inaceitável. O LQR melhorou para 0,642 s. O Híbrido alcançou tempos de acomodação extremamente rápidos: 0,070 s (quadril), 0,040 s (joelho) e 0,140 s (tornozelo), representando uma redução superior a 90% em relação ao PID.
- Sobressinal (Overshoot): O Híbrido limitou o sobressinal a níveis clinicamente seguros de 2,39% a 6,10%, comparado a picos de até 20,32% no controlador PID.
Simulação de Movimento:
- A simulação visual confirmou transições posturais suaves e progressivas através das cinco configurações chave (Sentado, Empurrar, Meio-Emergir, Em Pé, Final), validando a estabilidade do sistema sob o controle híbrido.

5. Significado e Conclusão

O estudo valida a hipótese de que uma arquitetura híbrida pode resolver as limitações inerentes de controladores puramente reativos (PID) ou puramente baseados em modelo linear (LQR) em aplicações de reabilitação.

Impacto Clínico: A combinação de baixo sobressinal (evitando forças indesejadas no usuário) e tempos de acomodação extremamente rápidos (preservando o ritmo natural da STS e evitando instabilidade) torna o controlador Híbrido PID-LQR altamente promissor para implantação clínica.
Futuro: Embora os resultados sejam baseados em simulação com atuação de torque ideal, o trabalho estabelece uma base sólida para validação hardware-in-the-loop, testes com ruído de sensores e ensaios clínicos com populações de pacientes reais.

Em resumo, o controlador Híbrido PID-LQR com $\alpha = 0,65$ demonstra superioridade técnica significativa, oferecendo uma solução robusta e precisa para a assistência robótica na transição sentar-emergir.