⚡ electrical engineering

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

本文提出了一种基于 CAD 集成 Simscape 多体动力学模型的混合 PID-LQR 控制器，通过结合 LQR 的最优瞬态响应与 PID 的积分抗扰能力，显著提升了下肢外骨骼在坐站转换过程中的轨迹跟踪精度、响应速度及稳定性，为临床康复辅助机器人的部署提供了强有力的技术支撑。

原作者： Ranjeet Kumbhar, Rajmeet Singh, Appaso M Gadade, Ashish Singla, Irfan Hussain

发布于 2026-04-07

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Ranjeet Kumbhar, Rajmeet Singh, Appaso M Gadade, Ashish Singla, Irfan Hussain

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于帮助瘫痪或腿脚不便的人从椅子上站起来的机器人（外骨骼）的研究。

想象一下，你正在教一个刚学会走路的机器人如何优雅地从椅子上站起来。这听起来很简单，但实际上非常困难，因为人的身体和机器人加在一起，就像是一个既沉重又灵活、还会随时改变重心的“双人舞伴”。

以下是用通俗语言和生动比喻对这篇论文核心内容的解读：

1. 核心挑战：为什么“站起来”这么难？

从坐着到站起（Sit-to-Stand），是人类每天最普通的动作，但对于机器人来说，这就像是在走钢丝。

难点：人的腿关节（髋、膝、踝）需要完美配合，还要对抗地心引力。如果机器人太用力，会把人推倒；如果太软，人又站不起来。
现状：以前的机器人控制方法要么太“死板”，要么太“理想化”，很难在真实世界中既稳又快。

2. 研究团队的“秘密武器”：三种控制策略的比拼

为了找到最好的控制方法，研究团队设计了三种不同的“大脑”（控制器）来指挥机器人，并进行了激烈的比赛：

🏆 选手 A：PID 控制器（老派的经验主义者）

比喻：就像一位凭感觉开车的老司机。
原理：他看着路（目标位置），发现偏了，就猛打方向盘（加大动力）；发现快到了，就轻踩刹车。
缺点：他反应有点慢，而且经常“矫枉过正”。比如，他想让你停在正中间，结果他冲过头了，再退回来，再冲过头，像钟摆一样晃个不停。在论文中，这种控制让机器人的脚踝晃了太久，甚至没能在 3 秒内站稳，这在临床上是不安全的。

🥈 选手 B：LQR 控制器（精算的数学家）

比喻：就像一位拿着超级计算机算路的赛车手。
原理：他通过复杂的数学公式，提前算出每一步最省力的走法，追求完美的平衡。
缺点：他太依赖“理论模型”了。如果机器人稍微有点重，或者地面有点滑（模型没算准），他就会有点“晕”，导致最后停下来的位置总是差那么一点点（有残留误差）。

🏅 选手 C：混合 PID-LQR 控制器（本文的冠军）

比喻：这是**“老司机”的直觉 + “数学家”的精准**的完美结合。
原理：作者把前两者的优点揉在了一起。
- 用“数学家”（LQR）来规划最完美的路线，保证起步快、不晃动。
- 用“老司机”（PID）的“积分”功能来查漏补缺，确保最后能稳稳地停在正中间，不多也不少。
关键参数：他们找到了一个完美的混合比例（叫 $\alpha = 0.65$ ），就像调鸡尾酒一样，65% 的数学精准度加上 35% 的经验直觉，味道最正。

3. 实验过程：在虚拟世界里“预演”

为了不让真人冒险，研究团队做了一个超逼真的虚拟实验室：

CAD 导入：他们把 SolidWorks 里设计的机器人 3D 模型直接“搬”进了 MATLAB 的仿真软件里。这就像把乐高积木的图纸直接变成了会动的虚拟玩具，连每个零件的重量、重心都算得清清楚楚。
参考动作：他们利用 OpenSim 软件，模拟了一个健康人的站立动作，把这个动作拆分成三个阶段：
1. 身体前倾（积蓄力量）；
2. 臀部离座（爆发转移）；
3. 完全站直（稳定收尾）。
比赛：让三种控制器分别去模仿这个健康人的动作。

4. 比赛结果：混合控制器完胜

结果非常惊人，混合控制器（Hybrid PID-LQR）在所有方面都碾压了另外两位：

准确度（RMSE）：
- 在髋关节和膝关节上，它的误差比 PID 减少了70% 以上。
- 比喻：如果 PID 是射箭射偏了 10 厘米，LQR 射偏了 5 厘米，那混合控制器只偏了 1 厘米，几乎正中红心。
稳定性（超调量）：
- PID 会让机器人像喝醉了一样晃来晃去（超调 20%），而混合控制器只晃了2% 到 6%，非常稳。
反应速度（settling time）：
- 这是最关键的。PID 控制脚踝花了近 3 秒才停稳（还没站起来就超时了），而混合控制器0.04 秒就稳稳停住了！
- 比喻：PID 像是在冰面上刹车，滑行了很久；混合控制器像是装了顶级 ABS 防抱死系统，一点就停。

5. 总结与未来

这篇论文证明了，把“经验直觉”和“数学最优”结合起来，是控制外骨骼机器人的最佳方案。

意义：这种控制器能让外骨骼机器人站得更稳、更自然，不会把病人推得东倒西歪，大大增加了安全性。
下一步：目前还在电脑里跑得很完美，作者计划下一步要把这套系统装到真实的机器人上，并找真正的患者来测试，看看在现实世界中是否依然这么神勇。

一句话总结：
这就好比给机器人装了一个**“既懂数学又懂路况”的超级大脑**，让它能像健康人一样，丝滑、精准、安全地从椅子上站起来，不再像以前那样笨手笨脚。

论文技术总结：基于 CAD 集成 Simscape 多体动力学模型的坐站（STS）辅助用新型混合 PID-LQR 控制器

1. 研究背景与问题陈述

核心挑战：在康复机器人领域，下肢外骨骼在“坐 - 站”（Sit-to-Stand, STS）转换过程中的精确控制是一个主要难题。这主要归因于：

系统动力学的高度非线性与时变性：人机耦合系统的动态特性复杂。
临床安全要求：对轨迹跟踪的精度有极其严格的要求，以防止对用户造成意外伤害。
现有控制策略的局限性：
- PID 控制器：虽然实现简单，但属于局部单变量控制，未考虑耦合系统的整体状态，易产生稳态误差且需手动整定增益。
- LQR（线性二次型调节器）：基于最优状态反馈，能平衡跟踪误差与控制力矩，但依赖于线性化模型，对建模不确定性和用户参数变化（如惯性参数差异）的鲁棒性不足，且缺乏积分作用以消除稳态误差。

研究目标：设计并评估一种新型混合 PID-LQR 控制器，旨在结合 LQR 的最优瞬态响应能力和 PID 的积分抗扰能力，以解决 STS 辅助中的轨迹跟踪精度和稳定性问题。

2. 方法论 (Methodology)

2.1 高保真仿真框架与外骨骼建模

CAD 集成建模：利用 SolidWorks 构建双侧下肢外骨骼的详细 CAD 装配体（材料为 Al 6061-T6），并通过 Simscape Multibody Link 工作流直接导入 MATLAB/Simulink。
物理属性保留：该方法自动保留了所有连杆的刚体质量、惯性张量和旋转关节拓扑，无需手动推导拉格朗日方程。
动力学方程：建立了包含惯性矩阵 $M(q)$ 、科里奥利矩阵 $C(q, \dot{q})$ 和重力向量 $G(q)$ 的六自由度（每侧髋、膝、踝）动力学模型。

2.2 参考轨迹生成

数据来源：使用 OpenSim 肌肉骨骼仿真环境，针对标准人体（50 百分位，75kg, 1.75m）生成生理代表性的 STS 关节轨迹。
运动分解：将 STS 动作分解为三个生物力学阶段：
1. 屈曲 - 动量阶段 (0–33%)：躯干前屈，重心前移。
2. 动量转移阶段 (34–66%)：离座瞬间，地面反作用力完全转移至脚部，关节角速度变化最快。
3. 伸展阶段 (67–100%)：髋膝关节逐渐伸展至直立姿态。
信号处理：轨迹经 6Hz 低通滤波、归一化至 3.0 秒时长，并以 1kHz 重采样。

2.3 控制策略设计

论文对比了三种控制架构：

经典 PID：针对每个关节独立整定 $K_p, K_i, K_d$ 增益。
LQR：基于线性化状态空间模型，通过求解代数 Riccati 方程获得最优反馈增益矩阵 $K$ ，最小化二次型代价函数。
混合 PID-LQR（提出）：
- 控制律： $\tau_{Hybrid} = \alpha \tau_{LQR} + (1-\alpha) \tau_{PID}$ 。
- 参数整定：通过最小化包含 RMSE 和控制能量惩罚的复合性能指标，确定最佳混合系数 $\alpha = 0.65$ 。
- 优势：既保留了 LQR 的全局稳定结构，又引入了 PID 的积分作用以消除稳态误差。

3. 主要贡献 (Key Contributions)

CAD 集成的 Simscape 多体模型：开发了高保真物理模型，直接从 SolidWorks 导入，确保了几何和惯性参数的准确性，避免了传统建模的繁琐推导。
基于 OpenSim 的参考轨迹：生成了涵盖三个生物力学阶段的生理代表性 STS 关节轨迹。
新型混合 PID-LQR 控制器：提出了一种利用 PID 和 LQR 互补优势的混合架构，专门针对 STS 外骨骼辅助任务。
系统化的多指标对比评估：在跟踪精度、瞬态响应和稳态误差等多个维度上，对 PID、LQR 和混合控制器进行了严格对比。

4. 实验结果 (Results)

4.1 跟踪精度 (RMSE & MAE)

混合控制器表现最优：
- 髋关节：RMSE 为 1.06°，相比 PID 降低了 72.3%，相比 LQR 降低了 50.5%。
- 膝关节：RMSE 为 1.38°，相比 PID 降低了 70.4%。
- 踝关节：RMSE 为 0.58°，显著优于 PID (1.93°) 和 LQR (1.21°)。
误差分布：混合控制器在整个运动周期内将跟踪误差控制在髋关节±2°、膝关节±3°以内。

4.2 瞬态响应参数

超调量 (Overshoot)：混合控制器在所有关节上均实现了最低超调（髋 2.72%，膝 2.39%，踝 6.10%），远低于 PID（最高达 20.32%）和 LQR。
调节时间 (Settling Time)：
- PID 失效：PID 控制器在踝关节的调节时间长达 2.849s，无法在 3.0s 的 STS 周期内完成稳定，临床不可用。
- 混合控制器卓越：调节时间大幅缩短至 0.070s (髋), 0.040s (膝), 0.140s (踝)。相比 PID 减少了 90% 以上，相比 LQR 也有显著改善。
上升时间：混合控制器保持了与基准相当的上升速度，未牺牲初始响应速度。

4.3 运动仿真

Simscape 多体仿真显示，在混合控制器驱动下，外骨骼能够平滑、渐进地完成从坐姿到完全直立站姿的五个关键姿态转换，验证了系统的稳定性。

5. 意义与结论 (Significance & Conclusion)

临床转化潜力：研究结果表明，混合 PID-LQR 控制器成功解决了 PID 的稳态误差/慢响应问题和 LQR 的模型依赖/稳态偏移问题。其极低的超调量（2.39%–6.10%）和极快的调节时间（<0.15s）对于防止外骨骼对用户施加意外关节力、维持平衡稳定性至关重要，具有极强的临床辅助外骨骼部署潜力。
方法论创新：通过 CAD 直接导入 Simscape 的工作流，为外骨骼控制研究提供了一种高保真、低建模误差的仿真范式。
未来工作：当前研究基于理想力矩驱动的仿真。未来计划进行硬件在环（HIL）验证，考虑执行器动力学和传感器噪声，并针对用户差异性进行自适应参数整定，最终开展目标患者群体的临床试验。

总结：该论文提出并验证了一种高效的混合控制策略，显著提升了下肢外骨骼在复杂 STS 任务中的轨迹跟踪精度和动态响应性能，为下一代智能康复机器人的控制算法设计提供了重要的理论依据和技术参考。