泛用型動態虛擬實境操控與運動復健輔助系統研發(II)---子計畫II：動態VR運動復健輔助系統之智慧型感測與控制

行政院國家科學委員會專題研究計畫 期中進度報告

子計畫二：動態 VR 運動復健輔助系統之智慧型感測與控制

計畫類別： 整合型計畫 計畫編號： NSC91-2213-E-009-037- 執行期間： 91 年 08 月 01 日至 92 年 07 月 31 日 執行單位： 國立交通大學電機與控制工程學系 計畫主持人： 林進燈 報告類型： 精簡報告 處理方式： 本計畫可公開查詢

中 華 民 國 92 年 5 月 28 日

泛用型動態虛擬實境操控與運動復健輔助系統研發

子計畫二: 動態 VR 運動復健輔助系統之智慧型感測與控制(2/3)

計畫編號：NSC91-2213-E-009-037

執行期限：91.8.1-92.7.31

主持人：林進燈 國立交通大學 教授

執行機構：國立交通大學電機與控制工程研究所

一、摘要

本計畫為「泛用型動態虛擬實境操控與運動復健輔助系統研發」整合計畫之 子計畫二，研發重點在於電動動作平台之設計與分析、運動訓練輔助機制之感測 與控制及操作者運動狀況之偵測與分析。本子計畫的第一個重點擬開發一智慧型 控制系統於電動動作平台的姿態控制設計，以為整個動態運動訓練輔助系統的根 基平台。本子計畫的第二個重點在為了提高系統的穩定度與安全性，系統對外界 訊息的反應，必須要更為迅速，以確保在系統出現問題時能立及做出適當的處 理，而構成即時動態運動訓練系統的整合機構。本計畫的第三個研究主題是以 LART 實驗單板的 Intel StrongARM SA-1100 處理器之 Linux 嵌入式系統來取代舊 有的 IPC 控制方式。本子計畫也將發展即時計算環境的軟、硬體，以達到整體系 統的即時控制效果。 關鍵字 電動運動平台、適應性小腦模型控制器、即時作業系統、嵌入式即時硬體單板

二、目前研究進度：

針對本子計畫所將完成的三大研究主題，在今年度本子計畫目前朝向電動 動作平台的控制系統、平台即時作業系統開發、嵌入式即時硬體單板之設計與發 展等部分。以下就分別針對此幾個方向，來加以說明目前進度狀況。 A. 電動動作平台的控制

來解決此控制問題，經由實驗結果發現本研究所提出之適應性小腦模型控制器可 以有效地準確控制電動運動平台之腳長長度，其方塊圖如圖一所示與設計步驟與 想法如下簡單描述： 步驟一： 定 義 追 蹤 誤 差 e_d  ，其 中  代 表 伺 服 馬 達 實 際 的 轉 子 位 置，_d 代 表 參 考 模 式 命 令 訊 號 ， 並定義一滑動表面sek₁ek₂



e。 步驟二： 利用一小腦模型控制類神經網路線上學習近似一理想控制器。 步驟三： 依據最佳近似定理我們可得知存在一近似誤差，為了克服此誤差往往使用 一切換控制器補償之，但 卻 因 而 造 成 控 制 力 有 嚴 重 的 顫 抖 現 象 。 步驟四： 使用一個極限值估測器來監測不 確 定 量 邊 界 值 ， 在此定義不 確 定 量 邊 界 值 估測誤差為E~(t)EEˆ(t)。 步驟五： 適應性小腦模型控制系統設計成

ˆ

( )

_{CMAC cp}

u t



u



u

其中 ˆu_CMAC為 主 要 追 蹤 控 制 器 用 來 近 似 理 想 控 制 器 ;而 補 償 控 制 器u_cp則 被 設 計 來 消 除 理 想 控 制 器 與 小腦模型控 制 器 之 間 的 誤 差 。 步驟六： 依據李雅普諾夫穩定法則推論而得之線上學習法則 Φ αˆ 2s(t)ˆ 

))

(

sgn(

)

(

ˆ

_t

_s

_t

E

u

_cp



)

(

ˆ

1

s

t

E







其中 與1  是學習速率。 2 步驟七： 為了驗証所設計之控制器對於機械參數變化與外來的負載干擾的性能，我 們利用方波位 置 命 令 來 驗 證 控制器追 隨 控 制 角度變化的軌跡來觀測平台的 動作是否正確，以驗証我們所發展式的小腦模型控制器設計是否正確，其實驗結 果如圖二所示。 表一 油壓式/電動式平台控制系統之比較 油壓式平台 電動式平台 優點: 缺點: 優點: 缺點:

•可產生較 高之加速 度 •作動元件 尺寸較小 •耐用的作 動元件 •非常高的 承載能力 •有漏油顧 慮 •效率低造 成高性能 之作動閥 對環境要 求較高 •較多的突 發狀況-如 閥軸卡死 •安裝較麻 煩需另加 油壓單元 •乾淨 •不需另加 其它附屬 裝備 •效率高 •維護容易 •安裝容易 •不用複雜 的作動閥 •加速性較 差 •作動缸結 構複雜 •安全裝置 十分複雜 •複雜的電 子設計 •系統運作 動力需求 變化大 感應伺服馬達驅動系統 滑動表面 函式 適應性小腦模 型類神經網路 控制器 補償控制器 適應性 學習法則 t K 1 ( ) s JsB 參考命令 c  d S cp u cmac u  u l T  α 具近似誤差觀測能力之適應性小腦模型類神經網路控制器       e E   e T 近似誤差線上 學習法則 圖 一 適應性小腦模型類神經網路控制 系統 圖 二 適應性小腦模型類神經網路控制系統實驗響應圖 B. 平台即時作業系統 虛擬實境的應用非常的廣泛，例如進行飛行器的模擬，汽車的駕駛訓練， 或是一些精密控制的模擬。在一個複雜的虛擬實境模擬系統中，時常需要處理大 量的外界訊息，當系統呈現負載的情況時，其中有些重要的訊息必須是不能忽略 或是要優先處理的，以保持模擬的精確性，其次，和實際的器具一樣，系統的穩

作，針對需滿足即時性的工作，會在這個即時核心的工作空間中處理。其特性包 括：

即時工作的排程器，可進行不同的即時性排程策略。 解析度更高的計時器，可供精密度更高的控制。

完全強取式(Preemptive)模式，使得優先權高的工作先處理。

豐富的程序間通訊(IPC)機制，如：FIFOs, shared memory, mailboxes。 維持 Linux 原有豐富資源，不需重新開發應用程式與裝置驅動程式。 首先，是有關即時控制六軸運動平台的分析，我們進行了即時 (Actuation channel 部份)與非即時 (Monitor channel 部份) 工作的分工，細部分工如圖三 UML 使用 者關係圖所示。根據我們模擬系統的流程，大至上可分成五個狀態，分別是 initial, ready, running, shutdown, emergency。以下是五種狀態的在即時控制系統裡狀態轉 換關係圖，如圖四所示。 為了達到即時運算、處理的能力，我們將平台的逆向運動學及位置控制部 份，放入即時系統核心中工作，另外，分別以週期性與偶發性工作來分派低階 D/A 與 A/D 硬體工作，除此之外，透過即時系統提供的程序間通訊機制，讓使 用者空間的監測程式與在即時核心中運作的工作，進行資料通訊。圖五是虛擬平 台即時控制系統的實現架構圖。 為了確保有些關鍵性工作能夠被優先執行，如 Shutdown 的工作，因此， 我們進行了工作優先順序的指派動作，表二是有關工作優先權的分配表，其中`1` 代表最高，`10`代表最低。 圖六為透過網路與 FlightGear 虛擬場景結合，實際截取即時控制系統之活動 資料的展示，其中的 Tick Time_ 100s，代表的是每隔 100 s 即會檢驗是否 有其它外部中斷發生，並迅速地做出反應，或著是否有其它週期性工作，即將要 執行，則會迅速進行排程動作，以喚醒工作執行，因此，不僅提高了控制系統的 反應能力，也增加了週期性工作排程的精度。而圖中Period_{D A/} 100s，也就是 以頻率為10kHz的速度，進行精確的平台控制。相較於一般的作業系統，就Linux 而言，其Tick的時間，標準為1ms，此段時間則視系統受負載的程度而有所變動 (1ms~ 100ms)，故其延遲(Latency)時間，為1ms~ 100ms，因此它所能提供的控 制環境，是屬於反應性較差，精確度較低的環境，不適合用來進行精密的虛擬實 境模擬。而在本年度成果中，我們為了將來進行一些高精度的控制，如：電動平 台的控制，而成功地增加了即時控制系統，且大大提高模擬的精準能力。 Actuation Data Source Sensor Input Processing Inverse Transformation Controller Monitor Monitoring Input Processing Actuator Actuator Monitor Sensor ^ measures Actuation Channel predecessor transformation successor transformation 0,1 1 Monitoring Channel activate / shutdown signal control signal monitored actuation signal Personnel send command actuation channel information 圖三 UML 使用者關係圖

/ rt_shutdown( ) receiving data / do platform control < event > / < action > Initial [CMD] rise up / rt_riseup( ) Emergency Ready

/ notify_user( ) & entry periodic mode

Shutdown

[CMD] shutdown / exit periodic mode

Running 圖四 即時控制系統狀態圖 P RT task D/A A/D Emergency Handler CMD FIFO

User Program (Monitor)

Network INFO. FIFO RT task I/O S Position Control Real-Time Kernel Inverse Kinematic Shared Memory Shared Memory Payload Info. FIFO CMD Handler

Update < resume > < resume >

Shared Memory < notify > < notify > Handler < resume > 圖五 即時控制系統系統架構圖 圖六 實驗圖 表二 Task 之優先順序表

Task Priority Comment

Shutdown platform 1 Command-driven

Inverse Kinematics 2 FIFO-driven

Rise up platform 3 Command-driven

Analog Output(D/A) 4 Periodic

Position Control 5 FIFO-driven

Analog Input(A/D) 9 Command-driven

可提供虛擬實境場景的六軸腳長 data 與 LART 實驗單板作為控制資料的連結與 傳輸，所以必須另外增加 LART 實驗單的 interface 與 CAN bus 裝置.並且須要建 立在 LART 實驗單板上的 CAN bus driver。 然而在 LART 實驗單板上亦是沒有 A/D 及 D/A 控制器，所以也必須增加 LART 實驗單的 interface 與 A/D 及 D/A 的 控制裝置，並且建立 LART 實驗單板上的 A/D 及 D/A 驅動程式。

在今年進度報告中，我們完成以下的工作: A/D，D/A 裝置的製作

LART 實驗單與 A/D 及 D/A 間的 interface 電路設計 CAN bus 裝置的製作

LART 實驗單與 CAN bus 間的 interface 電路設計 詳細細節請見後面之敘述 在嵌入式硬體部分，我們所採用的是 LART 實驗單板，選擇這塊板子的原 因是因為它選擇這塊板子的原因是因為它有豐富的序列傳輸介面，包括 IrDA、 RS-232，也有內建 10Base-T 網路，並且支援包括 Linux 嵌入式作業系統，可以 發展的嵌入式種類及相關應用程式可謂相當豐富。此塊單板實體圖片如圖七所 示。 除此之外，所使用的微處理器為 SA-1100，而在 LART 的計畫中亦是使用 Strong ARM 微處理器系列。所謂 LART 計畫是由國外的 Delft University of Technology 所主持的研究計畫，主要研究在消耗不到一瓦特功率而可以達到 250MIPS 指令的 Linux 嵌入式系統。它有一套較為完整的 Linux 嵌入式系統文件 及 mailing list，更難得的是它亦將所有的軟硬體公開。因此在未來發展 StrongARM SA-1100 嵌入式系統時可以有較為完整的相關文件可以參考。 在 LART 實驗單板上發展嵌入式系統來控制虛擬實境動態模擬器，並沒有 CAN-Bus 的裝置與驅動程式，因此我們必需要發展 CAN-Bus 的裝置與驅動程 式，來作為與 LART 實驗單板的傳輸介面。如此才可以與 LART 實驗單板溝通， 接收由虛擬實境場景的六軸腳長 data，然後將腳長轉電壓，控制動態模擬器。其 系統方塊圖如圖八所示。 在動態模擬器六軸姿態的傳遞方式上，我們將發展 CAN-Bus 通訊協定，因 此必須在嵌入式系統上發展 CAN-Bus 驅動程式，A/D 及 D/A 驅動程式；除此之 外，還需發展 LART 實驗單板之 CAN-Bus 程式，如此才能以 CAN-Bus 傳遞六 軸控制姿態至動態模擬器驅動控制盒上。圖九為 CAN bus 實際之控制電路板。

LART 實驗單板提供了 GPIO， data bus 與 address bus pin 可作為其他額外 的控制裝置使用，同時我們利用 address，data bus 與 read/write 的控制信號 pin， 與 ALTERA 公司所提出的 FPGA 晶片，作為 LART 實驗單板與 CAN bus 裝置間 的控制。圖十為 LART 實驗單板與 CAN bus 間的 interface 電路方塊圖。

圖八 控制動態模擬器系統方塊圖

圖九 CAN bus 實際之控制電路板

圖十 LART 實驗單板與 CAN bus 之間的電路方塊圖

圖十一 實際之控制電路板

統來取代舊有的 IPC 控制方式。

四、參考文獻

1. C. T. Chiang, and C. S. Lin, “CMAC with general basis functions,” Neural Networks, vol. 9, pp. 1199-1211, 1996.

2. Y. H. Kim, and F. L. Lewis, “Optimal design of CMAC neural-network controller for robot manipulators,” IEEE Trans. Syst., Man, and Cybern., vol. 30, pp. 22-31, 2000. 3. W. Q. D. Do and D. C. H. Yang, “Inverse dynamics analysis and simulateion of a

platform type of robot”, Journal of Robotics Systems, Vol. 5, pp. 209-229, 1988. 4. G. Lbret, K. Liu and F. L. Lewis, “Sigularities and dynamics of a stewart platform

manipulator”, Journal of Intelligent and Robotics System, Vol. 8, No. 3, pp. 287-308, 1993.