基於使用者意圖之行動輔具設計

國 立 交 通 大 學

電控工程研究所

碩 士 論 文

基於使用者意圖之行動輔具設計

On the Design of a Robot Walking Helper Based on

Human Intention

研 究 生: 楊翔斌

指導教授: 楊谷洋教授

基於使用者意圖之行動輔具設計

On the Design of a Robot Walking Helper Based on

Human Intention

研 究 生：楊翔斌 Student: Hsiang-Pin Yang

指導教授：楊谷洋 博士 Advisor: Dr. Kuu-Young Young

國立交通大學

電控工程研究所

碩士論文

A Thesis

Submitted to Department of Electrical and Control Engineering College of Electrical and Computer Science

National Chiao Tung University In Partial Fulfillment of the Requirements

of the Degree of Master

基於使用者意圖之行動輔具設計

研究生: 楊翔斌 指導教授: 楊谷洋教授

國立交通大學電控工程研究所

摘要

近年來，醫療技術的革新為人類帶來了較長的壽命，妥善照顧這群日益龐大 的銀髮族群成了社會上很重要的一項議題，在老人常見的問題中又以行動不便的 問題最常遇到，因此在本論文中，我們設計一能有效辨識使用者意圖的力感握 把，將其配置於命名為i-go的被動式機器人行動輔具，利用i-go幫助銀髮族穩健 行走，並藉由此握把有效辨識使用者意圖，以降低銀髮族行走時跌倒的可能性。 本文也提出了使用者意圖辨識演算法，藉由Lasso模型推論出使用者意圖與實際 推拉力、旋轉力矩的關係，並通過PCA演算法得出各種意圖的權重值，在銀髮族 施加各種意圖時，可以該意圖的權重值及本論文提出的模糊控制演算法，控制 i-go選擇相對應的煞車力輸出。此外，為了因應個別使用者操作習慣的不同，使 用了ANFIS演算法改善我們設計的模糊控制器以適應不同的使用者，達到更精確 的煞車力輔助。

On the Design of a Robot Walking Helper Based on

Human Intention

Student: Hsiang-Pin Yang Advisor: Dr. Kuu-Young Young

Department of Electrical and Control Engineering

National Chiao Tung University

Abstract

In recent years, the progress in medical innovation has contributed to longer life-span for human being. How to take good care of the large amount of the elderly now becomes an important social issue. Among the general health problems for the elderly, disabilities surge as major issues to face. Hence, in this thesis, upon a robot walking helper developed in our laboratory, we attach force-sensing grip handle which can be used to effectively recognize the intention of the users. We use Lasso model for user intention recognition that we can infer the relationship between users' intention and measured pushing-pulling force with rotating torque. We also use the algorithm of PCA to get every intension’s weight. When the aged use different intention, they can use this intension’s weight and the algorithm of fuzzy to control the i-go to choose corresponding output of braking force. Besides, to adapt ever user’s

致謝

首先感謝我的指導教授 – 楊谷洋博士，在兩年的指導、鼓勵及諄諄教誨 下，使我的碩士論文得以順利完成。同時，也要感謝口試委員:陳永平老師、柯 春旭老師及蔡文祥老師撥冗參與論文口試，並給予許多寶貴的建議與指導，使我 獲益良多。需要感謝義守大學電機所的柯春旭教授，在實驗方法的選擇上給予我 非常多的建議與幫助，感謝勝雄、杰紘在助行器的外觀設計上付出了許多的心 力，同時也感謝實驗室的學長: 修任、豪宇、木政與一哲，在我困惑的時候伸出 援手，幫助我解決研究上的問題，感謝專題生昌翰、葉耕、長翰陪伴著我做了一 年的實驗，感謝萱萱當我數學問題的諮詢師，感謝薏婷當我的英文諮詢師，有了 你們幫忙實驗才能夠順利完成。我還要感謝我的好搭擋方翔，在過去這兩年我們 一起討論、一起研究、一起實驗也一起創造了碩士生涯的回憶，其他還有「人與 機器實驗室」的同學明勳、鎧銜，以及學弟育傑、權哲與柏穎，這兩年實驗室的 生活中有你們的陪伴使我的生活多采多姿，讓我深感欣慰。最後，我要感謝我的 家人的支持，提供我穩定的經濟使我得以生活，讓我能夠心無旁騖的專心致力於 研究上；感謝我的女朋友乃禎在我遇到難題還是挫折時，總是在我身邊給我安慰 與支持；還有感謝許許多多我的朋友們，願意傾聽我的抱怨，分享我的快樂，在 我失落的時候給予我鼓勵，在我需要幫助的時候扶我一把，讓我得以完成學業。 有了你們大家一點一滴的幫助，才有這份研究論文的完成，我會在我的生命中謹 記你們的貢獻。

目錄

中文摘要... 1 英文摘要... II 致謝... III 目錄... III 表目錄... VI 圖目錄... VII 1.導論... 1 1.1 引言... 1 1.2 研究動機... 2 1.3 相關研究 ... 2 1.3.1 力感應器... 3 1.3.2 主動式行動輔具... 5 1.3.3 被動式行動輔具 ... 9 1.4 研究目標... 11 1.5 論文架構... 12 2.機器人行動輔具意圖辨識系統... 13 2.1 i-go 動態系統分析 ... 14 2.2 使用者意圖與施力關係辨識... 17

3.1.1 行動輔具之車體... 36 3.1.2 握力資訊擷取機構... 38 3.1.3 伺服煞車器... 42 3.1.4 力感應器... 45 3.2 i-go 控制系統架構 ... 48 3.2.1 核心控制晶片 TMS320F2812 ... 49 3.2.2 周邊控制晶片 PIC18F4520... 52 3.2.3 握力資訊擷取系統... 55 4.實驗與分析... 58 4.1 意圖辨識與施力關係實驗... 58 4.2 意圖操控 i-go 實驗 I ... 65 4.3 意圖操控 i-go 實驗 II ... 75 5.結論與未來展望... 79 5.1 結論... 79 5.2 未來展望... 80 參考文獻... 81

表目錄

表2.1 ＰＣＡ特徵向量規劃... 22

表2.2 模糊控制 I/O ... 23

表4.1 意圖辨識與施力關係實驗受測者資料... 60

圖目錄

圖1.1 電容式力感應器[4] ... 4 圖1.2 電阻式力感應器[4] ... 4 圖1.3 應變規式力感應器[4] ... 4 圖1.4 SmartCane[5] ... 5 圖1.5 SmartWalker[6] ... 6 圖1.6 (a)XR4000 和(b)XR4000 上的手把[8] ... 6 圖1.7 guido 的外觀架構[9] ... 7 圖1.8 Kosuge 教授提出之主動式行動輔具[10] ... 8

圖1.9 (a) InBOT 外觀和(b) InBOT 意圖辨識握把[11] ... 8

圖1.10 (a)RT-Walker 和(b)搭載伺服煞車器的後輪[12] ... 10

圖1.11 Hiroyuki 提出之 Four-Castered Walker：(a)設計架構圖和(b)使用者操作 的情形[13] ... 10 圖2.1 i-go 意圖辨識功能示意圖 ... 14 圖2.2 行動輔助器結構圖... 15 圖2.3 意圖辨識握把示意圖... 17 圖2.4 輸出煞車力震盪情況[17] ... 20 圖2.5 整體模糊控制系統架構圖... 21 圖2.6 具辨識使用者意圖之模糊控制器輸入變數歸屬函數：(a)左前進力歸屬 函數，(b)右前進力歸屬函數，和(c)下壓力歸屬函數 ... 24 圖2.7 具辨識使用者意圖之模糊控制器輸出變數歸屬函數：(a)左輪程度歸屬 函數和(b)右輪程度歸屬函數 ... 25 圖2.8 左輪輸出力矩程度模糊控制規則... 26

圖2.10 ANFIS 架構 ... 29 圖3.1 助行器 i-go 外觀 ... 34 圖3.2 系統架構圖... 34 圖3.3 i-go 硬體架構圖 ... 35 圖3.4 (a)車下體尺寸與(b)車身尺寸 ... 36 圖3.5 (a)i-go 行動輔助器底部示意圖和(b)皮帶輪與後輪配置圖 ... 37 圖3.6 i-go 行動輔具外殼 ... 37 圖3.7 握把上視圖尺寸... 38 圖3.8 握把側面圖尺寸... 39 圖3.9 握把成品上視圖... 39 圖3.10 (a)握把成品側視圖和(b)握把成品拆解圖 ... 40 圖3.11 握把兩手實際使用情形... 40 圖3.12 (a)握把實際使用情形側面和(b)握把實際使用情形正面 ... 41 圖3.13 兩軸力感應器裝置於車體... 41 圖3.14 (a)RD-2087-01 伺服煞車器和(b)輸入電流與輸出力矩關係[22] ... 43

圖3.15 (a) Wonder Box 裝置控制器和(b)輸入電壓與輸出電流關係[22] ... 44

圖3.16 電阻式壓力感應器... 45

圖3.17 (a)FSR 施力與電阻的關係和(b) FSR 施力與電導的關係 ... 46

圖3.18 實驗驗證用兩軸力感應器... 46

圖3.19 實驗驗證用兩軸力感應器濾波器... 46 圖3.20 (a)兩軸力感應器輸出電壓與旋轉力矩關係圖和(b)兩軸力感應器輸出電

圖3.25 PIC18F4520 腳位圖[24] ... 53 圖3.26 PIC18F4520 外觀 ... 53 圖3.27 PIC18F4520 系統架構圖[24] ... 54 圖3.28 OP 放大電路 ... 56 圖3.29 OP 放大電路實體圖 ... 56 圖3.30 邏輯電路示意圖... 56 圖3.31 電位轉換電路板... 57 圖3.32 兩軸力感應器用加法電路... 57 圖4.1 力感應器壓力與電壓的關係... 59 圖4.2 意圖辨識與施力關係實驗場景... 60 圖4.3 受測者 A 實驗結果 ... 63 圖4.4 受測者 B 實驗結果 ... 64 圖4.5 使用者意圖擷取介面(a)設定串列傳輸功能介面，(b)獲取意圖介面，(c) 顯示握力值介面，和(d)控制煞車器介面 ... 66 圖4.6 力感應握把位置與結果位置對照圖... 67 圖4.7 前進意圖... 67 圖4.8 後退意圖... 68 圖4.9 下壓意圖... 68 圖4.10 右轉意圖(a)單手施力右轉和(b)雙手施力右轉... 68 圖4.11 左轉意圖(a)單手施力左轉和(b)雙手施力左轉... 68 圖4.12 (a)實驗場地和(b)實驗場地尺寸 ... 70 圖4.13 實驗操作呈現：(a)i-go 沿著實驗軌跡行走和(b) i-go 沿著實驗軌跡行走 近照... 70 圖4.14 受測者 A 下坡時仰俯角變化之重力補償 ... 71 圖4.15 受測者 D 實驗結果 ... 73

函數，(b)右前進力歸屬函數，和(c)下壓力歸屬函數 ... 76 圖4.17 受測者 E 實驗結果 ... 77

第一章

導論

1.1 引言

隨著科技的高度發展，醫療領域的專業技術越臻成熟，伴隨著人類的平均 壽命也逐年提高，老年人口在社會上所佔的比率也越來越多，在1993 年，國內 65 歲以上人口占總人口比例首度突破 7％，正式步入老齡化社會，預計到了 2010 年，台灣老年人口將佔總人口數的10.6%，不僅僅是台灣，不久前，美國人口普 查局所提出的調查數據顯示，全球老年人口(65 歲以上)正以空前的速度攀升，截 至2008 年中，全球老年人口已高達 5.06 億人，估計到了 2040 年，將激增 1 倍 達到13 億人，佔全球總人口數的 14%。該份研究報告並顯示，預估到 2017 年， 全球65 歲以上的人口將超越 5 歲以下的幼童人口。 老人照顧成為新時代的新課題，在許多老人問題中又以行動不便及肌肉無力 問題最常遇到，現階段改善的方法往往是使用拐杖或輪椅等輔助工具幫助行走， 然而拐杖對於肌肉的輔助往往稍嫌微弱，另外有研究指出當使用者一旦開始使用 輪椅的生活將加速下肢肌肉的萎縮[1]，並且銀髮族也不喜歡坐在輪椅上低人一 等的感覺。 一個新的觀念指出，我們可以採用機器人取代居家看護來服務銀髮族，形形 色色的機器人也相繼被製造出來。居家輔助型機器人的服務範圍非常的廣泛，其 中行動輔助機器人被大量應用在輔助銀髮族移動。Kosuge 等[12]提出了被動式行

用者的安全性，排除了主動式行動輔具的馬達容易暴衝的問題，被動式行動輔具 採用了伺服煞車器做為制動器，隨著使用者的意圖及環境資訊來調整煞車器的輸 出力矩，藉著兩輪阻力的改變，達成轉彎或移動的功能。

1.2 研究動機

儘管市面上有多種型態的行動輔助機器人可用來幫助行動不便的銀髮族，使 他們可以行走得更穩，然而複雜的操作方式讓老年使用者覺得生疏，現階段的助 行器操作方式不論主動被動，都是以機器的角度來思考操作方式，在使用者意圖 的辨識上是很薄弱的。舉例來說許多助行機器人具備有觸控銀幕，使用者在操作 時需要先做許多的設定，另外標榜有使用者意圖辨識功能的助行機器人使用非常 陽春的力感應器，僅能辨別一些基本意圖；少數配備有高級多軸力感應器，又會 使助行器本身變的非常昂貴，且這種力感應器常常因無法適應太劇烈變動的力改 變而損壞。因此若能發展一套低成本、高可靠度，又具有效的意圖辨識系統，達 到機器與人類共同控制，將使得使用者在操作上更順手，對銀髮族來說也不需要 學習複雜的設定方式，在操作上可以更心安。

1.3 相關研究

機器人輔助系統在老化的社會中將扮演重要的角色，這類的機器人輔助系 統，最重要就是要達到使用方便、高效能、以及使用者的安全性與穩定性[2,3]，

1.3.1 力感應器

目前市面上所見之力感應器(force sensor)主要可分為電容式、電阻式及應變 規式[4]，電容式力感應器於施力時將使感應器相對的表面之距離改變，因距離 的改變會使感應器的內電容值產生變化，藉由偵測電容值的變化將可以推算出施 力的大小，如圖1.1所示，當使用者出力時將會改變圖中的距離d值，這將使感應 器的輸出電容改變。電容式力感應器有較高的精度，但是校準困難，價格也比較 高昂。 電阻式力感應器主要是用壓導性的聚合物製作而成，如圖1.2所示，當使用 者尚未出力時，A點與B點間為不導通的狀態時，阻抗是無窮大，一但使用者對 感應器施力時會使Resistive Film產生導電性，電阻值將會下降到可量測的範圍， 藉由偵測電阻值的大小可以推算出施力的大小。電阻式力感應器的精度較低但價 格低廉，校準也較為容易，目前被廣泛使用在各種醫療電子領域。 應變規式的力感應器主要乃運用電阻值的改變推算出施力的大小，由於施力 時會造成應變規產生形變，其內部的線圈將因應變造成長度增加、截面積減少， 而電阻值與線圈長度成正比，與線圈截面積成反比，我們可以用圖1.3所示的惠 斯同電橋電路得出應變規的電阻值Rg，進一步推算出應變的大小，最後由於應 變量與施力成正比關係，我們可以輕易的得出使用者的施力大小值。應變規式的 力感應器精度非常的高，應變規本身的價格也不算昂貴，但由於惠斯同電橋極容 易受雜訊及溫度的干擾，因此還需要額外的放大電路及濾波器來處理雜訊，成本 反而變的非常的高，且因為應變規的高精確性，讓使用者很容易因為一些操作上 的不慎造成應變規的損壞。 整體來說，全組的應變規式力感應器成本最為昂貴，其次是電容式力感應 器，最便宜的則是電阻式力感應器，其價格與精度成正比關係，使用者可以依據 其對操作精度及預算的需求，選擇最適合的力感應器。

圖1.1 電容式力感應器[4]

圖1.2 電阻式力感應器[4]

1.3.2 主動式行動輔具

主動式行動輔具因搭配馬達，本身在重量上相當大，若是不具有適當的意圖 操控系統，將會使得輔具本身存在危險性，因此主動式輔具上常會裝置力感應器 以便及時瞭解使用者意圖，在最短的時間內做出反應。

在2000年的時候，由MIT的Dubowsky等所提出的PAMM( Personal Aid for Mobility and Monitoring )系統[5]，設計成拐杖的樣式，稱為SmartCane，如圖1.4 所示，SmartCane利用了超音波感測器與CCD攝影機來進行避障控制與定位控 制，在操作上，運用了六軸力感測器來感測使用者對於SmartCane的操作意圖， 透過直流馬達來改善拐杖的操縱性及移動速度。PAMM 本身搭載一個可以連續 監控使用者生命訊號的感測器，且裝置了一台電腦，目的在儲存房間的地圖，如 樓梯與障礙物的位置，以及記錄使用者的概況，而PAMM本身的定位功能可以在 移動的過程中傳回使用者的位置，並將健康狀況傳給遠端的醫護監控人員。但 是，拐杖缺乏穩定度一直是其天生的缺點，容易讓使用者在崎嶇的路面上失去重 心而跌倒；為了解決這個問題，Dubowsky等在2006年以助行器為平台搭載 PAMM，完成了SmartWalker系統[6]，如圖1.5所示，SmartWalker大致上的功能皆 與SmartCane相仿，並提供更好的移動性與穩定性。 圖1.4 SmartCane[5]

圖1.5 SmartWalker[6] 在2003 年，卡內基美濃大學的 Morris 等提出的 XR4000 移動機器人平台[8] 中，如圖 1.6(a)所示，並設計了一種特別的手把，如圖 1.6(b)所示，其操作法有 點類似機車的油門，使用者可以透過XR4000 上的兩個手把來支撐，而兩手把上 有力感測器可用來啟動/停止機器人 XR4000 的移動。此系統有三種不同的控制 模式：(1) 被動模式：機器人在從出發地到目的地的預設軌跡是被忽略的，其移 動是靠使用者自行移動，而機器人此時的主要功能是避免與障礙物發生碰撞；(2) 主動模式：機器人會將使用者的移動軌跡與預設軌跡比較，當發現使用者有偏航 時，機器人將會變慢，直到使用者回歸到原來軌跡；和(3)強迫模式(Forced mode)： 機器人將完全按照預設路徑移動，使用者無法去控制機器人的移動。

在2005年時，由Haptica公司提出的主動式行動輔助機器人guido[9]，是一款 兩輪驅動兩個被動輪的居家看護機器人，如圖1.7所示，裝備雷射測距儀使其具 有避障、主動式導引、路徑規畫、環境地圖建置及定位等功能，同時擁有語音警 示的功能也是它的一項特點，未來該公司還會朝語音辨識的方面研究。它配備有 單軸力矩感測器，主要用來辨識使用者轉彎的指令，藉由這個感測器量到的數值 可以讓guido在地圖建置上的精確度提高。 圖1.7 guido的外觀架構[9] 在2007年時，日本東北大學的Kosuge等提出了主動式行動輔助機器人[10]， 此機器人是以力感應器偵測操控者所施予在輔助器上的力資訊，進一步控制伺服 馬達，這種控制稱為順應性控制，如圖1.8所示，它具有全向輪，驅動是由多組 直流馬達組成，並且有力/力矩的感應器測量使用者移動過程中施加輔助器上的 力/力矩，透過改變使用者施力的旋轉中心點的位置，來改善不同使用者操作的 特性，增加操作上的穩定性，同時具備雷射距儀測量環境的資訊來進行適當的避 障策略。

圖1.8 Kosuge教授提出之主動式行動輔具[10] 在2009年時，由德國的Dillmann等人提出的力感操控購物車InBOT[11]，如圖 1.9(a)所示，配備兩顆雷射測距儀處理避障及定位等問題，以及四顆主動全向輪 輔助購物車移動，其操控採用應變規式的力感應握把，來辨別使用者前進、停止、 靠牆、轉彎等意圖，如圖1.9(b)所示。此系統有兩種操作模式：(1)基本行為模式： 使用者不需控制購物車，購物車本身將提供避障及目標導引的功能，將使用者準 確又安全的帶領到目的地，和(2)進階行為模式：使用者藉由握把控制購物車移 動、轉彎、靠牆等動作，同時購物車將持續維持避障的能力，讓使用者得以避開 危險的環境。

1.3.3 被動式行動輔具

相較於主動式的行動輔具，必須依靠力感應器或其他感應器來傳達使用者的 意圖來操控輔具，被動式行動輔具在使用者意圖辨識操控的研究相對比較少，因 被動式輔具不需要操控馬達移動，然而具備力感應器的被動式輔具仍具有其優 勢。 在被動式行動輔具相關研究中，在2007年時，日本東北大學的Kosuge等提出 了被動式行動輔具RT-Walker[12]，如圖1.10所示，它的特點是機器人是以伺服煞 車器來提供煞車力，其配備有力/力矩感測器，當使用者施予輔助器力/力矩時， 輔助器將會移動，否則輔助器本身是不會移動的，而雷射測距儀則是在測量環境 的資訊，達到避障與避階梯功能，另外，其備有傾斜儀，以偵測輔具與地面的傾 斜角度，利用伺服煞車器預先補償地心引力影響，使得在斜坡的道路上輔具不會 因為地心引力的影響而下滑，增加操控上的穩定性。 在2008年時，日本島根大學的Hiroyuki等也提出被動式行動輔具[13]，如圖 1.11所示，其運用三軸加速度計來辨識使用者意圖，主要針對於四輪輔助器的伺 服煞車器控制，提出了演算法來評估使用者的行走狀態，其定義三種狀態：(1) 為了避免使用者滑倒，緊急煞車到輔具停止；(2)使用者推著輔助器因速度太快， 為了限制速度提高安全性，伺服煞車器持續慢慢煞車至輔助器慢下來；和(3)使 用者可以保持正常行走，煞車器不需提供煞車力。他們利用演算法評估三種使用 者行走狀態，並施予適當的煞車力大小。

(a)RT-Walker (b)搭載伺服煞車器的後輪 圖1.10 (a)RT-Walker和(b)搭載伺服煞車器的後輪[12]

(a)設計架構圖 (b)使用者操作的情形 圖1.11 Hiroyuki提出之Four-Castered Walker：(a)設計架構圖和(b)使用者操作的 情形[13]

1.4 研究目標

基於上述討論，主動式輔具往往需要透過力感應器來傳達使用者的意圖以便 操控機器，如果控制不當可能導致輔助器爆衝，發生危險；而被動式輔助器之動 態完全由操控者所施予的力所決定，乃利用伺服煞車器來限制輔助器的速度。利 用輔助器來幫助銀髮族行走，首先需要考量的是使用者的安全性，在考慮安全的 觀點下，本論文以本實驗室所設計之被動式行動輔具『i-go』作為實驗平台，而 由於近年來對於被動式行動輔具操控者的意圖辨識研究相對較少，我們也針對辨 識使用者意圖的需求，設計了一款握力感應握把，經由迴歸模型找出使用者操作 握把時的意圖與推力、旋轉力矩間的關連性；而當使用者意圖直接融入運動控制 時，因輔助力的瞬間出現及消失會對系統產生振盪問題，對此我們另外提出了一 套基於使用者意圖，運用模糊理論控制助行器的方法，除了可以有效避免震盪問 題，也能讓使用者在移動及轉彎上操作的更平順、更省力；並且為了因應不同的 使用者操作時的習慣不同，我們提出了一套運用適應性神經模糊推論來自動學習 模糊控制參數的方法，以適應不同的使用者。

1.5 論文架構

我們在第二章介紹所發展的機器人行動輔具意圖辨識系統，先運用Laeeo迴 歸模型找出使用者的意圖與推力、旋轉力矩的關係，同時利用PCA演算法辨識使 用者意圖，並運用模糊理論設計使用者意圖控制器，讓使用者可利用意圖操控助 行器，更進一步，我們運用ANFIS來找出針對個別使用者操作習慣的控制參數， 並將所設計的順應性控制器進行使用者意圖控制助行器的任務；第三章為系統實 現，此章節為行動輔具的硬體介紹，主要分為兩個部分：系統硬體架構與系統控 制架構；第四章為實驗與結果，此章為利用所設計的行動輔具系統進行實驗，並 進行實驗結果的討論；第五章為結論，提出本論文的結論與未來發展。

第二章

機器人行動輔具意圖辨識系統

本章重點在於針對機器人輔助器 i-go 使用的意圖辨識演算法及藉由意圖控 制煞車器的方式進行介紹，當使用者操作 i-go 時，我們可以由握把上的壓力感 應器量測出使用者的握力分佈，進而分辨出使用者的意圖，i-go 握把上的感測器 量測出使用者施加的握力與握力分佈時，會將這些資訊送入意圖辨識控制模組 中，如圖2.1 所示，這個辨識控制模組內含的意圖辨識器可以辨識使用者的施力 意圖，通過Lasso 迴歸模型，推論出使用者意圖與實際推拉力、旋轉力矩間的關 係，藉著推論出來的推拉力與旋轉力矩帶入車體運動控制方程式中，可使車體達 到精確穩定的控制，意圖模糊控制器適用於大眾使用者，通過 PCA 演算法得出 使用者各個意圖的權重，將這些意圖權重值輸入模糊控制器中，可使車體隨著使 用者的意圖，適當穩定的移動；為了因應每個使用者操作習慣上的不同，可以將 適用於大眾的意圖模糊控制器換成適應個人的適應性意圖模糊控制器，此控制器 可自行學習適當的模糊歸屬函數的方式，通過該控制器，使用者可以得到適合自 己的控制參數，穩定地依據自身意圖移動車體。 基於上述，我們將在本章節詳細介紹行動輔具系統中的各個元件；在2.1 節， 我們介紹輔助器的動態系統分析；在2.2 節介紹推論使用者意圖與推拉力、旋轉 力矩間的關係的方式，並利用Lasso 迴歸模型來幫助推論；在 2.3 節介紹具辨識 使用者意圖之模糊控制器設計，利用 PCA 演算法辨識使用者意圖，並運用模糊 控制器達成控制車體移動；在2.4 節則介紹意圖適應性模糊控制器的設計，利用 ANFIS 的方法，學習出適合個別使用者的控制參數達成控制車體移動。

圖2.1 i-go 意圖辨識功能示意圖

2.1 i-go 動態系統分析

當銀髮族推著輔助器時，其運動方式與輔助器本身的系統參數有關，當使用 者施予力在輔助器時，我們需考慮系統參數與使用者所施予的力之間關係，進而 分析輔助器的動態；從行動輔助器的結構圖來看，如圖 2.2 所示，其中 Applied Force( f /h n )為使用者所施予在輔助器上的力/力矩，Brake Force(h f /b n )為兩輪上b

伺服煞車器各別所輸出煞車力矩影響在整個輔助器上的煞車力/煞車力矩，而在 卡氏座標系中，我們將輔助器空間中座標的位置與朝向角表示成(2.1)式： [ ]T c c q= x y

θ

(2.1) 其中x 、_c y 為輔助器兩後輪旋轉中心的座標，_c θ為輔助器朝向角。

圖2.2 行動輔助器結構圖 假設在輪子不會滑動的情況下，由於輔助器在運動上有所限制，所以無法進行橫 向平移的動作，移動方式必須依照輔助器車體有限的迴轉角度前進，所以我們可 以得到一個non-holonomic限制為[14]： 0 ) (q q= C  (2.2) 其中， ( ) [sin cos 0] C q = θ − θ (2.3) 假如行動輔助器的速度以及角速度表示為v和ω，我們可以得到C(q)的子空間矩陣 為S，使得 EV q= (2.4) 其中， ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 1 0 0 sin 0 cos

θ

θ

E (2.5) v V w ⎡ ⎤ = ⎢ ⎥ ⎣ ⎦ (2.6) 輔助器之動態系統在滿足(2.2)式的條件下，我們將行動輔助器運動的動態方程式

表示為(2.7)式，即可利用此關係進而分析輔助器之動態： b h E E q D q M+ =

τ

+

τ

_(2.7) 其中， 0 0 0 0 0 0 m M m I ⎡ ⎤ ⎢ ⎥ = ⎢ ⎥ ⎢ ⎥ ⎣ _⎦ 0 0 0 0 0 0 d D d d_θ ⎡ ⎤ ⎢ ⎥ = ⎢ ⎥ ⎢ ⎥ ⎣ _⎦ M ：行動輔助器之質量矩陣，m：行動輔助器的質量，I：行動輔助器轉動慣量， D：行動輔助器之阻尼矩陣，d：行動輔助器的平移阻尼， d_θ：行動輔助器的轉 動阻尼， b

τ

：煞車器的施力 _⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = b b b n f

τ

h

τ

：使用者的施力 _⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = h h h n f

τ

並且我們可以將左右輪各別所輸出之煞車力矩( , )t_br t_bl 對整個行動輔具所產生的 煞車力/煞車力矩 ( , )f n 之間關係，表示成_{b b} (2.8)式： ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − = ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ b b bl br n f b r r b r r t t 2 2 2 2 _(2.8)

2.2 使用者意圖與施力關係辨識

由上一節推得之(2.7)式可知，一旦我們能夠知道使用者施加在 i-go 上的推拉 力與旋轉力矩，配合已知的 i-go 質量、阻尼、煞車力的大小等，即可透過(2.7) 式精確地控制 i-go 達到所要求的運動狀態。然而我們要如何得到使用者的推拉 力與旋轉力矩，方法有許多種，最直接的就是透過兩軸的應變規式力感應器直接 量測出來，但是我們在第一章時提到過，應變規式的力感應器都非常的昂貴，且 很容易因為操作不慎而損壞，因此在本節我們提出了另一種可能性，藉由所設計 的可辨識使用者意圖之握把判斷出使用者的意圖，並透過實驗找出使用者意圖與 推拉力、旋轉力矩間的關係。 我們設計的握把為圓柱型，如圖 2.3 所示，左右手把各覆有 13 個力感應器 對應我們認為手掌上比較重要的13 個位置，其標示於圖 4.4 上的 01~13 號位置， 當使用者對握把施予其想要的意圖時，我們可以由握把上的力感應器量測到 26 筆數值。 圖 2.3 意圖辨識握把示意圖 目前有許多種方法可以處理多變數的分群問題，常見的如類神經網路

用NN 或 SVM 在訓練或分割上會花費相當多的時間，且準確率未必相對精準， 這時候使用迴歸分析是一種省時又能精確建出分群模型的方法。迴歸方法有許多 種，在這篇論文中我們使用的是 Lasso(Least absolute shrinkage and selection operator)迴歸模型，這種模型是 1996 年由加拿大多倫多大學的 Tibshirani 教授所 提出[15]，此模型比起其它迴規模型的優點在於其被證明能有效排除變數間的相 依性，達到比較精確的估測，且Tibshirani 教授也在他發表的論文中提供幾種迴 歸模型的比較，結果證明當解釋變數量超過十個且變數彼此間的關聯性中等時， Lasso 模型可以得到比較好的估測。 我們將訓練資料模型表示為(2.10)式： i e X Y =

β

ˆ + (2.10) 其中，

[

x1 x2 x26

]

X = " (2.11) ] [ ˆ 26 1 0 β β β β = " (2.12) Ｘ代表握把上的 26 個力感應器量測到的數值，Y 表示經由兩軸力感應器所量測 出之使用者對i-go 的推拉力及旋轉力矩，βˆ為訓練數據中握把上的力感應器數值 與對應欲估測出的推拉力、旋轉力矩間的關係係數向量，e_i為估計誤差，我們希 望能由樣本訓練資料中找出一組βˆ，將這組βˆ重新乘以Ｘ，可以得到估測的推拉 力、旋轉力矩，如(2.13)式所示；

β

ˆ

ˆ

_X

Y

=

(2.13)

其中，P 表示輸入的變數個數，在本論文的情況下，P = 26，N 表示訓練資料的 數量，λ表示對個別變數貢獻性的加權項，當Y −Yˆ的差距越小，代表我們的估 測越接近原始訓練資料，因此找出一個βˆ讓Y−Yˆ的誤差最小即是(2.14)式的目 的，我們將(2.14)式表示成向量形式，令

β

β

λ

β

β

β

λ

β

β

β

ˆ_{) { ( ) } (} ˆ_{) (} ˆ₎ ˆ ˆ ( 1 2 1 2 1 0 T T P j j N i P j j ij i x Y X Y X y Q =

∑

− −

∑

+

∑

= − − + = = = (2.15) 將(2.15)式乘開後可得到(2.16)式：

β

β

λ

β

β

β

β

β

ˆ₎ ˆ ˆ ˆ ˆ ˆ ˆ ( T T T T T T T X X Y X X Y Y Y Q = − − + + (2.16) 欲得到Q(

β

ˆ)有最小值時的βˆ 值，我們需要對Q(

β

ˆ)中的βˆ 取微分等於 0，可得 (2.17)式： 0 ˆ 2 ˆ 2 ˆ ) ˆ ( _{=− − + + =} ∂ ∂

_β

_λ

_β

β

β

X X Y X X Y Q T T T (2.17) 由(2.17)式可得出βˆ 的解為 Y X I X XT ) 1 T ( ˆ _{= +}

_λ

−

β

(2.18) 有了這個迴歸模型，經過訓練後，我們可以對推拉力及旋轉力矩各做一次訓練， 並將訓練得的兩個βˆ 與一組經握把上的 26 個力感應器新量測到的數值代入(2.10) 式中，可以推論出該意圖的推拉力與旋轉力矩，而不需要使用昂貴又易損壞的兩 軸力感應器。

2.3 具辨識使用者意圖之模糊控制器設計

經過我們的測試，雖然將得到的推拉力與旋轉力矩帶入(2.7)式可以精確地控 制 i-go 達到所要求的運動狀態，但使用者操作上卻會感覺到很不適應，主要是 因為直接將精確的力資訊帶入i-go，運動方程式會使得煞車器的力輸出產生震盪 的效應，日本東北大學的 Kosuge 教授也曾在他的論文中提到這個問題[17]，會 造成這個問題是因為當使用者在目前的時刻中給予 i-go 一個正向推力或旋轉力 矩，i-go 的煞車器在下一時刻隨即給予相應的反應力，使用者在下一個時刻會突 然感覺到自己施加了太多的力，而下意識的給予 i-go 一個反向的推拉力或旋轉 力矩，這時候 i-go 的煞車器又會在下一時刻給予這個反向的補償力，此時使用 者又會覺得自己應該再施加一個正向推力或旋轉力矩，如此反覆將會使煞車器的 力輸出一直處於震盪情況，如圖2.4 所示。

(Rule Base)，配合模糊推論(Inference mechanism)決定其規則，再透過解模糊化界 面(Defuzzification)，以兩個模糊控制器分別決定使用者意圖對i-go所產生的左、 右輪相對煞車力，進一步控制兩輪煞車力矩大小，達到意圖控制的目的。所設計 的兩個模糊控制器皆採用相同的意圖作為輸入，以模糊控制方式，達到控制目 的，整體模糊控制系統架構圖如圖2.5所示，其中當使用者在依賴i-go時，會對 握把產生一組下壓力U，此下壓力代表使用者對輔具的依賴程度，而當使用者欲 移動輔具時，左手與右手分別會對左右握把各產生一組移動力FL、FR(可能是拉 力或推力)，由左右手施力的不同將可以辨別出使用者是要轉彎、前進或是停止， 最後經過模糊控制器後得到相對於前一時刻的左輪扭力輸出Ltorque及右輪扭力 輸出Rtorque。 圖2.5 整體模糊控制系統架構圖 有了這些概念後，我們可以採用fuzzy控制的方式[18]將使用者意圖輸入分 為左右手移動力，各四種程度，分別為左拉力、左推力小、左推力中、左推力大、 右拉力、右推力小、右推力中和右推力大；下壓力分為下壓力小及下壓力大兩種 程度，拉力的部分沒有分程度主要是由於拉力通常代表的是一個需要煞車的意 圖，基於安全性考量煞車應該盡速完成而不應有程度之別，然而我們左右手各有 13個感應器，要如何才能歸類出這10種狀態，是一個重要課題，在這篇論文中我 們採用主成分分析的演算法，先判別出所有力感應器對每一種意圖的貢獻程度向 量。

主成分分析(Principal components analysis, PCA)是一種簡化變數量、取其特 徵向量的統計方法，我們將其運用在找出力感應器對每一種意圖的貢獻程度特徵 向量，首先令

[

]

T n x x x X = _{1 2} " (2.19) 其中，n表示這個意圖會用到的力感應器數量，我們用PCA取五種意圖的特徵向 量，如表2.1所示(感應器編號可參考圖2.3)。 表2.1 PCA特徵向量規畫 意圖 運用到的力感應器編號 運用到的力感應器數量 左拉力 左手01~13號 13 左推力 左手01~13號 13 右拉力 右手01~13號 13 右推力 右手01~13號 13 下壓力 左手01~13號和右手01~13號 26 我們希望找到一組特徵向量a，滿足aTa=1，且aTX 的變異量要最大，才足以 代表各組資料間的差異，其中 ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = n a a a a # 2 1 (2.20) n表示這個意圖會用到的力感應器數量。我們對aTX 取變異數得到(2.21)式：

⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = Σ ) , cov( ) , cov( ) , cov( ) , cov( ) , cov( ) , cov( ) , cov( ) , cov( ) , cov( 2 1 2 2 2 1 2 1 2 1 1 1 n n n n n n x x x x x x x x x x x x x x x x x x " # % # # " " (2.23) 因為Σ為共變異矩陣，其至少滿足半正定矩陣，根據正定、半正定矩陣定義，可 以得到(2.24)式： 0 , ≠ = Σ T Max T T a a a a a Max

λ

(2.24) 其中

λ

_Max為Σ的最大特徵值，滿足(2.24)式時的a為

λ

_Max的特徵向量，將這5組特 徵向量對各個力感應器值取內積，可得到5種意圖權重值，且 左移動力權重值 = 左推力權重值-左拉力權重值 (2.25) 右移動力權重值 = 右推力權重值-右拉力權重值 (2.26) 即可以得出左移動力、右移動力及下壓力的權重值做為模糊控制器的輸入。 輸出的部分則是左右輪煞車力矩與目前的煞車力矩相比的狀態，有各九種程 度，如表2.2所示，其中「+」代表增加煞車力， 「－」代表減少煞車力，將輸 入與輸出變數的操作範圍定義出各變數模糊化程度，再利用輸入變數資料的值定 義歸屬函數(membership function)。 表 2.2 模糊控制I/O 輸 入 輸 出 左前進力 右前進力 下壓力 左輪程度 右輪程度 FB(拉) FB UL(下壓力小) +4 (加 4 級扭力) +4 FL(推力小) FL UH(下壓力大) +3 (加 3 級扭力) +3 FM(推力中) FM +2 (加 2 級扭力) +2 FH(推力大) FH +1 (加 1 級扭力) +1 0 (扭力不變) 0 -1 (減 1 級扭力) -1 -2 (減 2 級扭力) -2 -3 (減 3 級扭力) -3 -4 (減 4 級扭力) -4

在模糊化的階段裡最重要的是設計歸屬函數，而歸屬函數的外型與設計者 需求的特性與經驗有關，一般常見的是用三角形或梯形來描述歸屬函數的外型， 在這個模糊控制器中使用的是三角形的歸屬函數。圖2.6與圖2.7為分別為本論文 所使用的輸入與輸出歸屬函數，利用這些函數來描述使用者意圖對i-go的煞車狀 態，進一步達到控制i-go伺服煞車器輸出之煞車力矩。 0 1 -5 -4 -3 -2 -1 0 1 2 3 4 5 (a)左前進力歸屬函數 0 1 -5 -4 -3 -2 -1 0 1 2 3 4 5 (b)右前進力歸屬函數 1 FH FM FL FB FH FM FL FB UH UL

(a)左輪程度歸屬函數 (b)右輪程度歸屬函數 圖2.7 具辨識使用者意圖之模糊控制器輸出變數歸屬函數：(a)左輪程度歸屬函數 和(b)右輪程度歸屬函數 在設計模糊控制器中，模糊規則也是相當重要的一部份，因為所有的狀態都 必須根據我們所定義的規則庫裡的規則進行操作，所以制定一組好的模糊規則是 必要的。一般而言，模糊規則的產生方式主要有下列四點： (1) 由使用者的經驗與控制行為獲得； (2) 由專家的知識自定規則； (3) 根據被控系統的特性獲得； (4) 藉由自我學習的方式獲得。

在本節中，我們採用上述(1)之方法來獲得所使用的32條模糊控制規則，此32條 控制規則是以IF~THEN模式陳述的模糊控制規則來表示，左輪輸出力矩程度模糊 控制規則，如圖2.8所示，右輪輸出力矩程度模糊控制規則，如圖2.9所示，舉例 來說，當左手的施力是推力小、右手施力是推力小、下壓力為大的時候，左輪跟 右輪的輸出力矩都減1級，來表示使用者此時想前進，我們就需要減少煞車力。 圖2.8 左輪輸出力矩程度模糊控制規則

圖2.9 右輪輸出力矩程度模糊控制規則

模糊推論的方式有許多種，常見的有代數乘積和MAX-MIN法則，在本論文 中使用的是MAX-MIN法則。而解模糊化是將模糊推論輸出值對應到實際控制動 作空間的數值，提供受控系統操作使用；解模糊化的方式有很多種，常見的有 mean of maximum 和 center of area，本論文採用center of area 的方法來完成解模 糊化的過程，此種方法也叫重心法(center of gravity)，重心法是採用各控制力之 中心平均來產生平均控制力，也就是求出推論結果面積的重心，並加以對應的輸 出操作量，其公式如 (2.27)式所示： 1 1 [ ( )] [ ( )] n j j j crisp n j j C C C C μ μ = = =

∑

∑

(2.27) 其中，C_j表示第j個模糊歸屬函數的中心值，

μ

(C_j)表示第j個模糊規則經推論的 適合程度，C_crisp表示模糊控制器的輸出量。最後得到使用者意圖對i-go所影響的 左/右輪輸出力矩程度，跟前一時刻的煞車力相比後輸出適當的的煞車力給雙 輪，達到控制i-go移動的目的。

2.4 具適應性之意圖辨識模糊控制器設計

在上一節中，我們提出的具辨識使用者意圖之模糊控制器，其歸屬函數的定 義是根據我們的經驗法則得到，使用者必須以群體所推出的方式來操控i-go，然 而，各個使用者的操作習慣並不會完全相同，每一個人所呈現出的意圖也不盡相 似，因此，在本節中，我們提出一種可以藉由學習得到歸屬函數的方式，並將學 習後的歸屬函數應用到i-go 的控制中。 在學習上，神經網路是一種很常用到的方法，在本節中我們使用適應性神經 網路模糊推論系統(Adaptive Neural Fuzzy Inference Systems, ANFIS)的方法，這個 方法最早在1993年由Jang所提出[19]，指出這個方法可以由類神經網路架構來替 代Sugeno模糊模型，Sugeno模糊模型最早是由Takagi、Sugeno與Kang共同發展出 來[20][21]，有別於2.2節所用到的Mamdani模糊模型系統的輸出為模糊量，Sugeno 模型的特色是可以由輸入輸出的範例中，有系統的產生所需要的if-then規則的前 提部與推論部，將Sugeno模糊模型以ANFIS架構來表示時，我們就可以利用神經 網路自我學習調整的演算法，來決定Sugeno模糊模型的前提部及推論部的參數。

在本論文中我們使用的是一階的Sugeno模糊模型(first-order Sugeno fuzzy model)，以兩個輸入變數、兩個模糊規則、一個輸出變數為範例，其模糊規則可 以表示如下：

規則1： if x1 is A1 and x2 is B1 then f1 =

α

1x1+

β

1x2 +

γ

1 (2.28)

圖2.10 ANFIS架構 第一層：輸入層 這一層中決定輸入變數x₁、x₂屬於歸屬函數A₁、A₂、B₁、B₂的程度，在本論 文的設計中，歸屬函數使用的是鐘形的歸屬函數，根據圖2.10及鐘形函數的公式 可得

( )

₁ 1 2 1 1 1 1 11 1 1 b A a c x x O − + = = μ (2.30)

( )

₂ 1 2 2 2 2 2 21 1 1 b B a c x x O − + = =μ (2.31)

( )

3 2 2 3 3 1 1 12 1 1 b A a c x x O − + = =μ (2.32)

( )

4 2 2 4 4 2 2 22 1 1 _b B a c x x O − + = =μ (2.33) 這裡的a_i、b_i、c_i，i =1,2,3,4為前提部參數。

這一層中決定各模糊規則的適合度，在本論文中運用的是t-norms代數乘積運 算，t(p,q) = p．q，其運算如下： 1,2 i , ) ( ) ( × = = x y w i i B A i

μ

μ

(2.34) 其中w_i表示兩輸入變數在其所屬的歸屬函數中的歸屬值之乘積，也代表對該模 糊規則的適合度。 第三層：正規化層 這一層中將適合度作正規化的處理(Normalized)，使其值介於0~1之間，如式(2.35) 所示： 1,2 i , = =

∑

i i i i w w W (2.35) 其中W_i表示正規化後兩歸屬函數歸屬值的乘積。 第四層：結果推論層 這一層中處理每條模糊規則的推論運算，其公式如下： 1,2 i , ) ( ₁+ ₂ + = = _{i i i i} i i f W x x W

α

β

γ

(2.36) 第五層：輸出層 這一層負責解模糊化的動作，將各條模糊規則推論出來的結果相加，作為最後的 輸出，其公式如下： 1,2 i , = =

∑

i i i f W f (2.37) 其中 f 代表解模糊化後的最後輸出。 有了標準的 ANFIS 的架構後，我們需要經過訓練才可以得到我們所需要的

{

α

1

β

1

γ

1

α

2

β

2

γ

2

}

= Q (2.39) 為了訓練這些參數，需要經過ANFIS 演算法學習的過程，我們先將(2.37)式重新 整理成(2.40)式， 1,2 i ) ( ₁+ ₂+ = =

∑

， i i i i i x x W f α β γ (2.40) 1,2 i ) ( ) ( ) ( =

∑

₁ +

∑

₂ +

∑

， = i i i i i i i i i W x

β

W x

γ

W

α

(2.41) 我們可以用 A、B 兩個矩陣來代表(2.41)式，表示成(2.42)式：

AB

f

=

(2.42) 其中， ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) 2 ( ) 2 ( ) 2 ( ) 2 ( ) 2 ( ) 2 ( ) 2 ( ) 2 ( ) 2 ( ) 2 ( ) 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 ( 2 2 2 1 2 1 2 1 1 1 2 2 2 1 2 1 2 1 1 1 2 2 2 1 2 1 2 1 1 1 n W n x n W n x n W n W n x n W n x n W W x W x W W x W x W W x W x W W x W x W A # # # # # # (2.43)

[

]

T B=

α

1

β

1

γ

1

α

2

β

2

γ

2 (2.44) 其中 n 為訓練資料數。令 n 筆原始訓練資料輸出為 Y，運用最小平方估測法 (Least-Square Estimator, LSE)，可得到(2.45)式：

Y A A A B=( T )−1 T (2.45) 由(2.45)式可以求出最佳的推論部參數 Q，將 Q 代回(2.37)式，可以得到一組輸出 f，為了瞭解學習結果與訓練資料間還有多大的差距，可以通過(2.46)式得到原始 訓練資料輸出與我們推論輸出之差值的平方 E： 2 ) (Y f E= − (2.46) 利用最陡坡降法(Steepest Descent)使 E 的值最小，即可得到最佳的前提部參數， 如(2.47)式所示： p E p ∂ ∂ − = Δ

η

(2.47) 其中，p 為任一個前提部參數，η為學習速率常數。

以上的步驟為一次的訓練，隨著訓練次數的增加，E 的值將會越來越小，最 後收斂到我們所容許的誤差範圍內，訓練即結束。然而一開始我們並不知道前提 部參數的正確數值應該是多少，因此在訓練前我們必須先設定一組前提部參數 P，接著依循下列學習步驟完成訓練： Step1. 因為目前的推論部參數未知，為了得到第一組推論部參數，先由設定的前 題部參數 P 通過(2.30)式到(2.35)式得到一組W、1 W2。 Step2. 將 Step1 的結果運用(2.45)式得出一組推論部參數，且將此推論部參數通 過式(2.37)得到一個輸出 f。 Step3. 將 f 帶入(2.46)式和(2.47)式，可得到新的前提部參數。 Step4. 將這個新的前提部參數帶進(2.30)式到(2.35)式得到新的一組W、1 W2。 Step5. 回到 Step2，繼續學習，直到輸出誤差夠小為止。 這種反覆學習的方法又稱為混合式學習(Hybrid learning)。 以上是由兩個輸入變數，兩條規則組成的範例，隨著輸入變數及規則的增加 將會使得學習的運算越趨複雜，本論文中，我們所設計的具適應性之意圖辨識模 糊控制器，具有3 個輸入變數，2 個輸出變數，32 條規則，這些輸入、輸出變數 的決定方式與上一節提到的具辨識使用者意圖之模糊控制器的輸入、輸出變數決 定方式相同，不同點在於具適應性之意圖辨識模糊控制器的歸屬函數產生方式， 是經由個別使用者通過實驗決定出一組其最適應的輸入輸出值，將該組輸入輸出 值做為訓練數據，得到適合該使用者的歸屬函數，通過這組學習過的歸屬函數， 可以適應使用者個別的操作習慣，更有效達到透過意圖控制i-go 的效果。

第三章

意圖辨識與控制系統實現

前ㄧ章說明了我們使用的意圖辨識演算法及基於使用者意圖的控制方式，這 一章將介紹如何將這些演算法實現在系統上。我們選用本實驗室所開發的行動輔 具『i-go』作為實驗平台，其外型如圖3.1所示，i-go為一多工能智慧型行動輔具， 本身具有避障、重力補償功能，擁有以被動方式達到主動導引功能，並可辨識使 用者意圖，其架構如圖3.2所示，本論文的重點集中在使用者意圖辨識的功能上 面，為了能有效辨識使用者意圖，我們替i-go設計了一款具有意圖辨識功能的握 把，上方覆有壓力電阻式的 force sensor作為感測器( FSR)，左右握把上各有13 個FSR，然而電阻與施力間的關係並不適合於一般晶片運算，因此我們將其轉換 為電壓與施力間的正比線性關係，隨著使用者施力增加後，輸出電壓也將會逐漸 變大，將輸出電壓經過8bits AD轉換後，總共可以得到26筆握力特徵資料。i-go 使用DSP晶片作為核心處理器，為了使用者的安全，我們另外使用2顆PIC晶片分 別處理左右手資訊，以達到及時運算的目的，讓我們的核心控制器DSP能在使用 者遇到危險狀況時有最快速的反應。將PIC晶片處理後的26筆資料配合邏輯電 路，可以隨時用DSP晶片藉由並列存取的方式讀取所需要的手之握力資訊。為了 客觀證明我們的實驗結果，在i-go車體軸心處裝置了一套兩軸應變規式力感應 器，來進行推拉力、旋轉力矩的量測，以量測出來的數值驗證我們的實驗結果。 3.1節介紹i-go及所會用到的硬體設備與架構，3.2節介紹i-go及力感應器的控制系 統與架構。

3.1 i-go 硬體架構

i-go 硬體架構如圖 3.3 所示，其配備有一顆德州儀器公司(TI)出產的 DSP 核 心處理器TMS320F2812 來運算與煞車力輸出相關的演算法，搭配兩顆 Microchip 公司出產的PIC18F4520 晶片，分別處理兩手各 13 個 force sensor 握力資訊，來 達到左右手判斷使用者意圖的目的，一顆雷射測距儀偵測障礙物與i-go 的距離， 達成避障的功能，兩顆傾斜儀分別計算兩個方向與水平面的傾斜角度，以一顆 PIC18F4520 晶片搭配兩顆 500 pulse per revolution 的軸編碼器分別計算左右輪的 角速度，以即時達成i-go 位置與速度的更新。

3.1.1 行動輔具之車體

所設計行動輔具車體結構是以鋁合金方管為材料，長 770 mm、寬 550 mm、 高1050 mm，其高度可以上下調整 100 mm，以配合不同身高之使用者；下車體 成一ㄇ字型，相關尺寸如圖3.4(a)、(b)所示，其設計為ㄇ字型，可以讓使用者行 走在輔具中ㄇ字型中間，以提供較好的輔助與穩定性；行動輔具最底層放置驅動 部分，如圖3.5(a)所示，是由後方兩個直徑為 5 inch 的橡膠輪加上前面兩個輔助 輪以保持車體平衡，橡膠輪再經由皮帶連結到煞車器，此外，皮帶上我們使用1： 2 的齒輪比將煞車器輸出的煞車力放大 2 倍，如圖 3.5(b)所示；i-go 的外殼則是 採用流線型的設計，如圖3.6 所示，以增加使用者使用的意願；另外在底盤的位 置，裝置有24V 電池，可以讓 i-go 以獨立電源的方式運作。 (a)車下體尺寸 (b)車身尺寸 圖3.4 (a)車下體尺寸和(b)車身尺寸

(a)i-go 行動輔助器底部示意圖 (b)皮帶輪與後輪配置圖 圖3.5 (a)i-go行動輔助器底部示意圖和(b)皮帶輪與後輪配置圖

3.1.2 握力資訊擷取機構

為了偵測使用者的意圖，我們設計了一款力感應握把，其相關尺寸如圖3.7 與3.8所示，結構主要是由中間的骨幹與外側的16片孔蓋組成，骨幹為一四角柱， 四面構造皆同，內部為空心，圖3.7的灰色正方型區塊為力感應器的放置位置， 每個力感應器旁邊的灰色長條方塊為一個細孔，用途是將電線從外側穿到車體內 部，成品的外觀如圖3.9與3.10所示。骨幹上一共有16個力感應器放置區，每一放 置區塊皆可上蓋，但由於有三處是手掌、手指無法觸及的，故力感測器每隻握把 僅配置13個，由於力感測器在使用時必須讓力均勻地分布在感測片的圓形感測範 圍內，因此每個力感應器上，我們用一顆比感測器感測面積略小的磁鐵將感測器 吸附在握把骨幹上，同時可以確保施力集中於力感應器的感測範圍，磁鐵的另一 端則吸附一個孔蓋，孔蓋只與磁鐵有接觸，與骨幹則沒有接觸面，如此的設計可 使使用者的施力不會分散到力感應器以外的地方；當使用者左右手各握住一支握 把，如圖3.11與3.12所示，即可由這兩支握把上的力感應器得知左右手的施力大 小及施力分佈方式，其感測器與手掌的相對位置可參考圖2.3。 為了驗證使用者意圖與實際量測施力值之間的關係，我們將兩軸力感應器裝 置在助行器的中心軸上，如圖3.13所示，裝置在這裡的兩軸力感應器可以非常精 確地量測到使用者的推拉力及旋轉力矩。

圖3.8 握把側面圖尺寸

(a)握把成品側視圖 (b)握把成品拆解圖 圖3.10 (a)握把成品側視圖和(b)握把成品拆解圖

(a)握把實際使用情形側面 (b)握把實際使用情形正面 圖3.12 (a)握把實際使用情形側面和(b)握把實際使用情形正面

3.1.3 伺服煞車器

系統採用RD-2087-01伺服煞車器，如圖3.14(a)所示，為LORD公司製作的旋 轉式剎車器，系統結構中具有一個置於磁黏滯液體中的轉動鋼盤，環型電磁線圈 可產生剎車阻尼所需的磁場，磁黏滯液體以剪力方式產生黏滯阻尼力，最大輸入 電流為1.5 A，工作電壓為12-24 Volts，最大輸出力矩4 Nm，其輸入電流與輸出 力矩如圖3.14(b)所示，作動反應時間可達10~30 ms。操作上，我們使用DSP控制 器內部的PWM功能來執行控制，不過由於PWM為電壓調變訊號，而煞車器則是 運用電流控制扭力，因此在DSP與煞車器間需要一套將電壓轉換成電流的裝置， 我們使用的是LORD公司製作的Wonder Box裝置控制器，如圖3.15(a)所示[22]， 其最大輸入PWM頻率30K HZ，最大輸出電流為2 A，輸入電壓與輸出電流關係 如圖3.15(b)所示，將PWM電壓作整流轉換成類比電壓輸入Wonder Box裝置控制 器後，會輸出對應的電流至伺服煞車器決定輸出的力矩，以控制煞車力大小。

(a)RD-2087-01伺服煞車器

(b) 輸入電流與輸出力矩關係

(a) Wonder Box裝置控制器

(b)輸入電壓與輸出電流關係

3.1.4 力感應器

在 握 把 上 ， 我 們 採 用 的 力 感 應 器 型 號 是Tekscan 公 司 出 廠 的 A201-25-8 Flexiforce Sensor，如圖3.16所示，是屬於電阻式壓力感應器的一種，量測力的範 圍介於0lb~25lb，在沒有負載的情況下，電阻值非常的大(20MΩ)，隨著施加在 感應器頂端的圓形感應區塊內(直徑9.53mm)的負載增加，電阻值將會下降。感應 器電阻值與施力成反比關係，如圖3.17所示。 另一方面，在實驗驗證部分，我們採用了鴻讚科技所生產的兩軸力感應器來 執行精確的力資訊擷取，如圖3.18所示，兩軸力感應器可以精確的量測出推拉力 與旋轉力矩，最大量測推拉力為正負100N，最大量測旋轉力矩則為正負10Nm， 精度可達0.2%。此款力感應器屬於應變規式的力感應器，訊號輸出後需再經過濾 波器及運算放大器做訊號的處理，如圖3.19所示，處理過後的施力與電壓的關係 如圖3.20所示。 圖3.16 電阻式壓力感應器

(a)FSR施力與電阻的關係 (b) FSR施力與電導的關係 圖3.17 (a)FSR施力與電阻的關係和(b) FSR施力與電導的關係

扭矩與輸出電壓關係圖 -10 -8 -6 -4 -2 0 2 4 6 8 10 -5 -4 -3 -2 -1 0 1 2 3 4 5 輸出電壓(V) 扭矩 大小 (N m ) (a)兩軸力感應器輸出電壓與旋轉力矩關係圖 施力與輸出電壓關係圖 -100 -80 -60 -40 -20 0 20 40 60 80 100 -5 -4 -3 -2 -1 0 1 2 3 4 5 輸出電壓(V) 施力大小( N ) (b)兩軸力感應器輸出電壓與推拉力關係圖 圖3.20 (a)兩軸力感應器輸出電壓與旋轉力矩關係圖和(b)兩軸力感應器輸出電壓 與推拉力關係圖

3.2 i-go 控制系統架構

行動輔具硬體架構如之前圖 3.3 所示，以 DSP 為控制核心，周邊輔以 3 顆 PIC18F4520 分別處理左右手的力感應資訊以及軸編碼器偵測的速度及位置資 訊。銀髮族在推行動輔具的安全性往往是最需要密切注意的，會使用三顆 PIC18F4520 的主要原因就是希望在接收力資訊及偵測速度、位置時可以達到及 時的功能，使我們的核心控制器 DSP 能在使用者遇到危險狀況時做最快速的反 應。PIC 與 DSP 之間主要透過 UART 與並列傳輸的方式達到彼此溝通的功能， DSP 同時需驅動雷射測距儀來獲取環境與障礙物的距離，並且讀取兩顆傾斜儀的 類比電壓變化以得到環境中車身傾斜角度，最後將所有資訊透過運動控制及行為 控制演算法決定出兩組伺服煞車器所需輸出的煞車力度，其流程如圖3.21 所示。 核心控制晶片 PIC18F4520 TMS320F2812 決定 左右 煞車 力度 系統開機 偵測兩維環 境傾斜角度 偵測環境障 礙物距離 左煞車 力輸出 左煞車 力輸出

3.2.1 核心控制晶片 TMS320F2812

i-go 核心使用的是智控科技的easy-DSP 實驗板，大小約 90x80mm，可支援 12V~36V 的電源輸入介面，如圖 3.22 所示，裡面搭載的核心晶片是德州儀器公 司開發的TMS320F2812 系列，是一個 16 位元定點運算處理器，並配備有 32 位 元乘法器以支援 32 位元運算，擁有 176 個接腳，如圖 3.23 所示，最高操作時脈 可達150Mhz，獨特的硬體多工加速功能非常適合用來處理需要高速大量運算的 i-go，另外它的穩定性也是我們選擇的主要原因，TMS320F2812 的系統架構如 圖3.24 所示，其硬體功能尚有：

18 K words on chip RAM

128 K words on chip FLASH ROM 128 K words on board RAM

16 位元x16 位元和32 位元x32 位元乘加(MAC)運算操作 雙16 位元x16 位元乘加(MAC)運算操作

哈佛匯流排結構、強大的操作能力和即時中斷響應和處理 支援各式程式碼(C/C++ & Assembly)

通用式I/O(GPIO)

馬達控制周邊包含兩個Event Managers (EVA, EVB) 串列周邊介面(SPI)

兩個串列通訊介面(SCI) 增大的控制器區域網路(eCAN)

16 個通道的 ADC 轉換(12 位元解析度) 擴充連結頭

(a) easy-DSP正面圖 (b) easy-DSP側面圖 圖3.22 (a) easy-DSP正面圖和(b) easy-DSP側面圖

3.2.2 周邊控制晶片 PIC18F4520

為了增加使用者操作的安全性，我們需要持續將量測的力感應器資訊送至兩 顆額外的單晶片處理，讓DSP 可以專司演算法的運算，如此的設計可以避免 DSP 晶片在做演算法的計算時一直被A/D 轉換等工作中斷。美國 Microchip 公司所開 發生產的 PIC 單晶片是一種很常使用在控制的單晶片，我們選擇的型號是 PIC18F4520 系列，其為一款具 Harvard 架構的 8 位元單晶片，有 44 個接腳，腳 位圖如圖3.25 所示，採用精簡指令架構(RISC)，總共只有 75 個指令，最高工作 時脈可達40MHz，PIC18F4520 的外觀如圖 3.26 所示、系統架構如圖 3.27 所示， 其硬體功能尚有： 33 個中斷源及兩個高低優先權中斷向量 33 個數位 I/O 可預先設倍率的16 位元計時或計數器

兩個捕捉(Capture)、比較(Compare)以及脈波可調變(Plus Width Modulation PWM)模組：捕捉為16位元，解析度為12.5奈秒；比較為16位元，解析度為200 奈秒；脈波可調變的解析度為10位元

13個通道的ADC轉換(10位元解析度)

8位元的並列被動埠(Parallel Slave Port：PSP) 串列通訊介面(SCI)

同步的串列埠(MSSP)模組具有串列週邊界面(SPI)主模式(Master Mode)以及 I2C 的主從模式(Master/Slave)

圖3.25 PIC18F4520腳位圖[24]

3.2.3 握力資訊擷取系統

為了精確辨識使用者的意圖，我們使用到的力感應器數量眾多，因此需要一 套握力資訊擷取系統來專門處理兩手的握力資訊，由於FSR 屬於壓阻式感應器， 然而電阻與施力間的關係並不適合一般晶片運算，因此我需要將其轉換為電壓與 施力間的關係，轉換電路如圖3.28 所示，其中R 為 FSR 偵測出的電阻值，S RF則 採用100kΩ的電阻，輸出電壓V_OUT與輸入電壓V_T的關係如(3.1)式所示： ) ( S F T OUT R R V V =− × (3.1) 當輸入電壓V_T =−5V 時，隨著使用者施力變大，R 值將會漸漸變小，_S V_OUT也會 由 0V 逐漸變大成 5V，由V_OUT的值將可以推算出施力的大小，完成後的實體電 路如圖3.29 所示。我們使用 2 顆 PIC 晶片分別處理左右手資訊，每隻手有 13 個 FSR，將V_OUT經過8bits AD 轉換後總共可以得到 26 筆握力特徵資料，將這 26 筆 資料配合邏輯電路，如圖3.30 所示，可以讓 DSP 晶片可以隨時使用並列存取的 方式讀取所需要的那ㄧ隻手的握力資訊。由於兩顆PIC 的 8bits 握力輸出都接在 DSP 板的同一組 8bits 腳位中，為了防止短路，必須再接ㄧ顆 74541 三態閘，將 不需要傳輸的那顆PIC 做高阻抗隔離，最後因為 PIC 採用 TTL 電位，為 0~5V， 而DSP 則使用 0~3.3V 作為工作電壓，因此在訊號傳遞時需作電位的轉換，我們 使用智控科技所生產的電位轉換電路板，如圖3.31 所示。 兩軸力感應器是使用應變規及橋式電路組成，由於產品本身已具備有濾波器 及放大電路，我們額外需要進行的硬體處理在於因兩軸力感應器的輸出為正負 5V，然而負電壓無法做 AD 轉換，因此我們先外加ㄧ組 5V 的加法電路，下圖 3.32 所示，其中 Vforce 代表未經轉換過的電壓輸入端，此加法電路會先將電壓 範圍改變成0~10V，再使用一組線性電路將輸出範圍等比例縮小到 0~5V，最後 即可由控制晶片做AD 轉換處理，取得到我們需要的推拉力、旋轉力矩數值。

圖3.28 OP 放大電路

圖3.29 OP 放大電路實體圖

圖3.31 電位轉換電路板

第四章

實驗與分析

由前兩章提出了研究方法及系統的架構，在本章將在我們的系統上，針對提 出的研究方法進行實驗，並對於使用者意圖辨識及i-go控制的成效進行探討，為 了驗證在意圖辨識上，通過我們提出的迴歸模型能準確推論出意圖與實際推拉 力、旋轉力矩的關係，設計了意圖辨識與施力關係實驗，將在4.1節進行介紹； 為了驗證我們所設計的具意圖辨識之模糊控制器，在一般環境中能輔助銀髮族穩 定行走，並在老人欲轉彎或遭遇危險時給予煞車力輔助，設計了意圖操控i-go實 驗I，將在4.2節介紹；為了驗證我們設計的適應性意圖辨識模糊控制器能達到自 主學習模糊歸屬函數，並在一般環境中輔助銀髮族穩定行走，且在轉彎或遭遇危 險時給予煞車力輔助，設計了意圖操控i-go實驗II，將在4.3節進行介紹。

4.1 意圖辨識與施力關係實驗

此實驗的設計目的是希望能驗證我們設計的意圖辨識握把，能經由Lasso迴 歸模型推論出相對應於此意圖的推拉力與旋轉力矩。實驗開始前我們先對每個力 感應器做線性校正，校正方式是透過精確的砝碼逐漸對力感應器施壓，先找出壓

圖4.2 意圖辨識與施力關係實驗場景 在實驗中，受測者以自身的操作習慣自由行走於場景中，但不可以撞到障礙 物或牆壁，在這個實驗過程中，我們每隔0.5秒通過意圖辨識握把收集一次使用 者當下移動的意圖所造成的壓力值，以及通過兩軸力感應器得到在該意圖下的推 拉力與旋轉力矩，共收集1100筆的訓練資料，經過短暫休息後，重複相同的實驗 步驟，再收集400筆的驗證資料，表4.1為實驗受測者資料。 表4.1 意圖辨識與施力關係實驗受測者資料 受測者 性別 年齡 身體狀況 A 女 25 四肢健全 B 男 22 四肢健全 為了要找出使用者意圖與施力之間的關係，根據前一章提到的Lasso定義公

轉力矩之間的關係，有了這個βˆ 向量後，使用者只要對i-go施加任何一種意圖， 透過裝置在i-go力感應握把上的26個力感應器可以量出26個壓力值，將這些壓力 值與βˆ 向量取內積，即可推論出使用者在此意圖下的推拉力及旋轉力矩的大小。 我們將收集到的400筆經由握把上力感應器所量測出來的驗證資料與βˆ 向量取內 積後，可以估測出400筆推拉力與旋轉力矩，欲得知估測出來的推拉力、旋轉力 矩究竟存在多少可信度，可經由下方(4.1)式，來做計算， SST SSE − = 1 CF (4.1) 其中CF代表可信度，SSE代表驗證資料誤差，SST代表訓練跟驗證資料的總變異 量，我們透過將實際經由兩軸力感應器量測出來的精確值與估測的結果代入(4.1) 式即可算出我們的估測結果有多少的可信度。 前一章提到Lasso的優點在於可以避免因各個輸入變數間的相依性太高所導 致的估測誤差，相依性越高代表著在同一種意圖下有越多的力感應器呈現相同的 變化趨勢，我們可以藉著調整(2.14)式中的λ值來達到排除相依性的目的，當輸 入變數(由握把上力感應器所量測出來的數值)之間的相依性越高的時候，使用較 高的λ可以得到比較準確的估測結果，反之則使用較低的λ。我們針對兩位受測 者使用λ等於1~5來做估測，圖4.3所示為受測者A的結果，其中圖4.3(a)~(d)呈現 使用不同λ估測出來的結果，藍線代表經由兩軸力感應器實際量測到的精確值， 紅線則代表經由Lasso迴歸方法所推論出來的估測值，其中推拉力正的數值代表 拉力，負的數值代表推力；旋轉力矩正的數值代表左轉旋轉力矩，負的數值代表 右轉旋轉力矩，由實驗結果可以發現在推拉力的部分，λ等於2的時候，估測結 果準確率最高，可信度為85.4%，λ等於5的時候準確率最低，可信度為82.4%；旋 轉力矩在λ等於2到5的時候估測結果準確率差不多，其可信度約為81.5%，圖4.4 所示為受測者B的結果，其中圖4.4(a)~(d)呈現使用不同λ估測出來的結果，由實 驗結果可以發現在推拉力的部分λ等於2的時候估測結果準確率最高，可信度為