在阅读此文前，麻烦您点一下“赞和关注”，方便您进行分享和讨论，谢谢您的支持！

编辑|史小官

引用

机器人和其他辅助技术在从工厂工作到医疗保健等领域有着巨大的潜力，对机器人代理的安全有效控制是复杂的，提出了一种有效的框架，用于优化机器人和辅助技术在混合了人类和技术代理的系统中的行为，其中涉及众多高级目标。

该框架采用详细的生物力学建模和加权多目标优化相结合，可根据手头任务的规范对机器人行为进行精细调整，通过两个案例研究进行了说明。

涵盖了辅助生活和康复场景，并在实践中进行了三方协作的模拟和实验，结果表明，采用三方协作方法有明显的益处，显示了在机器人辅助任务中改善人类代理结果指标的潜力。

三方协作

人机协作涉及人类和机器人代理之间的合作，以实现共同的目标，与传统工业机器人环境不同，机器人代理通常通过屏障与人工作者分开，优先考虑安全性，而协作机器人利用人与机器人之间的直接物理交互来协助完成复杂或体力要求较高的任务。

人机协作场景在某种程度上可以通过物理交互和参与者数量来进行描述，在一个极端，人机团队合作涉及多名人类与自主机器人代理之间的合作。

物理人机交互场景通常涉及单个人与机器人之间的合作，并且重点关注两者之间直接物理交互的性质，人机团队合作与pHRI的交集包含了涉及多个人类和机器人代理，其中一些代理之间存在物理交互的问题。

三方协作场景在许多行业和领域中逐渐普及，涵盖了从工厂生产线到康复中心的各个领域，这得益于机器人和外骨骼技术在工作场所日益增加的应用。

它们被用于提高生产力并减轻员工和医护人员的体力负担，那些在工作场所从事体力劳动或重复性任务的人，其生涯中患上肌肉骨骼疾病的风险较高。

包括护士由于抬举和协助患者而导致背部受伤，办公室工作人员由于不符合人体工程学的不安全工作姿势而易患颈部疼痛和损伤，MSD会导致生产力下降，对工作者产生显著的负面身体和心理影响。

这些例子以及更多的例子融入一个通用的框架来解决三元协作的场景，这些场景定义为具有上述三个特征的场景，在进行三元协作任务时。

通常会有一个或多个高级目标需要实现，对于一个从事重复性高举任务的工厂工人，应该控制一个主动辅助的外骨骼来协助完成任务，同时最小化对工人肩部的损伤风险。

与任务相关的人体工程学风险水平以及量化该风险的方法高度依赖于具体的任务，在执行运动任务时，最小化对人类代理的人体工程学风险， 能够泛化到各种三元协作场景中，一个能够满足这些要求的自然设置是数学优化。

方框1. 优化框架 我们对三方合作问题的通用公式如下：

给定一组人体工程学度量指标如关节负荷、肌肉活动等，以及一组任务目标，目标是找到一个最优的机器人行为策略，使得机器人能够协助人类代理完成任务，并最大程度地降低任务对人体的人体工程学风险。

为了实现这一目标，使用了加权多目标优化方法，将优化问题转化为一个多目标问题，其中每个目标代表一个人体工程学度量，引入一组权重来平衡不同目标之间的重要性，通过调整权重，可以调整机器人的行为策略，以在满足任务目标的同时最小化人体工程学风险。

为了解决这个多目标优化问题，使用一种高级的数学优化算法，例如遗传算法或多目标粒子群优化算法，这些算法能够在搜索解空间中找到一组最优解，使得所有目标都能达到最优或接近最优的状态。

通过这个优化框架，可以在不同的三方合作场景中找到最优的机器人行为策略，从而实现高效而安全的协作。这对于工厂生产、医疗护理以及康复领域等多种领域都具有潜在的应用价值。

在上述优化框架中，有以下定义：

x∈Rn是优化变量，表示涉及人类和机器人代理的决策变量集合，Ek : Rn↦R是人体工程学度量指标函数，与相关的权重wk∈R一起定义目标函数，该目标函数为K个加权人体工程学度量的总和。

问题还包含两类约束：任务约束T∈T，用于规定确保任务完成所需的约束条件，以及建模约束M∈M，代表系统动力学约束。这些约束以不等式约束和等式约束的组合形式表示。

在优化过程中，目标是找到一组优化变量x，使得目标函数最小化或最大化，同时满足任务约束和建模约束，为解决这个多目标优化问题，使用适当的数学优化算法来搜索解空间，找到最优解或接近最优解的一组优化变量x。

通过这种优化框架，可以确定最优的机器人行为策略，以协助人类代理完成任务并最小化人体工程学风险，从而实现高效而安全的三方合作，这个优化框架在多个应用领域中都具有潜在的应用价值，例如工厂生产、医疗护理和康复等领域。

在框架中，使用生物力学模型来量化人体工程学，这引入了额外的计算复杂性，但却能更加详细地了解这些人体工程学度量。

通过生物力学模型量化人体工程学 正如之前讨论的，工作场所中使用外骨骼和其他机器人代理部分原因是为了减少工作场所肌肉骨骼疾病的影响，人体工程学度量提供了一种量化与特定动作或任务相关的MSD风险水平的手段，、三方合作框架中优化的主要候选者。

生物力学模型允许模拟和分析人体肌肉骨骼系统在特定动作或任务下的运动和力学行为,通过将生物力学模型与人体工程学度量结合起来，可以定量地评估不同动作或任务对人体健康的影响，包括肌肉负荷、关节力、骨骼压力等。

这些度量指标为我们提供了对任务的人体工程学风险的深入了解，从而可以在优化过程中加以考虑，使得我们的优化框架能够更加准确地优化机器人的行为策略，以确保任务的高效完成并最小化人体工程学风险。

一个众所周知且广泛使用的人体工程学度量是快速全身评估，REBA度量根据感知的人体工程学风险为任务分配1-15分的评分，包括重负荷和剧烈活动的影响，但主要取决于对身体各部分进行的运动学分析。

其他人体工程学度量也被开发出来，通常与REBA共享许多特点——即主要考虑运动学特征,对动态效应进行相对粗略的考虑，以及较低的时间分辨率，即仅在完成任务后或在观察任务一定时间后生成人体工程学得分。

这种低时间分辨率和粗略的动态效应考虑可能导致对人体工程学风险的不准确估计。在框架中，采用生物力学模型。

通过对人体进行更为细致和准确的运动学和动力学分析，从而能够更全面地评估不同动作或任务对人体的影响，为优化过程提供更精确的人体工程学度量指标。

这样框架可以更准确地优化机器人的行为，以最大程度地减少人体工程学风险并实现高效完成任务的目标,研究人员开始在人体工程学分析中采用肌肉骨骼模型,这些模型将人体表示为由身体、关节和肌肉组成的系统动力学结构。

通过模型缩放和参数设定，它们可以个性化地适配特定个体，并可以针对任务所需的复杂性进行调整。

这些模型的一个强大特征是能够通过直接调整适当的肌肉参数来明确地建模肌肉无力或病理状态，外部设备如外骨骼可以与人体模型进行物理耦合，从而直接影响系统动力学。

通过肌肉骨骼模型计算人体工程学度量本质上比现有的数据驱动度量如REBA更复杂,这些方法可以提供许多优势。

包括通常更高的时间分辨率,即能够在任务执行的特定点量化风险，而不是基于任务的基础上进行量化，以及能够考虑肌肉和力量的行为，而不仅仅是运动学轨迹。

这种精细度在对人体工程学进行更仔细考虑的三方协作任务中可能非常重要，当控制外骨骼以避免或减少对特定关节或肌肉组群的损伤风险时。

预测建模块实现了合作伙伴策略预测，即机器人代理能够预测它们的行动将如何影响人类代理的未来行动，这是人机协作框架的重要组成部分。预测建模和实时控制块的具体实现因问题而异。

辅助生活和工作

考虑一个人类患者通过机器人外骨骼和一名人类照顾者的协助进行起立动作。可以将这看作是一个更普遍情景的子情景，一个需要协助的人与一个协助提供者以及一种辅助技术进行交互。

在box 2中简要概述了额外的子情景，这些情景中的辅助技术仅与协助寻求者直接连接，辅助技术只能通过首先与协助寻求者进行交互来影响协助提供者的行为，这个一般的规范展示了辅助技术用于协助多个人类代理的应用。

问题形式化

辅助技术和协助提供者的主要目标是确保协助寻求者的安全，次要但同样重要的目标是将对人类照顾者的人体工学风险降到最低。

在框架中，这些目标可以通过将适当的人体工学指标插入我们框架的目标函数中来实现：协助寻求者的稳定边际，用于描述摔倒风险，协助提供者的腰椎关节负荷，以减少背部受伤的风险。

在数学上，给定从时间 t = 0 开始到时间 t = tf 结束的某个动作，这些人体工学指标可以表示为：

cp和cv分别表示质心的位置和速度，w0是由腿长确定的常数，Fb是作用在照顾者背部的六维向量的净力和力矩，ω是一个内部加权向量，用于控制每个广义力分量的相对重要性。这些指标可以如下插入到公式中：

ws和wb编码了人体工程学度量的相对权重，考虑如何以约束的形式对外骨骼和外部辅助代理的行为建模，以应用到系统中，这些约束具有以下形式：

在上面的方程中，组件Fa和τe分别代表辅助代理和辅助技术对多体系统动力学的贡献，函数fe(x)通过适当的外骨骼力传递模型，将生成的外骨骼电机扭矩映射到人体上，其中外骨骼命令现在包含在优化变量向量x中。

我们还包含任务约束，用于编码辅助对象的初始坐姿和最终站姿配置，如下所示：任务约束 其中qs对应于坐姿。

用于人体工学支持的先进外骨骼已经在工业环境中得到应用，这些应用主要还是双方合作的，即一个人类工人由一个机器人代理进行辅助。

这里所呈现的三元合作框架的示例实例可以自然地扩展到辅助工作的情况，以实现人类代理和机器人同时协作的场景，将稳定性和腰部负载组合到目标函数中，可以直接应用于手动举重和搬运任务。

参考文献

1.Moreno JC, Zhang X, Serrano JI, et al. Ergonomic risk assessment in assembly lines using a multi-body musculoskeletal model. Int J Ind Ergon. 2019;69:122-132. doi:10.1016/j.ergon.2018.12.001

2.Godwin A, Menon C. Triadic collaboration in human-robot interaction: A review. Front Robot AI. 2021;8:665197. doi:10.3389/frobt.2021.665197

3.Simon AM, Horslen BC, Remy CD, Rentschler ME, Sandoval BJ. Exoskeletons for industrial ergonomics support: A review. Appl Ergon. 2020;87:103139. doi:10.1016/j.apergo.2020.103139

4.Liu H, Dong R, Wang L, Chen W. Human-robot collaboration for assisted living: A case study of sit-to-stand maneuver using robotic exoskeleton and human carer. IEEE Robot Autom Lett. 2021;6(2):992-999. doi:10.1109/LRA.2020.3043731

5.Ajoudani A, Dallali H, Tsagarakis NG, et al. Context-based optimization of human-robot collaborative reaching tasks. IEEE Trans Robot. 2018;34(3):645-660. doi:10.1109/TRO.2017.2778066

6.Wang H, Okamura AM. Human modeling in shared control for robotic teleoperation. In: Siciliano B, Khatib O, eds. Springer Handbook of Robotics. Springer; 2016:1-16. doi:10.1007/978-3-319-32552-1_49-1