With the rise of collaborative robots, the need for safe, reliable, and efficient physical human–robot interaction (pHRI) has grown. High-performance pHRI requires robust and stable controllers suitable for multiple degrees of freedom (DoF) and highly nonlinear robots. In this article, we describe a cascade-loop pHRI controller, which relies on human force and pose measurements and can adapt to varying robot dynamics online. It can also adapt to different users and simplifies the interaction by making the robot behave according to a prescribed dynamic model. In our controller formulation, two neural networks (NNs) in the “outer-loop” predict human motion intent and estimate a reference trajectory for the robot that the “inner-loop” controller follows. The inner-loop imposes a prescribed error dynamics (PED) with the help of a model-free neuroadaptive controller (NAC), which uses a NN to feedback linearize the robot dynamics. Lyapunov stability analysis gives weight tuning laws that guarantee that the error signals are bounded and the desired reference trajectory is achieved. Our control scheme was implemented on a Personal Robot 2 robot and validated through an exploratory experimental study in point-to-point collaborative motion. Results indicate fast convergence of our controller, and the resulting tracking error, motion jerk, and human control effort are comparable with other methods that require prior training, knowledge, and calibration.

中文翻译：

---

具有人机交互意图估计的无模型在线神经自适应控制器

随着协作机器人的兴起，对安全、可靠和高效的人机交互 (pHRI) 的需求不断增长。高性能 pHRI 需要适用于多自由度 (DoF) 和高度非线性机器人的稳健且稳定的控制器。在本文中，我们描述了一个级联回路 pHRI 控制器，它依赖于人体力和位姿测量，可以在线适应变化的机器人动力学。它还可以适应不同的用户并通过使机器人按照规定的动态模型行事来简化交互。在我们的控制器公式中，“外环”中的两个神经网络 (NN) 预测人体运动意图并估计“内环”控制器遵循的机器人的参考轨迹。内环在无模型神经自适应控制器 (NAC) 的帮助下施加规定的误差动力学 (PED)，该控制器使用 NN 反馈线性化机器人动力学。李雅普诺夫稳定性分析给出了保证误差信号有界并达到所需参考轨迹的权重调整法则。我们的控制方案在 Personal Robot 2 机器人上实施，并通过点对点协作运动的探索性实验研究得到验证。结果表明我们的控制器快速收敛，由此产生的跟踪误差、运动冲击和人工控制工作与其他需要先验训练、知识和校准的方法相当。李雅普诺夫稳定性分析给出了保证误差信号有界并达到所需参考轨迹的权重调整法则。我们的控制方案在 Personal Robot 2 机器人上实施，并通过点对点协作运动的探索性实验研究得到验证。结果表明我们的控制器快速收敛，由此产生的跟踪误差、运动冲击和人工控制工作与其他需要先验训练、知识和校准的方法相当。李雅普诺夫稳定性分析给出了保证误差信号有界并达到所需参考轨迹的权重调整法则。我们的控制方案在 Personal Robot 2 机器人上实施，并通过点对点协作运动的探索性实验研究得到验证。结果表明我们的控制器快速收敛，由此产生的跟踪误差、运动冲击和人工控制工作与其他需要先验训练、知识和校准的方法相当。