CN103761392B - 类人机器人协同运动的肌肉力模型优化方法 - Google Patents
类人机器人协同运动的肌肉力模型优化方法 Download PDFInfo
- Publication number
- CN103761392B CN103761392B CN201410030758.XA CN201410030758A CN103761392B CN 103761392 B CN103761392 B CN 103761392B CN 201410030758 A CN201410030758 A CN 201410030758A CN 103761392 B CN103761392 B CN 103761392B
- Authority
- CN
- China
- Prior art keywords
- muscle
- force
- humanoid robot
- human
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000003205 muscle Anatomy 0.000 title claims abstract description 150
- 230000033001 locomotion Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000002195 synergetic effect Effects 0.000 title 1
- 210000002027 skeletal muscle Anatomy 0.000 claims abstract description 41
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 9
- 238000002474 experimental method Methods 0.000 claims abstract description 5
- 210000000988 bone and bone Anatomy 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 16
- 239000013013 elastic material Substances 0.000 claims description 15
- 239000007787 solid Substances 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 210000002435 tendon Anatomy 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 239000010409 thin film Substances 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 5
- 230000018109 developmental process Effects 0.000 claims description 5
- 230000025712 muscle attachment Effects 0.000 claims description 5
- 238000010146 3D printing Methods 0.000 claims description 4
- 210000003041 ligament Anatomy 0.000 claims description 4
- 239000011664 nicotinic acid Substances 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 239000012528 membrane Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000003387 muscular Effects 0.000 claims 5
- 238000011160 research Methods 0.000 description 13
- 210000001503 joint Anatomy 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 210000000629 knee joint Anatomy 0.000 description 3
- 230000004220 muscle function Effects 0.000 description 3
- 210000000689 upper leg Anatomy 0.000 description 3
- 206010049816 Muscle tightness Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 239000002861 polymer material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 241000489861 Maximus Species 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000003190 viscoelastic substance Substances 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本发明提供一种类人机器人协同运动的肌肉力模型优化方法，通过对人体骨骼肌仿真模型进行编程建模，参照实验对象对类人机器人进行设计、研制；控制类人机器人参照实验对象做同样的运动；比较类人机器人运动检测数据与人体骨骼肌仿真模型的输出数据，反复修正类人机器人设计参数及仿真模型中的肌肉力预测公式，直至两者数据接近，得出优化的肌肉力预测模型；该种类人机器人协同运动的肌肉力模型优化方法，能改善在肌肉、骨骼系统生物力学研究中因人体运动时的肌肉力无法通过实验直接测量，只能依靠肌肉力模型进行推算而存在不确定的问题，提高了仿真模型的准确性。
Description
技术领域
本发明涉及一种类人机器人协同运动的肌肉力模型优化方法。
背景技术
人体骨骼肌的生物力学研究是一个多学科的交叉研究领域，包含了临床解剖学及医学图像处理、多刚体动力学、人体肌肉层建模及肌肉力的数值计算等多种学科技术，主要通过虚拟现实技术实现对人体运动仿真及运动力学的预测计算。
目前国内外已有学者进行相关研究并且开发出骨骼肌仿真软件。但总体来讲，人体骨骼肌系统的研究都有其局限性：在对人体骨骼肌系统进行几何建模时，由于人体骨骼、肌肉的大量简化使得人体骨骼肌系统中关节缺乏准确的约束，导致模型的准确性失真；进行肌肉力预测所建立的数学-力学模型中，诸多元素主要涉及形态学指标，且各元素间的力和应变的分配是任意的或依赖于实验模型，仅能对肌肉力及之间的协调机理进行定性的研究，而定量机制需进一步研究；建立符合真实人体控制的最佳目标优化函数还需进一步探讨。这些局限性最终导致了骨骼肌仿真模型的准确性问题。
上述问题是在虚拟现实技术实现对人体运动仿真及运动力学的过程中应当予以考虑并解决的问题。
发明内容
本发明的目的是提供一种类人机器人协同运动的肌肉力模型优化方法是通过建立一个类似人体骨骼肌系统的类人机器人关节样机模型，通过控制类人机器人关节样机与人体做同样的运动动作，实时检测类人机器人在运动过程中的运动学及动力学参数变化，用于判别及修正人体骨骼肌仿真模型，进而提高仿真模型的准确性。
本发明的技术解决方案是：
一种类人机器人协同运动的肌肉力模型优化方法，包括以下步骤：
步骤一，人体骨骼系统建模：建立三维立体图形的人体骨骼系统；
步骤二，人体肌肉系统建模：采用肌肉作用线对人体肌肉进行建模；
步骤三，骨骼肌系统力学分析：采用基于反向动力学的静态优化方法进行骨骼肌系统力学分析；
步骤四，类人机器人关节样机的设计与研制：采用弹性材料制成的线性体模拟人类的弹性肌腱，线性体的起点、止点与人体肌肉的起点、止点位置一致；
步骤五，类人机器人关节样机的运动控制：基于人体肌肉的特征，进行基于弹性材料制成的线性体模拟人类肌腱的类人机器人控制中，在智能控制的基础上引入导纳、阻抗控制进行类人关节样机的仿生智能运动控制；
步骤六，类人机器人样机运动过程中运动学及动力学参数的检测：使用扭矩传感器、力传感器、位移传感器、加速度传感器，实现类人机器人的运动学及动力学数据检测；
步骤七，类人机器人协同运动对人体骨骼肌的修正：使类人机器人保持与参考的实验对象的进行同步的运动动作，通过传感器检测出的类人机器人上的基于弹性材料制成的线性体的运动学数据与动力学数据，为虚拟现实技术实现的人体骨骼肌生物力学仿真模型提供参考数据，通过对类人机器人样机及仿真模型的反复修正，得出肌肉力预测模型。
优选地，在步骤二中，采用肌肉作用线构建肌肉模型时，采用三种肌肉路径构建方式，分别为直线路径、设置代止点的折现路径、设置障碍物的曲线路径。
优选地，在步骤二中，根据人体不同关节处的肌肉力的特点选择合适的路径方法对肌肉建模，具体的肌肉附着点的简化为：
当肌肉具有宽大附着点时，如果在附着点范围内，无论标记点在任何地方都不会影响肌力线的位置，则该肌肉的附着点标记于附着点骨面的几何中心；
当肌肉具有宽大附着点时，如果附着点的标记点位置会影响肌力线的位置，则在其他位置增加设置若干标记点几个标记点；
当肌肉的附着点较为局限时，即是肌肉纵轴为直线的肌肉，其附着点标记于附着点的几何中心；
当肌肉的起止点的走向为曲线时，即肌肉在骨骼或韧带处转弯，则可用选择代起点进行标记。
优选地，在步骤三中，骨骼肌系统力学分析的具体步骤为：根据运动检测系统获得的数据结合多刚体动力学模型，获得关节力及力矩；通过建立关节力及肌肉力之间的力学平衡方程；根据设定的目标优化函数，求出肌肉力。
优选地，在步骤三中，骨骼肌系统力学分析的具体过程为：
根据实验检测人体运动的运动学参数，即在实验对象的关键部位粘贴标记点，在测力轨道上行走，高速摄像机对实验对象的运动进行采集，同时力板同步输出脚底力变化信息，利用牛顿欧拉方程，通过反向动力学计算可求得运动过程中的关节力矩T，在某一个运动瞬时，通过优化进行肌肉力的分配，优化目标函数为其中，J为目标函数，为第i块肌肉力，n为肌肉数，PCSAi为第i块肌肉的肌肉生理横断面积，R(qi)Fi为所有块肌肉的力矩和，R(qi)为第i块肌肉的力臂。
优选地，通过优化目标函数为寻找最佳肌肉力组合，使得J最小，且满足约束条件R(qi)Fi=T，0≤Fi≤Fmax。
优选地，在步骤四中，类人机器人关节样机的设计与研制的具体步骤为：
通过CT图像软件获得人体骨骼的轮廓曲线，结合三维绘图软件获得人体骨骼轮廓三维实体模型，经数据转换，通过快速成型机或三维打印技术复制骨骼实体模型；
对复制出的骨骼实体模型采用增加辅助装置的方法来实现关节的定位于运动；
在骨骼实体模型上对肌肉的起、止点进行定位，采用弹性材料制成的线性体或薄膜面来模拟人类的弹性肌腱，并把这些线性体或薄膜面固定在肌肉的起、止点上。
优选地，在步骤六中，检测的运动学及动力学参数包括：运动过程中各肌肉线的长度变化、各肌肉线上的力变化、各肌肉薄膜面的变化、骨骼关节的转动角度变化、骨骼关节问的力矩变化。
优选地，在步骤七中，通过对类人机器人样机及仿真模型的反复修正，具体为通过调整类人机器人样机中的仿生肌肉的弹性材料性能参数，并调整骨骼肌生物力学仿真模型中的肌肉力优化求解方法，多次修正比较后，得出肌肉力预测模型。
本发明一种类人机器人协同运动的肌肉力模型优化方法，首先，通过参照同一个实验对象的人体分别对类人机器人进行设计、研制，并对人体骨骼肌仿真模型进行编程建模。其次，控制类人机器人参照实验对象做同样的运动，检测类人机器人运动过程中骨骼肌的运动学及动力学数据变化；通过计算机编程实现人体骨骼肌仿真模型做同样的人体运动，输出仿真模型中骨骼肌运行变化参数。最后，比较类人机器人运动检测数据与人体骨骼肌仿真模型的输出数据，反复修正类人机器人设计参数及仿真模型中的肌肉力预测公式，直至两者数据接近，得出优化的肌肉力预测模型。
本发明的有益效果是：本发明一种类人机器人协同运动的肌肉力模型优化方法，提出一种类人机器人关节协同运动进行人体骨骼肌生物力学研究的方法，通过该方式，能改善在肌肉、骨骼系统生物力学研究中因人体运动时的肌肉力无法通过实验直接测量，只能依靠肌肉力模型进行推算而存在不确定的问题，提高了仿真模型的准确性。
附图说明
图1为本发明实施例的步骤说明流程图；
图2为本发明实施例的人体肌肉力预测模型的实施方法图；
图3为本发明实施例的类人机器人样机中增加的辅助装置结构示意图；
图4为本发明实施例的类人机器人模型与人体骨骼肌仿真模型相互修正及优化过程的流程图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
如图1和图2所示，本实施例提供一种类人机器人协同运动的肌肉力模型优化方法，包括以下步骤：
步骤一，人体骨骼系统建模：采用CT技术对参考的实验对象的人体骨骼肌系统进行扫描，通过计算机图形学处理，重建三维立体图形的人体骨骼系统。
步骤二，人体肌肉系统建模：采用目前使用最多的肌肉作用线方法对人体肌肉进行建模，同时在采用作用线进行构建肌肉模型时，又有三种肌肉路径构建方式，分别为直线路径、设置代止点的折现路径及设置障碍物的曲线路径，根据人体不同关节处的肌肉力的特点选择合适的路径方法对肌肉建模，其具体的肌肉附着点简化的实施方式分以下几种：
当肌肉具有宽大附着点时，如臀大肌起、止点，大收肌的止点，如果在附着点范围内，无论标记点在任何地方都不会影响肌力线的位置，则该肌肉的附着点标记于附着点骨面的几何中心；
当肌肉具有宽大附着点时，如果附着点的标记点位置会影响肌力线的位置，则在其他位置增加设置若干标记点几个标记点；
当肌肉的附着点较为局限时，也即是肌肉纵轴为直线的肌肉，其附着点标记于附着点的几何中心；
当肌肉的起止点的走向为曲线时，即肌肉在骨骼或韧带处转弯，则可用选择代起点进行标记。
人体运动的动力来源是肌肉收缩，评价肌肉对关节所能产生作用的模型，称为肌肉功能模型，在肌肉功能模型中主要的研究内容有肌肉的起止点、关节中心点、肌拉力线的确定等，其中，肌肉的附着点是肌肉功能模型的核心内容和决定因素。肌肉收缩时，肌拉力的合力沿着附着点间的连线作用于附着点的附着骨，肌肉附着点所附着的骨面大多是一个不规则的面或线，其几何中心或线中心即为合力点的简化中心，待测肌肉附着点的位置则标记于其相应的合力点简化中心。
步骤三，骨骼肌系统力学分析：由于骨骼、关节、肌肉及韧带组成的人体骨骼肌系统是一个力学冗余系统，肌肉力的求解无法唯一确定，采用基于反向动力学的静态优化方法进行骨骼肌系统力学分析，此方法是首先根据运动检测系统获得的数据结合多刚体动力学模型，获得关节力及力矩，然后通过建立关节力及肌肉力之间的力学平衡方程，最后根据设定的目标优化函数，求出肌肉力，其具体的实施如图2所示。其具体过程描述为：根据实验检测人体运动的运动学参数，即在人体身上关键部位黏贴标记点，在测力轨道上行走，高速摄像机对人体运动进行采集，同时力板同步输出脚底力变化信息，利用牛顿欧拉方程，通过反向动力学计算可求得运动过程中的关节力矩T，在某一个运动瞬时，通过优化进行肌肉力的分配，优化目标函数为优化的目标是寻找最佳肌肉力组合，使得J最小，并且满足R(qi)Fi＝T，0≤Fi≤Fmax约束条件，其中J为目标函数，Fi为第i块肌肉力，n为肌肉数，PCSAi为第i块肌肉的肌肉生理横断面积(PCSA)，R(qi)Fi为所有i块肌肉的力矩和，R(qi)为第i块肌肉的力臂。
步骤四，类人机器人关节样机的设计及研制：由于人体关节系统较多，每个关节的功能及肌肉类型都不尽相同，为了降低研究的复杂性，可选择性的进行单关节样机的设计研制。机器人关节样机应具备类人关节的灵活活动特征，采用弹性材料制成的线性体或薄膜面模拟人类的弹性肌腱，线性体的起、止点应尽量与人体肌肉的起、止点位置一致。其具体的实施为：
通过CT图像软件获得人体骨骼的轮廓曲线，结合专业的三维绘图软件获得人体骨骼轮廓三维实体模型，经数据转换，通过快速成型机或三维打印技术复制骨骼实体模型，在重现骨骼实体模型中可选用树脂等高分子材料。
对复制出的骨骼实体模型可采用增加辅助装置的方法来实现关节的定位于运动，例如，当我们研究膝关节的运动生物力学时候，可增加辅助装置机构，既能实现大腿骨于小腿骨按照骨骼啮合面转动，并且保证了大腿骨与小腿骨的空间位置。辅助装置结构示意图如图3所示。通过在膝关节上增加两个关节中心轴，并且控制两个关机中心轴的转动，则可实现大腿骨与小腿骨之间的相对转动，且是沿着骨骼的啮合面进行转动，很好的模拟了膝关节的真实转动效果。
在骨骼实体模型上对肌肉的起、止点进行定位，采用弹性材料制成的线性体或薄膜面来模拟人类的弹性肌腱，并把这些线性体或薄膜面固定在肌肉的起、止点上。
步骤五，类人机器人关节样机的运动控制：人体的运动是由多组肌肉协同运动的结果，且人体肌肉中的肌腱是一种粘弹性物质，在受到迅速牵拉伸长时能够产生较大的弹性回缩力，基于人体肌肉的特征，故在进行基于弹性材料制成的线性体模拟人类肌腱的类人机器人控制中，要实现机器人的仿生智能运动控制，通过安装在类人机器人及实验参考对象的人体身上的运动检测传感器，最终实现类人机器人与模拟对象同样的运动效果。
步骤六，类人机器人样机运动过程中运动学及动力学参数的检测：类人机器人只有在模拟人体骨骼及肌肉进行机构设计，并且实现与人体同样运动效果时，其运动过程中的运动学及动力学数据才对研究真实人体的骨骼肌运动具有借鉴意义。要想实现类人机器人的运动学及动力学数据监测，需要借助精密的扭矩传感器、力传感器、位移传感器及加速度传感器等。在具体的实施中，这些需要检测的运动学及动力学参数主要为：运动过程中各肌肉线的长度变化、各肌肉线上的力变化、各肌肉薄膜面的变化、骨骼关节的转动角度变化、骨骼关节间的力矩变化等。
步骤七，类人机器人协同运动对人体骨骼肌生物力学仿真模型的修正：由于类人机器人的机构设计与人体骨骼肌系统的构造基本一致，且保持与实验参考对象的人体同步的运动动作，故通过精密传感器检测出的类人机器人上的基于弹性材料制成的线性体的运动学数据与动力学数据可为建造的人体骨骼肌生物力学仿真模型的研究提供参考数据，通过比较类人机器人的运动学及动力学数据与与人体骨骼肌生物力学仿真系统运动输出数据的差异性，互相修正模型，经过模型的反复修正及完善，确定仿真模型的最佳的肌肉力求解途径了，其具体的实施步骤如图4所示。通过此种研究方式，则能改善在肌肉、骨骼系统生物力学研究中因人体运动时的肌肉力无法通过实验直接测量，只能依靠肌肉力模型进行推算而存在不确定问题，提高了仿真模型的准确性。
本实施例一种类人机器人协同运动的肌肉力模型优化方法，综合运用CT技术对人体骨骼肌系统进行扫描、重建；运用3D打印技术及快速成型技术选用树脂等高分子材料重现骨骼实体模型；运用新型弹性材料制成的线性体或薄膜面来模拟人类的弹性肌腱，这些技术的综合运用大大提高了目前人体骨骼肌系统建模的准确性。
Claims (7)
1.一种类人机器人协同运动的肌肉力模型优化方法，其特征在于，包括以下步骤：
步骤一，人体骨骼系统建模：建立三维立体图形的人体骨骼系统；
步骤二，人体肌肉系统建模：采用肌肉作用线对人体肌肉进行建模；
步骤三，骨骼肌系统力学分析：采用基于反向动力学的静态优化方法进行骨骼肌系统力学分析；
步骤四，类人机器人关节样机的设计与研制：采用弹性材料制成的线性体模拟人类的弹性肌腱，线性体的起点、止点与人体肌肉的起点、止点位置一致；
步骤五，类人机器人关节样机的运动控制：基于人体肌肉的特征，进行基于弹性材料制成的线性体模拟人类肌腱的类人机器人控制中，在智能控制的基础上引入导纳、阻抗控制进行类人关节样机的仿生智能运动控制；
步骤六，类人机器人样机运动过程中运动学及动力学参数的检测：使用扭矩传感器、力传感器、位移传感器、加速度传感器，实现类人机器人的运动学及动力学数据检测；检测的运动学及动力学参数包括：运动过程中各肌肉线的长度变化、各肌肉线上的力变化、各肌肉薄膜面的变化、骨骼关节的转动角度变化、骨骼关节间的力矩变化；
步骤七，类人机器人协同运动对人体骨骼肌的修正：使类人机器人保持与参考的实验对象的进行同步的运动动作，通过传感器检测出的类人机器人上的基于弹性材料制成的线性体的运动学数据与动力学数据，为虚拟现实技术实现的人体骨骼肌生物力学仿真模型提供参考数据，通过对类人机器人样机及仿真模型的反复修正，具体为通过调整类人机器人样机中的仿生肌肉的弹性材料性能参数，并调整骨骼肌生物力学仿真模型中的肌肉力优化求解方法，多次修正比较后，得出肌肉力预测模型。
2.如权利要求1所述的类人机器人协同运动的肌肉力模型优化方法，其特征在于：在步骤二中，采用肌肉作用线构建肌肉模型时，采用三种肌肉路径构建方式，分别为直线路径、设置代止点的折现路径、设置障碍物的曲线路径。
3.如权利要求1所述的类人机器人协同运动的肌肉力模型优化方法，其特征在于：在步骤二中，根据人体不同关节处的肌肉力的特点选择合适的路径方法对肌肉建模，具体的肌肉附着点的简化为：
当肌肉具有宽大附着点时，如果在附着点范围内，无论标记点在任何地方都不会影响肌力线的位置，则该肌肉的附着点标记于附着点骨面的几何中心；
当肌肉具有宽大附着点时，如果附着点的标记点位置会影响肌力线的位置，则在其他位置增加设置若干标记点几个标记点；
当肌肉的附着点较为局限时，即是肌肉纵轴为直线的肌肉，其附着点标记于附着点的几何中心；
当肌肉的起止点的走向为曲线时，即肌肉在骨骼或韧带处转弯，则可用选择代起点进行标记。
4.如权利要求1所述的类人机器人协同运动的肌肉力模型优化方法，其特征在于：在步骤三中，骨骼肌系统力学分析的具体步骤为：根据运动检测系统获得的数据结合多刚体动力学模型，获得关节力及力矩；通过建立关节力及肌肉力之间的力学平衡方程；根据设定的目标优化函数，求出肌肉力。
5.如权利要求1所述的类人机器人协同运动的肌肉力模型优化方法，其特征在于，在步骤三中，骨骼肌系统力学分析的具体过程为：
根据实验检测人体运动的运动学参数，即在实验对象的关键部位粘贴标记点，在测力轨道上行走，高速摄像机对实验对象的运动进行采集，同时力板同步输出脚底力变化信息，利用牛顿欧拉方程，通过反向动力学计算可求得运动过程中的关节力矩T，在某一个运动瞬时，通过优化进行肌肉力的分配，优化目标函数为其中，J为目标函数，Fi为第i块肌肉力，n为肌肉数，PCSAi为第i块肌肉的肌肉生理横断面积。
6.如权利要求5所述的类人机器人协同运动的肌肉力模型优化方法，其特征在于，通过优化目标函数为寻找最佳肌肉力组合，使得J最小，且满足约束条件R(qi)Fi＝T，0≤Fi≤Fmax，R(qi)Fi为所有i块肌肉的力矩和，R(qi)为第i块肌肉的力臂。
7.如权利要求1-6任一项所述的类人机器人协同运动的肌肉力模型优化方法，其特征在于：在步骤四中，类人机器人关节样机的设计与研制的具体步骤为：
通过CT图像软件获得人体骨骼的轮廓曲线，结合三维绘图软件获得人体骨骼轮廓三维实体模型，经数据转换，通过快速成型机或三维打印技术复制骨骼实体模型；
对复制出的骨骼实体模型采用增加辅助装置的方法来实现关节的定位于运动；
在骨骼实体模型上对肌肉的起、止点进行定位，采用弹性材料制成的线性体或薄膜面来模拟人类的弹性肌腱，并把这些线性体或薄膜面固定在肌肉的起、止点上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410030758.XA CN103761392B (zh) | 2014-01-23 | 2014-01-23 | 类人机器人协同运动的肌肉力模型优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410030758.XA CN103761392B (zh) | 2014-01-23 | 2014-01-23 | 类人机器人协同运动的肌肉力模型优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103761392A CN103761392A (zh) | 2014-04-30 |
| CN103761392B true CN103761392B (zh) | 2017-02-15 |
Family
ID=50528628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410030758.XA Active CN103761392B (zh) | 2014-01-23 | 2014-01-23 | 类人机器人协同运动的肌肉力模型优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103761392B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615840B (zh) * | 2015-03-05 | 2017-08-11 | 北京润科通用技术有限公司 | 一种数字仿真模型的修正方法及系统 |
| CN106175802B (zh) * | 2016-08-29 | 2018-12-28 | 吉林大学 | 一种在体骨关节应力分布检测方法 |
| CN106503304B (zh) * | 2016-09-30 | 2019-07-05 | 湖南大学 | 一种在有限元人体模型中实现肌肉主动力的模拟方法及控制模型 |
| CN107391940B (zh) * | 2017-07-25 | 2020-06-05 | 天津大学 | 基于肌骨模型的电刺激仿真优化方法 |
| CN107655674B (zh) * | 2017-10-25 | 2023-09-08 | 吉林大学 | 一种驱动传动一体化的仿骨骼肌驱动器及其性能测试装置 |
| CN107736890B (zh) * | 2017-10-31 | 2020-08-28 | 天津大学 | 不同行走任务下膝关节内侧负载的估值方法 |
| CN108158582B (zh) * | 2018-02-05 | 2020-07-07 | 郭海燕 | 一种压电柔性传感器的制备方法 |
| CN108510582B (zh) * | 2018-04-02 | 2021-12-14 | 苏州蜗牛数字科技股份有限公司 | 一种匹配任意骨骼模型的刚体生成方法 |
| CN109758734A (zh) * | 2019-01-03 | 2019-05-17 | 华中科技大学 | 一种具有肌力反馈功能的多模式肌力训练装置及方法 |
| CN110515297B (zh) * | 2019-08-29 | 2020-08-11 | 中国科学院自动化研究所 | 基于冗余肌肉骨骼系统的阶段式运动控制方法 |
| CN110808104B (zh) * | 2019-11-07 | 2023-03-31 | 司马大大（北京）智能系统有限公司 | 胃行为的仿真方法和系统 |
| CN111443619B (zh) * | 2020-04-17 | 2021-06-08 | 南京工程学院 | 一种虚实融合的人机协作仿真方法和系统 |
| CN111750934A (zh) * | 2020-07-27 | 2020-10-09 | 深圳市博恩医疗器材有限公司 | 一种骨折断端微动量的测量方法及其系统 |
| CN111951241B (zh) * | 2020-08-06 | 2023-07-18 | 暨南大学 | 一种水生动物运动过程中肌肉形变的测定与显示方法 |
| CN112069933B (zh) * | 2020-08-21 | 2024-11-19 | 董秀园 | 基于体态识别和人体生物力学的骨骼肌肉受力估计方法 |
| CN113106564B (zh) * | 2021-04-07 | 2022-03-08 | 南京工程学院 | 一种热敏聚合物人工肌肉纤维丝制备工艺 |
| CN113084813B (zh) * | 2021-04-13 | 2022-05-03 | 中国科学院自动化研究所 | 基于肌肉参数优化构建约束力场的机器人运动控制方法 |
| CN113627002B (zh) * | 2021-07-30 | 2023-12-29 | 华中科技大学 | 基于人机耦合动力学模型的分布式力测点优化方法及应用 |
| CN114548211B (zh) * | 2021-12-28 | 2025-05-23 | 重庆邮电大学 | 基于人体下肢肌肉模型个性化精准训练方法 |
| CN114789470B (zh) * | 2022-01-25 | 2024-10-25 | 北京萌特博智能机器人科技有限公司 | 仿真机器人的调整方法和装置 |
| CN114880888B (zh) * | 2022-07-08 | 2022-09-09 | 四川大学 | 多旋转关节机器人末端效应器位姿相关动力学的预测方法 |
| CN119027558A (zh) * | 2024-08-12 | 2024-11-26 | 无锡鑫坤通信工程有限公司 | 一种基于vr虚拟数字人的健身训练评估决策模型的构建方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1529880A (zh) * | 2001-06-25 | 2004-09-15 | ���ء����߸� | 带有力反馈和运动反馈的可编程关节模拟器 |
-
2014
- 2014-01-23 CN CN201410030758.XA patent/CN103761392B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1529880A (zh) * | 2001-06-25 | 2004-09-15 | ���ء����߸� | 带有力反馈和运动反馈的可编程关节模拟器 |
Non-Patent Citations (4)
| Title |
|---|
| 《The biomechanical study of lower limb during human walking》;HAN YaLi，WANG XingSong;《SCIENCE CHINA Technological Sciences》;20110430;第54卷(第4期);第983-991页 * |
| 《下肢助力外骨骼的动力学分析及仿真》;韩亚丽，王兴松;《系统仿真学报》;20130131;第25卷(第1期);第61-73页 * |
| 《基于CT&MRI的人体下肢肌肉-骨骼数字化模型》;尚鹏 等;《生物医学工程学杂志》;20041231;第21卷(第5期);第756-760页 * |
| 《面向人机仿真的肌肉力预测模型》;吴剑锋 等;《中国机械工程》;20080331;第19卷(第5期);第571-574页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103761392A (zh) | 2014-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103761392B (zh) | 类人机器人协同运动的肌肉力模型优化方法 | |
| JP5288418B2 (ja) | 力学パラメータの同定法 | |
| Torricelli et al. | A subject-specific kinematic model to predict human motion in exoskeleton-assisted gait | |
| CN110076758B (zh) | 基于混联机构的仿人型下肢外骨骼构型方法 | |
| CN110193830B (zh) | 基于rbf神经网络的踝关节步态预测方法 | |
| Chen et al. | Biomechanics analysis of human lower limb during walking for exoskeleton design | |
| CN114818441B (zh) | 基于在体生理运动的人体骨骼肌肉组织应力应变无损分析方法 | |
| Dunne et al. | A marker registration method to improve joint angles computed by constrained inverse kinematics | |
| CN116301351A (zh) | 一种测量皮肤摩擦性能的交互系统及方法 | |
| Yihun et al. | Task-based knee rehabilitation with assist-as-needed control strategy and recovery tracking system | |
| Mistry et al. | Sit-to-stand task on a humanoid robot from human demonstration | |
| Tian et al. | A methodology to model and simulate customized realistic anthropomorphic robotic hands | |
| Ren et al. | A gait trajectory control scheme through successive approximation based on radial basis function neural networks for the lower limb exoskeleton robot | |
| Nakashima et al. | Realization and swimming performance of the breaststroke by a swimming humanoid robot | |
| Liu et al. | Multi-joint coordination of functional arm reaching: induced position analysis | |
| Meng et al. | Concept design of hybrid-actuated lower limb exoskeleton to reduce the metabolic cost of walking with heavy loads | |
| Gragg et al. | Optimization-based posture reconstruction for digital human models | |
| Cui et al. | Tactile imprint simulation of gelstereo visuotactile sensors | |
| CN115954105A (zh) | 用于人体生物力学仿真的全身解剖结构个性化建模及姿态变形算法 | |
| Varghese et al. | A simulation-based feasibility study of a proprioception-inspired sensing framework for a multi-dof shoulder exosuit | |
| Adhikari et al. | Design of a novel task-based knee rehabilitation exoskeleton device | |
| Guo et al. | Flexonics for manufacturing and robotics: modeling, design and analysis methods | |
| Wei et al. | Development of an upper limb rehabilitation robot system for bilateral training | |
| Zhao | From bipedal locomotion to prosthetic walking: A hybrid system and nonlinear control approach | |
| Lu et al. | Study of human motion capture and robot motion replay for lower limb exoskeleton |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20140430 Assignee: Nanjing University of Engineering Science Park Co.,Ltd. Assignor: NANJING INSTITUTE OF TECHNOLOGY Contract record no.: X2024980001093 Denomination of invention: Optimization method of muscle force model for collaborative motion of humanoid robots Granted publication date: 20170215 License type: Common License Record date: 20240122 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20140430 Assignee: Nanjing Jinxi Yunchuang Technology Co.,Ltd. Assignor: NANJING INSTITUTE OF TECHNOLOGY Contract record no.: X2024980001805 Denomination of invention: Optimization method of muscle force model for collaborative motion of humanoid robots Granted publication date: 20170215 License type: Common License Record date: 20240202 |
|
| EE01 | Entry into force of recordation of patent licensing contract |