CN105005383A - 一种利用手势操控移动机器人的可穿戴臂环 - Google Patents

Abstract

本发明公开了一种利用手势操控移动机器人的可穿戴臂环，包括主控环块、电源环块以及采集环块，所述主控环块、电源环块以及采集环块通过连接条相互连接，形成一个闭环，所述主控环块的内部设有微控单元、惯性测量单元以及通讯单元，所述电源环块的内部设有电池管理单元，所述主控环块、电源环块以及采集环块上均设有肌电信号采集单元，本发明使用时可以让操作员直接穿戴在手臂上，操作员不用借助智能遥控器、智能手机等操作工具完成对移动机器人的各种行为的操作，解放了操作员的双手，相比于基于机器视觉、红外传感识别等其他交互技术而言本发明无环境限制，可以随身佩戴，远程操控，十分方便。

Description

一种利用手势操控移动机器人的可穿戴臂环

技术领域

本发明属于机器人操控技术领域，尤其涉及一种利用手势操控移动机器人的可穿戴臂环。

背景技术

智能移动机器人，是一个集环境感知、动态决策与规划、行为控制与执行等多功能于一体的综合系统。移动机器人具有移动功能，在代替人从事危险、恶劣(如辐射、有毒等)环境下作业和人所不及的(如宇宙空间、水下等)环境作业方面，比一般机器人有更大的机动性、灵活性。随着机器人性能不断地完善，移动机器人的应用范围大为扩展，不仅在工业、农业、医疗、服务等行业中得到广泛的应用，而且在城市安全、国防和空间探测领域等有害与危险场合得到很好的应用。因此，移动机器人技术已经得到世界各国的普遍关注。

移动机器人的控制分有按照事先编辑好的轨迹进行控制也有通过遥控器/示教器进行操控。在某些特定场合，比如环境未知、路况复杂等，用户常采用遥控器来控制移动机器人按照用户的意图运动。当前这些主流的遥控器为：智能遥控器、移动触摸屏、示教器、电脑、手机、PAD等。这种操作方式要求我们需要实时携带操作终端，这不仅增加了始终者的负重，也不便于携带，增加了操作终端损害的概率，并且对使用者的手形成了独占性，大大降低了始终者的工作效率，尤其在军工、民用消防等场合，代表着单兵作战能力的下降。

发明内容

针对现有技术的不足本发明提供一种利用手势操控移动机器人的可穿戴臂环，可以给机器人操作员佩戴在手臂上，通过操作人的不同手势以及手臂姿态对机器人的各种行为进行操控，本发明主要采用如下的技术方案：

一种利用手势操控移动机器人的可穿戴臂环，包括主控环块、电源环块以及采集环块，所述主控环块、电源环块以及采集环块通过连接条相互连接，形成一个闭环，所述主控环块的内部设有微控单元、惯性测量单元以及通讯单元，所述电源环块内部设有电池管理单元，所述主控环块、电源环块以及采集环块上均设有肌电信号采集单元。

进一步的，所述电池管理单元包括铝电池和电源保护电路。

进一步的，所述连接条采用可伸缩材料，内部设有柔性电路板，用于将主控环块、电源环块以及采集环块电气连接。

进一步的，所述肌电信号采集单元包括金属极贴片、差分运算放大电路、滤波电路，所述金属极贴片分别设置在主控环块、电源环块以及采集环块的下表面，差分运算放大电路、滤波电路均设置在主控环块、电源环块以及采集环块内部。

进一步的，所述通讯单元为蓝牙通讯模块或者wifi通讯模块或者zigbee通讯模块。

进一步的，在所述的惯性采集单元得到磁力计信号、加速度计信号以及陀螺仪信号后的时候采用如下方法获得手臂姿态信息：

首先通过磁力计信号获得手臂偏航角参考值，其次通过加速度计信号计算出手臂俯角和翻滚角的参考值，再利用陀螺仪信号计算出手臂俯仰角、翻滚角的瞬时角速度和偏航角的瞬时角速度，最后通过卡尔曼滤波计算得到手臂上肢在地球坐标系下的姿态角，所述姿态角包括俯仰角、翻滚角和偏航角从而最终获得手臂上肢的三个方位角，解析得到手臂姿态信息。

进一步的，根据肌电信号采集单元采集到的手臂的肌电信号处理得到手势信息包括神经网络训练以及模式识别两个部分，所述神经网络训练包括如下步骤：

a1.确定网络结构，包括确定网络输入层、隐层、输出层神经元数量，输出模式，及训练、评估方程；

a2.确定训练和模式样本，将采集得到的肌电信号进行时域以及频域特征提取；

a3.对网络权值参数进行迭代学习；

a4.获取人工神经网络，建立手臂肌电信号与动作模式的非线性映射关系。

所述模式识别包括如下步骤：

b1.手臂肌电信号实时采集；

b2.将采集得到的肌电信号进行时域以及频域特征提取；

b3.将所得到的特征向量作为输入，输入通过网络训练所得到人工神经网络；

b4.计算人工神经网络的输出，完成手势信息的解析。

有益效果：本发明可以让操作员直接穿戴在手臂上，操作员不用借助智能遥控器、智能手机等操作工具完成对移动机器人的各种行为的操作，解放了操作员的双手，相比于基于机器视觉、红外传感识别等其他交互技术而言本发明无环境限制，可以随身佩戴，远程操控，十分方便。

附图说明

图1是本发明的接结构示意图；

图2是本发明穿戴在手臂上操控时的示意图；

图3是本发明穿戴在手臂上是采集和处理信号的总体框架示意图；

图4是本发明获得手臂姿态信息的基本算法流程图；

图5是本发明处理肌电信号获得手势信息的流程框架图；

图6是手臂姿态信号与手势信号融合处理的流程图；

图7是本发明中一些具体指令所对应的手势示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

如图1-图7所示，一种利用手势操控移动机器人的可穿戴臂环，他的外形表现为一个臂环，可以给使用者穿戴在手臂上，并且其环形尺寸可以根据使用者手臂粗细的不同进做出自适应的调节，包括主控环块101、电源环块102以及采集环块103，所述主控环块101、电源环块102以及采集环块103通过连接条104相互连接，形成一个闭环，所述连接条104采用可伸缩材料，内部设有柔性电路板，用于将主控环块101、电源环块102以及采集环块103电气连接，实现各环块与主控环块101之间的信号传送以及电源环块102对各环块的电力输送，所述主控环块101的内部设有微控单元206、惯性测量单元202以及通讯单元，所述通讯单元207可以采用蓝牙通讯模块或者zigbee等其它通讯模块，惯性测量单元202主要包括加速度计、陀螺仪以及磁力计等；所述电源环块的内部设有电池管理单元，所述电源管理单元包括铝电池和电源保护电路，其中铝电池给前述各个环块中的各部件供电，电源保护电路则实现对电源的稳压，防止电池过充和过放；所述主控环块101、电源环块102以及采集环块103上均设有肌电信号采集单元。所述电源环块102的数量为两个，分别设置在主控环块的两侧，采集环块103的数量为五个，通过连接条104依次相连，两端的采集环块103通过连接条104分别和主控环块101两侧的电源环块102相连，应当说明的是本臂环中的电源环块102以及采集环块103的数量并不限定在两个和五个，可以更少，也可以更多，并且也不一定按上述顺序排设，各个环块之间可以按照各种顺序随意排列。

所述肌电信号采集单元包括金属极贴片203、差分运算放大电路、滤波电路，所述金属极贴片203分别设置在主控环块101、电源环块102以及采集环块103的下表面，差分运算放大电路204、滤波电路205设置在均设置在主控环块101、电源环块102以及采集环块内部。

使用的时候，将本发明所述的臂环100套在手臂上，使金属贴极片203紧贴在操作员皮肤表面，通过设置在各个环块上的肌电信号采集单元201中的金属贴极片203来采集操作员做出不同手势时候产生的肌电信号209，所述肌电信号209为手臂表面肌肤的电位差，由于肌电信号209非常微弱，最大幅值也就+5mv左右，于是通过差分运算放大电路204将信号放大到±5V以内后再通过滤波电路205进行带通滤波，此处采用卡尔曼滤波电路，然后再通过ADC转换以得到当前的手势信号，与此同时，通过惯性测量单元207得到当前的手臂的姿态信号213，微控单元206将手势信号212与手臂姿态信号213结合后最终得到当前的手势动作的指令信号以完成对移动机器人各种行为的操作。

本发明在所述的惯性采集单元202得到磁力计信号301、加速度计信号302以及陀螺仪信号303后的时候采用如下方法获得手臂姿态信息213：

首先通过磁力计信号301获得手臂偏航角参考值304，其次通过加速度计信号302计算出手臂俯角和翻滚角的参考值305，再利用陀螺仪信号303计算出手臂俯仰角、翻滚角的瞬时角速度和偏航角的瞬时角速度306，最后通过卡尔曼滤波307计算得到手臂上肢在地球坐标系下的姿态角，所述姿态角包括俯仰角309、翻滚角310和偏航角308从而最终获得手臂上肢的三个方位角，解析得到手臂姿态信息213。

根据肌电信号采集单元201采集到的手臂的肌电信号处理得到手势信息212主要包括神经网络训练以及模式识别两个部分，所述神经网络训练包括如下步骤：

a1.确定网络结构，包括确定网络输入层、隐层、输出层神经元数量，输出模式，及训练、评估方程；

a2.确定训练和模式样本，将采集得到的肌电信号进行时域以及频域特征提取；

a3.对网络权值参数进行迭代学习；

a4.获取人工神经网络，建立手臂肌电信号与动作模式的非线性映射关系。

所述模式识别包括如下步骤：

b1.手臂肌电信号实时采集；

b2.将采集得到的肌电信号进行时域以及频域特征提取；

b3.将所得到的特征向量作为输入，输入通过网络训练所得到人工神经网络；

b4.计算人工神经网络的输出，完成手势信息212的解析。

当手臂姿态信息213和手势信息212都得到之后将这两者进行手势融合501，然后跟已经定义的手势动作特征库502进行比较，如果能找到对应特征的手势，则将其转换成对应的终端控制指令215，如果不能，则为无效手势动作503，将其忽略。

下面具体的给出一些手势说明，以控制移动巡逻机器人为例：

张拳601代表控制巡逻机器人向前移动；中指连续轻点两下拇指602代表控制巡逻机器人终端摄像头对当前环境拍照存储一次；手掌左摆605一次代表控制巡逻机器人向左移动固定角度，手掌右摆606一次代表控制巡逻机器人向右移动固定角度，需要指出的是本发明一种利用手势操控移动机器人的可穿戴臂环虽然主要用于操作移动机器人，但实际的实用并不局限于此，同样可以应该用到家庭影院系统、家居安防系统、厨卫系统等日常生活中。

如在播放音乐的时候，握拳后手臂逆时针旋转604代表电视/音乐音量下降，手臂每旋转2度角度，音量下降1格；握拳后手臂顺时针旋转603代表电视/音乐音量提高，每旋转2度角度，则音量提高1格。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (9)

1.一种利用手势操控移动机器人的可穿戴臂环，其特征在于：包括主控环块（101）、电源环块（102）以及采集环块（103），所述主控环块（101）、电源环块（102）以及采集环块（103）通过连接条（104）相互连接，形成一个闭环，所述主控环块（101）的内部设有微控单元（206）、惯性测量单元（202）以及通讯单元（207），所述电源环块（102）内部设有电池管理单元，所述主控环块（101）、电源环块（102）以及采集环块（103）上均设有肌电信号采集单元（201）。

2.根据权利要求1所述的一种利用手势操控移动机器人的可穿戴臂环，其特征在于：所述电池管理单元包括铝电池和电源保护电路。

3.根据权利要求1所述的一种利用手势操控移动机器人的可穿戴臂环，其特征在于：所述连接条（104）采用可伸缩材料，内部设有柔性电路板，用于将主控环块（101）、电源环块（102）以及采集环块（103）电气连接。

4.根据权利要求1所述的一种利用手势操控移动机器人的可穿戴臂环，其特征在于：所述惯性测量单元（202）包括加速度计、陀螺仪以及磁力计。

5.根据权利要求1所述的一种利用手势操控移动机器人的可穿戴臂环，其特征在于：所述电源环块（102）的数量为两个，分别设置在主控环块的两侧，采集环块（103）的数量为五个，通过连接条（104）依次相连，两端的采集环块（103）通过连接条（104）分别和主控环块（101）两侧的电源环块（102）相连。

6.根据权利要求1所述的一种利用手势操控移动机器人的可穿戴臂环，其特征在于：所述肌电信号采集单元包括金属极贴片（203）、差分运算放大电路（204）、滤波电路（205），所述金属极贴片(203)分别设置在主控环块（101）、电源环块（102）以及采集环块（103）的下表面，差分运算放大电路（204）、滤波电路（205）均设置在主控环块（101）、电源环块（102）以及采集环块内部。

7.根据权利要求5所述的一种利用手势操控移动机器人的可穿戴臂环，其特征在于，所述通讯单元（207）为蓝牙通讯模块或者wifi通讯模块或者zigbee通讯模块。

8.根据权利要求4所述的一种利用手势操控移动机器人的可穿戴臂环，其特征在于，在所述的惯性采集单元（202）得到磁力计信号（301）、加速度计信号（302）以及陀螺仪信号（303）后的时候采用如下方法获得手臂姿态信息（213）：

首先通过磁力计信号（301）获得手臂偏航角参考值（304），其次通过加速度计信号（302）计算出手臂俯角和翻滚角的参考值（305），再利用陀螺仪信号（303）计算出手臂俯仰角、翻滚角的瞬时角速度和偏航角的瞬时角速度（306），最后通过卡尔曼滤波（307）计算得到手臂上肢在地球坐标系下的姿态角，所述姿态角包括俯仰角（309）、翻滚角（310）和偏航角（308）从而最终获得手臂上肢的三个方位角，解析得到手臂姿态信息（213）。

9.根据权利要求1所述的一种利用手势操控移动机器人的可穿戴臂环，其特征在于，根据肌电信号采集单元（201）采集到的手臂的肌电信号处理得到手势信息（212）包括神经网络训练以及模式识别两个部分，所述神经网络训练包括如下步骤：

a1. 确定网络结构，包括确定网络输入层、隐层、输出层神经元数量，输出模式，及训练、评估方程；

a2. 确定训练和模式样本，将采集得到的肌电信号进行时域以及频域特征提取;

a3. 对网络权值参数进行迭代学习；

a4. 获取人工神经网络，建立手臂肌电信号与动作模式的非线性映射关系；

所述模式识别包括如下步骤：

b1. 手臂肌电信号实时采集；

b2.将采集得到的肌电信号进行时域以及频域特征提取；

b3. 将所得到的特征向量作为输入，输入通过网络训练所得到人工神经网络；

b4. 计算人工神经网络的输出，完成手势信息（212）的解析。