CN105224800B - 一种基于关键动素的肢残者作业能力评价方法 - Google Patents
一种基于关键动素的肢残者作业能力评价方法 Download PDFInfo
- Publication number
- CN105224800B CN105224800B CN201510644654.2A CN201510644654A CN105224800B CN 105224800 B CN105224800 B CN 105224800B CN 201510644654 A CN201510644654 A CN 201510644654A CN 105224800 B CN105224800 B CN 105224800B
- Authority
- CN
- China
- Prior art keywords
- kinetin
- limb
- limb stump
- sequence
- disabled
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于关键动素的肢残者作业能力评价方法，包括：(1)构建作业实体、作业本体和作业空间三个作业要素类，对作业系统进行全面描述；(2)相应生成能够完成任务的动素序列；(3)为组成该动素序列的各个动素分别赋予三级评价指标；(4)识别出关键动素，并以此作为评价的基点；(5)结合关键动素来进行运动仿真，测量得出肢残者执行该关键动素时的生物力学参数量；(6)将正常人的生物力学参数作为作业要求，与肢残者的生物力学参数测量结果比较。通过本发明，能够在后续仿真及计算处理过程中避免海量数据，同时实现高信度和高效率的肢残者作业能力评价全过程。
Description
技术领域
本发明涉及肢残者作业辅助相关技术领域，更具体地，涉及一种基于关键动素的肢残者作业能力评价方法。
背景技术
合理的职业康复、作业辅助设计及就业安置与调适对提高肢残者的生活质量有重要价值，其中全面、准确的作业能力评价是作业设计和安置的重要依据。作业能力评价方法对最终的评价结果有着直接的影响，不准确的评价结果会造成不合理的人岗匹配，导致作业绩效降低，甚至会给作业者带来职业伤害。
目前已有的肢残者作业能力评价方法大致分为五类：功能测量类、职业匹配类、工作匹配类、一般职业性能力评价、基于作业场景的能力评价等。其中功能测量类方法一般是对残疾人的功能缺陷进行测量，通常的指标有关节自由度、手部握力等；职业匹配类方法在对各类职业完成典型工作的功能要求信息采集的基础上，与残疾人功能进行匹配；工作匹配类方法测量残疾作业者与工作要求间的匹配度，通过工作分析的方法采集工作要求信息，通过医学诊断的方法采集作业者的残损技能信息，基于两类信息的比较得到匹配度；一般职业性能力评价方法是按照职业或者日常活动的分类，对身体残损部位影响某一类作业或者活动的水平进行评级。
然而，进一步的研究表明，上述各种现有评价方案均有其各自的局限性。例如，功能测量方法与基于作业场景的能力评价方法相类似，是对具体功能进行评价，指标单一，适用性小，对多任务工作能力很难全面描述，作业者在测量过程中的表现不具有时间和空间上的一致性，无法保证仿真作业变量的结构效度和时间效度。对于一般职业性能力评价方案而言，其只对残疾人作业的一般性能力进行评价，没有针对具体的作业内容，无法考虑作业要素变量对残疾人作业能力的影响。对于职业匹配类及工作匹配类评价方法而言，其从残损功能与工作内容匹配的角度出发，综合考虑功能和工作两方面的信息，但它们相对独立，相关性差，完全依赖于专家的主观测评将双方信息联系起来，评价过程复杂，数据量大且主观性强。
相应地，为了能够高信度预测肢残者作业能力，需要对作业任务做出更为全面且准确的研究和处理工艺设计，而目前已有的任务分析方法存在以下的显著不足或改进需求：(1)对作业要素维度无法做出全面动态的描述，受限于作业要素描述的局限性，无法全面预测作业者的作业行为，从而降低作业能力评价的准确度；(2)作业者与作业系统分离开的任务描述方法导致作业要素与作业者个体功能差异性的强耦合关系无法表述出来，未能将作业者的能力属性与其他各作业要素间的强交互关系量化；(3)忽略作业者个体差异性对作业要素的影响，没有考虑作业者的功能特性描述，作业者的作业行为与其自身的能力属性有密切关联，但作业者的个体差异性在任务模型中却鲜有体现。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于关键动素的肢残者作业能力评价方法，其中通过结合肢残者自身的肢体运动学特征研究来构建更为精确、全面的多元任务要素集，同时选择肢残者完成关键动素的能力评价作为作业能力评价指标，相应可在后续仿真及计算处理过程中避免海量数据，并有效降低数据噪声对能力评价准确度和效率的干扰，实现高信度和高效率的肢残者作业能力评价全过程。
为实现上述目的，按照本发明，提供了基于关键动素的肢残者作业能力评价方法，其特征在于，该方法包括下列步骤：
(1)构建包括作业实体、作业本体和作业空间在内的三个作业要素类，由此建立对待执行作业系统进行全面描述的多元任务要素集，其中：
所述作业实体要素类包括三个要素集，即具备作业对象名称、作业对象形状和作业对象尺寸这三个元素的作业对象要素集，具备作业工具名称、作业工具尺寸、作业工具操作方式和作业工具技能要求这四个元素的作业工具要素集，以及具备肢残者的肢体结构特征描述、肢残者的运动学特征描述和肢残者的动力学特征描述这三个元素的肢残者要素集；
所述作业本体要素类包括两个要素集，即具备作业名称、作业目标、作业当前状态和作业规则这四个元素的作业属性要素集，以及具备作业执行时间、作业执行速度、肢残者在作业过程中的手脚关节状态描述多元素的作业参数要素集；
所述作业空间要素类包括两个要素集，即具备作业空间大小、障碍物特性描述这两个元素的作业环境要素集，以及具备肢残者位置特性描述、作业工具位置描述、作业对象位置描述和障碍物位置描述这四个元素的作业空间布局要素集；
(2)基于步骤(1)所建立的多元任务要素集，相应生成用于完成任务的动素序列；
(3)针对步骤(2)所生成的动素序列，为组成该动素序列的各个动素分别赋予三级评价指标，其中该三级评价指标具体包括：用于对肢残者自身的肢体受损状态进行评价的第一评价指标，用于对肢残者自身的肌肉骨骼状态进行评价的第二评价指标，以及用于对肢残者完成该动素所需的最短时间进行评价的第三评价指标；
(4)对各个所述动素所对应的三级评价指标各自执行加权求和计算，然后比较这些加权求和结果以得出其中的最大值，将该最大值所对应的动素设定为关键动素，并将其作为作业能力评价的基点；
(5)结合步骤(4)所设定的关键动素对正常人体模型进行运动仿真，同时测量得出肢残者执行该关键动素时的生物力学参数，其中该生物力学参数包括肢残者的关节自由度、关节角度、关节受力、关节力矩和肌力等一系列参数；
(6)将步骤(5)中正常人体所对应的上述生物力学参数作为动素要求，分别将步骤(5)中肢残者的测量结果与其进行比较，并判定肢残者能否顺利完成，由此完成整体的作业能力评价过程。
作为进一步优选地，对于上述生成动素序列的步骤，优选采取基于着色petri网的行动推理算法来进行处理。
作为进一步优选地，对于步骤(3)而言，当出现动素序列不唯一的情况下，优选采取以下方式进行处理：基于所述三级评价指标来构建如下的动素序列综合代价函数f(s)，并求出综合代价最小的目标序列，以此作为关键动素解空间来得出唯一的动素序列：
其中，bij表示针对动素i所涉及到的肢残者身体部位j的生物力学参数矩阵，wij为bij所对应的权重向量，w1为所述第一评价指标的权重，χij表示针对动素i所涉及到的肢残者身体部位j的受损状态表达式，w2为所述第三评价指标的权重，ti表示动素i的持续时间，k表示所述动素的总个数，m表示动素i所对应的肢残者运动关节总个数。
作为进一步优选地，优选采用蚁群算法来求出综合代价最小的目标序列。
作为进一步优选地，对于步骤(4)而言，得出所述最大值的过程优选采取以下的计算式来执行处理：
其中，g(i)表示待求出的所述最大值，bij表示针对动素i所涉及到的肢残者身体部位j的生物力学参数矩阵，wij为bij所对应的权重向量，w1为所述第一评价指标的权重，χij表示针对动素i所涉及到的肢残者身体部位j的受损状态表达式，w2为所述第三评价指标的权重，ti表示动素i的持续时间，k表示所述动素的总个数，m表示动素i所对应的肢残者运动关节总个数。
总体而言，按照本发明的以上技术方案与现有技术相比，主要具备以下的技术优点：
1、通过结合肢残者本身的主要肢体特征指标和应用场合的特点，对作业系统更有针对性地进行了全局描述，并能够有效反映其内部交互关系及其各任务要素与作业内容的相关度，克服了传统任务描述方法的片面性，实现对作业系统的全面且准确的描述。
2、尤其是，本发明选择采用关键动素来作为肢残者作业能力评价的重要指标，同时对其求解过程进行了相应研究和设计，以此方式能够避免后期海量数据的处理，减少无关信息对能力评价效率的干扰，实现高信度与高效度的作业能力评价。
附图说明
图1为本发明所构建的基于关键动素的肢残者作业能力评价方法的基本流程图；
图2为本发明所构建的作业描述体系图；
图3为用于表示肢残者三维属性的结构示意图；
图4为按照本发明优选实施方式的动素序列自动生成算法的流程图；
图5为作为本发明示范例用于解释动素序列的有向图；
图6为按照本发明优选实施方式的目标序列识别的流程图；
图7是按照本发明优选实施方式且用于某应用场合的整体作业能力评价过程的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如同本申请背景技术所分析地，针对现有技术中对于肢残者作业能力评价方案中所存在的各种不同，如图1中所示，本发明提出的作业能力评价方法具体分为任务要素集的划分与描述、动素序列自动生成、动素的三级指标体系、关键动素识别、基于关键动素的仿真与测量以及能力评价等主要基本处理步骤。下面将参照图7中给出的一个优选实施方式并结合肢残者搬运货物的具体应用场景来逐一进行解释说明。
首先，在步骤一，为实现对肢残者作业能力的准确预测和评价，应当对整个作业系统做出全面准确的描述，本发明构建出三个作业要素类涵盖作业系统的各个方面，基于作业要素类建立作业对应的多元要素集，各要素集的元素均采用结构化描述量。
具体而言，本发明中首先构建包括作业实体、作业本体和作业空间在内的三个作业要素类，由此建立对待执行作业系统进行全面描述的多元任务要素集，其中：作业实体要素类包括三个要素集，即具备作业对象名称、作业对象形状和作业对象尺寸这三个元素的作业对象要素集，具备作业工具名称、作业工具尺寸、作业工具操作方式和作业工具技能要求这四个元素的作业工具要素集，以及具备肢残者的肢体结构特征描述、肢残者的运动学特征描述和肢残者的动力学特征描述这三个元素的肢残者要素集；作业本体要素类包括两个要素集，即具备作业名称、作业目标、作业当前状态和作业规则这四个元素的作业属性要素集，以及具备作业执行时间、作业执行速度、肢残者在作业过程中的手脚关节状态描述所元素的作业参数要素集；作业空间要素类则包括两个要素集，即具备作业空间大小、障碍物特性描述这两个元素的作业环境要素集，以及具备肢残者位置特性描述、作业工具位置描述、作业对象位置描述和障碍物位置描述这四个元素的作业空间布局要素集。
更为具体进行解释说明的话，参见图2，在作业实体类中包括作业对象，作业工具和肢残者三个子要素集，其中作业对象子集包含对象名称、对象形状和对象尺寸三个元素；作业工具集合具有工具名称、工具尺寸、操作方法和技能要求四个元素；肢残者的属性集细分为肢体结构属性、运动学属性和动力学三类，其中肢体结构属性譬如可包含人体测量参数、关节自由度、残损部位等，运动学属性譬如可包括关节位移、关节速度等，动力学属性譬如可包括肌肉力量、关节力矩等。作业本体类分为作业属性和作业参数两个子集。
作业属性是作业的固有特性，对作业的多维定性描述和静态约束条件的呈现，而作业参数是对作业本身的定量描述，包括输入和输出参数，是在作业属性确定的前提下对作业结果产生显著影响的量。
作业空间类包含作业环境和空间布局，更具体地，作业环境与作业目标无关，是对作业的执行过程产生影响的外部因素，比如障碍物，空间限制等。空间布局是作业执行中所涉及的实体对象在空间的位置信息集合，譬如可包括作业者的站立位置坐标，工具的初始位置，作业对象的空间位置，障碍物的位置等。
接着，在步骤二中，基于前面步骤已经建立的多元任务要素集，相应生成用于完成任务的动素序列。按照本发明的一个优选实施方式，所述的动素序列自动生成，譬如可选用基于着色petri网的行动推理算法。其中，将库所和变迁分别与动素和状态相对应，变迁的激活表示动素的前置条件得到满足，并伴随着作业系统后继状态的变化。每个动素对应一个前置条件库所，后继状态库所和一个变迁。当一个动素的后继状态库所与另一个动素的前置条件库所相同时，这两个动素构成一个二元动素序列，如此继续下去，当后继状态库所标识与目标状态标识一致时，就生成了能够完成任务的动素序列。
容易理解，基于已经建立的上述多元任务要素集来生成动素序列可以采用本领域各类常规算法，在此不再一一详述。
接着，在步骤三中，所生成的动素序列，为组成该动素序列的各个动素分别赋予三级评价指标，其中该三级评价指标具体包括：用于对肢残者自身的肢体受损状态进行评价的第一评价指标，用于对肢残者自身的肌肉骨骼状态进行评价的第二评价指标，以及用于对肢残者完成该动素所需的最短时间进行评价的第三评价指标。
更具体地，一级指标为功能受损权值，即该动素所涉及的主要身体部位的功能受损权值；二级指标为肌肉骨骼特征，即生物力学参数；三级指标为时间。最后可以根据实际需要来为三级指标赋予不同的权重。
接着，在步骤四中，对各个所述动素所对应的三级评价指标各自执行加权求和计算，然后比较这些加权求和结果以得出其中的最大值，将该最大值所对应的动素设定为关键动素也即作业者需要付出代价最大的动素，并将其作为作业能力评价的基点。
接着，在步骤五中，结合前面已经设定的关键动素对正常人体模型进行运动仿真，同时测量得出肢残者在执行该关键动素时的生物力学参数，其中该生物力学参数包括肢残者的关节自由度、关节角度、关节受力、关节力矩和肌力等一系列参数。
譬如，如同本领域所熟知地，可以首先在虚拟作业空间建立一个与肢残者有相同生物力学测量参数的正常人体模型，然后针对求出的关键动素，对其进行运动仿真，同时利用相关生物力学设备实际测量肢残者执行关键动素时的生物力学参数，由此分别获得正常人和肢残者包括反映关节自由度、关节角度、关节受力、关节力矩、肌力等在内的一系列生物力学参数。
最后，在步骤六中，将正常人体所对应的上述生物力学参数作为动素要求，分别将步骤五中所获得的多个测量结果与其一一进行比较，并判定肢残者能否顺利完成，由此完成整体的作业能力评价过程。
综上，本发明提出的肢残者作业能力评价方法是基于对作业者在关键动素上的行为预测，而这种行为预测又是基于对作业系统全面且准确的描述，动素序列能够自动生成，关键动素易于识别，仿真预测的准确度高，这些都在一定程度上提高了作业能力评价的信度与效度。
如图7中所示，下面将结合某具体应用场合来进一步详细地解释说明按照本发明的作业能力评价整体过程。
一、任务要素集的划分与描述
作业实体包含作业中的主动实体与被动实体，主动实体具有一定程度的自主性，而被动实体不能主动发出交互。作业工具与作业对象为被动实体，肢残者为主动实体。将作业实体表示成集合的形式：
E＝O∪T∪D
其中，E表示作业实体类，O表示作业对象集，T表示作业工具集，D表示肢残者。
对任意的作业对象，都具有对象名称、对象形状和对象尺寸三个元素。对象名称是作业对象的标识属性，提供区别于其他对象的标识信息。对象形状是作业对象的可感知属性，直接影响到操作方法。对象尺寸是作业对象的静态状态属性，对象尺寸与工具尺寸关联，如若不匹配，则要更换作业工具。
显著以搬运货物为具体任务，由于a仓库需要装修，现要求将所有货物从a仓库搬至新建的g仓库，某位佩戴假肢的右侧下肢残疾者为作业者，不给予任何工具。作业对象集O＝{货物}，作业对象名称为电子产品，对象形状为长方体，长100mm，宽80mm，高100mm，不提供任何搬运工具。
类似地，对任意的作业工具包含工具名称、工具尺寸、操作方法和技能要求四个元素。工具名称作为工具的标识属性，工具尺寸作为状态属性。操作方法涉及吉尔布雷斯提出的第一类动素，包括握取、移物、持住、定位、装配、拆卸、使用、旋转、爬行。将操作方法映射到作业者，便得到作业者使用工具时对人的身体关节自由度，感官等的要求，即技能要求。
肢残者与正常人在身体结构、运动学和动力学三个维度上具有差异性。如图3所示，在肢体结构属性维度上，包含人体测量参数、关节自由度和残损部位等；运动学属性维度主要针对运动学参数，如关节位移、关节速度和频率等；在动力学属性维度上，主要是从力量的角度描述肢残者的肌力、关节力矩等。
作业本体包含作业参数和作业属性两个要素集，旨在区分作业本身的定性描述与定量描述。作业属性是作业的固有特性，对作业的多维定性描述和静态约束条件的呈现。作业属性采用(作业名称，作业目标，当前状态，规则)来刻画，既是对作业本身的定性描述，同时也是作业的输入条件。作业属性集{Name,Goal,State,Rule}中，Name＝产品搬运；Goal＝将a仓库的产品搬至g仓库；State＝初始状态为作业者处在r仓库内，a仓库已打开，g仓库关闭但作业者有钥匙；Rule＝不采用任何搬运工具，以最快速度搬完。作业参数是对作业本身的定量描述，包括输入和输出参数，是在作业属性确定的前提下对作业结果产生显著影响的量，用集合P表示，具体包含执行时间、执行速度、手脚位置参数、关节的位移、关节速度、关节加速度、关节受力等，是对作业过程的控制和记录。
作业空间包含作业环境与空间布局两个子集。作业环境与作业目标无关，是对作业的执行过程产生影响的外部因素，比如障碍物，空间限制等。如，作业环境采用(障碍物，空间大小)来描述，障碍物影响着作业的执行方法，空间大小限制执行路径，这些都是影响作业执行的外部因素，这里用字母C表示环境集。空间布局是作业执行中所涉及的实体对象在空间的位置信息集合，包括作业者的站立位置坐标，工具的初始位置，作业对象的空间位置，障碍物的位置。空间布局采用(作业者位置，工具位置，作业对象位置，障碍物位置)来描述，刻画的全都是位置信息，用字母L表示位置信息集合。
二、动素序列自动生成
每个动素都有对应的前置条件和后继状态，在前置条件满足时动素开始执行，执行过程中引起作业系统状态的改变。针对上述的搬运货物任务，首先建立以下八个库所：Marking、Goods、Key、Closed、GoalStorehouse、Connection、Holding和ActionSequences，其中Marking表示当前作业者所处的状态，Goods表示货物的当前状态，Key表示钥匙的拥有情况，Closed仓库门的开关状态，GoalStorehouse表示目标仓库的情况，Connection表示不同库所的关系，Holding表示手持货物的情况，ActionSequences表示存储动素序列的库所。该搬运任务涉及到的动素有：Go、Squat、Bend、Standup、Reachout、Grasp、Carry、Open、Enter和Putdown。以下为各动素的前置条件和后继状态。
(1)Go(a)表示作业者走到货物暂存处a仓库，pre、post分别表示前置条件和后继状态，下划线_表示任意变量：
pre(Go(a))＝(Marking(disabled,r,_)∧(r≠a))∧(Key(a)∨﹁Closed(a))post(Go(a))＝Marking(disabled,a,_)∧(Key(a)∨﹁Closed(a))∧Connection(Marking,goods,nearby)
Go(a)的前置条件：Marking(disabled,r,_)∧(r≠a)表示作业者残疾且当前在r仓库(除a以外的任意仓库)，不在a仓库，其它变量任意；Key(a)∨﹁Closed(a)表示作业者有a仓库的钥匙或a仓库的门是开的；Connection(Marking,goods,nearby)表示作业者和货物的位置邻近；其它库所状态任意。
Go(a)发生后继状态：作业者从当前位置移动至a仓库中，其它前提条件不变。
(2)Standup表示作业者起立，处于站立状态
pre(Standup)＝Marking(disabled,a,Squat,knee,flexion,_)
post(Standup)＝Marking(disabled,a,Stand,_)
Standup的前置条件：Marking(disabled,a,Squat,knee,flexion,_)表示残疾作业者在a仓库中处于下蹲状态，膝关节残损有屈伸自由度，其它库所状态任意。
Standup的后继状态：作业者a仓库中处于站立状态，其它不变。
(3)Squat表示作业者屈膝蹲下准备拿起货物
pre(Squat)＝Goods(product,box,small size,a,_)∧Marking(disabled,a,stand,knee,flexion,_)∧Connection(Marking,goods,nearby)
post(Squat)＝Goods(product,box,small size,a,_)∧Marking(disabled,a,Squat,_)
Squat的前置条件：Goods(product,box,small size,a,_)表示货物是生产产品，在a仓库，呈长方体，尺寸不大，可以人工搬运；Marking(disabled,a,stand,knee,flexion,_)表示残疾作业者站立于a仓库，膝关节残损只有屈曲自由度，其它变量任意；Connection(Marking,goods,nearby)表示作业者和货物的位置邻近；其它库所状态任意。
Squat的后继状态：作业者处于下蹲状态，其它不变。
(4)Enter(g)表示进入g仓库
pre(Enter(g))＝﹁Closed(g)∧Marking(location,_)∧(location≠g)
post(Enter(g))＝Marking(g,_)
Enter(g)的前置条件：g仓库门开着，作业者不在g仓库内，其它库所状态任意。
Enter(g)的后继状态：作业者处于g仓库中，其它不变。
(5)Carry表示搬运动素
pre(Carry(goods))＝Holding(goods)∧Marking(disabled,Stand,location,_)
∧(location≠g)
post(Carry(goods))＝Holding(goods)∧Marking(disabled,Stand,g,_)∧
Goods(g,_)
Carry(goods)的前置条件：作业者手中持有货物，处于站立状态且不在目标仓库，其它库所状态任意。
Carry(goods)的后继状态：作业者到达目标g仓库，货物被搬至g仓库。
(6)Grasp表示抓握动素
pre(Grasp(goods))＝Marking(disabled,a,Squat,_)∧Holding(null)∧
Connection(Marking(hands),goods,nearby)
post(Grasp(goods))＝Marking(disabled,a,Squat,_)∧Holding(goods)
Grasp(goods)的前置条件：残疾作业者在a仓库中处于下蹲状态且双手空闲，作业者的双手和货物的位置邻近，其它库所状态任意。
Grasp(goods)的后继状态：抓握动素执行后，作业者手中持有货物。
(7)Open(g)表示打开g仓库的门
pre(Open(g))＝Closed(g)∧Key(g)
post(Open(g))＝﹁Closed(g)
Open(g)的前置条件：g仓库的门关闭且作业者有g仓库的钥匙，其它库所状态任意。
Open(g)的后继状态：g仓库打开，其它不变。
(8)Reach out表示伸手动素
pre(Reach out)＝Marking(disabled,a,Squat,_)∧Holding(null)
post(Reach out)＝Marking(disabled,a,Squat,_)∧Holding(null)∧Connection
(Marking(hands),goods,nearby)
Reach out的前置条件：残疾作业者在a仓库中处于下蹲状态且双手空闲，其它库所状态任意。
Reach out的后继状态：伸手动素执行后，作业者的双手和货物邻近。
(9)Putdown表示放下
pre(Putdown)＝Marking(g,Stand,knee,flexion,_)∧Holding(goods)
post(Putdown)＝Marking(g,Squat,knee,flexion,_)∧Holding(null)
Putdown的前置条件：作业者站立于g仓库中，膝关节可以屈曲，手中持有货物，其它库所状态任意。
Putdown的后继状态：作业者处于下蹲状态，手中空闲，其它不变。
(10)Bend表示弯腰
pre(Bend)＝Goods(product,box,small size,a,_)∧Marking(disabled,a,stand,waist,flexion,_)∧Connection(Marking,goods,nearby)
post(Bend)＝Goods(product,box,small size,a,_)∧Marking(disabled,a,stand,Bend,_)
Squat的前置条件：Goods(product,box,small size,a,_)表示货物是生产产品，在a仓库，呈长方体，尺寸不大，可以人工搬运；Marking(disabled,a,stand,waist,flexion,_)表示残疾作业者站立于a仓库，腰椎关节有弯曲自由度，其它变量任意；Connection(Marking,goods,nearby)表示作业者和货物的位置邻近；其它库所状态任意。
Squat的后继状态：作业者处于弯腰站立状态，其它不变。
(11)Upright表示直立
pre(Upright)＝Marking(disabled,a,Bend,waist,flexion,_)
post(Upright)＝Marking(disabled,a,Upright,_)
Upright的前置条件：Marking(disabled,a,Bend,waist,flexion,_)表示残疾作业者在a仓库中处于弯腰状态，腰椎关节屈伸自由度，其它库所状态任意。
Upright的后继状态：作业者a在仓库中处于直立状态，其它不变。
表1基本动素库中的动素分析表
如图4所示，按照本发明的一个优选实施方式，动素序列自动生成算法譬如可设计如下，但本领域的技术人员容易理解，其并非为唯一可采取的算法，只要其能够生成相应的动素序列即可：
步骤a：比较系统初始状态M0和目标状态Mg，如果不相同，则转到步骤二；如果相同，则PActionSequences＝null。
步骤b：遍历基本动素库中所有动素的前置条件，与系统初始状态比对，如果满足pre(ti)＝M0，则PActionSequences＝PActionSequences∪ti，并更新当前状态，M0＝post(ti)。
步骤c：比较M0和目标状态Mg，如果不匹配，则以更新后的状态M0为当前的初始状态，重复步骤二，直至M0＝Mg,转到步骤四。
步骤d：返回PActionSequences中的托肯，依次构成动素序列。
相应地，在着色petri网建模仿真工具CPN Tools上对搬运作业系统仿真，基于动素序列自动生成算法，自动输出PActionSequences中的着色托肯，动素序列有四组，如图5中有向图所示，有向图的节点表示动素，用有向边描述各动素间的时序关系，建立动素序列有向图模型。
①Go(a)→Squat→Reach out→Grasp→Standup→Carry→Open(g)→Enter(g)→Putdown；
②Go(g)→Open(g)→Go(a)→Squat→Reach out→Grasp→Standup→Carry→Enter(g)→Putdown；
③Go(a)→Bend→Reach out→Grasp→Upright→Carry→Open(g)→Enter(g)→Putdown；
④Go(g)→Open(g)→Go(a)→Bend→Reach out→Grasp→Upright→Carry→Enter(g)→Putdown
三、动素的三级指标体系
一级指标为功能受损权值，以本应用场景为例，单下肢残疾者的残损部位为膝关节，由于健体的自补偿机制及佩戴假肢的影响，膝关节的功能会得到一定程度的补偿，其它与膝关节相连的关节都受到不同程度的影响。二级指标是肌肉骨骼特征，即动素涉及的关键身体部位的生物力学参数矩阵，动素i的肌肉骨骼特征值譬如可表示为：
Bi＝[bi1,…,bij] (1)
其中，bij表示针对动素i所涉及到的肢残者身体部位j的生物力学参数矩阵，譬如包含关节及躯干的运动学及运动力学的参数。通过对正常人试验，统计分析得出，并作为最小参数。对残疾人来说，参数越小越易完成。三级指标是时间，对正常人进行试验，统计分析出正常人完成动素的期望时间，以此作为残疾人完成该动素的最短时间，这里忽略瞬时动素的时间。对残疾人来说，时间越短越容易完成。最后，为三级指标赋予权重，譬如，可以根据专家经验来确定一级指标权重0.5，二级0.3，三级0.2。
表2动素对应关节表
表3动素的三级指标
四、关键动素识别
按照本发明的一个优选实施方式，依据表2和表3，在三级指标体系的基础上，譬如可选取序列综合代价函数为：
其中，bij表示针对动素i所涉及到的肢残者身体部位j的生物力学参数矩阵，wij为bij所对应的权重向量，w1为所述第一评价指标的权重，χij表示针对动素i所涉及到的肢残者身体部位j的受损状态表达式，w2为所述第三评价指标的权重，ti表示动素i的持续时间，k表示所述动素的总个数，m表示动素i所对应的肢残者运动关节总个数。
在动素序列有向图模型中并存多个能够达到目标的动素序列，但其并未考虑肢残者的能力限制，忽略动素序列相对于作业者的可执行性。因此，本发明优选可采取蚁群算法，首先从多个动素序列中过滤出最适于肢残者执行的动素序列，该序列应满足综合代价最小。
需要更为具体进行解释的话，设蚁群中蚂蚁的数量为M，设定初始轨迹信息素浓度τij(0)＝τ0，τ0为常数。根据蚁群算法原理可知，蚂蚁每一步都是沿着概率最大的方向转移到下一个动素，直到达到任务目标。假设连接蚂蚁上一次到达的节点和本次要到达的节点的轨迹为(i,j)，蚂蚁转移概率与该轨迹上的信息素浓度τij(t)和动素j的综合代价有关，定义蚂蚁k在第t次循环中走过动素i节点后向下一动素j节点转移的概率为
式中，ηij(t)用于引导蚂蚁选择综合代价较小的路径，综合代价越小，其对应的转移概率越高，q信息素强度为常数。αi(k,t)为蚂蚁k在第t次循环中走过动素i节点后可以转移的节点集合，β为期望启发因子,α为信息启发因子。
每个蚂蚁根据转移规则选择下一个动素节点，单个蚂蚁在走过的轨迹上释放一定数量的信息素，同时蚂蚁经过路径上的信息素随着时间的推移而蒸发，因此有必要对路径上的信息素进行更新，以引导更多蚂蚁走向最优。单个蚂蚁在寻路过程中应用局部更新规则减少部分释放出的信息素，使得后来的蚂蚁经过相同路径的可能性减小。
τij(t)＝(1-γ)·τij(t)+γ·τ0 (5)
式中，0<γ<1，为信息素挥发因子，τ0为初始信息素。
所有蚂蚁都完成一次路径后，需要进行全局信息素更新，更新原则是使得综合代价较小的路径所对应的信息素浓度逐渐增大。
式中，△τij k为第k只蚂蚁经过(i,j)的信息素增量，q信息素增量调整值为常数。
接着如图6中所示，可得到如下结果，目标序列为③Go(a)→Bend→Reach out→Grasp→Upright→Carry→Open(g)→Enter(g)→Putdown.
在所选择的第3组动素序列中计算其中每个动素的三级指标加权和：
其中，参数含义同式(2)。
取g(i)max对应的动素为关键动素。本例中g(9)最大，对应的关键动素为Carry，该动素是作业者能耗最大的动素，是整个作业的瓶颈动素，将直接决定作业者能否完成作业以及作业绩效。
五、基于关键动素的仿真与测量及作业能力评价
按照肢残者肢体结构属性中的人体测量参数在生物力学计算平台上构建正常人的数字人体模型，依据作业空间类中要素集的描述量构造虚拟作业空间，作业本体中的作业参数和作业属性为任务输入值，将正常人的数字人体模型导入虚拟作业空间中，对关键动素进行运动仿真，计算输出正常人的生物力学参数并以此作为该作业的任务要求。同时，测量肢残者执行关键动素时的生物力学参数，与任务要求相比较得出评价结果。作为举例，可以在生物力学维度上对关键动素的属性做出基于作业要求的定量描述，如下：
KA＝(DOF,F,A,V,M,S,…) (9)
关键动素属性向量KA的分量譬如包括对应关节自由度、关节受力、关节角度、关节力矩和肌力等运动学和动力学参数，分别用DOF、F、A、V、M和S表示，依次与bij中的参数相对应。设bmn为关键动素m涉及的残损部位n的生物力学参数矩阵，当满足
bmn-KA≥0 (10)
时，该肢残者可以胜任此任务。
具体到本应用场合中：
KA(Carry)＝(膝关节屈曲，3.6kN，90度，37N.m，158N.m)
bmn(Carry)＝(膝关节屈曲，4.3kN，90度，43N.m，166N.m)由KA(Carry)<bmn(Carry)，得出该肢残作业者能够胜任搬运任务的评价结论。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于关键动素的肢残者作业能力评价方法，其特征在于，该方法包括下列步骤：
(1)构建包括作业实体、作业本体和作业空间在内的三个作业要素类，由此建立对待执行作业系统进行全面描述的多元任务要素集，其中：
所述作业实体要素类包括三个要素集，即具备作业对象名称、作业对象形状和作业对象尺寸这三个元素的作业对象要素集，具备作业工具名称、作业工具尺寸、作业工具操作方式和作业工具技能要求这四个元素的作业工具要素集，以及具备肢残者的肢体结构特征描述、肢残者的运动学特征描述和肢残者的动力学特征描述这三个元素的肢残者要素集；
所述作业本体要素类包括两个要素集，即具备作业名称、作业目标、作业当前状态和作业规则这四个元素的作业属性要素集，以及具备作业执行时间、作业执行速度和肢残者在作业过程中的手脚关节状态描述多元素的作业参数要素集；
所述作业空间要素类包括两个要素集，即具备作业空间大小、障碍物特性描述这两个元素的作业环境要素集，以及具备肢残者位置特性描述、作业工具位置描述、作业对象位置描述和障碍物位置描述这四个元素的作业空间布局要素集；
(2)基于步骤(1)所建立的多元任务要素集，相应生成用于完成任务的动素序列；
(3)针对步骤(2)所生成的动素序列，为组成该动素序列的各个动素分别赋予三级评价指标，其中该三级评价指标具体包括：用于对肢残者自身的肢体受损状态进行评价的第一评价指标，用于对肢残者自身的肌肉骨骼状态进行评价的第二评价指标，以及用于对肢残者完成该动素所需的最短时间进行评价的第三评价指标；并且其中当出现动素序列不唯一的情况下，采取以下方式进行处理：基于所述三级评价指标来构建如下的动素序列综合代价函数f(s)，并求出综合代价最小的目标序列，以此作为关键动素解空间来得出唯一的动素序列：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>k</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mi>j</mi>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&chi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>k</mi>
</munderover>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>j</mi>
<mi>m</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，bij表示针对动素i所涉及到的肢残者身体部位j的生物力学参数矩阵，wij为bij所对应的权重向量，w1为所述第一评价指标的权重，χij表示针对动素i所涉及到的肢残者身体部位j的受损状态表达式，w2为所述第三评价指标的权重，ti表示动素i的持续时间，k表示所述动素的总个数，m表示动素i所对应的肢残者运动关节总个数；
(4)对各个所述动素所对应的三级评价指标各自执行加权求和计算，然后比较这些加权求和结果以得出其中的最大值，将该最大值所对应的动素设定为关键动素，并将其作为作业能力评价的基点；
(5)结合步骤(4)所设定的关键动素对正常人体模型进行运动仿真，同时测量得出肢残者执行该关键动素时的生物力学参数，其中该生物力学参数包括肢残者的关节自由度、关节角度、关节受力、关节力矩和肌力一系列参数；
(6)将步骤(5)中正常人体所对应的上述生物力学参数作为动素要求，分别将步骤(5)中肢残者的测量结果与其进行比较，并判定肢残者能否顺利完成，由此完成整体的作业能力评价过程。
2.如权利要求1所述的肢残者作业能力评价方法，其特征在于，对于上述生成动素序列的步骤，采取基于着色petri网的行动推理算法来进行处理。
3.如权利要求1或2所述的肢残者作业能力评价方法，其特征在于，对于步骤(4)而言，得出所述最大值的过程采取以下的计算式来执行处理：
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>j</mi>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&chi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>j</mi>
<mi>m</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，g(i)表示待求出的所述最大值，bij表示针对动素i所涉及到的肢残者身体部位j的生物力学参数矩阵，wij为bij所对应的权重向量，w1为所述第一评价指标的权重，χij表示针对动素i所涉及到的肢残者身体部位j的受损状态表达式，w2为所述第三评价指标的权重，ti表示动素i的持续时间，k表示所述动素的总个数，m表示动素i所对应的肢残者运动关节总个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510644654.2A CN105224800B (zh) | 2015-10-08 | 2015-10-08 | 一种基于关键动素的肢残者作业能力评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510644654.2A CN105224800B (zh) | 2015-10-08 | 2015-10-08 | 一种基于关键动素的肢残者作业能力评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105224800A CN105224800A (zh) | 2016-01-06 |
| CN105224800B true CN105224800B (zh) | 2017-12-22 |
Family
ID=54993766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510644654.2A Active CN105224800B (zh) | 2015-10-08 | 2015-10-08 | 一种基于关键动素的肢残者作业能力评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105224800B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106725509B (zh) * | 2016-12-15 | 2020-04-07 | 佛山科学技术学院 | 生物力学信息的特征提取方法 |
| JP7070252B2 (ja) * | 2018-08-31 | 2022-05-18 | オムロン株式会社 | パフォーマンス計測装置、パフォーマンス計測方法及びパフォーマンス計測プログラム |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101601579A (zh) * | 2009-06-24 | 2009-12-16 | 中国政法大学 | 人体损伤和伤残程度评定系统和方法 |
| CN204445827U (zh) * | 2015-01-13 | 2015-07-08 | 佛山市残疾人综合服务中心 | 打点速度测试板 |
| CN204600486U (zh) * | 2015-01-13 | 2015-09-02 | 佛山市残疾人综合服务中心 | 运动协调测试仪 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100931274B1 (ko) * | 2009-08-05 | 2009-12-11 | 한국장애인고용촉진공단 | 직업능력평가를 위한 손기능 작업표본 검사 기구 |
-
2015
- 2015-10-08 CN CN201510644654.2A patent/CN105224800B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101601579A (zh) * | 2009-06-24 | 2009-12-16 | 中国政法大学 | 人体损伤和伤残程度评定系统和方法 |
| CN204445827U (zh) * | 2015-01-13 | 2015-07-08 | 佛山市残疾人综合服务中心 | 打点速度测试板 |
| CN204600486U (zh) * | 2015-01-13 | 2015-09-02 | 佛山市残疾人综合服务中心 | 运动协调测试仪 |
Non-Patent Citations (4)
| Title |
|---|
| Evaluating Work Disability of Lower Limb Handicapped within a Human Modeling Framework;Yan Fu等;《International Conference on Digital Human Modeling and Applications in Health, Safety, Ergonomics and Risk Management》;20141231;第516-526页 * |
| 残疾人作业调适决策模型及应用;付艳等;《工业工程》;20120430;第15卷(第2期);第84-88页 * |
| 肢体残疾者作业能力差损模型及应用;付艳等;《工业工程与管理》;20120229;第17卷(第1期);第117-123页 * |
| 肢残者作业能力数字化评价方法及应用研究;付艳;《中国博士学位论文全文数据库社会科学Ⅱ辑》;20130815(第8期);摘要,正文第5页第1.3.1小节,第27-35页第3.1-3.3小节,第41页第4.2小节,第92-93页第6.4.1小节,第97-100页第7.1小节,图1.2,3.1-3.5,4.1,6.17,7.1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105224800A (zh) | 2016-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Levine et al. | Learning hand-eye coordination for robotic grasping with deep learning and large-scale data collection | |
| Palmer et al. | Lenient multi-agent deep reinforcement learning | |
| Chyan et al. | Obstacle avoidance control of redundant robots using variants of particle swarm optimization | |
| CN109657868A (zh) | 一种任务时序逻辑约束的概率规划识别方法 | |
| McDonald et al. | Guided imitation of task and motion planning | |
| Sadhu et al. | Multi-agent coordination: A reinforcement learning approach | |
| Özsoy et al. | Estimating the parameters of nonlinear regression models through particle swarm optimization | |
| CN105224800B (zh) | 一种基于关键动素的肢残者作业能力评价方法 | |
| Bataineh | Artificial neural network for studying human performance | |
| Hangl et al. | Skill learning by autonomous robotic playing using active learning and exploratory behavior composition | |
| Barley et al. | Goals, utilities, and mental simulation in continuous planning | |
| Gkikakis | Mechanism and behaviour Co-optimisation of high performance mobile robots | |
| Wagner et al. | The development of a model to predict the effects of worker and task factors on foot placements in manual material handling tasks | |
| Heumer et al. | Grasp recognition for uncalibrated data gloves: A machine learning approach | |
| Sun et al. | Characterizing continuous manipulation families for dexterous soft robot hands | |
| Chao | Optimal boosting method of HPC concrete compressive and tensile strength prediction | |
| Vega-Alvarado et al. | A memetic algorithm applied to the optimal design of a planar mechanism for trajectory tracking | |
| Bahrpeyma et al. | Application of Reinforcement Learning to UR10 Positioning for Prioritized Multi-Step Inspection in NVIDIA Omniverse | |
| Ruiz et al. | Team agent behavior architecture in robot soccer | |
| Tang et al. | Cost function determination for human lifting motion via the Bilevel optimization technology | |
| Li et al. | Interactive control algorithm for shoulder-amputated prosthesis and object based on reinforcement learning | |
| Azarkasb et al. | Eligibility traces in an autonomous soccer robot with obstacle avoidance and navigation policy | |
| El-Bagoury et al. | Hierarchical case-based reasoning behavior control for humanoid robot | |
| Kangin et al. | Continuous control with a combination of supervised and reinforcement learning | |
| Alatartsev | Robot trajectory optimization for relaxed effective tasks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |