CN108044601B - 行走辅助设备及其控制方法 - Google Patents
行走辅助设备及其控制方法 Download PDFInfo
- Publication number
- CN108044601B CN108044601B CN201711086020.5A CN201711086020A CN108044601B CN 108044601 B CN108044601 B CN 108044601B CN 201711086020 A CN201711086020 A CN 201711086020A CN 108044601 B CN108044601 B CN 108044601B
- Authority
- CN
- China
- Prior art keywords
- joint
- dual
- motion vector
- target joint
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 415
- 230000009977 dual effect Effects 0.000 claims abstract description 302
- 238000004364 calculation method Methods 0.000 claims description 30
- 210000003141 lower extremity Anatomy 0.000 claims description 28
- 210000003414 extremity Anatomy 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000035772 mutation Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 13
- 238000013215 result calculation Methods 0.000 claims description 6
- 210000002414 leg Anatomy 0.000 description 17
- 230000005021 gait Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 210000003423 ankle Anatomy 0.000 description 2
- 238000001266 bandaging Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 101000845183 Homo sapiens Tetratricopeptide repeat protein 5 Proteins 0.000 description 1
- 102100031280 Tetratricopeptide repeat protein 5 Human genes 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/0006—Exoskeletons, i.e. resembling a human figure
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Rehabilitation Tools (AREA)
- Prostheses (AREA)
Abstract
本发明提供了一种行走辅助设备的控制方法,包括:通过第一传感单元感测目标关节的运动,而产生目标关节的运动矢量数据;通过第二传感单元感测所述对偶关节的运动,而产生对偶关节的运动矢量数据;获取所述第一传感单元产生的目标关节的运动矢量数据及第二传感单元产生的对偶关节的运动矢量数据;根据所述目标关节的运动矢量数据及对偶关节的运动矢量数据预测预定时间后的时刻所述目标关节的运动角度;控制所述执行单元驱动所述机器下肢,以使得所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度。本发明还提供一种行走辅助设备。本发明通过综合考虑左腿和右腿运动的内在关联,提高了预测的准确度和效率性。
Description
技术领域
本发明涉及智能辅助领域,尤其涉及一种智能的行走辅助设备及其控制方法。
背景技术
目前,下肢外骨骼机器人为一种可穿戴式机器人,用作为行走代步/辅助装置,能够为人体提供外力支持,达到降低人体的符合、提高人体持久运动能力的目的,在提高单兵作战能力、专配维修作业及医疗助残方面有着广泛的应用前景。目前的下肢外骨骼机器人的步态出发方式主要包括固定步态和随动控制两种,固定步态方式为通过采集人体临床步态数据并下发给下肢外骨骼机器人,达到外骨骼机器人辅助行走的目的,控制相对简单,然而运动模式单一,运动场景有限。随动控制方式为通过表面肌电传感器、角度传感器、力传感器等传感器监测人体运动状态和运动意图,控制下肢外骨骼机器人与人体协同运动,随动控制系统可以满足日常生活的多种场景,大大丰富了人机系统的运动模式。然而,传统的随动控制方式具有传感器造价昂贵,人体意图捕捉困难,外骨骼运动迟后于人体运动等问题。
发明内容
本发明提供一种行走辅助设备及其控制方法,能够通过低廉的成本更加精准地控制人体与行走辅助设备的协调运动,满足多种场景的使用。
一方面,本发明一种行走辅助设备,所述行走辅助设备包括传感单元、机器下肢、执行单元及主处理单元。所述传感单元至少包括第一传感单元和第二传感单元;所述第一传感单元用于固定于用户的左腿或右腿的目标关节上,用于感测所述目标关节的运动,而得出目标关节的运动矢量数据,所述第二传感单元用于固定于用户的另一只腿的对偶关节上,并用于感测所述对偶关节的运动,而得出对偶关节的运动矢量数据。所述执行单元用于驱动所述机器下肢运动。所述主处理单元与所述第一传感单元、第二传感单元及所述执行单元均连接,用于获取所述目标关节的运动矢量数据及对偶关节的运动矢量数据,并根据所述目标关节的运动矢量数据及对偶关节的运动矢量数据预测预定时间后的时刻所述目标关节的运动角度,而控制所述执行单元驱动所述机器下肢,以使得所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度。
另一方面,本发明提供一种行走辅助设备的控制方法,所述方法包括如下步骤:通过第一传感单元感测目标关节的运动,而产生目标关节的运动矢量数据;通过第二传感单元感测所述对偶关节的运动,而产生对偶关节的运动矢量数据;获取所述第一传感单元产生的目标关节的运动矢量数据及第二传感单元产生的对偶关节的运动矢量数据;根据所述目标关节的运动矢量数据及对偶关节的运动矢量数据预测预定时间后的时刻所述目标关节的运动角度;控制所述执行单元驱动所述机器下肢,以使得所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度。
本发明的行走辅助设备及其控制方法,不仅考虑了需要预测的目标关节的历史矢量数据,还考虑了与目标关节对称的对偶关节的历史矢量数据,在运动预测中考虑了人体运动过程中左腿和右腿运动的内在关联,提高了预测的准确度和效率性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例中的行走辅助设备的功能模块示意图。
图2为本发明一实施例中的第一传感单元以及第二传感单元固定于人体上的示意图。
图3为本发明一实施例中的第一传感单元的结构框图。
图4为本发明一实施例中的第二传感单元的结构框图。;
图5为本发明一实施例中的行走辅助设备的控制方法的流程示意图。
图6为图5中步骤S54的子流程图。
图7为本发明另一实施例中的行走辅助设备的控制方法的流程示意图。
图8为本发明一实施例中的控制响应时间的计算方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,为本发明一实施方式中的行走辅助设备100的功能模块示意图。所述行走辅助设备100用于辅助用户的行走。如图1所示,所述行走辅助设备100包括传感单元10、主处理单元20、执行单元30以及机器下肢40。所述传感单元10至少包括第一传感单元11和第二传感单元12。
所述第一传感单元11用于固定于用户的左腿或右腿的目标关节上,用于感测所述目标关节的运动,而得出目标关节的运动矢量数据,所述第二传感单元12用于固定于用户的另一只腿的对偶关节上,并用于感测所述对偶关节的运动,而得出对偶关节的运动矢量数据。其中,所述目标关节指的是待预测的关节,所述对偶关节指的是另一只腿上与所述目标关节对称的关节。
所述执行单元30与所述机器下肢40连接,用于驱动所述机器下肢40运动,所述执行单元30可为步进电机等。
所述主处理单元20与所述第一传感单元11、第二传感单元12及所述执行单元30均连接,用于获取所述目标关节的运动矢量数据及对偶关节的运动矢量数据,并根据所述目标关节的运动矢量数据及对偶关节的运动矢量数据预测预定时间后的时刻所述目标关节的运动角度,而控制所述执行单元30驱动所述机器下肢40,以使得所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度。从而实现人体运动与机器下肢运动的协调一致性。
本申请中,在运动预测中考虑了人体运动过程中左腿和右腿运动的内在关联,提高了预测的准确度和效率性。
其中,所述运动矢量包括多维角度,所述运动矢量数据相应包括多维角度数据。所述目标关节的运动角度为沿着人行走方向上的角度。
在一些实施例中,所述主处理单元20计算机器下肢40的控制响应时间,并在所述预定时间达到前提前所述控制响应时间产生控制所述执行单元30驱动所述机器下肢40的控制命令,以确保所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度。
其中,所述控制响应时间指的是主处理单元20下发控制命令至机器下肢40,到机器下肢40的对应关节部位实际运动至处于对应的运动角度时的延迟时间。
例如,假设预测预定时间K秒后所述目标关节的运动矢量为A,且所述控制响应时间为t0秒,则所述主处理单元20在经过(K-t0)秒的时间就发出控制命令,从而,可以确保在经过K秒时间后,所述机器下肢40刚好可以运动到处于与预测的K秒后的人体目标关节相同的运动角度。
在本实施例中,所述第一传感单元11实时感测所述目标关节的运动,而得出包括各个时刻的所述目标关节的运动矢量数据并保存各个时刻的所述目标关节的运动矢量数据,所述第二传感单元12实时感测所述对偶关节的运动,而得出各个时刻的所述对偶关节的运动矢量数据并保存各个时刻的所述对偶关节的运动矢量数据。
所述主处理单元20获取所述目标关节的运动矢量数据及对偶关节的运动矢量数据包括:获取目标关节的第一时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据;以及获取对偶关节的第二时段内的历史运动矢量数据。其中,历史运动矢量数据指的是在当前时刻之前的运动中目标关节和对偶关节所处的运动矢量的数据。例如,在当前时刻的前1秒到前10秒的数据。其中,所述第一时段和第二时段可相同,也可不同。其中,当前时刻也可以包括当前时刻的前后0.1秒、0.2秒等近似可以看做为当前时刻的一段时间段。其中,本申请中任何地方所描述的时刻可为一个时间点,也可以为包括所述时间点前后预设时间的一段可以近似看做是一个时刻的短暂时间段。其中,所述第一时段和第二时段可包括当前时刻也可不包括当前时刻。
所述主处理单元20根据所述目标关节的运动矢量数据以及对偶关节的运动矢量数据预测预定时间后的时刻所述目标关节的运动角度包括如下的具体控制步骤:S1:根据目标关节的第一时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据得出所述第一时段内的的至少一个目标关节最佳匹配矢量;S2:根据对偶关节的第二时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据得出所述第二时段内的至少一个对偶关节最佳匹配矢量;S3:利用预设的预测算法基于所述至少一个目标关节最佳匹配矢量进行预测得到目标关节的预测结果;S4:利用所述预设的预测算法基于所述至少一个对偶关节最佳匹配矢量进行预测得到对偶关节的预测结果;S5:计算目标关节的预测结果的权重以及对偶关节的预测结果的权重;S6根据目标关节的预测结果及其权重以及对偶关节的预测结果及其权重确定最终的预测结果。
其中,所述最终的预测结果为K秒后所述目标关节的沿行走方向上的一维角度,K为任意大于零的数值,例如可为0.1、0.5、1、2等。
在一些实施例中,关于步骤S1和S2,所述主处理单元20通过目标关节的当前时刻的运动矢量数据以及所述第一时间段内的目标关节的运动矢量数据计算目标关节在当前时刻与在所述第一时间段内的各个时刻的欧氏距离,得出所述第一时间段内的欧氏距离最小的至少一个时刻对应的运动矢量作为所述至少一个目标关节最佳匹配矢量。所述主处理单元20并通过目标关节的当前时刻的运动矢量数据以及所述第二时间段内的对偶关节的运动矢量数据计算目标关节在当前时刻与在所述第二时间段内的各个时刻的欧氏距离,得出所述第二时间段内的欧氏距离最小的至少一个时刻对应的运动矢量作为所述至少一个对偶关节最佳匹配矢量。
从而,目标关节在当前时刻的运动矢量数据与目标关节的第一时间段内的运动矢量数据的关系,以及目标关节在当前时刻的运动矢量数据与对偶关节的第一时间段内的运动矢量数据的关系,都将被用来参考。再换句话说,本申请中,不仅考虑了目标关节自身在不同时刻的运动矢量数据之间的关系,还考虑了目标关节与对偶关节在不同时刻的运动矢量之间的关系。
其中,本申请中,欧氏距离最小指的是最小的至少一个,例如按距离大小排序,欧氏距离最小的2个、3个等等,从而可以得到至少一个目标关节最佳匹配矢量和至少一个对偶关节最佳匹配矢量。
具体的,所述主处理单元20根据欧式距离计算公式确定出所述目标关节或对偶关节的至少一个最佳匹配矢量。所述欧式距离计算公式为:
δ(i)=||D(t)-D(ti)||2
其中,D(t)为当前时刻目标关节在当前时刻的运动矢量,D(t)i为目标关节在所述第一时间段内的第i个运动矢量或为对偶关节在第二时间段内的第i个运动矢量。所述主处理单元20选择至少一个欧氏距离最小的运动矢量作为所述目标关节或对偶关节的至少一个最佳匹配矢量。
在一些实施例中,关于步骤S3和S4,所述预测算法包括:计算每一个目标关节或对偶关节最佳匹配矢量的权重,并根据每一个目标关节或对偶关节最佳匹配矢量对应的历史数据预测及对应的权重求出目标关节的预测结果或对偶关节的预测结果。
具体的,所述主处理单元20计算每一个目标关节或对偶关节最佳匹配矢量的权重为根据所述至少一个最佳匹配矢量的欧氏距离得出,根据匹配矢量权重计算公式进行的。所述匹配权重计算公式为:
其中,所述主处理单元20根据每一个目标关节或对偶关节最佳匹配矢量对应的历史数据预测及对应的权重求出目标关节的预测结果或对偶关节的预测结果,为根据一结果计算公式得出。所述结果计算公式为:
其中,如前所述,ωj为第j个最佳匹配矢量的权重;为目标关节或对偶关节的第j个最佳匹配矢量对应的时刻在Δtk秒后的运动角度,y(t+Δtk)为预测的目标关节或对偶关节在当前时刻t的Δtk秒后的运动角度这一预测结果。
其中,所述主处理单元20计算目标关节的预测结果的权重及对偶关节的预测结果的权重包括:根据目标关节的至少一个最佳匹配矢量及每个最佳匹配矢量的权重得出目标关节的唯一最佳匹配的运动矢量;根据对偶关节的至少一个最佳匹配矢量及每个最佳匹配矢量的权重得出对偶关节的唯一最佳匹配的运动矢量;计算目标关节在当前时刻的运动矢量与目标关节的唯一最佳匹配的运动矢量的相似度得到第一相似度;计算对偶关节在当前时刻的运动矢量与对偶关节的唯一最佳匹配的运动矢量的相似度得到第二相似度;根据所述第一相似度和第二相似度分别得出目标关节和对偶关节的预测结果的权重。
具体的,所述主处理单元根据唯一匹配矢量计算公式计算所述目标关节的唯一最佳匹配的运动矢量和对偶关节的唯一最佳匹配的运动矢量,所述唯一匹配矢量计算公式为:
其中,为目标关节或对偶关节的至少一个最佳匹配矢量中的第j个的运动矢量,ωj为目标关节或对偶关节的第j个最佳匹配矢量的权重,为目标关节或对偶关节的唯一最佳匹配的运动矢量,为根据所述至少一个最佳匹配矢量及其权重求出的加权平均值。
具体的,所述主处理单元20为通过一相似度计算公式计算目标关节或对偶关节在当前时刻的运动矢量与目标关节或对偶关节的唯一最佳匹配的运动矢量的相似度,所述相似度计算公式为:
其中,D为目标关节或对偶关节在当前时刻的运动矢量,为目标关节或对偶关节的唯一最佳匹配的运动矢量,为D和的协方差;σD为目标关节或对偶关节在当前时刻的运动矢量的均方差;为目标关节或对偶关节的唯一最佳匹配的运动矢量的均方差。所述γ即为所述目标关节在当前时刻的运动矢量与目标关节的唯一最佳匹配的运动矢量的相似度或所述对偶关节在当前时刻的运动矢量与对偶关节的唯一最佳匹配的运动矢量的相似度,即第一相似度或第二相似度。
具体的,设所述第一相似度为γ1,所述第二相似度为γ2,所述主处理单元20根据所述第一相似度和第二相似度分别得出目标关节和对偶关节的预测结果的权重包括:根据公式ω1=γ1/(γ1+γ2)求出所述目标关节的预测结果的权重ω1;以及根据公式ω2=γ2/(γ1+γ2)求出所述对偶关节的预测结果的权重ω2。
在一些实施例中,关于所述步骤S6,所述主处理单元20根据目标关节的预测结果及其权重以及对偶关节的预测结果及其权重确定最终的预测结果,包括:根据目标关节和对偶关节的权重对目标关节的预测结果和对偶关节的预测结果求加权平均值得到最终的预测结果。
其中,ω1为所述目标关节的预测结果的权重,ω2为所述对偶关节的预测结果的权重,y1(t+Δtk)为目标关节的预测结果,y2(t+Δtk)为对偶关节的预测结果。
在一些实施例中,所述目标关节的预测结果以及对偶关节的预测结果为沿着人行走方向的平面内的一维角度,即预测目标关节或对偶关节在沿着人行走的方向上相对于一参考位置的角度,其中,所述参考位置可为人静止站立时所述目标关节和对偶关节的位置。
其中,在另一些实施例中,关于所述步骤S6,所述主处理单元20根据目标关节的预测结果及其权重以及对偶关节的预测结果及其权重确定最终的预测结果,包括:先对所述目标关节的预测结果进行突变补偿得到所述目标关节的补偿后的预测结果,以及对所述对偶关节的预测结果进行突变补偿得到所述对偶关节的补偿后的预测结果;然后根据目标关节和对偶关节的权重对目标关节的补偿后的预测结果和对偶关节的补偿后的预测结果求加权平均值得到最终的预测结果。
具体的,所述主处理单元20对所述目标关节或对偶关节的预测结果进行突变补偿得到所述目标关节或对偶关节的补偿后的预测结果为根据如下的预测结果补偿公式进行:
其中,y(t+Δtk)为目标关节或对偶关节未经补偿的预测结果,y(t)为目标关节或对偶关节当前时刻沿行走方向上的角度;为目标关节或对偶关节的至少一个最佳匹配矢量沿行走方向上的角度的加权平均值。即为目标关节或对偶关节的经过突变补偿后的预测结果。
从而,本申请中,通过综合考虑要预测的目标关节以及与目标关节对称的对偶关节的预测结果,能够极大提升预测的准确性。
其中,前述的主处理单元20计算机器下肢40的控制响应时间,并在所述预定时间达到前提前所述控制响应时间产生控制所述执行单元30驱动所述机器下肢40的控制命令,以确保所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度,包括:获取用户的目标关节在预设时段内的历史运动矢量数据,以及获取机器下肢40对应所述目标关节的关节部位在当前时刻t1的运动矢量数据。根据当前时刻的机器下肢40的运动矢量数据以及所述预设时段内的目标关节的历史运动矢量数据计算当前时刻的机器下肢40对应的关节部位与目标关节在所述预设时段内的各个时刻的欧氏距离,从中获取为欧氏距离最小的目标关节的运动矢量数据所处的历史时刻t2。计算所述当前时刻t1与所述历史时刻t2的差值,即为所述控制响应时间。
其中,在一些实施例中,所述目标关节和对偶关节为分别左右腿的膝关节和/或髋关节。
如图2所示,为第一传感单元11以及第二传感单元12固定于人体上的示意图。所述第一传感单元11和第二传感单元12可分别位于一绑带式结构B1上,然后通过所述绑带式结构B1绑在对应关节的位置。在一些实施例中,所述目标关节和对偶关节为分别左右腿的脚踝,绑带式结构B1也可以设置于左右腿的小腿靠近脚踝的位置。其中,所述第一传感单元11和第二传感单元12的数量不限于一个,可以为多个。
请一并参阅图3和图4,分别为第一传感单元11和第二传感单元12的结构框图。所述第一传感单元11包括动作传感器111以及微控制器112,所述第二传感单元12包括动作传感器121以及微控制器122。
其中,所述动作传感器111及动作传感器121为三维角度传感器,用于分别感应目标关节和对偶关节的运动而产生包括三维角度数据的运动矢量数据。
其中,所述微控制器112用于通过预设姿态解算算法对所述动作传感器111产生的运动矢量数据进行处理得到处理后的运动矢量数据。所述微控制器122同样用于通过预设姿态解算算法对所述动作传感器121产生的运动矢量数据进行处理得到处理后的运动矢量数据。
从而,本申请中,将预设姿态解算算法在第一传感单元11以及第二传感单元12处进行实现,从而主处理单元20获取的就是处理好之后的运动矢量数据,大大减少了所需传输的数据量,增加了数据的可靠性与实时性。
其中,所述预设姿态结算算法为EKF(扩展卡尔曼滤波)算法。
如图1所示,所述行走辅助设备100还包括显示单元50,所述主处理单元20还用于将预测结果、当前的运动矢量等相关数据显示在显示单元50上,以供用户观看。
在一些实施例中,所述人体步态采集设备100还包括存储单元60,所述主处理单元20还用于将所述前述第一传感单元11以及第二传感单元12实时采集的运动矢量数据存储于所述存储单元60中,以供后续调用。
其中,所述主处理单元20与所述第一传感单元11以及第二传感单元12通过CAN(Controller Area Network,控制器局域网络)网络进行通讯。所述CAN通讯速度可达1M(兆),且通讯协议中有校准功能,增加了通讯的可靠性与实时性。其中,所述第一传感单元11以及第二传感单元12之间也通过CAN总线连接,所述第一传感器单元11中的动作传感器111与微控制器112之间为通过串行外围接口(SPI,Serial Peripheral Interface)相互连接,所述第二传感器单元12中的动作传感器121与微控制器122之间也通过串行外围接口相互连接。
所述主处理单元20也可与所述执行单元30通过CAN网络进行通讯,以下发控制命令至所述执行单元30以驱动所述机器下肢40运动。
在另一些实施例中,所述主处理单元20与所述第一传感单元11以及第二传感单元12也可通过RS-485、蓝牙、WIFI等进行通信。所述主处理单元20也可与所述执行单元30通过RS-485、蓝牙、WIFI等进行通信。
如图1所示,在具体的应用中,所述主处理单元20、所述显示单元50及所述存储单元60可位于一主控板200上。所述主控板可为柔性电路板或PCB板(printed circuitboard,印刷电路板),所述主处理单元20、所述显示单元50及所述存储单元60安装于所述主控板200上。所述主控板200可以位于机器下肢40中。在另一些实施例中,所述主处理单元20、所述显示单元50及所述存储单元60可位于一便携式终端中,例如可位于一智能手表、智能手机中。
请参阅图5,为本发明一实施例中的行走辅助设备的控制方法的流程图。所述控制方法用于控制前述的行走辅助设备100。所述方法包括如下步骤:
通过第一传感单元11感测目标关节的运动,而产生目标关节的运动矢量数据(S51)。
通过第二传感单元12感测所述对偶关节的运动,而产生对偶关节的运动矢量数据(S52)。
获取所述第一传感单元11产生的目标关节的运动矢量数据及第二传感单元12产生的对偶关节的运动矢量数据(S53)。在一些实施例中,所述步骤S53具体包括:获取目标关节的第一时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据;以及获取对偶关节的第二时段内的历史运动矢量数据。
根据所述目标关节的运动矢量数据及对偶关节的运动矢量数据预测预定时间后的时刻所述目标关节的运动角度(S54)。
控制所述执行单元30驱动所述机器下肢40,以使得所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度(S55)。
在一些实施例中,所述步骤S55具体包括:计算机器下肢40的控制响应时间;在所述预定时间达到前提前所述控制响应时间产生控制所述执行单元30驱动所述机器下肢40的控制命令,以确保所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度。例如,假设预测预定时间K秒后所述目标关节的运动矢量为A,且所述控制响应时间为t0秒,则所述主处理单元20在经过(K-t0)秒的时间就发出控制命令,从而,可以确保在经过K秒时间后,所述机器下肢40刚好可以运动到处于与预测的K秒后的人体目标关节相同的运动角度。
从而,本申请中,可以综合考虑左右腿两个对称关节的运动矢量数据等对目标关节的预设时间后的运动角度做出更准确的预测。
请参阅图6,为本发明一实施例中的步骤S54的子流程图。在一些实施例中,所述步骤S54包括如下更具体的步骤。
根据目标关节的第一时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据得出所述第一时段内的的至少一个目标关节最佳匹配矢量(S541)。其中,所述步骤S541具体包括:通过目标关节的当前时刻的运动矢量数据以及所述第一时间段内的目标关节的运动矢量数据计算目标关节在当前时刻与在所述第一时间段内的各个时刻的欧氏距离,得出所述第一时间段内的欧氏距离最小的至少一个时刻对应的运动矢量作为所述至少一个目标关节最佳匹配矢量。
根据对偶关节的第二时段内的历史运动矢量数据、所述目标关节的当前时刻的运动矢量数据得出所述第二时段内的至少一个对偶关节最佳匹配矢量(S543)。其中,所述步骤S543具体包括:通过目标关节的当前时刻的运动矢量数据以及所述第二时间段内的对偶关节的运动矢量数据计算目标关节在当前时刻与在所述第二时间段内的各个时刻的欧氏距离,得出所述第二时间段内的欧氏距离最小的至少一个时刻对应的运动矢量作为所述至少一个对偶关节最佳匹配矢量。其中,欧氏距离最小指的是最小的至少一个,例如按欧式距离大小排序,欧氏距离最小的2个、3个等等,从而可以得到至少一个目标关节最佳匹配矢量和至少一个对偶关节最佳匹配矢量。
利用预设的预测算法基于所述至少一个目标关节最佳匹配矢量进行预测得到目标关节的预测结果,以及利用所述预设的预测算法基于所述至少一个对偶关节最佳匹配矢量进行预测得到对偶关节的预测结果(S545)。
其中,所述步骤S545具体包括:计算每一个目标关节的最佳匹配矢量的权重,和目标关节最佳匹配矢量的权重,并根据每一个目标关节最佳匹配矢量对应的历史运动角度及对应的权重求出目标关节的预测结果;计算每一个对偶关节的最佳匹配矢量的权重,和对偶关节最佳匹配矢量的权重,并根据每一个对偶关节最佳匹配矢量对应的历史运动角度及对应的权重求出对偶关节的预测结果。
其中,目标关节最佳匹配矢量对应的历史运动角度指的是所述目标关节最佳匹配矢量对应的时刻后的预设时间的运动角度,对偶关节最佳匹配矢量对应的历史运动角度指的是所述对偶关节最佳匹配矢量对应的时刻后的预设时间的运动角度。
具体的,所述主处理单元20计算每一个目标关节或对偶关节最佳匹配矢量的权重为根据所述至少一个最佳匹配矢量的欧氏距离得出,根据匹配矢量权重计算公式进行的。所述匹配权重计算公式为:
其中,根据每一个目标关节或对偶关节最佳匹配矢量对应的历史数据预测及对应的权重求出目标关节的预测结果或对偶关节的预测结果,为根据一结果计算公式得出。所述结果计算公式为:
其中,如前所述,ωj为第j个最佳匹配矢量的权重;为目标关节或对偶关节的第j个最佳匹配矢量对应的时刻在Δtk秒后的历史运动角度,y(t+Δtk)为预测的目标关节或对偶关节在当前时刻t的Δtk秒后的运动角度这一预测结果。
计算目标关节的预测结果的权重以及对偶关节的预测结果的权重(S547)。
其中,所述步骤S547具体包括:根据目标关节的至少一个最佳匹配矢量及每个最佳匹配矢量的权重得出目标关节的唯一最佳匹配的运动矢量;根据对偶关节的至少一个最佳匹配矢量及每个最佳匹配矢量的权重得出对偶关节的唯一最佳匹配的运动矢量;计算目标关节在当前时刻的运动矢量与目标关节的唯一最佳匹配的运动矢量的相似度得到第一相似度;计算对偶关节在当前时刻的运动矢量与对偶关节的唯一最佳匹配的运动矢量的相似度得到第二相似度;根据所述第一相似度和第二相似度分别得出目标关节和对偶关节的预测结果的权重。
具体的,所述“根据目标关节的至少一个最佳匹配矢量及每个最佳匹配矢量的权重得出目标关节的唯一最佳匹配的运动矢量;根据对偶关节的至少一个最佳匹配矢量及每个最佳匹配矢量的权重得出对偶关节的唯一最佳匹配的运动矢量”包括:根据唯一匹配矢量计算公式计算所述目标关节的唯一最佳匹配的运动矢量和对偶关节的唯一最佳匹配的运动矢量,所述唯一匹配矢量计算公式为:
其中,为目标关节或对偶关节的至少一个最佳匹配矢量中的第j个的运动矢量,ωj为目标关节或对偶关节的第j个最佳匹配矢量的权重,为目标关节或对偶关节的唯一最佳匹配的运动矢量,为根据所述至少一个最佳匹配矢量及其权重求出的加权平均值。
具体的,所述“计算目标关节在当前时刻的运动矢量与目标关节的唯一最佳匹配的运动矢量的相似度得到第一相似度;计算对偶关节在当前时刻的运动矢量与对偶关节的唯一最佳匹配的运动矢量的相似度得到第二相似度”包括:通过一相似度计算公式计算目标关节或对偶关节在当前时刻的运动矢量与目标关节或对偶关节的唯一最佳匹配的运动矢量的第一相似度和第二相似度,所述相似度计算公式为:
其中,D为目标关节或对偶关节在当前时刻的运动矢量,为目标关节或对偶关节的唯一最佳匹配的运动矢量,为D和的协方差;σD为目标关节或对偶关节在当前时刻的运动矢量的均方差;为目标关节或对偶关节的唯一最佳匹配的运动矢量的均方差。所述γ即为所述目标关节在当前时刻的运动矢量与目标关节的唯一最佳匹配的运动矢量的相似度或所述对偶关节在当前时刻的运动矢量与对偶关节的唯一最佳匹配的运动矢量的相似度,即第一相似度或第二相似度。
具体的,设所述第一相似度为γ1,所述第二相似度为γ2,所述“根据所述第一相似度和第二相似度分别得出目标关节和对偶关节的预测结果的权重”包括:根据公式ω1=γ1/(γ1+γ2)求出所述目标关节的预测结果的权重ω1;以及根据公式ω2=γ2/(γ1+γ2)求出所述对偶关节的预测结果的权重ω2。
根据目标关节的预测结果及其权重以及对偶关节的预测结果及其权重确定最终的预测结果(S549)。
在一些实施例中,所述步骤S549包括:根据目标关节和对偶关节的权重对目标关节的预测结果和对偶关节的预测结果求加权平均值得到最终的预测结果。
具体的,为根据公式求出所述最终的预测结果。其中,ω1为所述目标关节的预测结果的权重,ω2为所述对偶关节的预测结果的权重,y1(t+Δtk)为目标关节的预测结果,y2(t+Δtk)为对偶关节的预测结果。
在另一些实施例中,所述步骤S549包括:先对所述目标关节的预测结果进行突变补偿得到所述目标关节的补偿后的预测结果,以及对所述对偶关节的预测结果进行突变补偿得到所述对偶关节的补偿后的预测结果;然后根据目标关节和对偶关节的权重对目标关节的补偿后的预测结果和对偶关节的补偿后的预测结果求加权平均值得到最终的预测结果。
具体的,所述对所述目标关节或对偶关节的预测结果进行突变补偿得到所述目标关节或对偶关节的补偿后的预测结果为根据如下的预测结果补偿公式进行:
其中,y(t+Δtk)为目标关节或对偶关节未经补偿的预测结果,y(t)为目标关节或对偶关节当前时刻沿行走方向上的运动角度;为目标关节或对偶关节的至少一个最佳匹配矢量沿行走方向上的运动角度的加权平均值。即为目标关节或对偶关节的经过突变补偿后的预测结果。
请参阅图7,为另一实施例中的行走辅助设备的控制方法的流程图。如图7所示,在另一实施例中,所述控制方法包括如下步骤。
通过第一传感单元11感测目标关节的运动,而产生目标关节的运动矢量数据(S701)。
通过第二传感单元12感测所述对偶关节的运动,而产生对偶关节的运动矢量数据(S702)。
获取目标关节在第一时段内的历史运动矢量数据(S703)。
获取目标关节在当前时刻的运动矢量数据(S704)。
获取对偶关节在第二时段内的历史运动矢量数据(S705)。
计算目标关节在当前时刻与在目标关节的所述第一时间段内的各个时刻的欧氏距离,以及计算目标关节在当前时刻与对偶关节的所述第二时间段内的各个时刻的欧氏距离(S706)。
确定所述目标关节的第一时间段内的欧氏距离最小的至少一个时刻对应的运动矢量为所述至少一个目标关节最佳匹配矢量(S707)。
确定所述对偶关节的第二时间段内的欧氏距离最小的至少一个时刻对应的运动矢量为所述至少一个对偶关节最佳匹配矢量(S708)。
利用预设的预测算法基于所述至少一个目标关节最佳匹配矢量进行预测得到目标关节的预测结果(S709)。具体的,步骤S709包括:计算每一个目标关节的最佳匹配矢量的权重,和目标关节最佳匹配矢量的权重,并根据每一个目标关节最佳匹配矢量对应的历史运动角度及对应的权重求出目标关节的预测结果。
利用所述预设的预测算法基于所述至少一个对偶关节最佳匹配矢量进行预测得到对偶关节的预测结果(S710)。具体的,步骤S710包括:计算每一个对偶关节的最佳匹配矢量的权重,和对偶关节最佳匹配矢量的权重,并根据每一个对偶关节最佳匹配矢量对应的历史运动角度及对应的权重求出对偶关节的预测结果。其中,步骤709和S710对应图6中的步骤S545,更具体的步骤或描述请参见步骤S545的相关描述。
根据目标关节的至少一个最佳匹配矢量及每个最佳匹配矢量的权重得出目标关节的唯一最佳匹配的运动矢量(S711)。
根据对偶关节的至少一个最佳匹配矢量及每个最佳匹配矢量的权重得出对偶关节的唯一最佳匹配的运动矢量(S712)。
具体的,步骤S711及S712为根据唯一匹配矢量计算公式计算所述目标关节的唯一最佳匹配的运动矢量和对偶关节的唯一最佳匹配的运动矢量,所述唯一匹配矢量计算公式为:
其中,为目标关节或对偶关节的至少一个最佳匹配矢量中的第j个的运动矢量,ωj为目标关节或对偶关节的第j个最佳匹配矢量的权重,为目标关节或对偶关节的唯一最佳匹配的运动矢量,为根据所述至少一个最佳匹配矢量及其权重求出的加权平均值。
计算目标关节在当前时刻的运动矢量与目标关节的唯一最佳匹配的运动矢量的相似度得到第一相似度(S713)。
计算对偶关节在当前时刻的运动矢量与对偶关节的唯一最佳匹配的运动矢量的相似度得到第二相似度(S714)。
具体的,步骤S713和S714中,为通过一相似度计算公式计算第一相似度和第二相似度,所述相似度计算公式为:
其中,D为目标关节或对偶关节在当前时刻的运动矢量,为目标关节或对偶关节的唯一最佳匹配的运动矢量,为D和的协方差;σD为目标关节或对偶关节在当前时刻的运动矢量的均方差;为目标关节或对偶关节的唯一最佳匹配的运动矢量的均方差。所述γ即为所述目标关节在当前时刻的运动矢量与目标关节的唯一最佳匹配的运动矢量的相似度或所述对偶关节在当前时刻的运动矢量与对偶关节的唯一最佳匹配的运动矢量的相似度,即第一相似度或第二相似度。
根据所述第一相似度和第二相似度分别得出目标关节和对偶关节的预测结果的权重(S715)。具体的,设所述第一相似度为γ1,所述第二相似度为γ2,所述“根据所述第一相似度和第二相似度分别得出目标关节和对偶关节的预测结果的权重”包括:根据公式ω1=γ1/(γ1+γ2)求出所述目标关节的预测结果的权重ω1;以及根据公式ω2=γ2/(γ1+γ2)求出所述对偶关节的预测结果的权重ω2。
对所述目标关节的预测结果进行突变补偿得到所述目标关节的补偿后的预测结果(S716)。
对所述对偶关节的预测结果进行突变补偿得到所述对偶关节的补偿后的预测结果(S717)。
具体的,步骤S716或S717中,所述对所述目标关节或对偶关节的预测结果进行突变补偿得到所述目标关节或对偶关节的补偿后的预测结果为根据如下的预测结果补偿公式进行:
其中,y(t+Δtk)为目标关节或对偶关节未经补偿的预测结果,y(t)为目标关节或对偶关节当前时刻沿行走方向上的运动角度;为目标关节或对偶关节的至少一个最佳匹配矢量沿行走方向上的运动角度的加权平均值。即为目标关节或对偶关节的经过突变补偿后的预测结果。
根据目标关节和对偶关节的权重对目标关节的补偿后的预测结果和对偶关节的补偿后的预测结果求加权平均值得到最终的预测结果(S718)。
其中,图7中的流程图是将图5、图6中的步骤展开后得到的,与图5、图6相对应的步骤的描述可以相互参照。
请参阅图8,为本发明一实施例中的计算控制响应时间的方法流程图。
获取用户的目标关节在的预设时段内的历史运动矢量数据(S801)。其中,所述历史运动矢量数据为在当前时刻之前的运动矢量数据。
获取机器下肢40对应所述目标关节的关节部位在当前时刻t1的运动矢量数据(S802)。
根据当前时刻的机器下肢40的运动矢量数据以及所述预设时段内的目标关节的运动矢量数据计算当前时刻的机器下肢40对应的关节部位与目标关节在所述预设时段内的各个时刻的欧氏距离(S803)。
获取欧氏距离最小的目标关节的运动矢量数据为最佳匹配矢量(S804)。
确定最佳匹配矢量对应的历史时刻t2与当前时刻的差值为所述控制响应时间(S805)。
在一些实施例中,所述存储单元60中存储有若干程序指令,所述主处理单元20调用执行所述若干程序指令后,执行如图5-8所示的任一方法来控制行走辅助设备100。
例如,所述主处理单元20执行如下方法控制行走辅助设备100:通过第一传感单元感测目标关节的运动,而产生目标关节的运动矢量数据;通过第二传感单元感测所述对偶关节的运动,而产生对偶关节的运动矢量数据;获取所述第一传感单元产生的目标关节的运动矢量数据及第二传感单元产生的对偶关节的运动矢量数据;根据所述目标关节的运动矢量数据及对偶关节的运动矢量数据预测预定时间后的时刻所述目标关节的运动角度;控制所述执行单元驱动所述机器下肢,以使得所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度。
其中,所述主处理单元20可为微控制器、微处理器、单片机、数字信号处理器等。
所述存储单元60可为存储卡、固态存储器、微硬盘、光盘等任意可存储信息的存储设备。
在一些实施例中,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有若干程序指令,所述若干程序指令供主处理单元20调用执行后,执行如图5-8所示的任一方法来控制行走辅助设备100。在一些实施例中,所述计算机存储介质即为所述存储单元60,可为存储卡、固态存储器、微硬盘、光盘等任意可存储信息的存储设备。
本申请中,通过综合考虑目标关节与目标关节的历史数据的匹配,以及目标关节与对偶关节的历史数据的匹配,可更准确的预测当前时刻K秒后目标关节的运动角度。
以上所揭露的仅为本发明一种实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (27)
1.一种行走辅助设备,其特征在于:所述行走辅助设备包括:
传感单元,所述传感单元至少包括第一传感单元和第二传感单元;所述第一传感单元用于固定于用户的左腿或右腿的目标关节上,用于感测所述目标关节的运动,而得出目标关节的运动矢量数据,所述第二传感单元用于固定于用户的另一只腿的对偶关节上,并用于感测所述对偶关节的运动,而得出对偶关节的运动矢量数据;
机器下肢;
执行单元,用于驱动所述机器下肢运动;以及
主处理单元与所述第一传感单元、第二传感单元及所述执行单元均连接,用于获取所述目标关节的运动矢量数据及对偶关节的运动矢量数据,并根据所述目标关节的运动矢量数据及对偶关节的运动矢量数据预测预定时间后的时刻所述目标关节的运动角度,而控制所述执行单元驱动所述机器下肢,以使得所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度;
其中,所述主处理单元还用于计算机器下肢的控制响应时间,并在所述预定时间达到前提前所述控制响应时间产生控制所述执行单元驱动所述机器下肢的控制命令,以使得所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度。
2.如权利要求1所述的行走辅助设备,其特征在于,所述主处理单元获取所述目标关节的运动矢量数据及对偶关节的运动矢量数据包括:获取目标关节的第一时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据;以及获取对偶关节的第二时段内的历史运动矢量数据。
3.如权利要求2所述的行走辅助设备,其特征在于,所述主处理单元根据所述目标关节的运动矢量数据以及对偶关节的运动矢量数据预测预定时间后的时刻所述目标关节的运动角度包括:根据目标关节的第一时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据得出所述第一时段内的的至少一个目标关节最佳匹配矢量;根据对偶关节的第二时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据得出所述第二时段内的至少一个对偶关节最佳匹配矢量;利用预设的预测算法基于所述至少一个目标关节最佳匹配矢量进行预测得到目标关节的预测结果;利用所述预设的预测算法基于所述至少一个对偶关节最佳匹配矢量进行预测得到对偶关节的预测结果;计算目标关节的预测结果的权重以及对偶关节的预测结果的权重;根据目标关节的预测结果及其权重以及对偶关节的预测结果及其权重确定最终的预测结果。
4.如权利要求3所述的行走辅助设备,其特征在于,所述主处理单元通过目标关节的当前时刻的运动矢量数据以及所述第一时间段内的目标关节的运动矢量数据计算目标关节在当前时刻与在所述第一时间段内的各个时刻的欧氏距离,得出所述第一时间段内的欧氏距离最小的至少一个时刻对应的运动矢量作为所述至少一个目标关节最佳匹配矢量;所述主处理单元并通过目标关节的当前时刻的运动矢量数据以及所述第二时间段内的对偶关节的运动矢量数据计算目标关节在当前时刻与在所述第二时间段内的各个时刻的欧氏距离,得出所述第二时间段内的欧氏距离最小的至少一个时刻对应的运动矢量作为所述至少一个对偶关节最佳匹配矢量。
5.如权利要求3所述的行走辅助设备,其特征在于,所述主处理单元计算每一个目标关节或对偶关节最佳匹配矢量的权重,并根据每一个目标关节或对偶关节最佳匹配矢量对应的历史数据预测及对应的权重求出目标关节的预测结果或对偶关节的预测结果。
8.如权利要求3所述的行走辅助设备,其特征在于,所述主处理单元计算目标关节的预测结果的权重及对偶关节的预测结果的权重包括:根据目标关节的至少一个最佳匹配矢量及每个最佳匹配矢量的权重得出目标关节的唯一最佳匹配的运动矢量;根据对偶关节的至少一个最佳匹配矢量及每个最佳匹配矢量的权重得出对偶关节的唯一最佳匹配的运动矢量;计算目标关节在当前时刻的运动矢量与目标关节的唯一最佳匹配的运动矢量的相似度得到第一相似度;计算对偶关节在当前时刻的运动矢量与对偶关节的唯一最佳匹配的运动矢量的相似度得到第二相似度;根据所述第一相似度和第二相似度分别得出目标关节和对偶关节的预测结果的权重。
11.如权利要求10所述的行走辅助设备,其特征在于:所述主处理单元根据所述第一相似度和第二相似度分别得出目标关节和对偶关节的预测结果的权重包括:根据公式ω1=γ1/(γ1+γ2)求出所述目标关节的预测结果的权重ω1;以及根据公式ω2=γ2/(γ1+γ2)求出所述对偶关节的预测结果的权重ω2,其中,γ1为所述第一相似度,γ2为所述第二相似度。
12.如权利要求8所述的行走辅助设备,其特征在于:所述主处理单元根据目标关节的预测结果及其权重以及对偶关节的预测结果及其权重确定最终的预测结果,包括:根据目标关节和对偶关节的权重对目标关节的预测结果和对偶关节的预测结果求加权平均值得到最终的预测结果。
13.如权利要求8所述的行走辅助设备,其特征在于:所述主处理单元根据目标关节的预测结果及其权重以及对偶关节的预测结果及其权重确定最终的预测结果,包括:先对所述目标关节的预测结果进行突变补偿得到所述目标关节的补偿后的预测结果,以及对所述对偶关节的预测结果进行突变补偿得到所述对偶关节的补偿后的预测结果;然后根据目标关节和对偶关节的权重对目标关节的补偿后的预测结果和对偶关节的补偿后的预测结果求加权平均值得到最终的预测结果。
14.如权利要求1-13任一项所述的行走辅助设备,其特征在于:所述第一传感单元包括第一动作传感器以及第一微控制器,所述第二传感单元包括第二动作传感器以及第二微控制器;其中,所述第一动作传感器及所述第二动作传感器为三维角度传感器,用于分别感应目标关节和对偶关节的运动而产生包括三维角度数据的运动矢量数据;所述第一微控制器用于通过预设姿态解算算法对所述第一动作传感器产生的运动矢量数据进行处理得到处理后的运动矢量数据并传送给所述主处理单元;所述第二微控制器用于通过预设姿态解算算法对所述第二动作传感器产生的运动矢量数据进行处理得到处理后的运动矢量数据,并传送给所述主处理单元。
15.一种行走辅助设备的控制方法,其特征在于,所述方法包括如下步骤:
通过第一传感单元感测目标关节的运动,而产生目标关节的运动矢量数据;
通过第二传感单元感测对偶关节的运动,而产生对偶关节的运动矢量数据;
获取所述第一传感单元产生的目标关节的运动矢量数据及第二传感单元产生的对偶关节的运动矢量数据;
根据所述目标关节的运动矢量数据及对偶关节的运动矢量数据预测预定时间后的时刻所述目标关节的运动角度;
控制执行单元驱动机器下肢,以使得所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度;
其中,所述步骤“控制执行单元驱动所述机器下肢,以使得机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度”包括:
计算机器下肢的控制响应时间;
在所述预定时间达到前提前所述控制响应时间产生控制所述执行单元驱动所述机器下肢的控制命令,以使得所述机器下肢的对应所述目标关节的关节部位在所述预定时间后的时刻处于对应的运动角度。
16.如权利要求15所述的行走辅助设备的控制方法,其特征在于,所述步骤“获取所述第一传感单元产生的目标关节的运动矢量数据及第二传感单元产生的对偶关节的运动矢量数据”包括:获取目标关节的第一时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据,以及获取对偶关节的第二时段内的历史运动矢量数据。
17.如权利要求16所述的行走辅助设备的控制方法,其特征在于,所述步骤“根据所述目标关节的运动矢量数据及对偶关节的运动矢量数据预测预定时间后的时刻所述目标关节的运动角度”包括:
根据目标关节的第一时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据得出所述第一时段内的的至少一个目标关节最佳匹配矢量;
根据对偶关节的第二时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据得出所述第二时段内的至少一个对偶关节最佳匹配矢量;
利用预设的预测算法基于所述至少一个目标关节最佳匹配矢量进行预测得到目标关节的预测结果;
利用所述预设的预测算法基于所述至少一个对偶关节最佳匹配矢量进行预测得到对偶关节的预测结果;
计算目标关节的预测结果的权重以及对偶关节的预测结果的权重;
根据目标关节的预测结果及其权重以及对偶关节的预测结果及其权重确定最终的预测结果。
18.如权利要求17所述的行走辅助设备的控制方法,其特征在于,所述步骤“根据目标关节的第一时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据得出所述第一时段内的的至少一个目标关节最佳匹配矢量”包括:
通过目标关节的当前时刻的运动矢量数据以及所述第一时间段内的目标关节的运动矢量数据计算目标关节在当前时刻与在所述第一时间段内的各个时刻的欧氏距离,得出所述第一时间段内的欧氏距离最小的至少一个时刻对应的运动矢量作为所述至少一个目标关节最佳匹配矢量;
所述步骤“根据对偶关节的第二时段内的历史运动矢量数据、目标关节的当前时刻的运动矢量数据得出所述第二时段内的至少一个对偶关节最佳匹配矢量”包括:
通过目标关节的当前时刻的运动矢量数据以及所述第二时间段内的对偶关节的运动矢量数据计算目标关节在当前时刻与在所述第二时间段内的各个时刻的欧氏距离,得出所述第二时间段内的欧氏距离最小的至少一个时刻对应的运动矢量作为所述至少一个对偶关节最佳匹配矢量。
19.如权利要求17所述的行走辅助设备的控制方法,其特征在于,所述步骤“利用预设的预测算法基于所述至少一个目标关节最佳匹配矢量进行预测得到目标关节的预测结果”包括:
计算每一个目标关节最佳匹配矢量的权重,并根据每一个目标关节最佳匹配矢量对应的历史数据预测及对应的权重求出目标关节的预测结果;
所述步骤“利用所述预设的预测算法基于所述至少一个对偶关节最佳匹配矢量进行预测得到对偶关节的预测结果”包括:
计算每一个对偶关节最佳匹配矢量的权重,并根据每一个对偶关节最佳匹配矢量对应的历史数据预测及对应的权重求出对偶关节的预测结果。
22.如权利要求17所述的行走辅助设备的控制方法,其特征在于,所述步骤“计算目标关节的预测结果的权重及对偶关节的预测结果的权重”包括:
根据目标关节的至少一个最佳匹配矢量及每个最佳匹配矢量的权重得出目标关节的唯一最佳匹配的运动矢量;
根据对偶关节的至少一个最佳匹配矢量及每个最佳匹配矢量的权重得出对偶关节的唯一最佳匹配的运动矢量;
计算目标关节在当前时刻的运动矢量与目标关节的唯一最佳匹配的运动矢量的相似度得到第一相似度;
计算对偶关节在当前时刻的运动矢量与对偶关节的唯一最佳匹配的运动矢量的相似度得到第二相似度;
根据所述第一相似度和第二相似度分别得出目标关节和对偶关节的预测结果的权重。
25.如权利要求24所述的行走辅助设备的控制方法,其特征在于:所述步骤“根据所述第一相似度和第二相似度分别得出目标关节和对偶关节的预测结果的权重”主处包括:
根据公式ω1=γ1/(γ1+γ2)求出所述目标关节的预测结果的权重ω1;
以及根据公式ω2=γ2/(γ1+γ2)求出所述对偶关节的预测结果的权重ω2,其中,γ1为所述第一相似度,γ2为所述第二相似度。
26.如权利要求17所述的行走辅助设备的控制方法,其特征在于:所述步骤“根据目标关节的预测结果及其权重以及对偶关节的预测结果及其权重确定最终的预测结果”包括:
根据目标关节和对偶关节的权重对目标关节的预测结果和对偶关节的预测结果求加权平均值得到最终的预测结果。
27.如权利要求17所述的行走辅助设备的控制方法,其特征在于:所述步骤“根据目标关节的预测结果及其权重以及对偶关节的预测结果及其权重确定最终的预测结果”包括:
先对所述目标关节的预测结果进行突变补偿得到所述目标关节的补偿后的预测结果,以及对所述对偶关节的预测结果进行突变补偿得到所述对偶关节的补偿后的预测结果;
然后根据目标关节和对偶关节的权重对目标关节的补偿后的预测结果和对偶关节的补偿后的预测结果求加权平均值得到最终的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711086020.5A CN108044601B (zh) | 2017-11-07 | 2017-11-07 | 行走辅助设备及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711086020.5A CN108044601B (zh) | 2017-11-07 | 2017-11-07 | 行走辅助设备及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108044601A CN108044601A (zh) | 2018-05-18 |
CN108044601B true CN108044601B (zh) | 2020-05-08 |
Family
ID=62119941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711086020.5A Active CN108044601B (zh) | 2017-11-07 | 2017-11-07 | 行走辅助设备及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108044601B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013049658A1 (en) * | 2011-09-28 | 2013-04-04 | Northeastern University | Lower extremity exoskeleton for gait retraining |
CN103040586A (zh) * | 2012-12-20 | 2013-04-17 | 上海大学 | 用于下肢运动训练的外骨骼机器人及其运动控制方法 |
CN103263339B (zh) * | 2013-05-17 | 2015-09-23 | 大连交通大学 | 老年人外骨骼助行机器人及防摔倒步态的仿生控制方法 |
KR102115950B1 (ko) * | 2013-11-07 | 2020-06-05 | 삼성전자주식회사 | 보행 보조 로봇 및 보행 보조 로봇의 제어 방법 |
CN106826778A (zh) * | 2017-04-18 | 2017-06-13 | 佛山市神风航空科技有限公司 | 一种助走器 |
-
2017
- 2017-11-07 CN CN201711086020.5A patent/CN108044601B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108044601A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780608B (zh) | 位姿信息估计方法、装置和可移动设备 | |
JP6927938B2 (ja) | クラウドサービスシステムを組み込んだロボットシステム | |
US10751561B2 (en) | Systems and methods for controlling a self-paced treadmill using predicted subject velocity | |
JP6629543B2 (ja) | 歩行環境認識方法及び装置 | |
CN111872941B (zh) | 平衡控制方法、装置、仿人机器人及可读存储介质 | |
US11013302B2 (en) | Walking assistance method and apparatuses | |
EP3491342A1 (en) | Dead-reckoning drift compensation using personal gait | |
WO2009067458A1 (en) | Learning capture points for humanoid push recovery | |
JP7034264B2 (ja) | 自己位置推定方法 | |
KR20130049610A (ko) | 이동 기기 및 보행 로봇 | |
CN114347033B (zh) | 机器人物品抓取方法、装置、机器人及存储介质 | |
CN113910206B (zh) | 结合多传感器外骨骼助力系统 | |
JP7417356B2 (ja) | ロボット制御システム | |
Weon et al. | Intelligent robotic walker with actively controlled human interaction | |
CN112405504A (zh) | 外骨骼机器人 | |
CN108044601B (zh) | 行走辅助设备及其控制方法 | |
CN112809651B (zh) | 一种助力外骨骼控制方法、控制系统和计算机设备 | |
WO2020153299A1 (ja) | ロボット制御システム | |
CN111728827A (zh) | 动力下肢外骨骼控制方法、装置和系统 | |
CN107567605B (zh) | 用于在配备有传感器的个人移动辅助装置中校正轨迹的改进方法 | |
KR102427048B1 (ko) | 어깨 착용형 외골격 장치를 착용한 사용자의 동작 의도를 예측하는 장치 및 그 방법 | |
CN116985113A (zh) | 控制足式机器人的方法和装置及足式机器人 | |
CN118305781A (zh) | 髋关节助力值的确定方法、装置、终端设备及存储介质 | |
US20220096249A1 (en) | Control using an uncertainty metric | |
US20240230334A9 (en) | Pose-driven position and navigation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210531 Address after: 518000 No. 220, workshop 2, No. 6352, Pingshan Avenue, Shatian community, Kengzi street, Pingshan District, Shenzhen City, Guangdong Province Patentee after: Shenzhen Jituo Medical Technology Co.,Ltd. Address before: 6 / F, area B, University Town Pioneer Park, 1199 Liuxian Avenue, Taoyuan Street, Nanshan District, Shenzhen, Guangdong 518000 Patentee before: SHENZHEN XENO DYNAMICS POWER TECHNOLOGY Co.,Ltd. |