CN109924984B - 基于人体运动意图检测的机器人运动控制方法及系统 - Google Patents

Abstract

本发明公开了一种基于人体运动意图检测的机器人运动控制方法及系统。其中方法包括：获取人体的N个运动意图强烈等级以及人体在每个运动意图强烈等级时机器人对应的检测数据特征和预设强度指标；采集使用者使用所述机器人时所述机器人的实际检测数据；比较所述实际检测数据和所述检测数据特征，识别使用者的实际运动意图强烈等级；将所述实际运动意图强烈等级对应的预设强度指标作为参数，规划所述机器人的运动轨迹；控制所述机器人按照所述运动轨迹运动。本发明整体上简化了人体运动意图的检测过程，避免了复杂的数据处理，缩短了检测人体运动意图的迟滞时间，提高了机器人跟随使用者运动的及时性。

Description

基于人体运动意图检测的机器人运动控制方法及系统

技术领域

本发明属于机器人控制领域，尤其涉及一种基于人体运动意图检测的机器人运动控制方法及系统。

背景技术

随着机器人技术的发展，机器人已经推广应用至多种领域。例如，在医疗领域，康复机器人作为患者康复医疗设备，可以辅助患者进行科学地、有效地康复训练，从而达到恢复患者运动功能的目的。它在康复训练中为患者提供安全保护的同时，加强患者的主动运动意图对患者运动功能康复具有强化和促进作用，有利于保持患者精神紧张度，加强神经肌肉运动通路的修复。

在人体佩戴或穿戴康复机器人时，康复机器人通常需要检测人体的运动意图，然后跟随人体运动。具体实现时，现有的康复机器人安装有各种检测设备，检测各类运动数据，对运动数据经过复杂的处理后才能识别出人体的运动意图，而且在识别出运动意图后还需要对运动意图进行进一步的分析计算，才能进行机器人的运动控制，达到跟随人体运动的效果。一方面，检测的运动数据越多，对机器人的数据处理能力要求越高，消耗的时间越长，造成运动意图识别存在迟滞，使得机器人不能快速动作；另一方面，检测的运动数据复杂，使得检测相关硬件设备的成本相应提高。

发明内容

本发明要解决的技术问题是为了克服现有技术中不能快速检测人体运动意图、机器人不能快速跟随人体运动的缺陷，提供一种基于人体运动意图检测的机器人运动控制方法及系统。

本发明是通过以下技术方案解决上述技术问题的：

一种基于人体运动意图检测的机器人运动控制方法，所述机器人运动控制方法包括：

获取人体的N个运动意图强烈等级以及人体在每个运动意图强烈等级时机器人对应的检测数据特征和预设强度指标，所述检测数据特征包括检测数据类型及所述检测数据类型的数据值范围，N为正整数；

采集使用者使用所述机器人时所述机器人的实际检测数据，所述实际检测数据包括所述检测数据类型的实际数据值；

比较所述实际检测数据和所述检测数据特征，识别使用者的实际运动意图强烈等级，所述实际运动意图强烈等级为所述N个运动意图强烈等级中的一种；

将所述实际运动意图强烈等级对应的预设强度指标作为参数，规划所述机器人的运动轨迹；

控制所述机器人按照所述运动轨迹运动。

较佳地，所述机器人包括至少一关节，每个关节对应设置有扭矩传感器和控制关节运动的电机；

所述N个运动意图强烈等级包括针对一个所述关节制定的N个运动意图强烈等级，对应的所述检测数据类型包括所针对的一个所述关节对应的所述扭矩传感器检测的方向和扭矩值以及所述电机的电流值中的至少一种；

或，所述N个运动意图强烈等级包括针对所述至少一关节中的任意关节组合制定的N个运动意图强烈等级，对应的所述检测数据类型包括所针对的关节组合对应的所述扭矩传感器检测的方向和扭矩值以及所述电机的电流值中的至少一种。

较佳地，所述扭矩传感器为单轴扭矩传感器。

较佳地，所述机器人为上肢康复机器人，所述上肢康复机器人包括设置于肩部的肩关节和/或设置于肘部的肘关节。

较佳地，所述机器人运动控制方法通过以下步骤设定人体在每个运动意图强烈等级时机器人对应的检测数据特征：

获取人体在每个运动意图强烈等级时所述机器人的若干实验检测数据，所述实验检测数据包括所述检测数据类型的实验数据值；

对所述若干实验检测数据进行滤波，剔除异常数据；

将每个运动意图强烈等级分别作为一个类，利用所述若干实验检测数据进行分类模型训练，得到每个类的分类特征值，每个类的分类特征值分别代表每个运动意图强烈等级的检测数据特征；

比较所述实际检测数据和所述检测数据特征，识别实际运动意图强烈等级的步骤包括：

将所述实际检测数据输入所述分类模型，获取所述分类模型输出的分类结果，所述分类结果代表所述实际运动意图强烈等级。

一种基于人体运动意图检测的机器人运动控制装置，所述机器人运动控制装置包括：

等级获取模块，用于获取人体的N个运动意图强烈等级以及人体在每个运动意图强烈等级时机器人对应的检测数据特征和预设强度指标，所述检测数据特征包括检测数据类型及所述检测数据类型的数据值范围，N为正整数；

数据采集模块，用于采集使用者使用所述机器人时所述机器人的实际检测数据，所述实际检测数据包括所述检测数据类型的实际数据值；

意图识别模块，用于比较所述实际检测数据和所述检测数据特征，识别使用者的实际运动意图强烈等级，所述实际运动意图强烈等级为所述N个运动意图强烈等级中的一种；

轨迹规划模块，用于将所述实际运动意图强烈等级对应的预设强度指标作为参数，规划所述机器人的运动轨迹；

运动控制模块，用于控制所述机器人按照所述运动轨迹运动。

较佳地，所述机器人包括至少一关节，每个关节对应设置有扭矩传感器和控制关节运动的电机；

所述N个运动意图强烈等级包括针对一个所述关节制定的N个运动意图强烈等级，对应的所述检测数据类型包括所针对的一个所述关节对应的所述扭矩传感器检测的方向和扭矩值以及所述电机的电流值中的至少一种；

或，所述N个运动意图强烈等级包括针对所述至少一关节中的任意关节组合制定的N个运动意图强烈等级，对应的所述检测数据类型包括所针对的关节组合对应的所述扭矩传感器检测的方向和扭矩值以及所述电机的电流值中的至少一种。

较佳地，所述扭矩传感器为单轴扭矩传感器。

较佳地，所述机器人为上肢康复机器人，所述上肢康复机器人包括设置于肩部的肩关节和/或设置于肘部的肘关节。

较佳地，所述机器人运动控制装置还通过特征设定模块设定人体在每个运动意图强烈等级时机器人对应的检测数据特征：

所述特征设定模块包括：

数据统计单元，用于获取人体在每个运动意图强烈等级时所述机器人的若干实验检测数据，所述实验检测数据包括所述检测数据类型的实验数据值；

数据处理单元，用于对所述若干实验检测数据进行滤波，剔除异常数据；

模型训练单元，用于将每个运动意图强烈等级分别作为一个类，利用所述若干实验检测数据进行分类模型训练，得到每个类的分类特征值，每个类的分类特征值分别代表每个运动意图强烈等级的检测数据特征；

所述意图识别模块用于将所述实际检测数据输入所述分类模型，获取所述分类模型输出的分类结果，所述分类结果代表所述实际运动意图强烈等级。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：本发明通过人体运动意图强烈等级的划分，将复杂的人体运动意图归为典型的N类，简化运动意图检测的复杂度；还通过人体的运动意图强烈等级与机器人的检测数据特征之间的对应关系，在使用者使用机器人时快速识别出使用者的实际运动意图强烈等级；还通过人体的运动意图强烈等级与机器人的预设强度指标之间的对应关系，快速规划机器人的运动轨迹，进一步实现机器人的快速动作。本发明整体上简化了人体运动意图的检测过程，避免了复杂的数据处理，缩短了检测人体运动意图的迟滞时间，提高了机器人跟随使用者运动的及时性。

附图说明

图1为本发明实施例1的一种基于人体运动意图检测的机器人运动控制方法的流程图。

图2为本发明实施例1的机器人运动控制方法设定人体在每个运动意图强烈等级时机器人对应的检测数据特征的流程图。

图3为一种上肢康复机器人的结构示意图。

图4为本发明实施例2的机器人运动控制方法检测人体肩部的运动意图并控制机器人的肩关节运动的流程图。

图5为本发明实施例2的机器人运动控制方法检测人体肘部的运动意图并控制机器人的肘关节运动的流程图。

图6为本发明实施例3的一种基于人体运动意图检测的机器人运动控制装置的示意框图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

图1示出了本实施例的一种基于人体运动意图检测的机器人运动控制方法。所述机器人运动控制方法包括：

步骤101：获取人体的N个运动意图强烈等级以及人体在每个运动意图强烈等级时机器人对应的检测数据特征和预设强度指标。所述检测数据特征包括检测数据类型及所述检测数据类型的数据值范围。其中，N为正整数。N的具体取值可根据实际情况而定。

步骤102：采集使用者使用所述机器人时所述机器人的实际检测数据。所述实际检测数据包括所述检测数据类型的实际数据值。

步骤103：比较所述实际检测数据和所述检测数据特征，识别使用者的实际运动意图强烈等级。所述实际运动意图强烈等级为所述N个运动意图强烈等级中的一种。若所述实际数据值落入某个运动意图强烈等级的数据值范围，则表示使用者的实际运动意图强烈等级即为该个运动意图强烈等级。

步骤104：将所述实际运动意图强烈对应的预设强度指标作为参数，规划所述机器人的运动轨迹。

步骤105：控制所述机器人按照所述运动轨迹运动。

所述机器人运动控制方法通过人体运动意图强烈等级的划分，将复杂的人体运动意图归为典型的N类，简化运动意图检测的复杂度；还通过人体的运动意图强烈等级与机器人的检测数据特征之间的对应关系，在使用者使用机器人时快速识别出使用者的实际运动意图强烈等级；还通过人体的运动意图强烈等级与机器人的预设强度指标之间的对应关系，快速规划机器人的运动轨迹，进一步实现机器人的快速动作。

本实施例中，人体在每个运动意图强烈等级时机器人对应的检测数据特征可以通过多次的实验统计、数据建模设定。图2示出了本实施例的机器人运动控制方法设定人体在每个运动意图强烈等级时机器人对应的检测数据特征的流程。其包括：

步骤001：获取人体在每个运动意图强烈等级时所述机器人的若干实验检测数据。所述实验检测数据包括所述检测数据类型的实验数据值。其中的人体可以为实验测试员，每个实验测试员需要在每个运动意图强烈等级进行多次实验(至少3次以上)，所述机器人采集相应的实验检测数据。为了降低实验测试员个体差异性的影响，实验中尽量选择多的测试员进行实验。所述实验检测数据可存储至所述数据库中，并在所述数据库中标记每个实验检测数据对应的运动意图强烈等级。

步骤002：对所述若干实验检测数据进行滤波，剔除异常数据。在滤波时可以但不限于采用Kalman(卡尔曼)滤波，被剔除的异常数据可以但不限于包括运动异常值、超过所述机器人可检测的理论最大值的值等。

步骤003：将每个运动意图强烈等级分别作为一个类，利用所述若干实验检测数据进行分类模型训练，得到每个类的分类特征值，每个类的分类特征值分别代表每个运动意图强烈等级的检测数据特征。其中，所述分类模型可以根据实际需求进行选择，包括但不限于贝叶斯分类模型。

利用所述分类模型，步骤103可以优化为：将所述实际检测数据输入所述分类模型，获取所述分类模型输出的分类结果，所述分类结果代表所述实际运动意图强烈等级。

通过步骤001-003，本实施例的机器人运动控制方法可以进一步准确分析每个运动意图强烈等级时所述机器人对应的检测数据特征，提高使用者运动意图检测的准确性和快速性。

本实施例中，人体在每个运动意图强烈等级时机器人对应的预设强度指标可以通过多次的实验统计、实际的运动效果需求设定。具体地，所述预设强度指标可以是参与运动轨迹规划的力矩值。所述预设强度指标经过PID处理后获得所述机器人输出的运动速度，以此可以生成所需的运动轨迹，其中：

Y(s)是传递函数，I(s)是输出的运动速度，F(s)是所述预设强度指标，I、B和K分别是积分、微分和比例系数，实际使用中可以通过调节I、B和K的值达到理想的运动效果；

根据实际运动意图方向及所述运动速度，计算所述运动轨迹。

通过使用预设强度指标，本实施例的机器人运动控制方法可以快速计算机器人的运动轨迹。本实施例的机器人运动控制方法也可以将每个预设强度指标对应的运动轨迹预先计算好后存储在所述机器人的存储模块中，在步骤103识别出使用者的实际运动意图强烈等级后，确定所述实际运动意图强烈等级对应的预设强度指标，然后从所述存储模块中获取与所述实际运动意图强烈等级对应的预设强度指标相对应的运动轨迹，再按照获取的运动轨迹控制机器人运动。以此进一步提高所述机器人动作的及时性。

实施例2

本实施例是在实施例1基础上的进一步改进。为了增加机器人运动的灵活性，机器人可以包括至少一关节，控制所述机器人运动通常是指控制所述机器人的关节运动。每个关节对应设置有扭矩传感器和电机。人体在使用所述机器人时可以通过穿戴、佩戴、捆绑或其他方式，将所述机器人与使用者合为一体。所述机器人的关节对应人体的活动关节，所述扭矩传感器可以检测人体施加的力的方向和扭矩值。扭矩传感器检测的方向即代表了人体运动意图的方向。所述电机可以控制所述关节的运动方向、运动速度等。

本实施例中，人体的N个运动意图强烈等级可以包括针对一个所述关节制定的N个运动意图强烈等级，对应的所述检测数据类型包括所针对的一个所述关节对应的所述扭矩传感器检测的方向和扭矩值以及所述电机的电流值中的至少一种。

或，人体的N个运动意图强烈等级也可以包括针对所述至少一关节中的任意关节组合制定的N个运动意图强烈等级，对应的所述检测数据类型包括所针对的关节组合对应的所述扭矩传感器检测的方向和扭矩值以及所述电机的电流值中的至少一种。

所述机器人可以为多种领域的机器人，尤其适合上肢康复机器人，图3示出了一种上肢康复机器人，所述上肢康复机器人可用于在患者的上肢主动运动时跟随运动，对患者的康复治疗起到辅助作用。患者穿戴所述上肢康复机器人进行上肢康复运动。所述上肢康复机器人包括设置于肩部的肩关节和设置于肘部的肘关节，所述肩关节对应设置有肩部扭矩传感器11和控制所述肩关节运动的肩部电机12，所述肘关节对应设置有肘部扭矩传感器21和控制所述肘关节运动的肘部电机22。

下面给出本实施例的一种基于人体运动意图检测的上肢康复机器人运动控制方法。所述方法可以检测人体肩部的运动意图并控制机器人的肩关节运动以及检测人体肘部的运动意图并控制机器人的肘关节运动。

所述方法中，将人体肩部的运动意图分为四个强烈等级，分别为：没有意图(0级)、轻微意图(1级)、中等意图(2级)、强烈运动意图(3级)。等级越高，运动意图越明显。假设，人体在0到3级运动意图强烈等级时肩关节对应的检测数据特征分别为：

0级：肩部扭矩传感器11检测的方向，肩部扭矩传感器11的扭矩值范围T∈(0，a)；

1级：肩部扭矩传感器11检测的方向，肩部扭矩传感器11的扭矩值范围T∈(b，c)；

2级：肩部扭矩传感器11检测的方向，肩部扭矩传感器11的扭矩值范围T∈(c，d)；

3级：肩部扭矩传感器11检测的方向，肩部扭矩传感器11的扭矩值范围T∈(d，max)，max为肩部扭矩传感器11可检测的理论最大值。

当然在其它实施方式中，所述检测数据特征还可以取肩部扭矩传感器11和肩部电机12电流值的组合，此时，检测数据特征将为二维区域，每个等级则需识别出更加复杂的二维区间范围参数。

如图4所示，检测人体肩部的运动意图并控制机器人的肩关节运动的流程为：

步骤201：获取人体在0到3级运动意图强烈等级时所述肩关节的若干实验检测数据。所述实验检测数据包括所述肩部扭矩传感器11检测的方向和实验扭矩值。

步骤202：对所述若干实验检测数据进行滤波，剔除异常数据。在滤波时可以但不限于采用Kalman(卡尔曼)滤波，被剔除的异常数据可以但不限于包括运动异常值、超过所述肩部扭矩传感器11可检测的理论最大值的值等。

步骤203：将每个运动意图强烈等级分别作为一个类，利用所述若干实验检测数据进行分类模型训练，得到每个类的分类特征值a、b、c、d，每个类的分类特征值分别代表每个运动意图强烈等级的检测数据特征。所述检测数据特征包括所述肩部扭矩传感器11检测的方向和扭矩值范围。

步骤204：获取每个运动意图强烈等级以及人体在每个运动意图强烈等级时机器人对应的检测数据特征和预设强度指标。

步骤205：采集使用者使用所述机器人时所述机器人的实际检测数据。所述实际检测数据包括所述肩部扭矩传感器11的实际扭矩值。

步骤206：将所述实际检测数据输入所述分类模型，获取所述分类模型输出的分类结果，所述分类结果代表所述实际运动意图强烈等级。所述实际运动意图强烈等级为所述N个运动意图强烈等级中的一种。

步骤207：将所述实际运动意图强烈对应的预设强度指标作为参数，规划所述肩关节的运动轨迹。具体地，所述预设强度指标可以是参与运动轨迹规划的力矩值。所述预设强度指标经过PID处理后获得所述肩关节输出的运动速度，以此可以生成所需的运动轨迹，其中：

Y(s)是传递函数，I(s)是输出的运动速度，F(s)是所述预设强度指标，I、B和K分别是积分、微分和比例系数，实际使用中可以通过调节I、B和K的值达到理想的运动效果；

根据实际运动意图方向及所述运动速度，计算所述运动轨迹。

步骤208：控制所述肩部电机12按照所述运动轨迹运动。

当然在其它实施方式中，所述检测数据特征取肩部扭矩传感器11和肩部电机12电流值的组合时，上述流程中所述实验检测数据还应当对应包括所述肩部扭矩传感器11检测的方向和实验扭矩值以及所述肩部电机12的实验电流值。所述实际检测数据还应当对应包括所述肩部扭矩传感器11的实际扭矩值以及所述肩部电机12的实际电流值。

所述方法中，还将人体肘部的运动意图分为四个强烈等级，分别为：没有意图(0级)、轻微意图(1级)、中等意图(2级)、强烈运动意图(3级)。等级越高，运动意图越明显。假设，人体在0到3级运动意图强烈等级时肘关节对应的检测数据特征分别为：

0级：肘部扭矩传感器21检测的方向，肘部扭矩传感器21的扭矩值范围T∈(0，e)；

1级：肘部扭矩传感器21检测的方向，肘部扭矩传感器21的扭矩值范围T∈(f，g)；

2级：肘部扭矩传感器21检测的方向，肘部扭矩传感器21的扭矩值范围T∈(g，h)；

3级：肘部扭矩传感器21检测的方向，肘部扭矩传感器21的扭矩值范围T∈(h，max)，max为肘部扭矩传感器21可检测的理论最大值。

当然在其它实施方式时，所述检测数据特征还可以取肘部扭矩传感器21和肘部电机22电流值的组合，此时，检测数据特征将为二维区域，每个等级则需识别出更加复杂的二维区间范围参数。

如图5所示，检测人体肘部的运动意图并控制机器人的肘关节运动的流程为：

步骤301：获取人体在0到3级运动意图强烈等级时所述肘关节的若干实验检测数据。所述实验检测数据包括所述肘部扭矩传感器21检测的方向和实验扭矩值。

步骤302：对所述若干实验检测数据进行滤波，剔除异常数据。在滤波时可以但不限于采用Kalman(卡尔曼)滤波，被剔除的异常数据可以但不限于包括运动异常值、超过所述肘部扭矩传感器21可检测的理论最大值的值等。

步骤303：将每个运动意图强烈等级分别作为一个类，利用所述若干实验检测数据进行分类模型训练，得到每个类的分类特征值e、f、g、h，每个类的分类特征值分别代表每个运动意图强烈等级的检测数据特征。所述检测数据特征包括所述肘部扭矩传感器21检测的方向和扭矩值范围。

步骤304：获取每个运动意图强烈等级以及人体在每个运动意图强烈等级时机器人对应的检测数据特征和预设强度指标。

步骤305：采集使用者使用所述机器人时所述机器人的实际检测数据。所述实际检测数据包括所述肘部扭矩传感器21的实际扭矩值。

步骤306：将所述实际检测数据输入所述分类模型，获取所述分类模型输出的分类结果，所述分类结果代表所述实际运动意图强烈等级。所述实际运动意图强烈等级为所述N个运动意图强烈等级中的一种。

步骤307：将所述实际运动意图强烈对应的预设强度指标作为参数，规划所述肘关节的运动轨迹。具体地，所述预设强度指标可以是参与运动轨迹规划的力矩值。所述预设强度指标经过PID处理后获得所述肘关节输出的运动速度，以此可以生成所需的运动轨迹，其中：

Y(s)是传递函数，I(s)是输出的运动速度，F(s)是所述预设强度指标，I、B和K分别是积分、微分和比例系数，实际使用中可以通过调节I、B和K的值达到理想的运动效果；

根据实际运动意图方向及所述运动速度，计算所述运动轨迹。

步骤208：控制所述肘部电机按照所述运动轨迹运动。

当然在其它实施方式中，所述检测数据特征取肘部扭矩传感器21和肘部电机22电流值的组合时，上述流程中所述实验检测数据还应当对应包括所述肘部扭矩传感器21检测的方向和实验扭矩值以及所述肘部电机22的实验电流值。所述实际检测数据还应当对应包括所述肘部扭矩传感器21的实际扭矩值以及所述肘部电机22的实际电流值。

当然在其它实施方式中，在设定人体的运动意图强烈等级时综合考虑肩关节和肘关节的共同运动，例如人体在0到3级运动意图强烈等级时上级康复机器人对应的检测数据特征分别为：

0级：肩部扭矩传感器11检测的方向及扭矩值范围T∈(0，a)，肘部扭矩传感器21检测的方向及扭矩值范围T∈(0，e)；

1级：肩部扭矩传感器11检测的方向及扭矩值范围T∈(b，c)，肘部扭矩传感器21检测的方向及扭矩值范围T∈(f，g)；

2级：肩部扭矩传感器11检测的方向及扭矩值范围T∈(c，d)，肘部扭矩传感器21检测的方向及扭矩值范围T∈(g，h)；

3级：肩部扭矩传感器11检测的方向及扭矩值范围T∈(d，max1)，max1为肩部扭矩传感器11可检测的理论最大值，肘部扭矩传感器21检测的方向及扭矩值范围T∈(h，max2)，max2为肘部扭矩传感器21可检测的理论最大值。

当然在其它实施方式时，所述检测数据特征还可以取肩部、肘部扭矩传感器和肩部、肘部电机电流值的组合，或，肩部、肘部扭矩传感器和肩部、肘部电机中任意一个电机电流值的组合，或，肩部、肘部电机电流值和肩部、肘部扭矩传感器中任意一个扭矩传感器的检测方向和扭矩值范围的组合，构建更加复杂的多维区间范围参数。

相应的检测人体肩部、肘部的运动意图并同时控制机器人的肩、肘关节运动的流程参考图4、图5，具体不再赘述。

从节约检测成本的角度考虑，本实施例中的扭矩传感器优选采用单轴扭矩传感器。当然本实施例也不排除所述扭矩传感器采用更复杂的多轴扭矩传感器的可能。但是，由于整体方法的合理性，即使采用单轴扭矩传感器，本实施例亦可准确地检测出人体的运动意图并快速控制机器人运动。换言之，本实施例的方法可以通过采用单轴扭矩传感器，在保证运动意图检测准确的同时，进一步降低检测的硬件成本。

当然本实施例适用的机器人并不局限于图3所示的上肢康复机器人，其它类似结构的上肢康复机器人同样适用。本实施例同样还适用于下肢康复机器人的人体运动意图检测方法，下肢康复机器人可用于在患者的下肢主动运动时跟随运动，对患者的康复治疗起到辅助作用。患者穿戴下肢康复机器人进行下肢康复运动。所述下肢康复机器人包括设置于膝部的膝关节和/或设置于大腿根部的髋关节。

当然所述机器人甚至还可以为类似于体感游戏的游戏机器人，游戏者穿戴游戏机器人后进行游戏，所述游戏机器人可以检测游戏者的运动意图进而根据游戏者运动。

所述机器人还可以进一步包括数据传输模块或通信模块，用以将所述实际运动意图强烈等级和/或机器人的运动轨迹等相关数据传输至其他终端设备，由所述终端设备进行相关数据的存储或作出相应的响应。

实施例3

图6示出了本实施例的一种基于人体运动意图检测的机器人运动控制装置。所述机器人运动控制装置包括：等级获取模块401、数据采集模块402、意图识别模块403、轨迹规划模块404和运动控制模块405。

所述等级获取模块401用于获取人体的N个运动意图强烈等级以及人体在每个运动意图强烈等级时机器人对应的检测数据特征和预设强度指标，所述检测数据特征包括检测数据类型及所述检测数据类型的数据值范围，N为正整数。N的具体取值可根据实际情况而定。

所述数据采集模块402用于采集使用者使用所述机器人时所述机器人的实际检测数据，所述实际检测数据包括所述检测数据类型的实际数据值。

所述意图识别模块403用于比较所述实际检测数据和所述检测数据特征，识别使用者的实际运动意图强烈等级，所述实际运动意图强烈等级为所述N个运动意图强烈等级中的一种。若所述实际数据值落入某个运动意图强烈等级的数据值范围，则表示使用者的实际运动意图强烈等级即为该个运动意图强烈等级。

所述轨迹规划模块404用于将所述实际运动意图强烈等级对应的预设强度指标作为参数，规划所述机器人的运动轨迹。

所述运动控制模块405用于控制所述机器人按照所述运动轨迹运动。

所述机器人运动控制装置通过人体运动意图强烈等级的划分，将复杂的人体运动意图归为典型的N类，简化运动意图检测的复杂度；还通过人体的运动意图强烈等级与机器人的检测数据特征之间的对应关系，在使用者使用机器人时快速识别出使用者的实际运动意图强烈等级；还通过人体的运动意图强烈等级与机器人的预设强度指标之间的对应关系，快速规划机器人的运动轨迹，进一步实现机器人的快速动作。

本实施例中，人体在每个运动意图强烈等级时机器人对应的检测数据特征可以通过多次的实验统计、数据建模设定。所述机器人运动控制装置还包括特征设定模块406，通过特征设定模块406设定人体在每个运动意图强烈等级时机器人对应的检测数据特征。

所述特征设定模块406包括：

数据统计单元4061，用于获取人体在每个运动意图强烈等级时所述机器人的若干实验检测数据，所述实验检测数据包括所述检测数据类型的实验数据值。所述实验检测数据包括所述检测数据类型的实验数据值。其中的人体可以为实验测试员，每个实验测试员需要在每个运动意图强烈等级进行多次实验(至少3次以上)，所述机器人采集相应的实验检测数据。为了降低实验测试员个体差异性的影响，实验中尽量选择多的测试员进行实验。所述实验检测数据可存储至所述数据库中，并在所述数据库中标记每个实验检测数据对应的运动意图强烈等级。

数据处理单元4062，用于对所述若干实验检测数据进行滤波，剔除异常数据。在滤波时可以但不限于采用Kalman(卡尔曼)滤波，被剔除的异常数据可以但不限于包括运动异常值、超过所述机器人可检测的理论最大值的值等。

模型训练单元4063，用于将每个运动意图强烈等级分别作为一个类，利用所述若干实验检测数据进行分类模型训练，得到每个类的分类特征值，每个类的分类特征值分别代表每个运动意图强烈等级的检测数据特征。其中，所述分类模型可以根据实际需求进行选择，包括但不限于贝叶斯分类模型。

利用所述分类模型，所述意图识别模块403可以将所述实际检测数据输入所述分类模型，获取所述分类模型输出的分类结果，所述分类结果代表所述实际运动意图强烈等级。

通过所述特征设定模块406，本实施例的机器人运动控制装置可以进一步准确分析每个运动意图强烈等级时所述机器人对应的检测数据特征，提高使用者运动意图检测的准确性和快速性。

本实施例中，人体在每个运动意图强烈等级时机器人对应的预设强度指标可以通过多次的实验统计、实际的运动效果需求设定。具体地，所述预设强度指标可以是参与运动轨迹规划的力矩值。所述预设强度指标经过PID处理后获得所述机器人输出的运动速度，以此可以生成所需的运动轨迹，其中：

Y(s)是传递函数，I(s)是输出的运动速度，F(s)是所述预设强度指标，I、B和K分别是积分、微分和比例系数，实际使用中可以通过调节I、B和K的值达到理想的运动效果；

根据实际运动意图方向及所述运动速度，计算所述运动轨迹。

通过使用预设强度指标，本实施例的机器人运动控制装置可以快速计算机器人的运动轨迹。本实施例的机器人运动控制装置也可以将每个预设强度指标对应的运动轨迹预先计算好后存储在所述机器人的存储模块中，在识别出使用者的实际运动意图强烈等级后，确定所述实际运动意图强烈等级对应的预设强度指标，然后从所述存储模块中获取与所述实际运动意图强烈等级对应的预设强度指标相对应的运动轨迹，再按照获取的运动轨迹控制机器人运动。以此进一步提高所述机器人动作的及时性。

实施例4

本实施例中，人体的N个运动意图强烈等级可以包括针对一个所述关节制定的N个运动意图强烈等级，对应的所述检测数据类型包括所针对的一个所述关节对应的所述扭矩传感器检测的方向和扭矩值以及所述电机的电流值中的至少一种。

或，人体的N个运动意图强烈等级也可以包括针对所述至少一关节中的任意关节组合制定的N个运动意图强烈等级，对应的所述检测数据类型包括所针对的关节组合对应的所述扭矩传感器检测的方向和扭矩值以及所述电机的电流值中的至少一种。

所述机器人可以为多种领域的机器人，尤其适合上肢康复机器人，参见图3示出的上肢康复机器人，所述上肢康复机器人可用于在患者的上肢主动运动时跟随运动，对患者的康复治疗起到辅助作用。患者穿戴所述上肢康复机器人进行上肢康复运动。所述上肢康复机器人包括设置于肩部的肩关节和设置于肘部的肘关节，所述肩关节对应设置有肩部扭矩传感器11和控制所述肩关节运动的肩部电机12，所述肘关节对应设置有肘部扭矩传感器21和控制所述肘关节运动的肘部电机22。

下面给出本实施例的一种基于人体运动意图检测的上肢康复机器人运动控制装置。所述装置可以检测人体肩部的运动意图并控制机器人的肩关节运动以及检测人体肘部的运动意图并控制机器人的肘关节运动。

人体肩部的运动意图分为四个强烈等级，分别为：没有意图(0级)、轻微意图(1级)、中等意图(2级)、强烈运动意图(3级)。等级越高，运动意图越明显。假设，人体在0到3级运动意图强烈等级时肩关节对应的检测数据特征分别为：

0级：肩部扭矩传感器11检测的方向，肩部扭矩传感器11的扭矩值范围T∈(0，a)；

1级：肩部扭矩传感器11检测的方向，肩部扭矩传感器11的扭矩值范围T∈(b，c)；

2级：肩部扭矩传感器11检测的方向，肩部扭矩传感器11的扭矩值范围T∈(c，d)；

3级：肩部扭矩传感器11检测的方向，肩部扭矩传感器11的扭矩值范围T∈(d，max)，max为肩部扭矩传感器11可检测的理论最大值。

当然在其它实施方式中，所述检测数据特征还可以取肩部扭矩传感器11和肩部电机12电流值的组合，此时，检测数据特征将为二维区域，每个等级则需识别出更加复杂的二维区间范围参数。

所述装置中，所述数据统计单元4061获取人体在0到3级运动意图强烈等级时所述肩关节的若干实验检测数据。所述实验检测数据包括所述肩部扭矩传感器11检测的方向和实验扭矩值。

所述数据处理单元4062对所述若干实验检测数据进行滤波，剔除异常数据。在滤波时可以但不限于采用Kalman(卡尔曼)滤波，被剔除的异常数据可以但不限于包括运动异常值、超过所述肩部扭矩传感器11可检测的理论最大值的值等。

所述模型训练单元4063将每个运动意图强烈等级分别作为一个类，利用所述若干实验检测数据进行分类模型训练，得到每个类的分类特征值a、b、c、d，每个类的分类特征值分别代表每个运动意图强烈等级的检测数据特征。所述检测数据特征包括所述肩部扭矩传感器11检测的方向和扭矩值范围。

所述等级获取模块401获取每个运动意图强烈等级以及人体在每个运动意图强烈等级时机器人对应的检测数据特征和预设强度指标。

所述数据采集模块402采集使用者使用所述机器人时所述机器人的实际检测数据。所述实际检测数据包括所述肩部扭矩传感器11的实际扭矩值。

所述意图识别模块403将所述实际检测数据输入所述分类模型，获取所述分类模型输出的分类结果，所述分类结果代表所述实际运动意图强烈等级。所述实际运动意图强烈等级为所述N个运动意图强烈等级中的一种。

所述轨迹规划模块404将所述实际运动意图强烈对应的预设强度指标作为参数，规划所述肩关节的运动轨迹。具体地，所述预设强度指标可以是参与运动轨迹规划的力矩值。所述预设强度指标经过PID处理后获得所述肩关节输出的运动速度，以此可以生成所需的运动轨迹，其中：

Y(s)是传递函数，I(s)是输出的运动速度，F(s)是所述预设强度指标，I、B和K分别是积分、微分和比例系数，实际使用中可以通过调节I、B和K的值达到理想的运动效果；

根据实际运动意图方向及所述运动速度，计算所述运动轨迹。

所述运动控制模块405控制所述肩部电机12按照所述运动轨迹运动。

当然在其它实施方式中，所述检测数据特征取肩部扭矩传感器11和肩部电机12电流值的组合时，上述流程中所述实验检测数据还应当对应包括所述肩部扭矩传感器11检测的方向和实验扭矩值以及所述肩部电机12的实验电流值。所述实际检测数据还应当对应包括所述肩部扭矩传感器11的实际扭矩值以及所述肩部电机12的实际电流值。

人体肘部的运动意图分为四个强烈等级，分别为：没有意图(0级)、轻微意图(1级)、中等意图(2级)、强烈运动意图(3级)。等级越高，运动意图越明显。假设，人体在0到3级运动意图强烈等级时肘关节对应的检测数据特征分别为：

0级：肘部扭矩传感器21检测的方向，肘部扭矩传感器21的扭矩值范围T∈(0，e)；

1级：肘部扭矩传感器21检测的方向，肘部扭矩传感器21的扭矩值范围T∈(f，g)；

2级：肘部扭矩传感器21检测的方向，肘部扭矩传感器21的扭矩值范围T∈(g，h)；

3级：肘部扭矩传感器21检测的方向，肘部扭矩传感器21的扭矩值范围T∈(h，max)，max为肘部扭矩传感器21可检测的理论最大值。

当然在其它实施方式时，所述检测数据特征还可以取肘部扭矩传感器21和肘部电机22电流值的组合，此时，检测数据特征将为二维区域，每个等级则需识别出更加复杂的二维区间范围参数。

所述装置中，所述数据统计单元4061获取人体在0到3级运动意图强烈等级时所述肘关节的若干实验检测数据。所述实验检测数据包括所述肘部扭矩传感器21检测的方向和实验扭矩值。

所述数据处理单元4062对所述若干实验检测数据进行滤波，剔除异常数据。在滤波时可以但不限于采用Kalman(卡尔曼)滤波，被剔除的异常数据可以但不限于包括运动异常值、超过所述肘部扭矩传感器21可检测的理论最大值的值等。

所述模型训练单元4063将每个运动意图强烈等级分别作为一个类，利用所述若干实验检测数据进行分类模型训练，得到每个类的分类特征值e、f、g、h，每个类的分类特征值分别代表每个运动意图强烈等级的检测数据特征。所述检测数据特征包括所述肘部扭矩传感器21检测的方向和扭矩值范围。

所述等级获取模块401获取每个运动意图强烈等级以及人体在每个运动意图强烈等级时机器人对应的检测数据特征和预设强度指标。

所述数据采集模块402采集使用者使用所述机器人时所述机器人的实际检测数据。所述实际检测数据包括所述肘部扭矩传感器21的实际扭矩值。

所述意图识别模块403将所述实际检测数据输入所述分类模型，获取所述分类模型输出的分类结果，所述分类结果代表所述实际运动意图强烈等级。所述实际运动意图强烈等级为所述N个运动意图强烈等级中的一种。

所述轨迹规划模块404将所述实际运动意图强烈对应的预设强度指标作为参数，规划所述肘关节的运动轨迹。具体地，所述预设强度指标可以是参与运动轨迹规划的力矩值。所述预设强度指标经过PID处理后获得所述肘关节输出的运动速度，以此可以生成所需的运动轨迹，其中：

Y(s)是传递函数，I(s)是输出的运动速度，F(s)是所述预设强度指标，I、B和K分别是积分、微分和比例系数，实际使用中可以通过调节I、B和K的值达到理想的运动效果；

根据实际运动意图方向及所述运动速度，计算所述运动轨迹。

所述运动控制模块405控制所述肘部电机22按照所述运动轨迹运动。

当然在其它实施方式中，所述检测数据特征取肘部扭矩传感器21和肘部电机22电流值的组合时，上述各模块中所述实验检测数据还应当对应包括所述肘部扭矩传感器21检测的方向和实验扭矩值以及所述肘部电机22的实验电流值。所述实际检测数据还应当对应包括所述肘部扭矩传感器21的实际扭矩值以及所述肘部电机22的实际电流值。

当然在其它实施方式中，在设定人体的运动意图强烈等级时综合考虑肩关节和肘关节的共同运动，例如人体在0到3级运动意图强烈等级时上级康复机器人对应的检测数据特征分别为：

0级：肩部扭矩传感器11检测的方向及扭矩值范围T∈(0，a)，肘部扭矩传感器21检测的方向及扭矩值范围T∈(0，e)；

1级：肩部扭矩传感器11检测的方向及扭矩值范围T∈(b，c)，肘部扭矩传感器21检测的方向及扭矩值范围T∈(f，g)；

2级：肩部扭矩传感器11检测的方向及扭矩值范围T∈(c，d)，肘部扭矩传感器21检测的方向及扭矩值范围T∈(g，h)；

3级：肩部扭矩传感器11检测的方向及扭矩值范围T∈(d，max1)，max1为肩部扭矩传感器11可检测的理论最大值，肘部扭矩传感器21检测的方向及扭矩值范围T∈(h，max2)，max2为肘部扭矩传感器21可检测的理论最大值。

当然在其它实施方式时，所述检测数据特征还可以取肩部、肘部扭矩传感器和肩部、肘部电机电流值的组合，或，肩部、肘部扭矩传感器和肩部、肘部电机中任意一个电机电流值的组合，或，肩部、肘部电机电流值和肩部、肘部扭矩传感器中任意一个扭矩传感器的检测方向和扭矩值范围的组合，构建更加复杂的二维区间范围参数。

相应的检测人体肩部、肘部的运动意图并控制机器人的肩、肘关节运动的所述装置，参考上述所述装置检测人体肩部的运动意图并控制机器人的肩关节运动的部分以及检测人体肘部的运动意图并控制机器人的肘关节运动的部分，具体不再赘述。

从节约检测成本的角度考虑，本实施例中的扭矩传感器优选采用单轴扭矩传感器。当然本实施例也不排除所述扭矩传感器采用更复杂的多轴扭矩传感器的可能。但是，由于整体方法的合理性，即使采用单轴扭矩传感器，本实施例亦可准确地检测出人体的运动意图并快速控制机器人运动。换言之，本实施例的方法可以通过采用单轴扭矩传感器，在保证运动意图检测准确的同时，进一步降低检测的硬件成本。

当然本实施例适用的机器人并不局限于图3所示的上肢康复机器人，其它类似结构的上肢康复机器人同样适用。本实施例同样还适用于下肢康复机器人的人体运动意图检测方法，下肢康复机器人可用于在患者的下肢主动运动时跟随运动，对患者的康复治疗起到辅助作用。患者穿戴下肢康复机器人进行下肢康复运动。所述下肢康复机器人包括设置于膝部的膝关节和/或设置于大腿根部的髋关节。

当然所述机器人甚至还可以为类似于体感游戏的游戏机器人，游戏者穿戴游戏机器人后进行游戏，所述游戏机器人可以检测游戏者的运动意图进而根据游戏者运动。

所述装置可以集成于所述机器人中。所述机器人还可以进一步包括数据传输模块或通信模块，用以将所述实际运动意图强烈等级和/或机器人的运动轨迹等相关数据传输至其他终端设备，由所述终端设备进行相关数据的存储或作出相应的响应。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (8)

1.一种基于人体运动意图检测的机器人运动控制方法，其特征在于，所述机器人运动控制方法包括：

获取人体的N个运动意图强烈等级以及人体在每个运动意图强烈等级时机器人对应的检测数据特征和预设强度指标，所述检测数据特征包括检测数据类型及所述检测数据类型的数据值范围，N为正整数；

采集使用者使用所述机器人时所述机器人的实际检测数据，所述实际检测数据包括所述检测数据类型的实际数据值；

比较所述实际检测数据和所述检测数据特征，识别使用者的实际运动意图强烈等级，所述实际运动意图强烈等级为所述N个运动意图强烈等级中的一种；

将所述实际运动意图强烈等级对应的预设强度指标作为参数，规划所述机器人的运动轨迹；

控制所述机器人按照所述运动轨迹运动；

所述机器人包括至少一关节，每个关节对应设置有扭矩传感器和控制关节运动的电机；

所述N个运动意图强烈等级包括针对一个所述关节制定的N个运动意图强烈等级，对应的所述检测数据类型包括所针对的一个所述关节对应的所述扭矩传感器检测的方向和扭矩值以及所述电机的电流值中的至少一种；

或，所述N个运动意图强烈等级包括针对所述至少一关节中的任意关节组合制定的N个运动意图强烈等级，对应的所述检测数据类型包括所针对的关节组合对应的所述扭矩传感器检测的方向和扭矩值以及所述电机的电流值中的至少一种。

2.如权利要求1所述的机器人运动控制方法，其特征在于，所述扭矩传感器为单轴扭矩传感器。

3.如权利要求1所述的机器人运动控制方法，其特征在于，所述机器人为上肢康复机器人，所述上肢康复机器人包括设置于肩部的肩关节和/或设置于肘部的肘关节。

4.如权利要求1-3中任意一项所述的机器人运动控制方法，其特征在于，所述机器人运动控制方法通过以下步骤设定人体在每个运动意图强烈等级时机器人对应的检测数据特征：

获取人体在每个运动意图强烈等级时所述机器人的若干实验检测数据，所述实验检测数据包括所述检测数据类型的实验数据值；

对所述若干实验检测数据进行滤波，剔除异常数据；

将每个运动意图强烈等级分别作为一个类，利用所述若干实验检测数据进行分类模型训练，得到每个类的分类特征值，每个类的分类特征值分别代表每个运动意图强烈等级的检测数据特征；

比较所述实际检测数据和所述检测数据特征，识别实际运动意图强烈等级的步骤包括：

将所述实际检测数据输入所述分类模型，获取所述分类模型输出的分类结果，所述分类结果代表所述实际运动意图强烈等级。

5.一种基于人体运动意图检测的机器人运动控制装置，其特征在于，所述机器人运动控制装置包括：

等级获取模块，用于获取人体的N个运动意图强烈等级以及人体在每个运动意图强烈等级时机器人对应的检测数据特征和预设强度指标，所述检测数据特征包括检测数据类型及所述检测数据类型的数据值范围，N为正整数；

数据采集模块，用于采集使用者使用所述机器人时所述机器人的实际检测数据，所述实际检测数据包括所述检测数据类型的实际数据值；

意图识别模块，用于比较所述实际检测数据和所述检测数据特征，识别使用者的实际运动意图强烈等级，所述实际运动意图强烈等级为所述N个运动意图强烈等级中的一种；

轨迹规划模块，用于将所述实际运动意图强烈等级对应的预设强度指标作为参数，规划所述机器人的运动轨迹；

运动控制模块，用于控制所述机器人按照所述运动轨迹运动；

所述机器人包括至少一关节，每个关节对应设置有扭矩传感器和控制关节运动的电机；

所述N个运动意图强烈等级包括针对一个所述关节制定的N个运动意图强烈等级，对应的所述检测数据类型包括所针对的一个所述关节对应的所述扭矩传感器检测的方向和扭矩值以及所述电机的电流值中的至少一种；

或，所述N个运动意图强烈等级包括针对所述至少一关节中的任意关节组合制定的N个运动意图强烈等级，对应的所述检测数据类型包括所针对的关节组合对应的所述扭矩传感器检测的方向和扭矩值以及所述电机的电流值中的至少一种。

6.如权利要求5所述的机器人运动控制装置，其特征在于，所述扭矩传感器为单轴扭矩传感器。

7.如权利要求5所述的机器人运动控制装置，其特征在于，所述机器人为上肢康复机器人，所述上肢康复机器人包括设置于肩部的肩关节和/或设置于肘部的肘关节。

8.如权利要求5-7中任意一项所述的机器人运动控制装置，其特征在于，所述机器人运动控制装置还通过特征设定模块设定人体在每个运动意图强烈等级时机器人对应的检测数据特征：

所述特征设定模块包括：

数据统计单元，用于获取人体在每个运动意图强烈等级时所述机器人的若干实验检测数据，所述实验检测数据包括所述检测数据类型的实验数据值；

数据处理单元，用于对所述若干实验检测数据进行滤波，剔除异常数据；

模型训练单元，用于将每个运动意图强烈等级分别作为一个类，利用所述若干实验检测数据进行分类模型训练，得到每个类的分类特征值，每个类的分类特征值分别代表每个运动意图强烈等级的检测数据特征；

所述意图识别模块用于将所述实际检测数据输入所述分类模型，获取所述分类模型输出的分类结果，所述分类结果代表所述实际运动意图强烈等级。

Images