CN110877335A - 一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法 - Google Patents

一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法 Download PDF

Info

Publication number
CN110877335A
CN110877335A CN201910925465.0A CN201910925465A CN110877335A CN 110877335 A CN110877335 A CN 110877335A CN 201910925465 A CN201910925465 A CN 201910925465A CN 110877335 A CN110877335 A CN 110877335A
Authority
CN
China
Prior art keywords
human hand
mechanical arm
coordinate system
cartesian
hand
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.)
Pending
Application number
CN201910925465.0A
Other languages
English (en)
Inventor
杜广龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201910925465.0A priority Critical patent/CN110877335A/zh
Publication of CN110877335A publication Critical patent/CN110877335A/zh
Pending legal-status Critical Current

Links

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
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • 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
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1689—Teleoperation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration

Abstract

本发明提出了一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法，包括以下步骤：S1、利用固定在笛卡尔平台上的体感控制器(Leap Motion)获取人手的位置、速度、角速度、加速度和朝向；S2、采用区间卡尔曼滤波(IKF)估计人手的位置；S3、用改进的粒子滤波(IPF)估计人手的方位与姿态；S4、采用均值滤波器(MF)来平滑笛卡尔平台的运动。本发明利用Leap Motion获取手的位置，并利用改进的粒子滤波提高手位置估计的准确度，使得人能以一种很自然的方式控制机械臂。由于仅仅通过处理视觉数据来获取手的位置和姿态，无需操作者佩戴任何设备，侵入性低。提高了人机交互的友好性。

Description

一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法
技术领域
本发明涉及人机交互技术，具体涉及一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法。
背景技术
人机机器接口是指用户和机器人之间的交互。传统的人-机器人交互模式是以机器人为中心的受限模式。虽然这种联系方法能够满足精确的交互要求,但交互性并不灵活,需要进行密集训练以完成目标任务。用户无法记住新的命令并探索新的功能。与传统的人-机器人交互技术相比,不受限制的人-机器人交互技术强调将人的自然能力与计算设备、感知和推理能力结合起来。此外,它允许人类使用多种渠道,如声音,手势,视觉等。多个感官和效果通道是可选的并行和协作,以实现多通道,高带宽,高效和无限制的人-机器人通信。多通道通信可以扩大人机通信的"带宽",减少人的认知困难。人类不再需要扭曲他们最自然的思维方式和行为, 以满足机器人的要求。人的表达的模糊性和不精确性使得不受限制的人机交互技术在机器人交互中的应用具有巨大的挑战性。
目前已有上肢同机器人主设备,操作员执行三维身体运动后，机器人复制操作员的动作。在开发一个软可穿戴的机器人替换全身外骨骼设备。随着手套的发展,操作员可以保持不同形状的对象,而不主动控制。另一种就是将磁性惯性单元连接到腰部,并检查多传感器数据融合的效果。还有一些是使用惯性和肌电信号识别手和手指手势。使用一个操纵杆与可折叠的椅子遥控机器人的位置、姿态和手爪。使用操纵杆,头方向和手势控制机器人和照相机,。
人-机器人交互使用接触装置要求操作者直接佩戴或触摸设备,这可能会阻碍操作者的移动,使操作者笨拙。例如,上肢同机器人主设备阻碍了全身运动,而数据手套则会阻碍手的运动。此外,联系人交互要求操作员学习如何使用该设备以及如何在操作过程中操作设备,如操纵杆、鼠标和键盘。此外,操纵杆控制的方向是二维的,而实际的物理世界是三维的,所以交互性不够自然。
非接触方法包括使用语音、手势、眼睛等方法。非接触式人-机器人交互要求传感器的高精度,如声音传感器或身体运动传感器。此外,一些非接触方法需要标记,但标记可能在复杂的环境中被遮蔽。因此,无标记的和非接触式人-机器人交互是可取的,预期是自然和有效的。而且,它不能限制操作者的动作,最好不用复杂的学习过程。
根据里基定律,对于指点装置,T＝a+blog2(D/W+1),D代表当前位置和目标位置之间的距离,而W显示目标对象的大小。到达目标所需的时间取决于目标大小以及当前位置和目标位置之间的距离。目标对象是一致的,其大小也是一致的。以前的研究需要的手势复位和因而增加的时间费用。以鼠标为例,复位意味着鼠标移动到区域时操作不便,将鼠标移回区域操作方便。Kinect也是一种非接触式的人-机器人交互装置,其检测范围比固定跃迁化妆水。然而,Leap Motion更专业的手势检测。利用IKF和森林小组估计测量位置和方位数据, 可用于消除噪声和测量误差的影响。对所提出的人-机器人界面进行了一系列的实验评估和验证。结果表明,该方法具有较高的效率。
发明内容
为了解决上述现有技术所存在的问题，本发明提供一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法，根据混合滤波器自适应跟踪系统无标记的人机接口,使操作者能够通过三维手势控制机械臂。该方法将Leap Motion和笛卡尔平台集成在一起。LeapMotion固定在笛卡尔平台上,以感知用户手的移动,包括位置、方位和姿态。当笛卡尔平台跟随手,将手放在检测区域的中心时,测量精度较高,测量空间可以扩展。虽然Leap Motion可以获得手的姿态,但由于传感器固有的噪声,测量误差随着时间的推移而增加。为了提高测量精度,采用区间卡尔曼滤波(IKF)估计手的位置,并用改进的粒子滤波(IPF)来估计手的方位。此外,采用了均值滤波器(MF)来平滑笛卡尔平台的运动。
本发明至少通过如下技术方案之一实现。
一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法，包括以下步骤：
S1、利用固定在笛卡尔平台上的体感控制器(Leap Motion)获取人手的位置、速度、角速度、加速度和朝向；
S2、采用区间卡尔曼滤波(IKF)估计人手的位置；
S3、用改进的粒子滤波(IPF)估计人手的方向；
S4、采用均值滤波器(MF)平滑笛卡尔平台的运动轨迹。
进一步的，笛卡尔平台的运动范围是一个长方体；笛卡尔平台能够在三维空间中移动。
进一步的，步骤S1使用Leap Motion获取人手的位置、角速度、加速度和朝向，具体是在人-机械臂界面中,通过改变人手的位置和方向,利用人手手掌来控制机械臂的末端效应器；人手的坐标和朝向对机械臂末端执行器的坐标和朝向进行映射，从而使机器人机械臂产生相应的三维运动。
进一步的，所述机械臂的坐标主要由LM坐标系和人手坐标系组成；LM坐标系和人手坐标系之间的转换是用横滚角、俯仰角和偏航角三种角度方向进行坐标转换；LM坐标系为右笛卡尔坐标系，并且坐标系的原点与LM本身的中心重合，LM坐标系的YL轴垂直于设备所在的水平面，而LM坐标系的XL轴和ZL轴均位于水平面上，ZL轴平行于设备的短边，而 XL轴平行于设备的长边；人手坐标系定义为：ZH轴垂直于手掌平面，指向手背，YH轴与从掌心到中指的直线共线，XH轴垂直于ZH轴与YH轴所在的平面；
利用机械臂的坐标获得出机械臂的位置、方向、速度和角速度；人手手掌的位置和方向从LM测量的数据中获取得到。
进一步的，LM是放置在笛卡尔平台的最终效应器,并与笛卡尔平台一起移动。
进一步的，步骤S2在通过LM测量人手的方向之后，机械臂坐标中的加速度转换为世界坐标中的加速度；在转换过程中，用IKF估计每个坐标的方向，位置和速度。
进一步的，步骤S3利用改进的粒子滤波，通过对状态样本计算后验，其权重被归一化； IPF的参数包括人手的角速度和方向；在粒子滤波中，状态样本指的是在状态空间中随机选取的若干样本；
LM对人手的方向进行检测，包括横滚角、俯仰角和偏航角；横滚角、俯仰角和偏航角分别表示绕x，y和z轴的旋转角度，根据欧拉定理，从欧拉角到四元数的转换表示为：
Figure RE-GDA0002367155140000031
其中四元数分量q0,q1,q2,q3满足以下关系:
Figure RE-GDA0002367155140000032
通过测量和角速度计算得出的四元数是IPF的参数
Figure RE-GDA0002367155140000033
其中
Figure RE-GDA0002367155140000034
代表在时间点tk，IPF估计的第i个粒子的状态；
由于方向是由单位四元数表示的，因此在每个粒子方向上，四个状态分量满足以下条件：
Figure RE-GDA0002367155140000041
其中
Figure RE-GDA0002367155140000042
和
Figure RE-GDA0002367155140000043
表示在时间点tk组成单元四元数的四个分量，由于获得跟踪的角速度数据，因此在时间点tk+1，通过以下方法计算每个粒子的四元数分量：
Figure RE-GDA0002367155140000044
其中t表示采样时间，ωx,k、ωy,k和ωz,k分别表示绕x、y和z轴的角速度分量。
由于一个LM的工作区具有锥角、高度和底部半径分别为89.5°、550毫米和50毫米的锥形区域。在这个有限的工作空间中,操作员的手在控制机械臂时很容易离开LM的有效范围。如果失去了手的跟踪,操作员应该反复重置他或她的手,这是耗时的。为解决这一问题, 提出了一种采用笛卡尔平台的方法。LM是固定在笛卡尔平台的最终效应器,并与它一起移动。为解决工作空间的局限性,提出了一种可在三维空间中移动的笛卡尔平台。笛卡尔平台的运动范围是一个长方体,长度为650毫米,宽度为650毫米,高度为550毫米。由于在笛卡尔平台的末端效应器上附着的LM可以放置在运动空间的任何位置,它的可探测区域得到扩展。
由于没有其他联系设备或标记,操作员只需考虑该任务。换句话说,操作员不需要考虑发送什么命令来控制机械臂,这使得操作者的期望和执行之间的映射更加直接。LeapMotion和笛卡尔平台用于跟踪操作员的手。因为笛卡尔平台承载Leap Motion，LeapMotion可以移动三维空间，从而扩展了LEAP MOTION的检测范围。扩展工作区意味着高精度检测区域的扩展,即测量更可靠。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明利用Leap Motion获取手的位置，并利用改进的粒子滤波提高手位置估计的准确度，使得人能以一种很自然的方式控制机械臂。
2、由于仅仅通过处理视觉数据来获取手的位置和姿态，无需操作者佩戴任何设备侵入性低。
3、本发明的交互方式采取所见即所得的方式，机械臂跟随手运动而运动，使得非专业人士也能很好的对机械臂操控。
附图说明
图1为本实施例一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法的流程图。
具体实施方式
下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
如图1所示，一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法，包括以下步骤：
S1、利用固定在笛卡尔平台上的体感控制器(Leap Motion)获取人手的位置、角速度、加速度和朝向；手掌的位置和方向可以计算从LM测量数据获取。在所提出的人-机械臂界面中, 通过改变手的位置和方向,利用手掌来控制机械臂的末端效应器。手的姿态对机器人机械臂的相应三维运动响应进行了映射。笛卡尔平台的运动范围是一个长方体；笛卡尔平台能够在三维空间中移动。
机械臂的坐标主要由LM坐标系和人手坐标系组成；LM坐标系和人手坐标系之间的转换是用横滚角、俯仰角和偏航角三种角度方向进行坐标转换；LM坐标系为右笛卡尔坐标系，并且坐标系的原点与LM本身的中心重合，LM坐标系的YL轴垂直于设备所在的水平面，而LM坐标系的XL轴和ZL轴均位于水平面上，ZL轴平行于设备的短边，而XL轴平行于设备的长边；人手坐标系定义为：ZH轴垂直于手掌平面，指向手背，YH轴与从掌心到中指的直线共线，XH轴垂直于ZH轴与YH轴所在的平面；所述LM是放置在笛卡尔平台的最终效应器,并与笛卡尔平台一起移动。
S2、采用区间卡尔曼滤波(IKF)估计手的位置；在通过LM测量手的方向之后，人手坐标系中的加速度可以转换为世界坐标中的加速度。在转换过程中，KF用于估计每个粒子的方向，位置和速度。
S3、用改进的粒子滤波(IPF)来估计手的方位与姿态；步骤S3改进了粒子滤波(IPF)，以提高方向估计的准确性，使其在动态情况下可用。IPF的参数包括手的角速度和方向。利用IPF算法，可以用有限数量的状态样本近似地计算后验，其权重被归一化。因为单位四元数用于表示方向。
利用改进的IPF算法，通过状态样本计算后验，其权重被归一化；IPF的参数包括人手的角速度和方向；在粒子滤波中，状态样本指的是在状态空间中随机选取的若干样本；
LM对人手的方向进行检测，包括横滚角、俯仰角和偏航角；横滚角、俯仰角和偏航角分别表示绕x，y和z轴的旋转角度，根据欧拉定理，从欧拉角到四元数的转换表示为：
Figure RE-GDA0002367155140000061
其中四元数分量q0,q1,q2,q3满足以下关系:
Figure RE-GDA0002367155140000062
通过测量和角速度计算得出的四元数是IPF的参数
Figure RE-GDA0002367155140000063
其中
Figure RE-GDA0002367155140000064
代表在时间点tk，IPF估计的第i个粒子的状态；
由于方向是由单位四元数表示的，因此在每个粒子方向上，四个状态分量满足以下条件：
Figure RE-GDA0002367155140000065
其中
Figure RE-GDA0002367155140000066
和
Figure RE-GDA0002367155140000067
表示在时间点tk组成单元四元数的四个分量，由于获得跟踪的角速度数据，因此在时间点tk+1，通过以下方法计算每个粒子的四元数分量：
Figure RE-GDA0002367155140000068
其中t表示采样时间，ωx,k、ωy,k和ωz,k分别表示绕x、y和z轴的角速度分量
S4、采用均值滤波器(MF)来平滑笛卡尔平台的运动轨迹；由于一个LM的工作区具有锥角、高度和底部半径分别为89.5°、550毫米和50毫米的锥形区域。在这个有限的工作空间中,操作员的手在控制机械臂时很容易离开LM的有效范围。如果失去了手的跟踪,操作员应该反复重置他或她的手,这是耗时的。为解决这一问题,提出了一种采用笛卡尔平台的方法。LM是固定在笛卡尔平台的最终效应器,并与它一起移动。为解决工作空间的局限性, 提出了一种可在三维空间中移动的笛卡尔平台。笛卡尔平台的运动范围是一个长方体,长度为650毫米,宽度为650毫米,高度为550毫米。由于在笛卡尔平台的末端效应器上附着的 LM可以放置在运动空间的任何位置,它的可探测区域得到扩展。
以上所述，仅为本发明较佳的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都属于本发明的保护范围。

Claims (7)

1.一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法，其特征在于，包括以下步骤：
S1、利用固定在笛卡尔平台上的体感控制器(Leap Motion)获取人手的位置、角速度、加速度和朝向；
S2、采用区间卡尔曼滤波(IKF)估计人手的位置；
S3、用改进的粒子滤波(IPF)估计人手的方向；
S4、采用均值滤波器(MF)平滑笛卡尔平台的运动轨迹。
2.根据权利要求1所述的一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法，其特征在于，笛卡尔平台的运动范围是一个长方体；笛卡尔平台能够在三维空间中移动。
3.根据权利要求1所述的一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法，其特征在于，步骤S1使用Leap Motion获取人手的位置、角速度、加速度和朝向，具体是在人-机器人界面中,通过改变人手的位置和方向,利用人手手掌来控制机械臂的末端效应器；人手的坐标和朝向对机械臂末端执行器的坐标和朝向进行映射，从而使机器人机械臂产生相应的三维运动。
4.根据权利要求3所述的一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法，其特征在于，所述机械臂的坐标主要由LM坐标系和人手坐标系组成；LM坐标系和人手坐标系之间的转换是用横滚角、俯仰角和偏航角三种角度方向进行坐标转换；LM坐标系为右笛卡尔坐标系，并且坐标系的原点与LM本身的中心重合，LM坐标系的YL轴垂直于设备所在的水平面，而LM坐标系的XL轴和ZL轴均位于水平面上，ZL轴平行于设备的短边，而XL轴平行于设备的长边；人手坐标系定义为：ZH轴垂直于手掌平面，指向手背，YH轴与从掌心到中指的直线共线，XH轴垂直于ZH轴与YH轴所在的平面；
利用机械臂的坐标获得出机械臂的位置、方向、速度和角速度；人手手掌的位置和方向从LM测量的数据中获取得到。
5.根据权利要求4所述的一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法，其特征在于，LM是放置在笛卡尔平台的最终效应器,并与笛卡尔平台一起移动。
6.根据权利要求1所述的一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法，其特征在于，步骤S2在通过LM测量人手的方向之后，人手坐标系中的位置、速度和加速度转换为世界坐标中的位置、速度和加速度；在转换过程中，用IKF估计人手的位置、速度和加速度。
7.根据权利要求1所述的一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法，其特征在于，步骤S3利用改进的粒子滤波，通过对状态样本计算后验，其权重被归一化；IPF的参数包括人手的角速度和方向；在粒子滤波中，状态样本指的是在状态空间中随机选取的若干样本；
LM对人手的方向进行检测，包括横滚角、俯仰角和偏航角；横滚角、俯仰角和偏航角分别表示绕x、y和z轴的旋转角度，根据欧拉定理，从欧拉角到四元数的转换表示为：
Figure FDA0002218795770000021
其中四元数分量q0,q1,q2,q3满足以下关系:
Figure FDA0002218795770000022
通过测量和角速度计算得出的四元数是IPF的参数
Figure FDA0002218795770000023
其中
Figure FDA0002218795770000024
代表在时间点tk，IPF估计的第i个粒子的状态；
由于方向是由单位四元数表示的，因此在每个粒子方向上，四个状态分量满足以下条件：
Figure FDA0002218795770000025
其中
Figure FDA0002218795770000026
和
Figure FDA0002218795770000027
表示在时间点tk组成单元四元数的四个分量，由于获得跟踪的角速度数据，因此在时间点tk+1，通过以下方法计算每个粒子的四元数分量：
Figure FDA0002218795770000028
其中t表示采样时间，ωx,k、ωy,k和ωz,k分别表示绕x、y和z轴的角速度分量。
CN201910925465.0A 2019-09-27 2019-09-27 一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法 Pending CN110877335A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910925465.0A CN110877335A (zh) 2019-09-27 2019-09-27 一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910925465.0A CN110877335A (zh) 2019-09-27 2019-09-27 一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法

Publications (1)

Publication Number Publication Date
CN110877335A true CN110877335A (zh) 2020-03-13

Family

ID=69727885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910925465.0A Pending CN110877335A (zh) 2019-09-27 2019-09-27 一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法

Country Status (1)

Country Link
CN (1) CN110877335A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113180738A (zh) * 2021-05-25 2021-07-30 山东大学 一种用于远程心脏超声的虚拟探头及诊疗系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0869449A (ja) * 1994-08-26 1996-03-12 Matsushita Electric Works Ltd ３次元物体の体感シミュレーション装置
US20030076293A1 (en) * 2000-03-13 2003-04-24 Hans Mattsson Gesture recognition system
CN105094373A (zh) * 2015-07-30 2015-11-25 深圳汇达高科科技有限公司 操作工业机器人的手势采集装置和相应手势采集方法
CN106020494A (zh) * 2016-06-20 2016-10-12 华南理工大学 基于移动跟踪的三维手势识别方法
CN107478223A (zh) * 2016-06-08 2017-12-15 南京理工大学 一种基于四元数和卡尔曼滤波的人体姿态解算方法
CN109395375A (zh) * 2018-09-18 2019-03-01 华南理工大学 一种基于增强现实与移动交互的三维游戏接口设计方法
CN109968310A (zh) * 2019-04-12 2019-07-05 重庆渝博创智能装备研究院有限公司 一种机械臂交互控制方法及系统
CN110146077A (zh) * 2019-06-21 2019-08-20 台州知通科技有限公司 移动机器人姿态角解算方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0869449A (ja) * 1994-08-26 1996-03-12 Matsushita Electric Works Ltd ３次元物体の体感シミュレーション装置
US20030076293A1 (en) * 2000-03-13 2003-04-24 Hans Mattsson Gesture recognition system
CN105094373A (zh) * 2015-07-30 2015-11-25 深圳汇达高科科技有限公司 操作工业机器人的手势采集装置和相应手势采集方法
CN107478223A (zh) * 2016-06-08 2017-12-15 南京理工大学 一种基于四元数和卡尔曼滤波的人体姿态解算方法
CN106020494A (zh) * 2016-06-20 2016-10-12 华南理工大学 基于移动跟踪的三维手势识别方法
CN109395375A (zh) * 2018-09-18 2019-03-01 华南理工大学 一种基于增强现实与移动交互的三维游戏接口设计方法
CN109968310A (zh) * 2019-04-12 2019-07-05 重庆渝博创智能装备研究院有限公司 一种机械臂交互控制方法及系统
CN110146077A (zh) * 2019-06-21 2019-08-20 台州知通科技有限公司 移动机器人姿态角解算方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113180738A (zh) * 2021-05-25 2021-07-30 山东大学 一种用于远程心脏超声的虚拟探头及诊疗系统

Similar Documents

Publication Publication Date Title
Wilson et al. Formulation of a new gradient descent MARG orientation algorithm: Case study on robot teleoperation
US10919152B1 (en) Teleoperating of robots with tasks by mapping to human operator pose
JP5982542B2 (ja) 低侵襲外科システムにおいて手の存在を検出するための方法およびシステム
CN103112007B (zh) 基于混合传感器的人机交互方法
Diftler et al. Evolution of the NASA/DARPA robonaut control system
Fang et al. A robotic hand-arm teleoperation system using human arm/hand with a novel data glove
KR101789064B1 (ko) 원격조종 최소 침습 종속 수술 기구의 손 제어를 위한 방법 및 시스템
Santaera et al. Low-cost, fast and accurate reconstruction of robotic and human postures via IMU measurements
Fang et al. A novel data glove using inertial and magnetic sensors for motion capture and robotic arm-hand teleoperation
JP2015107377A (ja) 低侵襲外科システムにおいて使用するマスターフィンガー追跡デバイスおよびその方法
KR20130027006A (ko) 최소 침습 수술 시스템에서 손 제스처 제어를 위한 방법 및 장치
Xu et al. Development of a hybrid motion capture method using MYO armband with application to teleoperation
EP3862148A1 (en) Information processing device, control method, and program
Dwivedi et al. Combining electromyography and fiducial marker based tracking for intuitive telemanipulation with a robot arm hand system
Mohammadi et al. Fingertip force estimation via inertial and magnetic sensors in deformable object manipulation
Chen et al. A human–robot interface for mobile manipulator
Parga et al. Tele-manipulation of robot arm with smartphone
Hendrich et al. Multi-sensor based segmentation of human manipulation tasks
CN110877335A (zh) 一种基于混合滤波器自适应无标记机械臂轨迹跟踪方法
KR20120048106A (ko) 로봇의 동작 제어 시스템 및 동작 제어 방법
Hoffmann et al. Automatic calibration of a motion capture system based on inertial sensors for tele-manipulation
Sharma et al. Design and implementation of robotic hand control using gesture recognition
JP2003062775A (ja) 人間型ハンドロボット用教示システム
KR101824442B1 (ko) 최소 침습 수술 시스템에서 손 존재 검출을 위한 방법 및 시스템
Fadhilah et al. Wearable Control Using Feedforward Neural Networks has Been used to Control the Manipulator Arm of Field and Service Robots

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200313