CN112274392B - 一种非接触主被动混合式的助行机器人及控制方法 - Google Patents
一种非接触主被动混合式的助行机器人及控制方法 Download PDFInfo
- Publication number
- CN112274392B CN112274392B CN202011095928.4A CN202011095928A CN112274392B CN 112274392 B CN112274392 B CN 112274392B CN 202011095928 A CN202011095928 A CN 202011095928A CN 112274392 B CN112274392 B CN 112274392B
- Authority
- CN
- China
- Prior art keywords
- robot
- walking
- particles
- coordinates
- weight
- 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 46
- 238000012549 training Methods 0.000 claims abstract description 64
- 239000002245 particle Substances 0.000 claims description 90
- 230000005021 gait Effects 0.000 claims description 44
- 210000002303 tibia Anatomy 0.000 claims description 27
- 210000002414 leg Anatomy 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 206010017577 Gait disturbance Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 210000003141 lower extremity Anatomy 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000003760 hair shine Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000001930 leg bone Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H3/00—Appliances for aiding patients or disabled persons to walk about
- A61H3/04—Wheeled walking aids for patients or disabled persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H3/00—Appliances for aiding patients or disabled persons to walk about
- A61H3/008—Appliances for aiding patients or disabled persons to walk about using suspension devices for supporting the body in an upright walking or standing position, e.g. harnesses
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2205/00—Devices for specific parts of the body
- A61H2205/10—Leg
Landscapes
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Rehabilitation Therapy (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pain & Pain Management (AREA)
- Epidemiology (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明公开了一种非接触主被动混合式的助行机器人及控制方法，包括一对侧向非接触式移动底盘，所述侧向非接触式移动底盘间通过连接板相固定，所述左侧非接触底盘和连接板上共设有四个八通道近距离传感器，每个传感器上设有八个支架，且每个支架上设有单通道激光测距PCB通过电信号连接。本发明实现对使用者非接触条件下的步行速度意图识别，在减小识别滞后性的同时提高步行速度识别精度。将本发明应用于带有全方向移动底盘的步行康复训练机器人中，实现在不改变机器人姿态的情况下沿任意方向移动与旋转，且无需转弯半径，为室内狭小空间场景下非接触式主动训练与被动训练融合式地全方向步行康复训练提供了解决方案。
Description
技术领域
本发明涉及肢体康复技术领域，具体为一种适用于老年人、残疾人等下肢行动不便者在室内狭小空间下，完成主被动融合式步行康复训练的器械及其控制方法。
背景技术
针对运动功能缺失的人群，步行康复训练帮助患者进行运动再学习和步态重建从而改善步行能力或者恢复步行能力。目前，步行康复训练的主要方式为：人工康复训练、吊重式康复训练、外骨骼式康复训练。有以下不足：
人工康复训练依靠医疗训练师对患者进行运动恢复训练，这种训练方式不仅加重训练师工作负担，效率低下，并且比较单一，不能充分挖掘人体进行康复运动的自主性。
吊重式康复训练利用悬挂式的体重支撑系统来减轻患者体重对腿部骨骼和肌肉的压力，保持患者的直立姿态进行步态训练。但是穿戴设备的过程繁琐，并且机械结构较大导致其应用场景受限。
外骨骼式康复训练利用外部携带的腿部辅助训练机构，使患者能够按照康复机器人模拟的正常行走步态模型进行步行康复训练。但它的缺点在于2点：患者需要具备一定的行走能力，这种训练方式不适用于行走能力较弱的用户；外骨骼所有的力最终反馈到腰部，并不适用于腰部有问题的使用者。
目前国内缺少非接触式主被动混合式控制方法，还未实现非接触式、应用于狭小空间、用户群体种类繁多的功能。本发明提出一种非接触的主被动混合式的控制方法，可提供多种方式来辅助步行康复训练，并为用户带来更舒适、更方便的康复训练。
发明内容
本发明的目的在于提供了一种非接触主被动混合式的助行机器人及控制方法，以实现老年人、残疾人等下肢行动不便者在室内狭小空间下，完成主被动融合式步行康复训练。
为实现上述目的，本发明提供如下技术方案：一种非接触主被动混合式的助行机器人，包包括一对侧向非接触底盘，所述一对侧向非接触底盘间通过连接板相固定，左侧所述侧向非接触底盘和连接板上设有八通道近距离传感器，所述八通道近距离传感器上设有支架，且支架上设有单通道激光测距PCB，且单通道激光测距PCB与八通道近距离传感器电信号连接。
优选的，左侧所述侧向非接触底盘和连接板上均设有两个八通道近距离传感器。
本发明还提供一种非接触主被动混合式的助行机器人的控制方法，包括以下步骤(一)根据使用者使用诉求，选择主动康复训练模式或被动康复训练模式；
(二)训练模式设定；当选择被动康复训练模式，结合使用者步行能力设定机器人运动速度，最终确保使用者跟随机器人的运动速度进行被动步行康复训练；当选择主动康复训练模式，基于多通道近距离传感器安装方式建立二维平面直角坐标系；
(三)结合建立的二维平面直角坐标系，通过多通道近距离传感器扫描人体步行时胫骨二维平面信息，得到连续步态的左右胫骨距离机器人移动底盘前侧与右侧距离信息，并将该距离数据转化为平面直角坐标；
(四)结合连续步态下双腿胫骨的动态坐标，将小于腿部轮廓阈值的坐标分类到同一个簇中，得到两条腿部圆弧状轮廓簇；
(五)提取圆弧状轮廓簇数据特征，计算其所处圆心坐标和半径，设定该圆心坐标为当前左右双腿胫骨的近似坐标；
(六)计算左右胫骨坐标的平均值，并设定该值为使用者连续步态下躯干的动态坐标；
(七)基于改进粒子滤波算法对人体躯干动态坐标进行权重更新与状态估计过程，从而计算下一时刻躯干坐标；
(八)建立基于步态运动意图的机器人随动控制方法；根据下一时刻躯干坐标求出该步态下躯干坐标的位移，定义该值为步行状态下机器人的驱动速度，基于该驱动速度建立机器人运动PD控制器；
(九)结合建立的机器人运动PD控制器，驱动助行机器人进行主动步行康复训练或结合步骤(二)进行被动步行康复训练。
优选的，在上述步骤(七)中通过提出改进粒子滤波算法，预测下一时刻坐标；主要步骤包括粒子初始化、状态转移、相似性计算、权重更新和状态估计循化过程；其计算步骤如下：
(七一)在初始时刻，连续步态数据作为t时刻使用者身体位置的有效识别点，是一组数量为n的样本,该数据是由平面坐标以及权重所组成的粒子；
其中，
是双腿步态位置有效识别点的坐标，
是该坐标点对应权重，i表示t时刻第i个粒子；
该给定向量
定义为过程状态向量Xt；
(七二)通过上一步由平面坐标和权重组成的粒子，设置n个随机粒子s(i)(1≤i≤n)表示人体的初始位置；式中初始时刻平面坐标向量
满足方差向量
且均值向量为μ0的高斯分布，其权重值为大小相等的常数；
(七三)结合(七一)和(七二)设置的n个随机粒子，建立系统的时域模型，即运动过程数学模型如下：
t时刻使用者的运动状态仅与上一时刻状态及随机噪声有关；
是上一时刻的随机噪声；
是基于t-1时刻计算的t时刻身体位置坐标；
是t-1时刻身体位置坐标；
(七四)结合t时刻位置(七三)计算出的下一时刻的随机位置进行后验概率计算，后验概率计算公式如下：
σs表示位置误差允许范围内的标准偏差；Di表示粒子i的状态估测值与观测值之间的欧几里得距离：
(七五)根据(七四)计算出的t时刻的后验概率和t-1时刻权值
计算t时刻权值并归一化
归一化权值为
归一化的权值按权值大小矩阵排序，用过选定阈值将其分为高权值矩阵以及低权值矩阵，矩阵中拥有高权值的q个大权值粒子缩小一半，并替换低权值矩阵中末尾权值最小的等量粒子；
(七六)归一化后的权重经过BP神经网络调节，定义BP神经网络的误差能量函数为
其中q代表输入与输出神经元的数量，yk代表神经网络的输出，m则表示的是测量值，输入mk是低权值矩阵中的粒子，网络的初始权值设为粒子的权值，更新后的粒子重新进行归一化；
(七七)根据上一步更新后的粒子，比较粒子数
与预设阈值Nthres判断重采样的执行；当粒子数小于预设阈值时，重采样并把
映射为等权的
否则，进行状态估计；
(七八)当粒子数
大于等于预设阈值Nthres时，进行状态估计，重采样的粒子对使用者身体所在位置进行预测，其计算方法为：
该位置为使用者下一时刻位置。
与现有技术相比，本发明的有益效果是：本发明提出一种非接触式的、自然的、简洁的步行康复训练交互方法，该方法无需刻意操纵机器人，提高了交互的柔顺性与安全性。同时，该方法可以结合使用者的运动能力与身体条件，自主选择主动步行康复训练模式、被动步行康复训练模式与步态训练速度。本发明实现对使用者非接触条件下的步行速度意图识别，在减小识别滞后性的同时提高步行速度识别精度。将本发明应用于带有全方向移动底盘的助行机器人中，实现在不改变机器人姿态的情况下沿任意方向移动与旋转，且无需转弯半径，为室内狭小空间场景下的步行康复训练提供了解决方案。
附图说明
图1为本发明非接触主被动混合式的助行机器人控制方法系统框图。
图2为本发明非接触主被动混合式的助行机器人移动底盘示意图。
图3为本发明非接触主被动混合式的助行机器人近距离传感器排布示意图。
图4为本发明非接触主被动混合式的助行机器人八通道近距离传感器结构图。
图5为本发明非接触主被动混合式的助行机器人单通道激光测距PCB示意图。
图6为本发明非接触主被动混合式的助行机器人的正常步态和异常步态下的助行机器人与使用者双腿之间的相对距离数据图。
1、侧向非接触底盘；2、连接板；3、八通道近距离传感器；4、支架；5、单通道激光测距PCB。
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做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1-6，本发明提供一种技术方案：一种非接触主被动混合式的助行机器人，包括一对侧向非接触底盘1，一对侧向非接触底盘1间通过连接板2相固定，左侧侧向非接触底盘1和连接板2上设有八通道近距离传感器3，八通道近距离传感器3上设有支架4，且支架4上设有单通道激光测距PCB5，且单通道激光测距PCB5与八通道近距离传感器3电信号连接。
左侧侧向非接触底盘1和连接板2上均设有两个八通道近距离传感器3，且每个八通道近距离传感器3上设有8个单通道激光测距PCB5。
本发明还提供一种非接触主被动混合式的助行机器人的控制方法，包括以下步骤：
(一)根据使用者使用诉求，选择主动康复训练模式或被动康复训练模式；
(二)训练模式设定；当选择被动康复训练模式，结合使用者步行能力设定机器人运动速度，最终确保使用者跟随机器人的运动速度进行被动步行康复训练；当选择主动康复训练模式，基于多通道近距离传感器安装方式建立二维平面直角坐标系；
(三)结合建立的二维平面直角坐标系，通过多通道近距离传感器扫描人体步行时胫骨二维平面信息，得到连续步态的左右胫骨距离机器人移动底盘前侧与右侧距离信息，并将该距离数据转化为平面直角坐标；
(四)结合连续步态下双腿胫骨的动态坐标，将小于腿部轮廓阈值的坐标分类到同一个簇中，得到两条腿部圆弧状轮廓簇；
(五)提取圆弧状轮廓簇数据特征，计算其所处圆心坐标和半径，设定该圆心坐标为当前左右双腿胫骨的近似坐标；
(六)计算左右胫骨坐标的平均值，并设定该值为使用者连续步态下躯干的动态坐标；
(七)基于改进粒子滤波算法对人体躯干动态坐标进行权重更新与状态估计过程，从而计算下一时刻躯干坐标；
(八)建立基于步态运动意图的机器人随动控制方法；根据下一时刻躯干坐标求出该步态下躯干坐标的位移，定义该值为步行状态下机器人的驱动速度，基于该驱动速度建立机器人运动PD控制器；
(九)结合建立的机器人运动PD控制器，驱动助行机器人进行主动步行康复训练或结合步骤(二)进行被动步行康复训练。
在上述步骤(七)中通过提出改进粒子滤波算法，预测下一时刻坐标；主要步骤包括粒子初始化、状态转移、相似性计算、权重更新和状态估计循化过程；其计算步骤如下：
(七一)在初始时刻，连续步态数据作为t时刻使用者身体位置的有效识别点，是一组数量为n的样本,该数据是由平面坐标以及权重所组成的粒子；
其中，
是双腿步态位置有效识别点的坐标，
是该坐标点对应权重，i表示t时刻第i个粒子；
该给定向量
定义为过程状态向量Xt；
(七二)通过上一步由平面坐标和权重组成的粒子，设置n个随机粒子s(i)(1≤i≤n)表示人体的初始位置；式中初始时刻平面坐标向量
满足方差向量
且均值向量为μ0的高斯分布，其权重值为大小相等的常数；
(七三)结合(七一)和(七二)设置的n个随机粒子，建立系统的时域模型，即运动过程数学模型如下：
t时刻使用者的运动状态仅与上一时刻状态及随机噪声有关；
是上一时刻的随机噪声；
是基于t-1时刻计算的t时刻身体位置坐标；
是t-1时刻身体位置坐标；
(七四)结合t时刻位置(七三)计算出的下一时刻的随机位置进行后验概率计算，后验概率计算公式如下：
σs表示位置误差允许范围内的标准偏差；Di表示粒子i的状态估测值与观测值之间的欧几里得距离：
(七五)根据(七四)计算出的t时刻的后验概率和t-1时刻权值
计算t时刻权值并归一化
归一化权值为
归一化的权值按权值大小矩阵排序，用过选定阈值将其分为高权值矩阵以及低权值矩阵，矩阵中拥有高权值的q个大权值粒子缩小一半，并替换低权值矩阵中末尾权值最小的等量粒子；
(七六)归一化后的权重经过BP神经网络调节，定义BP神经网络的误差能量函数为
其中q代表输入与输出神经元的数量，yk代表神经网络的输出，m则表示的是测量值，输入mk是低权值矩阵中的粒子，网络的初始权值设为粒子的权值，更新后的粒子重新进行归一化；
(七七)根据上一步更新后的粒子，比较粒子数
与预设阈值Nthres判断重采样的执行；当粒子数小于预设阈值时，重采样并把
映射为等权的
否则，进行状态估计；
(七八)当粒子数
大于等于预设阈值Nthres时，进行状态估计，重采样的粒子对使用者身体所在位置进行预测，其计算方法为：
该位置为使用者下一时刻位置。
具体的实施例如下，步骤一：将四个多通道近距离传感器分为两组，分别安置在左侧侧向非接触底盘1与连接板2，以测量左右胫骨前后摆动的距离和胫骨左右摆动的距离。传感器安装高度为机器人移动底盘距离地面25厘米处。设置各近距离传感器与顶层处理器进行IIC通信，通信频率为30毫秒。
步骤二：助行机器人移动底盘和顶层处理器采用RS-232通信方式，设定波特率为9600bps，通信频率为100毫秒。设定500毫秒以上机器没有接收到从顶层处理器发送的数据，移动地盘电机将停机。
步骤三：训练模式设定。当选择被动康复训练模式，结合使用者步行能力设定机器人运动速度，最终确保使用者跟随机器人的运动速度进行被动步行康复训练；当选择主动康复训练模式，机器人根据使用者步态速度进行随动，最终实现主动步行康复训练。
步骤四：根据多通道近距离传感器安装方式建立二维平面直角坐标系。
步骤五：结合建立的二维平面直角坐标系，通过多通道近距离传感器扫描人体步行时胫骨二维平面信息，得到连续步态的左右胫骨距离机器人移动底盘前侧与左侧距离信息，并将该距离数据转化为平面直角坐标。
步骤六：结合连续步态下双腿胫骨的动态坐标，将小于腿部轮廓阈值的坐标分类到同一个簇中，得到两条腿部圆弧状轮廓簇。
步骤七：根据轮廓簇数据点坐标计算轮廓圆圆心，即轮廓圆弧上任意三点之间连线线段的中心垂直线段的交点。设定圆上任意三点坐标分别为P1(x1,y1),P2(x2,y2),P3(x3,y3),其圆心坐标为：
两条垂线可表示为：
ya＝ma(x-x1)+y1，
yb＝mb(x-x2)+y2，
其中ma，mb为两个切线的斜率。半径rO为：
由于人腿直径一般在0.1m至0.2m之间，使用者与机器人交互过程中和多通道近距离传感器距离应在50mm～600mm之间。设定该范围为圆弧约束条件。当圆弧直径满足该约束条件，则该轮廓为双腿胫骨。
步骤八：计算左右胫骨中心坐标的平均值，并设定该值为使用者连续步态下躯干的动态坐标。
步骤九：基于改进粒子滤波算法对人体躯干动态坐标进行权重更新与状态估计过程，从而计算下一时刻躯干坐标。主要步骤包括粒子初始化、状态转移、相似性计算、权重更新和状态估计循化过程。其计算步骤如下：
1)在计算过程中，通过阵列传感器采集的运动数据是连续的样本。在初始时刻，连续步态数据作为t时刻使用者身体位置的有效识别点，是一组数量为n的样本，该数据是由平面坐标以及权重所组成的粒子。粒子数学模型如下：
其中，
是t时刻身体位置有效识别点的坐标，
是该坐标点相对应的权重，i表示t时刻第i个粒子。
该给定向量
定义为过程状态向量Xt。
2)通过上一步由平面坐标和权重组成的粒子，设置n个随机粒子s(i)(1≤i≤n)表示人体的初始位置。上式中的初始时刻平面坐标向量
的抽样满足方差向量为
且均值向量为μ0的高斯分布，并且，其权重值为大小相等的常数。
3)结合1)和2)计算的n个随机粒子s(i)，建立系统的时域模型，根据t-1时刻求出t时刻随机生成粒子的坐标，下肢运动的过程数学模型如下：
t时刻使用者的运动状态仅与上一时刻状态及过程随机噪声有关。
是t-1时刻的过程随机噪声。
是基于t-1时刻计算的t时刻身体位置坐标，共有n个，呈随机分布。
是t-1时刻身体位置坐标。
4)结合t时刻位置和计算出的下一时刻的随机粒子位置进行后验概率计算，得到第i个粒子的后验概率。后验概率计算公式如下：
σs表示位置误差允许范围内的标准偏差。Di表示粒子i的状态估测值与观测值之间的欧几里得距离。
5)根据未更新的t-1时刻权值
和上一步得到的t时刻的第i个粒子的后验概率，计算t时刻权值并归一化。权值更新公式为：
归一化权值公式和约束方程为
归一化的权值按权值大小矩阵排序，用过选定阈值将其分为高权值矩阵以及低权值矩阵，矩阵中拥有高权值的q个大权值粒子缩小一半，并替换低权值矩阵中末尾权值最小的等量粒子，保证粒子更新泛化性和有效性。
6)为避免权值陷入局部最优点，调节权重。定义误差能量函数为：
其中q代表输入与输出元数量，yk代表网络的输出，m则表示的是测量值，输入mk是低权值矩阵中的粒子，初始权值设为粒子的权值，更新后的粒子重新进行归一化。
7)根据上一步更新后的粒子，比较粒子数
与预设阈值Nthres判断重采样的执行。当粒子数小于预设阈值Nthres时，重采样并把粒子
映射为等权的粒子
否则，进行状态估计。
8)当粒子数
大于等于预设阈值Nthres时，进行状态估计，重采样的粒子对使用者身体所在位置进行估计与预测。预测方程为：
步骤十：建立基于步态运动意图的机器人随动控制方法。根据下一时刻躯干坐标求出该步态下躯干坐标的位移，定义该值为步行状态下机器人的驱动速度，基于该驱动速度建立机器人运动PID控制器。
步骤十一：结合建立的机器人运动PID控制器，驱动助行机器人进行主动步行康复训练或结合步骤五进行被动步行康复训练。
步行康复训练验证：
以助行机器人采用非接触主动控制方法为例，验证该交互方法对于识别人体步态意图的准确性与交互柔顺性。在室内环境下分别对健康测试者的正常步态与行动不便测试者的异常步态进行十次实验，其平均值结果对比如表1所示。传统粒子滤波算法识别步态最大预测速度误差0.068m/s，平均预测速度误差是0.047m/s。改进粒子滤波算法是被步态最大预测误差是0.032m/s，平均预测速度误差是0.024m/s。为了整体对比两种识别算法的识别准确率，选取|Δv|≤0.15m/s作为衡量方法计算准确率的阈值。改进粒子滤波算法的识别准确率为93.28％，传统粒子滤波算法识别准确率为84.73％。因此，本方法有效提高使用者步态识别准确性。
表1传统粒子滤波算法与改进粒子滤波算法计算结果对比
图6所示为正常步态和异常步态下，助行机器人与使用者双腿之间的相对距离数据，在整个计算过程中排除了启动时间和结束时间的数据。图6(a)为助行机器人辅助的正常步态，机器人有效地跟随测试者的步态意图进行随动。图6(b)为助行机器人辅助的异常步态，行动不便测试者的左腿在约束步态上比右腿更接近机器人，这是一种根据测试者的行走习惯有效且容易支撑体重的方法。该方法能准确识别步态速度与频率，为基于用户主观意愿的步行速度随动控制提供了理论依据，基于该方法的康复训练机器人可以有效地跟上使用者的步行速度，最终在室内狭小空间下实现主动步行康复训练与被动步行康复训练。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种非接触主被动混合式的助行机器人，其特征在于：包括一对侧向非接触底盘(1)，所述一对侧向非接触底盘(1)间通过连接板(2)相固定，左侧所述侧向非接触底盘(1)和连接板(2)上设有八通道近距离传感器(3)，所述八通道近距离传感器(3)上设有支架(4)，且支架(4)上设有单通道激光测距PCB(5)，且单通道激光测距PCB(5)与八通道近距离传感器(3)电信号连接；
所述的非接触主被动混合式的助行机器人的控制方法，其特征在于：
包括以下步骤(一)根据使用者使用诉求，选择主动康复训练模式或被动康复训练模式；
(二)训练模式设定；当选择被动康复训练模式，结合使用者步行能力设定机器人运动速度，最终确保使用者跟随机器人的运动速度进行被动步行康复训练；当选择主动康复训练模式，基于多通道近距离传感器安装方式建立二维平面直角坐标系；
(三)结合建立的二维平面直角坐标系，通过多通道近距离传感器扫描人体步行时胫骨二维平面信息，得到连续步态的左右胫骨距离机器人移动底盘前侧与右侧距离信息，并将该距离数据转化为平面直角坐标；
(四)结合连续步态下双腿胫骨的动态坐标，将小于腿部轮廓阈值的坐标分类到同一个簇中，得到两条腿部圆弧状轮廓簇；
(五)提取圆弧状轮廓簇数据特征，计算其所处圆心坐标和半径，设定该圆心坐标为当前左右双腿胫骨的近似坐标；
(六)计算左右胫骨坐标的平均值，并设定该值为使用者连续步态下躯干的动态坐标；
(七)基于改进粒子滤波算法对人体躯干动态坐标进行权重更新与状态估计过程，从而计算下一时刻躯干坐标；
(八)建立基于步态运动意图的机器人随动控制方法；根据下一时刻躯干坐标求出该步态下躯干坐标的位移，定义该值为步行状态下机器人的驱动速度，基于该驱动速度建立机器人运动PD控制器；
(九)结合建立的机器人运动PD控制器，驱动助行机器人进行主动步行康复训练或结合步骤(二)进行被动步行康复训练；
在上述步骤(七)中通过提出改进粒子滤波算法，预测下一时刻坐标；主要步骤包括粒子初始化、状态转移、相似性计算、权重更新和状态估计循化过程；其计算步骤如下：
(七一)在初始时刻，连续步态数据作为t时刻使用者身体位置的有效识别点，是一组数量为n的样本,该数据是由平面坐标以及权重所组成的粒子；
其中，
是双腿步态位置有效识别点的坐标，
是该坐标点对应权重，i表示t时刻第i个粒子；
给定向量
定义为过程状态向量Xt；
(七二)通过上一步由平面坐标和权重组成的粒子，设置n个随机粒子s(i)(1≤i≤n)表示人体的初始位置；式中初始时刻平面坐标向量
满足方差向量
且均值向量为μ0的高斯分布，其权重值为大小相等的常数；
(七三)结合(七一)和(七二)设置的n个随机粒子，建立系统的时域模型，即运动过程数学模型如下：
t时刻使用者的运动状态仅与上一时刻状态及随机噪声有关；
是上一时刻的随机噪声；
是基于t-1时刻计算的t时刻身体位置坐标；
是t-1时刻身体位置坐标；
(七四)结合t时刻位置(七三)计算出的下一时刻的随机位置进行后验概率计算，后验概率计算公式如下：
σs表示位置误差允许范围内的标准偏差；Di表示粒子i的状态估测值与观测值之间的欧几里得距离：
(七五)根据(七四)计算出的t时刻的后验概率和t-1时刻权值
计算t时刻权值并归一化
归一化权值为
归一化的权值按权值大小矩阵排序，用过选定阈值将其分为高权值矩阵以及低权值矩阵，矩阵中拥有高权值的q个大权值粒子缩小一半，并替换低权值矩阵中末尾权值最小的等量粒子；
(七六)归一化后的权重经过BP神经网络调节，定义BP神经网络的误差能量函数为
其中q代表输入与输出神经元的数量，yk代表神经网络的输出，m则表示的是测量值，输入mk是低权值矩阵中的粒子，网络的初始权值设为粒子的权值，更新后的粒子重新进行归一化；
(七七)根据上一步更新后的粒子，比较粒子数
与预设阈值Nthres判断重采样的执行；当粒子数小于预设阈值时，重采样并把
映射为等权的
否则，进行状态估计；
(七八)当粒子数
大于等于预设阈值Nthres时，进行状态估计，重采样的粒子对使用者身体所在位置进行预测，其计算方法为：
该位置为使用者下一时刻位置。
2.根据权利要求1所述的非接触主被动混合式的助行机器人，其特征在于：左侧所述侧向非接触底盘(1)和连接板(2)上均设有两个八通道近距离传感器(3)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011095928.4A CN112274392B (zh) | 2020-10-14 | 2020-10-14 | 一种非接触主被动混合式的助行机器人及控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011095928.4A CN112274392B (zh) | 2020-10-14 | 2020-10-14 | 一种非接触主被动混合式的助行机器人及控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112274392A CN112274392A (zh) | 2021-01-29 |
| CN112274392B true CN112274392B (zh) | 2022-08-19 |
Family
ID=74496726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011095928.4A Active CN112274392B (zh) | 2020-10-14 | 2020-10-14 | 一种非接触主被动混合式的助行机器人及控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112274392B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113059549B (zh) * | 2021-03-17 | 2022-04-26 | 深圳因特安全技术有限公司 | 一种消防救援可穿戴助力外骨骼机器人 |
| CN113110317B (zh) * | 2021-03-31 | 2024-04-26 | 沈阳工业大学 | 混杂模型工业过程约束鲁棒预测控制综合优化设计方法 |
| CN113288736B (zh) * | 2021-05-20 | 2023-04-28 | 沈阳工业大学 | 一种步行训练机器人行走意图识别方法 |
| CN113284601A (zh) * | 2021-06-10 | 2021-08-20 | 上海大学 | 一种基于激光步态检测的云平台管理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003047635A (ja) * | 2001-08-06 | 2003-02-18 | Kochi Univ Of Technology | 歩行訓練機 |
| CN106056050A (zh) * | 2016-05-23 | 2016-10-26 | 武汉盈力科技有限公司 | 一种基于自适应三维人体运动统计模型的多视角步态识别方法 |
| CN106618979A (zh) * | 2017-03-03 | 2017-05-10 | 杭州福祉医疗器械有限公司 | 步态康复机器人及用于步态康复机器人的控制方法 |
-
2020
- 2020-10-14 CN CN202011095928.4A patent/CN112274392B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003047635A (ja) * | 2001-08-06 | 2003-02-18 | Kochi Univ Of Technology | 歩行訓練機 |
| CN106056050A (zh) * | 2016-05-23 | 2016-10-26 | 武汉盈力科技有限公司 | 一种基于自适应三维人体运动统计模型的多视角步态识别方法 |
| CN106618979A (zh) * | 2017-03-03 | 2017-05-10 | 杭州福祉医疗器械有限公司 | 步态康复机器人及用于步态康复机器人的控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| Walking_Assist_Robot_A_Novel_Non-Contact_Abnormal_Gait_Recognition_Approach_Based_on_Extended_Set_Membership_Filter;赵东辉等;《IEEE Acess》;20190613;第76741-76753页 * |
| 基于节点迭代模糊Petri网的非接触异常步态识别方法;赵东辉等;《仪器仪表学报》;20190430;第40卷(第4期);第255-264页 * |
| 基于规则进化模糊系统的步行方向意图识别;赵东辉;《仪器仪表学报》;20171130;第28卷(第11期);第2615-2616页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112274392A (zh) | 2021-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112274392B (zh) | 一种非接触主被动混合式的助行机器人及控制方法 | |
| Kundu et al. | Hand gesture recognition based omnidirectional wheelchair control using IMU and EMG sensors | |
| Mou et al. | Context-aware assisted interactive robotic walker for Parkinson's disease patients | |
| Huang et al. | Posture estimation and human support using wearable sensors and walking-aid robot | |
| CN111631923A (zh) | 基于意图识别的外骨骼机器人的神经网络控制系统 | |
| US10667980B2 (en) | Motorized robotic walker guided by an image processing system for human walking assistance | |
| CN113143256B (zh) | 步态特征提取方法、下肢评估、控制方法、设备及介质 | |
| CN114099234B (zh) | 一种用于辅助康复训练的智能化康复机器人数据处理方法及系统 | |
| CN109498375B (zh) | 一种人体运动意图识别控制装置及控制方法 | |
| CN110652299B (zh) | 面向下肢软质外骨骼的多源传感信息融合系统 | |
| CN103064283A (zh) | 一种基于人体重心变化的自学习轮椅控制方法 | |
| Papageorgiou et al. | Experimental validation of human pathological gait analysis for an assisted living intelligent robotic walker | |
| KR20120042524A (ko) | 사용자 인식 기능을 가지는 보행 보조 장치 | |
| Wang et al. | A new directional-intent recognition method for walking training using an omnidirectional robot | |
| Ohnuma et al. | Development of JARoW-II active robotic walker reflecting pelvic movements while walking | |
| JP2023549838A (ja) | 児童の顔認識に基づく児童の座位姿勢検出の方法及びシステム | |
| Zheng et al. | A GMM-DTW-based locomotion mode recognition method in lower limb exoskeleton | |
| Analia et al. | Design of assistive torque for a lower limb exoskeleton based on motion prediction | |
| US20200323727A1 (en) | Powered Walking Assistant and Associated Systems and Methods | |
| Yan et al. | Laser and force sensors based human motion intent estimation algorithm for walking-aid robot | |
| WO2023035457A1 (zh) | 助行器的控制方法、系统和驱动设备 | |
| Chen et al. | Research on the human-following method, fall gesture recognition, and protection method for the walking-aid cane robot | |
| CN114529985A (zh) | 一种面向老年人日常复杂地形运动的意图识别方法 | |
| CN114344093B (zh) | 一种基于深度强化学习的下肢康复机器人随动控制方法 | |
| Chen et al. | A Novel CNN-BiLSTM Ensemble Model With Attention Mechanism for Sit-to-Stand Phase Identification Using Wearable Inertial Sensors |
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 |