CN113059549B - 一种消防救援可穿戴助力外骨骼机器人 - Google Patents

Abstract

本发明涉及一种消防救援可穿戴助力外骨骼机器人，包括腰部支撑板、右腿组件、左腿组件、消防装备适配接口和识别模块，所述的腰部支撑板的底部通过分支板分别与右腿组件和左腿组件连接；所述的消防装备适配接口安装在腰部支撑板上，该消防装备适配接口用于与消防设备的接口适配，承载消防救援人员的装备负重；所述的识别模块用于将步态状态转移概率与不同子类的基本状态的空间坐标位置相结合，得到受外界影响后的步态状态在运动空间中的位置。

Description

一种消防救援可穿戴助力外骨骼机器人

技术领域

本发明涉及消防救援器械技术领域，具体涉及一种消防救援可穿戴助力外骨骼机器人。

背景技术

近年来全球灾害频发，灾难现场诸多复杂情况制约了消防救援人员第一时间进行救助，使得常规的、靠人工操作的消防救援装备在毁坏严重、极其不稳定的场景中难以发挥作用，对救援人员自身生命安全构成严重威胁；救援现场往往造成大区域范围内的道路及建筑物严重毁坏，救援人员只能背负沉重的救援仪器设备徒步进入现场，使救援工作更加困难。因此，用于辅助救援的可穿戴外骨骼助力增强技术的研究变得至关重要。

人体生理承受极限目前已经成为制约消防员战斗力的主要因素。利用可穿戴外骨骼技术，辅助消防员增强肢体力量，能够大幅提升消防员的装备携带、楼梯攀爬、障碍破拆、安全保护等能力，减轻消防员体力消耗，增加连续作业时间，保障消防员与人民群众的生命财产安全。

针对城市大尺度火灾灾后灭火救援中消防人员的繁重体力作业任务与长时间体力耗损等问题，研制面向重特大救援抢险任务的消防外骨骼助力机器人，是一种集辅助助力和安全防护于一体的可穿戴式人体辅助智能装置，通过人与外骨骼的对接、融合与协同，打破生理极限，增强人体机能，可以在负重行进、楼梯攀爬、障碍破拆、人员抢救等不同应急救援场合发挥高效能的人体助力作用，大幅度减轻救援人员的体力消耗，提高抢险工作效率，增加连续作业时间。

现有技术中，外骨骼机器人主要应用于两方面，包括军事应用及民用应用。在军事方面以美国国防高级研究项目署、意大利国防部、法国武器装备总署等机构为代表开发出了一系列增强士兵能力的功能设备。在民用方面，主要针对工人劳动方面、救援救灾方面以及助老助残方面等，目前有很多产品已经完成了产业化，准备向市场进军。而相较于国外的发展势头，国内的起步就稍显缓慢，但是近几年也有相当多的高校、企业以及研究所投入到外骨骼机器人研究以及开发中。

但是现有技术缺少针对消防外骨骼作业任务而专门设计的可穿戴助力外骨骼机器人，无法满足消防救援复杂作业对于外骨骼机器人的安全性、灵活性、易用性等方面的要求。

发明内容

本发明旨在提供一种消防救援可穿戴助力外骨骼机器人，所要解决的技术问题包括如何针对消防外骨骼作业任务优化可穿戴助力外骨骼机器人的设计，提升消防救援人员火场作业的活动能力，满足消防救援复杂作业对于外骨骼机器人的安全性、灵活性、易用性等方面的要求。

本发明的目的是解决现有技术的不足，提供一种消防救援可穿戴助力外骨骼机器人，包括腰部支撑板、右腿组件、左腿组件、消防装备适配接口和识别模块，所述的腰部支撑板的底部通过分支板分别与右腿组件和左腿组件连接；所述的消防装备适配接口安装在腰部支撑板上，该消防装备适配接口用于与消防设备的接口适配，承载消防救援人员的装备负重；所述的识别模块用于采集所述右腿组件和左腿组件的步态信号，并将采集到的步态信号中的90％作为训练集，10％作为测试集，选择角度、压力或姿态作为特征向量来表示各种类步态信号特征，将所有的特征向量聚类形成不同的子类，采用不同子类对应的标签作为观测值对训练集进行参数训练，得到模型参数；利用测试集检测模型参数是否正确；如果模型参数不正确，则继续采集步态信号，并将采集的步态信号补入训练集再次进行参数训练，直到得到正确的模型参数；利用正确的模型参数对所述右腿组件和左腿组件的动作及步态进行识别；将步态状态转移概率与不同子类的基本状态的空间坐标位置相结合，得到受外界影响后的步态状态在运动空间中的位置。

所述的不同的子类包括平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运8个子类。

所述的右腿组件包括右髋关节、右大腿支架、右膝关节、右小腿支架、右踝关节和右鞋组件，所述右大腿支架的顶端通过右髋关节与所述分支板的右侧端部连接；所述右大腿支架的底端通过右膝关节与所述右小腿支架的顶端连接；所述右小腿支架的底端通过右踝关节与右鞋组件连接。

所述的左腿组件包括左髋关节、左大腿支架、左膝关节、左小腿支架、左踝关节和左鞋组件，所述左大腿支架的顶端通过左髋关节与所述分支板的左侧端部连接；所述左大腿支架的底端通过左膝关节与所述左小腿支架的顶端连接；所述左小腿支架的底端通过左踝关节与左鞋组件连接。

优选地，所述的识别模块用于提取测试集中右髋关节、左髋关节、右膝关节、左膝关节、右踝关节和左踝关节的角度特征，构成观察向量序列Q，进而获得步态及其相位的判别函数g_i(Q)，其中,

g_i(Q)＝P(Q|λ_i)P(λ_i),i＝1,2,…,L；

其中,λ_i为第i种动作对应的模型参数；

L为动作的种类数；

P(Q|λ_i)为当前模型下观察向量序列Q的输出概率；

P(λ_i)为第i种动作的先验概率；

计算训练集中8个子类不同动作的判别函数g_i(Q)值，在8个子类中找出判别函数g_i(Q)值达到最大值时相应的动作类别作为测试样本的动作归类。

进一步优选地，所述的识别模块还用于计算测试样本中经过动作归类的基本步态及其相位状态的位置矢量G_i与外界环境影响G_si之间的欧式距离D_Gsi，其中，

G_i＝{h_i,k_i,a_i,e_i|i＝1,2,…,8},

G_si＝{h_s,k_s,a_s,e_s},

其中，(h_i,k_i,a_i,e_i)为第i种基本步态动作的坐标，(h_s,k_s,a_s,e_s)为施加到第i种基本步态动作的各个坐标上的外界环境影响数值；

i＝1，2，…，8；

不同欧式距离的动作状态与基本动作状态的转移概率P(G_i|G_s)近似服从高斯分布，即：

其中，μ_i为第i种基本步态动作的期望值；

σ_i为第i种基本步态动作的标准差；

所述的不同欧式距离的动作状态与基本动作状态的转移概率P(G_i|G_s)满足：

不同欧式距离的动作状态与基本动作状态的转移概率P(G_i|G_s)表征的是因外界地形地貌导致步态向平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运这8种基本步态动作状态转移的概率。

假设t时刻本发明所述的消防救援可穿戴助力外骨骼机器人的步态状态为G_t，t时刻本发明所述的消防救援可穿戴助力外骨骼机器人的步态状态G_t转移到平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运这8种基本步态动作状态的初始概率P_t+1(i)为：

P_t+1(i)＝P_t+P(Gi|Gs)，i＝1，2，…，8；

所述的将步态状态转移概率与不同子类的基本状态的空间坐标位置相结合，是指通过利用步态状态转移概率和基本动作状态在运动空间中的坐标位置，得到所求的动作状态在运动空间中的坐标值。

受到外界地形地貌影响下的运动状态转移到平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运这8种基本步态动作状态的概率P_t+1为：

P_t+1(i)＝{P_t+1(1)，P_t+1(2)，...，P_t+1(8)}；

则步态动作状态转移到第i种基本步态动作的置信度C(P_t+1(i))表示为：

其中，

min{P_t+1(1)，P_t+1(2)，...，P_t+1(8)}表示

{P_t+1(1)，P_t+1(2)，...，P_t+1(8)}中的最小值；

max{P_t+1(1)，P_t+1(2)，...，P_t+1(8)}表示

{P_t+1(1)，P_t+1(2)，...，P_t+1(8)}中的最大值。

进一步优选地，所述的识别模块还用于将置信度C(P_t+1(i))作为动作状态映射到第i种基本步态动作的权重值，将t+1时刻所述的消防救援可穿戴助力外骨骼机器人的运动状态空间坐标位置表示为：

其中，(h_i,k_i,a_i,e_i)为第i种基本步态动作的坐标，(h_t+1,k_t+1,a_t+1,e_t+1)为t+1时刻所述的消防救援可穿戴助力外骨骼机器人的运动状态空间坐标位置。

有益效果

与现有技术相比，本发明的有益效果是：

本发明所述的消防救援可穿戴助力外骨骼机器人针对动作及步态模式分类识别，采用动作及步态优化算法识别动作及步态模式，将步态状态转移概率与8种基本状态的空间坐标位置相结合，得到受外界影响后的步态状态在运动空间中的位置，通过利用概率值和基本动作状态在运动空间中的坐标位置，得到所求的动作状态在运动空间中的坐标值，将当前动作状态向8种基本步态/动作状态转移的概率作为计算权值的依据，利用8种基本动作状态的空间坐标点对运动状态的空间位置进行标定，得到运动空间活动区域内任意步态状态的坐标点，从而辨识消防员救援作业过程中的主动运动意图，实现了良好的人机耦合跟随助力，提升了消防救援人员火场作业的活动能力。

另外，本发明所述的消防救援可穿戴助力外骨骼机器人通过消防装备适配接口承载消防救援人员主要的装备负重，提升了耐久力，可实现消防救援人员攀爬几十段楼梯后轻松进行高层消防作业。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的具体实施方式一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1是本发明所述消防救援可穿戴助力外骨骼机器人的整体结构示意图。

具体实施方式

在下文中更详细地描述了本发明以有助于对本发明的理解。

如图1所示，本发明所述的消防救援可穿戴助力外骨骼机器人包括腰部支撑板1、右腿组件2、左腿组件3、消防装备适配接口10和识别模块，所述的腰部支撑板1的底部通过分支板分别与右腿组件2和左腿组件3连接；所述的消防装备适配接口10安装在腰部支撑板1上，该消防装备适配接口10用于与消防设备的接口适配，承载消防救援人员的装备负重；所述的识别模块用于采集所述右腿组件2和左腿组件3的步态信号，并将采集到的步态信号中的90％作为训练集，10％作为测试集，选择角度、压力或姿态作为特征向量来表示各种类步态信号特征，将所有的特征向量聚类形成不同的子类，采用不同子类对应的标签作为观测值对训练集进行参数训练，得到模型参数；利用测试集检测模型参数是否正确；如果模型参数不正确，则继续采集步态信号，并将采集的步态信号补入训练集再次进行参数训练，直到得到正确的模型参数；利用正确的模型参数对所述右腿组件2和左腿组件3的动作及步态进行识别；将步态状态转移概率与不同子类的基本状态的空间坐标位置相结合，得到受外界影响后的步态状态在运动空间中的位置。

所述的不同的子类包括平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运8个子类。

所述的右腿组件2包括右髋关节4、右大腿支架5、右膝关节6、右小腿支架7、右踝关节8和右鞋组件9，所述右大腿支架5的顶端通过右髋关节4与所述分支板的右侧端部连接；所述右大腿支架5的底端通过右膝关节6与所述右小腿支架7的顶端连接；所述右小腿支架7的底端通过右踝关节8与右鞋组件9连接。

所述的左腿组件3包括左髋关节、左大腿支架、左膝关节、左小腿支架、左踝关节和左鞋组件，所述左大腿支架的顶端通过左髋关节与所述分支板的左侧端部连接；所述左大腿支架的底端通过左膝关节与所述左小腿支架的顶端连接；所述左小腿支架的底端通过左踝关节与左鞋组件连接。

优选地，所述的识别模块用于提取测试集中右髋关节4、左髋关节、右膝关节6、左膝关节、右踝关节8和左踝关节的角度特征，构成观察向量序列Q，进而获得步态及其相位的判别函数g_i(Q)，其中,

g_i(Q)＝P(Q|λ_i)P(λ_i),i＝1,2,…,L；

其中,λ_i为第i种动作对应的模型参数；

L为动作的种类数；在本申请优选的实施例中，由于目标的动作有8个子类，所以L＝8；

P(Q|λ_i)为当前模型下观察向量序列Q的输出概率；

P(λ_i)为第i种动作的先验概率；

计算训练集中8个子类不同动作的判别函数g_i(Q)值，在8个子类中找出判别函数g_i(Q)值达到最大值时相应的动作类别作为测试样本的动作归类。

如果是针对采集到的所有的步态信号，这个先验概率由所设计试验中不同动作的时间长短决定。如果是针对在日常生活中的人体随意运动，先验概率根据各种运动状态下四肢动作序列或动作的样本数量的先验知识得到，通常为均匀分布。

进一步优选地，所述的识别模块还用于计算测试样本中经过动作归类的基本步态及其相位状态的位置矢量G_i与外界环境影响G_si之间的欧式距离D_Gsi，其中，

G_i＝{h_i,k_i,a_i,e_i|i＝1,2,…,8},

G_si＝{h_s,k_s,a_s,e_s},

其中，(h_i,k_i,a_i,e_i)为第i种基本步态动作的坐标，(h_s,k_s,a_s,e_s)为施加到第i种基本步态动作的各个坐标上的外界环境影响数值；

i＝1,2,…,8；

不同欧式距离的动作状态与基本动作状态的转移概率P(G_i|G_s)近似服从高斯分布，即：

其中，μ_i为第i种基本步态动作的期望值；

σ_i为第i种基本步态动作的标准差；

所述的不同欧式距离的动作状态与基本动作状态的转移概率P(G_i|G_s)满足：

不同欧式距离的动作状态与基本动作状态的转移概率P(G_i|G_s)表征的是因外界地形地貌导致步态向平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运这8种基本步态动作状态转移的概率。

个体的自然动作不仅与外界地形地貌有关，还与每个穿戴者当前的控制策略有关。假设t时刻本发明所述的消防救援可穿戴助力外骨骼机器人的步态状态为G_t，t时刻本发明所述的消防救援可穿戴助力外骨骼机器人的步态状态G_t转移到平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运这8种基本步态动作状态的初始概率P_t+1(i)为：

P_t+1(i)＝P_t+P(Gi|Gs)，i＝1，2，…，8；

在一定时间范围内本发明所述的消防救援可穿戴助力外骨骼机器人的动作状态的变化规律可以通过跟踪机器人四肢空间中的状态位置点来进行分析。通过利用概率值和基本动作状态在运动空间中的坐标位置，可以得到所求的动作状态在运动空间中的坐标值。

本申请将当前动作状态向平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运这8种基本步态动作状态转移的概率作为计算权值的依据，利用平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运这8种基本步态动作状态的空间坐标点对运动状态的空间位置进行标定。

如前所述，受到外界地形地貌影响下的运动状态转移到平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运这8种基本步态动作状态的概率P_t+1为：

P_t+1(i)＝{P_t+1(1)，P_t+1(2)，...，P_t+1(8)}；

则步态动作状态转移到第i种基本步态动作的置信度C(P_t+1(i))表示为：

其中，

min{P_t+1(1)，P_t+1(2)，...，P_t+1(8)}表示

{P_t+1(1)，P_t+1(2)，...，P_t+1(8)}中的最小值；

max{P_t+1(1)，P_t+1(2)，...，P_t+1(8)}表示

{P_t+1(1)，P_t+1(2)，...，P_t+1(8)}中的最大值。

进一步优选地，所述的识别模块还用于将置信度C(P_t+1(i))作为动作状态映射到第i种基本步态动作的权重值，将t+1时刻所述的消防救援可穿戴助力外骨骼机器人的运动状态空间坐标位置表示为：

其中，(h_i，k_i，a_i，e_i)为第i种基本步态动作的坐标，(h_t+1，k_t+1，a_t+1，e_t+1)为t+1时刻所述的消防救援可穿戴助力外骨骼机器人的运动状态空间坐标位置。

本发明所述的消防救援可穿戴助力外骨骼机器人能够根据步态动作状态转移概率计算得到运动空间活动区域内任意步态状态的坐标点。其中运动空间活动区域是指包含平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运这8种基本步态动作状态在内的空间区域。

本申请中，采用不同子类对应的标签作为观测值对训练集进行参数训练，得到模型参数以及利用测试集检测模型参数是否正确的具体方式可以参见文献1(ChisT.Incremental HMM with an improved Baum-Welch Algorithm.Imperial CollegeComputing Student Workshop,2012)。

以上描述了本发明优选实施方式，然其并非用以限定本发明。本领域技术人员对在此公开的实施方案可进行并不偏离本发明范畴和精神的改进和变化。

Claims (10)

1.一种消防救援可穿戴助力外骨骼机器人，其特征在于，所述的消防救援可穿戴助力外骨骼机器人包括腰部支撑板、右腿组件、左腿组件、消防装备适配接口和识别模块，所述的腰部支撑板的底部通过分支板分别与右腿组件和左腿组件连接；所述的消防装备适配接口安装在腰部支撑板上，该消防装备适配接口用于与消防设备的接口适配，承载消防救援人员的装备负重；所述的识别模块用于采集所述右腿组件和左腿组件的步态信号，并将采集到的步态信号中的90％作为训练集，10％作为测试集，选择角度、压力或姿态作为特征向量来表示各种类步态信号特征，将所有的特征向量聚类形成不同的子类，采用不同子类对应的标签作为观测值对训练集进行参数训练，得到模型参数；利用测试集检测模型参数是否正确；如果模型参数不正确，则继续采集步态信号，并将采集的步态信号补入训练集再次进行参数训练，直到得到正确的模型参数；利用正确的模型参数对所述右腿组件和左腿组件的动作及步态进行识别；将步态状态转移概率与不同子类的基本状态的空间坐标位置相结合，得到受外界影响后的步态状态在运动空间中的位置。

2.根据权利要求1所述的消防救援可穿戴助力外骨骼机器人，其特征在于，所述的不同的子类包括平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运8个子类。

3.根据权利要求2所述的消防救援可穿戴助力外骨骼机器人，其特征在于，所述的右腿组件包括右髋关节、右大腿支架、右膝关节、右小腿支架、右踝关节和右鞋组件，所述右大腿支架的顶端通过右髋关节与所述分支板的右侧端部连接；所述右大腿支架的底端通过右膝关节与所述右小腿支架的顶端连接；所述右小腿支架的底端通过右踝关节与右鞋组件连接。

4.根据权利要求3所述的消防救援可穿戴助力外骨骼机器人，其特征在于，所述的左腿组件包括左髋关节、左大腿支架、左膝关节、左小腿支架、左踝关节和左鞋组件，所述左大腿支架的顶端通过左髋关节与所述分支板的左侧端部连接；所述左大腿支架的底端通过左膝关节与所述左小腿支架的顶端连接；所述左小腿支架的底端通过左踝关节与左鞋组件连接。

5.根据权利要求4所述的消防救援可穿戴助力外骨骼机器人，其特征在于，所述的识别模块用于提取测试集中右髋关节、左髋关节、右膝关节、左膝关节、右踝关节和左踝关节的角度特征，构成观察向量序列Q，进而获得步态及其相位的判别函数g_i(Q)，其中,

g_i(Q)＝P(Q|λ_i)P(λ_i),i＝1,2,…,L；

其中,λ_i为第i种动作对应的模型参数；

L为动作的种类数；

P(Q|λ_i)为当前模型下观察向量序列Q的输出概率；

P(λ_i)为第i种动作的先验概率；

计算训练集中8个子类不同动作的判别函数g_i(Q)值，在8个子类中找出判别函数g_i(Q)值达到最大值时相应的动作类别作为测试样本的动作归类。

6.根据权利要求5所述的消防救援可穿戴助力外骨骼机器人，其特征在于，所述的识别模块还用于计算测试样本中经过动作归类的基本步态及其相位状态的位置矢量G_i与外界环境影响G_si之间的欧式距离D_Gsi，其中，

G_i＝{h_i,k_i,a_i,e_i|i＝1,2,…,8},

G_si＝{h_s,k_s,a_s,e_s},

其中，(h_i,k_i,a_i,e_i)为第i种基本步态动作的坐标，(h_s,k_s,a_s,e_s)为施加到第i种基本步态动作的各个坐标上的外界环境影响数值；

不同欧式距离的动作状态与基本动作状态的转移概率P(G_i|G_s)近似服从高斯分布，即：

其中，μ_i为第i种基本步态动作的期望值；

σ_i为第i种基本步态动作的标准差；

所述的不同欧式距离的动作状态与基本动作状态的转移概率P(G_i|G_s)满足：

7.根据权利要求6所述的消防救援可穿戴助力外骨骼机器人，其特征在于，不同欧式距离的动作状态与基本动作状态的转移概率P(G_i|G_s)表征的是因外界地形地貌导致步态向平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运这8种基本步态动作状态转移的概率。

8.根据权利要求6所述的消防救援可穿戴助力外骨骼机器人，其特征在于，假设t时刻所述的消防救援可穿戴助力外骨骼机器人的步态状态为G_t，t时刻所述的消防救援可穿戴助力外骨骼机器人的步态状态G_t转移到平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运这8种基本步态动作状态的初始概率P_t+1(i)为:

P_t+1(i)＝P_t+P(Gi|Gs),i＝1,2,…,8；

所述的将步态状态转移概率与不同子类的基本状态的空间坐标位置相结合，是指通过利用步态状态转移概率和基本动作状态在运动空间中的坐标位置，得到所求的动作状态在运动空间中的坐标值。

9.根据权利要求8所述的消防救援可穿戴助力外骨骼机器人，其特征在于，受到外界地形地貌影响下的运动状态转移到平地行走、上坡、下坡、上楼梯、下楼梯、起立、坐下和搬运这8种基本步态动作状态的概率P_t+1为：

P_t+1(i)＝{P_t+1(1)，P_t+1(2)，…，P_t+1(8)}；

则步态动作状态转移到第i种基本步态动作的置信度C(P_t+1(i))表示为：

其中，

min{P_t+1(1)，P_t+1(2)，…，P_t+1(8)}表示{P_t+1(1)，P_t+1(2)，…，P_t+1(8)}中的最小值；

max{P_t+1(1)，P_t+1(2)，…，P_t+1(8)}表示{P_t+1(1)，P_t+1(2)，…，P_t+1(8)}中的最大值。

10.根据权利要求9所述的消防救援可穿戴助力外骨骼机器人，其特征在于，所述的识别模块还用于将置信度C(P_t+1(i))作为动作状态映射到第i种基本步态动作的权重值，将t+1时刻所述的消防救援可穿戴助力外骨骼机器人的运动状态空间坐标位置表示为：

其中，(h_i,k_i,a_i,e_i)为第i种基本步态动作的坐标，(h_t+1,k_t+1,a_t+1,e_t+1)为t+1时刻所述的消防救援可穿戴助力外骨骼机器人的运动状态空间坐标位置。

Images