CN113146611B - 一种刚柔耦合外骨骼机器人运动模式识别方法 - Google Patents
一种刚柔耦合外骨骼机器人运动模式识别方法 Download PDFInfo
- Publication number
- CN113146611B CN113146611B CN202011589194.5A CN202011589194A CN113146611B CN 113146611 B CN113146611 B CN 113146611B CN 202011589194 A CN202011589194 A CN 202011589194A CN 113146611 B CN113146611 B CN 113146611B
- Authority
- CN
- China
- Prior art keywords
- state
- leg
- motion
- walking
- joint angle
- 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
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
- B25J9/0006—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
- B25J9/1615—Programme controls characterised by special kind of manipulator, e.g. planar, scara, gantry, cantilever, space, closed chain, passive/active joints and tendon driven manipulators
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rehabilitation Tools (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种刚柔耦合外骨骼机器人运动模式识别方法,该方法包括以下步骤:1)根据行走过程中一侧腿部支撑态足底压力曲线实时变化情况,将另一侧腿部摆动态划分为三个区间;2)采集行走过程中的足底压力值;3)如果某腿足底压力值小于P1,则判断该腿运动状态为摆动态;4)根据步骤3)判断运动状态;5)寻找各个特征曲线的峰值时刻;6)在不同运动状态下,判断各个特征曲线峰值时刻与摆动态区间T1、T2和T3的位置关系;7)根据步骤6)中的位置关系,确定交替行走状态下的运动模式;8)利用有限状态机对识别结果进行纠错。本发明有效地将关节角度极值特征的空间关系与足底压力特征的时间关系相结合,提高了运动模式识别的准确率。
Description
技术领域
本发明涉及运动模式识别技术,尤其涉及一种刚柔耦合外骨骼机器人运动模式识别方法。
背景技术
工业化时代的到来给人们的工作生活带来巨大的改变,机器人技术随之兴起。在单兵作战和医疗康复等领域,需要机器人具有一定的灵活性,由此外骨骼机器人应运而生。从功能上外骨骼机器人主要分为两种:一种是负重机器人,另一种是康复机器人。刚柔外骨骼机器人属于前者,其设计制造的主要目的是帮助穿戴者背负更多重物,完成重物运输任务,实现行走时间与行走速度的双重提升,达到防止过度劳累的情况出现,提高工作效率的目标。
刚柔外骨骼机器人是一种根据人体形状和功能设计的可穿戴机械装置,作为强大的人机耦合系统,刚柔外骨骼机器人的行走状态要与人的状态高度一致,在相同步态阶段下肢关节要具有相似的运动。外骨骼行走步态轨迹通常由运动模型或基于运动模式的算法生成,采集运动数据,提取运动模式特征并进行运动模式识别是常用的分析方法,准确的运动模式识别对于刚柔外骨骼机器人至关重要。目前应用于下肢外骨骼机器人的运动模式识别方法主要有:
1.基于足底压力的运动模式方法,该方法可以通过人体行走过程中足底压力的变化情况识别出相应步态和运动模式,并配合控制算法实现对外骨骼机器人的柔顺控制,但由于足底压力信号不稳定,造成运动模式识别率不高。
2.基于表面肌电信号/脑电信号的运动模式识别,该方法可以通过行走过程中人体表面肌电信号/脑电信号的周期性变化识别出相应运动模式,但此方法中肌电信号/脑电信号内包含运动信息很多,信号处理时间长,模型建立复杂。
3.基于触发信号的运动模式识别,该方法可以通过人体行走过程中各个部位传感器数据的变化情况识别出相应运动模式,但此方法无法实现不同人、不同速度下的自适应识别。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种刚柔耦合外骨骼机器人运动模式识别方法。
本发明解决其技术问题所采用的技术方案是:一种刚柔耦合外骨骼机器人运动模式识别方法,包括以下步骤:
1)根据行走过程中一侧腿部支撑态足底压力曲线实时变化情况,将另一侧腿部摆动态划分为三个区间,分别是摆动态前期T1、摆动态中期T2和摆动态后期T3;所述行走过程包括平地行走、上楼梯和下楼梯;
2)采集行走过程中的足底压力值,判断足底压力值是否小于阈值P1;采集行走过程中的大腿IMU、髋关节角度和膝关节角度;
3)如果某腿足底压力值小于P1,则判断该腿运动状态为摆动态,否则判断该腿运动状态为支撑态;
4)根据步骤3)判断运动状态:如果双腿都处于支撑态,则判断当前运动状态为双腿站立动作;如果长时间保持摆动态,则判断当前运动状态为单腿站立动作;如果某腿处于支撑态,另一腿处于摆动态,则判断当前运动状态为交替行走动作,转入步骤5);否则转入步骤2);
5)寻找各个特征曲线的峰值时刻;所述各个特征曲线的峰值时刻包括摆动腿大腿IMU的峰值时刻t1,摆动腿髋关节角度的峰值时刻t2,和摆动腿膝关节角度的峰值时刻t3;
6)在不同运动状态下,判断各个特征曲线峰值时刻与摆动态区间T1、T2和 T3的位置关系;
7)根据步骤6)中的位置关系,确定交替行走状态下的运动模式;
8)利用有限状态机对识别结果进行纠错,然后返回步骤2)继续采集数据进行运动模式判断。
按上述方案,所述步骤1)中根据行走过程中一侧腿部支撑态足底压力曲线变化情况,将另一侧腿部摆动态划分为三个区间,分别是摆动态前期T1、摆动态中期T2和摆动态后期T3,具体如下:
根据行走过程中一侧腿部支撑态足底压力曲线的变化率来将另一侧腿部摆动态划分为三个区间。
按上述方案,所述步骤2)中行走过程中的大腿IMU、髋关节角度和膝关节角度通过设置在大腿、小腿和足底的IMU传感器采集获得。
按上述方案,所述步骤7)中交替行走动作运动模型包括平地行走、上楼梯、下楼梯。
按上述方案,所述步骤7)中确定交替行走状态下的运动模式,具体如下:
根据步骤6)中的位置关系和事先标定的数据,利用支持向量机算法将运动模式分为3类,建立交替行走动作运动模型。
按上述方案,所述步骤8)中利用有限状态机对识别结果进行纠错是根据人体运动模式之间的切换存在的限制,通过有效的限制状态间的转移纠正错误结果。
本发明产生的有益效果是:
本发明有效地将关节角度极值特征的空间关系与足底压力特征的时间关系相结合,建立运动模式模型,通过有限状态机对识别结果进行纠错,提高了运动模式识别的准确率,降低了运动模式识别的复杂性与冗余度,为刚柔耦合外骨骼机器人稳定的助力控制提供保障。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的方法流程图;
图2是本发明实施例的各个特征曲线峰值时刻与摆动态区间T1、T2和T3的位置关系示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明采用惯性测量单元IMU和足底压力传感器作为刚柔外骨骼机器人运动模式识别装置。关节角度由惯性测量单元IMU计算得出。通过对关节角度曲线进行分析,发现人体在不同运动模式下的关节角度极值点位置与摆动态区间存在相关性,将该相关性进行解算,可准确对人体运动模式进行识别。本发明有效地将关节角度极值特征的空间关系与足底压力特征的时间关系相结合,采用支持向量机算法建立运动模式模型,通过有限状态机对识别结果进行纠错,提高了运动模式识别的准确率,降低了运动模式识别的复杂性与冗余度,为刚柔耦合外骨骼机器人稳定的助力控制提供保障。
如图1所示,一种刚柔耦合外骨骼机器人运动模式识别方法,包括以下步骤:
1)根据行走过程中一侧腿部支撑态足底压力曲线变化情况,将另一侧腿部摆动态划分为三个区间,分别是摆动态前期T1、摆动态中期T2和摆动态后期T3;
人体在行走过程中足底压力受力位置存在明显不同,通常情况下,足跟处先受力,足掌处后受力。故根据足底压力受力情况的不同(足跟处受力,足跟处与足掌处均受力,足掌处受力),可以将摆动态划分为三个区间,分别为摆动态前期、摆动态中期和摆动态后期。
或者根据行走过程中一侧腿部支撑态足底压力曲线的变化率拐点来将另一侧腿部摆动态划分为三个区间。
2)采集足底压力值,通过自适应阈值法确定足底压力阈值P1,判断足底压力值是否小于阈值P1;
3)如果某腿足底压力值小于P1,则该腿判断为摆动态,否则该腿判断为支撑态;
4)如果双腿都处于支撑态,则判断当前运动状态为双腿站立动作;如果某腿处于支撑态,另一腿处于摆动态,则判断当前运动状态为交替行走动作,转入步骤5);如果长时间保持摆动态,则判断当前运动状态为单腿站立动作;否则转入步骤2);
5)通过实时寻峰算法寻找摆动腿大腿IMU的峰值时刻t1,寻找摆动腿髋关节角度的峰值时刻t2,寻找摆动腿膝关节角度的峰值时刻t3;
6)判断各个特征曲线峰值时刻与摆动态区间T1、T2和T3的位置关系;如图 2;
结合5)中位置关系和事先标定的数据,利用支持向量机算法建立交替行走动作运动模型;交替行走动作运动模型包括平地行走、上楼梯、下楼梯。图2中的(a)、 (b)和(c)分别对应平地行走,上楼梯和下楼梯;
表1极值点位置关系汇总表
7)通过6)中模型判断当前位置关系是否符合平地行走,若是则判断当前状态为平地行走,返回步骤2)继续采集数据进行运动模式判断;否则,执行步骤 8);
8)通过6)中模型判断当前位置关系是否符合上楼梯,若是则判断当前状态为上楼梯,返回步骤2);否则,执行步骤9);
9)通过6)中模型判断当前位置关系是否符合下楼梯,若是则判断当前状态为下楼梯,返回步骤2);否则,维持上一运动模式,返回步骤2)。
其中,T1~T3为实时阈值,由人体行走过程中足底压力的变化实时获取(因为人实际的行走速度是不同的,所以摆动态间隔点数也不是固定的,因此实际的T1,T2,T3区间的点数也是不固定的)。P1通过自适应阈值法对行走过程中足底压力变化值进行计算求得。
人体正常的运动过程是一个顺序性的运动模式,在识别结果异常的情况下,有限状态机可以有效的限制状态间的转移,并且纠正错误结果,完成对运动模式的准确识别。
除了对平地行走、上楼梯和下楼梯的运动模式识别外,采用本发明方法还可以进行对包括下蹲、起立、跑步、单腿站立、单膝跪地、起跳等多种运动模式的识别。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种刚柔耦合外骨骼机器人运动模式识别方法,其特征在于,包括以下步骤:
1)根据行走过程中一侧腿部支撑态足底压力曲线实时变化情况,将另一侧腿部摆动态划分为三个区间,分别是摆动态前期T1、摆动态中期T2和摆动态后期T3;所述行走过程包括平地行走、上楼梯和下楼梯;
2)采集行走过程中的足底压力值,判断足底压力值是否小于阈值P1;采集行走过程中的大腿IMU、髋关节角度和膝关节角度;
3)如果某腿足底压力值小于P1,则判断该腿运动状态为摆动态,否则判断该腿运动状态为支撑态;
4)根据步骤3)判断运动状态:如果双腿都处于支撑态,则判断当前运动状态为双腿站立动作;如果长时间保持摆动态,则判断当前运动状态为单腿站立动作;如果某腿处于支撑态,另一腿处于摆动态,则判断当前运动状态为交替行走动作,转入步骤5);否则转入步骤2);
5)寻找各个特征曲线的峰值时刻;所述各个特征曲线的峰值时刻包括摆动腿大腿IMU的峰值时刻t1,摆动腿髋关节角度的峰值时刻t2,和摆动腿膝关节角度的峰值时刻t3;
6)在不同运动状态下,判断各个特征曲线峰值时刻与摆动态区间T1、T2和T3的位置关系;具体如下:
若左大腿IMU、左髋关节角度的曲线峰值时刻位于T3区间,且左膝关节角度、左踝关节角度的曲线峰值时刻位于T2区间,则属于平地行走;
若左大腿IMU、左髋关节角度、左膝关节角度的曲线峰值时刻位于T3区间,且左踝关节角度的曲线峰值时刻位于T1区间,则属于上楼梯;
若左大腿IMU、左髋关节角度的曲线峰值时刻位于T2区间,左膝关节角度的曲线峰值时刻位于T1区间,且左踝关节角度的曲线峰值时刻位于T3区间,则属于下楼梯;
7)根据步骤6)中的位置关系,确定交替行走状态下的运动模式;交替行走动作运动模式包括平地行走、上楼梯、下楼梯;
8)利用有限状态机对识别结果进行纠错,然后返回步骤2)继续采集数据进行运动模式判断。
2.根据权利要求1所述的刚柔耦合外骨骼机器人运动模式识别方法,其特征在于,所述步骤1)中根据行走过程中一侧腿部支撑态足底压力曲线变化情况,将另一侧腿部摆动态划分为三个区间,分别是摆动态前期T1、摆动态中期T2和摆动态后期T3,具体如下:
根据行走过程中一侧腿部支撑态足底压力曲线的变化率来将另一侧腿部摆动态划分为三个区间。
3.根据权利要求1所述的刚柔耦合外骨骼机器人运动模式识别方法,其特征在于,所述步骤2)中行走过程中的大腿IMU、髋关节角度和膝关节角度通过设置在大腿、小腿和足底的IMU传感器采集获得。
4.根据权利要求1所述的刚柔耦合外骨骼机器人运动模式识别方法,其特征在于,所述步骤7)中确定交替行走状态下的运动模式,具体如下:
根据步骤6)中的位置关系和事先标定的数据,利用支持向量机算法将运动模式分为3类,建立交替行走动作运动模型。
5.根据权利要求1所述的刚柔耦合外骨骼机器人运动模式识别方法,其特征在于,所述步骤8)中利用有限状态机对识别结果进行纠错是根据人体运动模式之间的切换存在的限制,通过有效的限制状态间的转移纠正错误结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011589194.5A CN113146611B (zh) | 2020-12-29 | 2020-12-29 | 一种刚柔耦合外骨骼机器人运动模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011589194.5A CN113146611B (zh) | 2020-12-29 | 2020-12-29 | 一种刚柔耦合外骨骼机器人运动模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113146611A CN113146611A (zh) | 2021-07-23 |
CN113146611B true CN113146611B (zh) | 2022-06-03 |
Family
ID=76878148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011589194.5A Active CN113146611B (zh) | 2020-12-29 | 2020-12-29 | 一种刚柔耦合外骨骼机器人运动模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113146611B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913595B (zh) * | 2022-04-20 | 2023-11-17 | 中国科学院自动化研究所 | 运动模态识别方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108577854A (zh) * | 2018-04-28 | 2018-09-28 | 深圳市迈步机器人科技有限公司 | 步态识别方法和步态辅助设备 |
CN110522458A (zh) * | 2019-10-15 | 2019-12-03 | 北京理工大学 | 一种适用于膝关节外骨骼的步态实时识别方法 |
CN110543922A (zh) * | 2019-10-15 | 2019-12-06 | 北京理工大学 | 一种基于膝关节外骨骼的实时行走模式识别方法 |
CN111249116A (zh) * | 2020-01-20 | 2020-06-09 | 深圳市丞辉威世智能科技有限公司 | 单侧下肢外骨骼康复装置 |
CN111329485A (zh) * | 2020-02-25 | 2020-06-26 | 北京机械设备研究所 | 一种基于imu的步态识别方法及装置 |
-
2020
- 2020-12-29 CN CN202011589194.5A patent/CN113146611B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108577854A (zh) * | 2018-04-28 | 2018-09-28 | 深圳市迈步机器人科技有限公司 | 步态识别方法和步态辅助设备 |
CN110522458A (zh) * | 2019-10-15 | 2019-12-03 | 北京理工大学 | 一种适用于膝关节外骨骼的步态实时识别方法 |
CN110543922A (zh) * | 2019-10-15 | 2019-12-06 | 北京理工大学 | 一种基于膝关节外骨骼的实时行走模式识别方法 |
CN111249116A (zh) * | 2020-01-20 | 2020-06-09 | 深圳市丞辉威世智能科技有限公司 | 单侧下肢外骨骼康复装置 |
CN111329485A (zh) * | 2020-02-25 | 2020-06-26 | 北京机械设备研究所 | 一种基于imu的步态识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113146611A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Gait phase estimation based on noncontact capacitive sensing and adaptive oscillators | |
Li et al. | Wearable sensor system for detecting gait parameters of abnormal gaits: A feasibility study | |
CN103431929B (zh) | 一种力量增强型动力外骨骼行走步态感知方法及装置 | |
CN108577854A (zh) | 步态识别方法和步态辅助设备 | |
Li et al. | The lower limbs kinematics analysis by wearable sensor shoes | |
CN107174253A (zh) | 一种下肢运动姿态的判断方法、装置和系统 | |
CN112704491B (zh) | 基于姿态传感器和动捕模板数据的下肢步态预测方法 | |
JP6516283B2 (ja) | 運動解析装置 | |
CN110543922A (zh) | 一种基于膝关节外骨骼的实时行走模式识别方法 | |
CN113043248B (zh) | 基于多源传感器的搬运装配全身外骨骼系统及控制方法 | |
Yang et al. | Novel soft smart shoes for motion intent learning of lower limbs using LSTM with a convolutional autoencoder | |
CN113011458B (zh) | 负载机动型外骨骼人体运动意图识别方法及外骨骼系统 | |
Yi et al. | Continuous prediction of lower-limb kinematics from multi-modal biomedical signals | |
CN113146611B (zh) | 一种刚柔耦合外骨骼机器人运动模式识别方法 | |
Li et al. | Real-time gait event detection for a lower extremity exoskeleton robot by infrared distance sensors | |
CN106217352A (zh) | 基于压力传感器的外骨骼机器人步态控制方法 | |
CN110721055A (zh) | 下肢助行外骨骼机器人的控制方法及外骨骼机器人 | |
Ding et al. | Control of walking assist exoskeleton with time-delay based on the prediction of plantar force | |
Zhang et al. | Gait pattern identification and phase estimation in continuous multilocomotion mode based on inertial measurement units | |
CN112560594B (zh) | 一种柔性外骨骼系统的人体步态识别方法 | |
CN111469117B (zh) | 一种刚柔耦合有源外骨骼的人体运动模式检测方法 | |
Hu et al. | A study on estimation of planar gait kinematics using minimal inertial measurement units and inverse kinematics | |
Fang et al. | Modelling of the toe trajectory during normal gait using circle-fit approximation | |
Mahdavian et al. | Motion generation of a wearable hip exoskeleton robot using machine learning-based estimation of ground reaction forces and moments | |
Eguchi et al. | Kinetic and spatiotemporal gait analysis system using instrumented insoles and laser range sensor |
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 |