技术领域
[0001] 本
发明涉及智能机器人领域，尤其涉及一种自适应助力外骨骼机器人运动信息采集系统。
背景技术
[0002] 作为助力应用，外骨骼可以增强穿戴者的肢体能力或者直接承担外负荷，从而有效的降低人体
能量消耗，可作为一种远距离负重行走的助力器械应用于军事，或者完成搬运物体的动作。未来外骨骼可以应用在军事、医疗、在后救援甚至日常生活中。
[0003] 助力外骨骼机器人分为以背负重物为目的的负重移动型外骨骼机器人和以搬移托举重物为目的的作业增强型外骨骼机器人，负重移动型又分为刚性和柔性助力外骨骼机器人，其驱动形式主要有液压驱动和
电机驱动。
[0004] 在助力外骨骼机器人中，人是控制中心，外骨骼根据人的运动信息进行识别并预测人体的运动状态，进而计算出各个关节的运动力矩大小，从而控制
液压缸驱动外骨骼关节运动，确保外骨骼快速精确助力人体运动，因此，通过多
传感器获取人体运动信息是外骨骼助力运动的实现
基础。
[0005] 对于多传感器的配置，现有的外骨骼人体信息采集系统中，虽然采用大量传感器是大部分研究者青睐的选择，但是在现实外骨骼使用过程中，放置过多的传感器可能存在冗余并且容易产生错误，同时增加分类问题的复杂度，而放置过少的传感器，则大大影响了识别率的提高。因此，助力外骨骼机器人在不同的作业任务中选择合适的传感器信息是非常有必要的。
发明内容
[0006] 本发明主要解决的技术问题是提供一种自适应助力外骨骼机器人运动信息采集系统，解决
现有技术中难以有效采集外骨骼机器人的运动状态信息数据，以及利用这些运动状态信息数据合理优化选择传感器的配置。
[0007] 为解决上述技术问题，本发明采用的一个技术方案是提供一种自适应助力外骨骼机器人运动信息采集系统，包括贴附在外骨骼机器人大臂
连杆、小臂连杆、背部连杆、大腿连杆、小腿连杆和踝关节连杆的九轴传感器，以及配置于外骨骼机器人
鞋内的足底传感器；所述九轴传感器用于测量各连杆运动时的
俯仰、
横滚和
偏航角信息，并传输到计算机端；所述的足底传感器采集脚底压力信息，也传输到所述计算机端。
[0008] 在本发明自适应助力外骨骼机器人运动信息采集系统另一
实施例中，所述九轴传感器是基于MEMS的九轴惯性传感器，集成高
精度的
陀螺仪、
加速度计、地
磁场传感器，采用
微处理器和动力学解算与卡尔曼动态滤波
算法，精密测量人体运动的
角速度和加速度信息。
[0009] 在本发明自适应助力外骨骼机器人运动信息采集系统另一实施例中，所述足底传感器包括多个单点式柔性
薄膜压力传感器片和压力
信号处理模
块，所述的压力
信号处理模块控制每个压力传感器片的
采样工作，并计算出每个压力传感器片的压力大小和整个脚部的压力中心。
[0010] 在本发明自适应助力外骨骼机器人运动信息采集系统另一实施例中，所述九轴传感器和所述足底传感器的信号采集方法包括步骤：
[0011] 设备校准，对九轴传感器通过加速度计校准去除加速度计的零偏，磁场校准用于去除磁场传感器的零偏；对左右脚的足底传感器进行多次采样，求得压力传感器片的零偏值，在之后的行走过程中，消去压力传感器片的零偏值；
[0012]
数据采集，在数据采集过程中，所述足底传感器的压力传感器片在压力信号处理模块的控制
下采样，通过低通滤波处理，得到每个压力传感器片对应的
电压值，再通过数据转换，得到对应的足底压力数据；加速度计、陀螺仪和
地磁场传感器分别采样，通过卡尔曼滤波求得在行走过程中外骨骼大腿和小腿的俯仰、横滚和偏航角；
[0013] 数据存储，构建人体助力外骨骼运动信息
数据库，对所采集的多个周期的步态数据进行滤波、放大、去噪与离散化处理后进行存储，得到每一个周期内任意时刻的步态数据，所述步态数据包括
关节角度数据、下肢俯仰、横滚、偏航角和足底压力数据。
[0014] 在本发明自适应助力外骨骼机器人运动信息采集系统另一实施例中，所述数据转换对应的转换方法是：
[0015]
[0016] f(p)＝Ag(V,K1,K2)3+Bg(V,K1,K2)2+Cg(V,K1,K2)+D，
[0017] 其中A,B,C,D,K1,K2为系统配置文件，根据传感器型号确定数值，V为采集得到的电压值。
[0018] 在本发明自适应助力外骨骼机器人运动信息采集系统另一实施例中，在数据采集过程中，计算机端通过MODBUS协议与各传感器级联，向各传感器发送
请求，调用传感器中的数据并返回数据值；数据通过485串口回传计算机端，信息通过读写线程，同步保存至对应文件名中。
[0019] 在本发明自适应助力外骨骼机器人运动信息采集系统另一实施例中，基于采集获得的数据，还进一步包括对运动模式的识别，使用
支持向量机算法进行运动模式的辨识，输入支持向量机算法的数据包括基于MEMS的九轴传感器采集的惯性运动数据，以及基于足底传感器采集的足底压力数据。
[0020] 在本发明自适应助力外骨骼机器人运动信息采集系统另一实施例中，还包括对运动模式进行分类，包括平地行走、上
楼梯、下楼梯、上坡、下坡、托举和放置这7种运动模式。
[0021] 在本发明自适应助力外骨骼机器人运动信息采集系统另一实施例中，对所述7种运动模式分类使用非线性模型采用一对一方法构建支持向量机分类器，然后输入训练集T：
[0022] T＝{(x1,y1),(x2,y2),...,(xn,yn)},xi∈Rd,Rd表示正实数集，yi∈{-1，+1},i＝1,2,...,n,xi为对应训练输入
特征向量,yi为对应训练输出向量的标记,分类器为：
[0023]
[0024] 其中w,b为
超平面的参数，C＞0为惩罚参数，表示对误分样本的惩罚程度，通过调节C的大小，可控制松弛变量ξi的取值，有效去除无效的数据点，避免过拟合现象；
[0025] 在上式基础上，通过引入Lanrange乘子ai,推导出最后的判别函数为：
[0026]
[0027] 在本发明自适应助力外骨骼机器人运动信息采集系统另一实施例中，还包括基于分类器的传感器配置优化方法，包括的步骤有：
[0028] 第一步，过量传感器配置从而产生过量的不同的基分类器，形成一个分类器池D＝{D1,D2,...,DL}，其中DL为第L个基分类器，将每个传感器所对应的分类器作为识别系统的一个基分类器；
[0029] 第二步，使用基分类器组合对
指定7种运动模式及指定穿戴者进行预训练，采集指定运动模式的运动数据，构建外骨骼穿戴训练集；
[0030] 第三步，根据基础的外骨骼穿戴训练集使用基分类器进行训练，并保存每一个基分类器的错误分类的
训练数据子集C1,C2,...,Cm，m为基分类器的数量，然后令穿戴者穿戴外骨骼进行测试，并使用支持向量机方法来测量穿戴者穿戴助力外骨骼的实验动作属于其中一个被错分的数据子集的程度；设Ci＝{ni1,ni2,...,nim}为第i个产生的基分类器所错误分类的数据子集，其中nij为数据子集中的第j个数据，设运动状态集Z＝{x1,x2,...,xn}，xi代表运动状态集Z中的第i个运动状态。
[0031] 第四步，测量所述运动状态集Z与每个被错误分类的训练数据子集Ci中每个实例nij的距离dij：
[0032]
[0033] 其中，xk为运动状态集Z的第k个运动状态，xijk为被错误分类的训练数据子集Ci中每个实例nij第k种运动状态，若两者相同，则f(xk,xijk)为0，否则f(xk,xijk)为1；
[0034] 第五步，测量运动状态集Z与每个被错误分类的训练数据子集Ci的距离di：
[0035]
[0036] 第六步，根据测试实例的取值情况度量运动状态被每个基分类器正确分类的可能性大小，然后动态地对基分类器分配权重，根据权重的不断变化，在权重优化后，传感器级别分类器可被分为选择和暂时遗忘两部分，并反馈会到传感器端以实现传感器的开启和关闭。
[0037] 本发明的有益效果是：本发明公开了一种自适应助力外骨骼机器人运动信息采集系统。该系统包括贴附在外骨骼机器人大臂连杆、小臂连杆、背部连杆、大腿连杆、小腿连杆和踝关节连杆的九轴传感器，以及配置于外骨骼机器人鞋内的足底传感器；所述九轴传感器用于测量各连杆运动时的俯仰、横滚和偏航角信息，并传输到计算机端；所述的足底传感器采集脚底压力信息，也传输到所述计算机端。该系统可以实时精确获得识别穿戴者在穿上外骨骼机器人行走过程的关节角度信息与速度信息，识别运动状态，得到不同的个性化简约助力外骨骼运动采集配置方案。
附图说明
[0038] 图1是根据本发明自适应助力外骨骼机器人运动信息采集系统一实施例的九轴传感器在人体分布示意图；
[0039] 图2是根据本发明自适应助力外骨骼机器人运动信息采集系统另一实施例的单点式柔性薄膜压力传感器片在足底分布示意图；
[0040] 图3是根据本发明自适应助力外骨骼机器人运动信息采集系统另一实施例的组成及工作原理图；
[0041] 图4是根据本发明自适应助力外骨骼机器人运动信息采集系统另一实施例中的数据采集
流程图。
具体实施方式
[0042] 为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本
说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
[0043] 需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0044] 在本发明公开的一个自适应助力外骨骼机器人运动信息采集系统实施例中，包括贴附在外骨骼机器人大臂连杆、小臂连杆、背部连杆、大腿连杆、小腿连杆和踝关节连杆的九轴传感器，以及配置于外骨骼机器人鞋内的足底传感器；所述九轴传感器用于测量各连杆运动时的俯仰、横滚和偏航角信息，并传输到计算机端；所述的足底传感器采集脚底压力信息，也传输到所述计算机端。
[0045] 优选的，所述九轴传感器是基于MEMS的九轴惯性传感器，集成高精度的陀螺仪、加速度计、地磁场传感器，采用微处理器和动力学解算与卡尔曼动态滤波算法，精密测量人体运动的角速度和加速度信息。优选的，如图1所示，九轴传感器共有11个，分别分布在背部n0、右大臂n1、右小臂n2、左小臂n3、左大臂n4、右大腿n5、左大腿n6、右小腿n7、左小腿n8、右脚踝n9和左脚踝n10。
[0046] 优选的，所述足底传感器包括多个单点式柔性薄膜压力传感器片和压力信号处理模块，如图2所示，设置16个单点式柔性薄膜压力传感器片，其中有编号为3至11共9个传感器片主要分布在脚掌区，编号为12至15共4个传感器片分布在脚跟区，编号为1和2的两个传感器片分布在脚底中部外侧区域，这样可以充分采集脚掌、脚跟和脚底外侧的足底压力，构建足底压力
云图。所述的压力信号处理模块控制每个压力传感器片的采样工作，并计算出每个压力传感器片的压力大小。
[0047] 优选的，所述单点式柔性薄膜压力传感器片和压力信号处理模块内置在一个传感器
鞋垫中，鞋垫与压力信号处理模块用
硅胶软
导线连接。所述信号处理模块输出
数字信号的压力信息，采用USB
接口连接到计算机端，计算机端可实时显示压力分布情况，也可保存压力信息数据。
[0048] 优选的，如图3所示，所述九轴传感器和足底传感器分别通过多个子线程与所述计算机端进行互操作。进一步的，包括1个足底传感器采集子线程，即线程1，4个九轴传感器采集子线程，即线程2至线程5，1个读写数据子线程，即线程6。在主线程内设置标识符，多线程并发地发送采集指令，当主线程接收到采集结束信号时被激活，发送新的采集
控制信号，子线程接收到该信号后，开始新的采集任务。
[0049] 进一步优选的，结合如图3，图4显示了所述九轴传感器和所述足底传感器的信号采集方法包括：
[0050] 第一步S101，设备校准，对九轴传感器通过加计校准去除加速度计的零偏，磁场校准用于去除磁场传感器的零偏；对左右脚的足底传感器进行多次采样，求得压力传感器片的零偏值，在之后的行走过程中，消去压力传感器片的零偏值；
[0051] 第二步S102，数据采集，在数据采集过程中，所述足底传感器的压力传感器片在压力信号处理模块的控制下采样，通过低通滤波处理，得到每个压力传感器片对应的电压值，再通过数据转换，得到对应的足底压力数据，电压转足底压力的转换方法为：
[0052]
[0053] f(p)＝Ag(V,K1,K2)3+Bg(V,K1,K2)2+Cg(V,K1,K2)+D，
[0054] 其中A,B,C,D,K1,K2为系统配置文件，根据传感器型号确定数值，V为采集得到的电压值。
[0055] 进一步优选的，在数据采集过程中，计算机端通过MODBUS协议与传感器级联，向传感器发送请求，调用传感器中的数据并返回数据值，通过计算得到传感器测量出在运动过程中的加速度和角度变化。加速度计、陀螺仪和地
磁传感器分别采样，通过卡尔曼滤波求得在行走过程中，外骨骼大腿和小腿的俯仰、横滚和偏航角。
[0056] 优选的，数据采集过程中，数据通过485串口回传计算机端，信息通过读写线程，同步保存至对应文件名TXT文档中，便于后一步的步态分析与预测的
数据处理。
[0057] 第三步S103，数据存储，构建人体助力外骨骼运动信息数据库，对所采集的多个周期的步态数据进行滤波、放大、去噪与离散化处理，得到一周期内任意时刻的步态数据后进行存储，步态数据包括关节角度数据、下肢俯仰、横滚、偏航角和足底压力数据。
[0058] 优选的，对预设数量的样本人群重复采集多组的数据并进行数据处理，建立数据库。进一步的，在数据处理时，对比同一个样本不同周期之间的差异，以及不同样本之间的差异，整合数据并优化，去除差异较大的数据，去除偏离整体平均值的比例超过预设
阈值的数据，例如超过20％，并将剩余数据平均处理，得到数据库中样本数据。
[0059] 进一步的，基于上述系统和采集获得的数据，还进一步包括对运动模式的识别，这是因为要对负重外骨骼进行控制，则必须需要知道外骨骼的运动模式，以便采取相应模式对应的动作进行助力，运动模式快速准确的辨识会使得系统更加智能。
[0060] 优选的，使用支持向量机算法(SVM)进行运动模式的辨识，SVM的
输入信号包括基于MEMS的九轴传感器采集的惯性运动数据，以及基于足底传感器采集的足底压力数据。
[0061] 对于这些采集获得的信号，使用主成分分析法(PCA)提取特征，获得特征之后，对传感器信息进行归一化，将信息的大小归一化到[0,1]区间。
[0062] 优选的，需要对运动模式进行分类，运动模式主要包括平地行走、上楼梯、下楼梯、上坡、下坡、托举、放置这7种运动模式。在大臂、小臂、背部、大腿、小腿、脚踝处安装有基于MEMS的九轴惯性传感器，用于测量在行走过程中人体大臂、小臂、大腿、小腿、躯干的俯仰、横滚和偏航角。
[0063] 在动作
模式识别过程中，具体的7种运动模式分类使用非线性模型采用一对一方法构建支持向量机分类器，然后输入训练集：
[0064] T＝{(x1,y1),(x2,y2),...,(xn,yn)}，xi∈Rd,Rd表示正实数集，yi∈{-1,+1},i＝1,2,...,n,其中xi为对应训练输入特征向量,包含归一化后的惯性
传感器数据与足底压力传感器数据，yi为对应训练输出向量的标记，确定训练输入向量为何种模式，分类器为：
[0065]
[0066] 其中w,b为超平面的参数，C＞0为惩罚参数，表示对误分样本的惩罚程度，通过调节C的大小，可控制松弛变量ξi的取值，有效去除无效的数据点，避免过拟合现象；另外，在上式基础上，通过引入Lanrange乘子ai,推导出最后的判别函数为：
[0067]
[0068] 通过使用上述算法训练252个一对一支持向量机分类模型，每个传感器对应21个一对一支持向量机分类模型，这是7种运动模式，若要一一分开，需要(6+1)*6/2＝21个支持向量机模型，12为12个传感器，其中11个惯性传感器，1个足底压力传感器。支持向量机的核心思想是通过建立最优分类面，在特征空间使得正类与反类之间能够最大化隔离，为寻找最优的分割超平面，每个分类器将特征空间划分为两部分，一部分是正类，一部分是负类，从而将数据集进行分类，可以判断输入数据为何种运动模式。
[0069] 可以将采集到的数据进行离线训练，并将训练得到的模型导入在线的运动模式辨识中，并使用多数投票法(MVA)对辨识结果进行后处理，提高辨识精度，以便对传感器进行配置优化选择。
[0070] 进一步优选的，还包括基于分类器的传感器配置优化方法，主要包括的步骤有：
[0071] 第一步，过量传感器配置从而产生过量的不同的基分类器，形成一个分类器池D＝{D1,D2,...,DL}，其中DL为第L个基分类器，将每个传感器所对应的分类器作为识别系统的一个基分类器；
[0072] 第二步，使用基分类器组合对指定7种运动模式及指定穿戴者进行预训练，采集指定运动模式的运动数据，构建外骨骼穿戴训练集；
[0073] 第三步，根据基础的外骨骼穿戴训练集使用基分类器进行训练，并保存每一个基分类器的错误分类的训练数据子集C1,C2,...,Cm(有m个基分类器)。然后令穿戴者穿戴外骨骼进行测试，并使用支持向量机方法来测量穿戴者穿戴助力外骨骼的实验动作属于某一个被错分的数据子集的程度。
[0074] 优选的，设Ci＝{ni1,ni2,...,nim}为第i个产生的基分类器所错误分类的数据子集，其中nij为给子集中的第j个数据。设运动状态集Z＝{x1,x2,...,xn}，xi代表运动状态集Z中的第i个运动状态。
[0075] 第四步，测量所作的运动状态集Z与每个被错误分类的训练数据子集Ci中每个实例nij的距离：
[0076]
[0077] 其中，xk为运动状态集Z的第k个运动状态，xijk为被错误分类的训练数据子集Ci中每个实例nij第k种运动状态，若两者相同，则f(xk,xijk)为0，否则f(xk,xijk)为1；
[0078] 第五步，测量运动状态集Z与每个被错误分类的训练数据子集Ci的距离di：
[0079]
[0080] 距离di表明了该测试动作属于该训练数据子集的程度，也间接说明了它能被错误分类训练子集的基分类器正确分类的可能性大小，di值大的表明该测试运动状态不属于此错误分类子集的程度较低，即被相应基分类器分对的可能性较低，因此应该对其赋一个较低的权重，
[0081] 优选的，在对基分类器权重的动态调整过程中，将使用1/di为基础对基分类器权重进行动态调整，并对其标准化是权重总和为1，然后使用标准化后的1/di作为第i+1基分类器的权重，故第i个基分类器的权重为：
[0082]
[0083] 第六步，根据测试实例的取值情况度量运动状态被每个基分类器正确分类的可能性大小，然后动态地对基分类器分配权重，根据权重的不断变化，在权重优化后，传感器级别分类器可被分为选择和暂时遗忘两部分，并反馈会到传感器端以实现传感器的开启和关闭。
[0084] 在每次进行分类时基分类器的权重都会根据测试运动状态的变化而变化，根据权重的不断变化，在权重不断优化后，传感器级别分类器可被分为选择和暂时遗忘两部分，并反馈会到传感器端以实现传感器的开启和关闭，达到节能和优化结果的作用。
[0085] 本发明的目的在于提出一种自适应助力外骨骼机器人运动信息采集系统及其方法，通过加速度计与陀螺仪实时精确获得识别穿戴者在穿上外骨骼机器人行走过程的关节角度信息与速度信息，识别运动状态，并通过使多部传感器自适应地实时开启或关闭，以得到不同作业任务(如负重前行，挂载重物)，不同采集场景(山地，舰只)，不同穿戴者(不同身高，不同体重)的个性化简约助力外骨骼运动采集配置方案。在不同作业任务，采集场景，即不同穿戴者的使用过程中，所需传感器数量与类型各不相同，如在负重上坡过程中，所需传感器为下肢传感器得到下肢运动角度，以及足底压力传感器获得行走过程中的
重心移动情况，不需要上肢以及部分躯干传感器的参与，而在挂载重物的过程中，需要上肢传感器进行识别，判断上肢的运动情况，下肢传感器不需要参与。当系统运行一段时间后经常遗忘的传感器可关闭采集，实现个性化自适应的传感器配置的优化。
[0086] 由此可见，本发明公开了一种自适应助力外骨骼机器人运动信息采集系统。该系统包括贴附在外骨骼机器人大臂连杆、小臂连杆、背部连杆、大腿连杆、小腿连杆和踝关节连杆的九轴传感器，以及配置于外骨骼机器人鞋内的足底传感器；所述九轴传感器用于测量各连杆运动时的俯仰、横滚和偏航角信息，并传输到计算机端；所述的足底传感器采集脚底压力信息，也传输到所述计算机端。该系统可以实时精确获得识别穿戴者在穿上外骨骼机器人行走过程的关节角度信息与速度信息，识别运动状态，得到不同的个性化简约助力外骨骼运动采集配置方案。
[0087] 以上所述仅为本发明的实施例，并非因此限制本发明的
专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
