常 遠，王道臣，郝 軼，劉 昊，何其佳，張利劍

(1.北京機械設備研究所，北京100854；2.北京靈汐科技有限公司，北京100854)

1 引言

未來太空探索可能面臨現(xiàn)場勘查、標本采集、儀器攜帶、營地建設和設備操作與維修等各項復雜任務[1]，航天員需要在未知、復雜地形完成大量的艙外行走、蹲起、搬運、負重、操作等動作。航天員穿戴具有自主式生保系統(tǒng)的艙外航天服，雖然地外空間為低重力環(huán)境，但艙外服整體質心外移，而且服內(nèi)大氣壓給關節(jié)自由度運動帶來困難，航天員關節(jié)運動存在較大阻力[2-3]，實施空間作業(yè)任務依然不會輕松。因此，國內(nèi)外機構研究通過外骨骼助力的主動航天服實現(xiàn)空間助力，例如，為提升航天員作業(yè)能力和作業(yè)績效，NASA(美國宇航局)開發(fā)了X1空間外骨骼機器人，ESA(歐洲空間局)研制了手臂外骨骼[4-5]，我國電子科大、哈工大及航天科工二院二〇六所等單位也開展了相關研究[6-7]。為實現(xiàn)主動航天服的人機協(xié)同助力，需要首先辨識人體-主動航天服的姿態(tài)和步態(tài)為助力控制提供關鍵信息。而月面工作環(huán)境與地面存在較大不同：月面重力是地面的1/6、月塵松軟、航天服阻尼較大等，會極大影響足底交互力形式和步態(tài)特征，與地面存在較大差異，對姿態(tài)/步態(tài)辨識產(chǎn)生較大挑戰(zhàn)。

為了在地面研究和驗證低重力步態(tài)，要構造一套力學系統(tǒng)來模擬低重力環(huán)境，目前主要有立式懸吊、躺臥懸掛、失重飛行、浸水等實現(xiàn)方式[8]。其中，垂向立式懸吊最普遍，其缺點是要有較高懸掛吊點，而且僅懸掛軀干使擺動腿仍受全重力；躺臥懸掛可更好對腿部進行低重力模擬，該方式曾被Roscosmos(俄羅斯宇航局)和NASA用于航天員太空旅行前的訓練[8]，但不能讓人的軀干體驗到水平加速度；失重飛行最理想，但成本高而且可用時間短；浸水較為理想，但運動流體產(chǎn)生阻力會造成附加誤差。目前，我國航天員的訓練及相關測試實驗一般選用立式懸吊和水槽實驗，例如航天員訓練中心借鑒文獻[9]設計了立式懸吊系統(tǒng)并進行了零重力和g/6、g/3低重力行走測試和分析[10-11]。

目前國內(nèi)外對低重力步態(tài)的研究主要分析不同重力對行走特性的影響分析和仿真，未考慮面向主動航天服的步態(tài)辨識[10-13]，文獻[7]涉及步態(tài)辨識，但未考慮低重力的影響也未在低重力模擬環(huán)境下進行驗證。本文針對主動航天服的步態(tài)識別問題，搭建一套多源數(shù)據(jù)傳感采集系統(tǒng)，通過數(shù)據(jù)融合提取姿態(tài)和行走步態(tài)信息，結合人體行走的周期性特征，采用模糊邏輯進行姿態(tài)和步態(tài)識別，為助力系統(tǒng)控制提供關鍵的依據(jù)信息。

2 步態(tài)識別方法

數(shù)據(jù)融合是充分利用不同時間與空間的多傳感器信息資源，對按時序獲得的多傳感器觀測信息在一定準則下加以自動分析、綜合、支配和使用，獲得對被測對象的一致解釋與描述[14]。數(shù)據(jù)融合一般分為數(shù)據(jù)級、特征級和決策級融合3個層次?；跀?shù)據(jù)融合的模擬低重力步態(tài)識別方法示意框圖如圖1所示。其中，“左雙支撐”指左腳著地但右腳未離地，左腳在前的雙支撐狀態(tài)；“左單支撐”指左腳著地支撐，右腳離地擺動，左腳單支撐狀態(tài)；“右雙支撐”指右腳著地但左腳未離地，右腳在前的雙支撐狀態(tài)；“右單支撐”指右腳著地支撐，左腳離地擺動，右腳單支撐狀態(tài)。人體行走時，不斷在這4個狀態(tài)之間進行切換。

圖1 基于數(shù)據(jù)融合的模擬低重力步態(tài)識別方法Fig.1 Gait recognition under simulated low gravity based on data fusion method

數(shù)據(jù)級融合是直接在采集到的原始數(shù)據(jù)層上進行的融合，結合傳感器自身信息，進行校準、關聯(lián)、跟蹤等局部處理。助力外骨骼主要采集足底壓力和關節(jié)角度，因此這兩種傳感器數(shù)據(jù)進行野點剔除、濾波和標度變換等處理，如圖2所示。

圖2 數(shù)據(jù)級融合處理Fig.2 Fusion at data level

特征級融合在初級處理的基礎上，提取有意義的特征，從而豐富數(shù)據(jù)的表達能力，并進行統(tǒng)一數(shù)學表達，達到信息壓縮目的，有利于實時處理。這里提取左右腳壓力和各關節(jié)角度上升時間、變化幅度、變化方向等運動趨勢特征，并對這些特征進行模糊化，得到統(tǒng)一的隸屬度表達。以變化趨勢特征為例，采用如圖3所示隸屬度函數(shù)。

圖3 角度變化隸屬度函數(shù)Fig.3 Degree of membership function for angle slope

其“不變”、“正向變化”和“負向變化”的函數(shù)表示分別為式(1)～(3)：

決策層融合輸出是聯(lián)合決策的結果，即利用融合的特征，通過模糊決策、貝葉斯推論、機器學習分類等方法確定系統(tǒng)所處的狀態(tài)。本文考慮步態(tài)是一系列有次序的運動過程，相位劃分界限不完全精確的特性，將有限狀態(tài)機(Finite State Machine，F(xiàn)SM)與模糊邏輯相結合進行狀態(tài)切換，即模糊有限狀態(tài)機(Fuzzy Finite State Machine，F(xiàn)FSM)。FSM是將步態(tài)相位定義為有限個狀態(tài)，通過判斷切換條件，確定是否進入下一狀態(tài)，該方法可保證步態(tài)識別的可靠性，避免時序錯亂。在此基礎上設計模糊規(guī)則 FFSM ＝{S，μ，Q}，其中 S表示當前狀態(tài)，μ表示條件組合的隸屬度值，Q表示輸出狀態(tài)。在當前狀態(tài)S下，通過計算進入下一狀態(tài)Q的隸屬度函數(shù)μ是否大于特定閾值即可判斷切換條件，完成了去模糊同時實現(xiàn)狀態(tài)切換的決策。例如，當前狀態(tài)為“左雙支撐”，下一狀態(tài)為“左單支撐”，如果通過計算左腳壓力持續(xù)增加且右腳壓力降低為零的隸屬度，如果結果為1，則發(fā)生狀態(tài)切換，否則維持原狀態(tài)。該過程表現(xiàn)為計算“When(左雙支撐)：If(左腳壓力持續(xù)增加and右腳壓力降低為零)，then(左單支撐)”的邏輯形式。

3 運動數(shù)據(jù)采集與分析

3.1 模擬低重力試驗系統(tǒng)

北京機械設備研究所的人體機能增強中心實驗室參照文獻[15]設計并建造了一套模擬低重力實驗裝置。該裝置采用立式懸掛方式對低重力進行補償裝置，利用彈性長繩構成多點懸吊機構，在人體的雙側小腿、雙前臂及軀干等質心位置處施加近似恒定的垂直向上的拉力，進行部分重力補償，實現(xiàn)對月球低重力環(huán)境g/6的近似模擬。

3.2 運動信息采集

由于人體行走步態(tài)的相位特征和時序特性，需要同步采集足底壓力和關節(jié)角度等運動信息，為數(shù)據(jù)分析和步態(tài)識別提供硬件和數(shù)據(jù)基礎。低重力行走時，腳底壓力是人體與地面接觸的唯一物理信息，對空間助力系統(tǒng)行走控制分析有著重要意義，而關節(jié)角度能夠提供相位的重要信息[16-17]，因此需要同步獲得足底壓力和關節(jié)角度信息。關節(jié)角度信息通過在膝關節(jié)和踝關節(jié)上的編碼器獲得，足底壓力通過在助力系統(tǒng)的鞋底部安裝壓力傳感器獲得。為了能夠準確測量足底交互力大小及其變化，需要將傳感器合理布局。圖4所示為人體在行走時足底壓力分布圖[17]，可見腳底與地面的接觸部分主要集中在3個部位，因此，在鞋底與上述相應部位配置3個壓力傳感器，雙腳共6個傳感器。

圖4 足底壓力分布Fig.4 Distribution of foot pressure

設計的同步運動信息采集系統(tǒng)如圖5所示，包括測力鞋(含壓力傳感器)、編碼器、采集板和主控制器(DSP)等部分。足底壓力傳感器的輸出為mV級(滿量程輸出為10 mV)，而且信號含有較大噪聲，需要在采集板中設計調理電路進行信號放大和濾波處理。采集卡以400 Hz頻率采集傳感器數(shù)據(jù)，并將數(shù)據(jù)發(fā)送給主控制器DSP，在DSP中實現(xiàn)對行走步態(tài)的識別。

圖5 運動信息采集系統(tǒng)Fig.5 Motion information acquisition system

3.3 模擬低重力下運動特性分析

人體在正常行走時，具有一定的規(guī)律性和準周期性。通常一個步態(tài)周期可定義為從一側腳跟著地起到同側腳跟再次著地結束，其中每條腿可分為支撐相和擺動相[16-17]。支撐相指一側腳跟著地到腳尖離地的時間，即足部與地面接觸的時間，在地面常重力下約占整個步態(tài)周期的60%～70%；擺動相指一側腳尖離地到腳跟著地時間，即足部離開地面的時間，約占整個步態(tài)周期的30%～40%。

在模擬低重力下，人體行走基本遵循類似地面常重力行走的規(guī)律性和準周期特性，但是具有一定的差異性。據(jù)文獻[11]，人體以3 km/h的低速度行走時，模擬低重力與常重力行走時的步態(tài)周期差異不大，而支撐相比例有大幅度降低，足底壓力有一定比例降低。因此，有必要分析模擬低重力下人體行走的運動特性，并根據(jù)該特性設計步態(tài)識別算法。

本研究招募了7名健康被試者(年齡29±3.5歲，身高 172.2±8.4 cm，體重 63±3.5 kg)，在模擬低重力試驗系統(tǒng)中g/6重力下，進行了以1.15 m/s(即4.14 km/h)和1.55 m/s(即5.58 km/h)的速度行走試驗。試驗發(fā)現(xiàn)，與常重力相比人體行走的周期稍有降低，分別降低8.5%和3.75%?？梢姡谀M低重力下，人體行走仍然遵循類似地面常重力行走的規(guī)律性和準周期特性。但是，在1.55 m/s速度行走時，被試可以自由選擇“正常行走”或“帶輕微跳躍行走”，而且被試更自然地選擇后一種行走方式，此時感覺較舒適，步態(tài)周期較常重力下延長46%，支撐相比例縮短43%。

圖6所示為常重力與低重力下，人體運動測試的足底壓力曲線，其中，藍色實線為常重力1.15 m/s步速，藍色虛線為低重力1.15 m/s步速；黑色實線為常重力1.55 m/s步速，黑色虛線為低重力 1.55 m/s步速；紅色實線為低重力1.55 m/s步速帶輕微跳躍的行走模式?？梢?，低重力下足底壓力的第一個波峰要比常重力下降51.8%(1.15 m/s步速)和55.7%(1.55 m/s步速)，第二個波峰已不太明顯，比常重力下降81.4%(1.15 m/s步速)和84.5%(1.55 m/s步速)；在1.55 m/s步速時，如果以帶小跳躍方式行走，則只有一個波峰，而足底力峰值降低40.7%。

圖6 常重力與模擬低重力下足底壓力對比Fig.6 Comparison of foot pressures between normal and simulated low gravities

4 步態(tài)辨識試驗

本研究將步態(tài)識別算法應用于空間助力系統(tǒng)的步態(tài)識別程序設計。試驗在第3.1節(jié)所述模擬低重力試驗系統(tǒng)進行，被試者著助力系統(tǒng)進行平地行走和上下臺階運動。試驗過程中同步采集步態(tài)識別結果、足底力、髖踝角度等數(shù)據(jù)。

圖7和圖8所示分別為模擬低重力下1.15 m/s和1.55 m/s平地行走步態(tài)識別結果。其中，步態(tài)的狀態(tài)“2”表示“左雙支撐”狀態(tài)，“1”表示“左單支撐”狀態(tài)，“-1”表示“右雙支撐”，“-2”表示“右單支撐”?？梢?，本研究的方法可在不同行走速度時的步態(tài)辨識結果具有較好的適應性。

圖7 模擬低重力下1.15 m/s行走步態(tài)識別結果Fig.7 Gait recognition results of walking at the speed of 1.15 m/s under simulated low gravity

圖9 和圖10分別為模擬低重力下，上臺階和下臺階行走的步態(tài)識別結果。臺階共有4級，左右腳的重心切換共有5次。在上下臺階行走時，膝關節(jié)角度要比平地行走時屈曲的角度大，前者達到-70°，后者最大幅度到-35°。

圖8 模擬低重力下1.55 m/s行走步態(tài)識別結果Fig.8 Gait recognition results of walking at the speed of 1.55 m/s under simulated low gravity

圖9 模擬低重力下上臺階步態(tài)識別結果Fig.9 Gaitr ecognition results of stairs-up under simulated low gravity

圖10 模擬低重力下下臺階步態(tài)識別結果Fig.10 Gait recognition results of stairs-down under simulated low gravity

綜上，本研究將所提出的基于數(shù)據(jù)融合的步態(tài)識別方法應用于空間助力系統(tǒng)的在線辨識，由實測數(shù)據(jù)可見，本方法能夠適用不同速度下平地行走、上臺階和下臺階的連續(xù)步態(tài)辨識，相位切換連續(xù)、無錯亂，這對助力控制來說尤為重要，相比一般模式識別方法的辨識結果，可以有效避免系統(tǒng)控制執(zhí)行器的振蕩和誤動作。

5 結論

本文搭建了低重力模擬系統(tǒng)及其步態(tài)數(shù)據(jù)采集系統(tǒng)，基于低重力步態(tài)特性，設計了基于數(shù)據(jù)融合的辨識方法并進行了模擬低重力環(huán)境的在線辨識試驗，結果表明可準確及時辨識不同運動模式和行走速度的下肢運動相位，為空間有動力航天服的人機協(xié)同控制提供關鍵信息。