李劍鋒， 周 宇， 王海東， 董明杰

(北京工業(yè)大學材料與制造學部先進制造技術(shù)北京市重點實驗室， 北京 100124)

康復、助力機器人主要應用于日常生活中，實現(xiàn)肢體康復、助老助殘的目的[1-3]. 在下肢康復、助力機器人領域，為保證機器人能夠?qū)θ梭w進行實時有效的助力，提高人機相容性，運動學信息采集技術(shù)被廣泛地采用. 運動學信息采集系統(tǒng)為機器人控制提供人體實時的運動學信息，保證機器人與人體步態(tài)一致. 因此，運動學信息采集系統(tǒng)的開發(fā)成為下肢康復、助力機器人研發(fā)的關鍵技術(shù)之一[4-5].

近年來，國內(nèi)外許多研究者注重于開發(fā)高集成性、高穩(wěn)定性、高可靠性的運動學信息采集系統(tǒng)，并在實驗中取得了較好的驗證. 如Beravs等[6]基于慣性測量單元(inertial measurement unit，IMU)開發(fā)了體積小、結(jié)構(gòu)開放、集成于下肢外骨骼式助力機器人的運動學信息采集系統(tǒng)，利用多個傳感器數(shù)據(jù)獲取了下肢各個關節(jié)角度信息，以光學運動捕捉系統(tǒng)采集的信息作為對比. Mueller等[7]開發(fā)了一種低成本的、可移動的檢測系統(tǒng)，利用IMU和2個力傳感器感知下肢步態(tài)信息和地面反應力及力矩，通過建立人體下肢運動學模型，利用擴展卡爾曼濾波(extended Kalman filter，EKF)融合加速度與角加速度信息得到關節(jié)角度. Seel等[8]設計了一種穿戴式的運動學信息采集設備，提出了一種使用陀螺儀和加速度計進行關節(jié)軸線識別及屈/伸關節(jié)角度測量的方法，測量數(shù)據(jù)與光學三維運動捕捉系統(tǒng)所測得的數(shù)據(jù)在膝關節(jié)屈伸運動下有3°左右的誤差，在踝關節(jié)屈伸運動下有1°左右的誤差. Hu等[9]提出了一種關節(jié)角度測量方法，將IMU放置在腳跟和骨盆，利用運動學逆解計算出髖、膝及踝關節(jié)的角度，與光學動作捕捉系統(tǒng)同時獲得的測量值進行了對比驗證. Park等[10]提出了一種7自由度的穿戴式下肢運動學信息采集機構(gòu)，利用6個編碼器、8個表面肌電信號傳感器(surface electromyography, sEMG)和8個力傳感器，分別在平地行走和上樓梯2種人體活動下進行了實驗. 前述文獻中開發(fā)的運動學信息采集系統(tǒng)多應用于外骨骼機器人中，對于柔性助力機器人涉及得較少，多采用有線傳輸增加了穿戴的不適感，另外多數(shù)研究者只在室內(nèi)進行了平地行走實驗，考慮到實際中康復、助力機器人應用在多種步態(tài)活動下，故運動學信息采集系統(tǒng)在多種步態(tài)活動下實驗并進行識別分類是有必要的.

基于上述分析，本文針對下肢柔性助力機器人對無線傳輸、穿戴方便以及步態(tài)識別等特殊要求，開發(fā)了一種基于航姿參考模塊(attitude and heading reference system, AHRS)的下肢柔性助力機器人運動學信息采集系統(tǒng)，該系統(tǒng)設計了6個微型航姿參考模塊(MiniAHRS)用來感知人體運動姿態(tài)，實時輸出姿態(tài)角，4個壓力傳感器固定在足底以對步態(tài)周期進行監(jiān)測，利用ZigBee技術(shù)組建無線傳感器網(wǎng)絡完成數(shù)據(jù)傳輸，通過建立D-H模型實現(xiàn)下肢關節(jié)角度解算，上位機軟件采用C#語言編寫，能夠完成采集的相關設置并實時顯示人體運動過程中運動學信息的變化. 下肢柔性助力機器人運動學信息采集系統(tǒng)具有體積小、功耗低、無線傳輸、多通道、穩(wěn)定性高及可靠性高等優(yōu)點. 相應地，為了驗證系統(tǒng)的性能，以Vicon系統(tǒng)采集的數(shù)據(jù)作為對比，在不同的步態(tài)活動(平地行走、上下樓梯、上下斜坡及原地蹲起)下進行了實驗并利用決策樹分類器對不同的步態(tài)活動進行了識別分類.

1 下肢柔性助力機器人系統(tǒng)

下肢柔性助力機器人因采用合成纖維材料而減少人體代謝的消耗和對關節(jié)活動范圍的影響[11-12]，而且能夠避免和解決外骨骼助力出現(xiàn)的因人機關節(jié)難對齊、質(zhì)量大導致的加劇人體代謝消耗問題[13-14]. 下肢柔性助力機器人結(jié)構(gòu)簡圖如圖1所示.

圖1 下肢柔性助力機器人結(jié)構(gòu)Fig.1 Structure of lower limb soft assistance robot

其工作原理為：背包中的控制器提供驅(qū)動力，該力通過鮑登線傳遞至下肢髖、膝、踝關節(jié). 通過控制算法有規(guī)律地驅(qū)動鮑登線，帶動下肢進行相應的步態(tài)運動，降低人體能量消耗，實現(xiàn)助力效果.

以人體骨骼為支撐結(jié)構(gòu)的下肢助力機器人，其設計結(jié)合了人體步態(tài)運動原理，由步態(tài)運動原理知，一個完整的步態(tài)周期是指人體一側(cè)足跟首次觸地到再次觸地的過程[15]. 一個步態(tài)周期中能量主要由髖關節(jié)和踝關節(jié)提供，所以優(yōu)選髖、踝關節(jié)進行助力能夠達到更好的助力效果[16]. 布帶的分布軌跡是下肢柔性助力機器人結(jié)構(gòu)設計的關鍵問題，為了使能量傳遞的效率達到最高并考慮人體穿戴機器人的舒適感，布帶軌跡分布的設計簡圖和人體穿戴效果如圖2所示.

圖2 布帶分布設計和人體穿戴效果Fig.2 Tape distribution trajectory and wearing effect

2 運動學信息采集系統(tǒng)設計

下肢柔性助力機器人運動學信息采集系統(tǒng)所采用的MiniAHRS分別安置在人體大小腿的矢狀面(指前后方向，將人體分成左、右兩部分的縱切面，與地平面垂直)和腳背，感知人體下肢姿態(tài)變化. 每一個步態(tài)周期的開始和結(jié)束依據(jù)足跟離地和足尖著地來劃分，所以壓力傳感器安置在足底的腳跟和腳尖，對步態(tài)周期進行監(jiān)測，系統(tǒng)流程如圖3所示.

圖3 運動學信息采集系統(tǒng)流程Fig.3 Flow chart of kinematics information acquisition system

人體穿戴機器人后，通過軟件設置MiniAHRS的輸出頻率為100 Hz，并獲得人體初始的姿態(tài)信息. 穿戴形式將引起MiniAHRS有微小的偏差，在人體開始運動前進行補償校正以保證數(shù)據(jù)的精度，且MiniAHRS的數(shù)據(jù)以歐拉角的形式輸出. 根據(jù)人體下肢關節(jié)運動特性建立運動學模型獲取下肢運動學信息，通過決策樹分類器對步態(tài)活動進行識別，最終由上位機接收數(shù)據(jù)信息并實時地顯示人體運動過程中運動學信息的變化.

2.1 MiniAHRS設計

AHRS是一種由基于微機電系統(tǒng)(micro-electro-mechanical system，MEMS)的三軸陀螺儀、加速度計和磁強計組成慣性測量裝置，能夠提供載體在空間坐標系下準確且可靠的姿態(tài)信息[17]. MiniAHRS是針對下肢柔性助力機器人設計的姿態(tài)參考模塊，具有體積小、功耗低、易集成的特點，并且能夠良好地適應機器人的工作環(huán)境. MiniAHRS將陀螺儀、加速度計和磁強計通過I2C總線與ARM處理器相連，融合后的數(shù)據(jù)進入無線傳感器網(wǎng)絡進行傳輸，數(shù)據(jù)融合過程利用了KF計算出四元數(shù)的最優(yōu)估計，由四元數(shù)得出載體的姿態(tài)角.

2.2 星型無線傳感器網(wǎng)絡組建

針對于下肢柔性助力機器人運動學信息采集系統(tǒng)在低功耗和數(shù)據(jù)無線傳輸距離以及準確率等方面的特殊要求，本文組建了一種基于CC2530芯片和ZigBee協(xié)議棧的星型無線傳感器網(wǎng)絡.

ZigBee依據(jù)設備在網(wǎng)絡中起到的作用不同，分為協(xié)調(diào)器、路由節(jié)點及終端節(jié)點[18]，不同的網(wǎng)絡拓撲結(jié)構(gòu)所采用的設備及它們起到的功能也不同，本文采用一個協(xié)調(diào)器(full functional device，F(xiàn)FD)和多個終端節(jié)點(reduced function device，RFD)組建了星型拓撲網(wǎng)絡，拓撲結(jié)構(gòu)如圖4所示.

圖4 星型拓撲結(jié)構(gòu)圖Fig.4 Structure of star topology

在星型網(wǎng)絡中，協(xié)調(diào)器作為中央控制器對多個終端節(jié)點進行數(shù)據(jù)接收，并將數(shù)據(jù)通過RS232串口傳輸給上位機，同時協(xié)調(diào)器負責整個無線網(wǎng)絡的組建、管理及維護. 終端節(jié)點負責采集MiniAHRS與壓力傳感器的數(shù)據(jù)，將傳感器數(shù)據(jù)返回協(xié)調(diào)器中. 建網(wǎng)成功后，協(xié)調(diào)器對網(wǎng)絡信號進行接收，當終端節(jié)點向協(xié)調(diào)器發(fā)送入網(wǎng)請求時，協(xié)調(diào)器同意并為其分配網(wǎng)絡地址以完成關聯(lián)，進而實現(xiàn)通信.

終端節(jié)點的設計包含采集功能模塊、處理功能模塊、電源模塊及無線收發(fā)模塊，硬件結(jié)構(gòu)如圖5所示，其中采集功能模塊中MiniAHRS和壓力傳感器對數(shù)據(jù)進行采集和轉(zhuǎn)換，處理功能模塊對數(shù)據(jù)進行存儲和處理，電源模塊為終端節(jié)點提供運行所需能量，無線收發(fā)模塊負責終端節(jié)點與協(xié)調(diào)器的數(shù)據(jù)通信.

圖5 終端節(jié)點硬件結(jié)構(gòu)Fig.5 Terminal node hardware structure

3 關節(jié)角度轉(zhuǎn)化與步態(tài)活動識別

3.1 建立運動學模型及角度轉(zhuǎn)化

人體下肢的活動主要由髖、膝及踝關節(jié)的運動復合而成，在行走過程中主要以髖關節(jié)的前屈/后伸運動，膝關節(jié)的屈曲/過伸運動及踝關節(jié)的跖屈/背伸運動為主. 根據(jù)行走過程中各關節(jié)的主要運動形式，建立人體下肢運動學模型，由于各關節(jié)的主要運動均是在人體矢狀面繞其轉(zhuǎn)軸的轉(zhuǎn)動，因此可以簡化下肢為6-DOF的連桿機構(gòu)，一側(cè)擁有3個轉(zhuǎn)動自由度，利用D-H法建立坐標系，根據(jù)各個關節(jié)之間的旋轉(zhuǎn)變換關系實現(xiàn)角度轉(zhuǎn)化.

如圖6所示，以右腿為例，髖、膝及踝關節(jié)均被簡化成轉(zhuǎn)動副，采用D-H方法，在髖關節(jié)旋轉(zhuǎn)中心建立固定坐標系O0x0y0z0，其與MiniAHRS的導航坐標系姿態(tài)相同，x0軸由髖關節(jié)旋轉(zhuǎn)中心O0垂直指向地面，y0軸與x0軸垂直，由O0指向人體前方，z0軸由右手法則確定.分別在髖、膝及踝關節(jié)建立坐標系Oixiyizi(i=1,2,3)，xi軸的方向由連桿i指向連桿i+1，zi軸均與z0軸同向，yi軸由右手定則確定.在MiniAHRS放置的位置處建立傳感器載體坐標系Osjxsjysjzsj(j=1,2,3).如圖6(b)所示，載體坐標系Osjxsjysjzsj(j=1,2,3)各軸方向與Oixiyizi(i=1,2,3)指向相同，不存在旋轉(zhuǎn)變換，因此能夠表示髖、膝及踝關節(jié)的姿態(tài)信息，連桿各關節(jié)變量由θk(k=1,2,3)表示.

圖6 下肢結(jié)構(gòu)與D-H坐標Fig.6 Structure of lower limb and D-H coordinate

假設傳感器載體坐標系Osjxsjysjzsj(j=1,2,3)相對于導航坐標系n的旋轉(zhuǎn)矩陣為

(1)

(2)

式中

(3)

通過式(1)(2)相等，求解θ2=αs2-θ1.

(4)

式中

(5)

通過式(1)和式(4)相等求解θ3=αs3-θ1-θ2.

根據(jù)以上求解過程，當MiniAHRS采集的角度αs1、αs2、αs3已知，便可以求得關節(jié)變量θ1、θ2、θ3的值.

當關節(jié)變量已知，如圖7所示，θlh、θlk、θla表示左腿的髖、膝及踝關節(jié)角度，θrh、θrk、θra表示右腿的髖、膝及踝關節(jié)角度，以右腿為例，關節(jié)角度與關節(jié)變量的關系表示為

(6)

圖7 關節(jié)角度示意Fig.7 Angle for each joint

3.2 步態(tài)活動識別

當助力機器人對人體進行助力時，為達到良好的助力效果，對人體的步態(tài)活動分類是有必要的，機器人控制系統(tǒng)通過識別出人體當前所進行的運動形式，了解到人體的運動意圖，然后對助力的形式和力的大小進行調(diào)整以滿足當前人體對力的需求.

3.2.1 特征屬性提取

如圖8所示，步態(tài)周期分割與特征屬性提取都是設計分類器的基礎，利用壓力傳感器的數(shù)值對步態(tài)進行分割，由于下肢的活動通常都是循環(huán)往復的，因此只需分割出一個步態(tài)周期內(nèi)的關節(jié)角度值.

圖8 決策樹分類器設計步驟Fig.8 Design steps of decision tree classifier

對于分割后的步態(tài)信息進行特征提取決定著分類器的準確性[19].通常主要應用于特征提取的分析有時域分析和頻域分析，另外基于人體步態(tài)活動的特征比如角度特征分析也常用于步態(tài)識別的特征提取[20].本文主要利用時域分析和角度特征分析相結(jié)合的方法對一個周期內(nèi)的步態(tài)信息進行特征提取.在信號時域特征中主要利用數(shù)據(jù)的均方根值和最大值，具體地，膝關節(jié)角度的均方根值和最大值分別用Krms、Kmax表示，Krms由式(7)求得，Krms在識別上下樓梯活動的過程中具有較高的準確率，而當人體進行蹲起活動時，Kmax與其他活動相比具有明顯區(qū)別，因此Kmax作為識別蹲起活動的關鍵特征.

(7)

式中n代表一個步態(tài)周期內(nèi)有n個采樣的點.

另外在識別其他活動的過程中，本文利用人體的關節(jié)角度特征作為特征屬性，具體地，假設人體在上樓梯、下樓梯的活動中，當右腿剛進入支撐期時的膝關節(jié)角度表示為Ksup，如圖9(a)(b)所示，上樓梯時10°90°且平地行走時Asup≈90°，利用安置在足底腳尖和腳跟的壓力傳感器數(shù)值的變化可判斷右腿進入支撐期的時刻.

圖9 不同步態(tài)活動下角度特征Fig.9 Angle characteristics under different gait activities

經(jīng)過時域分析和角度特征分析提取的特征屬性表示為Xm(m=1,2,3,4)，分別代表屬性Kmax、Krms、Ksup以及Asup.

3.2.2 分類器設計

本文基于決策樹分類方法設計的分類器共有6種分類類別，用Pi(i=1,2,…,6)表示的步態(tài)活動分別為平地行走、上樓梯、下樓梯、上坡、下坡、原地蹲起，這6種步態(tài)活動包含了日常生活中基本的步態(tài)活動.假設通過訓練分類器得到一組帶有類別標記的訓練元組集合S，利用ID3算法計算信息增益設計決策樹.首先根據(jù)式(8)計算正確分類期望的信息，再依據(jù)式(9)(10)分別計算屬性Xm的信息熵和信息增益[21].

(8)

(9)

Gain(Xm)=I(S1,S2,…,S6)-E(Xm)

(10)

式中：Si(i=1,2,…,6)代表訓練元組集合S中各類別的元組數(shù)量；v代表屬性Xm不同屬性值的數(shù)量，S1j～S6j代表在第j個屬性值下訓練元組集合S中各類的元組數(shù)量.

在決策樹中以最高的Gain(Xm)作為根節(jié)點的屬性，并對除根節(jié)點屬性之外的其他屬性繼續(xù)用式(8)～(10)計算信息增益，以擁有最高信息增益值的屬性作為下一個節(jié)點，直到?jīng)Q策樹設計完成.

4 系統(tǒng)性能評價

4.1 系統(tǒng)穩(wěn)定性及可靠性驗證

為了驗證下肢柔性助力機器人運動學信息采集系統(tǒng)的穩(wěn)定性和可靠性，本文以Vicon系統(tǒng)采集的數(shù)據(jù)作為參考，Vicon系統(tǒng)是由攝像機捕捉反光點在三維空間的坐標值，通過建立人體模型，全面地反映人體的運動學信息，具有較高的數(shù)據(jù)精度.

受試人員為一名身體健康的男性，無下肢肌肉、骨骼疾患，身高171 cm，年齡25歲，體質(zhì)量70 kg，實驗在6種步態(tài)活動下共進行60組，每種步態(tài)活動下進行10組，每組完成后休息1～2 min. 實驗前，受試人員需著緊身上衣和下衣，穿戴下肢柔性助力機器人后依據(jù)Vicon系統(tǒng)標志點的粘貼要求，在人體的不同位置處共粘貼標志點16個，如圖10所示.

圖10 Vicon系統(tǒng)傳感器配置Fig.10 Configuration of sensors in Vicon system

如圖11所示，受試者在平地完成蹲起和行走活動. 在樓梯模型和斜坡模型上完成上、下樓梯及上、下斜坡活動，如圖12、13所示.

圖11 平地蹲起和行走活動實驗Fig.11 Snapshot of squatting and walking on flat ground activity experiment

圖12 上下樓梯活動實驗Fig.12 Snapshot of up and down stairs activity experiment

圖13 上下斜坡活動實驗Fig.13 Snapshot of up and down slope activity experiment

圖14～19為以右腿為例的6種步態(tài)活動下實驗數(shù)據(jù)與Vicon數(shù)據(jù)的對比結(jié)果圖. 可知，在6種步態(tài)活動下運動學采集系統(tǒng)的數(shù)據(jù)與Vicon系統(tǒng)采集的數(shù)據(jù)具有很高的相似度，角度變化趨勢保持一致，平均誤差小于5°，結(jié)果表明，運動學采集系統(tǒng)具有較高的實時性和準確性，能夠為下肢助力機器人提供穩(wěn)定的控制信息.

圖14 蹲起活動的實驗數(shù)據(jù)與Vicon 數(shù)據(jù)的對比結(jié)果Fig.14 Comparison results of experimental data and Vicon data under squat activity

圖15 平地活動的實驗數(shù)據(jù)與Vicon數(shù)據(jù)的對比結(jié)果Fig.15 Comparison results of experimental data and Vicon data under walking on flat ground

圖16 上樓梯活動的實驗數(shù)據(jù)與Vicon數(shù)據(jù)的對比結(jié)果Fig.16 Comparison results of experimental data and Vicon data under walking up the stairs

圖17 下樓梯活動的實驗數(shù)據(jù)與Vicon數(shù)據(jù)的對比結(jié)果Fig.17 Comparison results of experimental data and Vicon data under walking down the stairs

圖18 上坡活動的實驗數(shù)據(jù)與Vicon數(shù)據(jù)的對比結(jié)果Fig.18 Comparison results of experimental data and Vicon data under walking up the slope

圖19 下坡活動的實驗數(shù)據(jù)與Vicon數(shù)據(jù)的對比結(jié)果Fig.19 Comparison results of experimental data and Vicon data under walking down the slope

4.2 步態(tài)識別準確性驗證

為驗證步態(tài)識別的準確性，以900例數(shù)據(jù)(每種步態(tài)活動150例)對分類器進行訓練和驗證步態(tài)識別的正確率，其中450例用來訓練分類器，獲得決策樹分類器的結(jié)構(gòu)如圖20所示，另外450例用來測試分類器的正確率，結(jié)果如表1所示.

圖20 決策樹結(jié)構(gòu)Fig.20 Decision tree structure

由表1步態(tài)活動識別分類結(jié)果可知，該決策樹分類器在步態(tài)活動P2、P3、P6(上樓梯、下樓梯、原地蹲起)的識別中正確率能夠達到90%左右，在P1、P4、P5(平地行走、上坡、下坡)中正確率達到85% 左右.

表1 步態(tài)活動識別分類結(jié)果

5 結(jié)論

1) 考慮下肢柔性助力機器人對無線傳輸、穿戴方便以及步態(tài)識別等特殊要求，開發(fā)了一種具有體積小、功耗低、無線傳輸、多通道、穩(wěn)定性高及可靠性高等優(yōu)點的運動學信息采集系統(tǒng).

2) 在不同的步態(tài)活動下，以Vicon采集系統(tǒng)作為參考，分析了下肢柔性助力機器人運動學信息采集系統(tǒng)的數(shù)據(jù)采集精度，驗證了系統(tǒng)的穩(wěn)定性和可靠性.

3) 基于決策樹分類器對不同的步態(tài)活動進行識別分類，表1為步態(tài)識別結(jié)果，結(jié)果表明該分類器具有可行性.