贵州航天控制技术有限公司
摘要运动模式识别是实现外骨骼人机协同控制决策的核心关键技术。提出一种基于有限状态机的人体运动模式识别算法,构建有限状态机模型,通过人体姿态信息时域特征进行模式识别,并开展试验验证,试验表明,典型复合地形条件下连续运动模式识别率达到95.5%,算法性能良好,满足外骨骼智能控制的基本应用。
主题词 IMU 有限状态机 外骨骼 运动模式识别
1 引言
外骨骼系统是一种典型的人机共融协同一体系统,可将人的智能与机器承担负载的能力有效结合起来,以增强人的运动及负重能力[1]。运动模式识别是实现外骨骼机器人的人体协同控制决策、安全稳定行走的关键,对于运动模式识别的研究主要有两类方法:1)基于视频图像的识别方法;2)基于穿戴式装置的识别方法,采用传感器设备,如加速度计、陀螺仪等组成姿态检测系统检测人体运动信息[2],该类方法因其成本低、隐私性好等特点,在外骨骼研究领域得到广泛研究与使用。现有研究主要是针对单运动模式进行识别,对于典型复合地形条件下连续运动模式识别研究少且精度低,不能满足外骨骼智能控制的基本应用。
本文基于IMU惯性传感器搭建人体运动信息采集系统,通过构建的人体运动模式识别模式实现连续多模式的准确识别,该识别方法复杂度低,延时小,且考虑了不同运动模式切换的情况,识别效果好。
2 基于有限状态机的人体运动模式识别策略
2.1 人体运动模式转移规划
外骨骼系统考虑的运动模式主要是人在日常行走运动过程中经常出现的运动行为,包括站立、行走、上楼梯、下楼梯、跑步、大跨步、下蹲等7种运动模式。外骨骼系统辅助人体运动时,上述运动模式在时序上是呈现自状态转移与他状态转移两种情况,此外,在构建行为模式状态转移模型时,同时考虑人体运动行为的习惯性与外骨骼助力的安全性,规定人体运动模式转移规划如图1所示,只要确定当前运动模式,即可通过模式转移条件判断下一时刻的运动模式。
图1人体运动模式转移规划
2.2 基于有限状态机的人体运动模式识别模型
有限状态机(FSM,Finite State Machine)是表示系统中有限多个状态以及在这些状态之间转移和动作等行为的数学模型[3]。人在正常运动时,运动模式在时序上不断进行状态转移,所以采用FSM进行人体运动多模式识别。基于FSM的人体运动模式识别算法总体流程包括两个部分:离线训练和在线识别,首先将IMU数据集(角度数据和加速度数据)分为训练集和测试集,利用训练集数据进行数据预处理及特征提取,根据提取的特征及模式划分建立FSM模型;将实时采集的测试集数据输入建立好的FSM模型,根据运动模式切换条件,得出识别结果,确定该时刻的运动模式。
人体运动模式识别模型可以表示成如下的5元函数组:
(2)
其中表示内部状态的非空集合
,n为状态数,
为初始状态;
为输入集合;
是状态转移S函数,决定了从当前状态转移到下一状态的条件函数;
为终止状态集合,即识别成功的状态。
以站立、行走、上下楼等运动模式作为状态,以IMU数据作为输入信号,建立人体运动模式转移与FSM的映射关系,如表1所示。
表1 运动模式转移与有限状态机的映射关系
模型参数 | 内容 | |
| ||
| ||
| ||
| ||
| ||
3基于有限状态机的人体运动模式识别算法验证
为了验证文中提出的步态识别方法的有效性,对六名身高170cm-185cm,体重65kg-90kg的健康人员进行实验,每名测试人员穿戴外骨骼连续完成7种类型的运动模式,在测试过程中,对测试人员的行为不做任何约束。通过实验验证,运动模式识别结果如表3所示。识别准确率的定义为:
(3)
其中,为识别准确率,
为正确识别的步数,
测试的总步数。
表2 实验结果
模式 | 单模式 | 连续多模式 | ||||||
站立 | 行走 | 上楼 | 下楼 | 跑步 | 大跨步 | 下蹲 | ||
识别率 | 99.9% | 99.5% | 99.0% | 99.0% | 98.5% | 97% | 98% | 95.5% |
试验结果如图3所示。
图2连续多运动模式识别结果
4 结论
采用IMU惯性传感器搭建运动信息采集系统,针对不同运动模式的姿态角度信息与加速度信息的周期性与差异性,建立基于有限状态机(FSM)的人体运动模式识别模型,通过实验结果分析,该模型可以较准确识别日常活动中人体多种运动模式,单运动模式识别率达到98%以上,连续运动模式识别率达到95.5%以上。
参考文献
[1]李渠成.人类负重外骨骼结构及其伺服控制系统设计研究.浙江工业大学,2016
[2]秦勇,臧希喆,王晓宇,等.基于MEMS惯性传感器的机器人姿态检测系统的研究.传感技术学报,2007
[3]孙宏旭,邢薇,陶林.基于有限状态机的模型转换方法的研究.计算机技术与发展,2012
邮编:550025
地址:贵州省贵阳市花溪区红河路7号
电话:15685312609