外骨骼機器人的人體步態感知系統設計*

周 攀， 楊 勇， 馬 磊， 舒 楊

(1.西南交通大學 電氣工程學院,四川 成都 610031；2.中國工程物理研究院 總體工程研究所,四川 綿陽 621900)

?

外骨骼機器人的人體步態感知系統設計*

周 攀1， 楊 勇1， 馬 磊1， 舒 楊2

(1.西南交通大學 電氣工程學院,四川 成都 610031；2.中國工程物理研究院 總體工程研究所,四川 綿陽 621900)

針對下肢負重外骨骼機器人與其穿戴者運動協調的問題，設計一種人體步態感知系統，對人體下肢關鍵部位的運動狀態采集和預測。用6個MTI—30姿態傳感器采集人體下肢的姿態數據；以ARM微處理器STM32F407為計算單元，對采集的步態數據解算、預測和傳輸；用非線性時間序列分析Takens算法預測人體下肢關鍵部位的旋轉運動。實驗結果表明：該系統功能穩定，能準確對人體下肢的步態數據采集和預測，預測結果穩定可靠，為外骨骼控制器提供可靠的參考信息。

外骨骼； 姿態傳感器； 步態感知； Takens算法； ARM

0 引 言

下肢負重外骨骼是一種可穿戴機器人，通過為人體提供外力支持，達到降低人體的負荷、提高人體持久運動能力的目的，在提高單兵作戰能力、專配維修作業及醫療助殘方面有廣泛的應用前景[1～5]。

下肢負重外骨骼工作機理為感知系統實時捕獲人體步行狀態，控制器產生控制信號驅動機械骨骼跟隨人體運動。從感知系統捕獲人體步態到輸出控制信號，以及驅動機構(通常為電機或液壓)驅動外骨骼關節到達目標軌跡均需要一定的時間，而此過程人體已經運動到另一狀態，因此,機械外骨骼步態滯后于穿戴者步態，從而干擾穿戴者的行走行為。為解決此問題，其控制系統的參考信號應當超前于人體的運動狀態，需要對人體運動步態進行實時、準確的捕獲和預測。

針對上述問題，本文設計一種步態感知系統，系統使用6只姿態傳感器MTI—30采集人體下肢步態數據，用ARM微控器對步態數據進行在線預測，為外骨骼控制器提供可靠的參考信息。

1 系統總體結構

人體下肢運動信息復雜多變，步態感知系統是實現人機信息交互，實時控制的硬件基礎，其總體結構如圖1所示。步態感知系統由6只姿態傳感器(左右腿分別使用3只傳感器)和1個數據處理主板組成，主要包括兩個功能：下肢關節角度感知和下肢關節旋轉角度預測。

傳感器的配戴方式如圖2所示，人體下肢的圓點表示姿態傳感器，在人的大腿、小腿和腳掌上按同樣的方式分別配戴一個姿態傳感器，可通過兩個相鄰傳感器的數據進行簡單的代數運算得出膝關節、踝關節的角度信息。

圖2 傳感器配戴方式Fig 2 Diagram of sensor allocation mode

2 硬件設計

2.1 傳感器

系統的傳感器采用的是XSENS公司的MTI—30姿態傳感器，該傳感器包含三軸加速度計、三軸陀螺儀和三軸電子羅盤，內嵌低功耗的ARM處理器，各軸角度輸出通過其自帶的卡爾曼濾波器最優估計得出，靜態及動態導向誤差分別為0.2°,0.5°，姿態解算速率最高可達500 Hz，本文的步態感知系統將解算速率配置為100 Hz，即每10 ms向主板傳輸一次采樣數據。傳感器信號輸出采用的是RS—232協議，為了能夠和主板上ARM微控器通信，需要電平轉換，將RS-232協議的電平轉換為TTL電平。如圖3所示，電平轉換采用芯片MAX3387，該芯片有3個電平轉換通道。

圖3 傳感器接口硬件框圖Fig 3 Hardware block diagram of sensor interface

2.2 數據處理主板

系統的主板由2個電平轉換芯片、3個微控器、一個無線模塊構成，其硬件框圖如圖4所示。電平轉換芯片選擇的是MAX3387，作為微控器和姿態傳感器之間通訊的中轉站，負責TTL電平和RS—232電平之間的轉換。微控器采用的是ARM內核的STM32F407單片機，該單片機集成了UART,SPI等通信模塊，能夠簡化硬件和軟件設計，主頻可達168 MHz，內嵌浮點運算單元(FPU)，可以快速處理浮點運算，圖中1#，2#微控器分別處理左腳、右腳的傳感器數據，并通過SPI模塊發送給1#微控器。由于兩只腳的傳感器數據分別在不同的微控器上并行計算，因此，需要將兩只腳的數據同步整合，1#微控器主要作用是對另外兩個微控器的數據進行整合，實現時間同步并通過無線模塊發送到外骨骼控制器或者上位機。無線模塊采用的是XBee-PR 900HP，其傳輸速度可達250 kbps，在城市的通信距離長達100 m。

圖4 數據處理主板硬件框圖Fig 4 Hardware block diagram of data processing mainboard

3 軟件設計

3.1 傳感器數據接收軟件設計

MTI—30姿態傳感器的數據是按照特定格式的數據幀封裝的，因此,需要設計軟件來解算數據幀。如圖5所示，系統通過中斷來實現數據解算，STM32單片機的UART模塊每接收1個字節的數據就促發一次中斷，因此,傳感器的一幀數據需要促發多次中斷才能解算完畢。

圖5 數據幀解算流程Fig 5 Resolving flow chart of data frame

3.2 主程序軟件設計

左、右腳傳感器數據處理流程如圖6(a)所示，當程序檢測到3只傳感器的采樣數據都已接收成功，計算出膝蓋、腳踝的夾角數據，通過非線性時間序列分析Takens算法可以對關節的旋轉角度進行預測，將預測量及其他數據通過SPI模塊發送給1#微控器，該算法將在下一節進行介紹。數據轉發也按照MTI—30的幀格式封裝，因此，1#微控器解算數據幀的方式和解算傳感器數據幀是一樣的，如圖5所示，其主程序流程圖如圖6所示。

圖6 主程序流程圖Fig 6 Flow chart of main program

3.3 步態預測Takens算法

20世紀80年代，Packard等人提出了由非線性時間序列來重構奇異吸引子相空間的思想方法[6]，并研究其非線性動力學特性。于此同時，Takens獨立地提出用延時坐標法和標量時間序列來重構奇異吸引子相空間[7],奠定了非線性時間序列分析的基礎。對非線性時間序列動力學因素的分析，目前廣泛采用的是延遲坐標相空間重構方法[8]。

根據Takens嵌入定理，對于給定時間序列y(t)∈R，0≤t≤n，給定適當的延遲時間h和嵌入維數p，則可得延遲矢量[9]

D(t)=[y(t),y(t-h),…,y(t-h(p-1))]T

(1)

以相空間重構及Takens嵌入定理為理論基礎與數學工具，本文所實現的數據預測算法流程如下[10]：

1)在每個采樣時刻t，t≥hp得到一個延遲矢量D(t)；

2)計算當前時刻D(t)與之前觀測到的所有D(i)，hp≤i≤t之間的歐氏距離δ(i)=‖D(t)-D(i)‖；

(2)

(3)

預測階數k主要由外骨骼系統執行機構響應速度決定，微控器中的預測階數k應當可以通過程序設置，以適應不同的驅動機構。由于課題研究的下肢負重外骨骼是面向能夠正常行走的成年人，因此,針對身高1.70 m的成年男性在3.6 km/h的正常步行速度下進行實驗，使用動作捕捉系統OptiTrack得到的下肢各關節運動角度信息，數據的采樣率為100 Hz，對數據按照上述的方式進行仿真，統計出不同預測階數下的重構參數，如表1所示，k取{3,5,7,9}表示預測采樣點未來{30,50,70,90}ms的數據，最后一列為仿真時的最高預測準確率。

表1 Takens算法重構參數表

4 實驗結果

實驗中，選擇不同身高的男性實驗者共20名，不同身高的女性實驗者20名。為了驗證步態感知系統采集步態數據的準確率，在實驗時，使用步態感知系統和動作捕捉系統OptiTrack同時采集人體下肢各關節的夾角數據。參考式(1)，感知系統相對于動作捕捉系統OptiTrack的準確率用PR(e,yo)表示，其中e(t)=yo(t)-y(t)，yo(t)表示t時刻OptiTrack的夾角數據，y(t)表示t時刻步態感知系統的夾角數據。實驗統計出步態感知系統數據準確率PR(e,yo)均值和預測準確率PR(ek,y)均值如表2所示。

由表2第三列可以看出，步態感知系統和動作捕捉系統OptiTrack的數據非常接近，說明步態感知系統能夠準確測量人體下肢的步態數據。由第四列可以看出，預測準確率隨著k的增大基本保持不變，有很好的穩定性和準確度。

5 結束語

利用姿態傳感器、ARM微控器及無線通信模塊設計了人體步態感知系統，該系統利用安裝在外骨骼穿戴者下肢的姿態傳感器采集人體下肢關節的旋轉運動，并通過非線性時間序列分析Takens算法預測人體下肢關節未來一段時間的運動情況。實驗結果表明：設計的步態感知系統性能穩定，能夠準確、穩定地采集和預測人體下肢的步態數據，為外骨骼控制器提供可靠的參考信息，解決了外骨骼與穿戴者運動不協調的問題，同時解決了外骨骼步態滯后于穿戴者步態的問題。

[1] 趙彥峻，徐 誠.人體下肢外骨骼設計與仿真分析[J].系統仿真學報，2008，20(17)：4756-4766.

[2] Ferris D,Lewis C.Robotic lower limb exoskeletons using proportional myoelectric control[C]∥The 31st Annual International Conference of the IEEE Engineering in Medicine and Biology Society,Mineapolis,Minnesota,USA:IEEE Engineering in Medicine and Biology Society,2009:2119-2124.

[3] Wehner M,Rempel D,Kazerooni H.Lower extremity exoskeleton reduces back forces in lifting[C]∥ASME Dynamic Systems and Control Conference,Hollywood,California,USA:Dynamic Systems and Control Division,2009:49-56.

[4] Garcia E,Sater J M,Main J.Exoskeletons for human performance augmentation (EHPA):A program summary[J].Journal of the Robotics Society of Japan,2002,20(8):44-48.

[5] 周小華，李 娟，李偉達，等.一種基于多傳感器的步態相位實時檢測系統[J].傳感器與微系統，2016，35(2)：91-96.

[6] Packard N H,Crutchfield J P,Farmers J D. Geometry from a time series[J].Physical Review Letters,1980,45(9):712-716.

[7] Takens F.Detecting strange attractors in fluid turbulence[J].Dynamical Systems and Turbulence,1981,898:366-381.

[8] 孟慶芳，彭玉華.混沌時間序列改進的加權一階局域預測法[J].計算機工程與應用， 2007，43(35)：61-64.

[9] 李正周，丁 浩，劉 梅，等.實測海雜波光電圖像混沌特性研究[J].傳感器與微系統，2013，32(4)：27-33.

[10] Herrmann C.Robotic motion compensation for applications in radiation oncology[D].Bavaria:University of Wuerzburg,2013:131-152.

Design of human gait sensing system based on exoskeleton robot*

ZHOU Pan1, YANG Yong1, MA Lei1, SHU Yang2

(1.School of Electrical Engineering,Southwest Jiaotong University,Chengdu 610031,China;2.Institute of Systems Engineering,China Academy of Engineering Physics,Mianyang 621900,China)

Aimed at problem of movement coordinating of exoskeleton with its wearer,a human gait sensing system is designed for aquistition and prediction of lower limbs’ motion state of the wearer.The system uses six attitude sensors called MTI—30 to acquire human gait data.ARM microcontrollers known as STM32F407 are used as data computing units in the system.Acquired gait data are resolved,predicted and transmitted.Predict rotational motion of human legs by nonlinear time series analysis Takens algorithm.The result of experiments show that system has stable function and can accurately acquire and predict human gait data of human legs,the predicted result is stable and reliable,which provides reliable reference data for exoskeleton controller.

exoskeleton; attitude sensor; gait sensing; Takens algorithm; ARM

2016—02—23

國家自然科學基金重點資助項目 (61433011)； 國家自然科學基金資助項目(61075104)

10.13873/J.1000—9787(2016)10—0082—04

TP 274

A

1000—9787(2016)10—0082—04

周 攀(1989-)，男，四川雅安人，碩士研究生，研究方向為檢測技術與自動化裝置。