一种力量增强型动力外骨骼行走步态感知方法及装置

摘要

本发明涉及力量增强型动力外骨骼行走步态感知方法及传感测量装置。具体步骤为：采用脚底压力传感器和膝关节编码器以及陀螺仪进行人触地信息、关节角度变化以及大小腿角速度信息测量，依据人机携行规律提出了双腿站立，左腿支撑、右腿摆动，双腿支撑、右腿在前，右腿支撑、左腿摆动，双腿支撑，左腿在前等行走5个步态子相划分方法，并采用机器学习C4.5算法对5种步态子相中测量信息进行分类决策，给出一种数据融合行走步态子相识别方法。本发明的优点：利用安装在外骨骼上有限测量信息实现行走步态分类决策，提出的人机携行步态识别方法能够提高外骨骼跟随试穿员肢体动作的实时性，能够提前让液压控制系统收缩,提高人机携行速度。

说明书

技术领域

本发明涉及一种力量增强型动力外骨骼的行走步态感知方法及装置。

背景技术

当前力量增强型动力外骨骼研究遇到的一个瓶颈问题是：外骨骼难以实现 人复杂步态运动规律的位姿跟随，导致人受到外骨骼运动约束效果明显，削弱 了外骨骼助力效果，人机耦合运动的舒适性差。其主要原因是外骨骼的机械结 构的传力机制与人的肌肉链收缩力传导机制存在本质上的区别，并且外骨骼传 感鞋设计简易，无法比拟人足对人动作行为的准确识别。尤其是在重载携行条 件下，人不能通过自身能力调整系统重心平衡，外骨骼识别当前人动作行为的 准确性低，导致人肢体与机械结构直接之间存在无法克服的阻碍，外骨骼控制 系统的助力反而成为了人正常运动的阻力。

发明内容

本发明的目的是克服目前外骨骼传统步态感知方法的不足，提高外骨骼跟 随人行走动作的实时性，改善外骨骼在进行助力补偿的同时人与外骨骼位姿的 协调性。

为了实现上述发明目的，本发明提供了以下技术方案：

本发明的目的之一是提供一套用于下肢外骨骼行走步态感知的传感装置。 其具体布局方式如下：

一种力量增强型动力外骨骼传感测量装置，外骨骼传感靴底设置压力传感 器，所述压力传感器用于测量行走过程中人脚触地信息；膝关节设置绝对式光 电编码器，所述绝对式光电编码器用于测量行走时膝关节弯曲角度；大腿和小 腿处设置角速度陀螺仪，所述角速度陀螺仪用于测量膝关节弯曲角速度；所述 人脚触地信息、所述膝关节弯曲角度和所述膝关节弯曲角速度作为行走步态识 别的信息输入。

在上述技术方案的技术上，优选的技术方案是，在外骨骼传感鞋的前掌与 后跟各安装一只压力传感器，采集人行走过程中足前掌与后跟压力变化值。膝 关节安装一只绝对式编码器，测量人体膝关节弯曲角度。当外骨骼处于直立状 态时，角度设定为零度。人下肢与外骨骼通过大腿绑带连接，当人小腿向后弯 曲时，编码器输出角度正向增大。大腿和小腿质心处各安装一只单轴陀螺仪， 两者输出值的代数和表征人机携行过程中膝关节角速度变化。

本发明的目的之二是提出一种重载人机携行步态相位划分方法，将划分后 的步态子相与行走模式关联起来，切换控制指令实现人机位姿协同运动与负载 补偿，具体的方案是：如图7所示，一种力量增强型动力外骨骼行走步态感知 方法，将人机重载携行过程中站立和行走两种动作模式结合起来，划分步态相 位，将划分的步态相位与行走模式关联起来，切换驱动动力系统以增强人的行 走步态力量，所述步态相位划分为5个子相，如图2和图3所示，分别为：第 一相位：双腿站立，第二相位：右腿摆动，左腿支撑；第三相位：双腿支撑， 右腿在前，左腿在后；第四相位：右腿支撑，左腿摆动；第五相位：双腿支撑， 左腿在前，右腿在后；

采用决策分类算法将所述第一相位至第五相位的步态相位与行走模式关联 起来使外骨骼进行行走步态的机器学习，所述第一相位至第五相位的步态相位 与控制系统的控制指令切换相关联以提高携行速度。

开始行走时，依次完成第一相位到第五相位；如果行走动作不停止，则完 成第五相位后直接切换到第二相位，依次完成第二相位到第五相位；如果行走 动作暂停，则由第五相位切换到第一相位。

如图4图5所示，本发明的目的之三是提出采用机器学习决策分类C4.5算 法可以对人机携行5个步态子相进行步态识别与优化。根据当前足底压力与膝 关节角度与对应的阈值进行比较，对步态识别方法进行预设计。之后任意随机 选择多个子相样本中的一定数量的样本进行C4.5算法的分类交叉，得到行走模 式的步态识别算法对应的的决策树。根据此决策树，可以在人机携行过程中识 别人当前的步态运动子相，并实时将识别的步态子相输入给液压控制系统进行 随动控制。

所述决策树判别方法包括：在重载携行时，在输入给液压控制系统进行任 务调度时，将第三相位和第四相位合并，如果当前步态识别方法识别出的步态 子相进入第三相位或第四相位，则控制系统立即让外骨骼左腿液压缸收缩；将 第五相位和第二相位合并，如果识别出的步态子相进入第五相位或第二相位， 则立即让外骨骼右腿液压缸收缩，从而提高重载携行过程中外骨骼跟随人行走 步态的实时性。

所述第一相位至第五相位的步态相位与控制系统的控制指令切换相关联具 体还包括：在异常时，如果外骨骼传感靴前掌与后跟压力传感器其中1只出现 异常值，步态识别排除异常的压力传感器测量信息，采用C4.5算法对传感信息 进行数据融合处理，并给出人机携行步态识别决策树判别方法；如果膝关节编 码器中至少一只出现异常值，则C4.5算法无效，将只用脚底压力传感器来进行 单腿支撑相位和摆动相位的判断，同时液压控制采用Bang-Bang控制模式；如 果陀螺仪其中1只出现异常值，则C4.5算法将去除陀螺仪测量信息，只对脚底 压力传感器和膝关节编码器进行数据融合处理，并得到对应的步态识别决策树 判别方法。

具体来说，所述的4个脚底压力传感器，如果前掌与后跟其中1只压力传 感器出现异常值，而其他传感器工作正常，步态识别方法中去除其测量信息， C4.5算法实现过程仍可以实现；如果膝关节编码器其中1只以上出现异常值， 其他传感器工作正常，则C4.5算法无效，将只用脚底4个压力传感器来进行单 腿支撑和摆动2个子相的判断，同时液压控制采用Bang-Bang控制模式；如果 陀螺仪其中1只以上出现异常值，其他传感器工作正常，则C4.5算法将去除4 个陀螺仪测量信息，只对脚底压力传感器和膝关节编码器进行数据融合处理， 并得到对应的步态识别决策树判别方法。

一种本发明将区别于以往简单的脚底压力接触式步态识别方法，采用机器 学习C4.5决策算法对外骨骼相关测量信息进行步态相位合理划分，给出人机重 载携行时行走动作识别方法。

与现有技术相比，本发明的有益效果：

利用安装在外骨骼上有限测量信息实现行走步态分类决策，提出的人机携 行步态识别方法能够提高外骨骼跟随试穿员肢体动作的实时性，能够提前让液 压控制系统收缩,提高人机携行速度。本发明区别于以往简单的脚底压力接触式 步态识别方法，采用机器学习C4.5决策算法对外骨骼相关测量信息进行步态相 位合理划分，给出人机重载携行时行走动作识别方法及装置。提高了响应的实 质性，更容易实现动力外骨骼的跟随性，以更好的为人的行走助力。

附图说明：

图1为本发明的下肢外骨骼行走步态感知的传感器布局示意图。

图2和图3为本发明的人机携行5个步态相位划分示意图。

图4和图5为本发明通过C4.5分类算法优化得到的人机携行步态识别决策 树。

图6为本发明所述的外骨骼感知任务异常处理示意图。

图7为本发明一种力量增强型动力外骨骼行走步态感知方法的系统框图。

图中的标记分别为：1、传感鞋后跟压力传感器，2、传感鞋前掌压力传感 器，3、膝关节编码器，4、小腿角速度陀螺仪，5、大腿角速度陀螺仪。以上传 感器在左右脚的不同部位成对称布局。5个步态相位的标记分别为：①、第一相 位：双腿站立；②、第二相位：右腿摆动，左腿支撑；③、第三相位：双腿支 撑，右腿在前，左腿在后；④、第四相位：右腿支撑，左腿摆动；⑤、第五相 位：双腿支撑，左腿在前，右腿在后。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将 此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实 现的技术均属于本发明的范围。

以下提供本发明一种力量增强型动力外骨骼的行走步态感知方法及装置的 具体实时方式。

如图1所示，下肢外骨骼行走步态感知的传感装置具体布局方式如下：后 跟压力传感器安装在传感鞋后跟中部，前掌压力传感器安装在传感鞋前掌靠近 大脚趾位置，两个压力传感器固体在传感鞋的中间夹层，压力传感器输出电压 范围0—5V。膝关节编码器安装在连接大腿和小腿轴承上，测量系统行走过程中 膝关节弯曲角度，编码器输出角度范围0—360°，设定小腿向后弯曲时，关节 角度正向增大。角速度陀螺仪分别安装在大腿和小腿质心处，测量大腿和小腿 相对于大地的角速度，两者代数和为膝关节角速度。

C4.5决策树算法需要使用传感鞋与地面的接触压力fl、fr，左右膝关节角 速度(kl、(kr，表示为：

$f_l=f_{\mathrm{lt}}^s+f_{\mathrm{lh}}^s,f_r=f_{\mathrm{rt}}^s+f_{\mathrm{rh}}^s$

${\omega }_{\mathrm{kl}}={\omega }_{\mathrm{ls}}^s-{\omega }_{\mathrm{lt}}^s,{\omega }_{\mathrm{kr}}={\omega }_{\mathrm{rs}}^s-{\omega }_{\mathrm{rt}}^s$

其中为左脚传感鞋前掌与后跟压力传感器采集压力电压值；为右脚传感鞋前掌与后跟压力传感器采集压力电压值；为外骨骼左边小 腿与大腿角速度陀螺仪采集的肢体相对大地坐标系旋转角速度；为外骨 骼右边小腿与大腿角速度陀螺仪采集的肢体相对大地坐标系旋转角速度；

重载人机携行步态相位划分方法实施方式如下：对无动力人机携行试验进 行数据采集，经过多次统计之后，选择一组含有1500个步态子相的样本作为C4.5 决策分类算法的参考样本库，附图2各步态子相切换时对应的传感器测量信息 如下表所示。

表1人机携行5个子相切换时对应的传感器测量信息

其中g_i为行走过程中第i个步态子相，i=1,…5。(k_l、(k_r为左右膝关节编码 器测得角度。

机器学习决策分类C4.5算法具体实施方式如下：根据上述人机携行子相的 标准样本库，需要首先对步态gait的取值进行预设计。根据当前足底压力与膝 关节角度与对应的阈值f_max、(max比较，可以初步对步态识别方法进行预设计， 描述如下。

iff_l>fmax,f_r>fmax,(k_l<(max,(k_r<(max,gait=D_Stand;

iff_l>fmax,f_r<0.5fmax,gait=Lst_Rsw;

iff_l>0.5fmax,0.5fmax<f_r<fmax,(k_l<2(max,gait=Lst_Rst;

iff_r>0.5fmax,0.5fmax<f_l<fmax,k_r<2(max,gait=Rst_Lst;

iff_r>fmax,f_l<0.5fmax,gait=Rst_Lsw.

任意随机选择1500个子相样本中的500个进行C4.5算法的分类交叉，其 优化结果如下图所示。

下表为采用C4.5分类算法优化之后的统计误差结果

采用C4.5分类算法优化得到的步态分类混淆矩阵表示为：

$\left(\begin{array}{cc}\left(\begin{array}{ccccc}a& b& c& d& e\end{array}\right)& <--\mathrm{classifiedas}\\ \left(\begin{array}{ccccc}276& 0& 2& 1& 0\\ 0& 627& 1& 0& 0\\ 0& 0& 520& 2& 2\\ 0& 0& 3& 30& 0\\ 0& 0& 2& 0& 34\end{array}\right)& \left(\begin{array}{c}|a=g1\\ |b=g4\\ |c=g2\\ |d=g3\\ |e=g5\end{array}\right)\end{array}\right)$

C4.5分类算法对步态子相的误判结果出现在步态分类混淆矩阵的非主对 角线上。2个双脚支撑子相容易误判，而单脚支撑，另一只脚摆动和双脚站立3 种步态子相识别精度比较高。这主要是因为2个双脚支撑子相在人机携行过程 中过渡时间非常短，不容易区分出来。

通过C4.5决策分类算法优化人机携行5个步态子相，得到行走模式的步态 识别算法如附图4描述的决策树所示。根据此决策树，可以在人机携行过程中 识别人当前的步态运动子相，并实时将识别的步态子相输入给液压控制系统进 行随动控制。

本发明提出的下肢外骨骼感知方法针对传感器出现异常情况下，同样能正 常保证外骨骼正确的步态感知和液压控制。具体实施方式如下：

⑴所有传感器正常情况：

按照附图4给出的C4.5决策树算法判断人机携行5个步态子相切换过程， 并进行控制任务调度，表示如下：

为左腿和右腿伺服阀控制指令，表示为：

$I_{\mathrm{ctrl}}^l=k_p\times ({\theta }_{\mathrm{kl}}^{\exp }-{\theta }_{\mathrm{kl}})+k_i\times \int ({\theta }_{\mathrm{kl}}^{\exp }-{\theta }_{\mathrm{kl}})$

$I_{\mathrm{ctrl}}^r=k_p\times ({\theta }_{\mathrm{kr}}^{\exp }-{\theta }_{\mathrm{kr}})+k_i\times \int ({\theta }_{\mathrm{kr}}^{\exp }-{\theta }_{\mathrm{kr}})$

其中为膝关节期望控制角度。

如图6所示，⑵第一种异常情况：某只传感鞋其中1个传感器出现异常， 则外骨骼与地面的接触压力fl、fr表示如下：

仍然按照图4给出的C4.5决策树算法进行5个子相的步态识别，控制任务 调度与情况⑴相同。

⑶第二种异常情况：膝关节编码器其中1只以上出现异常值，其他传感器 工作正常，不能按照附图4给出的C4.5分类决策树进行步态感知。将只用脚底 4个压力传感器来进行单腿支撑和摆动2个子相的判断，如附图3所示。感知方 法修改如下：

其中fmin为压力传感器设定阈值。g1表示双腿站立；g2表示右脚摆动， 左脚支撑；g3表示右脚支撑，左脚摆动。

第二种异常情况的控制任务调度表示如下：

以上公式中的伺服控制指令8mA表示伺服阀正向最大控制电流，-8mA表示 负向最大控制电流，控制指令为Bang-Bang控制方式。

⑷第三种异常情况：陀螺仪其中1只以上出现异常值，其他传感器工作正 常，则C4.5算法先去除4个陀螺仪测量信息，只使用脚底压力传感器和膝关节 编码器信息进行决策分类，得到对应的步态识别决策树判别方法如附图5所示。 控制任务调度与情况⑴相同。