基于人体运动轨迹的机器人节奏性动作的相似性评价方法

摘要

本发明公开了一种基于人体运动轨迹的仿人机器人节奏性动作的相似性评价方法，包括以下的步骤：对人体运动按照速度是否为零分割为静止阶段和基段；对于每一个基段分别进行运动学匹配与动力学匹配；在满足运动学约束和动力学约束的条件下，通过相似性评价函数对每段动作进行角度与节奏的相似性评价，选取相似性最高的动作，将这些动作按照一定的顺序组合成整套动作，再对整套动作进行相似性评价。本发明从基段的相似性和整个动作的相似性两个方面评价仿人机器人与人的动作的相似性，该相似性不仅是空间上的，还是节奏上的。本发明还具有算法简单，容易实现的优点。

说明书

技术领域

本发明属于机器人技术及自动化控制领域，公开了一种基于人体运动轨迹的仿人机器人节奏性动作的相似性评价方法。

背景技术

为使仿人型机器人进行动作表演或实现某种作业行为，需要对仿人型机器人的运动进行设计规划。目前，仿人型机器人的运动规划大多采用运动解析方法。此方法是通过对仿人型机器人进行模型简化，建立运动解析方程，求解运动轨迹得出仿人型机器人各关节轨迹，来对仿人型机器人进行运动规划。但是，对于人类的复杂动作如人类舞蹈和体育运动等，如果仍然采用这种方法，运动方程解析式不仅复杂，建立困难，有时难以求解，甚至无解。而且此方法在动作设计过程中加入了设计者的主观认识，使得设计出的仿人型机器人运动动作与人体动作原型会有较大差异，产生视觉上的动作不相象。

在中国专利公开号为CN1830635的专利中公开了一种基于人体运动轨迹的仿人型机器人动作的相似性评价方法，该方法不需要建立运动解析方程，能设计复杂的动作，根据各关节的角度给出了相似性评价函数，但是该方法只能设计整套动作，仅仅评价机器人动作在空间上与人体动作的相似性，而不能在动作的节奏上评价其相似性。

发明内容

本发明的目的是针对上述现有技术的缺陷，提供了一种基于人体运动轨迹的仿人机器人节奏性动作的相似性评价方法，该方法不仅能够评价机器人动作在空间上与人体动作的相似性，而且还能够评价在动作的节奏上其与人体动作的相似性。

为了实现上述目的本发明采取的技术方案是：一种基于人体运动轨迹的仿人机器人节奏性动作的相似性评价方法，包括以下的步骤：

对人体运动按照速度是否为零分割为静止阶段和基段；

对于每一个基段分别进行运动学匹配与动力学匹配；

在满足运动学约束和动力学约束的条件下，通过相似性评价函数对每段动作进行角度与节奏的相似性评价，选取相似性最高的动作，将这些动作按照一定的顺序组合成整套动作，再对整套动作进行相似性评价。

所述的基段相似性评价的方程式如下：

$X_j({\theta }_r,{\theta }_h,{\stackrel{·}{\theta }}_r,{\stackrel{·}{\theta }}_h)=\alpha ·Y^{\gamma }({\theta }_r,{\theta }_h)+\beta Z^{\lambda }({\stackrel{·}{\theta }}_r,{\stackrel{·}{\theta }}_h)$

其中，$Y({\theta }_r,{\theta }_h)=\frac{1-\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{\omega }_i}{1+\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{\omega }_i},$$Z({\stackrel{·}{\theta }}_r,{\stackrel{·}{\theta }}_h)=\frac{1-\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{\stackrel{·}{\omega }}_i}{1+\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{\stackrel{·}{\omega }}_i},$j(j＝1，2，......，m)为进行分割后的基段的个数。对于任意的基段j：T^h_j是人动作的时间，对这个基段进行采样周期为${\mathrm{\Delta T}}^h=\frac{{T^h}_j}{k}$的采样，采样点的个数是k；T^r_j是仿人机器人动作的时间，对这个基段进行采样周期为${\mathrm{\Delta T}}^r=\frac{{T^r}_j}{k}$的采样，采样点个数是k；${\theta }_r\left({t^r}_i\right)={\left(\begin{array}{cccc}{q}_{r1}\left({t^r}_i\right)& q_{r2}\left({t^r}_i\right)& ···& q_{\mathrm{rn}}\left({t^r}_i\right)\end{array}\right)}^T$表示仿人机器人的n个关节在采样点i经过运动学匹配和动力学匹配之后的角度值；${\theta }_h\left({t^h}_i\right)={\left(\begin{array}{cccc}{q}_{h1}\left({t^h}_i\right)& q_{h2}\left({t^h}_i\right)& ···& q_{\mathrm{hn}}\left({t^h}_i\right)\end{array}\right)}^T$表示人的n个关节在采样点i经过运动学匹配和动力学匹配之后的角度值；${\stackrel{·}{\theta }}_r\left({t^r}_i\right)={\left(\begin{array}{cccc}{\stackrel{·}{q}}_{r1}\left({t^r}_i\right)& {\stackrel{·}{q}}_{r2}\left({t^r}_i\right)& ···& {\stackrel{·}{q}}_{\mathrm{rn}}\left({t^r}_i\right)\end{array}\right)}^T$表示仿人机器人的n个关节在采样点i经过运动学匹配和动力学匹配之后的角速度值；${\stackrel{·}{q}}_h\left({t^h}_i\right)={\left(\begin{array}{cccc}{\stackrel{·}{q}}_{h1}\left({t^h}_i\right)& {\stackrel{·}{q}}_{h2}\left({t^h}_i\right)& ···& {\stackrel{·}{q}}_{\mathrm{hn}}\left({t^h}_i\right)\end{array}\right)}^T$表示人的n个关节在采样点i经过运动学匹配和动力学匹配之后的角速度值；Δθ_r(t^r)＝|θ_r(t^r)_max-θ_r(t^r)_min|表示仿人机器人的n个关节的角度在k个采样点中的最大的差值；${\stackrel{·}{\mathrm{\Delta \theta }}}_r\left(t^r\right)=|{\stackrel{·}{\theta }}_r{\left(t^r\right)}_{\max }-{\stackrel{·}{\theta }}_r{\left(t^r\right)}_{\min }|$表示仿人机器人的n个关节的角速度在k个采样点中的最大的差值；当Δθ_r(t^r)＝0时，ω_i＝0；当${\Delta \stackrel{·}{\theta }}_r\left(t^r\right)=0$时，${\stackrel{·}{\omega }}_i=0;$当Δθ_r(t^r)≠0，${\Delta \stackrel{·}{\theta }}_r\left(t^r\right)\ne 0$时，${\omega }_i=\frac{\left|\right|{\theta }_r\left({t^r}_i\right)-{\theta }_h\left({t^h}_i\right)\left|\right|}{{\mathrm{\Delta \theta }}_r\left(t^r\right)},$${\stackrel{·}{\omega }}_i=\frac{\left|\right|{\stackrel{·}{\theta }}_r\left({t^r}_i\right)-{\stackrel{·}{\theta }}_h\left({t^h}_i\right)\left|\right|}{{\Delta \stackrel{·}{\theta }}_r\left(t^r\right)};$ω_i表示空间关系的影响，表示时间上的影响；γ，λ是灵敏度系数，γ>0，λ>0；γ越大，空间关系的影响在相似程度越大时的灵敏度越高，在相似程度越小时的灵敏度越低；λ越大，时间上的影响在相似程度越大时的灵敏度越高，在相似程度越小时的灵敏度越低；α，β是影响系数，0≤α≤1，0≤β≤1，且α+β＝1；n是关节的自由度数；0≤X_j≤1，X_j越大，相似程度越高；如果X_j＝1，仿人机器人运动动作相似性达到最大值。

所述的整套动作相似性为各个基段相似性的平均值，其中T^h为人完成整个动作的时间，$T^h={\mathrm{\Sigma T}}_j^h;$T^r为仿人机器人完成整个动作的时间，$T^r={\mathrm{\Sigma T}}_j^r.$

对于任意的基段j，需要满足下面的约束：

$1-ϵ\le \frac{{T^h}_j}{{T^r}_j}/\frac{T^h}{T^r}\le 1+ϵ$

ε趋于0，且ε>0。

本发明的有益效果是：本发明从各个基段的相似性和整个动作的相似性两个方面评价仿人机器人与人的动作的相似性，每个基段都是稳定的，将基段和静止阶段按照一定的顺序组合能得到不同的动作。对每个基段进行相似性评价，该相似性不仅是空间上的，还是节奏上的。本发明的算法简单，实现容易。

附图说明

图1是本发明仿人机器人动作产生的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，但不作为对本发明的限定。

如图1所示，步骤101：首先应用运动捕捉系统对人体运动轨迹进行测量；

步骤102：对人体动作进行分割，分成静止阶段和基段；；

步骤103：对每个基段进行运动学匹配，使人体数据转化为满足运动学约束的仿人机器人运动数据，判断满足动力学约束的方程如下：

q_rimin≤q_ri≤q_rimax         (3)

i＝1，2，......n，n为关节的个数，q_ri为第i个关节的角度，(q_rimin，q_rimax)为第i个关节的角度的范围。

$\left(\begin{array}{c}{d}_{\mathrm{jk}}\ne 0\\ d_{\mathrm{jk}}=\min \left\{{({(x_j-x_k)}^2+{(y_j-y_k)}^2+{(z_j-z_k)}^2)}^{1/2}\right\}\end{array}\right)---\left(4\right)$

(x_j，y_j，z_j)，(x_k，y_k，z_k)为机器人身上不同肢体上的任意两点。

步骤104：进行动力学匹配，使基段满足动力学约束，对运动学匹配后的数据进行处理，使其符合机器人动态稳定性条件，动力学匹配是为了使机器人稳定，判断满足动力学约束的方程如下：

通过下面两式计算Zero Moment Point(ZMP)

$x_{\mathrm{zmp}}=\frac{{\Sigma }_{i=1}^n{m}_i({\stackrel{··}{z}}_i+g)x_i-{\Sigma }_{i=1}^n{m}_i{\stackrel{··}{x}}_i{z}_i-{\Sigma }_{i=1}^n{I}_{\mathrm{iy}}{\stackrel{·}{\Omega }}_{\mathrm{iy}}}{{\Sigma }_{i=1}^n{m}_i({\stackrel{··}{z}}_i+g)}$

$y_{\mathrm{zmp}}=\frac{{\Sigma }_{i=1}^n{m}_i({\stackrel{··}{z}}_i+g)y_i-{\Sigma }_{i=1}^n{m}_i{\stackrel{··}{y}}_i{z}_i-{\Sigma }_{i=1}^n{I}_{\mathrm{ix}}{\stackrel{·}{\Omega }}_{\mathrm{ix}}}{{\Sigma }_{i=1}^n{m}_i({\stackrel{··}{z}}_i+g)}$

稳定区域与稳定裕度

定义一个稳定区域与一个稳定裕度，需要满足下式才是稳定的

Ω＝{(x_zmp，y_zmp)|r_x(zmp)≥R_x，r_y(zmp)≥R_y，R_x>0，R_y>0}    (5)

在运动学匹配时主要调脚部轨迹，但脚部轨迹对稳定性的影响比腰部轨迹对稳定性的影响小，所以进行稳定性调节时仅仅对腰部进行调节，需要满足式(6)

$\left(\begin{array}{c}{x}_{w\min }\le x_w\le x_{w\max }\\ y_{w\min }\le y_w\le y_{w\max }\\ z_{w\min }\le z_w\le z_{w\max }\end{array}\right)---\left(6\right)$

步骤105：满足动力学约束的基段用方程(1)进行相似性计算，计算方法如下：

令j(j＝1，2，......，m)为进行分割后的基段的个数。对于任意的基段j：令T^h_j是人动作的时间，对这个基段进行采样周期为${\mathrm{\Delta T}}^h=\frac{{T^h}_j}{k}$的采样，采样点的个数是k；令T^r_j是仿人机器人动作的时间，对这个基段进行采样周期为${\mathrm{\Delta T}}^r=\frac{{T^r}_j}{k}$的采样，采样点个数是k。对任意基段j的相似性评价函数可以用下式表示：

$X_j({\theta }_r,{\theta }_h,{\stackrel{·}{\theta }}_r,{\stackrel{·}{\theta }}_h)=\alpha ·Y^{\gamma }({\theta }_r,{\theta }_h)+\beta Z^{\lambda }({\stackrel{·}{\theta }}_r,{\stackrel{·}{\theta }}_h)---\left(1\right)$

其中，$Y({\theta }_r,{\theta }_h)=\frac{1-\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{\omega }_i}{1+\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{\omega }_i},$$Z({\stackrel{·}{\theta }}_r,{\stackrel{·}{\theta }}_h)=\frac{1-\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{\stackrel{·}{\omega }}_i}{1+\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{\stackrel{·}{\omega }}_i};$θ_r(t^r_i)＝[q_r1(t^r_i)q_r2(t^r_i)…q_rn(t^r_i)]^T表示仿人机器人的n个关节在采样点i经过运动学匹配和动力学匹配之后的角度值；θ_h(t^h_i)＝[q_h1(t^h_i)q_h2(t^h_i)…q_hn(t^h_i)]^T表示人的n个关节在采样点i经过运动学匹配和动力学匹配之后的角度值；${\stackrel{·}{\theta }}_r\left({t^r}_i\right)={\left(\begin{array}{cccc}{\stackrel{·}{q}}_{r1}\left({t^r}_i\right)& {\stackrel{·}{q}}_{r2}\left({t^r}_i\right)& ···& {\stackrel{·}{q}}_{\mathrm{rn}}\left({t^r}_i\right)\end{array}\right)}^T$表示仿人机器人的n个关节在采样点i经过运动学匹配和动力学匹配之后的角速度值；${\stackrel{·}{q}}_h\left({t^h}_i\right)={\left(\begin{array}{cccc}{\stackrel{·}{q}}_{h1}\left({t^h}_i\right)& {\stackrel{·}{q}}_{h2}\left({t^h}_i\right)& ···& {\stackrel{·}{q}}_{\mathrm{hn}}\left({t^h}_i\right)\end{array}\right)}^T$表示人的n个关节在采样点i经过运动学匹配和动力学匹配之后的角速度值；Δθ_r(t^r)＝|θ_r(t^r)_max-θ_r(t^r)_min|表示仿人机器人的n个关节的角度在k个采样点中的最大的差值；${\stackrel{·}{\mathrm{\Delta \theta }}}_r\left(t^r\right)=|{\stackrel{·}{\theta }}_r{\left(t^r\right)}_{\max }-{\stackrel{·}{\theta }}_r{\left(t^r\right)}_{\min }|$表示仿人机器人的n个关节的角速度在k个采样点中的最大的差值；当Δθ_r(t^r)＝0时，ω_i＝0；当${\Delta \stackrel{·}{\theta }}_r\left(t^r\right)=0$时，${\stackrel{·}{\omega }}_i=0;$当Δθ_r(t^r)≠0，${\Delta \stackrel{·}{\theta }}_r\left(t^r\right)\ne 0$时，${\omega }_i=\frac{\left|\right|{\theta }_r\left({t^r}_i\right)-{\theta }_h\left({t^h}_i\right)\left|\right|}{{\mathrm{\Delta \theta }}_r\left(t^r\right)},$${\stackrel{·}{\omega }}_i=\frac{\left|\right|{\stackrel{·}{\theta }}_r\left({t^r}_i\right)-{\stackrel{·}{\theta }}_h\left({t^h}_i\right)\left|\right|}{{\Delta \stackrel{·}{\theta }}_r\left(t^r\right)};$ω_i表示空间关系的影响，表示时间上的影响；γ，λ是灵敏度系数，γ>0，λ>0；γ越大，空间关系的影响在相似程度越大时的灵敏度越高，在相似程度越小时的灵敏度越低；λ越大，时间上的影响在相似程度越大时的灵敏度越高，在相似程度越小时的灵敏度越低；α，β是影响系数，0≤α≤1，0≤β≤1，且α+β＝1；n是关节的自由度数；0≤X_j≤1，X_j越大，相似程度越高；如果X_j＝1，仿人机器人运动动作相似性达到最大值。

步骤106：判断基段是否满足方程(7)，求解方法如下：

$\max X_j({\theta }_r,{\theta }_h,{\stackrel{·}{\theta }}_r,{\stackrel{·}{\theta }}_h)---\left(7\right)$

如果基段不能满足方程(7)，返回步骤103进行运动学匹配；

步骤107：对满足运动学与动力学的基段进行相似性评价后，选择具有相似性最大的基段；

步骤108：将具有相似性最大的基段组合起来，为机器人一整套动作；

步骤109：对于每个基段动作，通过方程(1)来得到它的相似性的值，这个值表示了基段在采样点上空间的相似性以及在整个基段期间节奏的相似性；整套动作的相似性为各个基段相似性的平均值，其中所选择的基段应满足方程(2)；

令T^h为人完成整个动作的时间，$T^h=\Sigma T_j^h;$令T^r为仿人机器人完成整个动作的时间，$T^r=\Sigma T_j^r.$

对于任意的基段j，需要满足下面的约束：

$1-ϵ\le \frac{{T^h}_j}{{T^r}_j}/\frac{T^h}{T^r}\le 1+ϵ---\left(2\right)$

ε趋于0，且ε>0。

如果不满足方程(2)，则返回步骤108，重新选择具有相似性最大的基段；

步骤110：最后得到与人体具有最大相似性的机器人动作。

人的动作是由一系列的基段组成的，应该从两个方面评价仿人机器人与人的动作的相似性，一个是基段的相似性，一个是整个动作的相似性。

在运动捕捉系统中对人体运动模型进行简化，使人体简化模型与仿人型机器人模型具有相同的自由度数目，这样就建立起人体与仿人型机器模型之间的运动学对应关系。将人的整套动作分割为若干静止阶段和基段。静止阶段是人保持一个静止的姿势一段时间的阶段，此阶段动作的速度为零；基段是在两个静止阶段的中间阶段，因此各个基段是相互独立的，互不影响。腿部运动与手部运动分开考虑，因为腿部运动要考虑它与地面的约束，而手部运动不需要考虑。对于每一个阶段应用运动学匹配与动力学匹配算法对采集到的人体运动数据进行重新调整设计，在上述算法中加入动作相似性评价函数，最后得到在满足仿人型机器人约束条件的基础上具有与人体动作高相似性运动的轨迹。而且由于对动作进行了分割，每个阶段单独考虑，所以每个阶段都是稳定的，它们的任意组合也是稳定的，因此可以按照一定的顺序组合出不同的动作。

评价仿人机器人与人动作的相似性，可以用两者末端执行器之间的空间位置关系或角度关系两种方式来表达。由于人的肢体长度与仿人机器人不同，即使两者末端执行器的位置一样，姿势也可能相差很大。所以，采用角度关系来评价仿人机器人与人动作间的相似性。只有连续时刻的相似性才能够反映仿人机器人是否很好地模仿了人体的动作，此外，仿人机器人在模仿人体动作时也要保持运动的节奏，节奏使动作协调美观，节省能量。而速度反映了动作的节奏，它会根据节奏时快时慢，因此速度对相似性的影响不可忽视，因为它体现了节奏上的相似。

仿人机器人脚与地面之间的接触约束对于仿人机器人的运动是关键问题，由于仿人机器人腿的长度与人的骨骼不成比例，使得地面接触约束条件常常不能被满足，导致了滑步、踏空、陷入等问题的产生，所以要对仿人机器人的动作进行运动学匹配；要使仿人机器人进行稳定行走，需要满足动力学条件，所以需要进行动力学匹配，对满足运动学与动力学的基段进行相似性评价，选出相似性最高的基段，将这些基段组合起来就成为机器人一整套动作，整套动作的相似性为各个基段相似性的平均值。

以上所述的实施例，只是本发明较优选的具体实施方式的一种，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。