仿人足脚板双足机器人的多传感器信息融合步态识别方法技术

一种仿人足脚板双足机器人的多传感器信息融合步态识别方法，属于机器人步态识别技术领域。本发明专利技术针对现有机器人步态识别方法的数据融合算法单一，信息描述及处理方法缺乏客观性的问题。包括：将预处理后俯仰角、预处理后脚踝受力数据和预处理后足底压力对应到相应的模糊集合，并分别计算对模糊集合的状态隶属度矩阵；根据预先设定的模糊推理规则分别确定预处理后俯仰角、预处理后脚踝受力数据和预处理后足底压力对设定步态相位的状态隶属度；由所有状态隶属度计算获得各传感器融合的步态相位隶属度，将步态相位隶属度计算结果最大时对应的步态相位作为当前步态识别结果。本发明专利技术用于机器人的步态识别。于机器人的步态识别。于机器人的步态识别。

【技术实现步骤摘要】
仿人足脚板双足机器人的多传感器信息融合步态识别方法


[0001]本专利技术涉及仿人足脚板双足机器人的多传感器信息融合步态识别方法，属于机器人步态识别


技术介绍

[0002]双足仿人机器人由于其运动灵活性和拟人性，可以直接替代人类适应许多复杂工况，是机器人领域最活跃的研究热点之一。由于双足机器人的多自由度和行走、跑跳姿态的多样性，在拟人行走控制时需要获取下肢和足部准确的力和姿态反馈，因此对机器人拟人行走的步态特征进行实时识别是研究双足机器人控制的基础。
[0003]步态识别是指对采集的步态数据进行分析，主要包括运动过程中足部的角度、角速度、角加速度，以及足底压力大小分布情况和关节力矩等参数。为了获得准确的运动步态数据，需要设计一个步态数据采集系统，该系统由多种传感器组成，可联合采集信号，常用的有压力传感器、角度传感器、加速度传感器、肌电传感器、力和力矩传感器等。机器人在行走时，足底与地面直接接触，因此足部姿态和压力信号是步态分析中的重要特征量。
[0004]机器人的下肢感知反馈系统主要包括下肢关节角度传感器、力矩传感器、IMU姿态传感器、足底压力传感器、脚踝多维力传感器、外部视觉传感器等，传感器数据融合算法主要采用神经网络、模糊推理等等。目前大多数机器人的感知系统采用关节角度传感器与IMU姿态传感器相结合的方案，可以有效地识别出下肢运动角度和速度加速度等信息，但是其需要多个测量位点，成本较高，结构复杂，集成度低。基于外部视觉或者激光雷达的传感器方案，精度较高，不需要对机器人设计提出太高要求，但是系统可工作范围受到局限，容易受到光照，环境障碍物的影响，因此无法实时闭环反馈数据。
[0005]对于采集的传感器数据，除了滤波和校准的数据层优化之外，目前常见的融合算法是基于模糊推理的特征融合。模糊逻辑是多值逻辑，通过指定一个0到1之间的实数表示隶属度，允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。如果采用某种系统化的方法对融合过程中的不确定性进行推理建模，则可以产生一致性模糊推理。与概率统计方法相比，逻辑推理存在许多优点：它在一定程度上克服了概率论所面临的问题，对信息的表示和处理更加接近人类的思维方式；但是逻辑推理本身还不够成熟和系统化。此外由于逻辑推理对信息的描述存在很多的主观因素，所以信息的表示和处理缺乏客观性。

技术实现思路

[0006]针对现有机器人步态识别方法的数据融合算法单一，信息描述及处理方法缺乏客观性的问题，本专利技术提供一种仿人足脚板双足机器人的多传感器信息融合步态识别方法。
[0007]本专利技术的一种仿人足脚板双足机器人的多传感器信息融合步态识别方法，采用IMU姿态传感器获取机器人脚板的初始俯仰角，采用三维力传感器获取机器人脚板的初始脚踝受力数据，采用足底压力传感器获取机器人脚板各个位点的初始足底压力；
[0008]包括，
[0009]对初始俯仰角、初始脚踝受力数据和初始足底压力分别进行预处理，获得预处理后俯仰角、预处理后脚踝受力数据和预处理后足底压力；
[0010]将预处理后俯仰角、预处理后脚踝受力数据和预处理后足底压力对应到相应的模糊集合，并分别计算预处理后俯仰角、预处理后脚踝受力数据和预处理后足底压力对模糊集合的状态隶属度矩阵；
[0011]由状态隶属度矩阵根据预先设定的模糊推理规则分别确定预处理后俯仰角、预处理后脚踝受力数据和预处理后足底压力对设定步态相位的状态隶属度；
[0012]由所有状态隶属度计算获得各传感器融合的步态相位隶属度，将步态相位隶属度计算结果最大时对应的步态相位作为当前步态识别结果。
[0013]根据本专利技术的仿人足脚板双足机器人的多传感器信息融合步态识别方法，对初始俯仰角进行预处理的方法包括对初始俯仰角进行归一化处理：
[0014][0015]式中θ
′
为归一化后俯仰角，θ
′
min
为归一化后俯仰角最小值，θ
′
max
为归一化后俯仰角最大值，θ为初始俯仰角，θ
min
为初始俯仰角最小值，θ
max
为初始俯仰角最大值；
[0016]对初始脚踝受力数据进行预处理的方法包括计算转矩融合均值：
[0017][0018]式中D为转矩融合均值，Mx为x方向转矩，My为y方向转矩；
[0019]还包括对脚踝垂直压力进行归一化处理：
[0020][0021]式中F
′
为归一化后脚踝垂直压力，F
′
min
为归一化后脚踝垂直压力最小值，F
′
max
为归一化后脚踝垂直压力最大值，F为采集获得的初始脚踝垂直压力，F
min
为初始脚踝垂直压力最小值，F
max
为初始脚踝垂直压力最大值；
[0022]对初始足底压力进行预处理包括：
[0023]设定足底压力传感器配置12个位点；
[0024]计算12个位点归一化后足底压力对应的脚掌支撑面积S：
[0025][0026]式中K
I
为第I个位点对应的支撑面积，I＝1，2，
……
，12；
[0027][0028]式中F
I
为第I个位点的初始足底压力，F
a
为最小足底压力阈值，F
Imax
为足底压力最大值。
[0029]根据本专利技术的仿人足脚板双足机器人的多传感器信息融合步态识别方法，将θ
′
min
和θ
′
max
形成的俯仰角设定区间对应分为俯仰角NB、俯仰角ZE和俯仰角PS三个俯仰角模糊集合；
[0030]设定俯仰角变化率模糊集合包括俯仰角变化率NB、俯仰角变化率ZE和俯仰角变化
率PB；
[0031]将归一化后俯仰角θ
′
对应到俯仰角NB、俯仰角ZE或俯仰角PS；
[0032]计算归一化后俯仰角θ
′
对模糊集合的状态隶属度矩阵P为：
[0033]P＝[μ
NB
(θ
′
)μ
ZE
(θ
′
)μ
PS
(θ
′
)]＝[μ1(θ
′
)μ2(θ
′
)μ3(θ
′
)]，
[0034]式中μ
NB
(θ
′
)为θ
′
对俯仰角NB的状态隶属度，μ
ZE
(θ
′
)为θ
′
对俯仰角ZE的状态隶属度，μ
PS
(θ
′
)为θ
′
对俯仰角PS的状态隶属度；
[0035]μ1(θ
′
)、μ2(θ
′
)和μ3(θ
′
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种仿人足脚板双足机器人的多传感器信息融合步态识别方法，采用IMU姿态传感器获取机器人脚板的初始俯仰角，采用三维力传感器获取机器人脚板的初始脚踝受力数据，采用足底压力传感器获取机器人脚板各个位点的初始足底压力；其特征在于包括，对初始俯仰角、初始脚踝受力数据和初始足底压力分别进行预处理，获得预处理后俯仰角、预处理后脚踝受力数据和预处理后足底压力；将预处理后俯仰角、预处理后脚踝受力数据和预处理后足底压力对应到相应的模糊集合，并分别计算预处理后俯仰角、预处理后脚踝受力数据和预处理后足底压力对模糊集合的状态隶属度矩阵；由状态隶属度矩阵根据预先设定的模糊推理规则分别确定预处理后俯仰角、预处理后脚踝受力数据和预处理后足底压力对设定步态相位的状态隶属度；由所有状态隶属度计算获得各传感器融合的步态相位隶属度，将步态相位隶属度计算结果最大时对应的步态相位作为当前步态识别结果。2.根据权利要求1所述的仿人足脚板双足机器人的多传感器信息融合步态识别方法，其特征在于，对初始俯仰角进行预处理的方法包括对初始俯仰角进行归一化处理：式中θ
′
为归一化后俯仰角，θ
′
min
为归一化后俯仰角最小值，θ
′
max
为归一化后俯仰角最大值，θ为初始俯仰角，θ
min
为初始俯仰角最小值，θ
max
为初始俯仰角最大值；对初始脚踝受力数据进行预处理的方法包括计算转矩融合均值：式中D为转矩融合均值，Mx为x方向转矩，My为y方向转矩；还包括对脚踝垂直压力进行归一化处理：式中F
′
为归一化后脚踝垂直压力，F
′
min
为归一化后脚踝垂直压力最小值，F
′
max
为归一化后脚踝垂直压力最大值，F为采集获得的初始脚踝垂直压力，F
min
为初始脚踝垂直压力最小值，F
max
为初始脚踝垂直压力最大值；对初始足底压力进行预处理包括：设定足底压力传感器配置12个位点；计算12个位点归一化后足底压力对应的脚掌支撑面积S：式中K
I
为第I个位点对应的支撑面积，I＝1，2，
……
，12；式中F
I
为第I个位点的初始足底压力，F
a
为最小足底压力阈值，F
Imax
为足底压力最大值。3.根据权利要求2所述的仿人足脚板双足机器人的多传感器信息融合步态识别方法，其特征在于，
将θ
′
min
和θ
′
max
形成的俯仰角设定区间对应分为俯仰角NB、俯仰角ZE和俯仰角PS三个俯仰角模糊集合；设定俯仰角变化率模糊集合包括俯仰角变化率NB、俯仰角变化率ZE和俯仰角变化率PB；将归一化后俯仰角θ
′
对应到俯仰角NB、俯仰角ZE或俯仰角PS；计算归一化后俯仰角θ
′
对模糊集合的状态隶属度矩阵P为：P＝[μ
NB
(θ
′
)μ
ZE
(θ
′
)μ
PS
(θ
′
)]＝[μ1(θ
′
)μ2(θ
′
)μ3(θ
′
)]，式中μ
NB
(θ
′
)为θ
′
对俯仰角NB的状态隶属度，μ
ZE
(θ
′
)为θ
′
对俯仰角ZE的状态隶属度，μ
ps
(θ
′
)为θ
′
对俯仰角PS的状态隶属度；μ1(θ
′
)、μ2(θ
′
)和μ3(θ
′
)对应为μ
NB
(θ
′
)、μ
ZE
(θ
′
)和μ
PS
(θ
′
)的等效变量：μ1(θ
′
)＝μ
NB
(θ
′
)，μ2(θ
′
)＝μ
ZE
(θ
′
)，μ3(θ
′
)＝μ
PS
(θ
′
)；归一化后俯仰角θ
′
的角速度变化率dθ
′
对模糊集合的状态隶属度矩阵Q为：Q＝[μ
NB
(dθ
′
)μ
ZE
(dθ
′
)μ
PB
(dθ
′
)]＝[μ1(dθ
′
)μ2(dθ
′
)μ3(dθ
′
)]，式中μ
NB
(dθ
′
)为角速度变化率dθ
′
对俯仰角变化率NB的状态隶属度，μ
ZE
(dθ
′
)为角速度变化率dθ
′
对俯仰角变化率ZE的状态隶属度，μ
PB
(dθ
′
)为角速度变化率dθ
′
对俯仰角变化率PB的状态隶属度；μ1(dθ
′
)、μ2(dθ
′
)和μ3(dθ
′
)对应为μ
NB
(dθ
′
)、μ
ZE
(dθ
′
)和μ
PB
(dθ
′
)的等效变量：μ1(dθ
′
)＝μ
NB
(dθ
′
)，μ2(dθ
′
)＝μ
ZE
(dθ
...

【专利技术属性】
技术研发人员：付宜利，李旭，孙俊宝，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：