纯髋关节助力外骨骼机器人步态识别相关论文学习

会飞的猪_2020

最近一个星期闲着无事（项目嵌入式单片机部分做完了）
由于笔者新加入的这家公司规模很小是个草台班子，导致没有完整的项目管理计划。

硬件和APP部分的资源被一个紧急的项目所占用（该项目五月份到底能不能结束都难说），导致我三月份开始等着硬件画板子（我都想自己画了）以及等着APP组联调。

这个很紧急的项目就是一个助行器的项目（不是我负责），所以最近一个星期读了下面这些文章，探究了一下助行器的控制方法，反正也是闲着。


下肢助力外骨骼（类似于hypershell），控制主要有三个部分组成：感知层，决策层和执行层。

执行层主要为电机部分代码，输入的力矩指令。
决策层需要根据传感器数据，做步态预测和力矩规划。
感知层是处理传感器数据（双编码器+骨盆处IMU）。

在阅读完几篇综述性的论文之后，笔者了解到决策层的控制策略与外骨骼结构是息息相关的。
外骨骼有很多结构：有利用足底压力传感器识别步态。有的在膝关节也有电机，能识别到膝关节的角度。有的使用肌电信号进行识别。

笔者考虑到实际商业化，用户穿戴一个足底传感器很不方便，穿戴一个肌电信号就更加是天方夜谭了（先不说怎么走线）。
从落地性考虑，以现在最火热的hyperShell为参考，把论文搜索范围缩小到纯髋关节助力机器人。

这种形态的外骨骼，传感器往往只有两个髋关节电机，最多在增加几路IMU。

决策层控制策略

决策层(步态识别)的策略，具笔者了解到基于现有的传感器有以下两种步态识别方法：
1.全局髋关节相轨迹法：根据全局髋关节相平面的轨迹进行步态归一化。

2.自适应振荡器法：根据人走路的步频去锁相“学习”。

据论文里说方法1会比方法2要好，尤其是当走路的步频，幅度发生变化的时候。（笔者没有时间去两种方法都了解，论文里这样子说，我就这样子相信了）
于是着重了解方法一的思路。
参考复现的论文为DOI为 : 10.1109/TNSRE.2016.2569019
标题叫：A Robust Parameterization of Human Gait PatternsAcross Phase-Shifting Perturbations
作者：Dario J. Villarreal
研究机构： Robert D. Gregg

根据这篇文章，笔者找到了一个开源的数据集，用上述论文中的理论处理了下面这个数据集里面的数据。
数据集地址：https://www.nature.com/articles/s41597-025-05391-0#Sec9

这篇文章里前言说了，各类方法依赖于时间（例如自适应震荡）。
而他这里采用了和时间无关的控制量表示步态。

他是怎么做的呢？

首先我们要知道，作者想解决一个什么问题？

因为人步行的时候，整个过程是非单调的。什么意思呢？
就是说人走一步路，以一条大腿为例子，腿会向前迈（屈曲）再向后蹬（伸展）
髋关节角度在一个步态周期内是来回摆动的。

我们想用0%~100%去映射一个完整的步态周期。这个0%~100%怎么来？
显然根据髋关节角度去得到是不行的（因为不是单调的，同一个髋关节角度，可能是屈曲过程中的，也可能是伸展过程中的）

为了解决这个问题，作者做了如下的定义：


θ_p：是骨盆前倾角（笔者认为可以通过腰部的IMU得到）
θ_h：是髋关节角度（就是编码器角度啦）

这里作者重点关注的量就是红色的θ：大腿绝对角。
这三个角度的图像如下：



我们以“大腿绝对角”为x轴，它的导数为y轴，做一个相平面。
在人步行的过程中，就是在这个相平面上画圆。
（我认为宏观上理解就是：通过髋关节角度以及髋关节角度的导数也就是速度，能够完全的表征腿的运动。）



接下来的问题，就是怎么把这个东西，归一化映射到0%~100%。作者是这样做的

目前画出来的图像是一个椭圆，既然你要映射，直接求相平面上椭圆的极角不就可以了？
（求角度很简单，直接用atan2(dtheta,theta)这个公式计算即可。最后用unwrap处理一下非连续的跳变）
（笔者在matlab里处理了一下数据集，得到的结果如下：）


很明显按照这样子根本不单调。。
作者在这里搞了一个缩放系数K
最后计算方式变为：atan2(K*dtheta,theta)

作者用了一堆证明方式，我没看懂，反正最后他给出的结论是
这个K=-1/ω
ω是频率。

这里求K的方法很简单：把角度最大值和最小值的差值除以速度最大值最小值的差值，取负数即可。


公式如上，工程上实现方式也很简单，就是实时更新记录角度最大值和速度最大值，这两个参数电机上都是可以得到的。
所以说这个K也是实时更新变化的，并且步子加速减速对这个步态识别算法没影响。
（笔者注：步子大小就是x轴theta的坐标，步子快慢就是y轴dtheta的坐标）

也就是说你走快走慢，步伐走大走小影响的是这个椭圆的大小！对于求角度，其实没影响。
你还是绕着这个圈圈在转，只是转的圈圈大小有变化。

好的按照作者的方案（atan2(K*dtheta,theta)/2*PI）处理后的图像就变成了一个圆
（这里除以2PI是为了让坐标归到0~1）

整理后从左图变为了右图

也就是最后可以用整理后的相角，表示步态0%~100%
而且这个表示方法和时间无关。

最后笔者对比了不同情况下的极角对比图：


可以看到在连续相位下，无论是上坡还是下坡表现都很不错。
（原作者还测试了鲁棒性）

但是在非连续的工况下（例如坐着到站起来，站起来到坐着），它的表现不佳。
（也许需要一个方法去识别人体在不在静止状态，只有当连续运动时才切换到这个相轨迹方法）

后续研究：
笔者找了一下这个作者后续的研究。
他有写过不同的步态如何输出力矩的文章。（大概看了一下，类似有一个表格去查表）
这个计算量我认为应该是能够部署到MCU里在线识别的。

他还写过如何处理非连续的工况。（还没看，我打算用IMU+编码器搞个简单的CNN去判断，不知道可行与否）
由于时间关系就不展开去了。

附件中为部分文章，以及单个受测试者的数据集。以及对应处理的matlab脚本。
附件： 相轨迹法.7z (14.84 MB, 下载次数: 0)

昨天 13:30 上传

点击文件名下载附件