人机同步方法与流程

本发明涉及人机工程技术领域，尤其涉及一种人机同步方法。

背景技术：

人机工程学是从人的生理和心理特性出发，研究人、机、环境的相互关系和相互作用的规律，以优化人-机-环境的一门科学。目前基于人机工程学的人机的仿真模拟技术已有应用在医疗、工业生产以及航天等领域。但仍存在一些问题亟待解决。

技术实现要素：

为进一步解决人机仿真模拟技术中的一些问题，本发明提供了一种人机同步方法，包括以下步骤：采集人体的人体运动数据；将人体运动数据匹配到人体的人体运动模型；实现人体运动模型与机器人的机械运动模型的实时映射，形成机械运动模型的机械运动数据；将机械运动数据与机器人的运动关节实时匹配，实现人机实时同步运动。

在本发明的一些实施例中，实现人体运动模型与机器人的机械运动模型实时映射，包括：通过实时映射算法，按照人体运动模型与机械运动模型之间的映射关系，基于人体运动模型的人体运动数据，计算对应的机械运动数据，完成人体运动模型与机械运动模型的实时映射，人体运动模型与机械运动模型之间的映射关系是人体运动数据与机械运动数据之间的一对应的预设数据关系。

在本发明的一些实施例中，实时映射算法包括：惯量映射和自由度映射同时进行的数据映射。

在本发明的一些实施例中，惯量映射是根据比例分配法，分别计算人体运动模型和机械运动模型上相互对应的身体部位的运动数据，根据计算得到的人体运动模型的运动数据和机械运动模型的运动数据的比值关系，来确定将人体运动数据匹配到机械运动模型上完成映射。

在本发明的一些实施例中，自由度映射是根据冗余自由度剔除法，冗余自由度为人体运动模型的人体运动数据的一种，其包括：小幅运动冗余自由度和剩余冗余自由度，将人体运动模型上某身体部位的小幅运动冗余自由度数据剔除，再把人体运动模型上对应身体部位的剩余冗余自由度数据运动匹配至机械运动模型相应身体部位的关节上完成自由度数据的映射。

在本发明的一些实施例中，人体运动模型与机器人的机械运动模型实时映射，还包括：通过将机械运动模型引入至环境模型的数据所构建的虚拟运动环境中，形成机械运动模型和环境模型之间的约束，导出机械运动数据并映射到机械运动模型。

在本发明的一些实施例中，机械运动模型与环境模型之间的约束是将环境模型数据与机械运动模型的机械运动数据进行计算，并将其计算结果添加到机械运动模型，形成的机械运动模型与环境模型之间的对应关系。

在本发明的一些实施例中，将机械运动数据与机器人的运动关节实时匹配，还包括：通过对虚拟运动环境中的机械运动模型判断机器人的运动稳定趋势，对腰部运动数据进行实时处理，以修正机器人的重心位置。

在本发明的一些实施例中，将机械运动数据与机器人的运动关节实时匹配，包括：根据机械运动模型与环境模型之间的对应关系，计算机械运动模型的关节运动轨迹，按照关节数据输出关系对机械运动模型的关节运动轨迹进行动作分解，并将所分解的关节运动轨迹数据匹配到机器人的运动关节上，实现其实时运动。

在本发明的一些实施例中，关节数据输出关系包括：根据电机输出转矩m对关节运动轨迹进行动作分解，电机输出转矩m为：m＝iq，i为运动肢体的转动惯量，q是关节旋转角度，可拆分为qx，qy，qz，qx表示关节绕x轴的旋转角度，qy表示关节绕y轴的旋转角度，qz表示关节绕z轴的旋转角度。

因此，通过实时映射算法实现了人机同步运动；另外，引入环境模型构建的虚拟运动环境，对人体运动模型与机器人的机械运动模型的实时映射时，输出的机械运动数据更加精确；最后，在充分考虑人机同步运动时，对运动趋势的判断和机械运动数据的修正，保证了人机同步运动过程中的稳定性和平衡性。

附图说明

图1示意性示出了根据本发明的实施例的人机同步方法流程图。

图2示意性示出了根据本发明的实施例的人体运动数据采集过程中的操作者。

图3示意性示出了根据本发明的实施例的人体运动模型。

图4示意性示出了根据本发明实施例的下肢机器人及对应的机械运动模型。

图5示意性示出了本发明实施例的人体运动模型根据人体运动数据模拟行走示意图。

图6示意性示出了本发明实施例的在实时映射过程中原始膝关节运动数据与映射之后的运动数据对比曲线图。

图7示意性示出了本发明实施例的机械运动模型在环境模型中的模拟。

表1根据本发明实施例的机械运动数据中关于运动关节转角的数据表。

具体实施方式

基于人机工程学的人机的仿真模拟技术仍存在一些问题亟待解决。例如，传统上利用离线采集方法无法实现人与机器人的同步运动，人体运动数据只是机器人运动的一个参考。另外，对于机器人在下肢运动同时的平衡性保持也存在一定的问题。

“数字人”也称“数字化虚拟人”，即在电脑里合成的三维人体详细结构，全部数据来自真实人体，将能模拟人体的新陈代谢、生长发育、病理生理变化等。数字运动人是专注于模仿人类运动步态的数字人，可以通过建立的人体运动模型来实现，以很好地应用于人形机器人研究和人机工程领域。

人行走步态重点每一个动作都不是身体某一部分的单一运动，而是在神经系统的统一协调下的整体运动，包括步态的实现和体态的调整。在传统研究机器人运动的方法中，并没有对整体的体态进行统一设定。本发明通过建立人体运动模型，使数据采集部分全面而详细，在数据使用方面形成积累和完善，更能通过积累与分析剔除实验中采集的错误数据，对机器人的运动规划提供参考及指导，还可以对人类运动的一些不正确姿势进行校正。对于机器人的下肢运动，也可以有效解决人机同步和平衡稳定的问题。

本发明针对仿人行走机器人，提出了一种实时的人机数据映射技术，能达到人机同步运动，并解决了机器人下肢运动的平衡问题可用于设计值守机器人、车间机器人、乃至战场机器人等。尤其是在地震、爆破、核辐射等高危环境下，远程操控机器人完成指定动作。

为此，操作人做出运动操作，通过身上佩戴的运动数据采集器采集操作者运动数据，把数据输入到人体运动模型中，之后，把人体运动数据映射到机械运动模型上，再由机械运动数据计算出机器人运动控制函数，最后控制机器人运动。具体地，把人体运动数据映射到机械运动模型上，当人体运动时，通过身上佩戴的运动数据采集器可以实时采集到人体的运动数据，并经过映射计算得到机械运动模型上相应的运动数据，最后通过控制器输出控制函数使机器人实现同步运动；同时，由于人和机器人的工作环境不一样，人在做行走运动时感受到的是自身所在的环境信息，所以运动时人体运动模型脚与地面的相互关系和机械运动模型与地面的相互关系是不等同的，需要通过机器人传感器采集环境数据，接着在机械运动模型上添加地面对脚底反作用力，形成机械运动模型与环境模型之间的约束，这样能更有效的保证在计算控制函数的时候输出合理的运动控制数据，并且机械运动模型也能更加如实的反应机器人状态，一边人能通过机械运动模型看到机器人状态，在失稳的时候及时做出调准。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

本发明的实施例公开了一种人机同步方法，包括以下步骤：采集人体的人体运动数据；将所述人体运动数据匹配到所述人体的人体运动模型；实现所述人体运动模型与机器人的机械运动模型的实时映射，形成所述机械运动模型的机械运动数据；将所述机械运动数据与所述机器人的运动关节实时匹配，实现人机实时同步运动。

图1示意性示出了根据本发明的实施例的人机同步方法流程图。

如图1所示，该方法包括步骤s101～s104：

s101、采集人体的人体运动数据；

s102、将所述人体运动数据匹配到所述人体的人体运动模型；

s103、实现所述人体运动模型与机器人的机械运动模型的实时映射，形成所述机械运动模型的机械运动数据；

s104、将所述机械运动数据与所述机器人的运动关节实时匹配，实现人机实时同步运动。

图2示意性示出了根据本发明的实施例的人体运动数据采集过程中的操作者。

如图2所示，在本发明的实施例中，在操作者身体各部分运动躯干上固定运动数据采集器获取人体各关节运动数据，并在身体各大型肌肉处贴肌电信息采集器获取关节力，在地面放置压力检测装置获取脚底运动力。例如，在针对下肢机器人的人机同步过程，首先需要采集人体下肢运动相关的人体运动数据，所需的人体运动数据种类概括一定类型的步态类型，并基于各种步态类型对动作数据采集和脚底压力采集等，例如可以包括自然行走、齐步走、节拍行走等各种步态类型，每一种步态类型还对应不同的不同速度的行走过程、行走起始以及变速行走等内容。自由度的参数包括人在运动时有明显变化的关节数目及位置；尺寸包括人体头、上下躯干、上臂、前臂、手、大腿、小腿、足的尺寸参数，同时还包括步行和慢跑状态下的步长、步频和步速；惯量为人体头、上下躯干、上臂、前臂、手、大腿、小腿、足的惯性指标；运动范围包含人体肩、肘、腕、髋、膝、踝等主要关节在随意运动及强迫运动时的运动范围。因此，运动捕获系统输出的数据格式大致可以分为两类。第一类数据格式只包含特征点的三维坐标，不包含任何骨架信息，这类数据格式以trc格式为代表。另一类数据同时包含操作者的骨架信息和运动数据，asf/amc格式、bvh格式和htr格式为代表。因此，通过对操作者的运动操作所产生的运动数据进行采集，可以较为全面地获取人体运动数据的原始数据，保证了数据的准确性。

人体运动数据采集是通过在时域上跟踪一些关键点的运动来记录生物运动状况，然后将其转换成可用的数学表达式，最终合并成一个单独的3d运动过程。运动采集分为两部分：运动捕获和力矩捕获。其中运动捕获的采集内容包括针对不同对象、速度、走向曲线、地形、行走意外等条件下各关节的运动信息；力矩捕获的采集内容包括关节力和触地力。

可采用机械式、电磁式、惯性式、光学式等方法之一进行采集。以光学式方法加测力台为例，利用光学式运动捕获技术设备进行参数采集，根据人机工程应用需求，采集行走、倒退、跑动、转弯、侧移、上下坡、非平坦地面、柔软地面等多种行为姿态数据，然后对数据进行修改编辑。因此，就更进一步确保了人体运动数据的全面性和准确性。

图3示意性示出了根据本发明的实施例的人体运动模型。

如图3所示，在本发明的实施例中，将采集到的所述人体运动数据匹配到人体的人体运动模型。首先需要根据人体特征中躯干几何尺寸、躯干惯量、关节自由度、活动范围等参数建立操作者人体运动模型，其中依据正常人的基本运动参数、人体的尺寸、重量以及质心、各肢体的惯性参数等来建立操作者的人体运动模型，例如正常人运动参数包括步行种类、步行参数的步长、步频、步速等都作为建立人体运动模型的基本参数。另外，人体的尺寸、重量以及质心包括上下躯干、大腿、小腿等的尺寸、重量和质心。对于人体运动模型而言，另一要点在于对人体的惯性参数的匹配。将采集到的人体运动数据计算，并据此建立人体运动模型。人体运动模型是根据实际操作者操作动作的数据拟合，并通过计算机进行模拟的数字模型。因此，基于对人体运动数据的初步处理，可以准确地匹配到与之相应的人体的人体运动模型中。

图4示意性示出了根据本发明实施例的下肢机器人及对应的机械运动模型。

如图4所示，在本发明的实施例中，实现所述人体运动模型与机器人的机械运动模型的实时映射，形成所述机械运动模型的机械运动数据。通过一定的映射算法，将人体运动模型中的人体运动数据进行处理，并将该数据处理结果映射到预设的机械运动模型。其中，对人体运动数据的处理，包括对几何尺寸、躯干惯量、关节自由度、活动范围等内容的计算，并对其中的冗余数据进行剔除，最后得到完整的包括关节位置、角度、角速度、角加速度以及关节力、触地力等信息的人体运动数据，最后将处理后的人体运动数据结果按照与机械运动模型相对应的部位，建立与人体运动模型相应的实时机械运动模型。机械运动模型是根据实际的机器人与操作者躯干部分一一相应、并通过计算机进行模拟的数字模型。其中匹配到机械运动模型的人体运动数据，经过计算处理之后，形成用于机器人实现实时与操作者同步运动的机械运动数据。

因此，基于本发明的实施例，将所述机械运动数据与所述机器人的运动关节实时匹配，实现人机实时同步运动。在获取机械运动模型的机械运动数据后，将该数据结果与机器人本身实现匹配，尤其对于运动关节的相应数据信息，从而保证机器人在运动的同时，能够根据机械运动数据实现与操作者的同步运动。

图5示意性示出了本发明实施例的人体运动模型根据人体运动数据模拟行走示意图。

如图5所示，在本发明的实施例中，人体运动模型与机器人的机械运动模型实时映射，包括：通过实时映射算法，按照人体运动模型与机械运动模型之间的映射关系，基于人体运动模型的人体运动数据，计算对应的机械运动数据，完成人体运动模型与机械运动模型的实时映射，所述人体运动模型与机械运动模型之间的映射关系是所述人体运动数据与所述机械运动数据之间的一对应的预设数据关系。如图5所示，通过采集到的原始运动数据进行归一化处理、滤波处理，得到完整的包括关节位置、角度、角速度、角加速度以及关节力、触地力等信息的人体运动数据，并匹配到操作者人体运动模型中。由于采集数据时测试对象体型、运动能力不同，以及不同采集方式得到的信息量不同，需要根据人体运动模型进行数据标准化处理。首先对采集的异常人体运动数据，尤其明显错误或缺失的部分根据标准人体运动数据进行增补。标准人体运动数据是经过预设实验获取的人体运动数据相关的数据标准。然后进行数据格式转换，不同的采集方式得到不同的数据格式，如光学式方法采集到的数据为节点世界坐标数据，只包含特征点的三维坐标，不包含任何骨架信息，如trc格式；而机械式方法采集到的数据为关节运动数据，同时包含受试者的骨架信息和运动数据，但没有各关节在世界坐标中的运动曲线，如htr格式。根据不同采集需求和使用需求，给出映射算法，可将两种格式的数据结果进行相互转换，形成统一格式的运动数据。最后进行采集数据标准化，对比操作者人体运动模型与标准人体运动模型的差异，考虑自由度、尺寸、惯量、运动范围等参数，按相应比例将采集的运动数据进行标准化处理。因此，利用实时映射算法，可以准确的将处理之后的人体运动数据映射到机械运动模型上，该方法在保证了实时同步的情况下，进一步确定了数据的准确性和可重复性，使得实时同步的效率更高，速度更快。

图6示意性示出了本发明实施例的在实时映射过程中原始膝关节运动数据与映射之后的运动数据对比曲线图。

如图6所示，根据本发明的实施例中，所述实时映射算法包括：惯量映射和自由度映射同时进行的数据映射。所述惯量映射，根据比例分配法，分别计算人体运动模型和机械运动模型上相互对应的身体部位的运动数据，根据计算得到的人体运动模型的运动数据和机械运动模型的运动数据的比值关系，来确定将人体运动数据匹配到机械运动模型上完成映射；所述自由度映射，根据冗余自由度剔除法，所述冗余自由度为所述人体运动模型的人体运动数据的一种，其包括：小幅运动冗余自由度和剩余冗余自由度，将所述人体运动模型上某身体部位的小幅运动冗余自由度数据剔除，再把所述人体运动模型上对应所述身体部位的剩余冗余自由度数据运动匹配至机械运动模型相应身体部位的关节上完成自由度数据的映射。人体运动模型与机械运动模型映射内容包括两部分：惯量映射和自由度映射。进行惯量映射时，采用按比例分配法，分别计算运动躯干的运动惯量，不参与运动的躯干可视作一个整体完成模型映射。进行自由度映射时，首先采用冗余自由度剔除法，把小幅运动的冗余自由度剔除，再把剩余冗余自由度运动映射到附近关节上，只保留机械运动模型中存在的自由度数据，去除不必要的自由度。例如，采集到的人体运动数据的自由度参数，可以涉及髋部3个自由度，踝部2个自由度，膝部1个自由度，肩部2个自由度，腕部2个自由度，肘部2个自由度，腰部3个自由度。其中，腰的旋转比较复杂，在胸部的上、中、下三个部位，可以分别实现4、6、12度的前后曲伸，到了腰部时，可以达到20度的曲伸。侧曲幅度以下胸段最大，为8～9度，上胸段为6度，腰段为6度。旋转度脊柱上段最大为9度，向下活动幅度逐步减小，到了下腰段仅剩下2度，但是在腰骶处又增加到5度。如图6所示，例如，对人体运动模型的膝关节运动原始数据进行实时映射算法处理之后，剔除了小幅运动的冗余自由度数据以及异常的自由度数据，最后形成机器人腿测量数据，应用到机械运动模型中。相应的，其他的相关运动数据亦可以通过此方法进行处理。根据人体运动模型的人体运动数据得到匹配的机械运动运动数据，根据比例分配法，将计算得到的人体运动模型的运动数据和机械运动模型的运动数据各部位对应的数据比值关系，将人体运动数据最终匹配到机械运动模型上以完成惯量映射。与之同时，对自由度参数进行处理，将与人体运动模型上对应部位的剩余冗余自由度数据匹配到机械运动模型的相应部位的关节上，从而确保了人机实时同步运动。因此，借助于惯量映射和自由度映射实时同步，保证了实时映射算法对人机实时同步的进行。

图7示意性示出了本发明实施例的机械运动模型在环境模型中的模拟。

如图7所示，在本发明的实施例中，人体运动模型与机器人的机械运动模型实时映射，还包括：通过将机械运动模型引入至环境模型的数据所构建的虚拟运动环境中，形成机械运动模型和环境模型之间的约束，导出机械运动数据并映射到机械运动模型。按机械运动模型与人体运动模型的映射关系，导出对应的机械运动模型运动数据。再将机械运动模型放置在虚拟的运动环境中，引入环境模型数据，并考虑其带来的影响，添加人体运动模型与环境模型之间的约束，如碰撞接触约束等。根据人体动力学，引入跟采集对象相应的碰撞力硬度、力指数、阻尼、摩擦力等参数。如图7所示，由于机器人行走时环境跟机器人的主要作用部分是地面，因此环境模型数据主要包括了地面硬度、摩擦系数、地面坡度等参数，从而构建虚拟运动环境。根据机械运动数据和环境模型数据进行计算处理，使得机械运动模型能够处于环境模型数据构建的虚拟运动环境里，充分考虑到操作者在实际环境中的运动环境，例如摩擦力等，使得机械运动模型对行走运动的模拟更加符合真实的运动环境需要，数据更加真实准确。接着在机械运动模型上添加地面对脚底反作用力，形成机械运动模型与环境模型之间的约束。根据人体动力学，计算跟采集对象相应的碰撞力硬度、力指数、阻尼、摩擦力等参数，添加到机械运动模型中。其中，所述机械运动模型与环境模型之间的约束是将所述环境模型数据与所述机械运动模型的机械运动数据进行计算，并将其计算结果添加到所述机械运动模型，形成的机械运动模型与所述环境模型之间的对应关系。因此，借助于环境模型的引入，使得机械运动模型能够处于虚拟运动环境中，进而确保了人机实时同步过程中，机器人的运动更加符合真实的外部环境条件，使得机器人的运动更稳定也更高效，避免了机器人在运动过程中运动动作过于僵硬。

表1为根据本发明实施例的机械运动数据中关于运动关节转角的数据表。

表1

如表1所示，根据本发明的实施例，所述将所述机械运动数据与机器人的运动关节实时匹配，包括：根据所述机械运动模型与所述环境模型之间的对应关系，计算所述机械运动模型的关节运动轨迹，按照关节数据输出关系对所述机械运动模型的关节运动轨迹进行动作分解，并将所分解的关节运动轨迹数据匹配到所述机器人的运动关节上，实现其实时运动。具体地，根据机器人模型运动数据，控制模型关节运动轨迹。在执行运动控制时，把动作分解，并计算出控制力的函数，例如控制左右髋关节需设置绕xyz三个轴的控制函数，左右膝关节需设置绕z轴的控制函数等。其中包括速度、加速度、角速度、角加速度等参数。如表1所示，机械运动数据中关于运动关节转角参数可以根据设置于xyz三个轴的控制函数，对每个轴向的关节运动轨迹进行分解，对分解之后的关节运动轨迹数据一一匹配到所述机器人的相应运动关节上，实现关节的活动自如。因此，借助于此，可以讲关节运动进行拆分，从而使得四肢关节运动的过程更加准确，避免了一些异常动作的产生。另一方面，还可以进一步确保操作者实时直接操控机器人进行运动操作过程中的效率更高，机器人的反应更快。

其中，在本发明的实施例中，所述关节数据输出关系包括：根据电机输出转矩m对所述关节运动轨迹进行动作分解，所述电机输出转矩m为：

m＝iq，

i为运动肢体的转动惯量，q是关节旋转角度，可拆分为qx，qy，qz，qx表示关节绕x轴的旋转角度，qy表示关节绕y轴的旋转角度，qz表示关节绕z轴的旋转角度。

在本发明的实施例中，将所述机械运动数据与所述机器人的运动关节实时匹配，还包括：通过对所述虚拟运动环境中的机械运动模型判断所述机器人的运动稳定趋势，对腰部运动数据进行实时处理，以修正所述机器人的重心位置。具体地，在机器人运动过程中，产生运动不稳定甚至倾倒的趋势时，操作者可以及时调整自身动作，通过上述实时同步方法，及时对机器人的重心位置进行修正，确保机器人运动稳定性。另一方面，机器人在计算自身的重心位置时，也会对自身的重心数据进行处理，结合操作者对动作的实时调整，进一步保证机器人的运动稳定性。

因此，通过本发明通过实时映射算法实现了人机同步运动；另外，引入环境模型构建的虚拟运动环境，对人体运动模型与机器人的机械运动模型的实时映射时，输出的机械运动数据更加精确；最后，在充分考虑人机同步运动时，对运动趋势的判断和机械运动数据的修正，保证了人机同步运动过程中的稳定性和平衡性。

以上所述具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。