基于姿态传感器和动捕模板数据的下肢步态预测方法

摘要

本发明涉及模式识别领域，为基于姿态传感器和动补模板数据的下肢步态预测方法，首先采集人体在行走过程中右侧的大腿、小腿和脚的欧拉角数据，将一个步态周期内欧拉角数据的对应关系作为动捕模板数据；通过姿态传感器实时获得右侧大腿的欧拉角；基于右侧大腿的欧拉角度和动捕模板数据，得到当前右侧大腿角度所对应的右侧小腿和脚的欧拉角，保存为右侧实时动捕模板数据；基于左右腿的相位对应关系，根据右侧实时动捕模板数据得到左侧的大腿、小腿和脚的欧拉角；通过左右侧的大腿、小腿和脚的欧拉角数据，实时预测下肢的运动。本方法通过一个姿态传感器得到下肢主要部位的位置信息，对整个步态过程进行预测，降低了模式识别的成本。

权利要求

1.基于姿态传感器和动捕模板数据的下肢步态预测方法，其特征在于，包括如下步骤：步骤S1、采集人体在行走过程中右侧的大腿、小腿和脚的欧拉角数据，将一个步态周期中大腿、小腿和脚的欧拉角数据的对应关系作为动捕模板数据；

步骤S2、将姿态传感器固定在人体右腿的大腿前侧，实时获得右侧大腿的欧拉角；

步骤S3、基于右侧大腿的欧拉角度和动捕模板数据，得到当前右侧大腿角度所对应的右侧小腿和脚的欧拉角，并保存为右侧实时动捕模板数据；

步骤S4、基于左右腿的相位对应关系，根据所保存的右侧实时动捕模板数据，得到左侧的大腿、小腿和脚的欧拉角；

步骤S5、通过左右侧的大腿、小腿和脚的欧拉角数据，实时预测下肢的运动；

步骤S4通过一个缓存区存放之前的右腿模型杆件在一个步态周期的角度变化数据，称为实时模型数据；根据实时预测的步态周期，基于实时模型数据，通过取右腿当前位置后半个预测步态周期的数据作为左腿各模型杆件的数据。

2.根据权利要求1所述的下肢步态预测方法，其特征在于，步骤S1使用动作捕捉系统对右侧的大腿、小腿和脚的欧拉角数据进行采集。

3.根据权利要求1所述的下肢步态预测方法，其特征在于，步骤S3在根据右侧大腿的欧拉角度和动捕模板数据更新小腿和脚的欧拉角数据时，当右侧大腿的角度超过动捕模板数据中的大腿角度时，不更新右侧小腿和脚的数据。

4.根据权利要求1或3所述的下肢步态预测方法，其特征在于，步骤S3中，当膝关节和踝关节的角度产生突变时，使用缓冲方法对出现突变处的踝关节和膝关节角度数据进行缓冲，设突变前值为x，突变后角度数据为x′i，缓冲后的值为yi，则线性缓冲得到的值为：yi＝x′i+(x‑x′i)×(1‑i/bmax)其中i为缓冲计数器，bmax为缓冲时间总长。

说明书

基于姿态传感器和动捕模板数据的下肢步态预测方法

技术领域

[0001] 本发明涉及模式识别领域，特别涉及基于姿态传感器和动捕模板数据的下肢步态预测方法，可用于在使用单个姿态传感器的情况下对下肢的其他部位的姿态进行合理预
测。

背景技术

[0002] 各种人体辅助设备诸如外骨骼、康复设备和智能假肢等的控制都需要基于下肢的运动。基于多种传感器的数据对下肢的动作进行识别，对控制各种人体的外围设备的控制
和评价人体的运动都具有重要意义。

[0003] 足底压力传感器价格低廉，可以方便地集成到鞋子的脚底。利用足底压力对脚跟触地和脚尖离地的检测可以有效地对步态周期进行划分。集成了惯性测量单元和计算芯片
的姿态传感器体积较小，可以非常方便的集成到步态识别的系统中。将姿态传感器固定在
下肢可以实时地得到所固定部位的欧拉角度。

[0004] 大腿、小腿和脚是下肢的主要组成部分，为了方便起见，将其通称为下肢杆件。因为下肢总共有左右两个腿，因此下肢的下肢杆件总共有六个。如果将每一个下肢杆件都粘
贴姿态传感器，就可以实时地获取人体下肢的运动。过多的姿态传感器会增加识别系统的
穿戴复杂程度，极大地增加其成本。在许多针对模型运动的控制过程中，对各种下肢杆件的
角度并没有特别高精度要求的情况下，使用少量的传感器合理预测整个下肢的运动将变得
十分重要。

发明内容

[0005] 针对现有技术所存在的技术问题，本发明提出了基于姿态传感器和动捕模板数据的下肢步态预测方法，通过一个姿态传感器得到下肢主要部位的位置信息，实现对整个步
态过程的预测，实现了使用少量传感器合理预测整个下肢运动的目的，降低了模式识别的
成本。

[0006] 本发明通过如下技术方案实现：基于姿态传感器和动捕模板数据的下肢步态预测方法，包括如下步骤：

[0007] 步骤S1、采集人体在行走过程中右侧的大腿、小腿和脚的欧拉角数据，将一个步态周期中大腿、小腿和脚的欧拉角数据的对应关系作为动捕模板数据；

[0008] 步骤S2、将姿态传感器固定在人体右腿的大腿前侧，实时获得右侧大腿的欧拉角；

[0009] 步骤S3、基于右侧大腿的欧拉角度和动捕模板数据，得到当前右侧大腿角度所对应的右侧小腿和脚的欧拉角，并保存为右侧实时动捕模板数据；

[0010] 步骤S4、基于左右腿的相位对应关系，根据所保存的右侧实时动捕模板数据，得到左侧的大腿、小腿和脚的欧拉角；

[0011] 步骤S5、通过左右侧的大腿、小腿和脚的欧拉角数据，实时预测下肢的运动。

[0012] 在优选的实施例中，步骤S3在根据右侧大腿的欧拉角度和动捕模板数据更新小腿和脚的欧拉角数据时，当右侧大腿的角度超过动捕模板数据中的大腿角度时，不更新右侧
小腿和脚的数据。

[0013] 在优选的实施例中，步骤S4通过一个缓存区存放之前的右腿模型杆件在一个步态周期的角度变化数据，称为实时模型数据；根据实时预测的步态周期，基于实时模型数据，
通过取右腿当前位置后半个预测步态周期的数据作为左腿各模型杆件的数据。

[0014] 与现有技术相比，本发明取得的有益效果包括：根据右侧大腿的姿态传感器数据、动作捕捉系统所测量的动捕模板数据、左右脚步态相位的对称性，通过右侧大腿角度推断
出右侧的小腿和脚，以及左侧的大腿、小腿和脚的位置信息，即欧拉角数据。本发明通过一
个姿态传感器得到下肢主要部位的位置信息，实现对整个步态过程的预测，实现了使用少
量传感器合理预测整个下肢运动的目的，降低了模式识别的成本。

附图说明

[0015] 图1为人体在矢状面的抽象投影；

[0016] 图2本发明实施例中的下肢步态预测方法的流程图；

[0017] 图3为动作捕捉系统所测量的一个步态周期中右腿各下肢杆件的欧拉角度；

[0018] 图4为膝关节和踝关节数据突变处进行缓冲处理前后对比的示意图。

具体实施方式

[0019] 下面结合附图和实施例对本发明的具体实施方式作进一步详细的说明，但本发明的实施方式并不限于此。

[0020] 实施例

[0021] 图1所示为人体在矢状面的抽象投影，总共使用θ1‑θ7七个角度来表示各模型杆件的位姿。虚拟下肢中包含的模型杆件有直线杆件和三角形杆件。上身、大腿、小腿都是由直
线杆件表示的。对于直线杆件，将垂直方向定为起始线，其杆件的角度定义为模型直线和垂
直起始线之间的夹角。如果垂直起始线到杆件的角度为逆时针，角度为正，反之角度为负
值。由于虚拟下肢只研究下肢的运动，所以默认整个上身在行走过程中是静止的，将表示上
身的模型杆件的角度θ7定义为常数0。对于三角形杆件，也就是脚的抽象，同样将垂直方向
定为起始线，以三角杆件底部直线的法线和起始线的夹角作为三角模型杆件的角度。同样，
如果起始线到杆件的角度为逆时针，角度为正，反之角度为负值。除了上身的模型杆件，其
余六个模型杆件的角度分别为θ1‑θ6。

[0022] 本实施例基于姿态传感器和动捕模板数据的下肢步态预测方法，如图2所示，包括如下步骤：

[0023] 步骤S1、如图3所示，使用动作捕捉系统对右侧的大腿、小腿和脚的欧拉角数据进行采集，将一个步态周期中大腿、小腿和脚的欧拉角数据的对应关系作为动捕模板数据。

[0024] 步骤S2、将姿态传感器固定在人体右腿的大腿前侧，实时获得右侧大腿的欧拉角度。

[0025] 本步骤将可以检测欧拉角、角速度和加速度的姿态传感器固定在人体的右侧大腿前侧。人体进行运动时可以实时采集右侧大腿的实时欧拉角度。欧拉角度的坐标轴相对于
地面静止，可以很好地反映人体下肢在空间上的运动。

[0026] 步骤S3、基于右侧大腿的欧拉角度和动捕模板数据，得到当前右侧大腿角度所对应的右侧小腿和脚的欧拉角数据，并保存为右侧实时动捕模板数据。

[0027] 由于已使用动作捕捉系统对人体行走过程中右侧的大腿、小腿和脚的角度关系进行测量，获得整个步态周期中右侧大腿、小腿和脚的角度变化关系，即动捕模板数据。因此
通过姿态传感器测得右侧大腿的欧拉角度后，可以通过右侧大腿的欧拉角度以及动作捕捉
系统测量的动捕模板数据，得到与大腿角度相对应的动捕模板数据中所测量的小腿和脚的
欧拉角数据。

[0028] 在本步骤中，由于行走的步态仍然具有不稳定性，因此在根据右侧大腿的欧拉角度和动捕模板数据更新小腿和脚的欧拉角数据时，偶尔会有大腿的角度可能会超过动捕模
板数据中的大腿角度，本方法中采用的策略是对该帧放弃更新，即不更新右侧小腿和脚的
数据。还有一种情况是在一些步态中经常会走不完100％的周期，因此变换时所得到的膝关
节和踝关节的角度经常会产生突变，导致出现“腿脚跳动”；因而此时使用缓冲方法对出现
突变处的踝关节和膝关节角度数据进行缓冲。如图4所示，设突变前值为x，突变后角度数据
为为x′i，缓冲后的值为yi，则线性缓冲得到的值为：

[0029] yi＝x′i+(x‑x′i)×(1‑i/bmax)

[0030] 其中i为缓冲计数器，bmax为缓冲时间总长(帧数)。

[0031] 步骤S4、基于左右腿的相位对应关系，根据保存的右侧实时动捕模板数据，得到左侧的大腿、小腿和脚的欧拉角数据。

[0032] 在本步骤中，因为在行走过程中，左腿和右腿的相位相差了半个周期并且左右腿的摆动幅度保持相同，所以根据左右腿的对称关系，基于右腿的预测数据来给出左腿各下
肢杆件的位置预测。

[0033] 本步骤中，为了使得虚拟下肢在步态的动态变换中有更加自然的随动效果，通过一个缓存区存放之前的右腿的模型杆件在一个步态周期的角度变化数据，称为实时模型数
据。然后根据实时预测的步态周期，基于实时模型数据，通过取右腿当前位置后半个预测步
态周期的数据作为左腿各模型杆件的数据。这样在大腿角度和步态周期发生明显变化时，
左右腿还是能产生对称的运动，使得虚拟下肢的运动更加稳定。

[0034] 步骤S5、通过左右侧的大腿、小腿和脚共六个下肢杆件的欧拉角数据，实时预测下肢的运动。

[0035] 在连续的步态中，右脚的两次相邻的后脚跟着地之间可以当作一次完整的步态。实验对象佩戴的便携式实验系统的足底压力传感器可以提供足底压力信息，可以通过相邻
的两次脚跟触地实时地知道一个完整的步态周期的时间。但是在实际的实时数据采集的场
景中，这种周期截取方法无法实现，通过脚跟触地可以判定为一个步态周期的开始，但是在
下一次脚跟触地前是不能够确定下肢在步态周期中所处的位置的，因此只能够在本次步态
周期结束时才能准确地知道步态周期的长度。在步态周期开始时就能预估步态周期的长度
是十分重要的。在检测到脚跟触地时，通过对前五个步态周期的长度求平均，将平均值作为
当前步态周期长度的预测。因为行走是一个相对平稳的过程，通过对前五个步态周期求平
均可以有效地预估出当前周期的长度，并且平均值能够在一定程度上减少行走突变的步态
周期的干扰。

[0036] 但是当步态发生明显变化时，步态的周期和大腿的角度变化范围都会发生明显的变化，这样如果还是按照动捕模板所采集的步态数据，让左腿的模型杆件的角度相对于右
腿后延半个周期，则会产生左右腿步态的不协调。为了使得虚拟下肢在步态的动态变换中
有更加自然的随动效果，通过一个缓存区存放之前的右腿的模型杆件在一个周期的角度变
化数据，称为实时模型数据。然后根据实时预测的周期，基于实时模型数据，通过取右脚当
前位置后半个预测周期的数据作为左腿的各模型杆件的数据。这样在大腿角度和步态周期
发生明显变化时，左右腿还是能产生对称的运动，使得虚拟下肢的运动更加稳定。

[0037] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换
和变型，本发明的范围由所附权利要求及其等同物限定。