★張澤宇（南京師范大學(xué)電氣與自動(dòng)化工程學(xué)院，江蘇 南京 210042）

基于微慣性傳感器的姿態(tài)捕捉系統(tǒng)設(shè)計(jì)

★張澤宇（南京師范大學(xué)電氣與自動(dòng)化工程學(xué)院，江蘇 南京 210042）

在慣性導(dǎo)航系統(tǒng)中，對(duì)于動(dòng)作捕捉時(shí)多個(gè)慣性傳感器的數(shù)據(jù)實(shí)時(shí)傳輸及傳輸功耗問(wèn)題，我們?cè)谖闹刑岢隽怂{(lán)牙數(shù)據(jù)轉(zhuǎn)發(fā)裝置的設(shè)計(jì)方案，并建立了慣性系統(tǒng)誤差模型，提出了初始對(duì)準(zhǔn)的方案；基于卡爾曼濾波解決了多傳感器的信息融合問(wèn)題；建立了人體三維棍狀模型進(jìn)行動(dòng)作實(shí)時(shí)重現(xiàn)；提出了人體關(guān)節(jié)活動(dòng)度與肢體姿態(tài)角的轉(zhuǎn)換關(guān)系，并以此為姿態(tài)數(shù)據(jù)限幅。

動(dòng)作捕捉；微慣性傳感器；數(shù)據(jù)轉(zhuǎn)發(fā)裝置；三維棍狀模型；卡爾曼濾波

1 前言

近年來(lái)隨著微電子技術(shù)和慣性導(dǎo)航技術(shù)的發(fā)展，慣性傳感器可實(shí)現(xiàn)對(duì)捕捉對(duì)象運(yùn)動(dòng)信息的檢測(cè)，為動(dòng)作信息的捕獲帶來(lái)新的基礎(chǔ)工具和應(yīng)用環(huán)境，其可以對(duì)相關(guān)部位姿態(tài)信息進(jìn)行精確的測(cè)量與跟蹤，具有結(jié)構(gòu)設(shè)計(jì)簡(jiǎn)單和使用便捷等優(yōu)點(diǎn)。所謂動(dòng)作捕捉，是一種在肢體的相關(guān)位置架設(shè)傳感器采集數(shù)據(jù)，再經(jīng)計(jì)算機(jī)處理后能得到反映運(yùn)動(dòng)特點(diǎn)的數(shù)據(jù)、甚至能再現(xiàn)運(yùn)動(dòng)本身的技術(shù)，對(duì)于智能控制領(lǐng)域的發(fā)展具有極大的促進(jìn)作用。

MEMS慣性傳感器體積小、重量輕，將它佩戴在身上基本不會(huì)對(duì)肢體的正常動(dòng)作產(chǎn)生影響。又由于慣性傳感器測(cè)量的是加速度、角度及航向信息等，受環(huán)境影響很小，抗干擾能力比較好，魯棒性強(qiáng)，因而近年來(lái)的研究重點(diǎn)側(cè)重于將多個(gè)MEMS慣性傳感器佩戴在人體上構(gòu)成測(cè)量組件，并利用短距離無(wú)線通訊技術(shù)、姿態(tài)解算算法、人體三維模型構(gòu)建等技術(shù)組成一個(gè)完整的動(dòng)作捕捉系統(tǒng)。本文在基于微型慣性傳感器技術(shù)的基礎(chǔ)上，結(jié)合捷聯(lián)式慣性導(dǎo)航和數(shù)據(jù)融合原理，設(shè)計(jì)了一種不受環(huán)境約束，抗干擾能力強(qiáng)的全姿態(tài)捕捉系統(tǒng)。

圖1 基于微慣性傳感器的姿態(tài)捕捉系統(tǒng)結(jié)構(gòu)示意圖

本文研究的基于微慣性傳感器的捕捉系統(tǒng)結(jié)構(gòu)如圖1所示。該系統(tǒng)將慣性傳感器組件佩戴在研究對(duì)象身上，并通過(guò)藍(lán)牙將數(shù)據(jù)經(jīng)藍(lán)牙數(shù)據(jù)轉(zhuǎn)發(fā)裝置傳至計(jì)算機(jī)；計(jì)算機(jī)接受到數(shù)據(jù)后進(jìn)行數(shù)據(jù)解包，接著用四元數(shù)法進(jìn)行姿態(tài)解算；最后再利用姿態(tài)數(shù)據(jù)構(gòu)建人體模型進(jìn)行動(dòng)作再現(xiàn)。

2 動(dòng)作捕捉系統(tǒng)的搭建

2.1 慣性傳感器的設(shè)計(jì)

本系統(tǒng)選用了MEMS三軸加速度計(jì)來(lái)測(cè)量加速度、三軸陀螺儀來(lái)測(cè)量角速度、三軸地磁傳感器來(lái)測(cè)量地磁場(chǎng)，以及氣壓高度計(jì)來(lái)測(cè)量高度，用共計(jì)10軸的數(shù)據(jù)來(lái)對(duì)肢體運(yùn)動(dòng)姿態(tài)進(jìn)行實(shí)時(shí)跟蹤和捕獲，負(fù)責(zé)采集各部位運(yùn)動(dòng)過(guò)程中的原始數(shù)據(jù)，并進(jìn)行數(shù)據(jù)的預(yù)處理。之后控制節(jié)點(diǎn)匯聚各個(gè)傳感器節(jié)點(diǎn)的數(shù)據(jù)，通過(guò)傳輸把解算的姿態(tài)數(shù)據(jù)進(jìn)行打包發(fā)送給上位機(jī)，通過(guò)對(duì)姿態(tài)數(shù)據(jù)進(jìn)行進(jìn)一步解析，以實(shí)現(xiàn)對(duì)虛擬模型關(guān)節(jié)的數(shù)據(jù)驅(qū)動(dòng)，從而實(shí)現(xiàn)對(duì)真實(shí)部位姿態(tài)的捕捉和動(dòng)態(tài)顯示。但是加速度傳感器存在數(shù)據(jù)抖動(dòng)和偏移造成的誤差，陀螺儀存在累積誤差，地磁儀易受磁場(chǎng)干擾。如何最大程度減小這些誤差是我們需要考慮的。

2.2 藍(lán)牙數(shù)據(jù)轉(zhuǎn)發(fā)裝置的設(shè)計(jì)

為解決多個(gè)慣性傳感器的實(shí)時(shí)數(shù)據(jù)傳輸問(wèn)題，本系統(tǒng)設(shè)計(jì)了一個(gè)藍(lán)牙數(shù)據(jù)轉(zhuǎn)發(fā)裝置。該裝置通過(guò)MCU將多個(gè)傳輸進(jìn)來(lái)的數(shù)據(jù)解包、識(shí)別后再打包、再通過(guò)一個(gè)藍(lán)牙傳輸出去。為了使計(jì)算機(jī)能夠識(shí)別出當(dāng)前這一幀數(shù)據(jù)是來(lái)自哪個(gè)傳感器，本系統(tǒng)對(duì)各個(gè)傳感器進(jìn)行了編碼。

用此種方法來(lái)轉(zhuǎn)發(fā)藍(lán)牙數(shù)據(jù)，能同時(shí)轉(zhuǎn)發(fā)的數(shù)據(jù)路數(shù)是有上限的，此上限由公式(1)決定：

式中，B為藍(lán)牙的波特率，w為傳輸時(shí)的數(shù)據(jù)位個(gè)數(shù)，C為一幀內(nèi)所有數(shù)據(jù)的字節(jié)數(shù)，f為傳感器上傳數(shù)據(jù)的頻率，N為MCU可用的串口數(shù)，maxn為能同時(shí)轉(zhuǎn)發(fā)的最大數(shù)據(jù)路數(shù)。

本系統(tǒng)采用STM32作為轉(zhuǎn)發(fā)多路數(shù)據(jù)的MCU。由于所用的STM32僅有5個(gè)串口（4個(gè)接受數(shù)據(jù)，1個(gè)發(fā)送數(shù)據(jù)），我們采用5片STM32將串口擴(kuò)展到17個(gè)（16個(gè)接收數(shù)據(jù)，1個(gè)發(fā)送數(shù)據(jù)），而這足夠用來(lái)實(shí)現(xiàn)動(dòng)作捕捉功能。

3 基于傳感器的姿態(tài)分析算法

3.1 初始對(duì)準(zhǔn)部分

在動(dòng)作捕捉開(kāi)始之前需要進(jìn)行初始對(duì)準(zhǔn)。初始對(duì)準(zhǔn)分為粗對(duì)準(zhǔn)與精對(duì)準(zhǔn)兩方面：粗對(duì)準(zhǔn)階段，依靠重力加速度g矢量和地球自轉(zhuǎn)角速度ω矢量的測(cè)量值，直接估算從機(jī)體坐標(biāo)系到導(dǎo)航坐標(biāo)系的變化矩陣，計(jì)算得到載體水平姿態(tài)角和地理航向；精對(duì)準(zhǔn)階段，采用最優(yōu)估計(jì)與補(bǔ)償?shù)姆绞?。由于初始?duì)準(zhǔn)的時(shí)間較短，因而可采用捷聯(lián)慣性導(dǎo)航系統(tǒng)的線性誤差模型，并用線性卡爾曼濾波進(jìn)行對(duì)準(zhǔn)。慣性系統(tǒng)的誤差模型由平臺(tái)誤差角模型、速度誤差模型、定位誤差和慣性傳感器誤差模型組成。

速度誤差模型：

定位誤差模型：

慣性傳感器誤差模型：

公式(2)～公式(6)中物理量的定義，以及各方程的建立過(guò)程詳見(jiàn)參考文獻(xiàn)[5]。

3.2 方向余弦的應(yīng)用

從上面的公式我們可以得到方向余弦之間的一個(gè)基本關(guān)系式：

再次引入方向余弦陣的概念。對(duì)于兩個(gè)不同的矢量基er與eb，即

3.5 卡爾曼濾波與信息融合

所謂的信息融合（也稱數(shù)據(jù)融合）是一種對(duì)信息的多層次的、多方面的處理過(guò)程，這個(gè)過(guò)程是對(duì)多源數(shù)據(jù)進(jìn)行融合以獲得精確、完整的目標(biāo)屬性及狀態(tài)。卡爾曼濾波理論將狀態(tài)空間的概念與隨機(jī)估計(jì)理論相結(jié)合，利用系統(tǒng)狀態(tài)方程、觀測(cè)方程及噪聲的統(tǒng)計(jì)特征形成一套完整的濾波算法，是一種在高斯白噪聲下對(duì)隨機(jī)過(guò)程的最優(yōu)估計(jì)。

相對(duì)于只適用于線性系統(tǒng)的經(jīng)典卡爾曼濾波技術(shù)，擴(kuò)展濾波（EKF）正在逐漸成為處理非線性系統(tǒng)狀態(tài)及參數(shù)估計(jì)問(wèn)題的標(biāo)準(zhǔn)方法。EKF將非線性過(guò)程通過(guò)一階或二階泰勒展開(kāi)，向經(jīng)典濾波問(wèn)題轉(zhuǎn)化。由于EKF在線性化時(shí)略去了高階非線性信息，是一種次優(yōu)估計(jì)，對(duì)于非線性程度不太高的系統(tǒng)如普通模型仍能獲得較高的估計(jì)精度。狀態(tài)估計(jì)對(duì)于多傳感器信息融合系統(tǒng)的意義在于對(duì)目標(biāo)過(guò)去的狀態(tài)進(jìn)行平滑處理，對(duì)現(xiàn)在的狀態(tài)做出估計(jì)，同時(shí)對(duì)未來(lái)狀態(tài)做出預(yù)測(cè)。在已知融合目標(biāo)與融合結(jié)果的相對(duì)確切的數(shù)學(xué)模型的基礎(chǔ)上選擇擴(kuò)展卡爾曼濾波理論作為信息融合技術(shù)的載體，建立信息融合算法。

4.2 位置信息解算與信息預(yù)處理

若上述角度均在相應(yīng)的關(guān)節(jié)坐標(biāo)系內(nèi)加以修正后，除了肩關(guān)節(jié)、髖關(guān)節(jié)，人體關(guān)節(jié)活動(dòng)度和其對(duì)應(yīng)的移動(dòng)臂姿態(tài)角的轉(zhuǎn)換關(guān)系如式（7）所示。

式中，0φ、0θ和0γ分別是與某一關(guān)節(jié)相連的固定臂的三個(gè)姿態(tài)角。頸椎和肩關(guān)節(jié)的固定臂是胸部，肘關(guān)節(jié)的固定臂是前臂，膝關(guān)節(jié)的固定臂是大腿，髖關(guān)節(jié)和腰椎的固定臂是腰部。

肩關(guān)節(jié)、髖關(guān)節(jié)的活動(dòng)度與其對(duì)應(yīng)的移動(dòng)臂姿態(tài)角的關(guān)系如式（8）所示。

由上述兩式計(jì)算出的姿態(tài)角可以用來(lái)為解算出的肢體姿態(tài)角限幅。

本系統(tǒng)具體采用STM32作為慣性傳感器和藍(lán)牙數(shù)據(jù)轉(zhuǎn)發(fā)裝置的MCU，采用MATLAB作為實(shí)時(shí)顯示模型動(dòng)作的平臺(tái)。實(shí)驗(yàn)時(shí)，在人體各處一共佩戴了11個(gè)慣性傳感器。本系統(tǒng)顯示的人的姿勢(shì)與三維模型姿勢(shì)對(duì)照?qǐng)D如圖3所示，圖中人具體的動(dòng)作為雙手叉腰的坐姿和雙手垂下的站姿。

圖3 人的姿勢(shì)與系統(tǒng)顯示的三維模型姿勢(shì)對(duì)照?qǐng)D

5 結(jié)論

本文設(shè)計(jì)了一個(gè)基于微慣性測(cè)量組件的動(dòng)作捕捉系統(tǒng)，結(jié)合動(dòng)作捕捉的實(shí)際情況，針對(duì)多個(gè)慣性傳感器的數(shù)據(jù)實(shí)時(shí)傳輸問(wèn)題、傳輸功耗問(wèn)題提出了藍(lán)牙數(shù)據(jù)轉(zhuǎn)發(fā)裝置的設(shè)計(jì)方案。建立了慣性系統(tǒng)誤差模型，并提出了初始對(duì)準(zhǔn)的方案；建立了人體三維棍狀簡(jiǎn)化模型進(jìn)行動(dòng)作實(shí)時(shí)再現(xiàn)；創(chuàng)新性地提出了人體關(guān)節(jié)活動(dòng)度與肢體姿態(tài)角的轉(zhuǎn)換關(guān)系，并以此為姿態(tài)數(shù)據(jù)限幅。從實(shí)驗(yàn)結(jié)果來(lái)看，本文提出的這些設(shè)計(jì)思路與方法，可以有效地解決基于微慣性組件的動(dòng)作捕捉系統(tǒng)的相關(guān)問(wèn)題，能夠較好地實(shí)現(xiàn)動(dòng)作捕捉的效果。AP

[1] ROETENBERG D, LUINGE H, SLYCKE P. XSENS MVN: full 6DOF human motion tracking using miniature inerial sensors[J]. Xsens Motion Technologies BV, Tech. Rep, 2009.

[2] 汪俊. 基于慣性傳感單元的動(dòng)作捕捉系統(tǒng)研究與設(shè)計(jì)[D]. 合肥: 中國(guó)科學(xué)技術(shù)大學(xué), 2015.

[3] 徐昺. 基于MEMS傳感器與Zigbee網(wǎng)絡(luò)的人體動(dòng)作捕捉系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 成都: 電子科技大學(xué), 2013.

[4] 趙正旭, 戴歡, 趙文彬, 等. 基于慣性動(dòng)作捕捉的人體運(yùn)動(dòng)姿態(tài)模擬[J]. 計(jì)算機(jī)工程, 2012, 38 ( 5 ) : 5 - 8.

[5] 陳灣灣, 陳智剛, 付建平. MEMS 微型慣性測(cè)量組合的標(biāo)定[J]. 儀表技術(shù)與傳感器, 2014, ( 12 ) : 36 - 38.

[6] 鄭淑孟. 基于MEMS慣性傳感器的人體姿態(tài)和位移檢測(cè)[D]. 暨南大學(xué), 2015.

[7] 蹇彪. 基于慣性傳感器的人體運(yùn)動(dòng)姿態(tài)三維重構(gòu)[D]. 哈爾濱工程大學(xué), 2013.

Design of Motion Capture System Based on MEMS Inertial Measurement Units

In this article, we focus on the problem of real-time data transmission of multiple inertial sensors in inertial navigation system (INS). To achieve this goal, we design a bluetooth dataforwarding device and construct an error model of inertial system. Then, an initial alignment method is proposed. Moreover, we settle the problem of multi-sensor information fusion based on Kalman filtering. The motion reconstruction is carried out based on a simplified 3D point-stick model of human body. In addition, we build the conversion relationship between motion range of human joints and body attitude angles, and use this relationship to limit the range of body attitude angles.

Motion capture; Micro inertial sensors; Data forwarding device; 3D point-stick model; Kalman filtering

B

1003-0492(2017)03-0085-04

TP212.6

張澤宇（1995-），男，河北石家莊人，現(xiàn)就讀于南京師范大學(xué)電氣與自動(dòng)化工程學(xué)院本科，研究方向?yàn)閭鞲衅骷跋嚓P(guān)循跡導(dǎo)航平臺(tái)開(kāi)發(fā)。