錢偉行，祝燕華，謝 非，王云濤，張 研，宋天威

（1. 南京師范大學(xué) 電氣與自動(dòng)化工程學(xué)院，南京 210042；2. 東南大學(xué) 儀器科學(xué)與工程學(xué)院，南京 210096）

基于機(jī)器學(xué)習(xí)的人體虛擬慣性測(cè)量組件構(gòu)建方法

錢偉行1，祝燕華2，謝 非1，王云濤1，張 研1，宋天威1

（1. 南京師范大學(xué) 電氣與自動(dòng)化工程學(xué)院，南京 210042；2. 東南大學(xué) 儀器科學(xué)與工程學(xué)院，南京 210096）

利用人體特征輔助行人導(dǎo)航與外骨骼機(jī)器人控制是近年來(lái)導(dǎo)航與機(jī)器人領(lǐng)域中的熱點(diǎn)研究方向。針對(duì)慣性測(cè)量組件足部安裝方式在過(guò)載較高時(shí)無(wú)法實(shí)現(xiàn)有效測(cè)量的問(wèn)題，研究了一種基于機(jī)器學(xué)習(xí)的人體虛擬慣性測(cè)量組件構(gòu)建方法。該方法以同步采集安裝于足部與下肢其他部位的慣性測(cè)量組件的輸出作為數(shù)據(jù)樣本，通過(guò)遺傳算法改進(jìn)的誤差反向傳播（GA-BP）神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)虛擬慣性測(cè)量組件的構(gòu)建。為進(jìn)一步改善訓(xùn)練效果，采用基于步態(tài)相位檢測(cè)方法對(duì)訓(xùn)練樣本進(jìn)行篩選?；贏nybody與MATLAB的聯(lián)合仿真結(jié)果表明，本文所研究的方法可實(shí)現(xiàn)采用安裝于髖關(guān)節(jié)附近位置的慣性測(cè)量組件數(shù)據(jù)，有效模擬足部位置的慣性測(cè)量組件數(shù)據(jù)。該方法對(duì)未經(jīng)訓(xùn)練的步態(tài)也有一定的適應(yīng)性。本文所研究的方法可進(jìn)一步應(yīng)用于行人精確定位與外骨骼機(jī)器人控制等領(lǐng)域。

人體運(yùn)動(dòng)學(xué)模型；虛擬傳感器；機(jī)器學(xué)習(xí)；步態(tài)檢測(cè)；行人導(dǎo)航

微慣性測(cè)量組件應(yīng)用在穿戴式智能設(shè)備（醫(yī)療康復(fù)外骨骼機(jī)器人、行人導(dǎo)航系統(tǒng)、智能穿戴式設(shè)備）中，可以實(shí)現(xiàn)對(duì)人體運(yùn)動(dòng)信息的監(jiān)測(cè)功能，是近年來(lái)微慣性技術(shù)研究的熱點(diǎn)之一。瑞典皇家理工學(xué)院、加拿大卡爾加里大學(xué)、芬蘭坦佩雷大學(xué)、北京理工大學(xué)、東南大學(xué)等高校的研究人員采用微慣性技術(shù)設(shè)計(jì)并實(shí)現(xiàn)了多種基于人體運(yùn)動(dòng)特征的行人導(dǎo)航算法，如PDR（Pedestrian Dead-Reckoning）算法與基于零速更新（ZUPT）的SINS算法等[1-3]，美國(guó)加州大學(xué)、德國(guó)柏林科技大學(xué)、中國(guó)科學(xué)技術(shù)大學(xué)、上海交通大學(xué)、南京航空航天大學(xué)等高校已將微慣性技術(shù)運(yùn)用于穿戴式機(jī)器人與人體運(yùn)動(dòng)模式識(shí)別領(lǐng)域[4-7]。目前采用微慣性傳感器及其組件進(jìn)行人體運(yùn)動(dòng)實(shí)時(shí)測(cè)量尚存在如下問(wèn)題：

1）肢體末端（如足部、手掌）是人體運(yùn)動(dòng)精確監(jiān)測(cè)的必要位置，但受到人體生理結(jié)構(gòu)特征的影響，肢體末端的運(yùn)動(dòng)過(guò)載幅度較大，使傳感器在選型與使用時(shí)難以兼顧測(cè)量精度與量程；

2）為實(shí)時(shí)監(jiān)測(cè)人體的復(fù)雜運(yùn)動(dòng)，大量安裝微慣性測(cè)量組件（如荷蘭XSENS公司的人體運(yùn)動(dòng)捕捉系統(tǒng)）將大幅增加系統(tǒng)硬件的復(fù)雜性，從而影響其可靠性。

針對(duì)上述問(wèn)題，本文提出了一種基于機(jī)器學(xué)習(xí)的人體虛擬慣性測(cè)量組件構(gòu)建方法，該方法在人體運(yùn)動(dòng)學(xué)模型的基礎(chǔ)上，采用基于運(yùn)動(dòng)模態(tài)識(shí)別的訓(xùn)練樣本自適應(yīng)提取方法，通過(guò)機(jī)器學(xué)習(xí)構(gòu)建不同肢節(jié)之間加速度與角速度的非線性關(guān)系，實(shí)現(xiàn)虛擬慣性測(cè)量組件的構(gòu)建。該方法旨在解決人體較大運(yùn)動(dòng)過(guò)載時(shí)的慣性測(cè)量超限等問(wèn)題，同時(shí)減小硬件復(fù)雜性，為外骨骼機(jī)器人控制、行人導(dǎo)航、人體運(yùn)動(dòng)捕捉等相關(guān)功能系統(tǒng)的設(shè)計(jì)提供新的思路。

1 人體運(yùn)動(dòng)學(xué)中的慣性信息模型

本文以下肢典型運(yùn)動(dòng)在矢狀面內(nèi)的運(yùn)動(dòng)變化為例簡(jiǎn)要說(shuō)明虛擬慣性傳感器組件的構(gòu)建機(jī)理。將Hanavan 15剛體人體模型簡(jiǎn)化為4關(guān)節(jié)5連桿的人體模型[5]，如圖1所示。定義固定坐標(biāo)系與廣義坐標(biāo)：固定坐標(biāo)系以支撐腿的踝關(guān)節(jié)為原點(diǎn)，徑向?yàn)閄軸方向，可認(rèn)為人體在沿著某一航向角運(yùn)動(dòng)時(shí)，豎直向上為Y方向，Z方向由右手定則確定；各個(gè)廣義坐標(biāo)θi（i=1～5）為各個(gè)連桿和豎直軸之間的絕對(duì)夾角，順時(shí)針?lè)较驗(yàn)檎梭w的姿態(tài)可以由該固定坐標(biāo)系原點(diǎn)和各廣義坐標(biāo)唯一確定[5-6]。

圖1中(xh，yh)為人體髖關(guān)節(jié)在固定坐標(biāo)系中的坐標(biāo)，(xe，ye)為擺動(dòng)小腿末端在固定坐標(biāo)系中的坐標(biāo)，(xb，yb)為以支撐腿的踝關(guān)節(jié)在廣義坐標(biāo)系中的坐標(biāo)，l4與l5分別為擺動(dòng)腿的小腿與大腿長(zhǎng)度，θ4與θ5分別為擺動(dòng)腿的小腿與大腿的廣義坐標(biāo)，其他變量定義參考文獻(xiàn)[5]和[6]，本文不再贅述。根據(jù)正向運(yùn)動(dòng)學(xué)理論，可得如圖1所示的擺動(dòng)小腿末端與髖關(guān)節(jié)的相對(duì)位姿關(guān)系：

對(duì)公式(1)與(2)求時(shí)間的二階導(dǎo)數(shù)，可得：

圖1 典型運(yùn)動(dòng)中的人體下肢簡(jiǎn)化模型Fig.1 Simplified model of human lower limbs in typical movement

由公式(3)與(4)可知：(Xh,Yh)為大腿相對(duì)固定坐標(biāo)系的運(yùn)動(dòng)加速度在固定坐標(biāo)系上的投影，由相關(guān)基本定義可知，固定坐標(biāo)系可視為自由方位導(dǎo)航坐標(biāo)系的原點(diǎn)由人體質(zhì)心平移到了支撐踝關(guān)節(jié)[7]，因此近似于加速度計(jì)的輸出在自由方位導(dǎo)航坐標(biāo)系中的投影；同時(shí)，在中低精度慣性系統(tǒng)中，可忽略地球自轉(zhuǎn)角速度與人體運(yùn)動(dòng)速度的微小影響，在此前提下，可視為下肢運(yùn)動(dòng)的角速度在自由方位導(dǎo)航坐標(biāo)系中的投影。上述人體運(yùn)動(dòng)學(xué)特性可推廣到人體的三維運(yùn)動(dòng)中。

由此可知，人體運(yùn)動(dòng)模型是一類包含了慣性信息（加速度與角速度）微分、積分以及三角函數(shù)混合運(yùn)算的強(qiáng)非線性方程，在工程應(yīng)用中的實(shí)時(shí)解算是較為困難的?；谏鲜龇治?，本文研究了一種基于機(jī)器學(xué)習(xí)的下肢虛擬慣性測(cè)量組件的構(gòu)建方法，旨在通過(guò)穿戴于人體下肢（如髖關(guān)節(jié)附近）的微慣性測(cè)量組件的量測(cè)信息，模擬出擺動(dòng)腿足部的慣性測(cè)量組件信息，以輔助行人導(dǎo)航與穿戴式機(jī)器人有關(guān)技術(shù)的后續(xù)研究[8]。

2 基于Anybody-MATLAB的慣性測(cè)量組件信息協(xié)同仿真方法

AnyBody人體建模仿真系統(tǒng)是計(jì)算機(jī)輔助的人類工效學(xué)和生物力學(xué)分析軟件，可用于模擬和分析完整的人體骨肌系統(tǒng)[9]。本文采用AnyBody軟件對(duì)人體髖關(guān)節(jié)處肌肉與踝關(guān)節(jié)肌肉的運(yùn)動(dòng)信息進(jìn)行仿真，從而提取該兩位置加速度與角速度信息在固定坐標(biāo)系中的三軸投影，以及下肢各肢節(jié)的實(shí)時(shí)姿態(tài)信息。AnyBody骨肌系統(tǒng)模型中用于提取數(shù)據(jù)的人體位置如圖2所示，即髖關(guān)節(jié)附近股骨位置、髖關(guān)節(jié)附近股骨的肌肉表面位置，以及足部質(zhì)心位置。其中：髖關(guān)節(jié)附近股骨位置下文簡(jiǎn)稱Thigh_in位置；髖關(guān)節(jié)附近股骨的肌肉表面位置為實(shí)際慣性測(cè)量組件安裝位置，下文簡(jiǎn)稱Thigh_out位置；足部質(zhì)心位置為虛擬慣性測(cè)量組件位置，下文簡(jiǎn)稱Foot位置。

圖2 骨肌模型中實(shí)際與虛擬慣性測(cè)量組件的位置Fig.2 Locations of real and virtual inertial sensor components in musculoskeletal model

在此特別說(shuō)明，人體肌肉與皮膚等柔性組織在運(yùn)動(dòng)中將發(fā)生一定程度的形變，其運(yùn)動(dòng)特性可視為在人體骨骼運(yùn)動(dòng)的基礎(chǔ)上疊加一項(xiàng)或多項(xiàng)周期性噪聲信號(hào)，該信號(hào)頻率與人體步態(tài)等因素有關(guān)，在本文的研究中暫不予考慮。在不考慮柔性組織形變的前提下，Thigh_out位置與Thigh_in位置過(guò)載信息的矢量和保持一致，與Foot位置的運(yùn)動(dòng)學(xué)關(guān)系都滿足公式(3)和(4)，下文將重點(diǎn)論述由Thigh_out位置的實(shí)際慣性測(cè)量組件構(gòu)建Foot位置的虛擬慣性測(cè)量組件的過(guò)程。

本文研究的人體典型運(yùn)動(dòng)包括水平行走、上下樓、下蹲與起立、勻速跑步、跳躍5類常規(guī)動(dòng)作，通過(guò)Anybody骨肌系統(tǒng)模型同步仿真固定坐標(biāo)系中Thigh_out位置與Foot位置的慣性信息的三軸投影，以及這兩個(gè)位置的實(shí)時(shí)姿態(tài)信息，在MATLAB中通過(guò)固定坐標(biāo)系與載體坐標(biāo)系的矢量轉(zhuǎn)換函數(shù)，模擬出兩個(gè)位置上的理想六軸慣性傳感器數(shù)據(jù)，并通過(guò)慣性器件仿真函數(shù)加入典型特征的隨機(jī)誤差（假設(shè)慣性測(cè)量組件的確定性誤差已經(jīng)標(biāo)定，隨機(jī)誤差分別按MPU6050型低精度微慣性測(cè)量組件與XSENS MTi-300型中低精度微慣性測(cè)量組件設(shè)置[7,10]）。在此基礎(chǔ)上，通過(guò)相同方法生成具有上述隨機(jī)誤差特性的上下樓、下蹲與起立等動(dòng)作的慣性信息，構(gòu)成綜合步態(tài)慣性信息。勻速跑步與跳躍過(guò)程中的慣性信息構(gòu)成方法也相同。

3 基于機(jī)器學(xué)習(xí)的虛擬慣性測(cè)量組件構(gòu)建

3.1 基于GA-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模型構(gòu)建

由本文第1節(jié)分析可知，人體運(yùn)動(dòng)學(xué)模型是一類強(qiáng)非線性方程，在工程應(yīng)用中求解解析解存在一定困難。神經(jīng)網(wǎng)絡(luò)技術(shù)是機(jī)器學(xué)習(xí)中較為成熟的分支，對(duì)于描述或求解多元高次強(qiáng)非線性方程組具有優(yōu)良的性能[11-12]。本文采用雙隱層GA-BP神經(jīng)網(wǎng)絡(luò)[12]結(jié)構(gòu)來(lái)描述式(3)與式(4)所述的強(qiáng)非線性方程，神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型結(jié)構(gòu)如圖3所示。輸入層設(shè)置7個(gè)節(jié)點(diǎn)，即Thigh_out位置的三軸陀螺儀、三軸加速度計(jì)的慣性信息以及步態(tài)相位標(biāo)志信息。步態(tài)相位標(biāo)志信息為0至16中的其中一個(gè)整數(shù)，分別表示下落、靜止、抬起三個(gè)過(guò)程中的17個(gè)步態(tài)相位標(biāo)志[10]；輸出層也設(shè)置7個(gè)節(jié)點(diǎn)，即Foot位置的三軸陀螺儀、三軸加速度計(jì)的慣性信息以及步態(tài)相位標(biāo)志。本文將隱層的數(shù)量選為雙層，旨在加強(qiáng)對(duì)非線性方程描述的精確性。由于神經(jīng)網(wǎng)絡(luò)本質(zhì)上是三個(gè)非線性方程，因此與輸入層相鄰的隱層節(jié)點(diǎn)數(shù)取值為3，與輸出層相鄰的隱層節(jié)點(diǎn)數(shù)取值范圍可在8～12之間調(diào)整。

圖3 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.3 Structure of neural network model

3.2 基于步態(tài)樣本自適應(yīng)性提取的神經(jīng)網(wǎng)絡(luò)訓(xùn)練

神經(jīng)網(wǎng)絡(luò)訓(xùn)練中采用的樣本質(zhì)量是影響網(wǎng)絡(luò)訓(xùn)練效果的重要因素，合理選擇訓(xùn)練樣本是避免網(wǎng)絡(luò)輸出進(jìn)人局部最小值的重要條件之一。本文在虛擬慣性測(cè)量組件構(gòu)建過(guò)程中，采用人體運(yùn)動(dòng)時(shí)下肢不同部位的慣性測(cè)量組件輸出信息作為訓(xùn)練樣本。人體下肢運(yùn)動(dòng)同時(shí)具有復(fù)雜與單調(diào)兩種特性，即下肢運(yùn)動(dòng)在不同條件（如環(huán)境、運(yùn)動(dòng)目的、心態(tài)等）下表現(xiàn)出明顯的差別，但某一類步態(tài)在特定時(shí)間窗口內(nèi)卻具有較強(qiáng)的重復(fù)性。在不采用訓(xùn)練樣本篩選的前提下，2.1節(jié)中所構(gòu)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在訓(xùn)練中將很快進(jìn)入局部最優(yōu)狀態(tài)。

本文通過(guò)陀螺儀與加速度計(jì)信號(hào)進(jìn)行步態(tài)相位的精確檢測(cè)，從而對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本進(jìn)行自適應(yīng)提取。在誤差收斂速度減緩時(shí)，該訓(xùn)練過(guò)程將只接受所設(shè)時(shí)間窗口內(nèi)步態(tài)差異性超過(guò)一定閾值的慣性測(cè)量組件數(shù)據(jù)，如圖4所示。步態(tài)相位采用足部慣性測(cè)量組件中加速度計(jì)與陀螺儀信息相結(jié)合的方法進(jìn)行實(shí)時(shí)檢測(cè)，具體檢測(cè)方法詳見(jiàn)參考文獻(xiàn)[7]。

3.3 虛擬慣性測(cè)量組件的性能測(cè)試與分析

GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)慣性傳感器信息預(yù)測(cè)的準(zhǔn)確性與泛化能力是決定虛擬慣性測(cè)量組件性能的兩項(xiàng)關(guān)鍵因素。為分析該兩項(xiàng)因素，在相同人體參數(shù)的Anybody骨肌系統(tǒng)模型中生成上述各步態(tài)以及綜合步態(tài)下的慣性信息新樣本，以及未經(jīng)訓(xùn)練的跑步與跳躍步態(tài)下的慣性信息樣本。在Thigh_out位置的慣性信息樣本中分別疊加具有MPU6050與MTi-300誤差特性的隨機(jī)噪聲，作為GA-BP神經(jīng)網(wǎng)絡(luò)的輸入，并以未加入相應(yīng)噪聲的慣性信息作為泛化能力測(cè)試的基準(zhǔn)。對(duì)比神經(jīng)網(wǎng)絡(luò)輸出與基準(zhǔn)慣性信息，結(jié)果分別如表1與表2所示。

圖4 GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程示意圖Fig.4 Flow chart of GA-BP neural network training

表1 神經(jīng)網(wǎng)絡(luò)模型對(duì)陀螺儀數(shù)據(jù)的準(zhǔn)確性與泛化能力的測(cè)試統(tǒng)計(jì)Tab.1 Statistics of accuracy and generalization ability of neural network model for gyroscope data

表2 神經(jīng)網(wǎng)絡(luò)模型對(duì)加速度計(jì)數(shù)據(jù)的準(zhǔn)確性與泛化能力的測(cè)試統(tǒng)計(jì)Tab.2 Statistics of accuracy and generalization ability of neural network model for accelerometer data

由表1～2可知，在GA-BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后，對(duì)人體運(yùn)動(dòng)中下肢的陀螺儀與加速度計(jì)信息均可得到一定精度的近似輸出。對(duì)于兩種不同誤差特性的陀螺儀，單一步態(tài)的誤差均值在4.2 (°)/s以內(nèi)，誤差標(biāo)準(zhǔn)差比誤差均值小一個(gè)數(shù)量級(jí)，均在0.2 (°)/s以內(nèi)；對(duì)于兩種不同誤差特性的加速度計(jì)，單一步態(tài)的誤差均值基本在0.41 m/s2以內(nèi)，誤差標(biāo)準(zhǔn)差也比誤差均值小一個(gè)數(shù)量級(jí)，均在0.06 m/s2以內(nèi)；對(duì)于包含多種步態(tài)的綜合步態(tài)數(shù)據(jù)，陀螺儀與加速度計(jì)近似輸出的誤差均值與標(biāo)準(zhǔn)差相對(duì)較大；對(duì)于相同運(yùn)動(dòng)模型及參數(shù)下仿真生成的未經(jīng)訓(xùn)練的跑步與跳躍步態(tài)，由于跑步與跳躍中出現(xiàn)大過(guò)載與沖擊信號(hào)的情況較頻繁，神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的誤差均值與誤差標(biāo)準(zhǔn)差相對(duì)其他步態(tài)均有明顯增加。

由上述多種步態(tài)下的GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出可知，虛擬慣性測(cè)量組件數(shù)據(jù)可視為具有一定零位偏置（即表1與表2中的誤差平均值），同時(shí)具有一定振蕩特性（即表1與表2中的誤差標(biāo)準(zhǔn)差）的數(shù)據(jù)。其中：虛擬慣性測(cè)量組件的零位偏置為其主要誤差特性，且具有一定的穩(wěn)定性，可通過(guò)慣性測(cè)量組件標(biāo)定方法加以修正；虛擬加速度計(jì)的振蕩性誤差在量級(jí)上與MPU6050基本相當(dāng)，相比MTi-300偏大；虛擬陀螺儀的振蕩性誤差在量級(jí)上與MPU6050和MTi-300均基本相當(dāng)。由此可知，通過(guò)GA-BP神經(jīng)網(wǎng)絡(luò)輸訓(xùn)練得到的虛擬慣性測(cè)量組件的信息，與中低精度微慣性測(cè)量組件的誤差特性具有較強(qiáng)的相似性。

4 虛擬慣性測(cè)量組件構(gòu)建技術(shù)在行人導(dǎo)航與機(jī)器人領(lǐng)域中的應(yīng)用探討

基于機(jī)器學(xué)習(xí)的慣性測(cè)量組件構(gòu)建方法，可應(yīng)用于行人導(dǎo)航系統(tǒng)與外骨骼機(jī)器人的運(yùn)動(dòng)測(cè)量與控制，以提高系統(tǒng)的定位與測(cè)量、控制精度。對(duì)于行人導(dǎo)航系統(tǒng)，安裝于髖關(guān)節(jié)附近、大腿以及小腿等位置的微慣性測(cè)量組件可與安裝于足部的微慣性測(cè)量組件構(gòu)成分布式結(jié)構(gòu)的導(dǎo)航系統(tǒng)。在足部組件受到?jīng)_擊和高過(guò)載影響而無(wú)法有效實(shí)現(xiàn)信息測(cè)量與導(dǎo)航解算時(shí)，可通過(guò)故障檢測(cè)隔離其慣性器件與系統(tǒng)導(dǎo)航信息，而通過(guò)構(gòu)建虛擬足部慣性測(cè)量組件實(shí)現(xiàn)導(dǎo)航解算，從而提高整體系統(tǒng)的可靠性；在足部慣性組件正常工作時(shí)，可構(gòu)成基于分布式慣性測(cè)量組件陣列的行人導(dǎo)航系統(tǒng)，采用聯(lián)邦濾波提高系統(tǒng)整體導(dǎo)航性能。

在外骨骼機(jī)器人的運(yùn)動(dòng)測(cè)量與控制方面，本文所提出的方法可有效減少機(jī)器人各自由度上高過(guò)載導(dǎo)致的測(cè)量誤差，同時(shí)對(duì)減少系統(tǒng)中慣性測(cè)量組件的數(shù)量，降低系統(tǒng)成本與功耗，提高系統(tǒng)可靠性等均有一定促進(jìn)作用。

需要指出的是，通過(guò)機(jī)器學(xué)習(xí)預(yù)測(cè)的虛擬慣性傳感器組件信息的實(shí)時(shí)性，與訓(xùn)練與預(yù)測(cè)模型的復(fù)雜性、計(jì)算機(jī)硬件性能等有關(guān)，一般時(shí)延在幾十至幾百毫秒。對(duì)于外骨骼機(jī)器人的精確控制，該時(shí)延將導(dǎo)致控制與決策環(huán)節(jié)的延遲，從而影響整體性能。解決該問(wèn)題的思路是進(jìn)一步構(gòu)建具有運(yùn)動(dòng)預(yù)測(cè)功能的機(jī)器學(xué)習(xí)模型。

5 總 結(jié)

本文提出了一種基于機(jī)器學(xué)習(xí)的人體足部虛擬慣性測(cè)量組件構(gòu)建方法，旨在降低人體運(yùn)動(dòng)過(guò)載對(duì)行人導(dǎo)航系統(tǒng)與外骨骼機(jī)器人性能影響。該方法在人體運(yùn)動(dòng)學(xué)模型的基礎(chǔ)上，采用基于運(yùn)動(dòng)模態(tài)識(shí)別的訓(xùn)練樣本自適應(yīng)提取方法，通過(guò)GA-BP神經(jīng)網(wǎng)絡(luò)模擬下肢加速度與角速度的非線性運(yùn)動(dòng)學(xué)關(guān)系，從而實(shí)現(xiàn)足部虛擬慣性測(cè)量組件的構(gòu)建?；贛ATLAB與Anybody的聯(lián)合仿真表明，該方法可有效構(gòu)建中低精度的足部虛擬微慣性測(cè)量組件，滿足人體較大運(yùn)動(dòng)過(guò)載時(shí)的慣性測(cè)量，為外骨骼機(jī)器人、行人導(dǎo)航系統(tǒng)等智能裝備的設(shè)計(jì)與研發(fā)提供新的系統(tǒng)構(gòu)架思路。

（References）：

[1] Xu Y, Chen X Y, Wang Y M, et al. Improved indoor pedestrian navigation method using low-cost foot-mounted AHRS and shoulder-mounted compass[J]. Journal of Chinese Inertial Technology, 2016, 24(3): 325-329.

[2] Norrdine A, Kasmi Z, Blankenbach J. Step detection for ZUPT-aided inertial pedestrian navigation system using foot-mounted permanent magnet[J]. IEEE Sensors Journal,2016, 16(17): 6766-6773.

[3] Perttula A, Lepp?koski H, Kirkko-Jaakkola M. Distributed indoor positioning system with inertial measurements and map matching[J]. IEEE Transactions on Instrumentation and Measurement, 2014, 63(11): 2682-2695.

[4] 路永樂(lè), 張欣, 龔爽, 等. 基于MEMS 慣性傳感器的人體多運(yùn)動(dòng)模式識(shí)別[J]. 中國(guó)慣性技術(shù)學(xué)報(bào), 2016,24(5): 589-594.Lu Y L, Zhang X, Gong S, et al. Recognition of multiple human motion patterns based on MEMS inertial sensors[J]. Journal of Chinese Inertial Technology, 2016, 24(5):589-594.

[5] 范淵杰. 基于sEMG與交互力等多源信號(hào)融合的下肢外骨骼康復(fù)機(jī)器人及其臨床實(shí)驗(yàn)研究[D]. 上海: 上海交通大學(xué), 2014.Fan Y J. Study on lower llimb exoskeleton for rehabilitation based on multi-source information fusion including semg & interactive force and its clinical trail[D]. Shanghai: Shanghai Jiao Tong University, 2014.

[6] 方郁. 可穿戴下肢助力機(jī)器人動(dòng)力學(xué)建模及其控制研究[D]. 合肥: 中國(guó)科學(xué)技術(shù)大學(xué), 2009.Fang Y. Research on dynamic analysis and control of the wearable power assist robot[D]. Hefei: University of Science and Technology of China, 2009.

[7] Qian W X, Xiong Z, Xie F, et al. The key technologies of pedestrian navigation based on micro inertial system and biological kinematics[C]//IEEE/ION PLANS. 2016: 613-621.

[8] ? zdemir A T, Barshan B. Detecting falls with wearable sensors using machine learning techniques[J]. Sensors,2014, 14(6): 10691-10708.

[9] 單麗君, 胡忠安. 基于AnyBody的髖關(guān)節(jié)康復(fù)訓(xùn)練肌肉力的分析[J]. 大連交通大學(xué)學(xué)報(bào), 2014, 35(1): 50-52.Shan L J, Hu Z A. Muscle force analysis of hip rehabilitation training based on anybody[J]. Journal of Dalian Jiaotong University, 2014, 35(1): 50-52.

[10] Ruppelt J, Kronenwett N, Scholz Georg. High-precision and robust indoor localization based on foot-mounted inertial sensors[C]//IEEE/ION PLANS. 2016: 67-75.

[11] Le L, Gebre-Egziabher D. Constrained networked inertial navigation for human and humanoid robot feet pose estimation[C]//IEEE/ION PLANS. 2016: 76-84.

[12] 彭基偉, 呂文華, 行鴻彥, 等. 基于改進(jìn)GA-BP神經(jīng)網(wǎng)絡(luò)的濕度傳感器的溫度補(bǔ)償[J]. 儀器儀表學(xué)報(bào), 2013,34(1): 153-160.Peng J W, Lv W H, Xing H Y, et al. Temperature compensation for humidity sensor based on improved GA-BP neural network[J]. Chinese Journal of Scientific Instrument, 2013, 34(1): 153-160.

Construction of human body virtual inertial measurement component based on machine learning

QIAN Wei-xing1, ZHU Yan-hua2, XIE Fei1, WANG Yun-tao1, ZHANG Yan1, SONG Tian-wei1
(1. School of Electrical and Automation Engineering, Nanjing Normal University, Nanjing 210042, China;2. School of Instrument Science and Engineering, Southeast University, Nanjing 210096, China)

In recent years, utilizing human characteristics to assist pedestrian navigation and exoskeleton robot control is one of the hot research directions in the navigation and robotic fields. Aiming at the problem that the foot mounting method of inertial measurement module cannot achieve effective measurement at high overload, a method for constructing virtual inertial measurement component of human-body based on machine learning is studied. With the data samples being taken from the simultaneous measurements of the inertial measurement components installed on the foot and the other parts of lower limbs, the construction of the virtual inertial measurement component is realized by the genetic algorithm improved error back propagation (GA-BP) neural network. In order to further improve the training effect, the training samples are screened based on gait phase detection. The joint simulation results based on Anybody and MATLAB show that the proposed method can be used to simulate the inertial measurement component’s output data of the foot position by using the inertial measurement component installed near the hip joint, and also has certain adaptability to the untrained gaits. The proposed method can also be applied in the fields of pedestrian precise positioning and exoskeleton robot control.

human kinematics model; virtual sensor; machine learning; gait detection; pedestrian navigation

U666.1

：A

1005-6734(2017)03-0289-05

10.13695/j.cnki.12-1222/o3.2017.03.002

2017-02-23；

：2017-05-20

國(guó)家自然科學(xué)基金（61304227，61503077，61601228）；江蘇省自然科學(xué)基金（BK20141453，BK20161021）

錢偉行（1981—），男，副教授，博士，從事慣性與組合導(dǎo)航技術(shù)研究。E-mail: 61192@njnu.edu.cn