基于KNN算法的不良步态分类

针对不良的步态会对下肢的关节产生不利的影响(加重行走的负担,能量消耗过快等),以及加重患病的风险,提出了利用KNN(k-nearest neighbor)算法对足外8和足内8两种不良步态与正常步态(对照组)进行分类学习,获取分类模型.三种步态的三维步态数据是从17名受试者在正常行走期间通过3D运动捕捉系统获得的,KNN模型对三种步态识别的总正确率为81.7％,对足外8步态的正确率为92.8％以及足内8的正确率为91.0％.模型的正确率较为准确,可以为矫正不良步态提供有力支持、减少不良步态的检测成本.     

下肢外骨骼机器人踝关节建模及动力学仿真

下肢外骨骼机器人是一种具有辅助助力和医疗康复功能的智能型机械装置。本文通过对人体踝关节结构分析,设计了被动气弹簧踝关节下肢外骨骼机器人,并建立了被动踝关节力学模型;利用OpenSim获得了正常人行走时一个步态周期髋、膝关节步态数据,将其导入ADAMS对所设计的下肢外骨骼机器人踝关节未加气弹簧和加气弹簧两种模型进行了动力学仿真,通过对两种模型运动曲线对比分析,验证了所设计的下肢外骨骼机器人在步态行走和动力学方面的可行性和正确性。     

基于惯性姿态参量量化融合的机器腿仿生步态控制

为了提高机器腿仿生步态控制的稳定性,提出一种基于惯性姿态参量量化融合的机器腿仿生步态控制方法。构造机器腿仿生步态的运动学模型,进行机器腿仿生步态控制约束参量建模,采用陀螺仪和加速度计等位姿传感器进行姿态参量采集。采用扩展卡尔曼滤波方法进行机器腿的惯性姿态参量融合并输入到时控制执行器中。针对未知扰动对机器腿步态参量控制的误差,采用自回归更新方法进行姿态参量误差反馈修正,实现机器腿仿生步态稳定控制。仿真结果表明:提出的方法对机器腿仿生控制的稳定性较好,姿态参量的定位跟踪能力较强,提高机器腿步行的稳健性。     

双足机器人五质心模型的预测控制实现方法

为提高双足机器人的步行性能，提出了基于五质心模型的预测控制实现方法。该方法按照机器人的结构，将机器人质量分配在躯干、双臂、双腿中的五个质心，并推导出基于机器人腰部的零力矩点变换公式。应用模型预测控制方法，控制机器人在线跟踪优化的行走轨迹。为验证算法正确性，进行了3D动态仿真实验和现实环境中步行实验。实验结果与基于单质心模型和三质心模型的模型预测控制算法对比，证明这里算法具有更高的步行轨迹跟踪精度。     

基于堆叠深度卷积沙漏网络的步态识别

提出了一种基于堆叠深度卷积沙漏网络的步态识别方法。为了解决人体建模中关节点准确定位的问题，采用基于深度卷积的沙漏网络来提取步态图上的关节点坐标，并计算肘关节与膝关节的角度作为运动特征。为了解决行走速度变化带来的影响，采用动态时间规整（Dynamic Time Warping）对特征序列进行距离计算。通过最近邻分类器对结果进行准确分类。该方法在公共CASIA-B数据集与TUM-GAID数据集上进行了验证并与其他方法进行比较，结果表明该方法有较高的识别率。     

适应不同重力环境的仿壁虎机器人运动仿真

针对不同重力环境下仿壁虎机器人的运动稳定性、运动高效协调性等问题,基于四足机器人的步态规划现状和仿壁虎机器人自身特定的机械结构,设计了仿壁虎机器人在g、0、-g 3种环境下的足端轨迹和运动步态。在ADAMS仿真软件中研究了机器人的运动学和动力学特性,得到了仿壁虎机器人稳定爬行与脚掌黏附力、足端轨迹和运动步态的关系。探讨了仿真结果的合理性和局限性,为仿壁虎机器人在实际环境中的稳定运动奠定了理论基础。