第41卷第10期2014年10月计算机科学
C o m p
u t e r S c i e n c e V o l .41N o .10
O c t
2014到稿日期:2013-07-01返修日期:2013-09-06本文受国家自然科学基金项目:基于云模型的音乐情感表示与识别算法研究(61303137,基于基因表达式编程的动漫情感化配乐技术研究(61070075,基于嵌套随机集的产品意象认知模型研究(61003147,生物启发设计中产品创意造型生成机制及其演化模型研究(51305077,广东省产学研项目基于人体行为模型的智能助行机器人研究与开发(00411420124671038资助。高增桂(1986-,男,博士生,主要研究方向为人机接口、应用人机工程;孙守迁(1963-,男,博士,教授,主要研究方向为计算机辅助设计、人机共生装备;张克俊(1978-,男,博士,助理研究员,主要研究方向为进化计算、机器学习,E -m a i l :c h a n n y @z j u .e d u .c n (通信作者;佘铎淳(1987-,男,硕士,主要研究方向为人机交互;杨钟亮(19
82-,男,博士,讲师,主要研究方向为体感交互、生物启发设计等。面向外骨骼机器人人机交互的步态数据
获取系统及识别模型
高增桂1孙守迁1张克俊1佘铎淳1杨钟亮2
(浙江大学计算机科学与技术学院杭州3100271(
东华大学机械工程学院上海2016202
摘要外骨骼机器人人机交互是当前的研究热点,通常需要获取人体相关运
动信息作为控制信号源。为了采集人体步态数据,研究了生理信号与关节运动之间
的关联机制,设计了一种步态数据获取系统,其利用鞋内薄膜压力传感器和关节角度传感器组成测试设备,成功采集了15组健康男子在3k m /h 、4k m /h 和5k m /h 3种速率下自然行走的步态数据。提出采用基因表达式编程建立膝关节运动识别模型,
并使用所采集的步态数据进行训练和验证。结果显示,利用此模型可有效进行
关节运动的识别和预测,验证了本系统作为外骨骼人机接口的可行性。关键词人
机交互,人机接口,步态分析,基因表达式编程,外骨骼
中图法分类号T P 23文献标识码 A D O I 10.11896/j .i s s
n .1002-137X.2014.10.009
G a i t D a t a S y s t e m a n d J o i n t M o v e m e n t R e c o g
n i t i o n M o d e l f o r H u m a n -e x o s k e l e t o n I n t e r a c t i o n G A O Z e n g -g u i 1S U N S h o u -q i a n 1Z HA N G K e -j u n 1S H E D u o -c h u n 1Y A N G Z h o n g -l i a n g
2
(S c h o o l o f C o m p u t e r S c i e n c e a n d T e c h n o l o g y ,Z h e j i a n g
U n i v e r s i t y ,H a n g z h o u 310027,C h i n a 1(C o l l e g e o f M e c h a n i c a l E n g i n e e r i n g ,D o n g h u a U n i v e r s i t y ,S h a n g
h a i 201620,C h i n a 2
A b s t r a c t H u m a n -m a c h i n e i n t e r a c t i o n p l a y s a g r e a t r o l e i n c o n t r o l o f e x o s k e l e t o n s ,a n d u s u a l l y i t i s r e q u i r e d t o o b t a i n t h e r e l e v a n t i n f o r m a t i o n a b o u t b o d y m o t i o n a s c o n t r o l s i g n a l s o u r c e s .I n o r d e r t o c o
l l e c t h u m a n g a i t d a t a a n d f i n d t h e a s -s o c i a t i o n b e t w e e n t h e p h y s i o l o g i c a l s i g n a l s a n d t h e j o i n t m o v e m e n t m e c h a n i s m ,w e d e s i g n e d a G a i t D a t a A c q
u i s i t i o n S y s t e m (G D S w h i c h c o n s i s t s o f e i g h t t h i n -f i l m p r e s s u r e s e n s o r s a n d a j o i n t a n g l e s e n s o r .A f t e r g a i t e x p e r i m e n t s ,w e o b -t a i n e d 15g r o u p s o f g a i t d a t a o f h e a l t h m a l e o b j e c t s w i t h n a t u r a l w a l k i n g u n d e r t h r e e r a t e s i n 3k m /h ,4k m /h a n d 5k m /h .W e a l s o p r o p o s e d e s t a b l i s h m e n t o f r e c o g n i t i o n m o d e l o f t h e k n e e j o i n t m o t i o n u s i n g G E P .T h e g a i t d a t a w a s u s e d t o t r a i n a n d v a l i d a t e t h e r e c o g n i t i o n m o d e l .T h e r e s u l t s h o w s t h a t t h e m o d e l c a n e f f e c t i v e l y i d e n t i f y a n d p r e d i c t k n e e j o i n t m o t i o n a n d t h e G D S i s f e a s i b l e
a s a h u m a n -m a c h i n e i n t e r f a c e i n
e x o s k e l e t o n s .K e y w o r d s H u m a n -c o m p u t e r i n t e r a c t i o
n ,H u m a n -m a c h i n e i n t e r
f a c e ,G a i t a n a l y s i s ,G E P ,E x o s k e l e t o n
1引言
外骨骼机器人是一种以人为主、
机械为辅的穿戴式人机一体化[1]
装备,它巧妙地结合人的智能和机器的力量来完成
仅靠人体自身无法单独完成的任务,不仅扩展了人体感官,也增强了人体机能。由于外骨骼机器人与人体运动相平行,因此其控制要点是与使用者之间的运动适配性。为了获得和谐自然的人机交互,通常将使用者置于控制环路以形成闭环的
反馈控制回路[
2]
。人机接口是实现人与外骨骼通信的方式,它通过采集人体生理信息,获得人体运动意图,帮助外骨骼制
定有效的控制策略[
3]
。对下肢外骨骼而言,人机接口的功能是分析和预测人体步态数据。步态是人类步行的综合特征,包括中枢命令、身体
平衡和协调控制,涉及肢体肌肉和关节的协同运动。其中,骨骼是运动的杠杆,关节用于运动的联系,神经系统用于控制,
肌肉收缩作为动力,从而实现下肢的行走运动[
4]
。典型步态是连续的周期运动,包含许多复杂的生理信息,步态分析旨在检测和分析这一过程中的运动轨迹、接触力信息、肌电信号等
生理参数变化规律并应用于医学、生物工程等领域[
5]
。随着计算机科学的发展,步态分析和识别研究取得了长足进步,常用的方法是基于视觉的步态分析及利用生理信号测量的分析等。基于视觉的步态分析主要用于临床诊断以及身份识别,而对外骨骼机器人的控制通常采用生理信号测量方法。脑机接口(B r a i n -M
a c h i n e I n t e r f a c e ,B M I 是当前智能控制领域的研究热点[6]
,其局限在于难以反映人的无意识行
为。利用表面肌电信号(s E MG
分析技术提取反映运动意愿·
24·
的有效特征,已经应用于人工假肢及外骨骼控制策略[7,8]
。吴剑锋[9]
等利用简约支持向量机分类算法对起立、
平地行走以及上下楼梯等4个日常下肢动作进行了识别。文献[10]中,E MG 作为控制信号源成功研制出HA L -3外骨骼助力机器人。相对于肌电信号,压力信号具有直观、获取简便等特
点,因此常用于外骨骼系统中步态数据的测量和分析[
3,11,1
2]。应用压力信号进行步态分析主要以地面反射压力(G R F 和鞋内压力(I P 为对象。正常步态周期的G R F 具有明显的对称双峰特征,是生物力学研究的重要指标,而I P 不受压力垫限制,对步态干扰小,近年来逐渐受到研究者重视
[13]
。
S a v e l b e r g [1
4]使用人工神经网络对I
P 及G R F 进行建模,8个不同区域的足部压力作为多层感知器的输入,该模型扩展了G R
F 的计算方法,也是本文工作的理论依据之一,但是该模型对人体位姿预测较为局限;X a v i e r
T o r t o l e r o [15]
等利用足底压力中心(C e n t e r O f P r e s s u r e ,C O P 预测从站立到跨步动作是否发生,但这一预测仅限于步态周期的某一阶段;K u
a n Z h a n g [1
6]等设计了一种便携式设备用于测量和记录G
R F 信息,并应用人工神经网络识别人体一段时间内的运动类型和
强度;
郑成闻[17]
设计了一套基于柔性双足的足底压力分布信息获取系统来对人体运动中足底压力分布信息变化进行定性分析,完成了基于足底压力分布的步态识别并细分步态相位周期以适应控制需要,该系统并未涉及足底压力以外的定量生理数据,无法完成足底压力与关节运动之间的精确建模。
现有研究多采用足底压力数据对步态相位或运动类型进行识别,但对于足底压力与关节运动之间的关联机制尚不明确。为建立外骨骼机器人人机接口和步态预测模型,本文设计了一套基于足底压力和膝关节角度测量的步态数据获取系统(G D S ,利用该系统成功采集了人体在3种不同速度下自然行走的步态数据,最后采用基因表达式编程建立膝关节运动识别模型。
2方法
2.1基因表达式编程(G E P
G E P 是由葡萄牙生物学家F
e r r e i r a 于20世纪末在遗传算法和遗传编程的基础上提出的[18]
。目前,G E
P 已成功应用于数学、物理、化学、生物、计算机、微电子、电信、军工、经济等领域,并取得了丰硕的成果。本文将利用G E P 构建常规步态下膝关节角度预测模型,该模型框架如图1所示
。
图1基于G E P 的膝关节运动预测模型
2.2人体步态数据获取系统(G D S
G D S 目标信息包括人体足底压力信息及膝关节角度信息,人体运动信息由数据采集卡进行采集并传输到上位机,由上位机对人体运动信息进行分析及划分步态相位,通过判断穿戴者运动意图并将处理分析后所产生的控制信号输送到执行机构,来实现人体运动信息对外骨骼机器人的控制。实验系统框架图如图2所示
。
图2G D
S 框架图在G D S 框架图中,数据采集卡为国产M P S -010602多功能U S B 数据采集卡,其价格低廉,具有16路单端模拟信号采集、4路模拟信号输出、8路数字信号输入和输出。足底压力传感器采用F l e x i f o r c e P S -02压阻型传感器,它是由美国T e
k s c a n 公司生产的一种电阻元件,其厚度仅为0.127m m ,电导率与负载之间呈高度的线性关系,可以满足体积、量程、滞后性能等设计要求,并且薄膜材质对各种形状的适应性强,可以很好地置于鞋底与足底接触的部分而不会产生信号的误差或干扰。F l e x i f o r c e P S -02是电阻式压力敏感元件,随着敏感单元所受压力增大,电导值增大,电阻值下降。因此设计调理电路将F l e x i f o r c e P S -02的电阻信号变化转换为电压信号变化,并且提供信号的增益功能。根据信号调理模块的电气特性,我们可以得到输出电压为:
V o u
t =5V ×(R 1+
R F 1R S 1
(1
式中,R S 1为F l e x i f o r c e A 201的内阻,R 1为1
k Ω的固定电阻,R F 1为最大阻值为20k Ω的可调电阻。
根据解剖学原理人体足部的压力主要分布在几个区域,我们可以将人体足部划分为几个生理构造区域(如图3(a 所示
,这些区域支撑着人体大部分重量,并对人体重心的平衡调节起着至关重要的作用。根据人体足部生理构造区域的划分,我们选择了8个压力采集点(如图3(b 所示。在人体运动过程中,这8个压力采集点所在的生理构造区域压力分布信息变化特征明显,重复性较好。另外,我们还为角度传感器设计了固定在大腿和小腿上的固
定关节,用以测量膝关节角度变化。固定关节采用铝合金制作,以降低它的重量对人的正常步态产生的影响。最终原型如图3(c
所示
。图3足底压力采集点与实物图
3实验
本实验目的是采集健康男性青年在3种不同速率下自然
行走时足底压力和膝关节角度变化数据。3.1实验被试选择
为避免年龄和性别造成的步态差异,本实验征集20~35岁的健康成年人为被试对象,共招募15名男性志愿者,下肢均无肌肉骨骼方面的相关病史。实验开始前,记录被试者的个人资料及足部测量资料,用作分布统计。3.2实验过程
每名被试者在进行正式实验前,先在跑步机上进行步行
·
34·
训练,被试者按照跑步机设定的3k m /h 、4k m /h 和5k m /h 3种速度行走,
分别记录被试者在3种速度下的步频。正常行走时,被试者将被要求在行走训练所记录下的3种不同的步
率下进行自然行走[
19]
。被试者在7米长、2米宽的实验空间里,穿戴G D S 系统,根据电子节拍器的节拍进行自然行走。上位机通过软件记录保存实验数据。
被试者进行自然行走时,实验者一跟随被试者行走,确保被试者的步伐与电子节拍器一致及姿态自然稳定,同时,辅助被试者进行数据及电源延长线的携带;实验者二观察上位机中G D S 软件所记录显示的数据波形,观测信息的稳定性并及时排查错误数据原因并进行修正,以保证后续实验正常顺利进行。
实验被试者15名,每名3组实验,共45组。3.3数据预处理
实验完成后,我们将实验数据导入M a t l a b ,采用均值法进行去噪处理,观察同一被试在3k m /h 、4k m /h 和5k m /h 3种速度下的步态周期信息对比,结果如图4所示。可以发现,不同速率下的步态周期形状、上升起始点、下降结束点、幅值及最大峰值都十分接近,产生的微小差异应是由于数据量较小导致的步态不稳定;并且在这3种速率下,压力和角度随时间变化规律一致,每个步态周期膝关节角度呈现一小一大两个峰值,说明每个周期膝关节完成两次屈伸,首次微小弯曲出现在脚跟着地后,第二次较大的弯曲出现在脚尖离地以后,我们可以通过前后分布的压力传感器数据直观观测这一结果,而本结果也符合正常步态规律
。
图43种速率典型步态信息对比
通过以上分析,可以推断足底压力与关节角度之间存在关联性,如果能建立两者之间的数学模型,就能相对简便地对人体运动意图做出预测,实现对外骨骼机器人的控制。由于速率对步态数据影响不大,我们在数据预处理时将3组数据合并。考虑到建模和计算方便,本文对数据进行归一化处理,将原始数据空间映射到区间[0,1
],归一化计算公式为:X i =
X -X m i n
X m a x -X m i
n (2
式中,i 为第i 组实验,X 为该组实验所获的最终测量值,X m a x 和X m i n 分别为每一个样本实验数据最终测量值的最大值和最小值,X i 为第i 组实验的最终测量值经归一化处理后的数值。另外,完整步态周期存在支撑相与摆动相两个相位,摆动相足底压力趋近于零,约占整个步态周期的40%,而此时膝关节变化较大并呈对称单峰。为提高算法准确性,将此部分角度值设为恒定,后续采用时域分析补全。
4结果分析与验证
4.1评估函数
本文使用均方根误差(R M
S E 和相关系数(C C 来验证算法的有效性和预测能力。4.2G E P 参数
实验中使用的参数如表1所列。
表1G E
P 参数集参数名
参数值终止代数和种群大小
1000,20
0函数集F ={+,-,×,÷,s q
r t ,e x p ,l o g i s t i c 终点集
T={x 1,x 2,x 3,x 4,x 5,x 6,x 7
}基因个数和基因头长度
6,10基因连接符+变异率G E
P =0.044单点、两点重组率0.2基因重组率0.05I S 、R I S 、G e n e 转座率0.05I S 、R I S 转位元素数量
1、2、3随机实数
(-1
00,100其中,s q r t 表示开根函数,e x p 表示指数函数,l o g
i s t i c (x =11+e
-x
。
4.3实验结果与分析
在3组数据中抽取80%作为训练数据集,剩余20%作为测试数据代入模型进行验证。采用表1的参数符号集,M S E 作为适应值函数,运行G E P 得到一个最优个体,转化为数学表达式:
F (X =-X 2·11+e
X 2-X 4+11+e -X 2X 7-79.879822X 7·1
1+e X 6-97.538696X 7
+11+e -X
2
·
1
1+e
-(X 2-X 4-11+e -
X 7
+(1+X 2X 4X 2X 7
(3
值得注意的是,该表达式中未包含X 1、X 3和X 53个参数,可能是由于压力点设置较为集中,参数间相关性较大。这也为本文进一步的研究,特别是关键参数的选择提供了一种可行的研究思路。
图5(a 为训练结果图,图5(b 为测试结果图。表2中G E P 计算结果显示,R M S E 控制在0.1左右,相关系数在0.8~0.9之间,
拟合情况较好
。图中,目标值为0.5即表示压力值趋近于零的点
图5实验结果表2G E
P 计算结果训练集测试集R M S E C C R M S E C C 0.10
0.82
0.09
0.91
结束语本文设计并制作了一套人体步态数据获取系统G D S ,它可以对足底8个点的压力和膝关节角度进行连续采样,对步态干扰小,数据可靠性高。利用G D S 分别进行15组青年男子在3k m /h 、4k m /h 和5k m /h 速率下的自然步态数据
(下转第49页
·
44·
f e r e n c e o n M u l t i m e d i a I n f o r m a t i o n R e t r i e v a l.C a n a d a,A u
g u s t
2008:105-112
[2]N a k a n o T,G o t o M,H i r a g a Y.M i r u S i n g e r:A S i n g i n g S k
i l l V i s u a-
l i z a t i o n I n t e r f a c e U s i n g R e a l-t i m e F e e d b a c k a n d M u s i c C D R e-
c o r
d i n g s a s R
e
f e r e n t i a l D a t a[C]∥9t h I E E E I n t e r n a t i o n a l S y m-
p o s i u m o n M u l t i m e d i a-W o r k s h o p s.T a i w a n,D e c e m b e r 2007:75-76
[3]M a y o r O,B o n a d a J,L o s c o s A.P e r f o r m a n c e A n a l y s i s
a n d S c o-
r i n g o f t h e S i n g i n g V o i c e[C]∥A E S35t h I n t e r n a t i o n a l C o n f e-r e n c e:A u d i o f o r G a m e s.L o n d o n,U K,F e b r u a r y2009:1-7
[4]R u i z-R e y e s N,V e r a-C a n d e a s P,M u o z J E,e t a l.N e w S p
e e c h/
m u s i c D i s c r i m i n a t i o n A p p r o a c h B a s e d o n F u n d a m e n t a l F r e q u e n c y
E s t i m a t i o n[J].M u l t i m e d i a T o o l s a n d A p p l i c a t i o
n,2009,41(2:
253-286
[5]马元峰,陈克安,王娜.M o o r e响度模型的数值计算方法[J].声
学技术,2008,27(3:390-395
[6]Y u a n J i-x u a n,S o n g Z h u-m e i.S o u n d L o u d n e s s R e s e a r c
h o n
A c o u s t i c-s t r u c t u r e C o u p l i n g F i e l d i n a n E n c l o s e d C a v i t y[C]∥
2n d P a c i f i c-A s i a C o n f e r e n c e o n C i r c u i t s,C o m m u n i c a t i o n s a n d S y s t e m.B e i j i n g,C h i n a,A u g u s t2010:456-462
[7]R a o D a n,X i e B o-s u n,L i a n g Z h i-q i a n g.B i n a u r a l L o u d n
e s s S p e c-
t r a A n a l y s i s o f I n d i v i d u a l i z e d B i n a u r a l R o o m I m p u l s e R e s p o n s e s
[C]∥2n d I n t e r n a t i o n a l C o n g r e s s o n I m a g e a n d S i g n a l P r o c e s-
s i n g.T i a n j i n,C h i n a,O c t o b e r2009:1-4
[8]Z h e n g G u i-b i n,H a n J i-q i n g.R e a l-t i m e A u d i o R e t r i e v a l M e t h o d
a n d A u t o m a t i c C o m m e r c i a l D e t e c t i n g S y s t e m[J].J o u r n a l o f
C o m p u t e r S c i e n c e,2006,2(3:297-302
[9]N o z a k i T,K a m e y a m a K.F e a t u r e S e l e c t i o n f o r U s e r-a
d a p t i v e
C o n t e n t-b a s e d M u s i c R e t r i e v a l u s i n g P a r t i c l e S w a r m O p t i m i z a-
t i o n[C]∥10t h I n t e r n a t i o n a l C o n f e r e n c e o n I n t e l l i g e n t S y s t e m s
D e s i g n a n d A p p l i c a t i o n s.2010:941-946
[10]Y o u J,P a r k S,K i m I.A n E f f i c i e n t F r e q u e n t M e l o d y
I n d e x i n g
M e t h o d t o I m p r o v e t h e P e r f o r m a n c e o f Q u e r y-b y-h u m m i n g S y s-t e m s[J].J o u r n a l o f I n f o r m a t i o n S c i e n c
e,2008,34(6:777-798
(上接第44页
采集,并使用G E P对实验结果进行分析和测试,得出如下结论:(1足底压力和膝关节角度随时间周期性变化;(2步行速率对足底垂直压力和膝关节角度变化未见明显影响;(3使用G E P能有效地对膝关节角度进行识别,说明足底压力数据可作为外骨骼机器人控制信号;(4该方法为提出不相关的自变量提供了一种参考。
本步态数据获取系统采用足底压力信号和膝关节角度同步采集,进行步态曲线的连续分析,相比传统通过步态相位划分来分析的方法有所改进。由于采样器材原因,本文实验只进行了右脚(腿压力和角度的采集,导致每个步态周期缺失大约40%的压力数据,这虽然对整体建模影响甚微,但通过双脚压力值计算会使模型鲁棒性更高。G E P训练结果提示,未来可以使用更少的压力点进行识别。另外,今后的实验还需考虑对样本一段时间无序的自然的步态行为进行采样分析,以提高模型的普适性和通用性。
参考文献
[1]杨灿军,陈鹰,路甬祥.人机一体化智能系统理论及应用研究探
索[J].机械工程学报,2000,36(6:42-47
[2]K a z e r o o n i H,R a c i n e J L,H u a n g L,e t a l.O n t h e c o n t r o l o f t h e
b e r k e l e y l o w e r e x t r e m i t y e x o s k e l e t o n(B L E E X[C]∥P r o
c e e-
d i n g s o f t h e2005I E E E I n t
e r n a t i o n a l C o n
f e r e n c e o n R o b o t i c s
a n d A u t o m a t i o n(I C R A2005.I E E E,2005:4353-4360
[3]S t r a u s s e r K A,K a z e r o o n i H.T h e d e v e l o p m e n t a n d t
e s t i n g o
f a
h u m a n m a c h i n e i n t e r f a c e f o r a m o b i l e m e d i c a l e x o s k e l e t o n[C]∥
2011I E E E/R S J I n t e r n a t i o n a l C o n f e r e n c e o n I n t e l l i g e n t R o b o t
a n d S y s t e m.S a n F r a n c i s c o,C A,U S A,S e p.2011:4911-4916
[4]王楠,王建华,周民伟.人体下肢外骨骼机器人的步态研究现状
[J].中国骨科临床与基础研究杂志,2012,4(1:62-67
[5]蔡付文,王人成,李广庆,等.低成本人体步态分析系统的研究
[J].中国康复医学杂志,2008,23(1:49-53
[6]Z h a n g X i a o-d o n g,C h o i H.P a t t e r n R e c o g n i t i o n o f H u m a n
G r a s p i n g O p e r a t i o n s B a s e d o n E E G[J].I n t e r n a t i o n a l J o u r n a l o f
C o n t r o l A u t o m a t i o n a n d S y s t e m s,2006,4(5:592-600
[7]F e r r i s D P,C z e r n i e c k i J M,H a n n a f o r d B.A n A n k l e-F o o t O r t h o-
s i s P o w e r e d b y A r t i f i c i a l P n e u m a t i c M u s c l e s[J].J o u r n a l o f A p-p l i e d B i o m e c h a n i c s,2005,21(2:189-197
[8]蔡春风.人体表面肌电信号处理及其在人机智能系统中的应用
研究[D].杭州:浙江大学,2006
[9]吴剑锋,吴群,孙守迁.简约支持向量机分类算法在下肢动作识
别中的应用研究[J].中国机械工程,2011,22(4:433-438 [10]K a w a m o t o H,L e e S,K a n b e S,e t a l.P o w e r a s s i s t m e t h o d f o r
HA L-3u s i n g E MG-b a s e d f e e d b a c k c o n t r o l l e r[C]∥I E E E I n t e r-n a t i o n a l C o n f e r e n c e o n S y s t e m s,M a n a n d C y b e r n e t i c s,2003.
2003:1648-1653
[11]孙建,余永,葛云建.基于接触力信息的可穿戴下肢助力机器人
一种智能机器人系统设计和实现 我们从广泛意义上理解所谓的智能机器人，它给人的最深刻的印象是一个独特的进行自我控制的"活物".其实，这个自控"活物"的主要器官并没有像真正的人那样微妙而复杂。智能机器人具备形形色色的内部信息传感器和外部信息传感器，如视觉、听觉、触觉、嗅觉。除具有感受器外，它还有效应器，作为作用于周围环境的手段。这就是筋肉，或称自整步电动机，它们使手、脚、长鼻子、触角等动起来。我们称这种机器人为自控机器人，以便使它同前面谈到的机器人区分开来。它是控制论产生的结果，控制论主张这样的事实：生命和非生命有目的的行为在很多方面是一致的。正像一个智能机器人制造者所说的，机器人是一种系统的功能描述，这种系统过去只能从生命细胞生长的结果中得到，现在它们已经成了我们自己能够制造的东西了 嵌入式是一种专用的计算机系统，作为装置或设备的一部分。通常，嵌入式系统是一个控制程序存储在ROM中的嵌入式处理器控制板。事实上，所有带有数字接口的设备，如手表、微波炉、录像机、汽车等，都使用嵌入式系统，有些嵌入式系统还包含操作系统，但大多数嵌入式系统都是是由单个程序实现整个控制逻辑。嵌入式技术近年来得到了飞速的发展，但是嵌入式产业涉及的领域非常广泛，彼此之间的特点也相当明显。例如很多行业：手机、PDA、车载导航、工控、军工、多媒体终端、网关、数字电视…… 1 智能机器人系统机械平台的搭建 智能机器人需要有一个无轨道型的移动机构，以适应诸如平地、台阶、墙壁、楼梯、坡道等不同的地理环境。它们的功能可以借助轮子、履带、支脚、吸盘、气垫等移动机构来完成。在运动过程中要对移动机构进行实时控制，这种控制不仅要包括有位置控制，而且还要有力度控制、位置与力度混合控制、伸缩率控制等。智能机器人的思考要素是三个要素中的关键，也是人们要赋予机器人必备的要素。思考要素包括有判断、逻辑分析、理解等方面的智力活动。这些智力活动实质上是一个信息处理过程，而计算机则是完成这个处理过程的主要手段。 机器人前部为一四杆机构，使前轮能够在一定范围内调节其高度，主要功能是在机器人前部遇障碍时，前向连杆机构随车轮上抬，而遇到下凹障碍时前车轮先下降着地，以减小震动，提高整机平稳性。在主体的左右两侧，分别配置了平行四边形侧向被动适应机构，该平行四边形机构与主体之间通过铰链与其相连接，是小车行进的主要动力来源。利用两侧平行四边形可任意角度变形的特点，实现自适应各种障碍路面的效果。改变平行四边形机构的角度，可使左右两侧车轮充分与地面接触，使机器人的6个轮子受力尽量均匀，加强机器人对不同路面的适应能力，更加平稳地越过障碍，并且更好地保证整车的平衡性。主体机构主要起到支撑与连接机器人各个部分的作用，同时，整个机器人
课程论文 步态识别 学号： 班级：通信122 姓名：楚舒琦
目录 摘要 (3) 一、背景介绍 (4) 二、相关研究 (4) 三、主题（算法） (5) 基于线图模型的动态特征提取 (6) 基于整体的静态特征提取 (8) 识别 (9) 四、实验 (9) 五、结果讨论 (12) 六、总结 (12) 七、应用前景 (12) 八、技术难点及解决途径 (14) 技术难点 (14) 解决途径 (15) 九、参考文献 (16)
摘要 步态识别是一种新兴的生物特征识别技术，旨在通过人们走路的姿态进行身份识别，与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优点。在智能视频监控领域，比面像识别更具优势。对步态识别的优缺点以及步态识别所涉及到的运动分割、特征提取与选择、模式识别算法进行了综述,并对步态识别中存在的问题与未来的研究方向进行了讨论。 关键词:生物特征识别;步态识别;特征提取;运动分割;动态时间规正
一、背景介绍 步态是指人们行走时的方式，这是一种复杂的行为特征。罪犯或许会给自己化装，不让自己身上的哪怕一根毛发掉在作案现场，但有样东西他们是很难控制的，这就是走路的姿势。英国南安普敦大学电子与计算机系的马克·尼克松教授的研究显示，人人都有截然不同的走路姿势，因为人们在肌肉的力量、肌腱和骨骼长度、骨骼密度、视觉的灵敏程度、协调能力、经历、体重、重心、肌肉或骨骼受损的程度、生理条件以及个人走路的"风格"上都存在细微差异。对一个人来说，要伪装走路姿势非常困难，不管罪犯是否带着面具自然地走向银行出纳员还是从犯罪现场逃跑，他们的步态就可以让他们露出马脚。 人类自身很善于进行步态识别，在一定距离之外都有经验能够根据人的步态辨别出熟悉的人。步态识别的输入是一段行走的视频图像序列，因此其数据采集与面像识别类似，具有非侵犯性和可接受性。但是，由于序列图像的数据量较大，因此步态识别的计算复杂性比较高，处理起来也比较困难。尽管生物力学中对于步态进行了大量的研究工作，基于步态的身份鉴别的研究工作却是刚刚开始。步态识别主要提取的特征是人体每个关节的运动。到目前为止，还没有商业化的基于步态的身份鉴别系统。 二、相关研究 信息融合：感知融合是人类感知外部世界的本能之一。人类可以非常自然地运用这一能力把来自人体各个感知器官眼耳鼻四肢的信息图像声音气味触觉组合起来并使用先验知识去估计理解和识别周围的环境以及正在发生的事情。融合理论正是对人类这一本能的模仿旨在利用计算机技术对按时序获得的多源观测信息在一定准则下加以自动分析综合以完成所需的决策和估计任务而进行的信息处理过程。 信息融合的基本原理就像人脑综合处理信息一样充分利用多源信息通过对这些多源的观测信息的合理支配和使用把多源信息在空间或时间上的冗余或互补依据某种准则来进行组合以获得被测对象的一致性解释或描述。按照信息抽象的个层次可将信息融合分为3级（像素级融合特征级融合和决策级融合）。 像素级融合是在采集到的原始数据上进行的融合是原始测报未经预处理之前就进行的综合和分析是最低层次的融合。
上海电力学院 关于巡检机器人的调研报告 院（系部）自动化工程学院 专业名称: 电机与电器 学生姓名: 杨雪莹 导师: 薛阳 2013 年 12 月
目录 1 巡检机器人的发展状况........................... 错误!未定义书签。 2 巡检机器人的应用............................... 错误!未定义书签。 高压线路巡检机器人.......................... 错误!未定义书签。 机器人仿真.............................. 错误!未定义书签。 巡检机器人越障.......................... 错误!未定义书签。 变电站巡检机器人............................ 错误!未定义书签。 校园巡逻机器人.............................. 错误!未定义书签。 3 总结 .......................................... 错误!未定义书签。参考文献 ........................................ 错误!未定义书签。
1 巡检机器人的发展状况 目前巡检机器人已在多个领域中应用，它的智能化推动着它在应用领域的市场前景将是越来越广，尤其是在电力行业。它在多种场合发挥着作用，如变电站，高压线路中等等。 2013年12月9号中山供电局经过三个多月的试运行，该局将“智能巡检机器人”正式投入到500千伏桂山巡维中心使用，开创南方电网公司首例无轨化设备巡视工作。传统的机器人需要铺设类似于火车轨道那样的磁轨，机器人就只能沿着磁轨作运动。而最新投入使用的机器人实现了无轨化运作，不需要铺设任何轨道，也无需进行任何基建工程，机器人就可以直接在日常的路面上运作，既省下基建施工的时间，又节约了投入成本。凭靠机器人配备的四驱越野底盘，还可以爬上30度的陡坡。该机器人上配备了激光扫描设备，可将站内的设备位置，道路扫描为地图，我们在后台为它规划好巡视路径后，它就可以按照指示去工作了。 机器人巡线最大的优点则是，无论白天黑夜还是刮风下雨，它都可以在没有人看管的情况下能自动自觉并出色完成一般日常巡视所包含的工作内容。这样一来，机器人不但减轻了工作量，而且在遇到严重故障或者恶劣天气时，它还可以降低工作人员的安全风险。 智能机器人还具有自动续航功能，当蓄电池电量低于设定值时，它将自动驶入存放室进行充电。据悉，中山供电局通过对智能巡检机器人进行了三个月的试用，已经收到不错的成效。此次正式投入使用，在南方电网公司尚属首例。 2013年11月11日上午，在国家知识产权局与世界知识产权组织举办的第十五届中国专利奖颁奖大会上，由国网山东电力科学研究院申报的外观专利“变电站巡检机器人”荣获外观专利金奖，成为5个金奖之一。这是国家电网公司历史上获得的第一个中国外观专利金奖，也是中国电力行业惟一当选的金奖。 变电站巡检机器人能够全天候全方位全自主对变电站设备进行无人值守巡检,从而代替繁重的变电站设备人工巡检,提高了变电站巡检的自动化、智能化水平,确保了智能电网的安全可靠运行。 该变电站巡检机器人产品外壳采用无污染、抗冲击、高绝缘的ABS树脂材料，具有较好的环保性和安全性；产品外观采用了“仿人”化创新性设计，整体颜色融合变电站“环境”因素，同时配以红色的机器人颈部绕圈与多色的告警指示灯
1.从人体解剖学分析机器人的人机交互及控制系统 ?目标：人体解剖学（神经系统）构件→结合机器人技术构件→机器人控制系统架构构件→人机交互界面的系统架构（硬件领域） 1.1.神经系统（nervous system） 神经细胞（神经元）是神经系统的响应细胞，神经系统通过电化学信号来处理和传送信息。运动神经细胞能接收从大脑和骨髓神经传来的信号，并控制肌肉的收缩。i 1.1.1.神经系统的分布 神经系统分为中枢部和周围部。 中枢部即中枢神经系统（CNS,central nervous system），包括脑和脊髓，它们分别位于颅腔和椎管内。 周围部又称周围神经系统（PNS,peripheral nervous system），包括脑神经、脊神经和内脏神经，周围神经一端同脑或脊髓相连，另一端通过各种末梢装置与神奇其他各器官、系统相联系。 根据分布对象的不同，将周围神经系统分为躯体神经和内脏神经。躯体神经分布于体表、骨骼肌、骨和关节；内脏神经分布于内脏、心血管、平滑肌和腺体。躯体神经和内脏神经在大脑皮质统一管辖与协调下，完成神经系统的各种功能。 1.1. 2.神经元的分类 神经系统的基本组织是神经组织（nervous tissue），神经组织主要由神经元和神经胶质做成。神经元（neuron）又称神经细胞（nerve cell），具有感受刺激和传导神经冲动的功能。神经胶质（neuroglia）又称神经胶质细胞（neuroglial cell），简称胶质细胞（glia或glia cell），无传导神经冲动的功能，而对神经元起支持、保护、分隔和营养等作用。 神经元基于功能及神经兴奋传导冲动方向分类如下： 感觉神经元（sensory neuron）：又称传入神经元（afferent neuron），感受机器内、外环
智能机器人巡检系统在变电站中的应用 现如今，我国的社会经济不断发展，科学技术也发展的越来越迅猛，各行各业都已经逐渐在实际的生产以及经营过程中采用智能机器人来进行实际运作，而智能机器人的巡检系统在变电站当中的科学合理应用，不仅能够打破传统人工巡检的局限性，而且能够取得良好的应用效果，文章对智能机器人的巡检系统在变电站当中实际应用进行详细的分析。 标签：智能机器人；巡检系统；变电站；应用 当前，在计算机网络的迅猛发展影响下，各行各业的智能化已经逐渐普遍起来，特别是现代化的一些超高压、特高压输变电系统工程已经逐渐向多元化的方向发展，而对于这些新技术，传统的运行模式以及维护操作方法都不能够满足其自身的需求，并且传统的操作方式在面临当前现代化的设备和操作的时候，其自身也面临着相对应的挑战。比如设备部件的数量比较多、其中相互交联的关系比较复杂，而在这种形势下，如何有效的运行高压电网等等，而利用新型的技术和方式不仅能够有效的提高输电效率，而且能够减少变电站工作人员对其进行维护的负担，能够切实有效的保证设备的正常安全运行。传统的变电站巡检方式已经逐渐“过时”，而智能机器人的巡检系统应用，不仅能够降低人工巡检的局限性和误差，而且能够通过智能机器人的一系列技术，详细的对变电站进行严格的检查和监督，从而保证变电站的长期稳定发展。 1 国内外变电站巡检技术分析 传统的变电站巡检一般都是通过人工来完成的，利用工作人员的感官器官以及配备一些比较精密的仪器等等，来对变电设备进行详细的检查和巡视，这种传统的巡检方式不仅导致工作人员的劳动强度过大，而且对质量的检测很容易出现分散的情况，找不到准确出现问题的原因。而现如今，在科学技术以及网络社会不断发展的影响下，计算机技术以及微机监控技术在变电站当中越来越被广泛的利用，特别是巡检机器人利用其自身独有的系统以及特点，不仅不会受到天气以及环境的一些外在因素影响，而且能够缩减值班人数，对其进行设定之后，机器人就会自己执行巡检任务，这样能够有效保证设备的安全运行，并且最大限度的减少设备的事故发生率。而在变电站当中使用的智能机器人，一般都属于特种的机器人，在对其进行研究的过程中，可以发现，国际上对这种特种机器人已经形成了独有的研究领域，机器人在电力系统当中的实际应用，主要集中在电力设备方面，其中包括一些线路、变压器以及发电设备等等，对这些设备进行日常了检测、维护以及检修工作。在对机器人研究的过程中，不难发现，国内外对机器人的研究以及实际投入到使用当中的机器人主要包括变电站的设备巡检机器人、高压带电作业的机器人、核电站作业的机器人等等，而在对其进行不断的探索和研究的过程中，我国的变电站机器人巡检已经逐渐取得了很有效的研究成果，在变电站的应用中也取得了非常良好的效果[1]。 2 变电站巡检机器人的系统设计以及功能
第21卷第4期湖 北 工 业 大 学 学 报2006年08月 V ol.21N o.4 Journal of H ubei U niversity of T echnology Aug.2006 [收稿日期]2006-05-23[作者简介]程 琼(1959-),女,湖北武汉人,湖北工业大学副教授,研究方向:模式识别及计算机控制. [文章编号]1003-4684(2006)0820101203 基于计算机视觉步态识别系统的方法研究 程 琼,庄留杰 (湖北工业大学电气与电子工程学院,湖北武汉430068) [摘 要]对目前步态识别系统的研究方法进行了分析、归类与总结,并在原有的研究方法基础上提出了三维 系统建模与跟踪新方法.计算机视觉技术为步态识别系统提供了强有力的分析工具. [关键词]步态识别;计算机视觉;研究方法[中图分类号]TP391.41 [文献标识码]:A 步态识别作为一种新兴的生物特征识别技术, 当前已成为基于视觉的人体运动分析领域的研究热点.步态识别是一种潜在的行为特征,相关研究已证实它可以用于身份识别. 1 步态识别系统组成 步态识别是从相同行走行为中寻找和提取相应个体的可区分的变化来自动进行身份识别.基于视 觉的步态识别系统,如图1所示,监控摄像机用于捕捉监控领域中的行人,结合背景的自动建模和更新,步态检测用来检测行人.行人在二维或三维空间中被连续跟踪.从跟踪结果中,步态模式的一些个性化特征被相应地提取.结合在步态数据库中已经存储的步态模式,分类器最后给出识别结果 . 2 基于视觉的步态分析 步态作为生物特征的可用性在早期已得到证明,关健是如何利用计算机视觉方法来获取个体运动特征.人体建模的选择对于从图像中识别人的形状,正确分析人的运动是非常重要的.骨架图模型是 以直线近似在关节点处所连接的骨骼来表达人体;立体模型能更好地表达人体,它利用广义锥台、椭圆柱、球等三维模型来描述人体的结构细节[1]. 许多研究将人的运动定义为身体运动的不同姿势.有2种主要方法来建模人的运动:一种是基于模型的方法,即选择人体模型后,该模型的三维结构从图像序列中进行恢复;另一种方法重在确定运动场的特征,而不需结构的重构.运动行为的识别可以认为是时变数据的分类问题. 可以看出,人体建模、跟踪与运动识别技术等视觉方法已为步态分析提供了一种强有力的分析工具. 3 步态识别方法分类 当前的步态识别方法有:1)使用行人的时空模式得到步态特征;2)通过光流分布来提取特征;3)特征化实际运动的外观.而如何紧支有效地表达分割出来的或跟踪的行人是非常重要的,因为它将直接或被进一步分析,以获取用于识别的步态特征. 步态包括2类分量:结构化分量,它捕捉了一个人的身体形状;动态分量,它捕捉人体行走期间的运 动特征.根据分析,步态识别方法一是基于模型或结构的方法,它通常建模人体结构并且提取图像特征来影射它们为模型的结构化分量,或者衍生出人体部分的运动轨迹来识别个体;二是非结构或者基于运动的方法,它通常特征化人体的整个运动模式来获取运动特征,而不考虑潜在的结构[2].
Q G W变电站智能机器人巡检系统技术规范第 部分 HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】
Q / GDW —2016 变电站智能机器人巡检系统技术规范第 1 部分：变电站智能巡检机器人 Technical specification for intelligent robot inspection system in substation ?—Part1: Intelligent robot for substation inspection 2016 - 11 - 25发布 2016 - 11 - 25实施 Q/GDW 国家电网公司企业标准 Q/GDW —2016 I 前言 为规范变电站智能巡检机器人的功能要求和性能指标，更好的指导和推进变电站 智能机器人巡检系统在公司系统的实用化应用，制定本部分。 《变电站智能机器人巡检系统技术规范》标准分为 2 个部分： ——第 1 部分：变电站智能巡检机器人； ——第 2 部分：监控系统。 本部分为《变电站智能机器人巡检系统技术规范》标准的第 1 部分。 本部分由国家电网公司运维检修部提出并解释。 本部分由国家电网公司科技部归口。 本部分起草单位：国网山东省电力公司。 本部分主要起草人：冀肖彤、张斌、任志刚、王兴照、吕俊涛、叶飞、周大洲、 黄锐、慈文斌、杜修明、郭源、孙志周、付崇光、王华广、孟海磊、韩磊。 本部分为首次发布。 本部分在执行过程中的意见或建议反馈至国家电网公司科技部。 变电站智能机器人巡检系统技术规范第 1 部分：变电站智能巡检机器人 1 范围 本部分规定了变电站智能巡检机器人的分类与组成、技术要求、检验以及标志、 包装、运输、贮存。本部分适用于变电站智能巡检机器人。 2 规范性引用文件 下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件，仅所注日 期的版本适用于本文件。凡是不注日期的引用文件，其最新版本（包括所有的修改 单）适用于本文件。 GB/T 电工电子产品环境试验设备基本参数检定方法振动（正弦）试验用机械振动台 GB/T 电磁兼容试验和测量技术静电放电抗扰度试验 GB/T 电磁兼容试验和测量技术射频电磁场辐射抗扰度试验 GB/T 电磁兼容试验和测量 技术工频磁场抗扰度试验 DL/T 664-2008带电设备红外诊断技术应用规范 DL/T 860变电站通信网络和系统 3 术语和定义 下列术语和定义适用于本文件。 变电站智能巡检机器人 intelligent robot for the substation inspecting 由移动载体、通信设备和检测设备等组成，采用遥控或全自主运行模式，用于变 电站设备巡检作业的移动巡检装置（以下简称机器人）。
图片简介: 本技术涉及一种基于Kinect的机器人人机交互系统及方法，系统包括Kinect信息采集模块、人机交互模块、姿态控制模块、语音控制模块、Kinect三维传感器、机器人控制箱和机器人；首先通过Kinect信息采集模块，将图像数据流和音频数据流传递给人机交互模块，通过人机交互模块的语音/文字提示引导用户选择不同的控制模式，进而调用不同的控制模块，实现对机器人的操控。本技术综合体感、声音、手势多种交互方式，可实现对机器人的运动控制，代替人工在非结构化场景中进行作业，提高机器人的作业能力和智能水平。 技术要求 1.一种基于Kinect的机器人人机交互系统，其特征在于，包括Kinect信息采集模块、人机交互模块、姿态控制模块、语音控制模块、Kinect三维传感器、机器人控制箱和机器人； Kinect信息采集模块利用Kinect三维传感器，获取图像数据流及语音数据流； 通过人机交互模块选择不同的控制模式，调用姿态控制模块或语音控制模块； 姿态控制模块基于图像数据，根据人体姿态控制机器人机械臂运动； 语音控制模块基于语音数据，实现语音指令的识别，控制机器人进行相应动作。 2.根据权利要求1所述的基于Kinect的机器人人机交互系统，其特征在于，人机交互模块提示用户选择控制模式，包括语音提示和文字提示。 3.一种基于权利要求1所述基于Kinect的机器人人机交互系统的人机交互方法，其特征在于，包括以下步骤： 利用Kinect三维传感器，获取图像数据流及语音数据流； 基于图像数据，根据人体姿态控制机器人机械臂运动； 基于语音数据处理结果，实现语音指令的识别，控制机器人进行相应动作； 通过人机交互模块的语音/文字提示选择不同的控制模式，调用不同的控制模块，实现人机交互。 4.根据权利要求3所述的基于Kinect的机器人人机交互方法，其特征在于，利用Kinect三维传感器，获取多种图像数据信息流及语音信息流，具体为：
什么是智能巡检机器人，使用方法介绍 智能巡检机器现在在各种特殊任务中运用的已经很广泛了，比如地铁站，比如结束有一段时间的“G20峰会”，再比如说一些巡线任务或者定点任务中。但智能巡检机器人到底是什么呢？ 巡检机器人是以移动机器人作为载体，以可见光摄像机、红外热成像仪、其它检测仪器作为载荷系统，以机器视觉—电磁场—GPS——GIS的多场信息融合作为机器人自主移动与自主巡检的导航系统，以嵌入式计算机作为控制系统的软硬件开发平台。
巡检机器人有诸多类型，其中一种就是巡线机器人，这种机器人具有障碍物检测识别与定位、自主作业规划、自主越障、对输电线路及其线路走廊自主巡检、巡检图像和数据的机器人本体自动存储与远程无线传输、地面远程无线监控与遥控、电能在线实时补给、后台巡检作业管理与分析诊断等功能。 变电站智能巡检机器人集非制冷焦平面探测器、无轨化激光导航定位、红外测温、智能读表、图像识别等核心技术于一体，对输变电设备进行全天候巡检、数据采集、视频监控、温湿度测量、气压监测等，提高输变电站内设备的安全运行。在发生异常紧急情况时，智能巡检机器人可作为移动式监控平台，代替人工及时查明设备故障，降低人员的安全风险。 这种机器人操作其实很简单。变电站智能巡检系统整体分为三层，分别为前端设备、传输部分和后端控制中心。 前端设备：智能巡检机器人/ 充电房/ 固定监测点等 传输部分：由网络交换机、无线网桥等设备组成，负责建立基站层与智能终端层的网络通道 后端部分：由机器人后台、硬盘录像机、硬件防火墙及智能控制与分析软件
系统组成。 除此之外，还有一种室内导轨型智能巡检机器人。 室内导轨型智能巡检机器人系统实现开关柜红外测温、局放检测、柜面及保护装置信号状态指示等的全自动识别，继保室保护屏柜压板状态、空开位置、电流端子状态、装置信号灯指示以及数显仪表的全自动识别读数。系统采用导轨滑触式供电方式，实现24小时不间断巡视，也可自定义周期和设备进行特殊巡视。 而这种机器人就更好操作，不仅可以让运维人员利用AR实景监测技术，也可以运用智慧巡检技术进行系统设定然后进行规律性的，重复性、多次的任务执行。 更多详情请拨打咨询热线或登录浙江大立科技股份有限公司官网https://www.doczj.com/doc/35286619.html,/咨询。
步态识别方法的分类及各类方法的比较 程汝珍1,2 1河海大学计算机及信息工程学院，江苏南京(210098) 2水文水资源与水利工程科学国家重点实验室，江苏南京(210098) E-mail：chengruzhen@https://www.doczj.com/doc/35286619.html, 摘要：步态识别是生物特征识别技术中的一个新兴领域，它旨在根据个体的行走方式识别身份。步态识别主要是针对含有人的运动图像序列进行分析处理,所涉及到的几项关键技术包括:视频处理、图像处理、模式识别。步态识别分析可以划分为特征抽取、特征处理和识别分类三个阶段。在最近的文献中已经有许多研究尝试，提出了许多步态识别的具体方法。但国内外尚无将步态识别技术分类，本文提出了步态识别的六类分类法，且初步比较了每类方法的适用范围和优缺点，使读者较为全面了解步态识别技术现状。 关键词：步态识别；分类；适用范围；优缺点；比较 中图分类号：TP391.4 1.引言 步态识别是生物特征识别技术中的一个新兴领域，它旨在根据个体的行走方式识别身份[1]。根据早期的医学研究[2]人的步态有24个不同的分量，在考虑所有的步态运动分量的情况下步态是唯一的。精神物理学[3]中的研究结果显示即使通过受损的步态信息人们也能够识别出身份，这表明在步态信号中存在身份信息。 步态识别主要是针对含有人的运动图像序列进行分析处理,所涉及到的几项关键技术包括:视频处理、图像处理、模式识别[4]。步态识别分析可以划分为特征抽取、特征处理和识别分类三个阶段[5]。 步态识别部分 图1 步态自动识别系统框图 Fig1 the framework of gait automatic recognition system 步态识别系统的一般框架如图所示[6]。监控摄像机首先捕捉监控领域来人的行走视频，然后送入计算机进行检测和跟踪，提取人的步态特征，最后结合已经存储的步态模式进行身份识别。若发现该人是罪犯或嫌疑人，系统将自动发出警告。
一．工业机器人组成系统 工业机器人由主体、驱动系统和控制系统三个基本部分组成。主体即机座和执行机构，包括腰部、肩部、肘部和手腕部，其中手腕部有3个运动自由度。驱动系统包括动力装置和传动机构，用以使执行机构产生相应的动作。控制系统是按照输入的程序对驱动系统和执行机构发出指令信号，并进行控制。 工业机器人按执行机构运动的控制机能，又可分点位型和连续轨迹型。点位型只控制执行机构由一点到另一点的准确定位，适用于机床上下料、点焊和一般搬运、装卸等作业；连续轨迹型可控制执行机构按给定轨迹运动，适用于连续焊接和涂装等作业。 工业机器人按程序输入方式区分有编程输入型和示教输入型两类。编程输入型是将计算机上已编好的作业程序文件，通过RS232串口或者以太网等通信方式传送到机器人控制柜。 示教输入型的示教方法有两种：一种是由操作者用手动控制器(示教操纵盒)，将指令信号传给驱动系统，使执行机构按要求的动作顺序和运动轨迹操演一遍；另一种是由操作者直接领动执行机构，按要求的动作顺序和运动轨迹操演一遍。在示教过程的同时，工作程序的信息即自动存入程序存储器中在机器人自动工作时，控制系统从程序存储器中检出相应信息，将指令信号传给驱动机构，使执行机构再现示教的各种动作。示教输入程序的工业机器人称为示教再现型工业机器人。 几个问题： （1）巨轮机器人JLRB20KG机器人是点位型还是连续轨迹型？ （2）能不能编写一个简单程序，使机器人能够的末端能够走一个圆？ （3）能不能控制机器人中每一个电机的输出功率或扭矩？ （4）机器人每一个关节从驱动电机到执行机构的传递效率有没有？ 二．工业机器人的主体 机器人本体由机座、腰部、大臂、小臂、手腕、末端执行器和驱动装置组成。共有六个自由度，依次为腰部回转、大臂俯仰、小臂俯仰、手腕回转、手腕俯仰、手腕侧摆。机器人采用电机驱动，电机分为步进电机或直流伺服电机。直流伺服电机能构成闭环控制、精度高、额定转速高、但价格较高，而步进电机驱动具有成本低、控制系统简单。 各部件组成和功能描述如下： （1）基座：基座是机器人的基础部分，起支撑作用。整个执行机构和驱动装置都安装在基座。 （2）腰部：腰部是机器人手臂的支撑部分，腰部回转部件包括腰部支架、回转轴、支架、谐波减速器、制动器和步进电机等。 （3）大臂：大臂和传动部件 （4）小臂：小臂、减速齿轮箱、传动部件、传动轴等，在小臂前端固定驱动手腕三个运
1 冶金 油气运输业 ●现状 众所周知，原油是“工业的血液”，直接关系着国计民生和国家能源安全，原油管道及输油站库作为“能源大动脉”，安全运行，意义重大。在原油库区大型化、集群化的发展趋势下，罐区人工巡检工作量和强度越来越大，巡检效率低、时效性差，并且雷雨及恶劣天气，人工无法巡检，随着高含硫原油增多，人工巡检风险大。 ●产品功能及价值 油井智能巡检机器人采用全自主激光定位与导航技术，能自动规划巡检路径、自主充电。结合红外热成像和高清视频技术，精确识别油井内各类仪表设备状态，能及时发现设备缺陷，实现油井管线的智能检测、监控、安防和数据远程集控管理，在油井少人或无人值守目标的情况下，仍能保障油气井正常安全生产。
2.发电厂
智能巡检机器人系统在火力发电行业的应用研发及示范.docx ●背景和现状 智慧电厂建设已上升为国家战略，设备健康状态监测、智能巡检设备的研制成为近几年智能制造行业的热点话题之一，呈现出巨大的成长潜力和发展空间。 发电设备的日常巡检及运维是保证电网稳定与可靠的基础，那么预测性维护就显得尤为重要，如何第一时间掌握设备异常情况，将生产风险前置管理是各大机构的研究方向。 当下许多电力设备的日常巡检没有实现智能化，巡检质量不高，存在漏巡、代巡、不按规定巡检等问题，导致不能及时发现设备异常，给生产管理造成了较大的干扰。 过分依赖安全员的责任心，执行随意性大； 粗放的巡检模式难以监督及考核评估； 基于纸面的信息反馈存在滞后性，难以分享给相关管理人员； 巡检结果难以综合分析，对实现设备预测性维护无太大意义； 软件管理系统无法应对多变、复杂的现场情况。
邮局订阅号：８２－９４６３６０元／年 技术创新 人工智能 《ＰＬＣ技术应用２００例》 您的论文得到两院院士关注 基于贝叶斯网络的步态识别 ＨｕｍａｎｇａｉｔｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓ （北京科技大学）张 磊刘冀伟 Ｚｈａｎｇ，ＬｅｉＬｉｕ，Ｊｉｗｅｉ 摘要：步态作为一种重要的生物特征由于其远距离身份识别能力而逐渐受到人们的重视。本文提出了一种基于贝叶斯网络的步态识别方法。首先应用背景差方法获得运动人体侧面二值图像，将侧面像分为七部分来提取特征，采用最大方差法对 训练集进行离散化，对各部分分别建立贝叶斯网络，最后利用“投票” 规则将网络推理结果进行组合。将该方法在Ｓｏｔｏｎ步态数据库上进行试验，取得了比较理想的识别效果。关键词：生物特征识别；步态识别；贝叶斯网络 中图分类号：ＴＰ３９１．４ 文献标识码：ＡＡｂｓｔｒａｃｔ：Ｇａｉｔｈａｓｒｅｃｅｎｔｌｙｇａｉｎｅｄｍｏｒｅａｎｄｍｏｒｅａｔｔｅｎｔｉｏｎａｓａｎｉｍｐｏｒｔａｎｔｂｉｏｌｏｇｉｃｆｅａｔｕｒｅｆｏｒｉｔｓａｂｉｌｉｔｙｏｆｉｄｅｎｔｉｆｉｃａｔｉｏｎａｔｄｉｓｔａｎｃｅ． ＴｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓａｈｕｍａｎｇａｉｔｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓ．Ｆｏｒｅａｃｈｋｅｙｆｒａｍｅ，ａｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｐｒｏｃｅｄｕｒｅｉｓｕｓｅｄｔｏｅｘｔｒａｃｔｍｏｖｉｎｇｓｉｌｈｏｕｅｔｔｅｏｆｔｈｅｗａｌｋｉｎｇｆｉｇｕｒｅｆｒｏｍｔｈｅｂａｃｋｇｒｏｕｎｄ．Ｅａｃｈｓｉｌｈｏｕｅｔｔｅｉｓｄｉｖｉｄｅｄｉｎｔｏｓｅｖｅｎｐａｒｔｓｔｏｅｘｔｒａｃｔｆｅａｔｕｒｅｓ．Ｔｈｅｔｒａｉｎｉｎｇｄａｔａｉｓｄｉｓｃｒｅｔｉｚｅｄｂｙｔｈｅｍｅｔｈｏｄｏｆｍａｘｉｍａｌｖａｒｉａｎｃｅｄａｔａｄｉｓｃｒｅｔｉｚａｔｉｏｎ．ＴｈｅＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓａｒｅｓｅｔｆｏｒｅａｃｈｓｕｂ－ｒｅｇｉｏｎｏｆｔｈｅｓｉｌｈｏｕｅｔｔｅ．Ａｔｌａｓｔ，ｔｈｅｒｅｓｕｌｔｓｏｆｉｎｆｅｒｅｎｃｅａｒｅｃｏｍｂｉｎｅｄｗｉｔｈｖｏｔｉｎｇｒｕｌｅ．ＴｈｉｓｍｅｔｈｏｄｉｓｔｅｓｔｅｄｏｎｔｈｅＳｏｔｏｎｇａｉｔｄａｔａｂａｓｅ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓａｒｅｄｅｍｏｎｓｔｒａｔｅｄｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｅｆｆｅｃｔｉｖｅ．Ｋｅｙｗｏｒｄｓ：ｂｉｏｍｅｔｒｉｃｓｒｅｃｏｇｎｉｔｉｏｎ，ｇａｉｔｒｅｃｏｇｎｉｔｉｏｎ，ｂａｙｅｓｉａｎｎｅｔｗｏｒｋｓ 文章编号：１００８－０５７０（２００６）０９－２－０２６３－０３ １前言 近年来在例如视频监视，智能交互等许多重要领域中对自动身份识别系统的需求显著增加，极大的促进了基于计算机视觉的远距离身份识别的研究。步态作为一种重要的生物特征由于其远距离身份识别能力而逐渐受到人们的重视。相对于指纹、虹膜等生物特征，步态还具有非入侵、难伪装等特点。 步态识别是指通过人走路方式来判断人的身份。虽然步态识别仍是生物特征识别中的新兴领域，但近年来已经涌现出了大量的研究成果。ＵＭＤ的ＣｈｉｒａｚＢｅｎＡｂｄｅｌｋａｄｅｒ等通过估计人体高度参数和步幅参数来进行识别。中科院的王亮等提出了基于Ｐｒｏｃｒｕｓｔｅｓ形状分析的识别方法。ＭＩＴ的ＬｉｌｙＬｅｅ采用七个椭圆描述人的侧面二值图像，采用椭圆参数和人体质心的高度作为特征，通过模板匹配方法进行步态识别。 贝叶斯网络是对不确定知识进行表达和推理的拓扑结构，广泛应用于人工智能、决策评估等领域。作为一种分类器，贝叶斯网络能清晰的表示上下层之间的依存关系，由于模仿了人的推理机制，贝叶斯网络能较好的表达知识的不确定性，并且能实现快速推理，因此本文提出了基于贝叶斯网络的步态识别方法。首先利用背景差获得人体侧面二值图像，以文献中的图像表示方法为基础，将其改进后用于特征提取。根据各特征间的独立关系建立贝叶斯网络，通过贝叶斯网络推理实现对步态的识别。 ２步态特征提取 人体行走是一个周期运动，如果对周期中每个静态姿势提取特征，特征维数过高，训练数据有限，建模将会非常困难。考虑到步态周期中双足支撑期和单足支撑期姿态相对稳定，因此，取这两个姿态作为关键姿态。 运动人体侧面二值图像通过背景差的方法获得，侧面二值图像的宽度随时间呈周期变化，以宽度为标准获取关键帧，这种方法算法步骤少，效率高，虽然精度有限，但仍然可以满足后面工作的要求。 Ｌｅｅ提出了将人体侧面二值图像分为七部分并用椭圆来拟合的表示方法。本文以这种方法为基础，文献中的人体结构比例，采用如下方法将侧面像分成七个区域：取人体质心，质心上半部分１／３作头部部分， ２／３作躯干部分， 质心下半部分平均分成两份，除了头部部分，用通过质心的垂线把人体区域分成前后两部分，形成共７个区域，如图１ａ所示。 这７个区域分别用一椭圆来匹配，如图１ｂ。以椭圆参数构成子区域特征向量，这些参数包括：归一化后的质心（ｘ／ｈ，ｙ／ｈ），长短轴比例（ｌ），长轴方向（α）以及相对面积（ｎ／ａｒｅａ），即各子区域的特征向量为ｒｉ＝（ｘｉ／ｈ，ｙｉ／ ｈ，ｌｉ，αｉ，ｎｉ／ａｒｅａ）， ｉ＝１，２，．．．７，ｒｉ，与人体区域的质心相对高度张磊：硕士研究生 北京市“现代信息科学与网络技术”重点实验室资助项目（基金项目编号为：ＴＤＸＸ０５０３） ２６３－－
课程论文 步态识别 学号：12426009 班级：通信122 ：楚舒琦 目录 摘要 (3) 一、背景介绍 (4)
二、相关研究 (4) 三、主题（算法） (5) 3.1基于线图模型的动态特征提取 (6) 3.2基于整体的静态特征提取 (8) 3.3识别 (9) 四、实验 (9) 五、结果讨论 (12) 六、总结 (12) 七、应用前景 (13) 八、技术难点及解决途径 (14) 8.1技术难点 (14) 8.2解决途径 (15) 九、参考文献 (16)
摘要 步态识别是一种新兴的生物特征识别技术，旨在通过人们走路的姿态进行身份识别，与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优点。在智能视频监控领域，比面像识别更具优势。对步态识别的优缺点以及步态识别所涉及到的运动分割、特征提取与选择、模式识别算法进行了综述,并对步态识别中存在的问题与未来的研究方向进行了讨论。 关键词:生物特征识别;步态识别;特征提取;运动分割;动态时间规正
一、背景介绍 步态是指人们行走时的方式，这是一种复杂的行为特征。罪犯或许会给自己化装，不让自己身上的哪怕一根毛发掉在作案现场，但有样东西他们是很难控制的，这就是走路的姿势。英国南安普敦大学电子与计算机系的马克·尼克松教授的研究显示，人人都有截然不同的走路姿势，因为人们在肌肉的力量、肌腱和骨骼长度、骨骼密度、视觉的灵敏程度、协调能力、经历、体重、重心、肌肉或骨骼受损的程度、生理条件以及个人走路的"风格"上都存在细微差异。对一个人来说，要伪装走路姿势非常困难，不管罪犯是否带着面具自然地走向银行出纳员还是从犯罪现场逃跑，他们的步态就可以让他们露出马脚。 人类自身很善于进行步态识别，在一定距离之外都有经验能够根据人的步态辨别出熟悉的人。步态识别的输入是一段行走的视频图像序列，因此其数据采集与面像识别类似，具有非侵犯性和可接受性。但是，由于序列图像的数据量较大，因此步态识别的计算复杂性比较高，处理起来也比较困难。尽管生物力学中对于步态进行了大量的研究工作，基于步态的身份鉴别的研究工作却是刚刚开始。步态识别主要提取的特征是人体每个关节的运动。到目前为止，还没有商业化的基于步态的身份鉴别系统。 二、相关研究 信息融合：感知融合是人类感知外部世界的本能之一。人类可以非常自然地运用这一能力把来自人体各个感知器官眼耳鼻四肢的信息图像声音气味触觉组合起来并使用先验知识去估计理解和识别周围的环境以及正在发生的事情。融合理论正是对人类这一本能的模仿旨在利用计算机技术对按时序获得的多源观测信息在一定准则下加以自动分析综合以完成所需的决策和估计任务而进行的信息处理过程。 信息融合的基本原理就像人脑综合处理信息一样充分利用多源信息通过对这些多源的观测信息的合理支配和使用把多源信息在空间或时间上的冗余或互补依据某种准则来进行组合以获得被测对象的一致性解释或描述。按照信息抽象的个层次可将信息融合分为3级（像素级融合特征级融合和决策级融合）。 像素级融合是在采集到的原始数据上进行的融合是原始测报未经预处理之前就进行的综合和分析是最低层次的融合。
为了能够有效促进信息机房无人值守的进程并且保证机房设备运行的可靠性，提高其自动化、信息化水平，实现机房设备的巡检，可以通过智能机器人实现。本文就对信息机房智能机器人巡检系统的设计进行分析。 智能机器人巡检系统分析 智能机器人巡检系统指的是专门针对信息机房进行设计的智能一体化巡检方案，系统将智能巡检机器人作为核心，根据实时通信系统、后台软件及供电系统等实现，其能够代替人工实现机房设备与环境不间断、大范围的检查和巡视。智能机器人主要包括三部分工作，第一部分为自动巡检，第二部分为人工远程控制，第三部分为自动管理。智能机器人主要包括传感器、机器人与处理器构成，利用传感器实现数据的收集，将收集到的数据对处理器进行处理，将处理之后的数据到机器人中反应。机器人自身包括执行模块、移动模块、感知模块与控制模块。其中控制模块主要包括电源部分、控制器部分，属于系统设计的核心内容。感知模块主要在各种传感器中使用，包括超声波、感应、电容、碰撞、红外光反射等传感器。移动模块结构主要包括轮式驱动方式。机器人使用智能控制技术，根据规定的路线在机房中形式，并且还具备自动发现故障、记录和报警的功能。执行模块主要包括显示触摸屏、声光的装置。 智能机器人巡检系统的设计1.运动控制模块 本文所设计的运动控制模块是和红外控制系统相互结合，红外控制系统要能够结合机器人原理，使用红外线在颜色不同的物理表面反射系数不同的特点，使用合适的红外传感器，从而使机器人能够根据指定轨迹进行运行。本文中的机器人设置是根据黑色胶带轨迹行走，在数据收集的地面中横向贴黑色胶带，使机器人能够拍照收集信号，在机器人信号收集完成之后，通过上位机发送信号，使机器人能够继续前进。在机器人完成所有信号收集之后，机器人就会回到初始的位置中，在上位机设置的下个巡机时间到了之后，机器人就会进行全新的收集。机器人在设置轨道中进行巡检任务的时候，要对 其中的障碍物进行躲避，从而保证巡检能够顺利的实现。利用红外循迹法实现，能够有效躲避运行过程中的障碍物。 2.温湿度检测模块 在选择温湿度检测传感器的过程中，要全面考虑其温湿度检测精度与响应时间，对于此传感器实现温湿度监测实验，在指定电力信息通信机房中，使用AM2302传感器实现设计，因为此传感器对于温湿度的检测效果良好，能够在智能机器人巡检系统设计中使用。 3.视频收集传输 在巡检机器人移动过程中，要有效实现声音、视频等信息的实时参数，利用在指定时间和规定的区域范围中，利用高清无线传输两种视频收集方案实现数据收集。相关实验表示，有线传输因为移动过程中传输线的影响，降低了传输能力。所以使用高清收集WiFi 传输方案，此种方案的传输移动较为灵活，并且能够在规定时间中，扩大收集区域，提高传输能力。 4.供电系统 在设计供电系统的过程中，主要包括电量检测、输出与报警三方面。其中电源输出是利用物理连接和弱电继电器方式实现，主要对机器人行走和设备供电路线规划进行控制。电量检测系统利用传感系统实现，并且将其数据信号到主板传输，主板中的其他模块能够根据信号实现后续方案的创建，以此实现相应检测与报警功能。 5.云台控制界面 独立创建云台控制，因为云台是相应设备主要创建的平台，也是其功能实现的主要环节。并且针对云台控制属于本文研究系统的重点内容。在此系统实现控制的过程中，能够成为 可见光和红外线的统一控制，并且利用设计参数实现不同检测点模式中具体参数的备案与完善，使机器人能够对云台模式进行自动调整。另外，利用前端控制方式完善机器人的特征识别，最后得到数据。 基于图像获取，对系统检测进行完善。在检测系统中利用数据处理界面设计实现。包括现场视频窗口，云台中的功能能够对数据进行控制和分析，有效掌握机房中设备的特征，之后将收集到的数据在数据处理界面进行展现。 本文有效整合了信息机房中智能机器人的巡检需求，以此实现智能机器人巡检系统的设计，有效掌握设备的运行情况，智能判断机柜的使用情况和设备的状态，及时处理故障告警信息。使用智能机器人实现信息机房的巡检，能够有效降低人力成本，避免人工巡检过程中带来的数据误差。 信息机房的智能机器人巡检系统设计 （国网河北省电力有限公司石家庄供电分公司 张益辉王长宁孙玲） 41
智能机器人巡检系统应用调研分析报告 摘要：通过对公司10站智能机器人巡检系统，在设备巡检、红外测温、操作检 位工作上的应用指标的统计，量化机器人巡检系统的实际应用情况，并对该系统 存在的缺点与不足进行了分析讨论。针对调研巡检机器人应用中存在的问题，提 出下一步方案优化措施及推广发展方向。 关键词：智能机器人；巡检；红外测温；操作检位 一、基本情况： 湖北省电力公司检修公司负责湖北地区1座1000kV荆门特高压变电站、5座直流换流站、24座交流变电站的运行维护工作。作为国网推行智能巡检机器人项目的第一批单位，目前， 我公司已安装智能机器人巡检系统有14个站点，剩余16个站点的项目建设已进入项目设计 阶段。在已安装智能机器人巡检系统的14座站点中，宜都、葛洲坝、团林、江陵4座换流 站巡检系统于2015年8月正式投运，系统运行数据尚少。故此次调研工作我们主要围绕湖 北2013、2014年第一批安装投运的10座站点的智能机器人巡检系统进行，分别为龙泉换流站、恩施、渔峡、樊城、孝感、兴隆、磁湖、斗笠、咸宁、荆门特高压变电站。 二、调研分析： 巡检内容包括变电站户外一次设备的外观、声音，温度、油位、SF6 气体密度、避雷器泄漏电流、指示等各类表计读数，断路器、隔离开关、接地刀闸的分合状态、全部一次设备本 体和接头的红外测温等。巡检系统借助后台红外专家分析系统、图像识别技术、伺服技术进 行设备状态评估，实现了对各类变电设备分合状态、运行监视、实时感知、状态评价、监视 预警和故障诊断功能。运维人员在运维站能远程浏览机器人的状态及巡视结果，并能远程控 制机器人，开启和设置巡检任务，切实减轻了运维人员巡检工作量。对智能机器人巡检系统 取代人工巡检、红外测温、操作检查的工作进行客观量化的评价，是此次调研工作的目的。 （一）、巡视检查功能： 对于例行巡检和红外测温工作，系统按照设置的时间自动启动巡视任务，按照预设路线 进行巡视。巡检数据通过无线网桥实时传输到监控后台。系统通过图像识别技术将成像自动 转变为数据，并与系统设置的告警值进行比较，越限时系统自动生成告警提示。特巡工作为 运维人员通过后台设置手动开启，运维人员设置特巡观测点后，系统自动规划巡检路径，系 统自动完成。 1、巡检覆盖率： 巡检覆盖率是指智能机器人巡检系统采集现场数据点数覆盖人工例行巡检和红外测温设 备记录数据点数的比率，是智能巡检系统取代人工例行巡检和红外测温工作的重要参考指标。以下为10座变电站智能巡检机器人覆盖率情况： 10座变电站巡检覆盖率均达到99%以上，未覆盖的原因主要有三点：一是河南平顶山开 关厂生产的断路器分合指示、组合电器断路器机构油位，在机构箱内且离观察窗距离较远或 观测窗玻璃模糊，成像不清晰；二是变压器中性点套管油位观察窗靠近防火墙，需停电安装 反光镜；三是部分避雷器在线监测表、组合电器SF6密度继电器安装位置受设备本体或构架 遮挡严重，不能采集成像，此类问题采用技改更换表计朝向进行整改。 2、图像识别率 10座变电站智能机器人巡检系统从投运至2015年10月份，共执行例行巡检任务1012次、特殊巡视145次。10座变电站图像识别率在89%至96%之间，造成图像不能识别的原因 主要有三点：一是受环境光线影响，如受镜面反光、环境光线不足等造成成像不清晰；二是 机器人控制组件定位偏移造成设备观测点成像偏移而不能读取；三是图像识别框偏移造成数 据读取错误。 3、特殊情况下的巡检功能