基于Kinect 體感器的康復機械手臂系統算法設計與實現

楊文璐，李唯杰

（上海海事大學 信息工程學院，上海 201306）

醫學理論和臨床醫學證明,除了手術治療和藥物治療外,科學的康復訓練對中風偏癱患者的肢體運動控制功能的康復起著重要的作用[l—3]。科學康復訓練可以恢復患者部分或者全部的運動控制功能[4]。

傳統的康復型機械手臂能夠幫助中風患者進行被動康復訓練，但也存在如下不足：首先，訓練師需要手動鍵入控制參數，無法使用直觀的自身動作進行機械手臂的操控；其次，傳統康復型機械手臂雖然可以實現前屈、后伸、外展、內收、上舉以及旋轉等簡單動作[5]，但訓練動作模式固定，運動軌跡單一，無法完成非常規動作的訓練；最后，傳統機械臂分步動作銜接時機械停頓感強，患者使用體驗差。

本系統的創新之處有：現有Kinect體感器的研究中，缺乏運用到康復型機械手臂的案例，并且缺乏對速度控制的分析論述[6]；本系統Kinect體感器控制的康復型機械臂除轉動角度控制外，通過輸入信息與反饋信息比較的方法，獲得轉動角速度控制參數，使機械手臂平滑運動，有效降低機械停頓感，使患者在使用時更加舒適自然；可控制機械手臂完成非常規動作，多自由度動作的同時協調運動，提高患者康復效果。

1 康復型機械手臂與Kinect體感器

康復機械臂結構圖如圖1所示。此機械臂共有3個旋轉自由度，實現肩關節上下旋轉、前后旋轉和肘關節屈伸旋轉，并且可以模仿人體手臂的運動，此特點區別于其他類型的工程機械臂[7-8]。

圖1 三自由度康復型機械手臂結構圖Fig.1 Three degrees of freedom rehabilitation

分析機械手臂的機械結構與電子系統，可以得到以下機械臂性質：機械手臂自由度1轉動角度范圍為90度，自由度2的轉動角度范圍為180度，自由度3轉動角度范圍為100度。腕關節，肘關節，肩關節三點所確定的平面必須與身體所在平面垂直。

如圖2所示，Kinect體感器是微軟公司推出的體感外設，可以實現實時的運動捕捉、麥克風輸入等功能[9]。人們可以站在Kinect體感器前通過自己的肢體動作與計算機進行交互[10-11]。Kinect獲得視頻信息后，在空間中識別出人體,并將取得的三維空間中的深度圖像信息，轉換為骨骼數據信息。其中所利用的骨架追蹤技術是Kinect的核心技術。這個技術可以實時捕捉人體的動作[12]。

圖2 Kinect體感器外觀圖Fig.2 Appearance of Kinect

2 各自由度轉動角度及角速度控制算法

2.1 各自由度轉動角度控制算法

通過肘關節的一個自由度，肩關節的兩個自由度可以實現基本的機械手臂運動。首先進行零點位置的標定，設定每個自由度轉動的中間位置為零點。根據人體手臂各個關節運動特點確定各自由度轉動范圍，自由度1轉動范圍為[-45,45]度，自由度2轉動范圍為[-90,90]度，自由度3轉動范圍為[-50,50]度。

2.1.1 肩關節（自由度1和自由度2）轉動角度控制算法

如圖3所示，首先建立坐標系。自由度1的轉動角度與深度方向（Z方向）無關。因此確定自由度1的轉動角度參數只與平面XOY有關，即該自由度只控制手臂在身體所在平面上進行運動。大臂與Y軸之間夾角的正切值等于肘、肩兩個關節的橫坐標差值與縱坐標差值的比。考慮調整零點位置，得到自由度1的轉動角度控制算法為：

自由度2（如圖4所示）控制肩關節帶動的大臂在垂直于身體的平面進行運動。該運動過程中肘關節的運動軌跡為以肩關節為圓心，大臂為半徑所畫出的圓。因此得到自由度2轉動角度具體控制算法為：

圖3 自由度1轉動角度示意圖Fig.3 Degree of freedom 1 rotation angle

圖4 自由度2轉動角度示意圖Fig.4 Degree of freedom 2 rotation angle

2.1.2 肘關節（自由度3）轉動角度控制算法

自由度3（如圖5所示）控制肘關節的展開與收攏，展開的最大位置為肩、肘和腕關節三點在同一直線上 （即180度）。收攏時的極限位置為大臂與小臂的夾角為80度。利用三維坐標系獲得空間中大臂與小臂之間的夾角，得到肘關節夾角與機械手臂控制參數之間的數值關系為先反轉再平移。通過此關系得到該自由度角度控制算法如下：

圖5 自由度3轉動角度示意圖Fig.5 Degree of freedom 3 rotation angle

2.2 各自由度轉動角速度控制算法

選取合適的速度控制參數是消除機械系統運動機械感，使機械手臂平滑運動的重要因素。速度參數變化明顯時，機械系統運動將會出現急停急起的現象。這些動作不符合人體手臂運動的規律。由于本實驗采用的機械手臂由于機械系統的限制，可以執行的最大速度為每秒30度。因此在考慮轉動角速度的控制算法中，將著重考慮以上因素。

考慮到角速度參數需要滿足以下條件：準確有效控制機械手臂模仿人體手臂運動；應避免機械手臂運動急停急起的現象。為了解決上述問題，本系統提出一種新的速度控制方法，將體感器采集到人體手臂關節位置信息與機械手臂當前位置信息進行比較，以兩者的位移差確定當前角速度，體感器捕捉到的人體關節位置信息與機械手臂反饋的位置信息之差與轉動角速度控制參數的大小應成正比。自由度1控制大臂在身體側方運動，考慮到康復病人實際使用情況，其運動速度范圍在每秒20度以內。自由度2和3的最大角速度不超過每秒30度。算法示意圖如圖6所示。具體算法為：

式中γ為發送給機械手臂的自由度轉動角度值與機械手臂反饋的當前角度值之差，由于已知機械手臂運動的目標位置，因此無需再給速度參數定義方向。

圖6 轉動角速度控制算法示意圖Fig.6 Rotation angular velocity control

如圖7所示，圖中依次為自由度1、2和3在機械臂實際使用過程中的1 851個速度參數數據。該圖表明該角速度算法下得到的角速度參數變化范圍小，所有參數均落在機械手臂可以識別執行的角速度范圍內，均為有效數據。

3 系統實現

基于Kinect的康復機械手臂控制系統整體分為兩個部分，體感器端與機械手臂控制端，通過SOCKET通信技術實現兩者通信。利用體感器獲取彩色圖像、深度圖像以及骨骼圖像，得到右肩，右肘，右腕的三維坐標，通過控制算法得到機械系統轉動角度與轉動角速度的控制參數，最終執行機械手臂運動。

圖7 各自由度角速度數據Fig.7 Rotation angular velocity data

如圖8所示，軟件用戶界面與實驗場景需要考慮到訓練師在操作上簡易方便，患者在使用上安全可靠，將用戶界面盡可能簡潔化，機械手臂設置了限位器的裝置，保護患者的手臂不會被機械傷害。

圖8 用戶界面與實驗場景圖Fig.8 User interface and test site

4 實驗結果及分析

4.1 實驗過程記錄

為了分析本系統的準確性，進行了下述試驗。本實驗對以下6組動作：大臂側方向運動，大臂前后運動，肘關節收攏與展開，大臂的側向運動伴隨肘關節運動，大臂前后運動伴隨肘關節運動以及3個自由度同時運動分別進行測試。每組動作隨機根據不同的幅度以及速度分別進行100次測試。測試結果如表1所示，表中的失敗表示機械手臂未能完成訓練動作的次數；基本完成表示機械手臂完成動作，但存在機械的停頓感；完成良好表示機械臂流暢準確的完成訓練動作。

表1 機械臂運動準確性統計Tab.1 The accuracy statistics of mechanical arm motion

4.2 實驗結果分析

從實驗結果中可以得到，該系統能對絕大部分的常用訓練動作進行識別，并能準確控制機械臂進行動作的模仿。其中對自由度1和3的控制較為良好。對自由度2（即手臂前后運動）的控制方法有待提高。當手臂前后擺動，超過肩關節位置時，系統往往不能進行有效的識別和控制。在今后的研究中，將結合機械臂的性能對其進一步研究。

5 結束語

文中介紹了利用Kinect體感器采集訓練師手臂信息，得到康復型機械手臂的控制參數，幫助訓練師操控康復機械臂對中風患者進行上肢康復訓練。其中主要論述了機械手臂各自由度轉動角度以及轉動角速度的控制算法。應用合適的角速度控制算法，減少機械臂在運動時的停頓感，使得機械臂在運動時準確平滑流暢，有效提高患者的使用舒適度與康復效果。該系統在下一步的研究中，將會圍繞進一步的動作準確性和動作的實時性來展開，減少機械系統的延時。最終使該系統更好的服務于醫療康復事業。

[1]常俊玲,孫波.運動再學習對偏癱患者上肢功能恢復的影響[J].現代康復,2000,14(5):654-655.CHANG Jun-ling,SUN Bo.Effect of motor relearning training on upper extremity function in hemiplegia patients[J].Modern Rehabilitation,2000,14(5):654-655.

[2]繆鴻石.中樞神經系統（CNS）損傷后功能恢復的理論(六)[J].中國康復理論與實踐,1997,3(3):98-105.MIAO Hong-shi.The theory of rehabilitation after injury of the Central Nervous System(CNS)(6)[J].Chinese Journal of Rehabilitation Theory and Practice,1997,3(3):98-105.

[3]李大年.缺血性腦血管病治療進展[J].山東醫藥,2000,40(1):35-42.LI Da-nian.The recent advances in the treatment of ischemic cerebrovascular disease [J].Shandong Medical Journal,2000,40(1):35-42.

[4]黃東鋒,毛玉瑢,徐光青,等.重癥監護室中風患者早期康復治療的價值[J].中華物理醫學與康復雜志,2001,23(6):328-329.HUANG Dong-feng,MAO Yu-rong,XU Guang-qing,et al.Value of early rehabilitation on severe stroke patients in Intensive Care Unit(ICU)[J].Chinese Journal of Physical Medicine and Rehabilitation,2001,23(6):328—329.

[5]車仁煒,呂廣明,孫立寧.五自由度康復機械手臂的設計[J].機械設計,2005,22(4):18—21.CHE Ren-wei,LV Guang-ming,SUN Li-ning.The design of the five degrees of freedom mechanical rehabilitation arm[J].Journal of Machine Design.2005,22(4):18—21.

[6]林海波,梅為林,張毅,等.基于Kinect骨骼信息的機械手臂體感交互系統的設計與實現 [J].計算機應用與軟件.2013，30（2）：157-160.LIN Hai-bo,MEI Wei-lin,ZHANG Yi,et al.Design and Implementation of Robot arm somatosensory interaction based on KINECT skeletal information[J].Computer Application and Software,2013,30(2):157-160.

[7]鐘琮瑋.仿人型乒乓球機械手運動學及動力學控制方法研究[D].杭州：浙江大學.控制理論與控制工程，2011.

[8]洪熠.基于氣動人工肌肉仿人機械手臂肩關節的運動控制[D].上海：上海交通大學，2009.

[9]ZHANG Zhen-you.Microsoft Kinect Sensor and Its Effect[J].MultiMedia,IEEE.Feb，2012:4-10.

[10]淦創.基于3D體感技術的動態手勢識別[J].光電技術應用,2012,27(4):55-58.Gan Chuang.Dynamic Gesture Recognition Based on 3D Kinect[J].Electro-Optic Technology Application,2012,27(4):55-58.

[11]邵雋,馬娜.淺談基于Kinect的應用程序開發[J].計算機光盤軟件與應用,2012(8):173,179-180.SHAO Juan,MA Na.Introduction to Application Development Based on Kinect[J].Computer CD Software and Applications,2012(8):173,179-180.

[12]余濤,葉金永,邵菲杰,等.Kinect核心技術之骨架追蹤技術[J].數字技術與應用,2012(10):115.YU Tao,YE Jin-yong,SHAO Fei-jie,et al.Skeleton tracking technology,the core technology of Kinect[J].Digital Technology and Application,2012(10):115.