基于數據融合的模擬低重力步態識別方法

常 遠，王道臣，郝 軼，劉 昊，何其佳，張利劍

(1.北京機械設備研究所，北京100854；2.北京靈汐科技有限公司，北京100854)

1 引言

未來太空探索可能面臨現場勘查、標本采集、儀器攜帶、營地建設和設備操作與維修等各項復雜任務[1]，航天員需要在未知、復雜地形完成大量的艙外行走、蹲起、搬運、負重、操作等動作。航天員穿戴具有自主式生保系統的艙外航天服，雖然地外空間為低重力環境，但艙外服整體質心外移，而且服內大氣壓給關節自由度運動帶來困難，航天員關節運動存在較大阻力[2-3]，實施空間作業任務依然不會輕松。因此，國內外機構研究通過外骨骼助力的主動航天服實現空間助力，例如，為提升航天員作業能力和作業績效，NASA(美國宇航局)開發了X1空間外骨骼機器人，ESA(歐洲空間局)研制了手臂外骨骼[4-5]，我國電子科大、哈工大及航天科工二院二〇六所等單位也開展了相關研究[6-7]。為實現主動航天服的人機協同助力，需要首先辨識人體-主動航天服的姿態和步態為助力控制提供關鍵信息。而月面工作環境與地面存在較大不同：月面重力是地面的1/6、月塵松軟、航天服阻尼較大等，會極大影響足底交互力形式和步態特征，與地面存在較大差異，對姿態/步態辨識產生較大挑戰。

為了在地面研究和驗證低重力步態，要構造一套力學系統來模擬低重力環境，目前主要有立式懸吊、躺臥懸掛、失重飛行、浸水等實現方式[8]。其中，垂向立式懸吊最普遍，其缺點是要有較高懸掛吊點，而且僅懸掛軀干使擺動腿仍受全重力；躺臥懸掛可更好對腿部進行低重力模擬，該方式曾被Roscosmos(俄羅斯宇航局)和NASA用于航天員太空旅行前的訓練[8]，但不能讓人的軀干體驗到水平加速度；失重飛行最理想，但成本高而且可用時間短；浸水較為理想，但運動流體產生阻力會造成附加誤差。目前，我國航天員的訓練及相關測試實驗一般選用立式懸吊和水槽實驗，例如航天員訓練中心借鑒文獻[9]設計了立式懸吊系統并進行了零重力和g/6、g/3低重力行走測試和分析[10-11]。

目前國內外對低重力步態的研究主要分析不同重力對行走特性的影響分析和仿真，未考慮面向主動航天服的步態辨識[10-13]，文獻[7]涉及步態辨識，但未考慮低重力的影響也未在低重力模擬環境下進行驗證。本文針對主動航天服的步態識別問題，搭建一套多源數據傳感采集系統，通過數據融合提取姿態和行走步態信息，結合人體行走的周期性特征，采用模糊邏輯進行姿態和步態識別，為助力系統控制提供關鍵的依據信息。

2 步態識別方法

數據融合是充分利用不同時間與空間的多傳感器信息資源，對按時序獲得的多傳感器觀測信息在一定準則下加以自動分析、綜合、支配和使用，獲得對被測對象的一致解釋與描述[14]。數據融合一般分為數據級、特征級和決策級融合3個層次。基于數據融合的模擬低重力步態識別方法示意框圖如圖1所示。其中，“左雙支撐”指左腳著地但右腳未離地，左腳在前的雙支撐狀態；“左單支撐”指左腳著地支撐，右腳離地擺動，左腳單支撐狀態；“右雙支撐”指右腳著地但左腳未離地，右腳在前的雙支撐狀態；“右單支撐”指右腳著地支撐，左腳離地擺動，右腳單支撐狀態。人體行走時，不斷在這4個狀態之間進行切換。

圖1 基于數據融合的模擬低重力步態識別方法Fig.1 Gait recognition under simulated low gravity based on data fusion method

數據級融合是直接在采集到的原始數據層上進行的融合，結合傳感器自身信息，進行校準、關聯、跟蹤等局部處理。助力外骨骼主要采集足底壓力和關節角度，因此這兩種傳感器數據進行野點剔除、濾波和標度變換等處理，如圖2所示。

圖2 數據級融合處理Fig.2 Fusion at data level

特征級融合在初級處理的基礎上，提取有意義的特征，從而豐富數據的表達能力，并進行統一數學表達，達到信息壓縮目的，有利于實時處理。這里提取左右腳壓力和各關節角度上升時間、變化幅度、變化方向等運動趨勢特征，并對這些特征進行模糊化，得到統一的隸屬度表達。以變化趨勢特征為例，采用如圖3所示隸屬度函數。

圖3 角度變化隸屬度函數Fig.3 Degree of membership function for angle slope

其“不變”、“正向變化”和“負向變化”的函數表示分別為式(1)～(3)：

決策層融合輸出是聯合決策的結果，即利用融合的特征，通過模糊決策、貝葉斯推論、機器學習分類等方法確定系統所處的狀態。本文考慮步態是一系列有次序的運動過程，相位劃分界限不完全精確的特性，將有限狀態機(Finite State Machine，FSM)與模糊邏輯相結合進行狀態切換，即模糊有限狀態機(Fuzzy Finite State Machine，FFSM)。FSM是將步態相位定義為有限個狀態，通過判斷切換條件，確定是否進入下一狀態，該方法可保證步態識別的可靠性，避免時序錯亂。在此基礎上設計模糊規則 FFSM ＝{S，μ，Q}，其中 S表示當前狀態，μ表示條件組合的隸屬度值，Q表示輸出狀態。在當前狀態S下，通過計算進入下一狀態Q的隸屬度函數μ是否大于特定閾值即可判斷切換條件，完成了去模糊同時實現狀態切換的決策。例如，當前狀態為“左雙支撐”，下一狀態為“左單支撐”，如果通過計算左腳壓力持續增加且右腳壓力降低為零的隸屬度，如果結果為1，則發生狀態切換，否則維持原狀態。該過程表現為計算“When(左雙支撐)：If(左腳壓力持續增加and右腳壓力降低為零)，then(左單支撐)”的邏輯形式。

3 運動數據采集與分析

3.1 模擬低重力試驗系統

北京機械設備研究所的人體機能增強中心實驗室參照文獻[15]設計并建造了一套模擬低重力實驗裝置。該裝置采用立式懸掛方式對低重力進行補償裝置，利用彈性長繩構成多點懸吊機構，在人體的雙側小腿、雙前臂及軀干等質心位置處施加近似恒定的垂直向上的拉力，進行部分重力補償，實現對月球低重力環境g/6的近似模擬。

3.2 運動信息采集

由于人體行走步態的相位特征和時序特性，需要同步采集足底壓力和關節角度等運動信息，為數據分析和步態識別提供硬件和數據基礎。低重力行走時，腳底壓力是人體與地面接觸的唯一物理信息，對空間助力系統行走控制分析有著重要意義，而關節角度能夠提供相位的重要信息[16-17]，因此需要同步獲得足底壓力和關節角度信息。關節角度信息通過在膝關節和踝關節上的編碼器獲得，足底壓力通過在助力系統的鞋底部安裝壓力傳感器獲得。為了能夠準確測量足底交互力大小及其變化，需要將傳感器合理布局。圖4所示為人體在行走時足底壓力分布圖[17]，可見腳底與地面的接觸部分主要集中在3個部位，因此，在鞋底與上述相應部位配置3個壓力傳感器，雙腳共6個傳感器。

圖4 足底壓力分布Fig.4 Distribution of foot pressure

設計的同步運動信息采集系統如圖5所示，包括測力鞋(含壓力傳感器)、編碼器、采集板和主控制器(DSP)等部分。足底壓力傳感器的輸出為mV級(滿量程輸出為10 mV)，而且信號含有較大噪聲，需要在采集板中設計調理電路進行信號放大和濾波處理。采集卡以400 Hz頻率采集傳感器數據，并將數據發送給主控制器DSP，在DSP中實現對行走步態的識別。

圖5 運動信息采集系統Fig.5 Motion information acquisition system

3.3 模擬低重力下運動特性分析

人體在正常行走時，具有一定的規律性和準周期性。通常一個步態周期可定義為從一側腳跟著地起到同側腳跟再次著地結束，其中每條腿可分為支撐相和擺動相[16-17]。支撐相指一側腳跟著地到腳尖離地的時間，即足部與地面接觸的時間，在地面常重力下約占整個步態周期的60%～70%；擺動相指一側腳尖離地到腳跟著地時間，即足部離開地面的時間，約占整個步態周期的30%～40%。

在模擬低重力下，人體行走基本遵循類似地面常重力行走的規律性和準周期特性，但是具有一定的差異性。據文獻[11]，人體以3 km/h的低速度行走時，模擬低重力與常重力行走時的步態周期差異不大，而支撐相比例有大幅度降低，足底壓力有一定比例降低。因此，有必要分析模擬低重力下人體行走的運動特性，并根據該特性設計步態識別算法。

本研究招募了7名健康被試者(年齡29±3.5歲，身高 172.2±8.4 cm，體重 63±3.5 kg)，在模擬低重力試驗系統中g/6重力下，進行了以1.15 m/s(即4.14 km/h)和1.55 m/s(即5.58 km/h)的速度行走試驗。試驗發現，與常重力相比人體行走的周期稍有降低，分別降低8.5%和3.75%?？梢?，在模擬低重力下，人體行走仍然遵循類似地面常重力行走的規律性和準周期特性。但是，在1.55 m/s速度行走時，被試可以自由選擇“正常行走”或“帶輕微跳躍行走”，而且被試更自然地選擇后一種行走方式，此時感覺較舒適，步態周期較常重力下延長46%，支撐相比例縮短43%。

圖6所示為常重力與低重力下，人體運動測試的足底壓力曲線，其中，藍色實線為常重力1.15 m/s步速，藍色虛線為低重力1.15 m/s步速；黑色實線為常重力1.55 m/s步速，黑色虛線為低重力 1.55 m/s步速；紅色實線為低重力1.55 m/s步速帶輕微跳躍的行走模式?？梢姡椭亓ο伦愕讐毫Φ牡谝粋€波峰要比常重力下降51.8%(1.15 m/s步速)和55.7%(1.55 m/s步速)，第二個波峰已不太明顯，比常重力下降81.4%(1.15 m/s步速)和84.5%(1.55 m/s步速)；在1.55 m/s步速時，如果以帶小跳躍方式行走，則只有一個波峰，而足底力峰值降低40.7%。

圖6 常重力與模擬低重力下足底壓力對比Fig.6 Comparison of foot pressures between normal and simulated low gravities

4 步態辨識試驗

本研究將步態識別算法應用于空間助力系統的步態識別程序設計。試驗在第3.1節所述模擬低重力試驗系統進行，被試者著助力系統進行平地行走和上下臺階運動。試驗過程中同步采集步態識別結果、足底力、髖踝角度等數據。

圖7和圖8所示分別為模擬低重力下1.15 m/s和1.55 m/s平地行走步態識別結果。其中，步態的狀態“2”表示“左雙支撐”狀態，“1”表示“左單支撐”狀態，“-1”表示“右雙支撐”，“-2”表示“右單支撐”?？梢?，本研究的方法可在不同行走速度時的步態辨識結果具有較好的適應性。

圖7 模擬低重力下1.15 m/s行走步態識別結果Fig.7 Gait recognition results of walking at the speed of 1.15 m/s under simulated low gravity

圖9 和圖10分別為模擬低重力下，上臺階和下臺階行走的步態識別結果。臺階共有4級，左右腳的重心切換共有5次。在上下臺階行走時，膝關節角度要比平地行走時屈曲的角度大，前者達到-70°，后者最大幅度到-35°。

圖8 模擬低重力下1.55 m/s行走步態識別結果Fig.8 Gait recognition results of walking at the speed of 1.55 m/s under simulated low gravity

圖9 模擬低重力下上臺階步態識別結果Fig.9 Gaitr ecognition results of stairs-up under simulated low gravity

圖10 模擬低重力下下臺階步態識別結果Fig.10 Gait recognition results of stairs-down under simulated low gravity

綜上，本研究將所提出的基于數據融合的步態識別方法應用于空間助力系統的在線辨識，由實測數據可見，本方法能夠適用不同速度下平地行走、上臺階和下臺階的連續步態辨識，相位切換連續、無錯亂，這對助力控制來說尤為重要，相比一般模式識別方法的辨識結果，可以有效避免系統控制執行器的振蕩和誤動作。

5 結論

本文搭建了低重力模擬系統及其步態數據采集系統，基于低重力步態特性，設計了基于數據融合的辨識方法并進行了模擬低重力環境的在線辨識試驗，結果表明可準確及時辨識不同運動模式和行走速度的下肢運動相位，為空間有動力航天服的人機協同控制提供關鍵信息。