人体关节角度解算的动态对齐方法

近日，重庆邮电大学生物医学工程研究中心王伟教授团队在SCI收录期刊SENSORS上发表题为“Effects of Dynamic IMU-to-Segment Misalignment Error on 3-DOF KneeAngle Estimation in Walking and Running”的论文，提出了一种用于惯性测量单元（IMU）与肢体节段动态对齐的新算法。

论文检索页面

研究背景

人体动作捕捉技术在康复、竞技体育、人机交互、身份识别等领域发挥着重要的作用。在各种应用场景中，获得更加精确的关节角是一项重要的评判标准。

使用惯性测量单元（IMU）获取肢体姿态数据，惯涉及全局坐标系、传感器坐标系与肢体坐标系之间的转换，其中IMU坐标系与肢体坐标系的对齐（IMU-to-Segment，I2S）决定着传感器输出数据是否能够代表所附着肢体的运动，是人体关节角解算的重要环节。

目前IMU与肢体对齐的方法主要分为人工对齐、预动作对齐、额外数据融合以及运动模型对齐等类型。其中基于运动模型的动态对齐方法无需专业人员以及额外设备，并且能够消除运动过程中的误差。

IMU与肢体坐标对齐示意图

研究内容

研究团队基于运动约束模型，引入了带交叉因子的DPSO算法完成动态对齐过程，利用动态对齐参数，完成了基于四元数的三自由度人体关节角度解算。

进一步的，通过人为添加误差，研究了人体在行走（3km/h）、慢跑（6km/h）以及正常跑步（9km/h）过程中，IMU与肢体错位误差对关节角解算带来的影响，以及各种影响背后的人体运动学差异。

算法验证

为了验证关节解算算法的效果，研究团队使用NOKOV度量亚毫米级光学动作捕捉系统，获取真实的肢体姿态信息。部署光学动作捕捉镜头，在被试者双腿的大腿和小腿上设置三个非共面的marker来定义附着的刚体，通过NOKOV度量动作捕捉软件输出每个肢体节段的旋转姿态数据，进一步计算出基于光学动作捕捉设备的三自由度关节角，作为真实值，与基于IMU的关节角进行对比。

使用NOKOV度量动作捕捉系统获取真实的肢体姿态信息

结果表明，在三种运动场景下，关节角的均方根误差（RMSE）在1.2-5.2°之间，关节角解算算法效果良好，不同运动中的IMU与肢体间的错位误差也印证了相关的人体运动学差异。

IMU关节角数据与光学动作捕捉数据对比

参考文献：

Jiang C, Yang Y, Mao H, Yang D, Wang W. Effects of Dynamic IMU-to-Segment Misalignment Error on 3-DOF Knee Angle Estimation in Walking and Running. Sensors. 2022; 22(22):9009.

仿生机器人的运动规划

利用NOKOV光学定位跟踪系统，获取精度达1mm的人体下肢运动数据，并建立了准确的关节模型，实现仿生机器人运动规划。

软体机械臂运动

NOKOV度量动作捕捉系统实时提供软体机械臂各节点高精度位姿数据，助力运动学和动力学建模，最终实现软体机械臂的控制。

中科院自动化所多智能体协同控制平台编队与自主避障

中科院自动化所无人集群系统分为三个子系统，定位子系统、通信子系统与控制子系统，可实现单体无人车和无人机控制、地空协同、集群对战以及无人车、无人机编队表演等功能

通过仿生指尖接触事件实现三指机械手的连续自适应步态控制

研究人员在《Biomimetic Intelligence and Robotics》发表了题为《Continuous adaptive gaits manipulation for three-fingered robotic hands via bioinspired fingertip contact events》的文章，探讨了通过仿生方法提升三指机械手灵活性与自适应性的技术。