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.

惯性式上肢动作捕捉系统开发

西安交通大学机械工程学院陕西省智能机器人重点实验室施虎老师团队利用惯性传感器开发了一套低成本、高灵活性的上肢动作捕捉系统，为机械臂遥操作任务提供了更自然、更高效的人机交互方案。NOKOV度量光学动作捕捉系统提供了人体上肢运动的高精度位置和姿态数据，助力惯性动捕系统性能评估。

IEEE RAL 足式机器人鲁棒状态估计精度较基线提升40%以上

山东大学研究团队发表面向绳驱动连续体机器人的融合非线性扩展状态观测器的自适应滑模跟踪控制方法，度量动捕为实验提供机器人末端执行器位姿数据，助力验证控制方法有效性。

室外环境无人车动作捕捉

清华大学李翔老师团队在室外环境下对无人车进行动作捕捉。NOKOV度量抗日光版本动捕镜头过滤日光干扰，准确识别无人车表面的反光标记点，获取高精度运动轨迹。

IJRR | 北航团队提出机器人复合分层抗干扰框架：实现无人机边飞边学

北航杭研院郭克信老师团队在IJRR上发表FORESEER机器人复合分层抗干扰框架，研究在五种不同构型的无人机平台上进行了室内外大量实验，通过四类代表性任务系统验证框架的性能。 NOKOV度量动作捕捉系统为实验提供了无人机在室内执行飞行任务时的高精度位姿数据及轨迹信息，助力验证FORESEER框架处理各种不确定性的有效性。

人体关节角度解算的动态对齐方法

人体关节角度解算的动态对齐方法

惯性式上肢动作捕捉系统开发

IEEE RAL 足式机器人鲁棒状态估计 精度较基线提升40%以上

室外环境无人车动作捕捉

IJRR | 北航团队提出机器人复合分层抗干扰框架：实现无人机边飞边学

IEEE RAL 足式机器人鲁棒状态估计精度较基线提升40%以上