基于数据融合的模拟低重力步态识别方法

常 远，王道臣，郝 轶，刘 昊，何其佳，张利剑

(1.北京机械设备研究所，北京100854；2.北京灵汐科技有限公司，北京100854)

1 引言

未来太空探索可能面临现场勘查、标本采集、仪器携带、营地建设和设备操作与维修等各项复杂任务[1]，航天员需要在未知、复杂地形完成大量的舱外行走、蹲起、搬运、负重、操作等动作。航天员穿戴具有自主式生保系统的舱外航天服，虽然地外空间为低重力环境，但舱外服整体质心外移，而且服内大气压给关节自由度运动带来困难，航天员关节运动存在较大阻力[2-3]，实施空间作业任务依然不会轻松。因此，国内外机构研究通过外骨骼助力的主动航天服实现空间助力，例如，为提升航天员作业能力和作业绩效，NASA(美国宇航局)开发了X1空间外骨骼机器人，ESA(欧洲空间局)研制了手臂外骨骼[4-5]，我国电子科大、哈工大及航天科工二院二〇六所等单位也开展了相关研究[6-7]。为实现主动航天服的人机协同助力，需要首先辨识人体-主动航天服的姿态和步态为助力控制提供关键信息。而月面工作环境与地面存在较大不同：月面重力是地面的1/6、月尘松软、航天服阻尼较大等，会极大影响足底交互力形式和步态特征，与地面存在较大差异，对姿态/步态辨识产生较大挑战。

为了在地面研究和验证低重力步态，要构造一套力学系统来模拟低重力环境，目前主要有立式悬吊、躺卧悬挂、失重飞行、浸水等实现方式[8]。其中，垂向立式悬吊最普遍，其缺点是要有较高悬挂吊点，而且仅悬挂躯干使摆动腿仍受全重力；躺卧悬挂可更好对腿部进行低重力模拟，该方式曾被Roscosmos(俄罗斯宇航局)和NASA用于航天员太空旅行前的训练[8]，但不能让人的躯干体验到水平加速度；失重飞行最理想，但成本高而且可用时间短；浸水较为理想，但运动流体产生阻力会造成附加误差。目前，我国航天员的训练及相关测试实验一般选用立式悬吊和水槽实验，例如航天员训练中心借鉴文献[9]设计了立式悬吊系统并进行了零重力和g/6、g/3低重力行走测试和分析[10-11]。

目前国内外对低重力步态的研究主要分析不同重力对行走特性的影响分析和仿真，未考虑面向主动航天服的步态辨识[10-13]，文献[7]涉及步态辨识，但未考虑低重力的影响也未在低重力模拟环境下进行验证。本文针对主动航天服的步态识别问题，搭建一套多源数据传感采集系统，通过数据融合提取姿态和行走步态信息，结合人体行走的周期性特征，采用模糊逻辑进行姿态和步态识别，为助力系统控制提供关键的依据信息。

2 步态识别方法

数据融合是充分利用不同时间与空间的多传感器信息资源，对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配和使用，获得对被测对象的一致解释与描述[14]。数据融合一般分为数据级、特征级和决策级融合3个层次。基于数据融合的模拟低重力步态识别方法示意框图如图1所示。其中，“左双支撑”指左脚着地但右脚未离地，左脚在前的双支撑状态；“左单支撑”指左脚着地支撑，右脚离地摆动，左脚单支撑状态；“右双支撑”指右脚着地但左脚未离地，右脚在前的双支撑状态；“右单支撑”指右脚着地支撑，左脚离地摆动，右脚单支撑状态。人体行走时，不断在这4个状态之间进行切换。

图1 基于数据融合的模拟低重力步态识别方法Fig.1 Gait recognition under simulated low gravity based on data fusion method

数据级融合是直接在采集到的原始数据层上进行的融合，结合传感器自身信息，进行校准、关联、跟踪等局部处理。助力外骨骼主要采集足底压力和关节角度，因此这两种传感器数据进行野点剔除、滤波和标度变换等处理，如图2所示。

图2 数据级融合处理Fig.2 Fusion at data level

特征级融合在初级处理的基础上，提取有意义的特征，从而丰富数据的表达能力，并进行统一数学表达，达到信息压缩目的，有利于实时处理。这里提取左右脚压力和各关节角度上升时间、变化幅度、变化方向等运动趋势特征，并对这些特征进行模糊化，得到统一的隶属度表达。以变化趋势特征为例，采用如图3所示隶属度函数。

图3 角度变化隶属度函数Fig.3 Degree of membership function for angle slope

其“不变”、“正向变化”和“负向变化”的函数表示分别为式(1)～(3)：

决策层融合输出是联合决策的结果，即利用融合的特征，通过模糊决策、贝叶斯推论、机器学习分类等方法确定系统所处的状态。本文考虑步态是一系列有次序的运动过程，相位划分界限不完全精确的特性，将有限状态机(Finite State Machine，FSM)与模糊逻辑相结合进行状态切换，即模糊有限状态机(Fuzzy Finite State Machine，FFSM)。FSM是将步态相位定义为有限个状态，通过判断切换条件，确定是否进入下一状态，该方法可保证步态识别的可靠性，避免时序错乱。在此基础上设计模糊规则 FFSM ＝{S，μ，Q}，其中 S表示当前状态，μ表示条件组合的隶属度值，Q表示输出状态。在当前状态S下，通过计算进入下一状态Q的隶属度函数μ是否大于特定阈值即可判断切换条件，完成了去模糊同时实现状态切换的决策。例如，当前状态为“左双支撑”，下一状态为“左单支撑”，如果通过计算左脚压力持续增加且右脚压力降低为零的隶属度，如果结果为1，则发生状态切换，否则维持原状态。该过程表现为计算“When(左双支撑)：If(左脚压力持续增加and右脚压力降低为零)，then(左单支撑)”的逻辑形式。

3 运动数据采集与分析

3.1 模拟低重力试验系统

北京机械设备研究所的人体机能增强中心实验室参照文献[15]设计并建造了一套模拟低重力实验装置。该装置采用立式悬挂方式对低重力进行补偿装置，利用弹性长绳构成多点悬吊机构，在人体的双侧小腿、双前臂及躯干等质心位置处施加近似恒定的垂直向上的拉力，进行部分重力补偿，实现对月球低重力环境g/6的近似模拟。

3.2 运动信息采集

由于人体行走步态的相位特征和时序特性，需要同步采集足底压力和关节角度等运动信息，为数据分析和步态识别提供硬件和数据基础。低重力行走时，脚底压力是人体与地面接触的唯一物理信息，对空间助力系统行走控制分析有着重要意义，而关节角度能够提供相位的重要信息[16-17]，因此需要同步获得足底压力和关节角度信息。关节角度信息通过在膝关节和踝关节上的编码器获得，足底压力通过在助力系统的鞋底部安装压力传感器获得。为了能够准确测量足底交互力大小及其变化，需要将传感器合理布局。图4所示为人体在行走时足底压力分布图[17]，可见脚底与地面的接触部分主要集中在3个部位，因此，在鞋底与上述相应部位配置3个压力传感器，双脚共6个传感器。

图4 足底压力分布Fig.4 Distribution of foot pressure

设计的同步运动信息采集系统如图5所示，包括测力鞋(含压力传感器)、编码器、采集板和主控制器(DSP)等部分。足底压力传感器的输出为mV级(满量程输出为10 mV)，而且信号含有较大噪声，需要在采集板中设计调理电路进行信号放大和滤波处理。采集卡以400 Hz频率采集传感器数据，并将数据发送给主控制器DSP，在DSP中实现对行走步态的识别。

图5 运动信息采集系统Fig.5 Motion information acquisition system

3.3 模拟低重力下运动特性分析

人体在正常行走时，具有一定的规律性和准周期性。通常一个步态周期可定义为从一侧脚跟着地起到同侧脚跟再次着地结束，其中每条腿可分为支撑相和摆动相[16-17]。支撑相指一侧脚跟着地到脚尖离地的时间，即足部与地面接触的时间，在地面常重力下约占整个步态周期的60%～70%；摆动相指一侧脚尖离地到脚跟着地时间，即足部离开地面的时间，约占整个步态周期的30%～40%。

在模拟低重力下，人体行走基本遵循类似地面常重力行走的规律性和准周期特性，但是具有一定的差异性。据文献[11]，人体以3 km/h的低速度行走时，模拟低重力与常重力行走时的步态周期差异不大，而支撑相比例有大幅度降低，足底压力有一定比例降低。因此，有必要分析模拟低重力下人体行走的运动特性，并根据该特性设计步态识别算法。

本研究招募了7名健康被试者(年龄29±3.5岁，身高 172.2±8.4 cm，体重 63±3.5 kg)，在模拟低重力试验系统中g/6重力下，进行了以1.15 m/s(即4.14 km/h)和1.55 m/s(即5.58 km/h)的速度行走试验。试验发现，与常重力相比人体行走的周期稍有降低，分别降低8.5%和3.75%。可见，在模拟低重力下，人体行走仍然遵循类似地面常重力行走的规律性和准周期特性。但是，在1.55 m/s速度行走时，被试可以自由选择“正常行走”或“带轻微跳跃行走”，而且被试更自然地选择后一种行走方式，此时感觉较舒适，步态周期较常重力下延长46%，支撑相比例缩短43%。

图6所示为常重力与低重力下，人体运动测试的足底压力曲线，其中，蓝色实线为常重力1.15 m/s步速，蓝色虚线为低重力1.15 m/s步速；黑色实线为常重力1.55 m/s步速，黑色虚线为低重力 1.55 m/s步速；红色实线为低重力1.55 m/s步速带轻微跳跃的行走模式。可见，低重力下足底压力的第一个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)，第二个波峰已不太明显，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步速时，如果以带小跳跃方式行走，则只有一个波峰，而足底力峰值降低40.7%。

图6 常重力与模拟低重力下足底压力对比Fig.6 Comparison of foot pressures between normal and simulated low gravities

4 步态辨识试验

本研究将步态识别算法应用于空间助力系统的步态识别程序设计。试验在第3.1节所述模拟低重力试验系统进行，被试者着助力系统进行平地行走和上下台阶运动。试验过程中同步采集步态识别结果、足底力、髋踝角度等数据。

图7和图8所示分别为模拟低重力下1.15 m/s和1.55 m/s平地行走步态识别结果。其中，步态的状态“2”表示“左双支撑”状态，“1”表示“左单支撑”状态，“-1”表示“右双支撑”，“-2”表示“右单支撑”。可见，本研究的方法可在不同行走速度时的步态辨识结果具有较好的适应性。

图7 模拟低重力下1.15 m/s行走步态识别结果Fig.7 Gait recognition results of walking at the speed of 1.15 m/s under simulated low gravity

图9 和图10分别为模拟低重力下，上台阶和下台阶行走的步态识别结果。台阶共有4级，左右脚的重心切换共有5次。在上下台阶行走时，膝关节角度要比平地行走时屈曲的角度大，前者达到-70°，后者最大幅度到-35°。

图8 模拟低重力下1.55 m/s行走步态识别结果Fig.8 Gait recognition results of walking at the speed of 1.55 m/s under simulated low gravity

图9 模拟低重力下上台阶步态识别结果Fig.9 Gaitr ecognition results of stairs-up under simulated low gravity

图10 模拟低重力下下台阶步态识别结果Fig.10 Gait recognition results of stairs-down under simulated low gravity

综上，本研究将所提出的基于数据融合的步态识别方法应用于空间助力系统的在线辨识，由实测数据可见，本方法能够适用不同速度下平地行走、上台阶和下台阶的连续步态辨识，相位切换连续、无错乱，这对助力控制来说尤为重要，相比一般模式识别方法的辨识结果，可以有效避免系统控制执行器的振荡和误动作。

5 结论

本文搭建了低重力模拟系统及其步态数据采集系统，基于低重力步态特性，设计了基于数据融合的辨识方法并进行了模拟低重力环境的在线辨识试验，结果表明可准确及时辨识不同运动模式和行走速度的下肢运动相位，为空间有动力航天服的人机协同控制提供关键信息。