基于多源信息融合的膝上假肢步态识别方法

为了实现膝上假肢的有效控制,提出基于多源信息融合的步态识别方法。首先通过搭建人体下肢多源运动信息系统获取下肢表面肌电信号、腿部角度信号和足底压力信号。针对获取的信息,采用基于小波变换的空域相关滤波对肌电信号进行消噪并提取信号特征;选择大小腿、膝关节角度作为腿部角度信号特征;将足底压力信号通过阈值法提取有效特征。在特征提取基础上,分别利用BP神经网络和有限状态机对下肢运动信息进行步态识别,并将识别结果进行融合。实验验证了该方法在平地行走、上下楼梯模式下步态识别准确率均达到95%以上。     

面向人机协作的CNN手部抓握意图识别

针对机器人在协作过程中对意图理解不充分的问题，自主设计了一种基于触觉感知的手柄作为意图理解的接口，采用柔性触觉传感器将手部抓握压力信息转换成触觉图像信息，并依据操作者的操作习惯定义一系列抓握手势实现对机器人位姿的灵活调整。构建了一种适用于触觉图像识别的卷积神经网络(CNN)分类器，并基于抓握松紧信息构建一种变阻尼导纳控制方法。最后，采用实验室自主研制的幕墙安装机器人并搭载触觉手柄进行人机协作实验，结果表明此类触觉手柄及CNN方法对操作者抓握意图的识别准确率达到98.80%,所提出变阻尼导纳控制能够更加高效的完成人机协作任务。     

一种下肢运动意图识别算法性能实时测评系统* .txt

摘要：对腿部运动意图识别算法的实时性能进行综合可靠的评价是实现下肢假肢灵活稳定控制的前提。提出一种逐层分级的基于下肢运动意图识别算法的实时测评方法,对算法的可靠性、稳定性以及运动意图识别速度进行综合评价。利用开发的运动意图识别算法评测系统,对基于肌电信号源和机械信号源的两种运动意图识别算法进行了实时性能测试,发现肌电信号源的算法识别时间大于机械信号源算法,但是其算法稳定性优于机械信号源算法。进一步地,还利用该评测系统有效地区分出正常识别策略与异常识别策略,发现正常策略的动作识别稳定系数比异常策略高25%左右。因此,所提的基于下肢运动意图识别算法的实时测评方法,能够对不同信号源算法以及不同识别策略的实时性能进行有效评价,为智能下肢假肢控制系统开发提供可供参考的测试平台。 .txt     

一种下肢运动意图识别算法性能实时测评系统

对腿部运动意图识别算法的实时性能进行综合可靠的评价是实现下肢假肢灵活稳定控制的前提。提出一种逐层分级的基于下肢运动意图识别算法的实时测评方法,对算法的可靠性、稳定性以及运动意图识别速度进行综合评价。利用开发的运动意图识别算法评测系统,对基于肌电信号源和机械信号源的两种运动意图识别算法进行了实时性能测试,发现肌电信号源的算法识别时间大于机械信号源算法,但是其算法稳定性优于机械信号源算法。进一步地,还利用该评测系统有效地区分出正常识别策略与异常识别策略,发现正常策略的动作识别稳定系数比异常策略高25%左右。因此,所提的基于下肢运动意图识别算法的实时测评方法,能够对不同信号源算法以及不同识别策略的实时性能进行有效评价,为智能下肢假肢控制系统开发提供可供参考的测试平台。     

人机协作装配场景下的人机任务规划

装配作业是加工中心最耗费人力和时间的过程,采用合理的装配任务编排方式对缩短加工时间、降低加工成本有着重要的影响.文中针对目前发展最为迅速的人机协作装配方式,提出了人机协作装配工作台方法.针对人机协作场景下对人机装配任务分配问题,从装配时间、成本、难度进行建模.采用人工蜂群算法对此多目标优化问题进行求解,并在原始版本人工...     

基于脑电的图像控制技术实现方法的研究

利用实时脑电信号实现基于脑电的脑-计算机接口技术的一项具体应用--利用脑电信号控制图像的输出大小.文中主要介绍了系统的总体设计、信号的识别处理和识别算法.本系统实现了在较高准确率的情况下,利用脑电信号来对图像的尺寸进行控制,为图像通讯与处理提供了一种新方法.     

基于Matlab的6种上肢动作肌电信号识别

表面肌电(surface eIectromyogram,sEMG)信号的去噪处理和特征提取的效果好坏直接关系到识别的准确率.以获得较高的识别准确率为目标,对肌电信号的去噪处理和特征提取展开研究.先对表面肌电信号进行小波阈值去噪;再分别运用时域、频域和时频分析对去噪后的信号进行特征提取;最后利用BP神经网络对肌电信号进行...     

基于多源信息融合的肌电轮椅智能控制技术研究

传统手势识别设备很难同时满足识别精度与便携性的要求,同时,基于单一传感器的手势识别策略获取的信息较少,识别结果易受各种因素的影响。而相较于传统的摇杆控制方式,手势控制方式更为便捷,并且可实现远距离操作。基于此背景提出了基于多源信息融合的肌电轮椅智能控制技术研究,设计了一套便携式肌电信号与运动信息采集系统,其中运动信息包括加速度信号和角度信号。利用极限学习机构建识别算法模型,优化了融合分类结构,并以此识别结果控制轮椅运动。实验结果表明:相较于单一传感器手势识别方案,识别准确率提升了6.1%～12.3%,达到了94.7%;相较于传统模式识别方法,分类准确率提升了1.5%～6.0%,并且,轮椅控制系统的在线平均识别率达到了95.2%,满足实时性要求。     

基于运动意图识别的上肢助力外骨骼复合控制方法研究

针对上肢助力外骨骼助力时响应延时问题，提出一种基于人机交互力信号、位姿信号数据融合的运动意图识别算法，使用支持向量机(Support vector machine, SVM)分类器对人体运动信号进行分类，确定穿戴者运动意图，对控制参数做出适应性调节，改变人机协同控制系统响应速度。采用果蝇优化算法(Fruit fly optimization algorithm, FOA)优化支持向量机，提高分类准确率；引入有限状态机(Finite state machine, FSM)，处理非合理运动意图。为降低外骨骼控制系统跟踪误差，设计一种模糊控制与阻抗控制结合的复合控制方法，提高控制参数更新速度，实时调整轨迹。开展运动意图识别实验，结果表明，识别准确率可达97.93%，可快速检测出非合理运动意图，与使用肌电信号作为运动数据相比，降低信号处理难度的同时，保持了较高的准确率；通过控制系统性能仿真与外骨骼助力性能测试实验证明了控制方法的可行性。     

基于分布计算的心电特征波检测算法研究

体外反搏装置依据心电信号对下肢进行加压及释放,需要识别率高、实时性强的心电特征波检测方法。 借鉴传统医学 信号处理方法,本文提出一种基于改进差分阈值和分布计算的心电特征信号检测算法,采用低通滤波和移动平均滤波等预处理 方法对心电信号进行平滑预处理,借助自适应差分双阈值法和分布计算法,识别和确定 R 波、P 波及 T 波的位置。 基于 MITBIH 数据库及心电采样模块进行仿真分析和实验验证。 结果表明:该算法对心电信号 R 波的综合识别准确率为 99. 9% ,识别 P 波和 T 波准确率为 99. 87% ,算法平均耗时仅为 0. 65 s,可识别常见类型心电信号特征波,能很好地满足体外反搏等装置快速识 别心电特征波的需求。     

软质肘关节外骨骼的肌力矩估计与神经网络补偿协调控制

为辅助偏瘫患者进行多模式肘关节康复训练,研制了一种软质肘关节康复外骨骼机器人,并提出了一种基于人体肌力矩估计与自适应神经网络补偿的协调控制策略。利用表面肌电信号来识别人体的运动意图并调整康复训练轨迹,采用Lyapunov方法证明了控制算法的闭环控制稳定性。搭建了实时控制实验平台,并开展了基于运动意图的轨迹跟踪实验与自由主动训练实验。实验结果表明,所提控制策略能保证被动训练过程的轨迹跟踪精度,并且可以根据患者的运动意图调整主动训练过程的运动轨迹,实现不同强度的主动康复训练。     

基于人工蜂群支持向量机的电动汽车制动意图识别方法

在电动汽车再生制动系统中,根据驾驶员不同的制动意图制定对应的再生制动控制策略可以有效地提高汽车的制动安全性、舒适性和经济性,而准确并快速识别驾驶员制动意图是制定控制策略的基础。以准确并快速识别驾驶员的制动意图为主要目标,以搭载线控制动系统的电动汽车为研究对象,设计并实现了一种基于人工蜂群支持向量机（ABC-SVM）的驾驶员制动意图在线识别方法。首先对制动数据进行预处理,用近邻成分分析（NCA）特征选择算法选取有效特征,再用ABC-SVM算法建立制动意图识别模型,最后进行在线识别。离线验证和在线试验结果表明,NCA算法能有效筛选掉信号噪声导致的不相关特征;相比于模糊推理、反向传播（BP）算法、粒子群优化支持向量机（PSO-SVM）和遗传算法支持向量机（GA-SVM）识别算法,ABC-SVM算法能够更加准确、快速地识别驾驶员的制动意图。     

多移动机器人协同模式及其倾翻稳定性研究

针对山地果园单个移动机器人爬坡能力不足及稳定性差等问题,提出了一种多移动机器人协同操作的方法。在原有六足机器人结构的基础上增加了用于多机协同操作的连接件,得到了用于多机协同操作的机器人单体。将3个六足机器人单体通过协同操作得到了3种典型协同模式：串行模式、并行模式、三角模式。最后采用稳定锥法对足式移动机器人系统的单体模式及3种典型协同模式在6种典型地形情况下的静态、动态稳定性分别进行了分析。理论分析及仿真实验结果表明：3种典型协同模式间可进行两两切换;在6种典型地形情况下,通过多机协同操作及协同模式切换的方式可提高足式机器人系统的稳定性。     

基于S变换的高速列车小幅蛇行识别方法

针对现有的高速列车监测方法没有考虑高速列车振动信号的非平稳特性,从而使得列车出现蛇形失稳现象的问题,提出一种采用S变换的方法对高速列车转向架信号进行处理,进而提取高速列车运行特征。采用最小二乘支持向量机（LS-SVM）对特征进行训练和识别,结果证明,基于S变换的特征提取方法的识别准确率达到了100%,优于基于小波变换的特征提取方法,从而可以及时预测高速列车的运行状态,保障列车的运行安全。     

采用改进CNN-BiLSTM模型的刀具磨损状态监测

自动化切削加工过程中,准确可靠地监测刀具磨损状态是保证加工质量和加工效率的关键。针对刀具磨损状态相关特征提取繁琐、准确率低及传统的深度学习网络不能全面提取数据隐含信息等问题,提出了一种以卷积神经网络（CNN）和双向长短时记忆（BiLSTM）网络集成模型为基础并通过在卷积神经网络中添加批量标准化层和采用两个双向长短时记忆网络层的改进模型,该模型通过自动提取小波阈值降噪等预处理和降采样后的切削力、振动和声音信号的空间和时序特征来实现刀具磨损状态监测。将改进模型与CNN-BiLSTM模型及传统的深度学习模型进行对比,发现改进模型在精度和稳定性方面有较大提升。所提方法为准确监测自动化加工过程中刀具磨损状态、提高生产效率和加工质量提供了技术支持。     

基于3D视觉引导的拆装模机器人系统设计

针对传统PC构件手工拆装模生产作业人员多、占地面积大和工位利用率低的生产方式,结合机器人运动控制技术、激光扫描技术和图像感知技术,提出了一种基于3D视觉引导的直角坐标系机器人系统。在阐述视觉引导机器人自动拆装模具原理的基础上,设计了一种针对混凝土预制构件拆装模具的四自由度直角坐标系机器人系统,开发了基于EtherCAT总线的分布式控制软硬件系统,并进行工厂实际生产测试。测试结果表明:该机器人可以直接由图纸驱动自动完成PC构件的拆模和装模等核心生产过程;模具识别准确率高于99.5%;单个模具的装模节拍少于20 s;抓手中心重复定位精度达到±1 mm。为混凝土预制构件拆装模实现全自动化作业提供了完整解决方案。     

视觉与力觉结合的卫星部件机器人装配

针对卫星特殊部件的装配需求,为了使机器人具有适用不同工况的柔性并在卫星多变的装配工况中获得较高的应用效率,本文研究视觉引导与力反馈控制下的机器人装配技术,给出一种视觉与力觉结合的机器人装配方案:在装配孔位安装辅助销钉,通过视觉引导将部件引导至销钉的锥面导向范围内,而后在销钉导向下对机器人采用力反馈控制,实现工件的准确装配到位。采用红外相机结合合作靶标的方式实现稳定地视觉识别与目标定位,设计了探针式测量工具,并给出测量方法,实现了目标点位的柔性便捷测量。给出了一种已知空间对应点对条件下,求位姿变换矩阵及机器人目标位姿的计算方法。采用力/位混合控制方法实现柔顺销钉导向控制。实验结果表明:装配对应孔位的测量匹配误差在2.9 mm以内,机器人在视觉引导下,可以将工件运送至销钉的导向范围内,并在销钉导向及力反馈控制下将工件准确装配到位,力控制阈值为30 N。证明了本文所采用的技术可以满足卫星部件装配的工程实施要求。     

基于支持向量机决策树的航空发动机轴心轨迹识别方法

针对航空发动机转子轴心轨迹难以准确自动识别的问题,提出了基于二维形状不变矩和支持向量机（SVM）决策树的识别方法。对信号滤波降噪和倍频提纯,形成比较清晰的轴心轨迹;利用二维形状不变矩提取轴心轨迹的图形特征,得到不变矩特征向量,进而构造特征故障的训练和测试样本;采用SVM进行训练和学习,构造SVM决策树,识别故障类别,分类正确率达93.3%以上。应用实测弹支振动应力信号对该方法的准确性进行了验证,结果表明,该方法有效地解决了航空发动机转子轴心轨迹自动识别准确率低和小样本问题。     

基于堆叠降噪自编码的刀具磨损状态识别

提出了一种基于堆叠降噪自编码（SDAE）的刀具磨损状态识别方法。构建了SDAE神经网络来学习声发射（AE）信号的特征,并对自编码网络进行有监督的微调,从而对刀具磨损状态进行精确识别。实验结果表明,SDAE方法能够自适应地学习,得到有效的特征表达,且刀具磨损状态识别结果精确度高,该方法能够有效地进行刀具磨损状态识别。