一种挂杆外骨骼上肢运动位姿预测方法及装置与流程

1.本发明涉及位姿预测技术领域，尤其涉及一种挂杆外骨骼上肢运动位姿预测方法及装置。


背景技术：

2.穿戴上肢外骨骼进行挂杆作业时，由于控制信号输入和电机驱动输出之间存在响应延迟，人穿戴外骨骼进行挂杆作业时，人的上肢一直是运动的，当采用当前的信息作为控制输入时，由于电机响应的滞后，外骨骼肩、肘关节电机的输出力矩与人的上肢状态不匹配，从而影响作业效果和动作的柔顺性。


技术实现要素：

3.本发明提供了一种挂杆外骨骼上肢运动位姿预测方法及装置，用于解决外骨骼上肢电机响应滞后导致外骨骼肩、肘关节电机的输出力矩与人的上肢状态不匹配，从而影响作业效果和动作的柔顺性的技术问题。
4.本发明提供了一种挂杆外骨骼上肢运动位姿预测方法，包括：
5.采用六维力传感器采集所述挂杆外骨骼上肢的末端六维力；
6.采用姿态传感器采集所述挂杆外骨骼的位姿信息；
7.将所述末端六维力和所述位姿信息输入预设卷积神经网络预测模型，得到所述挂杆外骨骼的上肢运动位姿。
8.可选地，所述卷积神经网络预测模型训练过程包括：
9.生成初始卷积神经网络预测模型；
10.采用哈里斯鹰优化算法优化所述初始卷积神经网络预测模型，得到优化卷积神经网络预测模型；
11.获取训练样本数据和各所述训练样本数据下一时刻的实际运动位姿，所述训练样本数据包括所述挂杆外骨骼上肢的末端六维力样本和外骨骼关节位姿样本；
12.将所述末端六维力样本和所述外骨骼关节位姿样本输入所述优化卷积神经网络预测模型，生成初始预测位姿；
13.对比所述初始预测位姿与所述实际运动位姿，得到差异数据；
14.根据所述差异数据调整所述优化卷积神经网络预测模型，得到更新卷积神经网络预测模型；
15.判断当前迭代次数是否满足预设迭代次数；
16.若否，将所述更新卷积神经网络预测模型作为优化卷积神经网络预测模型，并返回将所述末端六维力样本和所述外骨骼关节位姿样本输入所述优化卷积神经网络预测模型，生成初始预测位姿的步骤；
17.若是，输出所述更新卷积神经网络预测模型作为卷积神经网络预测模型。
18.可选地，所述生成初始卷积神经网络预测模型的步骤，包括：
19.根据所述末端六维力和所述位姿信息确定输入层节点数；
20.根据所述挂杆外骨骼上肢运动位姿确定输出层节点数；
21.采用所述输入层节点数和所述输出层节点数计算隐藏层节点数；
22.采用输入层节点数构建输入层，采用所述输出层节点数构建输出层，采用所述隐藏层节点数构建隐藏层；
23.采用所述输入层、所述隐藏层和所述输出层构建初始卷积神经网络预测模型。
24.可选地，所述采用哈里斯鹰优化算法优化所述初始卷积神经网络预测模型，得到优化卷积神经网络预测模型的步骤，包括：
25.采用哈里斯鹰优化算法优化所述初始卷积神经网络预测模型的连接权值和阈值，得到最优初始连接权值和最优阈值；
26.采用所述最优初始连接权值和所述最优阈值优化所述初始卷积神经网络预测模型，得到优化卷积神经网络预测模型。
27.本发明还提供了一种挂杆外骨骼上肢运动位姿预测装置，包括：
28.末端六维力采集模块，用于采用六维力传感器采集所述挂杆外骨骼上肢的末端六维力；
29.位姿信息采集模块，用于采用姿态传感器采集所述挂杆外骨骼的位姿信息；
30.上肢运动位姿预测模块，用于将所述末端六维力和所述位姿信息输入预设卷积神经网络预测模型，得到所述挂杆外骨骼的上肢运动位姿。
31.可选地，卷积神经网络预测模型训练模块，包括：
32.初始卷积神经网络预测模型生成子模块，用于生成初始卷积神经网络预测模型；
33.优化卷积神经网络预测模型生成子模块，用于采用哈里斯鹰优化算法优化所述初始卷积神经网络预测模型，得到优化卷积神经网络预测模型；
34.实际运动位姿获取子模块，用于获取训练样本数据和各所述训练样本数据下一时刻的实际运动位姿，所述训练样本数据包括所述挂杆外骨骼上肢的末端六维力样本和外骨骼关节位姿样本；
35.初始预测位姿生成子模块，用于将所述末端六维力样本和所述外骨骼关节位姿样本输入所述优化卷积神经网络预测模型，生成初始预测位姿；
36.差异数据生成子模块，用于对比所述初始预测位姿与所述实际运动位姿，得到差异数据；
37.更新卷积神经网络预测模型生成子模块，用于根据所述差异数据调整所述优化卷积神经网络预测模型，得到更新卷积神经网络预测模型；
38.判断子模块，用于判断当前迭代次数是否满足预设迭代次数；
39.返回子模块，用于若否，将所述更新卷积神经网络预测模型作为优化卷积神经网络预测模型，并返回将所述末端六维力样本和所述外骨骼关节位姿样本输入所述优化卷积神经网络预测模型，生成初始预测位姿的步骤；
40.卷积神经网络预测模型生成子模块，用于若是，输出所述更新卷积神经网络预测模型作为卷积神经网络预测模型。
41.可选地，所述初始卷积神经网络预测模型生成子模块，包括：
42.输入层节点数确定单元，用于根据所述末端六维力和所述位姿信息确定输入层节
点数；
43.输出层节点数确定单元，用于根据所述挂杆外骨骼上肢运动位姿确定输出层节点数；
44.隐藏层节点数计算单元，用于采用所述输入层节点数和所述输出层节点数计算隐藏层节点数；
45.层次构建单元，用于采用输入层节点数构建输入层，采用所述输出层节点数构建输出层，采用所述隐藏层节点数构建隐藏层；
46.初始卷积神经网络预测模型构建单元，用于采用所述输入层、所述隐藏层和所述输出层构建初始卷积神经网络预测模型。
47.可选地，所述优化卷积神经网络预测模型生成子模块，包括：
48.最优初始连接权值和最优阈值获取单元，用于采用哈里斯鹰优化算法优化所述初始卷积神经网络预测模型的连接权值和阈值，得到最优初始连接权值和最优阈值；
49.优化卷积神经网络预测模型生成单元，用于采用所述最优初始连接权值和所述最优阈值优化所述初始卷积神经网络预测模型，得到优化卷积神经网络预测模型。
50.本发明还提供了一种电子设备，所述设备包括处理器以及存储器：
51.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
52.所述处理器用于根据所述程序代码中的指令执行如上任一项所述的挂杆外骨骼上肢运动位姿预测方法。
53.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任一项所述的挂杆外骨骼上肢运动位姿预测方法。
54.从以上技术方案可以看出，本发明具有以下优点：本发明通过采用六维力传感器采集挂杆外骨骼上肢的末端六维力；采用姿态传感器采集挂杆外骨骼的位姿信息；将末端六维力和位姿信息输入预设卷积神经网络预测模型，得到挂杆外骨骼上肢运动位姿。从而通过预测得到的下一时刻的位姿信息提前进行响应，以消除外骨骼肩、肘关节电机的输出力矩与人的上肢状态不匹配产生的影响，提高作业效果和动作的柔顺性。
附图说明
55.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
56.图1为本发明实施例提供的一种挂杆外骨骼上肢运动位姿预测方法的步骤流程图；
57.图2为卷积神经网络基本工作原理示意图；
58.图3为本发明实施例提供的卷积神经网络预测模型训练方法的步骤流程图；
59.图4为hho算法优化过程示意图；
60.图5为本发明实施例提供的一种挂杆外骨骼上肢运动位姿预测装置的结构框图。
具体实施方式
61.本发明实施例提供了一种挂杆外骨骼上肢运动位姿预测方法及装置，用于解决外骨骼上肢电机响应滞后导致外骨骼肩、肘关节电机的输出力矩与人的上肢状态不匹配，从而影响作业效果和动作的柔顺性的技术问题。
62.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
63.请参阅图1，图1为本发明实施例提供的一种挂杆外骨骼上肢运动位姿预测方法的步骤流程图。
64.本发明提供的一种挂杆外骨骼上肢运动位姿预测方法，具体可以包括以下步骤：
65.步骤101，采用六维力传感器采集挂杆外骨骼上肢的末端六维力；
66.外骨骼是一种由钢铁的框架构成并且可让人穿上的机器装置，这个装备可以提供额外能量来供四肢运动。
67.六维力传感器是一种用于测量物体受到的力和力矩的传感器。它可测量对象在六个自由度上的受力情况，包括三个方向的力和三个方向的力矩。
68.在本发明实施例中，可以在挂杆外骨骼上肢各个关节末端安装六维力传感器，以采集挂杆外骨骼上肢各关节的六维力。
69.步骤102，采用姿态传感器采集挂杆外骨骼的位姿信息；
70.姿态传感器(e.t-ahrs)是基于mems技术的高性能三维运动姿态测量系统。它包含三轴陀螺仪、三轴加速度计(即imu)，三轴电子罗盘等辅助运动传感器，通过内嵌的低功耗arm处理器输出校准过的角速度，加速度，磁数据等，通过基于四元数的传感器数据算法进行运动姿态测量，实时输出以四元数、欧拉角等表示的零漂移三维姿态数据。
71.在本发明实施例中，可以在挂杆外骨骼上肢各关节处安装姿态传感器，以采集挂杆外骨骼上肢各关节的位姿信息。
72.在一个示例中，位姿信息可以包括挂杆外骨骼肩、肘关节位姿。
73.步骤103，将末端六维力和位姿信息输入预设卷积神经网络预测模型，得到挂杆外骨骼的上肢运动位姿。
74.卷积神经网络(convolutional neural networks,cnn)是一类包含卷积计算且具有深度结构的前馈神经网络，基本工作原理如图2所示，包括输入层、卷积层、池化层、全连接层、输出层等几部分，其训练学习的过程主要由正向和反向传播的两个过程组成，在输入信号正向传播时，把样本数据的特征输入到输入层，经过各个隐藏层的处理，最终从输出层输出；而反向传播是将网络的实际输出与期望输出之间的误差信号，从输出层逐层反向传播至输入层，进而得到各层的误差学习信号，根据误差学习信号，对各层神经元的权值和阈值进行调整，通过重复迭代学习，使得实际输出逐步逼近期望输出，实现最小化误差，达到学习目标的精度。
75.在本发明实施例中，在卷积神经网络预测模型输入挂杆外骨骼末端六维力和位姿信息，向量表示为：
[0076][0077]
输出为挂杆外骨骼上肢运动位姿，包括肩、肘关节的预测位姿:
[0078][0079]
网络正向传播计算时，不同层节点之间通过权值进行连接传递。最后通过激活函数得到输出值，输出的计算公式可以表示如下：
[0080][0081]
其中，n表示上层节点的数目，ωi表示连接权值，xi表示上层节点的输出，θ表示阈值，f(x)为激活函数，采用sigmoid函数，公式表达如下：
[0082][0083]
在反向传播时，计算网络输出的均方误差，公式如下：
[0084][0085]
其中，l为训练样本数量，为网络输出的预测值，yi为期望输出值。然后，依次反向传播计算每一层的误差信号。基于梯度下降策略，设置合适的学习率，对网络参数进行调整，则有权值更新公式如下：
[0086]
δωj＝ηδjyi[0087]
其中，δω
ij
表示第i个节点与第j个节点之间的权值更新量；δj表示第j个节点的误差信号；yi表示第i个节点的输出；η为学习率，其决定权值更新的幅度。当η过大，会导致网络无法收敛；当η过小，会造成收敛速度缓慢，设置学习率为0.01～0.8之间。
[0088]
本发明通过采用六维力传感器采集挂杆外骨骼上肢的末端六维力；采用姿态传感器采集挂杆外骨骼的位姿信息；将末端六维力和位姿信息输入预设卷积神经网络预测模型，得到挂杆外骨骼上肢运动位姿。从而通过预测得到的下一时刻的位姿信息提前进行响应，以消除外骨骼肩、肘关节电机的输出力矩与人的上肢状态不匹配产生的影响，提高作业效果和动作的柔顺性。
[0089]
请参阅图3，图3为本发明实施例提供的卷积神经网络预测模型训练方法的步骤流程图。
[0090]
步骤201，生成初始卷积神经网络预测模型；
[0091]
在一个示例中，生成初始卷积神经网络预测模型的步骤，具体可以包括以下子步骤：
[0092]
s11，根据末端六维力和位姿信息确定输入层节点数；
[0093]
s12，根据挂杆外骨骼上肢运动位姿确定输出层节点数；
[0094]
s13，采用输入层节点数和输出层节点数计算隐藏层节点数；
[0095]
s14，采用输入层节点数构建输入层，采用输出层节点数构建输出层，采用隐藏层
节点数构建隐藏层；
[0096]
s15，采用输入层、隐藏层和输出层构建初始卷积神经网络预测模型。
[0097]
在具体实现中，可以搭建包含输入层、隐藏层和输出层的初始卷积神经网络预测模型，其中输入层的节点数为14个，分别对应六维力传感器各分量、姿态传感器各分量的特征向量；输出层节点数为8个，分别对应外骨骼肩、肘关节位姿输出；隐藏层的节点个数可依据经验公式初步获取，公式表示如下：
[0098][0099]
其中，m为输入层节点数，n为输出层节点数，a为常数，通常取a∈(1，12)。经初步计算，隐藏层节点个数大致取值范围为h∈[5,16]。
[0100]
步骤202，采用哈里斯鹰优化算法优化初始卷积神经网络预测模型，得到优化卷积神经网络预测模型；
[0101]
哈里斯鹰优化算法hho，是一种元启发式算法，算法模拟了哈里斯鹰的协作觅食行为而找到最优解；而卷积神经网络则可以对历史数据进行训练和拟合，具有较强的非线性拟合能力。通过hho优化算法和卷积神经网络的组合方法，有效地提高模型的性能和稳定性，得到最优预测结果。
[0102]
如图4所示，hho算法优化过程包括以下步骤：
[0103]
1、设置算法参数，初始化种群；
[0104]
2、计算适应度值，确定最优个体；
[0105]
3、更新猎物逃逸能量因子e和距离j；
[0106]
4、判断|e|＞1，若是，更新个体位置，跳转步骤8；若否，跳转步骤5；
[0107]
5、判断|e|＜0.5，若是，跳转步骤6，若否，跳转步骤7；
[0108]
6、判断r≥0.5，若是，采用强包围策略，并跳转步骤8；若否，采用渐进式俯冲强包围策略，并跳转步骤8；
[0109]
7、判断r＜0.5，若是，采用渐进式俯冲软包围策略，并跳转步骤8；若否，采用软包围策略，并跳转步骤8；
[0110]
8、判断t＞tmax；若否，跳转步骤3，若是，结束优化过程。
[0111]
在一个示例中，采用哈里斯鹰优化算法优化初始卷积神经网络预测模型，得到优化卷积神经网络预测模型的步骤，具体可以包括以下子步骤：
[0112]
s21，采用哈里斯鹰优化算法优化初始卷积神经网络预测模型的连接权值和阈值，得到最优初始连接权值和最优阈值；
[0113]
s22，采用最优初始连接权值和最优阈值优化初始卷积神经网络预测模型，得到优化卷积神经网络预测模型。
[0114]
在具体实现中，可以利用hho算法寻找初始卷积神经网络的最优初始连接权值和最优阈值。首先在探索阶段根据随机位置和其他鹰的位置生成下一个时间的位置，然后由探索阶段转为开发阶段，在开发阶段依据逃脱概率选择软围攻或硬围攻的寻优策，重复迭代达到最大迭代次数或满足误差要求，输出最优初始连接权值和最优阈值。然后采用最优初始连接权值和最优阈值优化初始卷积神经网络预测模型，得到优化卷积神经网络预测模型。
[0115]
步骤203，获取训练样本数据和各训练样本数据下一时刻的实际运动位姿，训练样
本数据包括挂杆外骨骼上肢的末端六维力样本和外骨骼关节位姿样本；
[0116]
步骤204，将末端六维力样本和外骨骼关节位姿样本输入优化卷积神经网络预测模型，生成初始预测位姿；
[0117]
步骤205，对比初始预测位姿与实际运动位姿，得到差异数据；
[0118]
步骤206，根据差异数据调整优化卷积神经网络预测模型，得到更新卷积神经网络预测模型；
[0119]
步骤207，判断当前迭代次数是否满足预设迭代次数；
[0120]
步骤208，若否，将更新卷积神经网络预测模型作为优化卷积神经网络预测模型，并返回将末端六维力样本和外骨骼关节位姿样本输入优化卷积神经网络预测模型，生成初始预测位姿的步骤；
[0121]
步骤209，若是，输出更新卷积神经网络预测模型作为卷积神经网络预测模型。
[0122]
在生成了优化卷积神经网络预测模型后，可以获取训练样本数据和各训练样本数据下一时刻的实际运动位姿，其中，训练样本数据包括挂杆外骨骼上肢的末端六维力样本和外骨骼关节位姿样本；然后将末端六维力样本和外骨骼关节位姿样本输入优化卷积神经网络预测模型，生成初始预测位姿；接着对比初始预测位姿与实际运动位姿，得到差异数据；最后根据差异数据调整优化卷积神经网络预测模型，得到更新卷积神经网络预测模型；并判断当前迭代次数是否满足预设迭代次数；若否，将更新卷积神经网络预测模型作为优化卷积神经网络预测模型，并返回将末端六维力样本和外骨骼关节位姿样本输入优化卷积神经网络预测模型，生成初始预测位姿的步骤；若是，输出更新卷积神经网络预测模型作为卷积神经网络预测模型。
[0123]
通过hho算法对卷积神经网络预测模型进行优化，可以消除卷积神经网络预测模型容易陷入局部极小值、对初始参数较为敏感、受网络结构参数影响较大、网络训练速度较慢等问题。从而使得卷积神经网络预测模型具有更好的预测效果。
[0124]
请参阅图5，图5为本发明实施例提供的一种挂杆外骨骼上肢运动位姿预测装置的结构框图。
[0125]
本发明实施例提供了一种挂杆外骨骼上肢运动位姿预测装置，包括：
[0126]
末端六维力采集模块501，用于采用六维力传感器采集挂杆外骨骼上肢的末端六维力；
[0127]
位姿信息采集模块502，用于采用姿态传感器采集挂杆外骨骼的位姿信息；
[0128]
上肢运动位姿预测模块503，用于将末端六维力和位姿信息输入预设卷积神经网络预测模型，得到挂杆外骨骼的上肢运动位姿。
[0129]
在本发明实施例中，卷积神经网络预测模型训练模块，包括：
[0130]
初始卷积神经网络预测模型生成子模块，用于生成初始卷积神经网络预测模型；
[0131]
优化卷积神经网络预测模型生成子模块，用于采用哈里斯鹰优化算法优化初始卷积神经网络预测模型，得到优化卷积神经网络预测模型；
[0132]
实际运动位姿获取子模块，用于获取训练样本数据和各训练样本数据下一时刻的实际运动位姿，训练样本数据包括挂杆外骨骼上肢的末端六维力样本和外骨骼关节位姿样本；
[0133]
初始预测位姿生成子模块，用于将末端六维力样本和外骨骼关节位姿样本输入优
化卷积神经网络预测模型，生成初始预测位姿；
[0134]
差异数据生成子模块，用于对比初始预测位姿与实际运动位姿，得到差异数据；
[0135]
更新卷积神经网络预测模型生成子模块，用于根据差异数据调整优化卷积神经网络预测模型，得到更新卷积神经网络预测模型；
[0136]
判断子模块，用于判断当前迭代次数是否满足预设迭代次数；
[0137]
返回子模块，用于若否，将更新卷积神经网络预测模型作为优化卷积神经网络预测模型，并返回将末端六维力样本和外骨骼关节位姿样本输入优化卷积神经网络预测模型，生成初始预测位姿的步骤；
[0138]
卷积神经网络预测模型生成子模块，用于若是，输出更新卷积神经网络预测模型作为卷积神经网络预测模型。
[0139]
在本发明实施例中，初始卷积神经网络预测模型生成子模块，包括：
[0140]
输入层节点数确定单元，用于根据末端六维力和位姿信息确定输入层节点数；
[0141]
输出层节点数确定单元，用于根据挂杆外骨骼上肢运动位姿确定输出层节点数；
[0142]
隐藏层节点数计算单元，用于采用输入层节点数和输出层节点数计算隐藏层节点数；
[0143]
层次构建单元，用于采用输入层节点数构建输入层，采用输出层节点数构建输出层，采用隐藏层节点数构建隐藏层；
[0144]
初始卷积神经网络预测模型构建单元，用于采用输入层、隐藏层和输出层构建初始卷积神经网络预测模型。
[0145]
在本发明实施例中，优化卷积神经网络预测模型生成子模块，包括：
[0146]
最优初始连接权值和最优阈值获取单元，用于采用哈里斯鹰优化算法优化初始卷积神经网络预测模型的连接权值和阈值，得到最优初始连接权值和最优阈值；
[0147]
优化卷积神经网络预测模型生成单元，用于采用最优初始连接权值和最优阈值优化初始卷积神经网络预测模型，得到优化卷积神经网络预测模型。
[0148]
本发明实施例还提供了一种电子设备，设备包括处理器以及存储器：
[0149]
存储器用于存储程序代码，并将程序代码传输给处理器；
[0150]
处理器用于根据程序代码中的指令执行本发明实施例的挂杆外骨骼上肢运动位姿预测方法。
[0151]
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行本发明实施例的挂杆外骨骼上肢运动位姿预测方法。
[0152]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0153]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0154]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0155]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0156]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0157]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0158]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0159]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0160]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种挂杆外骨骼上肢运动位姿预测方法，其特征在于，包括：采用六维力传感器采集所述挂杆外骨骼上肢的末端六维力；采用姿态传感器采集所述挂杆外骨骼的位姿信息；将所述末端六维力和所述位姿信息输入预设卷积神经网络预测模型，得到所述挂杆外骨骼的上肢运动位姿。2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络预测模型训练过程包括：生成初始卷积神经网络预测模型；采用哈里斯鹰优化算法优化所述初始卷积神经网络预测模型，得到优化卷积神经网络预测模型；获取训练样本数据和各所述训练样本数据下一时刻的实际运动位姿，所述训练样本数据包括所述挂杆外骨骼上肢的末端六维力样本和外骨骼关节位姿样本；将所述末端六维力样本和所述外骨骼关节位姿样本输入所述优化卷积神经网络预测模型，生成初始预测位姿；对比所述初始预测位姿与所述实际运动位姿，得到差异数据；根据所述差异数据调整所述优化卷积神经网络预测模型，得到更新卷积神经网络预测模型；判断当前迭代次数是否满足预设迭代次数；若否，将所述更新卷积神经网络预测模型作为优化卷积神经网络预测模型，并返回将所述末端六维力样本和所述外骨骼关节位姿样本输入所述优化卷积神经网络预测模型，生成初始预测位姿的步骤；若是，输出所述更新卷积神经网络预测模型作为卷积神经网络预测模型。3.根据权利要求2所述的方法，其特征在于，所述生成初始卷积神经网络预测模型的步骤，包括：根据所述末端六维力和所述位姿信息确定输入层节点数；根据所述挂杆外骨骼上肢运动位姿确定输出层节点数；采用所述输入层节点数和所述输出层节点数计算隐藏层节点数；采用输入层节点数构建输入层，采用所述输出层节点数构建输出层，采用所述隐藏层节点数构建隐藏层；采用所述输入层、所述隐藏层和所述输出层构建初始卷积神经网络预测模型。4.根据权利要求2所述的方法，其特征在于，所述采用哈里斯鹰优化算法优化所述初始卷积神经网络预测模型，得到优化卷积神经网络预测模型的步骤，包括：采用哈里斯鹰优化算法优化所述初始卷积神经网络预测模型的连接权值和阈值，得到最优初始连接权值和最优阈值；采用所述最优初始连接权值和所述最优阈值优化所述初始卷积神经网络预测模型，得到优化卷积神经网络预测模型。5.一种挂杆外骨骼上肢运动位姿预测装置，其特征在于，包括：末端六维力采集模块，用于采用六维力传感器采集所述挂杆外骨骼上肢的末端六维力；
位姿信息采集模块，用于采用姿态传感器采集所述挂杆外骨骼的位姿信息；上肢运动位姿预测模块，用于将所述末端六维力和所述位姿信息输入预设卷积神经网络预测模型，得到所述挂杆外骨骼的上肢运动位姿。6.根据权利要求5所述的装置，其特征在于，卷积神经网络预测模型训练模块，包括：初始卷积神经网络预测模型生成子模块，用于生成初始卷积神经网络预测模型；优化卷积神经网络预测模型生成子模块，用于采用哈里斯鹰优化算法优化所述初始卷积神经网络预测模型，得到优化卷积神经网络预测模型；实际运动位姿获取子模块，用于获取训练样本数据和各所述训练样本数据下一时刻的实际运动位姿，所述训练样本数据包括所述挂杆外骨骼上肢的末端六维力样本和外骨骼关节位姿样本；初始预测位姿生成子模块，用于将所述末端六维力样本和所述外骨骼关节位姿样本输入所述优化卷积神经网络预测模型，生成初始预测位姿；差异数据生成子模块，用于对比所述初始预测位姿与所述实际运动位姿，得到差异数据；更新卷积神经网络预测模型生成子模块，用于根据所述差异数据调整所述优化卷积神经网络预测模型，得到更新卷积神经网络预测模型；判断子模块，用于判断当前迭代次数是否满足预设迭代次数；返回子模块，用于若否，将所述更新卷积神经网络预测模型作为优化卷积神经网络预测模型，并返回将所述末端六维力样本和所述外骨骼关节位姿样本输入所述优化卷积神经网络预测模型，生成初始预测位姿的步骤；卷积神经网络预测模型生成子模块，用于若是，输出所述更新卷积神经网络预测模型作为卷积神经网络预测模型。7.根据权利要求6所述的装置，其特征在于，所述初始卷积神经网络预测模型生成子模块，包括：输入层节点数确定单元，用于根据所述末端六维力和所述位姿信息确定输入层节点数；输出层节点数确定单元，用于根据所述挂杆外骨骼上肢运动位姿确定输出层节点数；隐藏层节点数计算单元，用于采用所述输入层节点数和所述输出层节点数计算隐藏层节点数；层次构建单元，用于采用输入层节点数构建输入层，采用所述输出层节点数构建输出层，采用所述隐藏层节点数构建隐藏层；初始卷积神经网络预测模型构建单元，用于采用所述输入层、所述隐藏层和所述输出层构建初始卷积神经网络预测模型。8.根据权利要求6所述的装置，其特征在于，所述优化卷积神经网络预测模型生成子模块，包括：最优初始连接权值和最优阈值获取单元，用于采用哈里斯鹰优化算法优化所述初始卷积神经网络预测模型的连接权值和阈值，得到最优初始连接权值和最优阈值；优化卷积神经网络预测模型生成单元，用于采用所述最优初始连接权值和所述最优阈值优化所述初始卷积神经网络预测模型，得到优化卷积神经网络预测模型。
9.一种电子设备，其特征在于，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的挂杆外骨骼上肢运动位姿预测方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的挂杆外骨骼上肢运动位姿预测方法。

技术总结
本发明公开了一种挂杆外骨骼上肢运动位姿预测方法及装置，用于解决外骨骼上肢电机响应滞后导致外骨骼肩、肘关节电机的输出力矩与人的上肢状态不匹配，从而影响作业效果和动作的柔顺性的技术问题。本发明包括：采用六维力传感器采集所述挂杆外骨骼上肢的末端六维力；采用姿态传感器采集所述挂杆外骨骼的位姿信息；将所述末端六维力和所述位姿信息输入预设卷积神经网络预测模型，得到所述挂杆外骨骼的上肢运动位姿。上肢运动位姿。上肢运动位姿。


技术研发人员：杨玺 潘松波 王基琛 叶伟玲 易冠文
受保护的技术使用者：广东电网有限责任公司
技术研发日：2023.07.28
技术公布日：2023/10/11