央视传媒产业投资基金拟设立总规模100亿元
06-17
摘要：设计麦克纳姆轮全向步行运输平台体感交互控制系统。
本系统利用kinect体感提出了骨骼运动信息识别和深度手势识别两种控制方式，可以适用于不同的场景。
基于骨骼运动信息识别控制方法，通过kinect获取人体深度图像数据，然后利用骨骼跟踪技术提取人体应用关节点，建立空间坐标系。
最后利用矢量计算方法计算人体关节旋转角度，实现动态动作识别。
转换为控制指令，实现平台控制。
基于深度手势识别控制方法，利用kinect获得的深度信息将手部与背景分割，然后利用模板匹配方法识别手势并将其转换为控制指令，实现平台控制。
实验表明，该控制系统能够有效、灵活地控制全方位运输平台。
随着科技的进步，人们一直致力于便捷高效的交通机制的研究。
全向运动机构以其在平面内的完全运动自由度，在狭小的空间内实现了高度的灵活性，在军事、工业、社会生活等方面具有广阔的应用前景。
利用人体姿势和手势的人机交互是一种新颖、自然的交互方式。
人们可以通过简单的肢体语言进行快速的人机交互。
具有实施方便、控制灵活的特点。
Kinect是微软公司开发的体感识别设备，可以实现体感识别和人机交互。
本文设计了一种利用麦克纳姆轮的体感控制全方位运输平台模型。
针对该模型控制系统，提出了基于kinect体感器的骨骼运动信息识别和深度手势识别两种体感控制模式，应用于交通平台的两种场景：平台集成到移动机器人等远程设备时，操作者控制环境宽广，可以利用人体的各种姿势进行精确控制；当运输平台融入轮椅、叉车等短程控制设备时，操作者位于狭窄的设备上，可以利用短程手势进行简单、快速、高效的操作。
控制。
实验结果表明，控制系统的两种控制方式均能很好地控制全能运输平台。
1 全向移动平台模型搭建及运动学分析 1.1 全向平台搭建 本文构建的全向移动平台如图1（a）所示，其材质为铝制60毫米45度万向 由轮子、直流电机、电机驱动模块、12V锂电池、MSPf最小系统控制板、串口蓝牙等部件组成。
平台控制器通过蓝牙读取上位机发送的数据并执行相应动作，完成控制。
图 1(b) 显示了实际模型。
1.2 全方位运动学分析与控制 麦克纳姆轮原理结构如图2（a）所示。
与轮轴成α=45度的小滚轮分布在主轮周围。
滚筒既可以自行旋转，又可以绕轴旋转，使主轮具有绕轴旋转和沿滚筒轴线垂直方向移动两个自由度。
图2(b)所示为底盘运动力学分析。
通过分析轮子的运动，得到平台的运动学方程： 式（1）中Vx、Vy、ω为控制变量。
本文利用单片机产生的PWM信号来调制功率Cn，实现底盘驱动控制。
根据式（2），Cn为第n台电机的功率，ωn为计算出的第n台电机的转速，ωmax为相同电压下设定的最大输出功率时第n台电机的转速，mn 为维持 4 两个电机转速相同最大值时的实测参数。
2 人体深度图像和骨骼信息的获取 本文采用kinect传感器来获取人体深度图像和骨骼信息。
它由RGB彩色摄像头、红外发射器、红外CMOS摄像头等模块组成，可以获得目标物体的深度图像数据和RGB图像数据。
基于深度图像数据，利用骨骼跟踪技术提取人体骨骼信息。
？操作说明。
本文采用8个上肢关节点，即左右肩关节点、左右肘关节点、左右腕关节点、左右手关节点，通过识别来识别关节运动各关节的旋转角度。
本文利用kinect获得的人体骨骼数据建立以两肩中心为原点的空间坐标系，根据各个关节点的坐标构造向量，进行向量运算得到关节旋转角度。
具体以右肘关节旋转的计算为例。
如图3所示，分别取a、b、c为右手的肩关节点、肘关节点、腕关节点。
它们对应的空间坐标为（x1，y1，z1），（x2，y2，z2），（x3，y3，z3），肘关节的运动角度为α。
然后就是 最后通过三角函数反解就可以得到关节的运动角度。
3.2 运动姿势对应控制指令 所以本文采用双手协作的方式来控制全向底盘的运行。
从数学模型可以看出，全向移动底盘具有任意轨迹移动的能力。
然而，由于运动轨迹的多个方向，很容易导致控制不稳定，使优点变成缺点。
因此，我们对运动的方向性进行了简化，使其既能满足全向运动丰富的机动性，又能保证其稳定性。
见表。
我们设置了10种方向动作，并划分了不同自然手势对应的控制指令。
4 手势识别模式设计 4.1 背景分割 在基于图像数据进行手势识别时，我们需要提取操作者的手势。
首先，我们需要分割人物的手掌部分和背景信息。
本文基于kinect提取的深度数据，采用阈值分割方法进行背景分割，即提取前景的平均深度值来分割场景。
深度阈值的设置公式为： μmax=ω+ε (6) 其中，ω为实验确定的准确分割手掌的最小值，ε为可调值，可根据实际情况自由设置。
实际应用场景中，μmax 能够准确识别手掌的距离空间。
4.2 手势识别 本文采用Y-H提出的模板匹配算法。
Lin 处理提取的手势并执行手势识别。
该算法首先将提取的二维图像转换为一维向量，以消除面内图形缩放和旋转的影响。
同时，针对同一手势构建不同比例的参考模板向量，将提取的手势向量与参考模板进行比较，得到比较结果。
4.3 系统流程图 系统采用手势识别进行控制时的流程图如图 4 所示。
4.4 手势对应说明 针对当前控制方式的应用场景，此文章为输送平台设计了6条运动指令，满足操作者过程简单、快速、准确的控制要求。
具体手势对应指令如图5所示。
5 实验分析 本文控制系统上位机使用的Kinect开发工具为Kinect Software Devel-opment Kit (SDK) v1.8，开发环境为Visual Studio，使用的编程语言为C＃。
5.1 骨骼运动信息识别控制模式有效性测试 该模式应用的成功与否取决于所应用的各关节点旋转角度识别的有效性。
基于此，我们对我们应用的左右肩关节、肘关节、腕关节这六个关节点进行了旋转角度识别测试。
具体测试方法如下：我们选择10名不同体型和身高的人。
每个关节的旋转角度设置为10°、20°、40°、60°和80°。
每个人每种情况都要接受 5 次测试。
，即每个关节累计进行实验，角度公差为±30°。
剔除偶然异常结果后的实验统计结果如表4所示。
从表中我们可以发现：从左右肩关节到左右腕关节三个节点的识别率依次递减；旋转角度越大，识别成功率越高。
出现上述现象的原因是Kinect对人体关节角度的识别与人体姿势的变化范围有关，而人体各关节点的人体姿势范围取决于关节点的位置和关节的旋转角度。
关节点，因此肩关节的识别准确率最高。
同一关节点旋转角度越大，识别率越高。
尽管如此，各关节在每个旋转角度的识别率均超过90%，识别成功率较高，满足控制要求。
5.2手势识别测试 我们对提出的几种控制手势进行了识别准确率测试。
具体测试方法是，我们选择了5个人不同手形，对每个手势进行10次识别测试。
即每个手势测试50次。
结果如表所示。
我们可以发现，由于我们选择的手势区分度比较大，且手势类别数量较少，所以手势识别准确率较高，满足控制要求。
5.3整体可控性验证 完成两种体感控制模式的有效性鉴定后，为了实际测试运输平台的控制性能，我们用黑胶带在运输平台上布置了任务执行场景分别是平坦的地面。
邀请了三名经过简单培训的操作员进行控制测试。
每人用2种模式控制3次。
实验显示，3人均完成了全部测试内容，但时间和路线不一致。
熟练操作员的路线比不熟练操作员的路线更好。
它很顺利并且需要更少的时间。
同时，身体控制平均比手势控制花费更长的时间，因为它比手势控制更精确。
6 结论 针对麦克纳姆轮全方位运输平台，提出了基于kinect的骨骼运动信息识别和基于深度手势识别的两种体感控制模式。
实验证明，两种控制方式均能满足控制要求，且灵活高效。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-17
06-21
06-06
06-18
06-06
最新文章
PCBA质检员的日常工作内容
美国法院裁定VoIP不属于电信服务，需征税
雷达嵌入式工控主板如何使用？工控主板故障分析
摩托罗拉在西班牙促销Z8手机
中宇买下了一台三星机型，品牌和规模是合作的主要原因
舰载军用加固计算机热设计
谷歌开始对仍由HTC生产的谷歌手机进行内部测试
英国EE分享LTE发展经验教训，面临终端-语音-回传三大挑战