一种手臂惯性式动作捕捉数据融合方法.pdf

本发明涉及一种手臂惯性式动作捕捉数据融合方法，其特征在于：基于D-H模型，改用四元数表示人体手臂姿态，建立一种人体手臂四元数模型，以此模型进行数据融合，降低运算量；采用分状态的融合算法，首先利用角速度数据将手臂运动状态分为运动和静止两种，运动状态下使用角速度数据融合，静止状态下使用融合速度相对较慢的加速度和磁通量数据进行数据融合，进一步降低融合运算量，使得惯性式动作捕捉系统能够在嵌入式平台上运行。

权利要求书
1.  一种手臂惯性式动作捕捉数据融合方法，其特征在于：利用角速度、加速度和磁通量融合得出人体手臂姿态，具体为：基于D-H模型，改用四元数表示人体手臂姿态，建立一种人体手臂四元数模型，以此模型进行数据融合，降低运算量；采用分状态的融合算法，判断手臂的运动状态，根据运动状态选用不同的融合数据，进一步降低融合运算量，使得惯性式动作捕捉系统能够在嵌入式平台上实现。

2.  根据权利要求1所述的一种手臂惯性式动作捕捉数据融合方法，其特征在于：所述人体手臂四元数模型以D-H模型为基础，利用四元数表示人体手臂姿态，并采用球坐标建立坐标系，将运动数据从标准球坐标转换到广义球坐标中。

3.  根据权利要求1所述的一种手臂惯性式动作捕捉数据融合方法，其特征在于：所述分状态的融合算法是将手臂运动分为运动和静止两种状态；在运动状态下采用角速度数据进行融合，在静止状态下采用加速度和磁通量数据进行融合。

4.  根据权利要求1所述的一种手臂惯性式动作捕捉数据融合方法，其特征在于：所述判断手臂的运动状态的方式是：读取一组角速度数据并求其算术平均值，同预先设定的阈值进行比较，若高于阈值，则判定为运动状态，否则为静止状态。

5.  根据权利要求3所述的一种手臂惯性式动作捕捉数据融合方法，其特征在于：所述静止状态下采用加速度和磁通量数据进行融合是利用梯度下降法同时对加速度和磁通量数据进行融合得出手臂运动姿态四元数。

说明书一种手臂惯性式动作捕捉数据融合方法
技术领域
本发明涉及体感控制惯性式动作捕捉领域，特别是一种手臂惯性式动作捕捉数据融合方法，尤其适合嵌入式硬件平台。
背景技术
目前，普通的手臂惯性式动作捕捉数据融合方法是基于个人电脑硬件平台，可实现动作捕捉的基本功能，具有一定的精度。但是，这些手臂惯性式动作捕捉数据融合方法运算复杂、运算量大，仅能在个人电脑和成本更高的硬件平台上实现，无法移植到各种低成本的体感控制平台。
发明内容
鉴于此，为了克服现有的手臂惯性式动作捕捉数据融合方法运算复杂、运算量大的不足，本发明的目的是提供一种手臂惯性式动作捕捉数据融合方法，不仅能够实现手臂动作捕捉的基本功能，保证一定的精度，而且运算简单、运算量低，能够在各种低成本的体感控制平台上进行移植。
本发明采用以下方案实现：一种手臂惯性式动作捕捉数据融合方法，利用角速度、加速度和磁通量融合得出人体手臂姿态。其特征在于：基于D-H模型，改用四元数表示人体手臂姿态，建立一种人体手臂四元数模型，以此模型进行数据融合；然后采用分状态的融合算法，判断手臂的运动状态，利用角速度数据将手臂运动状态分为运动和静止两种，运动状态下使用角速度数据融合，静止状态下使用融合速度相对较慢的加速度和磁通量数据进行数据融合。
在本发明一实施例中，所述基于D-H模型的手臂四元数模型，其特征在于：所述手臂四元数模型以D-H模型为基础，利用四元数表示人体手臂姿态，并采用球坐标建立坐标系。
在本发明一实施例中，所述分状态的融合算法，其特征在于：将手臂运动分为运动和静止两种状态。在运动状态下采用角速度进行融合，在静止状态下采用加速度和磁通量数据进行融合。
在本发明一实施例中，所述判断手臂运动状态，其特征在于：读取一组角速度数据并求其算术平均值，同预先设定的阈值进行比较，若高于阈值，则判定为运动状态，否则为静止状态。
在本发明一实施例中，所述采用加速度和磁通量数据进行融合，其特征在于：利用梯度下降法同时对加速度和磁通量数据进行融合得出手臂静止姿态四元数。
本发明的有益效果是，能够实现手臂动作捕捉的基本功能，此外，通过建立手臂四元数模型以及使用分状态的融合方案，使得算法复杂度和运算量大幅降低；可以在各种低成本的嵌入式平台上实现。
为使本发明的目的、技术方案及优点更加清楚明白，以下将通过具体实施例和相关附图，对本发明作进一步详细说明。
附图说明
图1是本发明的手臂四元数模型坐标系图。
图2是本发明一实施例的分状态融合算法流程图。
具体实施方式
如表1所示，本发明建立了一种用于动作捕捉的手臂四元数模型，该模型以D-H模型为基础，将人体手臂的物理模型视作由上臂、小臂和手掌三个刚体组成，每个刚体相对参考系的相对坐标系建立方法与D-H模型相同；不同的是四元数模型改用球坐标建立坐标系，改用四元数表示每个刚体姿态。

表1 是本发明的手臂四元数模型与D-H模型关系表
如图1所示，坐标系建立均采用球坐标，其中a1和a2分别为上臂和小臂长度。
如表2所示，手臂关节之间的夹角用欧拉角的形式表示，其中θ1为上臂偏航角，θ2为上臂倾斜角，θ3为小臂偏航角(即上臂和小臂的夹角)，θ4为手掌倾斜角，θ5为手掌翻滚角。


表2 是本发明的手臂四元数模型参数表
如图2所示，所述读取角速度、读取加速度和读取磁通量所读取的为地理坐标系下的数据，用四元数的形式表示。
如图2所示，所述梯度下降法静态数据融合，定义当前四元数对应的重力加速度和地磁通量的误差函数分别为eg，eΦ，定义合成误差函数为其中eg＝|R·Gs-Ge|，eΦ＝|R·Φs-Φe|，而GS和Φs分别为传感器节点坐标系下的重力加速度和地磁通量，Ge和Φe分别为地理坐标系下的重力加速度和地磁通量，R为从传感器节点到地理坐标系的旋转矩阵。将误差函数分别对四元数的实部w和虚部x、y、z求导，求出其梯度四元数：
▿ e = ∂ e ∂ w + ∂ e ∂ x i + ∂ e ∂ y j + ∂ e ∂ z k - - - ( 1 ) ]]>
综上可得重力加速度和磁通融合递推公式：
Q n = Q n - 1 - S · ▿ e - - - ( 2 ) ]]>
其中Qn和Qn-1分别为本次和前次融合所得的静止姿态四元数表示；S为步长，步长过小则融合速度慢，步长过长会产生抖动。
如图2所示，所述运动状态融合读取角速度数据进行动作数据融合。陀螺仪采集到的角速度为传感器节点坐标系下的角速度ωs＝(ωx,ωy,ωz)，其相应的地理坐标系下的角速度为ωe，融合的时间间隔为Δt。通过角速度数据融合得到表示手臂姿态的四元数Q。对Q求导，由于实际中角速度的变化具有连续性，可近似认为微小时间间隔内的角速度保持不变，即姿态四元数的求导结果保持不变。由此可将状态四元数的微分公式转化成角速度融合递推差分公式，其中Qn与Qn-1分别为本次和前次融合所得的运动姿态四元数表示：
Q · n - 1 = 1 2 ω e Q n - 1 - - - ( 3 ) ]]>
Q n = Q n - 1 + Q · n - 1 Δt - - - ( 4 ) ]]>
上式(3)中的地理坐标系下的角速度ωe不能直接通过测量获得，但通过四元数可以很方便地实现不同坐标系下向量的转换：
ω s = Q n - 1 - 1 ω e Q n - 1 - - - ( 5 ) ]]>
由以上三式可得角速度融合公式：
Qn＝Qn-1·ΔQ   (6)
ΔQ = 1 + 1 2 ω x Δti + 1 2 ω y Δtj + 1 2 ω z Δtk - - - ( 7 ) ]]>
由以上推导过程可知角速度数据在融合过程中只需要经过一次四元数乘法运算，融合过程简单，非常适合在人体手臂运动时进行快速的动作捕捉和响应。
为了让本领域一般技术人员更好地理解本发明融合方法的优点，以下结合本发明的融合流程以及图2说明本发明的分状态融合的原理。
通过角速度或者加速度与磁通量的组合均可融合得到运动姿态四元数，但它们各有优缺点。从融合速度方面考虑，角速度数据融合的速度比加速度和磁通量数据的组合快一个数量级。从融合误差方面考虑，角速度数据融合算法简单，计算量小，融合速度快；但在融合过程中需要经过积分运算，静态漂移会在积分过程中累积，系统整体误差会随着时间逐渐增大。重力加速度和地磁通量数据融合算法复杂，计算量大，融合所需时间相对于角速度数据较长；此外，当手臂处于运动状态时，加速度传感器采集到的是运动加速度和重力加速度的总和，只有当手臂静止时，运动加速度为零，采集到的加速度即为重力加速度。
本发明所用分状态的融合方法通过划分运动状态的方式，灵活选择具体融合方法，既能够有效利用角速度融合速度快的优点，又能够修正在长时间使用过程中产生的误差，同时还避免了运动加速度对重力加速度的干扰。
上列较佳实施例，对本发明的目的、技术方案和优点进行了进一步详细说明，所应理解的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。