CN113805696A - 一种基于表面肌电信号和动捕技术的机器学习方法 - Google Patents

一种基于表面肌电信号和动捕技术的机器学习方法 Download PDF

Info

Publication number
CN113805696A
CN113805696A CN202111018661.3A CN202111018661A CN113805696A CN 113805696 A CN113805696 A CN 113805696A CN 202111018661 A CN202111018661 A CN 202111018661A CN 113805696 A CN113805696 A CN 113805696A
Authority
CN
China
Prior art keywords
arm
motion
signals
mechanical arm
machine learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111018661.3A
Other languages
English (en)
Inventor
牛福永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jianbingjian Intelligent Technology Beijing Co ltd
Original Assignee
Jianbingjian Intelligent Technology Beijing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jianbingjian Intelligent Technology Beijing Co ltd filed Critical Jianbingjian Intelligent Technology Beijing Co ltd
Priority to CN202111018661.3A priority Critical patent/CN113805696A/zh
Publication of CN113805696A publication Critical patent/CN113805696A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Dermatology (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Health & Medical Sciences (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及基于手臂肌电信号的机器学习技术领域，更具体地涉及一种基于表面肌电信号和动捕技术的机器学习方法，包括步骤：S1、获取操作者手臂的肌电信号和手臂关节的运动信号；S2、对步骤S1采集的肌电信号和手臂关节的运动信号进行滤波处理；S3、把滤波后的肌电信号及手臂关节的运动信号输入支持向量机分类器，方向预测模型根据肌电信号识别出手臂运动方向，运动预测模型根据手臂关节的运动信号识别出机械臂末端运动轨迹模型；S4、通过S3中得出的机械臂末端运动轨迹模型结合手臂运动方向，计算出机械臂末端期望位置；S5、将S4计算出来的机械臂末端期望位置发送给机械臂控制器进而控制机械臂运动。该方法具有实时速度跟踪和响应快速的特点。

Description

一种基于表面肌电信号和动捕技术的机器学习方法
技术领域
本发明涉及基于手臂肌电信号的机器学习技术领域，具体涉及一种基于表面肌电信号和动捕技术的机器学习方法。
背景技术
现有机器学习技术运用与操纵杆相似的原理，具体来说，是为用户的手臂设置起点，然后，如果手臂被移动，则机械臂将开始以相同的速度向相同的方向移动。如果用户沿相反方向移动手臂，则机械臂将以恒定速度沿相同方向移动。用户只能通过一些变量来控制运动的方向，因为速度是预编程的。
鉴于以上情况，亟需一种机器学习方法，以解决现有的机械臂只能以恒定速度沿相同方向移动的问题。
发明内容
本发明的目的在于提供一种基于表面肌电信号和动捕技术的机器学习方法，该方法利用肌电信号和动作捕捉信号结合机器学习的方法实现机械臂的遥操作控制，该方法具有实时速度跟踪和响应快速的特点。
本发明的目的通过以下技术方案予以实现。
一种基于表面肌电信号和动捕技术的机器学习方法，包括步骤：
S1、获取操作者手臂的肌电信号和手臂关节的运动信号；
S2、对步骤S1采集的肌电信号和手臂关节的运动信号进行滤波处理；
S3、把滤波后的肌电信号及手臂关节的运动信号输入支持向量机分类器，方向预测模型根据肌电信号识别出手臂运动方向，运动预测模型根据手臂关节的运动信号识别出机械臂末端运动轨迹模型；
S4、通过S3中得出的机械臂末端运动轨迹模型结合手臂运动方向，计算出机械臂末端期望位置；
S5、将S4计算出来的机械臂末端期望位置发送给机械臂控制器，机械臂控制器控制机械臂运动。
作为优选，所述步骤S1中，通过操作者手臂上穿戴的肌电和运动捕传感器实现对操作者手臂运动的实时捕捉，获取操作者手臂的肌电信号和手臂关节的运动信号。
作为优选，所述步骤S2中，采用卡尔曼滤波器对肌电信号和手臂关节的运动信号进行滤波处理。
作为优选，所述步骤S3中，所述支持向量机分类器通过对肌电信号样本数据进行训练得到方向预测模型，通过对手臂关节的运动信号样本数据进行训练得到运动预测模型。
作为优选，在步骤S3中，所述支持向量机分类器对肌电信号样本数据进行训练时，通过以下公式实现肌电信号多类别的分类，
Figure RE-GDA0003346532900000021
s.t.yi((w.xi)+b)≥1-ξi,i＝1,...,l
ξi＞0,i＝1,...,l
其中，xi是特征输入向量，w是权重向量，b是偏置；
结合使用径向基核函数(RBF)：
K(x,y)＝exp(-γ||x-y||2),γ＞0
其中，x为支持向量，y为待分类向量，||x-y||2为二范数距离的计算；
使用网格搜索寻优的方法，由惩罚因子C和核函数半径γ组成网格变量并做交叉验证计算准确率，根据计算和训练结果测试。
作为优选，所述核函数半径γ＝200，惩罚因子C＝0.15。
作为优选，所述步骤S3中，运动预测模型根据手臂关节的运动信号识别出机械臂末端运动轨迹模型包括以下子步骤：
S31、运动预测模型根据手臂关节的运动信号计算出机械臂末端法兰的位置增量；
S32、运动预测模型根据手臂运动方向叠加机械臂末端法兰的位置增量得到机械臂末端运动轨迹模型。
作为优选，在步骤S32中，手臂关节的运动信号映射到机械臂末端法兰的位置增量数据的数学模型如下：
Figure RE-GDA0003346532900000031
其中，q为肌电和运动捕传感器实时测量的操作者手臂关节运动角度，q0为操作者手臂起始位置，
Figure RE-GDA0003346532900000032
为操作者手臂关节运动速度，
Figure RE-GDA0003346532900000033
为机械臂末端法兰的速度，J(q)为机械臂的雅克比矩阵。
作为优选，在步骤S4中，计算机械臂末端期望位置所用的公式为：
Figure RE-GDA0003346532900000041
其中，x为机械臂末端法兰的期望运动，x0为机械臂的起始位置，vr为根据肌电信号识别出的手臂运动方向，
Figure RE-GDA0003346532900000042
为机械臂末端法兰的位置增量。
本发明的有益效果是：
本发明提供的基于表面肌电信号和动捕技术的机器学习方法，包括步骤：S1、获取操作者手臂的肌电信号和手臂关节的运动信号； S2、对步骤S1采集的肌电信号和手臂关节的运动信号进行滤波处理； S3、把滤波后的肌电信号及手臂关节的运动信号输入支持向量机分类器，方向预测模型根据肌电信号识别出手臂运动方向，运动预测模型根据手臂关节的运动信号识别出机械臂末端运动轨迹模型；S4、通过 S3中得出的机械臂末端运动轨迹模型结合手臂运动方向，计算出机械臂末端期望位置；S5、将S4计算出来的机械臂末端期望位置发送给机械臂控制器，机械臂控制器控制机械臂运动。该方法利用肌电信号和动作捕捉信号结合机器学习的方法实现机械臂的遥操作控制，该方法具有实时速度跟踪和响应快速的特点。
附图说明
图1是本发明提供的基于表面肌电信号和动捕技术的机器学习方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提供的一种基于表面肌电信号和动捕技术的机器学习方法，包括步骤：
S1、获取操作者手臂的肌电信号和手臂关节的运动信号。
作为优选方案，通过操作者手臂上穿戴的肌电和运动捕传感器实现对操作者手臂运动的实时捕捉，获取操作者手臂的肌电信号和手臂关节的运动信号。
S2、对步骤S1采集的肌电信号和手臂关节的运动信号进行滤波处理。
作为优选方案，采用卡尔曼滤波器对肌电信号和手臂关节的运动信号进行滤波处理，去除噪声和干扰。现有的小波变换、陷波滤波和低通滤波对于含有大量非周期的高斯噪声和白噪声的肌电信号处理效果并不是很好。因此本方案根据现有技术的不足，提出基于卡尔曼滤波的肌电和动作捕捉信号处理，卡尔曼滤波器能够很好地估计出人的手臂的运动状态，有效去除高斯噪声和白噪声。
S3、把滤波后的肌电信号及手臂关节的运动信号输入支持向量机分类器，方向预测模型根据肌电信号识别出手臂运动方向，运动预测模型根据手臂关节的运动信号识别出机械臂末端运动轨迹模型。
S4、通过S3中得出的机械臂末端运动轨迹模型结合手臂运动方向，计算出机械臂末端期望位置。
S5、将S4计算出来的机械臂末端期望位置发送给机械臂控制器，机械臂控制器控制机械臂运动，实现对人的手臂运动的实时跟踪控制。
于本实施例中，作为优选方案，在所述步骤S3中，所述支持向量机分类器通过对肌电信号样本数据进行训练得到方向预测模型，通过对手臂关节的运动信号样本数据进行训练得到运动预测模型。当操作者手臂上穿戴肌电和运动捕传感器时，方向预测模型能够实时预测出手臂运动的方向，运动预测模型能够实时预测出手臂运动的动作。
本方案采用的机器学习方法支持向量机是一种基于统计学的小样本机器学习方法，能够解决非线性的样本分类问题，可以处理多特征的高纬度样本数据集，无局部极小值问题，具有泛化能力强的优点。
于本实施例中，作为优选方案，在步骤S3中，所述支持向量机分类器对肌电信号样本数据进行训练时，通过以下公式实现肌电信号多类别的分类，
Figure RE-GDA0003346532900000061
s.t.yi((w.xi)+b)≥1-ξi,i＝1,...,l
ξi＞0,i＝1,...,l
其中，xi是特征输入向量，w是权重向量，b是偏置；
结合使用径向基核函数(RBF)：
K(x,y)＝exp(-γ||x-y||2),γ＞0
其中，x为支持向量，y为待分类向量，||x-y||2为二范数距离的计算；
使用网格搜索寻优的方法，由惩罚因子C和核函数半径γ组成网格变量并做交叉验证计算准确率，根据计算和训练结果测试。所述核函数半径γ＝200，惩罚因子C＝0.15时具有较高的识别率。
于本实施例中，作为优选方案，所述步骤S3中，运动预测模型根据手臂关节的运动信号识别出机械臂末端运动轨迹模型包括以下子步骤：
S31、运动预测模型根据手臂关节的运动信号计算出机械臂末端法兰的位置增量；
S32、运动预测模型根据手臂运动方向叠加机械臂末端法兰的位置增量得到机械臂末端运动轨迹模型。
于本实施例中，作为优选方案，在步骤S32中，手臂关节的运动信号映射到机械臂末端法兰的位置增量数据的数学模型如下：
Figure RE-GDA0003346532900000071
其中，q为肌电和运动捕传感器实时测量的操作者手臂关节运动角度，q0为操作者手臂起始位置，
Figure RE-GDA0003346532900000072
为操作者手臂关节运动速度，
Figure RE-GDA0003346532900000073
为机械臂末端法兰的速度，J(q)为机械臂的雅克比矩阵。
于本实施例中，作为优选方案，在步骤S4中，计算机械臂末端期望位置所用的公式为：
Figure RE-GDA0003346532900000074
其中，x为机械臂末端法兰的期望运动，x0为机械臂的起始位置，vr为根据肌电信号识别出的手臂运动方向，
Figure RE-GDA0003346532900000081
为机械臂末端法兰的位置增量。
当然，以上只是本发明的典型实例，除此之外，本发明还可以有其它多种具体实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求保护的范围之内。

Claims (9)

1.一种基于表面肌电信号和动捕技术的机器学习方法，其特征在于，包括步骤：
S1、获取操作者手臂的肌电信号和手臂关节的运动信号；
S2、对步骤S1采集的肌电信号和手臂关节的运动信号进行滤波处理；
S3、把滤波后的肌电信号及手臂关节的运动信号输入支持向量机分类器，方向预测模型根据肌电信号识别出手臂运动方向，运动预测模型根据手臂关节的运动信号识别出机械臂末端运动轨迹模型；
S4、通过S3中得出的机械臂末端运动轨迹模型结合手臂运动方向，计算出机械臂末端期望位置；
S5、将S4计算出来的机械臂末端期望位置发送给机械臂控制器，机械臂控制器控制机械臂运动。
2.如权利要求1所述的基于表面肌电信号和动捕技术的机器学习方法，其特征在于，所述步骤S1中，通过操作者手臂上穿戴的肌电和运动捕传感器实现对操作者手臂运动的实时捕捉，获取操作者手臂的肌电信号和手臂关节的运动信号。
3.如权利要求1所述的基于表面肌电信号和动捕技术的机器学习方法，其特征在于，所述步骤S2中，采用卡尔曼滤波器对肌电信号和手臂关节的运动信号进行滤波处理。
4.如权利要求1所述的基于表面肌电信号和动捕技术的机器学习方法，其特征在于，所述步骤S3中，所述支持向量机分类器通过对肌电信号样本数据进行训练得到方向预测模型，通过对手臂关节的运动信号样本数据进行训练得到运动预测模型。
5.如权利要求4所述的基于表面肌电信号和动捕技术的机器学习方法，其特征在于，在步骤S3中，所述支持向量机分类器对肌电信号样本数据进行训练时，通过以下公式实现肌电信号多类别的分类，
Figure RE-FDA0003346532890000021
s.t.yi((w.xi)+b)≥1-ξi,i＝1,...,l
ξi＞0,i＝1,...,l
其中，xi是特征输入向量，w是权重向量，b是偏置；
结合使用径向基核函数(RBF)：
K(x,y)＝exp(-γ||x-y||2),γ＞0
其中，x为支持向量，y为待分类向量，||x-y||2为二范数距离的计算；
使用网格搜索寻优的方法，由惩罚因子C和核函数半径γ组成网格变量并做交叉验证计算准确率，根据计算和训练结果测试。
6.如权利要求5所述的基于表面肌电信号和动捕技术的机器学习方法，其特征在于，所述核函数半径γ＝200，惩罚因子C＝0.15。
7.如权利要求1所述的基于表面肌电信号和动捕技术的机器学习方法，其特征在于，所述步骤S3中，运动预测模型根据手臂关节的运动信号识别出机械臂末端运动轨迹模型包括以下子步骤：
S31、运动预测模型根据手臂关节的运动信号计算出机械臂末端法兰的位置增量；
S32、运动预测模型根据手臂运动方向叠加机械臂末端法兰的位置增量得到机械臂末端运动轨迹模型。
8.如权利要求7所述的基于表面肌电信号和动捕技术的机器学习方法，其特征在于，在步骤S32中，手臂关节的运动信号映射到机械臂末端法兰的位置增量数据的数学模型如下：
Figure RE-FDA0003346532890000031
其中，q为肌电和运动捕传感器实时测量的操作者手臂关节运动角度，q0为操作者手臂起始位置，
Figure RE-FDA0003346532890000032
为操作者手臂关节运动速度，
Figure RE-FDA0003346532890000033
为机械臂末端法兰的速度，J(q)为机械臂的雅克比矩阵。
9.如权利要求8所述的基于表面肌电信号和动捕技术的机器学习方法，其特征在于，在步骤S4中，计算机械臂末端期望位置所用的公式为：
Figure RE-FDA0003346532890000034
其中，x为机械臂末端法兰的期望运动，x0为机械臂的起始位置，vr为根据肌电信号识别出的手臂运动方向，
Figure RE-FDA0003346532890000035
为机械臂末端法兰的位置增量。
CN202111018661.3A 2021-09-01 2021-09-01 一种基于表面肌电信号和动捕技术的机器学习方法 Pending CN113805696A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111018661.3A CN113805696A (zh) 2021-09-01 2021-09-01 一种基于表面肌电信号和动捕技术的机器学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111018661.3A CN113805696A (zh) 2021-09-01 2021-09-01 一种基于表面肌电信号和动捕技术的机器学习方法

Publications (1)

Publication Number Publication Date
CN113805696A true CN113805696A (zh) 2021-12-17

Family

ID=78894534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111018661.3A Pending CN113805696A (zh) 2021-09-01 2021-09-01 一种基于表面肌电信号和动捕技术的机器学习方法

Country Status (1)

Country Link
CN (1) CN113805696A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115990876A (zh) * 2022-11-22 2023-04-21 燕山大学 一种基于多通道肌电信号的仿真机械臂控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103190905A (zh) * 2013-04-01 2013-07-10 武汉理工大学 基于Wi-Fi的多通道表面肌电信号采集***及处理方法
CN107553499A (zh) * 2017-10-23 2018-01-09 上海交通大学 一种多轴机械臂的自然手势运动控制***和方法
CN109375585A (zh) * 2018-09-28 2019-02-22 湖南希法工程机械有限公司 臂架末端位置控制方法及***及包含该***的工程机械
CN110238852A (zh) * 2019-06-17 2019-09-17 湖南大学 一种机器人臂手遥操作控制方法及***
CN111890363A (zh) * 2020-07-27 2020-11-06 四川大学 一种基于快速自适应梯度神经网络算法的机械臂运动规划方法
NL2027179A (en) * 2020-03-05 2021-04-06 Nan Kai Univ Flexible-arm-oriented multi-modal human-machine interaction control method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103190905A (zh) * 2013-04-01 2013-07-10 武汉理工大学 基于Wi-Fi的多通道表面肌电信号采集***及处理方法
CN107553499A (zh) * 2017-10-23 2018-01-09 上海交通大学 一种多轴机械臂的自然手势运动控制***和方法
CN109375585A (zh) * 2018-09-28 2019-02-22 湖南希法工程机械有限公司 臂架末端位置控制方法及***及包含该***的工程机械
CN110238852A (zh) * 2019-06-17 2019-09-17 湖南大学 一种机器人臂手遥操作控制方法及***
NL2027179A (en) * 2020-03-05 2021-04-06 Nan Kai Univ Flexible-arm-oriented multi-modal human-machine interaction control method
CN111890363A (zh) * 2020-07-27 2020-11-06 四川大学 一种基于快速自适应梯度神经网络算法的机械臂运动规划方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115990876A (zh) * 2022-11-22 2023-04-21 燕山大学 一种基于多通道肌电信号的仿真机械臂控制方法

Similar Documents

Publication Publication Date Title
DE102014101735A1 (de) Verfahren und vorrichtung zum steuern einer robotervorrichtung über am körper tragbare sensoren
WO2019202900A1 (ja) 行動推定装置、行動推定方法、および行動推定プログラム
Artemiadis et al. EMG-based teleoperation of a robot arm in planar catching movements using ARMAX model and trajectory monitoring techniques
CN112276944A (zh) 一种基于意图识别的人机协作***控制方法
CN111249005A (zh) 一种穿刺手术机器人柔顺控制***
CN113805696A (zh) 一种基于表面肌电信号和动捕技术的机器学习方法
Ding et al. A novel motion estimate method of human joint with EMG-driven model
CN111399640A (zh) 一种面向柔性臂的多模态人机交互控制方法
Dwivedi et al. A shared control framework for robotic telemanipulation combining electromyography based motion estimation and compliance control
CN112214109B (zh) 基于肌电和姿态数据的复合控制方法、装置及***
JP2558599B2 (ja) ロボット制御装置
CN107203271B (zh) 基于多传感器融合技术的双手识别方法
CN116236328A (zh) 基于视觉的可实现自然抓取的智能假肢***
CN114055461B (zh) 基于肌电接口的机器人力位同步遥操作控制方法及装置
Zhao et al. POSITIONING AND GRABBING TECHNOLOGY OF INDUSTRIAL ROBOT BASED ON VISION.
CN109885159B (zh) 基于正向动力学与希尔模型的状态空间肌电模型构建方法
CN115345197A (zh) 多模态信息融合的外肢体控制方法、***和电子设备
CN111358659B (zh) 一种机器人的助力控制方法、***及下肢康复机器人
CN110103226B (zh) 一种辅助机器人控制方法及***
CN116423520A (zh) 一种基于视觉和动态运动基元的机械臂轨迹规划方法
Chen et al. Hand tracking accuracy enhancement by data fusion using leap motion and myo armband
CN111897415B (zh) 基于肌电信号和变刚度控制的虚拟假手柔顺直观控制方法
CN111230872B (zh) 一种基于多传感器的物体递交意图识别***及方法
Zhou et al. Visual servo control system of 2-DOF parallel robot
Carlevarino et al. An incremental growing neural network and its application to robot control

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination