基于kinect傳感器的全方位運輸平臺控制系統(tǒng)研究

摘要：設計一種麥克納姆輪全向行走運輸平臺的體感交互控制系統(tǒng)。該系統(tǒng)應用kinect體感器提出骨骼運動信息識別和基于深度手勢識別的兩種控制方式，應用于不同場景。基于骨骼運動信息識別控制方式通過kinect獲取人體深度圖像數(shù)據(jù)，然后利用骨骼追蹤技術提取人體應用關節(jié)點，并建立空間坐標系，最后通過向量計算法來計算出人體關節(jié)轉動角度實現(xiàn)動態(tài)的動作識別進而轉換為控制指令實現(xiàn)平臺控制。基于深度手勢識別控制方式利用kinect獲取的深度信息實現(xiàn)手部從背景中分割，然后運用模板匹配的方式識別手勢轉換為控制指令實現(xiàn)平臺控制。實驗表明，通過該控制系統(tǒng)能對全方位運輸平臺進行有效靈活的控制。

隨著隨著科技的進步，人們一直都在致力于對便捷高效運輸機構的研究。全方位運動機構以其平面內(nèi)完全運動自由度，實現(xiàn)了狹小空間內(nèi)的高度靈活性，在軍事、工業(yè)、社會生活等多方面具備廣泛的應用前景。用人的體態(tài)和手勢進行人機交互是一種新穎自然的交互方式，人們通過簡單的肢體語言便能進行快速的人機交互，具有易實現(xiàn)、控制靈活等特點。kinect是微軟公司研制的一款體感識別設備，通過它可以實現(xiàn)體感識別，進行人機交互。

由此本文設計了一種應用麥克納姆輪的體感控制全方位運輸平臺模型。并針對此模型控制系統(tǒng)提出了基于kinect體感器的骨骼運動信息識別和基于深度手勢識別兩種體感控制模式，應用于該運輸平臺的兩種場景：當該平臺整合到移動機器人等遠程設備時，操縱者控制環(huán)境寬廣，可應用人體多種姿勢進行精細操控;當改運輸平臺整合到輪椅、叉車等近程控制設備時，操縱者位于狹窄的設備上，可應用近距離手勢動作進行簡單快速高效的操控。經(jīng)實驗結果表明，該控制系統(tǒng)兩種控制模式均能對該全方位運輸平臺進行良好的操控。

1 全方位運輸平臺模型構建及運動學分析

1.1 全方位平臺構建

本文構建的全方位移動平臺如圖1(a)所示，其由鋁60毫米45度萬向輪子、直流電機、電機驅(qū)動模塊、12 V鋰電池、MSP430f149最小系統(tǒng)控制板、串口藍牙等部件構成。平臺控制器讀取上位機通過藍牙發(fā)送過來的數(shù)據(jù)進行相應動作相應完成操控，圖1(b)為模型實物。

1.2 全方位運動學分析及操控

如圖2(a)所示麥克納姆輪的原理結構，其主輪周邊分布著與輪子軸線成α=45度的小滾輪。滾輪能自身轉動同時又能繞車軸轉動，使得主輪具備了繞輪軸的轉動和沿滾輪軸線垂線方向運動的兩個自由度。圖2(b)所示為底盤運動力學分析。通過對輪子的運動解析得到平臺的運動學方程為：

公式中(1)Vx，Vy，ω為控制量。本文采用通過單片機產(chǎn)生PWM信號調(diào)制功率Cn來實現(xiàn)底盤驅(qū)動控制。由公式(2)，Cn是第n個電機的功率，ωn是計算出的第n個電機的轉速，ωmax是n號電機在同一電壓下設定的最大輸出功率下的轉速，mn是維護4個電機轉速在同一最大值的實測參數(shù)。

2 人體深度圖像及骨骼信息獲取

文中采用kinect傳感器獲取人體深度圖像及骨骼信息。它由RGB彩色攝像頭、紅外線發(fā)射器、紅外線CMOS攝影頭等模塊構成，能獲得目標物體的深度圖像數(shù)據(jù)和RGB圖像數(shù)據(jù)。在深度圖像數(shù)據(jù)的基礎上，運用骨骼追蹤技術提取出人體骨骼信息。

3 骨骼運動信息識別控制模式設計

3.1 關節(jié)角度計算方法

Kinect能夠追蹤人體四肢20個骨骼點，骨骼運動信息識別控制模式指系統(tǒng)通過分析人體骨骼點的運動數(shù)據(jù)識別控制指令。本文采用了左右手肩關節(jié)點、左右手肘關節(jié)點、左右手腕關節(jié)點、左右手手關節(jié)點8個上肢關節(jié)點，通過識別各關節(jié)的轉動角度來識別關節(jié)的運動情況。本文應用kinect獲取的人體骨骼數(shù)據(jù)以兩肩中心為原點建立空間坐標系，根據(jù)各關節(jié)點的坐標構建向量進行向量運算，得出關節(jié)轉動角度，具體以計算右手肘關節(jié)轉動為例。

如圖3所示，取a、b、c分別為右手的肩關節(jié)點、肘關節(jié)點、腕關節(jié)點，其對應空間坐標分別為(x1，y1，z1)，(x2，y2，z2)，(x3，y3，z3)，肘關節(jié)的運動角度為α。則有

最后通過反解三角函數(shù)可得該關節(jié)的運動角度。

3.2 運動姿勢對應控制指令

于是本文采用雙手協(xié)作的方式，操控全向底盤的運作。從數(shù)學模型上我們可以得出全向移動底盤有任意軌跡運動能力，但是由于運動軌跡的方向性多，極易導致控制的不穩(wěn)定性，反而讓優(yōu)點變?yōu)槿秉c。由此我們精簡了運動的方向性，使其既滿足全向運動的豐富的能動性的同時也能保證其穩(wěn)定性。由此見表.我們設定了10種方向運動，并分割了不同的自然手勢對應控制指令。

4 手勢識別模式設計

4.1 背景分割

在根據(jù)圖像數(shù)據(jù)進行手勢識別的時候需要提取操縱者的手勢，首先我們需要將人物的手掌部分和背景信息分割開來?；趉inect提取的深度數(shù)據(jù)，本文采用基于閾值分割法來進行背景分割，即提取前景的平均深度值，對場景進行分割。深度閾值的設定公式為：

μmax=ω+ε (6)

其中ω為實驗測定能準確分割手掌的最小值，ε為根據(jù)實際應用場景自由設定的可調(diào)節(jié)值，μmax為能準確識別手掌的距離空間。

4.2 手勢識別

文中采用了Y—H.Lin提出的一種模板匹配算法處理提取出來的手勢并進行手勢識別。該算法首先將提取到的二維圖像轉換成一維向量，消除平面內(nèi)圖形放縮、旋轉帶來的影響。同時，針對同種手勢構造多種比例的參考模板向量，并將提取出的手勢向量與參考模板進行手勢比對，從而得出比對結果。

4.3 系統(tǒng)流程圖

系統(tǒng)運用手勢識別進行控制時流程圖如圖4所示。

4.4 手勢對應指令

針對當前控制模式的應用場景，本文針對運輸平臺設計了6中運動指令，滿足操縱者進程的簡單快捷準確的操控需求，具體手勢對應指令如圖5所示。

5 實驗分析

本文控制系統(tǒng)上位機采用的Kinect開發(fā)工具為Kinect Software Devel-opment Kit(SDK)v1.8，開發(fā)環(huán)境為Visual Studio 2013，使用的編程語言為C#。

5.1 骨骼運動信息識別控制模式有效性測試

這一模式的應用的成功與否在于對應用的各關節(jié)點轉動角度的識別有效性。據(jù)此，我們對左右肩關節(jié)、肘關節(jié)、腕關節(jié)6個我們應用的關節(jié)點進行了轉動角度識別測試。具體測試方法如下：我們挑選體型身高均有差異的10個人，每一個關節(jié)的轉動角度設為10°、20°、40°、60°、80°5種情況，每種情況每人測試5次，即每個關節(jié)累積進行250次實驗，角度允許誤差±30°。去除偶然反常結果實驗統(tǒng)計結果如表4所示。從表中可以有如下發(fā)現(xiàn)：由左右肩關節(jié)到左右腕關節(jié)3個節(jié)點的識別率依次降低;轉動角度越大，識別的成功率越高。產(chǎn)生以上現(xiàn)象的原因是kinect識別人體關節(jié)角度跟人體姿勢變化幅度有關，而人體各關節(jié)點的人體姿勢幅度又取決于關節(jié)點為位置和關節(jié)點的轉動角度，故肩關節(jié)的識別準確率最高，同一個關節(jié)點轉動角度越大，識別率越高。盡管如此，各關節(jié)在各轉動角度的識別率都超過90%，具有較高的識別成功率，符合控制要求。

5.2 手勢識別測試

針對提出的幾種控制手勢，我們展開了識別準確率測試，具體測試方法為我們挑選了手型不用的5人對每種手勢進行了10次識別測試，即每種手勢測試50次。結果如表所示，我們可以發(fā)現(xiàn)，由于我們選用的手勢區(qū)分度比較大且手勢類別數(shù)量較小，所以手勢識別準確度較高，符合控制要求。

5.3 整體操控性驗證

進行完了兩種體感操控模式識別的有效性后，為實際檢驗運輸平臺的操控性能，我們使用黑色膠帶在平整的地面布局了一個執(zhí)行任務的場景，分別邀請三位經(jīng)過簡單訓練的操縱人員進行操控測試每人使用2種模式分別操控3次，實驗表明，3人均完成了全部測試內(nèi)容，但時間和路線不一致，熟練的操縱者路線比不熟練的操縱者平滑，且耗時短。同時，肢體操控由于比手勢操控控制更為精細所以平均耗時長于手勢操控。

6 結論

文中針對一種基于麥克納姆輪的全方位運輸平臺提出了基于kinect的骨骼運動信息識別和基于深度手勢識別兩種體感控制模式，經(jīng)實驗證明，兩種控制模式均能滿足控制要求且具備靈活、高效等特點。