基于惯性传感器的动作捕捉系统的设计与实现

摘要在智能技术不断发展的今天，人体动作捕捉技术在虚拟现实领域有着举足轻重的作用，在运动训练领域也是如此。人体动作捕捉系统可以实时、准确地追踪和重现人体的动作，因此在虚拟现实、运动训练、人机互动等应用广泛应用。结合深度学习，改进了传统的人体动作分析。结合机器学习等相关技术方法，采取一种新的人体动作捕捉方法。通过采集和分析惯性传感器获取的数据，实现更精确的人体动作捕捉，提供更自然、更逼真的人体动作表达，应用于电脑图形、虚拟现实、游戏开发等领域，实现对人体动作的更精确捕捉。AbstractWiththecontinuousdevelopmentofintelligenttechnology,humanmotioncapturetechnologyplaysanimportantroleinvirtualreality,sportstrainingandotherfields.Humanmotioncapturesystemscantrackandreproducehumanmovementsinrealtimeandaccurately,sotheyhavebeenwidelyusedinapplicationssuchasvirtualreality,sportstraining,andhuman-computerinteraction.Onthebasisoftraditionalhumanactionanalysis,combinedwithdeeplearningandmachinelearningandotherrelatedtechnicalmethods,anewhumanmotioncapturemethodisproposed.Bycollectingandanalyzinginertialsensordata,wecanaccuratelycaptureandmodelhumanmovements,providingmorenaturalandrealisticexpressionsofhumanmovementsforcomputergraphics,virtualreality,gamedevelopment,andotherfields.

绪论1.1课题背景及研究目的和意义1.1.1课题背景随着智能技术的不断发展，在人工智能领域，计算机视觉的作用越来越大。而人体动作姿态检测是人工智能领域的一部分，使用计算机视觉技术识别、分类和跟踪人体动作和姿势。惯性传感器技术在近年来得到了快速发展和广泛应用，具有体积小、重量轻、功耗低等优势，并且可以提供丰富的动作信息。举例来说，利用惯性传感器，人体运动的加速度、角速度以及其他数据都可以实时得到。于是，人体动作捕捉技术——以惯性传感器为基础，就成了研究的热点。1.1.2研究目的和意义人类行为提供重要信息，反映意图、情感和行动。人体动作姿态识别是人工智能中的子领域，应用计算机视觉技术研究人体动作和姿态的识别、分类和跟踪。通常使用摄像机或深度传感器获取人体姿势数据，然后运用机器学习和深度学习算法进行分析。人体动作检测在人机交互系统中应用广泛，例如手势和姿势识别，可实现用户与计算机更直观的互动，提供更自然、便捷的操作方式。另外，虚拟现实技术能够实时监测用户的动作，从而提升交互体验。人体动作检测还可用于运动分析和康复支持，帮助运动员提高技术水平，提高表现。同时，它也可用于康复援助，监测和评估康复训练的效果。武器装备上的人体动作捕捉系统有着广阔的应用前景。在模拟训练中，使用专用的三维交互设备[1]，捕捉人体动作，以更好地应用于武器装备设计，使其更符合人体工程学原理。本研究的内容的首要目标仅仅在于解决两个关键性问题：一是传感器安装位置与理想目标区域存在参差，可能导致系统无法准确确定肢体坐标系统与传感器坐标原点之间的关系，这是提高人体动作捕捉精确度的重要步骤之一；二是动作捕捉系统常使用任意检测传感器组合测量，需要将各部位姿势统一到基准坐标系上以进行测量。实际上，动作捕捉系统对提高人体动作捕捉精度极其关键。它的设计旨在解决两个核心问题：一是传感器安装位置可能出现偏差，导致肢体坐标系和传感器坐标系之间的关系很难被系统准确确定；二、动作捕捉系统通常需要使用多个传感器进行组合测量，因此在基准坐标系中需要统一身体各部位的姿态。[2]因此，本论文旨在结合深度学习和机器学习等相关技术方法，在传统人体动作分析的基础上，研究以惯性传感器为基础的人体动作捕捉技术，另辟蹊径，构建出一种与此不同的人体动作捕捉方法。本文中的人体动作捕捉系统以惯性传感为底层设计，将惯性传感技术与人体科学相结合，通过收集和分析惯性传感器的数据，以实现对人体动作的精确捕捉和建模，为计算机图形、虚拟现实、游戏开发等领域提供更加自然逼真的人体动作表达。1.2动作识别的国内外研究现状目前，基于惯性传感器的人机交互领域的人体动作捕捉技术已成为热点之一，国内外学者均有涉猎，研究成果显著。本文将对当前国内外研究情况进行单独探讨。根据国外研究的情况，许多知名国际学术机构和企业在利用惯性传感器进行人体动作捕捉方面进行了深入研究。其中最具代表性的是苹果、Google和美国的微软等公司。它们在VR、AR和游戏领域广泛应用惯性传感器技术，取得了重要成果。比如，ARKit是由苹果公司开发的，而Kinect系统则是由微软公司开发的，它们都利用惯性传感器来进行人体动作捕捉。此外，美国麻省理工学院、斯坦福大学等一些国际研究机构也在这一领域取得了一定的研究进展。目前国内的研究现状呈现出一派如火如荼的景象，许多高校和研究机构都在积极地开展相关领域的研究。本领域的研究成果十分显著，并且得到了多所高校的认可，如北京航空航天大学、清华大学、北京工业大学等。此外，北京小鹏汽车科技有限公司、深圳大疆创新科技有限公司等创新型企业也积极探索惯性传感器在人体动作捕捉方面的运用。值得注意的是，国内的一些研究团队在算法优化、传感器性能提升等方面取得了重要进展，进一步促进了该技术的发展。在以惯性传感器为基础的人体动作捕捉研究方面，无论是国外还是国内，都有了令人瞩目的进步。国外的研究机构和企业在技术应用方面有着较强的优势，而国内的实力也在逐渐增强。以此为背景来研究这个题目，我相信无论是理论上还是实践上都会有很大的借鉴意义。[3]1.2.1动作识别系统的研究现状目前主流的动作识别方法包括图像分析法、Wi-Fi信号分析法和传感器分析法三种。REF_Ref5147\r\h[4]意象分析法，抽取意象中的人体特征，再对人体动作进行辨识。影像分析法可以自动化地处理影像，分析影像，进一步减少人工处理的工作量。影像分析法可以迅速地对数据庞大的图像进行处理并及时分析，以便提供准确一致的结果。不过，图像分析法有一些问题，比如容易被遮挡，容易受到光线的影响，另外，个人隐私的泄露也是有可能的。Wi-Fi信号分析法是一种通过对WiFi信号进行分析来识别人体动作。通过WiFi信号分析法可以获取到全面的网络性能数据，只能对特定区域内的信号进行分析，同也会受到周围环境的影响。现有的人体动作捕捉技术主要依赖于摄像机进行数据采集，但这种方法在实际应用中存在一些固有的问题。例如，在复杂的环境中，摄像机的视野有限，可能无法准确捕捉到人体的各个部位，导致动作捕捉结果不准确。此外，使用摄像机进行数据采集还需要借助复杂的图像处理算法，并且对光照和背景的要求较高，增加了系统的复杂性。而本文的研究目标是基于惯性传感器，对人体动作进行精确的捕捉和建模，以实现更加准确和自然的人体动作再现和分析。1.2.2动作识别相关算法的研究现状隐马尔可夫模型是一种统计模型，常用于序列数据的建模和分类，可以用于动作识别中对动作序列进行建模和分类。无向图模型其中最为广泛熟知以及应用的一种是条件随机场。条件随机场广泛应用在给序列作标注的任务当中，对动作序列进行标注的同时并加以分类。卷积神经网络通过结构提取动作序列中的空间特征，并通过卷积层、池化层等进行分类，在图像处理领域取得了巨大的成功。长短期记忆网络是一种适用于时间序列数据处理的循环神经网络，针对动作序列中的时间依赖关系处理模型设计。时空卷积神经网络能够同时建模出动作序列中适合处理视频数据的空间和时间的特点。骨骼关节轨迹而是通过使用深度传感器等设备获取人体关节的三维坐标轨迹，为下一步的对关节轨迹进行特征提取和分类提供素材，进一步完成动作识别的工作。该研究工作要用惯性传感器显示数据（涉及加速度计和陀螺仪）记录人体动作的加速度和角速度等详细信息，对数据文件完成特征提取和重新分类，以实现姿势的正确识别1.3论文的研究内容及安排首先阐述了利用惯性传感器研究人类动作捕捉与识别系统的重要性及现阶段的发展，明确了主要研究方向。二是论证其方案的无线人体动作抓拍识别系统设计。第三部分详细探讨了硬件实施计划，着重介绍了利用ICM20984传感器的人体动作获取装置设计与实施，以及无线数据传输装置的设计与实施。本节主要讲述处理传感器所得到的三轴夹角速度及三轴夹角速度信号的方法。第四章讨论了软件方向的数据预处理，以减少惯性传感器的影响，SVM算法对数据进行转换。另外，简要介绍了运动学中的相关算法。第五章身体动作捕捉辨识系统的验证测试。第六章系统归纳，点明不足之处。

人体动作捕捉系统设计2.1系统总体目标与需求分析人体动作识别主要分为两种方式，一种是人体姿态识别，是以影像为基础，另一种是人体动作识别，是以传感器为基础。以性感器械为基础的人体动作辨识，与以往的人体动作辨识方法相比有其过人之处：光线、角度、障碍物等都不受外界环境条件的限制；用户可通过每日操作进行资料搜集；再配上小巧灵敏的感应器，就能随身携带，摆放位置也能灵活自如。最后，利用惯性传感器实现人体动作捕捉，在人体三轴上采集加速度和角速度信号，并利用无线通信技术向PC端发送采集信息，实现与PC端的无线连接。本章将详细论述以人体动作信息为基础的动作识别系统设计。人体动作信息作为实现系统的关键信息模块影响到整个系统的实现。本设计当中以单片机作为主控芯片，采用最为熟悉的同时采用适用于物联网的ZigBee模块进行无线通信，将ICM20984惯性传感器采集的数据传输至PC端。加速度传感器存在数据抖动和偏移会造成误差，与此同时陀螺仪存在累积误差，而且地磁仪易受磁场干扰，所以如何最大程度减小这些误差是我们需要考虑的。[6]为消除噪声或数据中的突变干扰，对数据进行滤波处理，本系统拟采用滤波法；再对资料进行分割，加工后进行特色提炼；通过SVM算法对模型进行最终的训练和识别。从而实现了通过惯性传感器数据的采集与分析，实现人体动作的精确捕捉与建模。图2-1系统整体框图从调研方式上看，本次调研将分三步走，主要采取多种方式开展调研。首先，本文中将设计并搭建基于ICM20984的人体动作捕捉系统。该系统由Sensor模组、资料处理模组和使用者介面模组组成。传感器模块用于采集人体的动作变化的信息，数据处理模块用于提取和分析传感器输出的数据，用户界面模块用于实时展示和记录人体动作参数。本文中将进行算法的研究和优化。为了准确地捕捉人体动作，本文中将利用机器学习和模式识别算法对传感器输出的数据进行处理和分析。具体来说，本文将采用深度学习算法建立人体动作分类模型，并对算法进行优化和改进，基于实际应用需求，进一步提高动作捕捉的精确性和稳定性。[7]本文中将进行实验验证与应用评估。为了验证本系统的可行性以及真实性，本文中将进行多种列环境下的动作捕捉实验。同时，本文中还将应用该系统于人体动作分析、体育运动训练等领域，预估该系统在实际应用中的性能和效果。本文将设计并实现以惯性传感器为基础模块的人体动作捕捉系统，并通过算法改进和实验验证，将动作捕捉的准确率提高并加强系统稳定性。这将为人体动作分析、体育运动训练等领域的应用提供全新的解决方案和技术支持。通过本次研究，本文中将为惯性传感器的应用拓展了新的领域，并为科学研究、工业生产等方面提供了相关的技术支持。

2.2方案论证

2.2.1动作采集模块选择

方案一：ICM20984包含三轴加速度计、三轴陀螺仪、三轴磁力计三个主要部分，具有测量精度高、稳定性强等特点。该模块可以准确地感知人体动作，提供相应的动作数据并可以输出。ICM20984是一款运动跟踪设备，而且功耗极低，非常适合智能手机，平板，以及可穿戴设备和物联网应用。此外，其功率是其他现有九轴设备的三分之一，更重要的是该模块软件驱动程序完全符合的最新Android版本。方案二：MPU9250此模块包含两部分，一部分为以MPU6500为核心的三轴陀螺和三轴加速计，二是AK8963三轴磁力计。与MPU-9250/55相比功耗更低，磁力计范围更大，通信速度更快。采用ICM20984这一先进的惯性传感器作为硬件平台。

表2-1MPU-9250/55与ICM-20984参数对比特征MPU-9250/55ICM-20984加速度±2g~±16g±2g~±16g陀螺仪范围+250~±2000dps+250~±2000dps磁力计范围4800uT4900uTDMP6轴器件9轴器件通信接口I2C主设备400Khz400KhzI2C从设备400Khz400KhzSPI主设备1Mhz7Mhz

2.2.2主控模块选择方案一：STM32F103C8T6单片机Harvard架构32位低功耗高性能单片机MCUSTM32F103C8T6具有48个管脚、39个I/O功能引脚、20KRAM、64KROM，同时还包含ADC、计时器、USART、SPI等特殊功能引脚。更强大的功能可以通过引脚复用来实现。工作速度较快，具有众多外设，功能相对丰富，单片机程序都是模块化的，便于后期扩展开发。方案二：STC89C52RC单芯片、8位微处理器、ROM容量8K字节、RAM为512字节、I/O端口32个。其优势在于器件体积小、所需电压低、功耗低、价格亲民，I/O口的配置操作相对简单，如需实现本系统需要外接外围器件拓展，但运行速度相对较慢。综上所述，STM32F103C8T6主控芯片在满足系统要求、经济性和实用性方面更胜一筹，再也不用外接各种外设了，所以选择了STM32F103C8T6作为主控芯片，性价比高，能耗低，性能稳定，表2.1提供了两款微控制器的基本参数对比，在此基础上，STM32F103STM32F103C8T6在性能和功能上远超STC89C52RC，适用于更复杂的应用场景，能够满足系统要求。

表2-2STC89C52RC与STM32F103C8T6数据参数对比型号STC89C52RCSTM32F103C8T6核心8位805132位ARMCortex-M3最大主频40MHz72MHz内存8KBFlash,512BRAM64KBFlash,20KBRAM可编程I/O引脚3237供电电压5V2.0V~3.6V定时器/计数器3个3个通用定时器，1个高级定时器串行通信接口1个全双工串行口2个I2C,3个USART,2个SPI,1个CANADC无12-bit,1μs,10通道通信协议支持无I2C,SPI,USART,USB,CAN

2.2.3无线通信模块选择方案一：CC3200WIFI：物联网(IOT)应用于集成高性能ARM-Cortex-M4的无线微处理器，单一的I2C能够应用发展为一个繁琐但详细的整体。在Wi-Fi、Internet和Safety协议的协议下，无论是否掌握Wi-Fi的有关经验，这一优势有利于使用者更快速的学习，开发和应用。在C3200器件中，附加了全套的相关解决方案和相应网络代理，囊括了工具软件、实例说明模块、常用工具以及个人用户和编写程序实用手册等相关的资料信息。该器件具有四方扁平无引线(QFN)封装这一集成封装优势，易于布局布线。但由于该模块MCU功能强大，仅做一个无线通信模块有些大材小用，所以放弃该方案。方案二：HC05HC-05是一款基于BluetoothSpecificationV2.0带EDR蓝牙协议的数传模块的蓝牙串口通信模块。其无线工作为2.4Ghzism，调制方式为Gfsk。该模块发射功率最大为4dBm，接收灵敏度为-85dBm，板载可实现10米距离通信的PCB天线。REF_Ref19526\r\h[7]表2-3HC-05数据参数参数说明供电3.3v-5v通讯接口TTL串口，支持波特率4800-1382400通讯距离10米频段2.4GHZ-2.48GHZ蓝牙协议蓝牙2.0带EDR，2Mbps-3Mbps存储器8MbitFLASH天线板载2.4GHZ天线无线发射功率-4~6dBm无线接收灵敏度-80dBm误码率0应用领域蓝牙转串口透传数据工作温度-25~75°C功耗配对中：30~40mA

通讯中：5~20mA方案三：ZigBeeZigBee模块的首要任务是将串口接收到的信息，经由ZigBee协议传输至相应模块，模块接收到无线数据后，再经由串口输出。ZigBee通信有半双工的点对点的模式，也存在单工的广播模式。ZigBee是一项基于标准的技术，用于远程监控、控制以及传感器网络的应用。典型的ZigBee模块都符合IEEE802.15.4国际标准，在2.4GHz上运行。868MHz在欧洲地区使用，而在北美地区使用915MHz。

2.2.4分类算法选择方案一：决策树算法预测目标变量的方法是将数据集分为不同的子集(datagroup)。它先从根结点入手，按照一定的特征划分数据集，然后递归产生更多的子结点，直至满足停止条件。决策树内部的每一个节点表示特征属性上的判断条件，每一个分支表示一个可能的属性值，每一个叶节点表示一个分类结果(communitycomplex)。REF_Ref20816\r\h[8]方案二：逻辑回归算法一种用于二元分类的算法，在逻辑函数映射线性回归的结果到0，1范围内。逻辑回归模型将输入特征与输出类别之间的关系表示为线性回归函数，然后通过逻辑函数将线性回归的结果转换为一个概率值，用于预测目标变量。逻辑回归的优点是计算效率高，但在处理高维数据时可能会过拟合。REF_Ref21573\r\h[9]方案三：SVM算法不同的品类，找个超平面来划分。它试图最大限度地限制两大类的界限，称为间隔(space)。SVM的目标是找到一个超平面，可以正确地将数据集中的点进行分类，同时使间隔时间最大化。在二级分类题中，SVM通过解二级优化题达到了这个超平面的目的。人体动作识别的基础是对数据样本进行分类特征识别，常用的算法有简单贝叶斯(NB)，决策树(CART)，以及K-近邻(KNN)，SVM等。其中，在解决已被广泛应用于各种分类识别问题的非线性、有限样本等分类问题上，泛化性较好、唯一全局性最优解法和健壮性较好的SVM算法显示出独特的优势。由于本文中采用三维惯性数据作为训练数据，所以选择SVM算法。

2.3总体方案设计本研究将建立人体动作捕捉的主要设备系统。首先，判断惯性传感器具体型号后，根据其接口和规范标准，再选择符合的硬件设备系统并且去构建，应该包括主控芯片、传感器模块和数据采集模块。参照需求和经费可以挑选相配的硬件元件，另外进行相关接口、电源、通信等的开发和测试。其次，搭建底层硬件，为以便软件算法开发提供可靠的数据采集与处理基础。第三，我们将设计并实施动作捕捉算法。该算法是人体动作捕捉研究的核心，能将传感器收集的数据转换为相应的人体动作信息。我们将结合惯性传感器记录的加速度和角速度等数据，加以运用人体运动学原理，设计与制作出一个高效而准确的动作捕捉算法。该系统的总体框图如下：图2-2总体设计框图第三章硬件设计3.1硬件系统整体设计主要有四大块内容的硬件系统构架。第一个部分是基于惯性传感器的检测模块其主要功能是采集相关动作数据。第二个部分是主控模块，主要负责数据控制，作用是存储并汇集之前采集的数据再将数据打包。REF_Ref22106\r\h[10]第三部分是负责串口传送数据的无线通讯模块。第四部分是PC端，通过无线模块的透传将采集到的数据接收并在界面显示。如下图3.1所示。图3.SEQ图\*ARABIC\s11硬件系统框图3.2基于ICM20984的采集模块3.2.1ICM20984简介ICM-20948是在单片QFN封装中集成了两个芯片组成的多芯片模块(MCM)。一个骰子包含一个3轴陀螺仪，一个3轴加速计，以及一个DigitalMotionProcess™(DMP)。另一个骰子装有AK09916旭化成微电子株式会社的3轴磁力计。ICM-20948是一款全部采用小型3x3x1mmQFN封装的9轴运动跟踪器件，如图3.2。图3.2ICM-20948封装图ICM-20948具有如下特性:1.功率最低的9轴器件，功率为2.5mw2.3轴陀螺仪具有+250dps、±500dps、±1000dps、±2000dps可编程FSR的±2g、±8g、±16g可编程FSR的3轴加速度。3.宽度±4900UT的三轴圆规4.板载数字运动处理器(DMP)5.安卓支持6.外接传感器、片上16位ADC和可编程滤波器的辅助I2C接口7.7MHzSPIl或400kHz快速模式PC·数字输出温度传感器8.VDD工作范围为1.71V至3.6VICM-20948中的DMP包括以下功能：•卸载运动处理算法的计算由MasterProcessor执行。动态运动处理器(DMP)可减少功耗、简化时序和软件架构，节省MIPS用于应用程序的处理器。•DMP可以通过传感器实现加速度计、陀螺仪和Comp的最佳性能，使传感器数据通过传感器融合，以保持对生成的物理传感器和虚拟传感器的最佳性能。这为所有支持传感器的应用程序提供了最佳的用户体验不受操作系统、平台和架构限制，几乎支持所有AP、MCU或其他嵌入式结构。REF_Ref22896\r\h[11]3.2.2ICM20984传感器原理（1）加速度传感器原理加速度感应器是一种测量物体加速度大小的设备，是一种测量物体加速度大小的感应器。它是根据牛顿第二定律，即物体所受作用力成正比，物体加速度的大小也就成了牛顿第二定律。REF_Ref23249\r\h[12]加速度传感器通常采用包含微小机械结构和电子元器件的MEMS技术制造。加速度传感器的原理是以质量为基础，以弹簧系统为基础。感应器内部有一个质量块，受力产生位移，物体被加速时位移，感应器内部有一个质量块。这样的移位会引起弹簧的变形，从而产生电信号。测量这一电信号的变化，就能判断出物体被加速的大小。具体地说，一般采用压电作用或电容作用来测量位移的加速度感应器。常见的电容式加速度传感器由两个主要部分所构成，一个是静态极板，另外是动态极板，它点连接到惯性质量上并能在金属外壳内自由移动。(3-1)电容变化如式(3-1)，它的值是极板间距离d的函数，其中k是介电常数，0是真空的介电常数，a是两个导体的相对面积，可以说用加速度调制了这个电容器的值。在20微米以上的电容式加速测量中，很少有最大的位移。通常是通过结构相同的差动技术来实现，在这种差动技术中额外形成一个容器。在达到180°相移变化的同时，第二容器的值必须和第一容器的值比较接近。因此加速度可以用两个电容器值的区别来表示。加速度传感器测量质量块的位移或电容的变化，通过测量物体所受加速度的大小。REF_Ref23810\r\h[13]这一原理使其在多个领域范围有着广泛应用，如汽车安全系统、平板电脑和腿部运动追踪设备。(2)陀螺仪传感器原理图3.4哥氏效应原理我们先来了解一下本文中的COLOLIOLLI：质点在旋转系统中直线运动时，惯性使其倾向于继续原来的运动方向，但由于系统旋转，质点位置在一段时间后发生变化，在旋转系统的视角下，其原来的运动趋势会发生偏差。陀螺仪传感器是一种对物体角度速度进行测量和检测的设备。它基于陀螺效应原理工作，通过检测物体的旋转来确定其角速度。陀螺效应是指当一个旋转体发生角速度变化时，会产生一个与角速度变化方向垂直的力矩。陀螺仪传感器就是利用这个原理来测角测速物体的。陀螺仪感应器一般由两个部分组成：旋转件和感应件。旋转部件可以是一个旋转的轴或者一个旋转的盘片，而感应部件则是用来检测旋转部件的角位移或者角速度变化的装置。图3.5哥氏加速度当物体发生旋转时，旋转部件会受到陀螺效应产生的力矩作用，感应部件会检测到这个力矩并将其转化为电信号。通过测量这一电信号码的大小和走向，陀螺仪传感器能够判断出物体的角速大小。GoxicalSpeed只会产生刚体在圆盘上的径向运动。因此，物体体验在设计螺仪时不断地运动或震荡，如图3-5所示。在这个过程中，产生的GoxGA速度在横向上不断变化，造成与驱动力相位相差刚好90度的物体在横向上发生微小的震荡。一般陀螺仪都配有两种可移动的电容板，分别是径向和横向。振荡电压施加在物体的受径上，产生径向运动，而测量横向电容变化的是GoxyGravel造成的横向电容板。REF_Ref24917\r\h[14]哥氏加速度与角速成正比，所以可以通过电容的改变来实现角速的计算。常见的陀螺仪传感器有MEMS(MicroMachineElectronSystem)陀螺仪和光纤陀螺仪。MEMS陀螺仪使用微小的机械结构来感应旋转，而光纤陀螺仪则利用光纤中的光信号来测量旋转。REF_Ref25361\r\h[15]陀螺仪传感器在许多应用中都有广泛的应用，例如飞行器导航、惯性导航系统、运动控制和姿态稳定等领域。3.2.3ICM20984传感器操作ICM20984初始化ICM-20948通过SPI或I2C与系统处理器进行通讯，始终是从属设备。在I2C通信中，设备的地位是平等的，有主次之分，可以存在主次之分，也可以存在多次主次之分。但是SPI通信模式如表3-1所示。表3SEQ表格\*ARABIC\s11名称描述MISO主设备数据输入，从设备数据输出MOSI主设备数据输出，从设备数据输入SCLK时钟信号，主设备产生CS片选信号，主设备控制ICM-20948的内部寄存器和存储器可以使用400kHz的I2C或7MHz的SPI进行访问并在四线模式下运行。I2C引脚配置如表3-2表3-2引脚号引脚名称引脚说明9AD0/SD0I2C从地址LSB（AD0）SPI串行数据输（SDO）22nCS片选（仅限SPI模式）23时钟线/时钟线KI2C串行时钟（时钟线）SPI串行时钟（时钟线K）24数据线/SDII2C串行数据（数据线）SPI串行数据输入（SDII2C通信的开始和结束条件：当主机将起始条件设置在总线上时，I2C总线的通信就开始了。这一条件被定义为钟线当时为高电平时，数据线由高电平转换为低电平(详见图3.6)，这被看作是总线繁忙的状态。该状态一直持续到主站在总线上设定结束条件。结束条件定义为在数据线上由低电平转换为高电平，而时钟线则维持在高电平状态。另外，如果启动条件产生反复而非终结，总线就会一直处于忙乱之中。图3.6I2C周期图一个ACK响应信号的发送需要经过一次主/自装置发出的数据。每个通信周期传输8个数据，在第九个通信周期，发送端将SDA总线拉高，然后释放总线的控制权。如果接收端在第9期将SDA拉低，说明ACK信号已经发出，而在第几期SDA已经处于高电平，说明ACK信号尚未发出。表3-3所示I2C通信过程中各引脚及其作用的说明：表3-3I2C通信过程中各引脚及其功能的说明表引脚功能S开始控制：数据线由高电平跳到低电平同时时钟线为高电平ADI2C从属设备地址W写入功能，7bit为0R读取功能，7bit为0ACK在第九个时钟周期数据线为低电平时钟线为高电平NACK在第九个时钟周期数据线仍为高电平RAICM-20984网络寄存器地址DATA传输或存储数据P结束控制：数据线由低电平跳到高电平同时时钟线为高电平数据读取3.3主控模块选用ST公司STM32F103T8U6芯片为微控制器，具有低功耗，体积小，集成高，最高工作频率72MHz，内嵌时钟，复位电路，供电2.0-3.6V，休眠，停机，待机等三种低功耗模式。REF_Ref162939510\r\h[17]I/O接口具有37位输入输出数，方便用户扩展外设，支持APB总线式连接方式。主控芯片STM32F103C8T6具有高性能、低功耗的特点，内部是基于ARMCortex-M3内核的STM32系列32位微控制器，同样可以通过16位计数器和自动重装寄存器产生所需的计时时间。内置高达64K字节的ROM和20K字节的RAM，容量满足系统要求，不需要对内存进行再外扩。STM32开发了标准库函数、HAL库函数和图形化编程方式，而ST意法半导体公司为STM单片机编写了大量且丰富的库函数，可供用户直接调用，在编程使用时，用户只需在工程中添加所提供的标准库函数和配置文件，就可以方便灵活地在调用片上进行资源的调用，而STM意法半导体编程开发效率大大提高，开发周期也随之缩短。由此，也大大提高了代码的规范性。表3-4STM32F103C8T6参数表型号STM32F103C8T6工作环境-40°C~85°C工作电压范围2V~3.6V速度72MHz输入/输出数37程序存储器容量64KB(64K×8)程序存储器类型FLASH模数转换器A/D10×12bRAM容量20K×8总线宽度32位3.4无线通信模块基于惯性传感器的动作捕捉系统主要选用TI公司的CC2430芯片——ZigBee无线传感器网络的基础节点。CC2530的操作方法是：先从天线接收射频讯号，经低噪音放大器放大，再经下变频处理，转换成中频讯号，频率为2MHz。接下来透过A/D转换器进行讯号转换为数位讯号，透过滤波器进行扩波式处理。CC2430在保证高精度和空间利用率的数码领域实现了自动增益控制、频道过滤和解调。其内置的模拟频道滤镜可以有效的让所有运行在2.4GHz主频上的系统共存。CC2430在发射模式下，按照IEEE802.15.4规范进行比特映射调制。换言之，调制（和扩频）以数字方式实现。其过程是：基带信号机通过D/A转换器，经单边带调制器的低通滤波，将片内功放放大至可发射水平，并直接进行变频。参数说明芯片型号TICC2530工作频率2.4~2.485G可用频段数16无限速率250Kbit/s发射功率4.5dBm接收灵敏度-97dBm最大发射电流35mA最大接受电流24mA休眠电流1uA工作电压范围2.0~3.6v表3-5CC2530参数表第四章软件设计4.1软件系统开发环境介绍4.1.1JupyterNotebook开发环境简介Anaconda是用于计算科学数据科学、机器学习、大数据处理和预测分析的免费开源的Python和R语言的可运行平台。REF_Ref29971\r\h[18]JupyterNotebook用于交互式编程和数据可视化，是Anaconda还有许多其他科学计算和数据分析包。运行环境支持Android1.6应用类型生活实用类软件应用介绍JUPYTERNOTEBOOK是一款网络应用程序，用于计算文档的创建和分享。它提供了一种简单、流线型、以文档为中心的体验。由于它可以同时显示丰富的文本和运行代码，并且其内置丰富的交互式控件，能够极大地丰富了可视化功能，给使用者非常直观地体验。本文使用JupyterNotebook来实现SVM的训练，在训练的同时方便绘图和相关问题的记录。此外JupyterNotebook包含丰富的函数，调用简单直接。4.1.2Matlab开发环境简介MATLAB为美国MATHWORKS公司开发的商用数学软件，涉及数据分析、无线通讯、深度学习、图像处理、计算机视觉、信号处理、机器人和控制系统等各个领域。该软件提供了广泛的数学函数库和工具箱，支持数据分析、可视化、模拟和算法开发等多种任务。Matlab拥有出色的绘图功能，可产生优质的2D和3D图表，用于数据可视化和结果呈现。此外，它支持脚本编程和函数撰写，可进行自定义算法开发和程序设计。本文使用MATLAB来实现采集数据时出现的噪声处理，并利用其机器人工具箱实现机械臂的模拟，也可仿真惯性解算的流程。4.2软件系统整体设计本文基于SVM分类思想，算法流程如图4.1所示，以惯性传感器采集的运动数据为基础，实现了人体动作的准确识别。该流程包括动作分割和分类识别两个部分。一是将动作的原始加速度及角速度资料收集起来，利用均值滤波法，将资料平滑滤波，以排除资料中的尖峰或突变干扰；然后进行数据的分割和处理后的特色提炼；最终通过SVM算法来训练和识别模型。图4SEQFigure\*ARABIC\s11算法流程图动作识别基于运动加速度和角速度数据，主要包括提取能区分动作的参数特征、以样本均值为特征，针对多类特征采用SVM分类器。SVM分类器对体操动作识别的准确率与分类模型的选择和训练密切相关。常用的模型大致分为两种，普适性较强的通用模型和针对个性化实验者设计的多样化模型。为了保证识别精度并简化实验流程，本文采用普适性较强的通用模型。首先，通过预先采集多个实验者的体操运动原始数据，构建出多个模型并对其进行训练，最后根据训练结果筛选出最佳的分类模型。这种方法不需要多个实验者同时参与实验，但又综合考虑了不同个体的特征，因此可大大提高分类效率。REF_Ref162939542\r\h[19]4.3数据预处理资料预处理是指用于机器学习或数据分析任务时，对原始资料进行清洗、转换和整理。此为数据分析中关键步骤，能够增进模型的准确性与性能。惯性感应器所采集的人体动作讯号一般含有较多的杂讯，需要对动作资料进行预处理，以确保后续特征提取的准确度，并在量机演算法上支援资料提取的准确度。在数据采集时，人体的无意识晃动、传感器位移或传感器间的干扰等各种因素，可能导致采集误差，进而影响动作识别的准确性和精度。原始数据中的干扰信号是难以避免的，但可以通过多种技术和方法将其影响最小化，如传感器校正、数据归一化、滤波等。本文采用滤波技术，有效剔除了原始数据中的大部分干扰因素。4.3.1抑制样本数据噪声在记录人体运动数据时，设备需置于被试手腕处，使惯性传感器Z轴垂直于地面，Y轴与地面平行，X轴与运动方向平行[6]。由于惯性传感器可能存在噪声干扰，因此在数据采集后，需要对数据进行噪声消除处理。滤波器的作用在于过滤波形，它不是指在时间轴上选择波形的某一段，而是消除不必要的波形成分，只让需要的波形成分通过，而不需要的波形成分被去掉。波形成分一般以频率(Hz)为描述单位，也可以用模拟角频率(RAD/S)和数字角频率(RAD)来描述波形成分。REF_Ref30703\r\h[20]理想的滤波器应该只允许通过波形成分(POLARIZATION)在特定的频带范围内进行过滤。尽管理想滤波器不可能实现，但本文可以无限接近该理想，需要对设计的滤波器性能进行描述。可应用的滤波器：理论上的滤波器能够严格地将某一频率点的两侧成分分隔开来。这一频率点被称为截止频率Wc。在截止频率的一侧，信号可以通过（即幅度保持不变），而在另一侧则不允许通过（即幅度全部为零）。事实上无法做到，但通过宽松条件可实现。向左、向右移动截止频率点可确定两新频率点，它们之间频率成分即过渡带。这两点分别标为通带截止频率(FP或WP)和阻带截止频率(FS或WS)。同样，波形幅值没有办法永久维系一致，通道内的频率变化下降称为通道减弱，而会堵塞内的振幅减弱称为阻塞减弱，通常用分贝（dB）来衡量振幅减弱。修正带内频率成分幅度极其缓慢下降，允许通带和阻带幅度在一定范围内震荡，且使可以实现该滤波器。数码低通滤器是为了过滤超越人体运动极限的角速感应器输出的高频讯号而设计的。FIR数位滤波器的系统作用如下：FIR滤镜的设计工艺，实际上就是识别H(n)的工艺。有两种FIR滤波器的设计，首先是窗函数量法，其次是频率取样法。窗函数法可设计高通、低通、带通、带阻、通用型多带滤波器，而设计任意幅频特性的滤波器则可采用频率法则(frequencyrule)。本文中采用窗函数法设计FIR滤波器，具体的设计过程借助Matlab来实现，主要用到了Matlab的自带的filterDesigner命令。REF_Ref31757\r\h[21]其幅频特性如图4-2所示:图4.2该滤波器的主要性能指标如下：响应类型：带通滤波器设计模式：FIR滤波器阶数：自动使用最小阶数采样频率：10000KHz阻带频率1：1400KHz通带频率1：1600KHz通带频率2：3400KHz阻带频率2：3600KHz阻带1衰减：60dB通带衰减：1dB阻带2衰减：60dB4.3.2除去重力加速度干扰因为惯性传感器承受重力加速度的干扰，为了计算出来大数据采集的移动的距离量，一定要选用加速度传感器，如下式所示。ϕ式中,传感器的载体移动加速度为bn(t),移动速度为ϕnt,位移量为ent,传感器在i时刻的采样值为bni,速率为考虑到惯性传感器在人体动作数据采集时会受到重力加速度的影响，位移量无法直接计算，因此需要利用3D坐标变换算法对加速度传感器所采集的数据进行变换处理，从而得出水平坐标的加速度值。通常来说,惯性传感器在采集数据时,会固定在人体手腕位置,传感器坐标即为人体行为坐标,当传感器随人体姿态任意运动时,人体运动坐标能够根据前方的行进方向水平坐标系旋转获取。4.4SVM算法在信息检索和文本挖掘领域，支持向量机(SVM)是关键算法之一。它通过计算向量的相似程度，将文本转换成向量形式，向数量空间表示文档和查询，达到文字匹配和查找的目的。4.4.1SVM原理SVM的基本理念非常直觉化，采用结构风险最小化的准则，基于统计学原理，始终致力于增加模型泛化能力并最小化样本分析误差范围。在线性分类时，将分类样本距离决策边界线线较远。这两类数据的差值越大，距离政策制定的界限间隔的时间也就越接近。根据数据点和决策边界的相对位置可以划分分类。以识别肿瘤是否为恶性为例。推论肿瘤的恶变与半径相对应，而与其他特征没什么关系，这种大分类结果仅与单一具体特征相关的支持向量机称为一元支持向量机。当肿瘤半径大于一定值时为恶性且最靠近决策边界的半径与为良性的最大半径到边界的距离相同，此时的距离称为硬距离。然而二元支持向量机最接近现实生活中两个村落之间要共用一个水站，要求水站到两个村庄的距离相等，但不排除存在介于两个村落之间的人家。但出现这种情况时，本文中可以选择忽略这个特例，如果这样的人家特别多，本文中则可以引入损失因子，进而增加损失值。在一元支持向量中决策边界是一个点，二元中则是一条线，在高维度中本文中则采用超平面表示。二元支持向量机如图4-2所示。图4-2针对很有限维特征向量中的线性化不可分样本，我们将其映射到高维空间，以最大化间隔来再训练非线性支持向量机（非线性SVM）。REF_Ref8016\r\h[22]此题遇到非线性可分样点时，应根据核函数进行处理。输入向量在原始空间，通过核函数转化为特征空间，这可能是一个高维度的数据空间。求向量点积的函数是nuclear函数。利用核函数，无需明确将数据嵌入到空间中，因为许多算法只需要图像向量之间的内积，而内积是标量；在特征空间中，不需要数据的坐标。常用的核函数如下：线性核函数k图4-3多项式核函数kx图4-4高斯核函数k图4-5核函数(nuclearfunction)是为了在复杂空间中比较样本，灵活地表示数据样本的方法。在对比中，Nuclear功能显示了非常实用的价值。大小非减持图片；蛋白序列有长短之分；3D结构的对象；边网和节点网数量有所区别；不同长度、不同形式的样本文件之上的实物，其数量、种类以及其他特征都是不同的。我们希望能够聚类数据样本，从而发现左邻右舍在这个复杂的高维空间中究竟是如何正确的。核函数(nuclearfunction)是允许将复杂空间中的物体映射到高维空间中，从而能够简单比较这些复杂特性的任意函数。对照：可用两个不同词数的词对照一下。一颗定义恰当的内核提供了一个度量标准，它可以量化两个物体的相似性，通过这个度量标准来确定它们的相似性。分类：虽然在特征空间中相似性可以被量化，但简单的分类器也可能在这个空间中表现不佳。我希望把数据投射到另外一个空间，把样本归类到这个空间里，我们希望把这些数据投射到另外一个空间里面去。4.4.2数据集构建MNIST数据集来自由250人手写数字组成的国家标准与技术研究所、国家信息技术研究所、培训集，其中一半是高中阶段的学生。另一半是美国普查局(PICA)的工作人员。试题集也是手写数字资料的比例相同。REF_Ref8518\r\h[23]在MNIST训练数据集中，MNIST.TRAIN.IMAGES是一个形状和大小为55000*784的张量，第一维建立索引图片，第二维索引像素。各图所示为素点。这个张量中的每一个元素都代表了某个像素点在某一画面中的强度值，值在0~255之间。MNIST包含2个素材集合：1个是训练素材集合，1个是考试素材集合。4.4.3SVM评价指标评价模型结果的指标混沌矩阵(ConfusionMatrix)属于模型评价的一部分，如表所示：实际表现10预测表现1TPFP0FNTN如正确用T(真)表示，错误用F(法)表示，1用P(法)表示，0用N(法)表示。1.准确度(accuracy)：即正确结果在总样本分析中所占比率，是评估分类模型整体性能的基本指标之一。计算准确度的公式是：TN+TP2.精确率（Precision）：又叫“查精率”，是对预测结果的准确度的评价标。指的是样本发生的概率实际上是正的，在所有预测为正的样本中都是这样的。也就是说，能预测出正确的把握在预测结果为正的情况下会有多大。精确率的计算公式为：P=在其他领域，精确率和准确率可能概念以及计算大同小异，但在机器学习中却是两个完全不同的概念3.查全率(Recall)：在实际情况下预测样本为正的概率，是对原样本而言的。R=比如说地震的预报，我们每预报一次地震，我们都希望在这个时候能够牺牲确确率。10次地震，发1000次警报。使这10次地震全部覆盖(此时预警100%，预报1%)，不要发100次，预报到的有8次。但漏了2次(此时风险为80%，风险为80%)。4.F值：F值是一个用调和平均数的方法来取舍召回率和精确率的指标。5.ROC曲线：常用于评价二值分类器的优劣，对模型预测的准确程度做评估。ROC曲线的横坐标为FPR，纵坐标为TPR。以下为各项参数的使用情况：真阳性率(TruePositiveRate，简称TPR)：TP/(TP+FN)，代表的意思是：模型能够正确地识别出的比例在实际观测为阳的样本中。TPR又称为Sensitivity。真阴性率(TrueNegativeRate，简称TNR)：TN/(FP+TN)，代表的意思是：在实际观测为阴的样本中，模型可以正确地识别出其中的比例。TNR又称为Specificity。假阳性率(FalsepositiveRate，简称FPR)：FP/(FP+TN)，表示的意思是：实际观测到的被模型错开成阳性比例的是阴性样本。FPR=1-Specificity。我们可以同时通过TPR和FPR两种途径来评估一款车型的预判能力。TPR越高，FPR越低，说明这款车型越有出色的预判能力。4.5运动学算法正向运动学在已知的构型中，需要计算机器人员的姿势，也就是连杆的长度和接合角度，这些都是已知的。对于已知的机械臂参数和关节变量，必须建立机器人运动学方程，也称为正向运动学，以获得机械臂末端相对于原点的运动。正向运动学需要推导与机器人特定构型有关的方程组，通过将已知关节和连杆变量代入这些方程，可以计算出机器人的姿态。正向运动学框图逆向运动学这是一种正向运动学的反过程，利用机器人的运动公式来确定机械臂的关节参数，从而使末端执行器移动到所期望的位置。执行器可以是关节，如手或脚，也可以是内部关节，如手肘或膝盖。逆向运动学框图工业机器人是由一系列连杆式连接关节构成，关节之间采用刚性机体连接。每个连接杆对应一个自由度，因此六个连接杆的工业机器人也被称为六自由度工业机器人。REF_Ref5482\r\h[28]一般情况下，工业机器人的设计以三个自由度确定姿态，其余三个自由度则用于位置确定。实际应用中主要需要解决的问题是描述端点座标的位置相对于基准点的座标。1955年，Denavit和Hartenberg提出了一种递归借助关节坐标轴的建模方法，主要结合矩阵代数，并主张了普遍适用的坐标系传递特征向量，用以具体描述机器人工具点相对于基准点的具体的位置和姿态。REF_Ref162950156\r\h[29]由于其原理清晰，适用于各种类型的机器人构型，在任何坐标系统中都可以完成变换，所以一般称为D-H方法，简称D-H坐标系，也就是连杆坐标系。这种方法利用齐次变换矩阵来实现，将正向运动学问题简单化，并将其与齐次矩阵联系起来，后者由机器人运动学方程推导得到了有效的推进。这种D-H方法被确认为机器人运动学的标准造型方法。机械臂的D-H建模参数序号关节转角θ连杆长度d关节偏置a连杆扭角α1θ12800-Π/22θ2021003θ3075-Π/24θ42100Π/25θ500Π/26θ6000机械臂6个位姿变换矩阵如下：T01=0,−1,T12=COS0,0,T23=COSX30,−1,0,T45=COSX5,0,SIN0,1,0,T34=COS0,−1,0,T56=COS0,0,机械臂运动学方程如下：其中，正解变换矩阵运行结果如下：机器人建模箱运行数据如下：建模效果如下图：

图4-6第五章结果测试与分析5.1硬件调试硬件调试是第一步，以惯性传感器为基础，确保动作捕捉系统能够平稳运行。硬件调试在此设计中主要包括两大部分：调试惯性感应模块和调试无线通讯模块。静态调试主要关注于对设备自身的性能、功能和设计进行检查，而无需实际运行整个系统。以下是静态调试的详细步骤：外观方面的考察。检查没有损坏、变形或有明显瑕疵的硬件设备外观是否完好。结构检查。检查设备结构是否牢固，各部位联系是否紧密，有无松动、脱落等现象，做到心中有数，有的放矢。动态测试而是涉及到在keil运行环境中对硬件设备的性能和功能进行验证。拿到主控模块初步上电状态，电源指示灯闪烁，PC端可以识别，证明主控模块良好。基本功能验证：按照测试计划，依次调试硬件设备的基本功能，如传感器数据采集、控制指令执行等，确保各个功能正常执行。边界条件测试：调试硬件设备在边界条件下的工作情况，如最大测量范围、最小工作电压等，以此来检验设备的稳定性和可靠性。无线通信模块调试：先设定模式进入，在模组断电的情况下，按住按键不放，4颗LED不停闪烁的情况下，证明已通电。LED闪烁，按下按键进入设置模式。其次，修改波特率，模块会通过LED来指示当前的波特率，通过按键更改波特率。三是开设渠道。长按按钮持续LED周期闪烁，释放按钮就会进入通道设定。期间LED闪动快，称已选好渠道。按下按钮，就可以切换到旁边的通道了。该模组共设16个频道，对应4颗LED的16种状态。同样的渠道，不同模块的波特率也可以互通。图案设定。信道设定好，按下按钮到LED回转闪烁，即为进入模式设定。确定设定。主/从设备设置完成后，按住按钮至使LED循环闪烁，所有LED在释放按钮后保持指示灯显示2秒，然后再进入正常运行状况5.2软件调试把开源数据集MNIST从官方网站下载，在MATLAB中构建相关数据文件夹。此外将所需函数分别构建成M文件方便后期训练中使用。在MATLAB中对开源数据集MNIST提供的数据集进行测试。测试数据是600个手写数据，作为SVM算法的训练模型，而且进行编号。把测试数据摘取开始，中期，以及训练稳定后的三部分制成表格。其中抽取数据如下表。DeltaCost序号总数0.0457206000.0517216000.0431226000.0503236000.0375246000.0448256000.0323266000.0416276000.0323286000.0367296000.0301306000.0302316000.0276326000.0288336000.0276346000.0275356000.0262366000.0237376000.0253386000.023839600DeltaCostsupportupsaturate0.0147606000.0176616000.0126626000.0131636000.0130646000.0121656000.0136666000.0155676000.0124686000.0115696000.0143706000.0137716000.0129726000.0103736000.0108746000.0096756000.0097766000.0094776000.0111786000.009479600DeltaCostsupportupsaturate0.00003746000.00003756000.00003766000.00003776000.00003786000.00003796000.00003786000.00003796000.00003806000.00003816000.00003826000.00003836000.00003846000.00003856000.00003866000.00003876000.00003886000.00003896000.00003906000.0000391600为了减少确切值与预估值之间的误差值，建立起损失函数十分关键。若是可以获得损失值，模型便可通过反向传播再调整参数，使预测接近真实值，以实现学习目标。为了更加清晰展示软件系统调试的过程，软件系统测试的整体流程如图5-1所示。图51软件系统测试整体流程图5.3系统整体测试及结果分析系统测试是软件开发周期的关键的一步，关键聚焦于需要评估软件和硬件的基本功能、整体性能、安全系数和可维护性。通常在集成测试完成后进行，目的是验证软件系统是否符合预期需求规范。审查软件系统是否根据设定的功能规范运行，评估其在各种负载情况下的反应速度、吞吐量和资源利用率，确保用户数据的保密性、完整性和可用性。考察其与不同硬件配置、操作系统和浏览器的兼容性。SVM算法在MATLAB中运行结果如下SVM的