chapter12.4-基于EMG估计的肌肉疲劳度在机器人示教中的应用_第1页
chapter12.4-基于EMG估计的肌肉疲劳度在机器人示教中的应用_第2页
chapter12.4-基于EMG估计的肌肉疲劳度在机器人示教中的应用_第3页
chapter12.4-基于EMG估计的肌肉疲劳度在机器人示教中的应用_第4页
chapter12.4-基于EMG估计的肌肉疲劳度在机器人示教中的应用_第5页
已阅读5页，还剩9页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

CHAPTER12机器人示教基于EMG评估肌肉疲劳机器人从多次示教中学习实验与结果小结212.4基于EMG估计的肌肉疲劳度在机器人示教中的应用312.4基于EMG估计的肌肉疲劳度在机器人示教中的应用基于EMG评估肌肉疲劳本节介绍EMG中的内在振幅和频率与人体肌肉疲劳的关系。对于带宽非常小的带限信号，它占据信号功率中大部分的频率分量，而信号的主要特征为该分量的幅值和频率，可定义如下：

(12.56)

4图12.42EMG子带信号及其包络线（虚线）,每个子带中点虚线表示其主振幅图12.43子带信号的瞬时频率和主频率机器人从多次示教中学习5采用高斯混合模型对多次示教的数据进行建模。

根据对应的EMG数据计算

采用加权高斯分量分析肌肉疲劳的影响。6与传统的GMMs算法相比，加权GMMs(W-GMMs)的训练数据首先按疲劳因子进行缩放。W-GMMs的修正EM算法如下：1）初始化：设置参数的初值。

(12.57)

3）第M步：在新一轮的迭代中，通过极大似然估计更新模型参数为：

(12.58)4）重复第E步和第M步直到收敛

7

根据高斯分布的线性变换属性，近似为

(12.59)(12.60)

(12.61)实验与结果采用Baxter机器人对该方法进行验证。在实验中，人类示教者拖动机器人末端执行器完成示教任务，在此过程中记录机器人关节角度。这里使用MYO手环采集EMG数据。81.平台设置图12.44佩戴了MYO手环的示教者92.示教阶段在人类示教者的拖动下，机器人将完成以下动作：末端执行器上的笔戳中第一个圆（A）绕过障碍物，戳中第二个圆（B）绕过障碍物，戳到第三个圆（C）回到它的起始位置图12.45示教实验场景钢笔经过的路径：A→O→B→O→C→O103.学习阶段和再现阶段图12.46示教实验中，疲劳相关特征（肌电信号的平均瞬时振幅）的平滑曲线图12.47（a）肩关节角S0的三个原始样本（b）经DTW时间校准处理后的样本经过平滑处理的所有试验（共30次）的数据样本如图12.46所示。肩关节S0的角度存在时间上的偏差采用动态时间规整算法（DTW）以将数据在时间轴上对齐权重越大的训练数据在训练结果中越重要，这意味着当出现较少疲劳时的示教对机器人学习结果的影响更大。11图12.48W-GMMs的学习过程（a）关节空间S0的训练数据样本（b）训练数据形成的高斯混合分量（c）从W-GMMs中再生（学习）的轨迹W-GMMs中每个关节的学习结果如图12.49所示。Baxter机器人末端执行器的轨迹如图12.50所示。12图12.49Baxter机器人右臂的七个关节角图12.50Baxter机器人右臂完成学习任务时的轨迹小结本节介绍了在人机交互操作环境下肌肉疲劳效应的研究。估计了子带信号的瞬时振幅值和频率值。检测到的肌肉疲劳状态构成了在不同试验中进行权衡的基础。最终的学习

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论