摘要：設(shè)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(yīng)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(yīng)用于不同場景?；诠趋肋\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(shù)提取人體應(yīng)用關(guān)節(jié)點，并建立空間坐標(biāo)系，最后通過向量計算法來計算出人體關(guān)節(jié)轉(zhuǎn)動角度實現(xiàn)動態(tài)的動作識別進(jìn)而轉(zhuǎn)換為控制指令實現(xiàn)平臺控制?；谏疃?a class="contentlabel" href="http://m.ptau.cn/news/listbylabel/label/手勢識別">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(zhuǎn)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(jìn)行有效靈活的控制。

隨著隨著科技的進(jìn)步，人們一直都在致力于對便捷高效運輸機(jī)構(gòu)的研究。全方位運動機(jī)構(gòu)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(yīng)用前景。用人的體態(tài)和手勢進(jìn)行人機(jī)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(jìn)行快速的人機(jī)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(shè)備，通過它可以實現(xiàn)體感識別，進(jìn)行人機(jī)交互。

由此本文設(shè)計了一種應(yīng)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(yīng)用于該運輸平臺的兩種場景：當(dāng)該平臺整合到移動機(jī)器人等遠(yuǎn)程設(shè)備時，操縱者控制環(huán)境寬廣，可應(yīng)用人體多種姿勢進(jìn)行精細(xì)操控;當(dāng)改運輸平臺整合到輪椅、叉車等近程控制設(shè)備時，操縱者位于狹窄的設(shè)備上，可應(yīng)用近距離手勢動作進(jìn)行簡單快速高效的操控。經(jīng)實驗結(jié)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(jìn)行良好的操控。

1 全方位運輸平臺模型構(gòu)建及運動學(xué)分析

1.1 全方位平臺構(gòu)建

本文構(gòu)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(jī)、電機(jī)驅(qū)動模塊、12 V鋰電池、MSP430f149最小系統(tǒng)控制板、串口藍(lán)牙等部件構(gòu)成。平臺控制器讀取上位機(jī)通過藍(lán)牙發(fā)送過來的數(shù)據(jù)進(jìn)行相應(yīng)動作相應(yīng)完成操控，圖1(b)為模型實物。

1.2 全方位運動學(xué)分析及操控

如圖2(a)所示麥克納姆輪的原理結(jié)構(gòu)，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(zhuǎn)動同時又能繞車軸轉(zhuǎn)動，使得主輪具備了繞輪軸的轉(zhuǎn)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(xué)分析。通過對輪子的運動解析得到平臺的運動學(xué)方程為：

公式中(1)Vx，Vy，ω為控制量。本文采用通過單片機(jī)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(jī)的功率，ωn是計算出的第n個電機(jī)的轉(zhuǎn)速，ωmax是n號電機(jī)在同一電壓下設(shè)定的最大輸出功率下的轉(zhuǎn)速，mn是維護(hù)4個電機(jī)轉(zhuǎn)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(gòu)成，能獲得目標(biāo)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(chǔ)上，運用骨骼追蹤技術(shù)提取出人體骨骼信息。

3 骨骼運動信息識別控制模式設(shè)計

3.1 關(guān)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(guān)節(jié)點、左右手肘關(guān)節(jié)點、左右手腕關(guān)節(jié)點、左右手手關(guān)節(jié)點8個上肢關(guān)節(jié)點，通過識別各關(guān)節(jié)的轉(zhuǎn)動角度來識別關(guān)節(jié)的運動情況。本文應(yīng)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(biāo)系，根據(jù)各關(guān)節(jié)點的坐標(biāo)構(gòu)建向量進(jìn)行向量運算，得出關(guān)節(jié)轉(zhuǎn)動角度，具體以計算右手肘關(guān)節(jié)轉(zhuǎn)動為例。

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

3.2 運動姿勢對應(yīng)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(xué)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(dǎo)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(shè)定了10種方向運動，并分割了不同的自然手勢對應(yīng)控制指令。

4 手勢識別模式設(shè)計

4.1 背景分割

在根據(jù)圖像數(shù)據(jù)進(jìn)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。基于kinect提取的深度數(shù)據(jù)，本文采用基于閾值分割法來進(jìn)行背景分割，即提取前景的平均深度值，對場景進(jìn)行分割。深度閾值的設(shè)定公式為：

μmax=ω+ε (6)

其中ω為實驗測定能準(zhǔn)確分割手掌的最小值，ε為根據(jù)實際應(yīng)用場景自由設(shè)定的可調(diào)節(jié)值，μmax為能準(zhǔn)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(jìn)行手勢識別。該算法首先將提取到的二維圖像轉(zhuǎn)換成一維向量，消除平面內(nèi)圖形放縮、旋轉(zhuǎn)帶來的影響。同時，針對同種手勢構(gòu)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(jìn)行手勢比對，從而得出比對結(jié)果。

4.3 系統(tǒng)流程圖

系統(tǒng)運用手勢識別進(jìn)行控制時流程圖如圖4所示。

4.4 手勢對應(yīng)指令

針對當(dāng)前控制模式的應(yīng)用場景，本文針對運輸平臺設(shè)計了6中運動指令，滿足操縱者進(jìn)程的簡單快捷準(zhǔn)確的操控需求，具體手勢對應(yīng)指令如圖5所示。

5 實驗分析

本文控制系統(tǒng)上位機(jī)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(yīng)用的成功與否在于對應(yīng)用的各關(guān)節(jié)點轉(zhuǎn)動角度的識別有效性。據(jù)此，我們對左右肩關(guān)節(jié)、肘關(guān)節(jié)、腕關(guān)節(jié)6個我們應(yīng)用的關(guān)節(jié)點進(jìn)行了轉(zhuǎn)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(guān)節(jié)的轉(zhuǎn)動角度設(shè)為10°、20°、40°、60°、80°5種情況，每種情況每人測試5次，即每個關(guān)節(jié)累積進(jìn)行250次實驗，角度允許誤差±30°。去除偶然反常結(jié)果實驗統(tǒng)計結(jié)果如表4所示。從表中可以有如下發(fā)現(xiàn)：由左右肩關(guān)節(jié)到左右腕關(guān)節(jié)3個節(jié)點的識別率依次降低;轉(zhuǎn)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(guān)節(jié)角度跟人體姿勢變化幅度有關(guān)，而人體各關(guān)節(jié)點的人體姿勢幅度又取決于關(guān)節(jié)點為位置和關(guān)節(jié)點的轉(zhuǎn)動角度，故肩關(guān)節(jié)的識別準(zhǔn)確率最高，同一個關(guān)節(jié)點轉(zhuǎn)動角度越大，識別率越高。盡管如此，各關(guān)節(jié)在各轉(zhuǎn)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(zhǔn)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(jìn)行了10次識別測試，即每種手勢測試50次。結(jié)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(zhǔn)確度較高，符合控制要求。

5.3 整體操控性驗證

進(jìn)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(wù)的場景，分別邀請三位經(jīng)過簡單訓(xùn)練的操縱人員進(jìn)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(xì)所以平均耗時長于手勢操控。

6 結(jié)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。