下肢外骨骼机器人是一种可穿戴式康复机器人,能够帮助截瘫患者或其他下肢功能障碍的患者实现站立、行走等基本行动能力,是目前康复医学和机器人领域的研究热点。下肢外骨骼机器人作为一款康复医疗装置,应该安全有效的执行康复动作,因此需要外骨骼机器人具有较强的感知能力,能够感知来自环境和穿戴者运动变化的综合复杂信息,并对运动姿态做出准确的判断。而多传感器数据融合技术正是提高外骨骼机器人系统感知能力的有效方法,因此本文通过数据融合技术,分析了外骨骼传感器数据与运动状态的映射关系以及这种联系的稳定性、准确性,建立一套了能够提高外骨骼机器人感知能力的数据融合方案,本文的研究工作如下:首先,搭建外骨骼传感器网络,以便于采集运动数据。根据数据采集需求,确定了传感器选型;结合外骨骼机械结构和人体运动力学特点,确定了传感器的安装位置;根据数据传输的要求,确定了CAN总线型数据传输方式。随后,设计了多传感器的并行低层数据融合方法,以便高速获取预处理数据。为了获得精确的传感器数据,各传感器节点对压力传感器数据、加速度、角速度传感器数据进行滤波、去奇异性,并通过姿态融合算法,将加速度和角速度数据进行融合,获得倾角数据。接着,采集数据样本并进行特征提取,以去除冗余数据和噪声。本文采集了外骨骼机器人运动的离线数据,并对离线数据进行归一化预处理;先分析运动状态与传感器特征之间的关系,利用距离和信息增益指标对特征排序,筛选出与运动状态强相关的传感器特征;再利用PCA算法对筛选出的特征进行融合,以实现数据降维,减少数据噪声。为高层次的数据融合准备了离线分析数据集。最后,进行高层次的数据融合,确保准确识别外骨骼机器人运动状态。本文通过分析常用分类算法在本系统中的性能,选择识别准确率较高的SVM算法进行初步的运动状态识别;结合外骨骼运动系统中各状态的转移特性,提出了基于有限状态转移的SVM算法。改进的算法有效提高了状态识别的准确率,并能够对异常运动状态进行监测识别。实验结果表明,该算法状态识别准确率明显高于基本SVM算法,且可以有效识别出错误状态,适合于实时状态分类问题。