产品详细介绍随着社会对虚拟现实模拟技术的追求，公司经坚持不懈的努力，吸取国内外先进的三维立体模拟技术，成功开发了紫光系列动感驾驶模拟器，ZG-DG2型动感汽车驾驶模拟器虚拟仿真驾驶模拟器平台以两自由度平台通过伺服电机的位置模式来控制活塞杆的行程，伺服电机通过由MBOX驱动器得到信息并驱动电动机转动，最终来实现平台的左右翻转以及前后俯仰等动作。能够实现驾驶舱对仿真图形的快速、稳定的反映，通过模拟驾驶舱和计算机实时生成汽车行驶过程中的虚拟视境、音响效果和运动仿真等驾驶环境，同时能够针对轿车、货车、客车等各类车型进行包括临界、极限工况的全工况仿真实验，分析、预估和评价汽车的操纵稳定性、安全性、制动性、动力性和燃油经济性，对汽车运动性能控制系统进行仿真、评价、预测和优化，提供车型结构参数匹配的最优化方案等，对于汽车驾驶模拟器开发具有重要而现实的意义。一、系统组成：      ZG-DG2型动感汽车驾驶模拟器设备由模拟驾驶舱、视景模拟驾驶软件、数据采集系统、六自由度平台系统由Stewart机构的两自由度运动平台、计算机控制系统、驱动系统等组成。下平台安装在地面的固定基座基上，上平台为支撑平台。计算机控制系统通过协调控制电动缸的行程，实现运动平台的两个自由度的运动。各主要部分简述如下：1模拟驾驶舱：驾驶座舱采用玻璃钢外壳用模具一次铸造成型，坚固耐用，永不变型；外观简洁大方、时尚亮丽。五大操作件及仪表台采用真车实件配置，转向机构采用真车方向机总成构建，实车转数方向自动回位；档位外罩采用桑塔纳真车中央通道，具有真车实感。驾驶舱是由转向器、油门、离合器、脚刹车、手刹车等操纵机件及座椅等组成。2视景模拟驾驶软件：视景全部由计算机实时生成三维图像。32位真彩色，24帧/秒。多自由度数学模型，实现汽车模拟驾驶各种道路及相关驾驶技术考试、训练项目的逼真动感模拟。3运动平台：两自由度运动平台是根据运动控制的运动指令，进行相应的运动；系统控制服务器根据全景视频的内容提取相应的动作，并且解算成运动控制能够识别的运动指令，与此同时控制各播放器全景视频同步运行。4上下运动平台：上平台，连接需要被模拟动作的机构。上铰链，双回转轴的虎克铰结构，用于连接上平台与电动缸的活塞杆。下铰链，单虎克铰结构，用于连接固定基座与电动缸的筒体。下平台，安装固定基座。二、 工作原理、特征： 驾驶模拟器动感平台、电动缸及伺服电机：驾驶模拟器通过控制电动缸活塞杆的行程，实现动感平台台体的六自由度运动。 驱动器系统：接收用户控制指令，通过控制伺服电机的输入，对伺服电机的输出转速和转角进行控制，达到控制电动缸活塞杆出速度和行程的目的。综合控制监测系统：硬件为用户计算机，软件为研制方配合开发；同时，它还对平台的运动过程进行监测，预防和处理系统的异常情况。三、汽车驾驶模拟器软件：软件功能：　新版汽车驾驶模拟器软件符合“公安部123号令”考评规则。小车（科目二）场地5项，分别为：倒车入库、坡道定点停车和起步、侧方停车、曲线行驶、直角转弯；大车（科目二）场地16项，分别为：桩考、坡道定点停车和起步、侧方停车、通过单边桥、曲线行驶、直角转弯、通过限宽门、通过连续障碍、起伏路行驶、窄路掉头、模拟高速公路、连续急弯山区路、隧道、雨天、雾天湿滑路、紧急情况处置。新版汽车驾驶模拟器软件道路驾驶技能考试（科目三）内容包括：上车准备（系安全带）、起步、直线行驶、加减挡位操作、变更车道、靠边停车、直行通过路口、路口左转弯、路口右转弯、通过人行横道线、通过学校区域、通过公共汽车站、会车、超车、掉头、夜间行驶等训练考试项目。产品完全符合“中华人民共和国公安部令 第 123 号令”及教育部新的国家机动车驾驶员训练大纲要求。本汽车驾驶模拟器分为单台模拟驾驶及与主控台联网模拟驾驶两款；具有自主知识产权。是目前市场上功能最全最新的汽车驾驶模拟器软件。 附注：产品完全符合“中华人民共和国公安部令 第 123 号令”及教育部新的国家机动车驾驶员训练大纲要求。具有自主知识产权。紫光基业：010-67886161

本发明公开了一种耦合运动机构，用于肩部康复训练装置中，包括第一肩部组件及与该第一肩部组件可相对转动的第二肩部组件，其中，第一肩部组件上设置有第一圆盘组件，第二肩部组件上设置有第二圆盘组件，且该第一圆盘组件与第二圆盘组件通过绳索连接，所述第一圆盘组件上的可在第一方向旋转的可旋转部件的旋转可驱动所述第二肩部组件相对该第一肩部组件转动，从而对所述绳索产生作用力，进而可驱动所述第二圆盘组件上的可旋转部件在第二方向上的旋转，从而实现多自由度的耦合运动。本发明还公开了一种应用上述机构的肩关节康复训练装置。通过本

本实用新型公开了一种耦合运动机构，用于肩部康复训练装置中，包括第一肩部组件及与该第一肩部组件可相对转动的第二肩部组件，其中，第一肩部组件上设置有第一圆盘组件，第二肩部组件上设置有第二圆盘组件，且该第一圆盘组件与第二圆盘组件通过绳索连接，所述第一圆盘组件上的可在第一方向旋转的可旋转部件的旋转可驱动所述第二肩部组件相对该第一肩部组件转动，从而对所述绳索产生作用力，进而可驱动所述第二圆盘组件上的可旋转部件在第二方向上的旋转，从而实现多自由度的耦合运动。本实用新型还公开了一种应用上述机构的肩关节康复训练装置

2019年12月20日，中国机械工业联合会在杭州组织召开了由浙江大学、浙江福祉医疗器械有限公司联合完成的“老年护理用运动体征与状态监测关键技术与装备”项目科技成果鉴定会。鉴定委员会听取了完成单位的研制等报告，审查了相关材料，经质询和讨论等环节。鉴定委员会同意通过鉴定，并建议加大应用推广力度。

四足机器人具有良好的运动灵活性和环境适应性,是机器人研究领域的热点。随着研究的深入和对机器人运动性能需求的提高,四足机器人研究领域分化出以高速运动为目标的研究分支。生物学研究显示,跳跃步态是四足动物典型的高速对称步态,且多种动物在高速速度中存在脊柱大幅地参与运动,而相应的脊柱型四足机器人的理论及运动控制研究却鲜见报道。当前研究大多孤立了脊柱环节,鲜有整机的建模研究以及运动控制方法研究。在该方向的研究势必推动仿生工程和机器人运动控制等方面的发展,此外,以其高速运动的特点,在军事侦察、救震救灾和未来生活等领域也将具有广阔的应用前景。首先,本文以分析猎豹的运动特性入手,建立了脊柱型四足机器人七杆模型,以及构建了ASLIP动力学模型,使用拉格朗日方程推导了其跳跃运动的动力学方程;迭代运算动力学微分方程,使用庞加莱映射方法搜索了机器人七杆模型基于ASLIP跳跃运动的不动点,结果显示不动点在固定能量层级下呈区域性分布;不动点的对比结果显示基于ASLIP模型的运动比基于SLIP模型的运动能适应更高的稳态运动速度,并作了触地力、脊柱角和稳定性等特性分析。为脊柱型四足机器人跳跃运动提供了动力学模型和理论基础。然后,根据机器人模型各关节主动力作用于控制量的广义力计算结果,研究了前向速度、弹跳高度、机身俯仰角

项目成果/简介:四足机器人具有良好的运动灵活性和环境适应性,是机器人研究领域的热点。随着研究的深入和对机器人运动性能需求的提高,四足机器人研究领域分化出以高速运动为目标的研究分支。生物学研究显示,跳跃步态是四足动物典型的高速对称步态,且多种动物在高速速度中存在脊柱大幅地参与运动,而相应的脊柱型四足机器人的理论及运动控制研究却鲜见报道。当前研究大多孤立了脊柱环节,鲜有整机的建模研究以及运动控制方法研究。在

本发明公开了一种六自由度串联机器人运动学反解的求解方法， 该方法包括:读入连杆参数建立机器人连杆坐标系模型;已知连杆末 端关节位置，建立关节位置约束方程;根据各关节位置约束方程，确 定各关节位置;建立机器人各关节坐标系的姿态约束方程;将之前求 得的关节位置坐标解分别代入姿态约束方程中，根据姿态约束方程， 求解各组关节变量中间值;对关节变量中间值进行分析处理，选取最 佳关节变量解。本发明采用空间几何理论将机器人运动学反解中位置 和姿态进行分离求解，大大降低了几何法运动学反解运算的复杂性， 并能够应用于

一种无监督的跨受试者适应方法，用以预测未被标记信号的目标受试者的运动意图，将受试者和研究人员从标记大量数据中解放出来。 准确预测人体运动意图有助于控制可穿戴机器人在不同地形上的运动，从而辅助人类平稳行走。传统的预测人类运动意图的方法需要收集和标记人体信号，并训练每个新受试者使用特定的分类器，这给受试者和研究人员都带来了繁重负担。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

本发明公开一种基于力觉信息和姿态信息的肢体运动意图理解与上肢康复训练机器人及其控制方法，通过姿态传感器分别获取人体手臂的各个姿态信息，并输入至控制器，人体手臂发力通过摇杆作用于六维力传感器上，六维力传感器输入相应信号至控制器，控制器将获取到的姿态参数以及力觉参数，通过建立的意图识别模型解算，并控制康复训练机器人做出相应动作，对康复训练机器人实现控制，以实现微弱主动力下的辅助主动训练。