Implementación de un sistema de clasificación de gestos del brazo humano utilizando Myo Armband para mando a distancia de un brazo robótico de 3GDL

Zea Guachamín, Jonathan Alejandro

2018-02-16T20:45:30Z

Zea Guachamín, J. A. (2018). Implementación de un sistema de clasificación de gestos del brazo humano utilizando Myo Armband para mando a distancia de un brazo robótico de 3GDL. 140 hojas. Quito : EPN.
T-IE/4610/CD 8571

Descargar documento

Benalcázar Palacios, Marco Enrique, director

This work presents a hand gesture recognition system of five gestures based on electromyographic signals EMG measured using Myo Armband. Gestures to recognize are the same default gestures as Myo Armband: wave in, wave out, fist, open, pinch. Every user must perform an acquisition routine prior using the system. This routine consists of acquiring the EMG signals for every gesture repeated 5 times. EMG signals are filtered and rectified using a low pass filter before classification. Dynamic Time Warping algorithm is used as a distance metric between EMG signals. System’s prediction is obtained from k nearest neighbors classifier. The teleoperation of a robotic arm of 3 DOF is also included. Gestures recognized by the classification system are used as activation signals. Every degree of freedom has as reference one of the Tait Bryan angles: yaw, pitch, roll. These angles are calculated based on the orientation signal measured by Myo Armband. A PID controller of angular position is implemented over every degree of freedom. PID controllers were tuned heuristically. The robotic arm was implemented using the Lego Mindstorms EV3.

El presente trabajo implementa un sistema de reconocimiento de cinco gestos basado en las señales electromiográficas medidas con el Myo Armband. Los gestos reconocidos son los mismos gestos que por defecto reconoce el Myo Armband: wave in, wave out, fist, open, pinch. Para utilizar el sistema se requiere que cada usuario realice una rutina de entrenamiento. Esta rutina recolecta la señal EMG de cada gesto repetido cinco veces. Las señales EMG son rectificadas y filtradas con un filtro pasabajos antes de su clasificación. Se utiliza el algoritmo Dynamic Time Warping para calcular distancia entre las señales EMG. La predicción del sistema se obtiene del clasificador k nearest neighbors. También se incluye la tele-operación de un brazo robótico de 3 GDL. Los gestos reconocidos por el sistema de reconocimiento son utilizados como señales de activación. En cambio, cada grado de libertad, tiene como referencia uno de los ángulos de Tait Bryan: yaw, pitch y roll. Estos ángulos son calculados a partir de la señal de orientación medida por el Myo. Se diseñó un controlador PID de la posición angular para cada grado de libertad. Los controladores fueron calibrados heurísticamente. El brazo robótico fue implementado utilizando Lego Mindstorms EV3.

ROBÓTICA; APRENDIZAJE DE MAQUINA; RECONOCIMIENTO DE GESTOS;