步态循环（Gait Cycle）

步态循环及其在外骨骼中的应用
原创 已于 2025-07-16 15:47:11 修改 · 905 阅读 · 13 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#下肢外骨骼

于 2025-07-16 15:46:13 首次发布

步态循环

一、什么是步态循环（Gait Cycle）

定义：
步态循环是同一只脚从一次触地（Heel Strike）到下一次触地的完整运动周期，通常用 百分比(0%–100%) 表示。

在这里插入图片描述
上述图片来自：https://musculoskeletalkey.com/assessment-of-gait/

二、步态周期的两大阶段

阶段百分比简介
支撑期 Stance Phase0%–60%足部与地面接触，用于支撑身体重量
摆动期 Swing Phase60%–100%足部腾空前摆，为下一次接触做准备

支撑期细分（约 60%）：

  1. Initial Contact（初始接触）

  • 时间：0%

  • 关键事件：Heel Strike（脚跟触地）

  • 关节行为：

    • 髋关节屈曲（~30°）

    • 膝关节接近伸直

    • 踝关节中立或轻微背屈

  • 肌肉：胫前肌、股四头肌开始活跃

  • 外骨骼助力提示：通常不助力，可用于步态事件的触发（FSM状态重置）

  1. Loading Response（负重反应）

  • 时间：0%–10%

  • 描述：身体重量转移到脚上

  • 关键动作：膝关节屈曲（减震）

  • 关节行为：

    • 膝关节轻屈（~15°）

    • 髋继续屈曲，踝快速跖屈

  • 肌肉：大腿肌群协同控制膝盖屈曲，胫前肌控制脚掌着地

  • 外骨骼助力提示：缓冲期，外骨骼若助力，需精细调控阻尼，否则会阻碍自然缓冲

  1. Mid Stance（中期支撑）

  • 时间：10%–30%

  • 描述：身体重心正好位于脚的正上方

  • 关键事件：另一脚离地，单腿支撑开始

  • 关节行为：

    • 髋由屈曲转为伸展

    • 膝逐渐伸直

    • 踝背屈达到高点

  • 肌肉：臀大肌、股四头肌活跃维持姿态

  • 外骨骼助力提示：可提供轻微支撑力矩，协助髋膝抗重力

  1. Terminal Stance（末端支撑）

  • 时间：30%–50%

  • 描述：身体重心向前移动，脚跟抬起

  • 关键事件：Heel Off（脚跟离地）

  • 关节行为：

    • 髋继续伸展

    • 踝快速跖屈

  • 肌肉：小腿三头肌（比目鱼、腓肠肌）发力产生推进力

  • 外骨骼助力提示：可提供推进助力，尤其是踝关节（软体外骨骼常在此施力）

  1. Pre-Swing（预摆期）

  • 时间：50%–60%

  • 描述：准备抬腿，脚趾最后接触地面

  • 关键事件：Toe Off（脚趾离地）

  • 关节行为：

    • 膝开始屈曲

    • 髋屈曲

    • 踝达到最大跖屈

  • 肌肉：腘绳肌开始活动准备抬腿

  • 外骨骼助力提示：助力触发时机，开始进入摆动控制状态

摆动期细分（Swing Phase，约 40%）：

  1. Initial Swing（初始摆动）

  • 时间：60%–73%

  • 描述：脚离地后抬起腿

  • 关节行为：

    • 膝关节快速屈曲（最高 ~60°）

    • 髋开始屈曲

    • 踝背屈以避地

  • 肌肉：髂腰肌、腘绳肌

  • 外骨骼助力提示：助力抬腿动作，髋膝柔性引导

  1. Mid Swing（中期摆动）

  • 时间：73%–87%

  • 描述：小腿继续前摆，准备伸展

  • 关节行为：

    • 髋持续屈曲

    • 膝开始伸展

    • 踝背屈维持

  • 肌肉：伸膝肌开始控制腿部伸展

  • 外骨骼助力提示：可维持轨迹引导，使穿戴者动作更流畅

  1. Terminal Swing（末端摆动）

  • 时间：87%–100%

  • 描述：脚准备再次接触地面

  • 关键事件：Heel Strike（重新开始循环）

  • 关节行为：

    • 膝接近伸直

    • 髋仍略微屈曲

  • 肌肉：腘绳肌收缩控制膝伸速度

  • 外骨骼助力提示：控制终点位置，避免脚掌“拍地”或晃动

三、关键关节的行为（Hip、Knee、Ankle）

髋关节 Hip：

  • 支撑期：从屈曲 (~30°) 到接近伸展 (~0°)

  • 摆动期：再屈曲至 ~30°，为脚前摆提供动力

膝关节 Knee：

  • 支撑期初：微屈防震（15–20°）

  • 中后期：接近伸直

  • 摆动期初：屈曲至 ~60°

  • 终摆动期：伸展至接触准备

踝关节 Ankle：

  • Initial Contact：背屈（~0°）

  • Mid Stance：慢慢跖屈（负重推进）

  • Toe-Off：最大跖屈 (~15°)

  • 摆动期：背屈以避免拖地

四、常见生物力学指标（助力控制必备）

指标含义应用
关节角度（Joint Angle）髋/膝/踝在步态中的变化曲线控制器目标轨迹
角速度（Angular Velocity）角度的时间导数事件检测、估计意图
关节力矩（Joint Torque）肌肉产生的力矩估算阻抗控制、力控制参考
地面反作用力（GRF）脚接触地面产生的力步态识别、助力触发
步长（Step Length）一只脚到另一脚的距离步态节律评估
步频（Cadence）步数 / 每分钟调整控制参数节奏
双支撑期时长双脚同时接触地面的时间跟踪平衡与步态稳定性

应用于外骨骼的场景

步态阶段助力控制常见策略
Heel Strike检测触发控制状态机重置
Mid Stance提供关节支撑力（如膝关节助力）
Toe Off助力推进，输出力矩/目标角度
Swing Phase控制关节随动轨迹，避免脚拖地
Terminal Swing精准位置控制，准备接地
阶段控制策略建议
支撑早期最小干预，避免破坏自然缓冲
Mid-Stance提供髋/膝支撑助力
Terminal Stance适当推进力（尤其是踝）
Pre-Swing – Initial Swing施加髋屈曲力矩，抬腿助力
Terminal Swing控制终点稳定性，准备落地
人体行走步态周期转换为不同相位描述
m0_55919967的博客
08-28 1976
人体行走步态周期转换为不同相位描述
助力外骨骼机器人动力学分析
m0_55919967的博客
08-29 2606
介绍拉格朗日动力学，分析下肢二连杆结构，构建动力学方程
步态分析：正常和病态——《Gait Analysis: Normal and Pothological》总结——持续更新
Goforit000的博客
10-24 7255
步态分析：正常和病态——《Gait Analysis: Normal and Pothological》总结——持续更新Section One ：FundamentalsChapter 1：Gait Cycle      本人最近进入外骨骼领域，正在补基础知识，发现步态知识需要认真补一补才行啊，所以找来这本书学习。为什么找这本书呢？因为就是这本书提出的著名的RLA步态周期。由于时间有限任务较多，不能直接一天看完，故计划一章一章更新，第二次写博客，好激动，不过看到有30
基于中科院-CASIA-GaitDatasetB步态图像轮廓数据库的步态周期检测与步态角度特征
BinHeon的博客
07-04 1万+
基于中科院-CASIA-GaitDatasetB步态图像轮廓数据库的步态周期检测与步态角度特征    由于最近研究的需要，开始将万恶的双手伸向了人体下肢步态（如步态周期检测、步态特征提取、步态相的划分与步态识别…）；查了些论文以及在网上找了很久，虽然找到了些参考性的论文，但是没有一份真实的代码供仿真实验。   再加上有“计算机视觉”这一课程，就打算以中科院的CASIA-GaitDatasetB轮...
外骨骼之人体行走的研究
热门推荐
LHRui_1的博客
11-12 1万+
缘起 我的研究生课题是下肢外骨骼相关，所以想通过写博客来记述研究过程以及其中的思考，以防时间长了自个忘记。 行走，是我们日常生活中最最普通的运动之一。然而这最最普通的运动，却包含了大量的运动学以及动力学信息。人类借助其独一无二的驱动系统（骨骼、肌肉），绝无仅有的感知系统（感官），无与伦比的控制系统（大脑），举世无双的信号传输系统（生物神经网络），盖世无双的能源系统（碳水化合物），这样无敌的先天条件...
【论文笔记】基于深度学习的步态识别综述《Gait Recognition Based on Deep Learning: A Survey》
一只菟葵的博客
11-24 6556
步态识别作为生物识别的一个重要分支，侧重于通过测量人体及构造关系进行识别检测，如：人体的躯干和四肢的尺寸测量，以及与个人运动内在形式相关的时空关系信息。步态识别方法在监控系统或模糊的检测环境下十分有效，因为此类环境下，利用生物独特元素（如：指纹、面部、虹膜识别等）很难被检测到。此外，与其他生物识别模型相比，步态识别方法还具有黑客难以攻击（识别系统安全性高）、步态信息便于收集的优势。但通过行走和移动来识别某一人类个体并不容易。
深度步态识别综述（二）
顾道长生的科研笔记
12-25 4249
文章目录Gait Recognition（二）PROPOSED TAXONOMYBody RepresentationTemporal RepresentationFeature RepresentationNeural ArchitecturesConvolutional Neural NetworksDeep Belief NetworksRecurrent Neural NetworksDeep AutoEncodersGenerative Adversarial NetworksCapsule Ne
【步态识别】MvGGAN 基于多视角步态生成对抗网络 算法学习《Multi-View Gait Image Generation for Cross-View Gait Recognition》
一只菟葵的博客
11-29 1952
在本文中，作者基于多视角步态生成对抗网络（MvGGAN），在不同的步态数据集下生成不同视角的假步态样本。MvGGAN包括一个生成器和一个判别器，前者在几种行走条件下生成假步态样本，后者实现了对抗性训练并保留了人的身份信息。通过向原始步态数据集添加生成的假步态样本，并在真实样本和假样本之间进行域对齐操作，使得基于深度学习的步态分类网络的性能可以得到明显改善。跨数据集的步态图像生成相当重要，因为它可以使步态分类网络在尽可能多的行走条件下学习步态信息，并提高现实场景中（含有大量未登记的步态样本）步态识别的性能。
步态识别系统实战：从数据采集到模型优化
weixin_31659095的博客
06-30 1507
步态识别作为一门前沿生物识别技术，近年来受到广泛关注。它通过分析个体行走时的身体姿态和运动模式来进行身份的辨认，区别于传统的指纹、虹膜和面部识别等生物特征识别方法，步态识别具有非接触式、远距离、难以伪装等独特优势。步态识别项目是一个涉及多个组件和模块的复杂系统。为了构建一个高效和可维护的步态识别系统，源码通常被组织成几个主要部分：数据处理、特征提取、模型训练和识别模块。接下来，我会对每个部分进行详细解读。数据处理部分负责加载和预处理步态视频数据，确保数据的质量和一致性。
六足机器人步态设计
06-08
准备补充几个关键细节：步态相位控制中的时间分配函数（比如用$t_i=\frac{i-1}{6}T$实现六腿循环偏移）、足端轨迹的样条插值法（建议用Python演示一段三次样条），最后必须说明动力学补偿——这是用户引用文献里没提...
六足机器人波动步态控制算法编程
03-14
波动步态（Wave Gait）是六足机器人中一种高效的运动模式，其特点是**三组腿按波浪顺序依次摆动**，例如：右前→左中→右后→左前→右中→左后循环。这种步态能保证至少三条腿同时支撑，维持静态稳定性[^1][^3]。 ...
#include <iostream> #include <vector> #include <algorithm> #include <cmath> #include <iomanip> #include <stdexcept> // 定义步态事件结构体 struct GaitEvent { double time_offset; // 相对于起始时间的时间偏移 std::vector<std::string> legs; // 站立腿列表 // 添加构造函数以便调试 GaitEvent(double t, std::vector<std::string> l) : time_offset(t), legs(std::move(l)) {} // 添加辅助方法用于打印 void print() const { std::cout << "T+" << std::fixed << std::setprecision(3) << time_offset << ": "; for (size_t i = 0; i < legs.size(); ++i) { if (i > 0) std::cout << ", "; std::cout << legs[i]; } std::cout << "\n"; } }; class EndEffectorPlanner { private: // 基础事件序列（一个完整周期） std::vector<GaitEvent> base_events; // 精度控制常量 static constexpr double GAIT_PERIOD = 1.0; static constexpr double TIME_EPSILON = 1e-9; // 时间比较精度 public: EndEffectorPlanner() { // 初始化基础事件序列 base_events = { {0.0, {"LH", "RF", "RH"}}, {0.4, {"LF", "LH", "RH"}}, {0.8, {"LF", "RF", "RH"}}, {1.2, {"LF", "LH", "RF"}}, {1.6, {"LH", "RF", "RH"}} }; } // 获取从给定起始时间点开始的一个完整周期内的步态时序 std::vector<GaitEvent> get_gait_sequence(double start_time) { // 1. 安全计算相位偏移（处理负数和浮点精度） double phase_offset = safe_fmod(start_time, GAIT_PERIOD); // 2. 构建结果序列 std::vector<GaitEvent> sequence; sequence.reserve(base_events.size() + 1); // 预留空间提高性能 // 3. 添加当前周期后半部分事件 for (const auto& event : base_events) { double adjusted_time = event.time_offset - phase_offset; // 使用epsilon进行安全比较 if (adjusted_time >= -TIME_EPSILON && adjusted_time <= GAIT_PERIOD + TIME_EPSILON) { // 处理负时间（下一个周期） if (adjusted_time < 0) { adjusted_time += GAIT_PERIOD; } // 避免重复添加0.0事件 if (!(adjusted_time < TIME_EPSILON && sequence.size() > 0 && sequence[0].time_offset < TIME_EPSILON)) { sequence.push_back({adjusted_time, event.legs}); } } } // 4. 添加下一个周期前半部分事件（仅添加小于1.0的部分） for (const auto& event : base_events) { // 跳过0.0事件（已包含在当前周期末尾） if (event.time_offset < TIME_EPSILON) continue; double next_cycle_time = (GAIT_PERIOD - phase_offset) + event.time_offset; // 确保时间在周期内 if (next_cycle_time < GAIT_PERIOD - TIME_EPSILON) { sequence.push_back({next_cycle_time, event.legs}); } } // 5. 处理特殊情况：起始点不是事件点 if (sequence.empty() || !is_time_equal(sequence[0].time_offset, 0.0)) { // 找到相位偏移前最近的事件 auto nearest_event = find_nearest_event(phase_offset); sequence.insert(sequence.begin(), {0.0, nearest_event.legs}); } // 6. 按时间偏移排序 std::sort(sequence.begin(), sequence.end(), [](const GaitEvent& a, const GaitEvent& b) { return a.time_offset < b.time_offset; }); // 7. 确保周期完整性（添加结束点） if (!is_time_equal(sequence.back().time_offset, GAIT_PERIOD)) { // 使用base_events中1.0事件的腿部状态 sequence.push_back({GAIT_PERIOD, base_events[0].legs}); } // 8. 规范化时间（确保在0.0到1.0之间） for (auto& event : sequence) { event.time_offset = std::fmod(event.time_offset, GAIT_PERIOD); if (event.time_offset < 0) event.time_offset += GAIT_PERIOD; } return sequence; } // 打印步态序列 void print_sequence(const std::vector<GaitEvent>& sequence) { std::cout << "\nGait Sequence:\n"; for (const auto& event : sequence) { event.print(); } } private: // 安全的浮点数取模函数 double safe_fmod(double value, double period) { // 处理无穷大和NaN if (std::isinf(value) || std::isnan(value)) { return 0.0; // 默认起始点 } double offset = std::fmod(value, period); // 处理负值 if (offset < 0) { offset += period; } // 处理浮点精度问题 if (offset >= period - TIME_EPSILON) { offset = 0.0; } return offset; } // 浮点数安全比较 bool is_time_equal(double a, double b) const { return std::abs(a - b) < TIME_EPSILON; } // 查找相位偏移前最近的事件 GaitEvent find_nearest_event(double phase_offset) { GaitEvent nearest_event = base_events[0]; // 默认使用第一个事件 double min_distance = GAIT_PERIOD; // 寻找最接近但不超过phase_offset的事件 for (const auto& event : base_events) { // 计算事件与相位偏移的距离（考虑周期闭环） double distance = (event.time_offset <= phase_offset) ? (phase_offset - event.time_offset) : (GAIT_PERIOD - event.time_offset + phase_offset); if (distance < min_distance) { min_distance = distance; nearest_event = event; } } return nearest_event; } }; // 测试函数 void test_gait_sequence() { EndEffectorPlanner planner; std::cout << "===== Test Cases ====="; // 测试用例1：起始时间正好在事件点上 std::cout << "\n\nTest 1: Start at 0.0"; auto seq1 = planner.get_gait_sequence(0.0); planner.print_sequence(seq1); // 测试用例2：起始时间在两个事件点之间 std::cout << "\n\nTest 2: Start at 0.22"; auto seq2 = planner.get_gait_sequence(0.22); planner.print_sequence(seq2); // 测试用例3：起始时间接近周期结束 std::cout << "\n\nTest 3: Start at 0.95"; auto seq3 = planner.get_gait_sequence(0.95); planner.print_sequence(seq3); // 测试用例4：负起始时间 std::cout << "\n\nTest 4: Start at -0.3"; auto seq4 = planner.get_gait_sequence(-0.3); planner.print_sequence(seq4); // 测试用例5：超大起始时间 std::cout << "\n\nTest 5: Start at 100.22"; auto seq5 = planner.get_gait_sequence(100.22); planner.print_sequence(seq5); } int main() { test_gait_sequence(); return 0; } 运行
09-22
此外，在获取步态序列时，步骤8的规范化时间循环可能会将时间再次归一化，但基础事件序列本身的时间偏移已经超出了周期范围，导致算法错误。 具体修改如下： - 在EndEffectorPlanner的构造函数中，对base_events...
【六足机器人步态设计全攻略】：掌握9大核心参数与3种主流步态优化策略
![【六足机器人步态设计全攻略】：掌握9大核心参数与3种主流步态优化策略]...本章将从步态基本定义出发，解析典型步态分类（如三角步态、奔跑步态）及其稳定机理，并构建完整
人类步态分析中的深度信息：性别识别实验研究
### 人类步态分析中的深度信息：性别识别实验研究 #### 1. 引言 今天要介绍一个新的用于人类步态分析的数据库——DGait，可在 [http://www.cvc.uab.es/DGaitDB/](http://www.cvc.uab.es/DGaitDB/) 查看和下载。与...
基于二进制的遗传算法的考虑排放目标和输电损耗的经济调度研究（Python代码实现）
10-27
内容概要：本文介绍了基于二进制基于二进制的遗传算法的考虑排放目标和输电损耗的经济调度研究（Python代码实现）编码的遗传算法在电力系统经济调度中的应用，重点研究了在满足排放目标和考虑输电损耗情况下的优化调度问题。通过构建数学模型，将发电成本与环境污染排放作为多目标优化函数，引入输电损耗修正机制，并采用二进制遗传算法进行求解，实现了对各发电机组出力的合理分配。文中提供了完整的Python代码实现，便于读者复现和进一步研究该优化方法的有效性和实用性。; 适合人群：具备一定电力系统基础知识和Python编程能力的高校学生、科研人员及从事能源优化调度相关工作的工程技术人员。; 使用场景及目标：①解决含环保约束的电力系统经济调度问题；②学习遗传算法在多目标优化中的建模与实现方法；③掌握输电损耗在调度模型中的处理方式； 阅读建议：建议结合电力系统经济调度的基本理论，仔细阅读代码结构与注释，尝试调整算法参数或目标函数权重，观察优化结果变化，从而深入理解遗传算法的搜索机制与工程应用价值。
多粒子模型高尔顿板模型版本1/2/3/4
10-27
多粒子模型高尔顿板模型版本1/2/3/4
STEPcode VS2017
10-27
STEPcode STEPcode是MIT开发的一款用于解析STEP (ISO 10303) 协议的开源组件，实现了STEP协议中的诸多应用协议，如.stp格式CAD文件使用的AP203和AP214协议。使用VS2017 CMake3.29.5编译
基于模型预测控制(MPC)的微电网调度优化的研究（Matlab代码实现）
10-27
基于模型预测控制(MPC)的微电网调度优化的研究（Matlab代码实现）内容概要：本文围绕基于模型预测控制（MPC）的微电网调度优化展开研究，并提供了完整的Matlab代码实现。文章重点介绍了MPC在微电网能量管理中的应用，通过建立系统动态模型，结合可再生能源出力、负荷需求及储能状态等多重约束，采用滚动优化与反馈校正机制实现对未来一段时间内系统运行状态的预测与优化调度。该方法能够有效提升微电网运行的经济性、稳定性和对不确定性因素的适应能力。文中还提到了多个相关研究方向，如虚拟电厂优化、经济调度、电力负荷预测等，展示了其在综合能源系统中的广泛应用前景。; 适合人群：具备一定电力系统基础知识和Matlab编程能力的高校研究生、科研人员及从事能源优化领域的工程技术人员。; 使用场景及目标：①用于教学与科研中理解模型预测控制在微电网调度中的实现原理；②为实际微电网项目提供算法设计与仿真验证的技术参考；③支持进一步扩展至多能源耦合系统的优化控制研究。; 阅读建议：建议读者结合文档提供的Matlab代码进行实践操作，重点关注MPC的滚动优化过程与约束建模方式，同时可参考文中提及的其他优化方法进行对比分析，以加深对微电网调度问题的整体理解。
CnSTD-Python资源
最新发布
10-28
CnSTD: PyTorch/MXNet / Scene Text DetectionPython3
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值