IEEE Sensors Journal 上发表了一篇题为“ASTRA Glove: A Wearable Tracking Device for ‘Accurate Sensing and Tracking of Realtime Articulations’”的研究论文，其主要作者和机构包括来自伊朗德黑兰大学电气与计算机工程学院的Ali Nikkhah Bahrami、Mohammad Reza Nayeri、Behzad Moshiri，以及来自加拿大多伦多Astrabionics Technologies Inc.的Reza Almasi Ghaleh。该文发表于2025年3月1日。

研究背景与目标

精准的手部运动追踪是机器人、虚拟现实、康复和人机交互等领域的关键需求。现有的手部捕捉系统主要分为基于摄像头的系统和基于可穿戴传感器的系统（如数据手套）两大类。基于摄像头的系统受限于操作空间，且手部自遮挡问题常常导致估计失灵。传统的数据手套多采用弯曲电阻传感器或光纤传感器，前者精度不足，后者成本与维护费用高昂，且两者共同的缺陷在于传感器需跨越关节放置，易在手部运动时发生位移，需频繁重校准。另一种基于电磁场的方案虽无漂移，但系统成本随自由度增加而急剧上升，且易受磁干扰。

惯性测量单元（IMU）因其成本效益高、耐用、用户友好且精度尚可，在过去十年中逐渐成为手部运动学测量的主流方案。然而，现有基于IMU的数据手套普遍面临陀螺仪沿Z轴漂移的固有问题，多数解决方案依赖不精确且易受干扰的磁力计数据来修正。此外，其校准过程复杂，或依赖机器学习方法导致计算延迟，影响实时性能。为克服以上局限，本文旨在提出一种名为ASTRA Glove的新型数据手套，能够以高自由度、高精度捕捉精细的手部运动，同时具备低成本、实时、舒适轻便的特性，并能通过快速简便的校准和漂移抑制技术实现稳定可靠的追踪。

研究流程、方法与实验

该研究遵循“硬件系统设计-传感器融合算法开发-校准方法构建-实验验证”的完整工作流，共包含16个IMU，用于测量手部23个自由度（DOF）。

首先，在硬件系统设计方面，研究者构建了一个包含一块主控板和15块传感器板的可穿戴手套系统。主控板置于手背，搭载一个32位微控制器和一个IMU（MPU-9250），负责通过SPI协议采集所有传感器数据并通过USB或Wi-Fi发送至计算机。每个手指上分布三块传感器板，每块板载一个IMU，用于测量其所附着指骨的姿态。系统总重约63克，其中电子部分仅33克。设计上，通过将IMU放置在每个指关节之间而非跨越关节，从根本上避免了传感器位移问题。数据采样率高达100赫兹，确保了捕捉快速运动的能力。

其次，在传感器融合算法（SFA）开发上，研究者提出了一种基于线性卡尔曼滤波器的六自由度姿态估计算法。该算法的核心创新在于其仅使用陀螺仪和加速度计数据，而主动舍弃了磁力计。过程模型利用陀螺仪测量的角速度，通过四元数运动学方程建立离散时间状态方程。测量模型则利用静态状态下加速度计测量的重力矢量作为参考，构造了一个线性测量方程，该方程的本质是求解使四元数落在特定矩阵零空间的解。为解决卡尔曼滤波中潜在的矩阵奇异性问题，算法在计算卡尔曼增益时引入了一个正则化项（λI₄）。尤为关键的是，该算法配套了一个自适应参数选择策略：通过静态与动态实验预先设定加速度和角速度范数的阈值，实时判断传感器处于稳态（准静态）还是动态。在稳态时，通过置零陀螺仪数据并调整过程噪声与测量噪声协方差矩阵（Q和R），使算法更信赖加速度计，从而有效抑制X轴和Y轴的漂移。该算法在公开数据集上的评估显示，其计算耗时极短（88微秒/传感器），角度均方根误差显著优于九自由度卡尔曼滤波器。

第三，在校准方法构建上，研究者设计了一套三步骤的快速校准流程，并整合了一种结构性的漂移抑制技术。步骤一为预校准，通过静态采集计算陀螺仪零偏并予以扣除。步骤二要求用户在每次操作开始时将手放置在指定的平面参考姿势（手指并拢置于平面），实现传感器初始姿态与手部生物力学模型的初始骨向量（ri,j）的同步。此模型将手部视为一个具有23个自由度的运动学链，通过将IMU解算的各指骨姿态四元数作用于初始向量，逐节计算指尖在空间中的位置。步骤三则针对传感器在手套上的实际微小对位偏差，要求用户摆出数个预设姿态，通过对比传感器测量姿态（q）与预知目标姿态（qp），计算出偏差四元数（d = q* ⊗ qp），作为修正量从后续测量中扣除。此外，研究提出了一种基于手指结构约束的漂移抑制方法（drift reduction technique）：由于同一手指的三个指节应在同一平面上，通过计算任意两个指节向量所构平面的法向量，再求取平均法向量，最后将所有指节向量正交投影至此平均平面上，成功将指尖位置误差降低了三分之一。

主要实验结果

为全面验证系统性能，研究者进行了三项动态任务实验和一项静态实验。实验设置中，使用了一个高精度摄像头和十个彩色标记点作为光学参考系统。第一项为外展/内收任务，手掌置于平面，手指反复张开并拢，持续11秒。结果显示，经过完整校准后，各指尖间距的均方根误差（RMSE）介于0.69毫米至1.47毫米之间，其中拇指与食指间距误差最大，为1.47毫米。校准步骤对精度提升至关重要：仅完成第一步时RMSE高达15.32毫米，第二步完成后降至2.15毫米，第三步完成后达到最优。第二项为屈曲/伸展任务，食指垂直于摄像头反复弯曲和伸直，持续22秒。结果表明，食指的掌指（MCP）、近端指间（PIP）和远端指间（DIP）关节角度误差均低于1度。第三项为指尖捏合任务，食指和拇指反复进行指尖相对捏合，持续18秒。该任务下拇指与食指尖距离的RMSE为1.38毫米。在静态测试中，使用精度为0.1度的数字测角仪作为参考，对食指三个关节的静态角度进行了50次采样测量，ASTRA Glove的结果与测角仪设定值高度吻合，表现出良好的可重复性。

结论与价值

实验结果表明，ASTRA Glove在平均约17秒的动态任务中，能实现低于1度的关节角度追踪误差和1.47毫米的指尖位置追踪误差，性能超越了同领域的先前工作。其科学价值在于提出并验证了一种仅依赖六轴IMU数据、摒弃不可靠磁力计的高精度、低漂移姿态融合算法，并证明了通过运动学链的结构约束可以有效缓解IMU固有的Z轴漂移问题。其应用价值在于，该系统凭借其成本低、重量轻、穿戴舒适、校准快速简单、可实时高精度模拟手部姿态的特性，为机器人遥操作、精细康复评估、虚拟现实交互等领域提供了一个极具潜力的工程解决方案。所开发的基于Unreal Engine的实时可视化模拟器也进一步提升了其用户友好性。研究明确指出，该手套的遗留问题在于长时间动态使用后Z轴漂移仍不可避免，但可通过不到一秒的快速重校准（重做第2步）完全重置误差。未来的工作可聚焦于利用ASTRA Glove进行机器学习手势识别研究，以及探索融合外部电磁场数据以实现无漂移追踪的可能性。

研究亮点

本研究的主要创新点与亮点可归纳如下：1）新算法：开发了快速、易于实施的六自由度线性卡尔曼滤波器，摒弃了磁力计，避免了其在多IMU系统中的误差累积和抗干扰性差的问题。2）新校准法：提出了三步骤快速校准流程，特别是第三步能有效补偿传感器实际穿戴时的微小对位偏差，是达到亚毫米级和亚度级精度的关键。3）结构漂移抑制：独创性地利用同一手指指节应共面的生物力学事实，通过向量投影技术，在不增加传感器的情况下将位置漂移降低三分之一。4）系统集成与验证：完成了从硬件、算法、校准到可视化软件的整体系统设计，并通过包含指尖捏合在内的多项极具代表性的动态任务，与光学系统进行了充分对比，验证了系统在多手指、多自由度假象下的整体精度，而非仅限于单传感器或单关节的评估。