CN105468138A - 基于脑机接口技术与激光雷达的智能车辆避障导航方法 - Google Patents

Abstract

本发明提供一种基于脑机接口技术与激光雷达的智能车辆避障导航方法。包括基于脑机接口技术的智能车辆控制方法、基于激光雷达的智能车辆避障方法、基于控制与避障的决策融合方法；其中基于脑机接口技术的智能车辆控制方法主要包括脑电信号采集、放大、预处理、特征提取与特征分类以及控制实现；基于激光雷达的智能车辆避障方法的原则是保证智能车辆的安全移动，必须能及时准确地发现障碍物并做出正确的躲避或停车动作，主要采用角度势场法；基于控制与避障的决策融合方法综合考虑脑机接口的意图以及智能车辆当前的运行状态。本发明具有高容错的特点，并能确保导航的准确性，提高了导航系统的可靠性。

Description

基于脑机接口技术与激光雷达的智能车辆避障导航方法

技术领域

本发明涉及脑机接口与激光雷达的应用研究技术领域，具体涉及到一种基于脑机接口技术与激光雷达的智能车辆避障导航方法。

背景技术

随着社会老龄化进程的加快以及由于各种疾病、工伤、交通事故等原因造成下肢损伤的人数的增加，为老年人和残疾人提供性能优越的代步工具已成为整个社会重点关注的问题之一。其中，作为代步工具的一种，智能车辆受到了世界各国研究者的广泛关注。智能车辆不仅具有自主导航、避障等多种功能，还融合了人机交互技术的多种控制方式，如语音、手势、头部运动和脑电信号等。

环境感知是智能车辆研究的关键技术之一。智能车辆周围的环境信息可以用来导航、避障和执行特定的任务。获取这些信息的传感器既需要足够大的视场来覆盖整个工作区，又需要较高的采集速率以保证在运动的环境中能够提供实时的信息。而近年来，激光雷达在智能车辆导航中的应用日益增多。这主要是由于基于激光的距离测量技术具有很多优点，特别是其具有较高的精度。通过二维或三维地扫描激光束或光平面，激光雷达能够以较高的频率提供大量的、准确的距离信息。激光雷达与其它距离传感器相比，能够同时考虑精度要求和速度要求，这一点特别适用于智能车辆领域。

另一方面，脑机接口(Brain-computerinterface，BCI)是在人脑和计算机或其他电子设备之间建立一种不依赖于常规大脑输出通路(外周神经和肌肉组织)的直接信息交流和控制通道，是一种全新的人机交互系统。BCI系统通常由四个部分组成：信号采集系统、信号处理系统、模式识别系统和控制外部设备系统。反映大脑活动的电生理信号由电极从头皮或者大脑内部获取并传送到放大器，该信号经过放大、滤波、模数转换等预处理后再传送到计算机中进行复杂的信号处理，提取出与使用者意愿有关的信号特征量，这些信号特征量经过识别被转换成控制命令，用来控制外界设备。

而脑机接口具有直接用脑信号控制外部设备的优点，但是脑机接口也存在信噪比差、准确率低、延时长等问题，驾驶员单纯地使用脑机接口控制智能车辆存在讯多不确定的因素，这给智能车辆行驶带来较大危险。

发明内容

本发明所要解决的技术问题是针对上述存在的不足，提供一种可以弥补目前单纯的基于脑机接口控制智能车辆存在的许多不足，具有高容错的特点，并能确保导航的准确性，提高了导航系统的可靠性的基于脑机接口技术与激光雷达的智能车辆避障导航方法。

本发明解决其技术问题所采用的技术方案是：

基于脑机接口技术与激光雷达的智能车辆避障导航方法，包括基于脑机接口技术的智能车辆控制方法、基于激光雷达的智能车辆避障方法、基于控制与避障的决策融合方法；

其中基于脑机接口技术的智能车辆控制方法主要包括脑电信号采集、放大、预处理、特征提取与特征分类以及控制实现；具体包括建立脑机接口系统的仿真模型，该模型由4个部分组成，数据获取、预处理、特征提取、特征分类，脑电信号的处理将在仿真模型里完成；其中特征提取可由多种不同的算法实现；当脑电信号的特征提取完成之后，需要用不同的识别算法将其分辨识别，最终转化成为不同的控制命令；

基于激光雷达的智能车辆避障方法的原则是保证智能车辆的安全移动，必须能及时准确地发现障碍物并做出正确的躲避或停车动作，主要采用角度势场法；具体包括：建立以车头激光雷达发射点为原点的车体极坐标系；由视场范围内某个角度上的障碍物产生阻力场，采用余弦函数定义目标点在各角度上产生的引力；对于视场中某一角度，定义通行函数为阻力的倒数与引力数值之乘积；通过通行函数的最终数值，进行决策并输出控制命令。

基于控制与避障的决策融合方法综合考虑脑机接口的意图以及智能车辆当前的运行状态，给出油门、刹车或转向等控制命令。

所述脑机接口为EmotivSystem公司研制的采用14个湿态电极传感器的脑机接口设备，脑电数据从国际标准的10-20导联系统的F3、F4、FC5、FC6，4个通道。

所述脑电信号采集、放大均在脑机接口设备中完成，预处理、特征提取与特征分类在基于Maltlab/Simulink建立脑机接口系统的仿真模型中完成，控制实现为将运动想象分类完成的控制指令通过无线串口通讯发送给智能车辆，通过控制智能车辆的油门、刹车、转向来实现实时控制。运动想象任务包括：左手、右手、右腿、静息。控制指令包括：左转、右转、启动、停止。

所述激光雷达为LUX4线激光雷达，具有240度的宽视角，0.3m至200m的探测距离，可集成到任何车体和观察到任何角度。

所述角度势场法将当前视场极坐标系的二维障碍物信息转换到一维的角度域内，综合评估视场内的障碍物在角度域内产生的阻力效应，以及目标点在角度域内产生的引力效应，计算得出当前目标角度及通行函数，确定智能车辆驾驶角和速度的控制输出，做到兼顾智能车辆的安全与向目标点的行进。

本发明的优点及显著效果在于：提出了一种基于脑机接口技术与激光雷达的智能车辆避障导航方法。该方法可以弥补目前单纯的基于脑机接口控制智能车辆存在的信噪比差、准确率低、延时长等问题，具有高容错的特点，并确保了导航的准确性，提高了导航系统的鲁棒性。

附图说明

图1是基于脑机接口技术的智能车辆控制方法框架图；

图2是脑机接口电极放置位置；

图3是脑机接口系统仿真模型；

图4是智能车辆车体模型

图5是智能车辆车体坐标系；

图6是融合决策模块；

图7是整体智能车辆避障导航方法框架图。

具体实施方式

下面结合具体实施方式，对本发明作进一步的说明：

如图1至图7所示的基于脑机接口技术与激光雷达的智能车辆避障导航方法，包括基于脑机接口技术的智能车辆控制方法、基于激光雷达的智能车辆避障方法、基于控制与避障的决策融合方法。

实施例一

基于脑机接口技术的智能车辆控制方法：

该方法主要包括脑电信号采集、放大、预处理、特征提取与特征分类以及控制实现等部分，如图1为控制方法的框架图。

1.脑电信号采集方法

采用EmotivSystem公司研制的采用14个湿态电极传感器的脑机接口设备采集驾驶员的头皮的脑电信号。14个电极按国际标准10-20系统放置，如图2所示。数据从国际标准的10-20导联系统的F3、F4、FC5、FC6，4个通道获得。另外，两个参考电极置于左耳乳突处和右乳突，用于计算两侧乳突的代数平均参考电压，帮助降噪。人体大脑的F3、F4、FC5、FC6位置包含了想象手部、脚部运动时最为丰富的信息，因此采用了这4个通道的数据。实验由若干次试验组成，包含想象左手运动、右手运动、右脚运动、静息状态等，然后得出各次试验的样本及实验数据。

2.脑电信号处理方法

脑机接口中的脑电信号处理过程是一个从信号到控制命令的转化过程，最终将作为外设的一种控制信号，这个过程要靠特征提取和模式分类实现。脑电信号具有很微弱的特点，需要经过了放大、滤波、去噪等处理。然后要对脑电信号进行特征提取，特征提取可由多种不同的算法实现。当脑电信号的特征提取完成之后，需要用不同的识别算法将其分辨识别，最终转化成为不同的控制命令。基于Maltlab/Simulink建立脑机接口系统的仿真模型，该模型由4个部分组成，数据获取、预处理、特征提取、特征分类，如图3所示，脑电信号的处理将在仿真模型里完成。

首先通过脑机接口采集脑电数据并放大，导入基于Maltlab/Simulink建立脑机接口系统仿真模型的数据获取模块。

BCI系统仿真模型里，在获取脑电信号数据后，进入数据预处理模块，对脑电信号数据进行滤波去噪。主要采用多分辨率分析去除混杂在脑电信号中的各种噪声，采用Simulink里Butterworth滤波器模块进行滤波。

傅里叶变换是基本的信号频域分析方法，在处理非平稳信号时，经常要对信号的局部频率以及该频率的时间段信息有所了解。短时傅里叶变换的基本原理是在信号进行傅里叶变换之前乘以一个有限的窗函数，窗函数在时间轴上移动，这样信号就可按时间轴分段进行分析处理，从而得到了不同时刻的信号频谱上的差异，得到了信号的时变特性。

考虑到实时系统速度的需要，采用短时傅里叶变换进行特征提取，对每2s数据进行一次短时傅里叶变换，判断幅值最大值出现在哪个频率处，当连续3次判断结果相同时，则认为该频率代表驾驶员想要发出的控制命令，最终提取一个四维的特征矢量，用于脑电信号的特征分类。

在脑电信号的特征分类中，由于是一个四维的特征矢量，可采用较为简单的分类方法，简单方法稳定性好，抗干扰能力强。采用Maltlab自带的classify函数进行脑电信号分类，classify函数可取的类型有若干种，这里我们选取马氏距离线性判别分类，马氏距离线性判别分类的训练数据和测试数据有较高的分类准确率。

3.控制实现方法

脑电信号在经过脑电信号处理系统后，得到了分类结果。脑机接口的API接口将分类结果生成4个运动事件，分别为“COG_LEFT”，“COG_RIGHT”，“COG_LIFT”，“COG_NEUTRAL”。然后在VS环境下进行编程，根据4个运动事件分别设定智能小车的4个运动控制指令：左转、右转、启动、停止，分别为“A,1,000,000,680”，“A,1,000,000,850”，“A,1,150,000,725”，“A,1,000,000,725”。将控制指令通过无线串口通讯发送给智能车辆，通过控制智能车辆的油门、刹车、转向来实现实时控制。

实施例二

基于激光雷达的智能车辆避障方法：

该方法主要采用角度势场法，以机器人当前视场视线角度为论域，将视场极坐标系的二维障碍物信息转换到一维的角度域内。综合评估视场内的障碍物在角度域内产生的阻力效应，以及目标点在角度域内产生的引力效应，得出当前状态的目标角度。

1.车辆模型与车体坐标系

智能车辆采用经过智能化改装的长安悦翔车，四轮车辆底盘作为机械平台，后轮驱动，前轮导向。在车速不是太快而转弯半径较大时，可以近似为两轮的自行车模型。可以建立以车头激光雷达发射点为原点的车体极坐标系，如图4图5所示。

车体坐标系中径向方向为完整自由度，横向方向为不完整自由度。因此障碍物对智能车辆的影响，在径向和横向方向上也不一致。本发明设定横向安全距离D_sf为智能车辆能够安全通过障碍物时与障碍物的横向距离，径向安全距离D_sr为智能车辆以速率v行驶状态开始减速到静止状态所移动的距离。

$\begin{array}{cc}{D}_{sf}=\frac{k_{sf}W}{2}& D_{sr}\left(v\right)=\frac{-k_{sr}{v}^2}{2a}\end{array}$

式中：W为车体宽度；a为车辆正常减速时的加速度；k_sf、k_sr是放大系数，均大于1。

2.阻力场与引力场

阻力场由视场范围内某个角度上的障碍物产生，阻力随障碍物距离的减小而增大。同时，障碍物所在角度左右的危险角度范围内，都由于此障碍物的存在而产生阻力。使用平台函数描述某一角度障碍点在角度域上产生的阻力，对于角度φ的障碍点在角度θ产生的阻力定义如下。

式中：d(φ)为角度φ的障碍点距离；D_m为设定的最大评估距离，超出D_m的障碍物均产生最小阻力值。

对于视场中某一角度θ，总阻力设定为各角度的障碍点在角度θ产生的阻力的最大值。阻力场函数可以表示为下式。

以上所述的阻力场用来描述视场内障碍物对智能车辆的影响。而为了引导智能车辆向规划目标点移动，需要考虑目标点所产生的引力场。本发明采用余弦函数定义目标点在各角度上产生的引力。

K_RF(θ)＝cos(θ-θ_obj)

式中：θ_obj为目标点在当前视场中的方向角。

3.通行函数

对于视场中某一角度θ，定义通行函数为阻力的倒数与引力数值之乘积。它描述了机器人在这一角度上通过并向目标点前进的可能性。所有角度的通行函数的最大值定义为当前视场的通行函数。它描述了在当前视场下机器人通过障碍物并向目标点前进的可能性。

$K_p\left(\mathrm{\θ}\right)=\frac{K_{GF}\left(\mathrm{\θ}\right)}{K_{RF}\left(\mathrm{\θ}\right)}$

$K_{PG}=\underset{0\∈\[0,\mathrm{\π}\]}{max}\left(K_p\right(\mathrm{\θ}\left)\right)$

4.决策输出

决策输出规则如下：

(1)当K_PG等于0时，智能车辆刹车减速。

(2)当K_PG大于0时，选择K_p(θ)最大的角度作为角度输出θ_out，其中：

${\mathrm{\θ}}_{left}=\arg \underset{0\≤\mathrm{\θ}\≤{\mathrm{\θ}}_1}{max}\left(K_p\right(\mathrm{\θ}\left)\right),{\mathrm{\θ}}_{right}=\arg \underset{{\mathrm{\θ}}_2\≤\mathrm{\θ}\≤0}{max}\left(K_p\right(\mathrm{\θ}\left)\right)$

θ_left、θ_right为输入最佳向左、向右前进角度，θ_out为整体最佳前进角度，当或时，给出左停止或右停止信息，其中U为阈值，取3500。

实施例三

基于控制与避障的决策融合方法：

该方法通过建立的融合决策模块综合考虑脑机接口的意图、智能车辆当前的运行状态，给出油门、刹车或转向等控制命令，如图6所示。

一般情况下，智能车辆根据实施例2的避障方法自主行驶，脑机保持“无命令”状态。当驾驶员需要干预车的行进时，发出一个“左转”、“右转”或“停止/启动”的指令。出于安全性的考虑，当实施例2的避障方法结果是“停止”，无论脑机的意图是什么，都发出刹车指令。当实施例2的避障方法结果不是“停止”时，根据脑机的结果和智能车辆的当前运行状态，决策结果如表1所示。

表1融合决策表

以上说明仅为本发明的应用实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等效变化，仍属本发明的保护范围。

Claims (5)

1.基于脑机接口技术与激光雷达的智能车辆避障导航方法，包括基于脑机接口技术的智能车辆控制方法、基于激光雷达的智能车辆避障方法、基于控制与避障的决策融合方法；

其中基于脑机接口技术的智能车辆控制方法主要包括脑电信号采集、放大、预处理、特征提取与特征分类以及控制实现；具体包括建立脑机接口系统的仿真模型，该模型由4个部分组成，数据获取、预处理、特征提取、特征分类，脑电信号的处理将在仿真模型里完成；其中特征提取可由多种不同的算法实现；当脑电信号的特征提取完成之后，需要用不同的识别算法将其分辨识别，最终转化成为不同的控制命令；

基于激光雷达的智能车辆避障方法的原则是保证智能车辆的安全移动，必须能及时准确地发现障碍物并做出正确的躲避或停车动作，主要采用角度势场法；具体包括：建立以车头激光雷达发射点为原点的车体极坐标系；由视场范围内某个角度上的障碍物产生阻力场，采用余弦函数定义目标点在各角度上产生的引力；对于视场中某一角度，定义通行函数为阻力的倒数与引力数值之乘积；通过通行函数的最终数值，进行决策并输出控制命令；

基于控制与避障的决策融合方法综合考虑脑机接口的意图以及智能车辆当前的运行状态，给出油门、刹车或转向等控制命令。

2.如权利要求1所述的基于脑机接口技术与激光雷达的智能车辆避障导航方法，其特征在于，脑机接口为EmotivSystem公司研制的采用14个湿态电极传感器的脑机接口设备，脑电数据从国际标准的10-20导联系统的F3、F4、FC5、FC6，4个通道。

3.如权利要求1所述的基于脑机接口技术与激光雷达的智能车辆避障导航方法，其特征在于，所述脑电信号采集、放大均在脑机接口设备中完成，预处理、特征提取与特征分类在基于Maltlab/Simulink建立脑机接口系统的仿真模型中完成，控制实现为将运动想象分类完成的控制指令通过无线串口通讯发送给智能车辆，通过控制智能车辆的油门、刹车、转向来实现实时控制；运动想象任务包括：左手、右手、右腿、静息，控制指令包括：左转、右转、启动、停止。

4.如权利要求1所述的基于脑机接口技术与激光雷达的智能车辆避障导航方法，其特征在于，所述激光雷达为LUX4线激光雷达，具有240度的宽视角，0.3m至200m的探测距离，可集成到任何车体和观察到任何角度。

5.如权利要求1所述的基于脑机接口技术与激光雷达的智能车辆避障导航方法，其特征在于，所述角度势场法将当前视场极坐标系的二维障碍物信息转换到一维的角度域内，综合评估视场内的障碍物在角度域内产生的阻力效应，以及目标点在角度域内产生的引力效应，计算得出当前目标角度及通行函数，确定智能车辆驾驶角和速度的控制输出，做到兼顾智能车辆的安全与向目标点的行进。