CN106515939A - 自行车智能人机交互系统及其交互方法 - Google Patents

Abstract

本发明公开了一种自行车智能人机交互系统及其交互方法。所述交互系统包括输入模块、运算模块、输出模块及电源模块；所述交互方法包括如下步骤：根据影响因素L＝{l₁，l₂,…,l_m}在自行车人机交互系统中预设该自行车的机器性格模型P＝{P₁，P₂,…,P_n}；用户骑行过程中，自行车人机交互系统根据输入模块采集的数据通过计算选择相应机器性格P_i，1≤i≤n，并根据所选择的机器性格P_i通过输出模块进行人与车或者车与车之间的互动；自行车人机交互系统根据用户的反馈对机器性格模型中的机器性格P_i进行排序，在进行下一次选择时选择更符合用户偏好的机器性格。本发明具有可以有效实现车与车、人与车交互，交互形式多样，应用范围广，趣味性高，成本小的优点。

Description

自行车智能人机交互系统及其交互方法

技术领域

本发明涉及系统交互设计领域，具体的涉及一种智能自行车人机交互系统及其交互方法。

背景技术

目前，智能产品越来越多的被应用在日常生活中。然而现在市面上的智能产品大多数都是基于预先设计好的逻辑框架进行响应的“线性智能”。它们仅仅拥有“智商”，给予固定的输入，就会给出相应的输出。然而仅仅拥有“智商”并不能满足将来智能产品的使用情景，我们列出两个方面的原因：

从易用性的角度讲，随着智能产品的推广，不同产品将要应对不同的用户，不同的环境。这就对智能产品提出了一个自适应的要求，它必须能够根据用户的输入喜好，环境变量等产生自适应的输出，而不是简单的归一。

从人机交互的角度来讲，用户对产品有移情的倾向。一个在不断使用过程中形成了“机器性格”，有“情商”的产品，能够让用户体验升级，也能以劝导技术的层面鼓励用户使用产品，对产品的商业化具有重要意义。

正如人的性格形成受环境，同伴影响一样，机器性格的形成也应该跟环境，同伴的影响有所关联。目前还没有一种交互框架探讨环境，用户与同类对某个特定交互产品的共同作用，该交互可以给用户带来更好的用户体验，更加满足市场的需要。

发明内容

本发明要解决的技术问题是，提供一种自行车智能人机交互系统及其交互方法，让产品在交互过程中进行养成“机器性格”的机器学习，实现对范围内同类产品的识别，以及以合适的交互方式激励用户并获得用户反馈。

为了解决上述技术问题，本发明采用的技术方案为：

一种自行车智能人机交互系统，包括输入模块，连接所述输入模块的运算模块，连接所述运算模块的输出模块，以及用于给上述系统供电的供电模块；所述输入模块包括用于获取环境参数的环境传感器，用于读取骑行状态的骑行传感器，同伴检索传感器以及用于接受用户对系统反馈的用户反馈传感器；所述输出模块包括灯光单元、电机马达和喇叭；供电模块包括依次相连的电池和稳压模块；所述运算模块用于接收处理所述输入模块采集的数据，并根据处理结果发送相应指令到所述输出模块，所述输出模块根据接收的指令做出相应的反馈。

本发明进一步提供了基于上述的自行车智能人机交互系统的人机交互方法，包括如下步骤：

S1、根据影响因素L＝{l₁，l₂,…,l_m}在自行车人机交互系统中预设该自行车的机器性格模型P＝{P₁，P₂,…,P_n}；

S2、用户骑行过程中，自行车人机交互系统根据输入模块采集的数据通过计算选择相应机器性格P_i，1≤i≤n，并根据所选择的机器性格P_i通过输出模块进行人与车或者车与车之间的互动；

S3、自行车人机交互系统根据用户的反馈对机器性格模型中的机器性格P_i进行打分排序，在进行下一次选择时选择更符合用户偏好的机器性格。

优选的，步骤S1中，影响因素L＝{l₁，l₂,…,l_m}中的影响因子l_i分别对应于用户骑行习惯参数、环境变量参数及骑行同伴的数据。

进一步的，步骤S1中，所述机器性格模型P＝{P₁，P₂,…,P_n}包括多种机器性格P_i，所述机器性格P_i为根据影响因素L＝{l₁，l₂,…,l_m}中各个影响因子l_i的参数区间范围预先设置好的一组交互模式，P_i对应一个动作集合P_i＝{a_i1,a_i2,…,a_ij}，该动作集合中各个动作a_ij对应于输出模块中各单元部件运行参数的一个区间范围或者一种指示状态。

优选的，所述输出模块各单元部件运行参数或者指示状态具体包括电机马达的转动参数或者灯光单元的不同显示方式及喇叭的不同响声。

进一步的，步骤S2具体包括：

S21、自行车人机交互系统多次记录输入模块采集的数据X，所述数据X包括骑行传感器采集的用户骑行参数H和环境传感器采集的环境参数E；

S22、所述运算模块通过学习函数G(X,t)处理数据X:

其中，t为成长次数，N为成长次数阈值，N≥1000，X_read为新输入的数据值，X_avg为输入数据的平均值；

S23、将计算得到的X_avg与影响因素L＝{l₁，l₂,…,l_m}中对应影响因子l_i的参数区间范围相比较，在预设的机器性格模型P＝{P₁，P₂,…,P_n}中选择相应的机器性格P_i，并根据所选择的机器性格P_i通过输出模块进行人与车或者车与车之间的互动。

进一步的，步骤S22具体包括：

S221、系统启动时，运算模块读取骑行传感器采集的加速度值Acc，如果加速度值Acc大于阈值TH_acc，则判定为自行车在骑行状态；

S222、读取成长次数t，如果t＜N，则判定该自行车还处在成长状态，此时用户骑行习惯参数H和环境参数E对其机器性格的形成仍有影响；

S223、读取用户骑行习惯参数H与环境参数E，并通过学习函数G(X,t)计算H_avg＝G(H_read,t)和E_avg＝G(E_read,t)；直至t≥N，停止更新参数H_avg与E_avg。

进一步的，步骤S3具体包括：

S31、用户通过输入模块中的用户反馈传感器给当前机器性格P_i中的动作a_ij进行评分，得到分数Scr；

S32、运算模块通过学习函数G(X,t)计算Scr_avg＝G(Scr，t₂)，并储存更新后的Scr_avg到相应的动作a_ij下；

S33、自行车人机交互系统读取当前机器性格P_i的各个动作a_ij的分数值Scr_avg_ij，根据该分数值通过加权随机函数进行计算，选择下一个机器性格。

进一步的，步骤S33具体包括：假设自行车人机交互系统中记录的用户对当前机器性格P_i的评分为b_i，则当系统选择下一个机器性格时，某个机器性格P_j的获选概率为：

这样评分高的机器性格会有更高的可能性被选择到。

本发明的自行车智能人机交互系统及其交互方法具有下述优点：

1、提出了一种通用的交互设计框架，在劝导技术下增强智能自行车驾驶过程中的用户体验，让用户更积极的进行自行车出行。其互动性强，趣味性高，对用户的吸引力好，还可以广泛到汽车等应用领域。

2、不仅考虑了机器与人的交互，还考虑到了环境因素以及机器与机器之间的交互，可以有效实现车与车、人与车交互，交互形式多样，应用范围广，趣味性高。

3、本发明的交互设计以尽量简易的方式实现了不依赖网络或终端的小型化解决方案，在商业化方面有着巨大的成本优势。

附图说明

图1为本发明的自行侧智能人机交互系统的模块结构示意图。

附图标记说明：1-输入模块；11-环境传感器；12-骑行传感器；13-同类检索传感器；14-用户传感器；2-运算模块；21-单片机模块；3-输出模块；31-灯光单元；32-电机马达；33-喇叭；4-供电模块；41-电池；42-稳压模块。

具体实施方式

为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。

本发明提供了一种自行车人机交互设计框架，其总体构思如下：

1)通过骑行习惯，环境参数以及同伴的数据生成“机器性格”。

2)根据“机器性格”进行车与车，人与车之间的互动。

3)对骑行行为进行监督并反馈。

所述骑行习惯指在产品使用过程中，用户使用系统功能性部分的个人偏好。这些功能性部分可以是跟交互系统直接相关也可以是非直接相关的。例如对于音响，用户对音量大小的偏好就是使用习惯。对自行车，用户喜欢急刹车还是踩慢车就是使用习惯。比如，当加速度传感器的平均值超过一个阈值(如1.0m/s²)时，判定用户喜欢急刹车；如果低于此值则判定喜欢慢刹车。

所述环境参数指在使用过程中周遭环境的参数，包括但不限于温度，湿度，噪声，光强等等。通过设置环境变量能让交互系统跟环境进行某种程度的对应，让用户更能理解机器性格形成过程中的语境。比如，当路面噪声数据的平均值大于50(传感器取值为0–1023)时，判定路面嘈杂；反之则判定路面安静。

所述“机器性格”指在所述步骤1)中，对用户使用习惯，环境变量等参数进行建模，学习出适用于自身的对外界刺激进行响应的交互模式。在所述步骤2)中，把这种交互模式应用到对人交互以及对同类产品交互上，从而达到对自身用户以及其他同类产品用户喜好评分最大化的目的。

所述同伴指的是同样具有机器性格的交互产品。具体而言，拥有机器性格的交互系统会检索附近是否也有具有机器性格的同类产品，从而决定自己的行为模式。

所述监督并反馈机制指在所述步骤2)中拥有机器性格的交互产品，在所述步骤3)中收集用户的反馈对自己的动作进行调节，也会通过机器学习算法选择用户更喜欢的动作，该动作是建立在对应的机器性格下的遵循某种用户可理解逻辑进行变化的具体交互方式。一个机器性格可以对应多个动作。

基于上述总体构思，本发明提供了一种自行车智能人机交互系统，其优选实施例包括：输入模块，连接所述输入模块的运算模块，连接所述运算模块的输出模块，以及用于给上述系统供电的供电模块。

所述输入模块包括读取环境参数的环境传感器，读取骑行状态的骑行传感器，判定周围是否有同伴产品的同伴检索传感器以及接受用户对系统反馈的用户反馈传感器。上述传感器依次与运算模块相连，并将输入的交互信息按照一定的顺序输入运算模块。

所述输出模块包括灯光单元、电机马达及喇叭。其中，灯光单元包括依次相连的LED矩阵模块和LED灯环模块，并分别与运算模块相连。LED矩阵模块和LED灯环模块结合电机马达和喇叭表达运算模块所生成的机器性格以及有同伴时相应的灯光动作。LED灯环模块还用于呈现用户对当前灯光动作的评分反馈。

所述运算模块包括单片机模块，所述单片机模块首先会读取所述输入模块中的骑行参数，判定自行车是否在行驶。然后决定采集环境参数与否。接下来会判定周遭有否同伴。如果有同伴则控制输出模块进行相应的灯光动作。接下来则根据存储的各参数历史记录判定要表达的机器性格,并根据用户对该性格下各动作的历史反馈进行选择，控制输出模块给出恰当的参数或动作进行交互。用户可以通过所述输入模块中的用户反馈传感器对输出模块中的参数或动作进行评分。单片机模块会根据评分切换下一个交互动作。

所述供电模块包括依次相连的电池和稳压模块，所述供电模块依次与输入模块、运算模块、输出模块相连，用于全系统的供电。

基于上述的自行车智能人机交互系统，本发明进一步提供了一种人机交互方法，包括如下步骤：

第一步，根据影响因素L＝{l₁，l₂,…,l_m}在自行车人机交互系统中预设该自行车的机器性格模型P＝{P₁，P₂,…,P_n}。

其中，影响因素L＝{l₁，l₂,…,l_m}中的影响因子l_i分别对应于用户骑行习惯参数、环境变量参数及骑行同伴的数据。机器性格模型P＝{P₁，P₂,…,P_n}包括多种机器性格P_i，每种机器性格P_i为根据影响因素L＝{l₁，l₂,…,l_m}中各个影响因子l_i的参数区间范围预先设置好的一组交互模式，P_i对应一个动作集合P_i＝{a_i1,a_i2,…,a_ij}，该动作集合中各个动作a_ij对应于输出模块中各单元部件运行参数的一个区间范围或者一种指示状态，例如电机马达的转动参数或者灯光单元的不同显示方式及喇叭的不同响声。

例如，在一个具体的实施例中，根据用户可能的骑行习惯(喜欢急刹车或者慢刹车)以及智能自行车可能遇到的路况环境(吵杂的路与安静的路)分为四种机器性格——易怒的(喜欢急刹车&路况吵杂)；活跃的(喜欢慢刹车&路况吵杂)；克制的(喜欢急刹车&路况安静)；平静的(喜欢慢刹车&路况安静)。上述不同的机器性格对应不同的电机马达参数及不同的灯光显示方式和喇叭响声。比如，性格“易怒的”对应三个灯光动作，灯环的颜色分别为红，橘红，紫红，LED点阵变化频率为2秒一次。

第二步，用户骑行过程中，自行车人机交互系统根据输入模块采集的数据通过计算选择相应机器性格P_i，1≤i≤n，并根据所选择的机器性格P_i通过输出模块进行人与车或者车与车之间的互动。

具体的，自行车人机交互系统多次记录输入模块采集的数据X，该数据X包括骑行传感器采集的用户骑行参数H和环境传感器采集的环境参数E。之后，运算模块通过学习函数G(X,t)处理数据X:

其中，t为成长次数，N为成长次数阈值，N≥1000，X_read为新输入的数据值，X_avg为输入数据的平均值。

其具体计算过程为，1)系统启动时，运算模块读取骑行传感器采集的加速度值Acc，如果加速度值Acc大于阈值TH_acc，则判定为自行车在骑行状态；2)运算模块读取成长次数t，如果t＜N，则判定该自行车还处在成长状态，此时用户骑行习惯参数H和环境参数E对其机器性格的形成仍有影响；3)运算模块读取用户骑行习惯参数H与环境参数E，并通过学习函数G(X,t)计算H_avg＝G(H_read,t)和E_avg＝G(E_read,t)；直至t≥N，停止更新参数H_avg与E_avg。

接下来，将计算得到的X_avg与影响因素L＝{l₁，l₂,…,l_m}中对应影响因子l_i的参数区间范围相比较，例如，当计算得到的用户骑行习惯参数H_avg落在用户骑行习惯参数影响因子的某一区间范围内时，在预设的机器性格模型P＝{P₁，P₂,…,P_n}中选择相应的机器性格P_i，并根据所选择的机器性格P_i通过输出模块进行人与车或者车与车之间的互动。

第三步，自行车人机交互系统根据用户的反馈对机器性格模型中的机器性格P_i进行排序，在进行下一次选择时选择更符合用户偏好的机器性格。

具体的，用户通过输入模块中的用户反馈传感器给当前机器性格P_i中的动作a_ij进行评分，得到分数Scr；之后，运算模块通过学习函数G(X,t)计算Scr_avg＝G(Scr，t₂)，并储存更新后的Scr_avg到相应的动作a_ij下；最后，自行车人机交互系统读取当前机器性格P_i的各个动作a_ij的分数值Scr_avg_ij，根据该分数值通过加权随机函数进行计算，选择下一个机器性格。

上述加权随机函数选择过程具体为：假设自行车人机交互系统中记录的用户对机器性格P_i的评分为b_i，当前机器性格为P_i，则当系统选择下一个机器性格时，某个机器性格P_j的获选概率为：

这样评分高的动作会有更高的可能性被选择到。

以上所述仅为本发明的优选实施方式，本发明的保护范围并不仅限于上述实施方式，凡是属于本发明原理的技术方案均属于本发明的保护范围。对于本领域的技术人员而言，在不脱离本发明的原理的前提下进行的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种自行车智能人机交互系统，其特征在于，包括输入模块(1)，连接所述输入模块的运算模块(2)，连接所述运算模块的输出模块(3)，以及用于给上述模块供电的供电模块(4)；所述输入模块包括用于获取环境参数的环境传感器(11)，用于读取骑行状态的骑行传感器(12)，同伴检索传感器(13)以及用于接受用户对系统反馈的用户反馈传感器(14)；所述输出模块包括灯光单元(31)、电机马达(32)和喇叭(33)；供电模块包括依次相连的电池(41)和稳压模块(42)；所述运算模块(2)用于接收处理所述输入模块采集的数据，并根据处理结果发送相应指令到所述输出模块，所述输出模块根据接收的指令做出相应的反馈。

2.一种基于权利要求1所述的自行车智能人机交互系统的人机交互方法，其特征在于，包括如下步骤：

S1、根据影响因素L＝{l₁，l₂,…,l_m}在自行车人机交互系统中预设该自行车的机器性格模型P＝{P₁，P₂,…,P_n}；

S2、用户骑行过程中，自行车人机交互系统根据输入模块采集的数据通过计算选择相应机器性格P_i，1≤i≤n，并根据所选择的机器性格P_i通过输出模块进行人与车或者车与车之间的互动；

S3、自行车人机交互系统根据用户的反馈对机器性格模型中的机器性格P_i进行打分排序，在进行下一次选择时选择更符合用户偏好的机器性格。

3.根据权利要求2所述的人机交互方法，其特征在于，步骤S1中，影响因素L＝{l₁，l₂,…,l_m}中的影响因子l_i分别对应于用户骑行习惯参数、环境变量参数及骑行同伴的数据。

4.根据权利要求3所述的人机交互方法，其特征在于，步骤S1中，所述机器性格模型P＝{P₁，P₂,…,P_n}包括多种机器性格P_i，所述机器性格P_i为根据影响因素L＝{l₁，l₂,…,l_m}中各个影响因子l_i的参数区间范围预先设置好的一组交互模式，P_i对应一个动作集合P_i＝{a_i1,a_i2,…,a_ij}，该动作集合中各个动作a_ij对应于输出模块中各单元部件运行参数的一个区间范围或者一种指示状态。

5.根据权利要求4所述的人机交互方法，其特征在于，所述输出模块各单元部件运行参数或者指示状态具体包括电机马达的转动参数或者灯光单元的不同显示方式及喇叭的不同响声。

6.根据权利要求3-5任一项所述的人机交互方法，其特征在于，步骤S2具体包括：

S21、自行车人机交互系统多次记录输入模块采集的数据X，所述数据X包括骑行传感器采集的用户骑行参数H和环境传感器采集的环境参数E；

S22、所述运算模块通过学习函数G(X,t)处理数据X:

$G(X_{read},t)=\left\{\begin{array}{cc}{X}_{avg},& t\&GreaterEqual;N;\\ X_{avg}+(X_{read}-X_{avg})*\frac{1-(t-1)}{N*t},& 0<t<N\end{array}\right.$

其中，t为成长次数，N为成长次数阈值，N≥1000，X_read为新输入的数据值，X_avg为输入数据的平均值；

S23、将计算得到的X_avg与影响因素L＝{l₁，l₂,…,l_m}中对应影响因子l_i的参数区间范围相比较，在预设的机器性格模型P＝{P₁，P₂,…,P_n}中选择相应的机器性格P_i，并根据所选择的机器性格P_i通过输出模块进行人与车或者车与车之间的互动。

7.根据权利要求6所述的人机交互方法，其特征在于，步骤S22具体包括：

S221、系统启动时，运算模块读取骑行传感器采集的加速度值Acc，如果加速度值Acc大于阈值TH_acc，则判定为自行车在骑行状态；

S222、读取成长次数t，如果t＜N，则判定该自行车还处在成长状态，此时用户骑行习惯参数H和环境参数E对其机器性格的形成仍有影响；

S223、读取用户骑行习惯参数H与环境参数E，并通过学习函数G(X,t)计算H_avg＝G(H_read,t)和E_avg＝G(E_read,t)；直至t≥N，停止更新参数H_avg与E_avg。

8.根据权利要求6或7所述的人机交互方法，其特征在于，步骤S3具体包括：

S31、用户通过输入模块中的用户反馈传感器给当前机器性格P_i中的动作a_ij进行评分，得到分数Scr；

S32、运算模块通过学习函数G(X,t)计算Scr_avg＝G(Scr，t₂)，并储存更新后的Scr_avg到相应的动作a_ij下；

S33、自行车人机交互系统读取当前机器性格P_i的各个动作a_ij的分数值Scr_avg_ij，根据该分数值通过加权随机函数进行计算，选择下一个机器性格。

9.根据权利要求8所述的人机交互方法，其特征在于，步骤S33具体包括：假设自行车人机交互系统中记录的用户对当前机器性格P_i的评分为b_i，则当系统选择下一个机器性格时，某个机器性格P_j的获选概率为：

$P\left(P_j\right)=\frac{{b_j}^2}{{\mathrm{\&Sigma;b}}_k^2-b_i^2},(k=1,2,...,n)$

这样评分高的机器性格会有更高的可能性被选择到。