CN108536154A - 基于生物电信号控制的低速自动驾驶智能轮椅构建方法 - Google Patents
基于生物电信号控制的低速自动驾驶智能轮椅构建方法 Download PDFInfo
- Publication number
- CN108536154A CN108536154A CN201810454870.4A CN201810454870A CN108536154A CN 108536154 A CN108536154 A CN 108536154A CN 201810454870 A CN201810454870 A CN 201810454870A CN 108536154 A CN108536154 A CN 108536154A
- Authority
- CN
- China
- Prior art keywords
- driver
- automatic pilot
- wheelchair
- map
- low speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 210000004556 brain Anatomy 0.000 claims abstract description 19
- 230000001360 synchronised effect Effects 0.000 claims abstract description 15
- 230000005611 electricity Effects 0.000 claims abstract description 14
- 238000002567 electromyography Methods 0.000 claims abstract description 14
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 12
- 238000013136 deep learning model Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000005452 bending Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 6
- 238000010606 normalization Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000005153 frontal cortex Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于生物电信号控制的低速自动驾驶智能轮椅构建方法，其特征在于，包括如下步骤：利用生理记录仪，同步采集驾驶人多导脑电、肌电信号，获取驾驶人高维生物电信号分量；构造深度学习模型：将所获得的驾驶人高维生物电信号分量作为输入，构建深度学习模型，获取驾驶人的驾驶意图；基于自动驾驶轮椅上的视觉系统、激光雷达系统、毫米波雷达系统，同步采集当前环境信息，构建实时环境安全评估；利用驾驶人的驾驶意图与获取的实时环境安全评估地图，采用信息融合方法，获得当前可通行区域地图，并在当前可通行区域地图基础上对驾驶人的驾驶意图进行安全性判断，并形成驾驶人意图安全决策；具有良好的应用前景。
Description
技术领域
本发明涉及自动驾驶领域，具体涉及一种基于生物电信号控制的低速自动驾驶智能轮椅构建方法。
背景技术
随着汽车社会的发展，便捷、智慧出行，已经成为人们的广泛社会需求。
对于由于交通事故、老年化等偶发和非可控因素而失去驾驶能力的人员而言，出行变得非常困难，该类人群对无人守护条件下的短距离出行尤为渴望。作为未来智慧出行的重要组成部分，基于生物电信号控制的低速自动驾驶智能轮椅，是实现该类人群出行需求的关键。
目前，基于手动控制的智能轮椅是当前常用的轮椅控制方式，其技术要点在于，通过手柄和按钮来完成对轮椅前进、后退、停止等的简单控制。该方法具有结构简单，成本低，易于实现等优点。然而，对于部分伤残人员和行为能力不便的人群而言，该实现方法无法解决他们的出行问题，同时这种开环控制方式，容易使轮椅出现碰撞、事故等安全问题。
因此，本发明把生物电信号作为感知手段，将其引入控制系统中来，研发基于生物电信号控制的自动驾驶轮椅方法，对于拓展行动能力不变人员的活动范围，提高他们的自我管理能力和生活幸福感具有重要的意义。
发明内容
针对行动不便人员的短距离出行需求，本发明所要解决的技术问题是提供一种基于生物电信号控制的低速自动驾驶智能轮椅构建方法，以满足自动驾驶轮椅的实际交通使用需求。
为了解决上述技术问题，根据本发明的技术方案，一种基于生物电信号控制的低速自动驾驶智能轮椅构建方法，其特征在于，包括如下步骤：
S1：利用生理记录仪，同步采集驾驶人多导脑电、肌电信号，获取驾驶人高维生物电信号分量。
S2：构造深度学习模型：将步骤S1所获得的驾驶人高维生物电信号分量作为输入，构建深度学习模型，获取驾驶人的驾驶意图。
S3：基于自动驾驶轮椅上的视觉系统、激光雷达系统、毫米波雷达系统，同步采集当前环境信息，构建实时环境安全评估地图。
S4：利用步骤S2获取的驾驶人的驾驶意图与步骤S3所获取的实时环境安全评估地图，采用信息融合方法，获得当前可通行区域地图，并在当前可通行区域地图基础上对驾驶人的驾驶意图进行安全性判断，并形成驾驶人意图安全决策。
S5：根据当前可通行区域地图和驾驶人意图安全决策，获取自动驾驶轮椅的控制指令，通过内部控制电路，进行轮椅的运动控制。
根据本发明所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法的优选方案，步骤S1中所述利用生理记录仪，同步采集驾驶人多导脑电、肌电信号，获取驾驶人高维生物电信号分量，其具体方法如下：
S11：采用盲源分离技术去除脑电、肌电信号中的噪声和伪差，对预处理后的脑电、肌电信号进行独立性分析，将真实脑电、肌电信号、基线漂移、工频干扰、心电伪差分解到不同独立分量中，获取高性噪比电分量。
根据本发明所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法的优选方案，步骤S2中所述构造深度学习模型，获取当前驾驶人的驾驶意图，其具体方法为：
S21：构造卷积深度积神经网络模型，该卷积深度神经网络模型包括且不仅限于多维信号输入层、卷积层、池化层、全连接层在内的深度神经网络；当前驾驶人的驾驶意图包括：向前行驶、向后倒退、左转弯、向右转弯、制动、停止共6种。
根据本发明所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法的优选方案，步骤S3中基于自动驾驶轮椅上的视觉系统、激光雷达系统、毫米波雷达系统，同步采集当前环境信息，构建实时环境安全评估地图，其具体方法为：
S31：对视觉系统、激光雷达系统、毫米波雷达系统进行参数联合标定，得到视觉系统坐标系、激光雷达系统坐标系、毫米波雷达系统坐标系与轮椅坐标系四者之间的对应与转换关系。
S32：使用迁移学习方法，建立基于低速自动驾驶智能座椅的环境视觉库，通过实际环境驾驶，采集实际环境视觉库，以此为基础对第二深度神经网络进行再训练，获得适用于低速自动驾驶智能座椅的视觉分类系统。
S33：利用激光雷达系统采集智能轮椅周围三维点云数据，并采用深度学习方法分析三维点云数据内的目标信息，并利用收集的激光雷达数据，训练面向激光雷达的第三深度神经网络模型，获取当前环境中的待识别目标。
S34、利用步骤S32获得的低速自动驾驶智能座椅的视觉分类系统和步骤S33获得的当前环境中的待识别目标为基础，采用环境信息融合方法，构建实时环境安全评估地图。
根据本发明所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法的优选方案，步骤S4中利用步骤S2输出的驾驶人的驾驶意图与步骤S3所获取的实时环境安全评估地图，采用信息融合方法，获得当前可通行区域地图，并在当前可通行区域地图基础上对驾驶人的驾驶意图进行安全性判断，并形成驾驶人意图安全决策；具体方法为：
S41：将自动驾驶轮椅映射到步骤S34所构建的实时环境安全评估地图中来，去除实时环境安全评估地图中的障碍物，形成自动驾驶轮椅周围安全范围内无障碍区域。
S42：利用步骤S32获得的低速自动驾驶智能座椅的视觉分类系统获得道路交通指示标志，融入到步骤S41所述的无障碍区域中，根据当前道路交通指示标志对无障碍区域范围进行裁剪，形成自动驾驶轮椅当前可通行安全区域地图，实时为自动驾驶轮椅提供安全的可行驶区域范围。
S43：利用自动驾驶轮椅在当前可通行区域地图中的位置，对步骤S2所获得的驾驶人的驾驶意图进行安全性修正，形成驾驶人意图安全决策。
根据本发明所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法的优选方案，步骤S5中根据当前可通行区域地图和驾驶人意图安全决策，获取自动驾驶轮椅的控制指令，通过内部控制电路，进行轮椅的运动控制；具体为：
S51：对步骤S4输出的驾驶人意图安全决策进行优先等级划分。
S52：根据步骤S51对驾驶人意图安全决策的优先等级分类顺序，当驾驶人意图安全决策为“停止”时，控制轮椅进行“紧急制动”；当驾驶人意图安全决策为“制动”时，根据轮椅前方可通行区域范围，控制轮椅进行“紧急制动”或者“正常制动”；当驾驶人意图安全决策为“向左转弯”或者“向右转弯”时，控制轮椅停止前进和后退，并进行原地“向左转弯”或者“向右转弯”；当驾驶人意图安全决策为“向前行驶”时，根据轮椅前方可通行区域范围，控制轮椅进行“正常行驶”或者“慢速行驶”；当驾驶人意图安全决策为“向后倒退”时，控制轮椅进行向后“缓慢倒退”。
根据本发明所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法的优选方案，步骤S33中采用深度学习方法分析三维点云内的目标信息，具体为将n个三维点云数据中的每一个三维数据点和对应时间戳展开成1列4n行的列向量，以构成的1*4n维列向量；n为激光雷达系统单次扫描的三维坐标点个数。
根据本发明所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法的优选方案，步骤S34中构建实时环境安全评估地图，具体是指以自动驾驶轮椅为相对坐标原点，以笛卡尔坐标系为地图坐标系，在地图中标注了当前车辆周围包括：车辆、行人、交通标识、地面可通行区域语义和方位信息的三维实时更新地图。
本发明所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法的有益效果是：本本发明把生物电信号作为感知手段，将其引入控制系统中来，研发基于生物电信号控制的自动驾驶轮椅，拓展了传统手动控制轮椅的使用人群，为由于交通事故、老年化等偶发和非可控因素而失去驾驶能力的人员提供了低速驾驶工业，拓展行动能力不变人员的活动范围，提高他们的自我管理能力和生活幸福感具有积极效果；发明以车辆安全为级别保证，将驾驶人意图与轮椅上的激光雷达、技术视觉系统收构建的当前环境实时安全态势地图结合起来，采用信息融合方法，形成安全可靠的自动驾驶轮椅安全决策，保证了自动驾驶轮椅的安全行驶；具有良好的应用前景。
附图说明
图1是本发明所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法的流程示意图。
图2是以驾驶人高维生物电信号分量作为输入，以驾驶人的驾驶意图作为输出的深度学习模型。
具体实施方式
参见图1至图2，一种基于生物电信号控制的低速自动驾驶智能轮椅构建方法，包括如下步骤：
S1：利用生理记录仪，同步采集驾驶人多导脑电、肌电信号，获取驾驶人高维生物电信号分量。
S2：构造深度学习模型：将步骤S1所获得的驾驶人高维生物电信号分量作为输入，构建深度学习模型，获取驾驶人的驾驶意图，并输入步骤S4。
S3：基于自动驾驶轮椅上的视觉系统、激光雷达系统、毫米波雷达系统，同步采集当前环境信息，构建实时环境安全评估地图，并输入步骤S4。
其中，视觉系统采集轮椅前方的图像信息，激光雷达系统采集轮椅360度范围内3维点云信息，毫米波雷达系统采集轮椅前方未被激光雷达覆盖的3维点云信息。
S4：利用步骤S2输出的驾驶人的驾驶意图与步骤S3所获取的实时环境安全评估地图，采用信息融合方法，获得当前可通行区域地图，并在当前可通行区域地图基础上对驾驶人的驾驶意图进行安全性判断，并形成驾驶人意图安全决策。
S5：根据当前可通行区域地图和驾驶人意图安全决策，获取自动驾驶轮椅的控制指令，通过内部控制电路，进行轮椅的运动控制，包括自动驾驶轮椅运动控制速度不高于15km/h，仅行驶于平坦的非机动车道或人行道路上。
在具体实施例中，步骤S1中所述利用生理记录仪，同步采集驾驶人多导脑电、肌电信号，获取驾驶人高维生物电信号分量，其具体方法如下：
S11：采用盲源分离技术去除脑电、肌电信号中的噪声和伪差，对预处理后的脑电、肌电信号进行独立性分析，将真实脑电、肌电信号、基线漂移、工频干扰、心电伪差分解到不同独立分量中，获取高性噪比电分量。
比如，用g.USBamp脑电采集设备同步采集16导联脑电信号，Fp1：左额极；Fp2：右额极；F3：左额；F4：右额；C3：左中央；C4：右中央；P3：左顶；P4：右顶；01：左枕；02：右枕；F7：左前颞；F8：右前颞；T3：左中颞；T4：右中颞；T5：左后颞；T6：右后颞，电极放置采用国际10/20系统，采集驾驶人在不同运动想象动作下的大脑额叶区域、中央区域和顶页区域的脑电信号，将数据传输到脑电信号处理模块。脑电信号处理模块，从时域、频域、空间和相位等多层面，提取不同的脑电信号特征。
时域中，提取信号的幅值、均值、方差、峭度等4种时变指标。
频域中，引入小波分解法，提取Delta(0.5-3.5Hz)、Theta(4-7Hz)、Alpha(8-13Hz)、Beta(14-30Hz)和Gamma等5种基本脑波节律的能量谱。
在空间和相位中，提取颞部导联的异动规律、枕部和顶部导联的分布情况等4种指标，共同构建高维脑电情绪特征向量。
其中，颞部导联的异动规律，具体是指颞部导联输出的电信号的标准差与方差变化范围；枕部和顶部导联的分布情况，具体是指枕部和顶部导联输出电信号的能量谱分布范围与分布位置。
在具体实施例中，步骤S2中所述构造深度学习模型，获取当前驾驶人的驾驶意图，其具体方法为：
S21：构造卷积深度积神经网络模型，该卷积深度神经网络模型包括且不仅限于多维信号输入层、卷积层、池化层、全连接层在内的深度神经网络；当前驾驶人的驾驶意图包括：向前行驶、向后倒退、左转弯、向右转弯、制动、停止共6种。
如附图2所示，卷积深度神经网络以驾驶人多维生物电信号为输入，依次包括输入层、第一层、第二层、第三层、第四层、第五层和输出层，其中第一层包括卷积1层、BN(BatchNormalization，数据归一化)1层、最大池化1层；第二层包括卷积2层、BN2层、最大池化2层；第三层包括卷积3层、BN3层、最大池化3层；第四层包括全连接4层和、BN5层；第五层包括全连接5层和BN5层；输出层包括Softmax层。
其中，卷积深度神经网络构造过程中，为降低卷积层滑动窗搜索方式带来的运算压力，本发明结合混合高斯背景建模方法对输入数据进行预处理；在每一个池化层后，采用ReLU激活函数消除梯度消失问题，防止收敛效果不佳；并且将DropOut正则化技术应用到损失函数构造过程中，降低网络复杂度，防止过拟合现象；同时，在进行网络训练时，结合Batch Normalization训练加速技术，加快模型训练；采用最小圆覆盖聚类解决单目标的有效分类问题，消除检测二义性。
在具体实施例中，步骤S3：基于自动驾驶轮椅上的视觉系统、激光雷达系统、毫米波雷达系统，同步采集当前环境信息，构建实时环境安全评估地图，其具体方法为：
S31：对视觉系统、激光雷达系统、毫米波雷达系统进行参数联合标定，得到视觉系统坐标系、激光雷达系统坐标系、毫米波雷达系统坐标系与轮椅坐标系四者之间的对应与转换关系。
其中，对视觉系统、激光雷达系统、毫米波雷达系统进行参数联合标定。视觉系统包括双目摄像机，激光雷达系统包括激光雷达；毫米波雷达系统包括毫米波雷达。此处以双目摄像头与激光雷达间的联合参数标定方法进行阐述，步骤为：对双目摄像机的左右摄像头分别进行参数标定，获得摄像机的标定参数，包括：内参矩阵ML、MR，旋转矩阵RL、RR和平移向量tL、tR；对激光雷达进行参数标定，获得激光雷达标定参数，包括换算矩阵RML和平移矩阵tML；给定轮椅坐标系中的一点S，该点在左摄像头坐标系、右摄像头坐标系和激光雷达坐标系中的非其次坐标分别为Xw、XcL、XcR、XML。则可以得到：
XcL＝RLXw+tL，XcR＝RRXw+tR，XML＝RMLXw+tML。
将XcL、XML和XcR中Xw消去，得到：
XcL＝RLRR -1 XcR+tL-RL -1tR；XcR＝RLRML -1 XML+tL-RL -1tML。
由此可求出左摄像头、右摄像头和激光雷达之间的变换关系，分别为：
RLR＝RLRR -1，tLR＝tL-RL -1tR，RLM＝RLRML -1，tLM＝tL-RL -1tML。
其中，RLR为左摄像头与右摄像头间的旋转矩阵、tLR为左摄像头与右摄像头间的平移矩阵、RLM为左摄像头与激光雷达间的旋转矩阵、tLM为左摄像头与激光雷达间的平移矩阵。
应用此方法可以将视觉系统与毫米波雷达系统进行联合标定，进而获得视觉系统、激光雷达系统、毫米波雷达系统三种传感器之间的联合标定关系。
S32：使用迁移学习方法，建立基于低速自动驾驶智能座椅的环境视觉库，通过实际环境驾驶，采集实际环境视觉库，以此为基础对第二深度神经网络的最后四层全连接层进行再训练，获得权重系数；以获得适用于低速自动驾驶智能座椅的视觉分类系统；该第二深度神经网络可以选用google公司的Inception V3深度神经网络。
S33：利用激光雷达系统采集智能轮椅周围三维点云数据，并采用深度学习方法分析三维点云数据内的目标信息，并利用收集的激光雷达数据，训练面向激光雷达的第三深度神经网络模型，获取当前环境中的待识别目标。
具体为将n个三维点云数据中的每一个三维数据点和对应时间戳展开成1列4n行的列向量，以构成的1*4n维列向量；其中n为激光雷达单次扫描的三维坐标点个数，n的数值由激光雷达类型决定。n的取值范围一般在5000至10000之间；并将该1*4n维列向量作为输入，构造第三深度神经网络模型；并可采用基于Nvidia公司的Drivework软件库为基础，利用收集的激光雷达数据，训练面向激光雷达的第三深度神经网络模型，获取当前环境中的待识别目标。
S34、利用步骤S32获得的低速自动驾驶智能座椅的视觉分类系统和步骤S33获得的当前环境中的待识别目标为基础，采用环境信息融合方法，构建实时环境安全评估地图。
其中，当前环境中的待识别目标包括且不仅限于车辆、行人、交通标识、地面可通行区域等目标。
环境信息融合方法，具体是指根据步骤S31所得的参数联合标定结果以及视觉系统坐标系、激光雷达系统坐标系、毫米波雷达系统坐标系与轮椅坐标系四者之间的对应与转换关系，将步骤S32得到的低速自动驾驶智能座椅的视觉分类系统和步骤S33得到的当前环境中的待识别目标转移到轮椅坐标系中来，保留轮椅坐标系中视觉系统和激光雷达系统同时检测到的目标，最终形成实时环境安全评估地图。
构建实时环境安全评估地图，具体是指以自动驾驶轮椅为相对坐标原点，以笛卡尔坐标系为地图坐标系，在地图中标注了当前车辆周围包括：车辆、行人、交通标识、地面可通行区域等语义和方位信息的三维实时更新地图。采用上述方法，实时环境安全评估地图能够为自动驾驶轮椅提供周围障碍物的类型、数量、与本轮椅的相对位置和距离等信息，实时环境安全评估地图可采用高德公司的OpenDrive格式文件形式进行描述。
在具体实施例中，步骤S4中利用步骤S2输出的驾驶人的驾驶意图与步骤S3所获取的实时环境安全评估地图，采用信息融合方法，获得当前可通行区域地图，并在当前可通行区域地图基础上对驾驶人的驾驶意图进行安全性判断，并形成驾驶人意图安全决策；具体方法为：
S41：将自动驾驶轮椅映射到步骤S34所构建的实时环境安全评估地图中来，去除实时环境安全评估地图中车辆、行人等障碍物，形成自动驾驶轮椅周围安全范围比如25米范围内无障碍区域。
其中，可用二维栅格方法构建轮椅周围实时局部2维平面栅格地图，在2维平面栅格地图中，去除掉车辆、行人、障碍物所占据的部分，形成可自由通行无障碍区域范围。
S42：利用步骤S32获得的低速自动驾驶智能座椅的视觉分类系统获得道路交通指示标志，融入到步骤S41所述的无障碍区域中，根据当前道路交通指示标志对无障碍区域范围进行裁剪，形成自动驾驶轮椅当前可通行安全区域地图，实时为自动驾驶轮椅提供安全的可行驶区域范围。
具体以可通行安全区域地图中的自动驾驶轮椅为原始坐标，针对禁止驶入标志、禁止左转弯标志、禁止右转弯标志等交通标志所禁止的交通行为进行理解，在可通行安全区域地图上裁剪掉当前交通标志所规定的不可通行区域，获得当前可行驶区域地图。
S43：利用自动驾驶轮椅在当前可通行区域地图中的位置，对步骤S2所获得的驾驶人的驾驶意图进行安全性修正，形成驾驶人意图安全决策。
该驾驶意图包括：“向前行驶”、“向后倒退”、“左转弯”、“向右转弯”、“制动”、“停止”。进行安全性修正具体是指：在步骤S442输出的当前可通行安全区域地图中，以自动驾驶轮椅安全为第一要务，如果当前的驾驶人驾驶决策和当前可行驶区域地图冲突，则取消当前驾驶人决策，仅保留确保行驶安全的驾驶人意图决策。比如，如果按照当前的驾驶人驾驶决策，按照5km/h的速度，在2秒时间内驶出当前可行驶区域地图，则认为当前的驾驶人驾驶决策和当前可行驶区域地图冲突。
在具体实施例中，步骤S5：根据当前可通行区域地图和驾驶人意图安全决策，获取自动驾驶轮椅的控制指令，通过内部控制电路，进行轮椅的运动控制；具体为：
S51：对步骤S4输出的驾驶人意图安全决策进行优先等级划分；其中，“停止”为最高优先级，“制动”为第二优先级，“向左转弯”“向右转弯”和为第三优先级，“向前行驶”为第四优先级，“向后倒退”为第五优先级。
S52：根据步骤S51对驾驶人意图安全决策的优先等级分类顺序，当驾驶人意图安全决策结果为“停止”时，控制轮椅进行“紧急制动”；当驾驶人意图安全决策结果为“制动”时，根据轮椅前方可通行区域范围，控制轮椅进行“紧急制动”或者“正常制动”；当驾驶人意图安全决策结果为“向左转弯”或者“向右转弯”时，控制轮椅停止前进和后退，并进行原地“向左转弯”或者“向右转弯”；当驾驶人意图安全决策结果为“向前行驶”时，根据轮椅前方可通行区域范围，控制轮椅进行“正常行驶”或者“慢速行驶”；当驾驶人意图安全决策结果为“向后倒退”时，控制轮椅进行向后“缓慢倒退”。
比如，当驾驶人意图安全决策结果为“制动”时，当前方可通行区域范围小于2m时进行“紧急制动”，否则进行“正常制动”；当前方可通行区域范围小于2m时进行“慢速行驶”，否则进行“正常行驶”。“紧急制动”具体指采用0.8g的减速度进行制动，“正常制动”具体指采用0.6g减速度进行制动；原地“向左转弯”或者“向右转弯”，具体指采用20度每秒的角速度进行原地转动；“慢速行驶”，具体指采用5km/h的速度向前行驶，骤S55中的“正常行驶”具体指采用15km/h的速度向前行驶；骤S56中的“缓慢倒退”，具体指采用5km/h的速度向后倒退。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种基于生物电信号控制的低速自动驾驶智能轮椅构建方法，其特征在于，包括如下步骤：
S1：利用生理记录仪，同步采集驾驶人多导脑电、肌电信号，获取驾驶人高维生物电信号分量；
S2：构造深度学习模型：将步骤S1所获得的驾驶人高维生物电信号分量作为输入，构建深度学习模型，获取驾驶人的驾驶意图；
S3：基于自动驾驶轮椅上的视觉系统、激光雷达系统、毫米波雷达系统，同步采集当前环境信息，构建实时环境安全评估；
S4：利用步骤S2输出的驾驶人的驾驶意图与步骤S3所获取的实时环境安全评估地图，采用信息融合方法，获得当前可通行区域地图，并在当前可通行区域地图基础上对驾驶人的驾驶意图进行安全性判断，并形成驾驶人意图安全决策；
S5：根据当前可通行区域地图和驾驶人意图安全决策，获取自动驾驶轮椅的控制指令，通过内部控制电路，对轮椅进行控制。
2.根据权利要求1所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法，其特征在于：步骤S1中所述利用生理记录仪，同步采集驾驶人多导脑电、肌电信号，获取驾驶人高维生物电信号分量，其具体方法如下：
S11：采用盲源分离技术去除脑电信号中的噪声和伪差，对预处理后的脑电、肌电信号进行独立性分析，将真实脑电、肌电信号、基线漂移、工频干扰、心电伪差分解到不同独立分量中，获取高性噪比电分量。
3.根据权利要求1所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法，其特征在于：步骤S2中所述构造深度学习模型，获取当前驾驶人的驾驶意图，其具体方法为：
S21：构造卷积深度积神经网络模型，该卷积深度神经网络模型包括且不仅限于多维信号输入层、卷积层、池化层、全连接层在内的深度神经网络；当前驾驶人的驾驶意图包括：向前行驶、向后倒退、左转弯、向右转弯、制动、停止共6种。
4.根据权利要求1所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法，其特征在于：步骤S3：基于自动驾驶轮椅上的视觉系统、激光雷达系统、毫米波雷达系统，同步采集当前环境信息，构建实时环境安全评估地图，其具体方法为：
S31：对视觉系统、激光雷达系统、毫米波雷达系统进行参数联合标定，得到视觉系统坐标系、激光雷达系统坐标系、毫米波雷达系统坐标系与轮椅坐标系四者之间的对应与转换关系；
S32：使用迁移学习方法，建立基于低速自动驾驶智能座椅的环境视觉库，通过实际环境驾驶，采集实际环境视觉库，以此为基础对第二深度神经网络进行再训练，获得适用于低速自动驾驶智能座椅的视觉分类系统；
S33：利用激光雷达系统采集智能轮椅周围三维点云数据，并采用深度学习方法分析三维点云内的目标信息，并利用收集的激光雷达数据，训练面向激光雷达的第三深度神经网络模型，获取当前环境中的待识别目标；
S34、利用步骤S32获得的低速自动驾驶智能座椅的视觉分类系统和步骤S33获得的当前环境中的待识别目标为基础，采用环境信息融合方法，构建实时环境安全评估地图。
5.根据权利要求4所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法，其特征在于：步骤S4中利用步骤S2输出的驾驶人的驾驶意图与步骤S3所获取的实时环境安全评估地图，采用信息融合方法，获得当前可通行区域地图，并在当前可通行区域地图基础上对驾驶人的驾驶意图进行安全性判断，并形成驾驶人意图安全决策；具体方法为：
S41：将自动驾驶轮椅映射到步骤S34所构建的实时环境安全评估地图中来，去除实时环境安全评估地图中的障碍物，形成自动驾驶轮椅周围安全范围内无障碍区域；
S42：利用步骤S32获得的低速自动驾驶智能座椅的视觉分类系统获得道路交通指示标志，融入到步骤S41所述的无障碍区域中，根据当前道路交通指示标志对无障碍区域范围进行裁剪，形成自动驾驶轮椅当前可通行安全区域地图，实时为自动驾驶轮椅提供安全的可行驶区域范围；
S43：利用自动驾驶轮椅在当前可通行区域地图中的位置，对步骤S2所获得的驾驶人的驾驶意图进行安全性修正，形成驾驶人意图安全决策。
6.根据权利要求4所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法，其特征在于：步骤S5：根据当前可通行区域地图和驾驶人意图安全决策，获取自动驾驶轮椅的控制指令，通过内部控制电路，进行轮椅的运动控制；具体为：
S51：对步骤S4输出的驾驶人意图安全决策进行优先等级划分；
S52：根据步骤S51对驾驶人意图安全决策的优先等级分类顺序，当驾驶人意图安全决策为“停止”时，控制轮椅进行“紧急制动”；当驾驶人意图安全决策为“制动”时，根据轮椅前方可通行区域范围，控制轮椅进行“紧急制动”或者“正常制动”；当驾驶人意图安全决策为“向左转弯”或者“向右转弯”时，控制轮椅停止前进和后退，并进行原地“向左转弯”或者“向右转弯”；当驾驶人意图安全决策为“向前行驶”时，根据轮椅前方可通行区域范围，控制轮椅进行“正常行驶”或者“慢速行驶”；当驾驶人意图安全决策为“向后倒退”时，控制轮椅进行向后“缓慢倒退”。
7.根据权利要求4所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法，其特征在于：步骤S33：采用深度学习方法分析三维点云内的目标信息，具体为将n个三维点云数据中的每一个三维数据点和对应时间戳展开成1列4n行的列向量，以构成的1*4n维列向量；n为激光雷达系统单次扫描的三维坐标点个数。
8.根据权利要求4所述的基于生物电信号控制的低速自动驾驶智能轮椅构建方法，其特征在于：步骤S34：构建实时环境安全评估地图，具体是指以自动驾驶轮椅为相对坐标原点，以笛卡尔坐标系为地图坐标系，在地图中标注了当前车辆周围包括：车辆、行人、交通标识、地面可通行区域语义和方位信息的三维实时更新地图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810454870.4A CN108536154A (zh) | 2018-05-14 | 2018-05-14 | 基于生物电信号控制的低速自动驾驶智能轮椅构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810454870.4A CN108536154A (zh) | 2018-05-14 | 2018-05-14 | 基于生物电信号控制的低速自动驾驶智能轮椅构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108536154A true CN108536154A (zh) | 2018-09-14 |
Family
ID=63477361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810454870.4A Pending CN108536154A (zh) | 2018-05-14 | 2018-05-14 | 基于生物电信号控制的低速自动驾驶智能轮椅构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108536154A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492763A (zh) * | 2018-09-17 | 2019-03-19 | 同济大学 | 一种基于强化学习网络训练的自动泊车方法 |
| CN109606210A (zh) * | 2019-01-25 | 2019-04-12 | 浙江吉利汽车研究院有限公司 | 智能感应座椅及汽车 |
| CN109765885A (zh) * | 2018-11-21 | 2019-05-17 | 深圳市迈康信医用机器人有限公司 | 轮椅室内自动驾驶的方法及其系统 |
| CN110045729A (zh) * | 2019-03-12 | 2019-07-23 | 广州小马智行科技有限公司 | 一种车辆自动驾驶方法及装置 |
| CN110163180A (zh) * | 2019-05-29 | 2019-08-23 | 长春思帕德科技有限公司 | 运动想象脑电数据分类方法及系统 |
| CN110412564A (zh) * | 2019-07-29 | 2019-11-05 | 哈尔滨工业大学 | 一种基于多传感器融合的列车车皮识别与测距方法 |
| CN110488872A (zh) * | 2019-09-04 | 2019-11-22 | 中国人民解放军国防科技大学 | 一种基于深度强化学习的无人机实时路径规划方法 |
| CN111323027A (zh) * | 2018-12-17 | 2020-06-23 | 兰州大学 | 一种基于激光雷达与环视相机融合制作高精度地图方法及装置 |
| CN111427020A (zh) * | 2020-06-11 | 2020-07-17 | 交通运输部公路科学研究所 | 环境信息数据采集设备的联合标定方法、装置和系统 |
| CN111552756A (zh) * | 2020-04-28 | 2020-08-18 | 北京踏歌智行科技有限公司 | 一种铲窝及卸点自动动态更新的矿区高精地图制作方法 |
| CN113081000A (zh) * | 2021-04-09 | 2021-07-09 | 北京理工大学 | 一种基于驾驶员脑电信号和肌电信号检测刹车意图的方法 |
| CN113212410A (zh) * | 2021-04-28 | 2021-08-06 | 三峡大学 | 一种脑波智能驾驶系统 |
| CN113506372A (zh) * | 2021-07-26 | 2021-10-15 | 西北工业大学 | 一种环境重建方法及装置 |
| CN114035570A (zh) * | 2021-09-24 | 2022-02-11 | 山西省交通科技研发有限公司 | 基于脑机接口与激光雷达融合感知的防撞控制方法 |
| CN114081504A (zh) * | 2021-11-23 | 2022-02-25 | 青岛理工大学 | 一种基于脑电信号的驾驶意图识别方法及系统 |
| CN116617011A (zh) * | 2023-07-21 | 2023-08-22 | 小舟科技有限公司 | 基于生理信号的轮椅操控方法、装置、终端及介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102309380A (zh) * | 2011-09-13 | 2012-01-11 | 华南理工大学 | 基于多模态脑机接口的智能轮椅 |
| CN102331782A (zh) * | 2011-07-13 | 2012-01-25 | 华南理工大学 | 一种多模态脑机接口的自动车控制方法 |
| CN103455144A (zh) * | 2013-08-22 | 2013-12-18 | 深圳先进技术研究院 | 车载人机交互系统及方法 |
| CN104083258A (zh) * | 2014-06-17 | 2014-10-08 | 华南理工大学 | 一种基于脑机接口与自动驾驶技术的智能轮椅控制方法 |
| CN104574376A (zh) * | 2014-12-24 | 2015-04-29 | 重庆大学 | 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 |
| CN104914863A (zh) * | 2015-05-13 | 2015-09-16 | 北京理工大学 | 一种一体式无人运动平台环境理解系统及其工作方法 |
| CN106726209A (zh) * | 2016-11-24 | 2017-05-31 | 中国医学科学院生物医学工程研究所 | 一种基于脑机接口与人工智能的智能轮椅控制方法 |
| CN107065850A (zh) * | 2016-12-12 | 2017-08-18 | 东南大学 | 一种脑电波控制的四轮独立驱动智能小车系统及其控制方法 |
| CN107168313A (zh) * | 2017-05-17 | 2017-09-15 | 北京汽车集团有限公司 | 控制车辆驾驶的方法及装置 |
| CN107272687A (zh) * | 2017-06-29 | 2017-10-20 | 深圳市海梁科技有限公司 | 一种自动驾驶公交车辆的驾驶行为决策系统 |
| CN107499262A (zh) * | 2017-10-17 | 2017-12-22 | 芜湖伯特利汽车安全系统股份有限公司 | 基于机器学习的acc/aeb系统及车辆 |
| CN107544518A (zh) * | 2017-10-17 | 2018-01-05 | 芜湖伯特利汽车安全系统股份有限公司 | 基于拟人驾驶的acc/aeb系统及车辆 |
| CN107616880A (zh) * | 2017-08-01 | 2018-01-23 | 南京邮电大学 | 一种基于脑电意念和深度学习的智能电动轮椅实现方法 |
| CN107714331A (zh) * | 2017-09-13 | 2018-02-23 | 西安交通大学 | 基于视觉诱发脑机接口的智能轮椅控制及路径优化方法 |
-
2018
- 2018-05-14 CN CN201810454870.4A patent/CN108536154A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102331782A (zh) * | 2011-07-13 | 2012-01-25 | 华南理工大学 | 一种多模态脑机接口的自动车控制方法 |
| CN102309380A (zh) * | 2011-09-13 | 2012-01-11 | 华南理工大学 | 基于多模态脑机接口的智能轮椅 |
| CN103455144A (zh) * | 2013-08-22 | 2013-12-18 | 深圳先进技术研究院 | 车载人机交互系统及方法 |
| CN104083258A (zh) * | 2014-06-17 | 2014-10-08 | 华南理工大学 | 一种基于脑机接口与自动驾驶技术的智能轮椅控制方法 |
| CN104574376A (zh) * | 2014-12-24 | 2015-04-29 | 重庆大学 | 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 |
| CN104914863A (zh) * | 2015-05-13 | 2015-09-16 | 北京理工大学 | 一种一体式无人运动平台环境理解系统及其工作方法 |
| CN106726209A (zh) * | 2016-11-24 | 2017-05-31 | 中国医学科学院生物医学工程研究所 | 一种基于脑机接口与人工智能的智能轮椅控制方法 |
| CN107065850A (zh) * | 2016-12-12 | 2017-08-18 | 东南大学 | 一种脑电波控制的四轮独立驱动智能小车系统及其控制方法 |
| CN107168313A (zh) * | 2017-05-17 | 2017-09-15 | 北京汽车集团有限公司 | 控制车辆驾驶的方法及装置 |
| CN107272687A (zh) * | 2017-06-29 | 2017-10-20 | 深圳市海梁科技有限公司 | 一种自动驾驶公交车辆的驾驶行为决策系统 |
| CN107616880A (zh) * | 2017-08-01 | 2018-01-23 | 南京邮电大学 | 一种基于脑电意念和深度学习的智能电动轮椅实现方法 |
| CN107714331A (zh) * | 2017-09-13 | 2018-02-23 | 西安交通大学 | 基于视觉诱发脑机接口的智能轮椅控制及路径优化方法 |
| CN107499262A (zh) * | 2017-10-17 | 2017-12-22 | 芜湖伯特利汽车安全系统股份有限公司 | 基于机器学习的acc/aeb系统及车辆 |
| CN107544518A (zh) * | 2017-10-17 | 2018-01-05 | 芜湖伯特利汽车安全系统股份有限公司 | 基于拟人驾驶的acc/aeb系统及车辆 |
Non-Patent Citations (4)
| Title |
|---|
| 中国科学技术信息研究所: "《专利分析的方法探索与实证研究》", 31 August 2016 * |
| 李凡长: "《李群机器学习》", 30 April 2013, 基于覆盖思想的算法研究现状 * |
| 陈敏: "《认知计算导论》", 31 May 2017, 华中科技大学出版社 * |
| 黄孝平: "《当代机器深度学习方法与应用研究》", 30 November 2017, 电子科技大学出版社 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492763A (zh) * | 2018-09-17 | 2019-03-19 | 同济大学 | 一种基于强化学习网络训练的自动泊车方法 |
| CN109492763B (zh) * | 2018-09-17 | 2021-09-03 | 同济大学 | 一种基于强化学习网络训练的自动泊车方法 |
| CN109765885A (zh) * | 2018-11-21 | 2019-05-17 | 深圳市迈康信医用机器人有限公司 | 轮椅室内自动驾驶的方法及其系统 |
| CN111323027A (zh) * | 2018-12-17 | 2020-06-23 | 兰州大学 | 一种基于激光雷达与环视相机融合制作高精度地图方法及装置 |
| CN109606210A (zh) * | 2019-01-25 | 2019-04-12 | 浙江吉利汽车研究院有限公司 | 智能感应座椅及汽车 |
| CN110045729A (zh) * | 2019-03-12 | 2019-07-23 | 广州小马智行科技有限公司 | 一种车辆自动驾驶方法及装置 |
| CN110163180A (zh) * | 2019-05-29 | 2019-08-23 | 长春思帕德科技有限公司 | 运动想象脑电数据分类方法及系统 |
| CN110412564A (zh) * | 2019-07-29 | 2019-11-05 | 哈尔滨工业大学 | 一种基于多传感器融合的列车车皮识别与测距方法 |
| CN110488872A (zh) * | 2019-09-04 | 2019-11-22 | 中国人民解放军国防科技大学 | 一种基于深度强化学习的无人机实时路径规划方法 |
| CN111552756A (zh) * | 2020-04-28 | 2020-08-18 | 北京踏歌智行科技有限公司 | 一种铲窝及卸点自动动态更新的矿区高精地图制作方法 |
| CN111427020A (zh) * | 2020-06-11 | 2020-07-17 | 交通运输部公路科学研究所 | 环境信息数据采集设备的联合标定方法、装置和系统 |
| CN113081000A (zh) * | 2021-04-09 | 2021-07-09 | 北京理工大学 | 一种基于驾驶员脑电信号和肌电信号检测刹车意图的方法 |
| CN113212410A (zh) * | 2021-04-28 | 2021-08-06 | 三峡大学 | 一种脑波智能驾驶系统 |
| CN113506372A (zh) * | 2021-07-26 | 2021-10-15 | 西北工业大学 | 一种环境重建方法及装置 |
| CN114035570A (zh) * | 2021-09-24 | 2022-02-11 | 山西省交通科技研发有限公司 | 基于脑机接口与激光雷达融合感知的防撞控制方法 |
| CN114081504A (zh) * | 2021-11-23 | 2022-02-25 | 青岛理工大学 | 一种基于脑电信号的驾驶意图识别方法及系统 |
| CN114081504B (zh) * | 2021-11-23 | 2024-03-01 | 青岛理工大学 | 一种基于脑电信号的驾驶意图识别方法及系统 |
| CN116617011A (zh) * | 2023-07-21 | 2023-08-22 | 小舟科技有限公司 | 基于生理信号的轮椅操控方法、装置、终端及介质 |
| CN116617011B (zh) * | 2023-07-21 | 2023-09-15 | 小舟科技有限公司 | 基于生理信号的轮椅操控方法、装置、终端及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108536154A (zh) | 基于生物电信号控制的低速自动驾驶智能轮椅构建方法 | |
| Fang et al. | An automatic road sign recognition system based on a computational model of human recognition processing | |
| DE102019111414A1 (de) | Steuerungssysteme, steuerungsverfahren und steuerungen für ein autonomes fahrzeug | |
| Cheng et al. | Pedestrian detection using sparse Gabor filter and support vector machine | |
| DE112018005340T5 (de) | Informationsverarbeitungsvorrichtung, fahrzeug, mobiles objekt, informationsverarbeitungsverfahren und programm | |
| CN109242251A (zh) | 行车行为安全性检测方法、装置、设备及存储介质 | |
| CN104268862B (zh) | 一种自主车三维地形可通行性分析方法 | |
| CN106599832A (zh) | 一种基于卷积神经网络的多类障碍物检测与识别方法 | |
| Sivaraman et al. | Learning multi-lane trajectories using vehicle-based vision | |
| Schiff et al. | Perceiving and driving: Where parallel roads meet | |
| CN101941438A (zh) | 安全车距智能检控装置与方法 | |
| CN110320883A (zh) | 一种基于强化学习算法的车辆自动驾驶控制方法及装置 | |
| CN108537198A (zh) | 一种基于人工智能的驾驶习惯的分析方法 | |
| EP3690756A1 (en) | Learning method and learning device for updating hd map by reconstructing 3d space by using depth estimation information and class information on each object, which have been acquired through v2x information integration technique, and testing method and testing device using the same | |
| DE102011011870A1 (de) | Komponenten-basierte Detektion, Klassifikation, Verfolgung und Prädikation von Objekten | |
| DE102021109389A1 (de) | Schätzung einer virtuellen fahrspur mittels einer rekursiven selbstorganisierenden karte | |
| DE112017007600T5 (de) | Fahrzeug-Steuervorrichtung und Verfahren zum Steuern eines automatisiert fahrenden Fahrzeugs | |
| DE112021006111T5 (de) | Systeme und Verfahren zur monokularisierten Objekterkennung | |
| Wang et al. | End-to-end self-driving approach independent of irrelevant roadside objects with auto-encoder | |
| DE102021114724A1 (de) | Verbesserter fahrzeugbetrieb | |
| Wang et al. | Generating efficient behaviour with predictive visibility risk for scenarios with occlusions | |
| DE102016119729A1 (de) | Steuern eines Personenbeförderungsfahrzeugs mit Rundumsichtkamerasystem | |
| CN115257819A (zh) | 城市低速环境下的大型营运车辆安全驾驶决策方法 | |
| DE102019202634B3 (de) | Verfahren, Steuergerät für ein automatisiert betreibbares Straßenfahrzeug, Computerprogrammprodukt zum Erkennen von Objekten im Straßenverkehr und automatisiert betreibbares Straßenfahrzeug für Mobilitätsdienstleistungen | |
| DE69811842T2 (de) | Regelsystem für eine intelligente Lenkung eines Kraftfahrzeugs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |
|
| RJ01 | Rejection of invention patent application after publication |