CN110928298B - 一种自动巡航电动病床与电梯交互方法及系统 - Google Patents

一种自动巡航电动病床与电梯交互方法及系统 Download PDF

Info

Publication number
CN110928298B
CN110928298B CN201911056651.1A CN201911056651A CN110928298B CN 110928298 B CN110928298 B CN 110928298B CN 201911056651 A CN201911056651 A CN 201911056651A CN 110928298 B CN110928298 B CN 110928298B
Authority
CN
China
Prior art keywords
floor
automatic cruise
elevator
electric sickbed
sickbed
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.)
Active
Application number
CN201911056651.1A
Other languages
English (en)
Other versions
CN110928298A (zh
Inventor
李玮
陈财
韩毅
袁双虎
孟祥伟
马志祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201911056651.1A priority Critical patent/CN110928298B/zh
Publication of CN110928298A publication Critical patent/CN110928298A/zh
Application granted granted Critical
Publication of CN110928298B publication Critical patent/CN110928298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
    • A61G7/00—Beds specially adapted for nursing; Devices for lifting patients or disabled persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
    • A61G7/00—Beds specially adapted for nursing; Devices for lifting patients or disabled persons
    • A61G7/05—Parts, details or accessories of beds
    • 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
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nursing (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Electromagnetism (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Acoustics & Sound (AREA)
  • Elevator Control (AREA)

Abstract

本发明公开了一种自动巡航电动病床与电梯交互方法及系统，该方法包括以下步骤：采集各个楼层至电梯井底的距离样本数据、各个楼层之间的平均距离样本数据以及各个楼层的电梯按钮样本数据；获取当前病床所在楼层与电梯井底距离，将其与各个楼层至电梯井底的距离样本数据相比较，计算当前病床所在楼层f1；获取当前病床所在楼层相对与上一次停止楼层的位移距离，将其与各个楼层之间的平均距离样本数据相比较，计算当前病床所在楼层f2；获取当前病床所在楼层的电梯按钮数据，利用训练好的卷积神经网络算法计算该方式下当前病床所在楼层f3；判断当前自动巡航电动病床实际所在楼层。

Description

一种自动巡航电动病床与电梯交互方法及系统
技术领域
本发明涉及自动巡航电动病床技术领域，具体涉及一种自动巡航电动病床与电梯交互方法及系统。
背景技术
电动病床主要在医院内使用，当治疗预计会长期卧床不起的病人时，也会在应用到家庭中。当平躺或抬起头或脚时，可以调节电动病床以提高患者的舒适性。
随着人工智能技术在自动巡航电动病床上的应用，自动巡航电动病床出现在医院中，能够自动导航在医院中行进，无需人力推动，能够自动识别和躲避障碍物，能够识别规划路径。
发明人在研发过程中发现，目前自动巡航电动病床虽然能够识别障碍物、可移动的物体以及复杂的外界环境，但是在自动进出电梯、以及电梯楼层判断仍然存在精确度低，对于复杂可变的电梯环境可靠性不强等缺点，在一定程度依旧依赖人的判断。
发明内容
为了克服上述现有技术的不足，本发明提供了一种自动巡航电动病床与电梯交互方法及系统，提高自动巡航电动病床与电梯交互效率，提高对电梯识别准确率，提升了自动巡航电动病床的工作效率。
本发明一方面提供的一种自动巡航电动病床与电梯交互方法的技术方案是：
一种自动巡航电动病床与电梯交互方法，该方法包括以下步骤：
采集各个楼层至电梯井底的距离样本数据以及各个楼层之间的平均距离样本数据；
采集各个楼层的电梯按钮样本数据，对卷积神经网络算法对进行训练；
获取当前自动巡航电动病床所在楼层与电梯井底距离，将其与各个楼层至电梯井底的距离样本数据相比较，计算当前自动巡航电动病床所在楼层f1；
获取当前自动巡航电动病床所在楼层相对与上一次停止楼层的位移距离，将其与各个楼层之间的平均距离样本数据相比较，计算当前自动巡航电动病床所在楼层f2；
获取当前自动巡航电动病床所在楼层的电梯按钮数据，利用训练好的卷积神经网络算法计算该方式下当前病床所在楼层f3；
将得到的当前自动巡航电动病床所在楼层f1、f2和f3相比较，判断当前自动巡航电动病床实际所在楼层。
本发明另一方面提供的一种自动巡航电动病床与电梯交互系统的技术方案是：
一种自动巡航电动病床与电梯交互系统，该系统包括自动巡航电动病床、设置在自动巡航电动病床四周的摄像机、固定在自动巡航电动病床底部的超声测距传感器和位移传感器以及设置在自动巡航电动病床上的中心处理器；
所述超声测距传感器采集各个楼层至电梯井底的距离样本数据以及当前自动巡航电动病床所在楼层与电梯井底距离，并传输给中心处理器；
所述位移传感器采集各个楼层之间的平均距离样本数据以及当前自动巡航电动病床所在楼层相对与上一次停止楼层的位移距离，并传输给中心处理器；
所述摄像机采集各个楼层的电梯按钮样本数据以及当前自动巡航电动病床所在楼层的电梯按钮数据，并传输给中心处理器；
所述中心处理器利用接收到的各个楼层的电梯按钮样本数据，对卷积神经网络算法对进行训练；将接收到的当前自动巡航电动病床所在楼层与电梯井底距离与各个楼层至电梯井底的距离样本数据相比较，计算当前自动巡航电动病床所在楼层f1；将接收到的当前自动巡航电动病床所在楼层相对与上一次停止楼层的位移距离与各个楼层之间的平均距离样本数据相比较，计算当前自动巡航电动病床所在楼层f2；接收当前自动巡航电动病床所在楼层的电梯按钮数据，利用训练好的卷积神经网络算法计算该方式下当前病床所在楼层f3；将得到的当前自动巡航电动病床所在楼层f1、f2和f3相比较，判断当前自动巡航电动病床实际所在楼层。
通过上述技术方案，本发明的有益效果是：
(1)本发明实现了自动巡航电动病床对电梯准确识别判断，降低识别误差，提高自动巡航电动病床的工作效率；
(2)本发明能够迅速准确判断自动巡航电动病床所处楼层。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本申请，并不构成对本发明的不当限定。
图1是实施例一自动巡航电动病床与电梯自动交互系统的结构图；
图2是实施例二自动巡航电动病床与电梯自动交互方法的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
正如背景技术所介绍的，现有自动巡航电动病床与电梯交互严重依赖人工，识别精度低，针对上述问题，本实施例提供一种自动巡航电动病床与电梯自动交互系统，请参阅附图1，该系统包括自动巡航电动病床5、设置在自动巡航电动病床上的四个摄像机3、超声测距传感器1、位移传感器2、语音模块6以及中心处理器4。
具体地，所述超声测距传感器1固定在自动巡航电动病床5的底部，用于自动巡航电动病床在不同楼层中，采集不同楼层距离电梯井底的距离样本数据，以及实时采集当前自动巡航电动病床所在楼层距离电梯井底的距离数据；并传输至中心处理器。
所述位移传感器2固定在自动巡航电动病床5的底部，用于采集自动巡航电动病床在各个楼层中，各个楼层之间的平均距离样本数据；以及实时采集当前自动巡航电动病床所在楼层对上一次停止楼层的位移距离；并传输至中心处理器。
所述四个摄像机3分别固定安装在自动巡航电动病床的四角上，用于采集自动巡航电动病床在各个楼层中，在按下所去目标楼层后，采集此时的楼层指示灯，识别各个楼层的电梯按钮样本数据，以及实时采集当前自动巡航电动病床所在楼层的的电梯按钮数据，并传输至中心处理器。
所述中心处理器4，用于接收超声测距传感器采集的不同楼层距离电梯井底的距离样本数据以及当前自动巡航电动病床所在楼层距离电梯井底的距离数据；接收位移传感器采集的各个楼层之间的平均距离样本数据以及当前自动巡航电动病床所在楼层对上一次停止楼层的位移距离；接收摄像机识别的各个楼层的电梯按钮样本数据以及当前自动巡航电动病床所在楼层的的电梯按钮数据；利用各个楼层的电梯按钮样本数据对卷积神经网络算法对进行训练；将不同楼层距离电梯井底的距离样本数据与当前自动巡航电动病床所在楼层距离电梯井底的距离数据进行比较，计算该方式下当前病床所在楼层f1；将各个楼层之间的平均距离样本数据与当前自动巡航电动病床所在楼层对上一次停止楼层的位移距离进行比较，计算该方式下当前病床所在楼层f2；利用训练好的卷积神经网络算法对当前自动巡航电动病床所在楼层的的电梯按钮数据进行处理，得到该方式下当前病床所在楼层f3；将f1、f2、f3进行对比分析，最终判断出自动巡航电动病床所在楼层。
具体地，所述中心处理器利用各个楼层的电梯按钮样本数据对卷积神经网络算法对进行训练的具体实现过程为：
所述卷积神经网络算法，包括向前传播和向后传播。
(1)向前传播
利用采集的自动巡航电动病床所在楼层的电梯按钮数据构建样本集，从样本集中随机抽取样本(X,Yi),将电梯按钮样本X输入卷积神经网络，计算得到输入样本X的输出值Yo，即自动巡航电动病床所在楼层。
样本X从输入层经过逐级的变换，传输至输出层，在此过程中，网络的计算如式(1)所示：
Yo＝Fn(,,(F2(F1(XpW1)W2),,)Wn) (1)
(2)向后传播
计算实际输出Yo与理想输出的Yi实际差，根据得到的实际差，按照极小化误差方法，调整权重矩阵。
步骤(1)和(2)精度要求，由式(2)计算
Figure BDA0002256721760000061
在训练过程中，输入层、中间层和输出层的单元数分别是N、L和M。X＝(x0,x1,…,xN)是加到网络的输入矢量，H＝(h0,h1,…,hL)是中间层输出矢量，Y＝(y0,y1,…,yM)是网络的实际输出矢量，并且用D＝(d0,d1,…,dM)-来表示训练组中各模式的目标输出矢量输出单元i到隐单元j的权值是Vij，而隐单元j到输出单元k的权值是Wjk。另外用θk和
Figure BDA0002256721760000064
来分别表示输出单元和隐含单元的阈值。
其中，中间层各单元的输出如下所示：
Figure BDA0002256721760000062
输出层各单元的输出如下所示：：
Figure BDA0002256721760000063
其中，f(*)是激励函数，采用S型函数式(5)：
Figure BDA0002256721760000071
在上述条件下，卷积神经网络算法的训练过程如下：
(1)选定训练组。从样本集中分别随机地选取300个样本作为训练组；
(2)将各权值Vij，Wjk和阈值
Figure BDA0002256721760000073
θk置成小的接近于0的随机值，并初始化精度控制参数ε和学习率α；
(3)从训练组中取一个输入模式X加到网络，并给定它的目标输出矢量D；
(4)利用公式(3)计算出一个中间层输出矢量H，再用式(4)计算出网络的实际输出矢量Y；
(5)将输出矢量中的元素yk与目标矢量中的元素dk进行比较，计算出M个输出误差项式为：
δk＝(dk-yk)yk(1-yk) (6)
对中间层的隐单元也计算出L个误差项式为：
Figure BDA0002256721760000072
(6)依次计算出各权值的调整量式(8)和式(9)：
ΔWjk(n)＝(α/(1+L))*(ΔWjk(n-1)+1)*δk*hj (8)
ΔVij(n)＝(α/(1+N))*(ΔVij(n-1)+1)*δk*hj (9)
阈值的调整量，如式(10)和(11)所示：
Δθk(n)＝(α/(1+L))*(Δθk(n-1)+1)*δk (10)
Δφj(n)＝(α/(1+L))*(Δφj(n-1)+1)*δj (11)
(7)调整权值，如式(12)和式(13)所示：
Wjk(n+1)＝Wjk(n)+ΔWjk(n) (12)
Vij(n+1)＝Vij(n)+ΔVij(n) (13)
调整阈值，如式(14)和(15)所示：
θk(n+1)＝θk(n)+Δθk(n) (14)
φj(n+1)＝φj(n)+Δφj(n) (15)
(8)当k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数，且
Figure BDA0002256721760000081
如果不满足，，继续迭代。如果满足，则训练结束。
(9)训练结束，将权值和阈值保存在文件中。这时可以认为各个权值已经达稳定，分类器形成；再一次进行训练时，直接从文件导出权值和阈值进行训练，不需要进行初始化。
所述语音模块，用于语音播报中心处理器的处理结果。
本实施例提出的自动巡航电动病床与电梯交互装置，实现了自动巡航电动病床对电梯准确识别判断，降低识别误差，提高自动巡航电动病床的工作效率；能够迅速准确判断自动巡航电动病床所处楼层。
实施例二
正如背景技术所介绍的，现有自动巡航电动病床与电梯交互严重依赖人工，识别精度低，针对上述问题，本实施例提供了一种自动巡航电动病床与电梯交互方法，该方法是基于如上上述的自动巡航电动病床与电梯交互系统实现的。
请参阅附图2，该方法包括以下步骤：
S101，采集各个楼层至电梯井底的距离样本数据。
具体地，在不同楼层中使用自动巡航电动病床上固定的超声测距传感器采集不同楼层距离电梯井底部的距离样本数据Q1，并预先存储至中心处理器中。
S102，采集各个楼层之间的平均距离样本数据。
具体地，通过安装在自动巡航电动病床上的位移传感器测量各个楼层的平均距离样本数据。将一楼作为起始点，设置为0，病床上升，所测距离为正，病床下降所测距离为负，测定各个楼层之间的平均距离样本数据Q2，存储至中处理器中。
S103，采集自动巡航电动病床所在各个楼层的电梯按钮样本数据，对卷积神经网络算法对进行训练。
具体地，所述步骤103中，的具体实现方式如下：
所述卷积神经网络算法，包括向前传播和向后传播。
(1)向前传播
利用采集的自动巡航电动病床所在楼层的电梯按钮数据构建样本集，从样本集中随机抽取样本(X,Yi),将电梯按钮样本X输入卷积神经网络，计算得到输入样本X的输出值Yo，即自动巡航电动病床所在楼层。
样本X从输入层经过逐级的变换，传输至输出层，在此过程中，网络的计算如式(1)所示：
Yo＝Fn(,,(F2(F1(XpW1)W2),,)Wn) (1)
(2)向后传播
计算实际输出Yo与理想输出的Yi实际差，根据得到的实际差，按照极小化误差方法，调整权重矩阵。
步骤(1)和(2)精度要求，由式(2)计算
Figure BDA0002256721760000101
在训练过程中，输入层、中间层和输出层的单元数分别是N、L和M。X＝(x0,x1,…,xN)是加到网络的输入矢量，H＝(h0,h1,…,hL)是中间层输出矢量，Y＝(y0,y1,…,yM)是网络的实际输出矢量，并且用D＝(d0,d1,…,dM)-来表示训练组中各模式的目标输出矢量输出单元i到隐单元j的权值是Vij，而隐单元j到输出单元k的权值是Wjk。另外用θk和
Figure BDA0002256721760000105
来分别表示输出单元和隐含单元的阈值。
其中，中间层各单元的输出如下所示：
Figure BDA0002256721760000102
输出层各单元的输出如下所示：：
Figure BDA0002256721760000103
其中，f(*)是激励函数，采用S型函数式(5)：
Figure BDA0002256721760000104
在上述条件下，卷积神经网络算法的训练过程如下：
(1)选定训练组。从样本集中分别随机地选取300个样本作为训练组；
(2)将各权值Vij，Wjk和阈值
Figure BDA0002256721760000106
θk置成小的接近于0的随机值，并初始化精度控制参数ε和学习率α；
(3)从训练组中取一个输入模式X加到网络，并给定它的目标输出矢量D；
(4)利用公式(3)计算出一个中间层输出矢量H，再用式(4)计算出网络的实际输出矢量Y；
(5)将输出矢量中的元素yk与目标矢量中的元素dk进行比较，计算出M个输出误差项式为：
δk＝(dk-yk)yk(1-yk) (6)
对中间层的隐单元也计算出L个误差项式为：
Figure BDA0002256721760000111
(6)依次计算出各权值的调整量式(8)和式(9)：
ΔWjk(n)＝(α/(1+L))*(ΔWjk(n-1)+1)*δk*hj (8)
ΔVij(n)＝(α/(1+N))*(ΔVij(n-1)+1)*δk*hj (9)
阈值的调整量，如式(10)和(11)所示：
Δθk(n)＝(α/(1+L))*(Δθk(n-1)+1)*δk (10)
Δφj(n)＝(α/(1+L))*(Δφj(n-1)+1)*δj (11)
(7)调整权值，如式(12)和式(13)所示：
Wjk(n+1)＝Wjk(n)+ΔWjk(n) (12)
Vij(n+1)＝Vij(n)+ΔVij(n) (13)
调整阈值，如式(14)和(15)所示：
θk(n+1)＝θk(n)+Δθk(n) (14)
φj(n+1)＝φj(n)+Δφj(n) (15)
(8)当k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数，且
Figure BDA0002256721760000112
如果不满足，，继续迭代。如果满足，则训练结束。
(9)训练结束，将权值和阈值保存在文件中。这时可以认为各个权值已经达稳定，分类器形成；再一次进行训练时，直接从文件导出权值和阈值进行训练，不需要进行初始化。
步骤104，自动巡航电动病床实际工作中，由超声测距传感器1获取当前病床所在楼层与电梯井底距离x1，与中心处理器4中预存的步骤一得到的样本数据Q1相比较，计算出该方式下当前病床所在楼层f1；由位移传感器2测量病床相对上一次停止位移距离，与中心处理器4中预存的步骤二得到的样本数据Q2相比较，并由此计算该方式下当前病床所在楼层f2；由自动巡航电动病床摄像头3采集实时电梯按钮，利用训练好的神经网络算法计算该方式下当前病床所在楼层f3；由中心处理器4进行最终判断所在楼层，判断依据为：
f1＝＝f2＝＝f3 (16)
若f1、f2、f3三者满足公式(16)，则当前所在楼层为f1；中心处理器4控制语音模块语音播报“当前病床所在楼层为f1”。
本实施例提出的自动巡航电动病床与电梯交互方法，实现了自动巡航电动病床对电梯准确识别判断，降低识别误差，提高自动巡航电动病床的工作效率；能够迅速准确判断自动巡航电动病床所处楼层。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (5)

1.一种自动巡航电动病床与电梯交互方法，其特征是，包括以下步骤：
采集各个楼层至电梯井底的距离样本数据以及各个楼层之间的平均距离样本数据；
采集各个楼层的电梯按钮样本数据，对卷积神经网络算法进行训练；
获取当前自动巡航电动病床所在楼层与电梯井底距离，将其与各个楼层至电梯井底的距离样本数据相比较，计算当前自动巡航电动病床所在楼层f1；
获取当前自动巡航电动病床所在楼层相对于上一次停止楼层的位移距离，将其与各个楼层之间的平均距离样本数据相比较，计算当前自动巡航电动病床所在楼层f2；
获取当前自动巡航电动病床所在楼层的电梯按钮数据，利用训练好的卷积神经网络算法计算当前自动巡航电动病床所在楼层f3；
固定在自动巡航电动病床底部的位移传感器采集各个楼层之间的平均距离样本数据以及当前自动巡航电动病床所在楼层相对于上一次停止楼层的位移距离，并传输给设置在自动巡航电动病床上的中心处理器；
所述卷积神经网络算法，包括向前传播和向后传播；
步骤(1)：所述向前传播：
利用采集的自动巡航电动病床各个楼层的电梯按钮数据构建样本集，从样本集中随机抽取样本(X,Yi),将电梯按钮样本X输入卷积神经网络，计算得到电梯按钮样本X的输出值Yo，即自动巡航电动病床所在楼层；
样本X从输入层经过逐级的变换，传输至输出层，在此过程中，网络的计算如式(1)所示：
Yo＝Fn(...(F2(F1(XpW1)W2)...)Wn) (1)
其中，YO 为实际输出；步骤(2)：所述向后传播：
计算实际输出Yo与理想输出的Yi实际差，根据得到的实际差，按照极小化误差方法，调整权重矩阵；
步骤(1)和(2)精度要求，由式(2)计算
Figure FDA0003037375110000021
在训练过程中，输入层、中间层和输出层的单元数分别是N、L和M；X＝(x0,x1,…,xN)是加到网络的输入矢量，H＝(h0,h1,…,hL)是中间层输出矢量，Y＝(y0,y1,…,yM)是网络的实际输出矢量，并且用D＝(d0,d1,…,dM)来表示训练组中各模式的目标输出矢量， 输出单元i到隐单元j的权值是Vij，而隐单元j到输出单元k的权值是Wjk，另外用θk和
Figure FDA0003037375110000022
来分别表示输出单元和隐含单元的阈值；
将得到的当前自动巡航电动病床所在楼层f1、f2和f3相比较，判断当前自动巡航电动病床实际所在楼层；所述判断当前自动巡航电动病床实际所在楼层的依据为：
f1＝＝f2＝＝f3。
2.根据权利要求1所述的自动巡航电动病床与电梯交互方法，其特征是，所述卷积神经网络算法的训练过程为：
(1)从由各个楼层的电梯按钮数据组成的样本集中随机地选取若干个样本作为训练组；
(2)将各权值和阈值设置成小的接近于0的随机值，并初始化精度控制参数和学习率；
(3)从训练组中取一个输入样本加到卷积神经网络，并给定其目标输出矢量；
(4)计算卷积神经网络的中间层输出矢量和实际输出矢量；
(5)将实际输出矢量中的元素与目标输出矢量中的元素进行比较，计算出多个输出误差项式；
(6)依次计算出各权值的调整量，利用各权值的调整量，调整权值和阈值；
(7)计算总误差函数，判断总误差函数是否满足精度要求，如果不满足，继续迭代；如果满足，则训练结束。
3.一种自动巡航电动病床与电梯交互系统，其特征是，包括自动巡航电动病床、设置在自动巡航电动病床四周的摄像机、固定在自动巡航电动病床底部的超声测距传感器和位移传感器以及设置在自动巡航电动病床上的中心处理器；
所述超声测距传感器实时采集各个楼层至电梯井底的距离样本数据以及当前自动巡航电动病床所在楼层与电梯井底距离，并传输给中心处理器；
所述位移传感器采集各个楼层之间的平均距离样本数据以及当前自动巡航电动病床所在楼层相对于上一次停止楼层的位移距离，并传输给中心处理器；
所述摄像机采集各个楼层的电梯按钮样本数据以及当前自动巡航电动病床所在楼层的电梯按钮数据，并传输给中心处理器；
所述中心处理器利用接收到的各个楼层的电梯按钮样本数据，对卷积神经网络算法进行训练；将接收到的当前自动巡航电动病床所在楼层与电梯井底距离与各个楼层至电梯井底的距离样本数据相比较，计算当前自动巡航电动病床所在楼层f1；将接收到的当前自动巡航电动病床所在楼层相对于上一次停止楼层的位移距离与各个楼层之间的平均距离样本数据相比较，计算当前自动巡航电动病床所在楼层f2；接收当前自动巡航电动病床所在楼层的电梯按钮数据，利用训练好的卷积神经网络算法计算当前自动巡航电动病床所在楼层f3；所述卷积神经网络算法，包括向前传播和向后传播；
步骤(1)：所述向前传播：
利用采集的自动巡航电动病床各个楼层的电梯按钮数据构建样本集，从样本集中随机抽取样本(X,Yi),将电梯按钮样本X输入卷积神经网络，计算得到电梯按钮样本X的输出值Yo，即自动巡航电动病床所在楼层；
样本X从输入层经过逐级的变换，传输至输出层，在此过程中，网络的计算如式(1)所示：
Yo＝Fn(...(F2(F1(XpW1)W2)...)Wn) (1)
其中，YO 为实际输出；步骤(2)：所述向后传播：
计算实际输出Yo与理想输出的Yi实际差，根据得到的实际差，按照极小化误差方法，调整权重矩阵；
步骤(1)和(2)精度要求，由式(2)计算
Figure FDA0003037375110000041
在训练过程中，输入层、中间层和输出层的单元数分别是N、L和M；X＝(x0,x1,…,xN)是加到网络的输入矢量，H＝(h0,h1,…,hL)是中间层输出矢量，Y＝(y0,y1,…,yM)是网络的实际输出矢量，并且用D＝(d0,d1,…,dM)来表示训练组中各模式的目标输出矢量， 输出单元i到隐单元j的权值是Vij，而隐单元j到输出单元k的权值是Wjk，另外用θk和
Figure FDA0003037375110000042
来分别表示输出单元和隐含单元的阈值；
将得到的当前自动巡航电动病床所在楼层f1、f2和f3相比较，判断当前自动巡航电动病床实际所在楼层；所述中心处理器判断当前自动巡航电动病床实际所在楼层的依据为：
f1＝＝f2＝＝f3。
4.根据权利要求3所述的自动巡航电动病床与电梯交互系统，其特征是，所述中心处理器训练卷积神经网络算法的方法为：
(1)从由各个楼层的电梯按钮数据组成的样本集中随机地选取若干个样本作为训练组；
(2)将各权值和阈值设置成小的接近于0的随机值，并初始化精度控制参数和学习率；
(3)从训练组中取一个输入样本加到卷积神经网络，并给定其目标输出矢量；
(4)计算卷积神经网络的中间层输出矢量和实际输出矢量；
(5)将实际输出矢量中的元素与目标输出矢量中的元素进行比较，计算出多个输出误差项式；
(6)依次计算出各权值的调整量，利用各权值的调整量，调整权值和阈值；
(7)计算总误差函数，判断总误差函数是否满足精度要求，如果不满足，继续迭代；如果满足，则训练结束。
5.根据权利要求3所述的自动巡航电动病床与电梯交互系统，其特征是，还包括与中心处理器连接的语音模块，所述语音模块用于播报当前自动巡航电动病床实际所在楼层。
CN201911056651.1A 2019-10-31 2019-10-31 一种自动巡航电动病床与电梯交互方法及系统 Active CN110928298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911056651.1A CN110928298B (zh) 2019-10-31 2019-10-31 一种自动巡航电动病床与电梯交互方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911056651.1A CN110928298B (zh) 2019-10-31 2019-10-31 一种自动巡航电动病床与电梯交互方法及系统

Publications (2)

Publication Number Publication Date
CN110928298A CN110928298A (zh) 2020-03-27
CN110928298B true CN110928298B (zh) 2021-08-06

Family

ID=69850262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911056651.1A Active CN110928298B (zh) 2019-10-31 2019-10-31 一种自动巡航电动病床与电梯交互方法及系统

Country Status (1)

Country Link
CN (1) CN110928298B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102633173A (zh) * 2012-05-04 2012-08-15 林创鲁 一种电梯轿厢运行状态监测系统及方法
CN107777495A (zh) * 2017-09-29 2018-03-09 上海有个机器人有限公司 一种电梯楼层自动识别方法、系统及控制终端
CN108297061A (zh) * 2018-01-31 2018-07-20 中国科学院合肥物质科学研究院 一种用于高层室内引导的移动机器人及其控制方法
CN110047247A (zh) * 2019-05-21 2019-07-23 武汉理工大学 一种精确识别老年人跌倒的智能家居设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011131998A (ja) * 2009-12-24 2011-07-07 Toshiba Elevator Co Ltd エレベータ制御システム
CN107539852A (zh) * 2017-09-29 2018-01-05 上海有个机器人有限公司 一种电梯楼层自动识别方法、系统及控制终端
CN109279462A (zh) * 2018-11-21 2019-01-29 苏州优智达机器人有限公司 机器人与电梯交互的自动控制系统及方法
CN109748164A (zh) * 2019-01-30 2019-05-14 苏州优智达机器人有限公司 一种机器人与电梯交互方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102633173A (zh) * 2012-05-04 2012-08-15 林创鲁 一种电梯轿厢运行状态监测系统及方法
CN107777495A (zh) * 2017-09-29 2018-03-09 上海有个机器人有限公司 一种电梯楼层自动识别方法、系统及控制终端
CN108297061A (zh) * 2018-01-31 2018-07-20 中国科学院合肥物质科学研究院 一种用于高层室内引导的移动机器人及其控制方法
CN110047247A (zh) * 2019-05-21 2019-07-23 武汉理工大学 一种精确识别老年人跌倒的智能家居设备

Also Published As

Publication number Publication date
CN110928298A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
US20220358749A1 (en) Inference apparatus, inference method, and computer-readable storage medium storing an inference program
JP7057959B2 (ja) 動作解析装置
CN108876822B (zh) 一种行为危险度评估方法及家庭安防看护系统
CN111971513A (zh) 飞沫到达范围控制系统以及飞沫到达范围控制方法
JP2020135243A (ja) モデル生成装置、予測装置、モデル生成方法、及びモデル生成プログラム
CN110082716B (zh) 一种医院复杂环境室内定位系统及定位方法
CN107958221A (zh) 一种基于卷积神经网络的人体运动步态分类方法
CN108303672B (zh) 基于位置指纹的wlan室内定位误差修正方法及系统
CN103064283A (zh) 一种基于人体重心变化的自学习轮椅控制方法
CN110928298B (zh) 一种自动巡航电动病床与电梯交互方法及系统
CN110646574A (zh) 基于无人船的水质电导率自主检测系统及方法
CN111444943A (zh) 基于人体相似性的自适应个性化热舒适预测的装置和方法
CN113056228A (zh) 使用多模态传感器检测生理信息的系统和方法
CN109991618A (zh) 一种嵌入式轮椅式护理床及其自动对接方法
CN110786855B (zh) 一种痰液感应装置及其控制方法
CN103637800A (zh) 基于八段阻抗模型的人体成分分析的方法
CN115812626A (zh) 一种种猪性能测定系统
CN109993116A (zh) 一种基于人体骨骼相互学习的行人再识别方法
CN111967366B (zh) 一种对腿部患者的康复状况进行评测的方法及助行机器人
JP5418938B2 (ja) グループ行動推定装置およびサービス提供システム
CN110704789A (zh) 一种依托“城市超脑”计算平台的人口动态测算方法和系统
KR102570665B1 (ko) 맥파를 이용한 cnn 기반의 운동 강도 분류 시스템
CN115544777A (zh) 一种表征关节助力补偿值的方法及系统
CN114002646A (zh) 基于人工智能的牲畜个体实时追踪方法
CN108742840B (zh) 机器人的标定方法和装置

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
GR01 Patent grant
GR01 Patent grant