人工智能大数据下医疗用品运送机器人及其控制方法
技术领域
本发明属于医疗用品运送机器人控制领域,具体涉及一种人工智能大数据下医疗用品运送机器人及其控制方法。
背景技术
目前在医院主要还是通过医护人员来对病人传送物品和药物,这不仅占用医护人员的大量时间,同时也耗费医护人员的诸多精力,增加了医院的人员和物力成本,对于具有高传染性的疫情来说,极大增加了人传人的危险系数。因此需要一种全新的理论来改善这种现状。
随着医疗用品运送机器人技术的日益成熟,医疗用品运送机器人是指在特定的环境中,采用一定的算法为机器人规划一条到达指定目标点或距离最短或时间最少或路径最平滑的最优路径,并且这条最优路径要确保是安全的,即机器人在按照最优路径移动时不能碰到环境中的障碍物,同时避免传染源确保机器人安全移动到目标点的传送药物和医疗物品的机器人。所以医疗用品运送机器人路径规划不仅要设计合理的算法,还要求医疗用品运送机器人具有一定的智能性,能够躲避障碍物并根据局部环境信息进行局部动态路径规划,按照轻重缓急配送。目前,关于路径规划的算法主要可以分为传统算法、启发式算法以及其他方法三类传统的路径规划算法主要有人工势场法、可视图法以及向量直方图法等。大部分传统路径规划算法都是基于图论的算法,在进行路径规划时首先将机器人运动环境建模成为一个图,然后在环境模型中寻找路径。其中人工势场法因其原理和结构相对简单、得到的路径平滑等优点在机器人路径规划中得到了广泛的应用。这种路径规划算法的原理是将机器人运动环境抽象为一个势力场,障碍物产生的是斥力场,当机器人移动到障碍物一定范围内时会受到障碍物阻止机器人靠近的斥力,目标点产生的是引力场,通过引力对机器人运动产生全局引导作用。但这种算法容易产生局部最优解问题,即当目标点处存在障碍物时,机器人永远到不了目标点。其他的路径规划算法主要有模糊控制法、最优控制法等。其中模糊控制算法是指机器人利用自身的传感器等感应系统感知障碍物等环境信息,当检测到障碍物时,机器人能够根据以往的避障经验进行躲避,但这种避障方法精度不高,得到的路径质量不高。通过对机器人路径规划的国内外研究现状的分析可知,传统算法主要是基于图论的算法,通过改进能有效解决静态环境下的机器人路径规划问题,但动态环境下的路径规划问题一般通过启发式算法可以得到有效解决。
发明内容
本发明的目的在于提供一种控制精度更高、避障性能更强的人工智能大数据下医疗用品运送机器人及其控制方法。
本发明的目的还在于提供一种人工智能大数据下医疗用品运送机器人。
本发明的目的还在于提供一种人工智能大数据下医疗用品运送机器人控制方法。
本发明的目的是这样实现的:
一种人工智能大数据下医疗用品运送机器人,由车体、供电装置、储存本体、行走机构、控制与传感用电气件组成;储存本体位于车体顶部,储存本体上设置有储存组件和控制与传感用电气件;储存组件包括药品储存隔室和与储存隔室相对应的储存封盖,所述储存封盖一端与药品储存隔室的侧壁转动连接,储存封盖的另一端通过固定锁件与药品储存隔室的侧壁相连,且所述锁固件与控制与传感用电气件通信连接;车体包括承载车架,所述承载车架的四周具有外壳板;用于驱动所述车体前进或者后退的行走机构,所述行走机构设于所述车体下方;图像采集系统设于所述车体的四周,为医疗用品运送机器人供电的供电装置固定于所述承载车架上,医疗用品运送机器人采用如下方法控制:
(1)通过路径边缘点做最优路径规划;
(2)对医疗用品运送机器人进行行程控制,使医疗用品运送机器人在规划的路径通道内行进;
(3)对行程中的医疗用品运送机器人组进行姿态监控;
(4)重复步骤(2)-(3)直到医疗用品运送机器人组停止工作为止;
所述步骤(1)包括如下步骤:
(1.1)数据采集去噪:
通过预设的环境图纸对路径所处环境进行数据采集,对采集的数据进行滤波处理;
(1.2)对数据中道路进行边缘测定:
对数据中每个环境节点周围的邻点灰度值进行Sobel算子计算,通过数据的亮度选择阈值τ,当
fx=(3f(a-1,b-1)+2f(a-1,b)+4f(a-1,b+1))
-(2f(a+1,b+1)+2f(a-1,b)+5f(a+1,b+1)),
fy=(2f(a-1,b-1)+3f(a,b-1)+2f(a+1,b-1))
-(5f(a-1,b-1)+2f(a,b-1)-f(a+1,b-1)),
当So(a,b)>τ时,环境数据中点(a,b)为边缘点,a、b为边缘点坐标,f为灰度值;
(1.3)依据边缘点的路径规划:
医疗用品运送机器人的云控制系统采集边缘点信息,通过边缘点构建出路径通道,设医疗用品运送机器人的距离检测器与水平方向上的夹角为θa,距离检测器返回的数据为la,医疗用品运送机器人的高度传感器的测量值为z',水平方向参考系下的坐标为Dn0=(xa,yb,z')=(la×cosθa,la×sinθa,z);
根据路径通道中节点的迭代评价值确定规划的路径,两个相邻节点的距离为ln0,ln0=Dn0-Dn0-1,n0为当前节点的标号,起始点I0到当前节点In0的代价函数为:
扫描每个节点附近G(n0)最大的两个邻居节点进行连接,形成规划的路径通道。
所述步骤(2)包括:
(2.1)初始化数量大小为N的医疗用品运送机器人组,包括医疗用品运送机器人行进区域随机速度和医疗用品运送机器人行进区域位置,确定每个医疗用品运送机器人的姿态矩阵、姿态矩阵角速率以及姿态角;
(2.2)评估每组中医疗用品运送机器人的适应值;
(2.3)评估每组中医疗用品运送机器人当前搜索空间中最佳位置;
(2.4)更新医疗用品运送机器人的惯性权重,更新每个医疗用品运送机器人的速度和位置;
(2.5)在医疗用品运送机器人组工作状态下重新执行步骤(2.2),在医疗用品运送机器人组工作结束时结束本方法;
所述的医疗用品运送机器人的姿态矩阵的确定步骤包括:
(2.1.1)设地球坐标系为earth系,地理坐标系为geo系,载体坐标系为carrier系,导航坐标系为pilot系,各坐标系的轴依次分别为Xg、Yg、Zg;Xc、Yc、Zc;Xp、Yp、Zp;
(2.1.2)计算医疗用品运送机器人的地理坐标系的方向余弦矩阵;
其中医疗用品运送机器人所在经度为αe和纬度为δe;αe的取值范围为(-180°,180°);δe的取值范围为(-90°,90°);
(2.1.3)计算医疗用品运送机器人的载体坐标系的方向余弦矩阵;
其中γc为载体坐标系相对于地理坐标系的横滚角,即Xc相对于Xg的夹角;
其中θc为载体坐标系相对于地理坐标系的俯仰角,即Yc相对于Yg的夹角;
其中
为载体坐标系相对于地理坐标系的航向角,即Z
c相对于Z
g的夹角;
(2.1.4)计算医疗用品运送机器人的导航坐标系的姿态矩阵;
(2.1.5)计算医疗用品运送机器人的导航坐标系的姿态矩阵角速率;
ωe为地球角速率在导航坐标系下的投影,ωa为医疗用品运送机器人陀螺仪测量值。
所述的评估每组中医疗用品运送机器人的适应值为:
fj(x)表示医疗用品运送机器人的目标路径上的第j个支路上的分支函数;αj表示第j个支路对应的权值,m为目标路径的支路总数,x表示被评估的医疗用品运送机器人标号;
fj(x)=(βj∩γj)(βj∪γj)-2;
βj为执行目标路径经过第j个支路的医疗用品运送机器人集合;γj为输入被测程序执行后所经过第j个支路的医疗用品运送机器人集合。
所述的评估每组中医疗用品运送机器人当前搜索空间中最佳位置包括;
(2.3.1)将每个医疗用品运送机器人的适应值与评估的医疗用品运送机器人当前局部最佳已知位置pbesti,n进行比较,如果医疗用品运送机器人的适应值小,则将该医疗用品运送机器人的适应值替换为当前局部最佳已知位置pbesti,n;
(2.3.2)将每个医疗用品运送机器人的当前局部最佳已知位置pbest与医疗用品运送机器人当前搜索空间中最佳位置gbest进行比较,如果医疗用品运送机器人的当前局部最佳已知位置pbest小,则将该医疗用品运送机器人的当前局部最佳已知位置pbest替换为当前搜索空间中最佳位置gbest。
所述评估的医疗用品运送机器人当前局部最佳已知位置pbesti,n,包括:
N个医疗用品运送机器人,每个医疗用品运送机器人处于S维的搜索空间中,S≤3,本方法第n次迭代过程中第i个医疗用品运送机器人的位置为:
该医疗用品运送机器人对应的速度为:
所述的更新每个医疗用品运送机器人的速度和位置包括;
(2.4.1)更新Gn为惯性权重:
Gnmax为医疗用品运送机器人的惯性权重的最大值,Gnmin为惯性权重的最小值,
Nmax为迭代次数的最大值;
(2.4.2)更新医疗用品运送机器人的速度:
vi,n=ps[vi,n-1+Gn·(pbest-xi,n-1)+Gn·(gbest-xi,n-1)];
ps为收缩因子,
k为网络搜索上限速度;
(2.4.3)更新医疗用品运送机器人的位置;
xi,n=xi,n-1+vi,n。
所述的αj表示第j个支路对应的权值,
γn表示迭代过程中路径连续匹配数大于1的值。
所述的步骤(3)包括如下步骤:
(3.1)通过医疗机构内的图像采集系统提取前一个时间点上医疗用品运送机器人轮廓的点云数据M
W,在点云数据M
W中取点的集合m
i∈M
W;同时提取m
i对应的真实集合
(3.2)通过医疗机构内的图像采集系统提取前当前时间点上医疗用品运送机器人轮廓的点云数据QW,在点云数据QW中取点的集合qi∈QW,使|qi-mi|取得最小值;
(3.3)计算旋转矩阵RW和平移矩阵TW;
(3.4)通过旋转矩阵R
W和平移矩阵T
W得到的真实集合
变换位姿后的集合m'
i;
(3.6)如果平均距离
小于等于位姿预警阈值
则目标位姿正常,否则通信目标进行调整。
所述的旋转矩阵RW和平移矩阵TW包括:
(3.3.1)计算两个集合的质心:
(3.3.2)计算两个集合点的协方差矩阵;
T为转置符号;
(3.3.3)计算反对称矩阵;
I
3×3是3×3的单位矩阵,
为矩阵的迹,
是反对称矩阵的分量组成的列向量,
的最大特征值对应的特征向量r=[r
0,r
1,r
2,r
3];
(3.3.5)旋转矩阵RW为:
(3.3.6)平移矩阵TW为:
人工智能大数据下医疗用品运送机器人控制方法,包含有采用上述的人工智能大数据下医疗用品运送机器人中所述的方法。
本发明的有益效果在于:
本发明以人工智能大数据下医疗用品运送机器人控制策略展开研究,实现医疗用品运送机器人控制系统的设计和稳定性分析,同时在控制律的基础上,对控制律中的参数进行优化,省去人工选取参数的问题。从而简化医疗用品运送机器人控制的难度,实现医疗用品运送机器人的稳定控制。
附图说明
图1为本发明方法的具体流程图。
图2为本发明行程控制方法流程图。
图3为预设障碍图像示意图。
图4为特征提取示意图。
图5为边缘提取示意图。
图6为路径通道示意图。
图7为医疗用品运送机器人行程测试图1。
图8为医疗用品运送机器人行程测试图2。
图9为姿态监控方法模拟示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明涉及的人工智能大数据下医疗用品运送机器人,一种人工智能大数据下医疗用品运送机器人,由车体、供电装置、储存本体、行走机构、控制与传感用电气件组成;由于本发明的重点在于医疗用品运送机器人的控制,因此说明书中不再具体说明医疗用品运送机器人的结构,本发明的控制方法适用于常规通信的医疗用品运送机器人结构,也就是说只要具有无线通信模块的医疗用品运送机器人,就能够使用该方法,而不限于供电装置和车身结构等硬件形式。本发明中储存本体位于车体顶部,储存本体上设置有储存组件和控制与传感用电气件;储存组件包括药品储存隔室和与储存隔室相对应的储存封盖,所述储存封盖一端与药品储存隔室的侧壁转动连接,储存封盖的另一端通过固定锁件与药品储存隔室的侧壁相连,且所述锁固件与控制与传感用电气件通信连接;车体包括承载车架,所述承载车架的四周具有外壳板;用于驱动所述车体前进或者后退的行走机构,所述行走机构设于所述车体下方;图像采集系统设于所述车体的四周,为医疗用品运送机器人供电的供电装置固定于所述承载车架上,医疗用品运送机器人采用如下方法控制:
本发明中的云控制系统,即目前市场上可以使用的云(控制)系统,通过网络即可查询和使用,其主要作用是为了提高运算速度,同时减轻控制模块的计算量,如图1所示,本方法具体包括如下步骤:
(1)通过路径边缘点做最优路径规划;
(2)对医疗用品运送机器人进行行程控制,使医疗用品运送机器人在规划的路径通道内行进;
(3)对行程中的医疗用品运送机器人组进行姿态监控;
(4)重复步骤(2)-(3)直到医疗用品运送机器人组停止工作为止;
所述步骤(1)包括如下步骤:
(1.1)数据采集去噪:
通过预设的环境图纸对路径所处环境进行数据采集,对采集的数据进行滤波处理;
(1.2)对数据中道路进行边缘测定:
对数据中每个环境节点周围的邻点灰度值进行Sobel算子计算,通过数据的亮度选择阈值τ,当
fx=(3f(a-1,b-1)+2f(a-1,b)+4f(a-1,b+1))
-(2f(a+1,b+1)+2f(a-1,b)+5f(a+1,b+1)),
fy=(2f(a-1,b-1)+3f(a,b-1)+2f(a+1,b-1))
-(5f(a-1,b-1)+2f(a,b-1)-f(a+1,b-1)),
当So(a,b)>τ时,环境数据中点(a,b)为边缘点,a、b为边缘点坐标,f为灰度值;
(1.3)依据边缘点的路径规划:
医疗用品运送机器人的云控制系统采集边缘点信息,通过边缘点构建出路径通道,设医疗用品运送机器人的距离检测器与水平方向上的夹角为θa,距离检测器返回的数据为la,医疗用品运送机器人的高度传感器的测量值为z',水平方向参考系下的坐标为Dn0=(xa,yb,z')=(la×cosθa,la×sinθa,z′);
根据路径通道中节点的迭代评价值确定规划的路径,两个相邻节点的距离为ln0,ln0=Dn0-Dn0-1,n0为当前节点的标号,起始点I0到当前节点In0的代价函数为:
扫描每个节点附近G(n0)最大的两个邻居节点进行连接,形成规划的路径通道。
如图3-6所示,为本发明路径通道形成的模拟过程,通过上述方法,图3中障碍物的形状通过环境数据进行拟合,图4-图5对障碍物进行特征提取进而进行了边缘提取,最终形成了图6的路径通道的一层,白色区域即是路径通道的表征,最终将每一层通道叠加即形成了立体的路径通道。本发明的数据识别和规划根据两目标间的局部识别,而数据的识别是数据区分和匹配的结果。本发明对数据的区别和匹配是指根据采集环境数据的灰度值进行区域划分,同时将相同特征的区域进行连接而构成连通区域的集合,形成本发明的路径通道。本发明采用基于代价函数化的数据分析方法将路径通道数据从背景中分割出来。通过对静态路径进行数据采集通过迭代的方法根据分割效果不断的更新代价函数,由于采用在线确定代价函数的方法,在很大程度上提高了对数据处理的精确度,增加了本发明的实时性效果。与现有技术相比,本发明通过灰度值的运算给出路径通道同时又通过代价函数的方法给出路径的最优规划值,有效提高了医疗用品运送机器人的行进效率。
如图2所示,所述步骤(2)包括:
(2.1)初始化数量大小为N的医疗用品运送机器人组,包括医疗用品运送机器人行进区域随机速度和医疗用品运送机器人行进区域位置,确定每个医疗用品运送机器人的姿态矩阵、姿态矩阵角速率以及姿态角;
(2.2)评估每组中医疗用品运送机器人的适应值;
(2.3)评估每组中医疗用品运送机器人当前搜索空间中最佳位置;
(2.4)更新医疗用品运送机器人的惯性权重,更新每个医疗用品运送机器人的速度和位置;
(2.5)在医疗用品运送机器人组工作状态下重新执行步骤(2.2),在医疗用品运送机器人组工作结束时结束本方法。
所述的医疗用品运送机器人的姿态矩阵的确定步骤包括:
(2.1.1)设地球坐标系为earth系,地理坐标系为geo系,载体坐标系为carrier系,导航坐标系为pilot系,各坐标系的轴依次分别为Xg、Yg、Zg;Xc、Yc、Zc;Xp、Yp、Zp;
(2.1.2)计算医疗用品运送机器人的地理坐标系的方向余弦矩阵;
其中医疗用品运送机器人所在经度为αe和纬度为δe;αe的取值范围为(-180°,180°);δe的取值范围为(-90°,90°);
(2.1.3)计算医疗用品运送机器人的载体坐标系的方向余弦矩阵;
其中γc为载体坐标系相对于地理坐标系的横滚角,即Xc相对于Xg的夹角;
其中θc为载体坐标系相对于地理坐标系的俯仰角,即Yc相对于Yg的夹角;
其中
为载体坐标系相对于地理坐标系的航向角,即Z
c相对于Z
g的夹角;
(2.1.4)计算医疗用品运送机器人的导航坐标系的姿态矩阵;
(2.1.5)计算医疗用品运送机器人的导航坐标系的姿态矩阵角速率;
ωe为地球角速率在导航坐标系下的投影,ωa为医疗用品运送机器人陀螺仪测量值;
医疗用品运送机器人坐标解算是通常都是通过陀螺仪测得的医疗用品运送机器人角速度进行实时矩阵解算,因医疗用品运送机器人的姿态变化角速率非常快,因此对姿态矩阵进行计算的时间需要毫秒量级的周期,因此对于医疗用品运送机器人组满足不了实时性的需求,而非实时性的计算数据必然会对矩阵的计算产生一定的误差。因此,其中的关键技术便是对医疗用品运送机器人姿态进行实时解算,也是对医疗用品运送机器人姿态解算算法精度产生影响的重要因素之一,而本发明对几个联立方程进行计算,无奇异性、方便计算,在闭环切换控制系统中能否稳定执行。与现有技术相比,本发明通过坐标系的转换能够给出医疗用品运送机器人精确的角速率,有主于医疗用品运送机器人姿态控制的精确性。
因此,医疗用品运送机器人姿态角的实时值为:
为医疗用品运送机器人导航坐标系的横滚角;
为医疗用品运送机器人导航坐标系的航向角;
为医疗用品运送机器人导航坐标系的俯仰角。
姿态矩阵、姿态矩阵角速率是医疗用品运送机器人的关键参数,通过这两个参数能够在后续调整过程中更简单的计算出目标点位置。
针对微惯性器件的固有特性,本发明通过云数据融合算法获得最佳姿态角估计。姿态角可以由角速度积分得到,但因微惯性器件陀螺仪存在随机漂移误差,会随着时间的增加逐渐累积,载体在动态环境下,会引入线性加速度对俯仰角等信息造成误差,三轴磁力计会因电磁干扰造成偏航角数据产生误差。因此,本发明提出的数据融合算法,将测量数据作为测量值,通过矩阵式运算获得最佳姿态角估计。
本发明中所述的评估每组中医疗用品运送机器人的适应值为:
fj(x)表示医疗用品运送机器人的目标路径上的第j个支路上的分支函数;αj表示第j个支路对应的权值,m为目标路径的支路总数,x表示被评估的医疗用品运送机器人标号;
fj(x)=(βj∩γj)(βj∪γj)-2;
βj为执行目标路径经过第j个支路的医疗用品运送机器人集合;γj为输入被测程序执行后所经过第j个支路的医疗用品运送机器人集合。
所述的评估每组中医疗用品运送机器人当前搜索空间中最佳位置包括;
(2.3.1)将每个医疗用品运送机器人的适应值与评估的医疗用品运送机器人当前局部最佳已知位置pbesti,n进行比较,如果医疗用品运送机器人的适应值小,则将该医疗用品运送机器人的适应值替换为当前局部最佳已知位置pbesti,n;
(2.3.2)将每个医疗用品运送机器人的当前局部最佳已知位置pbest与医疗用品运送机器人当前搜索空间中最佳位置gbest进行比较,如果医疗用品运送机器人的当前局部最佳已知位置pbest小,则将该医疗用品运送机器人的当前局部最佳已知位置pbest替换为当前搜索空间中最佳位置gbest。
所述评估的医疗用品运送机器人当前局部最佳已知位置pbesti,n,包括:
N个医疗用品运送机器人,每个医疗用品运送机器人处于S维的搜索空间中,S≤3,本方法第n次迭代过程中第i个医疗用品运送机器人的位置为:
该医疗用品运送机器人对应的速度为:
所述的更新每个医疗用品运送机器人的速度和位置包括;
(2.4.1)更新Gn为惯性权重:
Gnmax为医疗用品运送机器人的惯性权重的最大值,Gnmin为惯性权重的最小值,
Nmax为迭代次数的最大值;
(2.4.2)更新医疗用品运送机器人的速度:
vi,n=ps[vi,n-1+Gn·(pbest-xi,n-1)+Gn·)(gbest-xi,n-1)];
ps为收缩因子,
k为网络搜索上限速度;
(2.4.3)更新医疗用品运送机器人的位置;
xi,n=xi,n-1+vi,n。
所述的αj表示第j个支路对应的权值,
γn表示迭代过程中路径连续匹配数大于1的值;
为进一步使医疗用品运送机器人位置进行精确控制,对医疗用品运送机器人的速度进行优化,具体步骤包括:
对医疗用品运送机器人的速度进行优化,具体步骤包括:
(2.4.2.1)输入医疗用品运送机器人速度函数v
i,n、概率效用函数
均值函数
步长函数
(2.4.2.2)初始化方向性统计模型;
(2.4.2.4)通过概率效用函数评估医疗用品运送机器人效用值;
Z为中间变量,
φ
1(Z)、φ
2(Z)是标准正态分布函数和概率密度函数;
(2.4.2.5)如果医疗用品运送机器人效用值在阈值P一下,选择该医疗用品运送机器人,记录该医疗用品运送机器人的速度值;
(2.4.2.6)计算矫正的效用量;
作为医疗用品运送机器人全局搜索的效用计量函数,衡量的是某一个医疗用品运送机器人在全局搜索策略下可能带来的期望效用量,
(2.4.2.7)更新(2.4.2.5)中医疗用品运送机器人的速度为
(2.4.2.8)重新执行步骤(2.4.2.1),直到所有医疗用品运送机器人效用值维持在阈值P以上;
(2.5)在医疗用品运送机器人组工作状态下重新执行步骤2.2,在医疗用品运送机器人组工作结束时结束本方法。
如图7和图8所示,是经过路线预设后,都医疗用品运送机器人实现形成控制的测试图。图中纵坐标为平面坐标系中一个轴(人为设定)的位置,横坐标为时间,单位为秒。图7中可知在线性移动中,随着时间的增加,误差在增大,那么医疗用品运送机器人在实时过程中只要设定好足够的迭代条件(如时间或者阈值),即可形成较精确的路线控制。如图8所示,如果为曲线型运动,则本发明误差较小,因为阈值的迭代是不断变化不断调整的,因为医疗用品运送机器人的运动还是以曲线型变化为主,因此,本发明是最适合实际使用的。对于上述数据,本发明每100个时间点提取1个数值给出如下表所示:
表1为线性轨迹测量数据
时间 |
预设值 |
测量值 |
0 |
0 |
0 |
5 |
0.047943 |
0.04923 |
10 |
0.084147 |
0.08527 |
15 |
0.099749 |
0.09457 |
20 |
0.09093 |
0.09102 |
25 |
0.059847 |
0.05387 |
30 |
0.014112 |
0.01617 |
35 |
-0.03508 |
-0.03702 |
40 |
-0.07568 |
-0.07878 |
45 |
-0.09775 |
-0.09476 |
50 |
-0.09589 |
-0.09299 |
55 |
-0.07055 |
-0.07255 |
60 |
-0.02794 |
-0.02895 |
65 |
0.021512 |
0.02316 |
70 |
0.065699 |
0.06779 |
75 |
0.0938 |
0.09789 |
80 |
0.098936 |
0.09902 |
85 |
0.079849 |
0.07489 |
90 |
0.041212 |
0.04527 |
表2为曲线轨迹测量数据
本发明以分数阶医疗用品运送机器人控制策略展开研究,实现医疗用品运送机器人控制系统的设计和稳定性分析,同时在控制律的基础上,对控制律中的参数进行优化,省去人工选取参数的问题。从而简化医疗用品运送机器人组控制的难度,实现医疗用品运送机器人的稳定控制。与现有技术相比,本发明通过粒子化分数阶算法获得精确路线,与传统粒子化分数阶算法相比,通过引入矫正效用量来进一步提高医疗用品运送机器人控制的准确率。
进一步的,所述的步骤(3)包括如下步骤:
(3.1)通过医疗机构内的图像采集系统提取前一个时间点上医疗用品运送机器人轮廓的点云数据M
W,在点云数据M
W中取点的集合m
i∈M
W;同时提取m
i对应的真实集合
(3.2)通过医疗机构内的图像采集系统提取前当前时间点上医疗用品运送机器人轮廓的点云数据QW,在点云数据QW中取点的集合qi∈QW,使|qi-mi|取得最小值;
(3.3)计算旋转矩阵RW和平移矩阵TW;
(3.4)通过旋转矩阵R
W和平移矩阵T
W得到的真实集合
变换位姿后的集合m'
i;
(3.6)如果平均距离
小于等于位姿预警阈值
则目标位姿正常,否则通信目标进行调整。
所述的旋转矩阵RW和平移矩阵TW包括:
(3.3.1)计算两个集合的质心:
(3.3.2)计算两个集合点的协方差矩阵;
T为转置符号;
(3.3.3)计算反对称矩阵;
I
3×3是3×3的单位矩阵,
为矩阵的迹,
是反对称矩阵的分量组成的列向量,
的最大特征值对应的特征向量r=[r
0,r
1,r
2,r
3];
(3.3.5)旋转矩阵RW为:
(3.3.6)平移矩阵TW为:
如图9所示,是通过本发明实验获得目标跟踪与姿态监控效果图,根据测试模拟,本发明方法的平均误差为3.25,测算次数1350次,成功率100%
步骤(3)中提出通过医疗用品运送机器人的视频图像彼此实施监控自身的位姿状态,一旦超过阈值,可以直接进行警戒,有效的提高了医疗用品运送机器人组的稳定性,与步骤(2)的方法彼此互相协调互相配合,不仅能够有效保证医疗用品运送机器人组的路径规划、行进和避障而且能够有效避免因外部环境变化造成的位姿影响。
人工智能大数据下医疗用品运送机器人控制方法,采用上述的人工智能大数据下医疗用品运送机器人中所述的方法。
需要指出的是,本发明中已经对所有符号和特殊定义做出了解释,而其他技术特征如车体、供电装置等以及一些简单参数均为本领域的公知常识。