发明内容
鉴于上述问题,本发明的目的是解决目前电动轮椅对于自理能力比较差的老人或肢体残疾严重的用户来说使用起来不太方便,电动轮椅在使用时需要用户对路径进行目测,再选择是否通行的操作,造成了使用不便的问题,实现对周边环境的自动检测,并识别分析周围的障碍物,从而生成智能轮椅的全方位通行策略。
本发明实施例提供一种用于电动轮椅的全方位通行策略生成系统,包括:空间特征识别模块、障碍类型识别模块、整体感知模块;
所述空间特征识别模块连接所述整体感知模块,用于识别障碍物的空间特征,并将所述障碍物的空间特征传输给所述整体感知模块;
所述障碍类型识别模块连接所述整体感知模块,用于识别障碍物类型,并将所述障碍物类型传输给所述整体感知模块;
所述整体感知模块用于根据所述障碍物的空间特征与所述障碍物类型生成虚拟场景,并根据所述虚拟场景生成全方位通行策略。
在至少一个实施例中,所述空间特征识别模块,包括:预处理单元、场景分割单元,空间特征识别单元;
所述预处理单元用于采集点云数据,并对所述点云数据进行预处理,将预处理后的点云传输给所述空间特征识别单元;
所述场景分割单元用于对场景进行划分,生成空间分区,并对所述空间分区内的物体进行分割,生成分割场景;
所述空间特征识别单元连接所述与处理单元与所述场景分割单元,用于基于所述分割场景与所述预处理后的点云数据,利用预设算法对所述障碍物的空间特征进行识别。
在至少一个实施例中,所述障碍类型识别模块,包括:障碍物类别判断单元、障碍物类型识别单元;
所述障碍物类别判断单元连接所述空间特征识别单元,用于基于所述障碍物的空间特征,对障碍物的类别进行判断;
所述障碍物类型识别单元连接所述障碍物类别判断单元,用于根据判断结果对所述障碍物类型进行识别,并根据所述障碍物类型,判断障碍物的通过性属性。
在至少一个实施例中,所述通过性属性,包括可接触通过、可驱离通过和规避通过。
在至少一个实施例中,所述整体感知模块,包括:计算单元、累加单元、选择单元;
所述计算单元用于根据所述障碍物的空间特征、所述障碍物类型与所述障碍物的通过性属性,计算各个所述分割场景的第一代价参数与电动轮椅偏转到各个分割场景的第二代价参数;
所述累加单元连接所述计算单元,用于将所述第一代价参数与所述第二代价参数按照权重进行累加,生成通过代价参数;
所述选择单元连接所述累加单元,用于根据所述通过代价参数选择所述分割场景,生成所述全方位通行策略。
基于上述目的,在本申请的第二个方面,还提出了一种用于电动轮椅的全方位通行策略生成方法,包括:
识别障碍物的空间特征,并将所述障碍物的空间特征传输给整体感知模块;
识别障碍物类型,并将所述障碍物类型传输给所述整体感知模块;
根据所述障碍物的空间特征与所述障碍物类型生成虚拟场景,并根据所述虚拟场景生成全方位通行策略。
在至少一个实施例中,所述识别障碍物的空间特征,包括:
采集点云数据,并对所述点云数据进行预处理,生成预处理后的点云数据;
对场景进行划分,生成空间分区,并对所述空间分区内的物体进行分割,生成分割场景;
基于所述分割场景与所述预处理后的点云数据,利用预设算法对所述障碍物的空间特征进行识别。
在至少一个实施例中,所述识别障碍物类型,包括:
基于所述障碍物的空间特征,对障碍物的类别进行判断;
根据判断结果对所述障碍物类型进行识别,并根据所述障碍物类型,判断障碍物的通过性属性。
在至少一个实施例中,所述通过性属性,包括可接触通过、可驱离通过和规避通过。
在至少一个实施例中,所述根据所述障碍物的空间特征与所述障碍物类型生成虚拟场景,并根据所述虚拟场景生成全方位通行策略,包括:
根据所述障碍物的空间特征、所述障碍物类型与所述障碍物的通过性属性,计算各个所述分割场景的第一代价参数与电动轮椅偏转到各个分割场景的第二代价参数;
将所述第一代价参数与所述第二代价参数按照权重进行累加,生成通过代价参数;
根据所述通过代价参数选择所述分割场景,生成所述全方位通行策略。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种用于电动轮椅的全方位通行策略生成系统和方法,通过对空间特征与障碍类型的识别实现了对电动轮椅周边环境的自动检测,并对周围的障碍物进行了准确的分析识别,基于空间特征与障碍类型生成电动轮椅周围的虚拟场景,进而生成全方位通行策略,根据全方位通行策略电动轮椅实现了对行驶路线的自动分析检测,可以有效地规避障碍物,提高了电动轮椅的智能化程度,适用范围更广。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示,本发明实施例提供的一种用于电动轮椅的全方位通行策略生成系统,包括:空间特征识别模块1、障碍类型识别模块2、整体感知模块3;
所述空间特征识别模块1连接所述整体感知模块3,用于识别障碍物的空间特征,并将所述障碍物的空间特征传输给所述整体感知模块3。
具体的,所述障碍物的空间特征包括空间环境、障碍物的大小、分布和形状、障碍物的位置以及障碍物周围能否通行。
所述障碍类型识别模块2连接所述整体感知模块3,用于识别障碍物类型,并将所述障碍物类型传输给所述整体感知模块3。
具体的,基于障碍物类型判断通过该路径所需的通行方式。
例如,当识别出正前方出现的障碍物类型为桌子,且该障碍物周围有非障碍物空间(或其他路径)可供通过时,则判断出用户能够选择绕过的方式通行,以便到达目的地;当识别出前方出现的障碍物为猫时,则判断出用户能够选择驱逐猫的方式通过所述路径。
所述整体感知模块3用于根据所述障碍物的空间特征与所述障碍物类型生成虚拟场景,并根据所述虚拟场景生成全方位通行策略。
具体的,基于空间特征与障碍物类型,获得对电动轮椅周围环境的整体感知,生成虚拟场景,进而设置全方位的通行策略以供电动轮椅通过。
进一步地,所述全方位的通行策略可以包括多条可选路径,多条可选路经各有不同,有的可选路径可能比较拥挤、有的可选路径可能就比较开阔;比如有的可选路径中有猫,导致可选路径通行遇到问题,用户可以选择驱赶猫的方式,使得顺利通过该路径,也可以选择放弃该路径,选择使用其他可选路径的方式到达目的地;从多条可选路径中,选择出最优路径、优选路径和备选路径等供用户选择。
此外,电动轮椅具有自动驾驶模块与定位模块,所述自动驾驶模块、所述定位模块与所述整体感知模块3连接。
进一步地,所述电动轮椅通过设置指定停放位置确定行驶目的地,并通过定位模块定位自身位置,通过对所述行驶目的地与所述自身位置之间的空间特征以及障碍物类型进行识别,并根据空间特征以及障碍物类型生成全方位通行策略,电动轮椅根据所述全方位通行策略从自身位置自动驾驶至形式目的地。
进一步地,自动驾驶模块还用于控制电动轮椅进行自动停放与自动归位。
例如,当用户需要午休时,电动轮椅能够自动停放在床边,当用户从电动轮椅移动到床上后,电动轮椅能够自动移动到指定位置处进行停放,用户午休完毕,电动轮椅自动移动到床边以供用户使用。
本实施例中,通过对空间特征与障碍类型的识别实现了对电动轮椅周边环境的自动检测,并对周围的障碍物进行了准确的分析识别,基于空间特征与障碍类型生成电动轮椅周围的虚拟场景,进而生成全方位通行策略,根据全方位通行策略电动轮椅实现了对行驶路线的自动分析检测,可以有效地规避障碍物,提高了电动轮椅的智能化程度,适用范围更广。
在至少一个实施例中,所述空间特征识别模块1,包括:预处理单元4、场景分割单元5,空间特征识别单元6;
所述预处理单元4用于采集点云数据(扫描资料以点的形式记录,每一个点包含有三维坐标、颜色信息和反射强度信息),并对所述点云数据进行预处理,将预处理后的点云传输给所述空间特征识别单元6。
具体的,利用电动轮椅安装的激光雷达、超声波等传感器以及摄像头等,对电动轮椅所在的空间环境(以轮椅为中心、半径范围R的空间区域)的点云数据进行采集。
进一步地,判断该空间环境是室内环境还是室外环境,室内环境通常可以利用激光点云检测到墙壁、屋顶等构成的平面,室外环境则没有(其中,室外环境也包括特别空旷的大面积室内环境,例如大剧场、室内广场等);然后,检测轮椅所在空间环境中存在的容纳轮椅空间的大小、数量以及存在的障碍物的大小、数量。
具体的,对所述点云数据进行预处理包括对所述点云数据进行去噪和简化。
进一步地,对所述点云数据进行去噪包括:以轮椅为中心、半径范围建立一个球形,统计该球中点的数量,当点数量大于或等于预设阈值时,保留该球中的点;当点数量小于预设阈值时,剔除该球中的点,实现对点云数据的去噪。
进一步地,由于点云数据的数量过多会影响分割、识别的速率,所以对点云数据去噪后,需要对密度过大的点云数据进行简化,具体步骤为:利用八叉树将点云数据划分为若干个单位,计算每个单位的重心点,将重心点作为各个单元内的点云数据。
所述场景分割单元5用于对场景进行划分,生成空间分区,并对所述空间分区内的物体进行分割,生成分割场景。
具体的,对场景进行空间分区,利用随机采样一致性算法将各个空间分区中的物体与背景进行划分,剔除场景中的背景,对场景中的各个物体进行分割,生成分割场景。
进一步地,以轮椅为中心、半径为R的空间区域,按照一定的圆心角划分为若干个空间分区。
进一步地,对于室内场景,利用随机采样一致性算法对室内场景中的物体与背景进行划分,剔除室内场景的地面与墙壁,具体步骤为:设置距离阈值,随机选取任意3个不共线的点生成平面,计算点云数据中各点到该平面的距离并与距离阈值进行比较,将小于距离阈值的点作为内点进行模型拟合,计算周围点和模型距离(周围点至平面之间的距离)确定是否将其归入模型内点,重新在点云数据中随机选取模型参数不同的最小数量点,重复迭代执行上述过程,直至估计出迭代次数内的最优模型为止。
进一步地,对于室外环境,则基于点云数据,对室外场景中的各个物体进行分割。
进一步地,对场景中的各个物体进行分割的步骤如下:选取局部领域内法线间夹角最小的点作为种子点,利用法线夹角与颜色差异进行区域增长,计算区域增长结果中各聚类点的数目,将各聚类点的数目与最小聚类点数量阈值进行比较,若聚类点的数目小于最小聚类点数量阈值,则将该聚类点划分至相邻颜色均值与其差异最小的点云聚类中;若聚类点的数目大于最小聚类点数量阈值时,则设置新的角度阈值与色差阈值,并对聚类内的点重新按照法线夹角与颜色差异进行区域增长,直至点云数据中的各聚类点符合预设阈值为止。
所述空间特征识别单元6连接所述与处理单元与所述场景分割单元5,用于基于所述分割场景与所述预处理后的点云数据,利用预设算法对所述障碍物的空间特征进行识别。
具体的,将点云模型与参考物体进行特征匹配,直至参考物体与点云模型上的特征点完全匹配为止,选取任意分割场景中物体的某一点作为参考点,计算点云模型上各个特征点到参考点的向量,将该向量坐标转换至参考物体的特征点上,在参考物体上生成参考向量,对测试物体上的特征点进行投票,若投票均在物体表面同一区域或表面附近同一区域,且该区域投票数量满足预设阈值,则将所述参考物体的特征作为分割场景中该物体的特征。
进一步地,基于障碍物的点云数据分布,确定障碍物分布,基于物体的特征(即障碍物的大小、尺寸、形状)以及物体的分布(即障碍物的分布),确定电动轮椅能否在该分割场景中通行。
例如,在识别出障碍物一为长1米,高2米,宽0.5米的长方体,障碍物二为长宽高均为1米的正方体,且障碍物一和障碍物二间距为0.3米时,则判断出该障碍物一和障碍物二所在位置处不能通行,且障碍物一和障碍物二所在位置之间的非障碍物空间也不能通行。
在至少一个实施例中,所述障碍类型识别模块2,包括:障碍物类别判断单元7、障碍物类型识别单元8;
所述障碍物类别判断单元7连接所述空间特征识别单元6,用于基于所述障碍物的空间特征,对障碍物的类别(例如,家具、动物、植物等)进行判断。
具体的,将分割场景中物体的特征(障碍物的大小、尺寸、形状)输入至训练后的支持向量机中,输出障碍物的类别。
进一步地,特征模型的训练过程为:将数据库中的物体特征作为输入向量输入至支持向量机中,将输出结果(即物体类别)与数据库中该物体特征对应的物体类别进行匹配,若匹配结果在预设范围内,则表示支持向量机训练完成,若匹配结果不在预设范围内,则改变支持向量机的匹配参数,直至输出结果与物体类别相匹配。
所述障碍物类型识别单元8连接所述障碍物类别判断单元7,用于根据判断结果对所述障碍物类型进行识别,并根据所述障碍物类型(例如,沙发、座椅、方桌、猫等),判断障碍物的通过性属性。
具体的,基于障碍物的类别,进一步地将障碍物的点云数据分别与数据库中属于该障碍物类别的点云数据进行匹配,确定障碍物的类型。
具体的,所述通过性属性,包括可接触通过(包括地面不影响轮椅稳定性的低矮障碍物,例如一本书,一个小石子等;或者室内一些柔软性的物品,可以从其侧面蹭过)、可驱离通过(例如前进方向上的小动物、人体)和规避通过(不可以接触通过或者驱离的障碍物,只能绕行规避通过)。
进一步地,将不存在障碍物的分割场景、具有可以接触通过或可驱离通过的分割场景设置为可通过性分区;将存在必须规避通过的分割场景是设置为不具有可通过性的分区。
在至少一个实施例中,所述整体感知模块3,包括:计算单元9、累加单元10、选择单元11;
所述计算单元9用于根据所述障碍物的空间特征、所述障碍物类型与所述障碍物的通过性属性,计算各个所述分割场景的第一代价参数与电动轮椅偏转到各个分割场景的第二代价参数。
具体的,根据障碍物的尺寸、类型设置所述第一代价参数;其中,设置没有障碍物的分割场景的第一代价参数低,不具有可通过性的分区的第一代价参数为高,有可通过分区中,有可接触通过障碍物的分割场景的第一代价参数高。
例如,设置第一代价参数的范围为1-10,A、B、C、D、E表示五个分割场景,分割场景A与分割场景E中没有障碍物,设置第一代价参数设置为1,分割场景D中出现猫时,采用可驱离通过的方式,设置分割场景D的第一代价参数为4,分割场景B中的障碍物类型为矩形桌子,采用可规避通过,设置该分割场景的第一代价参数为7,分割场景C中的障碍物类型为圆桌,不具有可通过性的分区,则设置该分割场景的第一代价参数为10。
具体的,电动轮椅偏转到各个分割场景的偏转角度越大则第二代价参数越大。
进一步地,对应单位偏转角度的单位代价参数由障碍物的空间特征决定,室内环境的单位代价参数大于室外环境(或者特别空旷的大面积室内环境,例如大剧场、室内广场等的室内环境),并且根据障碍物的大小和数量,容纳轮椅空间的大小和数量,来设定单位代价参数,空间环境中的障碍物大、数量多则单位代价参数大,容纳轮椅空间的大小和数量多则单位代价参数小,综合以上室内/室外,障碍物、容纳空间的情况,确定第二代价参数。
进一步地,第二代价参数的计算公式如下所示:
第二代价参数=Δ单位代价参数*α
其中,α表示电动轮椅偏转到各个分割场景的偏转角度。
例如,参照图2所示,设置单位代价参数的范围为1-10,A、B、C、D、E表示五个分割场景,电动轮椅的正前方为分割场景C,分割场景A中不存在障碍物,设置分割场景A的单位代价参数为1,电动轮椅偏转到分割场景A的偏转角度β为60度,则分割场景A的第二代价参数为60;分割场景D中存在数量为1的毛绒物体,设置分割场景D的单位代价参数为4,电动轮椅偏转到分割场景D的偏转角度α为30度,则分割场景D的第二代价参数为120。
所述累加单元10连接所述计算单元9,用于将所述第一代价参数与所述第二代价参数按照权重进行累加,生成通过代价参数。
所述选择单元11连接所述累加单元10,用于根据所述通过代价参数选择所述分割场景,生成所述全方位通行策略。
例如,参照图2所示,分割场景A的通过代价参数为61,分割场景D的通过代价参数为124,则电动轮椅选择项分割场景A的方向行驶。
具体的,选择通过代价参数最小的分割场景,生成所述全方位通行策略。
参照图2所示,一种用于电动轮椅的全方位通行策略生成方法,包括:
S201、识别障碍物的空间特征,并将所述障碍物的空间特征传输给整体感知模块。
具体的,空间特征识别模块识别障碍物的空间特征,所述障碍物的空间特征包括空间环境、障碍物的大小、分布和形状、障碍物的位置以及障碍物周围能否通行。
S202、识别障碍物类型,并将所述障碍物类型传输给所述整体感知模块。
具体的,障碍类型识别模块识别障碍物类型,并基于障碍物类型判断通过该路径所需的通行方式。
例如,当识别出正前方出现的障碍物类型为桌子,且该障碍物周围有非障碍物空间(或其他路径)可供通过时,则判断出用户能够选择绕过的方式通行,以便到达目的地;当识别出前方出现的障碍物为猫时,则判断出用户能够选择驱逐猫的方式通过所述路径。
S203、根据所述障碍物的空间特征与所述障碍物类型生成虚拟场景,并根据所述虚拟场景生成全方位通行策略。
具体的,整体感知模块基于空间特征与障碍物类型,获得对电动轮椅周围环境的整体感知,生成虚拟场景,进而设置全方位的通行策略以供电动轮椅通过。
进一步地,所述全方位的通行策略可以包括多条可选路径,多条可选路经各有不同,有的可选路径可能比较拥挤、有的可选路径可能就比较开阔;比如有的可选路径中有猫,导致可选路径通行遇到问题,用户可以选择驱赶猫的方式,使得顺利通过该路径,也可以选择放弃该路径,选择使用其他可选路径的方式到达目的地;从多条可选路径中,选择出最优路径、优选路径和备选路径等供用户选择。
此外,电动轮椅具有自动驾驶功能与定位功能;所述电动轮椅通过设置指定停放位置确定行驶目的地,并通过定位模块定位自身位置,通过对所述行驶目的地与所述自身位置之间的空间特征以及障碍物类型进行识别,并根据空间特征以及障碍物类型生成全方位通行策略,电动轮椅根据所述全方位通行策略从自身位置自动驾驶至形式目的地。
进一步地,自动驾驶功能包括控制电动轮椅进行自动停放与自动归位。
例如,当用户需要午休时,电动轮椅能够自动停放在床边,当用户从电动轮椅移动到床上后,电动轮椅能够自动移动到指定位置处进行停放,用户午休完毕,电动轮椅自动移动到床边以供用户使用。
在至少一个实施例中,如图3所示,步骤S201,即所述识别障碍物的空间特征,包括:
S2011、采集点云数据,并对所述点云数据进行预处理,生成预处理后的点云数据。
具体的,利用电动轮椅安装的激光雷达、超声波等传感器以及摄像头等,对电动轮椅所在的空间环境(以轮椅为中心、半径范围R的空间区域)的点云数据进行采集。
进一步地,判断该空间环境是室内环境还是室外环境,室内环境通常可以利用激光点云检测到墙壁、屋顶等构成的平面,室外环境则没有(其中,室外环境也包括特别空旷的大面积室内环境,例如大剧场、室内广场等);然后,检测轮椅所在空间环境中存在的容纳轮椅空间的大小、数量以及存在的障碍物的大小、数量。
具体的,对所述点云数据进行预处理包括对所述点云数据进行去噪和简化。
进一步地,对所述点云数据进行去噪包括:以轮椅为中心、半径范围建立一个球形,统计该球中点的数量,当点数量大于或等于预设阈值时,保留该球中的点;当点数量小于预设阈值时,剔除该球中的点,实现对点云数据的去噪。
进一步地,由于点云数据的数量过多会影响分割、识别的速率,所以对点云数据去噪后,需要对密度过大的点云数据进行简化,具体步骤为:利用八叉树将点云数据划分为若干个单位,计算每个单位的重心点,将重心点作为各个单元内的点云数据。
S2012、用于对场景进行划分,生成空间分区,并对所述空间分区内的物体进行分割,生成分割场景。
具体的,对场景进行空间分区,利用随机采样一致性算法将各个空间分区中的物体与背景进行划分,剔除场景中的背景,对场景中的各个物体进行分割,生成分割场景。
进一步地,以轮椅为中心、半径为R的空间区域,按照一定的圆心角划分为若干个空间分区。
进一步地,对于室内场景,利用随机采样一致性算法对室内场景中的物体与背景进行划分,剔除室内场景的地面与墙壁,具体步骤为:设置距离阈值,随机选取任意3个不共线的点生成平面,计算点云数据中各点到该平面的距离并与距离阈值进行比较,将小于距离阈值的点作为内点进行模型拟合,计算周围点和模型距离(周围点至平面之间的距离)确定是否将其归入模型内点,重新在点云数据中随机选取模型参数不同的最小数量点,重复迭代执行上述过程,直至估计出迭代次数内的最优模型为止。
进一步地,对于室外环境,则基于点云数据,对室外场景中的各个物体进行分割。
进一步地,对场景中的各个物体进行分割的步骤如下:选取局部领域内法线间夹角最小的点作为种子点,利用法线夹角与颜色差异进行区域增长,计算区域增长结果中各聚类点的数目,将各聚类点的数目与最小聚类点数量阈值进行比较,若聚类点的数目小于最小聚类点数量阈值,则将该聚类点划分至相邻颜色均值与其差异最小的点云聚类中;若聚类点的数目大于最小聚类点数量阈值时,则设置新的角度阈值与色差阈值,并对聚类内的点重新按照法线夹角与颜色差异进行区域增长,直至点云数据中的各聚类点符合预设阈值为止。
S2013、基于所述分割场景与所述预处理后的点云数据,利用预设算法对所述障碍物的空间特征进行识别。
具体的,将点云模型与参考物体进行特征匹配,直至参考物体与点云模型上的特征点完全匹配为止,选取任意分割场景中物体的某一点作为参考点,计算点云模型上各个特征点到参考点的向量,将该向量坐标转换至参考物体的特征点上,在参考物体上生成参考向量,对测试物体上的特征点进行投票,若投票均在物体表面同一区域或表面附近同一区域,且该区域投票数量满足预设阈值,则将所述参考物体的特征作为分割场景中该物体的特征。
进一步地,基于障碍物的点云数据分布,确定障碍物分布,基于物体的特征(即障碍物的大小、尺寸、形状)以及物体的分布(即障碍物的分布),确定电动轮椅能否在该分割场景中通行。
例如,在识别出障碍物一为长1米,高2米,宽0.5米的长方体,障碍物二为长宽高均为1米的正方体,且障碍物一和障碍物二间距为0.3米时,则判断出该障碍物一和障碍物二所在位置处不能通行,且障碍物一和障碍物二所在位置之间的非障碍物空间也不能通行。
在至少一个实施例中,如图4所示,步骤S202,即所述识别障碍物类型,包括:
S2021、基于所述障碍物的空间特征,对障碍物的类别进行判断。
具体的,将分割场景中物体的特征(障碍物的大小、尺寸、形状)输入至训练后的支持向量机中,输出障碍物的类别。
进一步地,特征模型的训练过程为:将数据库中的物体特征作为输入向量输入至支持向量机中,将输出结果(即物体类别)与数据库中该物体特征对应的物体类别进行匹配,若匹配结果在预设范围内,则表示支持向量机训练完成,若匹配结果不在预设范围内,则改变支持向量机的匹配参数,直至输出结果与物体类别相匹配。
S2022、根据判断结果对所述障碍物类型进行识别,并根据所述障碍物类型,判断障碍物的通过性属性。
具体的,基于障碍物的类别,进一步地将障碍物的点云数据分别与数据库中属于该障碍物类别的点云数据进行匹配,确定障碍物的类型。
具体的,所述通过性属性,包括可接触通过(包括地面不影响轮椅稳定性的低矮障碍物,例如一本书,一个小石子等;或者室内一些柔软性的物品,可以从其侧面蹭过)、可驱离通过(例如前进方向上的小动物、人体)和规避通过(不可以接触通过或者驱离的障碍物,只能绕行规避通过)。
进一步地,将不存在障碍物的分割场景、具有可以接触通过或可驱离通过的分割场景设置为可通过性分区;将存在必须规避通过的分割场景是设置为不具有可通过性的分区。
在至少一个实施例中,如图5所示,步骤S303,即所述根据所述障碍物的空间特征与所述障碍物类型生成虚拟场景,并根据所述虚拟场景生成全方位通行策略,包括:
S2031、根据所述障碍物的空间特征、所述障碍物类型与所述障碍物的通过性属性,计算各个所述分割场景的第一代价参数与电动轮椅偏转到各个分割场景的第二代价参数。
具体的,根据障碍物的尺寸、类型设置所述第一代价参数;其中,设置没有障碍物的分割场景的第一代价参数低,不具有可通过性的分区的第一代价参数为高,有可通过分区中,有可接触通过障碍物的分割场景的第一代价参数高。
具体的,电动轮椅偏转到各个分割场景的偏转角度越大则第二代价参数越大。
进一步地,对应单位偏转角度的单位代价参数由障碍物的空间特征决定,室内环境的单位代价参数大于室外环境(或者特别空旷的大面积室内环境,例如大剧场、室内广场等的室内环境),并且根据障碍物的大小和数量,容纳轮椅空间的大小和数量,来设定单位代价参数,空间环境中的障碍物大、数量多则单位代价参数大,容纳轮椅空间的大小和数量多则单位代价参数小,综合以上室内/室外,障碍物、容纳空间的情况,确定第二代价参数。
进一步地,第二代价参数的计算公式如下所示:
第二代价参数=Δ单位代价参数*α
其中,α表示电动轮椅偏转到各个分割场景的偏转角度。
S2032、将所述第一代价参数与所述第二代价参数按照权重进行累加,生成通过代价参数。
S2033、根据所述通过代价参数选择所述分割场景,生成所述全方位通行策略。
具体的,选择通过代价参数最小的分割场景,生成所述全方位通行策略。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。