CN115645235A - 面向多场景的智能移位机系统 - Google Patents
面向多场景的智能移位机系统 Download PDFInfo
- Publication number
- CN115645235A CN115645235A CN202211276086.1A CN202211276086A CN115645235A CN 115645235 A CN115645235 A CN 115645235A CN 202211276086 A CN202211276086 A CN 202211276086A CN 115645235 A CN115645235 A CN 115645235A
- Authority
- CN
- China
- Prior art keywords
- equal
- seat
- user
- intelligent
- sensor
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Abstract
本发明公开了一种面向多场景的智能移位机系统,包括传感器系统、升降装置、助行装置、移位装置和控制系统,其中,传感器系统包括扶手压力传感器、座位压力传感器和超声传感器;扶手压力传感器位于手柄内,用于检测手扶手柄压力FS1和手握扶手压力FS2;压力传感器位于智能移位机的座位上,用于分别测量臀部左右压力FT1和FT2;超声传感器用于检测使用者人员到座位前沿的距离的数值C;当FS1≠0,FS2=0,FT1、FT2=0,C≠0,控制系统启动起身功能模式;当FS1≠0,FS2≠0,FT1、FT2=0,C≠0,控制系统启动助行功能模式;当FS1≠0,FS2=0,FT1、FT2≠0,C=0,控制系统启动移位功能模式。
Description
技术领域
本发明涉及康复辅助器具和起身移位技术领域,尤其涉及面向多场景的智能移位机系统。
背景技术
生活自理体现人类自立与自尊,对于失能老年人的生活日常和心理健康更为重要。现有常见照护辅助器具由于应用环境复杂和设备操控困难,主要存在智能化低、安全性差、人机共融性不足等现状,极大限制了广泛应用。
本发明面向老年群体对健康生活的迫切需求,针对“辅具主动照护”典型场景中空间环境转换、人机紧密耦合、失能情况多样性等突出特点,设计辅助老年人起身、移位、如厕、助浴等日常行为的面向多场景的智能移位机系统。面向多场景的智能移位机系统是更安全和易用的智能老年照护机器人产品,将有助于老年人独立生活能力的显著改善。
发明内容
为实现本发明之目的,采用以下技术方案予以实现:
一种面向多场景的智能移位机系统,包括传感器系统、升降装置、助行装置、移位装置和控制系统,其中:传感器系统包括扶手压力传感器、座位压力传感器和超声传感器;
扶手压力传感器用于检测手扶手柄压力FS1和手握扶手压力FS2;压力传感器用于分别测量臀部左右压力FT1和FT2;超声传感器用于检测使用者到座位前沿的距离的数值C;
当FS1≠0,FS2=0,FT1、FT2=0,C≠0,控制系统启动起身功能模式;
当FS1≠0,FS2≠0,FT1、FT2=0,C≠0,控制系统启动助行功能模式;
当FS1≠0,FS2=0,FT1、FT2≠0,C=0,控制系统启动移位功能模式。
所述的智能移位机系统,其中在起身功能模式下:
当FS=1/2G时,升降电机抬升座板至最高时停止,升降电机锁定,移位驱动模块锁定,其中使用者体重为G,FS=FS1+FS2。
所述的智能移位机系统,其中在助行功能模式下:
超声传感器数值为C,控制系统判断使用者在安全范围内,助行装置控制左右行驶电机的驱动器工作,左右行驶电机开始向前行驶,为使用者行走提供动力;使用者离智能移位机过近或过远的时候,控制系统判断使用者位置不安全,有摔倒风险,助行装置控制左右行驶电机的驱动器禁止工作,左右行驶电机刹车。
所述的智能移位机系统,其中在移位功能模式下:
移位装置分开和关闭座位。
所述的智能移位机系统,其中在移位功能模式下:当启动座位打开功能时,智能移位机的行驶状态为禁止,只保留扶手的上升下降功能来调整座位的高低。
所述的智能移位机系统,其中在移位功能模式下:
当座位压力FT1+FT2达到使用者体重阈值G时,确认此时使用者已经坐好,准备座位打开;座位打开功能开启,此时继续检测座位两个压力传感器数值FT1和FT2,当FT1和FT2逐渐减小,座位打开功能确认安全,继续进行打开启动;若FT1和FT2有一个数值增大,座位打开功能暂停,由使用者或操作者调整体位,达到合适位置进行启动座位打开功能。
所述的智能移位机系统,其中:所述助行装置包括电机驱动系统,控制系统通过采样的臀部压力数值FT1、FT2,通过算法控制电机驱动系统,设功率谱比值为KP,则计算公式为:
其中,P(f)为功率谱范围,δf为积分范围,f0为功率谱最大值时的频率,即f0是的解,如果的解的个数>1,取使P(f)为最大值的f0,P0为功率谱在f0±σ的面积,σ为取定一个增量,P为整个功率谱面积;
设定此座位打开功能下的左臀部履带电机调速电流为It1,则有,
其中,A为电机驱动电流采样放大器放大系数,FT1为左臀部压力,G为体重估算值;
等效电机反馈参考电流为Itc1,,则有,
其中,B为电机驱动电流采样反馈系数,N为该段时间内的采样点数,Xi为第i个采样点的电压信号幅值;
设定此功能下的右臀部履带电机调速电流为It2,则有,
其中,A为电机驱动电流采样放大器放大系数,FT2为右臀部压力,G为体重估算值;
等效电机反馈参考电流为Itc2,,则有,
其中,B为电机驱动电流采样反馈系数,N为该段时间内的采样点数,Xi为第i个采样点的电压信号幅值。
所述的智能移位机系统,其中:采样电流控制策略为调速电流减去等效电机反馈参考电流,得到电流控制增益值ΔIt1、ΔIt2,作为控制变量输入给主控制器控制对应电机调速;
ΔIt1=It1-Itc1
ΔIt2=It2-Itc2。
所述的智能移位机系统,其中人体体重G的估算公式:
首先,设定体重模型数据预处理,超声波传感器测得人体距离智能移位机座位的距离Cx,K为模型卷积运算系数,W为卷积矩阵系数,B为偏置运算减除数,σ为池化运算系数,则有:
使用者泛体重数据特征值M为:
M=σ[K(W,Cx,“volid”)+B],其中,volid为缺省卷积运算类型;
其次,将上述步骤中的泛体重数据特征值和数据预处理ADL量表、用户自测体重数和初始信息做第二次矩阵模型运算推导,泛体重数据模型值Q为:
Q=ε[M,QADL,Qsel,Q0],其中,ε为池化运算系数,QADL为日常生活活动能力估值,Qsel为自测体重数,Q0为初始信息体重数;
再次,设定多数据融合下的体重估算模型算法,得出使用者泛体重特异性指标:
其中,P为泛体重特异性指标,LF为左侧扶手压力等效值,RF为右侧扶手压力等效值;Qcl为左侧泛体重数据特征值,Qcr为右侧泛体重数据特征值,Mcl为左侧泛体重数据模型值,Mcr为左侧泛体重数据模型值,λ为矫正系数;
当使用者为左手为主要发力侧时,λ=eLC/RC
当使用者为右手为主要发力侧时,λ=e1-LC/RC
其中,LC=∑i,j=0,1,2,3∑lj=li+1Ml(ij),RC=∑i,j=0,1,2,3∑rj=ri+1Mr(ij)
Ml(ij)为左侧扶手压力特征节点坐标,是li与左侧扶手压力特征节点lj的直线坐标系;Mr(ij)为右侧扶手压力特征节点坐标,ri与右侧扶手压力特征节点rj的直线坐标系;
设ki和kj是坐标(i,j)的网络节点之间的最短路径值,则有:
最后,所述的基于传感器融合的体重算法,得出使用者的体重估算值:
所述的智能移位机系统,其中,还包括结构化场景对象识别系统;所述的结构化场景对象识别系统包括数据分析模块和数据预处理模块,其中数据分析模块对数据预处理模块得到的信号进行分析处理包括:将预处理后的图像信息通过卷积网络模型进行特征提取,该网络模型包含三个卷积层、三个最大池化层。所述图像信息通过智能移位机上设置的多个摄像头实时获取;
设第一卷积层提取的识别物特征向量X0
[Nw T]=Feedback(J0 B0 Mc Mp Y)
其中,conv3为卷积运算,J0为卷积核矩阵参数,valid为卷积的运算类型,μ为输入的图像矩阵,B0为偏置参数,α为池化运算;β为卷积神经网络输出函数,Nw为训练后的卷积神经网络,Nw0为第一层初始训练后的卷积神经网络;T为训练后的卷积神经网络参数,T0为第一层初始训练后的卷积神经网络参数;Y为输入的结构化场景图片数据,Y0为初始输入的结构化场景图片数据;Mc为卷积核大小和层数,Mp为最大池化核大小和层数,Feedback()为反馈网络模型特征函数;
设第二卷积层提取的识别物特征向量X1
[Nw T]=Feedback(J1 B1 Mc Mp Y)
其中,conv3为卷积运算,J1为卷积核矩阵参数,valid为卷积的运算类型,μ为输入的图像矩阵,B1为偏置参数,α为池化运算;β为卷积神经网络输出函数,Nw为训练后的卷积神经网络,Nw1为第二层初始训练后的卷积神经网络;T为训练后的卷积神经网络参数,T1为第二层初始训练后的卷积神经网络参数;Y为入的结构化场景图片数据,Y1为第二层初始输入的结构化场景图片数据;Mc为卷积核大小和层数,Mp为最大池化核大小和层数。Feedback()为反馈网络模型特征函数;
设第三卷积层提取的识别物特征向量X2
[Nw T]=Feedback(J2 B2 Mc Mp Y)
其中,conv3为卷积运算,J2为卷积核矩阵参数,valid为卷积的运算类型,μ为输入的图像矩阵,B2为偏置参数,α为池化运算;β为卷积神经网络输出函数,Nw为训练后的卷积神经网络,Nw2为第三层初始训练后的卷积神经网络;T为训练后的卷积神经网络参数,T2为第三层初始训练后的卷积神经网络参数;Y为入的结构化场景图片数据,Y2为第二层初始输入的结构化场景图片数据;Mc为卷积核大小和层数,Mp为最大池化核大小和层数。Feedback()为反馈网络模型特征函数;
深化沉淀模型加权参数Cs计算公式为:
scre为对齐函数,mod为特征识别模式函数;
将积层提取的识别物特征向量与图像识别融合特征,设定融合识别特征值Cfig,则
Cfig=[C1 C2...CN],(N为整数),进行全链融合,得到最终融合特征Dfig,用矩阵表示为:
其中,i,j分别为空间维度融合特征、图像识别特征的维度,N为特征的数量。
一种智能移位机,该智能移位机包括如上所述的智能移位机系统。
附图说明
图1是面向多场景的智能移位机系统的设计方案;
图2是面向多场景的智能移位机系统机械本体的设计方法;
图3是座位打开状态的示意图;
图4是座位臀部支撑部分的示意图。
具体实施方式
下面结合附图1-4,对本发明的具体实施方式进行详细说明。所述实施方式是示例性地,仅用于解释本发明,而不能理解为对本发明的限制。显然,本发明所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本说明书中描述的“一种实施方式”或“一些实施方式”等意味着在本发明的一个或多个实施方式中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
如图1、2所示,本发明对于面向多场景的智能移位机本体,通过构建人体动力学模型,;对于运动机构,采用有限元建模仿真、运动分析、人体实验测量等手段,分析姿态转换过程中身体特征、受力变化、人机界面的生物力学特征,根据分析结果指导姿态转换过程中的转换模式,运用基于旋量理论、特征方位集等空间机构学理论,展开顺应性姿态调节机构和越障驱动机构设计,进行机构综合、优化结构参数、动力学分析,校核负载能力,完成模块化和工程化设计。
面向多场景的智能移位机系统包括传感器系统、升降装置、助行装置、移位装置和控制系统。智能移位机系统安装在智能移位机上,智能移位机包括机架、座板和轮子,2个轮子分别可转动的安装在机架两侧,座板安装在机架上,座板包括左侧的第一座板和右侧的第二座板,第一座板和第二座板分别通过升降电机1、升降电机2驱动升降。第一轮和第二轮分别通过左电机和右电机驱动。
所述的面向多场景的智能移位机系统,其中,传感器系统包括扶手压力传感器、座位压力传感器和超声传感器。
扶手压力传感器位于手柄内,用于检测手扶着手柄所产生的压力,本发明将手扶扶手(半握、手掌用力)压力数值设为FS1;手握紧扶手(全握、手指用力)数值设为FS2。扶手压力传感器包括2种,一种是测量手扶扶手压力数值的传感器,通常为开关式压力传感器,测量力大小的具体数值,安装在手柄连接杆与移位机主体的连接处;以及测量扶手力矩的三维力传感器也位于此处,用于测量扶手压力力矩的大小。另一种是测量扶手握紧力的薄膜压力传感器,安装在扶手前端使用者的握持处,用于测量在一定面积上是否存在压力的变化。测量电机力矩的三维力传感器安装在电机安装轴与主体机构的连接处,用于测量左右电机安装轴的受力力矩数据,作为基础电机数据,保存至主控制器中,是预留用的改进参考数据。
座位(臀部)压力传感器位于智能移位机的座位的第一座板和第二座板上,有人坐下时,臀部左、右压力传感器产生电信号,数值分别设为FT1和FT2;超声传感器位于面向多场景的智能移位机系统座位前端,用于检测智能移位机前方人员的距离,设超声传感器检测到的前方人员到座位前沿的距离的数值为C。
所述的面向多场景的智能移位机系统,其中:当FS1≠0,FS2=0,FT1、FT2=0,C≠0,控制系统启动起身功能模式;
所述的面向多场景的智能移位机系统,其中:当FS1≠0,FS2≠0,FT1、FT2=0,C≠0,控制系统启动助行功能模式;
所述的面向多场景的智能移位机系统,其中:当FS1≠0,FS2=0,FT1、FT2≠0,C=0,控制系统启动移位功能模式。
1、起身功能模式
此时,使用者手扶扶手,不全握住扶手,设定使用者体重为G。升降电机1、升降电机2降到最低。
设FS=FS1+FS2。当FS=1/2G时,升降电机1、升降电机2开始上升,抬升第一座板和第二座板,至最高时停止,升降电机1、升降电机2锁定,移位驱动模块锁定(控制左右行驶电机的驱动器禁止工作,防止移位机发生移动,让使用者重心不稳)。
2、助行功能模式
若使用者双手全握扶手,开始主动推智能移位机行走,启动助行功能模式,此时智能移位机按照使用者操作助行器的模式辅助使用者步行。超声传感器位于面向多场景的智能移位机系统座位前端,用于检测智能移位机前方人员的距离,设超声传感器数值为C,C数值在50cm-100cm范围内时,智能移位机判断使用者在安全范围内,助行装置控制左右行驶电机的驱动器工作,左右行驶电机开始向前行驶,为使用者行走提供动力。当C数值不在50cm-100cm范围内时,即使用者离智能移位机过近或过远的时候,智能移位机判断使用者位置不安全,有摔倒风险,助行装置控制左右行驶电机的驱动器禁止,左右行驶电机刹车,保障使用者安全。
3、移位功能模式
若使用者选择坐在智能移位机的座位上,FT1、FT2≠0,C=0,智能移位机开启移位功能模式,此时智能移位机按照使用者使用轮椅和移乘机的常规习惯操作。即,使用者转身180度,坐在智能移位机的座位上,操作扶手上的控制器控制智能移位机的移动和座位上臀部座板的移乘功能。
座位部分的特殊设计:图3是座位打开状体示意图,本发明设计了臀部开合支撑结构和物理支撑界面,具备“无感觉”的接触支撑,第一座板和第二座板并拢后构成整个座板,可供使用者坐于其上,打开机构可分开和关闭座位,即把座位分为左右两个座板或者合并后形成一个整块座板,由此可将使用者的臀部从床、椅上移乘至卫生间的马桶和洗浴椅上。左右座板上分别安装1个压力传感器和1个陀螺仪。
当启动座位打开功能,智能移位机的行驶状态为禁止,只保留扶手的上升下降功能来调整座位的高低(扶手与智能移位机主体部分是固定的,相对位置固定,调节座椅高低的时候,扶手也随着座位高低而变化)。当座位压力FT1+FT2达到使用者体重阈值G时(G为使用者体重估算值),确认此时使用者已经坐好,准备座位打开。座位打开功能开启,此时继续分析座位两个压力传感器数值FT1和FT2,当FT1和FT2逐渐减小,座位打开功能确认安全,继续进行打开启动;若FT1和FT2有一个数值增大,说明使用者体位不正,有倾倒危险,座位打开功能暂停,由使用者或操作者调整体位,达到合适位置进行启动座位打开功能。
座位打开机构包括驱动电机部分,用于驱动座位的打开和关闭。
控制系统通过采样的臀部压力数值FT1、FT2,通过算法控制电机驱动系统。设陀螺仪测得FT1、FT2受力方向与垂直线的夹角为φ,如图4所示。
在频域中,由于功率谱的分布相对比较稳定,所以最大值附近的功率谱能量在整体信号中的比重也比较稳定,不受最大值具体出现位置的影响,因此,采用频域分析法中的功率谱比值法完成进行电路采样的特征值提取,设定功率谱比值为KP,则计算公式为:
其中,P(f)为功率谱范围,δf为积分范围,f0为功率谱最大值时的频率,即f0是的解,如果的解的个数>1,那么取使P(f)为最大值的f0。P0为功率谱在f0±σ的面积,σ为取定一个增量。P为整个功率谱面积。
设定此座位打开功能下的左臀部履带电机调速电流为It1,则有,
其中,A为电机驱动电流采样放大器放大系数,FT1为左臀部压力,G为体重估算值。
等效电机反馈参考电流为Itc1,,则有,
其中,B为电机驱动电流采样反馈系数,N为该段时间内的采样点数,Xi为第i个采样点的电压信号幅值。
设定此功能下的右臀部履带电机调速电流为It2,则有,
其中,A为电机驱动电流采样放大器放大系数,FT2为右臀部压力,G为体重估算值。
等效电机反馈参考电流为Itc2,,则有,
其中,B为电机驱动电流采样反馈系数,N为该段时间内的采样点数,Xi为第i个采样点的电压信号幅值。采样电流控制策略为调速电流减去等效电机反馈参考电流,得到电流控制增益值ΔIt1、ΔIt2,作为控制变量输入给主控制器控制对应电机调速。
ΔIt1=It1-Itc1
ΔIt2=It2-Itc2
人体体重G的估算公式:
首先,设定体重模型数据预处理,超声波传感器测得人体距离智能移位机座位的距离Cx,K为模型卷积运算系数,W为卷积矩阵系数,B为偏置运算减除数,σ为池化运算系数,则有:
使用者泛体重数据特征值M为
M=σ[K(W,Cx,“volid”)+B],其中,volid为缺省卷积运算类型。
其次,将上述步骤中的泛体重数据特征值和数据预处理ADL(日常生活活动能力)量表、用户自测体重数和初始信息做第二次矩阵模型运算推导,泛体重数据模型值Q为:
Q=ε[M,QADL,Qsel,Q0],其中,ε为池化运算系数,QADL为日常生活活动能力估值,Qsel为自测体重数,Q0为初始信息体重数(可为用户输入数值)。
再次,设定多数据融合下的体重估算模型算法,得出使用者泛体重特异性指标:
其中,P为泛体重特异性指标,LF为左侧扶手压力等效值,RF为右侧扶手压力等效值。Qcl为左侧泛体重数据特征值,Qcr为右侧泛体重数据特征值,Mcl为左侧泛体重数据模型值,Mcr为左侧泛体重数据模型值,λ为矫正系数。
当使用者为左手为主要发力侧时,λ=eLC/RC
当使用者为右手为主要发力侧时,λ=e1-LC/RC
其中,LC=∑i,j=0,1,2,3∑lj=li+1Ml(ij),RC=∑i,j=0,1,2,3∑rj=ri+1Mr(ij)
Ml(ij)为左侧扶手压力特征节点坐标,是li与左侧扶手压力特征节点lj的直线坐标系;Mr(ij)为右侧扶手压力特征节点坐标,ri与右侧扶手压力特征节点rj的直线坐标系。
设ki和kj是坐标(i,j)的网络节点之间的最短路径值,则有:
最后,所述的基于传感器融合的体重算法,得出使用者的体重估算值:
本发明面向多场景的智能移位机,可以进行卫浴马桶、面盆、淋浴房等室内结构化场景对象识别。因此设置有结构化场景对象识别系统。所述的结构化场景对象识别系统包括数据分析模块和数据预处理模块,其中数据分析模块对数据预处理模块得到的信号进行分析处理包括:将预处理后的图像信息通过卷积网络模型进行特征提取,该网络模型包含三个卷积层、三个最大池化层。所述图像信息通过智能移位机上设置的多个摄像头实时获取。
设第一卷积层提取的识别物特征向量X0。
[Nw T]=Feedback(J0 B0 Mc Mp Y)
其中,conv3为卷积运算,J0为卷积核矩阵参数,valid为卷积的运算类型,μ为输入的图像矩阵,B0为偏置参数,α为池化运算;β为卷积神经网络输出函数,Nw为训练后的卷积神经网络,Nw0为第一层初始训练后的卷积神经网络;T为训练后的卷积神经网络参数,T0为第一层初始训练后的卷积神经网络参数;Y为输入的结构化场景图片数据,Y0为初始输入的结构化场景图片数据;Mc为卷积核大小和层数,Mp为最大池化核大小和层数。Feedback()为反馈网络模型特征函数。
设第二卷积层提取的识别物特征向量X1。
[Nw T]=Feedback(J1 B1 Mc Mp Y)
其中,conv3为卷积运算,J1为卷积核矩阵参数,valid为卷积的运算类型,μ为输入的图像矩阵,B1为偏置参数,α为池化运算;β为卷积神经网络输出函数,Nw为训练后的卷积神经网络,Nw1为第二层初始训练后的卷积神经网络;T为训练后的卷积神经网络参数,T1为第二层初始训练后的卷积神经网络参数;Y为入的结构化场景图片数据,Y1为第二层初始输入的结构化场景图片数据;Mc为卷积核大小和层数,Mp为最大池化核大小和层数。Feedback()为反馈网络模型特征函数。
设第三卷积层提取的识别物特征向量X2。
[Nw T]=Feedback(J2 B2 Mc Mp Y)
其中,conv3为卷积运算,J2为卷积核矩阵参数,valid为卷积的运算类型,μ为输入的图像矩阵,B2为偏置参数,α为池化运算;β为卷积神经网络输出函数,Nw为训练后的卷积神经网络,Nw2为第三层初始训练后的卷积神经网络;T为训练后的卷积神经网络参数,T2为第三层初始训练后的卷积神经网络参数;Y为入的结构化场景图片数据,Y2为第二层初始输入的结构化场景图片数据;Mc为卷积核大小和层数,Mp为最大池化核大小和层数。Feedback()为反馈网络模型特征函数。
深化沉淀模型加权参数Cs计算公式为:
scre为对齐函数,mod为特征识别模式函数。
将积层提取的识别物特征向量与图像识别融合特征,设定融合识别特征值Cfig,则
Cfig=[C1 C2...CN],(N为整数),进行全链融合,得到最终融合特征Dfig,用矩阵表示为:
其中,i,j分别为空间维度融合特征、图像识别特征的维度,N为特征的数量。
通过已有的室内结构化场景训练集对本发明的网络模型进行训练。首先,前置采集录入。采集室内结构化场景中具有特征识别作用的识标识物体上传至信息库,例如,室内卫生间、卧室的门口,卫生间的马桶、面盆和洗浴椅。第二,操作智能移位机进行适应性学习,使用者或护理员操作智能移位机完成一次室内结构化使用场景过程练习,记录实际场景的图像信息,并提示识别效果。第三,按实际需求使用智能移位机,每次操作后智能移位机自主学习迭代信息。
本发明还针对老年人使用智能移位机辅助起身、移位助行、减重支撑和平稳转乘制定了三种控制策略,能够实现人机交互的自然柔顺性,判定智能移位机的使用状态。
如前所述,智能移位机有三种状态:1、起身功能模式;2、助行功能模式;3、移位转乘模式。
(1)当智能移位机状态为起身功能模式时,系统生成辅助起身控制策略方法,包括以下步骤:
将扶手压力和驱动电机力矩信息分别标记为Ff、Fq,三维力传感器的自定义坐标系(x y z)下的输出的力和力矩信息包含了x、y和z方向上的分力Ffx、Ffy、Ffz,Fqx、Fqy、Fqz和x、y、z方向的分力矩εfx、εfy、εfz,εqx、εqy、εqz。即,Ff=[Ffx,Ffy,Ffz,εfx,εfy,εfz],Fq=[Fqx,Fqy,Fqz,εqx,εqy,εqz];
从三维力传感器到直流驱动电机的运动学矩阵为Jfq,使用者起立位置中心点到三维力传感器的位姿传递矩阵为Tfq,控制增益调节系数矩阵为Kfq,则辅助行走控制策略控制力εstand的计算公式如下:
增益控制系数矩阵Kfq:
|Xm|、|Ym|、|Zm|为扶手力传感器中心点三维坐标系xyz在对应系统坐标系xyz下的位置绝对值。|At|、|Bt|、|Ct|为驱动电机前向作用力中心点三维坐标系xyz在对应系统坐标系xyz下的位置绝对值。
增益控制系数矩阵Kfq是为了让使用者在起身意图确认时,在对角矩阵维度上触发控制模型输出控制增益,系统整体协调智能移位机辅助站立,保障智能移位机稳定提供扶手上升力矩输出,同时保障驱动电机刹车抱死,完成辅助起立的控制机理。
(2)当智能移位机状态为助行模式时,系统生成移位助行控制策略方法,包括以下步骤:
在移位助行模式下,扶手压力输出平稳,而驱动电机输出随步态速度和路况改变而变化。设驱动电机输出力矩信息分别标记为Fw,移动坐标系原点对应电机输出力矩坐标系矢量为Rw=(Rwx Rwy Rwz)
电机输出力矩阻尼系数分别为
其中,ωx、ωy、ωz分别为对应x、y、z轴的角速度分量
移位助行控制策略控制模型εmove的计算同时需要考虑实时的使用者主动推力Fzd在X、Y、Z方向上的分量,标记为[τx,τy,τz],以保证使用者的推力恒定控制调节有效,εmove计算如下:
使用者通过施加助推力,即使用者手扶扶手的压力和向前推力的合力,使用者操作智能移位机起步时助推力较大,随着步态稳定后,助推力减小至平稳;停止过程中,助推力稍微增大后逐渐降低至0。这一过程中,电机在使用者步行稳定期间,使得控制系统提供电机额定输出电流,到达控制策略控制力稳定的作用,并且能够把使用者的步行运动控制在正常距离范围内,该范围根据不同的使用者身体条件特征能够进行个性化设定范围,实现移位助行的辅助功能。
(3)当智能移位机状态为移位转乘模式时,系统生成转乘控制策略方法,包括的步骤如下:
①臀部支撑、移乘、转乘控制策略控制力包含两部分,第一部分是座板在移乘支撑时的静态压力,第二部分是座板在转乘支撑时的动态剪切力;
②使用者在静态座位条件下的竖直方向重力为G0,设定静态系数IF1,0≤IF1≤1,
③在转乘过程中,使用者臀部受到智能移位机打开机构的动态运动影响,使用者臀部在竖直方向的受力呈动态变化,设定转乘支撑动态系数IF2,IF2>0;设定转乘支撑动态修正系数IF3,0≤IF3≤1该部分支撑动态力Fshear的计算公式为:
其中,Fx、Fy、Fz分别是X、Y、Z方向上的分力,d(Vx)、d(Vy)、d(Vz)为在x方向上的加速度。
④转乘支撑动态剪切力的控制策略εshear的计算公式为:
其中,n=1、2、3……,t为时间常数
综合三种控制策略,实现起身、移位、转乘的控制系统,满足特征控制模型为:
本发明的优点是:
(1)使用时域和频域的综合采样电流和反馈电流计算方法,有助于控制系统对电流微弱变化的有效识别,增大控制系统执行命令的空间维度,使得控制策略运用算法精准度有效提升。
(2)采用多源特征深度神经网络融合算法对结构化对象识别数据信息进行特征融合,充分发挥多源数据的关联性和异构数据的互补性。
(3)根据室内结构化信息录入,录入数据的特征值明显,对智能移位机在室内执行对象识别结果的预测,更具有针对性和高识别率。
(4)利用本发明的方法和系统,能够通过收集室内固定结构化数据信息,根据信息的特征值等级采取不同的路径规划方案,并通过机器学习完成自适应的对象识别方案,实现对接移乘装置准确连续,提高设备的适老化交互水平。
(5)本发明采用辅助行走控制策略、移位助行控制策略和移位助行控制策略及其综合一体化控制策略融合,极大方便使用者依靠智能移位机完成日常自理照护的活动,避免了转乘过程中依靠人力或使用者自身的过多参与,多种控制策略切换造成的训练患者体验不适;同时,三种控制方法是连续控制策略模型,有利于系统整体的协调控制和提高使用舒适度。
以上,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (3)
1.一种面向多场景的智能移位机系统,包括传感器系统、升降装置、助行装置、移位装置和控制系统,其特征在于:传感器系统包括扶手压力传感器、座位压力传感器和超声传感器;
扶手压力传感器用于检测手扶手柄压力FS1和手握扶手压力FS2;压力传感器用于分别测量臀部左右压力FT1和FT2;超声传感器用于检测使用者到座位前沿的距离的数值C;
当FS1≠0,FS2=0,FT1、FT2=0,C≠0,控制系统启动起身功能模式;
当FS1≠0,FS2≠0,FT1、FT2=0,C≠0,控制系统启动助行功能模式;
当FS1≠0,FS2=0,FT1、FT2≠0,C=0,控制系统启动移位功能模式。
2.根据权利要求1所述的智能移位机系统,其特征在于在起身功能模式下:
当FS=1/2G时,升降电机抬升座板至最高时停止,升降电机锁定,移位驱动模块锁定,其中使用者体重为G,FS=FS1+FS2。
3.根据权利要求1所述的智能移位机系统,其特征在于在助行功能模式下:
超声传感器数值为C,控制系统判断使用者在安全范围内,助行装置控制左右行驶电机的驱动器工作,左右行驶电机开始向前行驶,为使用者行走提供动力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276086.1A CN115645235A (zh) | 2022-10-18 | 2022-10-18 | 面向多场景的智能移位机系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276086.1A CN115645235A (zh) | 2022-10-18 | 2022-10-18 | 面向多场景的智能移位机系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115645235A true CN115645235A (zh) | 2023-01-31 |
Family
ID=84988475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211276086.1A Pending CN115645235A (zh) | 2022-10-18 | 2022-10-18 | 面向多场景的智能移位机系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115645235A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116849937A (zh) * | 2023-05-18 | 2023-10-10 | 国家康复辅具研究中心 | 轮椅助行器一体机 |
-
2022
- 2022-10-18 CN CN202211276086.1A patent/CN115645235A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116849937A (zh) * | 2023-05-18 | 2023-10-10 | 国家康复辅具研究中心 | 轮椅助行器一体机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hirata et al. | Fall prevention control of passive intelligent walker based on human model | |
Krishnan et al. | Mobility assistive devices and self-transfer robotic systems for elderly, a review | |
Wakita et al. | Human-walking-intention-based motion control of an omnidirectional-type cane robot | |
Kumar et al. | Assistive devices for people with motor disabilities | |
Suzuki et al. | Intention-based walking support for paraplegia patient | |
Frizera et al. | The smart walkers as geriatric assistive device. the simbiosis purpose | |
Page et al. | Smart walkers: an application-oriented review | |
CN115645235A (zh) | 面向多场景的智能移位机系统 | |
Yashoda et al. | Design and development of a smart wheelchair with multiple control interfaces | |
Chuy et al. | Approach in assisting a sit-to-stand movement using robotic walking support system | |
Hirata et al. | Motion control of intelligent walker based on renew of estimation parameters for user state | |
Tang et al. | Motion control of walking assistant robot based on comfort | |
Chugo et al. | A motion control of a robotic walker for continuous assistance during standing, walking and seating operation | |
Alves et al. | Overview of the asbgo++ smart walker | |
Chuy et al. | Control of walking support system based on variable center of rotation | |
Nakamura et al. | A stabilization control of two wheels driven wheelchair | |
Alwan et al. | Stability Margin Monitoring in Steering-Controlled Intelligent Walkers for the Elderly. | |
Rahman et al. | Design, Analysis, and Control of Biomedical Healthcare Modular Wheelchair with Posture Transformation | |
Yan et al. | Laser and force sensors based human motion intent estimation algorithm for walking-aid robot | |
Abdul Ghani et al. | Simulation and control of multipurpose wheelchair for disabled/elderly mobility | |
Zhang et al. | Neural network-based hybrid human-in-the-loop control for meal assistance orthosis | |
Alves et al. | Considerations and mechanical modifications on a smart walker | |
Budiharto | Intelligent controller of electric wheelchair from manual wheelchair for disabled person using 3-axis joystick | |
Ekelem et al. | Variable geometry stair ascent and descent controller for a powered lower limb exoskeleton | |
Lee et al. | A system for gait rehabilitation: mobile manipulator approach |
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 |