CN116520681B - 轮椅自动行驶控制方法及装置、自动行驶轮椅 - Google Patents
轮椅自动行驶控制方法及装置、自动行驶轮椅 Download PDFInfo
- Publication number
- CN116520681B CN116520681B CN202310802018.2A CN202310802018A CN116520681B CN 116520681 B CN116520681 B CN 116520681B CN 202310802018 A CN202310802018 A CN 202310802018A CN 116520681 B CN116520681 B CN 116520681B
- Authority
- CN
- China
- Prior art keywords
- wheelchair
- action
- predicted
- obstacle
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000009471 action Effects 0.000 claims abstract description 75
- 230000003993 interaction Effects 0.000 claims abstract description 59
- 230000007613 environmental effect Effects 0.000 claims abstract description 44
- 230000002452 interceptive effect Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000002829 reductive effect Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000003068 static effect Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P.I., P.I.D.
-
- 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
- A61G5/00—Chairs or personal conveyances specially adapted for patients or disabled persons, e.g. wheelchairs
- A61G5/04—Chairs or personal conveyances specially adapted for patients or disabled persons, e.g. wheelchairs motor-driven
-
- 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
- A61G5/00—Chairs or personal conveyances specially adapted for patients or disabled persons, e.g. wheelchairs
- A61G5/10—Parts, details or accessories
- A61G5/1051—Arrangements for steering
-
- 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
- A61G2203/00—General characteristics of devices
- A61G2203/10—General characteristics of devices characterised by specific control means, e.g. for adjustment or steering
- A61G2203/22—General characteristics of devices characterised by specific control means, e.g. for adjustment or steering for automatically guiding movable devices, e.g. stretchers or wheelchairs in a hospital
-
- 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
本发明属于自动控制技术领域，公开了一种轮椅自动行驶控制方法及装置、自动行驶轮椅，通过在轮椅自动行驶移动的过程中，实时采集轮椅周边的三维环境信息，从中提取环境特征，若判定存在障碍物，从轮椅的当前姿态信息中提取姿态特征；将环境特征与姿态特征输入预先训练的预测模型，预测轮椅与障碍物的预测交互动作；最后计算预测交互动作的置信度，若置信度超过指定阈值，控制轮椅执行预测交互动作，从而基于预测模型来预测不同交互场景下的交互动作，包括避让、停止、穿行、跟随或待命等动作，使得对环境的检测与理解更加多样化，对于不同交互场景下均可精确控制，从而提高安全性与鲁棒性。
Description
技术领域
本发明属自动控制技术领域，具体涉及一种轮椅自动行驶控制方法及装置、自动行驶轮椅。
背景技术
随着科技的发展，电动轮椅也搭载了自动行驶技术，专门用来为行动不便的人士服务。目前，在轮椅自动行驶移动的过程中，设置于轮椅上的传感器一般能够实时检测环境信息，自动检测环境中存在的障碍物并自动避开障碍物，以免和障碍物发生碰撞。
具体的，当轮椅发现障碍物时，能够检测轮椅与障碍物的距离，并与设定的安全距离作比较，当轮椅与障碍物的距离达到安全距离时轮椅会转动一个适当的角度，继续向前走到合适的距离处再回到原设的规划路径上，达到较为完整连贯的自动避障控制策略。
但是在实践中发现，现有技术中只能单一的检测适用于自动避障控制策略的场景，对于其它的场景并没有过多的实际解决方案，也即对环境的检测与理解过于单一，不能为自动行驶轮椅的自动导航与控制提供更多环境依据，因此导致安全性与鲁棒性不够。
发明内容
本发明的目的在于提供一种轮椅自动行驶控制方法及装置、自动行驶轮椅，可以对环境的检测与理解更加多样化，从而提高安全性与鲁棒性。
本发明第一方面公开一种轮椅自动行驶控制方法，包括：
在轮椅自动行驶移动的过程中，实时采集轮椅周边的三维环境信息；
从所述三维环境信息中提取环境特征；
若根据所述环境特征判定环境中存在障碍物，获取轮椅的当前姿态信息；
从所述当前姿态信息中提取姿态特征；
将所述环境特征与所述姿态特征输入预先训练的预测模型，获得预测结果；
根据所述预测结果，确定所述轮椅与所述障碍物的预测交互动作；其中，所述预测交互动作包括避让动作、停止动作、穿行动作、跟随动作或待命动作；
计算所述预测交互动作的置信度；
当所述置信度超过指定阈值时，控制所述轮椅执行所述预测交互动作对应的响应步骤。
本发明第二方面公开一种轮椅自动行驶控制装置，包括：
采集单元，用于在轮椅自动行驶移动的过程中，实时采集轮椅周边的三维环境信息；
第一提取单元，用于从所述三维环境信息中提取环境特征；
获取单元，用于在根据所述环境特征判定环境中存在障碍物时，获取轮椅的当前姿态信息；
第二提取单元，用于从所述当前姿态信息中提取姿态特征；
预测单元，用于将所述环境特征与所述姿态特征输入预先训练的预测模型，获得预测结果；
确定单元，用于根据所述预测结果，确定所述轮椅与所述障碍物的预测交互动作；其中，所述预测交互动作包括避让动作、停止动作、穿行动作、跟随动作或待命动作；
计算单元，用于计算所述预测交互动作的置信度；
交互响应单元，用于在所述置信度超过指定阈值时，控制所述轮椅执行所述预测交互动作对应的响应步骤。
本发明第三方面公开一种自动行驶轮椅，包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行第一方面公开的轮椅自动行驶控制方法。
本发明第四方面公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行第一方面公开的轮椅自动行驶控制方法。
本发明的有益效果在于，通过在轮椅自动行驶移动的过程中，实时采集轮椅周边的三维环境信息，从三维环境信息中提取环境特征，若根据环境特征判定环境中存在障碍物，从轮椅的当前姿态信息中提取姿态特征；然后，将环境特征与姿态特征输入预先训练的预测模型，预测轮椅与障碍物的预测交互动作；最后，计算预测交互动作的置信度，当置信度超过指定阈值时，控制轮椅执行预测交互动作，从而基于预先训练的预测模型，来预测不同交互场景下的交互动作，包括避让动作、停止动作、穿行动作、跟随动作或待命动作等，因此可以使得对环境的检测与理解更加多样化，对于不同交互场景下均可精确控制，从而提高安全性与鲁棒性。
附图说明
此处的附图，示出了本发明所述技术方案的具体实例，并与具体实施方式构成说明书的一部分，用于解释本发明的技术方案、原理及效果。
除非特别说明或另有定义，不同附图中，相同的附图标记代表相同或相似的技术特征，对于相同或相似的技术特征，也可能会采用不同的附图标记进行表示。
图1是本发明实施例公开的一种轮椅自动行驶控制方法的流程图；
图2是本发明实施例公开的一种轮椅自动行驶控制装置的结构示意图；
图3是本发明实施例公开的一种自动行驶轮椅的结构示意图。
附图标记说明：
201、采集单元；202、第一提取单元；203、获取单元；204、第二提取单元；205、预测单元；206、确定单元；207、计算单元；208、交互响应单元；301、存储器；302、处理器。
具体实施方式
为了便于理解本发明，下面将参照说明书附图对本发明的具体实施例进行更详细的描述。
除非特别说明或另有定义，本文所使用的所有技术和科学术语与所属技术领域的技术人员通常理解的含义相同。在结合本发明的技术方案以现实的场景的情况下，本文所使用的所有技术和科学术语也可以具有与实现本发明的技术方案的目的相对应的含义。本文所使用的“第一、第二…”仅仅是用于对名称的区分，不代表具体的数量或顺序。本文所使用的术语“和／或”包括一个或多个相关的所列项目的任意的和所有的组合。
需要说明的是，当元件被认为“固定于”另一个元件，它可以是直接固定在另一个元件上，也可以是存在居中的元件；当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件，也可以是同时存在居中元件；当一个元件被认为是“安装在”另一个元件，它可以是直接安装在另一个元件，也可以是同时存在居中元件。当一个元件被认为是“设在”另一个元件，它可以是直接设在另一个元件，也可以是同时存在居中元件。
除非特别说明或另有定义，本文所使用的“所述”、“该”为相应位置之前所提及或描述的技术特征或技术内容，该技术特征或技术内容与其所提及的技术特征或技术内容可以是相同的，也可以是相似的。此外，本文所使用的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明实施例公开一种轮椅自动行驶控制方法。该方法的执行主体可为自动行驶轮椅（以下简称轮椅）或与轮椅通信连接的电子设备，如计算机电脑、笔记本电脑、平板电脑等设备，或内嵌于轮椅中的控制装置，或内嵌于电子设备中的控制装置，本发明对此不作限定。
如图1所示，该方法包括以下步骤110~180：
110、在轮椅自动行驶移动的过程中，实时采集轮椅周边的三维环境信息。
在本发明实施例中，在执行步骤110之前，还可以执行以下步骤101~103：
101、获取用户基于人机交互方式输入的目的地信息。
用户可以基于人机交互方式输入目的地信息，其中，人机交互方式包括但不限于如脑控、声控、眼控、手势或触控等交互方式。
获取用户输入的目的地信息的具体实施方式可以为：如果采用脑控交互方式输入，则在用户头皮附近位置放置感应电极或者由用户戴上可穿戴设备（如脑电头套或脑电头环），通过感应电极或可穿戴设备检测和记录用户的脑电波信号，基于SSVEP/P300/运动想象等方式，通过对脑电波信号进行解码解析获得解析结果，该解析结果用于表征用户的意图，根据解析结果识别出目的地信息，包括楼层号和/或房间号等，如“第三层眼科门诊室”。
如果采用声控交互方式输入，则接收并识别用户的语音命令，提取地址关键词并查询数据库，解析出目的地信息。
如果采用手势或触控交互方式输入，可以在电子屏的用户操作界面上显示提供的目的地选项，用户可以通过手势操作或触摸点击电子屏从而选择目的地选项，如层号、房间号、地名等。因此，接收并识别用户的手势指令或触摸指令，确定用户选中的目的地选项后查询数据库，确定目的地信息。
在一些实施例中，也可以采用在电子屏上展示输入框，由用户在输入框中写入目的地信息等其它交互方式，本发明不作过多限定。
102、根据目的地信息，确定导航路径。
在本发明实施例中，轮椅上设置有各类传感器，包括但不限于摄像头、激光雷达、红外传感器、超声波传感器等。通过多种传感器的信息融合，可以提高检测性能。因此在步骤102之前，可以通过设置于轮椅上的传感器，以预设频率持续扫描周边环境，从而检测轮椅周边的各种障碍物，包括固定放置的静止障碍物和可移动的移动障碍物，比如可移动的行人、手术床等等。然后，根据轮椅周边的各种障碍物和轮椅自身的定位结果，采用即时定位与地图构建（simultaneous localization and mapping，SLAM）算法构建3D地图，用于表达环境三维空间分布情况。
基于此，步骤102具体可以包括：根据目的地信息在构建的3D地图中计算获得全局最优路径，根据全局最优路径确定导航路径。其中，可采用寻路或快速搜索随机树（Rapid-exploration Random Tree，RRT）等路径规划方法计算获得全局最优路径。
103、控制轮椅按照导航路径自动行驶移动。
优选的，可以输出导航路径在电子屏上，以及控制轮椅按照导航路径自动行驶移动。在轮椅自动行驶移动的过程中，还可以根据路径规划的结果（即导航路径），实时跟踪轮椅的实际路径，并通过PID控制原理实时计算控制量，对轮椅电机进行精确运动控制。
其中，PID是比例 (Proportion) 、积分(Integral) 、微分(Differential) 的缩写，分别代表了三种控制算法。即根据实际路径与导航路径的误差、误差的积分及误差的微分三个反馈信号输出控制量，通过这三个算法的组合可有效地纠正轮椅的路径偏差，从而使其达到一个较为稳定的状态。
具体的，步骤103可以包括以下步骤1031~1033：
1031、获取轮椅的实际路径，实时根据导航路径和实际路径，计算路径跟踪误差，包括距离误差和航向误差。
1032、按照比例项、积分项、微分项的函数关系对路径跟踪误差进行运算，获得目标控制量。
其中，目标控制量等于比例项、积分项与微分项输出的控制信号之和。
比例项输出的控制信号与输入的路径跟踪误差成正比，能迅速反映偏差，从而减小偏差。
积分项输出的控制信号的作用主要是为了消除稳态误差，当路径跟踪误差稳定时产生的控制信号使实际状态慢慢接近理想状态，积分作用的强弱，取决于积分时间常数Ti，Ti越大积分作用越弱，反之则越强。
微分项输出的控制信号的作用能反映偏差信号的变化趋势（变化速率），并能在偏差信号的值变得太大之前，在系统中引入一个有效的早期修正信号，从而加快系统的动作速度，减小调节时间。
1033、根据目标控制量生成控制指令，输出控制指令控制轮椅自动行驶移动。
通过实施步骤1031~1033，可以实时读取实时路径点和轮椅位姿数据，更新控制量，持续稳定路径跟踪，使得轮椅达到一个较为稳定的状态，尽可能的沿着导航路径行驶，可以提高控制精确度。
步骤110中，在轮椅自动行驶移动的过程中，可以采用至少两种传感器（包括3D摄像头、激光雷达等）实时获取轮椅周边的三维空间数据，包括但不限于3D摄像头获取的图像信息、激光雷达扫描获得的三维点云数据；然后将图像信息和三维点云数据根据坐标位置进行对齐融合处理，获得三维环境信息。
通过将图像信息和三维点云数据进行融合处理，融合后的信息表达，可以使得环境空间结构更加准确全面，有利于特征提取。
120、从三维环境信息中提取环境特征。
本步骤中可以采用卷积神经网络对融合后获得的三维环境信息进行特征提取获得环境特征。随后根据环境特征判断道路和障碍物在图像中的坐标位置、障碍物类型等，实现对环境信息的精确理解。具体的，在执行步骤120之后，还可以执行以下步骤121~124：
121、根据环境特征确定道路形状和轮廓曲率特征，并根据道路形状和轮廓曲率特征，识别道路边界和道路类型。
具体的，若道路形状用于表征距离较长且轮廓曲率特征用于表征曲率接近于零，识别出道路类型为直道；若道路形状用于表征圆曲线形状且轮廓曲率特征用于表征曲率变化较大，识别出道路类型为弯道；若道路形状用于表征多道路交汇且轮廓曲率特征用于表征环境复杂，识别出道路类型为岔路口。
122、根据环境特征确定障碍物在三维环境信息中的坐标位置，并跟踪多个帧的位置变化，确定障碍物的运动方向和速度。
123、根据障碍物的运动方向和速度，判断障碍物是否位于或即将位于道路边界中。
124、若障碍物位于或即将位于道路边界中，判定轮椅周边的环境中存在障碍物。
接着，可以进一步确定道路与障碍物的空间关系，也即判断障碍物与道路、轮椅的空间位置关系，如障碍物在道路中间、道路前方或轮椅左右侧。
以及，还可以根据环境特征确定障碍物特征，并根据障碍物特征识别障碍物类型。具体的，若障碍物特征包括双腿、头部特征和/或步态运动特征，识别出障碍物类型为行人，属于移动障碍物；
若障碍物特征用于表征平面垂直边界、较大尺寸，识别出障碍物类型为墙壁，属于静止障碍物；
若障碍物特征用于表征规则或不规则形状、小物体分散或聚集，识别出障碍物类型为地面垃圾，属于静止障碍物；
若障碍物特征用于表征规则形状、连接线缆，识别出障碍物类型为仪器设备，属于静止或半静止障碍物；
若障碍物特征用于表征推车平台、四轮，识别出障碍物类型为医疗台车，属于静止或半静止障碍物；
若障碍物特征用于表征平面座位、四腿，识别出障碍物类型为固定座椅，属于静止障碍物；
若障碍物特征用于表征细长杆状、上端吊瓶，识别出障碍物类型为输液架，属于静止障碍物；
若障碍物特征用于表征多个纵板，识别出障碍物类型为医疗屏风，属于半静止障碍物。
130、若根据环境特征判定环境中存在障碍物，获取轮椅的当前姿态信息。
在本发明实施例中，可以利用设置于轮椅上的惯性传感器（InertialMeasurement Unit，IMU）实时采集轮椅的当前姿态信息。其中，惯性传感器可以包括但不限于陀螺仪和加速度计，分别用于测量轮椅的角速度和线加速度，进而判断其姿态特征。
具体的，步骤130中获取轮椅的当前姿态信息的方式可以包括：获取设置于轮椅上的陀螺仪测量到的轮椅在各轴向的角速度，以及获取设置于轮椅上的加速度计测量到的轮椅在各轴向的线加速度，将角速度和线加速度作为当前姿态信息。其中，各轴向包括X、Y、Z轴方向。
140、从当前姿态信息中提取姿态特征。
根据陀螺仪测量到的轮椅在各轴向的角速度、加速度计测量到的轮椅在各轴向的线加速度，判断轮椅的姿态特征，姿态特征包括直行、左转、右转或旋转等。若姿态特征为转弯，还可以进一步判断其转弯方向为左转或右转。可选的，还可以进一步识别轮椅的运动状态，包括匀速、加速或减速等。
具体的，步骤140可以包括以下步骤1401~1402：
1401、从当前姿态信息中获取角速度和线加速度的变化趋势。
1402、根据角速度和线加速度的变化趋势，识别轮椅的姿态特征。
具体的在该步骤中，若角速度接近零且线加速度稳定，判定轮椅的姿态特征为直行； 若Z轴(垂直轮椅平面轴)角速度变化较大，且线加速度变化，判定轮椅的姿态特征为旋转；若X轴(轮椅行驶方向轴)角速度变化较大，且角速度方向为正，线加速度变化，判定轮椅的姿态特征为左转；若X轴角速度变化较大，且角速度方向为负，线加速度变化，判定轮椅的姿态特征为右转。
150、将环境特征与姿态特征输入预先训练的预测模型，获得预测结果。
在步骤150之前，可以预先采集若干训练样本以及每一训练样本对应的标签数据，对深度学习神经网络进行训练。在训练过程中，以训练样本为输入，标签数据为理想输出，将神经网络的输出与标签数据进行损失计算，并进行反向传播训练获得预测模型。通过预测模型，可以对未知的样本进行计算，从而预测障碍物与轮椅的交互动作。基于此，在步骤150中将上述环境特征和姿态特征输入预测模型，模型可以输出各种交互动作的预测得分作为预测结果。
160、根据预测结果，确定轮椅与障碍物的预测交互动作。
可选的，可以将预测得分最高的交互动作确定为最终的预测交互动作，其中，预测交互动作包括避让动作（如行人、墙壁）、停止动作（控制轮椅移动到上手术台车旁，拟进行检查或手术）、穿行动作、跟随动作或待命动作等。
1）避让：针对环境中的人员、障碍物及其他医疗设备等移动障碍物，根据其运动参数判断是否需要改变自身移动路线或减速以避让其通过或通过其旁边。需要考虑的因素包括：
- 移动障碍物类型：行人、医疗车、病床等；
- 移动障碍物的当前位置与朝向：避让方向与幅度取决于移动障碍物相对轮椅的位置及朝向；
- 运动方向与速度变化趋势：移动障碍物的运动趋势决定轮椅选择左避或右避，并确定避让幅度；移动速度越快，轮椅避让幅度越大；
- 与自身之间的空间关系：移动障碍物与轮椅之间的距离决定轮椅是否需要立即启动避让，以及避让力度的大小；间距越小，避让越急迫和幅度越大；
- 安全距离与通过空隙：需要考虑移动障碍物通过后的空隙是否足够轮椅通过，并避开其他障碍；空隙过小需要选择其他避让路径。
2）停止：根据环境变化或人员指令，判断是否需要控制轮椅停止在指定位置。需要考虑的因素包括：
- 停止位置：手术台旁、病房内指定区域等；
- 与周边障碍物的空间关系，保证安全距离；
- 医生或护士的语音或动作指令；
- 待命时间及之后可能的交互类型变化等。
3）穿行：如果是人群穿行，在人群密集区域，根据各人运动参数判断行人流动方向与密度，找到安全路径穿过人群。需要考虑人群移动速度与方向的实时变化，避免碰撞；如果是静止障碍物穿行，判断环境中低矮或可跨越的静止障碍物，如地面垃圾，根据自身轮椅底盘参数找到能安全通过的路径。需要考虑静止障碍物高度、分布以及通过空隙等。
4）跟随：判断人员位置与移动意图，根据其运动方向与速度，控制轮椅以恰当速度跟随在其身后，同时避开障碍物。需要实时跟踪参考人员的运动参数变化以调整自身状态。
5）待命：如在手术室或病房内待命，需要停止在指定区域，同时根据环境变化判断医生或护士的意图，准备启动以跟随至其他地点。
170、计算预测交互动作的置信度。
通过计算预测交互动作的置信度Snew，置信度Snew越大，说明可信度越高，以此作为报警策略和/或自动避障控制策略的启动依据，可以避免冗余的报警策略和自动避障控制策略，减少误判，提高控制精确度。
作为一种可选的实施方式，步骤170可以包括以下步骤1701~1702：
1701、计算特征提取准确度以及预测模型的训练充分度、泛化能力值和预测结果一致度。
其一，特征提取准确度Ef的计算方式为：，其中，ef为针对三维环境信息中各个数据点的检测置信度平均值；d为惯性传感器的数据精度；w1与w2为权重系数，w1+w2=1。其中通过计算三维环境信息中n个数据点的检测置信度si，然后对所有数据点的检测置信度求平均值得到/>。示例性的，10个数据点的检测置信度分别为：s1=0.9，s2=0.84，s3=0.92，s4=0.88，s5=0.87，s6=0.95，s7=0.85，s8=0.82，s9=0.93，s10=0.95；计算/> 。
另外，IMU的数据精度d可设置为经验值，该经验值的具体数值可根据实际的精度需求而设置。比如，设置IMU的数据精度d=0.15。也就是说，IMU能够测量到的最小变化量为0.15，返回的测量数据可能存在±0.15的误差范围。 举例来说，如果IMU测得轮椅的角速度为3°/s，则实际角速度可能在2.85°/s~3.15°/s之间；如果测得轮椅的加速度为0.25g，则实际加速度可能在0.1g~0.4g之间。
作为一种可选的实施方式，也可以根据陀螺仪和加速度计的精度，确定IMU的数据精度d的取值范围，上述经验值取自该取值范围。也即，由用户从取值范围中选择一数值作为经验值，或者在取值范围中自动选择任一数值作为经验值。比如陀螺仪精度为0.1°/s，加速度计精度为0.01g，利用两者计算得到IMU的数据精度d的取值范围为0.1~0.2，然后取d=0.15。
总之，假设取w1=0.8，w2=0.2，可计算特征提取准确度。
其二，预测模型的训练充分度Mt的计算方式为：，其中，N为模型训练样本数量；M为交互动作类型数量；K为模型训练次数。假设模型训练样本数N=3000，交互动作种类M=6，训练次数K=20；/>。
其三，预测模型的泛化能力值Gm的计算方式为：，其中，为n个交互动作的预测精度与平均精度/>的差值平方和，。在新环境中，泛化能力值Gm表示为C(p1，p2...pn)与1的差值，取值范围0~1。其基本意思是：预测精度越高，模型预测新数据的能力越强，Gm越大。假设 10个交互动作的预测精度分别为:p1=0.75，p2=0.8，p3=0.85，p4=0.9，p5=0.82，p6=0.77，p7=0.73，p8=0.79，p9=0.72，p10=0.68；求平均值得到平均精度；
那么，
；
则泛化能力值。
其四，预测模型的预测结果一致度Cr的计算方式为：，其中，/>为预测结果n个测量值的标准差。/>，标准差越小，说明各个测量值离平均值的偏差越小，则预测结果越趋向一致，Cr的值越大；反之，如果标准差较大，表示各个测量值与平均值的偏差较大，则预测结果的一致性较差，Cr的值较小。
假设预测结果的10个测量值分别为：y1=0.8，y2=0.75，y3=0.9，y4=0.85，y5=0.88，y6=0.92，y7=0.83，y8=0.79，y9=0.81，y10=0.77；
求平均值。
求标准差：
求预测结果一致度：。
1702、根据特征提取准确度、训练充分度、泛化能力值和预测结果一致度，计算预测交互动作的置信度。
其中，预测交互动作的置信度可根据特征提取准确度Ef、训练充分度Mt、泛化能力值Gm和预测结果一致度Cr进行加权求和。那么，置信度的计算公式可以为：，其中，w3，w4，w5，w6分别为Ef，Mt，Gm与Cr的权重系数，w3+w4+w5+w6=1。
权重系数w3至w6直接决定了特征提取准确度Ef、模型训练充分度Mt、模型泛化能力值Gm与预测结果一致度Cr四个指标对交互动作置信度Snew的贡献度。具体的，
Ef反映了模型对环境信息的获取与理解能力，是模型产生交互控制信号的前提基础，其影响程度较大。可以设置较大的值，如w3设为0.4；
Mt评价了模型训练过程的充分性，模型训练越充分，对各交互场景的适应性越强，其影响程度中等。可以设置w4为0.3左右；
Gm度量了模型对新环境的泛化能力，当环境变化较大时，其影响更为关键。可以设置w5为0.2左右；
Cr反映了模型多次预测结果的一致性，当模型预测稳定时，其影响较小。可以设置较小的值，如w6设为0.1；
综上，可以设置一个初始权重配置为：w3=0.4，w4=0.35，w5=0.15，w6=0.1。
示例性的，给定：w3=0.4；w4=0.35；w5=0.15；w6=0.1；
计算置信度：
。
进一步优选的，为了实现动态确定不同交互场景下的最佳权重系数，可以根据模型的工作流程与信息的流转过程分析各指标对最终可信度的影响，作为权重设置的参考依据。具体的，在模型测试和验证过程中，根据环境变化及预测效果动态调整，例如：
当泛化能力值Gm小于预设泛化值时，说明受环境影响较大，可以适当提高w5，如增加0.1，设置w5=0.25，并相应的减小w4与w6；
当预测结果一致度Cr小于预设一致度时，说明预测结果波动较大，可以适当提高w6，如增加0.05，设置w6=0.15，并相应的减小w3与w5；
当训练充分度Mt小于预设充分度时，说明模型训练度不足时，可以适当提高w4，如增加0.05，w4=0.4，并相应的减小w3与w5。其中，提高w4可以增加Mt对置信度Snew的影响，当Mt较低时，置信度Snew的值也会相应较低，这表明模型的可信度也比较低。这可以有效避免过高依赖Ef和Gm，由于训练不足导致的误判。同时，减小w3和w5可以抑制Ef和Gm对置信度Snew的影响程度，防止它们遮蔽Mt指标的预警作用，也有助于提高S的准确性。当模型训练进一步充分后，Mt的值会提高，此时再适当减小w4，恢复或增加w3与w5，可以使置信度Snew依靠多个指标进行准确判断。
通过不断调整权重系数，可以使Snew的计算更加准确地反映模型在当前交互场景下的可信度。
180、当置信度超过指定阈值时，控制轮椅执行预测交互动作对应的响应步骤。
其中，指定阈值S可设置为0.85或0.9等具体数值。当Snew=9.29＞0.9时，说明预测交互动作的可信度比较高。具体的，步骤180中的控制轮椅执行预测交互动作对应的响应步骤，可以包括以下步骤1801~1802：
1801、当预测交互动作为避让(防止触碰障碍物)、停止(防止触碰障碍物)、或跟随动作时，执行相应的以下响应步骤A1~A7：
A1、控制轮椅发出声光报警，以警示周边人员；
A2、将惯性传感器的扫描频率提高至每0.1s一次，监测范围扩大至轮椅周围2米范围；
A3、交互动作执行速度降低至正常值的50%，力度控制参数调整至正常值的60%；例如，轮椅的最高速度为1m/s，转向时的最大转向速度为45°/s，那么，也就是控制轮椅移动速度下降至0.5m/s，以及控制轮椅转向速度下降至27°/s；
A4、启动“紧急刹车”的准备工作，检验动作参数并加载制动模型；
A5、导航系统发出异常警示，建议路线变更；
A6、轮椅自主防碰撞系统启动，准备采取避让动作；
A7、在用户操作界面显示“警告”符号，以提示用户可选择脑控或手动控制模式。
1802、当预测交互动作为穿行或待命动作时，执行相应的以下响应步骤B1~B5：
B1、将惯性传感器的扫描频率提高至每0.3s一次，监测范围保持不变；
B2、交互动作执行速度降低至正常值的60%，力度控制参数降低至正常值的70%；
B3、准备在异常情况发生时切换至避让交互动作；
B4、导航系统发出异常警示，但仍保持当前导航路线；
B5、在用户操作界面显示“注意”符号，以提示用户密切监控环境。
通过设置异常情况下的响应机制，如提高环境扫描频率，降低交互动作速度，准备替代交互动作及紧急制动，提高系统的响应速度与效率，更好保障使用者的交通安全。
在一些优选的实施例中，考虑到指定阈值过高会导致模型误判，延迟或错过最佳响应时机；指定阈值过低会产生过度预测，响应过于频繁影响系统效率和用户体验。所以，可以根据环境变化和模型预测性能，动态更新置信度的指定阈值S，从而可以确保系统响应效果。具体的，在执行步骤180之后，还可以执行以下步骤191~193：
191、当置信度超过指定阈值时，计算置信度与指定阈值之间的差值。
192、若差值大于第一预设差值，根据置信度调大更新指定阈值。
指定阈值S可设置为初始阈值S0，确保系统响应度，即首先S=S0。然后在每次计算最新的置信度Snew后，比较Snew和S0，评估环境变化幅度大小。具体的，通过计算置信度Snew与指定阈值S之间的差值，可以评估环境变化幅度大小。若置信度与指定阈值之间的差值大于第一预设差值，说明Snew>>S，表明环境变化较大，可能由于环境变化导致模型预测输出增强，如果不及时提高指定阈值S，环境变化会影响模型的预测精度，这时指定阈值过低容易导致过度预测。因此当Snew远远超过指定阈值S时，适当提高阈值S是比较合理的策略选择，可以在发挥模型性能的同时避免对模型输出的过度依赖，可以减小环境变化对系统响应的影响，保证响应稳定性，减小误判风险。
因此，当差值大于第一预设差值时，根据置信度调大更新指定阈值。通常选择1.1倍或其他系数适度提高指定阈值S，既可以适应变化又不会过度提高，最大限度保留响应灵敏度与精度。这需要根据环境变化选择最优系数。又或者，可以直接将指定阈值更新为置信度。
193、若差值大于第二预设差值且小于第一预设差值，根据置信度调小更新指定阈值。
如果差值大于第二预设差值且小于第一预设差值，说明置信度Snew与指定阈值S相近，变化幅度中等，可以根据置信度调小更新指定阈值，例如，更新指定阈值。如果置信度Snew未超过指定阈值，即Snew<<S，说明环境比较稳定，可不调整指定阈值，保持指定阈值S。
实施以上步骤191~193，可以持续检测环境变化和验证模型性能，动态更新指定阈值S。随着指定阈值S逐步稳定在最优值，S0的作用逐渐消失。如果环境或任务发生较大变化，导致指定阈值S误调至不适宜值，则重新设S=S0，重新开始调整更新过程。
综上所述可见，实施本发明实施例，基于预先训练的预测模型，来预测不同交互场景下的交互动作，包括避让动作、停止动作、穿行动作、跟随动作或待命动作等，因此可以使得对环境的检测与理解更加多样化，对于不同交互场景下均可精确控制，从而提高安全性与鲁棒性。
除此之外，通过动态更新指定阈值S可以实时检测环境变化，及时调整阈值适应变化，最大限度减小环境变化对系统影响，确保系统稳定可靠工作，这大大提高了系统对环境变化的适应性。根据指定阈值S与环境变化程度动态匹配，在必要适应环境变化的同时避免响应过度灵敏，这可以优化系统响应敏感度，减小误报率。满足用户对系统性能的需求，这大大提高了用户体验。
如图2所示，本发明实施例公开一种轮椅自动行驶控制装置，包括采集单元201、第一提取单元202、获取单元203、第二提取单元204、预测单元205、确定单元206、计算单元207、交互响应单元208，其中，
采集单元201，用于在轮椅自动行驶移动的过程中，实时采集轮椅周边的三维环境信息；
第一提取单元202，用于从三维环境信息中提取环境特征；
获取单元203，用于在根据环境特征判定环境中存在障碍物时，获取轮椅的当前姿态信息；
第二提取单元204，用于从当前姿态信息中提取姿态特征；
预测单元205，用于将环境特征与姿态特征输入预先训练的预测模型，获得预测结果；
确定单元206，用于根据预测结果，确定轮椅与障碍物的预测交互动作；其中，预测交互动作包括避让动作、停止动作、穿行动作、跟随动作或待命动作；
计算单元207，用于计算预测交互动作的置信度；
交互响应单元208，用于在置信度超过指定阈值时，控制轮椅执行预测交互动作对应的响应步骤。
作为一种可选的实施方式，轮椅自动行驶控制装置还可以包括以下未图示的单元：
评估单元，用于在置信度超过指定阈值时，计算置信度与指定阈值之间的差值；
更新单元，用于在差值大于第一预设差值时，根据置信度调大更新指定阈值；以及，在差值大于第二预设差值且小于第一预设差值时，根据置信度调小更新指定阈值。
作为一种可选的实施方式，计算单元207可以包括以下未图示的子单元：
第一计算子单元，用于计算特征提取准确度以及预测模型的训练充分度、泛化能力值和预测结果一致度；
第二计算子单元，用于根据特征提取准确度、训练充分度、泛化能力值和预测结果一致度，计算预测交互动作的置信度。
作为一种可选的实施方式，第二提取单元204可包括以下未图示的子单元：
获取子单元，用于从当前姿态信息中获取角速度和线加速度的变化趋势；
识别子单元，用于根据角速度和线加速度的变化趋势识别轮椅的姿态特征。
作为一种可选的实施方式，轮椅自动行驶控制装置还可以包括以下未图示的单元：
输入单元，用于在采集单元201实时采集轮椅周边的三维环境信息之前，获取用户基于人机交互方式输入的目的地信息；
规划单元，用于根据目的地信息，确定导航路径；
自动行驶单元，用于控制轮椅按照导航路径自动行驶移动。
如图3所示，本发明实施例公开一种自动行驶轮椅，包括存储有可执行程序代码的存储器301以及与存储器301耦合的处理器302；
其中，处理器302调用存储器301中存储的可执行程序代码，执行上述各实施例中描述的轮椅自动行驶控制方法。
本发明实施例还公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行上述各实施例中描述的轮椅自动行驶控制方法。
以上实施例的目的，是对本发明的技术方案进行示例性的再现与推导，并以此完整的描述本发明的技术方案、目的及效果，其目的是使公众对本发明的公开内容的理解更加透彻、全面，并不以此限定本发明的保护范围。
以上实施例也并非是基于本发明的穷尽性列举，在此之外，还可以存在多个未列出的其他实施方式。在不违反本发明构思的基础上所作的任何替换与改进，均属本发明的保护范围。
Claims (8)
1.轮椅自动行驶控制方法，其特征在于，包括：
在轮椅自动行驶移动的过程中，实时采集轮椅周边的三维环境信息；
从所述三维环境信息中提取环境特征；
若根据所述环境特征判定环境中存在障碍物，获取轮椅的当前姿态信息；
从所述当前姿态信息中提取姿态特征；
将所述环境特征与所述姿态特征输入预先训练的预测模型，获得预测结果；
根据所述预测结果，确定所述轮椅与所述障碍物的预测交互动作；其中，所述预测交互动作包括避让动作、停止动作、穿行动作、跟随动作或待命动作；
计算特征提取准确度以及所述预测模型的训练充分度、泛化能力值和预测结果一致度；
根据所述特征提取准确度、所述训练充分度、所述泛化能力值和所述预测结果一致度，通过以下公式计算所述预测交互动作的置信度：
式中，Snew代表置信度，Ef代表特征提取准确度，Mt代表训练充分度，Gm代表泛化能力值，Cr代表预测结果一致度，w3，w4，w5，w6分别为Ef，Mt，Gm与Cr的权重系数，w3+w4+w5+w6=1；
当所述置信度超过指定阈值时，控制所述轮椅执行所述预测交互动作对应的响应步骤。
2.如权利要求1所述的轮椅自动行驶控制方法，其特征在于，还包括：
当所述置信度超过指定阈值时，计算所述置信度与指定阈值之间的差值；
若所述差值大于第一预设差值，根据所述置信度调大更新所述指定阈值；
若所述差值大于第二预设差值且小于所述第一预设差值，根据所述置信度调小更新所述指定阈值。
3.如权利要求1所述的轮椅自动行驶控制方法，其特征在于，所述当前姿态信息包括轮椅在各轴向的角速度以及线加速度；所述从所述当前姿态信息中提取姿态特征，包括：
从当前姿态信息中获取所述角速度和所述线加速度的变化趋势；
根据所述角速度和所述线加速度的变化趋势，识别轮椅的姿态特征。
4.如权利要求1至3任一项所述的轮椅自动行驶控制方法，其特征在于，所述实时采集轮椅周边的三维环境信息之前，所述方法还包括：
获取用户基于人机交互方式输入的目的地信息；
根据所述目的地信息，确定导航路径；
控制轮椅按照所述导航路径自动行驶移动。
5.如权利要求4所述的轮椅自动行驶控制方法，其特征在于，所述控制轮椅按照所述导航路径自动行驶移动，包括：
获取轮椅的实际路径，实时根据所述导航路径和所述实际路径，计算路径跟踪误差；
按照比例项、积分项、微分项的函数关系对所述路径跟踪误差进行运算，获得目标控制量；
根据所述目标控制量生成控制指令，输出所述控制指令控制轮椅自动行驶移动。
6.轮椅自动行驶控制装置，其特征在于，包括：
采集单元，用于在轮椅自动行驶移动的过程中，实时采集轮椅周边的三维环境信息；
第一提取单元，用于从所述三维环境信息中提取环境特征；
获取单元，用于在根据所述环境特征判定环境中存在障碍物时，获取轮椅的当前姿态信息；
第二提取单元，用于从所述当前姿态信息中提取姿态特征；
预测单元，用于将所述环境特征与所述姿态特征输入预先训练的预测模型，获得预测结果；
确定单元，用于根据所述预测结果，确定所述轮椅与所述障碍物的预测交互动作；其中，所述预测交互动作包括避让动作、停止动作、穿行动作、跟随动作或待命动作；
计算单元，用于计算所述预测交互动作的置信度；
交互响应单元，用于在所述置信度超过指定阈值时，控制所述轮椅执行所述预测交互动作对应的响应步骤；
其中，所述计算单元包括：
第一计算子单元，用于计算特征提取准确度以及所述预测模型的训练充分度、泛化能力值和预测结果一致度；
第二计算子单元，用于根据所述特征提取准确度、所述训练充分度、所述泛化能力值和所述预测结果一致度，通过以下公式计算所述预测交互动作的置信度：
式中，Snew代表置信度，Ef代表特征提取准确度，Mt代表训练充分度，Gm代表泛化能力值，Cr代表预测结果一致度，w3，w4，w5，w6分别为Ef，Mt，Gm与Cr的权重系数，w3+w4+w5+w6=1。
7.如权利要求6所述的轮椅自动行驶控制装置，其特征在于，还包括：
评估单元，用于在所述置信度超过指定阈值时，计算所述置信度与指定阈值之间的差值；
更新单元，用于在所述差值大于第一预设差值时，根据所述置信度调大更新所述指定阈值；以及，在所述差值大于第二预设差值且小于所述第一预设差值时，根据所述置信度调小更新所述指定阈值。
8.自动行驶轮椅，其特征在于，包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行权利要求1至5任一项所述的轮椅自动行驶控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310802018.2A CN116520681B (zh) | 2023-07-03 | 2023-07-03 | 轮椅自动行驶控制方法及装置、自动行驶轮椅 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310802018.2A CN116520681B (zh) | 2023-07-03 | 2023-07-03 | 轮椅自动行驶控制方法及装置、自动行驶轮椅 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116520681A CN116520681A (zh) | 2023-08-01 |
| CN116520681B true CN116520681B (zh) | 2023-09-05 |
Family
ID=87398027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310802018.2A Active CN116520681B (zh) | 2023-07-03 | 2023-07-03 | 轮椅自动行驶控制方法及装置、自动行驶轮椅 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116520681B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116943226B (zh) * | 2023-09-20 | 2024-01-05 | 小舟科技有限公司 | 基于情绪识别的游戏难度调节方法、系统、设备及介质 |
| CN117075618B (zh) * | 2023-10-12 | 2024-01-05 | 小舟科技有限公司 | 基于异常监测的轮椅自动控制方法、装置、终端及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004092858A1 (ja) * | 2003-04-18 | 2004-10-28 | Miksy Limited Corporation | 自動走行車椅子、車椅子自動走行システム、及び車椅子の自動走行方法 |
| JP2005211442A (ja) * | 2004-01-30 | 2005-08-11 | Tottori Univ | 自律移動型車椅子 |
| CN108897328A (zh) * | 2018-08-27 | 2018-11-27 | 桂林电子科技大学 | 轮椅机器人及其室内自主导航方法 |
| CN110471422A (zh) * | 2019-08-29 | 2019-11-19 | 南京理工大学 | 智能轮椅的障碍物检测与自主避障方法 |
| KR20210029409A (ko) * | 2019-09-06 | 2021-03-16 | 인하대학교 산학협력단 | 휠체어가 이동 가능한 정보를 포함하고 있는 gis를 연동한 지도 정보를 이용하여 자율 주행을 수행하는 휠체어 운영 시스템 및 방법 |
| CN113771034A (zh) * | 2021-09-17 | 2021-12-10 | 西北工业大学 | 一种基于模型置信度和高斯过程的机器人轨迹预测方法 |
| CN115167482A (zh) * | 2022-09-01 | 2022-10-11 | 山东大学齐鲁医院 | 一种医院场景下的轮椅自主运动方法及轮椅机器人 |
| CN115179959A (zh) * | 2022-07-18 | 2022-10-14 | 福州大学 | 基于行驶道路自适应更新阈值的智能驾驶车辆行为预测方法 |
-
2023
- 2023-07-03 CN CN202310802018.2A patent/CN116520681B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004092858A1 (ja) * | 2003-04-18 | 2004-10-28 | Miksy Limited Corporation | 自動走行車椅子、車椅子自動走行システム、及び車椅子の自動走行方法 |
| JP2005211442A (ja) * | 2004-01-30 | 2005-08-11 | Tottori Univ | 自律移動型車椅子 |
| CN108897328A (zh) * | 2018-08-27 | 2018-11-27 | 桂林电子科技大学 | 轮椅机器人及其室内自主导航方法 |
| CN110471422A (zh) * | 2019-08-29 | 2019-11-19 | 南京理工大学 | 智能轮椅的障碍物检测与自主避障方法 |
| KR20210029409A (ko) * | 2019-09-06 | 2021-03-16 | 인하대학교 산학협력단 | 휠체어가 이동 가능한 정보를 포함하고 있는 gis를 연동한 지도 정보를 이용하여 자율 주행을 수행하는 휠체어 운영 시스템 및 방법 |
| CN113771034A (zh) * | 2021-09-17 | 2021-12-10 | 西北工业大学 | 一种基于模型置信度和高斯过程的机器人轨迹预测方法 |
| CN115179959A (zh) * | 2022-07-18 | 2022-10-14 | 福州大学 | 基于行驶道路自适应更新阈值的智能驾驶车辆行为预测方法 |
| CN115167482A (zh) * | 2022-09-01 | 2022-10-11 | 山东大学齐鲁医院 | 一种医院场景下的轮椅自主运动方法及轮椅机器人 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116520681A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116520681B (zh) | 轮椅自动行驶控制方法及装置、自动行驶轮椅 | |
| US9235216B2 (en) | Running information generating apparatus of autonomous running apparatus, running information generating method, running information generating program, and autonomous running apparatus | |
| US9355368B2 (en) | Computer-based method and system for providing active and automatic personal assistance using a robotic device/platform | |
| CN103459099B (zh) | 与一个可移动的远程机器人相互交流 | |
| KR102151814B1 (ko) | 레이더 센서 및 카메라를 이용한 객체 인식 방법 및 그를 위한 장치 | |
| US9434074B2 (en) | Autonomous running control method and device of autonomous running apparatus, and program for autonomous running control device | |
| KR20200036678A (ko) | 청소 로봇 및 그의 태스크 수행 방법 | |
| JP5763384B2 (ja) | 移動予測装置、ロボット制御装置、移動予測プログラムおよび移動予測方法 | |
| KR20200001553A (ko) | 탑승자 거동에 기초한 자율 주행 차량 제어 | |
| JP7180695B2 (ja) | 障害物回避制御装置、障害物回避制御システム、障害物回避制御方法およびプログラム | |
| KR20220133810A (ko) | 유틸리티 차량 및 유틸리티 차량을 위한 대응하는 장치, 방법 및 컴퓨터 프로그램 | |
| CN105538309B (zh) | 一种有限传感能力的机器人障碍物动态识别算法 | |
| CN113158779A (zh) | 一种行走方法、装置和计算机存储介质 | |
| Mostofa et al. | IoT-enabled smart mobility devices for aging and rehabilitation | |
| KR102281246B1 (ko) | 인공지능에 기반한 시니어 케어를 위한 길안내 및 사물식별 시스템 및 방법 | |
| KR20180036562A (ko) | 정보 처리장치, 정보 처리방법 및 기억매체 | |
| Yang et al. | Research into the application of AI robots in community home leisure interaction | |
| Ghandour et al. | Interactive collision avoidance system for indoor mobile robots based on human-robot interaction | |
| JP2010262478A (ja) | 車両制御システム及び安全確認判定装置 | |
| TWM590450U (zh) | 穿載式導航避險裝置 | |
| US11983921B2 (en) | Human abnormal behavior response method and mobility aid robot using the same | |
| LUO et al. | Experimental Validation of Intelligent Recognition of Eye Movements in the Application of Autonomous Vehicle Driving | |
| CN116631150B (zh) | 脑控轮椅防碰撞预警方法及装置、设备、存储介质 | |
| Kangutkar | Obstacle avoidance and path planning for smart indoor agents | |
| Mundra et al. | Real Time Driver Alertness System Based on Eye Aspect Ratio and Head Pose Estimation |
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 |