CN116880514B - 智能轮椅控制方法、智能轮椅及存储介质 - Google Patents
智能轮椅控制方法、智能轮椅及存储介质 Download PDFInfo
- Publication number
- CN116880514B CN116880514B CN202311141989.3A CN202311141989A CN116880514B CN 116880514 B CN116880514 B CN 116880514B CN 202311141989 A CN202311141989 A CN 202311141989A CN 116880514 B CN116880514 B CN 116880514B
- Authority
- CN
- China
- Prior art keywords
- wheelchair
- obstacle
- path
- user
- preset
- 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 45
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims description 52
- 230000008859 change Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 24
- 230000033001 locomotion Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 230000004044 response Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012790 confirmation Methods 0.000 description 7
- 230000004888 barrier function Effects 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000004424 eye movement Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- A61G2203/18—General characteristics of devices characterised by specific control means, e.g. for adjustment or steering by patient's head, eyes, facial muscles or voice
-
- 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
-
- 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
- A61G2203/70—General characteristics of devices with special adaptations, e.g. for safety or comfort
- A61G2203/72—General characteristics of devices with special adaptations, e.g. for safety or comfort for collision prevention
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种智能轮椅控制方法、智能轮椅及存储介质,通过检测环境空间内的障碍物,获得障碍物信息,当根据障碍物信息判定轮椅所在位置需避障且可避障时,对动态障碍物进行行为预测,计算碰撞概率,判定环境风险级别,当环境风险级别非高风险时,进行自动避障。实现轮椅的自主决策、自主导航和智能避障,使智能轮椅可以更好地适应各种复杂环境,提升了其避障和稳定性能,有效降低了频繁报警的问题,提高了智能轮椅的使用效果和安全性。
Description
技术领域
本发明涉及智能控制技术领域,尤其涉及的是一种智能轮椅控制方法、智能轮椅及存储介质。
背景技术
智能轮椅主要通过机器视觉、SLAM(Simultaneous Localization And Mapping:同时定位与地图构建)与路径规划技术实现自主导航。
目前的智能轮椅控制方法基于空间环境中的静态障碍物进行路径规划以实现避障功能,只是可以较好地规避静态障碍物,当动态障碍物(如行人或自行车)移动到轮椅附近时,则采取报警或制动动作,频繁执行上述动作会导致复杂环境下轮椅行驶不流畅,用户体验不好。
因此,现有技术有待改进和提高。
发明内容
本发明的主要目的在于提供一种智能轮椅控制方法、智能轮椅及计算机可读存储介质,解决轮椅控制时在复杂环境下行驶不流畅,用户体验不好的问题。
为了实现上述目的,本发明第一方面提供一种智能轮椅控制方法,包括:
基于已选择的目的地规划导航路径,采用自动导航模式控制轮椅沿所述导航路径移动;
自动导航过程中,检测轮椅所在位置的环境空间内的障碍物,获得障碍物信息;
根据所述障碍物信息中所有障碍物的位置和所述导航路径获得轮椅所在位置的风险类型;
当所述风险类型为需避障且可避障时:
对所述障碍物中的动态障碍物进行行为预测,获得预设时间步长内所述动态障碍物的位置分布信息;
根据所述位置分布信息计算每个所述动态障碍物与所述导航路径的碰撞概率,根据所有的所述碰撞概率,获得环境风险级别;
当所述环境风险级别为高风险时,采用人工控制模式控制轮椅移动,否则,根据所述障碍物信息和所述位置分布信息进行避障规划,获得安全路径,在预设时间步长内控制轮椅沿所述安全路径移动以自动避障。
可选的,所述根据所述障碍物信息中所有障碍物的位置和所述导航路径获得轮椅所在位置的风险类型,包括:
计算每个所述障碍物的位置与轮椅中心之间的第一距离以及与所述导航路径之间的第二距离;
当任一所述第一距离小于第一距离阈值,设定所述风险类型为不可避障;
否则,当所有的所述第二距离大于第二距离阈值,设定所述风险类型为不需避障;当任一所述第二距离小于或等于第二距离阈值,设定所述风险类型为需避障且可避障。
可选的,所述根据所述位置分布信息计算每个所述动态障碍物与所述导航路径的碰撞概率,包括:
进行预设次数的轮椅移动模拟,根据所述位置分布信息获得每个动态障碍物与所述导航路径的碰撞次数;
根据每个所述动态障碍物的类别权重、所述碰撞次数、所述预设次数和所述位置分布信息中的概率值,计算所述碰撞概率。
可选的,所述根据所述障碍物信息和所述位置分布信息进行避障规划,获得安全路径,包括:
计算所述导航路径区域各个位置的势场值;
将势场值下降的方向作为轮椅的移动方向,获得若干避障路径;
对每条所述避障路径上所有轨迹点的势场值进行累计,获得每条所述避障路径的总势场值;
将总势场值最小的所述避障路径设为所述安全路径。
可选的,当所述环境风险级别为低风险时关闭碰撞预警功能,所述在预设时间步长内控制轮椅沿所述安全路径移动以自动避障,包括:
根据所述碰撞概率计算第一时间窗口,在所述第一时间窗口内控制轮椅沿所述安全路径移动;
当所述第一时间窗口结束后,重新计算每个所述动态障碍物与所述导航路径的碰撞概率,根据所有的所述碰撞概率,更新所述环境风险级别;
当更新后的所述环境风险级别为低风险时,在预设的第二时间窗口内控制轮椅沿所述安全路径移动以延长自动导航时间。
可选的,在预设的第二时间窗口内控制轮椅沿所述安全路径移动时,当接收到用户选择人工控制模式的指令时,还包括:
实时采集用户的第一脑电信号;
当根据所述第一脑电信号和预先建立的脑电信号基线,判定用户为警惕状态时,在间隔预设时间后,实时采集用户的第二脑电信号,若根据所述第二脑电信号和预先建立的脑电信号基线,判定用户仍为警惕状态时,响应于用户确认进入人工控制模式的指令,采用人工控制模式控制轮椅移动并开启碰撞预警功能。
可选的,在预设的第二时间窗口内控制轮椅沿所述安全路径移动时,当接收到用户选择人工控制模式的指令时,还包括:
统计在预设时间段内自动导航模式的使用时间;
当所述使用时间大于预设阈值时,响应于用户确认进入人工控制模式的指令,在预设的第三时间窗口内,采用人工控制模式控制轮椅移动并开启碰撞预警功能。
可选的,在自动避障的过程中,还包括:
比较当前预设时间步长的所述碰撞概率和前一个预设时间步长的所述碰撞概率,获得环境风险变化比例;
若连续的预设个数的所述环境风险变化比例均超过预设阈值时,减少所述第一时间窗口和所述第二时间窗口的时长,并发出报警提示。
本发明第二方面提供一种智能轮椅,上述智能轮椅包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的智能轮椅控制程序,上述智能轮椅控制程序被上述处理器执行时实现任意一项上述智能轮椅控制方法的步骤。
本发明第三方面提供一种计算机可读存储介质,上述计算机可读存储介质上存储有智能轮椅控制程序,上述智能轮椅控制程序被处理器执行时实现任意一项上述智能轮椅控制方法的步骤。
由上可见,本发明通过检测环境空间内的障碍物,获得障碍物信息,当根据障碍物信息判定轮椅所在位置需避障且可避障时,对动态障碍物进行行为预测,计算碰撞概率,判定环境风险级别,当环境风险级别非高风险时,进行自动避障。实现轮椅的自主决策、自主导航和智能避障。使智能轮椅可以更好地适应各种复杂环境,提升了其避障和稳定性能,有效降低了频繁报警的问题,提高了智能轮椅的使用效果和安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的智能轮椅控制方法流程示意图;
图2为本发明实施例获得安全路径的流程示意图;
图3为本发明实施例自动避障的流程示意图;
图4为接收到用户选择人工控制模式的指令时的流程示意图;
图5为接收到用户选择人工控制模式的指令且环境风险级别为低风险时的流程示意图;
图6是本发明实施例提供的轮椅移动过程中的环境风险变化时的流程示意图;
图7是本发明实施例提供的一种智能轮椅的内部结构原理框图。
具体实施方式
下面结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
在复杂的室内外环境(如公园、市集、超市、医院等人流多、障碍物多的场所)中导航时,现有的轮椅控制方法未充分判断避障的可能性与必要性就直接报警,导致报警过于频繁,无法判断真正的危险情况,甚至当检测到存在风险的动态障碍物时会直接制动,导致轮椅行驶不连续,用户体验差。
针对上述问题,本发明提供了一种智能轮椅控制方法,当判定轮椅所在位置需避障且可避障时,计算动态障碍物的碰撞概率,根据碰撞概率判定环境风险,当环境风险为高风险时,采用人工控制模式,否则,进行避障规划,获得安全路径,然后沿安全路径控制轮椅移动。
方法实施例
本发明实施例提供了一种智能轮椅控制方法,部署于轮椅的控制芯片上,用于在复杂环境中精准操控智能轮椅,既能实现操控的安全性,又能提高操控的流畅性。
如图1所示,本实施例具体包括如下步骤:
步骤S100:基于已选择的目的地规划导航路径,采用自动导航模式控制轮椅沿导航路径移动;
步骤S200:自动导航过程中,检测轮椅所在位置的环境空间内的障碍物,获得障碍物信息;
根据用户在地图界面上选择的目的地位置,自动规划轮椅所在位置至目的地位置最优的导航路径,控制轮椅按导航路径自动导航至目的地。
规划路径时,使用算法计算最优的导航路径。具体地,首先根据轮椅所在位置和用户选择的目的地位置,在导航地图中生成一系列相连的轨迹点。然后评估各轨迹点之间的距离、转向难易度以及障碍物情况,选择最优的导航路径。且最优的导航路径避开所有已知静态障碍物并考虑轮椅尺寸、转向半径等因素。上述静态障碍物可以是导航地图上的各种障碍物,如花圃的围栏;也可以是静止状态下的行人或车辆等。
自动导航时,根据导航路径上第一个轨迹点的位置和方向控制轮椅移动,当根据环境传感器的数据判定轮椅接近下一个轨迹点时,开始减速,同时环境传感器扫描轨迹点周围环境,判定安全后执行转向或方向调整,驶向下一个轨迹点。在从一个轨迹点驶向下一个轨迹点的过程中,环境传感器持续扫描轮椅所在位置的周围环境的图像信息,获得障碍物信息,并与地图数据进行匹配以实时定位轮椅所在位置和面向方向。当最后一个轨迹点是目的地轨迹点时,控制轮椅缓慢行驶至目的地附近并扫描周围环境。确认安全后,停止轮椅,并发出提示音提示用户“您的目的地已经到达”。导航路径上的轨迹点位置设置不做限制,可以根据实际空间环境灵活设置。
本实施例中,环境传感器为轮椅前方设置的摄像头和三维激光雷达,其测量范围覆盖行驶方向6-8米。环境传感器以固定频率如10Hz实时扫描周围环境,获取轮椅位置和图像信息,其中图像分辨率0.5~2米。
障碍物信息主要包括障碍物的位置和类别(如行人、自行车、小汽车、堆放的杂物等)。获得环境图像后,通过将环境图像输入障碍物识别模型来获得障碍物信息。需要首先训练障碍物识别模型:收集环境图像数据集,采用人工标注方法获取图像中障碍物的位置与类别,构建数据集D。采用目标检测算法(如YOLOv3)以数据集D为训练数据训练障碍物识别模型M。训练完毕后,障碍物识别模型M可以识别出输入的环境图像I中的障碍物位置(xi,yi)及类别ci。
在一个示例中,通过语音来选择目的地。具体地,通过语音识别模块识别用户语音指令:当用户发出语音指令,例如“去物业管理处”或“去12栋楼”等,语音识别模块识别用户语音指令,解析出目的地名称。将解析出的目的地名称作为搜索关键字,在地图数据库中搜索,获得坐标、方向等位置信息。如果搜索到多个同名目的地,则询问用户选择哪一个,用户再次用语音指令选择具体的目的地。获得目的地位置后,自动规划最优的导航路径,并以语音方式将最优的导航路径告知用户,等待用户确认。用户语音确认后,控制轮椅按导航路径导航至目的地。
在另一个示例中,通过脑电信号来选择目的地。具体地,通过脑控模块来识别用户的脑电信号指令。用户专注想象导航至某个目的地,通过脑电头环采集脑电信号,识别用户的脑电信号,解析出目的地名称,获得目的地位置。如果信号不清晰,提出多个选项供用户进行二次确认。获得目的地信息后,规划最优的导航路径,并以视觉和语音方式将导航路径呈现给用户,等待用户的确认指令。用户通过脑控或语音再次发出确认指令后,控制轮椅按导航路径导航至目的地。
步骤S300:根据障碍物信息中所有障碍物的位置和导航路径获得轮椅所在位置的风险类型;
风险类型用来衡量轮椅所在位置的安全性,主要分为以下类型:无需避障、不可避障以及需避障且可避障。无需避障意味着轮椅所在位置很安全,不会发生碰撞;不可避障意味着轮椅所在位置非常危险,碰撞的可能性很高,已经来不及避障;需避障且可避障是指轮椅所在位置存在碰撞的风险,但是可以通过避障处理来规避。
具体地,从障碍物信息中获得所有障碍物的位置(xi,yi)和类别ci。然后计算图像I中轮椅中心(xc,yc)与每个障碍物位置(xi,yi)之间的欧式距离,获得第一距离,具体表达式为:。如果存在任一障碍物的第一距离dsq小于第一距离阈值d0(本实施例取0.5米)时,则判定轮椅所在位置为紧急位置,风险类型为不可避障。
当所有障碍物的第一距离dsq均大于或等于第一距离阈值d0时,计算每个障碍物位置(xi,yi)与导航路径之间的垂直距离,获得第二距离。如果所有障碍物的第二距离均大于第二距离阈值ths(也称为安全距离阈值,一般为米)时,则判定轮椅所在位置为安全位置,风险类型为无需避障;当任一障碍物的第二距离小于或等于第二距离阈值时,则判定轮椅所在位置为危险位置,风险类型为需避障且可避障。
当轮椅所在位置为安全位置时,以自动导航模式控制轮椅移动;当轮椅所在位置为紧急位置时,则减速或紧急制动并提示需采用人工控制模式;当轮椅所在位置为危险位置时,即风险类型为需避障且可避障时,则执行下述S400-S600的步骤,通过障碍物行为预测、碰撞预测、避障规划以及报警等操作来实现轮椅的自动避障。在自动避障的过程中,如果在任意两个轨迹点之间存在不可避障的障碍物或避障失败,则停止轮椅移动,退出自动导航模式并发出警报提示用户,然后返回步骤S100重新规划导航路径。
步骤S400:对障碍物中的动态障碍物进行行为预测,获得预设时间步长内动态障碍物的位置分布信息;
动态障碍物与静态障碍物不同,其位置随时间改变,因此在自动避障时,需要先对动态障碍物进行行为预测。
具体地,首先收集大量的现实场景(如小区、公园)的视频,提取各种动态障碍物的运动轨迹与参数,构建行为数据集。选择LSTM(Long Short Term Memory:长短期记忆网络)神经网络构建行为预测模型,使用行为数据集训练行为预测模型,使得训练后的行为预测模型能预测预设时间步长内(一般为5-10秒)动态障碍物的运动状态与位置。训练完毕后,从障碍物信息中选择类别、质心位置、尺寸、速度、加速度和方向等特征作为运动轨迹和参数,输入行为预测模型,行为预测模型预测预设时间步长内动态障碍物的未来运动参数并映射到当前环境,得到动态障碍物的位置分布信息。
在一个示例中,还将位置分布信息图形化,获得有关动态障碍物位置的概率预测图,使得进行碰撞预警展示时能获得更加直观的展示效果。
步骤S500:根据位置分布信息计算每个动态障碍物与导航路径的碰撞概率,根据所有的碰撞概率,获得环境风险级别;
选择碰撞概率计算方法,如蒙特卡罗算法,进行预设次数的轮椅移动模拟,模拟时的时长为预设的移动步长。根据障碍物的位置分布信息模拟出障碍物移动轨迹,统计每个动态障碍物与导航路径的碰撞次数n,n/(总模拟次数)为每个动态障碍物与导航路径的碰撞概率,所有动态障碍物的碰撞概率的累计为导航路径的碰撞概率,将导航路径的碰撞概率与预设的阈值点进行比较,就可以判定出环境风险级别。
本实施例为了使得导航路径的碰撞概率更加精准,还考虑到了不同类别的动态障碍物的影响后果不同,比如人或自行车的碰撞概率的权重应更高,并将预设时间步长内的轮椅移动轨迹分成了若干段子路径。计算动态障碍物的碰撞概率时,根据每个动态障碍物的类别权重、碰撞次数、总模拟次数和动态障碍物的位置分布信息中的概率值进行综合加权计算,得到更准确的导航路径的碰撞概率。具体地:首先根据行为预测模型获得的动态障碍物信息{Oi},获得每个障碍物的类别ci、位置(xi,yi)、速度vi、移动方向θi等数据,获取导航路径中每段子路径的轨迹信息{Pj}(xj,yj)及运动方向θj。假设动态障碍物的移动步长为(具体值需权衡计算代价与精度来确定,一般取0.1-0.5秒),根据障碍物类别ci,确定该障碍物的权重。一般可以设置人或自行车的权重较大。同时根据动态障碍物当前状态与运动趋势,计算其/>时间步内的位置预测概率分布/>,/>越集中,预测越准确。以为碰撞检测位置,计算各障碍物Oi与子路径Pj之间的距离/>。如果/>,则记录动态障碍物Oi与子路径Pj发生一次碰撞。其中,Ri为动态障碍物Oi的碰撞检测半径,Rj为子路径宽度。每段子路径重复进行N次模拟,获得子路径Pj与各障碍物Oi的碰撞总次数/>。考虑障碍物Oi的类别权重wci与位置预测概率/>,每个动态障碍物与子路径的碰撞概率计算公式为:/>。累计子路径j中所有动态障碍物的碰撞概率,获得子路径j的碰撞概率/>,其中i=1~n,n为动态障碍物的总数量。所有子路径的碰撞概率的最大值为导航路径的碰撞概率P。当导航路径的碰撞概率P<0.3时,判定环境风险级别为低风险,值为1;当0.3≤P<0.5时,判定环境风险级别为中风险,值为2;当P≥0.5时,判定环境风险级别为高风险,值为3。
步骤S600:当环境风险级别为高风险时,采用人工控制模式控制轮椅移动,否则,根据障碍物信息和位置分布信息进行避障规划,获得安全路径,在预设时间步长内控制轮椅沿安全路径移动以自动避障。
当环境风险级别为高风险时,表示空间环境中的动态障碍物引起碰撞的概率很高,为了确保使用安全,此时采用人工控制模式控制轮椅移动。人工控制结束后,重新计算导航路径的碰撞概率P,如果P值下降,变为0.3≤P<0.5,提示切换操作并显示倒计时,用户未操作直接进入自动导航模式,避免每次人工控制模式结束后均需人工确认才能恢复自动导航模式,提高了交互效率;如果持续P≥0.5,则维持人工控制状态。
当环境风险级别为低风险或中风险时,则根据障碍物信息和位置分布信息进行避障规划,获得安全路径,该安全路径应避开动态障碍物与预测区域,并尽可能接近正常路径。在预设时间步长内控制轮椅沿安全路径移动以实现自动避障。
本实施例中,避障规划时,将环境图像、障碍物信息与位置分布信息输入避障算法,如人工势场法,获得安全路径。如图2所示,具体步骤包括:
步骤S610:计算导航路径区域各个位置的势场值;
步骤S620:将势场值下降的方向作为轮椅的移动方向,获得若干避障路径;
步骤S630:对每条避障路径上所有轨迹点的势场值进行累计,获得每条避障路径的总势场值;
步骤S640:将总势场值最小的避障路径设为安全路径。
具体地,以当前位置为起点,轮椅移动预设时间步到达的位置为终点,起点与终点之间的区域为导航路径区域,不仅包括起点与终点之间的导航路径,还包括导航路径周边一定范围内的区域。
障碍物信息中包括障碍物的位置(xi,yi)及尺寸di,避障规划时,如果动态障碍物与导航路径的距离d小于预设安全距离rs,则判定轮椅与该动态障碍物会发生碰撞。优选地,预设安全距离rs不是固定值,为动态障碍物尺寸的1-1.5倍。
根据势场函数计算导航路径区域中各个位置(x,y)的势场值U(x,y),具体计算表达式为:,其中,k1为常数,d0决定势场函数的作用范围。当/>时,U(x,y)逐渐接近0。
计算出各个位置的势场值U后,根据“势场值较小的方向为轮椅的优先运动方向”的原理,选择势场梯度下降的方向作为轮椅的优先运动方向,能够找到若干条避障路径。其中,避障路径是指轮椅可以成功到达的路径。计算避障路径上所有轨迹点的势场值之和SU,选择SU最小的那条路径作为最优路径,并使用轨迹平滑算法优化最优路径上点的位置、调整点与点之间的距离或控制最优路径的曲率变化,实现路径平滑与优化,获得安全路径。
通过根据势场值选择势场梯度下降的方向不断选择轨迹点,使得生成的安全路径更加安全有效。
综上所述,本实施例提出了一种轮椅控制方法,通过集成多种传感器,实现轮椅对周围环境的智能感知和识别,当轮椅所在位置需避障且可避障时,通过对动态障碍物进行行为预测,计算碰撞概率,进行自动避障,实现轮椅的自主决策、自主导航和智能避障。使智能轮椅可以更好地适应各种复杂环境,提升了其避障和稳定性能,有效降低了频繁报警的问题,提高了智能轮椅的使用效果和安全性。
当环境风险级别为低风险时,虽然此时碰撞的风险较低,现有的自动导航***的碰撞预警功能还是可能会产生若干次预警信号。为了避免无意义的碰撞预警,减少预警的次数,本发明在自动避障的过程中关闭了碰撞预警功能。但为了增强安全性,在预设步长时长内设定了两个时间窗口,并在两个时间窗口之间重新计算了导航路径的碰撞概率以防止碰撞的发生。
在一个示例中,当环境风险级别为低风险时,在预设时间步长内控制轮椅沿安全路径移动以自动避障,如图3所示,具体步骤包括:
步骤S650:根据碰撞概率计算第一时间窗口,在第一时间窗口内控制轮椅沿安全路径移动;
首先根据环境风险级别计算第一时间窗口Length1(即第一不报警时间窗口),计算公式为。其中,P为导航路径的碰撞概率,范围为0-100%;a为系数,用以修正P的二次方项对时间窗口长度的影响程度,a值越大,窗口长度对P的二次方项变化越敏感;b为系数,当a=0时,时间窗口长度选择仅由/>的线性项及常量c决定;c为常量项,时间窗口长度的基础部分。c主要起以下作用:当P=U=0时,c决定轮椅处于最安全状态下的基准响应时间长度,c值越大,表示在安全环境下更倾向于长时间自动导航,可以提供更好的乘坐舒适度;c值过小会频繁切换导航模式,影响体验。当环境变复杂(即P值变大时),c会影响第一时间窗口Length1变化量的大小,c越大,时间窗口长度变化越大,响应速度越快。此时需要权衡安全性与舒适度来决定c值的大小。c值过大会导致第一时间窗口Length1震荡或频繁切换,乘坐体验较差。当用户主动干预(即U变大)时,c也会影响第一时间窗口Length1增加的量度。c越大,第一时间窗口Length1增加越多,更易满足用户的主动控制请求。但c过大也会导致第一时间窗口Length1的波动过大,***响应不够平稳。当P与U同时变化且效应相反时,c值越大,P对第一时间窗口Length1变化的影响力越大。更侧重环境安全性,响应速度更快。综上,c作为第一时间窗口Length1的常量基础,其值的大小直接影响着轮椅控制***在安全环境下的基准响应时长、对环境变化的响应敏感度以及主动干预请求的满足程度。c值过大会导致控制***响应过于敏感或频繁切换,影响乘坐舒适度,c值过小会对环境变化反应迟缓,安全性较差。
U为用户使用习惯参数,取值在0-1之间,表示用户选择时间窗口的偏好,U值越高,表示用户希望时间窗口较长,自动体验时间更长,可以根据用户长期使用数据的统计结果获得U值大小。d为用户参数修正系数,表示第一时间窗口Length1对用户使用习惯的依赖程度,d值越大,第一时间窗口Length1对用户使用习惯的依赖越大。第一时间窗口Length1单位为秒,一般为3-8秒内,如果按照计算公式得出的值超出此范围,则直接取边界值,确保基本的安全性与使用体验。
步骤S660:当第一时间窗口结束后,重新计算每个动态障碍物与导航路径的碰撞概率,根据所有的碰撞概率,更新环境风险级别;
步骤S670:当更新后的环境风险级别为低风险时,在预设的第二时间窗口内控制轮椅沿安全路径移动以延长自动导航时间。
第一时间窗口结束后,返回步骤S500重新计算碰撞概率,若根据所有的所述碰撞概率计算出的导航路径的碰撞概率P仍小于0.3,则表明更新后的环境风险级别仍为低风险,在预设的第二时间窗口Length2(即延时时间窗口)内控制轮椅沿安全路径移动。设置第二时间窗口Length2的目的在于在环境风险较低和较为稳定的情况下延长自动导航时间,提高使用效率。一般地,第二时间窗口Length2>第一时间窗口Length1,第二时间窗口Length2可以设置在9-20秒区间。
由上所述,自动避障时,通过关闭碰撞预警功能并设置两级时间窗口,既能保证轮椅的安全,又使得轮椅移动时,用户的体验感更好。
在延长时间窗口内进行自动避障和自动控制时,用户可能因提高安全警惕主动选择退出自动控制模式,进入人工控制模式。用户提高安全警惕表示环境风险较大,自动避障效果较差或用户主观判断自动避障无法确保安全,所以需要切换至人工操控。因为人工操控的效果难以实时精确判断,需要较长时间的观察才能确认环境变化与操控效果,而关闭碰撞预警是用来观察自动避障效果,以决定何时需要人工干预。但在人工控制模式下,用户已主动进行操控,所以关闭碰撞预警失去设置意义,其效果难以判断,反而可能在一定时间内提供错误的安全感,影响使用警惕性。此时若继续关闭碰撞预警反而不利于确保使用安全性。因此,在人工控制模式下需开启碰撞预警功能。
人工控制结束后,实时计算导航路径的碰撞概率P,当0.3≤P<0.5,提示切换操作并显示倒计时,用户未操作直接进入自动导航模式,避免每次主动导航结束后均需人工确认才能恢复自动模式,提高了交互效率;如果P≥0.5,维持人工控制状态。
具体地,人工控制的实现过程为:同时启动脑电波采集设备、眼动跟踪设备以及语音识别等多模态输入方式,以接收并识别用户的控制命令。实时监测各输入信号,判断是否匹配预设的操控意图模板,如用户的眼动变化表明有“左转”的意图,脑电信号显示有“减速”的意图,语音命令为“向前10米”等;综合判断各模态输入产生的控制命令,确定当前环境下最安全有效的控制指令。如果某一种输入方式产生的命令会导致潜在风险,则关闭该输入方式。生成的控制指令输出至操控对象,实施相应的移动控制。如果未能有效识别和匹配不同模态输入,发出明显的报警提示,必要时关闭部分输入方式。
在一个实施例中,在预设的第二时间窗口内控制轮椅沿安全路径移动时,当接收到用户选择人工控制模式的指令时,如图4所示,具体步骤包括:
步骤A671:实时采集用户的第一脑电信号;
步骤A672:当根据第一脑电信号和预先建立的脑电信号基线,判定用户为警惕状态时,在间隔预设时间后,实时采集用户的第二脑电信号,若根据第二脑电信号和预先建立的脑电信号基线,判定用户仍为警惕状态时,响应于用户确认进入人工控制模式的指令,采用人工控制模式控制轮椅移动并开启碰撞预警功能。
本实施例中,采集用户的正常脑电信号(即相对于警惕状态,处于放松状态下的脑电信号),并进行信号分析,预先建立用户的脑电信号基线。当检测到用户通过控制面板或语音命令选择退出自动导航模式时,立即采集并分析用户当时的第一脑电信号。如果检测到β脑电信号(神经兴奋相关)明显高于脑电信号基线中的β基线,如超过正常状态下的1.5倍,这表明用户的警惕和注意水平明显提高,则判定用户此时为警惕状态。为进一步确认,继续获取用户的第二脑电信号并进行分析,例如在退出自动模式后的3秒后,若用户的β脑电信号仍明显高于脑电信号基线中的β基线,则可以确认用户此次退出自动模式的目的较有可能是主观警惕。显示提示信息“检测到您的警惕状态增加,是否切换至人工控制模式?”如果用户选择确认切换至人工控制模式,切换至人工控制模式。如果用户选择不确认,***暂时保持当前模式,继续监测用户的脑电信号变化以更新判断。人工控制模式下,***继续实时检测和分析用户的脑电信号。如果检测到β脑电信号下降至正常水平,则判断用户的主观警惕状态已降低,需提示信息询问是否需要切换至自动导航模式。如果两次提示未得到用户确认切换至自动导航模式,则维持人工控制模式。
通过比较脑电信号和脑电信号基线,能够准确判定用户是否由于提高警惕而选择人工控制模式。
在一个实施例中,在预设的第二时间窗口内控制轮椅沿安全路径移动时,当环境风险级别为低风险且接收到用户选择人工控制模式的指令时,如图5所示,具体步骤包括:
步骤B671:统计在预设时间段内自动导航模式的使用时间;
步骤B672:当使用时间大于预设阈值时,响应于用户确认进入人工控制模式的指令,在预设的第三时间窗口内,采用人工控制模式控制轮椅移动并开启碰撞预警功能。
当环境风险级别为低风险且用户并没有提高安全警惕时,用户退出自动控制模式的原因很可能为希望人工操控体验,则给用户一定的时间适应主动操控,且满足体验需求。因仍在第二时间窗口Lenth2内的安全周期,所以该人工控制方式可以设置第三时间窗口Length3,为保证安全,第三时间窗口Length3小于第二时间窗口length2。在第三时间Length3窗口内,如果检测到环境变化明显,第三时间窗口Length3提前结束。
具体地,检测用户在预设时间段内(如最近1小时)在自动导航模式下的使用时间。如果检测到用户最近在自动导航模式下的使用时间长大于预设阈值时(如≥30分钟),则表明用户对自动导航模式较为习惯;若当前环境风险较低且用户对自动导航模式较为适应,当检测到用户此次通过控制面板或语音命令选择退出自动导航模式时,判定用户此次退出的可能目的较大可能是为了主观的人工操控体验。此时向用户提示信息:“检测到您选择退出自动导航模式,是否是希望切换至人工操控体验模式?”并显示两个选择:“是,启动人工控制模式”、“否,EXIT”。如果用户选择“是,启动人工控制模式”,进入人工控制模式,同时启动多模态控制方式(如脑电控制、眼动追踪、语音识别)以接收用户的操控指令。根据用户的操控指令控制轮椅移动。如果用户选择“否,EXIT”,表明此次退出自动导航模式的目的并非为了人工操控体验。退出判断流程,维持当前设置模式。
由上所述,通过判定用户退出自动控制模式的原因是否为希望人工操控体验来进行相应的控制,使得轮椅控制体验感更好。
在一个实施例中,自动避障的过程中,如图6所示,还包括:
步骤S700:比较当前预设时间步长的碰撞概率和前一个预设时间步长的碰撞概率,获得环境风险变化比例;
自动导航模式下,在轮椅自动移动的每个预设时间步内,根据环境传感器持续监测的图像,计算当前预设时间步长导航路径的碰撞概率,根据当前预设时间步长导航路径的碰撞概率相比前一个时间步长导航路径的碰撞概率的变化比例,获得环境风险变化比例。即将当前预设时间长导航路径的碰撞概率减去前一个预设时间步长导航路径的碰撞概率,获得的结果再除以前一个预设时间步长导航路径的碰撞概率,获得环境风险变化比例。
步骤S800:若连续的预设个数的环境风险变化比例均超过预设阈值时,减少第一时间窗口和第二时间窗口的时长,并发出报警提示。
连续获得若干个环境风险变化比例后,若连续的预设个数的环境风险变化比例均超过预设阈值时,例如:连续3个环境风险变化比例均超过3%时,则判定环境风险正在快速增加,此时,应缩短自动导航的时间窗口的时长(第一时间窗口和第二时间窗口),提前发出报警提示,最大限度减少环境风险变化导致的响应迟缓,确保使用安全。如果在后续新的时间窗口内,环境风险增加趋势得以控制,环境风险变化比例稳定在一个较安全范围,则自动导航的时间窗口的时长恢复正常长度。轮椅继续按安全路径行驶,环境传感器持续监测环境并定位,直到最终到达目的地位置并停止,等待下一指令或新的路径规划。
由上所述,通过根据导航路径的碰撞概率的变化来计算环境风险变化比例,能够从另一个角度反应环境风险,使得轮椅控制更加安全可靠。
示例性***
基于上述实施例,本发明还提供了一种智能轮椅。如图7所示,上述智能轮椅包括通过***总线连接的处理器、存储器以及显示屏。其中,该智能轮椅的处理器用于提供计算和控制能力。该智能轮椅的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和智能轮椅控制程序。该内存储器为非易失性存储介质中的操作***和智能轮椅控制程序的运行提供环境。该智能轮椅控制程序被处理器执行时实现上述任意一种智能轮椅控制方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有智能轮椅控制程序,上述智能轮椅控制程序被处理器执行时实现本发明实施例提供的任意一种智能轮椅控制方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (7)
1.智能轮椅控制方法,其特征在于,包括:
基于已选择的目的地规划导航路径,采用自动导航模式控制轮椅沿所述导航路径移动;
自动导航过程中,检测轮椅所在位置的环境空间内的障碍物,获得障碍物信息;
根据所述障碍物信息中所有障碍物的位置和所述导航路径获得轮椅所在位置的风险类型;
当所述风险类型为需避障且可避障时:
对所述障碍物中的动态障碍物进行行为预测,获得预设时间步长内所述动态障碍物的位置分布信息;
根据所述位置分布信息计算每个所述动态障碍物与所述导航路径的碰撞概率,根据所有的所述碰撞概率,获得环境风险级别;
当所述环境风险级别为高风险时,采用人工控制模式控制轮椅移动,否则,根据所述障碍物信息和所述位置分布信息进行避障规划,获得安全路径,在预设时间步长内控制轮椅沿所述安全路径移动以自动避障;
当所述环境风险级别为低风险时关闭碰撞预警功能,所述在预设时间步长内控制轮椅沿所述安全路径移动以自动避障,包括:
根据所述碰撞概率计算第一时间窗口,在所述第一时间窗口内控制轮椅沿所述安全路径移动;
当所述第一时间窗口结束后,重新计算每个所述动态障碍物与所述导航路径的碰撞概率,根据所有的所述碰撞概率,更新所述环境风险级别;
当更新后的所述环境风险级别为低风险时,在预设的第二时间窗口内控制轮椅沿所述安全路径移动以延长自动导航时间;
在预设的第二时间窗口内控制轮椅沿所述安全路径移动时,当接收到用户选择人工控制模式的指令时,还包括:
统计在预设时间段内自动导航模式的使用时间,当所述使用时间大于预设阈值时,响应于用户确认进入人工控制模式的指令,在预设的第三时间窗口内,采用人工控制模式控制轮椅移动并开启碰撞预警功能;
实时采集用户的第一脑电信号,当根据所述第一脑电信号和预先建立的脑电信号基线,判定用户为警惕状态时,在间隔预设时间后,实时采集用户的第二脑电信号,若根据所述第二脑电信号和预先建立的脑电信号基线,判定用户仍为警惕状态时,响应于用户确认进入人工控制模式的指令,采用人工控制模式控制轮椅移动并开启碰撞预警功能。
2.如权利要求1所述的智能轮椅控制方法,其特征在于,所述根据所述障碍物信息中所有障碍物的位置和所述导航路径获得轮椅所在位置的风险类型,包括:
计算每个所述障碍物的位置与轮椅中心之间的第一距离以及与所述导航路径之间的第二距离;
当任一所述第一距离小于第一距离阈值,设定所述风险类型为不可避障;
否则,当所有的所述第二距离大于第二距离阈值,设定所述风险类型为不需避障;当任一所述第二距离小于或等于第二距离阈值,设定所述风险类型为需避障且可避障。
3.如权利要求1所述的智能轮椅控制方法,其特征在于,所述根据所述位置分布信息计算每个所述动态障碍物与所述导航路径的碰撞概率,包括:
进行预设次数的轮椅移动模拟,根据所述位置分布信息获得每个动态障碍物与所述导航路径的碰撞次数;
根据每个所述动态障碍物的类别权重、所述碰撞次数、所述预设次数和所述位置分布信息中的概率值,计算所述碰撞概率。
4.如权利要求1所述的智能轮椅控制方法,其特征在于,所述根据所述障碍物信息和所述位置分布信息进行避障规划,获得安全路径,包括:
计算所述导航路径区域各个位置的势场值;
将势场值下降的方向作为轮椅的移动方向,获得若干避障路径;
对每条所述避障路径上所有轨迹点的势场值进行累计,获得每条所述避障路径的总势场值;
将总势场值最小的所述避障路径设为所述安全路径。
5.如权利要求1所述的智能轮椅控制方法,其特征在于,在自动避障的过程中,还包括:
比较当前预设时间步长的所述碰撞概率和前一个预设时间步长的所述碰撞概率,获得环境风险变化比例;
若连续的预设个数的所述环境风险变化比例均超过预设阈值时,减少所述第一时间窗口和所述第二时间窗口的时长,并发出报警提示。
6.智能轮椅,其特征在于,所述智能轮椅包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的智能轮椅控制程序,所述智能轮椅控制程序被所述处理器执行时实现如权利要求1-5任意一项所述智能轮椅控制方法的步骤。
7.计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有智能轮椅控制程序,所述智能轮椅控制程序被处理器执行时实现如权利要求1-5任意一项所述智能轮椅控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141989.3A CN116880514B (zh) | 2023-09-06 | 2023-09-06 | 智能轮椅控制方法、智能轮椅及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141989.3A CN116880514B (zh) | 2023-09-06 | 2023-09-06 | 智能轮椅控制方法、智能轮椅及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116880514A CN116880514A (zh) | 2023-10-13 |
CN116880514B true CN116880514B (zh) | 2023-11-21 |
Family
ID=88255393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311141989.3A Active CN116880514B (zh) | 2023-09-06 | 2023-09-06 | 智能轮椅控制方法、智能轮椅及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116880514B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117277513B (zh) * | 2023-11-15 | 2024-02-27 | 深圳安培时代数字能源科技有限公司 | 储能设备控制方法、控制器及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080114127A (ko) * | 2007-06-27 | 2008-12-31 | 한국과학기술원 | 무선 조종이 가능한 모듈화된 지능형 전동휠체어 |
CN108478348A (zh) * | 2018-05-29 | 2018-09-04 | 华南理工大学 | 一种室内自主导航物联的智能轮椅车及控制方法 |
CN112577491A (zh) * | 2020-12-14 | 2021-03-30 | 上海应用技术大学 | 一种基于改进人工势场法的机器人路径规划方法 |
CN114647248A (zh) * | 2022-05-23 | 2022-06-21 | 风林科技(深圳)有限公司 | 机器人避障方法、电子设备及可读存储介质 |
CN116570439A (zh) * | 2023-07-13 | 2023-08-11 | 小舟科技有限公司 | 智能轮椅控制模式切换方法及装置、设备、存储介质 |
CN116617011A (zh) * | 2023-07-21 | 2023-08-22 | 小舟科技有限公司 | 基于生理信号的轮椅操控方法、装置、终端及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11730646B2 (en) * | 2020-09-25 | 2023-08-22 | Rajeev Ramanath | System and method to combine input from multiple sensors on an autonomous wheelchair |
-
2023
- 2023-09-06 CN CN202311141989.3A patent/CN116880514B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080114127A (ko) * | 2007-06-27 | 2008-12-31 | 한국과학기술원 | 무선 조종이 가능한 모듈화된 지능형 전동휠체어 |
CN108478348A (zh) * | 2018-05-29 | 2018-09-04 | 华南理工大学 | 一种室内自主导航物联的智能轮椅车及控制方法 |
CN112577491A (zh) * | 2020-12-14 | 2021-03-30 | 上海应用技术大学 | 一种基于改进人工势场法的机器人路径规划方法 |
CN114647248A (zh) * | 2022-05-23 | 2022-06-21 | 风林科技(深圳)有限公司 | 机器人避障方法、电子设备及可读存储介质 |
CN116570439A (zh) * | 2023-07-13 | 2023-08-11 | 小舟科技有限公司 | 智能轮椅控制模式切换方法及装置、设备、存储介质 |
CN116617011A (zh) * | 2023-07-21 | 2023-08-22 | 小舟科技有限公司 | 基于生理信号的轮椅操控方法、装置、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116880514A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7173105B2 (ja) | 自動運転制御装置、自動運転制御方法、プログラム、および自動運転制御システム | |
US11772669B2 (en) | Processing a request signal regarding operation of an autonomous vehicle | |
EP2495713B1 (en) | Driving support device | |
US11198436B2 (en) | Processing a request signal regarding operation of an autonomous vehicle | |
KR102669020B1 (ko) | 정보 처리 장치, 이동 장치, 및 방법, 그리고 프로그램 | |
US20180281794A1 (en) | Processing a request signal regarding operation of an autonomous vehicle | |
US10850734B2 (en) | Processing a request signal regarding operation of an autonomous vehicle | |
KR102177826B1 (ko) | 자율 주행 능력들을 갖춘 차량의 작동에 대한 개입 | |
WO2020213280A1 (ja) | 情報処理装置、移動装置、および方法、並びにプログラム | |
CN116880514B (zh) | 智能轮椅控制方法、智能轮椅及存储介质 | |
KR102288306B1 (ko) | 휠체어가 이동 가능한 정보를 포함하고 있는 gis를 연동한 지도 정보를 이용하여 자율 주행을 수행하는 휠체어 운영 시스템 및 방법 | |
US20180281795A1 (en) | Processing a request signal regarding operation of an autonomous vehicle | |
EP3606797B1 (en) | Processing a request signal regarding operation of an autonomous vehicle | |
JP7308442B2 (ja) | 情報処理方法、情報処理装置及び情報処理システム | |
US11040720B2 (en) | Sleepiness level prediction device and sleepiness level prediction method | |
US20210256849A1 (en) | Process and system for local traffic approximation through analysis of cloud data | |
CN113415278B (zh) | 用于使用周围车辆运动流跟随最近在径车辆的***和过程 | |
EP3454269A1 (en) | Planning autonomous motion | |
US11580789B2 (en) | System load based safety operator warning system | |
JP2020192824A (ja) | 運転挙動制御方法及び運転挙動制御装置 | |
CN117120315B (zh) | 制动控制方法以及制动控制装置 | |
US20240161607A1 (en) | Event recording system, event recording device, and event recording method |
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 |