一種基於人體重心變化的自學習輪椅控制方法

2023-06-09 22:08:31 2

專利名稱：一種基於人體重心變化的自學習輪椅控制方法
技術領域：
一種基於人體坐姿重心(Centre of Gravity,COG)變化進行輪椅的運動方向和速度控制方法，利用自組織特徵映射(Self-Orgnization Feature Mapping ,S0FM)神經網絡算法自主調整並優化與駕駛操作相關的模糊控制算法參數，完成主動式的學習並區分不同乘用者的駕駛習慣，利用坐姿調整產生的重心變化，實現輪椅的運動控制和駕駛的目的，屬於模式識別與智能系統領域。
背景技術：
目前，全球60歲以上的老人數量已達6億以上，社會人口老齡化問題日益突出；同時每年因各種交通事故、自然災害和種種疾病等原因，還有相當數量的人喪失一種或多種能力(如行走、動手能力等)。其中，肢體殘疾尤其是下肢殘疾的殘障人士佔相當大的比例，因此整個社會對於輪椅需求的數量不斷增加，功能需求也日趨人性化。為了給老年人和殘障人士提供性能優越的代步工具，並輔助他們完成一些簡單的日常活動，從而提高生活自由度、參與更多的社會活動以及參與康復訓練和殘疾人體育運動等。傳統的手動輪椅和普通電動輪椅已經不能滿足殘疾人日益增長的各種生活和娛樂需求(如參加輪椅網球、輪椅桌球運動等)，因此許多國家都對電動輪椅進行了深入的開發研究，其中，多種類型的智能輪椅已經具有了諸如障礙物自主避讓，未知環境的導航定位，室內地圖創建，爬越樓梯障礙等較為複雜的功能，在一定程度上對提高老年人和殘障人士的生活質量起到了積極的推動作用。智能輪椅的輸入控制接口形式主要包括以下幾種如手柄(Joystick)輸入接口，觸控螢幕(Touch Screen)輸入接口、面部特徵(Face Feature)輸入接口、語音(Voice)輸入接口、視覺(Vision)輸入接口、滑鼠鍵盤(Mouse and Keyboard)輸入接口以及腦電信號(Electroencephalogram)輸入接口等。上述的各種輪椅操作的人機互動接口(Human-Computer Interface, HCI)在一定程度上限制了殘疾人活動自由度，具體不足主要體現在如下幾個方面(I)手動操作，限制了雙手參與其它活動的自由度。如手柄、鍵盤和滑鼠以及觸控螢幕等人機互動方式等，這類操作方式中需要手參與輪椅控制，因而限制了輪椅乘用者參與需要雙手進行的康復訓練或體育運動等，給殘疾人乘用者帶來不便；(2)輸入信號容易受到外界環境因素的幹擾，魯棒性較差。如語音和腦電信號等，由於容易受到外界環境因素的幹擾而導致控制效果不理想或失控等。而在嘈雜環境中，語音輸入方式幾乎無法使用，因此上述幾種控制方法幾乎無法在實際環境下進行應用。(3)不具有自主學習駕駛習慣功能，很難或者無法滿足不同駕駛習慣用戶的需求。各種輪椅的人機互動方式中，輪椅乘用者與設計者之間在操作習慣上存在一定偏差，每位乘用者的操作差異較大，而目前的智能輪椅在交互過程中，不能實現因人而異。由於無法針對不同用戶自主學習駕駛習慣，在設計的輪椅產品化過程中會造成因個體差異導致控制參數配置過於繁瑣和複雜，給開發者和乘用者都帶來很多困難和不便。

發明內容
本發明「基於人體重心變化的自學習輪椅控制方法」主要技術方案內容如下在剛性的輪椅座椅與固定支架之間固定安裝A— F六個點式壓力傳感器，位置以及對應關係如

圖1所示。利用傳感器實時測量六個點所在位置的壓力變化，依據各點測量的壓力值，計算圖1所示座椅二維平面內的人體坐姿重心坐標位置G(x，y)變化，並保存在嵌入式計算機的資料庫中；同時，計算機自動計算出重心坐標G(x，y)在二維座椅平面內不同方向的變化速度分量Vx和Vy以及變化加速度分量ax和ay，並將其作為控制的輸入量輸入到模糊控制器；模糊控制器對輸入量進行歸一化和模糊化後，通過自組織特徵映射SOFM神經網絡算法，完成對乘用者駕駛習慣的自主訓練學習，利用學習後的結果實時修改和調整模糊控制器的參數；然後將模糊控制器的輸出進行解模糊化，得到輪椅實體中心點在運動平面內期望的運動速度分量\和Vy ;最後，通過嵌入式計算機(多軸運動控制器)控制直流伺服電機驅動器、直流伺服電機及減速器等執行機構，驅動輪椅輪子各自的運動速度，完成利用人體坐姿重心對輪椅運動方向和速度的控制。基於人體重心變化的自學習輪椅控制方法，包括以下步驟1.在輪椅座椅與架構間安裝壓力傳感器，採集人體坐姿下的受力分布，計算二維重心坐標。I)安裝應變式壓力傳感器。人體坐姿二維重心測量和計算的力學模型示意圖如圖1所示。在座椅與輪椅剛性架構之間對應位置安裝A— F六個點式應變型壓力傳感器(圖1中矩形平面部分的A、B、C、D、E、F點所示位置)，傳感器上下兩端分別固定在座椅以及座椅支架部分，測量各點在與座椅平面垂直的法向量方向上(z軸方向)的受力分布。其中Fa—Ff為座椅在6個傳感器測力點測得的z軸方向上所受壓力，L (單位m)和H (單位m)表示矩形座椅部分的長寬尺寸參數，X, Y，z為三維直角坐標系的坐標軸，X軸正方向為輪椅正前方朝向，0為坐標系原點，其中xOy平面為座椅平面，z方向為與該平面垂直的法向量方向。2)根據建立的人體坐姿二維重心數學模型，計算人體坐姿二維重心坐標位置。根據圖1中A— F各點尺寸及位置參數，得各點在X方向和y方向的坐標如式(I)所示。
權利要求
1.基於人體重心變化的自學習輪椅控制方法，其特徵在於，包括以下步驟 (1).在輪椅座椅與架構間安裝壓力傳感器，採集人體坐姿下的受力分布，計算二維重心坐標，並將實時重心數據保存到嵌入式計算機中； (2).設計參數自適應式的模糊控制器，將計算得到的重心信息作為控制器輸入量，通過改進的SOFM神經網絡算法，根據乘用者的駕駛特點進行自學習，並根據學習結果自動調整控制器相關參數，輸出輪椅的實際運動方向和速度； 具體步驟如下 1)利用數據採集實現各點壓力實時採集並計算重心坐標後，計算獲取的重心點坐標變化的速度和加速度，將兩者同時輸入二維模糊控制器； 2)利用改進的SOFM學習算法自主調整模糊控制規則，實現模糊自適應控制； 將重心坐標變化參數即速度V和加速度a輸入模糊控制器，模糊控制器的輸出為輪椅的實時運動速度Vx和Vy ； 將人體上身坐姿重心變化情況分為9類，即前傾、後傾、左傾、右傾、左前傾、右前傾、左後傾、右後傾和正坐無傾斜； 依據SOFM算法的基本學習過程，對包括輸出層神經元數目m、網絡初始權值以及網絡鄰域半徑調整規則進行了算法優化，降低運算複雜度； ①在SOFM神經網絡中，若輸入層神經元數目為n，輸出層神經元數目為m，則層之間的連接共計nXm個連接權值； 輸出層神經元數目，即取為1114+0.7%+入；其中，m為欲選取的輸出層神經元數目；C為輸入樣本類別，即期望聚類數目，期望聚類結果為9類典型上身動作，因此取C=9 ；N0為選取的輸出層初始鄰域所包含的神經元節點數目，選取Ntl大於或等於C ;且由於m為輸出層神經元數目，需按照「整數行數X整數列數」的輸出層數目進行取值，因此將\設為初始修正取整參數； ②初始權值的選取優化； 若一個SOFM網絡的輸入層節點數為n，輸出層節點數為m ;其第I個輸入樣本向量即重心坐標向量為(G11, G12,…，G1i,…，G11J ;輸入樣本向量類分別記為Ic1, c2,…，cp,cr}，其中r為每組輸入樣本向量中所包含的預期聚類數量最大值，即本發明實施例中重心坐標向量為{G\，G1J，樣本最多聚類數為9類，其中Cl— C9對應的9類典型動作，故取r=9 ； 若設r個聚類動作中任意一個聚類為cp，則第p個聚類中對應的重心坐標數目為k個，在這k個坐標值中，對於輸入層的n個節點中的第i個節點而言，若該類別在此節點上的分量坐標為Cp—i—e,則有
全文摘要
一種基於人體重心變化的自學習輪椅控制方法屬於模式識別與智能系統領域。本發明.在輪椅座椅與架構間安裝壓力傳感器，採集人體坐姿下的受力分布，計算二維重心坐標，並將實時重心數據保存到嵌入式計算機中；依據常規的SOFM算法的基本學習過程，對包括輸出層神經元數目、網絡初始權值以及網絡鄰域半徑調整規則等進行了算法優化，降低運算複雜度，提高算法在應用中的計算實時性，實現控制算法因人而異的目的。利用改進後的SOFM算法，在駕駛習慣學習過程中，SOFM聚類算法收斂速度和學習效率得到大幅度提高，提升了算法的實時性和聚類正確率，滿足輪椅實時學習控制的要求，消除了因用戶駕駛習慣不同帶來的手動調整參數過於繁瑣的問題。
文檔編號A61G5/10GK103064283SQ20121054667
公開日2013年4月24日 申請日期2012年12月14日 優先權日2012年12月14日
發明者賈松敏, 樊勁輝, 李秀智 申請人:北京工業大學