专利名称：一种基于模糊神经网络的智能轮椅避障方法
技术领域：
本发明涉及自动控制领域，特别是一种轮椅的动态避障方法。
背景技术：
智能轮椅属于移动机器人的一种，移动机器人又是机器人的重要分支，移动机器人可以用自身的多种传感器对周围的环境和自身的状态进行感知，通过对环境状况的判断可以实现趋向目标的自主运动，并在自主运动中避开环境中的障碍物，而且可以根据需要完成一定作业功能。如何选择传感器来感知智能轮椅所处的外部环境，是智能轮椅的避障过程中要解决的首要问题。为了更好的为之后的工作提供信息来指导后续工作，首先要解决的就是传感器这一瓶颈问题。伴随现代科学技术的飞速发展，各种新型的传感器和敏感材料也应运而生，传感器的种类也随之越来越多，其性能和结构也在很大程度上得到了提高和发展。因此各种传感器采集的信息数量也随之增加，为了更好的处理大量的信息，对信息的处理和管理工作有了更高层次的要求。对各种传感器采集的信息进行处理，一方面要把各种传感器的信息联系在一起，如果对单个传感器采集的信息进行单独孤立的处理就有可能丢失环境的整体特征，导致信息资源的浪费，割断各个传感器之间的内部联系；另一方面，通常多个传感器是处于相同的环境中，对相同的环境进行信息采集，所以采集的信息一般是同一环境的不同侧面信息，依据上面的描述对多传感器系统进行信息融合，协调各传感器之间的工作，可以使各传感器的工作效率提高，从而得的到更加准确的环境描述信息。为了更加有效地处理多传感器系统中各种传感器的信息，信息融合理论应运而生并且逐步发展成为一个新的研究方向。目前，常用的传感器主要有超声传感器、红外传感器、CXD摄像头、编码器、GPS等。 但是每种单一的传感器各都有各自的点和局限性，如超声波传感器虽然价格比较低廉且使用方便，但探测波束角过大，方向性比较差，往往只能测得目标的距离信息，不能提供目标具体的边界信息；而红外传感器探测视角小，方向性也要强一些，测量精度也较超声传感器高；CCD摄像机虽然可以精确的估计目标景物的信息，但它的计算量较大，会导致响应时间较长，控制效果变差。由于各种传感器具有局限性，使用单个传感器采集的信息进行环境特征的描述是不完整的或者是有缺陷的，所以在实际研究中我们通常会采用多传感器信息融合技术，对多种(多个)传感器信息进行融合，这样就能获得更准确、更完整的环境信息了。
发明内容
本发明的目的就是提供一种基于模糊神经网络的智能轮椅避障方法，它对多个传感器的信息进行融合，使移智能轮椅具有完成避障过程中所需的有效完整的信息，从而达到避障策略的正确性和控制的鲁棒性的目的。本发明的目的是通过这样的技术方案实现的，它包括有位于轮椅前端的两个声纳传感器和一个摄像头，其步骤如下1)摄像头多次采集障碍物信息，选用Haar-Iike矩形特征表述障碍物，同时两个声纳传感器好采集障碍物的位置信息；
2)用Adaboost算法对摄像头多次采集到的信息进行训练，得到障碍物的分类器和障碍物在摄像头坐标里的坐标位置；
3)将摄像头坐标系与轮椅所在的空间坐标系进行统一，将摄像头获取的图像坐标和轮椅的坐标在同一坐标系内表述；
4)判断轮椅与障碍物的相对位置关系；
5)用模糊神经网络的方法融合两个声纳传感器和摄像头采集到的实时信息，时刻计算轮椅与障碍物的实时位置，根据设计的模糊神经网络控制规则，从而规划轮椅的轮速和转角信息，完成轮椅的动态避障。进一步，步骤3)中将摄像头坐标系转换为轮椅所在的空间坐标系； 当然，步骤3)中轮椅所在的空间坐标系转换也可以为摄像头坐标系；
进一步，步骤4)中障碍物左边缘距离智能轮椅中心线的距离为障碍物右边缘距离智能轮椅中心线的距离为丨ΛI,μ丨 > 丨ΛI时,表明障碍物在轮椅左侧，丨￡| < μι时，表明障碍物在轮椅右侧;
进一步，步骤5)中所述模糊神经网络的控制规则为,将^★的模糊分割数定为3，即 {远，中，近} = {F，Μ，Ν}，轮椅速度力、轮椅转角为6的，论的模糊分割数为2，即{左， 右}= (LtR)，其中两个声纳测量数据和摄像头的信息作为输入，即d，&sA ,设计模糊控制规则，得到对应的轮速ν和转角5的信息。由于采用了上述技术方案，本发明具有如下的优点配备有多个传感器，它们提供的信息有冗余信息也有互补信息，以一定的方法将这些互补或冗余的传感器信息进行融合，从而更加充分有效地利用传感器提供的信息，获得最佳的、可靠的信息，进一步更加准确全面地反映出外界环境的特征，为导航决策和定位提供依据；采用单个传感器具一定的局限性也会产生误差，采用多传感器信息融合技术可以增加各类传感器信息的互补性以及对环境变化的适应性，使移智能轮椅具有完成避障过程中所需的有效完整的信息，从而达到避障策略的正确性和控制的鲁棒性的目的。本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
本发明的
如下。图1用于障碍物识别的矩形特征。图2障碍物检测示意图。图3智能轮椅的物理模型。图4计算机图像坐标系。图5焦距与视角关系。
图6可合并的识别矩形框的位置范围。图7智能轮椅避障控制器原理图。图8仅使用声纳的智能轮椅避障仿真路线。图9经信息融合后的智能轮椅避障仿真路线。
具体实施例方式下面结合附图和实施例对本发明作进一步说明。一种基于模糊神经网络的智能轮椅避障方法，它包括有位于轮椅前端的两个声纳传感器和一个摄像头，其步骤如下
1)摄像头多次采集障碍物信息，选用Haar-Iike矩形特征表述障碍物，同时两个声纳传感器好采集障碍物的位置信息；
2)用Adaboost算法对摄像头多次采集到的信息进行训练，得到障碍物的分类器和障碍物在摄像头坐标里的坐标位置；
3)将摄像头坐标系与轮椅所在的空间坐标系进行统一，将摄像头获取的图像坐标和轮椅的坐标在同一坐标系内表述；
4)判断轮椅与障碍物的相对位置关系；
5)用模糊神经网络的方法融合两个声纳传感器和摄像头采集到的实时信息，时刻计算轮椅与障碍物的实时位置，根据设计的模糊神经网络控制规则，从而规划轮椅的轮速和转角信息，完成轮椅的动态避障。步骤1)和步骤2)所述过程的主要目的是为了障碍物精确定位，通过多次采集和迭代运算，得出的障碍物形状和距离信息更加准确，并且对障碍物进行分类，对体积大于某一预设值的物体判断为障碍物，需要进行避障，反之则不需要避障，步骤3)所述过程实现了轮椅和障碍物在同一坐标系的位置定位，从而准确的为轮椅与障碍物的相对位置进行定位，根据轮椅与障碍物的大小形状和障碍物的实时位置信息，用模糊神经网络的方法的控制规则，规划轮椅的转速和转角信息，绕过障碍物，完成准确的动态避障。为了统一坐标系，步骤3)中将摄像头坐标系转换为轮椅所在的空间坐标系，也可以将轮椅所在的空间坐标系转换也可以为摄像头坐标系。步骤4)中是这样判断的，障碍物左边缘距离智能轮椅中心线的距离为I，障碍物右边缘距离智能轮椅中心线的距离为Pl ,μι >|Λ|时，表明障碍物在轮椅左侧，μι < I引时，表明障碍物在轮椅右侧，。步骤5)中所述模糊神经网络的控制规则为，将的模糊分割数定为3，即 {远，中，近} = {F，Μ，Ν}，轮椅速度力ι轮椅转角为d的，Λ的模糊分割数为2，即{左， 右}= (LtR)，其中两个声纳测量数据和摄像头的信息作为输入，即Λ ,设计模糊控制规则，得到对应的轮速ν和转角Θ的信息如下
R1 :if ( di isN)and( dr isN)and( dc is L)
Then (ν is V1) and ( & is ft ) R2 :if ( di isN)and( dr isM)and( dc is L)Then(v is v2)and( 0 is 02 ) R3 :if ( dl isN)and( dr isF)and( dc is L)
Then(v is v3)and( 9 is ft ) R4 if ( dl isM)and( dr isN)and( dc is L)
Then(v is v4)and( 8 is 04 ) R5 :if ( dl isM)and( dr isM)and( dc is L)
Then(v is v5)and( 9 is 05、 Rq :if( di isM)and( dr isF)and( dc is L)
Then(v is v6)and( 8 is 06 ) R7 :if ( dl isF)and( dr isN)and( dc is L)
Then(v is v7)and( & is 0i、 R8 :if ( dl isF)and( dr is M)and( Jc is L)
Then(v is v8)and( d is 5s ) R9 :if ( dl isF)and( dr isF)and( dc is L)
Then(v is v9)and( 9 is 09 ) R10 :if(dl isN)and( dr is N)and( dc is R)
Then(v is v10)and( & is fto ) R11 :if ( rfi isN)and( dr isM)and( dc is R)
Then(v is vn)and( & is Ai ) R12 iif(d! is N)and( dr isF)and( dc is R)
Then(v is v12)and( & is ￠12 ) R13 :if ( rfi is M)and( " isN)and(r is R)
Then(v is v13)and( 9 is ) R14 :if(dl isM)and( dr isM)and( dc is R)
Then(v is v14)and( & is ) R15 :if ( rfi isM)and( dr isF)and( dc is R)
Then(v is v15)and( 0 is Bis ) R16 :if ( cii isF)and( dr isN)and( dc is R)
Then(v is v16)and( & is ) R17 :if ( rfl isF)and( dr isM)and( dc is R)
Then(v is v17)and( & is ) R18 :if ( d1! isF)and( dr isF)and( 4 is R) Then(v is v18)and( & is )V1至V18，ft至fts均为预设值，根据两个声纳测量数据和摄像头的实时信息作为输入
数据，对应适合的规则，从而控制轮椅的转速和转角即可完成动态避障。实施例一
首先选用Haar-Iike矩形特征来描述障碍物，这是是因为这种特征表示的形式简单， 计算速度快，形式多样，这些矩形特征原型可以派生出丰富的矩形特征。本发明采用的矩形特征有11种，如图1所示。用Adaboost算法将摄像头采集的障碍物样本进行训练，得到障碍物的分类器，确定障碍物。智能轮椅上摄像头的安装位置如图3所示，每幅图像的每个像素值即是图像点的亮度，以数组形式存在计算机内。在图像上定义直角坐标系Iv，如图4所示。U、v图中分别为像素点在图像上的行数和列数。(IV)是以像素为单位的坐标系。(x,y)是以物理单位表示的坐标。义是图像坐标系原点。O1是dX坐标系中摄像机光轴与图像平面的交点。首先要将计算机的图像变换为摄像机空间的像坐标，其变换关系为 χ = (ν - v0) dxy = (u — u0)dy
根据图5可以得到如下公式
权利要求
1.一种基于模糊神经网络的智能轮椅避障方法，它包括有位于轮椅前端的两个声纳传感器和一个摄像头，其步骤如下1)摄像头多次采集障碍物信息，选用Haar-Iike矩形特征表述障碍物，同时两个声纳传感器好采集障碍物的位置信息；2)用Adaboost算法对摄像头多次采集到的信息进行训练，得到障碍物的分类器和障碍物在摄像头坐标里的坐标位置；3)将摄像头坐标系与轮椅所在的空间坐标系进行统一，将摄像头获取的图像坐标和轮椅的坐标在同一坐标系内表述；4)判断轮椅与障碍物的相对位置关系；5)用模糊神经网络的方法融合两个声纳传感器和摄像头采集到的实时信息，时刻计算轮椅与障碍物的实时位置，根据设计的模糊神经网络控制规则，从而规划轮椅的轮速和转角信息，完成轮椅的动态避障。
2.如权利要求1所述的一种基于模糊神经网络的智能轮椅避障方法，其特征在于步骤3)中将摄像头坐标系转换为轮椅所在的空间坐标系。
3.如权利要求1所述的一种基于模糊神经网络的智能轮椅避障方法，其特征在于步骤3)中轮椅所在的空间坐标系转换为摄像头坐标系。
4.如权利要求1、2或3所述的一种基于模糊神经网络的智能轮椅避障方法，其特征在于步骤4)中障碍物左边缘距离智能轮椅中心线的距离为障碍物右边缘距离智能轮椅中心线的距离为丨Λ I , μ丨 > 丨Λ I时，表明障碍物在轮椅左侧，丨￡| < 丨时，表明障碍物在轮椅右侧，。
5.如权利要求1、2或3所述的一种基于模糊神经网络的智能轮椅避障方法，其特征在于步骤5)中所述模糊神经网络将★的模糊分割数定为3，即{远，中，近} = {F，M，N}， 轮椅速度力、轮椅转角为6的，&的模糊分割数为2，即{左，右}=仏3}，其中两个声纳测量数据和摄像头的信息作为输入，即 ^+.Λ，设计模糊控制规则，得到对应的轮速ν和转角4的信息。
全文摘要
一种基于模糊神经网络的智能轮椅避障方法，它包括有位于轮椅前端的两个声纳传感器和一个摄像头，摄像头多次采集障碍物信息，两个声纳传感器好采集障碍物的位置信息,通过处理，用模糊神经网络的方法融合两个声纳传感器和摄像头采集到的实时信息，时刻计算轮椅与障碍物的实时位置，根据设计的模糊神经网络控制规则，从而规划轮椅的轮速和转角信息，完成轮椅的动态避障。以一定的方法将这些互补或冗余的传感器信息进行融合，获得最佳的、可靠的信息，为导航决策和定位提供依据，使移智能轮椅具有完成避障过程中所需的有效完整的信息，从而达到避障策略的正确性和控制的鲁棒性的目的。
文档编号A61G5/00GK102339019SQ201110210600
公开日2012年2月1日 申请日期2011年7月26日 优先权日2011年7月26日
发明者张毅, 李敏, 林海波, 罗元, 蔡军, 谢颖, 陈竞 申请人:重庆邮电大学