专利名称：一种基于人体重心变化的自学习轮椅控制方法
技术领域：
一种基于人体坐姿重心(Centre of Gravity,COG)变化进行轮椅的运动方向和速度控制方法，利用自组织特征映射(Self-Orgnization Feature Mapping ,S0FM)神经网络算法自主调整并优化与驾驶操作相关的模糊控制算法参数，完成主动式的学习并区分不同乘用者的驾驶习惯，利用坐姿调整产生的重心变化，实现轮椅的运动控制和驾驶的目的，属于模式识别与智能系统领域。
背景技术：
目前，全球60岁以上的老人数量已达6亿以上，社会人口老龄化问题日益突出；同时每年因各种交通事故、自然灾害和种种疾病等原因，还有相当数量的人丧失一种或多种能力(如行走、动手能力等)。其中，肢体残疾尤其是下肢残疾的残障人士占相当大的比例，因此整个社会对于轮椅需求的数量不断增加，功能需求也日趋人性化。为了给老年人和残障人士提供性能优越的代步工具，并辅助他们完成一些简单的日常活动，从而提高生活自由度、参与更多的社会活动以及参与康复训练和残疾人体育运动等。传统的手动轮椅和普通电动轮椅已经不能满足残疾人日益增长的各种生活和娱乐需求(如参加轮椅网球、轮椅乒乓球运动等)，因此许多国家都对电动轮椅进行了深入的开发研究，其中，多种类型的智能轮椅已经具有了诸如障碍物自主避让，未知环境的导航定位，室内地图创建，爬越楼梯障碍等较为复杂的功能，在一定程度上对提高老年人和残障人士的生活质量起到了积极的推动作用。智能轮椅的输入控制接口形式主要包括以下几种如手柄(Joystick)输入接口，触摸屏(Touch Screen)输入接口、面部特征(Face Feature)输入接口、语音(Voice)输入接口、视觉(Vision)输入接口、鼠标键盘(Mouse and Keyboard)输入接口以及脑电信号(Electroencephalogram)输入接口等。上述的各种轮椅操作的人机交互接口(Human-Computer Interface, HCI)在一定程度上限制了残疾人活动自由度，具体不足主要体现在如下几个方面(I)手动操作，限制了双手参与其它活动的自由度。如手柄、键盘和鼠标以及触摸屏等人机交互方式等，这类操作方式中需要手参与轮椅控制，因而限制了轮椅乘用者参与需要双手进行的康复训练或体育运动等，给残疾人乘用者带来不便；(2)输入信号容易受到外界环境因素的干扰，鲁棒性较差。如语音和脑电信号等，由于容易受到外界环境因素的干扰而导致控制效果不理想或失控等。而在嘈杂环境中，语音输入方式几乎无法使用，因此上述几种控制方法几乎无法在实际环境下进行应用。(3)不具有自主学习驾驶习惯功能，很难或者无法满足不同驾驶习惯用户的需求。各种轮椅的人机交互方式中，轮椅乘用者与设计者之间在操作习惯上存在一定偏差，每位乘用者的操作差异较大，而目前的智能轮椅在交互过程中，不能实现因人而异。由于无法针对不同用户自主学习驾驶习惯，在设计的轮椅产品化过程中会造成因个体差异导致控制参数配置过于繁琐和复杂，给开发者和乘用者都带来很多困难和不便。
发明内容
本发明“基于人体重心变化的自学习轮椅控制方法”主要技术方案内容如下在刚性的轮椅座椅与固定支架之间固定安装A— F六个点式压力传感器，位置以及对应关系如
图1所示。利用传感器实时测量六个点所在位置的压力变化，依据各点测量的压力值，计算图1所示座椅二维平面内的人体坐姿重心坐标位置G(x，y)变化，并保存在嵌入式计算机的数据库中；同时，计算机自动计算出重心坐标G(x，y)在二维座椅平面内不同方向的变化速度分量Vx和Vy以及变化加速度分量ax和ay，并将其作为控制的输入量输入到模糊控制器；模糊控制器对输入量进行归一化和模糊化后，通过自组织特征映射SOFM神经网络算法，完成对乘用者驾驶习惯的自主训练学习，利用学习后的结果实时修改和调整模糊控制器的参数；然后将模糊控制器的输出进行解模糊化，得到轮椅实体中心点在运动平面内期望的运动速度分量\和Vy ;最后，通过嵌入式计算机(多轴运动控制器)控制直流伺服电机驱动器、直流伺服电机及减速器等执行机构，驱动轮椅轮子各自的运动速度，完成利用人体坐姿重心对轮椅运动方向和速度的控制。基于人体重心变化的自学习轮椅控制方法，包括以下步骤1.在轮椅座椅与架构间安装压力传感器，采集人体坐姿下的受力分布，计算二维重心坐标。I)安装应变式压力传感器。人体坐姿二维重心测量和计算的力学模型示意图如图1所示。在座椅与轮椅刚性架构之间对应位置安装A— F六个点式应变型压力传感器(图1中矩形平面部分的A、B、C、D、E、F点所示位置)，传感器上下两端分别固定在座椅以及座椅支架部分，测量各点在与座椅平面垂直的法向量方向上(z轴方向)的受力分布。其中Fa—Ff为座椅在6个传感器测力点测得的z轴方向上所受压力，L (单位m)和H (单位m)表示矩形座椅部分的长宽尺寸参数，X, Y，z为三维直角坐标系的坐标轴，X轴正方向为轮椅正前方朝向，0为坐标系原点，其中xOy平面为座椅平面，z方向为与该平面垂直的法向量方向。2)根据建立的人体坐姿二维重心数学模型，计算人体坐姿二维重心坐标位置。根据图1中A— F各点尺寸及位置参数，得各点在X方向和y方向的坐标如式(I)所示。
权利要求
1.基于人体重心变化的自学习轮椅控制方法，其特征在于，包括以下步骤 (1).在轮椅座椅与架构间安装压力传感器，采集人体坐姿下的受力分布，计算二维重心坐标，并将实时重心数据保存到嵌入式计算机中； (2).设计参数自适应式的模糊控制器，将计算得到的重心信息作为控制器输入量，通过改进的SOFM神经网络算法，根据乘用者的驾驶特点进行自学习，并根据学习结果自动调整控制器相关参数，输出轮椅的实际运动方向和速度； 具体步骤如下 1)利用数据采集实现各点压力实时采集并计算重心坐标后，计算获取的重心点坐标变化的速度和加速度，将两者同时输入二维模糊控制器； 2)利用改进的SOFM学习算法自主调整模糊控制规则，实现模糊自适应控制； 将重心坐标变化参数即速度V和加速度a输入模糊控制器，模糊控制器的输出为轮椅的实时运动速度Vx和Vy ； 将人体上身坐姿重心变化情况分为9类，即前倾、后倾、左倾、右倾、左前倾、右前倾、左后倾、右后倾和正坐无倾斜； 依据SOFM算法的基本学习过程，对包括输出层神经元数目m、网络初始权值以及网络邻域半径调整规则进行了算法优化，降低运算复杂度； ①在SOFM神经网络中，若输入层神经元数目为n，输出层神经元数目为m，则层之间的连接共计nXm个连接权值； 输出层神经元数目，即取为1114+0.7%+入；其中，m为欲选取的输出层神经元数目；C为输入样本类别，即期望聚类数目，期望聚类结果为9类典型上身动作，因此取C=9 ；N0为选取的输出层初始邻域所包含的神经元节点数目，选取Ntl大于或等于C ;且由于m为输出层神经元数目，需按照“整数行数X整数列数”的输出层数目进行取值，因此将\设为初始修正取整参数； ②初始权值的选取优化； 若一个SOFM网络的输入层节点数为n，输出层节点数为m ;其第I个输入样本向量即重心坐标向量为(G11, G12,…，G1i,…，G11J ;输入样本向量类分别记为Ic1, c2,…，cp,cr}，其中r为每组输入样本向量中所包含的预期聚类数量最大值，即本发明实施例中重心坐标向量为{G\，G1J，样本最多聚类数为9类，其中Cl— C9对应的9类典型动作，故取r=9 ； 若设r个聚类动作中任意一个聚类为cp，则第p个聚类中对应的重心坐标数目为k个，在这k个坐标值中，对于输入层的n个节点中的第i个节点而言，若该类别在此节点上的分量坐标为Cp—i—e,则有
全文摘要
一种基于人体重心变化的自学习轮椅控制方法属于模式识别与智能系统领域。本发明.在轮椅座椅与架构间安装压力传感器，采集人体坐姿下的受力分布，计算二维重心坐标，并将实时重心数据保存到嵌入式计算机中；依据常规的SOFM算法的基本学习过程，对包括输出层神经元数目、网络初始权值以及网络邻域半径调整规则等进行了算法优化，降低运算复杂度，提高算法在应用中的计算实时性，实现控制算法因人而异的目的。利用改进后的SOFM算法，在驾驶习惯学习过程中，SOFM聚类算法收敛速度和学习效率得到大幅度提高，提升了算法的实时性和聚类正确率，满足轮椅实时学习控制的要求，消除了因用户驾驶习惯不同带来的手动调整参数过于繁琐的问题。
文档编号A61G5/10GK103064283SQ20121054667
公开日2013年4月24日 申请日期2012年12月14日 优先权日2012年12月14日
发明者贾松敏, 樊劲辉, 李秀智 申请人:北京工业大学