一种基于证据网络的智能轮椅路径选择偏好识别方法与流程

本发明涉及多源信息融合技术领域，具体涉及一种基于证据网络的智能轮椅路径选择偏好识别方法。

背景技术：

目前，国内外研究者在失能人群使用智能轮椅时考虑用户的舒适度方面仅有以下几个方面：1、对智能轮椅的控制还停留在路径规划的层面上，将用户如货物一般的运输；2、对用户们的舒适度进行统一建模，考虑通道宽窄和路径可见度等因素对用户的影响；3、利用意图识别的方法来让用户控制智能轮椅。上述技术无法考虑到每一个使用智能轮椅用户的切身感受，且增加了用户的认知工作量。

技术实现要素：

针对现有技术存在的问题，本发明提供一种基于证据网络的智能轮椅路径选择偏好识别方法，主要为在智能轮椅上的用户服务，根据识别用户对路径中障碍物的形状、距离、个数及通道宽度来综合考虑用户的要求，对用户即将面对的路径进行规划，智能识别用户最喜欢的路径。

为了实现上述目的，一种基于证据网络的智能轮椅路径选择偏好识别方法，包括以下步骤：

步骤1：采集环境中用户偏好数据，包括障碍物数量范围、障碍物与用户距离范围、障碍物形状曲率范围和通道宽度范围，分配采集到的每个用户偏好数据的基本信度，令识别框架下的信度和为1；

步骤2：用户通过实验将对采集到的证据信息的偏好重新设置，得到新的信度分配，然后提取出用户偏好信度数据；

步骤3：对采集到的用户偏好数据格式进行扩展，使数据能够在同等格式下进行合成；

步骤4：利用证据理论中的合成规则对扩展后的用户偏好数据进行合成，使之成为一种数据；

步骤5：将在信息融合的过程中已经扩展的变量或合成后的变量，即前期使用过的变量消去，使合成变量成为独立变量存在；

步骤6：判断是否计算出最终变量的信度值，即有没有合成到最后一个变量，若是，则继续执行步骤7，若否，则返回步骤3；

步骤7：将每个识别框架下的信度值转换为该识别框架下的概率值，即转换为决策变量在其每一个识别框架上的概率；

步骤8：由决策变量在其每一个识别框架下的概率乘以该识别框架的变量等级后相加，得到用户对该路径的总偏好期望值，总偏好期望值越大，用户越偏好。

所述步骤3中对采集到的用户偏好数据格式进行扩展的公式如下：

其中，m＝{m1,m2…,mr}为一组用于决策的评价函数，r为评价函数的总个数，s∈[1,2,…,r]，d＝{d1,d2,…,dn}为所有决策变量的集合，n为决策变量的总个数，且n≤r，i∈[1,2,…,n]，j∈[1,2,…,n]，且i≠j，↑为扩展符号，为di扩展为di∪dj后包含di信息的评价函数，θd为d的识别框架集合，a、c为定义在d上的不同变量笛卡尔积的子集。

所述步骤4中对扩展后的用户偏好数据进行合成的公式如下：

其中，为合成符号，m＝{m1,m2…,mr}为一组用于决策的评价函数，r为评价函数的总个数，s∈[1,2,…,r]，t∈[1,2,…,r]，且s≠t，d＝{d1,d2,…,dn}为所有决策变量的集合，n为决策变量的总个数，且n≤r，ms^d为变量集d(ms)，且其中s＝i，mt^d为变量集d(mt)，且其中t＝j，v为所有变量的集合，数据合成后di＝dj＝d，a、b、c为d上的不同变量笛卡尔积的子集，为冲突因子，φ为空集。

所述步骤5中将合成的数据中决策变量所不关心的变量消去的公式如下：

其中，↓为消元符号，d＝{d1,d2,…,dn}为所有决策变量的集合，n为决策变量的总个数，且n≤r，d’为d消元后的集合，m^d↓d'(a')为变量子集a’上的评价函数，a’、b分别为d'、d上的不同变量笛卡尔积的子集，θd为决策变量集合d的识别框架集合，θd'为决策变量集合d’的识别框架集合，m^d(b)为变量子集b上的评价函数。

所述步骤7中将每个识别框架下的信度值转换为该识别框架下的概率值的公式如下：

其中，d＝{d1,d2…,dn}为所有决策变量的集合，n为决策变量的总个数，m^d(a)为变量子集a上的评价函数，m^d(φ)为空集上的评价函数，θd为d的识别框架集合，θi为θd的任意元素，为θi的概率，betp(θi)为的贝叶斯公式表示形式，a为d上的变量笛卡尔积的子集，φ为空集。

所述步骤8中用户对该路径的总偏好期望值的计算公式如下：

其中，x为θd上的变量，θd为决策变量集合d的识别框架集合，d＝{d1,d2…,dn}为所有决策变量的集合，n为决策变量的总个数，θi为θd的任意元素，为θi的概率。

本发明的有益效果：

本发明提出一种基于证据网络的智能轮椅路径选择偏好识别方法，该方法针对每一个智能轮椅上的用户而设计，可以根据每一位用户对路径中的环境因素偏好进行评估，该方法可以减少用户的认知工作量，智能识别用户最喜欢的路径，避免像运输货物一样的运输用户，增加用户的舒适度和心理满足感。

附图说明

图1为本发明实施例中基于证据网络的路径选择偏好识别方法流程图；

图2为本发明实施例中在障碍物个数为1-2个的环境条件下采集用户偏好的示意图；

其中，(a)为智能轮椅上的摄像头在障碍物个数为1-2个的环境条件下采集到的用户偏好图片；(b)为智能轮椅通过在障碍物个数为1-2个的环境条件下采集到的用户偏好图片形成的情景模拟示意图；

图3为本发明实施例中在障碍物个数为3-4个的环境条件下采集用户偏好的示意图；

其中，(a)为智能轮椅上的摄像头在障碍物个数为3-4个的环境条件下采集到的用户偏好图片；(b)为智能轮椅通过在障碍物个数为3-4个的环境条件下采集到的用户偏好图片形成的情景模拟示意图；

图4为本发明实施例中在障碍物个数为5-6个的环境条件下采集用户偏好的示意图；

其中，(a)为智能轮椅上的摄像头在障碍物个数为5-6个的环境条件下采集到的用户偏好图片；(b)为智能轮椅通过在障碍物个数为5-6个的环境条件下采集到的用户偏好图片形成的情景模拟示意图；

图5为本发明实施例中在障碍物与人的距离为20cm的环境条件下采集用户偏好的示意图；

其中，(a)为智能轮椅上的摄像头在障碍物与人的距离为20cm的环境条件下采集到的用户偏好图片；(b)为智能轮椅通过在障碍物与人的距离为20cm的环境条件下采集到的用户偏好图片形成的情景模拟示意图；

图6为本发明实施例中在障碍物与人的距离为30cm的环境条件下采集用户偏好的示意图；

其中，(a)为智能轮椅上的摄像头在障碍物与人的距离为30cm的环境条件下采集到的用户偏好图片；(b)为智能轮椅通过在障碍物与人的距离为30cm的环境条件下采集到的用户偏好图片形成的情景模拟示意图；

图7为本发明实施例中在障碍物与人的距离为40cm的环境条件下采集用户偏好的示意图；

其中，(a)为智能轮椅上的摄像头在障碍物与人的距离为40cm的环境条件下采集到的用户偏好图片；(b)为智能轮椅通过在障碍物与人的距离为40cm的环境条件下采集到的用户偏好图片形成的情景模拟示意图；

图8为本发明实施例中在障碍物形状为直角型角的环境条件下采集用户偏好的示意图；

其中，(a)为智能轮椅上的摄像头在障碍物形状为直角型角的环境条件下采集到的用户偏好图片；(b)为智能轮椅通过在障碍物形状为直角型角的环境条件下采集到的用户偏好图片形成的情景模拟示意图；

图9为本发明实施例中在障碍物形状为圆角型角的环境条件下采集用户偏好的示意图；

其中，(a)为智能轮椅上的摄像头在障碍物形状为圆角型角的环境条件下采集到的用户偏好图片；(b)为智能轮椅通过在障碍物形状为圆角型角的环境条件下采集到的用户偏好图片形成的情景模拟示意图；

图10为本发明实施例中在障碍物形状为圆的环境条件下采集用户偏好的示意图；

其中，(a)为智能轮椅上的摄像头在障碍物形状为圆的环境条件下采集到的用户偏好图片；(b)为智能轮椅通过在障碍物形状为圆的环境条件下采集到的用户偏好图片形成的情景模拟示意图；

图11为本发明实施例中在通道宽度为2m的环境条件下采集用户偏好的示意图；

其中，(a)为智能轮椅上的摄像头在通道宽度为2m的环境条件下采集到的用户偏好图片；(b)为智能轮椅通过在通道宽度为2m的环境条件下采集到的用户偏好图片形成的情景模拟示意图；

图12为本发明实施例中在通道宽度为2.5m的环境条件下采集用户偏好的示意图；

其中，(a)为智能轮椅上的摄像头在通道宽度为2.5m的环境条件下采集到的用户偏好图片；(b)为智能轮椅通过在通道宽度为2.5m的环境条件下采集到的用户偏好图片形成的情景模拟示意图；

图13为本发明实施例中在通道宽度为3m的环境条件下采集用户偏好的示意图；

其中，(a)为智能轮椅上的摄像头在通道宽度为3m的环境条件下采集到的用户偏好图片；(b)为智能轮椅通过在通道宽度为3m的环境条件下采集到的用户偏好图片形成的情景模拟示意图；

图14为本发明实施例中证据信息采集器采集到的用户偏好数据；

其中，(a)为采集到的用户对障碍物距离的偏好数据；(b)为采集到的用户对障碍物形状的偏好数据；(c)为采集到的用户对障碍物个数的偏好数据；(d)为采集到的用户对通道宽窄的偏好数据；

图15为本发明实施例中动态二值联合树模型示意图。

具体实施方式

为了使本发明的目的、技术方案及优势更加清晰,下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。

一种基于证据网络的智能轮椅路径选择偏好识别方法，流程如图1所示，具体方法如下所述。

步骤1：采集环境中用户偏好数据，包括障碍物个数的范围为1个到6个，如图2-图4示；障碍物与用户距离范围为10cm到40cm，如图5-图7所示；障碍物形状曲率范围为0到1，如图8-图10所示；通道宽度范围为1.5m到3m，如图11-图13所示。分配采集到的每个用户偏好数据的基本信度为0.2，令识别框架下信度和为1。

本实施例中，涉及到的变量如表1所示。

表1变量声明

步骤2：用户通过实验将对采集到的证据信息的偏好重新设置，得到新的信度分配，然后提取出用户偏好信度数据，如表2所示。

表2单一环境条件下(障碍物个数)的证据信息采集

如图14所示，纵轴表示信度，横轴表示环境因素的变化。长虚线代表用户不喜欢该环境条件下的信度，短虚线代表适中，窄实线代表喜欢，宽实线代表不确定，每一个信度数据都表示对所对应的选项(不喜欢，可以，喜欢，无所谓)的直接支持，它们都代表了证据信息采集器中用户偏好的信度。

由图14(a)可以得到用户1对障碍物与用户距离的信度数据：障碍物与用户距离为10cm到20cm时，用户信度为(1，0，0，0)；障碍物与用户距离为20cm到30cm时，用户信度为(0.6，0.4，0，0)；障碍物与用户距离为30m到40m时，用户信度为(0，0.6，0.4，0)。

障碍物形状分为直角型角、圆角型角和圆型角。由图6(b)可以得到用户1对障碍物形状的信度数据：障碍物形状为直角型角时，用户信度为(0.8，0.2，0，0)；障碍物形状为圆角型角时，用户信度为(0.6，0.2，0，0.2)；障碍物形状为圆型角时，用户信度为(0.4，0.4，0，0.2)。

由图14(c)可以得到用户1对障碍物个数的信度数据：障碍物个数为1个到2个时，用户信度为(0.2，0.6，0.2，0)；障碍物个数为3个到4个时，用户信度为(0.6，0.4，0，0)；障碍物个数为5个到6个时，用户信度为(0.8，0.2，0，0)。

由图14(d)可以得到用户1对通道宽度的信度数据：通道宽度为1.5m到2m时，用户信度为(0.8，0.2，0，0)；通道宽度为2m到2.5m时，用户信度为(0.2，0.8，0，0)；通道宽度为2.5m到3m时，用户信度为(0，0.8，0.2，0)。

步骤3：对采集到的用户偏好数据格式进行扩展，使数据能够在同等格式下进行合成。

对采集到的用户偏好数据格式进行扩展的公式如公式(1)所示：

其中，m＝{m1,m2…,mr}为一组用于决策的评价函数，r为评价函数的总个数，s∈[1,2,…,r]，d＝{d1,d2,…,dn}为所有决策变量的集合，n为决策变量的总个数，且n≤r，i∈[1,2,…,n]，j∈[1,2,…,n]，且i≠j，↑为扩展符号，为di扩展为di∪dj后包含di信息的评价函数，θd为d的识别框架集合，a、c为定义在d上的不同变量笛卡尔积的子集。

本实施例中，令公式(1)中r＝13，n＝7，m1，m2，m3都为1，m4，m5，m6，m7值为证据理论采集器采集到的数据，m9，m10，m11，m12，m13为合成后的评价函数，假设所有的变量都是已经合成好的，如图15所示，od、os、oq、cw、ods、o、p为定义在d上的不同变量笛卡尔积的子集，其中od、os、oq、cw为集合[0,1,2]，即变量等级，ods为od和os合成后的集合[0,1,2,3,4]，o为ods和oq的集合，变量等级为[0,1,2,3,4,5,6]，p为o和cw的集合，变量等级为[0,1,2,3,4,5,6,7,8]，由公式(1)可得公式(1-1)-(1-4)：

我们以和为例，第一个式子代表m4这个评价函数所对应的变量以d1的识别框架进行扩展，而其变量本身的变量形式是d1∪d2的识别框架形式，若要将d1与d2进行合成，需要将d1与d2扩展成d1∪d2的形式，这样才能进行合成，所以第一个式子的意义是将od自身扩展为ods/od/os，本身保留m4的信度值，第二个式子是将os自身扩展为ods/od/os，本身保留m5的信度值，这样才符合ods的合成条件。

步骤4：利用证据理论中的合成规则对扩展后的用户偏好数据进行合成，使之成为一种数据。

对采集到的用户偏好数据格式进行扩展的公式如公式(2)所示：

其中，为合成符号，s∈[1,2,…,r]，t∈[1,2,…,r]，且s≠t，ms^d为变量集d(ms)，且其中s＝i，mt^d为变量集d(mt)，且其中t＝j，v为所有变量的集合，数据合成后di＝dj＝d，a、b、c为d上的不同变量笛卡尔积的子集，为冲突因子，φ为空集。

本实施例中，如图15所示，b、c为d上的不同变量笛卡尔积的子集，在这里指代七个识别框架即{d1,d2…,d7}，由公式(2)可得公式(2-1)-(2-6)：

步骤5：将在信息融合的过程中已经扩展的变量或合成后的变量，即前期使用过的变量消去，使合成变量成为独立变量存在。

将合成的数据中决策变量所不关心的变量消去的公式如公式(3)所示：

其中，↓为消元符号，d’为d消元后的集合，m^d↓d'(a')为变量子集a’上的评价函数，a’、b分别为d'、d上的不同变量笛卡尔积的子集，θd为决策变量集合d的识别框架集合，θd'为决策变量集合d’的识别框架集合，m^d(b)为变量子集b上的评价函数。

本实施例中，如图15所示，由公式(3)可得公式(3-1)-(3-3)：

步骤6：判断是否计算出最终变量的信度值，即有没有合成到最后一个变量，若是，则继续执行步骤7，若否，则返回步骤3。

本实施例中，判断方法为检验最后的变量等级是否为0到8之间。

步骤7：将每个识别框架下的信度值转换为该识别框架下的概率值，即转换为决策变量在其每一个识别框架上的概率。

将每个识别框架下的信度值转换为该识别框架下的概率值的公式如公式(4)所示：

其中，d＝{d1,d2…,dn}为所有决策变量的集合，n为决策变量的总个数，m^d(a)为变量子集a上的评价函数，m^d(φ)为空集上的评价函数，a为d上的变量笛卡尔积的子集，θi为θd的任意元素，为θi的概率，betp(θi)为的贝叶斯公式表示形式。

步骤8：由决策变量在其每一个识别框架下的概率乘以该识别框架的变量等级后相加，得到用户对该路径的总偏好期望值，总偏好期望值越大，用户越偏好。

用户对该路径的总偏好期望值的计算公式如公式(5)所示：

其中，x为θd上的变量。

本实施例中，总偏好期望值的取值在0到8之间，最后得到的总偏好期望值越接近8，用户越偏好。

以上描述了本发明的具体实施方式，但是本领域内的熟练的技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变更或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。