论文部分内容阅读
针对当下残障人士及老龄人群的不断增加,且这类人士存在着行动不便等诸多问题,为了更好的帮助此类人群,我国社会对多功能智能轮椅的呼声日益显著。与此同时,与智能轮椅有关的关键技术引发了国内外许多学者的密切关注。该领域的研究已然成为了一个热点。为了让使用者能够便捷的使用,同时为了确保使用者的人身安全,需要研究人员依据智能轮椅本身固有的平台特性,有针对性的研发运动控制系统与避障策略。本课题中借助本研究室开发的全方位智能轮椅平台,针对其运动控制系统做了相关改进与优化,并针对智能轮椅的避障策略做了进一步的探索与研究。首先,该系统根据实时检测出的使用者在椅面二维投影坐标下的人体重心坐标变化,来判断使用者的期望运动方向及速度,进而完成对智能轮椅精准高效的运动控制。由于传统视觉算法有着运算量大、信息繁杂等诸多不足,因此提出了基于变形网格的单目视觉障碍物检测方法。由于将传统神经网络算法应用于智能轮椅的避障会带来局部最优几率增大,参数选取自主性降低,学习效率降低甚至是难以收敛等问题,本研究提出一种基于贝叶斯(Bayes)优化的模糊神经网络用于全向智能轮椅平台的避障过程中。本课题的研究重点主要有:1)基于改进后的FSVM下的人体重心聚类研究在以使用者在座椅底部二维平面的投影坐标依据的前提下,为了更加迅速精准的判断出使用者的运动控制意向,本课题中将改进后的模糊支持向量机(Fuzzy Support Vector Machine,FSVM)应用于人体重心数据聚类问题。为了避免对使用者的运动意图做出错误的判断,应消除运动过程中扰动与过程中间点等产生的数据点对聚类结果带来的干扰,因此本研究进一步优化了FSVM聚类算法。在原算法中引入了紧密度隶属函数,切实减小了聚类结果的错分率。2)基于变型网格的障碍物检测传统的单目视觉检测算法在对障碍物位置信息进行提取时,面临着大量的数据需要处理,这势必导致处理阶段的实时性效果较差。针对此问题,本研究提出了基于变型网格的单目障碍物检测方法,将对外部环境中障碍物检测问题简化为了计算分割后的网格区域内顶点与边线畸变的方位与大小的问题。由此使得该算法的运算量降低,实时性得到有效的提升,通过实验验证符合智能轮椅的障碍物检测要求。3)基于Bayes的模糊神经网络避障算法首先为了解决传统神经网络在学习阶段存在的训练效率不高、收敛缓慢与容易产生局部最优等诸多不足,利用共轭梯度法将相应的系数与神经网络中前一个神经元的梯度相乘,并把结果赋予此神经元的梯度信息重新得到新的探索方向,进而提升了神经网络学习过程中的收敛速度,切实改善了数据运算维度与算法的运算复杂度。同时为了使全向智能轮椅平台满足在复杂场景中进行安全有效的避障,本研究提出了基于Bayes改进的模糊神经网络避障策略。即针对网络目标函数添加了权衰减项,由此改进神经网络的模型同时优化其权值。实验表明,本研究所提出的运动控制方法有效的消除了中间过程中产生的噪声与扰动对聚类结果的影响,同时减小了控制误差,提高了系统响应速度。其次,本研究提出的变形网格视觉算法可以准确的对障碍物进行检测,进而获取精准的障碍物信息为运动控制系统能够准确地避障打下夯实的基础。最终,本研究提出了基于Bayes模糊神经网络的避障算法,切实有效的提升了轮椅平台面对障碍物时的避障策略,避障系统的鲁棒性得到提高。经实验验证,该算法在本课中全向智能轮椅平台的实际避障应用中具备一定的科学意义与使用价值。