一种适应于动态环境的智能轮椅目标跟踪控制方法和系统技术方案

本发明专利技术公开了一种适应于动态环境的智能轮椅目标跟踪控制方法和系统，该系统包括目标检测模块、障碍物检测模块、运动规划模块和运动控制模块；目标检测模块用于识别目标并根据历史信息预测目标位置；障碍物检测模块用于识别障碍物并根据历史信息预测障碍物位置的概率分布；运动规划模块用于根据预测的目标位置以及预测的障碍物位置的概率分布分别构造引力势场和斥力势场，引力势场和斥力势场共同作用轮椅生成安全路径；运动控制模块用于跟踪运动规划模块生成的安全路径，并且执行智能轮椅运动指令。本发明专利技术解决了当前智能轮椅在动态障碍物环境中难以实现自主跟随动态目标的问题。碍物环境中难以实现自主跟随动态目标的问题。碍物环境中难以实现自主跟随动态目标的问题。

【技术实现步骤摘要】
一种适应于动态环境的智能轮椅目标跟踪控制方法和系统


[0001]本专利技术涉及智能轮椅目标跟踪
，特别是一种适应于动态环境的智能轮椅目标跟踪控制方法和系统。

技术介绍

[0002]社会老龄化程度越来越严重，智能轮椅作为一种能够提高老人及残疾人生活质量以及行动自由的特殊工具，有着极其广泛的发展前景及社会价值。当前一些先进的智能轮椅虽然具备了一定的导航避障功能，但仍然难以应对复杂的环境，完成复杂的任务，如在动态环境下跟随动态目标，需要考虑跟随对象以及避让对象的运动趋势，传统智能轮椅基于静态场景规划的运动轨迹难以应对瞬息万变的动态环境。

技术实现思路

[0003]针对上述缺陷，本专利技术提出了一种适应于动态环境的智能轮椅目标跟踪控制方法和系统，其目的在于解决当前的智能轮椅难以在动态障碍物的情况下自主跟随动态目标的问题。
[0004]为达此目的，本专利技术采用以下技术方案：
[0005]一种适应于动态环境的智能轮椅目标跟踪控制方法，包括以下步骤：
[0006]步骤S1：识别目标并且根据历史信息预测目标位置；
[0007]步骤S2：识别障碍物并且根据历史信息预测障碍物位置的概率分布；
[0008]步骤S3：根据预测的目标位置以及预测的障碍物位置的概率分布分别构造引力势场和斥力势场，引力势场和斥力势场共同作用生成智能轮椅的安全路径；
[0009]步骤S4：基于所述智能轮椅安全路径控制器生成智能轮椅运动指令，并且执行智能轮椅运动指令。
[0010]优选地，步骤S1中，具体包括以下步骤：
[0011]步骤S11：获取目标的图像数据，选择Haar
‑
like特征作为目标灰度特征，利用半监督On
‑
line Boosting算法处理图像数据，计算得到目标的图像空间位置坐标，并进一步基于深度图像信息得到目标的任务空间位置坐标；
[0012]步骤S12：基于任务空间中目标位姿坐标的历史数据，利用最小二乘支持向量回归机(Least Squares Support Vector Machine,LS
‑
SVR)算法对目标的任务空间位姿进行预测，得到预测的动态目标位姿信息P
p
(x
p
,y
p
)；
[0013]步骤S13：根据预测的动态目标位姿信息P
p
(x
p
,y
p
)及设定的跟随方位θ
f
计算轮椅最终期望的位置P
D
(x
D
,y
D
)。
[0014]优选地，步骤S11中，On
‑
line Boosting算法具体包括以下步骤：
[0015]步骤S111：选定目标区域，按照一定的比例放大所述目标区域形成搜索区域；所述搜索区域包括下次目标移动后所在的可能位置；当所述目标区域和所述搜索区域都确定之后，根据目标位置，选择样本依次训练先验分类器和跟踪器，每次训练都使用5个样本，5个
样本包括目标本身以及目标周边的4个样本；
[0016]步骤S112：将所述搜索区域划分成多个小块，其中，划分出来的小块与所述目标区域的大小相同，划分出来的小块之间有重叠部分；利用上一个阶段训练好的跟踪器对划分完成的所有小块进行评价，计算每个小块作为目标的可信度，从中选取可信度最高的那个小块作为目标下一个时刻的位置；
[0017]步骤S113：根据预测出来的目标新位置，利用跟踪器重新选择样本进行训练，更新分类器参数，其中，以新的目标位置和4个周边的小块作为样本，通过先验分类器确定样本的标签。
[0018]优选地，步骤S12中，LS
‑
SVR算法具体包括以下步骤：
[0019]步骤S121：给定数据集选择适当的模型参数γ>0；其中，d是训练集大小，m是测试集大小；l是数据集大小；x
i
代表输入样本的第i行，y
i
表示相应输出值；
[0020]步骤S122：选择径向基函数作为核函数；
[0021]步骤S123：计算p＝H
‑1y，q＝H
‑1L和s＝L
T
q；其中p为轮椅位姿，H为正定矩阵，q为转换矩阵，L＝(1,
···
,1)
T
∈R
l
；
[0022]步骤S124：计算b
*
＝η
T
y/s和a
*
＝p
‑
bq；其中b为偏移向量；η为参数矩阵；a
*
为拉格朗日乘子组成的向量；
[0023]步骤S125：构造回归函数
[0024]优选地，步骤S13中，轮椅最终的期望位置可由公式(1)获得：
[0025]步骤S13：令预测的目标任务空间位姿为P
p
(x
p
,y
p
)，设定的跟随方位θ
f
，根据公式(1)可以得到智能轮椅的期望位置P
D
(x
D
,y
D
)：
[0026][0027]其中d为跟随中期望保持的相对距离。
[0028]优选地，步骤S2中，具体包括以下步骤：
[0029]步骤S21：通过上一时刻第i个障碍物的位置和当前时刻该障碍物的位置计算得到下一时刻该障碍物的位置
[0030][0031]步骤S22：将相邻两时刻障碍物的位移记录为(o
x,i
,o
y,i
)，对障碍物进行概率学分析，得到障碍物的期望值μ
x
和μ
y
，方差σ
x
和σ
y
，协方差σ
xy
，和相关系数ρ
xy
：
[0032][0033][0034][0035][0036]其中，N为参与预测的历史数据量，截取最近的N个历史序列作为预测，可以避免规划后期的数据膨胀；
[0037]步骤S23：将坐标系分成若干个栅格，每个栅格(m,n)的概率密度U
ob
(m,n)可通过下式获得：
[0038][0039]其中，U
ob
(m,n)为每个栅格(m,n)的概率密度。
[0040]优选地，步骤S3中，具体包括以下步骤：
[0041]步骤S31：按照步骤S13的计算原理，得到智能轮椅的最终期望位置P
D
(x
D
,y
D
)，且根据智能轮椅的最终期望位置作为目标点形成引力势场，其中，引力势场在栅格位置(m,n)产生的势能U
att
(m,n)由式(8)表示：
[0042][0043]其中，S表示实际运动环境的大小，(x
D
,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适应于动态环境的智能轮椅目标跟踪控制方法，其特征在于：包括以下步骤：步骤S1：识别目标并且根据历史信息预测目标位置；步骤S2：识别障碍物并且根据历史信息预测障碍物位置的概率分布；步骤S3：根据预测的目标位置以及预测的障碍物位置的概率分布分别构造引力势场和斥力势场，引力势场和斥力势场共同作用生成智能轮椅的安全路径；步骤S4：基于所述智能轮椅安全路径控制器生成智能轮椅运动指令，并且执行智能轮椅运动指令。2.根据权利要求1所述的一种适应于动态环境的智能轮椅目标跟踪控制方法，其特征在于：步骤S1中，具体包括以下步骤：步骤S11：获取目标的图像数据，选择Haar
‑
like特征作为目标灰度特征，利用半监督On
‑
line Boosting算法处理图像数据，计算得到目标的图像空间位置坐标，并进一步基于深度图像信息得到目标的任务空间位置坐标；步骤S12：基于任务空间中目标位姿坐标的历史数据，利用最小二乘支持向量回归机(Least Squares SupportVectorMachine,LS
‑
SVR)算法对目标的任务空间位姿进行预测，得到预测的动态目标位姿信息P
p
(x
p
,y
p
)；步骤S13：根据预测的动态目标位姿信息P
p
(x
p
,y
p
)及设定的跟随方位θ
f
计算轮椅最终期望的位置P
D
(x
D
,y
D
)。3.根据权利要求2所述的一种适应于动态环境的智能轮椅目标跟踪控制方法，其特征在于：步骤S11中，On
‑
lineBoosting算法具体包括以下步骤：步骤S111：选定目标区域，按照一定的比例放大所述目标区域形成搜索区域；所述搜索区域包括下次目标移动后所在的可能位置；当所述目标区域和所述搜索区域都确定之后，根据目标位置，选择样本依次训练先验分类器和跟踪器，每次训练都使用5个样本，5个样本包括目标本身以及目标周边的4个样本；步骤S112：将所述搜索区域划分成多个小块，其中，划分出来的小块与所述目标区域的大小相同，划分出来的小块之间有重叠部分；利用上一个阶段训练好的跟踪器对划分完成的所有小块进行评价，计算每个小块作为目标的可信度，从中选取可信度最高的那个小块作为目标下一个时刻的位置；步骤S113：根据预测出来的目标新位置，利用跟踪器重新选择样本进行训练，更新分类器参数，其中，以新的目标位置和4个周边的小块作为样本，通过先验分类器确定样本的标签。4.根据权利要求2所述的一种适应于动态环境的智能轮椅目标跟踪控制方法，其特征在于：步骤S12中，LS
‑
SVR算法具体包括以下步骤：步骤S121：给定数据集选择适当的模型参数γ>0；其中，d是训练集大小，m是测试集大小；l是数据集大小；x
i
代表输入样本的第i行，y
i
表示相应输出值；步骤S122：选择径向基函数作为核函数；步骤S123：计算p＝H
‑1y，q＝H
‑1L和s＝L
T
q；其中p为轮椅位姿，H为正定矩阵，q为转换矩阵，L＝(1,
···
,1)
T
∈R
l
；
步骤S124：计算b
*
＝η
T
y/s和a
*
＝p
‑
bq；其中b为偏移向量；η为参数矩阵；a
*
为拉格朗日乘子组成的向量；步骤S125：构造回归函数5.根据权利要求2所述的一种适应于动态环境的智能轮椅目标跟踪控制方法，其特征在于：步骤S13中，轮椅最终的期望位置可由公式(1)获得：步骤S13：令预测的目标任务空间位姿为P
p
(x
p
,y
p
)，设定的跟随方位θ
f
，根据公式(1)可以得到智能轮椅的期望位置P
D
(x
D
,y
D
)：其中d为跟随中期望保持的相对距离。6.根据权利要求1所述的一种适应于动态环境的智能轮椅目标跟踪控制方法，其特征在于：步骤S2中，具体包括以下步骤：步骤S21：通过上一时刻第i个障碍物的位置和当前时刻该障碍物的位...

【专利技术属性】
技术研发人员：袁旺，毛玉鑫，邹锦荣，刘康维，冯鉴阳，李文智，刘勇华，苏春翌，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：