【技术实现步骤摘要】
本专利技术涉及摔倒姿态识别领域，尤其是一种跌倒位置识别方法及陪伴机器人。
技术介绍
1、vr体验者在日常生活中容易因各种原因发生跌倒，如：在使用vr设备时遇到地面不平整或障碍物，而虚拟环境中未显示出障碍物和实际地面的平整程度，这导致发生跌倒；或者由于vr设备的质量或稳定性不佳，可能会导致体验者在移动或转身时失去平衡并跌倒；或者由于vr体验中，体验者可能需要移动或做出快速的动作，如果体验者身体平衡能力较差或对虚拟环境的感知能力不足，可能会导致跌倒。
2、若无人及时发现并给予帮助，可能会造成严重后果，曾有报导一位44岁的莫斯科市居民在使用vr头戴式设备时，不幸摔倒在了一张玻璃桌上，最终因划伤失血过多而死。现有的监控系统或智能设备虽能一定程度上识别跌倒情况，但无法准确判断跌倒者的状态，且在跌倒发生后无法对人和vr机器进行保护。因此，开发一种能够准确识别跌倒并自动接人进行救助的系统具有重要意义。
技术实现思路
1、本专利技术的目的在于：本专利技术提供了一种跌倒位置识别方法及陪伴机器人，能够正确、快速识别出vr体验者跌倒行为和头部的落地位置，通过陪伴机器人前往头部的落地位置进行保护。
2、一种跌倒位置识别方法，包括以下步骤：
3、s1.训练lstm神经网络；
4、数据收集：收集vr头戴式设备的位置坐标数据的时间序列，时间序列中每个时间步的位置坐标数据包括vr头戴式设备在导航坐标系中的坐标(xi，yi，zi)，i为时间步的编号，x为正东方向的坐标
5、数据准备：对时间序列中每个时间步的位置坐标数据在导航坐标系的三个坐标轴对应的数值分别进行标准化处理，使标准化处理后的时间序列中每个时间步的位置坐标数据在导航坐标系的三个坐标轴对应的数值的均值为0，方差为1；
6、划分数据集：将标准化处理后的时间序列分成输入序列和目标序列；
7、lstm神经网络训练：初始化lstm模型参数，将输入序列通过lstm模型进行前向传播，得到预测序列，根据预测序列和目标序列计算损失函数，通过反向传播算法，根据计算出的损失函数梯度更新lstm模型的权重参数，重复训练过程，直到达到预设的训练次数或直至收敛；
8、s2.以地面作为参考，在vr体验空间中建立导航坐标系，采集人体佩戴vr头戴式设备时vr头戴式设备的实时数据，包括姿态角、加速度以及在导航坐标系中的位置坐标数据；
9、s3.将姿态角、加速度输入跌倒预判模型，提取出触发跌倒条件的实时数据；
10、s4.采用滑动窗口法，从步骤s3提取的实时数据中提取滑动窗口范围内的时间步对应的位置坐标数据，组成的样本时间序列，所述滑动窗口范围内的时间步包含s3提取出的实时数据的时间步；
11、s5.将s4样本时间序列进行标准化处理后输入训练好的lstm神经网络，输出结果进行逆标准化处理得出vr头戴式设备的位置坐标数据的预测结果。
12、所述标准化处理的步骤具体包括：
13、分别求出所有时间步的位置坐标数据在导航坐标系的三个坐标轴对应的数值的均值和方差；
14、利用下式，将时间序列中每个时间步的位置坐标数据在导航坐标系的三个坐标轴对应的数值转化为标准化数值：
15、标准化数值＝(原始值-均值)/方差；
16、原始值为各时间步的位置坐标数据在导航坐标系中选中的一个坐标轴对应的数值，均值为所有时间步的位置坐标数据在导航坐标系的选中的一个坐标轴对应的数值的均值，方差为所有时间步的位置坐标数据在导航坐标系的选中的一个坐标轴对应的数值的方差。
17、优选的，划分数据集时，使用滑动窗口法，将一个时间窗口内的标准化处理后时间序列作为输入序列，将输入序列的下一个时间步的时间序列作为目标序列。
18、进一步的，划分数据集时，使用滑动窗口法，将一个时间窗口内的标准化处理后时间序列划分为三个连续时间步的时间序列，前两个时间步的时间序列作为输入序列，最后一个时间步的时间序列作为目标序列。
19、步骤s2中姿态角包括pitch角，roll角，yaw角，yaw角表示与y轴的偏移角；pitch角表示与x轴的偏移角；roll角表示与z轴的偏转角，x轴是垂直人体左右侧面的轴，z轴是垂直人体前后侧面的轴，y轴垂直于x轴和z轴，加速度为沿x、y、z轴的加速度accx、accy、accz。
20、步骤s3中的跌倒预判模型包括姿态角区分单元和加速度区分单元，所述跌倒预判模型执行以下步骤判断是否触发跌倒条件：
21、所述姿态角输入姿态角区分单元后，利用公式(1)可以用来将人体的前向弯腰与后向跌倒从其他姿态中区分出来，得到sqrtrp；
22、sqrtrp按照公式(2)计算出rpp＿delta，并与设置的rpp＿delta阈值比较，可以有效的提取出人体侧向和后向的弯腰与跌倒动作。
23、
24、rpp_delta＝fabs(sqrtrp-yaw) (2)
25、当rpp＿delta角度大于30°，时将加速度输入加速度区分单元；
26、当yaw角度下降到不大于70°时，加速度区分单元首先根据z轴方向的加速度和y轴方向的加速度，按照公式(3)计算z轴与y轴的合成加速度：sqrtaccyz，然后依据sqrtaccyz、z轴方向的加速度和公式(4)计算accyzz＿delta，然后与正常阈值和跌倒阈值比较，判断人体是否发生跌倒动作；
27、
28、accyzz_delta＝fabs(sqrtaccyz-accz) (4)
29、观察accyzz＿delta角度变化情况，当accyzz＿delta小于40时判断为跌倒，触发跌倒条件。
30、一种陪伴机器人前往所述步骤s5预测的位置坐标处，进行保护，陪伴机器人携带有记忆海绵垫，用于吸收冲击和能量，减轻跌倒时头部的冲击力。
31、本专利技术提供了一种基于lstm编解码模型的人体头部轨迹预测方法，模型预测准确度高，能用于陪伴机器人的路径规划，本专利技术还提供了跌倒行为的预警方法，能快速识别出vr体验者的跌倒行为。
本文档来自技高网...【技术保护点】
1.一种跌倒位置识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的跌倒位置识别方法，其特征在于，标准化处理的步骤具体包括：
3.根据权利要求1所述的跌倒位置识别方法，其特征在于，划分数据集时，使用滑动窗口法，将一个时间窗口内的标准化处理后时间序列作为输入序列，将输入序列的下一个时间步的时间序列作为目标序列。
4.根据权利要求1所述的跌倒位置识别方法，其特征在于，划分数据集时，使用滑动窗口法，将一个时间窗口内的标准化处理后时间序列划分为三个连续时间步的时间序列，前两个时间步的时间序列作为输入序列，最后一个时间步的时间序列作为目标序列。
5.根据权利要求1所述的跌倒位置识别方法，其特征在于，步骤S2中姿态角包括Pitch角，Roll角，Yaw角，yaw角表示与Y轴的偏移角；pitch角表示与X轴的偏移角；roll角表示与Z轴的偏转角，X轴是垂直人体左右侧面的轴，Z轴是垂直人体前后侧面的轴，Y轴垂直于X轴和Z轴，加速度为沿X、Y、Z轴的加速度AccX、AccY、AccZ。
6.根据权利要求1所述的跌倒位置识别方法，
7.一种陪伴机器人，其特征在于，所述陪伴机器人前往权利要求1所述步骤S5预测的位置坐标处，进行保护，陪伴机器人携带有记忆海绵垫，用于吸收冲击和能量，减轻跌倒时头部的冲击力。
...【技术特征摘要】
1.一种跌倒位置识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的跌倒位置识别方法，其特征在于，标准化处理的步骤具体包括：
3.根据权利要求1所述的跌倒位置识别方法，其特征在于，划分数据集时，使用滑动窗口法，将一个时间窗口内的标准化处理后时间序列作为输入序列，将输入序列的下一个时间步的时间序列作为目标序列。
4.根据权利要求1所述的跌倒位置识别方法，其特征在于，划分数据集时，使用滑动窗口法，将一个时间窗口内的标准化处理后时间序列划分为三个连续时间步的时间序列，前两个时间步的时间序列作为输入序列，最后一个时间步的时间序列作为目标序列。
5.根据权利要求1所述的跌倒位置识别方法，其特征在于...
【专利技术属性】
技术研发人员：王豪，徐雪，周炜翔，吴清明，但愿，刘亮亮，陈琪，孙淑伟，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。