基于人工智能的电动爬楼车辅助控制方法及系统与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于人工智能的电动爬楼车辅助控制方法及系统。


背景技术：

2.在医院、急救中心和紧急救护等场景中，经常出现上下楼梯转移病人的情况，而电动爬楼车可以解决这样的需求。现有的电动爬楼车可以分为两大类：行星轮式和履带式，且只需要一人操作即可完成患者的上下楼。但是现有技术中并未对电动爬楼车的作业过程中进行自动控制，而作业过程仅凭借操作爬楼车的人员控制，不能保障患者的舒适度，使得用户体验感低。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供基于人工智能的电动爬楼车辅助控制方法及系统，所采用的技术方案具体如下：
4.第一方面，本发明一个实施例提供了一种基于人工智能的电动爬楼车辅助控制方法，该方法包括以下具体步骤：
5.利用rfid设备获取患者的身份信息以得到该患者的患病部位；由所述电动爬楼车上的多个传感器获取所述患者在座椅上的姿态信息；
6.采集正视视角下楼梯的rgb图像和对应的深度图像，结合所述rgb图像和所述深度图像获取所述楼梯的台阶高度和台阶宽度，由所述台阶高度和所述台阶宽度得到履带倾角和履带速度的第一范围；利用所述履带倾角和操作人员的身高获取座椅倾角的第二范围；所述操作人员是指操作所述电动爬楼车帮助所述患者的人员；
7.根据历史姿态信息对多组历史数据进行分类，所述历史数据包括所述历史姿态信息以及该历史姿态信息下的历史履带速度、历史座椅倾角和由多个所述传感器的历史示数得到的波动向量；基于分类后的每类所述历史数据，获取对应所述历史姿态信息下由人体部位的舒适度、所述历史履带速度和所述历史座椅倾角拟合的多项式函数，所述人体部位包括所述患病部位和正常部位；获取所述人体部位的关注度，基于所述多项式函数和所述关注度构建目标函数；在所述第一范围和所述第二范围内，获取所述姿态信息下所述目标函数最小时分别对应的所述履带速度和所述座椅倾角。
8.优选的，所述由所述电动爬楼车上的多个传感器获取所述患者在座椅上的姿态信息的方法，包括：
9.获取多个所述传感器的示数，由所述示数构成压力分布向量，根据所述压力分布向量确认所述姿态信息。
10.优选的，在得到所述压力分布向量之后，利用去中心化操作对所述压力分布向量进行优化，该优化方法包括：
11.获取所述压力分布向量中非零示数的均值，让每个所述非零示数减去所述均值得
到新示数，由所述新示数和零示数构成新压力分布向量。
12.优选的，所述结合所述rgb图像和所述深度图像获取所述楼梯的台阶高度和台阶宽度的方法，包括：
13.将所述rgb图像送入语义分割网络得到人体的掩膜图像，由所述掩膜图像和所述深度图像获取所述楼梯的第一深度图；
14.对所述第一深度图进行直线检测，由两条平行的边缘线之间的距离获取所述台阶高度、由所述边缘线的深度信息获取所述台阶宽度。
15.优选的，所述利用所述履带倾角和操作人员的身高获取座椅倾角的第二范围的方法，包括：
16.根据所述操作人员的身高获取该操作人员操作所述电动爬楼车时最佳高度范围；
17.结合所述最佳高度范围、座椅的高度信息和所述履带倾角得到所述座椅倾角的所述第二范围。
18.优选的，所述由多个所述传感器的历史示数得到的波动向量的方法，包括：
19.根据每个所述传感器在不同时刻的所述历史示数所构成的时序数据获取所述时序数据的方差；
20.由多个所述传感器所对应的所述方差构成所述波动向量。
21.优选的，所述人体部位的舒适度的获取方法，包括：
22.基于每一类所述历史数据中的所述波动向量，根据每个所述人体部位对应的所述传感器获取其在所述波动向量中对应的所述方差；
23.计算所述方差的平均值，将所述平均值作为每个所述人体部位的所述舒适度。
24.优选的，所述目标函数的计算公式，包括：
[0025][0026]
其中，r为所述目标函数；n为所述人体部位的数量；g
n
为第n个所述人体部位的关注度；v为所述历史履带速度；θ为所述历史座椅倾角；表示在第k
*
种所述姿态信息下第n个所述人体部位的所述多项式函数。
[0027]
优选的，所述关注度的获取方法，包括：
[0028]
令所述患病部位与所述正常部位的关注度之和为1，根据所述人体部位的总数量和所述患病部位的数量为所述患病部位和所述正常部位分配所述关注度；所述患病部位的所述关注度大于所述正常部位的所述关注度。
[0029]
进一步地，一种基于人工智能的电动爬楼车辅助控制系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
[0030]
本发明实施例至少具有如下有益效果：由患者的姿态信息、患病部位、楼梯特征以及操作人员的身高信息自适应控制履带速度和座椅倾角，以实现座椅的自动调整，且在保证操作人员的安全性和舒适度的前提下，也提高了患者的舒适度和安全性。
附图说明
[0031]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施
例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0032]
图1为本发明一个实施例所提供的关于电动爬楼车的示意图；
[0033]
图2为本发明一个实施例所提供的一种基于人工智能的电动爬楼车辅助控制方法的步骤流程图；
[0034]
图3为本发明一个实施例所提供的关于楼梯的示意图。
具体实施方式
[0035]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的电动爬楼车辅助控制方法及系统，其具体实施方式、结构、特征及其作用，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0036]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0037]
下面结合附图具体的说明本发明所提供的一种基于人工智能的电动爬楼车辅助控制方法及系统的具体方案。
[0038]
本发明实施例所针对的具体场景为：在医院、康复中心等场景中操作人员借助电动爬楼梯完成患者的上下楼操作，其中电动爬楼车如图1所示。
[0039]
请参阅图2，其示出了本发明一个实施例提供的一种基于人工智能的电动爬楼车辅助控制方法的步骤流程图，该方法包括以下步骤：
[0040]
步骤s001，利用rfid设备获取患者的身份信息以得到该患者的患病部位；由电动爬楼车上的多个传感器获取患者在座椅上的姿态信息。
[0041]
具体的，需要借助电动爬楼车上下楼的患者一般为年纪过大或患病引起的行动不便，由于患者在电动爬楼车的座椅上的不同姿态直接影响到身体重心位置，进而影响身体的各个人体部件的舒适程度，因此通过获取患者在座椅上的姿态信息以为后续患者的舒适度分析提供参考信息。
[0042]
在电动爬楼车的把手上部署rfid设备，医院为了方便患者的治疗和管理会在其手上佩戴智能手环，且每一个患者会对应一个专属的手环。通过rfid设备可以获得手环佩戴者的身份信息，通过该身份信息可以获得患者的患病部位，如左右腿、左右肩膀等人体部位。
[0043]
同时，在电动爬楼车座椅、靠背以及扶手上等间隔中均匀部署压力传感器，获得空间中每一个压力传感器的示数，且根据每一个压力传感器的位置对每个压力传感器进行编号，按照编号的大小将每个压力传感器的示数构成压力分布向量y，且记第i个压力传感器的示数为y
i
。
[0044]
为了消除患者自身体重对压力传感器的示数影响，且保证后续数据分析的准确性，在得到压力分布向量后，利用去中心化操作对压力分布向量进行优化，该优化方法为：获取压力分布向量中非零示数的均值，让每个非零示数减去均值得到新示数，由新示数和
零示数构成新压力分布向量，即：
[0045][0046]
其中，y
i
为去中心化后第i个压力传感器的新示数；n为非零示数的数量；y
j
为第j个压力传感器的非零示数。
[0047]
随着患者姿态的不同，压力分布向量中每个压力传感器的示数也会发生相对应的变化，例如当患者的姿态为坐立时，则靠背处压力传感器的示数为0，座椅处压力传感器的示数会相对较大；当患者的姿态为背靠座椅时，则靠背处压力传感器的示数会相比较其他位置的压力传感器的示数较大，因此根据压力分布向量确认患者的姿态信息。
[0048]
步骤s002,采集正视视角下楼梯的rgb图像和对应的深度图像，结合rgb图像和深度图像获取楼梯的台阶高度和台阶宽度，由台阶高度和台阶宽度得到履带倾角和履带速度的第一范围；利用履带倾角和操作人员的身高获取座椅倾角的第二范围；操作人员是指操作电动爬楼车帮助患者的人员。
[0049]
具体的，在电动爬楼车背靠的外侧部署rgb
‑
d相机，利用该相机采集即将攀爬的楼梯的rgb图像和对应的深度图像。
[0050]
需要说明的是，电动爬楼车在开始攀爬时在水平地面行驶，相机位姿固定且以在正视视角下采集rgb图像和对应的深度图像。
[0051]
考虑到操作人员的身高直接影响操作人员最舒适的作业高度：当座椅倾角过大时，操作人员在爬楼过程中手臂抬起过高，不便于发力且降低操作人员的舒适度；当座椅倾角过小时，操作人员需俯身操作电动爬楼车，同样降低操作人员的舒适度。为确保操作人员作业时的舒适度，需要作业人员手动输入自己的身高信息h，用于后续座椅倾角取值范围的确定。
[0052]
进一步地，对采集到的rgb图像进行分析，将rgb图像送入语义分割网络得到人体的掩膜图像，该掩膜图像中人体像素点的像素值为1、其他像素点为0，实施者可采用现有的unet网络实现语义分割；由掩膜图像和深度图像获取楼梯的第一深度图，即对掩膜图像进行取反操作，即将为1像素值置为0，为0的像素值置为1，将取反操作后的掩膜图像与深度图像相乘得到楼梯的第一深度图，从而屏蔽深度图像中人员的深度信息，且只关注楼梯区域的深度信息。
[0053]
对第一深度图进行直线检测，由两条平行的边缘线之间的距离获取台阶高度、由边缘线的深度信息获取台阶宽度。
[0054]
作为一个示例，利用霍夫直线检测算法得到第一深度图中所有的直线方程，记直线的斜率为k；设定楼梯的边缘线斜率k0＝0.2，满足k<k0的直线为楼梯的边缘线。由于楼梯的边缘线是等距且平行分布的，因此获取两条相邻且平行的边缘线，计算两条边缘线之间的距离d，该距离d为楼梯的台阶高度；统计这两条边缘线桑所有像素点的平均深度，计算两条边缘线的平均深度的差值w，该差值w为楼梯的台阶宽度，如附图3所示的楼梯示意图。由边缘线的深度信息获取台阶宽度。
[0055]
进一步地，根据楼梯的台阶高度d、台阶宽度w和操作人员的身高信息h，确定电动爬楼车作业时履带速度的第一范围和座椅倾角的第二范围，则确定方法为：
[0056]
(1)由于电动爬楼车在攀爬时，履带倾角由所需要攀爬的楼梯确定，因此利用台阶高度d和台阶宽度w获取履带倾角，则履带倾角α的计算公式为：
[0057][0058]
(2)根据操作人员的身高信息h获得该人员操作最为舒适时的最佳高度范围[γ1h,γ2h]，其中，γ1,γ2分别为最小高度调节系数和最大高度调节系数，分别取值为且这两个调节系数为人为设定的经验值；根据最佳高度范围和座椅本身的高度信息h0可以得到座椅倾角的取值范围，但进一步考虑到爬楼时操作人员的高度比座椅自身高度要高，具体高出的数值与履带倾角α相关，则结合最佳高度范围、座椅的高度信息和履带倾角得到座椅倾角的第二范围，即：
[0059][0060]
其中，θ
min
为座椅倾角的最小值；θ
max
为座椅倾角的最大值；γ3为攀爬时操作人员的高度修正系数，该系数与电动爬楼车的设计相关，且相同款式的电动爬楼车的高度修正系数γ3相同。
[0061]
(3)楼梯的台阶高度影响操作人员上楼的速度，为保证操作人员的安全，本发明实施例根据楼梯的台阶高度d确定履带的最大速度v
max
＝γ4d，其中γ1为人为经验设定的调节系数，本发明实施例中调节系数γ4＝0.8，故得到履带速度的第一范围为[0,v
max
]。
[0062]
需要说明的是，由操作人员和楼梯的特征确定履带速度和座椅倾角的范围保证了电动爬楼车正常运行的同时操作人员的作业安全和舒适度。
[0063]
步骤s003，根据历史姿态信息对多组历史数据进行分类，历史数据包括历史姿态信息以及该历史姿态信息下的历史履带速度、历史座椅倾角和由多个传感器的历史示数得到的波动向量；基于分类后的每类历史数据，获取对应历史姿态信息下由人体部位的舒适度、历史履带速度和历史座椅倾角拟合的多项式函数，人体部位包括患病部位和正常部位；获取人体部位的关注度，基于多项式函数和关注度构建目标函数；在第一范围和第二范围内，获取姿态信息下目标函数最小时分别对应的履带速度和座椅倾角。
[0064]
具体的，采集历史数据，获取电动爬楼车进行攀爬作业时的历史履带速度v、历史座椅倾角θ以及患者的历史姿态信息y，以及在攀爬过程中各个压力传感器在不同时刻的历史示数。根据每一个压力传感器在不同时刻的历史示数构成该压力传感器的时序数据，获取时序数据中历史示数的方差σ，该方差反应每一个压力传感器的示数的波动性，波动性越大表示颠簸越严重，且患者在当前压力传感器位置处的舒适度越低；按照相同的方法获取每一个压力传感器对应的方差，由多个压力传感器对应的方差构成波动向量a，进而由历史姿态信息以及该历史姿态信息下的历史履带速度、历史座椅倾角和波动向量构成一组历史数据{y,a,v,θ}。
[0065]
依据患者的历史姿态信息对多组历史数据进行聚类，将历史姿态信息相同的历史数据归为同一个簇，则一簇代表一类历史数据，进一步基于每一类历史数据获取对应历史姿态信息下由人体部位的舒适度、历史履带速度和历史座椅倾角拟合的多项式函数，本发明实施例以姿态信息k为例，则多项式函数的获取方法为：
[0066]
(1)电动爬楼车上部署的压力传感器的编号可以反应位置信息，姿态一致的患者其不同人体部位所在的传感器编号应该是相同的，即姿态相同的患者，其任意一个人体部位所在区域覆盖的压力传感器的编号应该是一样的，例如姿态一致的多个患者的手臂所在区域覆盖的压力传感器的编号是一样的，且覆盖的压力传感器可能是一个或者多个。获取每一个人体部位对应的压力传感器的编号信息。
[0067]
需要说明的是，人体部位包括患病部位和正常部位，且令人体部位的总数量为n，具体数量n由医疗行业专业人员设定。
[0068]
(2)根据编号信息和波动向量a确定不同人体部位的舒适度，以左手手臂区域为例详细说明左手手臂的舒适度c的计算方法：根据左手手臂区域对应的编号信息获得波动向量a中对应位置的方差σ，则左手手臂舒适度c的计算公式为：
[0069][0070]
其中，σ
u
为编号u的压力传感器的方差；m为左手手臂区域所覆盖的压力传感器的数量。
[0071]
(3)利用步骤(1)和步骤(2)可以得到每一个人体部位的舒适度，进而根据历史姿态信息k下的历史履带速度v和历史座椅倾角θ，形成多组样本数据(v,θ
→
c
n
)，由多组样本数据进行多项式拟合得到多项式函数进而能够得到n个人体部位分别对应的n个多项式函数。
[0072]
需要说明的是，本发明实施例中多项式函数的最高次幂为3。
[0073]
(4)利用步骤(1)至步骤(3)得到不同姿态信息下不同人体部位的多项式函数，并将其存储在数据库中。
[0074]
根据患者的人体部位的总数量和患病部位的数量对身体的n个人体部位分配关注度，假设患者的患病部位为e个，且e≤n，为了让患病部位有较高的关注度，令患病部位的关注度为正常部位的关注度为且保证患病部位与所述正常部位的关注度之和为1。由人体部位的关注度和对应多项式函数构建目标函数，该目标函数可以表示患者的舒服程度，则目标函数r为：
[0075][0076]
其中，g
n
为第n个人体部位的关注度；表示在第k
*
种姿态信息下第n个人体部位的所述多项式函数。
[0077]
在履带速度的第一范围和座椅倾角的第二范围内，基于由步骤s001确认的患者的姿态信息和患病部位，获取目标函数r最小时多项式函数对应的履带速度和座椅倾角。
[0078]
需要说明的是，利用爬山算法、模拟退火算法、遗传算法等优选算法能够得到目标函数最小时的最优解，也即是最优履带速度和最优座椅倾角。最优履带速度和最优座椅倾角在保证操作人员的安全性和舒适度的前提下，也提高了患者的舒适度和安全性。
[0079]
综上所述，本发明实施例提供了一种基于人工智能的电动爬楼车辅助控制方法，获取患者的身份信息以得到患者的患病部位，且由电动爬楼车上的传感器获取患者在座椅
上的姿态信息；由楼梯的台阶高度和台阶宽度得到履带倾角和履带速度的第一范围，由履带角度和操作人员的身高获取座椅倾角的第二范围；根据历史数据拟合人体部位的舒适度、履带速度和座椅倾角的多项式函数，结合多项式函数和人体部位的关注度构建目标函数；在第一范围和第二范围内，获取该姿态信息下目标函数最小时分别对应的履带速度和座椅倾角。自适应控制履带速度和座椅倾角，以实现座椅的自动调整，且在保证操作人员的安全性和舒适度的前提下，也提高了患者的舒适度和安全性。
[0080]
进一步地，本发明实施例提供了一种基于人工智能的电动爬楼车辅助控制系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于人工智能的电动爬楼车辅助控制方法的步骤。
[0081]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0082]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0083]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。