智能车辆座椅的制作方法

1.本发明涉及一种用于控制具有座椅底座和靠背的智能车辆座椅的系统，座椅底座和靠背的表面设置有压力传感器，压力传感器连接到微控制器，通过该微控制器，致动器元件可经由驱动单元控制，由此，致动器元件适于改变座椅底座和/或靠背的表面。


背景技术：

2.这种系统特别是从汽车和航空工业中已知的。除了压力传感器之外，还经常使用其他不同的传感器，特别是用于监测驾驶员的状况和驾驶能力。特别是对于长时间坐在这样的座位上的人来说、比如职业司机、商人和飞行常客，坐的时候要有一定的舒适度是很重要的。同样出于健康原因，符合人体工程学的正确坐姿也很重要。为不同的坐姿改变座椅调节当然是有用的，甚至是必要的。通常，这特别是以座椅的高度调节和靠背相对于座椅底座的相对位置或倾斜度的形式为人所知。头部和颈部支撑也可以调节高度。此外，致动器越来越多地用于支撑单独背部、特别是在腰部。
3.在一些车辆中，个性化座椅调节可以半自动调节，因此简短的命令就足以为相应的用户正确设置不同的参数。当不同的用户经常使用车辆座椅时，这会有所帮助。因此，实现了一定程度的个性化。这里的一个缺点是没有为特定用户考虑不同的坐姿。
4.因此，优选的是，车辆座椅不仅可以个性化坐姿，而且可以自动调节坐姿，以提升乘坐舒适度和用户的人体工学姿势。如所描述的，使座椅底座的表面和靠背的表面两者适应用户的相应坐姿可能在人体工程学上是有用的。


技术实现要素：

5.本发明的目的是开发这样的系统，其自动适应用户的坐姿，并且座椅底座的表面和靠背的表面根据用户的姿势以灵活和精确的方式进行调节。
6.为了解决这个问题，本发明基于开头提到的类型的系统提出，致动器元件包括一个或多个阀，一个或多个气囊可经由这些阀来控制。
7.此外，为了解决本发明的目的，本发明提出了一种控制智能车辆座椅系统的方法，在该方法中，
[0008]-车辆座椅表面的压力分布通过(最好是平面的)压力传感器测量，
[0009]-测量的数据被发送到微控制器，
[0010]-微控制器使用人工智能模块根据测量的数据和学习的知识确定坐姿，
[0011]-并根据坐姿经由阀控制致动器元件。
[0012]
在本发明的含义内，术语“气囊”涉及任何柔性袋子或垫子，其优选地尺寸小，被设计成通过气体可变地膨胀。
[0013]
通过气囊，座椅底座和靠背的表面可以非常灵活和准确地调节。通过这些阀，气囊可以逐渐被供应气体(来自合适的压力源、例如加压气体储存器或压缩机)，或者气体可以从相应的气囊中排出。与已知的伺服电机相比，另一个优点是气囊控制相应表面的大且均
匀的部分中的轮廓。此外，与伺服电机相比，气囊价格低廉。
[0014]
车辆座椅表面的压力通过压力传感器连续测量，并将测量的数据发送给微控制器，从而使车辆座椅的适配不会延迟。为此，微控制器将测量的压力数据与学习的知识进行比较，并使用比较来确定用户位于车辆座椅上的哪个位置，以便随后根据确定的坐姿调节气囊。
[0015]
有利地，座椅底座和靠背中的气囊集成在表面之下(例如，在座椅的装饰罩之下)。通过将相应的气垫直接放置在车辆座椅的接触表面之下，气囊压力的变化直接影响用户的乘坐舒适度。
[0016]
本发明的一个优选实施例规定，压力传感器设计为石墨烯传感器阵列。石墨烯压力传感器特别适合非常准确地测量表面上的压力分布，从而提供最佳反馈。此外，循环强度极高。
[0017]
如果石墨烯传感器阵列由多个传感器元件组成，其中在每个传感器元件中石墨烯带导体布置在基底上，则这尤其可行。由于相应传感器阵列上的传感器元件的高密度，可以实现特别高的精度。以印刷带状导体形式的传感器在基底上的布置使得可以实现非常平坦的传感器阵列。
[0018]
优选地，每个单独的传感器元件小于0.5mm2、优选地小于0.37mm2。这使得可以在传感器阵列上实现特别多的传感器元件，从而实现特别准确的压力分布测量。
[0019]
如果学习的知识基于通过循环神经网络(rnn)处理的记录并且通过softmax函数确定坐姿，则这也是有利的。在这种情况下，在确定当前坐姿时，会相互考虑和评估之前的隐藏系统状态。
[0020]
另外优选的是，循环神经网络(rnn)的数据输入由卷积神经网络(cnn)编码。通过卷积形式的编码，输入数据可以在确定坐姿之前被过滤并简化为相关数据。
[0021]
最后，通过人机界面(hmi)检索和/或设定坐姿和/或致动器设置对用户特别有利。在这种情况下，本领域技术人员已知的任何hmi都是合适的。特别是通过网络应用程序的无线hmi，其可以由用户通过智能手机或平板电脑访问和操作，是优选的。此外，该系统可以在车辆座椅附近具有固定接口，该接口可以安装在例如汽车的驾驶舱内或飞机乘客座椅的扶手处。
附图说明
[0022]
下面将参照附图更详细地解释本发明。
[0023]
图1a-d示意性地示出了在不同负载条件下的根据本发明的系统的智能车辆座椅；
[0024]
图2示意性地示出了根据本发明的系统的传感器阵列的结构；
[0025]
图3示意性地示出了根据本发明的系统的传感器元件的结构；
[0026]
图4示意性地示出了根据本发明的系统的框图；
[0027]
图5示意性地示出了根据本发明的方法确定坐姿的第一示例；
[0028]
图6示意性地示出了根据本发明的方法确定坐姿的第二示例。
具体实施方式
[0029]
在图1a-d中，车辆座椅由附图标记1表示。车辆座椅1具有座椅底座1a和靠背1b和
头枕1c。在座椅底座1a的表面和靠背1b的面向用户的表面上，布置了多个石墨烯传感器2。石墨烯传感器2测量由用户坐在车辆座椅1上引起的压力分布。
[0030]
图1a-d中的压力分布随用户的坐姿而变化。图1a示出了直立坐姿(坐姿p1)中的平衡压力分布(p1)。在图1b中，在右侧测量到更高的压力，因为用户已将其重心转移到右侧(坐姿p2)。图1c中示出了向左的重量移动(坐姿p3)。在图1d中，用户明显向前倾，因为在靠背1b上仅施加了轻微的压力(坐姿p4)。本实施例可以确定用户的四种不同坐姿。实际上，坐姿的数量当然没有限制。这样，可以通过石墨烯传感器2监测用户的坐姿。
[0031]
下面将更详细地描述布置在车辆座椅1上的传感器：
[0032]
在车辆座椅1的表面上，柔性传感器阵列2a布置有石墨烯的传感器元件3。如图2所示，每个传感器阵列2a具有多个传感器元件3。传感器元件3印刷在25μm厚的pet膜2b上。在本实施例中，传感器阵列2a的尺寸为300mm
×
300mm。在传感器阵列2a上布置有100
×
100个传感器元件3。传感器元件3位于距离四个角的边缘25mm处。因此，可以生成10000个压力值。
[0033]
每个单独的传感器元件3针对相应的测量压力传递其在0.0-1.0范围内标准化的测量值。为了达到目的，在该示例性实施例中使用二维材料的大面积传感器阵列。根据本发明，石墨烯用于获得所需的压力传感器。因此，可以使用具有低于3.5v的低工作电压、0-1kpa的高压力灵敏度和至少3000次循环的优异机械耐磨性的柔性压力传感器。
[0034]
图3示出了单个传感器元件3。交叉的石墨烯带导体4布置在基底5上。基底5在该实施例中是pet膜2b。如果力f作用在基底5上，这成比例地影响石墨烯带导体4的电特性。因此，力f的大小可以确定。单个传感器元件3非常小且扁平。它仅延伸0.36mm2的面积和25μm的厚度。石墨烯带导体4的宽度为50μm。在石墨烯带导体4上布置有电压源和用于测量输出电压的电极。
[0035]
本实施例中使用的作为基底的pet膜2b的特性如下：
[0036]
密度：1420kg/m3[0037]
杨氏模量：2.5gpa
[0038]
泊松比0.34
[0039]
热容量：1090j/(kg*k)
[0040]
导热系数：0.12w//(m*k)
[0041]
相对介电常数：3.4
[0042]
电阻率：1.5*10
15
ωm
[0043]
本实施例使用的石墨烯的特性如下：
[0044]
密度：2200kg/m3[0045]
泊松比：0.16
[0046]
导热系数：5000w/(m*k)
[0047]
热膨胀系数：8*10-6
1/k
[0048]
相对介电常数：2.14
[0049]
电阻率：30ωm
[0050]
电导率：3.333*10-2
s/m
[0051]
图4示出了示意性说明根据本发明的系统的构件及其相互作用的框图，其中考虑了测量的压力分布。
[0052]
通过石墨烯传感器2，测量车辆座椅1上的压力分布。测量的数据被发送到微控制器6。在微控制器6上集成了人工智能模块7。人工智能模块7基于测量的数据和学习的知识确定坐姿。下面将更详细地讨论人工智能模块7的功能(参见图4)。微控制器6经由驱动模块8控制阀9，车辆座椅1中的集成气囊10可以经由该阀9加压。哪个气囊10受到多少压力取决于由人工智能模块7确定的坐姿。微控制器6基于确定的坐姿生成pwm信号。基于pwm信号，驱动模块8控制阀9。
[0053]
具有极轻重量的超小型电磁空气阀优选用作用于低压气囊控制的阀9。气囊10具有非常轻的重量，其中气囊10的连接对应于阀9的连接。气囊10的外部织物粘到车辆座椅1的座椅泡沫。
[0054]
在图5和图6中示意性地示出了优选用于人工智能模块7的根据本发明的人工神经网络的架构。
[0055]
在根据本发明的架构中，如图5所示，使用循环神经网络(rnn)，该循环神经网络(rnn)可以使用先前的状态(例如x
t-1
、x
t-2
、...、x
tn
)并针对给定数据样本集计算姿势的概率分布(pt)。例如，如果使用大小为5的时间序列，由此可以每秒读取10或15个样本的传感器数据，则在此情景中使用四个(即n)数据样本来预测当前数据样本x
t
的姿势。使用rnn时，rnn的隐藏单元的计算方式与前馈神经网络(fnn)不同，因为rnn能够保留先前状态的记忆并使用它们来计算当前的内部隐藏状态，例如：
[0056]ht
＝σ(ih*x
t
wh*h
t-1
bh)
[0057]
其中，h
t
是rnn的隐藏内部状态；wh是权重矩阵，lh是输入投影矩阵，bh是偏置向量，所有这些参数都是在训练期间学习的。一旦计算出内部隐藏状态，网络就会使用softmax函数来计算姿势的概率分布(p
t
)：
[0058]
p
t
＝softmax(w
p
*h
t
b
p
)
[0059]
给定
[0060]
p∈(p1，p2，p3，p4)且∑p＝1
[0061]
由于数据是时间序列和顺序的，因此rnn方法应该提供比fnn更好的性能。将状态值x
t
的形式视为图像的矩阵也是有效的。然后使用卷积神经网络(cnn)对状态值进行编码并将它们发送到rnn是有利的，如图5所示。
[0062]
座椅上的非均匀压力预计会在状态值x
t
中提供稀疏性，这可能会使将数据按原样提供给rnn变得困难。因此，在rnn下层使用卷积神经网络(cnn)对传感器信号数据进行编码。可以看出，网格传感器提供了数据的图像、例如分辨率为100x100的帧。cnn从这样的输入数据流中提取信息是最有效的。在使用rnn层下的cnn层时，可以配置如图6所示的架构。通过这种架构，cnn用作编码器来对输入进行编码，然后将编码(在这种情况下为卷积)输入数据馈送到rnn，rnn进一步使用该编码数据流进行最终的坐姿行为检测。
[0063]
在这两种架构(图5和图6)中，softmax函数计算用户当前可能坐姿(p1、p2、p3、p4)的概率分布。基于车辆座椅1用户的确定的坐姿(p1、p2、p3、p4)，人工智能模块7考虑人机工程学方面和舒适性分析以及用户行为的预测，确定气囊10的最佳设置。基于连续测量，人工智能模块7被实时连续地提供信息并因此被进一步训练，从而使得当前坐姿(p1、p2、p3、p4)的确定结果变得越来越可靠。
[0064]
优选地，根据本发明的系统具有到高级服务器和用户的接口。接口本质上是经由
微控制器6实现的。
[0065]
经由与上级服务器的通信，可以在微控制器6上安装更新。此外，可以共享信息。因此，微控制器6可以定期将测量的数据发送给更高级别的服务器。然后，更高级别的服务器可以记录来自大量系统的测量数据，并根据获得的信息制定行为规则和人体工程学程序。通过这些发现，可以在微处理器6上再次训练人工智能模块7。通过提供和组合多个系统的数据，人工智能模块7的功能得到更快的改进。
[0066]
用户界面允许用户向系统提供反馈。用户还可以手动调节气囊10或选择用于控制气囊10的预设程序。在给定的程序中可以考虑支持特别适合背部的姿势和坐姿变化的人体工程学方面。车辆座椅1的相应设置例如也可以分配给某些活动、例如“阅读”、“驾驶”或“工作”。在这里，考虑到人体工程学方面，相应的设置也可能会不时地变化。用户的反馈也可用于训练人工智能模块7。
[0067]
总之，本发明教导了柔性高灵敏度石墨烯压力传感器和新型致动器与人工神经网络的结合的新颖组合。根据本发明的系统通过对用户行为的预测和分析使舒适自动化成为可能。这种用于智能车辆座椅的系统原则上适用于任何车辆中用于驾驶员和乘客的座椅。特别地，在汽车和航空工业中，而且在火车和轮船上，根据本发明的系统非常适合应用于智能车辆座椅的控制。
[0068]
它们对那些在车上花费大量时间而因此需要一定程度的舒适度和对他们通常的坐姿行为的支持的人特别有吸引力，以防止永久性的身体问题、特别是背部问题。
[0069]
附图标记列表
[0070]1ꢀꢀꢀꢀꢀꢀꢀ
车辆座椅
[0071]
1a
ꢀꢀꢀꢀꢀꢀ
座椅底座
[0072]
1b
ꢀꢀꢀꢀꢀꢀ
靠背
[0073]
1c
ꢀꢀꢀꢀꢀꢀ
头枕
[0074]2ꢀꢀꢀꢀꢀꢀꢀ
石墨烯传感器
[0075]
2a
ꢀꢀꢀꢀꢀꢀ
传感器阵列
[0076]
2b
ꢀꢀꢀꢀꢀꢀ
pet膜
[0077]3ꢀꢀꢀꢀꢀꢀꢀ
传感器元件
[0078]4ꢀꢀꢀꢀꢀꢀꢀ
石墨烯带导体
[0079]5ꢀꢀꢀꢀꢀꢀꢀ
基底
[0080]6ꢀꢀꢀꢀꢀꢀꢀ
微控制器
[0081]7ꢀꢀꢀꢀꢀꢀꢀ
人工智能模块
[0082]8ꢀꢀꢀꢀꢀꢀꢀ
驱动模块
[0083]9ꢀꢀꢀꢀꢀꢀꢀ
阀
[0084]
10
ꢀꢀꢀꢀꢀꢀ
气囊
[0085]
p1-p4
ꢀꢀꢀ
坐姿