一种医院场景下的轮椅自主运动方法及轮椅机器人

1.本发明涉及机器人自动避障技术领域，尤其涉及一种医院场景下的轮椅自主运动方法及轮椅机器人。


背景技术：

2.这里的陈述仅提供与本发明相关的背景技术，而不必然地构成现有技术。
3.轮椅是肢体伤残者和行动不便人士的代步工具。目前，应用在患者中的轮椅在结构以及功能上均逐渐得到了提高，从而为行动不便的患者以及患者家属减轻了负担，从而也提高了护理的质量与效率。
4.在医院里，很多患者由于身体行动不便，需要轮椅作为运载工具。而医院里现有的轮椅大部分是手动轮椅车，需要人的力量来移动，操作不便，容易疲惫。目前也有一些电动轮椅，通过操纵杆来控制轮椅的前进、停止和转向，但是这种轮椅只有上肢健全的人才能操作，而且需要较大的活动空间。
5.医院走廊或者病房里面，具有人员密集、空间狭窄、动态变化等特点。现有的电动轮椅虽然可以找到一条绕障的路径但是仍然难以在医院这种复杂环境下对各种动态障碍物进行最优路径规划从而有效的避障，且很多狭小的空间并不能穿越过去。因此需要一款更加灵活的具有自主运动能力的轮椅机器人辅助患者的运动。


技术实现要素：

6.针对现有技术存在的不足，本发明实施例的目的是提供一种医院场景下的轮椅自主运动方法，基于强化学习的类人运动的决策机制，根据预测的障碍物的位置和运动轨迹，自主判断轮椅机器人在设定的速度范围内，是保持匀速、加速穿过人群、减速等待还是暂停，对各种动态障碍物进行有效的避障，能够灵活的穿越狭小的空间，辅助患者的运动。
7.本发明的另一目的在于提供一种基于上述医院场景下的轮椅自主运动方法的轮椅机器人，具有自主定位、自主导航、自主避障的能力，可以在医院复杂环境下，安全便捷地将病患带到目的地。
8.为了实现上述目的，本发明实施例提供了如下技术方案：一种医院场景下的轮椅自主运动方法，包括：采集活动区域的三维点云地图数据，获取当前轮椅以及障碍物的位置及二者之间的距离，同时预测障碍物的运动轨迹及运动速度；根据轮椅和障碍物之间的距离以及障碍物的运动速度，计算不同运动模式下的碰撞时间，根据所述碰撞时间切换轮椅不同的运动模式；所述碰撞时间ttc=d/(v
2-v)，其中，d是预测的障碍物到轮椅的距离，v2是障碍物的运动速度,v是选择一种运动模式后的速度；轮椅匀速运动的速度为v1，加速运动和减速运动的加速度为a，最大速度v
max
，最小速度为0；如果选择匀速运动，则v=v1；如果选择加速运动，则v=v1 a*
⊿
t，且最大不超过v
max
，其中
⊿
t是一个控制周期的时长；如果选择减速运动，则v=v
1-a*
⊿
t，且最小不小于0；如果选择暂停，则v=0。
9.在另一优选的实施方式中，运用激光雷达同步建图算法，建立活动区域的三维点云地图，根据当前激光雷达数据和地图的配准，获取当前轮椅的准确定位，三维点云地图中点投影到二维平面，生成二维栅格地图。
10.在另一优选的实施方式中，当激光雷达定位出现跳变或者评分较低时，切换到里程计定位或惯性测量单元定位。
11.在另一优选的实施方式中，还包括点云预处理：使用激光雷达观测采集当前环境的点云，进行障碍物的检测，当前帧的点云包含地面信息和障碍物信息，过滤地面信息，去除地面上点，只保留障碍物的点云，进行避障处理。
12.在另一优选的实施方式中，在预测障碍物的运动轨迹时，将障碍物点云进行欧几里得聚类检测，距离相近的一簇点聚类在一起，当作一个障碍物，并用多边形拟合外轮廓，计算多边形的坐标中心，作为这个障碍物的中心。
13.在另一优选的实施方式中，对障碍物预测包括：使用卡尔曼滤波跟踪每个障碍物的中心在时序上的坐标变化，拟合出障碍物的运动轨迹，估计出运动的速度，对未来一段时间内的位置进行预测，将障碍物的多边形投影到二维栅格地图，对应的栅格为占据状态，没有障碍物的栅格为空闲状态。
14.在另一优选的实施方式中，轮椅当前位置和预测的所有障碍物的位置和速度作为强化学习的状态观察，不同的运动模式作为强化学习的动作，碰撞时间作为强化学习的奖励，碰撞时间越长，说明发生碰撞的可能性越小，则奖励越大，通过采集的数据集进行长时间的训练，找到最优的轨迹和运动模式。
15.在另一优选的实施方式中，还包括路径规划：根据轮椅当前位置和目标点位置，以及障碍物的位置，使用a*算法规划出一条距离最近且能绕过障碍物的路径。
16.在另一优选的实施方式中，使用16线激光雷达采集活动区域的三维点云地图数据。
17.本发明实施例还提供了一种医院场景下的轮椅机器人，包括激光雷达和工控机，所述激光雷达采集数据并传输给所述工控机，所述工控机根据所述激光雷达采集的数据运行上述所述的医院场景下的轮椅自主运动方法。
18.本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：1、本发明的轮椅自主运动方法，基于强化学习的运动决策机制，根据障碍物的运动轨迹和速度，预测未来一段时间内，障碍物的位置，判断是保持匀速、加速通过、减速等待还是暂停，对各种动态障碍物进行有效的避障，灵活的穿越医院内的狭小空间，辅助患者的运动。
19.2、本发明通过融合轮式里程计定位和imu定位，当激光雷达定位出现跳变或者评分较低时，切换到里程计定位和imu定位，避免了医院内流动人员遮挡从而造成定位不准确的问题。
20.3、本发明通过点云预处理过程去除地面点云数据，防止对轮椅的正常运动造成干扰，同时减少了障碍物识别过程中所需要的计算量，提高计算速度。
21.4、相比于现有的使用圆形或矩形拟合障碍物外轮廓，本发明通过使用多边形进行拟合，为后期的状态观察提供了更高的识别精度。通过聚类算法配合拟合处理，相比于传统的深度学习，更进一步地减少了计算量，保证了障碍物识别的实时性。
附图说明
22.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
23.图1是本发明医院场景下的轮椅自主运动方法实施例的流程图；图2是本发明医院场景下的轮椅自主运动方法实施例的运动决策示意图；为显示各部位位置而夸大了互相间间距或尺寸，附图仅作示意使用。
具体实施方式
24.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非本发明另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”或“包括”时，其指明存在特征、步骤、操作、器件、组件或它们的组合。
25.正如背景技术所介绍的，现有的电动轮椅虽然可以找到一条绕障的路径，但是医院走廊或者病房里具有人员密集、空间狭窄、动态变化等特点，现有的电动轮椅难以在医院这种复杂环境下对各种动态障碍物进行有效的避障从而规划出最优路径，很多狭小的空间并不能穿越过去。相反，人类可以在医院狭小的空间内，灵活自由地穿行，主要得益于人的大脑可以根据前方障碍物的运动过程进行未来一段时间内的运动估计，找到一条最优的路径，并且在加速、减速、匀速和暂停等各种运动模式之间切换。基于此，本发明提出了一种医院场景下的轮椅自主运动方法，基于强化学习的运动决策机制，根据障碍物的运动轨迹和速度，预测未来一段时间内，障碍物的位置，判断是保持匀速、加速通过、减速等待还是暂停，对各种动态障碍物进行有效的避障，灵活的穿越医院内的狭小空间，辅助患者的运动。
26.医院场景下的轮椅自主运动方法具体包括：1、建图定位。使用16线激光雷达采集数据，运用激光雷达slam(同时定位与地图构建)算法，建立活动区域的三维点云地图。16线激光雷达通过激光扫描得到轮椅周围环境的三维模型，运用slam算法实时得到全局地图。根据当前激光雷达数据和点云地图的配准，获取当前轮椅的准确定位。三维点云地图中点投影到二维平面，生成二维栅格地图，为障碍物感知提供基础。
27.当激光雷达定位出现跳变或者评分较低时，切换到里程计定位或imu定位。所述里程计为轮式里程计，轮式里程计的航迹推算定位方法基于光电编码器在采样周期内脉冲的变化量计算出车轮相对于地面移动的距离和方向角的变化量，从而推算出移动机器人位姿的相对变化。imu全称inertialmeasurementunit，即惯性测量单元，测量物体三轴姿态角(或角速率)以及加速度。由于医院走廊和病房人员密集，容易对激光雷达造成遮挡，本发明通过融合轮式里程计定位和imu定位，当激光雷达定位出现跳变或者评分较低时，切换到里程计定位或imu定位，避免了医院内流动人员遮挡从而造成定位不准确的问题。
28.2、点云预处理。使用激光雷达观测采集当前环境的点云，进行障碍物的检测。当前帧的点云，包含了地面信息和障碍物信息，使用射线法，根据点云相邻点的坡度变化小于设定阈值，则认为是地面，过滤地面信息，去除地面上点，只保留障碍物的点云进行避障处理。通过点云预处理过程去除地面点云数据，防止对轮椅的正常运动造成干扰，同时减少了障碍物识别过程中所需要的计算量，提高计算速度。
29.3、障碍物感知。将上述非地面点进行欧几里得聚类检测，距离相近的一簇点聚类在一起，当作一个障碍物，并用多边形拟合外轮廓，计算多边形的坐标中心，作为这个障碍物的中心。相比于现有的使用圆形或矩形拟合障碍物外轮廓，本发明通过使用多边形进行拟合，为后期的状态观察提供了更高的识别精度。通过聚类算法配合拟合处理，相比于传统的深度学习，更进一步地减少了计算量，保证了障碍物识别的实时性。
30.使用卡尔曼滤波跟踪每个障碍物的中心在时序上的坐标变化，拟合出障碍物的运动轨迹，估计出运动的速度，对未来一段时间内的位置进行预测。将障碍物的外多边形投影到二维栅格地图，对应的栅格为占据状态，没有障碍物的栅格为空闲状态。
31.使用卡尔曼滤波对障碍物中心进行跟踪并进行位置预测的具体过程为：状态方程：xk=ax
k-1
w
k-1
，观测方程：zk=hxk vk，其中，状态转移矩阵，dt表示迭代周期，系统状态向量，xk、yk、v
xk
、v
yk
分别是k时刻的位置和速度，w
k-1
表示预测噪声，测量值，表示激光雷达测量到的障碍物坐标，观测矩阵，vk表示测量噪声。
32.（1）对状态进行预测x
`k
表示根据上一时刻系统状态预测的下一时刻系统状态。
33.（2）对噪声协方差进行预测（2）对噪声协方差进行预测表示系统不确定性协方差矩阵的预测值，表示系统预测模型噪声协方差矩阵。
34.（3）更新卡尔曼增益kk表示卡尔曼滤波增益，h表示观测矩阵，r表示激光雷达测量噪声协方差矩阵。
35.(4)对状态进行更新(4)对状态进行更新表示对系统状态的估计。
36.（5）对噪声协方差进行更新pk表示系统不确定性协方差矩阵的更新值，i表示单位矩阵。
37.4、路径规划。根据轮椅当前位置和目标点坐标，以及障碍物的坐标，使用a*算法，从起点开始，遍历周围邻近的点，然后再遍历已经遍历过的点邻近的点，逐步向外扩散，直到找到终点，在栅格地图中搜索出从起点到终点规划出一条距离最近且能绕过障碍物的路径。
38.5、运动决策。运动状态分为匀速运动，加速通过，减速通过，暂停四种运动状态。基于强化学习的运动决策机制，根据障碍物的运动轨迹和速度，预测未来一段时间内，障碍物的位置，判断是保持匀速、加速通过、减速等待还是暂停。
39.设置轮椅匀速运动的速度为v1，加速运动和减速运动的加速度为a，最大速度v
max
，最小速度为0。假设此时障碍物的运动速度为v2。v是选择某一种运动模式后的速度，如果选择匀速运动，则v=v1；如果选择加速运动，则v=v1 a*
⊿
t，且最大不超过v
max
，其中
⊿
t是一个控制周期的时长；如果选择减速运动，则v=v
1-a*
⊿
t,且最小不小于0,如果选择暂停，则v=0，d是预测的障碍物到轮椅的距离。根据运动预测，计算不同运动模式的碰撞时间ttc（time-to-collision），ttc=d/(v
2-v)。
40.如图2所示，使用强化学习来实现运动模式决策，轮椅作为智能体（agent），机器人当前位置和步骤3预测的所有障碍物的位置和速度作为强化学习的状态观察（state），不同的运动模式作为强化学习的动作（action），碰撞时间ttc作为强化学习的奖励（reward），碰撞时间越长，说明发生碰撞的可能性越小，则奖励越大，通过采集的数据集进行长时间的训练，前期先训练好，在使用时调用该模型，轮椅可以像人一样智能地找到最优的轨迹和运动模式，在医院密集狭小的空间内灵活的穿插运动。另外，在实际运行中，如果ttc都小于设定阈值，表示在很短的时间内容易发生碰撞，无论如何都不能通过，则在原地暂停等待，继续观察，直至有空间能通过。
41.基于上述轮椅自主运动方法，本发明实施例还提供了一种医院场景下的轮椅机器人，可以在医院狭小的空间、人员密集的环境下，自动运载病人运动。底盘上装有四个独立转向的电机，可以更加灵活地运动，轮椅机器人上面安装激光雷达来感知周围环境，配备工控机，来完成各种算法的运算。
42.该医院场景下具有类人行为的轮椅机器人，具有自主定位、自主导航、自主避障的能力，可以在医院环境下，安全便捷地将病患带到目的地。轮椅机器人底盘采用四轮独立转向的结构，相比普通的轮椅机器人底盘结构，此结构还可以支持原地转向和侧向平移，在医院场景下更具灵活性。轮椅机器人还融合了轮式里程计和imu定位，底盘安装轮式里程计和imu，根据四轮四驱模型，可以解析出轮椅机器人当前整体的线速度和角速度。
43.另外该轮椅机器人运动模式分为两种模式，人工接管操作和自主运动。人工接管
操作模式下，轮椅机器人上装有手动操纵杆，病患可以控制轮椅机器人的运动方向和运动速度。自主运动模式下，轮子通过安装的激光雷达、摄像头等传感器，感应周围环境中的行人等障碍物，对行人进行跟踪，并预测行人的运动轨迹，找到一条可行驶的最优路线。本发明提出了基于强化学习的类人运动的决策机制，会根据预测的障碍物的位置和运动轨迹，自主判断轮椅机器人在设定的速度范围内，是保持匀速、加速穿过人群、减速等待还是暂停，并且底盘可以智能地切换运动模型，比如正常前行、转弯、原地转向、横向平移。此轮椅机器人给病患提供更便利的运载工具，可以有效减轻医护人员的工作压力，为提高医院的智能化做出贡献。
44.上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。