多功能智能轮椅设计毕业论文Word文档格式.docx
《多功能智能轮椅设计毕业论文Word文档格式.docx》由会员分享，可在线阅读，更多相关《多功能智能轮椅设计毕业论文Word文档格式.docx（48页珍藏版）》请在冰豆网上搜索。
Raspberrypie;
Lidar;
self-navigation;
Speechrecognition
1绪论
1.1智能轮椅研究意义
全球正在步入一个老龄化的阶段，几乎每个国家，无论发达或者是发展中国家都在面临着老龄化的问题，正如社会学家所推测，人口老龄化将很有可能成为21世纪的社会趋势之一，到了2050年，全球约每6个人中就会有一个人的年龄在65岁以上，相比2019年占比由9%上升到16%，老年人口提高了近2.3倍，并且由于各种事故、疾病等因素照成行动不便的残障人士的数量也以较快的速度再逐年上升。
对于这一群体的医疗和护理、日常生活问题，将是各界必须面对也是亟待解决的问题。
然而，针对目前这一数量日益增长的群体，为他们日常生活提供日常生活护理的人却越来越少，即使在政府的干预下，为老年人和残障人士的提供便利的设施不断增加，社会服务不断完善，但对于老人和残障人士而言，行动不便仍是困扰他们的一大原因。
无法自由行动使他们难以融入社会，同时，残障人士由于自身身体缺陷的障碍，影响他们的日常的家庭、社会活动，容易在心理上对他们造成自卑、孤独感。
对于这类群体，轮椅的出现为他们提供了极大的便利。
但是对于很多年迈的老人或者残疾人来说，普通的轮椅无法自己操控，通常还是需要在他人的协助下才可以活动。
因此对于轮椅的选择，要以操作方便，运行安全可靠为准则，电动轮椅是比较理想的选择，但是普遍的电动轮椅不具有导航定位，主动避障的功能，对于部分行动不便的人来说，依旧无法使他们的生活得到改善，而随着智能化时代的到来，人们提出将轮椅也进行智能化。
智能轮椅的产生，是为了服务与行动不便的老年人和残障人士这一类群体，智能轮椅利用多种传感器进行信息收集，使用自动与手动控制结合，多模式识别、人机交互的操作，具备自动定位导航功能并且能够主动避障、安全行驶。
智能轮椅可以根据使用者的指令进行从当前位置到目的地的路线规划，并在自驱动时不断检测周围环境的信息，避开路障，修正路线确保能过安全准确地到达目标地点。
随着老龄化的加剧以及残障人口的比例的逐年增加，智能轮椅的研究对于这一群体而言具有重要的意义。
1.2发展历程和研究现状
从上世纪70年代开始，经过40多年的探索，智能轮椅功能越来越完善。
1986年，英国首先开始研制出了第一辆智能轮椅，掀开了这场轮椅的智能化浪潮，许多国家开始投入资金涉略这一领域。
而目前许多国家都在这一方面取得了突破，研制出来各具特色的智能轮椅。
国内外均有取得这一领域重大突破的项目，国外比较典型的有包括但不仅限于以下的项目。
这些项目研发的智能轮椅各有各的特色部分。
像1989年法国的项目VAHM，它主打的是减少使用者的人为控制，高自主性轮椅。
该智能轮椅可以支持3种控制模式：
手动控制、半自动控制和全自动控制。
可以满足在多种环境下使用者的不同需求。
手动控制模式下，使用者可通过人机界面发送控制指令，简单来说就是执行指令。
半自动控制下，智能轮椅有一定自主控制能力，比如当轮椅监测到有障碍物但是使用者为给出指令是，它会采取行动，具备避障能力。
全自动控制则是完全通过计算机进行控制，与使用者的交互只有接收目的地的指令，其他如路径的选择完全交由计算机选择。
相较于法国VAHM项目，西班牙STAMO智能轮椅的控制模式相同，但是有多种不同的操作方式，比如通过人眼运动来发送指令，通过呼吸的方式，基于EOG，基于操纵杆模式、基于语音识别模式。
STAMO智能轮融合了多传感器包括激光和CDC摄像头等，多种模式的操作可以满足不同的人群的需求。
美国麻省理工的Wheelesl半自主轮椅机器人可以在不需要全局地图的情况下实现室内导航功能，它在接收到使用者的指令后，可以实时监测环境，并根据环境的变化进行障碍规避。
Wheelesl轮椅机器人一共使用了12个红外传感器、4个超声传感器和2个编码器来实现机器人轮椅的环境检测。
MAid智能轮椅则是以高精度的避障功能而闻名。
这款轮椅由德国研发。
在1998年MAid智能轮椅因为在人流密集、环境复杂的车站和博览会展厅进行36个小时的障碍物躲避测试，并且成功实现无碰撞驾驶而闻名。
它能迅速发现行驶方向上的物体，并自动匹配合适的行驶的路线，绕开障碍物继续行驶。
MAid智能轮椅使用一台工业电脑作为处理器，能够迅速的进行计算，因此反应的时间短。
MAid智能轮椅使用大量的传感器进行环境监测。
轮椅的避障由两个系统配合实现：
航位推算系统和声呐系统。
根据不同的环境它有两种导航模式可以选择：
宽区模式（NAM）和窄区模式（WAN）,分别对应的是自主控制行驶和自主运动模式。
我国的智能轮椅的研究起步较晚，但发展的速度比较快。
比较成熟的有如中科院研制RoboChair智能轮椅机器、上海交大的“交龙”智能轮椅、重庆邮电大学的多模态的控制方式来控制轮椅等等。
RoboChair具有“多模式人机交互方式”和“随机环境下的融合导航”的优势。
它可以分辨不同的手势、头部摇摆进行指令发布，或者通过面部表情、和语言识别来进行控制。
在嵌入式系统下，RoboChair利用摄像头进行环境定位和基于平滑轨迹规划算法进行避障。
RoboChair目前已在部分医院投入使用。
上海交通大学研制的“交龙”智能轮椅的输入端是通过触控屏幕进行输入，使用者还可以利用麦克风进行交互。
该轮椅可以识别使用自己的语言命令并传送给控制中心进行路径搜索。
在移动的时候，若“交龙”智能轮椅监测到有动态或者静态障碍物在当前行驶路径上时会自动进入避障模式。
使用者可以直接对轮椅说出“前进”、“后退”等指令来控制轮椅的行动。
重庆邮电大学研制的轮椅着力于多模式控制。
他们的轮椅可以有包括肌电、脑电波识别、视觉跟踪等多种模式控制。
多种模式的控制极大的满足了不同人群的需求。
此外他们还开发了高精度的人类的微动作的控制模式如基于手腕弯曲幅度进行控制等。
1.3本文的研究思路
智能轮椅同普通轮椅的区别在于它不仅仅是将手动控制变成电驱动，它的核心在于机器人技术，将轮椅变为一个机器人，具备交流和控制的能力。
在智能轮椅上移植移动机器人的移动控制、视觉识别、语音交互、自主定位、导航避障技术等，提高轮椅的使用便捷性。
本文主要解决智能轮椅的实时导航问题，使智能轮椅能够实现在陌生环境中，使用激光雷达进行室内地图的构建，并且实时更新地图。
实现智能轮椅的人机交互，接收使用者指令并且根据指令执行相应的动作。
实现智能轮椅的自主导航功能，能够在室内环境下规划路径，避开障碍物到达指定的目的地。
从以下几个方面进行研究：
1.研究SLAM技术，在ROS平台上设计基于激光雷达传感器的智能轮椅自主导航系统方案。
2.基于室内环境下，利用树莓派和激光雷达进行室内环境进行地图的构建与实时更新，并对地图进行剪裁处理。
3.结合语音识别技术读取识别使用者的指令，发送至处理器并根据相应的指令进行移动控制控。
4.基于建立的地图进行路径规划，实现自主导航与避障功能。
2导航系统的整体方案
本设计的导航的使用范围是在室内环境下。
智能轮椅的导航系统需要实现在室内环境中，依靠激光雷达进行室内地图的构建，接收使用者指令并且根据指令执行相应的动作，实现智能轮椅的自主导航功能，能够在室内环境下进行规划路径，并且驱动轮椅避开障碍物，到达指定的目的地。
2.1导航系统的工作原理
智能轮椅的整体控制分为三个部分：
环境理解、任务信息处理、任务执行。
环境理解就是通过传感器进行环境的检测，读取感知信息。
基于传感器信息进行地图构建得到当前的环境地图信息。
这是实现导航的第一步工作。
在获取环境信息之后，轮椅必须知道使用者的目的，监测到来自用户的指令后，通过语音识别技术，进行过滤得到有效语音信息，对语音信息进行处理，理解用户指令后进行路径规划获得最优路径。
上位机将指令传达给下位机执行电机驱动指令。
在电机运动的过程中，传感器还会一直扫描环境信息，进行地图的更新。
因此根据实时地图下会有局部的路径规划，当局部规划的路线与基于全局路径规划的路线发生较大的差别时，导航系统会进入避障模式，即刻依据局部路径修正行驶路线。
图2.1智能轮椅工作原理流程图
2.2导航系统硬件设备
2.2.1树莓派
树莓派是一个教育用途的移动电脑，它是一款性价比高的处理器，可以支持多种系统的安装，支持ROS机器人平台的搭建。
并且由于其体积小，可以安装在一些移动装置或者机器人中，作为中央处理器使用。
适用作为移动装置、机器人等的处理器。
它是一款基于ARM的微型电脑主板。
使用者在经过配置之后可以获得具备所有个人电脑的基本功能的小型处理器。
它的内存硬盘是不同容量的SD/MicroSD卡，可以根据需求有多种选择。
树莓派根据不同的型号一般有2个或者4个USB接口并且配备了一个以太网端口可以连接路由器。
树莓派上带有两个microHDMI接口，可以同时连接两个支持HDMI输入的电视机、电脑显示器或投影仪作为树莓派的显示屏，或者配置树莓派触摸显示屏，但是该功能需要进行配置才能实现。
树莓派官方提供了多种常用的系统镜像，可支持语言包括python、Java、c语言等等。
本次使用树莓派作为载体，安装ROS环境作为上位机使用，树莓派支持使用Arduino作为功能拓展板，能够与作为Arduinomega2560进行通讯，分布指令。
该树莓派为RaspberryPi4ModelB。
跟之前的树莓派相比，更新后的树莓派4B，它的处理器CPU升级为1.5G4核64位，CortexA72架构运算速度是Pi3B+的3倍以上，引入USB3.0，蓝牙升级为5.0BLE，性能更加稳定的同时满足低功耗，支持双屏4K输出，性能有所提升。
树莓派常被用于机器人开发中，他功能强大，具有强大的社区技术支持和功能拓展，兼容性好，价格合适。
图2.2树莓派
2.2.2激光雷达
激光雷达是一种光测量仪器，是以光束作为测量工具。
它首先需要向四周发射大量的探测信号。
当光受到阻挡时，会发生漫反射，激光雷达的接收器会接收反射回来的目标回波，将两组信号波进行对比，经过计算可以获得得信息，如目标位置信息、外表特征、移动速度和姿态等。
激光雷达使用激光束作为探测信号，激光的频率比微波频率高，因此激光雷达具有隐蔽性好，抗有源干扰能力强的优势；
同时激光的光束十分窄，且聚集，不易被干扰，稳定性强；
线性传播，具有方向性好的特点。
市面上的激光雷达产品种类繁多，本设计中使用的是Delat-2A激光雷达。
Delat-2A的扫描区域为平面半径为8m圆内进行360o全方位扫描。
目前使用的激光雷达的采样频率大多在在2～5KHZ左右。
使用激光雷达可以对当前环境进行测量下并生成当前所在的环境下的平面点云地图信息。
激光雷达用途十分广泛，例如在地理方面进行地形测绘、机器人的导航避障等。
Delat-2A系列激光雷达采用光学三角测距技术，配合精密光学、视觉采集处理机构，它可进行每秒高达5KHz测距动作。
Delat-2A激光雷达内部包含处理器可以对接受的信息进行高速处理，计算出目标物体到激光雷达的夹角、距离数据。
表2.1激光雷达参数
2.3软件平台选择
2.3.1ROS框架
机器人操作系统（ROS，robotoperatingsystem）是个基于Linux的开源操作系统。
不同的机器人有多种不同的机器人平台，在不同的平台上代码无法重复使用，为了解决这个问题，ROS平台支持多种语言编译，也就是说可以把代码打包成一个功能包移植到ROS平台上，大大提高了开发质量和效率，在一定程度上降低了开发难度。
ROS平台可以分为软件平台和硬件平台。
机器人软件平台不仅包括机器人应用中使用的硬件抽象、子设备控制[1]，还包括了我们常说的机器人开发中的SLAM技术、Navigation和Manipulation等功能的实现。
在该操作平台下包含了大量的功能包、开发环境所需要的的各种个样的库、实用的开发、调试、仿真工具。
ROS由主节点负责点到节点的连接和信息交流。
我们启动ROS常用指令roscore，当该指令运行时，创建主节点主节点是其他所有节点的开端。
此后可以注册每个节点的名字，并进行节点之间的信息交流。
节点可以看成一个函数当需要执行某个功能时，就是调用对应的节点。
节点在运行的同时会向主节点注册名称。
在注册节点的同时还向主节点注册了publisher、subscriber、servicesever、serviceclient的名称、形式、端口和地址（URI）。
节点间的交流是通过话题和服务。
功能包是ROS中的重要的部分。
它是构成ROS的基本单元。
功能包的存在使得程序能够方便的移植。
消息是（massage）使用来发送和接收节点的数据，它可以看作是变量，它可以发生单向或者双向的数据传输。
话题（topic）就是编程中函数的名称，在调用时只需要写入函数名即可使用。
在发布者（publisher）节点向主节点注册相当于做声明，而在ROS中它发送“消息”，作为橄榄枝。
而需要接收该信号的subscriber会在主节点处递交“申请”，得到该发布该话题的发布者的节点信息。
获得“消息”后，两个节点即订阅者和发布者就产生联系，可以通过话题进行消息交流。
2.3.2ROS仿真平台
作为ROS中常用的开源工具之一，Gazebo具有功能强大的三维仿真能力。
在该软件中可以导入任何模型，并且具有优秀的渲染功能。
拥有强大的物理引擎，支持编程和图形接口。
在开发中，开发者常使用该平台进行物理仿真。
使用方，只需要在Gazebo中加入提前转换好格式的机器人就可以模拟环境进行物理仿真，对于周围环境如摩擦系数、弹性系数、质量等物理属性，可以在该平台的仿真中实现。
甚至可以在Gazebo中进行环境仿真，而一些传感器信息也可以通过插件的形式在gazebo中进行仿真。
RVIZ是一个协助开发的可视化工具，可以实现对数据进行三维仿真。
它可以兼容所有基于ROS软件框架开发的机器人。
RVIZ是通过XML对机器人或是环境中的实际物体进行数据读取，如物体的外部特征，关节、运动速度、位姿等属性，并将数据转化为图形进行可视化处理，显示机器人状态信息、传感器信息和环境信息等。
RVIZ可以使用者需求，对定制的所有从传感器或机器人处获取的监测数据进行图形化处理显示。
此外，在RVIZ的控制界面下，使用者可以实现对机器人的行为进行直接控制，支持多种现有的控制模式，同样可以进行功能拓展例如加入插件。
图2.3gazebo工作界面
图2.4rvzi工作界面
2.4SLAM技术
SLAM（simultaneouslocationandmapping），同步定位和绘制地图技术，可实现当移动机器人处于完全陌生的环境中的情况下，通过传感器对周围环境信息进行勘探。
通过获取的环境信息和运动信息进行计算，并推算出当前位置，绘制出环境地图。
需要运用该技术的移动机器人必须具备行走测量和估计位姿的能力。
基于ROS框架下有5种基于2D激光slam算法：
Gmapping，HectorSLAM，Karto-SLAM，CoreSLAM和LagoSLAM。
其他非基于ROS的有Google开源cartographer已经有了基于ROS版本。
本设计中使用的是Hectorslam和Gmapping。
图2.5ROS导航包流程
2.4.1HectorSLAM
HectorSLAM是常用的一种导航技术，它是结合了鲁班性（Robus）较好的扫描匹配法即2Dslam和使用惯性传感系统。
但是对于低更新频率的激光传感器该技术并不能很好的达到使用者需要的效果。
因为即使在测距估算足够精准的条件下，在该系统下生成的地图还是会出现误差，因此使用时低更新频率的激光传感器本设计不适用。
HectorSLAM对于传感器激光扫描仪的要求较高，需要选择高更新频率、小测量噪音的激光雷达。
HectorSLAM区别于其他几种的一点是它不需要里程计，可以满足在不平坦的地面上行驶的小车或者空中无人机进行导航任务。
HectorSLAM通过使用hector_mapping节点来学习陌生环境的地图，同时通过激光雷达扫描帧速率来估算移动装置的二维位姿。
节点是通过使用tf来对扫描数据进行转化，因此雷达可以不进行固定，也不需要Odom数据，同时不需要里程计，所以节约了计算资源。
通过已经获得的地图作为基础，对激光束利用已经获得的地图对激光束点阵进行优化,计算激光点占据网格的概率。
其中扫描匹配利用的是高斯牛顿的方法进行求解。
具体的公式如下：
扫描匹配是通过找到刚体变换的最小值，是世界坐标系下第i个扫描端点，和返回在地图上这些点的坐标。
根据式2.2求解高斯-牛顿方程（Gaussian-Newton）：
（式2.1）
（式2.2）
其中H由黑塞矩阵（HessianMatrix）计算：
（式2.3）
图2.6hectorSLAM工作原理
2.4.2Gmapping
Gmapping是一种基于激光的SLAM算法。
该算法是基于Rao-Blackwellized的粒子滤波的SLAM方法即RBPF（Rao-BlackwellizedParticleFilter）。
RBPF是通过使用大量的加权粒子来表示移动装置路径的后验算概率，通过接收到的信息进行反推算，每个粒子会给出一个重要因子。
由于Gmapping算法需要大量的粒子数据支持才能不断对结果进行修正，对数据的计算量大，算法计算稍复杂。
此外，算法的准确性因为在进行PF重采样过程中发生粒子退化折损的问题而受到影响，粒子的损耗会照成粒子的重要性权重发生变化，这意味着存在正确的假设粒子丢失，没有起作用。
自适应重采样技术恰好弥补了该算法的缺陷。
它是根据测距运动模型与观测值提出建议分布。
当收集到第一代数据后，通过计算高斯分布可以推算出下一代粒子的分布。
式2.7是根据有效粒子数的比重来衡量粒子权值的退化程度。
的值越小，退化越严重。
对粒子有效数量设置门限，当低于该值时，需要采取重采样。
gmapping在ROS中已经集成完整的功能包，是移动机器人的导航系统中使用频率最高的SLAM算法。
（式2.4）
K是采样点的数量，是标准化因素,根据该分布，第i个粒子的权值可以计算为
（式2.5）
（式2.6）
式2.7是根据有效粒子数的比重来衡量粒子权值的退化程度
（式2.7）
表2.2gmapping的topic发布/订阅和service
名称
类型
描述
Topic订阅
Tf
Tf/tfMessage
用于激光雷达坐标系、基坐标系、里程计坐标系间转换
Scan
sensor_msgs/LaserScan
激光雷达
升级会员 