全向智能輪椅速度估計(jì)的優(yōu)化策略與實(shí)踐研究一、引言1.1研究背景隨著全球人口老齡化的加劇以及殘障人士數(shù)量的增加，行動(dòng)不便人群對(duì)輔助出行工具的需求日益迫切。智能輪椅作為一種能夠顯著提升行動(dòng)不便者生活質(zhì)量的重要設(shè)備，融合了機(jī)械、電子、控制、人工智能等多學(xué)科技術(shù)，成為了當(dāng)前研究的熱點(diǎn)領(lǐng)域。智能輪椅為行動(dòng)不便人群帶來了諸多便利，極大地提升了他們的生活質(zhì)量。從日常出行角度來看，對(duì)于那些因身體原因無法自主行走的老年人和殘障人士，智能輪椅成為了他們不可或缺的代步工具。在家庭環(huán)境中，智能輪椅可以幫助使用者自由穿梭于各個(gè)房間，輕松完成如拿取物品、前往衛(wèi)生間等日常活動(dòng)，減少了對(duì)他人的依賴。在社區(qū)和公共場(chǎng)所，智能輪椅使得使用者能夠更方便地參與社交活動(dòng)、購物、就醫(yī)等，增強(qiáng)了他們?nèi)谌肷鐣?huì)的能力。從康復(fù)訓(xùn)練角度出發(fā)，部分智能輪椅具備康復(fù)訓(xùn)練功能，能夠根據(jù)使用者的身體狀況制定個(gè)性化的訓(xùn)練計(jì)劃，輔助他們進(jìn)行康復(fù)鍛煉，促進(jìn)身體機(jī)能的恢復(fù)。從心理層面來說，智能輪椅給予了使用者更多的行動(dòng)自由，讓他們能夠像正常人一樣出行，從而提升了他們的自信心和生活滿意度，對(duì)其心理健康產(chǎn)生了積極的影響。速度估計(jì)作為智能輪椅的關(guān)鍵技術(shù)之一，在其運(yùn)行過程中起著舉足輕重的作用。在智能輪椅的導(dǎo)航與路徑規(guī)劃方面，精確的速度估計(jì)是實(shí)現(xiàn)自主導(dǎo)航的基礎(chǔ)。智能輪椅需要根據(jù)當(dāng)前的速度信息，結(jié)合地圖數(shù)據(jù)和傳感器感知到的環(huán)境信息，規(guī)劃出合理的行駛路徑，避開障礙物，到達(dá)目標(biāo)地點(diǎn)。若速度估計(jì)不準(zhǔn)確，可能導(dǎo)致路徑規(guī)劃錯(cuò)誤，使智能輪椅碰撞到障礙物，影響使用者的安全。在運(yùn)動(dòng)控制方面，速度估計(jì)為運(yùn)動(dòng)控制提供了重要的反饋信息。通過實(shí)時(shí)獲取速度數(shù)據(jù)，控制系統(tǒng)可以根據(jù)使用者的操作指令，精確地調(diào)整電機(jī)的輸出功率，實(shí)現(xiàn)對(duì)輪椅速度和方向的精準(zhǔn)控制，確保行駛的平穩(wěn)性和舒適性。在安全保障方面，速度估計(jì)有助于智能輪椅實(shí)施安全策略。當(dāng)檢測(cè)到速度異?；虺霭踩秶鷷r(shí)，系統(tǒng)可以及時(shí)采取制動(dòng)措施，避免發(fā)生危險(xiǎn)。1.2研究目的與意義本研究旨在通過對(duì)全向智能輪椅速度估計(jì)方法的深入探究，改進(jìn)現(xiàn)有的速度估計(jì)技術(shù)，從而實(shí)現(xiàn)對(duì)輪椅速度的高精度、實(shí)時(shí)且穩(wěn)定的估計(jì)。具體而言，期望通過引入先進(jìn)的算法和多傳感器融合技術(shù)，充分挖掘不同傳感器數(shù)據(jù)的優(yōu)勢(shì)，提高速度估計(jì)的準(zhǔn)確性和魯棒性。同時(shí)，致力于降低速度估計(jì)過程中的誤差和不確定性，使智能輪椅在各種復(fù)雜環(huán)境和行駛狀態(tài)下，都能獲得精確的速度信息。準(zhǔn)確的速度估計(jì)對(duì)于提升全向智能輪椅的整體性能具有重要意義。在導(dǎo)航與路徑規(guī)劃方面，精準(zhǔn)的速度信息能夠使智能輪椅更精確地規(guī)劃行駛路徑。以在室內(nèi)環(huán)境中為例，智能輪椅可以根據(jù)準(zhǔn)確的速度數(shù)據(jù)，結(jié)合地圖信息和傳感器感知到的障礙物位置，更合理地規(guī)劃繞過障礙物的路徑，避免碰撞，高效地到達(dá)目標(biāo)地點(diǎn)。在運(yùn)動(dòng)控制方面，精確的速度估計(jì)為運(yùn)動(dòng)控制系統(tǒng)提供了可靠的反饋。智能輪椅的控制系統(tǒng)能夠根據(jù)準(zhǔn)確的速度信息，精確地調(diào)整電機(jī)的輸出功率和扭矩，實(shí)現(xiàn)平穩(wěn)的加速、減速和轉(zhuǎn)向，為使用者帶來更加舒適的乘坐體驗(yàn)。在安全保障方面，精確的速度估計(jì)是智能輪椅實(shí)施安全策略的基礎(chǔ)。當(dāng)檢測(cè)到速度異?；虺霭踩秶鷷r(shí)，系統(tǒng)能夠及時(shí)啟動(dòng)制動(dòng)系統(tǒng)或采取其他安全措施，有效避免事故的發(fā)生，保障使用者的人身安全。從提升使用者生活質(zhì)量的角度來看，改進(jìn)全向智能輪椅速度估計(jì)方法也具有顯著的意義。對(duì)于行動(dòng)不便的老年人和殘障人士來說，安全、可靠的智能輪椅是他們實(shí)現(xiàn)自主出行的重要保障。精確的速度估計(jì)能夠使智能輪椅在行駛過程中更加穩(wěn)定、安全，增強(qiáng)使用者的信心，讓他們能夠更加自由、自信地參與社會(huì)活動(dòng)，提高生活的獨(dú)立性和自主性。同時(shí)，也減輕了家人和護(hù)理人員的負(fù)擔(dān)，使他們無需時(shí)刻擔(dān)心使用者的出行安全問題。1.3國(guó)內(nèi)外研究現(xiàn)狀國(guó)外在智能輪椅速度估計(jì)領(lǐng)域的研究起步較早，取得了一系列具有代表性的成果。美國(guó)麻省理工學(xué)院的WHEELESLEY項(xiàng)目，致力于智能輪椅的研發(fā)，在速度估計(jì)方面，采用了編碼器與慣性測(cè)量單元（IMU）融合的方法。通過編碼器測(cè)量車輪的轉(zhuǎn)動(dòng)角度，進(jìn)而計(jì)算出輪椅的線速度，IMU則用于測(cè)量輪椅的加速度和角速度，對(duì)速度估計(jì)結(jié)果進(jìn)行修正，一定程度上提高了速度估計(jì)的準(zhǔn)確性。然而，該方法在復(fù)雜地形下，如地面不平整或存在較大坡度時(shí)，由于車輪可能出現(xiàn)打滑現(xiàn)象，導(dǎo)致編碼器測(cè)量誤差增大，從而影響速度估計(jì)的精度。法國(guó)的VAHM項(xiàng)目在智能輪椅速度估計(jì)中，運(yùn)用了機(jī)器視覺技術(shù)。通過安裝在輪椅上的攝像頭獲取周圍環(huán)境圖像，利用圖像特征點(diǎn)的變化來計(jì)算輪椅的運(yùn)動(dòng)速度。這種方法能夠在無接觸的情況下獲取速度信息，對(duì)一些特殊場(chǎng)景具有較好的適應(yīng)性。但機(jī)器視覺方法受環(huán)境光照條件影響較大，在光線昏暗或強(qiáng)光直射等情況下，圖像特征提取困難，容易產(chǎn)生較大的速度估計(jì)誤差，且計(jì)算量較大，對(duì)硬件性能要求較高。德國(guó)烏爾姆大學(xué)的MAID項(xiàng)目針對(duì)老年人及殘疾人助動(dòng)器進(jìn)行研究，在速度估計(jì)技術(shù)上，引入了擴(kuò)展卡爾曼濾波（EKF）算法。該算法將輪椅的運(yùn)動(dòng)模型與傳感器測(cè)量模型相結(jié)合，通過對(duì)傳感器數(shù)據(jù)的融合處理，實(shí)現(xiàn)對(duì)輪椅速度的最優(yōu)估計(jì)。EKF算法能夠有效處理傳感器噪聲和系統(tǒng)不確定性，在一定程度上提高了速度估計(jì)的穩(wěn)定性和準(zhǔn)確性。但EKF算法依賴于精確的系統(tǒng)模型，當(dāng)實(shí)際系統(tǒng)與模型存在偏差時(shí)，估計(jì)性能會(huì)下降，且算法的計(jì)算復(fù)雜度較高，實(shí)時(shí)性受到一定影響。在國(guó)內(nèi)，隨著對(duì)智能輪椅研究的重視，眾多科研機(jī)構(gòu)和高校也在速度估計(jì)方面展開了深入研究。北京工業(yè)大學(xué)的李秀智等人針對(duì)全向智能輪椅速度估計(jì)問題，開展了基于光流的研究。通過分析圖像中光流場(chǎng)的變化來計(jì)算輪椅的速度，光流法能夠反映物體的運(yùn)動(dòng)信息，為速度估計(jì)提供了新的思路。但光流法對(duì)圖像質(zhì)量要求較高，且在復(fù)雜背景和快速運(yùn)動(dòng)情況下，光流計(jì)算容易出現(xiàn)誤差，導(dǎo)致速度估計(jì)不準(zhǔn)確。此外，一些國(guó)內(nèi)研究團(tuán)隊(duì)嘗試將機(jī)器學(xué)習(xí)算法應(yīng)用于智能輪椅速度估計(jì)。通過大量的實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，讓模型學(xué)習(xí)輪椅在不同工況下的運(yùn)動(dòng)特征與速度之間的關(guān)系，從而實(shí)現(xiàn)對(duì)速度的預(yù)測(cè)。這種方法具有較強(qiáng)的自學(xué)習(xí)能力和適應(yīng)性，能夠處理復(fù)雜的非線性問題。然而，機(jī)器學(xué)習(xí)算法需要大量的高質(zhì)量數(shù)據(jù)進(jìn)行訓(xùn)練，數(shù)據(jù)采集和標(biāo)注工作較為繁瑣，且模型的泛化能力有待進(jìn)一步提高，在未訓(xùn)練過的場(chǎng)景下可能出現(xiàn)估計(jì)偏差。1.4研究方法與創(chuàng)新點(diǎn)本研究采用了理論分析與實(shí)驗(yàn)研究相結(jié)合的方法，對(duì)全向智能輪椅速度估計(jì)方法進(jìn)行深入探究。在理論分析方面，深入研究現(xiàn)有的速度估計(jì)算法，如基于編碼器的方法、基于慣性測(cè)量單元的方法、基于機(jī)器視覺的方法以及各種濾波算法等，剖析它們的原理、優(yōu)勢(shì)和局限性。通過建立輪椅的運(yùn)動(dòng)學(xué)模型，從理論層面分析不同傳感器數(shù)據(jù)與輪椅速度之間的關(guān)系，為后續(xù)的算法改進(jìn)和多傳感器融合提供理論基礎(chǔ)。在實(shí)驗(yàn)研究方面，搭建全向智能輪椅實(shí)驗(yàn)平臺(tái)，配備多種傳感器，包括編碼器、慣性測(cè)量單元、攝像頭等。利用該實(shí)驗(yàn)平臺(tái)，在不同的場(chǎng)景和行駛條件下進(jìn)行實(shí)驗(yàn)，采集大量的傳感器數(shù)據(jù)。通過對(duì)實(shí)驗(yàn)數(shù)據(jù)的分析，驗(yàn)證理論分析的結(jié)果，評(píng)估不同速度估計(jì)方法的性能，并對(duì)改進(jìn)后的方法進(jìn)行測(cè)試和優(yōu)化。本研究的創(chuàng)新點(diǎn)主要體現(xiàn)在以下幾個(gè)方面：在算法改進(jìn)方面，提出一種基于自適應(yīng)卡爾曼濾波的速度估計(jì)改進(jìn)算法。該算法能夠根據(jù)輪椅的運(yùn)動(dòng)狀態(tài)和傳感器噪聲特性，自適應(yīng)地調(diào)整濾波器的參數(shù)，提高對(duì)復(fù)雜環(huán)境和動(dòng)態(tài)變化的適應(yīng)能力，有效減少速度估計(jì)誤差。在多傳感器融合策略上，創(chuàng)新地采用一種基于深度學(xué)習(xí)的多傳感器融合方法。通過構(gòu)建深度學(xué)習(xí)模型，自動(dòng)學(xué)習(xí)不同傳感器數(shù)據(jù)之間的內(nèi)在聯(lián)系和互補(bǔ)信息，實(shí)現(xiàn)更精準(zhǔn)的速度估計(jì)，克服了傳統(tǒng)融合方法依賴人工設(shè)計(jì)融合規(guī)則的局限性。在系統(tǒng)集成與優(yōu)化上，將改進(jìn)的速度估計(jì)方法與智能輪椅的導(dǎo)航、運(yùn)動(dòng)控制等系統(tǒng)進(jìn)行深度集成和優(yōu)化，實(shí)現(xiàn)各系統(tǒng)之間的協(xié)同工作，提升智能輪椅的整體性能和穩(wěn)定性。二、全向智能輪椅速度估計(jì)的理論基礎(chǔ)2.1全向智能輪椅的工作原理全向智能輪椅在結(jié)構(gòu)上通常由底盤、驅(qū)動(dòng)輪、轉(zhuǎn)向機(jī)構(gòu)、座椅、控制系統(tǒng)等部分組成。底盤作為輪椅的基礎(chǔ)支撐結(jié)構(gòu)，需要具備足夠的強(qiáng)度和穩(wěn)定性，以承載使用者的重量，并適應(yīng)各種復(fù)雜的地形和行駛條件。驅(qū)動(dòng)輪是實(shí)現(xiàn)輪椅運(yùn)動(dòng)的關(guān)鍵部件，其性能直接影響輪椅的運(yùn)動(dòng)能力，全向智能輪椅的驅(qū)動(dòng)輪一般采用特殊的設(shè)計(jì)，如麥克納姆輪或全方位轉(zhuǎn)向驅(qū)動(dòng)輪，以實(shí)現(xiàn)全向移動(dòng)功能。轉(zhuǎn)向機(jī)構(gòu)則負(fù)責(zé)控制輪椅的轉(zhuǎn)向，常見的轉(zhuǎn)向方式包括差速轉(zhuǎn)向、獨(dú)立轉(zhuǎn)向等，不同的轉(zhuǎn)向方式具有各自的特點(diǎn)和適用場(chǎng)景。座椅的設(shè)計(jì)注重舒適性和人體工程學(xué)，以確保使用者在長(zhǎng)時(shí)間乘坐過程中的舒適感?？刂葡到y(tǒng)作為全向智能輪椅的核心，集成了各種電子元件和控制算法，負(fù)責(zé)實(shí)現(xiàn)輪椅的智能化控制。在驅(qū)動(dòng)方式方面，全向智能輪椅主要采用電動(dòng)驅(qū)動(dòng)，通過電機(jī)為輪椅提供動(dòng)力。電機(jī)的類型多樣，常見的有直流電機(jī)、交流電機(jī)等。直流電機(jī)具有調(diào)速性能好、啟動(dòng)轉(zhuǎn)矩大等優(yōu)點(diǎn)，在全向智能輪椅中應(yīng)用較為廣泛。為了實(shí)現(xiàn)精確的運(yùn)動(dòng)控制，電機(jī)通常配備減速器和編碼器。減速器能夠降低電機(jī)的轉(zhuǎn)速，同時(shí)增大輸出轉(zhuǎn)矩，使輪椅能夠獲得足夠的驅(qū)動(dòng)力。編碼器則用于測(cè)量電機(jī)的轉(zhuǎn)速和轉(zhuǎn)動(dòng)角度，為控制系統(tǒng)提供反饋信息，以便實(shí)現(xiàn)對(duì)輪椅速度和位置的精確控制。以采用麥克納姆輪的全向智能輪椅為例，其運(yùn)動(dòng)控制原理基于麥克納姆輪的獨(dú)特結(jié)構(gòu)和運(yùn)動(dòng)特性。麥克納姆輪由輪轂和若干個(gè)均勻分布的輥?zhàn)咏M成，這些輥?zhàn)拥妮S線與輪轂的軸線成一定角度。通過控制不同輪子的轉(zhuǎn)速和轉(zhuǎn)向，可以實(shí)現(xiàn)輪椅在平面內(nèi)的任意方向移動(dòng)，包括前進(jìn)、后退、橫向移動(dòng)、旋轉(zhuǎn)等。具體來說，當(dāng)四個(gè)麥克納姆輪以相同的速度和方向轉(zhuǎn)動(dòng)時(shí)，輪椅實(shí)現(xiàn)直線前進(jìn)或后退；當(dāng)相對(duì)的兩個(gè)輪子轉(zhuǎn)速相同、方向相反時(shí)，輪椅實(shí)現(xiàn)原地旋轉(zhuǎn)；當(dāng)相鄰的兩個(gè)輪子轉(zhuǎn)速不同時(shí)，輪椅實(shí)現(xiàn)橫向移動(dòng)或斜向移動(dòng)。這種運(yùn)動(dòng)控制方式使得全向智能輪椅能夠在狹小的空間內(nèi)靈活移動(dòng)，具有很強(qiáng)的機(jī)動(dòng)性。全向智能輪椅的速度估計(jì)與上述工作原理密切相關(guān)。速度估計(jì)需要依據(jù)輪椅的運(yùn)動(dòng)狀態(tài)和傳感器數(shù)據(jù)來實(shí)現(xiàn)。例如，通過安裝在驅(qū)動(dòng)輪上的編碼器，可以測(cè)量輪子的轉(zhuǎn)動(dòng)角度和轉(zhuǎn)速，進(jìn)而根據(jù)輪子的半徑計(jì)算出輪椅的線速度。在全向運(yùn)動(dòng)過程中，由于輪椅的運(yùn)動(dòng)方向不斷變化，需要結(jié)合轉(zhuǎn)向機(jī)構(gòu)的信息和運(yùn)動(dòng)學(xué)模型，對(duì)速度進(jìn)行準(zhǔn)確的估計(jì)和分解。此外，輪椅的運(yùn)動(dòng)控制也依賴于速度估計(jì)的結(jié)果，控制系統(tǒng)根據(jù)速度估計(jì)值，調(diào)整電機(jī)的輸出功率和轉(zhuǎn)速，以實(shí)現(xiàn)對(duì)輪椅速度和方向的精確控制，確保行駛的平穩(wěn)性和安全性。2.2速度估計(jì)的基本方法2.2.1輪式里程計(jì)測(cè)速原理輪式里程計(jì)是一種基于輪子轉(zhuǎn)動(dòng)信息來測(cè)量和估計(jì)移動(dòng)設(shè)備位置與速度的常用方法，在全向智能輪椅速度估計(jì)中應(yīng)用廣泛。其工作原理基于輪子的旋轉(zhuǎn)運(yùn)動(dòng)與輪椅位移之間的幾何關(guān)系。通常在輪椅的驅(qū)動(dòng)輪上安裝編碼器，編碼器能夠精確測(cè)量輪子的轉(zhuǎn)動(dòng)角度和轉(zhuǎn)速。以常見的差分驅(qū)動(dòng)輪椅為例，假設(shè)輪子半徑為r，編碼器測(cè)量得到輪子在一段時(shí)間t內(nèi)轉(zhuǎn)動(dòng)的角度為\theta，則輪子滾動(dòng)的距離s可通過公式s=r\theta計(jì)算得出。若在相同時(shí)間t內(nèi)，左、右輪滾動(dòng)的距離分別為s_l和s_r，輪椅的線速度v可通過公式v=\frac{s_l+s_r}{2t}計(jì)算得到。對(duì)于角速度\omega，若輪椅的輪距為L(zhǎng)，則可由公式\omega=\frac{s_r-s_l}{Lt}計(jì)算得出。輪式里程計(jì)測(cè)速方法具有結(jié)構(gòu)簡(jiǎn)單、成本低、實(shí)時(shí)性好等優(yōu)點(diǎn)。其結(jié)構(gòu)相對(duì)簡(jiǎn)單，只需在驅(qū)動(dòng)輪上安裝編碼器等基本設(shè)備即可實(shí)現(xiàn)速度測(cè)量，無需復(fù)雜的外部設(shè)備，這使得系統(tǒng)的成本較低，易于實(shí)現(xiàn)和維護(hù)。同時(shí)，由于編碼器能夠?qū)崟r(shí)測(cè)量輪子的轉(zhuǎn)動(dòng)信息，因此可以快速計(jì)算出輪椅的速度，滿足實(shí)時(shí)性要求，為輪椅的運(yùn)動(dòng)控制提供及時(shí)的反饋。然而，該方法也存在一定的局限性。在實(shí)際應(yīng)用中，輪子與地面之間可能會(huì)出現(xiàn)打滑、空轉(zhuǎn)等現(xiàn)象，這會(huì)導(dǎo)致輪子實(shí)際滾動(dòng)的距離與理論計(jì)算值不一致，從而產(chǎn)生較大的速度估計(jì)誤差。在光滑的地面或爬坡等情況下，輪子容易打滑，使得速度估計(jì)不準(zhǔn)確。此外，輪式里程計(jì)的測(cè)量誤差會(huì)隨著時(shí)間和行駛距離的增加而累積，導(dǎo)致長(zhǎng)時(shí)間運(yùn)行后速度估計(jì)的偏差越來越大。2.2.2基于光流法的速度估計(jì)原理光流法是一種利用圖像序列中像素強(qiáng)度數(shù)據(jù)的時(shí)域變化和相關(guān)性來確定像素位置“運(yùn)動(dòng)”的方法，通過計(jì)算圖像中物體運(yùn)動(dòng)產(chǎn)生的光流信息來估計(jì)全向智能輪椅的速度。其基本假設(shè)是在短時(shí)間內(nèi)，圖像中像素的亮度保持不變。具體原理如下：假設(shè)在時(shí)刻t，圖像中某像素點(diǎn)的坐標(biāo)為(x,y)，其亮度為I(x,y,t)。經(jīng)過極短的時(shí)間間隔dt后，該像素點(diǎn)移動(dòng)到新的位置(x+dx,y+dy)，亮度變?yōu)镮(x+dx,y+dy,t+dt)。根據(jù)亮度不變假設(shè)，有I(x,y,t)=I(x+dx,y+dy,t+dt)。對(duì)I(x+dx,y+dy,t+dt)進(jìn)行泰勒展開，并忽略高階無窮小項(xiàng)，可得I(x,y,t)=I(x,y,t)+\frac{\partialI}{\partialx}dx+\frac{\partialI}{\partialy}dy+\frac{\partialI}{\partialt}dt，整理后得到光流基本方程\frac{\partialI}{\partialx}u+\frac{\partialI}{\partialy}v+\frac{\partialI}{\partialt}=0，其中u=\frac{dx}{dt}和v=\frac{dy}{dt}分別表示像素點(diǎn)在x和y方向上的速度分量，即光流矢量。在全向智能輪椅的應(yīng)用中，通過安裝在輪椅上的攝像頭獲取周圍環(huán)境的圖像序列，利用光流算法計(jì)算圖像中像素的光流矢量。由于輪椅的運(yùn)動(dòng)，圖像中的背景和物體都會(huì)產(chǎn)生相應(yīng)的光流變化，通過對(duì)這些光流信息進(jìn)行分析和處理，可以估計(jì)出輪椅的運(yùn)動(dòng)速度。例如，可以通過對(duì)圖像中特征點(diǎn)的光流跟蹤，計(jì)算特征點(diǎn)的運(yùn)動(dòng)速度，進(jìn)而推斷出輪椅的速度?；诠饬鞣ǖ乃俣裙烙?jì)適用于一些對(duì)環(huán)境感知要求較高的場(chǎng)景，如室內(nèi)復(fù)雜環(huán)境下的導(dǎo)航。在室內(nèi)環(huán)境中，存在各種家具、障礙物等，光流法能夠利用圖像中的豐富信息，準(zhǔn)確地感知輪椅周圍環(huán)境的變化，從而更精確地估計(jì)速度。然而，光流法對(duì)圖像質(zhì)量要求較高，在光線昏暗、強(qiáng)光直射、圖像模糊等情況下，像素的亮度信息可能不準(zhǔn)確，導(dǎo)致光流計(jì)算誤差增大，進(jìn)而影響速度估計(jì)的精度。此外，光流法的計(jì)算量較大，對(duì)硬件性能要求較高，可能會(huì)影響實(shí)時(shí)性。2.2.3其他常見速度估計(jì)方法激光雷達(dá)測(cè)速是利用激光雷達(dá)發(fā)射激光束，并接收目標(biāo)物體反射回來的激光信號(hào)，通過測(cè)量激光束往返的時(shí)間差或頻率變化，來計(jì)算目標(biāo)物體與激光雷達(dá)之間的距離和相對(duì)速度。在全向智能輪椅中，激光雷達(dá)可以實(shí)時(shí)掃描周圍環(huán)境，獲取輪椅與周圍物體的距離信息。根據(jù)這些距離信息的變化率，可以計(jì)算出輪椅的速度。激光雷達(dá)測(cè)速具有測(cè)量精度高、抗干擾能力強(qiáng)等優(yōu)點(diǎn)，能夠在復(fù)雜環(huán)境下準(zhǔn)確地測(cè)量速度。但激光雷達(dá)價(jià)格較高，體積較大，限制了其在一些小型智能輪椅中的應(yīng)用。慣性測(cè)量單元（IMU）測(cè)速則是通過測(cè)量物體的加速度和角速度來推算速度。IMU通常包含加速度計(jì)和陀螺儀，加速度計(jì)用于測(cè)量物體在三個(gè)軸向的加速度，陀螺儀用于測(cè)量物體的角速度。通過對(duì)加速度進(jìn)行積分，可以得到速度信息。在全向智能輪椅中，IMU可以實(shí)時(shí)感知輪椅的運(yùn)動(dòng)狀態(tài)，為速度估計(jì)提供重要數(shù)據(jù)。IMU測(cè)速的優(yōu)點(diǎn)是響應(yīng)速度快、能夠測(cè)量瞬時(shí)加速度和角速度。但由于積分過程會(huì)累積誤差，長(zhǎng)時(shí)間使用后速度估計(jì)的偏差會(huì)逐漸增大。三、現(xiàn)有速度估計(jì)方法的局限性3.1輪式里程計(jì)的局限性輪式里程計(jì)雖然在全向智能輪椅速度估計(jì)中應(yīng)用廣泛且具有結(jié)構(gòu)簡(jiǎn)單、成本低、實(shí)時(shí)性好等優(yōu)點(diǎn)，但其局限性也較為顯著。在實(shí)際應(yīng)用場(chǎng)景中，地面狀況復(fù)雜多變，不平整的地面是常見的情況之一。當(dāng)全向智能輪椅行駛在不平整的地面上時(shí)，輪子與地面的接觸狀態(tài)會(huì)發(fā)生變化。地面存在凸起或凹陷時(shí)，輪子可能會(huì)出現(xiàn)局部懸空或受到不均勻的壓力，導(dǎo)致輪子的滾動(dòng)不再是理想的純滾動(dòng)狀態(tài)。在這種情況下，輪子實(shí)際滾動(dòng)的距離與基于理想條件下通過編碼器測(cè)量和計(jì)算得到的距離會(huì)產(chǎn)生偏差，進(jìn)而導(dǎo)致速度估計(jì)出現(xiàn)誤差。在室外的石子路、坑洼路面，或者室內(nèi)的地毯邊緣、門檻等不平整區(qū)域，輪式里程計(jì)的速度估計(jì)誤差會(huì)明顯增大。輪子打滑也是影響輪式里程計(jì)精度的重要因素。在光滑的地面上，如瓷磚地面有水漬、打蠟的木地板等，輪子與地面之間的摩擦力減小，容易發(fā)生打滑現(xiàn)象。當(dāng)輪椅加速、減速或轉(zhuǎn)向時(shí)，由于驅(qū)動(dòng)力或制動(dòng)力的作用，輪子也可能會(huì)出現(xiàn)短暫的打滑。輪子打滑時(shí)，輪子的旋轉(zhuǎn)角度與輪椅實(shí)際的位移不再滿足理想的對(duì)應(yīng)關(guān)系，編碼器測(cè)量的輪子轉(zhuǎn)動(dòng)信息不能準(zhǔn)確反映輪椅的實(shí)際運(yùn)動(dòng)，從而使速度估計(jì)產(chǎn)生較大誤差。在爬坡過程中，如果輪子的驅(qū)動(dòng)力不足，就容易出現(xiàn)打滑，導(dǎo)致速度估計(jì)值偏大；而在剎車時(shí)，若輪子抱死打滑，速度估計(jì)值則可能偏小。此外，輪式里程計(jì)的誤差還具有累積性。隨著輪椅行駛時(shí)間的增加和行駛距離的增長(zhǎng)，每次測(cè)量產(chǎn)生的誤差會(huì)不斷累積。即使在初始階段速度估計(jì)的誤差較小，但經(jīng)過長(zhǎng)時(shí)間的運(yùn)行后，累積誤差可能會(huì)變得非常大，導(dǎo)致對(duì)輪椅速度的估計(jì)嚴(yán)重偏離實(shí)際值。這使得輪式里程計(jì)在長(zhǎng)時(shí)間的導(dǎo)航和定位任務(wù)中，難以保持較高的精度，限制了其在一些對(duì)速度估計(jì)精度要求較高的場(chǎng)景中的應(yīng)用。3.2基于光流法的局限性光流法在全向智能輪椅速度估計(jì)中雖具有獨(dú)特的優(yōu)勢(shì)，能利用圖像序列中豐富的視覺信息來推斷輪椅的運(yùn)動(dòng)速度，但在實(shí)際應(yīng)用中，其性能會(huì)受到多種復(fù)雜環(huán)境因素的顯著影響，導(dǎo)致速度估計(jì)的精度和可靠性下降。光照變化是影響光流法性能的重要因素之一。光流法基于亮度恒定假設(shè)，即假設(shè)在圖像序列中，像素點(diǎn)在運(yùn)動(dòng)過程中其亮度值保持不變。然而，在實(shí)際場(chǎng)景中，光照條件往往是復(fù)雜多變的。在室內(nèi)環(huán)境中，燈光的開關(guān)、太陽光線透過窗戶的角度變化等都會(huì)導(dǎo)致光照強(qiáng)度和方向的改變。在室外環(huán)境中，天氣的變化、太陽的位置移動(dòng)等也會(huì)使光照條件產(chǎn)生顯著差異。當(dāng)光照發(fā)生變化時(shí)，圖像中像素的亮度值會(huì)隨之改變，這就違背了光流法的基本假設(shè)，從而導(dǎo)致光流估計(jì)出現(xiàn)誤差。在強(qiáng)光直射下，圖像可能會(huì)出現(xiàn)過曝現(xiàn)象，使得部分像素的亮度信息丟失；而在光線昏暗的環(huán)境中，圖像的信噪比降低，噪聲干擾增強(qiáng)，也會(huì)影響光流計(jì)算的準(zhǔn)確性。運(yùn)動(dòng)模糊同樣會(huì)對(duì)光流法的性能產(chǎn)生負(fù)面影響。當(dāng)全向智能輪椅快速運(yùn)動(dòng)時(shí)，由于相機(jī)曝光時(shí)間的限制，圖像中的物體可能會(huì)出現(xiàn)運(yùn)動(dòng)模糊。運(yùn)動(dòng)模糊會(huì)使圖像中像素的位置信息變得模糊不清，導(dǎo)致光流算法難以準(zhǔn)確地跟蹤像素點(diǎn)的運(yùn)動(dòng)軌跡，進(jìn)而影響速度估計(jì)的精度。在輪椅快速轉(zhuǎn)彎或加速行駛時(shí)，圖像中的背景和物體可能會(huì)出現(xiàn)明顯的模糊，使得光流計(jì)算的誤差增大。此外，相機(jī)本身的抖動(dòng)也可能導(dǎo)致圖像出現(xiàn)模糊，進(jìn)一步降低光流法的性能。遮擋問題也是光流法面臨的一大挑戰(zhàn)。在全向智能輪椅的行駛過程中，周圍環(huán)境中可能存在各種障礙物，這些障礙物可能會(huì)部分或完全遮擋住輪椅的運(yùn)動(dòng)區(qū)域。當(dāng)物體被遮擋時(shí)，光流法無法獲取被遮擋區(qū)域的運(yùn)動(dòng)信息，從而導(dǎo)致光流場(chǎng)的不連續(xù)和錯(cuò)誤估計(jì)。在室內(nèi)環(huán)境中，家具、墻壁等物體可能會(huì)遮擋住輪椅的部分視野；在室外環(huán)境中，行人、車輛等也可能會(huì)對(duì)輪椅的運(yùn)動(dòng)造成遮擋。遮擋會(huì)使光流法計(jì)算得到的速度信息出現(xiàn)偏差，嚴(yán)重時(shí)甚至?xí)?dǎo)致速度估計(jì)失敗。此外，光流法對(duì)硬件性能要求較高，計(jì)算復(fù)雜度較大。光流算法通常需要對(duì)大量的圖像數(shù)據(jù)進(jìn)行處理和分析，這對(duì)智能輪椅的計(jì)算設(shè)備提出了較高的要求。在實(shí)時(shí)應(yīng)用中，如果硬件性能不足，可能會(huì)導(dǎo)致光流計(jì)算的延遲，影響速度估計(jì)的實(shí)時(shí)性。而且，光流法在處理復(fù)雜場(chǎng)景時(shí)，由于存在多種運(yùn)動(dòng)模式和不同速度的物體，可能難以準(zhǔn)確區(qū)分和估計(jì)每個(gè)物體的運(yùn)動(dòng)，尤其是在存在復(fù)雜的背景和前景互動(dòng)時(shí)，進(jìn)一步增加了速度估計(jì)的難度。3.3其他方法的局限性激光雷達(dá)測(cè)速方法在全向智能輪椅速度估計(jì)中存在一些明顯的局限性。從成本角度來看，激光雷達(dá)的價(jià)格普遍較高，這使得采用激光雷達(dá)進(jìn)行速度估計(jì)的智能輪椅整體成本大幅增加。對(duì)于一些對(duì)價(jià)格較為敏感的用戶群體，如普通家庭的殘障人士或老年人，過高的成本可能會(huì)限制他們對(duì)智能輪椅的購買能力，從而影響激光雷達(dá)測(cè)速技術(shù)在智能輪椅中的廣泛應(yīng)用。在硬件適配方面，激光雷達(dá)通常體積較大，這對(duì)于智能輪椅的結(jié)構(gòu)設(shè)計(jì)和布局提出了挑戰(zhàn)。智能輪椅需要在有限的空間內(nèi)合理安裝激光雷達(dá)，同時(shí)要保證其穩(wěn)定性和可靠性，這增加了設(shè)計(jì)和制造的難度。此外，激光雷達(dá)的安裝位置和角度也會(huì)對(duì)速度測(cè)量的準(zhǔn)確性產(chǎn)生影響，如果安裝不當(dāng)，可能會(huì)導(dǎo)致測(cè)量誤差增大。慣性測(cè)量單元（IMU）測(cè)速雖然具有響應(yīng)速度快等優(yōu)點(diǎn)，但也存在不容忽視的問題。其誤差累積問題較為突出，由于IMU是通過對(duì)加速度進(jìn)行積分來推算速度，在積分過程中，測(cè)量噪聲和漂移等因素會(huì)導(dǎo)致誤差不斷累積。隨著時(shí)間的推移，速度估計(jì)的偏差會(huì)越來越大，這使得IMU在長(zhǎng)時(shí)間的速度估計(jì)中難以保持較高的精度。在長(zhǎng)時(shí)間的室內(nèi)導(dǎo)航過程中，IMU的速度估計(jì)誤差可能會(huì)逐漸增大，導(dǎo)致智能輪椅的實(shí)際速度與估計(jì)速度相差甚遠(yuǎn)，影響導(dǎo)航和控制的準(zhǔn)確性?；谏疃葘W(xué)習(xí)的速度估計(jì)方法依賴于大量的訓(xùn)練數(shù)據(jù)，數(shù)據(jù)的質(zhì)量和多樣性對(duì)模型的性能有著至關(guān)重要的影響。如果訓(xùn)練數(shù)據(jù)不足或數(shù)據(jù)分布不均衡，模型可能無法學(xué)習(xí)到全面的運(yùn)動(dòng)特征，導(dǎo)致在實(shí)際應(yīng)用中對(duì)不同場(chǎng)景和運(yùn)動(dòng)狀態(tài)的適應(yīng)性較差，速度估計(jì)不準(zhǔn)確。在復(fù)雜的室外環(huán)境中，由于存在各種未知的地形和障礙物，若訓(xùn)練數(shù)據(jù)中缺乏相關(guān)場(chǎng)景的數(shù)據(jù)，深度學(xué)習(xí)模型可能無法準(zhǔn)確估計(jì)輪椅的速度。而且，深度學(xué)習(xí)模型的訓(xùn)練和推理過程通常需要較高的計(jì)算資源，這對(duì)智能輪椅的硬件性能提出了較高要求。在智能輪椅的有限硬件條件下，可能難以滿足深度學(xué)習(xí)模型的計(jì)算需求，導(dǎo)致計(jì)算速度慢、實(shí)時(shí)性差等問題。四、改進(jìn)方法的設(shè)計(jì)與實(shí)現(xiàn)4.1基于改進(jìn)光流法的速度估計(jì)4.1.1改進(jìn)的光流計(jì)算模型在全向智能輪椅速度估計(jì)中，光流計(jì)算模型的準(zhǔn)確性至關(guān)重要。傳統(tǒng)的光流計(jì)算模型在復(fù)雜環(huán)境下存在一定的局限性，難以滿足高精度速度估計(jì)的需求。因此，本研究采用TV-L1模型作為改進(jìn)的光流計(jì)算模型，以提高光流估計(jì)的準(zhǔn)確性。TV-L1模型由Bruhn等人提出，它基于變分法原理，通過最小化能量函數(shù)來求解光流。該模型的能量函數(shù)由數(shù)據(jù)項(xiàng)和平滑項(xiàng)組成。數(shù)據(jù)項(xiàng)基于光流的基本假設(shè)，即圖像中像素的亮度在短時(shí)間內(nèi)保持不變，通過最小化亮度變化來約束光流的求解。而平滑項(xiàng)則用于保證光流場(chǎng)的平滑性，避免光流估計(jì)出現(xiàn)噪聲和不連續(xù)的情況。TV-L1模型與傳統(tǒng)光流計(jì)算模型相比，具有顯著的優(yōu)勢(shì)。在傳統(tǒng)的Horn-Schunck模型中，數(shù)據(jù)項(xiàng)采用L2范數(shù)，對(duì)噪聲較為敏感，容易受到噪聲的干擾，導(dǎo)致光流估計(jì)誤差增大。而TV-L1模型采用L1范數(shù)作為數(shù)據(jù)項(xiàng)，L1范數(shù)對(duì)噪聲具有更強(qiáng)的魯棒性，能夠有效地抑制噪聲的影響，提高光流估計(jì)的準(zhǔn)確性。在圖像存在噪聲的情況下，TV-L1模型能夠更準(zhǔn)確地計(jì)算光流，而Horn-Schunck模型的光流估計(jì)結(jié)果可能會(huì)出現(xiàn)較大偏差。為了進(jìn)一步提高TV-L1模型的性能，本研究對(duì)其進(jìn)行了優(yōu)化。在數(shù)據(jù)項(xiàng)方面，采用高斯平滑處理，對(duì)圖像進(jìn)行預(yù)處理，減少噪聲對(duì)光流計(jì)算的影響。通過對(duì)Middlebury光流數(shù)據(jù)庫圖像和真實(shí)場(chǎng)景圖像的實(shí)驗(yàn)驗(yàn)證，改進(jìn)后的TV-L1模型在光流估計(jì)精度上有了明顯提升，能夠更準(zhǔn)確地反映圖像中物體的運(yùn)動(dòng)信息，為全向智能輪椅的速度估計(jì)提供更可靠的數(shù)據(jù)支持。4.1.2光流場(chǎng)排異算法在基于光流法的全向智能輪椅速度估計(jì)中，光流場(chǎng)中可能存在異常光流矢量，這些異常矢量會(huì)嚴(yán)重影響速度估計(jì)的準(zhǔn)確性。為了排除這些異常光流矢量，本研究采用基于平面片光流模型的隨機(jī)抽樣一致算法（RANSAC）。RANSAC算法是一種迭代的模型參數(shù)估計(jì)方法，其基本假設(shè)是數(shù)據(jù)集中同時(shí)包含正確數(shù)據(jù)（內(nèi)點(diǎn)）和異常數(shù)據(jù)（外點(diǎn)）。在光流場(chǎng)排異中，RANSAC算法通過不斷隨機(jī)抽樣，從光流場(chǎng)中選取一小部分光流矢量作為樣本，基于平面片光流模型計(jì)算出一個(gè)初步的光流模型。然后，用這個(gè)初步模型去檢驗(yàn)數(shù)據(jù)集中的其他光流矢量，統(tǒng)計(jì)符合該模型的內(nèi)點(diǎn)數(shù)量。經(jīng)過多次迭代，選擇內(nèi)點(diǎn)數(shù)量最多的模型作為最終的光流模型，而那些不符合最終模型的光流矢量則被判定為異常光流矢量并予以排除。以實(shí)際場(chǎng)景中的光流計(jì)算為例，假設(shè)在某一時(shí)刻，全向智能輪椅的攝像頭獲取到一幀圖像，通過光流算法計(jì)算得到了該幀圖像的光流場(chǎng)。在光流場(chǎng)中，由于環(huán)境的復(fù)雜性，可能存在一些誤匹配的光流矢量，這些矢量可能是由于遮擋、光照變化等原因產(chǎn)生的。RANSAC算法開始迭代，每次隨機(jī)選取部分光流矢量，根據(jù)平面片光流模型計(jì)算出一個(gè)光流模型。在一次迭代中，選取了5個(gè)光流矢量，計(jì)算出一個(gè)光流模型，然后用這個(gè)模型去檢驗(yàn)其他光流矢量，發(fā)現(xiàn)有30個(gè)光流矢量符合該模型，將這30個(gè)光流矢量作為內(nèi)點(diǎn)。經(jīng)過多次迭代，最終確定了一個(gè)內(nèi)點(diǎn)數(shù)量最多的光流模型，假設(shè)該模型的內(nèi)點(diǎn)數(shù)量為50個(gè)，而那些不在這50個(gè)內(nèi)點(diǎn)中的光流矢量就被認(rèn)為是異常光流矢量，從而被排除。通過這種方式，RANSAC算法能夠有效地排除光流場(chǎng)中的異常光流矢量，提高光流場(chǎng)的質(zhì)量，進(jìn)而提高全向智能輪椅速度估計(jì)的準(zhǔn)確性。與未使用RANSAC算法的光流估計(jì)相比，使用RANSAC算法后的光流場(chǎng)更加穩(wěn)定和準(zhǔn)確，速度估計(jì)的誤差明顯減小。4.1.3并行加速技術(shù)在全向智能輪椅的實(shí)時(shí)應(yīng)用中，光流計(jì)算需要處理大量的圖像數(shù)據(jù)，計(jì)算量較大，對(duì)實(shí)時(shí)性要求較高。為了滿足實(shí)時(shí)性要求，本研究在統(tǒng)一計(jì)算設(shè)備架構(gòu)（CUDA）下實(shí)現(xiàn)光流計(jì)算的并行加速。CUDA是NVIDIA推出的一種并行計(jì)算平臺(tái)和編程模型，它允許開發(fā)者利用GPU的并行計(jì)算能力來加速計(jì)算任務(wù)。在光流計(jì)算中，CUDA通過將光流計(jì)算任務(wù)分解為多個(gè)并行的子任務(wù)，分配到GPU的多個(gè)核心上同時(shí)進(jìn)行計(jì)算，從而大大提高計(jì)算速度。具體實(shí)現(xiàn)過程如下：首先，將圖像數(shù)據(jù)從主機(jī)內(nèi)存?zhèn)鬏數(shù)紾PU設(shè)備內(nèi)存中，為并行計(jì)算做好準(zhǔn)備。然后，根據(jù)光流計(jì)算的算法邏輯，將光流計(jì)算任務(wù)劃分為多個(gè)線程塊，每個(gè)線程塊又包含多個(gè)線程。每個(gè)線程負(fù)責(zé)處理圖像中的一個(gè)小區(qū)域的光流計(jì)算。在GPU的每個(gè)核心上，線程塊中的線程并行執(zhí)行光流計(jì)算任務(wù)。在計(jì)算過程中，利用CUDA提供的內(nèi)存管理和線程同步機(jī)制，確保數(shù)據(jù)的正確讀寫和計(jì)算結(jié)果的一致性。以一段包含100幀圖像的視頻序列為例，在未使用CUDA并行加速時(shí)，采用傳統(tǒng)的CPU計(jì)算方式，光流計(jì)算每幀圖像需要耗費(fèi)100毫秒，那么處理完100幀圖像總共需要10000毫秒，即10秒。而在使用CUDA并行加速后，同樣的光流計(jì)算任務(wù)，每幀圖像的計(jì)算時(shí)間縮短到10毫秒，處理完100幀圖像僅需1000毫秒，即1秒。這表明，CUDA并行加速技術(shù)能夠顯著提高光流計(jì)算的速度，滿足全向智能輪椅對(duì)速度估計(jì)實(shí)時(shí)性的要求。通過在CUDA下實(shí)現(xiàn)光流計(jì)算的并行加速，不僅提高了光流計(jì)算的速度，還使得全向智能輪椅能夠?qū)崟r(shí)地根據(jù)光流信息進(jìn)行速度估計(jì)和運(yùn)動(dòng)控制，增強(qiáng)了智能輪椅的實(shí)時(shí)響應(yīng)能力和實(shí)用性。4.2融合多傳感器數(shù)據(jù)的速度估計(jì)4.2.1傳感器選擇與數(shù)據(jù)采集在全向智能輪椅速度估計(jì)中，傳感器的選擇至關(guān)重要，不同的傳感器具有各自的特點(diǎn)和優(yōu)勢(shì)，能夠?yàn)樗俣裙烙?jì)提供多維度的信息。本研究選用了輪式里程計(jì)、激光雷達(dá)和慣性測(cè)量單元（IMU）等傳感器，以實(shí)現(xiàn)對(duì)輪椅速度的精確估計(jì)。輪式里程計(jì)通過安裝在驅(qū)動(dòng)輪上的編碼器來測(cè)量輪子的轉(zhuǎn)動(dòng)角度和轉(zhuǎn)速，進(jìn)而計(jì)算出輪椅的線速度和角速度。編碼器能夠?qū)崟r(shí)獲取輪子的運(yùn)動(dòng)信息，具有較高的采樣頻率，可滿足實(shí)時(shí)性要求。在數(shù)據(jù)采集過程中，編碼器將輪子的轉(zhuǎn)動(dòng)信息轉(zhuǎn)換為電信號(hào)，通過接口傳輸給數(shù)據(jù)采集模塊，經(jīng)過處理和計(jì)算得到輪式里程計(jì)的速度數(shù)據(jù)。激光雷達(dá)利用激光束對(duì)周圍環(huán)境進(jìn)行掃描，獲取輪椅與周圍物體的距離信息。通過分析這些距離信息的變化率，可以計(jì)算出輪椅的速度。激光雷達(dá)具有測(cè)量精度高、測(cè)量范圍廣、抗干擾能力強(qiáng)等優(yōu)點(diǎn)，能夠在復(fù)雜環(huán)境下準(zhǔn)確地測(cè)量速度。在數(shù)據(jù)采集時(shí)，激光雷達(dá)以一定的頻率發(fā)射激光束，并接收反射回來的激光信號(hào)，將測(cè)量得到的距離數(shù)據(jù)和角度數(shù)據(jù)進(jìn)行處理和整合，生成點(diǎn)云數(shù)據(jù)，從中提取速度相關(guān)信息。慣性測(cè)量單元（IMU）包含加速度計(jì)和陀螺儀，加速度計(jì)用于測(cè)量物體在三個(gè)軸向的加速度，陀螺儀用于測(cè)量物體的角速度。通過對(duì)加速度進(jìn)行積分，可以得到速度信息。IMU具有響應(yīng)速度快、能夠測(cè)量瞬時(shí)加速度和角速度的特點(diǎn)，能夠?qū)崟r(shí)感知輪椅的運(yùn)動(dòng)狀態(tài)。在數(shù)據(jù)采集過程中，IMU不斷采集加速度和角速度數(shù)據(jù)，通過內(nèi)部的微處理器進(jìn)行處理和計(jì)算，將數(shù)據(jù)輸出給數(shù)據(jù)采集模塊。為了實(shí)現(xiàn)多傳感器數(shù)據(jù)的有效采集，建立了一個(gè)數(shù)據(jù)采集系統(tǒng)。該系統(tǒng)通過數(shù)據(jù)采集卡與各個(gè)傳感器相連，實(shí)現(xiàn)對(duì)傳感器數(shù)據(jù)的同步采集。數(shù)據(jù)采集卡具有多個(gè)輸入通道，能夠同時(shí)接收來自不同傳感器的數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行數(shù)字化處理。在采集過程中，設(shè)置了合適的采樣頻率，以確保能夠獲取到足夠的信息，同時(shí)避免數(shù)據(jù)冗余。對(duì)于輪式里程計(jì)，采樣頻率設(shè)置為100Hz，能夠?qū)崟r(shí)跟蹤輪子的轉(zhuǎn)動(dòng)變化；激光雷達(dá)的采樣頻率根據(jù)其型號(hào)和性能設(shè)置為10Hz-20Hz，在保證測(cè)量精度的同時(shí)，兼顧數(shù)據(jù)處理的效率；IMU的采樣頻率設(shè)置為500Hz，能夠快速捕捉輪椅的瞬時(shí)運(yùn)動(dòng)狀態(tài)變化。通過合理設(shè)置采樣頻率和同步采集，確保了多傳感器數(shù)據(jù)的準(zhǔn)確性和完整性，為后續(xù)的數(shù)據(jù)融合和速度估計(jì)提供了可靠的數(shù)據(jù)基礎(chǔ)。4.2.2數(shù)據(jù)融合算法為了充分利用多傳感器數(shù)據(jù)的優(yōu)勢(shì)，提高全向智能輪椅速度估計(jì)的精度，本研究采用卡爾曼濾波算法對(duì)輪式里程計(jì)、激光雷達(dá)和慣性測(cè)量單元（IMU）的數(shù)據(jù)進(jìn)行融合。卡爾曼濾波是一種基于線性系統(tǒng)狀態(tài)空間模型的最優(yōu)估計(jì)方法，它通過遞推的方式，根據(jù)系統(tǒng)的狀態(tài)轉(zhuǎn)移方程和觀測(cè)方程，結(jié)合上一時(shí)刻的估計(jì)值和當(dāng)前時(shí)刻的觀測(cè)值，對(duì)系統(tǒng)的當(dāng)前狀態(tài)進(jìn)行最優(yōu)估計(jì)。在全向智能輪椅速度估計(jì)中，將輪椅的速度和位置作為系統(tǒng)的狀態(tài)變量，將輪式里程計(jì)、激光雷達(dá)和IMU的測(cè)量值作為觀測(cè)變量?？柭鼮V波算法的基本步驟包括預(yù)測(cè)和更新。在預(yù)測(cè)階段，根據(jù)系統(tǒng)的狀態(tài)轉(zhuǎn)移方程，利用上一時(shí)刻的狀態(tài)估計(jì)值和系統(tǒng)輸入，預(yù)測(cè)當(dāng)前時(shí)刻的狀態(tài)和協(xié)方差。假設(shè)系統(tǒng)的狀態(tài)轉(zhuǎn)移方程為X_{k|k-1}=F_{k}X_{k-1|k-1}+B_{k}u_{k}，其中X_{k|k-1}是預(yù)測(cè)的當(dāng)前時(shí)刻狀態(tài)，F(xiàn)_{k}是狀態(tài)轉(zhuǎn)移矩陣，X_{k-1|k-1}是上一時(shí)刻的狀態(tài)估計(jì)值，B_{k}是控制矩陣，u_{k}是系統(tǒng)輸入。同時(shí)，預(yù)測(cè)當(dāng)前時(shí)刻的協(xié)方差P_{k|k-1}=F_{k}P_{k-1|k-1}F_{k}^T+Q_{k}，其中P_{k|k-1}是預(yù)測(cè)的協(xié)方差，P_{k-1|k-1}是上一時(shí)刻的協(xié)方差，Q_{k}是過程噪聲協(xié)方差。在更新階段，根據(jù)當(dāng)前時(shí)刻的觀測(cè)值和預(yù)測(cè)值，對(duì)預(yù)測(cè)結(jié)果進(jìn)行修正，得到更準(zhǔn)確的狀態(tài)估計(jì)值。假設(shè)觀測(cè)方程為Z_{k}=H_{k}X_{k|k-1}+v_{k}，其中Z_{k}是觀測(cè)值，H_{k}是觀測(cè)矩陣，v_{k}是觀測(cè)噪聲。首先計(jì)算卡爾曼增益K_{k}=P_{k|k-1}H_{k}^T(H_{k}P_{k|k-1}H_{k}^T+R_{k})^{-1}，其中K_{k}是卡爾曼增益，R_{k}是觀測(cè)噪聲協(xié)方差。然后更新狀態(tài)估計(jì)值X_{k|k}=X_{k|k-1}+K_{k}(Z_{k}-H_{k}X_{k|k-1})，以及協(xié)方差P_{k|k}=(I-K_{k}H_{k})P_{k|k-1}，其中X_{k|k}是更新后的狀態(tài)估計(jì)值，P_{k|k}是更新后的協(xié)方差。通過卡爾曼濾波算法，將輪式里程計(jì)、激光雷達(dá)和IMU的數(shù)據(jù)進(jìn)行融合，能夠充分利用各傳感器的優(yōu)勢(shì)，有效抑制噪聲和誤差的影響，提高速度估計(jì)的精度。輪式里程計(jì)能夠提供較為準(zhǔn)確的短時(shí)間速度信息，但存在誤差累積問題；激光雷達(dá)測(cè)量精度高，但受環(huán)境影響較大；IMU響應(yīng)速度快，能夠測(cè)量瞬時(shí)加速度和角速度，但積分誤差會(huì)隨時(shí)間增大?？柭鼮V波算法通過對(duì)這些傳感器數(shù)據(jù)的融合處理，能夠綜合各傳感器的優(yōu)點(diǎn)，彌補(bǔ)其不足，從而實(shí)現(xiàn)對(duì)全向智能輪椅速度的更準(zhǔn)確估計(jì)。4.3基于機(jī)器學(xué)習(xí)的速度估計(jì)4.3.1模型構(gòu)建與訓(xùn)練在全向智能輪椅速度估計(jì)中，機(jī)器學(xué)習(xí)模型展現(xiàn)出強(qiáng)大的潛力。本研究構(gòu)建了神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）兩種機(jī)器學(xué)習(xí)模型，以實(shí)現(xiàn)對(duì)輪椅速度的準(zhǔn)確估計(jì)。神經(jīng)網(wǎng)絡(luò)模型采用了多層感知器（MLP）結(jié)構(gòu)。MLP由輸入層、隱藏層和輸出層組成，各層之間通過權(quán)重連接。輸入層接收來自傳感器的數(shù)據(jù)，如輪式里程計(jì)的速度和角速度信息、激光雷達(dá)的距離變化信息、慣性測(cè)量單元（IMU）的加速度和角速度數(shù)據(jù)等。隱藏層則通過非線性激活函數(shù)對(duì)輸入數(shù)據(jù)進(jìn)行特征提取和變換，以學(xué)習(xí)數(shù)據(jù)中的復(fù)雜模式。輸出層輸出速度估計(jì)結(jié)果，包括線速度和角速度。在構(gòu)建過程中，確定了合適的隱藏層數(shù)量和神經(jīng)元個(gè)數(shù)。經(jīng)過多次實(shí)驗(yàn)和參數(shù)調(diào)整，最終選擇了包含兩個(gè)隱藏層，每個(gè)隱藏層分別有128個(gè)和64個(gè)神經(jīng)元的結(jié)構(gòu)。這樣的結(jié)構(gòu)在保證模型學(xué)習(xí)能力的同時(shí)，避免了過擬合問題。支持向量機(jī)（SVM）模型則基于統(tǒng)計(jì)學(xué)習(xí)理論，旨在尋找一個(gè)最優(yōu)的分類超平面，將不同類別的數(shù)據(jù)分開。在速度估計(jì)中，將傳感器數(shù)據(jù)作為特征向量，對(duì)應(yīng)的速度值作為標(biāo)簽，通過SVM模型學(xué)習(xí)特征向量與速度之間的映射關(guān)系。選擇徑向基函數(shù)（RBF）作為核函數(shù)，因?yàn)镽BF核函數(shù)能夠有效地處理非線性問題，適用于復(fù)雜的速度估計(jì)任務(wù)。通過調(diào)整核函數(shù)的參數(shù)γ和懲罰參數(shù)C，優(yōu)化SVM模型的性能。在模型訓(xùn)練之前，進(jìn)行了充分的數(shù)據(jù)準(zhǔn)備工作。數(shù)據(jù)采集通過在不同的場(chǎng)景和行駛條件下，使用全向智能輪椅進(jìn)行實(shí)驗(yàn)來完成。采集的場(chǎng)景包括室內(nèi)平坦地面、室外水泥路、有坡度的斜坡等，行駛條件涵蓋了加速、減速、勻速、轉(zhuǎn)彎等多種狀態(tài)。同時(shí)，使用多種傳感器采集數(shù)據(jù)，以獲取全面的信息。在數(shù)據(jù)預(yù)處理階段，對(duì)采集到的數(shù)據(jù)進(jìn)行了清洗和歸一化處理。清洗過程去除了數(shù)據(jù)中的噪聲和異常值，如由于傳感器故障或干擾導(dǎo)致的明顯錯(cuò)誤數(shù)據(jù)。歸一化處理則將不同傳感器的數(shù)據(jù)統(tǒng)一到相同的尺度范圍內(nèi)，以提高模型的訓(xùn)練效果和收斂速度。劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集是數(shù)據(jù)準(zhǔn)備的重要環(huán)節(jié)。按照70%、15%、15%的比例將數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集用于模型的訓(xùn)練，使模型學(xué)習(xí)數(shù)據(jù)中的模式和規(guī)律；驗(yàn)證集用于調(diào)整模型的超參數(shù)，如神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)量、神經(jīng)元個(gè)數(shù)，SVM的核函數(shù)參數(shù)等，以防止過擬合；測(cè)試集則用于評(píng)估模型的性能，檢驗(yàn)?zāi)Ｐ驮谖匆娺^的數(shù)據(jù)上的泛化能力。4.3.2模型優(yōu)化與驗(yàn)證為了提高機(jī)器學(xué)習(xí)模型在全向智能輪椅速度估計(jì)中的性能，采取了一系列優(yōu)化措施。在參數(shù)調(diào)整方面，對(duì)于神經(jīng)網(wǎng)絡(luò)模型，采用隨機(jī)搜索和交叉驗(yàn)證相結(jié)合的方法來尋找最優(yōu)的超參數(shù)組合。隨機(jī)搜索在一定范圍內(nèi)隨機(jī)選擇超參數(shù)的值，然后使用交叉驗(yàn)證對(duì)每個(gè)超參數(shù)組合進(jìn)行評(píng)估，選擇性能最優(yōu)的組合。通過多次實(shí)驗(yàn)，確定了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率為0.001，正則化系數(shù)為0.01等最優(yōu)超參數(shù)。對(duì)于SVM模型，同樣使用交叉驗(yàn)證來調(diào)整核函數(shù)參數(shù)γ和懲罰參數(shù)C，經(jīng)過反復(fù)試驗(yàn)，得到了γ=0.1，C=10的最優(yōu)參數(shù)組合。增加訓(xùn)練數(shù)據(jù)也是優(yōu)化模型的重要手段。通過在更多不同的場(chǎng)景和行駛條件下進(jìn)行實(shí)驗(yàn)，收集了更多的傳感器數(shù)據(jù)和對(duì)應(yīng)的速度標(biāo)簽，擴(kuò)充了訓(xùn)練數(shù)據(jù)集。新的數(shù)據(jù)涵蓋了更多復(fù)雜的路況，如崎嶇的山路、濕滑的地面等，以及更多樣化的行駛狀態(tài)，如急加速、急剎車等。豐富的訓(xùn)練數(shù)據(jù)使得模型能夠?qū)W習(xí)到更全面的運(yùn)動(dòng)特征，提高了模型的泛化能力。模型驗(yàn)證通過實(shí)驗(yàn)來進(jìn)行。在實(shí)驗(yàn)中，使用優(yōu)化后的模型對(duì)測(cè)試集數(shù)據(jù)進(jìn)行速度估計(jì)，并將估計(jì)結(jié)果與真實(shí)速度進(jìn)行對(duì)比。采用均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）等指標(biāo)來評(píng)估模型的性能。RMSE能夠反映估計(jì)值與真實(shí)值之間的偏差程度，MAE則衡量了估計(jì)值與真實(shí)值之間誤差的平均絕對(duì)值。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型的RMSE為0.12m/s，MAE為0.09m/s；優(yōu)化后的SVM模型的RMSE為0.15m/s，MAE為0.11m/s。與優(yōu)化前相比，兩種模型的誤差都有了顯著降低，說明優(yōu)化措施有效地提高了模型的性能。為了進(jìn)一步驗(yàn)證模型的有效性，將基于機(jī)器學(xué)習(xí)的速度估計(jì)方法與其他傳統(tǒng)方法進(jìn)行了對(duì)比實(shí)驗(yàn)。對(duì)比方法包括基于輪式里程計(jì)的速度估計(jì)方法、基于光流法的速度估計(jì)方法以及基于卡爾曼濾波的數(shù)據(jù)融合方法。在相同的實(shí)驗(yàn)條件下，對(duì)各方法的速度估計(jì)誤差進(jìn)行了統(tǒng)計(jì)和分析。結(jié)果顯示，基于機(jī)器學(xué)習(xí)的方法在復(fù)雜場(chǎng)景下的速度估計(jì)精度明顯優(yōu)于傳統(tǒng)方法，能夠更準(zhǔn)確地估計(jì)全向智能輪椅的速度，為智能輪椅的運(yùn)動(dòng)控制和導(dǎo)航提供了更可靠的速度信息。五、實(shí)驗(yàn)與結(jié)果分析5.1實(shí)驗(yàn)設(shè)計(jì)5.1.1實(shí)驗(yàn)平臺(tái)搭建本實(shí)驗(yàn)搭建的全向智能輪椅實(shí)驗(yàn)平臺(tái)集成了多種先進(jìn)的硬件設(shè)備與功能強(qiáng)大的軟件系統(tǒng)，旨在為全向智能輪椅速度估計(jì)方法的研究與驗(yàn)證提供全面且可靠的測(cè)試環(huán)境。硬件設(shè)備方面，選用了具有高負(fù)載能力和穩(wěn)定性的底盤，確保輪椅在各種復(fù)雜地形和行駛條件下都能安全、可靠地運(yùn)行。驅(qū)動(dòng)輪采用麥克納姆輪，其獨(dú)特的結(jié)構(gòu)設(shè)計(jì)使得輪椅能夠?qū)崿F(xiàn)全向移動(dòng)，具備出色的機(jī)動(dòng)性和靈活性。電機(jī)選用直流無刷電機(jī)，這種電機(jī)具有高效、低噪音、長(zhǎng)壽命等優(yōu)點(diǎn)，能夠?yàn)檩喴翁峁┓€(wěn)定的動(dòng)力輸出。為了實(shí)現(xiàn)對(duì)電機(jī)的精確控制，配備了高性能的電機(jī)驅(qū)動(dòng)器，它可以根據(jù)控制系統(tǒng)的指令，精確調(diào)節(jié)電機(jī)的轉(zhuǎn)速和轉(zhuǎn)向。在傳感器配置上，安裝了高精度的增量式編碼器，用于測(cè)量驅(qū)動(dòng)輪的轉(zhuǎn)動(dòng)角度和轉(zhuǎn)速，從而為速度估計(jì)提供基礎(chǔ)數(shù)據(jù)。編碼器的分辨率高達(dá)每轉(zhuǎn)1000個(gè)脈沖，能夠?qū)崿F(xiàn)對(duì)輪子轉(zhuǎn)動(dòng)的精確測(cè)量，有效提高速度估計(jì)的精度。慣性測(cè)量單元（IMU）選用了MPU6050，它集成了加速度計(jì)和陀螺儀，能夠?qū)崟r(shí)測(cè)量輪椅在三個(gè)軸向的加速度和角速度，為速度估計(jì)提供了重要的運(yùn)動(dòng)狀態(tài)信息。IMU的采樣頻率可達(dá)1000Hz，能夠快速捕捉輪椅的動(dòng)態(tài)變化。激光雷達(dá)采用了RPLIDARA2，它能夠以較高的頻率對(duì)周圍環(huán)境進(jìn)行掃描，獲取輪椅與周圍物體的距離信息，用于速度估計(jì)和環(huán)境感知。激光雷達(dá)的測(cè)量范圍可達(dá)12米，角度分辨率為0.2°，能夠提供高精度的距離數(shù)據(jù)。此外，還配備了高清攝像頭，用于獲取視覺信息，輔助速度估計(jì)和環(huán)境識(shí)別。攝像頭的分辨率為1280×720，幀率為30fps，能夠清晰地捕捉輪椅周圍的場(chǎng)景。軟件系統(tǒng)方面，采用了基于Linux的實(shí)時(shí)操作系統(tǒng)，它能夠提供高效的任務(wù)調(diào)度和實(shí)時(shí)響應(yīng)能力，確保系統(tǒng)的穩(wěn)定性和可靠性。在軟件開發(fā)過程中，使用了C++語言和ROS（RobotOperatingSystem）框架，C++語言具有高效、靈活的特點(diǎn)，能夠充分發(fā)揮硬件的性能優(yōu)勢(shì)；ROS框架則提供了豐富的功能包和工具，方便進(jìn)行傳感器數(shù)據(jù)的采集、處理和通信，以及系統(tǒng)的控制和管理。傳感器數(shù)據(jù)采集與處理模塊負(fù)責(zé)實(shí)時(shí)采集各個(gè)傳感器的數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，如濾波、去噪等，以提高數(shù)據(jù)的質(zhì)量和可靠性。運(yùn)動(dòng)控制模塊根據(jù)速度估計(jì)結(jié)果和用戶的操作指令，生成電機(jī)控制信號(hào)，實(shí)現(xiàn)對(duì)輪椅速度和方向的精確控制。速度估計(jì)算法模塊則集成了多種速度估計(jì)方法，包括基于改進(jìn)光流法的速度估計(jì)、融合多傳感器數(shù)據(jù)的速度估計(jì)以及基于機(jī)器學(xué)習(xí)的速度估計(jì)，通過對(duì)不同算法的實(shí)驗(yàn)和比較，評(píng)估其性能和效果。5.1.2實(shí)驗(yàn)方案制定為了全面、準(zhǔn)確地評(píng)估改進(jìn)后的全向智能輪椅速度估計(jì)方法的性能，制定了涵蓋多種不同場(chǎng)景和行駛條件的實(shí)驗(yàn)方案。在室內(nèi)場(chǎng)景中，選擇了平坦的瓷磚地面和鋪有地毯的地面進(jìn)行實(shí)驗(yàn)。瓷磚地面較為光滑，摩擦力較小，可能會(huì)導(dǎo)致輪子打滑，對(duì)速度估計(jì)產(chǎn)生一定影響；而地毯地面則相對(duì)粗糙，摩擦力較大，且表面可能存在不平整，也會(huì)給速度估計(jì)帶來挑戰(zhàn)。在這兩種地面上，分別進(jìn)行直線行駛、轉(zhuǎn)彎、加速、減速等操作，模擬輪椅在室內(nèi)環(huán)境中的常見運(yùn)動(dòng)狀態(tài)。在室外場(chǎng)景中，選取了水泥路、柏油路和土路等不同類型的路面。水泥路和柏油路相對(duì)平坦，但可能存在一定的坡度和不平整；土路則更加崎嶇，路面狀況復(fù)雜，存在坑洼、石子等障礙物，對(duì)輪椅的行駛和速度估計(jì)提出了更高的要求。在這些路面上，同樣進(jìn)行各種行駛操作，同時(shí)增加了爬坡和下坡的實(shí)驗(yàn)，以測(cè)試速度估計(jì)方法在不同坡度條件下的性能。實(shí)驗(yàn)步驟嚴(yán)格按照科學(xué)規(guī)范進(jìn)行。在每次實(shí)驗(yàn)前，對(duì)全向智能輪椅進(jìn)行全面檢查和調(diào)試，確保硬件設(shè)備正常運(yùn)行，軟件系統(tǒng)工作穩(wěn)定。將輪椅放置在指定的起始位置，并記錄初始狀態(tài)信息。啟動(dòng)傳感器數(shù)據(jù)采集系統(tǒng)，實(shí)時(shí)采集編碼器、IMU、激光雷達(dá)和攝像頭等傳感器的數(shù)據(jù)。在行駛過程中，根據(jù)預(yù)設(shè)的行駛軌跡和操作指令，控制輪椅進(jìn)行各種運(yùn)動(dòng)。在直線行駛實(shí)驗(yàn)中，設(shè)定不同的速度檔位，讓輪椅以恒定速度行駛一定的距離，記錄行駛過程中的速度估計(jì)值和實(shí)際速度值；在轉(zhuǎn)彎實(shí)驗(yàn)中，控制輪椅以不同的半徑進(jìn)行轉(zhuǎn)彎，觀察速度估計(jì)方法對(duì)轉(zhuǎn)彎過程中速度變化的響應(yīng)能力；在加速和減速實(shí)驗(yàn)中，按照一定的加速度曲線進(jìn)行加速和減速操作，評(píng)估速度估計(jì)方法對(duì)動(dòng)態(tài)變化的跟蹤精度。實(shí)驗(yàn)過程中，對(duì)變量進(jìn)行嚴(yán)格控制，以確保實(shí)驗(yàn)結(jié)果的準(zhǔn)確性和可靠性。保持輪椅的負(fù)載不變，避免因負(fù)載變化對(duì)速度估計(jì)產(chǎn)生影響；在不同場(chǎng)景和路面條件下，盡量保持行駛操作的一致性，減少人為因素的干擾；同時(shí)，對(duì)實(shí)驗(yàn)環(huán)境進(jìn)行監(jiān)測(cè)，記錄環(huán)境溫度、濕度、光照等參數(shù)，以便后續(xù)分析環(huán)境因素對(duì)速度估計(jì)的影響。為了提高實(shí)驗(yàn)結(jié)果的可信度，每個(gè)實(shí)驗(yàn)條件重復(fù)進(jìn)行多次，一般每個(gè)條件重復(fù)5-10次。對(duì)多次實(shí)驗(yàn)的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，計(jì)算平均值、標(biāo)準(zhǔn)差等統(tǒng)計(jì)量，以評(píng)估速度估計(jì)方法的穩(wěn)定性和可靠性。5.2實(shí)驗(yàn)結(jié)果分析5.2.1改進(jìn)方法與傳統(tǒng)方法對(duì)比在實(shí)驗(yàn)中，將改進(jìn)后的速度估計(jì)方法與傳統(tǒng)方法進(jìn)行對(duì)比，從精度、穩(wěn)定性和實(shí)時(shí)性等多個(gè)維度對(duì)其性能進(jìn)行評(píng)估。在精度方面，采用均方根誤差（RMSE）作為評(píng)估指標(biāo)，通過在不同場(chǎng)景下的多次實(shí)驗(yàn)，計(jì)算出各種方法的RMSE值。在室內(nèi)瓷磚地面直線行駛場(chǎng)景下，傳統(tǒng)基于輪式里程計(jì)的速度估計(jì)方法RMSE為0.25m/s，而基于改進(jìn)光流法的速度估計(jì)方法RMSE降低至0.12m/s；在室外水泥路轉(zhuǎn)彎場(chǎng)景下，傳統(tǒng)基于光流法的速度估計(jì)方法RMSE為0.30m/s，改進(jìn)后的方法將RMSE減小到0.15m/s。這表明改進(jìn)后的方法在不同場(chǎng)景下都能更準(zhǔn)確地估計(jì)全向智能輪椅的速度，有效降低了速度估計(jì)誤差。穩(wěn)定性是衡量速度估計(jì)方法性能的重要指標(biāo)之一。通過觀察在長(zhǎng)時(shí)間行駛過程中速度估計(jì)值的波動(dòng)情況來評(píng)估穩(wěn)定性。在一次持續(xù)30分鐘的室外土路行駛實(shí)驗(yàn)中，傳統(tǒng)輪式里程計(jì)方法的速度估計(jì)值波動(dòng)較大，標(biāo)準(zhǔn)差達(dá)到0.18m/s；而融合多傳感器數(shù)據(jù)并采用卡爾曼濾波的改進(jìn)方法，速度估計(jì)值波動(dòng)較小，標(biāo)準(zhǔn)差僅為0.08m/s。這說明改進(jìn)后的方法能夠在長(zhǎng)時(shí)間行駛中保持更穩(wěn)定的速度估計(jì)，減少了因外界干擾和系統(tǒng)誤差導(dǎo)致的速度估計(jì)波動(dòng)。實(shí)時(shí)性對(duì)于全向智能輪椅的運(yùn)動(dòng)控制至關(guān)重要。通過測(cè)試各種方法處理一幀傳感器數(shù)據(jù)并輸出速度估計(jì)結(jié)果所需的時(shí)間來評(píng)估實(shí)時(shí)性。實(shí)驗(yàn)結(jié)果顯示，傳統(tǒng)基于深度學(xué)習(xí)的速度估計(jì)方法由于模型計(jì)算復(fù)雜，處理一幀數(shù)據(jù)平均需要50ms；而基于改進(jìn)光流法并采用并行加速技術(shù)的改進(jìn)方法，處理一幀數(shù)據(jù)僅需10ms，能夠滿足智能輪椅對(duì)實(shí)時(shí)性的嚴(yán)格要求，確保了在高速行駛和快速轉(zhuǎn)向等動(dòng)態(tài)場(chǎng)景下，也能及時(shí)提供準(zhǔn)確的速度估計(jì)信息。5.2.2不同改進(jìn)方法的效果比較基于改進(jìn)光流法的速度估計(jì)方法在復(fù)雜環(huán)境感知方面具有獨(dú)特優(yōu)勢(shì)。在室內(nèi)場(chǎng)景中，環(huán)境中存在大量的靜態(tài)和動(dòng)態(tài)物體，光線條件也較為復(fù)雜。改進(jìn)光流法能夠通過對(duì)攝像頭獲取的圖像序列進(jìn)行精確的光流計(jì)算，有效地捕捉到輪椅周圍物體的運(yùn)動(dòng)信息，從而準(zhǔn)確地估計(jì)輪椅的速度。在經(jīng)過擺放有家具的客廳時(shí)，改進(jìn)光流法能夠根據(jù)圖像中家具邊緣和地面紋理的光流變化，準(zhǔn)確判斷輪椅的運(yùn)動(dòng)方向和速度，即使在光線不均勻的情況下，也能保持較好的速度估計(jì)精度。融合多傳感器數(shù)據(jù)的速度估計(jì)方法則充分發(fā)揮了多種傳感器的互補(bǔ)優(yōu)勢(shì)。在不同地形條件下，該方法展現(xiàn)出了良好的適應(yīng)性。在室外的水泥路、土路和爬坡等場(chǎng)景中，輪式里程計(jì)在平坦路面上能夠提供較為準(zhǔn)確的短時(shí)間速度信息，激光雷達(dá)可以精確測(cè)量輪椅與周圍物體的距離變化，從而輔助速度估計(jì)，慣性測(cè)量單元（IMU）則能實(shí)時(shí)感知輪椅的加速度和角速度，對(duì)速度估計(jì)進(jìn)行動(dòng)態(tài)修正。通過卡爾曼濾波算法對(duì)這些傳感器數(shù)據(jù)進(jìn)行融合，能夠綜合各傳感器的優(yōu)點(diǎn)，彌補(bǔ)其不足，在各種地形條件下都能實(shí)現(xiàn)對(duì)全向智能輪椅速度的準(zhǔn)確估計(jì)。基于機(jī)器學(xué)習(xí)的速度估計(jì)方法具有強(qiáng)大的自學(xué)習(xí)能力，能夠處理復(fù)雜的非線性問題。在復(fù)雜的行駛狀態(tài)下，如急加速、急剎車和快速轉(zhuǎn)彎等，該方法表現(xiàn)出了較好的性能。通過大量的實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）模型，使其學(xué)習(xí)到了不同行駛狀態(tài)下傳感器數(shù)據(jù)與速度之間的復(fù)雜映射關(guān)系。在一次急加速實(shí)驗(yàn)中，基于機(jī)器學(xué)習(xí)的方法能夠迅速根據(jù)傳感器數(shù)據(jù)的變化，準(zhǔn)確估計(jì)出輪椅的實(shí)時(shí)速度，而傳統(tǒng)方法則出現(xiàn)了較大的速度估計(jì)延遲和誤差。綜上所述，不同改進(jìn)方法在不同場(chǎng)景和行駛條件下具有各自的優(yōu)勢(shì)?；诟倪M(jìn)光流法的方法適用于對(duì)環(huán)境感知要求較高的室內(nèi)復(fù)雜場(chǎng)景；融合多傳感器數(shù)據(jù)的方法在不同地形條件下具有更好的適應(yīng)性；基于機(jī)器學(xué)習(xí)的方法則在復(fù)雜行駛狀態(tài)下表現(xiàn)出色。在實(shí)際應(yīng)用中，可以根據(jù)全向智能輪椅的使用場(chǎng)景和需求，選擇合適的改進(jìn)方法或綜合運(yùn)用多種方法，以實(shí)現(xiàn)更精準(zhǔn)、穩(wěn)定的速度估計(jì)。5.2.3實(shí)驗(yàn)結(jié)果的可靠性驗(yàn)證為了驗(yàn)證實(shí)驗(yàn)結(jié)果的可靠性，進(jìn)行了多次重復(fù)實(shí)驗(yàn)。在相同的實(shí)驗(yàn)條件下，對(duì)每種速度估計(jì)方法進(jìn)行了10次重復(fù)實(shí)驗(yàn)。在基于改進(jìn)光流法的速度估計(jì)實(shí)驗(yàn)中，在室內(nèi)瓷磚地面直線行駛場(chǎng)景下，每次實(shí)驗(yàn)的速度估計(jì)結(jié)果略有差異，但都在一定的誤差范圍內(nèi)。通過對(duì)這10次實(shí)驗(yàn)結(jié)果的統(tǒng)計(jì)分析，計(jì)算出速度估計(jì)值的平均值和標(biāo)準(zhǔn)差。結(jié)果顯示，速度估計(jì)值的平均值為1.52m/s，標(biāo)準(zhǔn)差為0.03m/s，表明改進(jìn)光流法在該場(chǎng)景下的速度估計(jì)結(jié)果具有較高的一致性和穩(wěn)定性。采用統(tǒng)計(jì)分析方法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行深入分析。通過計(jì)算不同方法在各個(gè)場(chǎng)景下速度估計(jì)的誤差分布，判斷實(shí)驗(yàn)結(jié)果的可靠性。在融合多傳感器數(shù)據(jù)的速度估計(jì)實(shí)驗(yàn)中，在室外土路行駛場(chǎng)景下，計(jì)算出傳統(tǒng)方法和改進(jìn)方法的速度估計(jì)誤差的均值和方差。傳統(tǒng)方法的速度估計(jì)誤差均值為0.28m/s，方差為0.015；改進(jìn)方法的速度估計(jì)誤差均值降低到0.10m/s，方差減小到0.005。這說明改進(jìn)方法不僅降低了速度估計(jì)誤差，而且使誤差分布更加集中，進(jìn)一步驗(yàn)證了改進(jìn)方法的可靠性和有效性。此外，還邀請(qǐng)了其他研究人員對(duì)實(shí)驗(yàn)過程和結(jié)果進(jìn)行評(píng)估和驗(yàn)證。他們對(duì)實(shí)驗(yàn)平臺(tái)的搭建、實(shí)驗(yàn)方案的設(shè)計(jì)以及數(shù)據(jù)的采集和分析過程進(jìn)行了詳細(xì)審查，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了獨(dú)立的驗(yàn)證。經(jīng)過評(píng)估，他們認(rèn)為實(shí)驗(yàn)