基于腦機接口技術(shù)與激光雷達(dá)的智能車輛避障導(dǎo)航方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及腦機接口與激光雷達(dá)的應(yīng)用研究技術(shù)領(lǐng)域，具體涉及到一種基于腦機 接口技術(shù)與激光雷達(dá)的智能車輛避障導(dǎo)航方法。
【背景技術(shù)】
[0002] 隨著社會老齡化進程的加快以及由于各種疾病、工傷、交通事故等原因造成下肢 損傷的人數(shù)的增加，為老年人和殘疾人提供性能優(yōu)越的代步工具已成為整個社會重點關(guān)注 的問題之一。其中，作為代步工具的一種，智能車輛受到了世界各國研究者的廣泛關(guān)注。智 能車輛不僅具有自主導(dǎo)航、避障等多種功能，還融合了人機交互技術(shù)的多種控制方式，如語 音、手勢、頭部運動和腦電信號等。
[0003] 環(huán)境感知是智能車輛研究的關(guān)鍵技術(shù)之一。智能車輛周圍的環(huán)境信息可以用來導(dǎo) 航、避障和執(zhí)行特定的任務(wù)。獲取這些信息的傳感器既需要足夠大的視場來覆蓋整個工作 區(qū)，又需要較高的采集速率以保證在運動的環(huán)境中能夠提供實時的信息。而近年來，激光雷 達(dá)在智能車輛導(dǎo)航中的應(yīng)用日益增多。這主要是由于基于激光的距離測量技術(shù)具有很多優(yōu) 點，特別是其具有較高的精度。通過二維或三維地掃描激光束或光平面，激光雷達(dá)能夠以較 高的頻率提供大量的、準(zhǔn)確的距離信息。激光雷達(dá)與其它距離傳感器相比，能夠同時考慮精 度要求和速度要求，這一點特別適用于智能車輛領(lǐng)域。
[0004] 另一方面，腦機接口（Brain-computer interface，BCI)是在人腦和計算機或其他 電子設(shè)備之間建立一種不依賴于常規(guī)大腦輸出通路(外周神經(jīng)和肌肉組織）的直接信息交 流和控制通道，是一種全新的人機交互系統(tǒng)。BCI系統(tǒng)通常由四個部分組成:信號采集系統(tǒng)、 信號處理系統(tǒng)、模式識別系統(tǒng)和控制外部設(shè)備系統(tǒng)。反映大腦活動的電生理信號由電極從 頭皮或者大腦內(nèi)部獲取并傳送到放大器，該信號經(jīng)過放大、濾波、模數(shù)轉(zhuǎn)換等預(yù)處理后再傳 送到計算機中進行復(fù)雜的信號處理，提取出與使用者意愿有關(guān)的信號特征量，這些信號特 征量經(jīng)過識別被轉(zhuǎn)換成控制命令，用來控制外界設(shè)備。
[0005] 而腦機接口具有直接用腦信號控制外部設(shè)備的優(yōu)點，但是腦機接口也存在信噪比 差、準(zhǔn)確率低、延時長等問題，駕駛員單純地使用腦機接口控制智能車輛存在訊多不確定的 因素，這給智能車輛行駛帶來較大危險。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術(shù)問題是針對上述存在的不足，提供一種可以彌補目前單純 的基于腦機接口控制智能車輛存在的許多不足，具有高容錯的特點，并能確保導(dǎo)航的準(zhǔn)確 性，提高了導(dǎo)航系統(tǒng)的可靠性的基于腦機接口技術(shù)與激光雷達(dá)的智能車輛避障導(dǎo)航方法。
[0007] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0008] 基于腦機接口技術(shù)與激光雷達(dá)的智能車輛避障導(dǎo)航方法，包括基于腦機接口技術(shù) 的智能車輛控制方法、基于激光雷達(dá)的智能車輛避障方法、基于控制與避障的決策融合方 法；
[0009] 其中基于腦機接口技術(shù)的智能車輛控制方法主要包括腦電信號采集、放大、預(yù)處 理、特征提取與特征分類以及控制實現(xiàn);具體包括建立腦機接口系統(tǒng)的仿真模型，該模型由 4個部分組成，數(shù)據(jù)獲取、預(yù)處理、特征提取、特征分類，腦電信號的處理將在仿真模型里完 成;其中特征提取可由多種不同的算法實現(xiàn)；當(dāng)腦電信號的特征提取完成之后，需要用不同 的識別算法將其分辨識別，最終轉(zhuǎn)化成為不同的控制命令；
[0010] 基于激光雷達(dá)的智能車輛避障方法的原則是保證智能車輛的安全移動，必須能及 時準(zhǔn)確地發(fā)現(xiàn)障礙物并做出正確的躲避或停車動作，主要采用角度勢場法;具體包括:建立 以車頭激光雷達(dá)發(fā)射點為原點的車體極坐標(biāo)系；由視場范圍內(nèi)某個角度上的障礙物產(chǎn)生阻 力場，采用余弦函數(shù)定義目標(biāo)點在各角度上產(chǎn)生的引力;對于視場中某一角度，定義通行函 數(shù)為阻力的倒數(shù)與引力數(shù)值之乘積;通過通行函數(shù)的最終數(shù)值，進行決策并輸出控制命令。
[0011] 基于控制與避障的決策融合方法綜合考慮腦機接口的意圖以及智能車輛當(dāng)前的 運行狀態(tài)，給出油門、剎車或轉(zhuǎn)向等控制命令。
[0012] 所述腦機接口為Emotiv System公司研制的采用14個濕態(tài)電極傳感器的腦機接口 設(shè)備，腦電數(shù)據(jù)從國際標(biāo)準(zhǔn)的10-20導(dǎo)聯(lián)系統(tǒng)的F3、F4、FC5、FC6，4個通道。
[0013] 所述腦電信號采集、放大均在腦機接口設(shè)備中完成，預(yù)處理、特征提取與特征分類 在基于Mai tlab/Simul ink建立腦機接口系統(tǒng)的仿真模型中完成，控制實現(xiàn)為將運動想象分 類完成的控制指令通過無線串口通訊發(fā)送給智能車輛，通過控制智能車輛的油門、剎車、轉(zhuǎn) 向來實現(xiàn)實時控制。運動想象任務(wù)包括:左手、右手、右腿、靜息?？刂浦噶畎?左轉(zhuǎn)、右轉(zhuǎn)、 啟動、停止。
[0014] 所述激光雷達(dá)為LUX 4線激光雷達(dá)，具有240度的寬視角，0.3m至200m的探測距離， 可集成到任何車體和觀察到任何角度。
[0015] 所述角度勢場法將當(dāng)前視場極坐標(biāo)系的二維障礙物信息轉(zhuǎn)換到一維的角度域內(nèi)， 綜合評估視場內(nèi)的障礙物在角度域內(nèi)產(chǎn)生的阻力效應(yīng)，以及目標(biāo)點在角度域內(nèi)產(chǎn)生的引力 效應(yīng)，計算得出當(dāng)前目標(biāo)角度及通行函數(shù)，確定智能車輛駕駛角和速度的控制輸出，做到兼 顧智能車輛的安全與向目標(biāo)點的行進。
[0016] 本發(fā)明的優(yōu)點及顯著效果在于:提出了一種基于腦機接口技術(shù)與激光雷達(dá)的智能 車輛避障導(dǎo)航方法。該方法可以彌補目前單純的基于腦機接口控制智能車輛存在的信噪比 差、準(zhǔn)確率低、延時長等問題，具有高容錯的特點，并確保了導(dǎo)航的準(zhǔn)確性，提高了導(dǎo)航系統(tǒng) 的魯棒性。
【附圖說明】
[0017] 圖1是基于腦機接口技術(shù)的智能車輛控制方法框架圖；
[0018] 圖2是腦機接口電極放置位置；
[0019] 圖3是腦機接口系統(tǒng)仿真模型；
[0020]圖4是智能車輛車體模型 [0021 ]圖5是智能車輛車體坐標(biāo)系；
[0022] 圖6是融合決策模塊；
[0023] 圖7是整體智能車輛避障導(dǎo)航方法框架圖。
【具體實施方式】
[0024] 下面結(jié)合【具體實施方式】，對本發(fā)明作進一步的說明：
[0025] 如圖1至圖7所示的基于腦機接口技術(shù)與激光雷達(dá)的智能車輛避障導(dǎo)航方法，包括 基于腦機接口技術(shù)的智能車輛控制方法、基于激光雷達(dá)的智能車輛避障方法、基于控制與 避障的決策融合方法。
[0026] 實施例一
[0027] 基于腦機接口技術(shù)的智能車輛控制方法：
[0028] 該方法主要包括腦電信號采集、放大、預(yù)處理、特征提取與特征分類以及控制實現(xiàn) 等部分，如圖1為控制方法的框架圖。
[0029] 1.腦電彳目號米集方法
[0030]采用Emotiv System公司研制的采用14個濕態(tài)電極傳感器的腦機接口設(shè)備采集駕 駛員的頭皮的腦電信號。14個電極按國際標(biāo)準(zhǔn)10-20系統(tǒng)放置，如圖2所示。數(shù)據(jù)從國際標(biāo)準(zhǔn) 的10-20導(dǎo)聯(lián)系統(tǒng)的？3、？4、？05、？06,4個通道獲得。另外，兩個參考電極置于左耳乳突處和 右乳突，用于計算兩側(cè)乳突的代數(shù)平均參考電壓，幫助降噪。人體大腦的？3』4、？05、？06位 置包含了想象手部、腳部運動時最為豐富的信息，因此采用了這4個通道的數(shù)據(jù)。實驗由若 干次試驗組成，包含想象左手運動、右手運動、右腳運動、靜息狀態(tài)等，然后得出各次試驗的 樣本及實驗數(shù)據(jù)。
[0031] 2.腦電信號處理方法
[0032]腦機接口中的腦電信號處理過程是一個從信號到控制命令的轉(zhuǎn)化過程，最終將作 為外設(shè)的一種控制信號，這個過程要靠特征提取和模式分類實現(xiàn)。腦電信號具有很微弱的 特點，需要經(jīng)過了放大、濾波、去噪等處理。然后要對腦電信號進行特征提取，特征提取可由 多種不同的算法實現(xiàn)。當(dāng)腦電信號的特征提取完成之后，需要用不同的識別算法將其分辨 識別，最終轉(zhuǎn)化成為不同的控制命令?；贛aitlab/Simulink建立腦機接口系統(tǒng)的仿真模 型，該模型由4個部分組成，數(shù)據(jù)獲取、預(yù)處理、特征提取、特征分類，如圖3所示，腦電信號的 處理將在仿真模型里完成。
[0033]首先通過腦機接口采集腦電數(shù)據(jù)并放大，導(dǎo)入基于Mai tlab/Simul ink建立腦機接 口系統(tǒng)仿真模型的數(shù)據(jù)獲取模塊。
[0034] BCI系統(tǒng)仿真模型里，在獲取腦電信號數(shù)據(jù)后，進入數(shù)據(jù)預(yù)處理模塊，對腦電信號 數(shù)據(jù)進行濾波去噪。主要采用多分辨率分析去除混雜在腦電信號中的各種噪聲，采用 Simul ink里Butterworth濾波器模塊進行濾波。
[0035]傅里葉變換是基本的信號頻域分析方法，在處理非平穩(wěn)信號時，經(jīng)常要對信號的 局部頻率以及該頻率的時間段信息有所了解。短時傅里葉變換的基本原理是在信號進行傅 里葉變換之前乘以一個有限的窗函數(shù)，窗函數(shù)在時間軸上移動，這樣信號就可按時間軸分 段進行分析處理，從而得到了不同時刻的信號頻譜上的差異，得到了信號的時變特性。 [0036]考慮到實時系統(tǒng)速度的需要，采用短時傅里葉變換進行特征提取，對每2s數(shù)據(jù)進 行一次短時傅里葉變換，判斷幅值最大值出現(xiàn)在哪個頻率處，當(dāng)連續(xù)3次判斷結(jié)果相同時， 則認(rèn)為該頻率代表駕駛員想要發(fā)出的控制命令，最終提取一個四維的特征矢量，用于腦電 信號的特征分類。
[0037]在腦