[发明专利]一种基于计算机视觉的电动爬楼担架车辅助控制方法

权利要求书

1.一种基于计算机视觉的电动爬楼担架车辅助控制方法，其特征在于，包括以下步骤：

构建网络模型，包括网络模型一和网络模型二；

对所述网络模型进行训练，得到训练好的网络模型；

将实时获取的担架车的晃动特征向量输入训练好的网络模型，输出第一特征向量；

计算第一特征向量与目标向量集中的每一个特征向量的欧式距离，确定与第一特征向量的欧式距离最小的特征向量，将该特征向量作为目标运动特征向量，调整担架车的运动参数，使第一特征向量在下一时刻接触台阶时趋于目标运动特征向量；

其中，对所述网络模型进行训练的方法为：

步骤A，采集担架车的运动特征向量和晃动特征向量，并将运动特征向量和晃动特征向量构成一组数据，获取数据集；

步骤B，将数据集输入网络模型中，其中，将运动特征向量输入网络模型二中，经编码器二进行特征提取，输出隐空间特征二，将隐空间特征二输入解码器二中，获得输出结果二；将晃动特征向量输入网络模型一中的编码器一中，输出隐空间特征一，将隐空间特征一输入解码器一中，获得输出结果一；利用损失函数进行多次迭代，使所述隐空间特征二等于所述隐空间特征一，输出结果二等于输出结果一，从而迭代出更新后的权重参数，得到训练好的网络模型。

2.根据权利要求1所述的基于计算机视觉的电动爬楼担架车辅助控制方法，其特征在于，所述损失函数为：Loss＝LossA+LossB

其中，重构损失LossA为：

其中，为输出结果二，v2为担架车运动特征向量，为输出结果一；

其中，特征对齐损失LossB为：

LossB＝KL(αg2+(1-α)g1,g₀)+KL(g2,g1)

其中，g1为隐空间特征一，g2为隐空间特征二，KL(g2,g1)表示g2,g1的散度，KL(αg2+(1-α)g1,g₀)表示αg2+(1-α)g1,g₀的散度，g₀为K维的标准正态高斯概率密度函数，α为融合系数。

3.根据权利要求2所述的基于计算机视觉的电动爬楼担架车辅助控制方法，其特征在于，

所述隐空间特征一g1的函数表达式为：

其中x＝[x₁,x₂,...,x_i,...,x_K]，μ＝[μ_l，μ₂，...，μ_i，...，μ_k]，x是K维空间的任意一个向量，μ1表示K维高斯概率密度函数的K个均值，B1是K×K的协方差矩阵，矩阵对角元素为K个方差，其他元素为0；

所述隐空间特征二g2的函数表达式为：

其中μ2表示K维高斯概率密度函数g2的K个均值，B2是g2的K×K的协方差矩阵，矩阵对角元素是高斯概率密度函数g2的K个方差，其他元素为0。

4.根据权利要求1所述的基于计算机视觉的电动爬楼担架车辅助控制方法，其特征在于，

将所述晃动特征向量输入训练好的网络模型的网络模型一中，输出第一特征向量，所述第一特征向量为运动特征向量。

5.根据权利要求1所述的基于计算机视觉的电动爬楼担架车辅助控制方法，其特征在于，

所述目标向量集为担架车稳定运行对应的运动特征向量集。

6.根据权利要求1所述的基于计算机视觉的电动爬楼担架车辅助控制方法，其特征在于，所述运动参数包括星轮的每个子轮与子轮公转中心的轴长和/或星轮公转平面与担架车运动方向的夹角。