家庭助老服务机器人技术方案

REF：家庭助老服务机器人的设计与运动规划研究

1. 背景概述

国家体育总局所发布的《有效走路，不必日行万步》中提及，鉴于老年人的步行速度会随着身体机能的下降而逐渐减缓，其平均步速大约是0.8m/s ，为了可让机器人在老年人所处的环境里有更好的适应性，便将其最大移动速度设定成了1.0m / s ；机器人主要是在室内家居环境中开展工作，这一环境的地面一般较为平整，不过也有可能会存在一定的坡度或者障碍，像是地毯、出现破损或者凹陷的地砖等情况，在设计方面要求机器人可适应最大为 8°的爬坡角度，家庭助老服务机器人需求：

1. 外观设计：整体外观要以平滑为主，机器人具有美观性及科技感，提高老年人对家庭助老服务机器人的可接受程度；
2. 紧凑的体型与优化的底盘设计：机器人需具备小巧的尺寸，能够顺利通过狭窄的过道和门框区域；
3. 运动性能与稳定性：机器人需进行全面的动力学和稳定性分析，确保在不平或倾斜地面上运行时不会发生倾覆；
4. 高效续航与智能充电功能：机器人需具备较长的续航时间，同时配备自动充电装置，保证持续稳定的工作；
5. 多重安全检测能力：具备检测可燃气体、水龙头状态、明火及行人等多种安全隐患的能力。机器人可按照预设路线在室内巡回运行，并在抵达监测点后，通过相关传感器执行安全检测；
6. 地图构建和路径规划：利用高精度环境感知与建图技术，结合房间布局和家具分布情况，实时更新地图，并对路径进行动态优化；
7. 人机交互与个性化服务：支持语音控制，同时也支持触摸屏操作，以此方便老年人进行使用，另外还会结合用户的各种需求，提供药物提醒、健康监测以及紧急求助等定制化的服务功能。

bd4741ea50217ec337596d6ab7c99ad3.png

2. 电机及减速器计算

家庭助老服务机器人参数及计算如下：

3. 传感器选型

• 超声波传感器：US-100 ，正常工作温度范围为-20℃~70℃，其探测范围为 2cm-450cm，测量精度为 3mm，模块自动发送 8 个 40kHz 的方波信号，并检测反射回波，以实现距离测量功能

7bd7f728f8dec5e6d0c8fd7269f1a15f.png

• 温湿度传感器： SHT31 型，湿度测量 0~100%RH ，精度为±2%RH；温度测量范围-40℃~125℃，测量精度±0.3℃

b322e70e258e70e4720e97a0cac64537.png

• 烟雾传感器：MQ-2 基于半导体材料，检测范围为 300～10000ppm，能够识别烟雾及可燃气体浓度

929af08e82d8ba78a5db7abc6c40d1fb.png

• 语音识别模块：ASR-PRO，内置麦克风阵列接收音频信号，并且把处理好的语音信息经由扬声器输出，识别准确率可达到 98%，支持方言自适应学习，最大识别距离有 10 米，响应时间不到 0.1 秒。

b655e6ef5741d2184d31e0995aae5cb2.png

• 触摸显示屏：TJC8088X570_011C/R 型号

bac935b26a78b9029d617c111492ed45.png

da606e70e8538c19c1fd95e9b10aac2b.png

4. 路径规划优化

全局路径规划A-star的问题：

1. 搜索效率依赖启发函数的合理性，在障碍物密集区域，可能会遍历许多无意义的节点，增加计算量；
2. 由于家庭助老服务机器人形状较大，路径可能斜穿障碍物顶点，存在碰撞风险；
3. 生成路径存在冗余节点与频繁转折，造成运动不平稳。

基于上面问题，分别进行改善：

1. 改进启发函数（常见欧几里德距离、切比雪夫距离以及曼哈顿距离），通过动态调整权重提升搜索效率，减少无效节点扩展，评价函数定义如下：

其中N表示当前点跟目标点构成矩形区域内的障碍物栅格数量 当障碍物数量较少时，K 值较小，h(n)的系数较大，算法就会缩小搜索范围，提高寻路效率，反之亦然。

1. 优化子节点的选择机制，避免路径斜穿障碍物顶点以提高安全性，避免潜在的碰撞风险；
   • 通过启发式函数指导节点扩展顺序，优先扩展离目标更近的节点
   • 限制局部搜索空间、剪枝无效节点；
   • 预先计算节点代价，避免重复计算
   • 将搜索空间分割为多个部分并行处理，利用多台计算机加速节点扩展；
   • 缓存已计算的节点信息，避免重复计算。
2. 结合 Floyd算法思想，对路径进行平滑处理，减少冗余节点和转折： 如果l(i,j)>l(i,k)+l(k,j)，则l(i,j)=l(i,k)+l(k,j)l(i, j)>l(i, k)+l(k, j)，则l(i, j)=l(i, k)+l(k, j)即如果某一条路径的最短距离可借助中间点来实现优化，那么就对路径的最短路径进行更新，指示出新的最优路径，并不断更新。

局部路径规划算法DWA ： 存在一些问题，比如避障表现得过于保守，路径绕行情况较为严重，会陷入局部最优状态，默认评价函数为：

其中

• heading(v,w) 为方位角评价函数，衡量当前速度条件下轨迹切线方向与子目标点之间的夹角偏差
• dist(v,w)为距离评价函数，用于计算当前轨迹与周围静态障碍物之间的最小安全距离
• velocity(v,w)为速度评价函数，反映机器人在当前状态下的线速度大小。
• β\betaβ为轨迹平滑系数
• a1 , a2 , a3为上述三个评价项的加权系数

使用下面评价函数，增加障碍物的检测，提升机器人在复杂环境里的感知以及避障能力

• dist2(v,w)模拟轨迹终点到动态障碍物的最小距离
• dist3(v,w) 轨迹终点到未知障碍物的最小距离
• a4 , a5 为新增项的加权系数

5. 卷积神经网络（CNN）应用

采用梯度下降法更新损失函数，从而动态调整权重参数。与传统人工神经网络相比，CNN 使用特有的卷积核进行权值共享，通过池化层减少网络的参数数量，使 CNN 能以较小的计算量提取图像中的特征信息，同时 CNN 不需要像人工神经网络那样压缩图像的维度。

dbe93f78bc123130de32dc7e3979f357.png

1. 输入层作为数据进入神经网络的起始点，并非局限于数据范畴，像素作为图像的基础单元存储于矩阵之中，蕴含着灰度或者颜色方面的信息，灰度图像输入为单通道，而彩色图像一般采用 RGB 模型，属于三通道输入。
2. 卷积层作为 CNN 的关键构成部分，从输入数据里自动提取特征，借助多个卷积核于输入特征图上滑动，开展局部卷积操作，每一次卷积都会实施对应位置的元素乘加运算，生成新的特征图，以此来识别图像里的结构信息，像边缘、纹理这类，卷积操作可减少模型参数，可凭借权重共享提高计算效率，并逐层提取更深层次的抽象特征。
3. 池化层是下采样层，针对特征图降维减小计算量、降低参数数量，提升模型的鲁棒性，会在局部区域执行简化操作，常见最大池化是取窗口内的最大值，以及平均池化，即取窗 口内的平均值。池化过程可帮助保留关键特征，并且有平移不变性，也就是当输入图像出现轻微偏移的时候，依然可以保持特征的稳定性。
4. 全连接层是把前面各层所提取出来的特征信息加以整合，产生最终的结果，这一层每个神经元都跟前一层的全部神经元相连接，先对输入做求和运算，接着使用激活函数来达成非线性变换，一般在历经多次卷积以及池化操作之后，特征图会被展平成为一维向量，以此作为全连接层的输入。此层在分类任务里大多时候用于输出各类别相应的概率分布，为最终的决策或者预测给予依据。