信息融合赋能：智能轮椅局部路径规划的深度探索与实践

信息融合赋能：智能轮椅局部路径规划的深度探索与实践一、引言1.1研究背景与意义随着全球人口老龄化的加剧以及残障人士群体的不断扩大，辅助出行设备的需求日益增长。智能轮椅作为一种重要的辅助设备，为行动不便者提供了更加便捷、自主的出行方式，显著提升了他们的生活质量和社会参与度。对于残障人士而言，传统轮椅在复杂环境下的通行能力有限，而智能轮椅的出现，使其能够在一定程度上自主应对各种场景，减少对他人的依赖。路径规划是智能轮椅实现自主导航的核心技术之一，其中局部路径规划尤为关键。局部路径规划负责在轮椅的当前位置附近，根据实时感知的环境信息，生成一条安全、可行的短路径，以引导轮椅避开障碍物，朝着目标方向前进。其效率和准确性直接影响到智能轮椅的安全性、舒适性和实用性。在动态变化的环境中，如室内人群走动、物品摆放改变，或者室外路况复杂多变时，局部路径规划需要快速响应，及时调整路径，确保轮椅和使用者的安全。然而，传统的局部路径规划方法往往依赖单一传感器信息，存在信息不全面、不准确等问题，难以适应复杂多变的实际环境。例如，仅依靠超声波传感器进行避障，容易受到噪声干扰和测量范围限制，在复杂环境下可能出现误判。信息融合技术的发展为解决这些问题提供了新的思路。通过融合多种传感器（如激光雷达、摄像头、超声波传感器等）的数据，可以获取更全面、准确的环境信息，从而提升局部路径规划的性能。信息融合技术还能够结合地图信息、用户偏好等多源信息，使路径规划更加智能化、个性化，满足不同用户在各种场景下的需求。因此，研究基于信息融合技术的智能轮椅局部路径规划具有重要的现实意义和应用价值。1.2国内外研究现状在国外，智能轮椅的研究起步较早，取得了一系列成果。美国麻省理工学院的WHEELESLEY项目致力于开发高度智能化的轮椅系统，在路径规划方面，采用了先进的传感器融合技术和机器学习算法，能够实现复杂环境下的自主导航。法国的VAHM项目重点研究智能轮椅在室内外混合环境中的导航问题，通过融合激光雷达和视觉传感器数据，提高了环境感知的精度和可靠性。德国乌尔姆大学的MAID项目则关注智能轮椅对老年人和残疾人的辅助功能，在路径规划中考虑了人体工程学因素，使轮椅的运动更加符合用户的生理和心理需求。在信息融合技术用于智能轮椅路径规划方面，国外学者进行了大量研究。一些研究采用卡尔曼滤波算法对多传感器数据进行融合，有效提高了环境感知的准确性和稳定性。还有学者将深度学习技术应用于传感器数据处理，实现了对复杂环境的快速识别和理解，进而优化路径规划。在多智能体协同路径规划方面，国外也有不少研究成果，通过多个智能轮椅或智能设备之间的协作，提高了整体的路径规划效率和安全性。在国内，近年来智能轮椅的研究也取得了显著进展。清华大学、上海交通大学等高校在智能轮椅的关键技术研究方面取得了一系列成果，包括环境感知、路径规划、人机交互等。在局部路径规划方面，国内学者提出了多种基于信息融合的算法。例如，有的研究将激光雷达和超声波传感器数据融合，结合改进的A*算法，实现了智能轮椅在复杂室内环境下的高效避障和路径规划。还有研究利用视觉传感器和惯性测量单元（IMU）的数据融合，提高了智能轮椅在室外环境中的定位精度和路径规划能力。尽管国内外在智能轮椅及信息融合技术用于路径规划方面取得了一定成果，但仍存在一些不足。一方面，现有的路径规划算法在复杂动态环境下的实时性和鲁棒性有待进一步提高，尤其是在处理大量传感器数据和快速变化的环境信息时，算法的计算效率和准确性面临挑战。另一方面，多源信息融合的策略和方法还不够完善，如何有效地融合不同类型、不同精度的传感器数据，以及如何将用户偏好、历史经验等非传感器信息融入路径规划，仍是需要深入研究的问题。此外，智能轮椅的实际应用场景非常复杂多样，目前的研究成果在通用性和适应性方面还存在一定差距，难以满足所有用户和场景的需求。1.3研究目标与创新点本研究旨在基于信息融合技术，改进智能轮椅的局部路径规划算法，提高其在复杂环境下的规划效果，实现智能轮椅更加安全、高效、个性化的自主导航。具体目标包括：一是综合利用激光雷达、摄像头、超声波传感器等多种传感器，设计高效的数据融合算法，实现对环境信息的全面、准确感知和建模。二是在局部路径规划算法中，充分考虑多源信息，如地图信息、用户偏好、环境变化等，提高路径规划的灵活性和实用性。三是针对复杂动态环境，优化路径规划算法，提高算法的实时性和鲁棒性，确保智能轮椅能够快速、准确地响应环境变化，安全避开障碍物。本研究的创新点主要体现在以下几个方面：一是在算法优化方面，提出一种基于改进遗传算法和A算法的混合路径规划算法。该算法结合了遗传算法的全局搜索能力和A算法的启发式搜索优势，能够在复杂环境中快速找到较优路径，同时通过对遗传算法的改进，如采用自适应交叉和变异概率、引入精英保留策略等，提高了算法的收敛速度和搜索精度。二是在多源信息融合策略上，创新性地将用户的历史出行数据和实时生理状态信息融入路径规划。通过分析用户的历史出行习惯，如经常行走的路线、停留的地点等，为用户提供更符合其日常需求的路径建议；同时，利用生理传感器监测用户的实时生理状态，如心率、血压等，当用户身体状态不佳时，自动调整路径，选择更平稳、安全的路线。三是在环境感知方面，提出一种基于深度学习的多传感器数据融合方法。该方法利用卷积神经网络（CNN）对视觉传感器数据进行特征提取，利用循环神经网络（RNN）对激光雷达和超声波传感器的时序数据进行处理，然后通过融合网络将不同传感器的特征进行融合，实现对复杂环境的更准确理解和识别，为路径规划提供更可靠的环境信息。二、信息融合技术与智能轮椅基础2.1信息融合技术原理与优势2.1.1技术原理信息融合技术是一种协同利用多源信息，以获得对同一事物或目标更客观、更本质认识的综合信息处理技术。其工作流程涵盖从数据采集到决策输出的多个环节。在数据采集阶段，通过多种类型的传感器，如激光雷达、摄像头、超声波传感器等，获取来自不同维度的环境信息。这些传感器各有其独特的优势和局限性，激光雷达能够精确测量距离，提供高精度的三维空间信息，但对环境光照条件不敏感；摄像头则可以捕捉丰富的视觉图像信息，便于识别物体的形状、颜色和纹理等特征，但在低光照或恶劣天气条件下性能会受到影响；超声波传感器成本较低，可用于近距离障碍物检测，然而其测量精度和范围相对有限。数据级融合是信息融合的底层，它直接对来自不同传感器的原始数据进行处理和合并。例如，在智能轮椅的环境感知中，将激光雷达的点云数据和摄像头的图像像素数据直接进行融合处理。这种融合方式保留了最原始的信息，能够获取更全面、准确的数据，提高数据的可靠性，减少数据误差，增加数据的时空分辨率和覆盖范围，提高系统的实时性和效率。但数据级融合也面临处理复杂度高的问题，需要处理大量的数据，而且数据质量差的传感器或数据源会影响整个系统的性能，数据融合算法的计算量大，需要较高的计算资源。特征级融合则是在数据级融合的基础上，从不同数据源提取特征，并将这些特征结合起来以形成更全面的特征集。以智能轮椅识别障碍物为例，从激光雷达数据中提取障碍物的距离、形状等几何特征，从摄像头图像中提取物体的视觉特征，如颜色、纹理等，然后将这些特征进行融合。特征级融合可以提高数据的抽象层次，减少数据的冗余性和复杂度，增加数据的可解释性和可视化性，提高系统的分类和识别准确率。但它也存在一些缺点，特征选择和提取的过程需要人工干预，影响处理效率，且特征的选择和提取需要针对具体的应用场景进行优化，特征级融合算法的实现需要较高的专业知识和技能。决策级融合是信息融合的最高层次，在各个信息源独立做出决策后，通过一定的策略整合这些决策，以得到最终的决策结果。在智能轮椅的路径规划决策中，激光雷达基于自身数据判断前方有障碍物需要绕行，摄像头基于图像识别也判断前方物体为障碍物应改变路径，将这两个独立的决策进行融合，综合考虑后得出最终的路径决策。决策级融合可以提高系统的鲁棒性，减少单点故障的风险，增强系统的决策能力，提高系统的性能和效率，减少数据的存储和传输量，节省资源。不过，对不同决策结果的权重分配需要针对具体的应用场景进行优化，决策级融合算法的实现同样需要较高的专业知识和技能。2.1.2独特优势在提高环境感知准确性方面，以智能交通系统中的自动驾驶汽车为例，通过融合激光雷达、摄像头和毫米波雷达等多传感器数据，能够更精确地感知周围车辆、行人、道路标志等信息。激光雷达提供精确的距离信息，摄像头识别物体的类别和细节，毫米波雷达在恶劣天气下仍能保持较好的性能，三者融合后，大大提高了对复杂交通环境的感知准确性，减少了因单一传感器误判导致的交通事故风险。在智能轮椅的应用中，多传感器信息融合同样能显著提升环境感知能力。例如，在室内环境中，超声波传感器可以检测近距离的障碍物，如桌椅、墙壁等，激光雷达则可以获取更广阔范围内的环境地图信息，摄像头用于识别特定的目标物体和场景特征。当三者信息融合后，智能轮椅能够更全面、准确地感知周围环境，避免碰撞障碍物，保障使用者的安全。在增强系统可靠性方面，以无人艇的多传感器数据融合系统为例，当某一个传感器出现故障时，其他传感器的数据仍能为系统提供信息支持，保证系统的正常运行。例如，在海洋环境监测中，无人艇上的温度传感器、盐度传感器和水质传感器等多个传感器的数据进行融合，即使其中一个传感器受到海洋生物附着或海水腐蚀等因素影响出现故障，其他传感器的数据依然可以确保对海洋环境参数的监测，从而提高了整个监测系统的可靠性。在智能轮椅系统中，若某一传感器出现异常，如激光雷达暂时被遮挡，信息融合技术可以依靠其他传感器（如超声波传感器和摄像头）的数据，维持对环境的基本感知，确保轮椅在一定程度上仍能安全运行，避免因单一传感器故障而导致严重事故，增强了系统的可靠性和稳定性。在提升决策全面性方面，以军事领域的战场态势感知为例，通过融合来自卫星侦察、无人机监测、地面雷达等多源情报信息，指挥官能够更全面地了解战场态势，包括敌方兵力部署、行动意图、武器装备等情况，从而做出更科学、全面的作战决策。在智能轮椅的路径规划中，融合地图信息、用户历史出行数据和实时环境感知信息，可以为轮椅规划出更合理的路径。例如，结合地图上标注的楼梯、电梯、无障碍通道等信息，以及用户以往经常行走的路线偏好，当智能轮椅感知到前方道路因施工临时封闭时，能够快速根据多源信息重新规划出一条既符合用户习惯又能避开障碍的新路径，提升了决策的全面性和合理性，使智能轮椅的运行更加智能、高效。2.2智能轮椅工作原理与局部路径规划需求2.2.1工作原理智能轮椅的工作原理基于嵌入式系统和模糊控制理论，通过多个部件的协同工作实现自主移动。其核心部件包括控制器、传感器、驱动电机和人机交互界面等。控制器通常采用高性能的微处理器，如DSP（DigitalSignalProcessor）或ARM（AdvancedRISCMachines）处理器，作为整个系统的大脑，负责数据处理、决策制定和指令发送。以DSP为例，它具有强大的数字信号处理能力，能够快速处理来自传感器的大量数据，并根据预设的算法和规则进行分析和判断。传感器是智能轮椅感知外界环境的重要工具，常见的传感器有激光雷达、摄像头、超声波传感器、陀螺仪和加速度计等。激光雷达通过发射激光束并测量反射光的时间来获取周围环境的三维空间信息，能够精确绘制出周围障碍物的位置和形状；摄像头可以捕捉视觉图像，利用计算机视觉算法识别物体、场景和路径标志等；超声波传感器用于近距离检测障碍物，当检测到前方有物体时，会发出信号提醒控制器；陀螺仪和加速度计则用于测量轮椅的姿态和运动状态，如倾斜角度、加速度等，确保轮椅在行驶过程中的稳定性。驱动电机负责为轮椅提供动力，实现前进、后退、转弯等运动。电机驱动模块根据控制器发送的指令，精确控制电机的转速和转向。例如，当控制器判断需要向左转弯时，会向驱动电机发送相应的控制信号，使左侧电机减速，右侧电机加速，从而实现轮椅的左转动作。人机交互界面是用户与智能轮椅进行交互的桥梁，常见的交互方式有触摸屏、语音控制和操纵杆等。用户可以通过触摸屏输入目的地、选择行驶模式等；语音控制则更加便捷，用户只需说出指令，如“前进”“停止”“去客厅”等，智能轮椅就能识别并执行相应操作；操纵杆则为用户提供了一种手动控制的方式，在需要时，用户可以通过操纵杆灵活控制轮椅的运动。模糊控制理论在智能轮椅的控制中发挥着重要作用。它通过模糊逻辑将传感器采集到的精确数据转化为模糊语言变量，如“近”“远”“快”“慢”等，然后根据预设的模糊规则进行推理和决策，最后将模糊决策结果转化为精确的控制信号发送给驱动电机。例如，当超声波传感器检测到前方障碍物距离较近时，模糊控制器会根据预设规则判断需要减速或转向，从而控制驱动电机做出相应动作，使轮椅安全避开障碍物。这种模糊控制方式能够更好地适应复杂多变的环境，提高智能轮椅的控制灵活性和鲁棒性。2.2.2局部路径规划需求分析在室内环境中，智能轮椅面临着诸多复杂场景。在狭窄通道中，通道宽度有限，两侧可能摆放着家具、杂物等障碍物，智能轮椅需要精确规划路径，确保自身能够顺利通过，同时避免与障碍物发生碰撞。此时，局部路径规划需要快速响应轮椅的位置变化，实时调整路径，以适应狭窄空间的约束。例如，当智能轮椅在医院的走廊中行驶时，走廊中可能有行人、推车等动态障碍物，以及墙壁、长椅等静态障碍物，路径规划算法需要在短时间内综合考虑这些因素，规划出一条安全、可行的路径。在障碍物周围，智能轮椅需要准确识别障碍物的形状、大小和位置，并规划出合理的绕行路径。不同形状的障碍物，如圆形的垃圾桶、长方形的桌子等，对路径规划的要求不同。对于不规则形状的障碍物，路径规划算法需要更加灵活，能够根据障碍物的具体轮廓进行路径规划。例如，在家庭环境中，当遇到散落在地上的玩具等不规则障碍物时，智能轮椅要能够及时感知并规划出避开障碍物的路径，确保行驶安全。在室外环境中，智能轮椅面临着不同地形的挑战。在平坦的道路上，虽然行驶条件相对较好，但仍可能遇到井盖、减速带等路面状况，路径规划需要考虑如何平稳通过这些区域，减少颠簸对使用者的影响。在有坡度的路面上，如斜坡、拱桥等，智能轮椅需要根据坡度的大小和自身的动力性能，规划出合适的行驶速度和路径，确保能够顺利爬坡或下坡，同时保证行驶的稳定性，防止发生溜车或侧翻等危险情况。在草地上或松软地面上，由于地面的摩擦力和承载能力不同，智能轮椅的行驶阻力会增大，路径规划需要考虑如何优化动力分配，选择合适的行驶轨迹，以避免陷入地面或打滑。例如，在公园的草地上行驶时，智能轮椅要根据草地的湿度、草的高度等因素，合理规划路径，确保能够顺利通行。智能轮椅在不同场景下还需要考虑与行人、其他车辆等动态对象的交互。在人员密集的场所，如商场、车站等，行人的行走路线和速度具有不确定性，智能轮椅需要实时感知行人的位置和运动趋势，预测其可能的行走路径，从而及时调整自身的路径，避免与行人发生碰撞。在与其他车辆共同行驶的道路上，智能轮椅需要遵守交通规则，与车辆保持安全距离，同时根据车辆的行驶状态和交通信号，合理规划自己的行驶路径，确保出行安全。例如，在小区道路上，当遇到汽车行驶时，智能轮椅要能够准确判断汽车的行驶方向和速度，规划出避让或等待的路径，保障自身和使用者的安全。三、智能轮椅多源信息感知与融合方法3.1智能轮椅传感器选型与信息采集3.1.1传感器类型与特性激光雷达是智能轮椅环境感知的重要传感器之一，常见的有机械式激光雷达和固态激光雷达。机械式激光雷达通过机械旋转部件，360度发射和接收激光束，能够快速获取周围环境的三维点云数据，精度可达毫米级。其工作原理基于飞行时间（ToF）法，即测量激光束从发射到接收的时间差，结合光速计算出目标物体的距离。以VelodyneVLP-16激光雷达为例，它具有16个激光通道，每秒可发射约30万个激光点，能够实时构建周围环境的三维地图，为智能轮椅提供精确的障碍物位置和地形信息。但机械式激光雷达结构复杂、成本较高，且旋转部件存在磨损和可靠性问题。固态激光雷达则采用电子扫描技术，无机械旋转部件，具有体积小、可靠性高、成本低等优势。例如，速腾聚创的M1固态激光雷达，在小巧的体积内实现了高分辨率的环境感知，但其目前在测量精度和探测距离上与机械式激光雷达相比仍有一定差距。超声波传感器利用超声波的反射原理来测量距离，成本较低、结构简单且响应速度快。当超声波传感器发射超声波后，遇到障碍物会反射回来，传感器通过测量发射和接收超声波的时间差，结合超声波在空气中的传播速度，即可计算出与障碍物的距离。以HC-SR04超声波传感器为例，其测量范围一般在2cm-400cm之间，精度可达3mm，常用于智能轮椅近距离障碍物检测。然而，超声波传感器易受环境温度、湿度和噪声的影响，测量精度会随距离增加而降低，且在复杂环境中可能出现多径反射，导致测量误差。摄像头作为视觉传感器，能够获取丰富的图像信息，通过计算机视觉算法可识别障碍物、行人、道路标志等。常见的摄像头类型有RGB摄像头和深度摄像头。RGB摄像头捕捉物体的颜色和纹理信息，通过图像识别算法进行目标检测和分类。例如，利用基于卷积神经网络（CNN）的目标检测算法，如FasterR-CNN、YOLO等，可以快速识别图像中的障碍物，并确定其类别和位置。深度摄像头则能够直接获取物体的深度信息，常见的深度摄像头技术有结构光和ToF。结构光深度摄像头通过投射特定的光图案到物体表面，根据图案的变形计算物体的深度；ToF深度摄像头与激光雷达的ToF原理类似，通过测量光的飞行时间获取深度信息。以英特尔RealSenseD435i深度摄像头为例，它不仅能提供高质量的RGB图像，还能实时输出高精度的深度图像，为智能轮椅的环境感知提供了更全面的视觉信息。但摄像头在低光照、恶劣天气（如暴雨、大雾）等条件下性能会显著下降，对复杂场景的理解和分析也存在一定挑战。惯性测量单元（IMU）由加速度计、陀螺仪和磁力计组成，用于测量智能轮椅的加速度、角速度和姿态信息。加速度计通过检测质量块在惯性力作用下的位移，测量物体的加速度；陀螺仪利用角动量守恒原理，测量物体的角速度；磁力计则通过检测地球磁场的变化，确定物体的方向。IMU具有体积小、成本低、响应速度快等优点，能够实时提供智能轮椅的运动状态信息，在智能轮椅的定位、导航和姿态控制中发挥重要作用。例如，在智能轮椅行驶过程中，通过IMU可以实时监测轮椅的倾斜角度，当检测到轮椅在斜坡上行驶且倾斜角度过大时，系统可以自动调整电机输出功率，以保持轮椅的稳定性。然而，IMU的测量误差会随时间累积，长时间使用后会导致较大的误差，需要结合其他传感器进行校准和补偿。3.1.2信息采集策略为确保信息采集的实时性，智能轮椅采用了多线程并行采集机制。将不同传感器的数据采集任务分配到不同的线程中，使它们能够同时进行数据采集，减少采集时间延迟。例如，激光雷达数据采集线程负责高速获取点云数据，摄像头图像采集线程同步捕捉视觉图像，超声波传感器和IMU的数据采集线程也各自独立运行，确保各种传感器数据能够及时被采集到系统中。还采用了中断触发机制，当传感器有新数据产生时，立即触发中断信号，通知系统进行数据读取和处理，进一步提高了数据采集的实时性。为保证信息采集的准确性，对传感器进行了严格的校准和标定。对于激光雷达，通过在已知环境中进行扫描，对比实际测量数据与真实环境信息，对激光雷达的测量误差进行校准，确保其距离测量的准确性。对于摄像头，采用张正友标定法等经典方法，对摄像头的内部参数（如焦距、主点位置）和外部参数（如旋转和平移矩阵）进行标定，以提高图像测量和目标识别的精度。在数据采集过程中，采用了滤波和去噪技术。对于超声波传感器采集的数据，由于易受噪声干扰，采用中值滤波算法，对连续采集的多个数据进行排序，取中间值作为有效数据，去除噪声干扰；对于IMU采集的信号，采用卡尔曼滤波算法，结合系统的状态模型和测量模型，对加速度计和陀螺仪的数据进行融合和滤波，有效减少测量误差和噪声，提高数据的准确性。3.2信息融合方法研究3.2.1融合算法分类与比较随机类方法中的加权平均法是一种简单直观的数据融合方法，它根据每个传感器的可靠性和重要性为其分配不同的权重，然后将各个传感器的数据进行加权求和得到融合结果。在智能轮椅的障碍物距离测量中，若激光雷达的测量精度较高，分配较高权重，超声波传感器测量精度相对较低，分配较低权重，将两者测量的距离数据按照权重进行加权平均，得到更准确的障碍物距离估计。加权平均法计算简单、实时性好，但权重的确定往往依赖经验，缺乏自适应调整能力，难以在复杂多变的环境中准确反映传感器的性能变化。Bayes推理是基于概率统计的融合方法，它利用先验概率和条件概率，根据传感器的测量数据更新对目标状态的估计。在智能轮椅的目标识别中，假设已知不同物体在环境中的先验概率，以及不同传感器对各种物体的测量概率，当传感器获取到测量数据后，通过Bayes公式计算后验概率，从而确定目标物体的类别。Bayes推理能够充分利用概率信息，在不确定性环境中具有较好的融合效果，但它需要准确的先验概率和条件概率模型，对数据的依赖性较强，模型的建立和维护较为复杂。人工智能方法中的模糊集合理论将精确的数值信息转化为模糊的语言变量，通过模糊规则进行推理和决策。在智能轮椅的路径规划中，将传感器测量的距离、速度等信息模糊化为“近”“远”“快”“慢”等模糊语言变量，根据预先制定的模糊规则，如“如果距离近且速度快，则减速并转弯”，来控制轮椅的运动。模糊集合理论能够处理不精确和不确定的信息，对复杂环境的适应性强，但模糊规则的制定依赖专家经验，缺乏自学习能力，且推理过程的计算量较大。神经网络具有强大的自学习和自适应能力，能够通过大量的数据训练自动提取数据特征并进行融合。在智能轮椅的环境感知中，采用深度神经网络对激光雷达、摄像头等多传感器数据进行处理，网络可以自动学习不同传感器数据之间的关系和特征，实现对环境信息的准确理解和分类。神经网络在复杂环境下表现出较高的准确性和鲁棒性，但训练神经网络需要大量的标注数据，训练过程计算量巨大，且模型的可解释性较差，难以直观理解其决策过程。3.2.2融合策略设计在数据关联环节，针对智能轮椅的多传感器数据，采用了基于特征匹配的数据关联方法。对于激光雷达点云数据和摄像头图像数据，首先提取激光雷达点云中障碍物的几何特征（如形状、大小）和摄像头图像中物体的视觉特征（如颜色、纹理），然后通过特征匹配算法，如尺度不变特征变换（SIFT）、加速稳健特征（SURF）等，找到两者之间的对应关系，将来自不同传感器的同一目标数据进行关联。还利用了时间序列信息，通过跟踪目标在不同时刻的位置和状态变化，进一步提高数据关联的准确性，确保不同传感器对同一目标的观测数据能够正确融合。在冲突消解环节，当多个传感器的信息出现冲突时，采用了基于可信度的冲突消解策略。根据传感器的类型、测量精度、环境适应性等因素，为每个传感器分配一个可信度值。当激光雷达和超声波传感器对同一障碍物的距离测量结果出现差异时，比较两者的可信度。若激光雷达在当前环境下的可信度较高，而超声波传感器因受环境噪声影响可信度较低，则优先采用激光雷达的测量结果；若两者可信度相近，则通过进一步分析数据的变化趋势、周围环境信息等，综合判断并选择更可靠的信息，或者对两者的数据进行加权融合，以消除冲突，得到更准确的环境信息，为智能轮椅的路径规划提供可靠的数据支持。四、基于信息融合的智能轮椅局部路径规划算法4.1经典路径规划算法分析4.1.1A*算法原理与应用A算法是一种启发式搜索算法，它结合了Dijkstra算法的广度优先搜索思想和最佳优先搜索算法的启发式信息，旨在在给定的搜索空间中找到从起点到终点的最短路径。其核心在于通过一个评估函数来选择下一个扩展节点，评估函数定义为。其中，表示从起点到节点的实际代价，这一数值可以通过记录从起点到当前节点经过的路径长度或消耗的资源等方式来确定，在智能轮椅的路径规划中，可能是轮椅从起始位置行驶到当前位置所走过的实际距离；是启发式函数，用于估计从节点到目标点的最小代价，它是A算法的关键所在，通过启发式函数，A*算法能够优先搜索更有可能通向目标的节点，从而大大提高搜索效率。在智能轮椅的局部路径规划中，A算法有着广泛的应用。当智能轮椅在室内环境中行驶时，已知当前位置和目标位置，A算法可以根据激光雷达和摄像头融合提供的环境地图信息，构建搜索空间。将环境中的障碍物区域标记为不可通过节点，可通行区域标记为可通过节点，通过评估函数计算每个节点的f(n)值，从起点开始，不断选择f(n)值最小的节点进行扩展，直到找到目标节点或确定不存在路径。在遇到复杂的室内布局，如多个房间、走廊交错且存在大量障碍物时，A*算法能够根据启发式函数快速定位到可能通向目标的路径，避免在无关区域进行无效搜索，从而高效地规划出从当前位置到目标位置的安全路径。然而，A算法在智能轮椅局部路径规划中也存在一定的局限性。在复杂动态环境下，当环境信息频繁变化时，如室内人员走动频繁导致障碍物位置不断改变，A算法需要不断重新计算启发式函数和搜索路径，计算量会显著增加，导致实时性下降。若启发式函数设计不合理，在一些特殊场景下，如目标点被障碍物环绕，A算法可能会陷入局部最优解，无法找到真正的全局最优路径。在智能轮椅的实际应用中，由于传感器误差和环境不确定性，获取的环境信息可能存在一定的噪声和不准确，这也会影响A算法的路径规划效果，导致规划出的路径不够安全或不够高效。4.1.2Dijkstra算法原理与应用Dijkstra算法是一种基于贪心策略的单源最短路径算法，常用于在带权有向图或无向图中寻找从一个给定源节点到其他所有节点的最短路径。其基本思想是维护一个距离集合，记录从源节点到各个节点的当前最短距离，初始时，源节点到自身的距离为0，到其他节点的距离为无穷大。然后，不断从距离集合中选择距离源节点最近且未被访问过的节点，将其标记为已访问，并更新其所有邻居节点到源节点的距离。若通过当前节点到达邻居节点的距离比当前记录的距离更短，则更新邻居节点的距离为新的最短距离。重复这个过程，直到所有节点都被访问过，此时距离集合中记录的就是从源节点到各个节点的最短路径距离。在智能轮椅路径规划中，Dijkstra算法可以将智能轮椅的当前位置作为源节点，将目标位置以及环境中的各个关键位置（如房间入口、走廊交汇点等）作为图中的节点，将节点之间的通行距离或通行代价（考虑到地形、障碍物等因素）作为边的权重，构建一个带权图。通过Dijkstra算法，智能轮椅可以计算出从当前位置到目标位置的最短路径。在一个大型商场的室内环境中，智能轮椅需要从当前所在店铺前往指定的服务台，商场内存在各种货架、通道、电梯等，Dijkstra算法可以根据这些环境信息构建带权图，然后计算出一条避开障碍物、经过合适通道和电梯的最短路径，引导智能轮椅安全到达服务台。但是，Dijkstra算法在智能轮椅路径规划中存在计算复杂度高的问题。该算法的时间复杂度为O(V^2)，其中V是图中节点的数量。在复杂的实际环境中，智能轮椅需要考虑的环境信息较多，构建的图中节点数量庞大，导致Dijkstra算法的计算量巨大，计算时间长，难以满足智能轮椅实时路径规划的需求。当智能轮椅在实时行驶过程中遇到新的障碍物或环境变化时，需要重新计算路径，由于Dijkstra算法的高计算复杂度，可能无法及时给出新的路径规划，影响智能轮椅的行驶安全和效率。Dijkstra算法没有考虑到目标方向的启发式信息，它只是盲目地搜索所有可能的路径，这使得在一些情况下，搜索过程会遍历大量不必要的节点，进一步增加了计算量和搜索时间。4.2融合信息的路径规划算法改进4.2.1算法改进思路针对A*算法在复杂动态环境下实时性不足和易陷入局部最优解的问题，结合信息融合得到的环境信息进行改进。利用激光雷达和摄像头融合提供的实时动态环境信息，动态调整启发式函数。在传统的曼哈顿距离、欧几里得距离等启发式函数基础上，引入环境复杂度因子。当检测到周围环境障碍物密集、复杂度高时，适当增大启发式函数中对距离的权重，使算法更倾向于快速找到一条避开复杂区域的路径；当环境较为简单时，减小距离权重，更注重寻找全局最优路径。这样可以在不同环境下灵活平衡搜索效率和路径质量。为了缩小搜索空间，提高算法效率，利用信息融合得到的地图信息和障碍物信息。在搜索之前，根据地图信息预先排除明显不可行的路径区域，如被标记为封闭房间、楼梯等区域；利用实时感知的障碍物信息，动态更新搜索空间，当检测到新的障碍物时，及时将其周围区域从搜索空间中剔除，避免在这些区域进行无效搜索，从而减少计算量，提高算法的实时性。针对Dijkstra算法计算复杂度高的问题，同样结合信息融合进行改进。利用多传感器融合获取的环境信息，对图结构进行优化。减少不必要的节点和边，例如，在智能轮椅的局部路径规划中，对于一些距离较远且与当前路径规划无关的环境特征点，可以不将其作为图中的节点，从而降低图的规模，减少计算量。利用机器学习算法，根据历史环境数据和路径规划经验，对节点之间的权重进行预计算和优化，使得在实时路径规划时，Dijkstra算法能够更快地计算出最短路径，提高算法效率。4.2.2算法实现步骤改进后的算法首先获取多传感器融合信息，激光雷达、摄像头、超声波传感器等多种传感器实时采集环境数据，通过前面所述的信息融合方法，如基于特征匹配的数据关联和基于可信度的冲突消解策略，对传感器数据进行融合处理，得到全面、准确的环境信息，包括障碍物的位置、形状、大小，以及智能轮椅的当前位置和姿态等。利用融合后的环境信息构建环境模型。将环境抽象为一个带权图，智能轮椅的当前位置作为源节点，目标位置作为目标节点，可通行区域的关键位置作为普通节点，根据障碍物信息和距离信息确定节点之间的边及其权重。若两个节点之间存在障碍物，则它们之间无边连接；若可通行，则根据实际距离和环境复杂度确定边的权重，复杂环境区域的边权重相对较大。在搜索最优路径阶段，对于改进的A*算法，初始化一个优先队列，将起点节点及其f(n)值（根据改进的启发式函数计算）放入队列中，同时初始化一个已访问节点集合。从优先队列中取出f(n)值最小的节点，若该节点是目标节点，则通过回溯父节点得到最优路径，结束搜索。若不是目标节点，将其加入已访问节点集合，遍历其邻居节点。对于每个邻居节点，若它已在已访问节点集合中，则跳过；若不在，计算其g(n)（从起点到该邻居节点的实际代价，通过累加边的权重得到）和h(n)（根据动态调整的启发式函数计算），进而得到f(n)，将邻居节点及其f(n)值加入优先队列。重复上述过程，直到找到目标节点或队列为空。对于改进的Dijkstra算法，初始化距离数组，将源节点到自身的距离设为0，到其他节点的距离设为无穷大，同时初始化一个已访问节点集合。从距离数组中选择距离最小且未被访问的节点，将其标记为已访问。遍历该节点的邻居节点，若通过当前节点到达邻居节点的距离比当前记录的距离更短，则更新邻居节点的距离。重复上述过程，直到所有节点都被访问，最终得到从源节点到目标节点的最短路径。在整个算法实现过程中，实时根据传感器融合信息更新环境模型和搜索过程，以适应动态变化的环境。五、仿真实验与结果分析5.1仿真实验设计5.1.1实验平台搭建本研究选用MATLAB与ROS（RobotOperatingSystem）相结合的方式搭建智能轮椅路径规划仿真环境。MATLAB拥有丰富的工具箱，在算法开发、数据处理与可视化方面表现出色；ROS作为机器人操作系统，具备强大的分布式架构与众多功能包，为机器人的感知、控制与通信提供了便利。在MATLAB平台上，利用RoboticsSystemToolbox进行智能轮椅的建模与路径规划算法开发。该工具箱提供了大量函数与工具，可方便地创建机器人模型、设置运动学与动力学参数，以及实现各类路径规划算法。通过该工具箱，能够精确地定义智能轮椅的几何形状、尺寸、车轮参数等，构建出与实际情况相符的仿真模型。利用PathPlanning模块中的A*算法、Dijkstra算法等函数，对路径规划算法进行实现与调试，方便地调整算法参数，如启发式函数的权重、搜索步长等，以优化算法性能。还利用MATLAB的可视化功能，实时展示智能轮椅在仿真环境中的运动轨迹、路径规划过程以及传感器数据的变化，便于直观地分析算法效果。在ROS环境中，选用Gazebo作为物理仿真引擎，结合ROS的Navigation功能包进行实验。Gazebo能够逼真地模拟智能轮椅在不同环境下的物理运动，包括碰撞检测、摩擦力、重力等因素，为智能轮椅的路径规划提供了真实的物理场景。在Gazebo中，创建各种复杂的室内外环境模型，如办公室、商场、公园等场景，设置不同类型的障碍物，如静态的墙壁、桌椅，动态的行人、移动的车辆等，以模拟智能轮椅在实际运行中可能遇到的各种情况。利用ROS的Navigation功能包，集成智能轮椅的传感器数据（如激光雷达、摄像头、超声波传感器数据），实现基于多传感器信息融合的路径规划与导航。通过ROS的话题机制，将传感器数据发布到相应的话题上，路径规划算法订阅这些话题，获取实时的环境信息，进行路径规划与决策，然后将规划好的路径发送给智能轮椅的控制模块，实现智能轮椅的自主导航。5.1.2实验场景设置为全面评估基于信息融合技术的智能轮椅局部路径规划算法的性能，设置了多种复杂实验场景。在静态障碍物场景中，构建一个室内办公室环境，房间内摆放着办公桌、文件柜、椅子等静态障碍物。智能轮椅的起点设定在房间的一角，目标点设定在房间的另一角，要求智能轮椅在避开所有静态障碍物的前提下，规划出一条从起点到目标点的最优路径。在该场景中，通过调整障碍物的布局、数量和形状，增加路径规划的难度，测试算法在复杂静态环境下的规划能力。在动态障碍物场景中，模拟一个人员流动频繁的商场环境。在商场的通道中，设置多个动态障碍物，即模拟行人的移动。行人的移动速度、方向和轨迹具有一定的随机性，以模拟真实场景中的人员流动情况。智能轮椅需要在动态变化的环境中，实时感知行人的位置和运动趋势，及时调整路径，避免与行人发生碰撞，同时尽快到达目标点。通过改变行人的数量、移动速度和分布密度，测试算法在动态环境下的实时性和鲁棒性。在狭窄通道场景中，创建一条狭窄的走廊，走廊两侧设置墙壁，中间可能存在一些小型障碍物，如垃圾桶、拖把等。通道的宽度仅略大于智能轮椅的宽度，智能轮椅在该场景中需要精确控制路径，确保能够顺利通过狭窄通道，同时避免与墙壁和障碍物发生碰撞。通过调整通道的长度、宽度和障碍物的位置，测试算法在狭窄空间中的路径规划能力和对环境的适应性。5.2实验结果与对比分析5.2.1性能指标选取本研究选取路径规划时间、路径长度、避障成功率等指标来全面评估算法性能。路径规划时间是指从智能轮椅获取环境信息并开始进行路径规划，到生成规划路径所耗费的时间，该指标反映了算法的实时性。在实际应用中，智能轮椅需要快速响应环境变化，及时规划出路径，以确保使用者的安全和出行效率。路径规划时间越短，说明算法能够在更短的时间内做出决策，适应动态变化的环境。在动态障碍物场景中，若路径规划时间过长，智能轮椅可能无法及时避开突然出现的行人，导致碰撞事故的发生。路径长度是指智能轮椅从起点到目标点所规划路径的实际长度，该指标反映了算法规划路径的合理性和优化程度。较短的路径长度意味着智能轮椅能够更高效地到达目标点，减少行驶距离和时间，节省能源消耗，提高出行效率。在静态障碍物场景中，如果算法规划出的路径长度过长，可能是因为算法在搜索过程中陷入了局部最优解，没有找到真正的全局最优路径，导致智能轮椅在行驶过程中绕路，增加了行驶距离和时间。避障成功率是指智能轮椅在多次实验中成功避开障碍物并到达目标点的次数与总实验次数的比值，该指标直接反映了算法的安全性和可靠性。在复杂的实际环境中，智能轮椅必须能够准确识别和避开各种障碍物，确保使用者的安全。避障成功率越高，说明算法在处理障碍物时的能力越强，能够有效地保障智能轮椅的安全行驶。在动态障碍物场景中，若避障成功率较低，说明算法在应对动态变化的障碍物时存在不足，可能无法及时准确地预测障碍物的运动轨迹，导致智能轮椅与障碍物发生碰撞。5.2.2对比分析将改进后的基于信息融合技术的路径规划算法与传统的A算法和Dijkstra算法在不同场景下进行对比实验。在静态障碍物场景下，传统A算法的路径规划时间平均为0.5秒，路径长度平均为15米，避障成功率为90%；传统Dijkstra算法的路径规划时间平均为0.8秒，路径长度平均为16米，避障成功率为85%。而改进后的算法路径规划时间平均缩短至0.3秒，路径长度平均减少至13米，避障成功率提高到95%。这是因为改进后的算法利用信息融合技术获取的更准确环境信息，动态调整启发式函数，缩小了搜索空间，从而提高了路径规划的效率和准确性，减少了路径长度，同时更准确地识别和避开障碍物，提高了避障成功率。在动态障碍物场景下，传统A*算法由于难以快速适应环境变化，路径规划时间大幅增加，平均达到1.2秒，路径长度也有所增加，平均为18米，避障成功率下降到70%；传统Dijkstra算法的路径规划时间更是延长至1.5秒，路径长度为19米，避障成功率仅为65%。改进后的算法凭借信息融合技术实时感知动态障碍物的变化，及时调整路径规划策略，路径规划时间平均为0.6秒，路径长度平均为15米，避障成功率达到85%。这表明信息融合技术显著提升了算法在动态环境下的实时性和鲁棒性，使智能轮椅能够更快速、准确地响应动态障碍物的变化，规划出更合理的路径，提高了避障成功率。在狭窄通道场景下，传统A*算法和Dijkstra算法由于对环境约束的处理能力有限，路径规划时间分别为0.7秒和1.0秒，路径长度分别为14米和15米，避障成功率分别为80%和75%。改进后的算法利用多传感器融合信息精确感知狭窄通道的边界和障碍物位置，结合优化的搜索策略，路径规划时间缩短至0.4秒，路径长度减少至12米，避障成功率提高到90%。通过对比可以看出，信息融合技术有效增强了算法在狭窄空间中的路径规划能力，使智能轮椅能够更精准地通过狭窄通道，提高了在复杂环境下的适应性和安全性。六、实际应用案例与验证6.1实际场景测试6.1.1室内场景测试在室内环境测试中，选择了具有代表性的办公室、走廊和会议室场景。在办公室场景下，模拟了日常办公环境中桌椅、文件柜等物品的摆放情况，智能轮椅的任务是从办公室的一角移动到另一角的目标位置。在行驶过程中，激光雷达、摄像头和超声波传感器协同工作，实时采集环境信息。激光雷达快速扫描周围空间，获取精确的三维点云数据，清晰地描绘出桌椅等障碍物的位置和形状；摄像头捕捉视觉图像，通过图像识别算法准确识别出不同类型的障碍物；超声波传感器则负责近距离检测，及时发现靠近的小型障碍物。当智能轮椅检测到前方有办公桌阻挡时，信息融合系统迅速对多传感器数据进行处理和分析。根据融合后的信息，智能轮椅启动基于信息融合的局部路径规划算法。该算法首先利用改进的A*算法，结合实时环境信息，动态调整启发式函数。考虑到办公室空间相对狭窄，为了避免碰撞和提高行驶效率，算法增大了启发式函数中对距离的权重，使智能轮椅更倾向于选择距离较短且安全的路径。通过不断搜索和评估，智能轮椅规划出一条绕过办公桌的路径，成功避开障碍物并顺利到达目标位置。在整个过程中，路径规划时间平均为0.35秒，路径长度与理论最短路径相比，增加幅度控制在5%以内，避障成功率达到了98%，充分展示了算法在复杂室内环境下的高效性和准确性。在走廊场景中，模拟了人员走动频繁的情况，增加了动态障碍物的干扰。智能轮椅在行驶过程中，不仅要应对静态的墙壁、垃圾桶等障碍物，还要实时避让动态的行人。当检测到前方有行人迎面走来时，智能轮椅的多传感器融合系统及时捕捉到行人的位置、速度和运动方向等信息。基于这些信息，路径规划算法迅速做出反应，通过调整行驶速度和方向，智能轮椅成功避开行人，保持安全距离。在多次测试中，智能轮椅在该场景下的路径规划时间平均为0.4秒，面对不同速度和行走路线的行人，避障成功率稳定在95%以上，有效证明了算法在动态室内环境中的实时性和可靠性。在会议室场景中，设置了复杂的桌椅布局和投影仪、音响设备等障碍物。智能轮椅需要在有限的空间内，从会议室入口移动到指定的座位位置。由于会议室环境较为封闭，且障碍物分布密集，对路径规划算法提出了更高的要求。智能轮椅的多传感器融合系统全面感知环境信息，通过基于可信度的数据关联和冲突消解策略，确保了传感器数据的准确融合。在路径规划过程中，算法充分利用融合后的环境信息，提前排除了一些明显不可行的路径区域，如被大型会议桌完全阻挡的区域。通过优化搜索空间，智能轮椅快速规划出一条安全、合理的路径，顺利到达目标座位。在该场景下，路径规划时间平均为0.38秒，避障成功率达到97%，体现了算法在复杂室内场景中的强大适应性和规划能力。6.1.2室外场景测试在室外场景测试中，选择了公园和人行道作为测试场地。在公园场景下，智能轮椅面临着多种复杂地形和环境因素。公园内存在起伏的地形，如小山坡，以及不规则的障碍物，如树木、花坛等，还有动态的行人、自行车等。当智能轮椅遇到小山坡时，传感器融合系统通过激光雷达测量地形的坡度，通过IMU监测轮椅的姿态变化。结合这些信息，路径规划算法根据轮椅的动力性能和稳定性要求，规划出合适的行驶速度和路径。在爬坡过程中，算法实时调整电机输出功率，确保轮椅能够稳定前进，避免出现动力不足或打滑的情况。当检测到前方有树木或花坛等障碍物时，多传感器融合系统准确识别障碍物的位置和形状，路径规划算法迅速规划出绕行路径。在应对动态行人时，智能轮椅通过摄像头和激光雷达实时跟踪行人的位置和运动轨迹，预测行人的行走方向，提前调整路径，保持安全距离。在多次公园场景测试中，智能轮椅的路径规划时间平均为0.45秒，面对各种复杂地形和动态障碍物，避障成功率达到92%，展示了其在复杂室外地形环境下的良好适应能力。在人行道场景中，模拟了城市街道的常见情况，如路面上的井盖、减速带，以及路边停放的车辆、电线杆等障碍物，还有大量行人、自行车穿梭。智能轮椅在行驶过程中，通过超声波传感器和摄像头检测路面上的井盖和减速带，提前调整行驶速度，以平稳通过这些区域，减少颠簸对使用者的影响。当遇到路边停放的车辆和电线杆等静态障碍物时，激光雷达和摄像头协同工作，精确感知障碍物的位置和范围，路径规划算法规划出避开障碍物的路径。在应对行人、自行车等动态对象时，智能轮椅利用多传感器融合系统，实时获取其运动信息，结合交通规则和安全距离要求，动态调整路径。在多次人行道场景测试中，智能轮椅的路径规划时间平均为0.42秒，避障成功率达到93%，表明了其在城市街道复杂环境下能够安全、高效地行驶，满足实际出行需求。6.2用户体验反馈与优化6.2.1用户体验调查为了深入了解残障人士使用智能轮椅的实际体验，采用问卷调查和访谈相结合的方式进行用户体验调查。问卷调查共发放100份，回收有效问卷85份。问卷内容涵盖智能轮椅的路径规划性能、舒适性、安全性、操作便捷性等多个方面。在路径规划性能方面，询问用户对路径规划的准确性、及时性以及在复杂环境下的适应性的评价；在舒适性方面，了解用户对轮椅行驶过程中的平稳性、震动感受等方面的反馈；在安全性方面，关注用户对避障功能、紧急制动等安全措施的满意度；在操作便捷性方面，收集用户对人机交互界面、控制方式的意见和建议。访谈了20位残障人士，与他们进行深入交流，了解他们在实际使用智能轮椅过程中的具体感受和遇到的问题。有用户反馈，在室内狭窄空间中，智能轮椅有时会出现路径规划不够灵活的情况，导致通过时比较勉强；还有用户表示，在室外复杂地形上，轮椅的震动较大，影响乘坐舒适性；部分用户提到，人机交互界面的某些操作按钮位置不太合理，操作起来不够方便。通过问卷调查和访谈，全面收集了用户的体验反馈，为后续的优化改进提供了重要依据。6.2.2优化措施针对用户反馈的路径规划灵活性问题，进一步优化路径规划算法。在搜索策略上，引入了更灵活的搜索机制，如双向搜索和启发式搜索相结合的方法。在遇到狭窄空间时，算法从起点和目标点同时进行搜索，增加搜索的方向性和效率，更快地找到可行路径。在