CINgydF4y2Ba 计算智能和神经科学gydF4y2Ba 1687 - 5273gydF4y2Ba 1687 - 5265gydF4y2Ba Hindawi出版公司gydF4y2Ba 10.1155 / 2016/7189267gydF4y2Ba 7189267gydF4y2Ba 研究文章gydF4y2Ba 电动轮椅使用者的驾驶行为模型gydF4y2Ba http://orcid.org/0000 - 0002 - 2266 - 5893gydF4y2Ba 盎扬戈gydF4y2Ba s . O。gydF4y2Ba 1gydF4y2Ba 公共澡堂gydF4y2Ba Y。gydF4y2Ba 1gydF4y2Ba DjouanigydF4y2Ba K。gydF4y2Ba 1gydF4y2Ba DaachigydF4y2Ba B。gydF4y2Ba 2gydF4y2Ba Steyn说gydF4y2Ba N。gydF4y2Ba 1gydF4y2Ba 倪gydF4y2Ba JianjungydF4y2Ba 1gydF4y2Ba F 'SATIgydF4y2Ba 内斯科技大学gydF4y2Ba 私人包箱X680gydF4y2Ba Staatsartillerie路gydF4y2Ba 比勒陀利亚西gydF4y2Ba 比勒陀利亚0001gydF4y2Ba 南非gydF4y2Ba tut.ac.zagydF4y2Ba 2gydF4y2Ba Laboratoire d 'Informatique Avancee·德·圣·德·丹尼斯(LIASD)gydF4y2Ba 巴黎大学8gydF4y2Ba 法国gydF4y2Ba univ-paris8.frgydF4y2Ba 2016年gydF4y2Ba 11gydF4y2Ba 4gydF4y2Ba 2016年gydF4y2Ba 2016年gydF4y2Ba 24gydF4y2Ba 11gydF4y2Ba 2015年gydF4y2Ba 09年gydF4y2Ba 03gydF4y2Ba 2016年gydF4y2Ba 20.gydF4y2Ba 03gydF4y2Ba 2016年gydF4y2Ba 2016年gydF4y2Ba 版权©2016 s . o . Onyango et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

尽管电动轮椅的出现,一些用户仍然经验转向操纵困难和挑战,限制他们的能力有效地导航。对于这样的用户,转向支持和辅助系统可能是非常必要的。欣赏援助,需要辅助控制是适应用户的指导行为。本文对轮椅转向改善造型指导行为的驱动轮椅用户,集成到控制系统中。更准确地说,造型是基于改进的势场(DPF)执导的轨迹规划方法。的方法促进了制定一个简单的行为模式,也在线性参数。获得指导数据进行参数识别,七个人参与推动轮椅在增强平台上在不同的虚拟世界。获得数据的估计用户参数,使用普通最小二乘法和满意的回归分析结果。gydF4y2Ba

 1。介绍gydF4y2Ba

(1)动机。gydF4y2Ba操纵轮椅使用者所经历的困难与帕金森病、多发性硬化症、及相关障碍是本研究的主要动机。这些不利因素复杂化的能力有效地操纵传统操纵杆,即使在相当简单的环境(gydF4y2Ba 1gydF4y2Ba]。据菲尔et al。gydF4y2Ba 2gydF4y2Ba),约40%的用户很难与普通用户界面引导标准的电动轮椅。菲尔等人观察到近50%的受影响的用户组可以帮助更好的控制方法,以补充用户界面和/或支持系统能够适应他们的需求和偏好,是就业。巨大的操纵杆和相关接口的研究包括触觉系统出现了(gydF4y2Ba 3gydF4y2Ba- - - - - -gydF4y2Ba 7gydF4y2Ba),和新的控制模式gydF4y2Ba 8gydF4y2Ba,gydF4y2Ba 9gydF4y2Ba继续发展。然而遭受缺乏个性(可用驱动程序模型gydF4y2Ba 10gydF4y2Ba),主要关注普通用户属性,并假设所有用户响应特定的航行情况下通过类似的一般模式。驱动程序模型采用通用参数,这样几乎没有对应测量来自极端用户和不考虑上下文人类应对刺激的性质。此外,可用的控制和辅助技术很少考虑用户的事实操舵功能退行性条件,如老化,随着时间的推移逐步恶化。轮椅适应用户的最佳指导行为可能简化一般任务和限制转向问题归因于用户的残疾状况恶化。这需要建模和先天的司机的驾驶行为的识别。gydF4y2Ba

(2)背景。gydF4y2Ba尽管存在广泛的信息建模和控制电动轮椅(gydF4y2Ba 11gydF4y2Ba- - - - - -gydF4y2Ba 17gydF4y2Ba),行为建模援助和康复仍然是有限的。事实上,除了[gydF4y2Ba 18gydF4y2Ba- - - - - -gydF4y2Ba 23gydF4y2Ba],作者未能找到更多有关轮椅司机行为模型。研究面积广阔的行为建模已经成为了主要来自汽车领域,航空模拟器和机器人智能(gydF4y2Ba 24gydF4y2Ba,gydF4y2Ba 25gydF4y2Ba]。现有的配方在这些领域已经逐步修改从线性经验模型,希望找到通用模型,代表了运营商的行为(gydF4y2Ba 26gydF4y2Ba- - - - - -gydF4y2Ba 28gydF4y2Ba]。根据(gydF4y2Ba 29日gydF4y2Ba- - - - - -gydF4y2Ba 32gydF4y2Ba],大多数可用的驱动程序模型是定性的,司机的详细解释的感知和车辆处理技术,而另一些则需要详细报告的司机的行为在正常驾驶情况。在文献中常见的定量模型可用代表特定的驾驶任务(gydF4y2Ba 33gydF4y2Ba- - - - - -gydF4y2Ba 36gydF4y2Ba]。自适应和全面控制的驾驶行为模型,然而,很少gydF4y2Ba 37gydF4y2Ba,gydF4y2Ba 38gydF4y2Ba]。gydF4y2Ba

根据((gydF4y2Ba 39gydF4y2Ba),整个驾驶任务有三个层次的需求,包括战略层面、战术层面,和控制水平。每个级别包括司机、轮椅和环境。这三个元素不断交互,每个州的车辆可以与这种交互gydF4y2Ba 18gydF4y2Ba]。驾驶任务风险规避和操舵速度测定因此完全取决于三个要素。然而,自适应行为执行驾驶环境中非常偏好的驱动控制,使司机驾驶任务中的一个非常重要的元素。gydF4y2Ba

在文献中,介绍了汽车模型的层次结构的技能基础,基于规则的,和基于知识的行为(gydF4y2Ba 40gydF4y2Ba]。然而,很难验证这种知觉过程的定性模型的贡献和神经活动,在实际驾驶任务的执行。Pilutti和Galip Ulsoy [gydF4y2Ba 41gydF4y2Ba)因此被认为是系统识别方法使用back-box模型与自回归外生结构(ARX)来识别驱动程序模型的参数。陈和Ulsoy [gydF4y2Ba 42gydF4y2Ba]给出了相同的配方方法驱动模型和模型的不确定性,使用实际的驾驶数据捕获从一个普通航空机场驾驶模拟器。然而采用自回归移动平均模型与外源输入(ARMAX)来提高精度,基于ARMAX可以考虑收益率残差接近白噪声参数给定相同的模型较少。系统辨识的方法也被认为是在gydF4y2Ba 10gydF4y2Ba];不过作者没有考虑外源输入的仿射自回归系统,而是获得一个多步模型输出误差准则和现在的一个算法来识别子系统的参数使用可测量的运动数据。虽然黑盒的考虑的系统辨识方法是直接和普遍可用性的数据,作者认为可以找到足够的信息联系司机的行为可感知的上下文环境。gydF4y2Ba

这项研究有助于轮椅司机行为建模通过制定一个简单的转向模型,也是线性的参数。指导模型的复杂性非常有助于判断模型适用于在线,实时适应,或离线,定期或永久的适应。提出了模型的推导是基于演绎推理是从已知的转向操作和系统的可观察到的行为之间的关系,考虑到环境的情况。然而它回避社会事件的考虑发生在司机的思想。为了捕捉的适应性要求司机的控制和战术水平,确定的参数。指导数据从增强虚拟现实的轮椅获得平台,称为虚拟空间1(第1)FSATI (FSATI缩写法国生于理工学院)在图坦卡蒙(图坦卡蒙内斯科技大学的缩写)。(gydF4y2Ba 43gydF4y2Ba),是利用模型参数的识别。然后使用所确定的参数曲线拟和模型对观测数据进行比较。gydF4y2Ba

提出了转向模型可用于轮椅适应用户的指导行为根据图gydF4y2Ba 1gydF4y2Ba。由于其简单性和线性,该模型自校正自适应控制,适用于轮椅观察前面的行为和self-tune参数以适应观察。gydF4y2Ba

轮椅的控制图与集成的驾驶行为模型和意图检测模型。gydF4y2Ba

本文组织如下。部分gydF4y2Ba 1gydF4y2Ba介绍了引进的行为的动机和背景建模,考虑到所涉及的交互元素指导任务的完成。部分gydF4y2Ba 2gydF4y2Ba提出了一些以前的方法被认为是在特定的驱动程序控制模型的推导包括可用的轮椅的驾驶行为模型。节gydF4y2Ba 3gydF4y2Ba模拟器评估和总结实验获得必要的指导数据驱动程序识别。司机的行为模型gydF4y2Ba 4gydF4y2Ba,而模型的统计分析和对比观测数据进行了部分gydF4y2Ba 5gydF4y2Ba。最后,结论和未来提出了部分建议gydF4y2Ba 6gydF4y2Ba和gydF4y2Ba 7gydF4y2Ba,分别。gydF4y2Ba

 2。相关的路径规划模型和司机改编文学作品gydF4y2Ba

开车从一个目的地的最优路径是构思。这需要仔细考虑整个工作区。基于概念相关的约束条件,实现提前完全旅程出发前或部分在概念上的细分部分工作区,在驾驶过程中。路径规划的机器人自动化已经通过深思熟虑的和被动的规划者。深思熟虑的计划包括细胞分解,路线图,进化算法确保之前的整个旅行计划。然而,他们需要昂贵的计算,在高维配置限制其实际应用。深思熟虑的规划者,因此,一般应用于无人地面车辆在密闭的环境中。相反,当地规划者提供廉价的轨迹规划算法,基于传感器信息捕获来自周围的地方。当地规划确保更快和环境信息的实时更新,以及活性反应的刺激。因此,它们通常旨在确保司机和车辆的安全性和稳定性。 Nonetheless, the paths obtained from these approaches may not be optimal, and the vehicle could be trapped into local minima. This makes the application of local planners to unmanned mobile systems inefficient without deliberate planners. Both deliberate and reactive planners still command significant influence in the literature. However, the current focus is aimed mainly at integrating deliberate and reactive planners into unified structures, to overcome the drawback of individual planners. This explains the current increase in hybrid planners [ 44gydF4y2Ba]。gydF4y2Ba

尽管轮椅转向还包括故意和地方规划,实际控制或指导行为的用户可以被认为是当地的。这是特点是被动的适应用户执行,以应对潜在风险和不受欢迎的情况。因此,当地规划者可以被认为是在制定的轮椅司机的驾驶行为。此外,司机的出现消除了常见的限制当地的规划者,是他/她个人可用来解决nonoptimality和全球(局部最小值和陷阱的情况下)的问题。常见的地方规划者在文学包括近似图,动态的窗口,速度障碍,势场方法。的强度近似图是基于执行的情况分析系统选择新方向的运动,降低了局部最小值。动态窗口和速度障碍的方法在系统的运作速度空间,承认所有允许停止没有碰撞速度。然而,他们是计算密集型的,只有1.0 m / s与动态窗口的方法根据取得的(gydF4y2Ba 45gydF4y2Ba]。速度障碍的方法还需要完成其他代理的知识环境,包括未来的动力。除此之外,他们的分析解决方案的实现更加困难和环境不确定性和嘈杂的数据从代理(gydF4y2Ba 46gydF4y2Ba]。另一方面,势场方法是“优雅”和兼容大多数实时解决问题工具以最小的计算要求。gydF4y2Ba

2.1。势场方法gydF4y2Ba

人工势场(APF)方法,因此,考虑在这个研究。APF方法分配的势函数(gydF4y2Ba 1gydF4y2Ba)在配置空间,代表作为一个吸引子和障碍作为反射极目标。势场函数表示gydF4y2Ba UgydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba tgydF4y2Ba 被定义为的和有吸引力的潜力gydF4y2Ba UgydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba tgydF4y2Ba 和排斥潜在gydF4y2Ba UgydF4y2Ba rgydF4y2Ba egydF4y2Ba pgydF4y2Ba 。力函数可以通过计算得到负的积分gydF4y2Ba UgydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba tgydF4y2Ba :gydF4y2Ba (1)gydF4y2Ba UgydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba tgydF4y2Ba =gydF4y2Ba UgydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba tgydF4y2Ba +gydF4y2Ba UgydF4y2Ba rgydF4y2Ba egydF4y2Ba pgydF4y2Ba 。gydF4y2Ba

2.1.1。有吸引力的潜在gydF4y2Ba

吸引力是,通常,仅仅代表了实现其最低预期目标(gydF4y2Ba 47gydF4y2Ba- - - - - -gydF4y2Ba 49gydF4y2Ba]。然而,由于司机总是可用,在轮椅转向提供驱动力的目标,传统的哈提卜的gydF4y2Ba 47gydF4y2Ba)有吸引力的潜在可能不必要的轮椅转向行为模型。gydF4y2Ba

 2.1.2。排斥位能gydF4y2Ba

的排斥位能通常被认为是与障碍物距离的平方反比关系gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba 。在文献中,常用来表达以下表示反感的潜力。gydF4y2Ba

最小距离表示。gydF4y2Ba这里,斥力计算障碍之间的最小距离和车辆在时间gydF4y2Ba kgydF4y2Ba :gydF4y2Ba (2)gydF4y2Ba FgydF4y2Ba rgydF4y2Ba egydF4y2Ba pgydF4y2Ba kgydF4y2Ba =gydF4y2Ba kgydF4y2Ba ogydF4y2Ba 1gydF4y2Ba 最小值gydF4y2Ba ⁡gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba kgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba kgydF4y2Ba ogydF4y2Ba 是一个积极的常数尺度排斥位能,gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba (gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba )gydF4y2Ba 车辆位置之间的距离吗gydF4y2Ba 问gydF4y2Ba 和障碍的位置gydF4y2Ba 问gydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

多个距离表示gydF4y2Ba。在这里,几gydF4y2Ba 我gydF4y2Ba 等距点选择障碍,排斥力针对车辆在每一次即时计算gydF4y2Ba kgydF4y2Ba 根据以下表达式:gydF4y2Ba (3)gydF4y2Ba FgydF4y2Ba rgydF4y2Ba egydF4y2Ba pgydF4y2Ba kgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba kgydF4y2Ba ogydF4y2Ba 1gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

表示与限制影响半径。gydF4y2BaLatombe [gydF4y2Ba 50gydF4y2Ba)提出了一个调整传统的排斥位能通过限制的半径的影响gydF4y2Ba ρgydF4y2Ba 0gydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 的障碍。这就消除了不必要的障碍时对车辆的影响gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 我gydF4y2Ba 是大到足以允许安全通道:gydF4y2Ba (4)gydF4y2Ba UgydF4y2Ba rgydF4y2Ba egydF4y2Ba pgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba kgydF4y2Ba ogydF4y2Ba 1gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ρgydF4y2Ba 0gydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba ≤gydF4y2Ba ρgydF4y2Ba 0gydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 0gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba >gydF4y2Ba ρgydF4y2Ba 0gydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

导演势场(DPF)。gydF4y2Ba提出的方法Taychouri et al。gydF4y2Ba 51gydF4y2Ba的特殊利益团体。除了使用距离表示,考虑到障碍物的位置和方向的运动,它还分配最大排斥位能当车辆正在直接向障碍和微不足道的潜在障碍是在直角的方向运动。由于它的力量和巧妙的简单,这个配方是代表司机的行为的主观风险函数在指导:gydF4y2Ba (5)gydF4y2Ba FgydF4y2Ba rgydF4y2Ba egydF4y2Ba pgydF4y2Ba kgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba NgydF4y2Ba kgydF4y2Ba ogydF4y2Ba 因为gydF4y2Ba ⁡gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba 在(gydF4y2Ba 5gydF4y2Ba),gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba 点之间的角度吗gydF4y2Ba 我gydF4y2Ba 运动障碍和方向的车辆,gydF4y2Ba 米gydF4y2Ba 是一个常数。gydF4y2Ba

不满的主要原因,看到几个修改势场方法(gydF4y2Ba 52gydF4y2Ba,gydF4y2Ba 53gydF4y2Ba包括局部最小值的可用性和陷阱的情况(gydF4y2Ba 54gydF4y2Ba],nonoptimality问题,和附近的目标nonreachable障碍(GNRON)。最近的一些APF的修改,提出了包括进化的人工势场(EAPF)方法(gydF4y2Ba 55gydF4y2Ba],它集成了APF方法和遗传算法,得出一个最优势场函数确保全局规划没有局部最小值。EAPF模型使用两种多目标进化算法(MOEA)来确定最优的势场函数和逃逸力算法来避免局部最小值。在[gydF4y2Ba 53gydF4y2Ba),并行进化的人工势场的概念(PEAPF)介绍了作为一种新的路径规划方法在移动机器人导航。PEAPF EAPF早些时候提高了方法,使车辆的可控性与动态障碍可能在真实场景中。最近的细菌进化算法(BEA) [gydF4y2Ba 56gydF4y2Ba与PEAPF]也比较紧密,引入一个增强灵活计划改善EAPF方法。虽然这些都解决了APF的缺点,这些修改的逻辑考虑关于实时应用程序,在大多数情况下,是不现实的,因为由此产生的模型包括昂贵的计算步骤gydF4y2Ba 57gydF4y2Ba]。gydF4y2Ba

重要的考虑方法的选择,对轮椅驱动程序,包括功能,增强他们adaptational当地环境中的行为。这是因为,与机器人,司机总是在轮椅转向解决全球性问题。作者因此认为,全球计划为代价的计算简单可能构成价值权衡尤其是对实时应用程序。考虑的特点被认为在这项研究中包括计算复杂度、路径平滑,上下文可伸缩性、方向性,在复杂的环境和处理能力。gydF4y2Ba

计算复杂度gydF4y2Ba。控制模型的实现在实时应用程序会强烈影响时间计算所需的控制信号产生可行的路径和速度。根据(gydF4y2Ba 57gydF4y2Ba)是更适合快速路径规划比感知车辆实时应用程序,只有学习其工作区记住各种标准路径。有限的控制行为只包含可感知的工作区可以被认为增加计划的计算速度。gydF4y2Ba

路径平滑。gydF4y2Ba这方面的能力规划师来解释其他代理的动态和静态行为在工作区中没有混蛋为了执行自适应控制。规划师的响应速度和转向信号的大小计算是非常重要的在确定的质量产生的路径。驱动程序模型平滑计划能力可以帮助残疾轮椅使用者的援助的手颤抖和认知障碍。gydF4y2Ba

上下文的可伸缩性gydF4y2Ba。是很重要的,只有代理商的行为影响驾驶员的主观风险考虑在内。按比例缩小整个工作区,例如,有预见性的包围的区域半径和进一步的一个较小的区域包括司机的视野、可以减少分析的复杂性,提高控制质量。gydF4y2Ba

方向性gydF4y2Ba。这个问题的影响对司机由于代理的位置和车辆的运动的方向。指导模型增强平滑变化的传感器信号,因此影响生成的路径的质量。gydF4y2Ba

在复杂的环境中处理能力gydF4y2Ba。处理能力计划的计算速度和能力考虑其他代理的配置空间的动态行为。gydF4y2Ba

表gydF4y2Ba 1gydF4y2Ba比较了一些最近的势场方法的特点提出DPF。gydF4y2Ba

比较基于势场的修改公式的适用性转向轮椅使用者的行为。gydF4y2Ba

APFgydF4y2Ba EAPFgydF4y2Ba PEAPFgydF4y2Ba 带通滤波器gydF4y2Ba DPFgydF4y2Ba
光滑的计划gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba
地方规划gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba
全球计划gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba
复杂的环境gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba
高度可伸缩gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba ✓gydF4y2Ba
方向性gydF4y2Ba ✓gydF4y2Ba
分钟计算一次gydF4y2Ba ✓gydF4y2Ba
2.2。可用的轮椅驱动模型在文学gydF4y2Ba

大多数轮椅驱动模型在文献中涉及检测用户的意图的旅行的方向而不是适应轮椅用户的驾驶行为。在[gydF4y2Ba 58gydF4y2Ba,gydF4y2Ba 59gydF4y2Ba),例如,一个智能决策代理人提出为当地司机的意图检测在不确定环境中基于部分可观测马尔可夫决策过程(POMDP)。使用相同的方法,一个全球性的意图识别模型给出了在gydF4y2Ba 60gydF4y2Ba为自主轮椅导航)。除此之外,多假设的方法被认为是在gydF4y2Ba 61年gydF4y2Ba,gydF4y2Ba 62年gydF4y2Ba)预测司机的意图,提供协同控制,通过调整转向信号,以避免导航期间观察到的风险。使用贝叶斯网络进行用户意图识别和估计的不确定性在用户的意图也被认为是gydF4y2Ba 19gydF4y2Ba,gydF4y2Ba 20.gydF4y2Ba,gydF4y2Ba 63年gydF4y2Ba,gydF4y2Ba 64年gydF4y2Ba]。这些贝叶斯网络方法制定的目的方向导航期间用户在线。虽然涉及的不确定性考虑,这样的模型不包含适应需求的驱动轮椅。gydF4y2Ba

除了目的检测模型,一种过滤方法,假定一个有经验的参考驱动程序来消除用户障碍被认为是在gydF4y2Ba 22gydF4y2Ba),而面向任务模型,生成自治行为在不同层次上提出了(gydF4y2Ba 65年gydF4y2Ba- - - - - -gydF4y2Ba 70年gydF4y2Ba]。面向任务的模型可能分配司机或多或少控制根据上下文需要在某种程度上,使轮椅执行自主任务没有司机的输入在另一个层面。然而,在这两种情况下产生的行为可能不能代表实际的指导用户的偏好。gydF4y2Ba

轮椅司机行为的反应模型,可用于轮椅转向适应用户的行为提出的(gydF4y2Ba 18gydF4y2Ba]。模型推导出的两个力组件:驱动力gydF4y2Ba FgydF4y2Ba dgydF4y2Ba (gydF4y2Ba 6gydF4y2Ba力)和环境或障碍gydF4y2Ba FgydF4y2Ba kgydF4y2Ba (gydF4y2Ba 7gydF4y2Ba):gydF4y2Ba (6)gydF4y2Ba FgydF4y2Ba dgydF4y2Ba =gydF4y2Ba KgydF4y2Ba τgydF4y2Ba VgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba - - - - - -gydF4y2Ba XgydF4y2Ba 年代gydF4y2Ba 一个gydF4y2Ba fgydF4y2Ba XgydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba tgydF4y2Ba egydF4y2Ba - - - - - -gydF4y2Ba VgydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba (7)gydF4y2Ba FgydF4y2Ba kgydF4y2Ba =gydF4y2Ba kgydF4y2Ba ogydF4y2Ba 经验值gydF4y2Ba ⁡gydF4y2Ba - - - - - -gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba BgydF4y2Ba ngydF4y2Ba DgydF4y2Ba vgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba KgydF4y2Ba 重量是常数,gydF4y2Ba τgydF4y2Ba 是司机的放松或反应时间,gydF4y2Ba VgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba 的最大限度是轮椅的速度,gydF4y2Ba XgydF4y2Ba 年代gydF4y2Ba 一个gydF4y2Ba fgydF4y2Ba 安全距离,gydF4y2Ba egydF4y2Ba 是一个单位矢量的方向运动,然后呢gydF4y2Ba XgydF4y2Ba 一个gydF4y2Ba cgydF4y2Ba tgydF4y2Ba 是当前轮椅位置。此外,gydF4y2Ba BgydF4y2Ba 是一个常数,表示范围的排斥力,gydF4y2Ba ngydF4y2Ba 是一个单位矢量的方向移动的障碍,然后呢gydF4y2Ba DgydF4y2Ba vgydF4y2Ba 是方向性的因素。gydF4y2Ba

尽管这个模型是好的,它是非线性的,并不代表一个简单的方法减少影响背后的风险定位或垂直于轮椅的运动的方向。此外,它不是真正的测试数据。gydF4y2Ba

 3所示。实验和操纵数据的采集gydF4y2Ba 3.1。评估打1模拟器gydF4y2Ba

实验获取所需的转向数据进行了打1模拟器(gydF4y2Ba 71年gydF4y2Ba]中描述图gydF4y2Ba 3gydF4y2Ba。平台的基本组成包括可视化界面、运动平台和控制器。虚拟界面呈现给用户同步虚拟世界通过立体显示器(HMD)负责人或通过四个相连的屏幕显示。运动平台,由用户斜坡和一个阶段可以主机电子或手动轮椅,而控制器连锁运动平台及显示装置。辊系统图gydF4y2Ba 2gydF4y2Ba在运动平台上使转动的轮子和轮子的运动映射到虚拟世界中。这是通过滚轴上的力的轮椅和用户的体重。脉冲生成旋转编码器安装在辊使确定的位置,速度和加速度的轮椅在虚拟空间和促进差动驱动的测量运动的驱动车轮直接接触辊旋转。这产生向前或向后翻译在虚拟世界中与角速度相等gydF4y2Ba ωgydF4y2Ba RgydF4y2Ba 和gydF4y2Ba ωgydF4y2Ba lgydF4y2Ba 分别对左右后轮和旋转的翻译gydF4y2Ba ωgydF4y2Ba RgydF4y2Ba ≠gydF4y2Ba ωgydF4y2Ba lgydF4y2Ba 。gydF4y2Ba

辊系统在运动平台上,使车轮的旋转运动和车轮的运动映射到虚拟世界中。gydF4y2Ba

虚拟现实系统1(第1):增强虚拟和运动模拟器在FSATI轮椅模拟。gydF4y2Ba

在图gydF4y2Ba 2gydF4y2Ba动作的力反馈辊(gydF4y2Ba rgydF4y2Ba xgydF4y2Ba 旋转的速度gydF4y2Ba ±gydF4y2Ba ωgydF4y2Ba 。gydF4y2Ba FgydF4y2Ba xgydF4y2Ba 代表一个辊之间的摩擦力和轮子,而变量gydF4y2Ba ωgydF4y2Ba 米gydF4y2Ba 和gydF4y2Ba τgydF4y2Ba 米gydF4y2Ba 代表了致动器的角速度和转矩,分别。滑动力驱动车轮之间的接触点和辊可以模拟误差的主要来源,可能导致不准确的表示的轮椅的动力学模拟。根据(gydF4y2Ba 72年gydF4y2Ba),滑动的定义是轮子的转动速度之间的差异和实际的或轮椅的绝对速度。然而,由于实际的线速度的轮椅在运动平台上是零,之间的理论差异驱动轮的转动速度和辊用于占可能车轮滑转模拟器中的错误。比较车轮的速度和电机的电流与转矩gydF4y2Ba τgydF4y2Ba wgydF4y2Ba 的驱动轮也确定轮椅的不稳定。这涉及到检查的基本属性的理论确定所需的直流电机输出转矩gydF4y2Ba τgydF4y2Ba 米gydF4y2Ba 。不稳定性被认为是如果gydF4y2Ba τgydF4y2Ba 米gydF4y2Ba ≠gydF4y2Ba τgydF4y2Ba wgydF4y2Ba 。在这种情况下,汽车牵引力控制系统的方法(gydF4y2Ba 73年gydF4y2Ba用于稳定。然而,为了避免倒不稳定的轮椅模拟器,紧固带已经使用轮椅的位置。gydF4y2Ba

关于数据采集实验,使用电子轮椅,与原来的嵌入式操纵杆的主要接口。有效地评估参与者的指导行为与一般环境,虚拟世界试图尽可能地代表领域经常遇到的参与者。七个人参与了数据收集。的一些数据收集实验部分中阐述了gydF4y2Ba 3.3gydF4y2Ba- - - - - -gydF4y2Ba 3.5gydF4y2Ba。七个参与者包括女性和六个男性,年龄在26 - 74。虽然没有参与者有退行性残疾条件或震动,三是常规轮椅使用者其余以前未使用轮椅。自己第一次用户必须熟悉这些轮椅在虚拟和真实环境的操舵转向的捕获数据之前可以开始。表gydF4y2Ba 2gydF4y2Ba介绍了参与者的信息。gydF4y2Ba

七个参与者参加了信息转向为数据收集任务。gydF4y2Ba

年龄gydF4y2Ba 性gydF4y2Ba 使用gydF4y2Ba
参与者1gydF4y2Ba 50gydF4y2Ba 男性gydF4y2Ba 从来没有gydF4y2Ba
参与者2gydF4y2Ba 26gydF4y2Ba 男性gydF4y2Ba 从来没有gydF4y2Ba
参与者3gydF4y2Ba 52gydF4y2Ba 男性gydF4y2Ba 常规的gydF4y2Ba
参与者4gydF4y2Ba 60gydF4y2Ba 男性gydF4y2Ba 从来没有gydF4y2Ba
参与者5gydF4y2Ba 74年gydF4y2Ba 男性gydF4y2Ba 常规的gydF4y2Ba
参与者6gydF4y2Ba 30.gydF4y2Ba 女gydF4y2Ba 常规的gydF4y2Ba
参与者7gydF4y2Ba 46gydF4y2Ba 男性gydF4y2Ba 从来没有gydF4y2Ba

5打1平台的理想特征这方面研究指出:(1)它保证参与者的安全;(2)不需要传感器的安装;(3)它让用户感觉同步的音高和辊旋转驱动运动平面和倾斜表面,减少模拟疾病的可能性;(4)实验可以使用真实执行手动或电动轮椅;电气轮椅可以通过使用标准的嵌入式操纵杆或任何其他可用的用户界面;最后(5)虚拟世界(示例数据gydF4y2Ba 4gydF4y2Ba和gydF4y2Ba 8gydF4y2Ba)为用户提供了一个接近的代表一个真正的环境和一种碰撞的声音的感觉。gydF4y2Ba

用户转向轮椅在客厅设置虚拟和现实环境。gydF4y2Ba

尽管上述优势,潜在的有用性运动平台在用户评价只能是可接受的,如果虚拟世界和运动的印象在模拟环境中符合现实世界在某种程度上。一项研究评估参与者的认知程度的存在和比较模拟的可用性的世界与现实世界进行打1 (gydF4y2Ba 71年gydF4y2Ba]。存在的程度评估相比,现实世界的空间存在,参与,现实主义和系统价值;评价结果呈现在图的一部分gydF4y2Ba 5gydF4y2Ba。空间的存在表明参与者承认他们在多大程度上存在实际意义上的环境中,在参与关注系统运动响应用户输入和结果反馈。现实主义所表达的是使用一个真正的轮椅,打1平台的旋转运动,同时系统值代表了运动平台用户认可的程度作为评估援助。根据这项研究,参与者经历75%定向障碍对指导任务,平台使用初评估在现实和虚拟世界。然而,适应在这两种情况下,更快适应率为81%在现实世界和虚拟世界的69%。考虑了任务,参与者观察73%和75%挑战/和模拟现实世界的不确定性,分别。研究中,因此,演示了一个公平的相似性指导经验中观察到在虚拟世界和现实世界。图gydF4y2Ba 4gydF4y2Ba例如,显示了用户捕获而转向轮椅在客厅环境在虚拟和现实世界的评价。gydF4y2Ba

虚拟现实系统1(第1):增强虚拟和运动平台在FSATI轮椅模拟。gydF4y2Ba

程度的存在gydF4y2Ba

比较参与者的体验在真实和虚拟的世界gydF4y2Ba

在大多数模拟器,提示存在的运动平台和虚拟世界之间的冲突由于缺乏平台的线性运动和感觉仿真工艺品(如减少的视野在虚拟世界)必须承认。此外参与者的思想,然而重要的是,一个模拟任务总是被视为一个模拟练习,几乎没有对粗心的行为风险和回报的行为。然而,研究已经证明仿真技术的可行性以及显示仿真结果近似那些通过其他方法(gydF4y2Ba 74年gydF4y2Ba]。作者因此信任的相对有效性打1作为司机的行为充分评估。gydF4y2Ba

 3.2。实验数据捕获行为建模gydF4y2Ba

很明显,圆满成功在造型司机行为需要巨大的信息可能不是完全被单独实验,该平台提供了以下传感器信息利用率。gydF4y2Ba

范围或轮椅和其他对象之间的距离(gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba )。gydF4y2Ba

率范围或轮椅的速度相对于其他对象(gydF4y2Ba νgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba )。gydF4y2Ba

对象的方向从轮椅的位置(gydF4y2Ba ϕgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba )。gydF4y2Ba

轮椅的绝对速度(gydF4y2Ba νgydF4y2Ba kgydF4y2Ba )。gydF4y2Ba

轮椅的偏航角(gydF4y2Ba ϕgydF4y2Ba kgydF4y2Ba )。gydF4y2Ba

此外,打1也有益偏航率,螺旋角和横摇角。gydF4y2Ba

 3.3。实验1gydF4y2Ba

实验1是在“无风险”的环境中进行的。“风险”一词用于这项研究代表对象或代理,司机不会希望引导或接近或碰撞。目标的位置gydF4y2Ba GgydF4y2Ba 1gydF4y2Ba 来gydF4y2Ba GgydF4y2Ba 5gydF4y2Ba 设置4 m远离起点gydF4y2Ba 年代gydF4y2Ba 角度90°60°30°,0°和30°−分别。在每一个行程,参加者是直接开车从位置的5倍gydF4y2Ba 年代gydF4y2Ba (轮椅最初面向gydF4y2Ba GgydF4y2Ba 1gydF4y2Ba )所有的目标。实验过程中观察到的轨迹和速度图所示gydF4y2Ba 6gydF4y2Ba。值得注意的是,政策转向gydF4y2Ba GgydF4y2Ba 1gydF4y2Ba 参与转向陡峭的上升速度比休息。更多的倾斜方向的目标从最初的轮椅位置定位gydF4y2Ba 年代gydF4y2Ba 导致较慢的初始加速度。解释关于这种行为被认为是常识;司机不断感知车辆的瞬时或先行的目标的位置是一个函数的可用转向空间和路径曲率。根据图gydF4y2Ba 6gydF4y2Ba全球目标涉及高度弯曲的路径,高度倾斜的开始旅程,暗示初始瞬时目标和较慢的初始加速度。因此所需的转向速度瞬时的位置相关的目标。此外,参与者更喜欢结盟全球目标(如果可能的话)的初始阶段的旅程。一旦对齐,瞬时的位置目标迅速转向全球目标和陡峭的上升速度是意识到。这是可观察到的模式;然而转移的数量对环境情况是主观的。可能的结论,因此,当地的驾驶速度在无风险的环境中瞬时的位置有直接关系的目标和主要的曲率的影响路径。gydF4y2Ba

轮椅轨迹和速度试验期间观察到1。gydF4y2Ba

 3.4。实验2gydF4y2Ba

第二个实验是一个配置对象放置4 m, 8米,和12 m远离起点在第一,第二,第三,分别。在每一个参与者旅行,建议从起点,开车接近gydF4y2Ba (gydF4y2Ba 0,0gydF4y2Ba )gydF4y2Ba 在图gydF4y2Ba 7gydF4y2Ba,大约15米之外的目标。图gydF4y2Ba 7gydF4y2Ba描绘了轨迹和捕获的速度从一个参与者。可见,尽管与会者偏离从观察到的风险,提供足够的空间在配置使他们选择路径所需的转向速度影响不大。gydF4y2Ba

实验过程中观察到的轮椅轨迹和速度2。gydF4y2Ba

虚拟的客厅环境考虑实验为实验3,围墙没有显示清晰的原因。gydF4y2Ba

 3.5。实验3gydF4y2Ba

第三个实验观察指导行为的参与者在客厅环境中描述的数据gydF4y2Ba 4gydF4y2Ba和gydF4y2Ba 8gydF4y2Ba。在这个实验中,参与者建议开车五倍的目标gydF4y2Ba GgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba GgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba GgydF4y2Ba 3gydF4y2Ba 从起点gydF4y2Ba 年代gydF4y2Ba ,没有速度和路径的限制。有趣的是大多数参与者认为路径和速度图中描述gydF4y2Ba 9gydF4y2Ba分配额外的本地优先级,当地的风险相比,全球目标。它也可能是重要的,要注意,参与者更喜欢长安全路径相对于短风险路径;本例中的“级风险”是由数量转向精度要求避免碰撞。在位置A, B, C, D,明显与家具和减少碰撞的可能性直接转发沿着感知空间弯曲路径迫使参与者观察接近瞬时目标;这相应地导致转向速度的降低各自的点如图gydF4y2Ba 10gydF4y2Ba。gydF4y2Ba

轮椅轨迹观察在实验3。配置空间中的矩形形状代表了客厅家具。gydF4y2Ba

轮椅的速度在实验3在客厅实验观察。gydF4y2Ba

 4所示。司机的行为建模gydF4y2Ba

根据gydF4y2Ba 有意的立场gydF4y2Ba策略,丹尼特(gydF4y2Ba 75年gydF4y2Ba)将一个实体(有机体或加工品)视为一个理性的代理人可以调节其选择行动的欲望和信念。丹尼特然后将“行为”定义为一个目标导向的活动的代理只能理解意图或目标分配给代理。造型的驾驶行为,因此,包括定义的许多司机可能需要达到的目标。一般来说,不同的驱动程序演示不同的指导行动和反应在同一环境来达到相同的目的。这些主观行为通常与司机的相关能力的决策(选择)和冒险(欲望)和影响性格,经验,司机状态,任务需求,和环境。适应一个人工制品展览所需的个体特征,考虑到用户可能的发展和动态行为是在两个方面,即:gydF4y2Ba

系统培训。gydF4y2Ba这里,学会通过观察模型随着时间的推移,人类驾驶员执行特定任务的方式。一旦完全学会了一项任务,该模型可以继续学习其他任务。这种方法可以适用于机动车驾驶任务,因为常规性质的机动车驾驶和大多数汽车驾驶任务定义得很好,而且很容易能上演的启发式。然而在轮椅,工作区是非常复杂和未定义,缺乏时间规则执行各种任务。gydF4y2Ba

代表整个驾驶行为理论gydF4y2Ba。这种方法被认为是。所有本地任务执行的司机一起被认为是实现驾驶行为。这种性质的理论的驾驶行为模型最初是有限的范围和可能不完全代表自然的行为被认为是特定或专业。然而,随着时间的推移可以先进密切预测实际驾驶行为。这些理论驱动的模型可能是验证通过比较他们对一些真实数据的输出从人类司机。gydF4y2Ba

4.1。驾驶行为的动态表示gydF4y2Ba

四个主要因素,因此,认为影响轮椅驱动如下。第一个提示用户施加力量在运动开始或继续与实际之间的差异轮椅位置和目标位置(在这种情况下,瞬时的目标)。这个因素是主要的激励元素,教唆司机移动;只要它存在,据悉,轮椅驱动程序应用和持续的驱动力。第二个因素影响的力施加在“尝试”降到最低位置不同。所需的速度,这个因素是相关紧急或平均所需时间由用户完成驾驶任务;通常是一个函数的性格和流行的个人欲望和优先级的司机。第三个因素关注风险评估和涉及用户的驾驶能力和驾驶员的安全环境的意见。所有这些因素同时导致轮椅在运动速度的变化对目标。除此之外,存在三个因素之间的相互关系,用户建立一个主观风险水平,这是超过时,补偿机制被激活。 For instance, this may involve altering the position of the instantaneous goal, which then alters the direction and speed of driving. Finally, it is important to observe that the amount of force exerted is constrained by physical limits of the wheelchair. The local driving velocity νgydF4y2Ba 速度,最大限制轮椅gydF4y2Ba νgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba ,因此被认为是一个函数的目标gydF4y2Ba νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba (gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 和环境情况gydF4y2Ba νgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba (gydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba )gydF4y2Ba 提出了在gydF4y2Ba (8)gydF4y2Ba νgydF4y2Ba =gydF4y2Ba νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba +gydF4y2Ba νgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba ≤gydF4y2Ba νgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba 。gydF4y2Ba

4.2。所需的转向速度gydF4y2Ba

司机通常被认为更喜欢某个常数车速与最小的环境危险因素。期望的速度是一个不同的个体的人格因素。不仅影响工作空间的组成也隐含转向复杂性和用户体验。工作空间的组成介绍风险和安全的一个方面,迫使司机承担一些适应机制以减少感知风险可接受的主观阈值。这样的机制一般当地的行车速度限制在一个安全的最低。讨论在这方面提出了部分gydF4y2Ba 4.3gydF4y2Ba。转向另一方面属于复杂性影响定向排列复杂的演习参与指导任务,包括路径曲率的影响。脱离环境配置带来的风险的影响,从所需的速度,和考虑理想转速的函数指导复杂性导致(gydF4y2Ba 9gydF4y2Ba),所需的速度被认为是一个函数的路径曲率的方向瞬时的目标。在(gydF4y2Ba 9gydF4y2Ba),所需的速度只需要拥有一个可观测变量与操舵系统的关系行为考虑和避免nonquantifiable主观因素的影响,包括用户体验和任务危机:gydF4y2Ba (9)gydF4y2Ba νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 因为gydF4y2Ba pgydF4y2Ba ⁡gydF4y2Ba ϕgydF4y2Ba kgydF4y2Ba - - - - - -gydF4y2Ba ϕgydF4y2Ba kgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba egydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba pgydF4y2Ba 是一个常数,gydF4y2Ba 年代gydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 是理想的行驶速度,gydF4y2Ba ϕgydF4y2Ba kgydF4y2Ba 轮椅时即时的方向吗gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba 因为gydF4y2Ba pgydF4y2Ba ⁡gydF4y2Ba ϕgydF4y2Ba kgydF4y2Ba - - - - - -gydF4y2Ba ϕgydF4y2Ba kgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 路径曲率的影响在所需的速度。gydF4y2Ba egydF4y2Ba 表达的(gydF4y2Ba 10gydF4y2Ba)是需要速度的方向:gydF4y2Ba (10)gydF4y2Ba egydF4y2Ba =gydF4y2Ba 问gydF4y2Ba lgydF4y2Ba kgydF4y2Ba - - - - - -gydF4y2Ba 问gydF4y2Ba kgydF4y2Ba 问gydF4y2Ba lgydF4y2Ba kgydF4y2Ba - - - - - -gydF4y2Ba 问gydF4y2Ba kgydF4y2Ba 。gydF4y2Ba 在(gydF4y2Ba 10gydF4y2Ba),gydF4y2Ba 问gydF4y2Ba lgydF4y2Ba kgydF4y2Ba 是瞬时的位置的目标,而gydF4y2Ba 问gydF4y2Ba kgydF4y2Ba 轮椅的瞬时位置。gydF4y2Ba

 4.3。风险和用户适应机制的影响gydF4y2Ba

碰撞、威胁回避和洪反应构成了司机的基本行为。事实上,在大多数情况下,轮椅驱动程序的能力评估是基于在指导的能力,避免威胁和碰撞。除此之外,常见的轮椅事故,导致严重的轮椅的损害和伤害司机可以与碰撞。因此,避碰是基本安全的轮椅和用户。司机通常假定常数阈值和安全风险利润,他们寻求指导期间观察附近的危险。当超过这样的阈值时,某些risk-compensating机制启动风险降到最低水平。在泰勒的risk-speed补偿模式gydF4y2Ba 76年gydF4y2Ba),可以看出司机调节他们的车速按照感知风险的大小,这样大的大小导致速度慢。为了适应轮椅这种行为和消除常见的变化司机的注意力水平,适当的风险检测系统需要建立在轮椅上。提出了以下两个假设为主要适应引用通常假定的司机把轮椅的限制范围内安全:gydF4y2Ba

Time-to-risk(竞技场队伍)。gydF4y2Ba

Distance-to-risk (DTR)。gydF4y2Ba

风险是一个函数的时候联系轮椅的距离和速度的风险对风险的旅行。考虑自然意味着竞技场队伍轮椅可以达到或接近危险的对象以非常低的速度。另一方面,DTR意味着司机将风险保持一个舒适的距离。表达式(gydF4y2Ba 11gydF4y2Ba)被认为代表了司机的回避行为附近的风险:gydF4y2Ba (11)gydF4y2Ba νgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba kgydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba 因为gydF4y2Ba 米gydF4y2Ba ⁡gydF4y2Ba ϕgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba ϕgydF4y2Ba kgydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba NgydF4y2Ba 是常数,gydF4y2Ba ϕgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 我gydF4y2Ba 点的瞬时方向吗gydF4y2Ba 我gydF4y2Ba 的风险从轮椅的位置,gydF4y2Ba ϕgydF4y2Ba kgydF4y2Ba 在时间即时轮椅方向吗gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba 是假定用户适应机制。图gydF4y2Ba 11gydF4y2Ba描述的变化(gydF4y2Ba 11gydF4y2Ba)对不同位置和方向的风险在工作区中,与DTR假定为主要适应参考。的力量(gydF4y2Ba 11gydF4y2Ba)是基于方面的视野内,只有风险影响驾驶的行为。风险考虑,针对观众有更大的影响力相比视为倾斜和更远。,因此,天平的工作空间较小的可行的领域来考虑。两个(gydF4y2Ba 9gydF4y2Ba)和(gydF4y2Ba 11gydF4y2Ba),模型被认为代表了司机的行为是由当地的上下文gydF4y2Ba (12)gydF4y2Ba νgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba νgydF4y2Ba kgydF4y2Ba +gydF4y2Ba kgydF4y2Ba νgydF4y2Ba νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba - - - - - -gydF4y2Ba νgydF4y2Ba kgydF4y2Ba - - - - - -gydF4y2Ba kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba 因为gydF4y2Ba 米gydF4y2Ba ⁡gydF4y2Ba ϕgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba ϕgydF4y2Ba kgydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

风险的情况下对轮椅转向的影响gydF4y2Ba 米gydF4y2Ba 和gydF4y2Ba ngydF4y2Ba = 2和distance-to-riskgydF4y2Ba dgydF4y2Ba rgydF4y2Ba 我gydF4y2Ba 年代gydF4y2Ba kgydF4y2Ba 视为主要的用户适应参考。gydF4y2Ba

 5。模拟、结果和讨论gydF4y2Ba 5.1。参数识别和适应机制gydF4y2Ba

司机的行为提出的参数的线性模型考虑了普通最小二乘法的参数的识别。此外,移动平均滤波器的跨度20用于平滑捕获的数据。模型的回归分析的结果提出了第一个表gydF4y2Ba 3gydF4y2Ba,DTR标准提出了(gydF4y2Ba 13gydF4y2Ba)被认为是作为主要的适应机制采用的参与者为避免碰撞风险,也在表gydF4y2Ba 4gydF4y2Ba,在竞技场队伍(gydF4y2Ba 14gydF4y2Ba)是主要的适应机制:gydF4y2Ba (13)gydF4y2Ba DgydF4y2Ba TgydF4y2Ba RgydF4y2Ba kgydF4y2Ba =gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba kgydF4y2Ba jgydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba (14)gydF4y2Ba TgydF4y2Ba TgydF4y2Ba RgydF4y2Ba kgydF4y2Ba =gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba νgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba kgydF4y2Ba jgydF4y2Ba νgydF4y2Ba kgydF4y2Ba jgydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba jgydF4y2Ba 。gydF4y2Ba 在(gydF4y2Ba 13gydF4y2Ba)和(gydF4y2Ba 14gydF4y2Ba),gydF4y2Ba ρgydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba kgydF4y2Ba =gydF4y2Ba 问gydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba 问gydF4y2Ba kgydF4y2Ba 瞬时风险位置之间的距离吗gydF4y2Ba 问gydF4y2Ba ogydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 和轮椅的位置gydF4y2Ba 问gydF4y2Ba kgydF4y2Ba ,而gydF4y2Ba νgydF4y2Ba kgydF4y2Ba 轮椅上的瞬时速度。gydF4y2Ba

统计分析模型的DTR是适应机制。表示常量代表一对导致确定系数最高。gydF4y2Ba

pgydF4y2Ba 参数gydF4y2Ba Std.错误gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba tgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba Max。Dev。gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba
参与者1gydF4y2Ba
2gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 0.0023296gydF4y2Ba 0.0000493gydF4y2Ba 2.12%gydF4y2Ba 0.021145gydF4y2Ba 0.0066778gydF4y2Ba 0.9998727gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0000607gydF4y2Ba 0.0000042gydF4y2Ba 6.92%gydF4y2Ba 0.069456gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 2.1620485gydF4y2Ba 0.0000664gydF4y2Ba 0.003%gydF4y2Ba 0.000031gydF4y2Ba
参与者2gydF4y2Ba
1gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 0.0013058gydF4y2Ba 0.0000457gydF4y2Ba 3.50%gydF4y2Ba 0.034998gydF4y2Ba 0.0044821gydF4y2Ba 0.9998751gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0000168gydF4y2Ba 0.0000050gydF4y2Ba 29.8%gydF4y2Ba 0.297619gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 3.1936471gydF4y2Ba 0.0000572gydF4y2Ba 0.002%gydF4y2Ba 1.791gydF4y2Ba egydF4y2Ba−5gydF4y2Ba
参与者3gydF4y2Ba
2gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 0.0016111gydF4y2Ba 0.0000638gydF4y2Ba 3.96%gydF4y2Ba 0.039600gydF4y2Ba 0.0282700gydF4y2Ba 0.9998215gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0001812gydF4y2Ba 0.0000042gydF4y2Ba 2.32%gydF4y2Ba 0.023179gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 2.9748170gydF4y2Ba 0.0000809gydF4y2Ba 0.003%gydF4y2Ba 2.720gydF4y2Ba egydF4y2Ba−5gydF4y2Ba
参与者4gydF4y2Ba
1gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 0.0022988gydF4y2Ba 0.0000481gydF4y2Ba 2.10%gydF4y2Ba 0.020924gydF4y2Ba 0.0096421gydF4y2Ba 0.9998336gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0001566gydF4y2Ba 0.0000041gydF4y2Ba 2.62%gydF4y2Ba 0.026181gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 1.5590495gydF4y2Ba 0.0000483gydF4y2Ba 0.003%gydF4y2Ba 3.098gydF4y2Ba egydF4y2Ba−5gydF4y2Ba
参与者5gydF4y2Ba
1gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 0.0011705gydF4y2Ba 0.0000330gydF4y2Ba 2.82%gydF4y2Ba 0.028193gydF4y2Ba 0.0048858gydF4y2Ba 0.9999171gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0000525gydF4y2Ba 0.0000024gydF4y2Ba 4.57%gydF4y2Ba 0.045714gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 2.3263703gydF4y2Ba 0.0000322gydF4y2Ba 0.001%gydF4y2Ba 1.384gydF4y2Ba egydF4y2Ba−5gydF4y2Ba
参与者6gydF4y2Ba
2gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 0.0033319gydF4y2Ba 0.0003469gydF4y2Ba 10.4%gydF4y2Ba 0.104115gydF4y2Ba 0.0288915gydF4y2Ba 0.9992932gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0002114gydF4y2Ba 0.0000097gydF4y2Ba 4.59%gydF4y2Ba 0.045885gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 2.0650043gydF4y2Ba 0.0003439gydF4y2Ba 0.017%gydF4y2Ba 1.665gydF4y2Ba egydF4y2Ba−4gydF4y2Ba
参与者7gydF4y2Ba
2gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 0.0007837gydF4y2Ba 0.0000496gydF4y2Ba 6.33%gydF4y2Ba 0.063290gydF4y2Ba 0.0108345gydF4y2Ba 0.9998355gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0001583gydF4y2Ba 0.0000048gydF4y2Ba 3.03%gydF4y2Ba 0.030322gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 5.5191529gydF4y2Ba 0.0000688gydF4y2Ba 0.001%gydF4y2Ba 1.247gydF4y2Ba egydF4y2Ba−5gydF4y2Ba

统计分析模型的竞技场队伍是相同的适应机制和常量的表gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

pgydF4y2Ba 参数gydF4y2Ba Std.错误gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba tgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba Max。Dev。gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba
参与者1gydF4y2Ba
2gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 0.0022305gydF4y2Ba 0.0000508gydF4y2Ba 2.28%gydF4y2Ba 0.022775gydF4y2Ba 0.0051076gydF4y2Ba 0.9998726gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0000116gydF4y2Ba 0.0000024gydF4y2Ba 20.7%gydF4y2Ba 0.206897gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 2.1419324gydF4y2Ba 0.0000642gydF4y2Ba 0.003%gydF4y2Ba 2.997gydF4y2Ba egydF4y2Ba−5gydF4y2Ba
参与者2gydF4y2Ba
1gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 0.0012839gydF4y2Ba 0.0000472gydF4y2Ba 3.68%gydF4y2Ba 0.036763gydF4y2Ba 0.0042400gydF4y2Ba 0.9998751gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0000059gydF4y2Ba 0.0000018gydF4y2Ba 30.51%gydF4y2Ba 0.305085gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 3.2207044gydF4y2Ba 0.0000570gydF4y2Ba 0.002%gydF4y2Ba 1.770gydF4y2Ba egydF4y2Ba−5gydF4y2Ba
参与者3gydF4y2Ba
2gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 0.0011325gydF4y2Ba 0.0000646gydF4y2Ba 5.70%gydF4y2Ba 0.057042gydF4y2Ba 0.0077142gydF4y2Ba 0.9998197gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0000370gydF4y2Ba 0.0000027gydF4y2Ba 7.30%gydF4y2Ba 0.072973gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 3.3136044gydF4y2Ba 0.0000776gydF4y2Ba 0.002%gydF4y2Ba 2.342gydF4y2Ba egydF4y2Ba−5gydF4y2Ba
参与者4gydF4y2Ba
1gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 0.0017910gydF4y2Ba 0.0000473gydF4y2Ba 2.64%gydF4y2Ba 0.026410gydF4y2Ba 0.0053594gydF4y2Ba 0.9998327gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0000718gydF4y2Ba 0.0000043gydF4y2Ba 5.99%gydF4y2Ba 0.059889gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 1.5635212gydF4y2Ba 0.0000435gydF4y2Ba 0.003%gydF4y2Ba 2.782gydF4y2Ba egydF4y2Ba−5gydF4y2Ba
参与者5gydF4y2Ba
1gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 0.0010542gydF4y2Ba 0.0000339gydF4y2Ba 3.22%gydF4y2Ba 0.032157gydF4y2Ba 0.0042527gydF4y2Ba 0.9999171gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0000403gydF4y2Ba 0.0000018gydF4y2Ba 4.47%gydF4y2Ba 0.044665gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 2.4670341gydF4y2Ba 0.0000319gydF4y2Ba 0.001%gydF4y2Ba 1.293gydF4y2Ba egydF4y2Ba−05gydF4y2Ba
参与者6gydF4y2Ba
2gydF4y2Ba kgydF4y2Ba νgydF4y2Ba −0.001482gydF4y2Ba 0.0004203gydF4y2Ba −28.4%gydF4y2Ba −0.28360gydF4y2Ba 0.0274354gydF4y2Ba 0.9992838gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0002261gydF4y2Ba 0.0000146gydF4y2Ba 6.46%gydF4y2Ba 0.064573gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba −1.513273gydF4y2Ba 0.0002957gydF4y2Ba −0.02%gydF4y2Ba −1.95gydF4y2Ba egydF4y2Ba−4gydF4y2Ba
参与者7gydF4y2Ba
2gydF4y2Ba kgydF4y2Ba νgydF4y2Ba −0.000199gydF4y2Ba 0.0000442gydF4y2Ba −22.2%gydF4y2Ba −0.22211gydF4y2Ba 0.0059510gydF4y2Ba 0.9998381gydF4y2Ba
kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 0.0000659gydF4y2Ba 0.0000031gydF4y2Ba 4.70%gydF4y2Ba 0.047041gydF4y2Ba
νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba −13.54669gydF4y2Ba 0.0000522gydF4y2Ba −0.00%gydF4y2Ba −3.85gydF4y2Ba egydF4y2Ba−6gydF4y2Ba

表gydF4y2Ba 3gydF4y2Ba包含模型常数gydF4y2Ba pgydF4y2Ba 确定参数值,标准误差值和百分比,gydF4y2Ba tgydF4y2Ba 统计,最大偏差之间的拟合观测数据,和系数的测定分析的七个参与者。常数的优化值gydF4y2Ba 米gydF4y2Ba 和gydF4y2Ba ngydF4y2Ba 在识别过程中使用gydF4y2Ba 4gydF4y2Ba 和gydF4y2Ba 2gydF4y2Ba ,分别。这些值代表一对导致最高系数的确定对于大多数参与者。在图gydF4y2Ba 11gydF4y2Ba常数的值gydF4y2Ba 米gydF4y2Ba 定义的形状轮廓风险具有相同大小的影响;更高的值表示司机少担忧扭曲风险与风险感知或接近轮椅的方向。指的是(gydF4y2Ba 11gydF4y2Ba),gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 结果在一个圆形的轮廓,而高值(gydF4y2Ba 米gydF4y2Ba >gydF4y2Ba 1gydF4y2Ba )产生椭圆轮廓的形状。高价值的常数gydF4y2Ba 米gydF4y2Ba 认为在识别过程中因此代表方风险的降低影响参与者的指导行为。常数gydF4y2Ba ngydF4y2Ba 另一方面决定了风险的大小影响的基础上,假定适应机制。更高的价值暗示影响的大小内观察到的风险是相当高的亲密的邻居,邻居的微不足道的外面。gydF4y2Ba

在参数辨识中,导航数据超过80000每个参与者的数据集,从先前的指导实验,获得收集和利用。获取的数据,85%是用于参数识别,确保观测参数代表的自然行为的参与者,而只有15%用于曲线拟合验证。的观测值gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba 在表gydF4y2Ba 3gydF4y2Ba演示如何复制收集到的数据模型。此外,结果的绝对值gydF4y2Ba tgydF4y2Ba 统计数据建立行为模型中的系数确定的意义。值得注意的是,更高的值gydF4y2Ba tgydF4y2Ba 统计数据对应gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 相比gydF4y2Ba kgydF4y2Ba egydF4y2Ba ngydF4y2Ba vgydF4y2Ba 得到,这表明所需的强大影响速度相比风险回避,这可能影响驾驶员的主观目标达到危机期间指导实验。的可变性gydF4y2Ba νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 从一个参与者另还演示了识别个人的驾驶行为的重要性,因为不同的司机喜欢特定的车速。gydF4y2Ba

类似的结果展示在表gydF4y2Ba 4gydF4y2Ba。相同的常数在表gydF4y2Ba 3gydF4y2Ba也被认为是在比较两者的相关性提出风险适应机制。采用竞技场队伍和观察结果发现是非常接近的表gydF4y2Ba 3gydF4y2Ba。尽管如此,一个人很快就会意识到决心和系数略低gydF4y2Ba tgydF4y2Ba 统计获得竞技场队伍的考虑。此外,获得的参数对参与者6和7可能不能代表实际的行为,因为gydF4y2Ba νgydF4y2Ba dgydF4y2Ba egydF4y2Ba 年代gydF4y2Ba 和gydF4y2Ba kgydF4y2Ba νgydF4y2Ba 是负的。此外,所需的速度获得参与者7似乎不合理。这些可能是由于司机的偏好和适应他们的选择标准。由于轮椅速度慢,司机有信心在制动系统可能只例如观察风险和应用之间的距离瞬间制动距离足够的前碰撞。也许认为竞技场队伍不是观察到如果没有进步速度司机趋于减少威胁,使用竞技场队伍在这种情况下可能会产生观察到的无效的结果。它可能因此得出结论,DTR的考虑主要适应标准轮椅附近的司机采取风险非常符合大多数轮椅驱动程序。gydF4y2Ba

 5.2。轨迹拟合gydF4y2Ba

由于空间限制,只有两个随机选择的参与者的结果提出了在这一节中验证行为模型。提出了曲线包括模型之间的比较和捕获数据,观测误差之间的模型和捕获的数据,和轮椅轨迹和操舵速度两个参与者。图gydF4y2Ba 12gydF4y2Ba描述了观测数据和模型响应之间的关系;它显示了大量的数据用于模型参数的最小二乘估计在桌子上gydF4y2Ba 3gydF4y2Ba为每个参与者。这些常数和参数,有趣的是密切观察模型代表捕获数据。观察到的差异模型和捕获数据呈现在图gydF4y2Ba 13gydF4y2Ba基本上是白噪声。观察到的和生成的轨迹和参与者1的线性速度和参与者7中描述的数据gydF4y2Ba 14gydF4y2Ba和gydF4y2Ba 15gydF4y2Ba,分别。的描述比较模型生成的轨迹和线速度与相应的轨迹和线速度观测数据的真实数据gydF4y2Ba 14gydF4y2Ba和gydF4y2Ba 15gydF4y2Ba展示良好的模型和实际行为之间的通信。gydF4y2Ba

捕获的线速度和模型响应参与者1和7。gydF4y2Ba

捕获的线速度和模型响应参与者1和7。gydF4y2Ba

观察到的轨迹和参与者1的线性速度。gydF4y2Ba

观察参与者7的轨迹和线速度。gydF4y2Ba

 5.3。比较与伊玛目et al。(< xref ref-type =“bibr”掉= " B24 " > < / xref > 18]的驾驶行为模型gydF4y2Ba

之间的曲线拟合的比较提出了模型和伊玛目等的模型(gydF4y2Ba 18gydF4y2Ba)也呈现在图gydF4y2Ba 16gydF4y2Ba。参与者1(第二轨迹呈现在图gydF4y2Ba 14gydF4y2Ba)用于比较,DTR的适应条件。值得注意的是,提出了模型性能更好,非常贴身而伊玛目et al。模型。此外,表gydF4y2Ba 5gydF4y2Ba还介绍了估计参数值,标准误差,gydF4y2Ba tgydF4y2Ba 统计,最大偏差,gydF4y2Ba rgydF4y2Ba 平方伊玛目et al。模型对七个参与者。对比回归分析表gydF4y2Ba 3gydF4y2Ba分析表gydF4y2Ba 5gydF4y2Ba,很显然相对较高标准误差和最大偏差,提出了线性模型仍然表现更好。此外,一些在识别得到了负的参数值。gydF4y2Ba

获得的回归参数与伊玛目等的模型。gydF4y2Ba

参数。价值gydF4y2Ba Std.错误gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba tgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba tgydF4y2Ba Max。Dev。gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba
参与者1gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba −0.00097gydF4y2Ba 0.00033gydF4y2Ba −34.184%gydF4y2Ba −0.3418gydF4y2Ba 0.39777gydF4y2Ba 0.99258gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba −0.99680gydF4y2Ba 0.00074gydF4y2Ba −0.0744%gydF4y2Ba −7.44gydF4y2Ba egydF4y2Ba−4gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 0.002372gydF4y2Ba 0.00132gydF4y2Ba 55.4434%gydF4y2Ba 0.55443gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba 2.666837gydF4y2Ba 0.47865gydF4y2Ba 17.9482%gydF4y2Ba 0.17948gydF4y2Ba
参与者2gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 0.000822gydF4y2Ba 0.00169gydF4y2Ba 2.062gydF4y2Ba egydF4y2Ba2%gydF4y2Ba 2.06227gydF4y2Ba 0.55602gydF4y2Ba 0.99266gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba −0.99650gydF4y2Ba 0.00075gydF4y2Ba −0.0756%gydF4y2Ba −7.56gydF4y2Ba egydF4y2Ba−4gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 0.002030gydF4y2Ba 0.00117gydF4y2Ba 57.8637%gydF4y2Ba 0.57864gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba 2.914947gydF4y2Ba 0.51880gydF4y2Ba 17.7981%gydF4y2Ba 0.17798gydF4y2Ba
参与者3gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 0.007529gydF4y2Ba 0.00099gydF4y2Ba 13.1842%gydF4y2Ba 0.13184gydF4y2Ba 0.36037gydF4y2Ba 0.99245gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba −0.99562gydF4y2Ba 0.00063gydF4y2Ba −0.0629%gydF4y2Ba −6.29gydF4y2Ba egydF4y2Ba−4gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 0.001935gydF4y2Ba 0.00106gydF4y2Ba 54.7612%gydF4y2Ba 0.54761gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba 2.720196gydF4y2Ba 0.51956gydF4y2Ba 19.1000%gydF4y2Ba 0.19100gydF4y2Ba
参与者4gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 5.4794gydF4y2Ba egydF4y2Ba−5gydF4y2Ba 2.577gydF4y2Ba egydF4y2Ba−5gydF4y2Ba 47.0383%gydF4y2Ba 0.47038gydF4y2Ba 0.58585gydF4y2Ba 0.99193gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba −0.99611gydF4y2Ba 0.00053gydF4y2Ba −0.0528%gydF4y2Ba −5.28gydF4y2Ba egydF4y2Ba−4gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 0.000754gydF4y2Ba 0.00028gydF4y2Ba 37.4431%gydF4y2Ba 0.37443gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba 3.414773gydF4y2Ba 0.31000gydF4y2Ba 9.07842%gydF4y2Ba 0.09078gydF4y2Ba
参与者5gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 0.001279gydF4y2Ba 0.00086gydF4y2Ba 67.1672%gydF4y2Ba 0.67167gydF4y2Ba 0.29464gydF4y2Ba 0.99237gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba −0.99631gydF4y2Ba 0.00069gydF4y2Ba −0.0693%gydF4y2Ba −6.93gydF4y2Ba egydF4y2Ba−4gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 0.001302gydF4y2Ba 0.00093gydF4y2Ba 71.2194%gydF4y2Ba 0.71219gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba 2.802759gydF4y2Ba 0.61846gydF4y2Ba 22.0662%gydF4y2Ba 0.22066gydF4y2Ba
参与者6gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 0.003097gydF4y2Ba 0.00096gydF4y2Ba 30.9182%gydF4y2Ba 0.30918gydF4y2Ba 0.01506gydF4y2Ba 0.99205gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba −0.99582gydF4y2Ba 0.00063gydF4y2Ba −0.0633%gydF4y2Ba −6.33gydF4y2Ba egydF4y2Ba−4gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba −0.00016gydF4y2Ba 0.00123gydF4y2Ba −7.82gydF4y2Ba egydF4y2Ba2%gydF4y2Ba −7.8198gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba 0.645253gydF4y2Ba 11.9476gydF4y2Ba 1.851gydF4y2Ba egydF4y2Ba3%gydF4y2Ba 18.5161gydF4y2Ba
参与者7gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 0.002894gydF4y2Ba 0.00192gydF4y2Ba 66.2751%gydF4y2Ba 0.66275gydF4y2Ba 0.66898gydF4y2Ba 0.99254gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba −0.99636gydF4y2Ba 0.00071gydF4y2Ba −0.0708%gydF4y2Ba −7.08gydF4y2Ba egydF4y2Ba−4gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 3gydF4y2Ba )gydF4y2Ba 0.001286gydF4y2Ba 0.00064gydF4y2Ba 49.5301%gydF4y2Ba 2.01897gydF4y2Ba
KgydF4y2Ba (gydF4y2Ba 4gydF4y2Ba )gydF4y2Ba 3.589096gydF4y2Ba 0.46016gydF4y2Ba 12.8211%gydF4y2Ba 0.12821gydF4y2Ba

曲线拟合的比较提出了模型和伊玛目et al。gydF4y2Ba 18gydF4y2Ba)的模型。gydF4y2Ba

 6。结论gydF4y2Ba

本研究的主要目标是开发一个模型,代表了轮椅的地方指导行为的司机。本文提出了一个好司机的行为也在线性参数模型。模型假定显性知识的后续司机的意图,为了生成适应信号,可能需要适应轮椅司机的驾驶行为。是可见的识别参数,尽管参与者表现出类似的驾驶行为,总有一个隐含的独特性与每个参与者,验证建模的必要性和司机的行为的识别。这是更重要的,特别是对老用户的指导功能恶化随着时间的推移。由于模型的简单性和线性,普通最小二乘法用于模型参数的确定。模型的回归分析,确定参数值为所有参与者展示了可接受的性能结果。gydF4y2Ba

 7所示。建议未来的工作gydF4y2Ba

在这项研究中,明确的司机的意图是假定为已知。然而并不是所有的轮椅使用者正常沟通的能力所需的所有导航命令使轮椅移动,停止,或把可用的用户界面。完整的援助需求模型,可以使用可用的信息来预测司机的意图,协助弱势司机引导正确的方向。合并一个意图在司机的行为检测模型模型可能因此被视为如果模型用作codriver向驾驶员提供实时的帮助。gydF4y2Ba

 相互竞争的利益gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

本文的作者感激地感谢南非国家研究基金的贡献(NRF),内斯科技大学(图),南非和法国理工学院(F 'SATI)提供的所有相关和必要的支持本研究。gydF4y2Ba

 EizmendigydF4y2Ba G。gydF4y2Ba AzkoitiagydF4y2Ba j . M。gydF4y2Ba 克拉多克gydF4y2Ba g . M。gydF4y2Ba 辅助技术面临的挑战:AAATE 07gydF4y2Ba 2007年gydF4y2Ba IOS的新闻gydF4y2Ba 菲尔gydF4y2Ba lgydF4y2Ba LangbeingydF4y2Ba w·E。gydF4y2Ba SkaargydF4y2Ba 美国B。gydF4y2Ba 充足的电力和严重残疾轮椅控制接口人:临床调查gydF4y2Ba 康复杂志》上的研究和发展gydF4y2Ba 2000年gydF4y2Ba 37gydF4y2Ba 3gydF4y2Ba 353年gydF4y2Ba 360年gydF4y2Ba 2 - s2.0 - 0034190232gydF4y2Ba 魏gydF4y2Ba lgydF4y2Ba 胡gydF4y2Ba H。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 肌电图和视觉数据融合免提控制智能轮椅gydF4y2Ba 国际仿人机器人技术杂志》上gydF4y2Ba 2011年gydF4y2Ba 8gydF4y2Ba 4gydF4y2Ba 707年gydF4y2Ba 724年gydF4y2Ba 10.1142 / S0219843611002629gydF4y2Ba 2 - s2.0 - 84863067208gydF4y2Ba DiciannogydF4y2Ba b E。gydF4y2Ba 库珀gydF4y2Ba r。gydF4y2Ba ColtellarogydF4y2Ba J。gydF4y2Ba 操纵杆控制驱动的流动:当前状态的技术和未来的发展方向gydF4y2Ba 物理医学与康复诊所北美gydF4y2Ba 2010年gydF4y2Ba 21gydF4y2Ba 1gydF4y2Ba 79年gydF4y2Ba 86年gydF4y2Ba 10.1016 / j.pmr.2009.07.013gydF4y2Ba 2 - s2.0 - 70849094142gydF4y2Ba Trujillo-LeongydF4y2Ba 一个。gydF4y2Ba Vidal-VerdugydF4y2Ba F。gydF4y2Ba 电动轮椅驱动接口基于触觉传感器或手推车gydF4y2Ba 传感器gydF4y2Ba 2014年gydF4y2Ba 14gydF4y2Ba 2gydF4y2Ba 2644年gydF4y2Ba 2662年gydF4y2Ba 10.3390 / s140202644gydF4y2Ba 2 - s2.0 - 84893671049gydF4y2Ba 索伦托gydF4y2Ba g . U。gydF4y2Ba ArchambaultgydF4y2Ba p S。gydF4y2Ba RouthiergydF4y2Ba F。gydF4y2Ba DessureaultgydF4y2Ba D。gydF4y2Ba BoissygydF4y2Ba P。gydF4y2Ba 评估的操纵杆控制在电动轮椅驾驶任务的性能gydF4y2Ba 神经工程学和康复杂志》上gydF4y2Ba 2011年gydF4y2Ba 8、第三十一条gydF4y2Ba 10.1186 / 1743-0003-8-31gydF4y2Ba 2 - s2.0 - 79956288672gydF4y2Ba 鲍尔gydF4y2Ba 一个。gydF4y2Ba WollherrgydF4y2Ba D。gydF4y2Ba 巴斯gydF4y2Ba M。gydF4y2Ba 人机协作:一项调查gydF4y2Ba 国际仿人机器人技术杂志》上gydF4y2Ba 2008年gydF4y2Ba 5gydF4y2Ba 1gydF4y2Ba 47gydF4y2Ba 66年gydF4y2Ba 10.1142 / s0219843608001303gydF4y2Ba 2 - s2.0 - 44349108367gydF4y2Ba 居gydF4y2Ba j·S。gydF4y2Ba 胫骨gydF4y2Ba Y。gydF4y2Ba 金gydF4y2Ba e . Y。gydF4y2Ba 基于视觉界面免提系统控制智能轮椅gydF4y2Ba 神经工程学和康复杂志》上gydF4y2Ba 2009年gydF4y2Ba 6,第三十三条gydF4y2Ba 10.1186 / 1743-0003-6-33gydF4y2Ba 2 - s2.0 - 69449101233gydF4y2Ba VanackergydF4y2Ba G。gydF4y2Ba 文澜gydF4y2Ba j·d·R。gydF4y2Ba 卢gydF4y2Ba E。gydF4y2Ba FerrezgydF4y2Ba p W。gydF4y2Ba 摩尔gydF4y2Ba f·G。gydF4y2Ba 飞利浦gydF4y2Ba J。gydF4y2Ba 范布鲁塞尔gydF4y2Ba H。gydF4y2Ba 尼坦gydF4y2Ba M。gydF4y2Ba 基于上下文的过滤辅助brain-actuated轮椅驾驶gydF4y2Ba 计算智能和神经科学gydF4y2Ba 2007年gydF4y2Ba 2007年gydF4y2Ba 12gydF4y2Ba 25130年gydF4y2Ba 10.1155 / 2007/25130gydF4y2Ba DiehmgydF4y2Ba G。gydF4y2Ba 麦尔gydF4y2Ba 年代。gydF4y2Ba FladgydF4y2Ba M。gydF4y2Ba HohmanngydF4y2Ba 年代。gydF4y2Ba 的个体司机驾驶行为识别方法模拟了仿射系统gydF4y2Ba 学报52 IEEE会议决定和控制中心的13)gydF4y2Ba 2013年12月gydF4y2Ba 佛罗伦萨,意大利gydF4y2Ba 3547年gydF4y2Ba 3553年gydF4y2Ba 10.1109 / cdc.2013.6760428gydF4y2Ba 2 - s2.0 - 84902308686gydF4y2Ba 海岸沙脊gydF4y2Ba F。gydF4y2Ba BigrasgydF4y2Ba P。gydF4y2Ba AissaouigydF4y2Ba R。gydF4y2Ba 轮椅的连铸机车轮的方向估计gydF4y2Ba IEEE控制系统技术gydF4y2Ba 2011年gydF4y2Ba 19gydF4y2Ba 6gydF4y2Ba 1317年gydF4y2Ba 1326年gydF4y2Ba 10.1109 / tcst.2010.2084577gydF4y2Ba 2 - s2.0 - 80052873184gydF4y2Ba 阮gydF4y2Ba t . N。gydF4y2Ba 苏gydF4y2Ba 年代。gydF4y2Ba 阮gydF4y2Ba h·T。gydF4y2Ba 基于神经网络的对角线驱动轮椅系统的解耦控制gydF4y2Ba IEEE神经系统和康复工程gydF4y2Ba 2014年gydF4y2Ba 22gydF4y2Ba 2gydF4y2Ba 371年gydF4y2Ba 378年gydF4y2Ba 10.1109 / tnsre.2013.2276456gydF4y2Ba 2 - s2.0 - 84896454329gydF4y2Ba VegtergydF4y2Ba r . j . K。gydF4y2Ba de GrootgydF4y2Ba 年代。gydF4y2Ba LamothgydF4y2Ba c·J。gydF4y2Ba VeegergydF4y2Ba d . H。gydF4y2Ba van der WoudegydF4y2Ba l·h·V。gydF4y2Ba 初始技能收购handrim轮椅推进:一个新的视角gydF4y2Ba IEEE神经系统和康复工程gydF4y2Ba 2014年gydF4y2Ba 22gydF4y2Ba 1gydF4y2Ba 104年gydF4y2Ba 113年gydF4y2Ba 10.1109 / tnsre.2013.2280301gydF4y2Ba 2 - s2.0 - 84892562726gydF4y2Ba 比结gydF4y2Ba R。gydF4y2Ba Steinhaus指出gydF4y2Ba P。gydF4y2Ba DillmanngydF4y2Ba R。gydF4y2Ba 合作研究中心588年:“人形robots-learning和多通道合作机器人”gydF4y2Ba 国际仿人机器人技术杂志》上gydF4y2Ba 2004年gydF4y2Ba 1gydF4y2Ba 3gydF4y2Ba 429年gydF4y2Ba 448年gydF4y2Ba 10.1142 / s0219843604000204gydF4y2Ba 盎扬戈gydF4y2Ba s . O。gydF4y2Ba 公共澡堂gydF4y2Ba Y。gydF4y2Ba DjouanigydF4y2Ba K。gydF4y2Ba 速度和方向控制电子轮椅倾斜和光滑表面gydF4y2Ba 第八届国际会议信息的程序控制,自动化和机器人技术gydF4y2Ba 2011年7月gydF4y2Ba IEEEgydF4y2Ba 112年gydF4y2Ba 119年gydF4y2Ba 2 - s2.0 - 80052576936gydF4y2Ba 盎扬戈gydF4y2Ba s . O。gydF4y2Ba 公共澡堂gydF4y2Ba Y。gydF4y2Ba 达博gydF4y2Ba M。gydF4y2Ba DjouanigydF4y2Ba K。gydF4y2Ba 气gydF4y2Ba G。gydF4y2Ba 动态控制的电动轮椅在斜坡上gydF4y2Ba 会议的程序在非洲(AFRICON ' 09)gydF4y2Ba 2009年9月gydF4y2Ba 内罗毕,肯尼亚gydF4y2Ba IEEEgydF4y2Ba 1gydF4y2Ba 6gydF4y2Ba 10.1109 / AFRCON.2009.5308254gydF4y2Ba 盎扬戈gydF4y2Ba s . O。gydF4y2Ba 公共澡堂gydF4y2Ba Y。gydF4y2Ba DjouanigydF4y2Ba K。gydF4y2Ba 气gydF4y2Ba G。gydF4y2Ba 动态控制的电动轮椅滑斜坡gydF4y2Ba 第二届国际会议上适应科技(ICAST ' 09)gydF4y2Ba 2009年12月gydF4y2Ba 阿克拉,加纳gydF4y2Ba IEEEgydF4y2Ba 278年gydF4y2Ba 283年gydF4y2Ba 10.1109 / icastech.2009.5409711gydF4y2Ba 2 - s2.0 - 77950934812gydF4y2Ba 伊玛目gydF4y2Ba H。gydF4y2Ba 公共澡堂gydF4y2Ba Y。gydF4y2Ba MonacelligydF4y2Ba E。gydF4y2Ba DjouanigydF4y2Ba K。gydF4y2Ba 电动轮椅的驾驶行为建模gydF4y2Ba 第七届国际Multi-Conference学报》系统,信号和设备(SSD的10)gydF4y2Ba 2010年6月gydF4y2Ba 安曼,约旦gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 10.1109 / ssd.2010.5585578gydF4y2Ba 2 - s2.0 - 78149242869gydF4y2Ba HuntemanngydF4y2Ba 一个。gydF4y2Ba DemeestergydF4y2Ba E。gydF4y2Ba 尼坦gydF4y2Ba M。gydF4y2Ba 范布鲁塞尔gydF4y2Ba H。gydF4y2Ba 在线用户与高斯过程建模为贝叶斯计划识别在电动轮椅转向gydF4y2Ba 《IEEE / RSJ智能机器人和系统国际会议(——08)gydF4y2Ba 2008年9月gydF4y2Ba 不错,法国gydF4y2Ba IEEEgydF4y2Ba 285年gydF4y2Ba 292年gydF4y2Ba 10.1109 / iros.2008.4651040gydF4y2Ba 2 - s2.0 - 69549135373gydF4y2Ba DemeestergydF4y2Ba E。gydF4y2Ba HuntemanngydF4y2Ba 一个。gydF4y2Ba VanhooydonckgydF4y2Ba D。gydF4y2Ba VanackergydF4y2Ba G。gydF4y2Ba 德格gydF4y2Ba 一个。gydF4y2Ba 范布鲁塞尔gydF4y2Ba H。gydF4y2Ba 尼坦gydF4y2Ba M。gydF4y2Ba 贝叶斯估计轮椅司机意图:建模意图作为几何路径跟踪的司机gydF4y2Ba 《IEEE / RSJ智能机器人和系统国际会议(——06年)gydF4y2Ba 2006年10月gydF4y2Ba 中国,北京gydF4y2Ba 5775年gydF4y2Ba 5780年gydF4y2Ba 10.1109 / iros.2006.282386gydF4y2Ba 2 - s2.0 - 34250682591gydF4y2Ba DemeestergydF4y2Ba E。gydF4y2Ba 尼坦gydF4y2Ba M。gydF4y2Ba VanhooydonckgydF4y2Ba D。gydF4y2Ba 范布鲁塞尔gydF4y2Ba H。gydF4y2Ba 基于模型,概率框架计划识别在共享轮椅控制:实验和评价gydF4y2Ba 2gydF4y2Ba 《IEEE / RSJ智能机器人和系统国际会议(——' 03)gydF4y2Ba 2003年10月gydF4y2Ba IEEEgydF4y2Ba 1456年gydF4y2Ba 1461年gydF4y2Ba 2 - s2.0 - 0348040434gydF4y2Ba VanackergydF4y2Ba G。gydF4y2Ba VanhooydonckgydF4y2Ba D。gydF4y2Ba DemeestergydF4y2Ba E。gydF4y2Ba HuntemanngydF4y2Ba 一个。gydF4y2Ba 德格gydF4y2Ba 一个。gydF4y2Ba 布鲁塞尔gydF4y2Ba H。gydF4y2Ba 尼坦gydF4y2Ba M。gydF4y2Ba 自适应滤波方法提高轮椅驾驶性能gydF4y2Ba 学报》第十五届IEEE国际研讨会上机器人和人类互动交流(罗马06年)gydF4y2Ba 2006年9月gydF4y2Ba 英国哈特菲尔德gydF4y2Ba IEEEgydF4y2Ba 527年gydF4y2Ba 532年gydF4y2Ba 10.1109 / ROMAN.2006.314443gydF4y2Ba 盎扬戈gydF4y2Ba s . O。gydF4y2Ba 公共澡堂gydF4y2Ba Y。gydF4y2Ba DjouanigydF4y2Ba K。gydF4y2Ba DaachigydF4y2Ba B。gydF4y2Ba 轮椅用户转向行为在室内环境的识别gydF4y2Ba 《IEEE机器人和仿生学(ROBIO”国际会议上15)gydF4y2Ba 2015年12月gydF4y2Ba 珠海,中国gydF4y2Ba IEEEgydF4y2Ba CacciabuegydF4y2Ba p C。gydF4y2Ba CarstengydF4y2Ba O。gydF4y2Ba 司机行为的一个简单的模型来维持设计和安全评估的自动化系统在汽车环境gydF4y2Ba 应用人体工程学gydF4y2Ba 2010年gydF4y2Ba 41gydF4y2Ba 2gydF4y2Ba 187年gydF4y2Ba 197年gydF4y2Ba 10.1016 / j.apergo.2009.03.008gydF4y2Ba 2 - s2.0 - 70350775851gydF4y2Ba BorilgydF4y2Ba J。gydF4y2Ba JaloveckygydF4y2Ba R。gydF4y2Ba 阿里gydF4y2Ba R。gydF4y2Ba 人机交互和仿真模型用于航空gydF4y2Ba 学报》第15届国际会议上机电一体化(MECHATRONIKA 12)gydF4y2Ba 2012年12月gydF4y2Ba 布拉格,捷克共和国gydF4y2Ba 2 - s2.0 - 84874280074gydF4y2Ba 金gydF4y2Ba 黄永发。gydF4y2Ba HayakawagydF4y2Ba 年代。gydF4y2Ba 铃木gydF4y2Ba T。gydF4y2Ba 哈亚希gydF4y2Ba K。gydF4y2Ba 大熊町gydF4y2Ba 年代。gydF4y2Ba TsuchidagydF4y2Ba N。gydF4y2Ba 清水正孝gydF4y2Ba M。gydF4y2Ba 城gydF4y2Ba 年代。gydF4y2Ba 司机的避碰行为建模基于分段线性模型gydF4y2Ba 3gydF4y2Ba 学报》第43届IEEE会议决定和控制(CDC ' 04)gydF4y2Ba 2004年12月gydF4y2Ba 2310年gydF4y2Ba 2315年gydF4y2Ba 10.1109 / CDC.2004.1428736gydF4y2Ba 敏锐的gydF4y2Ba s D。gydF4y2Ba 科尔gydF4y2Ba d . J。gydF4y2Ba 没有偏见的识别一个线性模型预测控制器测量司机转向行为gydF4y2Ba IEEE系统,人,控制论,B部分:控制论gydF4y2Ba 2012年gydF4y2Ba 42gydF4y2Ba 2gydF4y2Ba 434年gydF4y2Ba 443年gydF4y2Ba 10.1109 / TSMCB.2011.2167509gydF4y2Ba 2 - s2.0 - 84859009893gydF4y2Ba AngkititrakulgydF4y2Ba P。gydF4y2Ba MiyajimagydF4y2Ba C。gydF4y2Ba 武田gydF4y2Ba K。gydF4y2Ba 建模和适应的随机驾驶者行为模型应用到汽车gydF4y2Ba 《IEEE智能车辆研讨会(IV”11)gydF4y2Ba 2011年6月gydF4y2Ba 德国巴登巴登gydF4y2Ba IEEEgydF4y2Ba 814年gydF4y2Ba 819年gydF4y2Ba 10.1109 / ivs.2011.5940464gydF4y2Ba 2 - s2.0 - 79960796888gydF4y2Ba EngstromgydF4y2Ba J。gydF4y2Ba HollnagelgydF4y2Ba E。gydF4y2Ba 一般概念框架建模行为驱动支持功能的影响gydF4y2Ba 在汽车造型司机行为环境gydF4y2Ba 2007年gydF4y2Ba 英国伦敦gydF4y2Ba 施普林格gydF4y2Ba 61年gydF4y2Ba 84年gydF4y2Ba 10.1007 / 978 - 1 - 84628 - 618 - 6 - _4gydF4y2Ba 彼得斯gydF4y2Ba B。gydF4y2Ba 尼尔森gydF4y2Ba lgydF4y2Ba 造型司机控制gydF4y2Ba 在汽车造型司机行为环境gydF4y2Ba 2007年gydF4y2Ba 英国伦敦gydF4y2Ba 施普林格gydF4y2Ba 85年gydF4y2Ba 104年gydF4y2Ba CarstengydF4y2Ba O。gydF4y2Ba 从驱动程序模型来模拟司机:我们真的需要知道司机吗?gydF4y2Ba 在汽车造型司机行为环境gydF4y2Ba 2007年gydF4y2Ba 英国伦敦gydF4y2Ba 施普林格gydF4y2Ba 105年gydF4y2Ba 120年gydF4y2Ba BenglergydF4y2Ba K。gydF4y2Ba 司机信息的主题测试评价系统和驾驶员辅助系统学习效果和方法论解决方案gydF4y2Ba 在汽车造型司机行为环境gydF4y2Ba 2007年gydF4y2Ba 激飞美国gydF4y2Ba 123年gydF4y2Ba 134年gydF4y2Ba BrackstonegydF4y2Ba M。gydF4y2Ba 麦当劳gydF4y2Ba M。gydF4y2Ba 民:历史回顾gydF4y2Ba 交通运输研究F部分:心理学和行为gydF4y2Ba 1999年gydF4y2Ba 2gydF4y2Ba 4gydF4y2Ba 181年gydF4y2Ba 196年gydF4y2Ba 10.1016 / s1369 - 8478 (00) 00005 - xgydF4y2Ba 2 - s2.0 - 0346704368gydF4y2Ba RanjitkargydF4y2Ba P。gydF4y2Ba NakatsujigydF4y2Ba T。gydF4y2Ba 浅野gydF4y2Ba M。gydF4y2Ba 微观交通流模型的性能评价与测试跟踪数据gydF4y2Ba 交通研究记录gydF4y2Ba 2004年gydF4y2Ba 1876年gydF4y2Ba 90年gydF4y2Ba One hundred.gydF4y2Ba 2 - s2.0 - 15544373754gydF4y2Ba 布兰科gydF4y2Ba j·L。gydF4y2Ba Fernandez-MadrigalgydF4y2Ba j . A。gydF4y2Ba 冈萨雷斯gydF4y2Ba J。gydF4y2Ba 小说的不确定性度量的移动机器人SLAM rao blackwellized粒子过滤器gydF4y2Ba 国际机器人研究杂志》上gydF4y2Ba 2008年gydF4y2Ba 27gydF4y2Ba 1gydF4y2Ba 73年gydF4y2Ba 89年gydF4y2Ba 冈田克也gydF4y2Ba T。gydF4y2Ba BotelhogydF4y2Ba w·T。gydF4y2Ba 清水正孝gydF4y2Ba T。gydF4y2Ba 机器人运动分析与实验验证的混合PEOPLER-II走路和辊之间的可逆转换需求gydF4y2Ba 国际机器人研究杂志》上gydF4y2Ba 2010年gydF4y2Ba 29日gydF4y2Ba 9gydF4y2Ba 1199年gydF4y2Ba 1221年gydF4y2Ba 10.1177 / 0278364909348762gydF4y2Ba 2 - s2.0 - 77955622601gydF4y2Ba 詹姆斯·麦克奈特gydF4y2Ba 一个。gydF4y2Ba 亚当斯gydF4y2Ba B . B。gydF4y2Ba 司机教育任务分析。体积我:任务描述。最终报告(1969年8月- 1970年7月)gydF4y2Ba 1970年gydF4y2Ba 美国弗吉尼亚州亚历山德里亚gydF4y2Ba 人力资源研究组织gydF4y2Ba 兰尼gydF4y2Ba t。gydF4y2Ba 驾驶行为模型:回顾他们的进化gydF4y2Ba 事故分析和预防gydF4y2Ba 1994年gydF4y2Ba 26gydF4y2Ba 6gydF4y2Ba 733年gydF4y2Ba 750年gydF4y2Ba 10.1016 / 0001 - 4575 (94)90051 - 5gydF4y2Ba 2 - s2.0 - 0028672029gydF4y2Ba (gydF4y2Ba j . A。gydF4y2Ba 埃文斯gydF4y2Ba lgydF4y2Ba 等gydF4y2Ba r . C。gydF4y2Ba 司机的行为模型的关键观点:我们知道,我们应该做些什么呢?gydF4y2Ba 人类行为和交通安全gydF4y2Ba 1985年gydF4y2Ba 纽约,纽约,美国gydF4y2Ba 施普林格gydF4y2Ba 485年gydF4y2Ba 524年gydF4y2Ba 10.1007 / 978 - 1 - 4613 - 2173 - 6 - _19gydF4y2Ba 拉斯穆森gydF4y2Ba J。gydF4y2Ba 信息处理和人机交互:一个认知工程方法gydF4y2Ba 1986年gydF4y2Ba 纽约,纽约,美国gydF4y2Ba 北荷兰gydF4y2Ba PiluttigydF4y2Ba T。gydF4y2Ba Galip UlsoygydF4y2Ba 一个。gydF4y2Ba 司机为lane-keeping任务状态的识别gydF4y2Ba IEEE系统,人,控制论:系统和人类gydF4y2Ba 1999年gydF4y2Ba 29日gydF4y2Ba 5gydF4y2Ba 486年gydF4y2Ba 502年gydF4y2Ba 10.1109/3468.784175gydF4y2Ba 2 - s2.0 - 0032691275gydF4y2Ba 陈gydF4y2Ba L.-K。gydF4y2Ba UlsoygydF4y2Ba a·G。gydF4y2Ba 识别一个司机转向模型,模型不确定性,从驾驶模拟器数据gydF4y2Ba 杂志的动态系统、测量和控制gydF4y2Ba 2001年gydF4y2Ba 123年gydF4y2Ba 4gydF4y2Ba 623年gydF4y2Ba 629年gydF4y2Ba 10.1115/1.1409554gydF4y2Ba 2 - s2.0 - 0009990519gydF4y2Ba Steyn说gydF4y2Ba N。gydF4y2Ba MonacelligydF4y2Ba E。gydF4y2Ba 公共澡堂gydF4y2Ba Y。gydF4y2Ba 差动驱动的流动性援助gydF4y2Ba 绿色的公报,南非,2013年,gydF4y2Ba https://www.greengazette.co.za/pages/patent -杂志- 9 - 25 - 9月- 2013 - 46 - - 2部分卷2 - _20130925 -帕特- 00009 - 018. - pdfgydF4y2Ba MasehiangydF4y2Ba E。gydF4y2Ba SedighizadehgydF4y2Ba D。gydF4y2Ba 经典和启发式方法在机器人运动规划时间复习gydF4y2Ba 世界科学院、工程和技术gydF4y2Ba 2007年gydF4y2Ba 29日gydF4y2Ba 5gydF4y2Ba 101年gydF4y2Ba 106年gydF4y2Ba FraichardgydF4y2Ba T。gydF4y2Ba 一小篇关于运动的安全gydF4y2Ba 诉讼的IEEE机器人与自动化国际会议上07年举行(“国际机器人与自动化会议”)gydF4y2Ba 2007年4月gydF4y2Ba 罗马,意大利gydF4y2Ba IEEEgydF4y2Ba 1140年gydF4y2Ba 1145年gydF4y2Ba 10.1109 / robot.2007.363138gydF4y2Ba 2 - s2.0 - 36349010220gydF4y2Ba 克鲁斯gydF4y2Ba T。gydF4y2Ba PandeygydF4y2Ba 答:K。gydF4y2Ba AlamigydF4y2Ba R。gydF4y2Ba 樱桃酒gydF4y2Ba 一个。gydF4y2Ba Human-aware机器人导航:一项调查gydF4y2Ba 机器人和自治系统gydF4y2Ba 2013年gydF4y2Ba 61年gydF4y2Ba 12gydF4y2Ba 1726年gydF4y2Ba 1743年gydF4y2Ba 10.1016 / j.robot.2013.05.007gydF4y2Ba 2 - s2.0 - 84887228831gydF4y2Ba 哈提卜gydF4y2Ba O。gydF4y2Ba 机械手和移动机器人实时避障gydF4y2Ba 2gydF4y2Ba 诉讼的IEEE机器人与自动化国际会议上gydF4y2Ba 1985年3月gydF4y2Ba 圣路易斯,密苏里州,美国gydF4y2Ba 500年gydF4y2Ba 505年gydF4y2Ba 10.1109 / ROBOT.1985.1087247gydF4y2Ba 通用电气gydF4y2Ba 美国年代。gydF4y2Ba 崔gydF4y2Ba y . J。gydF4y2Ba 新的潜在功能的移动机器人路径规划gydF4y2Ba IEEE机器人和自动化gydF4y2Ba 2000年gydF4y2Ba 16gydF4y2Ba 5gydF4y2Ba 615年gydF4y2Ba 620年gydF4y2Ba 10.1109/70.880813gydF4y2Ba 2 - s2.0 - 0034291358gydF4y2Ba 通用电气gydF4y2Ba 美国年代。gydF4y2Ba 崔gydF4y2Ba y . J。gydF4y2Ba 动态移动机器人运动规划使用势场方法gydF4y2Ba 自主机器人gydF4y2Ba 2002年gydF4y2Ba 13gydF4y2Ba 3gydF4y2Ba 207年gydF4y2Ba 222年gydF4y2Ba 10.1023 /:1020564024509gydF4y2Ba ZBL1030.68675gydF4y2Ba 2 - s2.0 - 0036856028gydF4y2Ba LatombegydF4y2Ba J.-C。gydF4y2Ba 机器人运动规划gydF4y2Ba 1991年gydF4y2Ba Kluwer学术出版社gydF4y2Ba TaychourigydF4y2Ba F。gydF4y2Ba 公共澡堂gydF4y2Ba Y。gydF4y2Ba MonacelligydF4y2Ba E。gydF4y2Ba ChebbogydF4y2Ba N。gydF4y2Ba 路径规划的电动轮椅,为残疾人可访问性和舒适gydF4y2Ba 学报第六EUROSIM国会建模和仿真gydF4y2Ba 2007年9月gydF4y2Ba 卢布尔雅那(斯洛文尼亚gydF4y2Ba 9gydF4y2Ba 13gydF4y2Ba 拉贾gydF4y2Ba R。gydF4y2Ba 杜塔gydF4y2Ba 一个。gydF4y2Ba 马纳尔gydF4y2Ba k . S。gydF4y2Ba 新势场方法粗糙地形6-wheel探测器使用遗传算法的路径规划gydF4y2Ba 机器人和自治系统gydF4y2Ba 2015年gydF4y2Ba 72年gydF4y2Ba 295年gydF4y2Ba 306年gydF4y2Ba 10.1016 / j.robot.2015.06.002gydF4y2Ba 2 - s2.0 - 84937512617gydF4y2Ba 蒙特埃尔gydF4y2Ba O。gydF4y2Ba 赛普维达gydF4y2Ba R。gydF4y2Ba Orozco-RosasgydF4y2Ba U。gydF4y2Ba 移动机器人最优路径规划生成使用并行进化的人工势场gydF4y2Ba 《智能与机器人系统gydF4y2Ba 2014年gydF4y2Ba 79年gydF4y2Ba 2gydF4y2Ba 237年gydF4y2Ba 257年gydF4y2Ba 10.1007 / s10846 - 014 - 0124 - 8gydF4y2Ba 2 - s2.0 - 84932195890gydF4y2Ba 艾哈迈德gydF4y2Ba F。gydF4y2Ba 黛比gydF4y2Ba K。gydF4y2Ba 使用精英non-dominated排序遗传算法多目标最优路径规划gydF4y2Ba 软计算gydF4y2Ba 2013年gydF4y2Ba 17gydF4y2Ba 7gydF4y2Ba 1283年gydF4y2Ba 1299年gydF4y2Ba 10.1007 / s00500 - 012 - 0964 - 8gydF4y2Ba 2 - s2.0 - 84878778003gydF4y2Ba VadakkepatgydF4y2Ba P。gydF4y2Ba 棕褐色gydF4y2Ba k . C。gydF4y2Ba Ming-LianggydF4y2Ba W。gydF4y2Ba 进化的人工势字段和他们的应用程序实时机器人路径规划gydF4y2Ba 1gydF4y2Ba 美国国会在进化计算(CEC 00)gydF4y2Ba 2000年7月gydF4y2Ba 256年gydF4y2Ba 263年gydF4y2Ba 2 - s2.0 - 0033666469gydF4y2Ba 蒙特埃尔gydF4y2Ba O。gydF4y2Ba Orozco-RosasgydF4y2Ba U。gydF4y2Ba 赛普维达gydF4y2Ba R。gydF4y2Ba 移动机器人路径规划为避免使用细菌势场静态和动态障碍物gydF4y2Ba 专家系统与应用程序gydF4y2Ba 2015年gydF4y2Ba 42gydF4y2Ba 12gydF4y2Ba 5177年gydF4y2Ba 5191年gydF4y2Ba 10.1016 / j.eswa.2015.02.033gydF4y2Ba 2 - s2.0 - 84939940377gydF4y2Ba BarraquandgydF4y2Ba J。gydF4y2Ba LangloisgydF4y2Ba B。gydF4y2Ba LatombegydF4y2Ba J.-C。gydF4y2Ba 数字势场机器人路径规划的技术gydF4y2Ba IEEE系统,人,控制论gydF4y2Ba 1992年gydF4y2Ba 22gydF4y2Ba 2gydF4y2Ba 224年gydF4y2Ba 241年gydF4y2Ba 10.1109/21.148426gydF4y2Ba MR1171543gydF4y2Ba 2 - s2.0 - 0026829832gydF4y2Ba 勇gydF4y2Ba T。gydF4y2Ba TianmiaogydF4y2Ba W。gydF4y2Ba 红星gydF4y2Ba W。gydF4y2Ba DianshenggydF4y2Ba C。gydF4y2Ba 一个行为控制方法基于层次POMDP智能轮椅gydF4y2Ba 《IEEE / ASME国际会议上先进的智能机电一体化(目标' 09)gydF4y2Ba 2009年7月gydF4y2Ba 新加坡gydF4y2Ba IEEEgydF4y2Ba 893年gydF4y2Ba 898年gydF4y2Ba 10.1109 / aim.2009.5229898gydF4y2Ba 2 - s2.0 - 70350455729gydF4y2Ba 塔哈gydF4y2Ba T。gydF4y2Ba 米罗gydF4y2Ba j . V。gydF4y2Ba 主义艺术观gydF4y2Ba G。gydF4y2Ba POMDP-based长期用户意图预测轮椅导航gydF4y2Ba 诉讼的IEEE机器人与自动化国际会议上08年举行(“国际机器人与自动化会议”)gydF4y2Ba 2008年5月gydF4y2Ba 加利福尼亚州帕萨迪纳市,美国gydF4y2Ba IEEEgydF4y2Ba 3920年gydF4y2Ba 3925年gydF4y2Ba 10.1109 / robot.2008.4543813gydF4y2Ba 2 - s2.0 - 51649093335gydF4y2Ba 塔哈gydF4y2Ba T。gydF4y2Ba 米罗gydF4y2Ba j . V。gydF4y2Ba 主义艺术观gydF4y2Ba G。gydF4y2Ba 轮椅使用POMDPs驾驶员辅助和意图预测gydF4y2Ba 学报》国际会议智能传感器,传感器网络和信息处理(ISSNIP ' 07)gydF4y2Ba 2007年12月gydF4y2Ba 澳大利亚墨尔本gydF4y2Ba IEEEgydF4y2Ba 449年gydF4y2Ba 454年gydF4y2Ba 10.1109 / issnip.2007.4496885gydF4y2Ba 2 - s2.0 - 51349111790gydF4y2Ba 卡尔森gydF4y2Ba T。gydF4y2Ba DemirisgydF4y2Ba Y。gydF4y2Ba 人类轮椅交互协作控制减少了需要灵活精确的演习gydF4y2Ba “机器人助手程序:用户交互,接口和同伴在辅助和治疗机器人”,在ACM和IEEE HRI车间gydF4y2Ba 2008年gydF4y2Ba 英国哈特菲尔德gydF4y2Ba 赫特福德郡大学gydF4y2Ba 59gydF4y2Ba 66年gydF4y2Ba 卡尔森gydF4y2Ba T。gydF4y2Ba DemirisgydF4y2Ba Y。gydF4y2Ba 协同控制机器人轮椅:评价性能,关注,和工作负载gydF4y2Ba IEEE系统,人,控制论,B部分:控制论gydF4y2Ba 2012年gydF4y2Ba 42gydF4y2Ba 3gydF4y2Ba 876年gydF4y2Ba 888年gydF4y2Ba 10.1109 / tsmcb.2011.2181833gydF4y2Ba 2 - s2.0 - 84861200566gydF4y2Ba VanhooydonckgydF4y2Ba D。gydF4y2Ba DemeestergydF4y2Ba E。gydF4y2Ba HuntemanngydF4y2Ba 一个。gydF4y2Ba 飞利浦gydF4y2Ba J。gydF4y2Ba VanackergydF4y2Ba G。gydF4y2Ba 范布鲁塞尔gydF4y2Ba H。gydF4y2Ba 尼坦gydF4y2Ba M。gydF4y2Ba 适应性导航援助智能轮椅通过隐式个性化的用户模型gydF4y2Ba 机器人和自治系统gydF4y2Ba 2010年gydF4y2Ba 58gydF4y2Ba 8gydF4y2Ba 963年gydF4y2Ba 977年gydF4y2Ba 10.1016 / j.robot.2010.04.002gydF4y2Ba 2 - s2.0 - 80052747020gydF4y2Ba DemeestergydF4y2Ba E。gydF4y2Ba 尼坦gydF4y2Ba M。gydF4y2Ba VanhooydonckgydF4y2Ba D。gydF4y2Ba 范布鲁塞尔gydF4y2Ba H。gydF4y2Ba 精细运动规划共享轮椅控制:要求和初步实验gydF4y2Ba 学报》第11届国际会议上先进的机器人(ICAR ' 03)gydF4y2Ba 6 - 2003gydF4y2Ba Coimbra、葡萄牙gydF4y2Ba 1278年gydF4y2Ba 1283年gydF4y2Ba 帕瑞克豪gydF4y2Ba s P。gydF4y2Ba 葛拉gydF4y2Ba V。gydF4y2Ba Jr。gydF4y2Ba 库马尔gydF4y2Ba V。gydF4y2Ba 冈本gydF4y2Ba J。gydF4y2Ba Jr。gydF4y2Ba 将用户输入运动规划智能轮椅gydF4y2Ba 2gydF4y2Ba 诉讼的IEEE机器人与自动化国际会议上04年举行(“国际机器人与自动化会议”)gydF4y2Ba 2004年5月gydF4y2Ba IEEEgydF4y2Ba 2043年gydF4y2Ba 2048年gydF4y2Ba 2 - s2.0 - 3042663887gydF4y2Ba 帕瑞克豪gydF4y2Ba s P。gydF4y2Ba 葛拉gydF4y2Ba V。gydF4y2Ba Jr。gydF4y2Ba 库马尔gydF4y2Ba V。gydF4y2Ba 冈本gydF4y2Ba J。gydF4y2Ba Jr。gydF4y2Ba 将人类输入与智能轮椅平台上自主行为gydF4y2Ba IEEE智能系统gydF4y2Ba 2007年gydF4y2Ba 22gydF4y2Ba 2gydF4y2Ba 33gydF4y2Ba 41gydF4y2Ba 10.1109 / MIS.2007.36gydF4y2Ba 2 - s2.0 - 33947694633gydF4y2Ba 李gydF4y2Ba Q。gydF4y2Ba 陈gydF4y2Ba W。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba human-wheelchair合作动态共享控制gydF4y2Ba 诉讼的IEEE机器人与自动化国际会议的举行(“国际机器人与自动化会议”11)gydF4y2Ba 2011年5月gydF4y2Ba 中国上海gydF4y2Ba 4278年gydF4y2Ba 4283年gydF4y2Ba 10.1109 / icra.2011.5980055gydF4y2Ba 2 - s2.0 - 84865571039gydF4y2Ba UrdialesgydF4y2Ba C。gydF4y2Ba 佩雷斯gydF4y2Ba e . J。gydF4y2Ba PeinadogydF4y2Ba G。gydF4y2Ba Fdez-CarmonagydF4y2Ba M。gydF4y2Ba PeulagydF4y2Ba j . M。gydF4y2Ba AnnicchiaricogydF4y2Ba R。gydF4y2Ba 桑多瓦尔市gydF4y2Ba F。gydF4y2Ba 卡沃gydF4y2Ba C。gydF4y2Ba 的施工技能轮椅导航配置文件gydF4y2Ba IEEE神经系统和康复工程gydF4y2Ba 2013年gydF4y2Ba 21gydF4y2Ba 6gydF4y2Ba 917年gydF4y2Ba 927年gydF4y2Ba 10.1109 / tnsre.2013.2241454gydF4y2Ba 2 - s2.0 - 84888102847gydF4y2Ba 西蒙•莱文gydF4y2Ba 年代。gydF4y2Ba 大卫·贝尔gydF4y2Ba D。gydF4y2Ba 林肯JarosgydF4y2Ba lgydF4y2Ba 理查德•辛普森gydF4y2Ba R。gydF4y2Ba 科伦gydF4y2Ba Y。gydF4y2Ba 伯伦斯坦gydF4y2Ba J。gydF4y2Ba NavChair辅助轮椅导航系统gydF4y2Ba IEEE康复工程gydF4y2Ba 1999年gydF4y2Ba 7gydF4y2Ba 4gydF4y2Ba 443年gydF4y2Ba 451年gydF4y2Ba 10.1109/86.808948gydF4y2Ba 2 - s2.0 - 0033430119gydF4y2Ba MontesanogydF4y2Ba lgydF4y2Ba 迪亚兹gydF4y2Ba M。gydF4y2Ba BhaskargydF4y2Ba 年代。gydF4y2Ba MinguezgydF4y2Ba J。gydF4y2Ba 对智能轮椅系统用户提供脑瘫gydF4y2Ba IEEE神经系统和康复工程gydF4y2Ba 2010年gydF4y2Ba 18gydF4y2Ba 2gydF4y2Ba 193年gydF4y2Ba 202年gydF4y2Ba 10.1109 / tnsre.2009.2039592gydF4y2Ba 2 - s2.0 - 77951887618gydF4y2Ba Steyn说gydF4y2Ba N。gydF4y2Ba 虚拟现实平台建模和设计的多功能电动轮椅模拟使环境[博士。论文)gydF4y2Ba 2014年gydF4y2Ba 内斯科技大学gydF4y2Ba 伊玛目gydF4y2Ba H。gydF4y2Ba 公共澡堂gydF4y2Ba Y。gydF4y2Ba MonacelligydF4y2Ba E。gydF4y2Ba MougharbelgydF4y2Ba 我。gydF4y2Ba 动态模型的电子轮椅滑检测gydF4y2Ba 学报第六EUROSIM国会建模与仿真(EUROSIM ' 07)gydF4y2Ba 2007年9月gydF4y2Ba 卢布尔雅那(斯洛文尼亚gydF4y2Ba EUROSIM / SLOSIMgydF4y2Ba 9gydF4y2Ba 13gydF4y2Ba 有何利gydF4y2Ba Y。gydF4y2Ba 丰田章男gydF4y2Ba Y。gydF4y2Ba 鹤冈gydF4y2Ba Y。gydF4y2Ba 电动汽车的牵引力控制系统:基本实验结果使用测试电动汽车UOT电动3月gydF4y2Ba IEEE行业应用gydF4y2Ba 1998年gydF4y2Ba 34gydF4y2Ba 5gydF4y2Ba 1131年gydF4y2Ba 1138年gydF4y2Ba 10.1109/28.720454gydF4y2Ba 2 - s2.0 - 0032164136gydF4y2Ba 贝尔gydF4y2Ba a . N。gydF4y2Ba DorrisgydF4y2Ba r·E。gydF4y2Ba 人类错误的基于模拟器的研究核电站控制室的任务gydF4y2Ba 《人为因素和人类工程学学会学报年会gydF4y2Ba 1983年gydF4y2Ba 27gydF4y2Ba 2gydF4y2Ba 170年gydF4y2Ba 174年gydF4y2Ba 丹尼特gydF4y2Ba D。gydF4y2Ba 故意的立场gydF4y2Ba 1989年gydF4y2Ba 美国马萨诸塞州剑桥市gydF4y2Ba 麻省理工学院出版社gydF4y2Ba 泰勒gydF4y2Ba d . H。gydF4y2Ba 司机的皮肤电反应和事故的风险gydF4y2Ba 人体工程学gydF4y2Ba 1964年gydF4y2Ba 7gydF4y2Ba 4gydF4y2Ba 439年gydF4y2Ba 451年gydF4y2Ba 10.1080 / 00140136408930761gydF4y2Ba