一种智能护理机器人制造技术

本发明专利技术提供一种智能护理机器人，包括：机械臂、医疗床、直线模组、电机组件；医疗床的边缘处固连有模组安装座，直线模组与模组安装座固连，直线模组上设置有直线运动的滑块；电机与直线模组连接并驱动滑块运动，滑块上固连有支撑座，机械臂固连接支撑座上，机械臂的末端连接有机械手，还安装有图像传感器、测距传感器，感知设定距离范围内的物品，记录此时机械臂的姿态信息，还安装有姿态惯导模块，检测末端物品的姿态；还设置有深度相机，存储记录不同位置的物品信息。本发明专利技术通过优化机械臂的路径规划及控制，优化设计抓取物品姿态和人脸姿态的检测功能，对机械臂进行实时控制，使得物品能够以正确的姿态递送给被护理人，提高了护理效率。理效率。理效率。

【技术实现步骤摘要】
一种智能护理机器人


[0001]本专利技术涉及医疗护理
，具体而言，涉及一种智能护理机器人。

技术介绍

[0002]随着计算机和机械电子技术的发展，给生物医学工程领域中的护理机器人带来了高速发展的机会，护理机器人也逐步在一些特定领域应用在诊断、康复、治疗及护理等诸多领域。
[0003]在当前传染病疫情的发生背景下，医疗护理也日益被关注，一方面护工短缺，另一方面护理工作繁重等因素，都给病人家属和护理人员带来了沉重的心理负担和精神压力。在互联网、人工智能及机器人技术的推动下，开发具有护理功能的机器人系统对上述问题有积极的推动作用。同时，随着人口老龄化的发展，失能半失能人员的数量越来越多，需要机器人针对上述场景中的护理工作展开功能拓展。
[0004]然而，现有的护理机器人虽然具备移动、交互等功能，但是还不能实现实时在线护理。

技术实现思路

[0005]鉴于此，本专利技术的目的在于克服上述现有技术的不足，提出一种可以协助陪护人员完整完成护理工作的智能护理机器人，解决现有技术的护理机器人护理功能及内容不全等问题，完善对病人在床的日常护理，优化操作控制步骤，减小操作控制时间，进一步提高护理效率。
[0006]本专利技术提供一种智能护理机器人，包括：机械臂、医疗床、直线模组、电机组件；所述医疗床的边缘处固定连接有模组安装座，所述直线模组与所述模组安装座固定连接，所述电机组件包括：电机、联轴器、减速机；所述直线模组上设置有能够直线运动的滑块；所述电机通过所述联轴器和所述减速机与所述直线模组连接并驱动所述滑块运动，所述滑块上固定连接有支撑座，所述机械臂固定连接在所述支撑座上，所述机械臂的末端连接有用于抓取物品的机械手；
[0007]所述机械臂能够在所述医疗床的边缘处移动，进行全位置护理；
[0008]所述机械臂的末端设置有感知模块，所述感知模块包括：图像传感器、测距传感器，通过所述图像传感器及测距传感器感知到设定距离范围内的物品(如水杯，药瓶等)，并记录此时机械臂的姿态信息，所述机械臂的末端安装有姿态惯导模块，通过所述姿态惯导模块实现对末端物品的姿态进行检测，使得物品能够以正确的姿态递送给被护理人；
[0009]所述机械臂的末端设置有深度相机，通过所述深度相机对室内主要物品进行扫描和记录，对不同位置的物品信息进行存储记录，为下一步的护理执行奠定基础。
[0010]进一步地，所述机械臂的控制方法包括：
[0011]将机械臂的姿态信息数据与深度相机(摄像头)信息融合，记录在不同位置上的物品种类和三维空间信息；通过所述图像传感器对待抓取的物品进行实时追踪，同时捕捉被
护理人的面部特征及动作姿态；利用物品分类检测与跟踪以及被护理人的面部特征及动作姿态的信息对机械臂进行实时控制，实施自动化护理措施。
[0012]进一步地，所述实施自动化护理措施的方法包括：
[0013]当被护理人通过语音信息发送给智能护理机器人后，智能护理机器人根据检测到的语音信息准确地控制所述机械臂到达对应位置取得被护理人所需的物品。
[0014]进一步地，所述物品分类检测与跟踪的方法包括：
[0015]采用yolov5结构与Deep sort网络结合的多目标跟踪检测算法，训练实时多目标跟踪模型；
[0016]所述Yolov5结构由输入端、backbone、neck和prediction四个部分组成；其中，backbone是在不同图像细粒度上聚合并形成图像特征的卷积神经网络；neck是一系列混合与组合图像特征的网络层，并将所述图像特征传递到prediction预测层；prediction预测层对图像特征进行预测，生成边界框合分类结果；在Yolov5中，使用Mosaic数据增强操作提升训练速度和网络精度，同时自适应地计算出最佳锚点框；
[0017]所述Deep sort的前身是SORT，全称是Simple Online and Realtime Tracking；SORT最大特点是基于Faster R
‑
CNN的目标检测方法，并利用卡尔曼滤波算法和匈牙利算法，极大提高了多目标跟踪的速度，同时达到了SOTA(State of the art)的准确率；Deep sort网络算法分为四个核心部分：轨迹处理和状态估计、相关性度量、级联匹配、深度特征描述器；轨迹处理和状态估计部分的算法和sort算法类似，主要分为运动状态估计和目标创建与移除；Deep sort算法通过(u,v,γ,h,x1,y1,γ1,h1)八个参数描述目标的运动状态，其中(u,v)为目标锚点框的中心坐标，γ是目标锚点框的长宽比，h表示目标锚点框的高度，其余四个变量x1,y1,γ1,h1为目标对应在图像坐标中的运动信息；通过一个基于常量速度模型和线性观测模型的标准卡尔曼滤波器对目标的运动状态进行预测，预测的结果为(u,v,γ,h)；设置帧数阈值A
max
，设置计数器a
k
表示第k个追踪目标最后一次出现到当前帧所间隔的帧数，每次目标出现都将刷新计数器将计数器置为0，若a
k
>A
max
，则目标k追踪结束；
[0018]若目标匹配过程中，有目标始终无法与已存在路径相匹配，则认为该目标可能为新出现的目标；如果接下来的3帧都连续检测到了该目标，则该目标将被认定为新出现的跟踪目标，并以此目标为起始目标生成新的跟踪路径，否则不生成新的跟踪路径。
[0019]进一步地，所述捕捉被护理人的面部特征及动作姿态的方法包括：
[0020]使用头部姿态估算FSA
‑
Net模型，借鉴年龄识别网络结构SSR
‑
Net的分级预测(K stages)和动态区间(Shift and scale)机制，网络输入采用两条数据流处理得到三个阶段的特征图(feature map)，所述两条数据流的相同阶段的输出将通过元素相乘和卷积神经网络变成各个阶段的特征图U
k
，送入到FSA
‑
Net的细粒度特征聚合(Fine
‑
grained structure feature aggregation)模块，所述细粒度特征聚合模块经过由评分机制和特征映射完成的空间聚合(spatial grouping)将输出送入FSA
‑
Net的特征聚合模块，得到所述三个阶段中每个阶段的特征集合，将所述每个阶段的特征集合分别送入FSA
‑
Net的全连接层预测SSR
‑
Net模型中的p,Δk,η参数，其中，p为年龄的分布，Δk为尺度,η为偏移，将p,Δk,η用于预测人脸姿态的欧拉角；
[0021]人脸姿态主要包含三个欧拉角(Yaw，Pitch，Raw)三个分量，即头部在xyz三个坐标
轴上分别的旋转角，预测出欧拉角参数，即可设计机械臂到达目标位置的具体姿态；
[0022]FSA
‑
Ne本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能护理机器人，其特征在于，包括：机械臂、医疗床、直线模组、电机组件；所述医疗床的边缘处固定连接有模组安装座，所述直线模组与所述模组安装座固定连接，所述电机组件包括：电机、联轴器、减速机；所述直线模组上设置有能够直线运动的滑块；所述电机通过所述联轴器和所述减速机与所述直线模组连接并驱动所述滑块运动，所述滑块上固定连接有支撑座，所述机械臂固定连接在所述支撑座上，所述机械臂的末端连接有用于抓取物品的机械手；所述机械臂的末端设置有感知模块，所述感知模块包括：图像传感器、测距传感器，通过所述图像传感器及测距传感器感知到设定距离范围内的物品，并记录此时机械臂的姿态信息，所述机械臂的末端安装有姿态惯导模块，通过所述姿态惯导模块对末端物品的姿态进行检测，使得物品以正确的姿态递送给被护理人；所述机械臂的末端设置有深度相机，通过所述深度相机对室内主要物品进行扫描和记录，对不同位置的物品信息进行存储记录，为下一步的护理执行奠定基础。2.根据权利要求1所述的智能护理机器人，其特征在于，所述机械臂的控制方法包括：将机械臂的姿态信息数据与深度相机信息融合，记录在不同位置上的物品种类和三维空间信息；通过所述图像传感器对待抓取的物品进行实时追踪，同时捕捉被护理人的面部特征及动作姿态；利用物品分类检测与跟踪以及被护理人的面部特征及动作姿态的信息对机械臂进行实时控制，实施自动化护理措施。3.根据权利要求2所述的智能护理机器人，其特征在于，所述实施自动化护理措施的方法包括：当被护理人通过语音信息发送给智能护理机器人后，智能护理机器人根据检测到的语音信息控制所述机械臂到达对应位置取得被护理人所需的物品。4.根据权利要求1所述的智能护理机器人，其特征在于，所述物品分类检测与跟踪的方法包括：采用yolov5结构与Deep sort网络结合的多目标跟踪检测算法，训练实时多目标跟踪模型；所述Yolov5结构由输入端、backbone、neck和prediction四个部分组成；其中，backbone是在不同图像细粒度上聚合并形成图像特征的卷积神经网络；neck是一系列混合与组合图像特征的网络层，并将所述图像特征传递到prediction预测层；prediction预测层对图像特征进行预测，生成边界框合分类结果；在Yolov5中，使用Mosaic数据增强操作提升训练速度和网络精度，同时自适应地计算出最佳锚点框；所述Deep sort基于Faster R
‑
CNN的目标检测方法，并利用卡尔曼滤波算法和匈牙利算法，Deep sort网络算法分为四个核心部分：轨迹处理和状态估计、相关性度量、级联匹配、深度特征描述器；轨迹处理和状态估计部分的算法分为运动状态估计和目标创建与移除；Deep sort算法通过(u,v,γ,h,x1,y1,γ1,h1)八个参数描述目标的运动状态，其中(u,v)为目标锚点框的中心坐标，γ是目标锚点框的长宽比，h表示目标锚点框的高度，其余四个变量x1,y1,γ1,h1为目标对应在图像坐标中的运动信息；通过一个基于常量速度模型和线性观测模型的标准卡尔曼滤波器对目标的运动状态进行预测，预测的结果为(u,v,γ,h)；设置帧数阈值A
max
，设置计数器a
k
表示第k个追踪目标最后一次出现到当前帧所间隔的帧数，每...

【专利技术属性】
技术研发人员：麦海星，赵敏，元小强，丁宁，
申请(专利权)人：深圳市人工智能与机器人研究院，
类型：发明
国别省市：