Intelligent Robot Rullstol

Artificiell Intelligens HKGBB0
Kognitionsvetenskapliga programmet, HT 2001
Institution för Datavetenskap, Linköpings Universitet
Intelligenta Robot
Rullstolar
Karin Andersson
730215
Fack 3
karan039@student.liu.se

~ Intelligenta Robot Rullstolar ~
Abstract
För många människor är det en självklarhet att kunna ta sig till olika platser utan att behöva
assistans. När man går i en korridor tänker man vanligtvis inte på alla små finjusteringar och
undanmanövrar man gör för att undvika att krocka med föremål eller människor. För personer
med grava rörelsehinder kan det sistnämnda vara en mycket krävande och stressande uppgift
(Yanco, H., 1998).
För att underlätta för dessa personer har man på flera håll utvecklat så kallade Intelligenta
Robot Rullstolar.
I denna rapport kommer jag att ta upp och beskriva hur några generella handlingar (low-level)
utförs genom att framförallt beskriva Wheelesley (Yanco, H., 1995, 1998) samt utifrån systemet
MAid beskriva hur handlingar i en mer krävande omgivning kan utformas/genomföras
(Prassler, Scholz & Strobel, 1998. Prassler, Scholz & Fiorini, 1999). Motsatsen till "lowlevel"
är den så kallade "high-level", vilket syftar på användarens planering av vart han/hon
vill ta sig samt själva kommandogivningen till rullstolen.
Rapporten syftar på att ge en liten inblick i hur utvecklingen av intelligenta robot rullstolar
fortskrider.
1(12)

Innehållsförteckning:
~ Intelligenta Robot Rullstolar ~
Intelligenta Robot Rullstolar
1. Inledning
2. Grundläggande funktioner
2.1 Wheelesley: Inomhusnavigering och Användargränssnitt
2.1.1 Inomhusnavigering
2.1.2 Användargränssnitt
3. MAid - Mobility Aid for Eldery and Disabled People
3.1 Hårdvara
3.2 Systemarkitektur
3.3 NAN - narrow area navigation
3.4 WAN - wide area navigation
3.4.1 Upptäcka och följa rörelser
3.4.2 Beräkna undvikande kurs
3.5 Testkörningar
4. Diskussion
Referenser
2(12)

~ Intelligenta Robot Rullstolar ~
1. Inledning
Att alltid kunna ta sig till olika platser utan att behöva ha med sig någon som hjälper en, är för
många människor en självklarhet. För personer med grava rörelsehinder är detta kanske inte
så självklart. Inte bara på grund av otillgängligheten utifrån nivån, eller kanske snarare saknaden,
av handikappanpassning (trappor utan ramp, höga trottoarkanter, etc.), utan mer på grund
av att de har svårt att själva hantera sin rullstol med tanke på deras funktionsnedsättningar.
Elektriska rullstolar har funnits länge och med dessa kan många som inte klarar av en manuell
rullstol få större rörelsefrihet. För de personer med till exempel ofrivilliga rörelser (såsom
spastiska), problem med finmotorik, koordinationssvårigheter, och/eller koncentrationssvårigheter
kan navigering, med en vanlig elektrisk rullstol, på exempelvis en större plats med
många människor och föremål vara en uppgift som blir allt för svår och ansträngande. För att
underlätta för dessa har man på flera håll utvecklat Intelligenta Robot Rullstolar. Det bör påpekas
att personen som ska använda sig av rullstolen måste nå upp till en viss kognitiv
förmåga, man måste ha förståelse för hur de olika funktionerna ska användas, för att kunna
lära sig hantera systemet och rullstolen (Yanco, H., 1998).
Tillvägagångssätten för att lösa de hinder en användare av rullstolen kan stöta på har lösts på
olika sätt utifrån de mål man satt för själva systemet (Gomi & Griffith, 1998, Yanco, 1998).
Omgivningen som rullstolen är tänkt att användas i spelar stor roll. Är roboten tänkt att endast
kunna fungera i en känd miljö eller ska den fungera även på helt nya platser? Ska den klara
navigering såväl utomhus som inomhus? Även den elektriska rullstolens grundutformning
spelar in då man ska utföra olika handlingar. Drivhjulens placering är en aspekt att ta hänsyn
till då exempelvis "sväng-handlingen" ska programmeras (Yanco, H., 1998).
En annan sak är att rullstolen fortfarande ska kunna manövreras av användaren själv. Det är
alltså viktigt att systemet smidigt kan växla mellan helt autonomt till användarkontrollerat
(semi-autonomt) (Gribble et al., 1998).
Man måste även ta hänsyn till den specifike användarens behov och begränsning. De vanliga
elektriska rullstolarna styrs oftast med hjälp av en joystick men flera användare har så begränsad
finmotorik att en annan lösning måste hittas. Man har bland annat prövat med röststyrning
och "synstyrning" (EagleEyes) (Yanco, H. & Gips, J., 1997).
Slutligen får man inte glömma själva utformningen på rullstolen inkluderat all extrautrustning.
I största möjligaste mån bör extrautrustningen placeras så att den inte bli skrymmande
eller drar "onödig" uppmärksamhet till sig (Prassler, E., Scholz, J. & Fiorini, P., 1999).
2. Grundläggande funktioner
Förutom Stopp, Framåt, Bakåt, Höger- respektive Vänstersväng, räknas följande handlingar
som grundläggande funktioner (Prassler, E., Scholz, J. & Fiorini, P., 1999):
• Navigering i korridor genom att följa väggen/arna.
• Undvika att krocka med objekt.
• Navigering genom trånga passager.
Dessa funktioner benämns ofta som låg-nivå kommandon (low-level). Motsatsen high-level,
syftar på användarens planering av vart han/hon vill ta sig samt själva kommandogivningen
till rullstolen.
För att roboten ska kunna klara dessa handlingar krävs att den har olika typer av sensorer som
gör att den kan navigera säkert. Det förekommer olika varianter av navigering- och sensorutrustning.
En del använder sig av så kallade Sonar sensorer (SOund Navigation and Ranging)
3(12)

~ Intelligenta Robot Rullstolar ~
kombinerat med kartbaserad navigering. Andra utnyttjar flera olika typer av sensorer, exempelvis
SUNX (infraröd), Sonar samt "shaft encoders" (Yanco, H., 1998).
Några kombinerar "bump-" samt infraröda sensorer med kameror (Chrisman & Cleary, 1998).
Det är även viktigt att interaktionen mellan användaren och roboten sker så smidigt som möjligt.
Roboten ska lätt kunna ta över från användaren men samtidigt avbryta sin handling så
fort användare vill ta över.
2.1 Wheelesley: Inomhusnavigering och Användargränssnitt
H. Yanco är en av de som varit med och utvecklat Wheelesley på MIT Artificial Intelligence
Laboratory. Målet med projektet var att utveckla ett system som kunde gå in och assistera och
ta över navigeringen, speciellt vid svåra moment, för att på så sätt underlätta för användaren.
Meningen är att systemet ska klara både inomhus och utomhus navigering och automatiskt
skifta mellan de bägge lägena. Utformandet av användargränssnittet och möjligheten att anpassa
detta utefter användarens specifika behov betonas även. I sin rapport (Yanco, H., 1998)
tar Yanco inte upp utomhus navigering, då det fortfarande var under utveckling, varför det
heller inte kommer att tas upp i den här rapporten.
2.1.1 Inomhusnavigering
Wheelesley systemet kan ta över den så kallade låg-nivå navigeringen (low-level) genom att
användaren ger den ett kommando (high-level). Till exempel kan användaren ge kommandot
"framåt" och rullstolen kör framåt i exempelvis en korridor samtidigt som den undviker att
krocka med föremål och människor. Den håller sig i mitten av korridoren för att underlätta för
eventuella undanmanövrar. Den forstätter framåt tills det att den får in ett nytt kommando,
dock stannar den innan den till exempel kör in i väggen. Systemet använder sig inte av någon
karta över lokalen utan navigerar med hjälp av sensorer och utifrån de möjliga handlingarna
som finns lagrade i mjukvaran. Då den inte använder sig av kartor kan den fungera i tidigare
obesökta lokaler. Det gör även att den inte planerar hur den ska ta sig från plats a till b. Denna
planering får användaren själv stå för, vilket gör att roboten inte behöver planera om, i fall
användaren ändrar sig angående målet. Om det är önskvärt, kan dock kartor över de mest besökta
lokalerna (hemmet, arbetet) läggas in för att på så sätt öka automatiseringen.
De sensorer som systemet använder sig av är SUNX (infraröd), Sonar, "shaft encoders" (vid
hjulen) samt att "stötdämparen" längst fram är försedd med sensorer. Systemet är reaktiv styrt,
användaren ger kommandot och roboten ser till att handlingen utförs säkert.
De infraröda sensorerna läser av omgivningen och indikerar, genom binär indata, om något
befinner sig inom ca 30 cm avstånd. Så fort som någon infraröd sensor upptäcker ett föremål
korrigeras rullstolens rörelse så att den inte kör på föremålet. Sonar sensorerna returnerar avstånden
till olika objekt för att systemet på så sätt ska kunna avgöra om objektet är för nära
rullstolen eller inte. Om både de infraröda och Sonar sensorerna skulle missa ett föremål under
framåtkörning så kommer "stötdämparen" att köra på föremålet. Eftersom den är försedd
med sensorer stannar emellertid rullstolen direkt. Dock inträffar det inte så ofta att rullstolen
kör på föremål. Under ungefär 10 timmars testkörning hände detta endast en gång.
2.1.2 Användargränssnitt
För att så många som möjligt ska kunna använda sig av Wheelesley har man försökt hitta ett
gränssnitt som är lätt att anpassa. Man har skapat ett grafiskt användargränssnitt som körs på
en Mac Intosh Powerbook. Systemet har bland annat anpassats för "synstyrning" (EagleEyes)
(Yanco, H. & Gips, J., 1997. Yanco, H., 1998). EagleEyes använder sig av en teknik där fem
elektroder placeras på användaren. Två elektroder placeras över respektive under ett öga, två
4(12)

~ Intelligenta Robot Rullstolar ~
placeras till vänster respektive höger om ögonen och en elektrod i pannan. Elektroderna mäter
EOG:n (electro-oculographic potential) utifrån ögonens vinkel och sänder sedan värdena till
datorn som bearbetar dessa så att användaren kan styra pilen på skärmen (i stället för den vanliga
musen). Om man exempelvis tittar åt höger så rör sig pilen åt höger. För att bekräfta
(klicka) räcker det att man håller pilen stilla en kort stund. Nedan (figur 1) ses Wheelesley's
grafiska gränssnitt i originalutförande. Då EagleEyes används anpassas skärmen genom att
man endast visar de fyra pilarna samt att stopptecknen utökas till fyra och placeras i vardera
hörn. Detta för att minska pilförflyttningen vid ett stoppkommando.
Figur 1. Wheelesley's grafiska gränssnitt i originalutförande
Då användaren kan hantera rullstolen med joystick visas skärmbilden som den ovan (figur 1).
Användaren kan bland annat, genom att klicka på + respektive - tecknet, reglera hastigheten.
Om systemet är inställt på semi-autonomt, till exempel vid undvikning av objekt, kan systemet
själv gå in och sänka hastigheten, om så behövs, för att genomföra handlingen på ett
säkert sätt.
"Sensor Map:en" talar om för användaren vart sensorerna sitter på rullstolen samt deras aktiveringsnivå.
Vissa användare kan ha svårt att röra tillräckligt på huvudet för att kunna se sig
om. De kan då istället titta på "kartan" och på så sätt veta vad rullstolen kan komma att behöva
göra. Rektanglarna representerar Sonar sensorerna som mäter avståndet till objekten. En
helt vit rektangel visar att det inte finns något föremål inom mätbart avstånd. Ju svartare rektangeln
är desto närmare befinner sig rullstolen föremålet. De små cirklarna med ett litet
streck på representerar de olika infraröda sensorerna, strecket visar vilken riktning sensorn
har. Då dessa är binära representerar en tom cirkel att sensorn inte upptäckt något objekt och
en fylld cirkel att sensorn upptäckt ett objekt.
3. MAid - Mobility Aid for Eldery and Disabled People
Grunden är en vanlig elektrisk rullstol som man utrustat med ett intelligent navigeringssystem.
Systemet är liksom Wheelesley semi-autonomt och fullt autonomt.
Vid diskussioner med äldre, rörelsehindrade samt läkare framkom det att det inte alltid är de
generella handlingarna som är svåra att utföra. Det svåra är att navigera i en miljö med mycket
människor i rörelse, där det hela tiden krävs stor koncentration och uppmärksamhet för att
inte krocka med någon. MAid-systemet delades upp i två typer av navigering, NAN (narrow
5(12)

~ Intelligenta Robot Rullstolar ~
area navigation) för navigering i kända miljöer och WAN (wide area navigation) för okända
miljöer. Se vidare i avsnitt 3.3 och 3.4.
3.1 Hårdvara
Basen är en vanlig elektrisk rullstol med två drivhjul centralt placerade samt två "passiva"
hjul längst fram för att stabilisera rullstolen. Rullstolen kan styras manuellt med hjälp av en
joystick. Själva systemet körs på en PC (Pentium 166MHz) och man har installerat ett "realtime"
system (QNX) på den.
För att kunna avläsa omgivningen använder man sig av följande sensorer (se figur 2):
• Ett död-räkning system (dead-reckoning system) som består av ett antal avläsare på
hjulen (wheel encoders) samt ett fiber optiskt gyroskop.
• En modul med Sonar system som omfattar tre delar där varje del består av 8 ultraljuds
transformerare och en mikrokontroll. Dessa är monterade på en aluminiumram runt
rullstolen och den kan fällas undan när användaren ska ta sig i och ur rullstolen.
• Två infraröda scannrar (Sharp GP2D02) som mäter kortare avstånd.
• En SICK 2D avståndsmätande laser (PLS 200) som är fäst på en avtagbar ställning.
Figur 2. MAid - Hårdvara
Död-räkning systemet beräknar rullstolens avverkade distans samt dess riktningsförändringar.
Beräkningssystemet tillhandahåller således grundläggande information om rullstolens position
och riktning. Det är inte helt optimalt men ändå acceptabelt. Sonar systemet och SICK
lasern har till uppgift att avläsa omgivningen för att upptäcka och undvika föremål, samt bestämma
vilka av föremålen som är rörliga och vilka som är stationära. Lasern ger en god
tvådimensionell bild av omgivningen, men en stor nackdel med lasern är dock att den endast
ger ut en tvådimensionell bild, vilket ju världen inte är. På grund av detta används datan från
lasern främst till att upptäcka rörliga objekt. En annan nackdel är laserns kostnad (US$4000,
1999) men för att kunna upptäcka och undvika flera rörliga objekt i "real-time" anser Prassler,
E., Scholz, J. och Fiorini, P. (1999) att den är nödvändig. Sonarsystemet kompletterar lasern
genom att det kan upptäcka objekt som är utom räckhåll för lasern, antingen för att objektet är
för långt ner och därför hamnar utanför laserns konformade räckvidd, till exempel väskor på
golvet, eller för att objektet inte returnerar tillräckligt starka signaler till lasern, exempelvis
glasdörrar. Var för sig har både lasern och Sonarsystemet brister men tillsammans komplette-
6(12)

~ Intelligenta Robot Rullstolar ~
rar de varandra bra för att kunna upptäcka och undvika rörliga föremål i en tredimensionell
värld. Deras data används även för att uppskatta MAid's position i omgivningen genom att
datan beräknas i ett utvidgat Kalman filter. För att beräkningar ska kunna ske behöver filtret
ha förkunskap om omgivningen. Dessa kunskaper jämförs sedan med de värden filtret får in,
för att på så sätt kunna göra en bedömning av vart rullstolen befinner sig. I en tidigare obesökt
omgivning kan man inte använda sig av detta filter då förkunskap om omgivningen saknas,
man får istället förlita sig på de beräkningar som död-räkning systemet gör.
Ovannämnda sensorer, förutom lasern, samt rörelsekommandona till rörelsekontrollen är tillsammans
länkade till och från PC:n via en "field bus". Då lasern ger ut så mycket data är den
kopplad direkt till PC:n via en seriell port. Både rullstolen och navigeringsprogrammet (PC:n)
styrs med hjälp av joysticken. Via navigeringsprogrammet kan användaren välja vilket läge
systemet ska arbeta i, ge kommandon samt målposition.
Då systemet ska kunna användas av olika personer med varierande funktionsnedsättningar
krävs det att det är flexibelt, så att det kan anpassas efter användarens behov. Bland annat
kommer försök med talstyrning att göras.
3.2 Systemarkitektur
Systemet är hierarkiskt uppbyggt med tre nivåer, baskontroll nivå, taktisk nivå samt strategisk
nivå. Baskontroll nivån är den nivå i systemet som används på samma sätt av de högre nivåernas
komponenter. Den taktiska nivån skiljer sig beroende på om NAN eller WAN är
aktiverat, likadant är det med den strategiska nivån. Skillnaden ligger i att de två typerna av
navigering använder sig av olika algoritmer. I figur 3 ser man de tre olika nivåerna, man har
representerat skillnaderna i den taktiska och strategiska nivån genom att beskriva WAN, som
den ljusare grå delen, och NAN, som den mörkare. Längst ner finns den gemensamma baskontroll
nivån.
Figur 3. MAid - Systemarkitektur
På baskontroll nivån beräknas värdena av kontrollvariablerna som slutligen får rullstolen i
rörelse. Den här nivån består i sin tur av två moduler, dels den som ansvarar för grundläggande
kollisions undvikning samt att verkställa lokala nödsituationsmanövrar, dels den modul
7(12)
range data
range data
(Vodo, ωodo)

~ Intelligenta Robot Rullstolar ~
som kontrollerar rörelsen. Rörelsemodulen får in rörelsevektor som beskriver målets värden
för förflyttning och riktning, samt aktuella värden för förflyttning (translational) och vridning
(rotational) (v,ω) för rullstolen. Rörelsevektorn konverteras till målvärden och från dessa
värden samt de aktuella värdena från död-räkning systemet beräknas nya värden som sedan
matas ut till motor/rörelse kontrollen.
Modulen för att undvika kollison får in samma värden bortsett de från död-räkning systemet,
istället får den in information från positions uppskattnings modulen. Modulen för att undvika
kollision måste utifrån de värden den får in garantera att rullstolen inte krockar med något
objekt. För att kunna göra det beräknar modulen tiden som återstår innan rullstolen krockar
med objektet för alla objekt i omgivningen. Translational och rotational rörelserna är begränsade
så att rullstolen kommer att stanna i tid. Modulen talar endast om huruvida rullstolen är
på kollisionskurs eller inte. Vad som bör göras för att undvika kollison och hur, lämnas till de
högre nivåerna. Som säkerhet har man dock lagt in nödsituations manöver, denna gör att rullstolen
backar tillbaka en bit samma väg som den kommit, för att på så sätt ge tid till de högre
nivåerna att lösa situationen. Anledningen till att man gjort denna säkerhetsåtgärd är att de
beräkningar som sker på de högre nivåerna kan ta för lång tid att utföra innan det är för sent.
En annan anledning är att det kan förekomma fel i de olika uppskattningarna som systemet
gör angående exempelvis position, sådana feluppskattningar kan lätt leda till kollison. Rörelsemodulen
och modulen för att undvika kollison kallas tillsammans för piloten och den får
sina kommandon antingen från WAN eller NAN, som båda består av submoduler från de högre
nivåerna.
3.3 NAN - narrow area navigation
För att planera och genomföra en manöver i en liten, rörig omgivning använder sig MAid av
konfigurationsrymds baserad planerare, rörelseplaneraren på strategiska nivån. Planeraren
kräver start och mål konfiguration som består av position (x, y) och riktning θ. Startläget kan
fås utifrån positions uppskattnings modulen men målet måste specificeras av användaren. I
NAN modulen kan MAid använda sig av en karta över lokalen för att utifrån den kunna navigera.
Baserat på MAid's kunskap om dess omgivning vid den tidpunkten då uppgiften
specificeras, skapas en konfigurationsrymd som innehåller alla möjliga konfigurationer som
MAid kan nå utan att kollidera. MAid söker sedan i denna rymd efter den optimala sekvensen
som tar rullstolen från startpunkten till målet. Ett kriterium för att sekvensen ska vara optimal
kan innebära att den ska vara den kortaste. Alltså söker planeringsalgoritmen efter den kortaste
sekvensen. Den förs sedan vidare till planexekverings och positionskontrolls modulen. Där
gås den igenom steg för steg och varje konfiguration konverteras till målvärden (v', ω') för
förflyttning (oftast framåt) och sväng rörelserna. De förändringar som sker i omgivningen tas
inte med i beräkningarna i konfigurationsrymden utan tas omhand av den underliggande modulen
för att undvika kollison. Om en förändring har skett informerar den senare modulen
rörelseplaneraren som uppdaterar sin kunskap och gör en omplanering utifrån de nya förhållandena.
Det är viktigt att påpeka att NAN modulen inte klarar av att navigera i en snabbt
föränderlig omgivning. För att klara detta använder sig MAid av WAN modulen.
3.4 WAN - wide area navigation
WAN ansvarar för säker navigering i en miljö med mycket folk och snabba förändringar, där
huvuduppgiften är att nå målet som användaren specificerat. WAN använder sig inte av någon
karta varför den även fungerar i ett tidigare obesökt område. För att klara detta består MAid's
kontrollsystem av tre komponenter, en algoritm för att upptäcka rörelser, en algoritm för att
följa rörelser samt en algoritm för att beräkna undvikande kurs. Dessa tre algoritmer tar cirka
8(12)

~ Intelligenta Robot Rullstolar ~
70 ms att beräkna. Om man dessutom lägger till tiden för observationerna från sensorerna,
ökar tiden till ca 0,3 s. MAid är alltså kapabel att beräkna en ny manöver var 0,3:e sekund.
3.4.1 Upptäcka och följa rörelser
Då eventuella förändringar i omgivningen ska upptäckas jämförs sekvenser av indata från
samma område med varandra, för att se om det finns någon skillnad. Om det visar sig att en
skillnad finnas ger det en stark indikation på att det skett en förändring, antingen genom att
rullstolen själv har förflyttat sig eller att ett objekt flyttat sig. Den avståndsmätande lasern
används för att upptäcka och följa rörelser. Den har en räckvidd på max d = 50 meter, med en
noggrannhet på σd ≈ 50 mm och ett gradomfång på ± 90° med en upplösning på 0,5°. Den
arbetar med en frekvens på 3 Hz och ger tre "omfångsbilder" per sekund. Avståndsinformationen
som lasern ger är relaterad utifrån den lokala referensramen.
Då man ska jämföra två lokala omfångsbilder är det nödvändigt att veta exakt vilken rörelse
lasern (rullstolen) har gjort mellan de två observationerna, det vill säga hur långt den har rört
sig från den ena bilden till den andra och hur mycket den har vridit sig. Denna information
tillhandahålls av död-räkning systemet, vilket möjliggör för rullstolen att hålla ordning på sin
position och riktning, över en viss begränsad förflyttning, med relativt hög noggrannhet. Med
hjälp av den gällande positionen och riktningen beräknas och skickas värdena av de lokala
omfångsbilderna till den aktuella referensramen.
För att representera variationer i omgivningen över tid används en så kallad "time stamp map"
(T S M). "Tidkartan" är ett tvådimensionellt rutsystem som endast innehåller de områden som
är ockuperade vid en viss tidpunkt, t, den omfattar således inte någon information om de områden
som inte är ockuperade vid samma tidpunkt. Anledningen till att man valt att göra på
det här sättet var att man vid försök upptäckte att den mesta tiden gick åt till att kartlägga de
områden som inte var upptagna.
Variationen över tid beräknas utifrån sekvensen T S Mt, T S Mt-1,.....T S Mt-n.
9(12)
Figur 4. Exempel på "time stamp map"
Bilderna a-c, figur 4, till vänster visar hur tidkartor
kan se ut. De visar ett rörligt objekt och ett stationärt.
I ruta d är de tre kartorna sammanslagna.
Tiden för observationen representeras av färgen, ju
mer nyligen observation skedde desto mörkare nyans.
Tiden det tar att uppta och omvandla omfångsbilden
till en 200 × 200 celler stor tidkarta är ungefär 1,5 ms
på en Pentium 166 MHz.
Genom att använda en enkel heuristik kan man upptäcka en rörelse i en tidsfrekvens. De celler
i T S Mt som är markerade som upptagna, jämförs med motsvarande celler i T S Mt-1, om
samma celler är upptagna vid båda tillfällena indikerar det på att det är ett stationärt föremål.
Om det skulle finnas en skillnad i jämförelsen mellan de olika tidkartorna kan man dra den

~ Intelligenta Robot Rullstolar ~
slutsatsen att det handlar om ett rörligt objekt. Inaktuell tiddata behöver inte tas bort utan
kommer att skrivas över av ny information.
För att kunna följa en rörelse och uppskatta objektets rörelsebana krävs att man utifrån de
tidigare nämnda tidskartorna fångar de senaste sekvenserna av objektets rörelseriktning och
hastighet eller acceleration. Trots att det skulle vara tillräckligt att endast jämföra två tidkartor
är det bra att utvidga denna jämförelse till flera, för att på så sätt kunna göra en säkrare beräkning
av objektets föregående rörelsebana. Utifrån denna jämförelse görs en uppskattning av
hur objektets fortsatta rörelsebana kommer att se ut. Huruvida objektet är rörligt eller stationärt
beräknas av den tidigare beskrivna algoritmen.
Det första steget i att fastställa objektets föregående rörelsebana är att identifiera objektet i en
sekvens av tidkartor. När man väl identifierat objektet beräknas dess riktning och hastighet.
Kriteriet för att identifiera objektet är principen "närmast granne". Om avståndet är inom en
viss längd kan man avgöra om det handlar om samma objekt. För stationära objekt får avståndet
vara upp till 30 cm och för rörliga objekt upp till 1 m, vilket är ungefär hur långt en person
går i rask takt under den tid det tar för att få in och jämföra nästa tidkarta. Beräkningen grundar
sig på att sträckan som objektet rör sig ökar linjärt mellan tidsintervallen t - 1 till t. Det
kan verka vara en grov uppskattning av den egentliga rörelsen, den har dock visat sig fungera
bra vid en cykeltid på mindre än 100 ms. En komplett cykel beträffande beräkningarna för att
upptäcka och följa ett rörligt objekt tar ungefär 6 ms för MAid-systemet.
3.4.2 Beräkna undvikande kurs
Vid beräkningen för hur en undvikande kurs ser ut, använder sig MAid av "rörelse hinder"
(velocity obstacles), en metod som utvecklats för att kunna undvika krockar i en omgivning
med flera rörliga objekt (Fiorini, P. & Shiller, S., 1993).
Rullstolens konfigurationsrymd, som representeras som olika vektorer, beräknas på rullstolens
position, hastighet och riktning. Objektets position, hastighet samt riktning jämförs sedan
med konfigurationsrymden, de vektorer som sammanfaller med varandra, det vill säga de kollisionsrelaterade
rörelserna, kallas för "kollisons kon". Kollisions konen är specificerad
utifrån rullstolen och ett objekt, det vill säga parvis. Att välja en rörelsebana utanför "konen"
gör att en kollision undviks, detta förutsatt att objektet fortsätter i samma riktning och hastighet.
För att kunna undvika flera objekt måste liknande specificeringar göras för alla möjliga
rörelsevektorer i konfigurationsrymden. Detta görs genom att ta unionen av alla rörelse hindren
och jämföra denna med konfigurationsrymden, på så sätt får man fram en kollisons kon
för alla objekt och rullstolen. Följaktligen väljs en rörelsevektor som ligger utanför denna kon
och en kollison undviks därför. Om rullstolen är på kollisionskurs med många objekt, prioriteras
de med minst tid kvar till själva krocken.
En undanmanöver består av en förändring i rörelsen för att på så sätt undvika kollision inom
en given tidsram. Utifrån tidigare beräkningar kan rullstolen väja för olika objekt på olika sätt,
beroende på objektets tidigare rörelsemönster.
En komplett bana för rullstolen består av en sekvens av undanmanövrar som undviker stationära
och rörliga objekt och förflyttning mot målet på ett säkert sätt. En global sökning har
föreslagits till "off-line" applikationerna och en heuristisk sökning är mest lämpad för "online"
navigeringen. Banan genereras successivt genom att välja en av alla möjliga undanmanöver
i taget, vid varje åtskilt tidsintervall, med hjälp av en specifik heuristik. Heuristiken kan
specificeras för att tillfredsställa olika mål, såsom robotens överlevnad som första mål och att
nå den önskade slutpositionen, minimera vissa utföranden och/ eller välja en önskad banstruktur
som sekundära mål. Genom att hela tiden välja rörelser utanför kollisions konen (om den
finns) säkrar roboten automatiskt sin överlevnad, vidare kan valet av den bästa, möjliga rörelsevektorn
i riktning mot slutpositionen reducera tiden för utförandet. Det är dock viktigt att
10(12)

~ Intelligenta Robot Rullstolar ~
påpeka att alla objekt inte alltid är tillgängliga vid alla tidpunkter. Syftet med den heuristiska
sökningen är att hitta den bästa lösningen såvida det finns en.
3.5 Testkörningar
Flera testkörningar har gjorts, både i tillrättalagda och i verkliga miljöer, till exempel vänthallen
på centralstationen i Ulm. På det stora hela har körningarna gått bra. MAid navigerar
säkert och lyckas undvika att krocka med de flesta objekten. De föremål som orsakat kollisioner
var till exempel väskor som låg på golvet, utanför laserns räckvidd. För att komma till
rätta med detta satte man dit två extra sensorer på rullstolens fotstöd.
MAid justerar hela tiden riktning, rörelse och hastighet utifrån förändringarna i omgivningen.
Om en person närmar sig i rask takt börjar MAid sin undanmanöver tidigare än om en person
närmar sig saktare. Om rullstolen inte hittar någon säker väg stannar den till och väntar tills
vägen är fri, den fortsätter då automatiskt sin väg mot slutmålet.
4. Diskussion
Den här rapporten har gett en kort sammanfattning av framför allt två olika system - Wheelesley
och MAid. Systemen som beskrivits utgår båda från vanliga elektriska rullstolar och man
förbereder systemets användargränssnitt så att det lätt kan anpassas efter användarens specifika
behov. Utveckling, testning och förfining av systemen sker kontinuerligt. Än så länge
verkar det dock inte finns någon intelligent robot rullstol ute på marknaden. När det kan bli
aktuellt är svårt att säga.
Huruvida miljö som robot rullstolen ska fungera i är känd eller inte, spelar in då man ska bestämma
hur systemet ska arbeta. Om man beslutar sig för att använda kartor över lokalerna
begränsar man systemet till de lokalerna, samtidigt kan man med hjälp av kartor göra systemet
mer autonomt. I MAid löste man detta genom att dela upp navigeringen i två
huvudmoduler - NAN och WAN. Vilket jag tycker var en bra lösning. I Wheelesley använde
man sig inte av kartor men var beredda på att utvidga systemet med det, om så önskades. Då
utvecklingen av de allra flesta systemen har som mål att öka individens rörelsefrihet, verkar
det konstigt om man begränsar systemen till att endast fungera i kända miljöer. Det enda jag
kan se som kan verka emot till exempel MAid's WAN modul, är att den kräver en 2D laser
som är dyr att införskaffa. För övrigt nämns det inte så mycket om kostnaden för en sådan här
rullstol, men vad jag har förstått utifrån de rapporter jag läst så är den ändå överkomlig. Vissa
menar att även en assistent kostar och om en person skulle klara sig utan assisten så sparas
pengar på så sätt.
Att det satsas på utveckling av olika hjälpmedel tycker jag personligen är bra, då den tilltänkta
målgruppen lätt kan glömmas bort. Bortsett från den rent ekonomiska aspekten måste jag säga
att om och när en robot rullstol finns tillgänglig på marknaden, kommer i alla fall vinsten för
de personer som kan använda den bli stor.
11(12)

Referenser
~ Intelligenta Robot Rullstolar ~
Chrisman & Cleary, (1998). A Deictically Controlled Wheelchair. Mittal, V.O. et al. (Eds)
Assistive Technology and AI, LNAI 1458, 1998, pp.137-149. Springer-Verlag Berlin Heidelberg
1998.
Fiorini, P. & Shiller, S., (1993). Motion Planning in Dynamic Enviorments Using the Relative
Velocity Pardigm. Proceedings of 1993 IEEE International Conference on Robotics and
Automation, pp. 560-565, Atalanta 1993.
Gomi, t. & Griffith, A., (1998). Developing Intelligent Wheelchairs for the Handicapped.
Mittal, V.O. et al. (Eds) Assistive Technology and AI, LNAI 1458, 1998, pp.150-178.
Springer-Verlag Berlin Heidelberg 1998.
Gribble et al., (1998). Integrating Vision and Spatial Reasoning for Assistive Navigation.
Mittal, V.O. et al. (Eds) Assistive Technology and AI, LNAI 1458, 1998, pp.179-193.
Springer-Verlag Berlin Heidelberg 1998.
Prassler, E., Scholz, J. & Strobel, M. (1998). MAid: Mobility Assistance for Eldery and Disabled
People. Proceedings of 24 th International Conference of the IEEE Industrial
Electronics Society IECON'98, pp. 2493-2498. Aachen, Germany 1998.
Prassler, E., Scholz, J. & Fiorini, P. (1999). Navigating a Robotic Wheelchair in a Railway
Station during Rush Hour. The International Journal of Robotics Research, Vol.18, No. 7,
July 1999, pp. 711-727.
Yanco, H. (1998). Integrating Robotic Research: A survey of Robotic Wheelchair Development.
AAAI Spring Symposium on Integrating Robotic Research. Stanford University,
California.
Yanco, H. (1998). Wheelesly: A Robotic Wheelchair System: Indoor Navigation and User
Interface. Mittal, V.O. et al. (Eds) Assistive Technology and AI, LNAI 1458, 1998, pp. 256-
268. Springer-Verlag Berlin Heidelberg 1998.
Yanco, H. & Gips, J. (1997). Premilinary Investigation of a Semi-Autonomous Robotic Wheelchair
Directed Trough Electrodes. Proceedings of the Rehabilitation Engineering and
Assistive Technology Society of North America Annual Conference, RESNA Press, 1997,
pp. 414-416.
12(12)