基于视觉体感双平衡的防晕动系统*

　　创意来源

　　每次乘坐公交车出行，身边的同学总是被司机的各种转弯、刹车和加速搞得头晕目眩。

　　我们查阅了大量资料，了解到生活中俗称的晕车、晕船等现象，医学上称之为晕动病，为一种平衡失调的疾病。当人眼所见到的运动与身体前庭系统所感觉到的运动不相符时，人就会有昏厥、恶心、食欲减退等症状出现。呕吐反应是由中枢神经系统中的呕吐中心与内耳前庭系统对抗引起的生理反应。和一般的病症不同，晕动病导致的恶心并不会在呕吐后得到缓解。

　　许多治疗恶心和呕吐的药物在某些情况下很奏效，但是却无法根治晕动病，而且效果不佳且存在副作用。

　　在我们乘坐地铁和轻轨转弯的时候，我们可以观察到外面的景象发生了倾斜，而人体没有产生离心力带来的晃动感。我们思考如果能够将轨道交通的这种方案运用到其他交通工具中去，这将给身边那些晕车晕船的人带来巨大的福音。

　　然而，轨道交通依赖于其固定的线路和预定的速度计算出其在每个点精确的倾角，在其他交通工具上，速度和倾角都是实时变化的，因此需要有传感器和执行机构实现系统的实时平衡。同时，我们还需要配合自稳平台呈现出稳定的图像到头戴显示设备。

　　关键技术

　　1.三自由度机械结构

　　为了实现平台稳定，我们使用了三自由度机械结构来实现体感平衡。因为此结构为多支杆并行支撑，所以稳定性很高，另外三自由度的控制度很高，因此很适合用作我们的稳定平台。

　　2.PID控制

　　既然我们要做到实时的精确自动控制，那么就一定离不开自动控制理论中经典算法：PID控制算法。我们使用Intel Galileo实现了两个PID控制器，一个用于平台的角度闭环反馈，另一个用于电机的速度闭环反馈。将传感器采集的角度信息传递给角度PID控制器，得到对应的控制量，通过运动解耦来控制三个电机的运转。而每个电机又有独立的速度PID控制器，保证电机不会因为负载重量的变化而改变响应速度。

　　3.视频稳定

　　视频图像稳定是我们的双平衡中不可或缺的一环，由于稳定后的图像通过视频眼镜直接展示给用户，这就要求我们的图像需要进行实时处理。整个稳定算法由两个模块组成，分别是运动向量检测和运动补偿。运动向量检测用于计算每一张图像和前一张图像之间相对运动的信息，利用得出的相对运动关系，采用运动补偿模块就可以通过反向施加相对运动来达到图像稳定。整个算法利用OpenCV为基础实现，由于图像算法的计算量很大，Baytrail平台的CPU不能完成实时处理的效果，由于图像算法具有高度并行的特点，于是通过OpenCL异构计算技术充分利用Baytrail平台的GPU来加速图像处理算法，结果处理速度得到了1000倍的提升。

　　4.运动向量检测

　　运动向量检测通过提取图像中的特征点并且跟踪图像中特征点的移动来实现，核心算法就是特征点提取和特征点跟踪。特征点提取采用HarrisCorner，本项目提取图像中特征最强的100点，特征点数目通过兼顾算法的稳定性和速度而确定。特征点跟踪使用稀疏光流来跟踪特征点的移动。通过4组匹配的特征点，可以计算出两张图像变换的单应性矩阵。由于我们有100组匹配的特征点，而特征点数据中有噪声，因此采用RANSAC算法排除噪声较大的点来计算出误差最小的单应性矩阵。

　　5.运动补偿

　　运动补偿对图像中的每个像素计算出经过单应性矩阵变换后的像素坐标，由此可以将一张运动后的图片恢复到没有运动的状态。

　　应用前景

　　我们搭建的系统还需要通过实践来检验。7月初，我们搭乘普陀山号客运轮船，当晚海面上风浪较大，在船舱内晃动的感觉是很明显的。经过10个小时颠簸的旅程，我们采集了大量的传感器数据并对我们的运行系统进行实体测试。其他乘客的感受和大量实验数据表明，我们的系统在实现运动平衡方面具有较好的效果。

　　未来，不同交通工具可以广泛部署这种产品，以极大地提升乘客的旅行体验。每种交通工具中只需为易感人群提供少量的平衡座椅，控制结构和算法基本相同对于规模扩大并不会增加太多的成本。同样，对于像客轮等大型交通工具，内部则可以实现一个更大的平衡甲板来实现对整个船舱的平衡，这样只需要一套整体系统就可以提供更加舒适的乘坐体验。

　　当然，本项目也存在很多尚待改进的部分：从算法的优化到人体工程学的设计，都需要更多的努力；现有的低成本的直流推杆电机的响应速度不足，视频眼镜的体验并不完美，这些都需要我们团队向着工程化、商品化进行推进。

　　参考文献：

　　[1]晕动病.维基百科[R/OL].( (2013-10-31).http：//zh.wikipedia.org/w/index.php？title=%E6%99%95%E5%8A%A8%E7%97%85&oldid=29071020

　　[2]张林，黄矛.晕动病易感性的研究[J].现代生物医学进展，2010(16)：3157-3159

　　[3]Shi and C.Tomasi Good Features to Track.Proceedingsof the IEEE Conference on Computer Vision and Pattern Recognition，1994(6)：593-600

　　[4]Opencvv2.4.9 documents image pyramids[R/OL].http：//docs.opencv.org/doc/tutorials/imgproc/pyramids/pyramids.html

　　[5]Lucas B D，Kanade T.An iterative image registrationtechnique with an application to stereo vision.Proceedings ofImaging Understanding Workshop，1981：21-130

　　[6]Bradski G，Kaehler A.Learning OpenCV： Computer Visionwith the OpenCV Library

　　[7]Szeliski R.Computer Vision：Algorithms and Applications

　　陈国军 郭枭鹏 仲鸣 西安电子科技大学(陕西 西安710126 )