具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

目前在基于康复机器人进行康复训练时，一般需要由专业人员对康复机器人进行参数调整，然后康复机器人根据设定好的参数带动下肢功能障碍的患者进行康复训练。这样导致现有的康复机器人的使用对专业人员的依赖性较大，因此使得其适用性较低，限制了基于康复机器人进行康复的训练普及；并且由于康复机器人参数设定之后不会根据实际训练情况进行自动调节，导致康复机器人的实际移动与用户的实际训练情况贴合度不高，从而导致康复训练效果不佳。

本申请实施例中的助行器的控制方法，通过对使用该助行器的目标对象的实际运动信息进行数据分析获得助行器的调控参数，然后根据调控参数控制助行器的移动方向和移动速率，使得基于该助行器的康复训练方法具有自适应性，提高了助行器的适用性和普及性。同时采用该方法控制助行器使得助行器的移动与目标对象的实际训练情况贴合度高，从而使得基于助行器的康复训练方法的康复训练效果较好。

如图1所示，为本申请一实施例提供的助行器的控制系统的结构示意图。该系统包括：包括助行器101、设置在助行器轮子上的电机102，驱动设备103，与驱动设备通信连接的距离传感器组104、惯性传感器组105，压力传感器组106。其中距离传感器组104包括多个激光测距传感器1041，惯性传感器组105包括多个惯性传感器1051，压力传感器组106包括多个压力传感器1061。其中距离传感器组设置在助行器上，在使用过程中，惯性传感器组穿戴在目标对象的下肢，压力传感器组穿戴在目标对象的脚底和腰部。在申请实施例中，在使用过程中，助行器位于目标对象的前方。

在本实施例中，运动信息是通过距离传感器组、惯性传感器组和压力传感器组中的各个传感器获得的，其中下肢运动状态是通过惯性传感器组和距离传感器组获得的；运动信息还包括从压力传感器组获得的足底压力。驱动设备从各种传感器获得目标对象的运动信息，并将运动信息输入训练后的第一预设模型中，获得目标对象的运动预测状态；将目第一预设模型输出的运动预测状态和下肢运动状态输入训练后的第二预设模型中，获得助行器对应的调控参数，驱动设备根据调控参数通过驱动电机控制助行器移动方向和移动速率。

在本申请实施例的系统中，可以根据基于目标对象的运动信息获取的调控参数来控制助行器的移动，使得基于助行器的康复训练方法具有自适应性，从而可以减少专业人员在助行器运行中的参与程度，该系统的适用性和普及性较高。同时该系统中的助行器的移动与目标对象的实际运动情况贴合度高，使得基于该系统进行康复训练的康复训练效果较好。

可选的，其中惯性传感器可以为九轴惯性传感器，需要说明的是每个惯性传感器也可以是其他类型的惯性传感器，本申请实施例对惯性传感器不做具体限制。

在另一种情况下，运动信息中的下肢运动中状态可以是通过摄像头获得的视频信息或图像信息。示例性的，例如系统中的驱动设备可以与摄像头相连接，摄像头设置在助行器上，用于拍摄使用助行器的目标对象下肢运动情况的视频或图像，驱动设备获取摄像头拍下的视频或图像并对视频信息或图像信息，并将得到的视频信息或图像信息，以及压力传感器组获得的足底压力输入到训练后的第一预设模型中，获得目标对象的运动预测状态；然后将视频信息或图像信息和运动预测状态输入到训练后的第二预设模型中，获得助行器的调控参数，调控参数用于控制助行器的移动方向和移动速率；基于调控参数控制助行器移动。

在一个可选的实施例中，助行器的控制系统会对训练过程的数据进行存储，并且利用新存储的数据再次对第一预设模型和第二预设模型进行训练。使得第一预设模型和第二预设模型的参数得到更新，从而使得系统随着使用得到动态调整。

参见图2，是本申请一实施例提供的助行器的控制方法的流程示意图。作为示例而非限定，所述方法可以包括以下步骤：

S201，获取使用所述助行器的目标对象的运动信息，所述运动信息包括所述目标对象的下肢运动状态。

在本申请实施例中，具体来说可以是在目标对象穿戴好相关设备并启动助行器之后，开始获取目标对象的运动信息。其中，运动信息包括目标对象的下肢运动状态。在一个实施例中，下肢运动状态包括目标对象的下肢运动数据和目标对象的下肢与助行器之间的距离数据。在一个实施例中，还可以包括通过压力传感器采集到的目标对象的足底压力数据。

可选的，如上文所述运动信息可以是通过传感器获得的传感器信息，当然也可以通过摄像头和传感器共同获取。

S202，将所述运动信息输入训练后的第一预设模型中，获得所述目标对象的运动预测状态。

在本申请实施例中，运动预测状态是基于目标对象当前时刻的运动信息，获得的目标对象下一时刻运动状态的预测结果。通过对目标对象的运动状态的预测可以在下一时刻实时对助行器进行调整，从而使得助行器与目标对象几乎同时运动效果，从而助行器可以很好地对目标对象进行助行。

在一个可选的实施例中，运动预测状态可以是对目标对象不同运动参数的预测。示例性的，运动预测状态可以包括速度预测状态、运动态肢侧和运动能力预测状态，速度预测状态表征所述目标对象的运动速度是否处于安全范围，运动态肢侧表征所述目标对象哪一侧下肢处于运动状态，运动能力预测状态表征所述目标对象的运动能力等级。

在本实施例中，运动态肢侧是对目标对象处于运动状态的肢侧的预测，即用来预测哪一侧下肢处于运动状态。当本申请说一侧下肢处于运动状态指的是该侧下肢处于运动相，或者说该侧下肢处于抬起状态。运动态肢侧可以是“左侧下肢处于运动状态”或“右侧下肢处于运动状态”。可选的，进行康复训练的患者的两侧肢体的运动能力不同，可能是一侧为健康下肢另一侧为患病下肢；也可能两侧均为患病下肢，但是其中一侧运动能力较强另一侧运动能力较弱。为了方便理解，下面以两侧下肢的相对能力进行区分，将目标对象运动能力相对较强的一侧下肢统称为健肢，将运动能力相对较弱的一侧下肢统称为患肢。在获取使用助行器的目标对象的运动信息时同时获取了目标对象哪一侧下肢为患肢哪一侧下肢为健肢；因此其中运动态肢侧也可以是“健肢处于运动状态”或“患肢处于运动状态”。

在本实施例中，速度预测状态是对目标对象的运动速度的评价，具体来说指的是目标对象的运动速度是否处于安全范围内。目标对象的运动速度过高或过低均指示目标对象将处于非安全状态。示例性的速度预测状态可以是“运动速度处于安全范围”或“运动速度处于非安全范围”。

在本实施例中，运动能力预测状态是对目标对象的运动能力的评价，不同的运动能力与目标对象的步幅、步频以及持续训练时间相关。示例性的，运动能力预测状态可以是“运动能力低等”、“运动能力中等”或“运动能力高等”。

在一个实施例中，速度预测状态和运动态肢侧分别有两种可能情况，运动能力预测状态有三种可能情况，经过排列组合总共可以得到12中运动预测状态。运动预测状态用m_x表示，其中x＝1、2、3……11、12，表1示意出了所有可能的运动预测状态。

表1

在本申请实施例中，第一预设模型用于根据运动信息预测目标对象的运动预测状态，向模型输入目标对象的运动信息，模型输出目标对象的运动预测状态，示例性的目标对象的运动预测状态可以是表1中的任意一种。

可选的，模型输入的运动信息包括目标对象的下肢运动状态和足底压力数据，其中下肢运动状态包括下肢运动数据和距离数据，其中下肢运动数据是通过惯性传感器采集到的，距离数据表征目标对象下肢与助行器之间的距离，是通过距离传感器采集到的。足底压力数据通过设置在目标对象足底的压力传感器采集获得。可选的，其中惯性传感器为九轴惯性传感器，测距传感器为激光测距传感器。

S203，将所述目标对象的运动预测状态和所述下肢运动状态输入训练后的第二预设模型中，获得所述助行器的调控参数。

在本申请实施例中，将运动预测状态和下肢运动状态作为第二预设模型的输入数据，从而获得助行器的调控参数；得到的调控参数与运动预测状态和下肢运动状态紧密相关，运动预测状态的输入使得调控参数也具有预测性，从而对于助行器的调控具有预测性，使得助行器可以积极响应目标对象的运动状态的变化，从而使得康复训练方法具有很好的自适应性。

在一个可选的实施例中，在将目标对象的运动预测状态和下肢运动状态输入训练后的第二预设模型中之前，还需要对下肢运动状态进行预处理，具体来说肢运动状态包括惯性传感器采集到的目标对象的下肢运动数据，和测距传感器采集到的目标对象下肢与助行器之间的距离数据；对下肢运动状态的预处理包括：利用下肢运动数据，获取目标对象的步幅；基于距离数据，获取第一距离，其中第一距离为在目标对象的当前移动方向上目标对象踝关节与助行器之间的距离。

本申请实施例，在将下肢运动状态输入到第二预设模型之前，先将下肢运动数据转换为目标对象的步幅，将距离数据转化为第一距离。惯性传感器采集的下肢运动数据，和测距传感器采集的目标对象下肢与助行器之间的距离数据，数据维度比较高，通过转化之后降低了数据维度，从而降低模型训练的难度，提高模型输出结果的准确率。

示例性的，下肢运动数据包括下肢的抬起角度和下肢的长度值；获取目标对象的步幅的方法具体包括：利用目标对象的目标下肢的抬起角度和的目标下肢的长度值，获取目标下肢的步长；基于目标下肢的步长，获得步幅。通过上述方法，可以将目标对象自身的数据信息(下肢长度)融入到步长的计算中，使得获得的数据更加接近目标对象的实际情况。

在一个可选的实施例中，下肢的抬起角度通过惯性传感器获得，惯性传感器包括设置在下肢的大腿部位的第一惯性传感器，和设置在下肢的小腿部位的第二惯性传感器；下肢的抬起角度包括通过第一惯性传感器获取的大腿抬起角度和第二惯性传感器获取的小腿抬起角度；下肢的长度值包括大腿长度值和小腿长度值。

在实际应用中，惯性传感器的设置位置在目标对象的大腿和小腿上，由于人体的下肢是由膝关节连接的大腿和小腿组成，在实际移动过程中，大腿和小腿的抬起角度会有所不同，上述方法通过分别检测大腿和小腿的抬起角度，并结合大腿长度和小腿长度进行移动距离的计算，使得获得的移动距离数据准确度更高。

一般来说，惯性传感器主要是用于检测和测量加速度、倾斜、冲击、振动、旋转和多自由度运动的部件。在本申请实施例中，惯性传感器可以为九轴惯性传感器。在本申请实施例中，抬起角度指的是在移动过程中检测目标(例如目标对象的大腿和小腿)与垂直方向的夹角。

在实际应用中，我们首先对中风导致的下肢功能障碍患者的典型行走模式进行了模拟。我们将中风患者(以单侧下肢运动功能障碍为例)的运动相定义为三部分，即双腿支撑相、健肢迈步相和患肢并步相。在助行器启动阶段，患者双腿支撑并行着地，即为双腿支撑相；随后患者健肢先行迈步，其健肢迈步并全脚掌着地为健肢迈步相，助行器跟随患者运动，为患者提供支撑与助行阶段；当健肢迈步着地后，健肢可提供部分人体体重支撑，但患肢迈步的速度和幅度均受限，此时，助行器将动态调整参数对患肢进行助行，使其可以移动到健肢所在位置，即当患肢完成迈步，并全脚掌着地时，即患肢并步相。上述过程主要通过患者在矢量平面上的运动进行实验与验证。在本申请中，通过人体在矢状面上的运动进行实验和验证，因此无论脚部和上半身如何运动，均可将人的肢体运动简化为关节连杆图，其中大腿和小腿分别为由膝关节连接的两个连杆。

基于上述简化方法，本实施例中的步长根据下式获得：

D_S＝D₁sinθ₁+D₂sinθ₂

其中：D_S为所述步长，D₁为所述大腿长度值，D₂为所述小腿长度值，θ₁为所述大腿抬起角度，θ₂为所述小腿抬起角度。

基于上述方法对目标对象的左腿和右腿分别计算的到对应的步长，目标对象的步幅为左右两腿对应的步长的加和。

在本申请实施例中，在将距离数据输入到第二预设模型之前，对其进行转化处理：基于距离数据，获取第一距离，其中第一距离为在目标对象的当前移动方向上目标对象踝关节与助行器之间的距离。即本申请实施例将距离数据转化为目标对象踝关节与助行器之间的距离。如此操作的原因如下：在实际应用中目标对象腰部与助行器的距离固定，目标对象在正常行走的情况下，在目标对象的当前移动方向上目标对象的脚部与助行器之间的距离有一定的范围。如果目标对象的脚部距离助行器过近或过远均会导致目标对象身体的向前或向后倾斜。因此目标对象脚部与助行器之间的距离来表明目标对象在前后方向上的趋势。由于脚部的运动较为复杂，测量和计算存在一定的难度。本申请实施例通过将目标对象脚部与助行器的距离转化为目标对象踝关节与助行器的距离，解决了脚部与助行器之间的距离测量难度较大的技术问题。

在一个可选的实施例中，距离数据包括多个第二距离，测距传感器包括多个激光测距传感器；多个第二距离是从多个激光测距传感器获取的目标对象的小腿与助行器多个不同位置之间距离；第一距离通过对多个第二距离进行加权求和得到。

示例性的，多个激光测距传感器按照三角形阵列的方式排布在助行器上，在助行器和目标对象的移动过程中，多个激光测距传感器在目标对象的前方，多个激光测距传感器在助行器靠近踝关节的高度上。

在一个具体实施例中，激光测距传感器的个数为6，6个激光测距传感器按照如图3所示的方式进行排布。如图3所示，6个激光测距传感器的标号分别为31、32、33、34、35和36。其中激光测距传感器31和34为X方向上的大量程激光测距传感器；激光测距传感器32和35为Y方向宽幅激光测距传感器；激光测距传感器33和36为高精度激光测距传感器。其中激光测距传感器31、32和33与目标对象的左侧小腿对应；激光测距传感器34、35和36与目标对象的右侧小腿对应。其中，第一距离根据下式获得：

S_L＝η_LX₁+μ_LX₂+δ_LX₃

S_R＝η_RX₄+μ_RX₅+δ_RX₆

其中，X₁,X₄，X₂,X₅，X₃,X₆为具有相同下角标的激光测距传感器的测量值，η_L,η_R,μ_L,μ_R,δ_L,δ_R分别X₁,X₄，X₂,X₅，X₃,X₆为对应的权重；S_L,S_R分别为与目标对象左侧踝关节和右侧踝关节对应的第一距离。其中各个权重为经验值，一般来说与目标对象的身高、站立状态下两脚间距离等有关，可以通过对不同个体来实验获得，具体方法在此不做赘述。

在上述方法中，考虑到在运动过程中目标对象的踝关节呈现出三轴变化，且摆动幅度扰动较大，故采用多个激光测距传感器组成测量阵列，并通过加权均值滤波算法实现的距离测量，使得第一距离的结果值非常准确。

S204，根据所述调控参数控制所述助行器的移动方向和移动速率。

在本申请实施例中，调控参数可以是助行器在各个方向的速度变化值。以目标对象本身为参考，目标对象面向的方向为前方，目标对象背对的方向为后方，目标对象的左侧为左方，目标对象的右侧为右方；其中调控参数包括向前速度大小、向左速度大小、向右速度大小、向后速度大小，所有方向的速度大小均为非负值，以4×1矩阵形式输出。可选的，输出的调控参数中的数值是助行器在对应方向上速度需要增大的数值，例如输出的调控参数为(0.2,0,0,0)时，则说明需要在向前的方向上的速度增大0.2m/s。此时，基于调控参数控制助行器的移动方向和移动速率，将调控参数转化为助行器的运动参数(例如前进电机的输出功率、转向电机的转向角度)使助行器按照对应的运动参数进行移动。

可选的，调控参数可以是助行器本身的运动参数，例如调控参数可以是控制助行器前进的电机的需要增加或减小的输出功率值，和/或是控制助行器转向的电机的转向角度。此时，可以直接根据调控参数来控制助行器。

在一个可选的实施例中，步骤S204，根据所述调控参数控制所述助行器的移动方向和移动速率，具体来说是在速度预测状态为所述目标对象的运动速度处于安全范围的情况下，则按照所述调控参数调控所述助行器的移动方向和移动速率。此时为助行器处于随动模式。

可选的，该方法还包括：若速度预测状态为所述目标对象的运动速度处于非安全范围，则控制助行器制动直至助行器速度为零。此时助行器进入安全模式。

一般来说，如果目标对象的运动速度处于非安全范围，说明目标对象运动速度过快或过慢，都是非常危险的；如果速度过快可能是摔倒前速度的失衡，如果速度过慢可能是运动时间过长或者目标对象下肢无力。

可选的，目标对象的腰部通过腰带与助行器相连接，在安全模式下，控制助行器制动的同时还控制助行器对目标对象腰部进行收紧，从而避免助行器被目标对象推动。

在一个可选的实施例中，在控制助行器进入安全模式后，再次进入康复训练过程的方法可以包括：若安全模式持续超过预设时长，控制助行器重新进入康复训练过程(重新开始执行步骤S201)。

可选的，在控制助行器进入安全模式后，再次进入康复训练过程的方法，还可以包括：在获取安全模式解除指令后重新进入康复训练过程。其中安全模式解除指令可以是目标对象确定自己的状态后通过助行器上的按钮发出的。

为了更好阐释本申请的思想，下面对步骤S202中的第一预设模型和步骤203中的第二预设模型进行具体的说明。

在一个可选的实施例中，第一预设模型为深度卷积神经网络模型，输入到模型中的运动信息包括目标对象的下肢运动状态和足底压力数据；在将运动信息输入到第一预设模型之前，对运动信息进行归一化和重构处理。

可选的，其中下肢运动状态包括下肢运动数据和距离数据。下肢运动数据可以是通过多个九轴惯性传感器获得的，助行器在使用时多个九轴惯性传感器分别穿戴在目标对象的大腿、小腿和足尖。距离数据是通过激光测距传感器获得的，激光测距传感器设置在助行器上。足底压力值是通过穿戴在目标对象足底的压力传感器采集获得。

示例性的，其中九轴惯性传感器总共有6个，在使用时分别穿戴在目标对象左右两侧的大腿(测髋关节)、小腿(测膝关节)和足尖(测踝关节)，对各关节在X、Y、Z方向上的角度、角加速度、加速度、地磁进行测量6个九轴惯性传感器共得到78维数据；另外每个九轴惯性传感器有1维的温度数据，6个九轴惯性传感器的温度共有6维；因此6个九轴惯性传感器测得的数据共有78维。激光测距传感器有6个，设置在助行器上，用于测量目标对象的小腿与助行器之间的距离，6个激光测距传感器测得的数据共有15维，包括6维距离数据、6维温度数据和在左右两侧距离差值数据3维(左右两侧对称的两个激光测距传感器距离数据的差值)。足底压力传感器有2个，分别设置在目标对象的两个脚的底部，用于测量足底压力，2个足底压力传感器测得的数据共有102维。运动信息总共195维，将195为数据重构15×13的矩阵。将重构后得到的矩阵输入到训练后的深度卷积神经网络中，卷积核为3×3，激活函数为softmax函数输出结果为表1中所示的状态之一。图4为本申请实施例中的深度卷积神经网络模型的结构示意图。如图4所示，本申请实施例的深度卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层。数据处理过程为：将归一化和重构处理后的15×13维数据(运动信息)输入到输入层，经过卷积层、池化层、全连接层的处理后，从输出层输出3×1维数据(运动预测状态)。

在一个可选的实施例中，第二预设模型为深度神经网络模型，输入到模型中的数据包括下肢运动状态和第一预设模型输出的运动预测状态。

为了便于模型的训练，在将下肢运动状态中的下肢运动数据和距离数据进行了预处理，包括：利用下肢运动数据，获取目标对象的步幅；基于距离数据，获取第一距离，其中第一距离为在目标对象的当前移动方向上目标对象踝关节与助行器之间的距离。第二预设模型的输入的下肢运动状态包括：目标对象的步幅和与目标对象左肢和右肢对应的两个第一距离。具体计算方法参见前文对步骤S203的具体阐述内容，再次不做赘述。

在本申请实施例中，第二预设模型的输出是调控参数，具体来说可以助行器在各个方向的速度表化值。以目标对象本身为参考，目标对象面向的方向为前方，目标对象的背对的方向为后方，目标对象的左侧为左方，目标对象的右侧为右方；其中调控参数包括向前速度大小、向左速度大小、向右速度大小、向后速度大小，所有方向的速度大小均为非负值，以4×1矩阵形式输出。图5为本申请实施例中的深度神经网络模型的结构示意图。如图5所示，本申请实施例中的深度神经网络模型包括输入层、隐藏层和输出层，其中隐藏层有多个。输入数据为6×1维数据，包括运动预测状态包括的3个维度数据，步幅为1个维度，两个第一距离分别为1个维度；从输出层输出为4×1个维度的数据，分别为向前速度大小、向左速度大小、向右速度大小和向后速度大小。

在本申请实施例中，第一预设模型和第二预设模型都是经过训练之后得到的。下面对训练过程进行阐述。

在一个实施例中，第一预设模型的训练方法包括：首先构建第一样本库，第一训练样本库包括多个第一样本；利用多个第一样本对深度卷积神经网络进行训练，得到第一预设模型。其中第一样本采用以下方法获得：选择多名患者作为实验对象，实验对象在使用助行器的时表现表1中的不同的运动预测状态，记录下实验对象的运动信息，其中运动预测状态作为标签，对应的运动信息作为第一样本数据，得到多个第一样本。运动信息包括惯性传感器采集到的下肢运动数据、测距传感器采集到的实验对象下肢与助行器之间的距离数据、压力传感器采集数据到的足底压力数据。具体来说：惯性传感器为九轴惯性传感器并且有多个，分别设置在目标对象的大腿、小腿和足尖，惯性传感器的采集数据包括各个九轴惯性传感器在X、Y、Z方向的角度、角加速度、加速度、地磁和温度；测距传感器为设置在助行器上的激光测距传感器，测距传感器的采集数据为助行器与目标对象的距离；压力传感器设置在目标对象的两个足底，压力传感器的采集数据为足底压力数据。本申请实施例中的足底压力数据为足底压力分布数据。

在一个实施例中，第二预设模型的训练方法包括：首先构建第二样本库，第二训练样本库包括多个第二样本；利用多个第二样本对深度神经网络进行训练，得到第二预设模型。其中第二样本也可以利用第一样本对应的实验对象的运动信息来获得；不同之处在于运动信息中还包括腰部压力数据，腰部压力数据是从设置在实验对象腰部的压力传感器获得的，实验对象的腰部与助行器相连接，腰部压力数据反映了实验对象与助行器速度适应性的好坏，腰部压力数据越小则说明实验对象与助行器之间的速度一致性越高。具体方法如下：利用第一样本数据中的实验对象的下肢运动数据，获取实验对象的步幅，基于实验对象左右两侧肢体的距离数据，获取实验对象左右两侧肢体分别对应的第一距离；将实验对象模拟的运动预测状态、步幅和两个第一距离多次输入到深度神经网络，获得助行器的多组调控参数；基于多组调控参数分别对助行器进行多次不同的移动控制，获取多组调控参数对应多个不同的腰部压力数据(对助行器进行多次调控，每次调控后所对应的腰部压力数据)，以与最小的腰部压力数据对应的一组调控参数作为标签；实验对象对应的第一预设模型输出的运动预测状态、下肢运动数据、左右两侧肢体的距离数据作为第二样本数据。

对应于上文实施例所述的助行器的控制方法，图6示出了本申请实施例提供的一种助行器的控制装置6的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图6，该装置包括：

运动信息获取单元61，用于获取使用所述助行器的目标对象的运动信息，所述运动信息包括所述目标对象的下肢运动状态；

运动预测状态获取单元62，用于将所述运动信息输入训练后的第一预设模型中，获得所述目标对象的运动预测状态；

调控参数获取单元63，用于将所述目标对象的运动预测状态和所述下肢运动状态输入训练后的第二预设模型中，获得所述助行器的调控参数；

控制单元64，用于根据所述调控参数控制所述助行器的移动方向和移动速率。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

另外，图6所示的装置可以是内置于现有的驱动设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述驱动设备中，还可以作为独立的驱动设备存在。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图7为本申请一实施例提供一种驱动设备的结构示意图。如图7所示，该实施例的驱动设备7包括：至少一个处理器70(图7中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现上述任意各个助行器的控制方法实施例中的步骤。

所述驱动设备7可以是手机、机器人(比如说医院那种智能机器人)、穿戴设备(比如智能表)等终端设备。驱动设备7也可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。另外驱动设备7还可以集成在助行器上的电路驱动模块。该驱动设备7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是驱动设备7的举例，并不构成对驱动设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，该处理器70还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器71在一些实施例中可以是所述驱动设备7的内部存储单元，例如驱动设备7的硬盘或内存。所述存储器71在另一些实施例中也可以是驱动设备7的外部存储设备，例如所述驱动设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述驱动设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到助行器的控制装置/驱动设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。