1.一种基于人工智能的电动爬楼车辅助控制方法，其特征在于，该方法包括：利用RFID设备获取患者的身份信息以得到该患者的患病部位；由所述电动爬楼车上的多个传感器获取所述患者在座椅上的姿态信息；

采集正视视角下楼梯的RGB图像和对应的深度图像，结合所述RGB图像和所述深度图像获取所述楼梯的台阶高度和台阶宽度，由所述台阶高度和所述台阶宽度得到履带倾角和履带速度的第一范围；利用所述履带倾角和操作人员的身高获取座椅倾角的所述第二范围；

所述操作人员是指操作所述电动爬楼车帮助所述患者的人员；

根据历史姿态信息对多组历史数据进行分类，所述历史数据包括所述历史姿态信息以及该历史姿态信息下的历史履带速度、历史座椅倾角和由多个所述传感器的历史示数得到的波动向量；基于分类后的每类所述历史数据，获取对应所述历史姿态信息下由人体部位的舒适度、所述历史履带速度和所述历史座椅倾角拟合的多项式函数，所述人体部位包括所述患病部位和正常部位；获取所述人体部位的关注度，基于所述多项式函数和所述关注度构建目标函数；在所述第一范围和所述第二范围内，获取所述姿态信息下所述目标函数最小时分别对应的所述履带速度和所述座椅倾角。

2.如权利要求1所述的方法，其特征在于，所述由所述电动爬楼车上的多个传感器获取所述患者在座椅上的姿态信息的方法，包括：获取多个所述传感器的示数，由所述示数构成所述压力分布向量，根据所述压力分布向量确认所述姿态信息。

3.如权利要求2所述的方法，其特征在于，在得到所述压力分布向量之后，利用去中心化操作对所述压力分布向量进行优化，该优化方法包括：获取所述压力分布向量中非零示数的均值，让每个所述非零示数减去所述均值得到新示数，由所述新示数和零示数构成新压力分布向量。

4.如权利要求1所述的方法，其特征在于，所述结合所述RGB图像和所述深度图像获取所述楼梯的台阶高度和台阶宽度的方法，包括：将所述RGB图像送入语义分割网络得到人体的掩膜图像，由所述掩膜图像和所述深度图像获取所述楼梯的第一深度图；

对所述第一深度图进行直线检测，由两条平行的边缘线之间的距离获取所述台阶高度、由所述边缘线的深度信息获取所述台阶宽度。

5.如权利要求1所述的方法，其特征在于，所述利用所述履带倾角和操作人员的身高获取座椅倾角的第二范围的方法，包括：根据所述操作人员的身高获取该操作人员操作所述电动爬楼车时最佳高度范围；

结合所述最佳高度范围、座椅的高度信息和所述履带倾角得到所述座椅倾角的所述第二范围。

6.如权利要求1所述的方法，其特征在于，所述由多个所述传感器的历史示数得到的波动向量的方法，包括：

根据每个所述传感器在不同时刻的所述历史示数所构成的时序数据获取所述时序数据的方差；

由多个所述传感器所对应的所述方差构成所述波动向量。

7.如权利要求1所述的方法，其特征在于，所述人体部位的舒适度的获取方法，包括：基于每一类所述历史数据中的所述波动向量，根据每个所述人体部位对应的所述传感器获取其在所述波动向量中对应的所述方差；

计算所述方差的平均值，将所述平均值作为每个所述人体部位的所述舒适度。

8.如权利要求1所述的方法，其特征在于，所述目标函数的计算公式，包括：其中，R为所述目标函数；N为所述人体部位的数量；gn为第n个所述人体部位的关注度；v*

为所述历史履带速度；θ为所述历史座椅倾角； 表示在第k 种所述姿态信息下第n个所述人体部位的所述多项式函数。

9.如权利要求1所述的方法，其特征在于，所述关注度的获取方法，包括：令所述患病部位与所述正常部位的关注度之和为1，根据所述人体部位的总数量和所述患病部位的数量为所述患病部位和所述正常部位分配所述关注度；所述患病部位的所述关注度大于所述正常部位的所述关注度。

10.一种基于人工智能的电动爬楼车辅助控制系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～9任意一项所述方法的步骤。