[发明专利]一种基于机器视觉及机器学习的机器人导航方法

说明书

技术领域

本发明属于机器人领域，涉及机器人运动控制、机器人室内外导航及计算机技术，尤其涉及一种基于机器视觉及机器学习的机器人导航方法。

背景技术

随着机器人技术的不断发展，智能移动机器人已经进入社会生活的各个领域，在家庭服务、医疗服务、商场、工业、农业及军事等领域发挥着越来越重要的作用，人们对智能移动机器人的需求也与日俱增。自主导航作为智能移动机器人研究中的基本问题，已成为移动机器人实现自主化及智能化的关键技术。

近年来，许多移动机器人平台层出不穷，其性能也非常优越。人们结合Kinect、激光雷达、以及传统的IMU等传感器展开了大量的理论及应用研究，涉及机器学习、多传感器信息融合、地图创建、导航与探测等，而在这些研究方向中，自主导航问题是其中最重要的基本问题。于是，许多机器人室内自主导航技术应运而生，包括超声波、地图创建、WiFi定位、机器视觉、RFID定位、神经网络及模糊控制等等。但因为这些技术对机器人的配置、环境、参数设置等依赖性很强，并不能应用于大多数移动机器人。

机器人导航环境较为复杂，现有的导航方法主要针对特定环境、一定的机器人配置(机器人配置双目视觉、三目视觉、全景摄像头、激光雷达等传感器)、简单的动态环境等等，而且大部分的实验主要通过仿真验证。由于机器人的机械结构、硬件配置各不相同，环境也复杂多变，各种导航方法一般只对特定的环境比较有效，目前为止还没有适用不同环境的通用的导航方法。

发明内容

针对现有技术中存在的不足，本发明提出一种基于机器视觉及机器学习的机器人导航方法。所述方法将机器视觉与机器学习相融合，使机器人可以通过模仿学习机器人操作者的行为实现自主导航。

为实现上述目的，本发明采用如下技术方案。

一种基于机器视觉及机器学习的机器人导航方法，包括以下步骤：

机器人受控运行时，记录摄像头获得的每帧视频图像，以及所述每帧视频图像对应的控制命令；提取所述每帧视频图像对应的视觉特征向量；将所述每帧视频图像对应的视觉特征向量、及所述每帧视频图像对应的控制命令作为分类器的训练数据集；计算所述分类器的最优权向量并存储；

机器人自主运行时，实时地提取摄像头获得的每帧视频图像的视觉特征向量，所述分类器根据所述视频图像的视觉特征向量和所述最优权向量计算输出控制命令，控制机器人实现自主导航。

作为本发明的最佳实施例，所述分类器为最小误差平方和分类器，所述最小误差平方和分类器通过求解使代价函数最小的最优权向量得到；所述最优权向量对应导航控制策略。

作为本发明的最佳实施例，采用DAGGER方法，机器人多次受控运行，在第1次受控运行时按照控制命令运行，在第n(n>1)次受控运行时，依据导航控制策略运行，所述导航控制策略是根据n-1次运行时得到的全部所述训练数据集得出的最优权向量。

作为本发明的最佳实施例，所述每帧图像对应的视觉特征向量由Laws’模板特征向量、Radon特征向量和Harris角点特征向量组成。

本发明的实施例提供一种提取Radon特征向量的方法，包括以下步骤：计算图像强度信号在多角度下的Radon变换，组成多维特征向量，再进行归一化处理得到Radon特征向量。

本发明的实施例还提供一种提取Laws’模板特征向量的方法，包括以下步骤：分别计算图像强度信号、图像色差信号与Laws’模板的卷积结果图像；积分计算各个所述卷积结果图像的纹理能量值，得到的多个纹理能量值组成一个多维的Laws’模板特征向量。

本发明的实施例还提供一种提取Harris角点特征向量的方法，包括以下步骤：求图像强度信号在每个像素处的梯度，构建实对称矩阵，求所述实对称矩阵的特征值及其对应的特征向量；将0°～360°划分为多个角度区间，并定义一多维向量，所述多维向量的每一个元素对应于一个所述角度区间；计算每个特征向量的方向角，将所述特征向量的特征值累加于所述方向角所在角度区间所对应的元素的值；再进行归一化处理得到Harris特征向量。

本发明与现有的技术相比具有以下优点：

本发明所述导航方法不需要建立复杂的环境模型或机器人的运动控制模型，仅仅通过机器人对专家(或机器人操作者)的模仿学习就能够实现机器人在不同环境及复杂环境下的自主导航。