[发明专利]一种基于神经网络模型的机器人避障方法

说明书

本发明公开了一种基于神经网络模型的机器人避障方法。当机器人上的红外感应器感应到前方存在障碍物时，机器人上的图像采集器采集前方图像，并将采集到的图像进行二值化处理；将二值图像进行傅里叶变换，得到频谱图，将频率信号作为神经网络模型的外部输入信号；当外部输入信号输入神经网络模型，左、右兴奋性神经元集群相互竞争，仅二者之一能够在外部刺激输入和内部抑制作用下通过增加自身的活性到达阈值发生脉冲而赢得竞争，而其他集群最终被抑制，最终产生一个向左或向右偏转的偏转信号，机器人根据该偏转信号向不存在障碍物的一侧偏转，从而实现避障。本发明克服了现有技术存在的缺陷，使机器人能够更加自主地在环境中高速度、高效率地避障。

技术领域

本发明属于自动控制技术领域，特别涉及了一种基于神经网络模型的机器人避障方法。

背景技术

随着现代传感器技术的不断发展，加之融合了人工智能及多种新兴的计算机技术，如模糊理论、神经网络等等，从而使得机器人也更加智能化和多元化，从而使得机器人的自主完成任务的能力也受到重视和广泛地应用。自主避障技术是移动机器人安全行驶的重要保障，也是研究移动机器人的重要内容。

机器人在不同的环境中进行导航和避障时选择的算法不同，避障算法解决的问题是根据视觉传感器的数据，对静态障碍物、动态障碍物实现躲避，但仍维持向目标方向运动，实时自主导航。避障算法分为传统算法和智能算法，传统算法中有可视图法、栅格法、自由空间法、拓扑法及人工势场法等，智能算法主要有模糊控制法和神经网络法。已有文献对这些方法做了详细的阐述，如：1、通过使用神经网络进行避障的同时与混合智能系统相连接，可以使移动机器人的认知决策避障的能力和人相近；2、神经动力学网络模型，能在动态环境下产生时实的避障轨迹生成等等。

尽管上述现有技术中提供的方法能在静态、动态环境下，产生实时避障轨迹，但机器人的运动速度都比较慢，而且在快速变化的环境下不能恰当地完成动作执行，影响动态环境中其他机器人的行动；而且这些算法会随着输入节点数和隐含层数的增加，结构将变得越来越复杂，网络的收敛速度将会变得很慢，容易陷入局部极小点、网络结构不稳定等。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于神经网络模型的机器人避障方法，克服现有技术存在的缺陷，使机器人能够更加自主地在环境中高速度、高效率地避障。

为了实现上述技术目的，本发明的技术方案为：

一种基于神经网络模型的机器人避障方法，包括以下步骤：

(1)机器人在运动过程中，当设置在机器人上的红外感应器感应到前方存在障碍物时，机器人停止运动，设置在机器人上的图像采集器采集前方图像，并将采集到的图像进行二值化处理，转化为二值图像；

(2)将二值图像进行傅里叶变换，得到频谱图，将频谱图上的频率信号作为外部输入信号，输入神经网络模型；

(3)所述神经网络模型包括左兴奋性神经元集群和右兴奋性神经元集群，分别对应二值图像的左、右两侧，当外部输入信号输入神经网络模型，会对相互竞争的左兴奋性神经元集群和右兴奋性神经元集群产生刺激，在模型阈值保持不变的情况下，二值图像中存在障碍物的一侧所对应的集群所产生的刺激会大于另一集群，刺激较强的集群会首先到达模型阈值，最终产生一个与障碍物所在位置相反的偏转信号，机器人根据该偏转信号向不存在障碍物的一侧偏转，从而实现避障。

进一步地，在步骤(1)中，所述二值图像是由0和1组成的二维矩阵。

进一步地，在步骤(2)中，所述傅里叶变换为二维傅里叶变换。