[发明专利]一种智能环境下机器人运动路径深度学习控制规划方法

说明书

技术领域

本发明属于机器人路径规划领域，特别涉及一种智能环境下机器人运动路径深度学习控制规划方法。

背景技术

随着世界工业4.0的趋势，运载机器人越来越广泛的地被应用在实验室、工厂、医疗智能环境当中，执行运输各种零件、试验原料、医疗物品等任务，代替工人进行体力劳动，大幅提升自动化水平。其中，路径规划作为移动机器人导航关键技术，直接决定了机器人完成运输任务的质量。

当前典型的路径规划方法包括：传统的有栅格法、人工势场法、Dijkstra算法、A*算法、Voronoi图等。智能算法有模糊规则法、神经网络算法、遗传算法、蚁群算法、粒子群优化等方法。如中国专利CN105116902A中公开一种移动机器人避障导航的方法和系统，包括该方法包括：建立家庭环境的全局地图；设置机器人移动的起点和终点；根据A*算法规划机器人的移动路径；在所述全局地图中标记障碍物的位置；根据A*算法重新规划机器人的移动路径；根据所述规划的路径控制机器人移动；机器人到达终点，则停止移动。A*算法是机器人路径规划中最有效的直接搜索方法，搜索速度快，效率高，但是易陷于局部最优。

发明内容

本发明提供了一种智能环境下机器人运动路径深度学习控制规划方法，其目的在于，克服上述现有技术中存在的问题，通过分别建立全局静态路径规划模型和局部动态避障规划模型，利用深度学习的极强的非线性拟合特性，快速的找到全局最优路径，避免了常见的路径规划中陷入局部最优的问题。在全局静态路径规划中使用差分进化狼群算法优化BP层的深度置信网络模型，局部动态避障规划中使用混沌蝙蝠算法优化BP层的深度置信网络模型，保证了路径规划中路径的最优特性。

一种智能环境下机器人运动路径深度学习控制规划方法，包括以下步骤：

步骤1：对运载机器人运载区域构建全局地图三维坐标系，获取在全局地图三维坐标系下的可行走区域坐标；

运载区域地面中心点为原点，正东方向为X轴，正北方向为Y轴，垂直地面方向为Z轴；

所述运载机器人运载区域为一个楼栋内所有的地板连通区域，所述可行走区域是指从所有的地板连通区域中删除楼栋内的障碍物所在区域；

在全局地图三维坐标系中，每个楼层的地板连通区域的二维平面坐标相同，z坐标不同；

步骤2：获取全局训练样本集；

在全局地图三维坐标系中，设计至少200组可行走区域中不同的点到点的最优设计全局路径，以每条最优设计全局路径作为一个全局训练样本；

步骤3：构建运载机器人的全局静态路径规划模型；

利用全局训练样本集中每个全局样本的起点-终点坐标和对应的最优设计全局路径分别作为输入数据和输出数据，对深度学习DBN网络进行训练，得到基于深度学习DBN网络的全局静态路径规划模型；

其中，在全局训练过程中，深度学习DBN网络所使用的BP网络权值采用差分进化狼群算法进行寻优获得；

步骤4：分别将运输任务中从初始待命点到取物点，从取物点到放物点，和从放物点到待命点坐标输入至基于深度学习DBN网络的全局静态路径规划模型，获得对应区间的运载机器人最优全局规划路径。

运载机器人依据得到的最优规划路径前行，完成运输任务。

运载机器人得到从初始待命点出发前往取物点，得到运输物品后前往放物点，放下物品后前往放物点最近的待命点。

进一步的，对深度学习DBN网络进行如下训练过程得到基于深度学习DBN网络的全局静态路径规划模型：

深度学习DBN模型包括为五层，分别为：一层输入层、三层隐藏层以及一层输出层，其中可视层和第一隐藏层构成第一层限制玻儿兹曼机RBM，第一隐藏层和第二隐藏层构成第二层限制玻儿兹曼机RBM，第二隐藏层和第三隐藏层构成BP网络层；

使用逐层训练的方法依次对两层限制玻儿兹曼机RBM和BP网络层进行训练：

第一层限制玻儿兹曼机RBM的训练是指，从200组全局训练样本中随机抽取150组训练样本作为第一层限制玻儿兹曼机RBM训练样本，训练完成后得到第一层限制玻儿兹曼机RBM的参数：权值矩阵、可见层偏置以及隐藏层偏置；

第二层限制玻儿兹曼机RBM的训练是指，使用与第一层限制玻儿兹曼机RBM训练时相同的150组训练样本，以及同样的方法训练第二层限制玻儿兹曼机RBM，得到第二层限制玻儿兹曼机RBM的参数：权值矩阵、可见层偏置以及隐藏层偏置；