[发明专利]基于深度信念网络的机器人避障行为学习和目标搜索方法

说明书

本发明公开了一种基于深度信念网络的机器人避障行为学习和目标搜索方法。首先操控机器人在环境中实现避障，同时采集彩色、深度图像数据及机器人移动基体对应的线速度和角速度，然后基于这些数据构建实现机器人自动避障行为学习的网络模型；机器人在自动目标搜索过程中，首先通过自动避障功能在环境中随机搜索目标；一旦搜索到目标，便直接靠近目标；如在靠近过程中障碍物出现，机器人可避开障碍，重新进行路径规划；如在靠近过程中目标丢失，机器人再次随机搜索；以上过程不断重复，直到机器人到达目标位置。本发明仅用单RGB‑D摄像头实现有自动避障功能的路径规划和目标搜索，在成本和应用方面都有较高的可行性和实用性。

技术领域

本发明涉及机器学习、模式识别技术领域，特别是涉及一种基于深度信念网络(Deep Belief Network，DBN)的机器人在非结构环境下的自动避障行为学习和目标搜索方法。

背景技术

自动目标搜索是当前人类环境中各类机器人，比如社交机器人、服务机器人、搜索和救援机器人等在非结构环境中良好运行的必要技能。这种技能需要机器人具备其他很多基础能力，包括目标识别、自动避障、路径规划和导航等。其中实现机器人的自动避障学习能力和在未知环境中从开始点到目的地进行路径规划能力是关键。虽然以上功能模块在计算机视觉和机器人研究领域研究都很活跃，但通过自动避障能力的学习进行目标识别、搜索和靠近在机器人系统上完整实现的研究却相对较少，而且仅使用单RGB-D摄像头进行机器人自动避障能力学习的研究也相对较少。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种可以使机器人移动基体在完全未知的环境中完成从开始点到目标点的路径规划的基于深度信念网络的机器人避障行为学习和目标搜索方法。

技术方案：为实现上述目的，本发明的基于深度信念网络的机器人避障行为学习和目标搜索方法如下：机器人包括机器人移动基体以及安装在机器人移动基体上的RGB-D摄像头，具体步骤如下：

步骤1：操控机器人在环境中进行避障运动，实时获取RGB-D摄像头视野内的RGB图像数据、深度图像数据以及机器人移动基体的线速度和角速度数据；

步骤2：根据步骤1获取的数据进行网络训练，构造深度信念网络模型，使机器人获取自动避障能力；

步骤3：将步骤1获取的RGB图像数据与目标模板进行匹配，确定机器人是否搜索到目标，若搜索到目标，跳转至步骤4，若未搜索到目标，机器人通过自动避障在环境中随机搜索；

步骤4：当机器人搜索到目标时，在无障碍物的情况下直接靠近目标；若在靠近目标的过程中遇到障碍物时，使用路径规划算法结合自动避障功能重新进行路径规划靠近目标；若目标丢失，回到步骤3进行随机搜索。

进一步地，所述步骤1的具体方法为：机器人被动控制在环境中进行顺时针方向与逆时针方向的自动避障与随机搜索，并在此过程中实时获取RGB-D摄像头视野内的RGB图像数据、深度图像数据以及机器人移动基体的线速度和角速度数据。

进一步地，步骤2具体包括以下几个步骤：

步骤2.1：以步骤1获取的顺时针方向的深度图像信息作为深度信念网络的输入，以对应的机器人移动基体的线速度和角速度作为输出，进行网络训练，获取网络模型DBN1；

步骤2.2：以步骤1获取的逆时针方向的深度图像信息作为深度信念网络的输入，以对应的机器人移动基体的线速度和角速度作为输出，进行网络训练，获取网络模型DBN2；

步骤2.3：当有网络输入时，分别通过网络模型DBN1和网络模型DBN2进行网络学习，获取两组线速度和角速度决策；

步骤2.4：将步骤2.3获取的两组决策进行综合，获取最终的线速度和角速度。