[发明专利]一种基于深度学习的多机器人协同路径跟随方法

说明书

本发明公开了一种基于深度学习的多机器人协同路径跟随方法，目的是提高路径识别的准确率，使得准确率和识别时间达到平衡。技术方案是搭建由空中和地面机器人节点、云端服务器节点构成的环境，云端服务器节点基于WIFI获得地面机器人拍摄的环境图片，云端服务器节点基于环境图片进行路径延伸方向识别分类，对于无法识别或可能识别错误的情况，则请求空中机器人节点传回高层视图并通过决策融合处理得到最终决策，并将得到的最终决策转化成相应的速度向量发送给空中和地面机器人节点，使得机器人群体协同驱动。采用本发明可提高路径识别的准确率，使得在提高路径识别准确率和缩短识别时间之间达到一个恰当的平衡。

技术领域

本发明涉及计算机领域图像处理技术和机器人分布技术，具体涉及一种利用云计算作为后援支持，通过混合多机器人的视角，实现基于视觉的多机器人协同路径跟随的方法。

背景技术

基于视觉的机器人路径跟随问题是指让机器人只接受视觉图像输入，自动跟随人造小路的延伸方向前进。现有的基于视觉的机器人路径跟随方法主要有两种：第一种是用图像分割技术，第二种是将路径识别问题转化为图像分类问题，然后用深度学习的方法去解决。图像分割技术旨在用图像显著性去分割路径和背景。图像显著性指的是，在输入的视觉图像中，路径部分的特征相比于背景部分会着重突出。路径部分的特征指的是颜色或者密集性与左右相邻区域的对比。基于图像分割技术的方法是比较有挑战的，因为需要首先找到合适的特征然后再通过一系列的操作处理(如对称，三角变换等等)来突出以便更好地区分。基于深度学习的机器人路径跟随方法首先将路径跟随问题转化为图像分类问题，根据图像中道路的延伸方向定义沿路行进需采取的决策方向，然后通过有监督的方法来训练分类器，从而达到路径跟随的目的。这种方法不需要人为提取特征，而是由分类器自动提取，识别精度也大大超过了基于图像分割的方法。基于深度学习的机器人路径跟随方法目前仅仅应用在了单机器人系统上，单机器人系统的视角较为单薄，无法处理机器人偏离正常轨道导致的视野中没有路的情况。因此，单机器人的路径跟随问题在视角受限的情况下面临着严峻挑战。

多机器人路径跟随是指综合利用多机器人来自不同角度的视觉信息，弥补单机器人系统的视角局限性，提升系统整体的道路延伸方向识别精度，但是构建多机器人路径跟随系统面临着两个重大问题：(1)对融合方法的要求较高，需要把多机器人视角中的有用信息合理提取出来并融合到一起；(2)时间延迟较大，因为数据融合的过程涉及到数据的采集，传输和处理，每一个环节都有相应的时间延迟。这对于机器人路径跟随任务会造成负面影响，因为服务质量保证(QoS)对于机器人来说是至关重要的，一个小小的消息延迟都可能导致毁灭性的灾难发生。

云机器人利用云计算和大数据等后台基础设施，提升机器人在复杂环境下遂行任务的能力；深度学习的方法在提取数据特征，融合数据方面表现了突出优势，因此这两者的结合给多机器人协同路径跟随任务带来新的解决思路：(1)利用深度学习方法和云端强大的计算资源进行数据融合的过程，实现数据的有效提取，融合和本地的资源卸载。(2)利用云端汇聚得到的丰富视角，扩展机器人本地知识的局限性，使机器人基于云端智慧实现知识扩展，对多机器人系统面临的环境具有较好的识别能力，方便整个系统进行最优决策。

综上所述，虽然基于单机器人的路径识别跟随方法需要的资源较少，在请求响应时间上表现较好，但是存在知识局限性，无法识别视角受限时的场景图片。而基于多机器人的路径跟随方法，利用多机器人不同角度的视角对环境中的道路延伸方向识别具有更广泛的智能，可以提升整体的识别精度，但识别延迟大，请求响应时间长。基于以上分析可以发现，如何更好地融合来自不同角度的有用视觉信息，并且尽可能缩短识别延迟时间，是完成多机器人路径跟随任务需要解决的技术问题。

发明内容

本发明要解决的技术问题是提供一种基于深度学习的多机器人协同路径跟随方法，该方法只使用视觉图像作为输入并将路径跟随问题转化为图像分类问题，通过混合来自多机器人不同视角的图像，使得机器人群体可以更精确地识别路径并协同跟随，在提高路径识别的准确率和缩短延迟时间之间达到一个恰当的平衡。