[发明专利]载体避障方法、装置及电子设备

说明书

本发明提供了载体避障方法、装置及电子设备，其中，载体避障方法包括：获取载体运行方向上的深度图像；基于上述深度图像计算载体到障碍物的距离；判断上述距离是否大于预设阈值；如果否，则将深度图像输入至预先训练好的运动决策模型，以使运动决策模型输出载体的运动调节值；获取运动调节值，根据该运动调节值控制载体避开障碍物，以到达目标位置。本申请缓解了复杂环境下载体避障效果不理想的技术问题，提高了载体避障的效果。

技术领域

本发明涉及智能控制技术领域，尤其是涉及载体避障方法、装置及电子设备。

背景技术

传统的人工势场法是一种虚拟力场法，它通过引入物理学中场的概念，在任务空间中构造势场，以使载体在势场中受到目标位置的引力作用和障碍物斥力作用向目标位置移动，且，保证载体不碰撞障碍物。但是，传统的人工势场法在载体到达目标位置之前，在虚拟势场中由于某种原因出现载体所受的合力为零的情况，导致载体误以为已到达目标位置而停滞不前，从而导致在复杂环境下载体避障的效果并不理想。

发明内容

有鉴于此，本发明的目的在于提供载体避障方法、装置及电子设备，以缓解复杂环境下载体避障效果不理想的技术问题，提高了载体避障的效果。

第一方面，本发明实施例提供了一种载体避障方法，所述载体避障方法包括：

获取载体运行方向上的深度图像；

基于所述深度图像计算所述载体到障碍物的距离；

判断所述距离是否大于预设阈值；

如果否，则将所述深度图像输入至预先训练好的运动决策模型，以使所述运动决策模型输出所述载体的运动调节值；

获取所述运动调节值，根据所述运动调节值控制所述载体避开所述障碍物，以到达目标位置。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述运动决策模型为基于全卷积神经网络进行训练得到的模型，所述载体避障方法还包括：

获取预先存储的图片训练集，其中，所述图片训练集包括多个包含有障碍物的标准深度图像，且，每个所述标准深度图像都携带有运动调节标签；

将所述图片训练集输入至所述全卷积神经网络进行训练，以得到所述运动决策模型。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述运动调节标签包括运动速度和运动角度；所述运动决策模型输出的所述载体的运动调节值包括运动速度调节值和运动角度调节值；

所述根据所述运动调节值控制所述载体避开所述障碍物的步骤包括：

获取所述运动调节值包括的所述运动速度调节值和所述运动角度调节值；

根据所述运动速度调节值和所述运动角度调节值调节所述载体的运行速度和运动角度，以避开所述障碍物。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述基于所述深度图像计算所述载体到障碍物的距离的步骤包括：

对所述深度图像进行视差计算，以得到所述深度图像中包含的所有障碍物的距离；

生成包含所述所有障碍物的距离的图像矩阵；

遍历所述图像矩阵，将所述所有障碍物的距离中与所述载体距离最小的所述障碍物对应的距离确定为所述载体到所述障碍物的距离。

结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述深度图像是通过双目摄像机采集得到的；

对所述深度图像进行视差计算，以得到所述深度图像中包含的所有障碍物的距离的步骤包括：