[发明专利]一种基于神经网络的移动机器人避障方法

说明书

本发明涉及一种基于神经网络的移动机器人避障方法，包括以下步骤：(1)根据机器人的尺寸和驱动方式确定避障参数；(2)输入深度图像，对深度图像进行预处理、分割前景区域；(3)搭建端到端的避障神经网络；(4)构建数据集，训练避障神经网络；(5)采集一幅深度图像，进行步骤(2)相同的预处理，得到前景区域；(6)若前景区域中存在大障碍物，则进行大障碍物避障处理后，进行步骤(8)，否则，进行步骤(7)；(7)将前景区域的图像输入所述避障神经网络中，输出机器人的转向角度和移动速度；(8)避障完成。本发明利用深度图像和卷积神经网络进行移动机器人避障，无需手动提取特征和参数整定，在室外复杂场景下也能准确避障。

技术领域

本发明属于机器人领域，具体涉及一种基于神经网络的移动机器人避障方法。

背景技术

机器人能够代替人类从事繁重、繁琐的体力劳动，涉及机械、电子、传感器、计算机和人工智能等多学科的知识。机器人的种类和形式多样，目前市面上主流的形式是移动机器人和手臂式机器人。其中移动机器人已经活跃在工厂、商场和仓库等场合，有时也可作为其他机器人的移动平台，例如轮式机器人和机械臂两者协助完成开门、端茶递水等任务，以及轮式机器人和多轴云台完成目标跟踪、巡检等任务。上述两种典型机器人应用场合，机械臂、云台与移动机器人的协助工作是相辅相成的。对于移动机器人来说最重要的就是移动能力，它在一定程度上决定了机器人的性能，机器人在安全的情况下能够快速且准确的到达既定位置具有十分重要的意义。在移动机器人的移动过程中，避障是一种最为重要的功能，这不仅能够避免其他物体与机器人产生摩擦，也能在很大程度上保护机器人自身免受伤害。避障应具有及时性与准确性，在确保及时性的情况下也应该具有足够高的准确性，以减少对自主导航的影响。

目前避障技术的实现手段有多种方式，可以通过视觉或超等波、激光、雷达、TOF等距离传感器对环境进行感知，在获取到障碍物的距离、尺寸、形状与位置等相关信息后对机器人的运动进行调整，避免机器人在移动过程中与障碍物发生碰撞。张午阳等人提出了一种基于深度学习的无人机避障方法(见“基于深度学习的四旋翼无人机单目视觉避障方法”，计算机应用，2019，39(04):1001-1005)，该方法采用Faster R-CNN网络框选被测目标，计算边框尺寸后利用相似三角形估算障碍物和无人机的距离，虽然能够实现避障，但是误差达到±0.5m，且无人机必须低速飞行才能保证实时性。

申请号为CN201910454798.X的专利公开了一种激光和视觉融合的避障方法，主要采用YOLO目标检测网络对特定障碍物进行检测，但并不是直接根据障碍物的视觉信息进行避障，核心的避障功能使用机器人操作系统ROS中的Depthimage_to_laserscan功能包，其原理是将深度图像数据转换成激光数据，然后再将激光雷达的数据进行融合，实现机器人避障。此种方式的机器人避障和深度学习没有直接关系，只是使用了深度学习的办法提取出RGB图像中的障碍物所在像素位置，核心的避障方式还是使用深度图转雷达数据的功能包，再将雷达数据传入到导航功能包中。该方法虽然避障效果较单激光传感器方式效果更好，但其缺点是YOLO在检测障碍物的时候，只能框选到数据集中已有的障碍物，无法实现在复杂场景下未知障碍物的检测。申请号为CN201910388213.9的专利公开了一种基于深度学习的自动驾驶控制方法，该方法使用GPS与IMU组合的方式获取小车的位姿，采用最大连续路面长度、路面梯度与路面到达的最远距离这三个指标对当前路面状况进行评价得到局部最优路径。该专利使用GPS定位的方法使小车对于十字路口、环岛能够快速做出选择，但对于不同路面与路面材质变换的检测效果并不理想，容易造成误识别。

发明内容

为了解决机器人在移动过程中可能会产生的碰撞问题，本发明提供了一种基于神经网络的移动机器人避障方法，具体包括以下六个部分：机器人避障参数确定、输入图像预处理、端到端的避障神经网络设计、数据集制作与网络模型训练、大障碍物的避障、避障神经网络模型推理，具体方法如下：

(1)根据机器人的尺寸和驱动方式确定避障参数；