[发明专利]一种基于视觉语义信息的动态障碍环境导航方法和装置

权利要求书

1.一种基于视觉语义信息的动态障碍环境导航方法，其特征在于，包括以下步骤：

S1、使用基于深度神经网络模型的概率回归预测方法，分割并解析原始图片的场景中的语义信息，对场景中的障碍物进行实时检测识别，建立障碍物地图；

S2、使用启发式分层搜索的方法，基于多旋翼动力学模型的运动微元序列进行路径搜索，对建立的障碍物地图进行动态路径规划；

S3、使用李代数控制器进行快速响应的轨迹跟踪控制；

其中，所述步骤S1中的深度神经网络模型的损失函数，为中心点位置偏差损失项、选定边框宽高偏差损失项和预测置信度偏差损失项之和：

所述中心点位置偏差损失项为：

其中，λ_coord为中心点位置偏差损失项权重，S为图片分割的块数，B为预测物体总数量，i为当前分割后图片的单元格序号，j为当前预测物体序号，为单元格i与所负责物体j的对应系数，(xi，yi)为实际物体中心坐标，为预测物体中心坐标；

所述选定边框宽高偏差损失项为：

其中，λ_whd为选定边框宽高偏差损失项权重，S为图片分割的块数，B为预测物体总数量，i为当前分割后图片的单元格序号，j为当前预测物体序号，为单元格i与所负责物体j的对应系数，(w_i，h_i)为图片尺寸的宽高，为预测物体尺寸的宽高；

预测置信度偏差损失项为：

其中，λ_Nobj为预测置信度偏差损失项权重，S为图片分割的块数，B为预测物体总数量，i为当前分割后图片的单元格序号，j为当前预测物体序号，为单元格i与所负责物体j的对应系数，C_i为实际物体置信度，为预测物体置信度；

所述步骤S3中李代数控制器的控制量包括升力τ和转矩M，

所述升力τ由以下公式生成：

其中，k_x位置项系数，k_v为速度项系数，e_x位置误差，e_v为速度误差，m为多旋翼质量，g为重力加速度，e₃为惯性坐标系z轴单位向量，R为多旋翼系统的姿态，为期望加速度；

所述转矩M由以下公式生成：

其中，C为控制指令的期望值，k_R，k_Ω为控制参数，e_R为姿态误差，e_Ω为角速度误差，R_C为期望姿态，Ω_C为期望角速度，为期望角加速度，Ω∈R³为多旋翼系统的角速度，为多旋翼系统的预测角速度，J∈R^3×3为多旋翼系统的转动惯量，R为多旋翼系统的姿态。

2.根据权利要求1所述的基于视觉语义信息的动态障碍环境导航方法，其特征在于，所述步骤S1进一步包括以下步骤：

S11、将原始图片缩放至指定大小并进行区块分割；

S12、将分割后的图片输入深度神经网络模型进行概率回归预测，输出图片场景中障碍物的位置、尺寸和置信度的预测值；

S13、根据非极大值抑制法去除多余的预测值，得到目标检测结果，所述目标检测结果采用边界框体与物体种类表示。

3.根据权利要求1所述的基于视觉语义信息的动态障碍环境导航方法，其特征在于，所述步骤S1中的深度神经网络模型的概率回归预测方法的预测参数，进一步包括：

图片像素点与预测物体中心的距离坐标；

图片像素点所预测的物体尺寸与图像尺寸比；

障碍物预测置信度，包括预测的选定区域尺寸的准确度以及对所预测目标的置信度。

4.根据权利要求1所述的基于视觉语义信息的动态障碍环境导航方法，其特征在于，所述步骤S2中：

惯性坐标系下的质量归一化作用力、方向和角速度，通过多旋翼动力学模型的控制输入等价获得。