[发明专利]基于元学习的移动机器人避障方法

权利要求书

1.基于元学习的移动机器人避障方法，其特征在于，包括以下步骤：

1)获取基础数据集，包括Udacity无人驾驶数据集和UZH碰撞分类数据集；

2)制作避障数据集，包括对步骤1)所得基础数据集进行预处理及合并Udacity无人驾驶数据集和UZH碰撞分类数据集；

3)基于DroNet模型预测步骤2)所得避障数据集的图像数据对应的驾驶角度或碰撞概率；

4)基于元学习训练步骤3)的DroNet模型；

5)在实际应用场景中采集少量图像数据，即小样本数据集，对步骤4)训练好的DroNet模型进行微调，提高模型在新场景下的性能，最后将微调好的DroNet模型应用于实际的避障场景。

2.根据权利要求1所述的基于元学习的移动机器人避障方法，其特征在于：所述步骤1)包括以下步骤：

1.1)下载Udacity无人驾驶数据集和UZH碰撞分类数据集；

1.2)从Udacity无人驾驶数据集中的bag文件中解析出图像数据和驾驶角度。

3.根据权利要求1所述的基于元学习的移动机器人避障方法，其特征在于：所述步骤2)包括以下步骤：

2.1)根据时间戳同步Udacity无人驾驶数据集的图像数据和对应驾驶角度；

2.2)将Udacity无人驾驶数据集和UZH碰撞分类数据集分别划分出训练集、验证集和测试集，然后合并两个数据集的对应集合；

2.3)对训练集的图像数据进行色彩抖动、尺寸裁剪、灰度转换和像素值标准化处理，对验证集和测试集的图像数据进行尺寸裁剪、灰度转换和像素值标准化处理。

4.根据权利要求1所述的基于元学习的移动机器人避障方法，其特征在于：在步骤3)中，所述DroNet模型由特征提取模块和输出模块组成，所述特征提取模块依次由5×5卷积层、ReLU激活层、3×3最大池化层、3个残差模块ResBlock、Dropout层、ReLU激活层和Flatten层组成，所述Flatten层后接输出模块，所述输出模块包括输出驾驶角度的全连接层、输出碰撞概率的全连接层和Sigmoid激活层；其中，所述残差模块ResBlock分为两路，主路依次由批量归一化层、ReLU激活层、3×3卷积层、批量归一化层、ReLU激活层和3×3卷积层组成，旁路由1×1卷积层组成；

将避障数据集的图像数据输入到DroNet模型，得到图像数据对应的驾驶角度和碰撞概率。