[发明专利]基于元学习的移动机器人避障方法

说明书

本发明公开了一种基于元学习的移动机器人避障方法，包括：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。本发明能够在样本数据不足的条件下提高移动机器人避障的鲁棒性。

技术领域

本发明涉及移动机器人避障的技术领域，尤其是指一种基于元学习的移动机器人避障方法。

背景技术

最初，移动机器人的应用仅限于简单工况，但近年来，随着移动机器人相关技术的发展，移动机器人已经普遍用于娱乐、医疗、救援、教育等多个领域。面对日益复杂的工作环境，避障技术作为机器人移动导航的基础，具备快速适应新场景下的避障任务的能力显得尤为重要。

目前用于避障的主流传感器包括超声波传感器、红外传感器、激光传感器和视觉传感器等，在上述的传感器中，视觉传感器具有价格低廉、探测范围广和信息丰富等优点，缺点是图像处理中运算量较大。用于避障的主流算法包括遗传算法、模糊控制和神经网络等，在上述避障算法中，神经网络尤其是深层的神经网络能够拟合实际应用环境中复杂的关系，缺点是深层神经网络运算量大，而且需要大量训练数据。随着近年来算力的提升，使得计算机视觉和深度学习在实际应用中大放异彩，加速了基于深度学习的视觉避障算法在实际中广泛应用。目前为止深度学习需要大量数据用于训练模型，但是在机密、危险的场景中收集数据仍然存在问题，小样本学习则是针对这一问题提出的解决方法。元学习是实现小样本学习的手段之一，元学习的提出克服了深度学习在数据匮乏时的窘境，能够针对样本量较少的任务训练模型。基于元学习的移动机器人避障能够大幅节约学习成本，达到快速学习的效果。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于元学习的移动机器人避障方法，能够在样本数据不足的条件下提高移动机器人避障的鲁棒性。

为实现上述目的，本发明所提供的技术方案为：基于元学习的移动机器人避障方法，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。

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。

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；