[发明专利]一种适用于多人场景的移动机器人自动跟随方法

权利要求书

1.一种适用于多人场景的移动机器人自动跟随方法，其特征在于：包括如下步骤：步骤S1、开始采样，机器人上的激光雷达开始扫描和采集数据，机器人获取跟随目标的腿部激光数据点信息，则进入步骤S2；

步骤S2、预处理，机器人通过过滤环境中干扰的激光数据点，对跟随目标的腿部激光数据点信息进行预处理，则进入步骤S3；

步骤S3、单人场景人腿识别，机器人根据腿部激光数据点信息的弯曲度和总长度将腿部激光数据点划分为腿部聚类leg_cluster和干扰信息，再根据相邻两腿部聚类leg_cluster的距离将腿部聚类leg_cluster划分为行人聚类human_cluster和干扰信息，若得到行人聚类human_cluster，则进入步骤S4；

步骤S4、多人场景人腿锁定，机器人根据行人聚类human_cluster与机器人在单位时间内的变化角度将行人聚类human_cluster划分为跟随目标和干扰目标，若得到跟随目标，则进入步骤S5；

步骤S5、开始跟随，多人场景下，机器人稳定地锁定和跟随行人目标；

所述步骤S3，包含如下步骤：

步骤S31、计算激光数据点首尾距离D_k和数据点之间的总长度L_k：

式中，D_k表示为第k个聚类的首尾激光数据点距离；L_k表示为第k个聚类的每个激光数据点相连的总长度；c_k[n]表示为聚类后的结果；c_k[n].x、c_k[n].y分别表示为第k个聚类的第i个激光数据点的横坐标和纵坐标；k表示为聚类的标号；n表示为聚类中激光数据点的数量；i表示为聚类中激光数据点的标号；

步骤S32、计算聚类的弯曲度Curve[k]：

式中，Curve[k]表示为第k个聚类的弯曲度；

步骤S33、判断第k个聚类同时满足条件Curve[k]δ_c和L_minLL_max，则筛选为腿部聚类leg_cluster，不满足条件则筛选为干扰信息，其中，δ_c表示为最小曲率，L_min和L_max分别表示为最小和最大的聚类长度；

步骤S34、计算腿部聚类leg_cluster的中心坐标(x_ck,y_ck)：

式中，c_k[i].x、c_k[i].y分别表示为第k个腿部聚类leg_cluster的第i个激光数据点的横坐标和纵坐标；n表示为腿部聚类leg_cluster中激光数据点的数量；

步骤S35、计算第k个和第k+1个腿部聚类leg_cluster的距离D_ckck+1：

步骤S36、判断k个和第k+1个腿部聚类leg_cluster的中心坐标之间的距离，若满足0D_ckck+1δ_d则筛选为行人聚类human_cluster,不满足条件则筛选为干扰信息，其中，δ_d表示为最大聚类距离；

所述步骤S4，包含如下步骤：

步骤S41、计算行人聚类的中心坐标(x_p,y_p)：

式中，(x_c1,y_c1)为第1个腿部聚类leg_cluster1的中心坐标；(x_c2,y_c2)为第2个腿部聚类leg_cluster2的中心坐标；

步骤S42、计算行人聚类和机器人的夹角θ：

式中，(x_r,y_r)为机器人的中心坐标；

步骤S43、计算在时间间隔△t内，行人聚类和机器人的每时刻相对变化角度△θ：

式中，θ_t、θ_t+△t分别为t时刻和t+△t时刻行人聚类和机器人的夹角；

步骤S44、判断在时间间隔△t内行人聚类和机器人的每时刻相对变化角度，若满足△θδ_e则筛选为跟随目标，不满足条件则筛选为干扰目标，其中，δ_e表示为最大变化角度。