[发明专利]一种基于单目相机的机器人室内复杂场景避障方法

说明书

本发明公开了一种基于单目相机的机器人室内复杂场景避障方法，属于机器人导航与避障领域。本发明所述单目避障导航网络由环境感知阶段和控制决策阶段组成，具体包括深度预测模块、语义掩膜模块、深度切片模块、特征提取指导模块、强化学习模块和数据增强。该网络以单目RGB图像作为输入，获取语义深度图之后进行动态最小池化操作获取“伪激光”数据，以此作为强化学习的状态输入，生成最终的机器人决策动作。本发明解决了机器人室内环境避障任务中，难以充分感知复杂障碍物，从而导致避障失败的困难，帮助机器人利用环境的语义信息，去除冗余像素的干扰，从而进行高效的强化学习训练与决策，在不同场景上具有有效性和适用性。

技术领域

本发明属于机器人领域中的导航与避障(NavigationandObstacle Avoidance)领域，具体实现结果为机器人自主导航与避障，特别涉及一种对复杂障碍物充分有效感知的方法。

背景技术

机器人避障任务是在较为复杂的场景中，机器人可以自主地导航到目标点同时不与障碍物发生任何碰撞，具有重大的实际应用价值。随着人工智能技术的快速发展，机器人避障相关任务，例如扫地机器人、无人驾驶、智能仓库、智能物流等，都获得了显著的性能提升。

但是室内的避障场景中经常会存在一些复杂的障碍物，例如桌椅等非凸不规则物体、黑色金属物体、衣物等平放在地面上的障碍物，这些物体会对传统的一维激光雷达避障策略造成严重的影响，但却没有相关的研究来处理这类物体。这类复杂障碍物的存在会导致激光雷达系统无法充分感知环境，进而使导航避障系统失效。具体来说，对于不规则物体，例如桌子，一维激光雷达仅能感知到桌子腿，会使机器人错误地认为桌子腿之间的空隙可以通过，但是当机器人较高时，则会与桌面发生碰撞；对于黑色金属物体，会严重干扰激光雷达，吸收到发射出的激光，使其完全失效；对于地面上的复杂障碍，传统的方法无法感知到较低的地面障碍，甚至像泳池这类嵌入到地面中，但又无法通行的障碍。因此充分高效地感知复杂障碍物是机器人避障领域中一项亟待解决的任务。

现有的机器人避障导航方法大多数都采用深度强化学习作为学习方式，因其无需人工采集标注数据集可以自主学习而广受欢迎。强化学习是一个“试错”的过程，该过程往往在虚拟环境下进行学习，再迁移到真实场景中。为了缩小虚拟到现实的差距，通常采用数据形式简单，容易学习的激光雷达数据。但激光雷达数据对于复杂障碍物的认知不够完全，无法执行高效的避障策略。

一些新的工作摒弃了激光雷达传感器，采用RGB-D相机捕获的深度图与彩色图作为输入，直接映射到动作，进行强化学习端到端训练。图像对于激光数据来说，具有丰富的语义信息，但同时具有大量对避障没有帮助的冗余信息，从而导致强化学习算法难收敛、难训练，更会造成虚拟与现实差距大，策略难以迁移。并且深度相机在具有太阳光照的室内环境下，出现大量噪声，几乎失效。而传统采用深度图到点云的映射来去除地面干扰信息的方法，对于衣物、泳池等地面上较低的障碍物也无法感知。所以基于RGB-D端到端学习的方法也存在较多问题，无法充分感知复杂的室内环境，更无法安全的导航与避障。

因此本发明基于对现有避障导航技术的调查与分析，通过结合激光雷达与RGB相机的优势，同时摒弃掉二者的劣势，构建了“伪激光”数据，从而实现复杂场景中自主导航与避障任务。方法的输入是机器人平台搭载的单目RGB相机拍摄的图像，输出是机器人要采取的动作，包括线速度与角速度。该方法能够有效地感知出室内场景不同类型的复杂障碍物，从而能够帮助强化学习模块进行高效的学习与决策。

发明内容

本发明的目的是针对复杂场景单目RGB图像，通过映射“伪激光”数据实现高效地机器人避障方法。该方法包括环境感知阶段与控制决策阶段，其中环境感知阶段包括深度预测模块、语义分割模块和深度切片模块；控制决策阶段包括特征提取指导模块和强化学习模块。本发明所述方法适用于多种形状和大小的复杂障碍物。

本发明的技术方案为：

一种基于单目相机的机器人室内复杂场景避障方法，该方法包括以下步骤：