[发明专利]一种用于机器人的可行驶区域感知方法

权利要求书

1.一种用于机器人的可行驶区域感知方法，其特征在于：包括步骤：

步骤一、机器人采集路面深度图像和RGB图像，并将深度图像和RGB图像对齐；

步骤二、通过预先训练好的路面分割模型对RGB图像进行处理得到可行驶区域，再对深度图像进行平面检测得到可行驶区域，并通过步骤一将两个可行驶区域对齐；

步骤三、采用多帧叠加和权重累加的方法对可行驶区域进行融合，得到最终可行驶区域。

2.根据权利要求1所述的可行驶区域感知方法，其特征在于：所述步骤一中，机器人通过RGB-D相机采集路面深度图像和RGB图像；或通过RGB相机采集RGB图像，再通过深度相机或激光雷达采集路面深度图像。

3.根据权利要求1所述的可行驶区域感知方法，其特征在于：所述步骤三之前通过两个可行驶区域的交并比判断两个可行驶区域是否重合，若重合，则转至步骤三；若不重合，则计算平面检测得到的可行驶区域中所有内点与该平面之间的平均距离并归一化得到平面检测误差值，根据路面分割模型输出的置信度计算得到路面分割误差值，将二者进行比对，以误差值更小的可行驶区域为基准进行步骤三的融合。

4.根据权利要求1所述的可行驶区域感知方法，其特征在于：所述步骤二中路面分割模型训练如下：

(11)机器人通过安装在其上的相机分别采集在不同工况、不同时间段或不同位置的RGB图像并将RGB图像内的路面标注出来；

(12)采用神经网络对步骤(11)得到的图像通过神经网络进行训练得到标注模型，并通过该标注模型对采集得到RGB图像进行标注；

(13)设计路面分割模型，并采用迁移学习的方法以步骤(12)中得到的标注模型的参数作为得到路面分割模型的初始参数，并采用蒸馏学习方法对标注后RGB图像进行训练得到路面分割模型。

5.根据权利要求4所述的可行驶区域感知方法，其特征在于：设计的路面分割模型具体为：采用depth_wise卷积、point_wise卷积、channel shuffle或Inception卷积结构，使用3*3的小卷积核；在网络结构中细节分支采用宽通道和浅层卷积，语义分支采用窄通道和深层卷积，在融合层采用注意力机制融合两层不同维度的信息。

6.根据权利要求1所述的可行驶区域感知方法，其特征在于：所述步骤二中，通过预先训练好的路面分割模型对RGB图像进行处理得到可行驶区域具体为：

(21)将RGB图像输入训练好的路面分割模型得到可行驶区域的路面mask；

(22)将步骤(21)得到的路面mask进行降采样得到路面mask轮廓上的若干离散点；

(23)对经步骤(22)降采样后得到的路面mask轮廓上的若干离散点采用卡尔曼滤波方法进行滤波处理，得到所有点的2D坐标，进而得到可行驶区域。

7.根据权利要求1所述的可行驶区域感知方法，其特征在于：在所述步骤二得到可行驶区域后，实时检测前后帧可行驶区域的面积变化，并与预设面积变化阈值比对；当前后帧可行驶区域的面积变化大于预设面积变化阈值时，则判断存在误检测，并将当前帧图像输入之前训练好的路面分割模型进行训练。