[发明专利]基于深度学习的轮式平台复杂地形自适应优化方法及系统

权利要求书

1.基于深度学习的轮式平台复杂地形自适应优化方法，其特征在于：所述自适应优化方法包括以下步骤：

S1、检测模块获取地形信息和自身运动状态信息；

S2、打滑检测模块根据所述自身运动状态信息判断轮式移动平台是否处于打滑状态：

是，则轮式移动平台处于打滑状态，打滑控制模块获取打滑信号，并根据所述自身运动状态信息运算出打滑控制策略，打滑控制模块依据所述打滑控制策略对轮式移动平台的运动状态进行调节，调节完成后返回S1；

否，则轮式移动平台处于非打滑状态，直接进入S3；

S3、环境特征识别模块根据所述地形信息判断轮式移动平台所处环境是否为复杂地形；

是，则轮式移动平台所处环境为复杂地形，运动控制模块获取复杂地形信号，并根据所述地形信息运算出运动控制策略，运动控制模块依据所述运动控制策略对轮式移动平台的运动状态进行调节；

否，则轮式移动平台所处环境为平整地形，轮式移动平台运动状态无需干涉。

2.根据权利要求1所述的基于深度学习的轮式平台复杂地形自适应优化方法，其特征在于：在S1中，所述检测模块包括摄像头、激光雷达、里程计、惯性测量传感器。

3.根据权利要求2所述的基于深度学习的轮式平台复杂地形自适应优化方法，其特征在于：在S2中，所述打滑检测模块的判断方法为：

里程计、惯性测量传感器获得轮式移动平台的行驶数据，获取自身运动状态信息；

打滑检测模块将输入的所述自身运动状态信息与打滑检测模块内置的打滑指标作对比运算，判断所述自身运动状态信息是否符合所述打滑指标。

4.根据权利要求3所述的基于深度学习的轮式平台复杂地形自适应优化方法，其特征在于：所述打滑指标具体的为：判定车轮为不打滑状态需要同时满足以下两个公式：

公式一：

L_i(k)∈[-εΔN_r(k)，εΔN_l(k)]

其中：

ΔN_l(k)表示在第k个采样周期内由里程计获得的左侧车轮位移增量；

ΔN_r(k)表示在第k个采样周期内由里程计获得的右侧车轮位移增量；

ε为调整系数；

L_i(k)表示在第k个采样周期内惯性测量传感器测得的轮式移动平台八轮车位移增量；

公式二：

其中：

ΔL(k)表示惯性测量传感器测得的位移增量和里程计测得的位移增量的比值：

L_c(k)＝ε[ΔN_l(k)-ΔN_r(k)]；

ε为调整系数；

μ和σ是概率论里正态分布函数随机变量的均值和标准差。

5.根据权利要求3所述的基于深度学习的轮式平台复杂地形自适应优化方法，其特征在于：在S2中，所述打滑控制模块输出打滑控制策略具体的方法为：当判定轮式移动平台处于打滑状态后，确定打滑驱动轮位置，将其余不打滑驱动轮所对电机的输出力矩作为优化变量，车轮速度与车身速度的比值小于阈值作为优化目标，改变至少一个不打滑驱动轮所对电机的输出力矩进行强化学习找到最优策略。

6.根据权利要求2所述的基于深度学习的轮式平台复杂地形自适应优化方法，其特征在于：在S3中，所述环境特征识别模块的判断方法为：

摄像头、激光雷达采集的环境障碍物信息，获取地形信息；

环境特征识别模块利用全卷积网络算法单元对所述地形信息进行分析处理，随后输出典型特征分类、特征参数，以识别环境特征。

7.根据权利要求6所述的基于深度学习的轮式平台复杂地形自适应优化方法，其特征在于：在S3中，所述运动控制模块输出运动控制策略具体的方法为：将全卷积网络算法单元输出的典型特征分类、特征参数作为输入，通过深度确定性策略梯度算法单元输出最优轨迹规划、运动控制参数，用来优化运动模式、改变运动策略。