[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

说明书

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，包括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：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；所述自适应优化系统包括检测模块，打滑检测模块、环境特征识别模块、打滑控制模块、运动控制模块，驱动组件；本发明可对轮式移动平台的运动环境进行实时监测，从而判断所处环境是否为复杂环境，以调节轮式移动平台至最优工作模式；可对轮式移动平台的自身状态进行实时检测，从而判断轮式移动平台是否处于打滑状态，以调节轮式移动平台至防打滑模式，从而尽快脱离打滑区域。

技术领域

本发明属于机器人运动控制技术领域，特别涉及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。

背景技术

移动机器人一般有执行装置，驱动装置，检测装置，控制系统组成，可以进行行为规划、学习、感知、导航等智能行为。对移动机器人进行研究涉及到机械结构、控制理论、传感器技术、计算机编程、人工智能等多方面知识的交叉运用，因此，移动机器人的发展是建立在这些技术高速发展的基础之上的。

移动机器人行走机构大致可分为履带式、步行式、车轮式和混合式等几种主要结构形式；其中，轮式移动机器人具有结构轻、动作稳定、操纵简单、容易控制速度和方向等优点。但轮式机器人也有其显著的缺点，如在沙漠、泥泞和雪地等附着系数小的地形中，由于打滑引起的机器人通过性能较差；在碎石较多附着系数大的复杂地形中，由于附着力不足而引起机器人越障能力低。

发明内容

本发明针对现有技术存在的不足，提供了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，具体技术方案如下：

基于深度学习的轮式平台复杂地形自适应优化方法，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。

进一步的，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。

进一步的，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。

进一步的，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：