[发明专利]一种避停优先的移动机器人运动规划与避障决策方法

说明书

本发明涉及移动机器人导航技术领域，公开了一种避停优先的移动机器人运动规划与避障决策方法，包括建立状态自动机模型、离线生成备选路径簇、构建高层导航、构建中层导航、构建底层导航。本发明可以根据不同的状态和转移条件来定义避障规则，使得策略的设计和实现更加直观和可理解；可以在实时性要求较高的场景中实现快速的决策和控制，响应速度快；在避障决策过程中能够保证优先选择安全、可行的路径，从而保证行驶的安全性和稳定性；相对于基于深度学习的导航避障策略，本发明对于数据的要求较低，可以减少对大量数据的依赖。

技术领域

本发明涉及移动机器人导航技术领域，具体涉及一种避停优先的移动机器人运动规划与避障决策方法。

背景技术

随着社会的不断进步，移动机器人导航技术得到了快速的发展，人工智能、传感器、应用电子等领域的兴起也为移动机器人导航技术的发展注入了鲜活的活力，这使得移动机器人导航技术渗透到各行各业，应用到了越来越多的任务场景。一般来说，现有的导航避障策略可以分为两类，包括基于传统控制方法的导航避障策略和基于深度学习的导航避障策略。

传统控制方法包括：

基于PID控制的导航策略：通过对移动机器人速度、航向等参数进行不断调整，使移动机器人保持在规划好的路径上；

模糊控制算法：将传感器获取的障碍物信息转化为模糊变量，然后使用模糊控制算法来调整移动机器人的速度和航向等参数，以实现避障和导航。但是传统控制方法仍存在一些问题。

（1）传统控制方法需要准确的系统数学模型，才能对系统进行有效的建模和控制。但是，在实际应用中，移动机器人所面临的复杂环境和不确定性因素很多，难以准确地建立数学模型，导致传统控制方法的可靠性和实用性受到限制。

（2）对复杂环境的适应能力较差：传统控制方法的适用范围较窄，难以适应复杂多变的环境，尤其是在遇到未知障碍物或者不确定性较大的情况下，传统控制方法的效果会受到很大的影响。

基于深度学习的导航避障策略：随着深度学习技术的快速发展，该技术也逐渐应用于移动机器人导航避障策略中。例如，可以使用卷积神经网络（CNN）对移动机器人周围环境进行图像识别和分类，从而实现对障碍物的自动识别和避障行为的智能调节。但是基于深度学习的导航避障策略也存在一些问题：

（1）数据量和计算资源需求较高：深度学习需要大量的数据进行训练和优化，而且需要强大的计算资源支持，这对于一些资源受限的应用场景来说不太适合。

（2）模型解释性较差：深度学习模型通常是一个黑盒子，很难直接理解其决策过程和内部结构，这给可靠性和安全性带来了一定的挑战。

（3）可迁移性较差：基于深度学习的导航避障策略很大程度上依赖于训练数据的特点和场景，因此很难直接迁移到其他场景或任务中。

（4）对实时性要求较高：基于深度学习的模型需要较长的推理时间，这对于实时性要求较高的应用场景来说可能会产生问题。

本发明旨在改善传统控制方法导航时存在死区和迂回现象、导致移动机器人运动路径不够优化和平滑，以及基于深度学习的导航策略数据量要求高，模型解释性差，可迁移性差，实时要求高等问题。通过引入状态自动机模型，本发明提供了一种易于理解与解释，灵活性强，实时性好，可靠性高，数据需求量少的导航避障策略。

发明内容

为解决上述技术问题，本发明提供一种避停优先的移动机器人运动规划与避障决策方法。

为解决上述技术问题，本发明采用如下技术方案：

一种避停优先的移动机器人运动规划与避障决策方法，包括：

A.建立状态自动机模型：