[发明专利]基于BP神经网络和距离信息的机器人自主避障方法

摘要

本发明涉及一种移动机器人的自主避障方法，属于机器人自主运动领域。所述方法包括人工训练和自主避障两个部分。人工训练阶段利用机器人和障碍物的相对位置关系进行建模，针对每种情况进行距离数据采集并人工标记相应类别。最后利用BP神经网络对模型进行训练使机器人具备区分自身和障碍物各种相对位置关系的能力。自主避障部分根据人工训练结果对实时得到的距离信息进行分类从而指导机器人自主运动实现避障。本发明建立的模型相对简单，降低了机器人自主避障所需的数据采集和处理的复杂程度，既能满足移动机器人对实时性的要求，也能使机器人具备一定的泛化能力，在一定程度上适应于未知环境。

主权项

一种基于BP神经网络和距离信息的机器人自主避障方法，其特征在于包括激光测距、人工训练和自主避障；所述的激光测距由激光测距传感器在二维平面上进行扇形扫描，用于实时测量机器人和障碍物之间的距离，激光测距传感器采集到的距离数据标记为(A1,A2,……,Ad)，d为数据维度，数据维度d的计算方法如下：d＝|(L+R)/θ|式中，L、R分别为激光测距传感器向左和向右扫描偏离正前方的最大偏角；θ为相邻两条激光射线之间的夹角；本发明设定所使用角度为机器人前方180度，也就是L为90度，R为90度；通过设定θ值来设定距离数据维度；所述的人工训练包括如下步骤：步骤1.1：建立移动机器人和障碍物相对位置关系模型；步骤1.2：设定移动机器人和障碍物之间的位置关系标记为C＝(C1,C2,C3,C4,C5,C6)；共包含六种情况，针对每种情况根据步骤1.1中建立的移动机器人和障碍物相对位置关系模型设定机器人和障碍物的位置，进行距离数据采集，每次采集的数据为一个数据维度为d的向量；采集数据过程中，操纵机器人前后左右小幅度摆动，使采集到的数据更加全面；每种情况采集完后人工标记距离数据对应的类别，由于有六种情况，所以标记的类别是6*1的矩阵，对应移动机器人和障碍物位置关系的六种情况，设定矩阵(1，0，0，0，0，0)对应的类别是C1，设定矩阵(0，1，0，0，0，0)对应的类别是C2，设定矩阵(0，0，1，0，0，0)对应的类别是C3，设定矩阵(0，0，0，1，0，0)对应的类别是C4，设定矩阵(0，0，0，0，1，0)对应的类别是C5，设定矩阵(0，0，0，0，0，1)对应的类别是C6；步骤1.3：根据BP神经网络模型，以距离数据作为输入矩阵，人工标记的类别作为期望输出矩阵，使用神经网络工具箱进行训练，训练出BP神经网络的两个权值矩阵，分别为输入层到隐含层的连接权值矩阵和隐含层到输出层的连接权值矩阵；所述的自主避障包括如下步骤：步骤2.1：在自主避障程序中设置安全距离为0.5米、运行时间为10分钟，打开激光测距传感器；步骤2.2：根据自主避障程序中的计时器判断是否已达到运行时间，达到运行时间自主避障结束，没达到运行时间执行步骤2.3；步骤2.3：根据激光测距传感器实时得到的距离信息判断是否有障碍物，当激光测距传感器实时采集到的距离数据中有若干维的数据小于安全距离时，判断为有障碍物；当距离数据中所有维度的数据都大于安全距离时，判断为无障碍物；有障碍物执行步骤2.4，否则执行步骤2.5；步骤2.4：移动机器人进行自主避障，通过激光测距传感器实时采集到的距离数据作为BP神经网络的输入矩阵，通过人工训练阶段得到的两个权值矩阵将输入矩阵映射到一个6*1的矩阵作为输出矩阵，输出矩阵中值最大的那一维对应的类别就是当前机器人采集的距离数据对应的类别，以此对机器人当前所处情况进行分类，设定输出矩阵为(0.9，0.01，0.11，0.0002，0.023，0.008)对应C1，也就是避障模型中的第一类；当分类结果为C1,C2,C3时，机器人向前运动；C4时，机器人向左运动；C5时，机器人向右运动；C6时，机器人向左或向右随机运动；执行完成后，执行步骤2.2；步骤2.5：没有障碍物，移动机器人继续向前运动，执行步骤2.2。