一种基于在线学习机制的轮式机器人自适应导航方法
【技术领域】
[0001]本发明属于移动机器人导航技术领域，基于SICK激光测距仪获取周围环境与轮式机器人之间的精确距离信息，采用一种在线学习机制让轮式机器人学习导航路径，并且在进行导航时采用一种自主逃离障碍区的避障算法进行背景避障，从而实现轮式机器人的自适应导航。
【背景技术】
[0002]移动机器人导航是机器人领域的热门课题，使用更加精简的传感器来获取更加优良的路径进行导航一直是业界普遍追求的目标。
[0003]传统的导航方法要实现指定路径的自适应导航，需要依赖大量的传感器信息，同时还要对各种传感器信息进行数据的融合处理，导致传统的导航方法存在实时性差、导航精度低等不足，而目前采用的基于学习机制的导航方法，使机器人能够像人一样进行心智发育和记忆信息，直接根据人传授的导航路径进行导航，因此该方法具有导航路径最优、执行效率高、对传感器依赖程度低等优点。然而，由于导航场景的动态变化、遮挡、相似物干扰等复杂外界环境干扰的存在，单一基于学习机制的导航，会因当前场景和学习场景之间的差异，使机器人产生错误判断，造成偏航。并且由于学习和检索过程中的误差客观存在，即使是在严格的静态场景中，单一基于学习机制的导航也会在一定几率上发生偏航现象，一旦偏航发生，机器人碰撞等事故风险会大大增加。因此，这种导航方法的鲁棒性仍有待提尚O
[0004]另外，导航传感器的选配也是决定导航性能的关键所在。激光测距仪(LRF)因其具备高精度、数据量精简、视域宽阔、受环境光照影响小等特性被作为导航传感器大量应用于轮式机器人避障导航中。轮式机器人的避障能力同样也决定了其自适应导航时的表现，基于激光测距仪的避障方法常用有求可行方向的方法，它较好地解决了激光测距仪在避障过程中因激光距离数据处理不全面而导致的盲区问题。但在避障时若想实现逃离障碍区或使机器人绕过障碍物继续前进，还需要对机器人进行定位和构建环境地图等手段辅助。
【发明内容】
[0005]本发明针对上述基于单一学习机制的导航方法中，不适应动态环境、碰撞风险始终存在的问题，以及基于激光测距仪进行避障导航时必须依赖其他传感器辅助才可实现逃离障碍区的问题，提供了一种基于在线学习机制的轮式机器人自适应导航方法，解决了基于单一学习机制导航的动态场景鲁棒性不足和碰撞风险客观伴随的问题。本发明基于增量分层判别回归算法(Incremental Hierarchical Discriminant Regress1n，下文简称IHDR)和自主逃离障碍区避障算法的自适应导航方法。优化了轮式机器人的导航路径，提升了导航效率。
[0006]为解决上述的技术问题，本发明采用的技术方案如下:
[0007]—种基于在线学习机制的轮式机器人自适应导航方法，其特征在于:首先根据周围的环境情景进行分析判断，人为规划出供机器人行驶的最优导航路径；然后控制机器人沿着所述最优导航路径进行运动并在学习模式下实时在线学习和训练，建立当前环境的距离信息与轮式机器人的运动控制信息的映射关系，并将该映射关系存放入IHDR树中，导航路径学习完成时IHDR树同时也构建完毕，之后机器人根据IHDR树中的所述映射关系进行自主导航；在根据训练得到的IHDR树进行自主导航时，背景避障监测模式同时作用，实时监测周围障碍物与机器人间的距离，一旦该距离小于或等于预先设置的阈值，立即开启避障导航模式，同时获取当前场景的激光距离数据和当前时刻机器人的速度数据，更新至IHDR树中；若当前时刻周围障碍物与机器人间的距离大于预先设定的阈值，则将机器人运动的控制权重新返回学习模式，机器人根据之前训练得到的IHDR树继续进行导航。
[0008]上述技术方案中，所述背景避障监测模式下主要利用激光测距仪进行距离测定。
[0009]上述技术方案中，主要包括如下步骤:
[0010]步骤1:设置轮式机器人串口及参数，初始化轮式机器人的控制模块；设置激光测距仪的串口通信波特率，设置激光扫描范围及扫描分辨率，设置距离数据的精度，发送开始接受激光数据的指令；
[0011]步骤2:根据周围环境特征与目标点位置，人为规划出供机器人行驶的最优路径后，使用电脑键盘上的方向键在上位机软件中控制机器人沿着规划好的路径进行运动和在线学习；
[0012]步骤3:在步骤2进行的过程中，采集当前激光测距仪返回的周围环境与机器人之间的激光距离数据，再对应识别当前键盘方向键的键值，得出当前时刻机器人的速度数据；
[0013]步骤4:建一棵IHDR空树，然后将步骤3得到的激光距离数据和激光距离数据下对应的速度数据根据IHDR算法存入到IHDR树中；
[0014]步骤5:以设定频率重复步骤3和步骤4，其中步骤4中建一棵IHDR空树操作只进行一次，直至机器人在人为控制下到达目标点，此时控制机器人做出停止运动的操作，将停止运动时刻的速度数据与对应的激光距离数据一同存入IHDR树中；最后IHDR树建立完成并存入到存储器中，路径学习完毕；
[0015]步骤6:开启自适应导航，进行初始化设置，使轮式机器人开始自主运动；
[0016]步骤7:采集激光数据，首先将其放入到自主逃离障碍区避障算法中进行检验，若结果得出无需进行避障操作则进入步骤8，反之则进行避障操作，同时开启增量学习模式，将当前激光距离数据与对应的由避障算法得出的速度数据根据IHDR算法更新至之前保存的IHDR树中；
[0017]步骤8:接着将采集到的激光距离数据根据IHDR算法放入IHDR树中进行回归分析，从而得到当前激光距离数据在保存的IHDR树中对应的回归速度数据；再将该回归速度数据放入控制轮式机器人运动的函数当中，实现机器人导航操作；
[0018]步骤9:一直循环运行步骤7、步骤8，直至使机器人到达目标点。
[0019]上述技术方案中，步骤I中设置的轮式机器人直线运动速度为0.2m/s，左右转动速度为±15° /S。
[0020]上述技术方案中，激光测距仪的扫描范围为O?180°，分辨率为1°，距离精度为Imm,最大扫描距离为8m。
[0021]上述技术方案中，步骤4中，IHDR树中包括X空间和Y空间；X空间是激光距离数据，Y空间是各激光距离数据下对应的速度数据，每一个时刻的激光距离数据Xi和对应的速度数据Yi都建立起了映射关系:
[0022]fiX,-Y1Ci = O, 1，...，Μ|Μ为所有学习样本数)
[0023]然后依据这种映射关系和IHDR算法的建树方法存储至IHDR树中。
[0024]上述技术方案中，步骤5的设定频率为200ms —次。
[0025]上述技术方案中，步骤7和步骤8的整个过程中，若经过自主逃离障碍区避障算法得出的可行方向为90°，即直行，则不执行直行操作，而是将当前激光距离数据继续放入到IHDR树中进行检索，根据回归出的回归速度数据控制机器人进行运动；若经过避障算法得出需要转动，则执行转动操作，同时把当前激光距离数据和对应的控制转动的速度数据更新至IHDR树中，然后再进行IHDR树的检索与回归，根据得出的回归速度数据再进行运动。
[0026]本发明的基于在线学习机制的轮式机器人自适应导航方法吸收了基于学习机制导航方法的导航路径优、执行效率高等优点。又针对单一基于学习机制的导航方法不适应动态环境的问题，利用避障算法动态环境适应力强的特性弥补了这一缺陷。自适应导航方法中的背景避障实时监测模式采用一种最远距离优先机制，使机器人避障时始终选择离障碍区最远的路径，让运动操作始终趋向于逃离障碍区，有效防止了机器人在动态环境中因当前场景和学习场景之间的差异而导致的偏航以及降低了客观伴随的碰撞风险。避障算法和IHDR算法的双闭环共同作用，优化了轮式机器人的导航路径，提升了导航效率。
【附图说明】
[0027]图1为本发明的基于在线学习机制的轮式机器人自适应导航方法的流程图。
[0028]图2为本发明学习训练和背景避障监测模式下的SICK激光射线示意图。
[0029]图3为IHDR树型结构知识库示意图。
【具体实施方式】
[0030]为了进一步说明本发明的技术方案，下面结合附图1-3对本发明的基于在线学习机