一种机器人路径规划方法及装置与流程

本发明涉及机器人领域，尤其涉及一种机器人路径规划方法及装置。

背景技术：

随着机器人技术的发展，机器人以直接或者间接的方式参与人类生活已不可避免，当人和机器人同时在空间中行动时，机器人只有了解人的行动轨迹才可以避开人，使得机器人可以在不影响人活动的前提下活动。

但是人的运行轨迹不定，很难对人的行动轨迹进行预测，现有技术中提供的方法，无法使得机器人依据人的运行轨迹规划自身的运动路径，从而使得机器人可以在不影响人活动的前提下进行活动。

技术实现要素：

有鉴于此，本发明公开了一种机器人路径规划方法及装置，解决了现有技术中无法依据人的运动轨迹规划机器人的运动路径的问题，从而使得机器人可以在不影响人活动的前提下进行活动。

本发明实施例公开的一种机器人路径规划方法，包括：

对运动目标的身体和腿部进行追踪，分别将追踪得到的身体数据和腿部数据输入到预设的机器学习模型中，得到身体的第一位置和腿部的第二位置；所述机器学习模型是已基于人体站立和走路的数据进行了训练；

将得到的身体的第一位置和腿部的第二位置进行融合得到运动目标的位置；所述运动运动目标的位置是运动目标相对于机器人的位置；

依据所述运动目标的位置和通过对身体追踪获得的运动目标的运动速度预测运动目标下一步的位置；

依据所述运动目标的位置、运动速度、下一步的位置以及第一高斯函数，生成运动目标的运动成本地图；所述第一高斯函数为移动方向上峰值递增的函数；

依据对运动目标追踪时得到的运动目标静止时的数据以及第二高斯函数生成运动目标的静态成本地图；所述第二高斯函数为圆形的高斯函数；

将所述运动目标的静态成本地图、运动成本地图和已获得的障碍物的成本地图进行融合得到主成本地图；

依据所述主成本地图和预设的规则，对机器人的路径进行规划。

可选的，将得到的身体的第一位置和腿部的第二位置进行融合得到运动目标的位置，，包括：

依据身体和腿部的权重，将得到的身体的第一位置和腿部的第二位置进行融合得到运动目标的位置。

可选的，依据所述主成本地图和预设的规则，对机器人进行路径规划，包括：

获取所述主成本地图中的道路情况；

当道路通畅时，命令机器人常速通过；

当道路成本较低时，命令机器人减速通过；

当道路成本为中等时，命令机器人停止活动；

当道路成本较高时，命令机器人选择所述运动目标的反方向通过。

可选的，对运动目标的身体和腿部进行追踪，包括：

通过安装在机器人上的摄像头对运动目标的身体进行追踪；

通过安装在机器人上的激光雷达传感器对运动目标的腿部进行追踪。

可选的，所述机器学习模型为卷积神经网络学习模型。

本发明实施例还公开了一种机器人路径规划装置，所述装置包括：

追踪单元，用于对运动目标的身体和腿部进行追踪，分别将追踪得到的身体数据和腿部数据输入到预设的机器学习模型中，得到身体的第一位置和腿部的第二位置；所述机器学习模型是已基于人体站立和走路的数据进行了训练；

第一融合单元，用于将得到的身体的第一位置和腿部的第二位置进行融合得到运动目标的位置；所述运动目标的位置是运动目标相对于机器人的位置；

预测单元，用于依据所述运动目标的位置和通过对身体追踪获得的运动目标的速度预测运动目标下一步的位置；

第一生成单元，用于依据所述运动目标的位置、运动速度、下一步位置以及第一高斯函数，生成运动目标的成本地图；所述第一高斯函数为移动方向上峰值递增的函数；

第二生成单元，用于依据运动目标追踪时得到的运动目标静止时的数据以及第二高斯函数生成运动目标的静态成本地图；所述第二高斯函数为圆形的高斯函数；

第二融合单元，用于将所述运动目标的静态成本地图、运动成本地图和已获得的障碍物的成本地图进行融合得到主成本地图；

路径规划单元，用于依据所述主成本地图和预设的规则，对机器人的路径进行规划。

可选的，所述第一融合单元包括：

第一融合子单元，用于依据身体和腿部的权重，将得到的身体的第一位置和腿部的第二位置进行融合得到运动目标的位置。

可选的，路径规划单元，包括：

获取子单元，用于获取所述主成本地图中的道路情况；

第一命令子单元，用于当道路通畅时，命令机器人常速通过；

第二命令子单元，用于当道路成本较低时，命令机器人减速通过；

第三命令子单元，用于当道路成本为中等时，命令机器人停止活动；

第四命令子单元，用于当道路成本较高时，命令机器人选择所述运动目标的反方向通过。

可选的，追踪单元，包括：

第一追踪子单元，用于通过安装在机器人上的摄像头对运动目标的身体进行追踪；

第二追踪子单元，用于通过安装在机器人上的激光雷达传感器对运动目标的腿部进行追踪。

可选的，所述机器学习模型为卷积神经网络学习模型。

本发明实施例公开的一种机器人路径规划方法及装置，通过对运动目标的追踪进行人体识别，获得运动目标相对于机器人的位置和运动速度，从而根据获得的运动目标相对于机器人的位置和运动速度，预测运动目标下一步的位置；并根据运动目标相对于机器人的位置和运动速度、下一步的位置以及第一高斯函数得到运动目标的运动成本地图；将获得的运动目标的静态成本地图、运动成本地图和已获得的障碍物的成本地图进行融合得到主成本地图；依据所述主成本地图和预设的规则，对机器人的路径进行规划。因此，这样不但可以预测运动目标下一步的位置，而且可以根据运动目标的运动轨迹对机器人的路径进行规划，从而使得机器人可以在不影响人活动的前提下进行活动。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1示出了本发明实施例提供的一种路径规划方法的流程示意图；

图2示出了本发明实施例提供的一种路径规划装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参考图1，示出了本发明实施例一种机器人路径规划方法的流程示意图。在本实施例中，所述方法可以包括：

S101：对运动目标的身体和腿部进行追踪，分别将追踪得到的身体数据和腿部数据输入到预设的机器学习模型中，得到身体的第一位置和腿部的第二位置；所述机器学习模型是已基于人体站立和走路的数据进行了训练。

本实施例中，由于在对运动目标追踪的过程中，可以采用安装在机器人上的摄像头对运动目标的身体进行追踪，但是由于有的时候运动目标的腿部有可能被障碍物遮挡，因此在追踪运动目标身体的同时还可以采用其它的方法追踪运动目标的腿部，本实施例中，通过安装在机器人上的激光雷达传感器对运动目标的腿部进行追踪，采集运动目标的腿部相对于机器人的二维距离数据。

本实施例中，所述机器学习模型是已基于人体站立和走路的数据进行了训练，包括一个输入接口和输出接口，可以将追踪到的身体数据输入所述机器学习模型的输入接口，从输出接口可以得到运动目标身体的第一位置；将追踪到的腿部的数据输入到所述机器学习模型的输入接口，从输出接口得到运动目标腿部的第二位置。其中对于采用的机器学习模型，可以采用卷积神经网络学习模型。采用该机器学习模型，提高了输出结果的精确度。

本实施例中，需要说明的是，对运动目标进行追踪时，由于机器人追踪的活动区域可能不只是一个运动目标存在，可能有多个运动目标存在，追踪时可以对多个运动目标同时追踪，得到多个运动目标的身体和腿部的数据。然后，可以依据追踪到的多个运动目标的身体和腿部的数据，分别输入到预设的机器学习模型中，得到各个运动目标的身体的第一位置和腿部的第二位置，并分别进行以下S102-S107的操作。

S102：将得到的身体的第一位置和腿部的第二位置进行融合得到运动目标的位置；所述运动目标的位置是运动目标相对于机器人的位置。

本实施例中，将从机器学习模型中得到的身体的第一位置和腿部的第二位置进行融合，二者可以根据不同的权重进行融合，具体的，S102具体可以包括：依据身体和腿部的权重，将得到的身体的第一位置和腿部的第二位置进行融合得到运动目标的位置。

举例说明：第一位置和第二位置的融合可以基于两个结果的平均输出，即身体和腿部在融合时所占的权重各是50％；然而，由于对身体追踪获得的数据可靠性更好，因此可以将身体的权重设置一个较大的值，将腿部的权重设置一个小于身体权重的值，融合时依据设置好的权重值，将第一位置和第二位置进行融合得到运动目标相对于机器人的位置。

S103：依据所述运动目标的位置和通过对身体追踪获得的运动目标的运动速度预测运动目标下一步的位置。

本实施例中，在对运动目标的身体进行追踪时可以获得运动目标的运动速度，在本实施例中，获得的该运动速度是一个矢量，即该运动速度既可以表示运动目标运动的速度大小的值，也可以表示所述运动目标相对于机器人的方向。

进一步的，在对运动目标的下一步的位置进行预测时，可以预测出运动目标可能的多个位置。

举例说明，：在对运动目标的下一步位置进行预测时，在1s的范围内可以预测10个运动目标的下一步位置。

S104：依据所述运动目标的位置、运动速度、下一步的位置以及第一高斯函数生成运动目标的运动成本地图；所述第一高斯函数为移动方向上峰值递增的函数。

本实施例中，采用的第一高斯函数为运动目标所在的位置为峰值，向两边递减，当人体移动时，运动目标移动的方向峰值递增，运动目标之前运动的方向峰值递减。

本实施例中，将所述运动目标的位置、运动速度和运动目标下一步的位置表示为第一高斯函数的参数，利用第一高斯函数生成运动目标的运动成本地图。

其中，生成的运动成本地图中高斯函数区域的大小和运动目标与机器人的相对位置成反比；即相对位置越远，则影响的区域越小(也可以理解为区域面积越小)；相对位置越近，则影响的区域越大(也可以理解为区域的面积越小)。除此之外，生成的成本地图中高斯函数影响区域的大小和运动目标的运动速度成正比，运动速度越大，同等距离的影响区域越小，但是运动速度的影响限于运动目标和机器人处于同向运动时。

S105：依据对运动目标追踪时得到的运动目标静止时的数据以及第二高斯函数，生成运动目标的静态成本地图；所述第二高斯函数为圆形的高斯函数。

本实施例中，在对运动目标的身体进行追踪时可以获得运动目标在静止时的数据，可以依据运动目标在静止时的数据和第二高斯函数生成静态成本地图。

S106：将所述运动目标的静态成本地图、运动成本地图和已获取的障碍物的成本地图进行融合得到主成本地图。

本实施例中，所述障碍物的成本地图，可以是预先保存在机器人中的，也可以是在S101之前，通过对周围的环境进行追踪，并依据追踪的数据和第三高斯函数，获得障碍物的成本地图，其中第三高斯函数可以为圆形的高斯函数。

本实施例中，由于上文中提到，追踪的运动目标可以是多个，因此得到的静态成本地图和运动成本地图也可以是多个，因此可以将多个运动目标的静态成本地图和运动成本地图以及已获取的障碍物的成本地图进行融合，得到主成本地图。本实施例中，主成本地图，在运动目标静止时，高斯分布图形是圆形，当运动目标运动时，运动目标移动方向的成本耗值将增加，即移动方向峰值增大，而且，当机器人距离运动目标的距离越近时或者机器人相对于运动目标的运动速度越大时，耗值成本越高。

S107：依据所述主成本地图和预设的规则，对机器人的路径进行规划。

本实施例中，主成本地图可以提供机器人可以运动目标的运动轨迹，从而可以为机器人提供道路的情况，这里所说的道路的情况，其实可以理解为运动目标与机器人的相对位置和相对速度的情况。

本实施例中，S107具体可以包括：获取所述主成本地图中的道路情况；当道路通畅时，命令机器人常速通过；当道路成本较低时，命令机器人减速通过；当道路成本较高时，命令机器人选择所述运动目标的反方向通过。

举例说明：道路通畅可以理解为运动目标处于静止状态，此时高斯分布函数是圆形；当道路成本较低时，可以理解为运动目标处于运动状态与机器人的相对位置较远，此时可以命令机器人减速通过；当道路成本为中等时，可以理解为运动目标处于运动状态且与机器人的相对位置较近，此时可以命令机器人停止活动；当道路成本较高时，可以理解为运动目标处于运动状态且与机器人的相对位置非常近，此时若是机器人继续运动的话可能会碰到运动目标，因此可以命令机器人选择所述运动目标的方向通过。

本实施例中，通过对运动目标的追踪进行人体识别，获得运动目标相对于机器人的位置和运动速度，从而根据获得的运动目标相对于机器人的位置和运动速度，预测运动目标下一步的位置；并根据运动目标相对于机器人的位置和运动速度、预测的运动目标下一步的位置以及第一高斯函数，得到运动目标的运动成本地图；在对运动目标追踪的过程中，还可以获得运动目标静止时的数据，依据该数据和第二高斯函数生成运动目标的静态成本地图；将所述运动目标的静态成本地图、运动成本地图和已获得的障碍物的成本地图进行融合得到主成本地图；依据所述主成本地图和预设的规则，对机器人的路径进行规划。因此，这样不但可以预测运动目标下一步的位置，而且可以根据运动目标的运动轨迹对机器人的路径进行规划，从而使得机器人可以在不影响人活动的前提下进行活动。

参考图2，示出了本发明实施例一种路径规划装置的结构示意图。在本实施例中，所述装置例如可以包括：

追踪单元201，用于对运动目标的身体和腿部进行追踪，分别将追踪得到的身体数据和腿部数据输入到预设的机器学习模型中，得到身体的第一位置和腿部的第二位置；所述机器学习模型是已基于人体站立和走路的数据进行了训练；

第一融合单元202，用于将得到的身体的第一位置和腿部的第二位置进行融合得到运动目标的位置；所述运动目标的位置是运动目标相对于机器人的位置；

预测单元203，用于依据所述运动目标的位置和通过对身体追踪获得的运动目标的速度预测运动目标下一步的位置；

第一生成单元204，用于依据所述运动目标的位置、运动速度、下一步位置以及第一高斯函数，生成运动目标的成本地图；所述第一高斯函数为移动方向上峰值递增的函数；

第二生成单元205，用于依据运动目标追踪时得到的运动目标静止时的数据以及第二高斯函数生成运动目标的静态成本地图；所述第二高斯函数为圆形的高斯函数；

第二融合单元206，用于将所述运动目标的静态成本地图、运动成本地图和已获得的障碍物的成本地图进行融合得到主成本地图；

路径规划单元207，用于依据所述主成本地图和预设的规则，对机器人的路径进行规划。

可选的，所述第一融合单元包括：

第一融合子单元，用于依据身体和腿部的权重，将得到的身体的第一位置和腿部的第二位置进行融合得到运动目标的位置。

可选的，路径规划单元，包括：

获取子单元，用于获取所述主成本地图中的道路情况；

第一命令子单元，用于当道路通畅时，命令机器人常速通过；

第二命令子单元，用于当道路成本较低时，命令机器人减速通过；

第三命令子单元，用于当道路成本为中等时，命令机器人停止活动；

第四命令子单元，用于当道路成本较高时，命令机器人选择所述运动目标的反方向通过。

可选的，追踪单元，包括：

第一追踪子单元，用于通过安装在机器人上的摄像头对运动目标的身体进行追踪；

第二追踪子单元，用于通过安装在机器人上的激光雷达传感器对运动目标的腿部进行追踪。

可选的，所述机器学习模型为卷积神经网络学习模型。

通过本实施例公开的装置，通过对运动目标的追踪进行人体识别，获得运动目标相对于机器人的位置和运动速度，从而根据获得的运动目标相对于机器人的位置和运动速度，预测运动目标下一步的位置；并根据运动目标相对于机器人的位置和运动速度、下一步的位置以及第一高斯函数得到运动目标的运动成本地图；将获得的运动目标的静态成本地图、运动成本地图和已获得的障碍物的成本地图进行融合得到主成本地图；依据所述主成本地图和预设的规则，对机器人的路径进行规划。因此，这样不但可以预测运动目标下一步的位置，而且可以根据运动目标的运动轨迹对机器人的路径进行规划，从而使得机器人可以在不影响人活动的前提下进行活动。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。