1.一种机器人路径规划方法,其特征在于,所述方法包括:
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。
2.根据权利要求1所述的方法,其特征在于,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,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。
3.根据权利要求1所述的方法,其特征在于,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。
4.根据权利要求1所述的方法,其特征在于,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。
5.根据权利要求1所述的方法,其特征在于,所述机器学习模型为卷积神经网络学习模型。
6.一种机器人路径规划装置,其特征在于,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。
7.根据权利要求6所述的装置,其特征在于,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。
8.根据权利要求6所述的装置,其特征在于,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。
9.根据权利要求6所述的装置,其特征在于,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。
10.根据权利要求6所述的装置,其特征在于,所述机器学习模型为卷积神经网络学习模型。