本发明涉及机器人路径搜索领域，特别涉及一种基于概率地图的机器人最短预期时间目标搜索方法。
背景技术：
运动规划是慎思体系结构或反应-慎思体系结构机器人执行任务的上层决策关键环节。不确定环境下的机器人目标搜索任务属于比较复杂的任务类型，合理的运动规划方法可以极大的提高搜索任务的工作效率。
如申请号cn201610257825.0的发明公开了一种基于概率地图的工业机器人路径搜索优化算法，所述算法包括以下步骤：(1)在工业机器人末端运动的位姿空间中，运用碰撞检测算法选取若干无碰撞的采样位姿点，放入采样位姿点集v；(2)采用局部路径规划器选取采样位姿点之间的局部安全路径，放入边集e；(3)采样位姿点集v和边集e构成所需的概率地图g；(4)输入工业机器人末端运动的起始点与终止点；(5)采用a*算法搜索路径，获取全局无碰撞路径；(6)采用路径优化算法对所得路径进行优化，获得全局优化路径。
目前服务机器人运动规划方法常用的评价指标为时间最短或路径最短，无法匹配多样化的搜索任务需求。以上搜索方法通常需要精确的目标位置，如果不确定目标位置，则假设目标均匀分布于某以空间，然后进行遍历搜索。现实的任务需求中的工作环境常常属于半结构化，甚至是非结构化工作空间，许多目标所处的位置通常是不能精确确定的。机器人真实工作环境中的物体在不同空间中出现的概率差别非常大。如水杯出现在餐桌上的概率远高于其出现在洗手间里的概率。而现有技术缺少针对这类情况的高效搜索方法。
技术实现要素：
针对现有技术在目标位置不确定时无法高效搜索的问题，本发明提供了一种基于概率地图的机器人最短预期时间目标搜索方法，构建了不确定环境下的概率运动规划策略，主要用于需要优化预期时间的搜索任务。根据任务特点，实现任务的较优规划。
以下是本发明的技术方案。
一种基于概率地图的机器人最短预期时间目标搜索方法，包括以下步骤：s01：建立概率地图初始数据集，构建概率模型；s02：观测点序列规划并计算预期时间；s03：执行搜索，根据进度更新概率模型；s04：重复步骤s02及s03，直至找到目标或接到停止指令。本方案在初始数据集和概率模型的基础上进行任务的规划，同时在执行任务的过程中更新概率模型，并根据最新的概率模型重新规划任务，最大程度减少搜索所需的时间，实现在不确定位置的情况下高效搜索目标。
作为优选，步骤s01的过程包括：建立初始的特征地图，选定若干观测点，获取观测点之间的通路，同时记录通路的路径长度，生成初始拓扑地图及概率模型。建立初始特征地图的方式可以是通过2d激光雷达扫描工作环境，或者是通过其他手段自动或手动建立，观测点的选择可以人工指定，也可以根据历史的目标位置而选定，最终获得进行搜索的基础条件。
作为优选，所述生成初始拓扑地图及概率模型的过程包括：采用具有碰撞测试和回归机制的rrt算法在特征地图中获取相邻观测点之间的通路，并记录其生成的路径长度，连接观测点形成初始拓扑地图；搜索区域满足：
其中ok是第k观测点，ck是在该观测点全景视觉能覆盖到的区域，q是待搜索区域，fk是区域的ck的概率密指标，fk由历史数据统计得到；
则第k个观测点能发现目标的初始概率为：
其中s(ck)是区域ck的面积；以位置为关联信息，建立概率信息、特征地图、拓扑地图的相互映射，从而构成环境的概率模型。
通过历史数据的统计，得到关键参数，作为概率模型的成型基础，这种方式获得的参数参考价值高，更能反映出真实的概率分布情况。
作为优选，步骤s02的过程包括：根据概率模型中各观测点的概率分布计算任务预期耗时，其中计算过程包括：
ti时刻的概率分布为：
任务预期耗时为：
其中tk表示移动机器人运动至观测点ok，并在ok找到物体的过程中的耗时；
下一级节点的启发式搜索模型为：
在此过程中，任何子节点都不应被其他任何节点严格支配，至少满足以下条件之一：
pj{t＝ti}＞pi{t＝ti}；ju_li(o0,oj)＜ju_li(o0,oi)；
其中，ju_li(o0,oj)表示o0与oj之间的距离。
通过对时间及概率的取舍以得到较优的规划方案，利于高效搜索。
作为优选，步骤s03中执行搜索的过程包括：根据观测点序列，沿rrt算法所生成的路径运动，若路径中出现临时不可行区域或障碍物，则以避障和避险为高优先级，再以下一观测点为中间节点生成新的运动轨迹，在移动机器人沿着观测点序列的运动过程中，使用全景摄像机扫描目标，对目标进行搜索，直到获得目标为止。
作为优选，步骤s03中更新概率模型的过程包括：
计算概率中间计算值：
其中
计算下一时刻能在第k个观测点找到目标的概率：
完成概率模型的更新。
通过对概率模型的不断更新，保证每次规划的路径都是较优方案，以此提高搜索效率，实现不确定位置下最短预期时间的目标搜索。
本发明的实质性效果包括：根据初始的概率模型对搜索路径进行规划，同时又在执行搜索的过程中根据当前进度对概率模型进行更新，通过不断更新的概率模型重新规划路径，保证搜索期望时间最短，搜索效率最高。
具体实施方式
下面将结合实施例，对本申请的技术方案进行描述。另外，为了更好的说明本发明，在下文中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未做详细描述，以便于凸显本发明的主旨。
实施例：
一种基于概率地图的机器人最短预期时间目标搜索方法，在初始数据集和概率模型的基础上进行任务的规划，同时在执行任务的过程中更新概率模型，并根据最新的概率模型重新规划任务，最大程度减少搜索所需的时间，实现在不确定位置的情况下高效搜索目标。
本实施例包括以下步骤：
s01：建立概率地图初始数据集，构建概率模型。
作为优选，步骤s01的过程包括：建立初始的特征地图，选定若干观测点，获取观测点之间的通路，同时记录通路的路径长度，生成初始拓扑地图及概率模型。建立初始特征地图的方式可以是通过2d激光雷达扫描工作环境，或者是通过其他手段自动或手动建立，观测点的选择可以人工指定，也可以根据历史的目标位置而选定，最终获得进行搜索的基础条件。
作为优选，所述生成初始拓扑地图及概率模型的过程包括：采用具有碰撞测试和回归机制的rrt算法在特征地图中获取相邻观测点之间的通路，并记录其生成的路径长度，连接观测点形成初始拓扑地图；搜索区域满足：
其中ok是第k观测点，ck是在该观测点全景视觉能覆盖到的区域，q是待搜索区域，fk是区域的ck的概率密指标，fk由历史数据统计得到；
则第k个观测点能发现目标的初始概率为：
其中s(ck)是区域ck的面积；以位置为关联信息，建立概率信息、特征地图、拓扑地图的相互映射，从而构成环境的概率模型。
通过历史数据的统计，得到关键参数，作为概率模型的成型基础，这种方式获得的参数参考价值高，更能反映出真实的概率分布情况。
s02：观测点序列规划并计算预期时间。
作为优选，步骤s02的过程包括：根据概率模型中各观测点的概率分布计算任务预期耗时，其中计算过程包括：
ti时刻的概率分布为：
任务预期耗时为：
其中tk表示移动机器人运动至观测点ok，并在ok找到物体的过程中的耗时；
下一级节点的启发式搜索模型为：
在此过程中，任何子节点都不应被其他任何节点严格支配，至少满足以下条件之一：
pj{t＝ti}＞pi{t＝ti}；ju_li(o0,oj)＜ju_li(o0,oi)；
其中，ju_li(o0,oj)表示o0与oj之间的距离。
通过对时间及概率的取舍以得到较优的规划方案，利于高效搜索。
s03：执行搜索，根据进度更新概率模型。
作为优选，步骤s03中执行搜索的过程包括：根据观测点序列，沿rrt算法所生成的路径运动，若路径中出现临时不可行区域或障碍物，则以避障和避险为高优先级，再以下一观测点为中间节点生成新的运动轨迹，在移动机器人沿着观测点序列的运动过程中，使用全景摄像机扫描目标，对目标进行搜索，直到获得目标为止。
作为优选，步骤s03中更新概率模型的过程包括：
计算概率中间计算值：
其中
计算下一时刻能在第k个观测点找到目标的概率：
完成概率模型的更新。
通过对概率模型的不断更新，保证每次规划的路径都是较优方案，以此提高搜索效率，实现不确定位置下最短预期时间的目标搜索。
s04：重复步骤s02及s03，直至找到目标或接到停止指令。
本实施例的效果包括：根据初始的概率模型对搜索路径进行规划，同时又在执行搜索的过程中根据当前进度对概率模型进行更新，通过不断更新的概率模型重新规划路径，保证搜索期望时间最短，搜索效率最高。
通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中可以根据需要而将上述功能分配由不同的功能模块完成，即将具体装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中，应该理解到，所揭露的方法，可以通过其它的方式实现。本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(readonlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。