一种基于3D技术的机器人路径避障方法及系统

一种基于3d技术的机器人路径避障方法及系统
技术领域
1.本发明涉及机器人避障技术领域，具体涉及一种基于3d技术的机器人路径避障方法及系统。


背景技术：

2.随着科技的不断发展，移动机器人已广泛应用于各个领域，包括生活服务、工业生产、军事、娱乐等方面。机器人技术设计控制、机械、计算机等多个学科技术。而机器人的导航与避障能力是反映机器人的智能型的重要指标。
3.khatib在《real-timeobstacleavoidanceformanipulatorandmobilerobots》一文中通过构建人工势场，使障碍物与目标点对人工势场中的机器人产生抽象的斥力与引力，共同控制机器人进行避障。人工势场法所规划的路径具有安全平滑的优点，且便于机器人实际执行控制，但是人工势场法易陷入局部极值，导致在接近障碍物或目标点时产生路径震荡问题。nicolai等在《deeplearningforlaserbasedodometryestimation》一文中基于深度卷积神经网络对连续变换的点云数据进行估计，进而实现路径规划据以及机器人的避障。虽然现有的传感器已经能提供大量精确的环境数据，但是定位方法很难有效地解析这些大量的数据，并且避障算法过于复杂。


技术实现要素：

4.本发明的目的在于提供一种基于3d技术的机器人路径避障方法，以解决现有技术中避障算法过于复杂的技术问题。
5.为解决上述技术问题，本发明具体提供下述技术方案：
6.一种基于3d技术的机器人路径避障方法，包括以下步骤：
7.步骤s1、利用机器人搭载的三维雷达检测出位于机器人行进路径上的障碍物的三维特征，并根据障碍物的三维特征优化分析出机器人的三维避障参数；
8.步骤s2、将障碍物的三维特征和机器人的三维避障参数进行模型拟合得到表征三维特征和三维避障参数映射关系的机器人路径避障模型；
9.步骤s3、在机器人行进路径上监测实时障碍物的三维特征，并利用机器人路径避障模型基于实时障碍物的三维特征得到机器人的实时三维避障参数，以实现机器人根据实时三维避障参数进行实时自主避障。
10.作为本发明的一种优选方案，所述利用机器人搭载的三维雷达检测出位于机器人行进路径上的障碍物的三维特征，包括：
11.利用机器人搭载的三维雷达检测出位于机器人行进路径上的障碍物的三维坐标，并分别提取出靠近行进路径两路径边界处的障碍物两边界坐标；
12.分别在行进路径上提取出两路径边界坐标到障碍物两边界坐标处空间的三维坐标作为多个避障可选空间的三维坐标，并将多个避障可选空间分别标记为aa’空间和b’b空间，其中，a表征为行进路径的左边界，a’表征为障碍物的左边界，b’表征为行进路径的右边
界，b表征为障碍物的右边界；
13.将所述障碍物的三维坐标、多个避障可选空间的三维坐标作为所述障碍物的三维特征。
14.作为本发明的一种优选方案，所述根据障碍物的三维特征优化分析出机器人的三维避障参数，包括：
15.利用三维特征中各个避障可选空间三维坐标计算出各个避障可选空间的三维容积，将多个避障可选空间的三维容积与机器人的三维体积的进行比较，其中，
16.若aa’空间和b’b空间的三维容积均大于或等于机器人的三维体积，则将aa’空间和b’b空间均作为有效避障空间；
17.若aa’空间的三维容积大于或等于机器人的三维体积且b’b空间的三维容积小于机器人的三维体积，则将aa’空间作为有效避障空间；
18.若b’b空间的三维容积大于或等于机器人的三维体积且aa’空间的三维容积小于机器人的三维体积，则将b’b空间作为有效避障空间；
19.若aa’空间和b’b空间的三维容积均小于机器人的三维体积，则将aa’空间和b’b空间均作为非有效避障空间；
20.当存在至少一个有效避障空间，则以路径平滑性最高和路径长度最短设定每个有效避障空间中避障路径的优化函数，所述避障路径的优化函数为：
[0021][0022]
式中，为表征避障路径的路径平滑性最高的优化函数，为表征避障路径的路径长度最短的优化函数，pi为避障路径中第i个路径点的三维坐标，n为避障路径中路径点的总数量，i为计量常数；
[0023]
设定避障路径的优化函数的求解约束条件，所述求解约束条件为：
[0024][0025]
式中，|pia|为pi到a的距离，|pia’|为pi到a’的距离，|pib|为pi到b的距离，|pib’|为pi到b’的距离，o表征为机器人的中心点，c为机器人的左边界，a’为机器人的右边界，|oc|为o到c的距离，|oc’|为o到c’的距离，[aa’]为aa’空间，[bb’]为bb’空间；
[0026]
基于所述求解约束条件多所述避障路径的优化函数进行求解得到有效避障空间的避障路径；
[0027]
将有效避障空间、避障路径作为机器人的三维避障参数。
[0028]
作为本发明的一种优选方案，当不存在有效避障空间，则机器人停在原地进行预警。
[0029]
作为本发明的一种优选方案，所述机器人路径避障模型的构建包括：
[0030]
将障碍物的三维特征作为cnn神经网络的输入项，机器人的三维避障参数作为cnn神经网络的输出项，利用cnn神经网络基于所述输入项和所述输出项进行模型训练得到所述机器人路径避障模型，所述机器人路径避障模型的模型表达式为：
[0031]
out[y]＝cnn(in[x])；
[0032]
式中，out[y]为机器人的三维避障参数，in[x]为障碍物的三维特征，cnn为cnn神经网络。
[0033]
作为本发明的一种优选方案，所述在机器人行进路径上监测实时障碍物的三维特征，包括：
[0034]
将机器人在行进路径上行进方向上距离最近的障碍物作为实时障碍物，并利用机器人搭载的三维雷达检测出所述障碍物的三维坐标，并分别提取出实时障碍物的多个避障可选空间的三维坐标；
[0035]
将实时障碍物的三维坐标、多个避障可选空间的三维坐标作为实时障碍物的三维特征。
[0036]
作为本发明的一种优选方案，所述利用机器人路径避障模型基于实时障碍物的三维特征得到机器人的实时三维避障参数，包括：
[0037]
将实时障碍物的三维特征输入至机器人路径避障模型，由机器人路径避障模型输出机器人的实时三维避障参数，实时三维避障参数包括机器人的实时有效避障空间、实时避障路径。
[0038]
作为本发明的一种优选方案，所述机器人的障碍的三维特征检测距离大于机器人的安全制动距离。
[0039]
作为本发明的一种优选方案，实时避障路径数量大于1个时，设定路径平滑性和路径长度的评价权重，并将路径平滑性和路径长度进行加权求和作为选取实时避障路径的选取函数，所述选取函数为：
[0040][0041]
式中，jarge为实时避障路径的评价值，为实时避障路径的路径平滑性评价值，为实时避障路径的路径长度评价值，w、v分别为路径平滑性、路径长度的评价权重；
[0042]
机器人依据在评价值最高的实时避障路径进行实时自主避障。
[0043]
作为本发明的一种优选方案，本发明提供了一种根据所述的基于3d技术的机器人路径避障方法的避障系统，包括三维雷达、数据处理器，所述三维雷达与数据处理器通信连接，所述三维雷达用于检测障碍物的三维特征，所述数据处理器用于接收障碍物的三维特征，并利用机器人路径避障模型基于障碍物的三维特征得到机器人的三维避障参数，所述机器人路径避障模型内置于数据处理器中。
[0044]
本发明与现有技术相比较具有如下有益效果：
[0045]
本发明将障碍物的三维特征和机器人的三维避障参数进行模型拟合得到表征三维特征和三维避障参数映射关系的机器人路径避障模型，实现机器人根据实时三维避障参数进行实时自主避障，基于深度模型的自主避障算法，具备了对避障场景下的自主学习能力，避免繁杂的三维重建和路径规划问题。
附图说明
[0046]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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引伸获得其它的实施附图。
[0047]
图1为本发明实施例提供的机器人路径避障方法流程图；
[0048]
图2为本发明实施例提供的三维特征结构示意图。
具体实施方式
[0049]
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。
[0050]
如图1所示，本发明提供了一种基于3d技术的机器人路径避障方法，包括以下步骤：
[0051]
步骤s1、利用机器人搭载的三维雷达检测出位于机器人行进路径上的障碍物的三维特征，并根据障碍物的三维特征优化分析出机器人的三维避障参数；
[0052]
利用机器人搭载的三维雷达检测出位于机器人行进路径上的障碍物的三维特征，包括：
[0053]
如图2所示，利用机器人搭载的三维雷达检测出位于机器人行进路径上的障碍物的三维坐标，并分别提取出靠近行进路径两路径边界处的障碍物两边界坐标；
[0054]
分别在行进路径上提取出两路径边界坐标到障碍物两边界坐标处空间的三维坐标作为多个避障可选空间的三维坐标，并将多个避障可选空间分别标记为aa’空间和b’b空间，其中，a表征为行进路径的左边界，a’表征为障碍物的左边界，b’表征为行进路径的右边界，b表征为障碍物的右边界；
[0055]
将障碍物的三维坐标、多个避障可选空间的三维坐标作为障碍物的三维特征。
[0056]
根据障碍物的三维特征优化分析出机器人的三维避障参数，包括：
[0057]
利用三维特征中各个避障可选空间三维坐标计算出各个避障可选空间的三维容积，将多个避障可选空间的三维容积与机器人的三维体积的进行比较，其中，
[0058]
若aa’空间和b’b空间的三维容积均大于或等于机器人的三维体积，则将aa’空间和b’b空间均作为有效避障空间；
[0059]
若aa’空间的三维容积大于或等于机器人的三维体积且b’b空间的三维容积小于机器人的三维体积，则将aa’空间作为有效避障空间；
[0060]
若b’b空间的三维容积大于或等于机器人的三维体积且aa’空间的三维容积小于
机器人的三维体积，则将b’b空间作为有效避障空间；
[0061]
若aa’空间和b’b空间的三维容积均小于机器人的三维体积，则将aa’空间和b’b空间均作为非有效避障空间；
[0062]
当存在至少一个有效避障空间，则以路径平滑性最高和路径长度最短设定每个有效避障空间中避障路径的优化函数，避障路径的优化函数为：
[0063][0064]
式中，为表征避障路径的路径平滑性最高的优化函数，为表征避障路径的路径长度最短的优化函数，pi为避障路径中第i个路径点的三维坐标，n为避障路径中路径点的总数量，i为计量常数；
[0065]
设定避障路径的优化函数的求解约束条件，求解约束条件为：
[0066][0067]
式中，|pia|为pi到a的距离，|pia’|为pi到a’的距离，|pib|为pi到b的距离，|pib’|为pi到b’的距离，o表征为机器人的中心点，c为机器人的左边界，a’为机器人的右边界，|oc|为o到c的距离，|oc’|为o到c’的距离，[aa’]为aa’空间，[bb’]为bb’空间，即pi的取值范围在aa’空间或bb’空间中，o点是机器人避障路径上的规划位置点，以机器人的中心点作为避障路径的基础，保证机器人在避障路径上行进时，不出现左右两边界超出或碰撞有效避障空间的左右两边界，确保机器人行进安全性；
[0068]
基于求解约束条件多避障路径的优化函数进行求解得到有效避障空间的避障路径；
[0069]
将有效避障空间、避障路径作为机器人的三维避障参数。
[0070]
当不存在有效避障空间，则机器人停在原地进行预警。
[0071]
利用路径平滑性和路径长度的优化方法确定出避障路径，可以保证机器人在避障路径上行进成功实现避障功能的同时，路径平滑性确保偏转移动的调整量小，从而保证机器人的移动波动程度小，提高机器人避障过程的稳定性，而确保路径长度小，能够使得机器人避障效率高，以最短行程和最短时间完成避障，实现避障安全性、稳定性和效率性的三位一体。
[0072]
步骤s2、将障碍物的三维特征和机器人的三维避障参数进行模型拟合得到表征三维特征和三维避障参数映射关系的机器人路径避障模型；
[0073]
机器人路径避障模型的构建包括：
[0074]
将障碍物的三维特征作为cnn神经网络的输入项，机器人的三维避障参数作为cnn神经网络的输出项，利用cnn神经网络基于输入项和输出项进行模型训练得到机器人路径
避障模型，机器人路径避障模型的模型表达式为：
[0075]
out[y]＝cnn(in[x])；
[0076]
式中，out[y]为机器人的三维避障参数，in[x]为障碍物的三维特征，cnn为cnn神经网络。
[0077]
利用优化分析得到的三维避障参数与障碍物的三维特征进行模型拟合，从而可以利用神经网络的深度学习能力，通过障碍物的三维特征预测出符合避障安全性、稳定性和效率性的三维避障参数，因此后续只需使用该机器人路径避障模型就可以直接通过三维特征得到三维避障参数，无需在重复上述的优化分析过程或者传统的路径规划方法(人工势场、a*路径规划方法等)进行避障路径的规划，保证路径规划效果的同时提高避障路径规划效率。
[0078]
步骤s3、在机器人行进路径上监测实时障碍物的三维特征，并利用机器人路径避障模型基于实时障碍物的三维特征得到机器人的实时三维避障参数，以实现机器人根据实时三维避障参数进行实时自主避障。
[0079]
在机器人行进路径上监测实时障碍物的三维特征，包括：
[0080]
将机器人在行进路径上行进方向上距离最近的障碍物作为实时障碍物，并利用机器人搭载的三维雷达检测出障碍物的三维坐标，并分别提取出实时障碍物的多个避障可选空间的三维坐标；
[0081]
将实时障碍物的三维坐标、多个避障可选空间的三维坐标作为实时障碍物的三维特征。
[0082]
利用机器人路径避障模型基于实时障碍物的三维特征得到机器人的实时三维避障参数，包括：
[0083]
将实时障碍物的三维特征输入至机器人路径避障模型，由机器人路径避障模型输出机器人的实时三维避障参数，实时三维避障参数包括机器人的实时有效避障空间、实时避障路径。
[0084]
机器人的障碍的三维特征检测距离大于机器人的安全制动距离。
[0085]
实时避障路径数量大于1个时，设定路径平滑性和路径长度的评价权重，并将路径平滑性和路径长度进行加权求和作为选取实时避障路径的选取函数，选取函数为：
[0086][0087]
式中，jarge为实时避障路径的评价值，为实时避障路径的路径平滑性评价值，为实时避障路径的路径长度评价值，w、v分别为路径平滑性、路径长度的评价权重，w+v＝1，w∈[0,1],v∈[0,1]，使用者可根据需要进行设定，w设定越高，则表明越侧重于避障路径的路径平滑性，v设定越高，则表明越侧重于避障路径的路径长度，在多个实时避障路径中可选择出评价最高且更符合使用者需要的实时避障路径；
[0088]
机器人依据在评价值最高的实时避障路径进行实时自主避障。
[0089]
基于上述机器人路径避障方法，本发明提供了一种避障系统，包括三维雷达、数据处理器，三维雷达与数据处理器通信连接，三维雷达用于检测障碍物的三维特征，数据处理器用于接收障碍物的三维特征，并利用机器人路径避障模型基于障碍物的三维特征得到机器人的三维避障参数，机器人路径避障模型内置于数据处理器中。
[0090]
本发明将障碍物的三维特征和机器人的三维避障参数进行模型拟合得到表征三维特征和三维避障参数映射关系的机器人路径避障模型，实现机器人根据实时三维避障参数进行实时自主避障，基于深度模型的自主避障算法，具备了对避障场景下的自主学习能力，避免繁杂的三维重建和路径规划问题。
[0091]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。