一种基于深度学习的移动机器人自主充电方法和系统

本技术涉及机器人领域，尤其涉及一种基于深度学习的移动机器人自主充电方法和系统。

背景技术：

1、随着技术的不断进步，移动机器人在简单的重复性工作场景中使用越来越常见，包括扫地机器人、巡检机器人、物流机器人等。移动机器人的一个重要特征是以自身携带的锂电池供电，由于未实时连接充电电源，机器人需要在电量不足时连接电源进行充电。

2、自主充电是实现移动机器人自主工作的关键手段，机器人正常工作时间为5-8小时，当机器人电量较低时，需要自主导航到充电点进行充电，进而实现连续工作。

3、移动机器人的自主充电系统可由充电桩及安装在机器人上的红外传感器或声呐传感器或激光雷达组成，充电时移动机器人通过其中一种检测传感器寻找充电桩的具体位置，以实现与充电桩自主对接，完成自主充电。其中，红外传感器或声呐传感器的探测距离和精度较低，激光雷达的探测距离和精度虽然远高于其他传感器，但是单线激光雷达只能检测到一个平面的信息，多线激光雷达成本较高。因此，移动机器人的自主充电方法存在检测精度较低以及充电成功率不高的缺点。

技术实现思路

1、本技术提供了一种基于深度学习的移动机器人自主充电方法和系统，以解决移动机器人的自主充电方法存在检测精度较低以及充电成功率不高的问题。

2、一方面，本技术提供一种基于深度学习的移动机器人自主充电方法，包括：

3、获取移动机器人的电池电量；

4、在所述电池电量低于电量阈值时，控制所述移动机器人移动至预充电点；

5、在所述移动机器人到达预充电点后，将所述移动机器人的视觉传感器获取的可见光图像进行深度学习检测，以去除所述图像除充电桩以外的背景信息；

6、基于预设人工特征对所述分割后的图像的像素点进行颜色特征检测，以获取充电桩上人工特征(反光条)在所述可见光图像中位置；所述预设特征包括hsv特征；

7、基于小孔成像原理将所述可见光图像中提取的特征和对应的深度图，计算得到所述特征点云，即为所述特征在现实世界中的位置；

8、通过平面拟合方法和中值滤波方法对所述特征点云进行拟合分别获取充电桩中心的位置和方向，即为充电桩的位姿；

9、基于pid控制所述移动机器人的充电口与所述充电桩对齐；

10、获取所述电池的充电电压和电流阶跃信息；

11、在所述电池的充电电压和电流阶跃信息发生变化后，对桩充电成功，机器人停止运动。

12、在部分可能的实施方式中，在所述电池电量低于阈值时，控制所述移动机器人移动至预充电点包括：

13、将所述移动机器人的当前位置发送至服务器；

14、从服务器获取距离所述移动机器人最近的预充电点的路径规划图；

15、控制所述移动机器人根据所述路径规划图移动至预充电点。

16、在部分可能的实施方式中，从服务器获取距离所述移动机器人最近的预充电点的路径规划图包括：

17、结合加权a*算法从预选地图中确定第一路径；所述预选地图为距离所述移动机器人最近的预充电点的地图；所述第一路径为所述服务器基于预选地图规划的最近路径；

18、基于所述移动机器人的距离传感器实时获取路况信息；

19、采用规划算法结合所述路况信息对所述第一路径进行调整，得到优化后的路径；所述优化后的路径为规避预选地图中障碍物后的路径；

20、控制所述移动机器人基于所述优化后的路径移动至预充电点。

21、在部分可能的实施方式中，将所述移动机器人的视觉传感器获取的可见光图像进行图像分割包括：

22、使用预设第一模型检测所述图像中与充电桩具有相同特征的目标对象；

23、获取所述目标对象在所述图像中的像素位置；

24、使用图像分割技术对所述像素位置进行图像分割，得到分割后的图像。

25、在部分可能的实施方式中，使用图像分割技术对所述像素位置进行图像分割包括：

26、读取图像中所述像素位置的颜色参数；所述颜色参数包括色相、饱和度以及亮度值；

27、基于所述像素位置的颜色参数以及预设分割值将所述图像分割成多个图像块；

28、根据最优阈值识别所述图像块中的目标部分和背景部分；所述最优阈值包括色相最优阈值、饱和度最优阈值以及亮度最优阈值。

29、在部分可能的实施方式中，根据最优阈值识别所述图像块中的目标部分和背景部分包括：

30、如果所述图像块的颜色参数大于最优阈值，则将所述图像块中像素点划分为目标部分；

31、如果所述图像块的颜色参数小于或等于最优阈值，则将所述图像块中像素点划分为背景部分。

32、在部分可能的实施方式中，基于预设特征对所述分割后的图像进行检测包括：

33、根据hsv特征从分割后的图像中提取与可见光图像对应的深度图像像素点的深度信息；

34、将所述可见光图像像素点的深度信息输入预设第二模型，以使用所述第二模型计算得到像素点在三维空间的位置。

35、在部分可能的实施方式中，将所述可见光图像像素点的深度信息输入预设第二模型，以使用所述第二模型计算得到像素点在三维空间的位置包括：

36、采用中值滤波方法计算所述可见光图像像素点的深度中值；

37、将所述深度中值映射至可见光图像区域得到中心像素点；

38、将所述中心像素点输入预设第二模型，以使用所述第二预设模型计算得到充电桩的位置。

39、在部分可能的实施方式中，所述方法包括：

40、在未检测到充电桩时，控制移动机器人旋转预设角度；

41、在所述移动机器人旋转预设角度后，重新获取充电桩位置；

42、当所述移动机器人的累积旋转角度超过角度阈值时且未检测到充电桩时，向所述服务器发送报警信息。

43、另一方面，本技术提供一种基于深度学习的移动机器人自主充电系统，所述系统包括：

44、充电桩；

45、移动机器人，所述移动机器人包括移动机构、距离传感器、视觉传感器以及充电口；

46、控制器，被配置为：

47、获取移动机器人的电池电量；

48、在所述电池电量低于电量阈值时，控制所述移动机器人移动至预充电点；

49、在所述移动机器人到达预充电点后，将所述移动机器人的视觉传感器获取的可见光图像进行深度学习检测，以去除所述图像除充电桩以外的背景信息；

50、基于预设人工特征对所述分割后的图像的像素点进行颜色特征检测，以获取充电桩上人工特征(反光条)在所述图像中位置；所述预设特征包括hsv特征；

51、基于小孔成像原理将所述可见光图像中提取的特征和对应的深度图，计算得到所述特征点云，即为所述特征在现实世界中的位置；

52、通过平面拟合方法和中值滤波方法对所述特征点云进行拟合分别获取充电桩中心的位置和方向，即为充电桩的位姿；

53、pid控制所述移动机器人的充电口与所述充电桩对齐；

54、获取所述电池的充电电压和电流阶跃信息；

55、在所述电池的充电电压和电流阶跃信息发生变化后，对桩充电成功，机器人停止运动。

56、由以上技术方案可知，本技术提供一种基于深度学习的移动机器人自主充电方法和系统，所述方法包括获取移动机器人的电池电量；在电池电量低于电量阈值时，控制移动机器人移动至预充电点；在所述移动机器人到达预充电点后，将所述移动机器人的视觉传感器获取的可见光图像进行深度学习检测，以去除所述图像除充电桩以外的背景信息；基于预设人工特征对所述分割后的图像的像素点进行颜色特征检测，以获取充电桩上人工特征(反光条)在所述可见光图像中位置；所述预设特征包括hsv特征；基于小孔成像原理将所述可见光图像中提取的特征和对应的深度图，计算得到所述特征点云，即为所述特征在现实世界中的位置；通过平面拟合方法和中值滤波方法对所述的点云进行拟合分别获取充电桩中心的位置和方向，即为充电桩的位姿；基于pid控制所述移动机器人的充电口与所述充电桩对齐；获取所述电池的充电电压和电流阶跃信息；在所述电池的充电电压和电流阶跃信息发生变化后，对桩充电成功，机器人停止运动。采用轻量化深度学习模型进行充电桩粗检测，在确定视场中存在充电桩后，对检测框中充电桩内预设特征进行颜色分割并提取轮廓，确定预设特征在原始图像中的像素位置，然后通过中值滤波方法和平面拟合算法对充电桩位置和充电桩平面朝向分别进行估计，实现了机器人在低电量时自主返航以及自主充电，提升移动机器人的自主充电方法的检测精度以及充电成功率。