LightWeight-3D避障方法技术

本发明专利技术涉及机器人定位避障技术领域，具体涉及一种LightWeight‑3D避障方法，包括步骤：S1、获取机器人行进的起点位置和终点位置以及全局三维地图；S2、通过回归算法实时采集机器人前方的图像数据和点云数据，并实时获取障碍物的目标信息和位置信息；S3、采用增强追踪算法探测3D障碍物；S4、在全局三维地图上生成路径点，并采用碰撞检测获取最优路径；S5、获取机器人的实时位置，并实时更新全局三维地图得到实时三维地图；S6、在行进过程中对下一路径点进行碰撞检测，判断是否会发生碰撞：若会发生碰撞，返回S4并以实时位置为起点位置；若不会发生碰撞，则继续行进。本发明专利技术解决了现有的3D检测算法不稳定、延迟明显、实时检测性和可靠性差的技术问题。

【技术实现步骤摘要】
LightWeight-3D避障方法
本专利技术涉及机器人定位避障
，具体涉及一种LightWeight-3D避障方法。
技术介绍
目前，机器人领域中普遍使用二维障碍物检测(2D检测)算法，虽然说2D检测算法成熟、可靠，但是也存在短板。比如说，检测范围局限于激光仪器安装位置，只能检测到激光仪器安装水平面范围里的障碍物，若物体低于仪器安装高度则无法被检测到；由于检测范围是仪器安装的水平面，对于位于水平面之上的障碍物，也即悬挂、浮空障碍物无法检测到。“LightWeight”，也即轻量级神经网络，也称微型神经网络，是指需要参数的数量较少和计算代价较小的神经网络模型。由于微型神经网络计算开销小，微型神经网络模型可以部署在计算资源有限的设备上，如智能手机、平板电脑或其他嵌入式设备，通常从网络结构优化和网络裁剪两个角度构建微型神经网络。考虑到用2D检测算法的这些短板，基于传统的聚类或当代的神经网络算法的三维障碍物检测(3D检测)算法也逐渐开始得到应用。比如，文件CN106949893A公开了一种三维避障的室内机器人导航方法，包括：采集机器人本文档来自技高网...

【技术保护点】
1.LightWeight-3D避障方法，其特征在于，包括步骤：/nS1、获取机器人行进的起点位置和终点位置，以及包含起点位置和终点位置的全局三维地图；/nS2、通过回归算法实时采集机器人前方的图像数据和点云数据，并根据图像数据实时获取障碍物的目标信息和位置信息；/nS3、在目标信息和位置信息的基础上，采用增强追踪算法探测3D障碍物；/nS4、在全局三维地图上生成路径点，并采用碰撞检测获取最优路径；/nS5、获取机器人的实时位置，并实时更新全局三维地图得到实时三维地图；/nS6、在行进过程中对下一路径点进行碰撞检测，判断是否会发生碰撞：若会发生碰撞，则以实时三维地图作为全局三维地图，返回S4并...

【技术特征摘要】
1.LightWeight-3D避障方法，其特征在于，包括步骤：
S1、获取机器人行进的起点位置和终点位置，以及包含起点位置和终点位置的全局三维地图；
S2、通过回归算法实时采集机器人前方的图像数据和点云数据，并根据图像数据实时获取障碍物的目标信息和位置信息；
S3、在目标信息和位置信息的基础上，采用增强追踪算法探测3D障碍物；
S4、在全局三维地图上生成路径点，并采用碰撞检测获取最优路径；
S5、获取机器人的实时位置，并实时更新全局三维地图得到实时三维地图；
S6、在行进过程中对下一路径点进行碰撞检测，判断是否会发生碰撞：若会发生碰撞，则以实时三维地图作为全局三维地图，返回S4并以机器人实时位置为起点位置；若不会发生碰撞，则继续行进直至达到终点位置。


2.如权利要求1所述的LightWeight-3D避障方法，其特征在于，S2中改进数据结构和记录方式后保存图像数据和点云数据。


3.如权利要求2所述的LightWeight-3D避障方法，其特征在于，S2中获取目标信息具体为：训练轻量化卷积神经网络；将图像数据实时传输到训练好的轻量化卷积神经网络进行目标识别。


4.如权利要求3所述的LightWeight-3D避障方法，其特征在于，S2中获取定位信息具体为：训练定位模型；将目标信息及点云数据输入到训练好的目标定位模型进行目标定位，得到障碍物相对于机器人的位置信息。


5.如权利要求4所述的LightWeight-3D避障方法，其特征在于，S2中轻量化卷积神经网络包括：特征网络，用于获取输入的图像数据中不同维度的特征图；提取网络，用于提取特征图中的信息，并通过提取的信息预测障碍物的类别。

【专利技术属性】
技术研发人员：晁战云，罗元泰，袁洪跃，钟启明，万钟平，赖晗，李元杰，
申请(专利权)人：华通科技有限公司，
类型：发明
国别省市：河北;13