一种扫地机器人行走避障方法技术

本发明专利技术公开了一种扫地机器人行走避障方法，扫地机器人上装有障碍物检测模块，障碍物检测模块包括微控制器模块以及超声波测距模块、左红外测距模块、右红外测距模块和CCD摄像头，超声波测距模块、左红外测距模块、右红外测距模块和CCD摄像头均与微控制器模块的输入端连接；该方法包括步骤：步骤一、障碍物信息采集及传输；步骤二、数据分析处理及避障。本发明专利技术采用了超声波测距模块、左红外测距模块、右红外测距模块和CCD摄像头共同进行障碍物检测，方法步骤简单，实现方便，避障的效率和精度高，能够提高扫地效率和效果，实用性强，使用效果好，便于推广使用。

【技术实现步骤摘要】
一种扫地机器人行走避障方法
本专利技术属于机器人
，具体涉及一种扫地机器人行走避障方法。
技术介绍
扫地机器人是当今服务机器人领域一个热门的研究方向，扫地机器人适用于宾馆、酒店、图书馆、办公场所和大众家庭，能够自动完成房间空旷地面的清扫除尘任务，将大大减低人们扫地的劳动强度。而随着智能化的发展，人们对扫地机器人的智能化、高效率提出了更高的要求。目前,有多种扫地机器人在市面销售，但是在效率和效果方面还有所欠缺，还不能很好地满足人们的使用需求。而现有技术中的扫地机器人行走避障，多采用单传感器的形式进行，当扫地机器人行走遇到障碍物时，不能灵敏地做出反映，有时还会卡死在原地，需要人帮助其扭转方向，才能继续扫地，影响了其扫地效率和效果。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种扫地机器人行走避障方法，其方法步骤简单，实现方便，避障的效率和精度高，能够提高扫地效率和效果，实用性强，使用效果好，便于推广使用。为解决上述技术问题，本专利技术采用的技术方案是：一种扫地机器人行走避障方法，所述扫地机器人上装有障碍物检测模块，所述障碍物检测模块包括微控制器模块以及用于对扫地机器人前方的障碍物进行检测的超声波测距模块、用于对扫地机器人左侧的障碍物进行检测的左红外测距模块、用于对扫地机器人右侧的障碍物进行检测的右红外测距模块和用于拍摄扫地机器人行走环境图像的CCD摄像头，所述超声波测距模块、左红外测距模块、右红外测距模块和CCD摄像头均与微控制器模块的输入端连接；其特征在于，该方法包括以下步骤：步骤一、障碍物信息采集及传输：超声波测距模块对扫地机器人前方的障碍物进行检测并将检测到的信号输出给微控制器模块，为扫地机器人选择避开或越过前方的障碍物提供检测数据依据；左红外测距模块对扫地机器人左侧的障碍物进行检测并将检测到的信号输出给微控制器模块，为扫地机器人选择避开左侧的障碍物提供检测数据依据；右红外测距模块对扫地机器人右侧的障碍物进行检测并将检测到的信号输出给微控制器模块，为扫地机器人选择避开右侧的障碍物提供检测数据依据；CCD摄像头对扫地机器人行走环境图像进行拍摄并将拍摄到的扫地机器人行走环境图像输出给微控制器模块，为扫地机器人选择避开或越过其行走环境中的障碍物并进行行走路径规划提供检测数据依据；步骤二、数据分析处理及避障，具体方法为：扫地机器人行走前，微控制器模块采集CCD摄像头拍摄到的扫地机器人行走环境图像，并对图像进行分析处理，判断出扫地机器人行走环境中有哪些物品，规划出清扫整个环境地面的最短路径，并控制扫地机器人按照最短路径行走；当微控制器模块根据超声波测距模块检测到的信号判断为扫地机器人行走前方有障碍物时，采集CCD摄像头拍摄到的扫地机器人行走环境图像，并对扫地机器人行走环境图像进行处理，得到扫地机器人行走前方障碍物的高度，当扫地机器人行走前方障碍物的高度小于扫地机器人的高度时，微控制器模块控制扫地机器人越过前方的障碍物；当扫地机器人行走前方障碍物的高度大于等于扫地机器人的高度时，微控制器模块控制扫地机器人向左转弯行走或向右转弯行走，避开前方的障碍物；当微控制器模块根据左红外测距模块检测到的信号判断为扫地机器人行走左侧有障碍物时，微控制器模块控制扫地机器人向右转弯行走，避开左侧的障碍物；当微控制器模块根据右红外测距模块检测到的信号判断为扫地机器人行走右侧有障碍物时，微控制器模块控制扫地机器人向左转弯行走，避开右侧的障碍物。上述的一种扫地机器人行走避障方法，其特征在于：步骤二中所述微控制器模块采集CCD摄像头拍摄到的扫地机器人行走环境图像，并对图像进行分析处理，判断出扫地机器人行走环境中有哪些物品的具体方法为：步骤201、所述微控制器模块调用图像滤波处理模块，对扫地机器人行走环境图像进行滤波处理；步骤202、所述微控制器模块调用图像增强处理模块，对进行滤波处理后的扫地机器人行走环境图像进行增强处理；步骤203、所述微控制器模块将进行增强处理后的扫地机器人行走环境图像输入预先训练好的faster-RCNN网络模型中，得到faster-RCNN网络模型的输出，faster-RCNN网络模型的输出中提取出了扫地机器人行走环境中的多个物品信息；其中，预先训练faster-RCNN网络模型的具体过程为：步骤2031、构建RPN卷积神经网络和fast-RCNN卷积神经网络，所述RPN卷积神经网络由八个卷积层和一个Softmax层构成，所述fast-RCNN卷积神经网络由五个卷积层、一个ROIpooling层、四个全连接层和一个Softmax层构成；步骤2032、对RPN卷积神经网络进行初始化，用不同的小随机数初始化网络中待训练参数；步骤2033、将多个类别的物品图像分别作为输入的训练样本图像，对输入的训练样本图像赋予多个尺度和多个比例的基准框，通过向初始化后的RPN卷积神经网络中输入训练样本图像的基准框来训练RPN，使用反向传播BP算法，调整RPN卷积神经网络参数，使损失函数值最小；步骤2034、在训练样本图像上运用训练好的RPN卷积神经网络模型，得到训练样本集的多个物品的粗选框；步骤2035、对fast-RCNN卷积神经网络进行初始化，用不同的小随机数初始化网络中待训练参数；步骤2036、输入训练样本图像和步骤2034中获得的训练样本集的多个物品的粗选框，对输入的训练样本图像每一点都赋予多个尺度和多个比例的基准框，通过向初始化后的fast-RCNN卷积神经网络中输入训练样本图像的基准框，并结合样本集的标注和标签来训练fast-RCNN，使用反向传播BP算法，调整RPN卷积神经网络参数，使损失函数值最小，得到训练好的fast-RCNN卷积神经网络；步骤2037、重新训练RPN卷积神经网络，将RPN卷积神经网络的前五层卷积层学习率设为0，参数finetune来自步骤2036的fast-RCNN卷积神经网络模型，训练得到新的RPN卷积神经网络模型；步骤2038、在训练样本图像上运用新训练好的RPN卷积神经网络模型，重新得到训练样本集的多个物品的粗选框；步骤2039、重新训练fast-RCNN卷积神经网络，将fast-RCNN卷积神经网络的前五层卷积层学习率设为0，参数finetune来自步骤2038中的RPN卷积神经网络模型，使用训练样本集和步骤2038中的训练样本集的多个物品的粗选框标注，重新训练得到新的fast-RCNN卷积神经网络模型。上述的一种扫地机器人行走避障方法，其特征在于：步骤二中所述微控制器模块规划出清扫整个环境地面的最短路径时，采用遗传算法，具体过程为：步骤201、染色体编码：将扫地机器人清扫整个环境地面的路径表示为其中为第i′段路径段的矢量表示，它的两个端点分别表示为Pi′和Pi′+1，符号“+”表示矢量的运算；用O表示原点，将表示为整个扫地机器人的运动路径表示为路点矢量集合n为路点总数，中i′的取值为1～n-1，为原点O到端点P本文档来自技高网...

【技术保护点】
1.一种扫地机器人行走避障方法，所述扫地机器人上装有障碍物检测模块，所述障碍物检测模块包括微控制器模块以及用于对扫地机器人前方的障碍物进行检测的超声波测距模块、用于对扫地机器人左侧的障碍物进行检测的左红外测距模块、用于对扫地机器人右侧的障碍物进行检测的右红外测距模块和用于拍摄扫地机器人行走环境图像的CCD摄像头，所述超声波测距模块、左红外测距模块、右红外测距模块和CCD摄像头均与微控制器模块的输入端连接；其特征在于，该方法包括以下步骤：/n步骤一、障碍物信息采集及传输：超声波测距模块对扫地机器人前方的障碍物进行检测并将检测到的信号输出给微控制器模块，为扫地机器人选择避开或越过前方的障碍物提供检测数据依据；左红外测距模块对扫地机器人左侧的障碍物进行检测并将检测到的信号输出给微控制器模块，为扫地机器人选择避开左侧的障碍物提供检测数据依据；右红外测距模块对扫地机器人右侧的障碍物进行检测并将检测到的信号输出给微控制器模块，为扫地机器人选择避开右侧的障碍物提供检测数据依据；CCD摄像头对扫地机器人行走环境图像进行拍摄并将拍摄到的扫地机器人行走环境图像输出给微控制器模块，为扫地机器人选择避开或越过其行走环境中的障碍物并进行行走路径规划提供检测数据依据；/n步骤二、数据分析处理及避障，具体方法为：/n扫地机器人行走前，微控制器模块采集CCD摄像头拍摄到的扫地机器人行走环境图像，并对图像进行分析处理，判断出扫地机器人行走环境中有哪些物品，规划出清扫整个环境地面的最短路径，并控制扫地机器人按照最短路径行走；/n当微控制器模块根据超声波测距模块检测到的信号判断为扫地机器人行走前方有障碍物时，采集CCD摄像头拍摄到的扫地机器人行走环境图像，并对扫地机器人行走环境图像进行处理，得到扫地机器人行走前方障碍物的高度，当扫地机器人行走前方障碍物的高度小于扫地机器人的高度时，微控制器模块控制扫地机器人越过前方的障碍物；当扫地机器人行走前方障碍物的高度大于等于扫地机器人的高度时，微控制器模块控制扫地机器人向左转弯行走或向右转弯行走，避开前方的障碍物；/n当微控制器模块根据左红外测距模块检测到的信号判断为扫地机器人行走左侧有障碍物时，微控制器模块控制扫地机器人向右转弯行走，避开左侧的障碍物；/n当微控制器模块根据右红外测距模块检测到的信号判断为扫地机器人行走右侧有障碍物时，微控制器模块控制扫地机器人向左转弯行走，避开右侧的障碍物。/n...

【技术特征摘要】
1.一种扫地机器人行走避障方法，所述扫地机器人上装有障碍物检测模块，所述障碍物检测模块包括微控制器模块以及用于对扫地机器人前方的障碍物进行检测的超声波测距模块、用于对扫地机器人左侧的障碍物进行检测的左红外测距模块、用于对扫地机器人右侧的障碍物进行检测的右红外测距模块和用于拍摄扫地机器人行走环境图像的CCD摄像头，所述超声波测距模块、左红外测距模块、右红外测距模块和CCD摄像头均与微控制器模块的输入端连接；其特征在于，该方法包括以下步骤：
步骤一、障碍物信息采集及传输：超声波测距模块对扫地机器人前方的障碍物进行检测并将检测到的信号输出给微控制器模块，为扫地机器人选择避开或越过前方的障碍物提供检测数据依据；左红外测距模块对扫地机器人左侧的障碍物进行检测并将检测到的信号输出给微控制器模块，为扫地机器人选择避开左侧的障碍物提供检测数据依据；右红外测距模块对扫地机器人右侧的障碍物进行检测并将检测到的信号输出给微控制器模块，为扫地机器人选择避开右侧的障碍物提供检测数据依据；CCD摄像头对扫地机器人行走环境图像进行拍摄并将拍摄到的扫地机器人行走环境图像输出给微控制器模块，为扫地机器人选择避开或越过其行走环境中的障碍物并进行行走路径规划提供检测数据依据；
步骤二、数据分析处理及避障，具体方法为：
扫地机器人行走前，微控制器模块采集CCD摄像头拍摄到的扫地机器人行走环境图像，并对图像进行分析处理，判断出扫地机器人行走环境中有哪些物品，规划出清扫整个环境地面的最短路径，并控制扫地机器人按照最短路径行走；
当微控制器模块根据超声波测距模块检测到的信号判断为扫地机器人行走前方有障碍物时，采集CCD摄像头拍摄到的扫地机器人行走环境图像，并对扫地机器人行走环境图像进行处理，得到扫地机器人行走前方障碍物的高度，当扫地机器人行走前方障碍物的高度小于扫地机器人的高度时，微控制器模块控制扫地机器人越过前方的障碍物；当扫地机器人行走前方障碍物的高度大于等于扫地机器人的高度时，微控制器模块控制扫地机器人向左转弯行走或向右转弯行走，避开前方的障碍物；
当微控制器模块根据左红外测距模块检测到的信号判断为扫地机器人行走左侧有障碍物时，微控制器模块控制扫地机器人向右转弯行走，避开左侧的障碍物；
当微控制器模块根据右红外测距模块检测到的信号判断为扫地机器人行走右侧有障碍物时，微控制器模块控制扫地机器人向左转弯行走，避开右侧的障碍物。


2.按照权利要求1所述的一种扫地机器人行走避障方法，其特征在于：步骤二中所述微控制器模块采集CCD摄像头拍摄到的扫地机器人行走环境图像，并对图像进行分析处理，判断出扫地机器人行走环境中有哪些物品的具体方法为：
步骤201、所述微控制器模块调用图像滤波处理模块，对扫地机器人行走环境图像进行滤波处理；
步骤202、所述微控制器模块调用图像增强处理模块，对进行滤波处理后的扫地机器人行走环境图像进行增强处理；
步骤203、所述微控制器模块将进行增强处理后的扫地机器人行走环境图像输入预先训练好的faster-RCNN网络模型中，得到faster-RCNN网络模型的输出，faster-RCNN网络模型的输出中提取出了扫地机器人行走环境中的多个物品信息；
其中，预先训练faster-RCNN网络模型的具体过程为：
步骤2031、构建RPN卷积神经网络和fast-RCNN卷积神经网络，所述RPN卷积神经网络由八个卷积层和一个Softmax层构成，所述fast-RCNN卷积神经网络由五个卷积层、一个ROIpooling层、四个全连接层和一个Softmax层构成；
步骤2032、对RPN卷积神经网络进行初始化，用不同的小随机数初始化网络中待训练参数；
步骤2033、将多个类别的物品图像分别作为输入的训练样本图像，对输入的训练样本图像赋予多个尺度和多个比例的基准框，通过向初始化后的RPN卷积神经网络中输入训练样本图像的基准框来训练RPN，使用反向传播BP算法，调整RPN卷积神经网络参数，使损失函数值最小；
步骤2034、在训练样本图像上运用训练好的RPN卷积神经网络模型，得到训练样本集的多个物品的粗选框；
步骤2035、对fast-RCNN卷积神经网络进行初始化，用不同的小随机数初始化网络中待训练参数；
步骤2036、输入训练样本图像和步骤2034中获得的训...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：牟茹月，
类型：发明
国别省市：陕西;61