基于深度学习的移动机器人路径规划方法技术

本发明专利技术公开了一种基于深度学习的移动机器人路径规划方法，方法包括机器人接收目标点信息和全局路径信息；通过目标检测模块对环境信息进行目标检测运算并判断路径有效性；根据所述环境三维信息对移动机器人机身前进方向进行通过性判断；将障碍物对应的环形三维信息输入预设的障碍物分析模型中进行处理等步骤。优点在于：本申请中的机器人具有视觉传感器，可通过目标检测模块生成环境三维信息；同时根据环境三维信息确定机器人能否通过障碍物，在分析能否通过时使用基于神经网络模型并采用训练数据训练而成的障碍物分析模型，使得分析结果更加精确，最终生成最优路径。最终生成最优路径。最终生成最优路径。

【技术实现步骤摘要】
基于深度学习的移动机器人路径规划方法


[0001]本专利技术涉及机器人
，尤其涉及基于深度学习的移动机器人路径规划方法。

技术介绍

[0002]目前，自动化技术快速发展，该领域中的机器人系统是由机器人和周边设备与工具组成的自动化作业系统，而机器人在自动化作业过程中不可避免的需要在多个工位之间进行移动，现有技术中机器人的移动多为完全按照设定路径进行移动，从而导致无法针对不同工况进行适应性变化。
[0003]故此本申请提出了一种可针对不同工况下，移动路径上存在障碍物时可自动进行路径规划的基于深度学习的移动机器人路径规划方法。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中的问题，而提出的基于深度学习的移动机器人路径规划方法。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：基于深度学习的移动机器人路径规划方法，包括以下步骤：
[0006]S1、机器人接收目标点信息和全局路径信息，机器人生成初始路径；机器人通过视觉传感器获取移动机器人机身前进方向上的环境信息，所述视觉传感器设置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的移动机器人路径规划方法，其特征在于，包括以下步骤：S1、机器人接收目标点信息和全局路径信息，机器人生成初始路径；机器人通过视觉传感器获取移动机器人机身前进方向上的环境信息，所述视觉传感器设置在所述移动机器人机身上；S2、通过目标检测模块对环境信息进行目标检测运算并判断路径有效性，通过设置选择是否需要障碍物检测运算，判断是否连接到数据传输模块，当连接上时则开始接收视觉传感器输出的视频数据，然后判断是否需要进行障碍物检测运算，当不需要障碍物检测时则直接显示视频数据，当需要则开始进行障碍物检测运算，将运算结果标记在视频数据上并显示，同时生成环境三维信息；S3、根据所述环境三维信息对移动机器人机身前进方向进行通过性判断，确定所述机器人不能通过的障碍物，若能通过则原路径不变；若不能则计算机器人绕过障碍物的最优路径，计算出对应障碍物的最优路径并替换初始路径；S4、将障碍物对应的环形三维信息输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果；其中，所述分析结果为可通过型障碍物或者不可通过型障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成；S5、依次检测路径上的障碍物信息，以得到完整、可完全通过的路径信息，即为规划后路线。2.根据权利要求1所述的基于深度学习的移动机器人路径规划方法，其特征在于，将所述环境三维信息输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果；其中，所述分析结果为可通过型障碍物或者不可通过型障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成的步骤S4之前，包括：S3
‑
1、从预设的样本数据库中调取指定数据的样本数据以构成样本集，再根据预设比例将所述样本集划分为训练集和验证集；其中，所述样本数据由预先收集的信号序列和与所述预先收集的信号序列对应的人工标注所构成；S3
‑
2、调取预设的神经网络模型，并将所述训练集输入所述神经网络模型中进行训练，从而得到初步神经网络模型；S3
‑
3、利用所述验证集对所述初步神经网络模型进行验证处理，以得到验证结果；S3
‑
4、判断所述验证结果是否为验证通过；S3
‑
5、若...

【专利技术属性】
技术研发人员：王福杰，李超凡，秦毅，任斌，郭芳，胡耀华，姚智伟，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：