大数据自动导航方法技术

本发明专利技术公开了一种大数据自动导航方法，通过获得区域图像，基于所述区域图像，通过道路模型，得到道路地图。基于所述道路地图，通过改进的骨架算法，得到全局路径图。基于所述全局路径图，通过路径搜索算法，得到目标路径。基于所述目标路径和所述道路地图，得到代价地图。基于代价地图和动态规划方法，获得最优行程时间函数，得到最优轨迹。本发明专利技术可以在可供通过的道路上，绕过静态障碍物（及道路边界之外的障碍物和道路中智能护理床检测到的静态障碍物）和动态障碍物（道路中智能护理床检测到的动态障碍物）之间，控制智能护理床准确快速的按照最优轨迹从起点到达终点。按照最优轨迹从起点到达终点。按照最优轨迹从起点到达终点。

【技术实现步骤摘要】
大数据自动导航方法


[0001]本专利技术涉及计算机
，具体而言，涉及一种大数据自动导航方法。

技术介绍

[0002]自动驾驶越来越受人们欢迎，例如在汽车领域、医疗陪护领域、婴儿陪护领域，很多时候能够实现自动导航，为人们的生活提供了便利性。例如，随着我国经济的高速发展，人民生活水平的显著提高，人们逐渐将目光聚焦于自动移动设备，以期解决生活无法自理的老年人、因疾病导致行动不便的病人和残疾人等的基本护理问题，减轻医护人员以及病患家属的护理压力。
[0003]在对病人的护理中，护理床和护理椅起到了很大的作用。但是目前的护理床和护理椅的功能单一，并不能满足病人的需求。例如行动不便的病人需要到外面去遛弯、散步，需要有人推着轮椅（护理椅）去，陪护的人不在的时候，病人就没法自己去。
[0004]因此，一种可以自动导航移动的护理床、椅为病人所需。但是为了提高导航功能的可复用性，一种具有自动导航功能的自动导航设备为人们所需，当需要导航时，可以将自动导航设备设置在希望能够自动导航的机器上。

技术实现思路

[0005]本专利技术的目的在于提供了一种大数据自动导航方法，用以解决现有技术中存在的上述问题。
[0006]第一方面，本专利技术实施例提供了一种大数据自动导航方法，包括：获得区域图像；所述区域图像为区域的俯视图图像；基于所述区域图像，通过道路模型，得到道路地图；所述道路地图为得到道路边界位置的地图；基于所述道路地图，通过改进的骨架算法，得到全局路径图；所述全局路径图为维诺图；基于所述全局路径图，通过路径搜索算法，得到目标路径；基于所述目标路径和所述道路地图，得到代价地图；基于代价地图和动态规划方法，获得最优行程时间函数，得到最优轨迹。
[0007]可选的，所述道路模型包括金字塔结构、第一卷积结构、局部卷积结构、上采样结构和局部分割结构：所述第一卷积结构输入为所述区域图像；所述金字塔结构的输入为所述第一卷积结构的输出；所述上采样结构的输入为所述金字塔结构的输出；所述局部分割结构的输入为所述上采样结构的输出；所述局部卷积结构的输入为所述局部分割结构的输出。
[0008]可选的，所述道路模型的训练方法：获得训练集；训练集包括多个训练图像和对应标注数据；所述训练图像为区域图像；所述区域图像为区域的俯视图图像；所述标注数据包括标注全局位置和标注具体边界
位置；所述标注全局位置包括标注类别、标注中心点、标注边框；所述标注类别表示障碍物的种类；所述标注边框表示区域图像中障碍物的边框；所述标注中心点表示区域图像中障碍物中心点所在位置；所述标注具体边界位置包括标注具体边界位置中心点和标注具体边界位置边框；所述标注具体边界位置包括多个障碍物局部区域的位置；将所述训练图像输入第一卷积结构，进行特征提取，得到第一卷积特征图；基于所述第一卷积特征图和标注全局位置，得到第一损失值；所述第一损失值为类别损失值、中心点损失值和边框损失值相加之和；将所述第一卷积特征图输入金字塔结构，进行特征融合，得到融合特征图；将所述融合特征图输入上采样结构，进行上采样，得到第一上采样特征图；获得局部数量；所述局部数量表示分割后的特征图数量；基于所述局部数量，将所述第一上采样特征图输入局部分割结构，得到多个局部上采样特征图；将局部上采样特征图输入局部卷积结构，得到第一局部卷积特征图；基于所述第一局部卷积特征图和所述标注具体边界位置，得到第一部分损失值；通过多次将多个部分上采样特征图输入局部卷积结构，得到多个局部卷积特征图，将所述局部卷积与对应的标注具体边界位置，得到多个局部损失值，将多个局部损失值相加，得到第二损失值；基于所述第一损失值和所述第二损失值，得到第三损失值；所述第三损失值为所述第一损失值与所述第二损失值相加之和；获得道路模型当前的训练迭代次数以及预先设定的所述道路模型训练的最大迭代次数；当第三损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的道路模型。
[0009]可选的，所述基于所述道路地图，通过改进的骨架算法，得到全局路径图；所述全局路径图为维诺图，包括：将所述道路地图进行二值化，得到二值地图；所述二值地图白色部分为自动移动设备可行区域，黑色区域为障碍物区域或非地图环境区域；基于所述二值地图，通过三角剖分算法，得到粗略全局路径图；所述粗略全局路径图为维诺图；将所述粗略全局路径图进行腐蚀和膨胀，得到全局路径图；所述全局路径图表示将所述粗略全局路径图中零散障碍点聚焦化并消除噪点。
[0010]可选的，所述基于所述全局路径图，通过路径搜索算法，得到目标路径，包括：获得自动移动设备起点；所述自动移动设备起点表示自动移动设备在全局路径图中的初始位置；获得自动移动设备终点；所述自动移动设备终点表示自动移动设备在全局路径图中的结束位置；基于所述自动移动设备起点、自动移动设备终点和所述全局路径图，通过最短路径搜索算法，得到粗糙目标路径；所述粗糙目标路径为从起点到终点最短的路径；基于所述粗糙目标路径和所述全局路径图，通过路径优化算法，得到目标路径；所
述目标路径表示全局路径图中光滑的目标路径。
[0011]可选的，所述基于所述粗糙目标路径和所述全局路径图，通过路径优化算法，得到目标路径；所述目标路径表示全局路径图中变得光滑的粗糙目标路径，包括：基于所述粗糙目标路径和所述全局路径图，得到多个像素点坐标；所述像素点坐标为所述全局路径图中所述粗糙目标路径位置上的多个像素点所在坐标；将所述像素点坐标按照位置顺序，以分组单位大小，进行分组，得到多个像素点坐标组；基于所述像素点坐标组，得到多个窗口坐标组；所述窗口坐标组为将所述像素点坐标组中的多个像素点的坐标以窗口阈值为单位切分后得到的坐标组；基于所述窗口坐标组的起点和终点，得到第一直线；基于所述第一直线和所述窗口坐标组，得到窗口距离；所述窗口距离表示窗口坐标组中除起点和终点之外的坐标点到第一直线的距离之和；通过多次计算多个窗口坐标组中对应的多个窗口距离，得到最大窗口距离；所述最大窗口距离为大于像素点坐标组中其他窗口坐标组得到的窗口距离；获得距离阈值；所述距离阈值为判断最大窗口距离的阈值；若所述最大窗口距离大于距离阈值，窗口坐标组只留下初始路径像素点和结束路径像素点，获得新的窗口坐标组；通过多次计算多个像素点坐标组对应的多个最大窗口距离，判断最大窗口距离是否大于距离阈值，从而判断是否删除像素点，得到多个新窗口坐标组；基于所述新窗口坐标组，通过三次样条插值，得到目标路径。
[0012]可选的，所述基于所述目标路径和所述道路地图，得到代价地图，包括：获得自动移动设备轮廓；所述自动移动设备轮廓表示自动移动设备外接长方形所构成的轮廓；基于所述目标路径和所述道路地图，得到障碍物膨胀位置；所述障碍物膨胀位置为所述道路地图中目标路径所在的道路位置，以自动移动设备轮廓内切圆的半径膨胀出的位置；基于所述自动移动设备轮廓和障碍物膨胀位置，得到代价地图。
[0013]可选的，所述基于代价地图和动态规划方法，获得最优动态轨迹模型，得到最优轨迹，包括：获得运动轨迹方程；基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大数据自动导航方法，其特征在于，包括：获得区域图像；所述区域图像为区域的俯视图图像；基于所述区域图像，通过道路模型，得到道路地图；所述道路地图为得到道路边界位置的地图；基于所述道路地图，通过改进的骨架算法，得到全局路径图；所述全局路径图为维诺图；基于所述全局路径图，通过路径搜索算法，得到目标路径；基于所述目标路径和所述道路地图，得到代价地图；基于代价地图和动态规划方法，获得最优行程时间函数，得到最优轨迹。2.根据权利要求1所述的一种大数据自动导航方法，其特征在于，所述道路模型包括金字塔结构、第一卷积结构、局部卷积结构、上采样结构和局部分割结构：所述第一卷积结构输入为所述区域图像；所述金字塔结构的输入为所述第一卷积结构的输出；所述上采样结构的输入为所述金字塔结构的输出；所述局部分割结构的输入为所述上采样结构的输出；所述局部卷积结构的输入为所述局部分割结构的输出。3.根据权利要求1所述的一种大数据自动导航方法，其特征在于，所述道路模型的训练方法：获得训练集；训练集包括多个训练图像和对应标注数据；所述训练图像为区域图像；所述区域图像为区域的俯视图图像；所述标注数据包括标注全局位置和标注具体边界位置；所述标注全局位置包括标注类别、标注中心点、标注边框；所述标注类别表示障碍物的种类；所述标注边框表示区域图像中障碍物的边框；所述标注中心点表示区域图像中障碍物中心点所在位置；所述标注具体边界位置包括标注具体边界位置中心点和标注具体边界位置边框；所述标注具体边界位置包括多个障碍物局部区域的位置；将所述训练图像输入第一卷积结构，进行特征提取，得到第一卷积特征图；基于所述第一卷积特征图和标注全局位置，得到第一损失值；所述第一损失值为类别损失值、中心点损失值和边框损失值相加之和；将所述第一卷积特征图输入金字塔结构，进行特征融合，得到融合特征图；将所述融合特征图输入上采样结构，进行上采样，得到第一上采样特征图；获得局部数量；所述局部数量表示分割后的特征图数量；基于所述局部数量，将所述第一上采样特征图输入局部分割结构，得到多个局部上采样特征图；将局部上采样特征图输入局部卷积结构，得到第一局部卷积特征图；基于所述第一局部卷积特征图和所述标注具体边界位置，得到第一部分损失值；通过多次将多个部分上采样特征图输入局部卷积结构，得到多个局部卷积特征图，将所述局部卷积与对应的标注具体边界位置，得到多个局部损失值，将多个局部损失值相加，得到第二损失值；基于所述第一损失值和所述第二损失值，得到第三损失值；所述第三损失值为所述第一损失值与所述第二损失值相加之和；获得道路模型当前的训练迭代次数以及预先设定的所述道路模型训练的最大迭代次数；当第三损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得
到训练好的道路模型。4.根据权利要求1所述的一种大数据自动导航方法，其特征在于，所述基于所述道路地图，通过改进的骨架算法，得到全局路径图；所述全局路径图为维诺图，包括：将所述道路地图进行二值化，得到二值地图；所述二值地图白色部分为自动移动设备可行区域，黑色区域为障碍物区域或非地图环境区域；基于所述二值地图，通过三角剖分算法，得到粗略全局路径图；所述粗略全局路径图为维诺图；将所述粗略全局路径图进行腐蚀和膨胀，得到全局路径图；所述全局路径图表示将所述粗略全局路径图中零散障碍点聚焦化并消除噪点。5.根据权利要求1所述的一种大数据自动导航方法，其特征在于，所述基于所述全局路径图，通过路径搜索算法，得到目标路径，包括：获得自动移动设备起点；所述自动移动设备起点表示自动移动设备在全局路径图中的初始位置；获得自动移动设备终点；所述自动移动设备终点表示自动移动设备在全局路径图中的结束位置；基于所述自动移动设备起点、自动移动设备终点和所述全局路径图，通过最短路径搜索算法，得到粗糙目标路径；所述粗糙目标路径为从起点到终点最短的路径；基于所述粗糙目标路径和所述全局路径图，通过路径优化算法，得到目标路径；所述目标路径表示全局路径图中光滑的目标路径。6.根据权利要求5所述的一种大数据自动导航方法，其特征在于，所述基于所述粗糙目标路径和所述全局路...

【专利技术属性】
技术研发人员：姜妹英，
申请(专利权)人：姜妹英，
类型：发明
国别省市：