基于局部路径点生成的分层无地图导航方法及装置制造方法及图纸

本发明专利技术涉及一种基于局部路径点生成的分层无地图导航方法及装置。其中的方法包括：从传感器读取激光雷达数据和目标点相对位置数据；将激光雷达数据转化为局部障碍地图；将局部障碍地图和目标点相对位置输入局部路径点生成模块，得到局部路径点；将该局部路径点输入运动规划模块，输出移动机器人的控制速度；返回执行步骤S10，直至移动机器人到达目标点。其中的装置包括计算机装置，计算机装置包含计算机可读存储介质，其上储存有程序指令，程序指令被处理器执行时实施上述的方法。本发明专利技术能够解决“机器人冻结”和“局部极小区域”问题，无需生成、存储和维护高精度地图，可生成更短更优的路径，带来更好的学习性能，并可兼容不同传感器信息。传感器信息。传感器信息。

【技术实现步骤摘要】
基于局部路径点生成的分层无地图导航方法及装置


[0001]本专利技术涉及基于局部路径点生成的分层无地图导航方法及系统，属于机器人无地图导航领域。

技术介绍

[0002]传统的移动机器人导航问题通常被拆分为多个相互独立的子问题，然后根据实际部署场景的需要分别加以解决。传统导航问题通常是基于地图的导航，因此在进行运动规划前，我们需要明确环境地图的表示方式，传统的运动规划方法并没有单独定义“无地图的运动规划”。
[0003]传统基于地图的运动规划方法是分层和多级级连的，并且具有一定程度的定制。在传统架构下，运动规划通常被分为离散路径搜索(或称为全局路径规划)、轨迹生成与优化、轨迹跟踪和局部路径规划等。传统导航方法中的各个部分相互独立，且需要针对不同的场景进行仔细配置，因此其难以适应非结构化、复杂和动态的场景。其次，传统导航算法的部署流程耗时且复杂，需要针对具体应用环境调整诸多参数，需要具有专业知识的从业人员来完成。在复杂动态环境下(例如稠密人群)，传统移动机器人导航方法极易出现“机器人冻结问题”，即面对拥挤的环境无法计算出一个可通行的路线。
[0004]此外，当前基于学习的无地图导航方法，尤其是基于深度强化学习的无地图导航方法，主要采用端到端的训练方法，即输入传感器信息(激光雷达点云、相机图像或深度图和目标点的相关信息)，由神经网络直接输出移动机器人的控制指令。这种端到端的导航模式，可以理解为一种短视的单步路径规划，即根据环境信息和目标点信息得到下一步的速度指令。同时，也可以理解为一种带有目标的反应式的导航方式，即在向目标点前进的过程中根据传感器数据“反应”得躲避障碍物。这种反应式的导航方式有一个不可避免的缺点——短视问题，这个问题在室内导航中尤为突出。譬如，在两个相互独立的房间内，移动机器人搭载单线激光雷达传感器和定位模块，能够实时获得周围环境的障碍物距离和目标点的相对距离信息，当导航目标位于隔壁房间时，移动机器人更倾向于沿着点到点(穿过中间墙壁)的连线路径向目标点前进，但到达中间墙壁附近时，机器人为避免碰撞将呈现出在墙壁附近徘徊的状态，即陷入了“局部极小区域”。
[0005]再有，单线激光雷达是小型机器人最常用的传感器之一，其每帧数据为一个长向量，向量中的每一个元素表示机器人在均匀离散角度上探测到的障碍物距离。由于深度强化学习(DRL)无地图导航端到端训练的特点，以原始激光雷达数据作为输入的方式存在诸多难以处理的场景。再者就是面对空旷的环境，激光雷达返回的大部分数据为“inf”(超出探测界限)，而通常激光雷达数据占据了状态空间的绝大部分，因此机器人很难在这种场景下实现较好的规划效果。

技术实现思路

[0006]本专利技术提供一种基于局部路径点生成的分层无地图导航方法及装置，旨在至少解
决现有技术中存在的技术问题之一。
[0007]本专利技术的技术方案涉及基于局部路径点生成的分层无地图导航方法。根据本专利技术的方法包括以下步骤：
[0008]S10、从传感器读取激光雷达数据和目标点相对位置数据；
[0009]S20、将激光雷达数据转化为局部障碍地图；
[0010]S30、将局部障碍地图和目标点相对位置输入局部路径点生成模块，得到局部路径点；
[0011]S40、将该局部路径点输入运动规划模块，输出移动机器人的控制速度；
[0012]S50、返回执行所述步骤S10，直至所述移动机器人到达目标点。
[0013]进一步，所述步骤S20中：
[0014]将所述局部障碍地图划分为空闲区域、占用区域和未探索区域，其中，所述空闲区域为机器人当前雷达范围内的可通过区域，所述占用区域为当前检测到的障碍物区域，所述未探索区域为当前时刻移动机器人激光雷达未探索到的区域，未探索区域包括被障碍物遮挡区域。
[0015]进一步，所述步骤S30中：
[0016]所述局部路径点生成模块采用D3QN算法，其中，输入数据包括2维的目标点相对位置信息和4通道的63
×
63的图像，其中所述4通道依次为t
‑
3、t
‑
2、t
‑
1和t时刻的局部障碍地图信息。
[0017]进一步，所述步骤S30中：
[0018]设定机器人位置到当前规划局部路径点的距离阈值，当机器人位置到当前规划局部路径点的实际距离小于所述距离阈值时，所述局部路径点生成模块生成下一个局部路径点。
[0019]进一步，所述步骤S40包括：
[0020]所述运动规划模块包括有传统路径规划方法和深度强化学习方法；根据环境拥挤程度，所述运动规划模块采用不同的方法导航，其中，当环境为空旷时，所述运动规划模块采用所述传统路径规划方法导航；当环境为拥挤时，所述运动规划模块采用所述深度强化学习方法导航；所述环境拥挤程度根据激光雷达信息判断获取。
[0021]进一步，所述环境拥挤度系数计算如下：
[0022][0023]其中，C表示为环境拥挤度系统；d表示为原始激光雷达数据，d＝[d1，d2...，d
n
]，d取值范围为[0.3米，10米]；k表示为每一维激光雷达的距离系数，其中，d
min
＝0.3米，d
max
＝10米。
[0024]7、根据权利要求5所述的方法，其中，所述步骤S40还包括步骤：
[0025]对运动规划模块的输出指令进行后处理，屏蔽不合理的输出指令，执行新生成的下一个合理的输出指令。
[0026]8、根据权利要求1所述的方法，其中，所述步骤S40中：
[0027]所述移动机器人的控制速度包括有线速度和角速度。
[0028]本专利技术的技术方案另一方面还涉及计算机可读存储介质，其上储存有程序指令，所述程序指令被处理器执行时实施上述的方法。
[0029]本专利技术的技术方案另一方面还涉及一种基于局部路径点生成的分层无地图导航装置，包括计算机装置，该计算机装置包含上述计算机可读存储介质。
[0030]本专利技术的有益效果如下：
[0031]本专利技术基于局部路径点生成的分层无地图导航方法及系统，能够有效解决“机器人冻结”问题，无需生成、存储和维护高精度地图，在长距离导航、室内导航中比传统无地图导航生成更短更优的路径，并且相较于其他基于学习的无地图导航，结构化信息能够带来更好的学习性能，从而解决室内导航中的“局部极小区域”问题，有效避免空旷环境下的路径曲折问题。同时，本专利技术的导航方法，可以方便兼容不同传感器信息，对于搭载多线激光雷达、深度相机或双目相机传感器的移动机器人，可以将三维点云/深度信息压缩至二维后得到局部障碍地图，直接输入该架构部署应用，无需重新训练。
附图说明
[0032]图1是根据本专利技术的基于局部路径点生成的分层无地图导航方法的基本流程图。
[0033]图2是根据本专利技术方法的分层导航架构的示意图。
[0034]图3是根据本专利技术实施例的局部障碍地图的示意图。
...

【技术保护点】

【技术特征摘要】
1.一种基于局部路径点生成的分层无地图导航方法，应用于移动机器人，其特征在于，所述方法包括以下步骤：S10、从传感器读取激光雷达数据和目标点相对位置数据；S20、将激光雷达数据转化为局部障碍地图；S30、将局部障碍地图和目标点相对位置输入局部路径点生成模块，得到局部路径点；S40、将该局部路径点输入运动规划模块，输出移动机器人的控制速度；S50、返回执行所述步骤S10，直至所述移动机器人到达目标点。2.根据权利要求1所述的方法，其中，所述步骤S20中：将所述局部障碍地图划分为空闲区域、占用区域和未探索区域，其中，所述空闲区域为机器人当前雷达范围内的可通过区域，所述占用区域为当前检测到的障碍物区域，所述未探索区域为当前时刻移动机器人激光雷达未探索到的区域，未探索区域包括被障碍物遮挡区域。3.根据权利要求1所述的方法，其中，所述步骤S30中：所述局部路径点生成模块采用D3QN算法，其中，输入数据包括2维的目标点相对位置信息和4通道的63
×
63的图像，其中所述4通道依次为t
‑
3、t
‑
2、t
‑
1和t时刻的局部障碍地图信息。4.根据权利要求1所述的方法，其中，所述步骤S30中：设定机器人位置到当前规划局部路径点的距离阈值，当机器人位置到当前规划局部路径点的实际距离小于所述距离阈值时，所述局部路径点生成模块生成下一个局部路径...

【专利技术属性】
技术研发人员：庞玺政，李衍杰，叶兆辉，牟涌金，邓琦，卢颂硕，付文，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：