机器人位姿矫正方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及机器人即时定位与地图构建技术领域，公开了一种机器人位姿矫正方法、装置、计算机设备和存储介质，所述方法包括：构建LSTM神经网络；通过花豹捕食角马优化算法对所述LSTM神经网络的全局权重值进行寻优，并将找到的最优全局权重值赋予所述LSTM神经网络；将训练集输入所述LSTM神经网络进行训练，得到位姿矫正模型；将获取的基础数据输入所述位姿矫正模型中，获得位姿矫正量，所述基础数据包括地图信息、估计位姿信息和传感数据；基于所述位姿矫正量对所述估计位姿信息进行矫正。本申请解决了现有基于深度学习的机器人位姿矫正技术，存在位姿矫正不精确的问题。存在位姿矫正不精确的问题。存在位姿矫正不精确的问题。

【技术实现步骤摘要】
机器人位姿矫正方法、装置、计算机设备和存储介质


[0001]本申请涉及机器人即时定位与地图构建
，具体是指一种机器人位姿矫正方法、装置、计算机设备和存储介质。

技术介绍

[0002]即时定位与地图构建技术（SLAM），最早是在机器人领域提出的概念，具体是指机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置和地图进行自身定位，同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航，由此衍生出来的相关算法在无人驾驶领域应用广泛。
[0003]SLAM定位技术在近几年的发展中有了很大进展，对于激光雷达而言，基于自适应蒙特卡洛定位的方法应用较为广泛，它解决了传统蒙特卡洛方法在定位过程中容易造成“机器人绑架”的痛点，然而这种方法对物理设备的要求比较严苛，且泛化性和特征利用率不足。针对传统蒙特卡洛方法（ACML）的不足，而后国内外研究者又将深度学习融入到SLAM定位技术中，并取得了一定成果。
[0004]但是，传统的深度学习神经网络模型由于其在迭代过程中容易先入局部极值的问题，导致其应用于机器人SLAM定位
时，神经网络模型预测精度不高，出现机器人位姿矫正不精确的问题。

技术实现思路

[0005]基于以上技术问题，本申请提供了一种机器人位姿矫正方法、装置、计算机设备和存储介质，解决了现有基于深度学习的机器人位姿矫正技术，存在位姿矫正不精确的问题。
[0006]为解决以上技术问题，本申请采用的技术方案如下：一种机器人位姿矫正方法，包括：构建LSTM神经网络；通过花豹捕食角马优化算法对所述LSTM神经网络的全局权重值进行寻优，并将找到的最优全局权重值赋予所述LSTM神经网络；将训练集输入所述LSTM神经网络进行训练，得到位姿矫正模型；将获取的基础数据输入所述位姿矫正模型中，获得位姿矫正量，所述基础数据包括地图信息、估计位姿信息和传感数据；基于所述位姿矫正量对所述估计位姿信息进行矫正。
[0007]一种机器人位姿矫正装置，包括：网络构建模块，所述网络构建模块用于构建LSTM神经网络；权重寻优模块，所述权重寻优模块用于通过花豹捕食角马优化算法对所述LSTM神经网络的全局权重值进行寻优，并将找到的最优全局权重值赋予所述LSTM神经网络；模型训练模块，所述模型训练模块用于将训练集输入所述LSTM神经网络进行训练，得到位姿矫正模型；
矫正量获取模块，所述矫正量获取模块用于将获取的基础数据输入所述位姿矫正模型中，获得位姿矫正量，所述基础数据包括地图信息、估计位姿信息和传感数据；位姿矫正模块，所述位姿矫正模块用于基于所述位姿矫正量对所述估计位姿信息进行矫正。
[0008]一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述机器人位姿矫正方法的步骤。
[0009]一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述机器人位姿矫正方法的步骤。
[0010]与现有技术相比，本申请的有益效果是：上述方法、装置、计算机设备和存储介质通过模拟花豹捕食角马过程中位置不断更新，且更新过程中以两种不同角色的方式寻找全局最优的方式优化了传统LSTM神经网络反向传播过程中参数更新进行容易陷入局部极值问题，大大提高了算法预测的准确值。
[0011]通过花豹捕食角马优化算法对LSTM神经网络进行优化，有效地发挥了其在机器定位中对于时间序列数据的处理能力，解决了传统深度学习算法容易陷入梯度爆炸的问题，相比传统ACML算法解决了其由于设备升级导致采集的数据特征无法充分使用和模型泛化性不足的问题。
附图说明
[0012]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：图1为机器人位姿矫正方法的流程示意图。
[0013]图2为花豹捕食角马优化算法的流程示意图。
[0014]图3为对花豹和角马的初始位置进行筛查的流程示意图。
具体实施方式
[0015]为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0016]应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
[0017]应当理解，本说明书中除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
[0018]本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数
步操作。
[0019]参阅图1，在一些实施例中，一种机器人位姿矫正方法，包括：S101，构建LSTM神经网络；其中，由于机器人在运动过程中需要搜集周围地理位置信息后规划移动，因此机器人当前位姿和传感器捕捉环境信息之间存在时间关联性，当前所在位姿和历史位姿彼此之间存在关联，可视为连续的时间序列，可以使用LSTM来进行训练。
[0020]S102，通过花豹捕食角马优化算法对所述LSTM神经网络的全局权重值进行寻优，并将找到的最优全局权重值赋予所述LSTM神经网络；S103，将训练集输入所述LSTM神经网络进行训练，得到位姿矫正模型；具体的，对于训练集而言，其数据类型与后续求取位姿矫正量的基础数据类型是一致的。区别在于训练集的数据通过人工等方式标注有真实标签。
[0021]S104，将获取的基础数据输入所述位姿矫正模型中，获得位姿矫正量，所述基础数据包括地图信息、估计位姿信息和传感数据；具体的，传感器包括机器人上设置激光雷达、测距传感器等。
[0022]具体的，估计位姿信息一般是通过传感数据分析、估计获得。
[0023]优选的，在获取基础数据之后，还包括对所述基础数据进行预处理，所述预处理包括：将所述地图信息和所述传感数据转换为格式相同的二维矩阵。
[0024]其中，将地图信息和传感器数据转换为二维矩阵后，会包含大量无用的特征，如果直接输入到LSTM神经网络中会导致算法输出与实际情况偏差较大。优选的，还可以对关键特征进行提取。
[0025]S105，基于所述位姿矫正量对所述估计位姿信息进行矫正。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.机器人位姿矫正方法，其特征在于，包括：构建LSTM神经网络；通过花豹捕食角马优化算法对所述LSTM神经网络的全局权重值进行寻优，并将找到的最优全局权重值赋予所述LSTM神经网络；将训练集输入所述LSTM神经网络进行训练，得到位姿矫正模型；将获取的基础数据输入所述位姿矫正模型中，获得位姿矫正量，所述基础数据包括地图信息、估计位姿信息和传感数据；基于所述位姿矫正量对所述估计位姿信息进行矫正。2.根据权利要求1所述的机器人位姿矫正方法，其特征在于，通过花豹捕食角马优化算法对所述位姿矫正模型的全局权重值进行寻优，包括：随机生成一只花豹和若干只角马，并随机初始化花豹和角马的位置；基于花豹捕食角马的仿生原理，通过探寻与绑定的搜索机制，不断迭代更新花豹与角马的位置，并同时通过目标函数对花豹和角马的位置进行评估；当评估结果达到既定收敛条件后，结束算法，输出最优全局权重值。3.根据权利要求2所述的机器人位姿矫正方法，其特征在于，随机初始化花豹和角马的位置的公式为：其中，S表示花豹或角马的位置，rand(1,d)表示1至d之间的随机数，d表示全局权重的数量，ub表示全局权重的最大值，lb表示全局权重的最小值。4.根据权利要求2所述的机器人位姿矫正方法，其特征在于，在随机初始化花豹和角马的位置之后，还包括：基于花豹和角马的初始位置，通过目标函数分别获得花豹和角马的初始适应度；判定花豹的初始适应度是否超出预设范围，若超出预设范围，则重新对花豹的位置进行随机生成；判定角马的初始适应度是否超出预设范围，若超出预设范围，则将相应的角马舍弃。5.根据权利要求2所述的机器人位姿矫正方法，其特征在于，基于花豹捕食角马的仿生原理，通过探寻与绑定的搜索机制，不断迭代更新花豹与角马的位置包括：更新花豹位置的公式为：其中，表示t+1时刻时花豹的位置，表示t时刻时花豹的位置，N...

【专利技术属性】
技术研发人员：许鲁峰，陈宇坚，曹华锋，何小利，严丽，
申请(专利权)人：中环服成都科技有限公司，
类型：发明
国别省市：