一种基于随机森林的移动机器人行人避障方法技术

本发明专利技术提供了一种基于随机森林的移动机器人行人避障方法，包括以下步骤：使用2D激光雷达扫描周围环境，获取二维点云数据信息；对获取的二维点云数据信息进行跳跃距离聚类处理得到点簇集合；对所述点簇集合进行降噪处理；训练随机森林分类器，使用训练得到的行人腿部分类器对点簇集合进行分类判断是否为人腿，若是则输出人腿轨迹，否则结束；基于卡尔曼滤波对人腿轨迹进行追踪预测；对人腿轨迹进行全局最临近数据关联，更新人腿轨迹并计算轨迹置信度；判断一对人腿轨迹是否同时满足预设条件，若满足则输出行人轨迹，否则结束；将行人轨迹添加到行人地图层；根据地图信息进行局部规划，完成避让行人。完成避让行人。完成避让行人。

【技术实现步骤摘要】
一种基于随机森林的移动机器人行人避障方法


[0001]本专利技术涉及移动机器人避障
，具体涉及一种基于随机森林的移动机器人行人避障方法。

技术介绍

[0002]在过去的几十年里，生产和物流设施的自动化程度不断提高。机器人早期的任务仅仅是在固定工业生产线上替代工人执行简单重复的动作，而现在逐渐发展出感知能力和自主移动能力的智能化机器人从工业生产线逐渐进入存在行人的环境中，执行难度更大更复杂的任务。这就要求机器人在保障行人安全的同时，还能够高效的完成任务，因此使机器人具有更加完善的行人检测和行人追踪能力至关重要。
[0003]移动机器人中的自动导引车(AGV)为工人提供了极大的便利。2D激光雷达是在机器人及自动导引车中被广泛使用的一种传感器，相比于摄像头等视觉传感器，激光雷达拥有更准确的距离信息和更宽广的感知域。但对于移动机器人来说，行人难以识别追踪，遇到行人时往往只能采取紧急制动的方式避让行人，以保障行人安全。这样做虽然一定程度上保障了行人安全，但大大降低了机器人的工作效率。对于采用2D激光雷达作为SLAM传感器的潜伏式AGV来说，因为人腿信息更加难以识别和追踪，其无法正确感知行人位置，导致这种缺点更加明显。

技术实现思路

[0004]为了解决上述问题，本专利技术提供了一种基于随机森林的移动机器人行人避障方法。通过构建随机森林模型、在给定范围内给出最优参数，提高了分类器的分类效果，设计卡尔曼滤波追踪方法，实现对人腿轨迹的跟踪，设计行人轨迹管理方法，实现在地图上添加和删除行人轨迹。
[0005]为了实现上述目的，本专利技术采用的技术方案如下：
[0006]一种基于随机森林的移动机器人行人避障方法，包括以下步骤：
[0007]S1、使用2D激光雷达扫描周围环境，获取二维点云数据信息；
[0008]S2、对获取的二维点云数据信息进行跳跃距离聚类处理得到点簇集合；
[0009]S3、对所述点簇集合进行降噪处理；
[0010]S4、训练随机森林分类器，使用训练得到的行人腿部分类器对点簇集合进行分类判断是否为人腿，若是则输出人腿轨迹，否则结束；
[0011]S5、基于卡尔曼滤波对人腿轨迹进行追踪预测；
[0012]S6、对人腿轨迹进行全局最临近数据关联，更新人腿轨迹并计算轨迹置信度；
[0013]S7、判断一对人腿轨迹是否同时满足：(1)高于置信度，(2)没有发生分离，(3)位于自由空间，若满足则输出行人轨迹，否则结束；
[0014]S8、将行人轨迹添加到行人地图层；
[0015]S9、根据地图信息进行局部规划，完成避让行人。
[0016]进一步的，步骤S2中进行跳跃距离聚类处理包括以下步骤：
[0017]S21、将获取的二维点云数据信息表示为S＝{p0,p1,p2…
,p
n
|p
i
＝(x
i
,y
i
)}，其中p
i
表示单个点云数据，x
i
与y
i
分别表示平面内点云的横纵坐标；
[0018]S22、将点云数据S分割为点簇集合：
[0019]其中s
i
表示一个点簇集合，任意两个点簇集合不包括相同的点云数据，且最小距离大于阈值δ。
[0020]进一步的，步骤S3中降噪处理为：
[0021]在低噪声环境中丢弃包含少于三个扫描点的簇，在高噪声环境中丢弃包含少于五个扫描点的簇。
[0022]进一步的，步骤S4中训练随机森林分类器具体包括：
[0023]S41、使用激光雷达和ros工具录制训练样本集，训练样本集包括：1.录制行人人腿作为正样本集；2.录制其他移动固体障碍物作为负样本集；3.录制正样本记录分界点后再录制负样本作为测试样本集；
[0024]S42、使用训练样本集对建立的随机森林模型进行训练，输出行人腿部分类器。
[0025]进一步的，步骤S5中基于卡尔曼滤波对人腿轨迹进行追踪预测由以下公式确定：
[0026][0027]x
t
表示行人在t时刻的状态，G
t
‑1，H
t
‑1表示在t
‑
1时刻的行人状态转移矩阵；w
t
‑1表示过程噪声，Z
t
表示激光雷达对行人的状态观测向量，v
t
表示观测噪声，行人轨迹可视为恒定速度模型，过程噪声和观测噪声均视为高斯白噪声，X
k
表示k时刻N条人腿轨迹的集合，表示k时刻第j个人腿轨迹，其中x和y表示直接观察到轨迹坐标，和表示x和y方向上的速度。
[0028]进一步的，步骤S6中进行全局最临近关联包括以下步骤：
[0029]S61、产生k时刻所有轨迹状态估计值X
k
；
[0030]S62、执行Munkres分配算法匹配当前时间更新轨迹。
[0031]进一步的，步骤S6中置信度通过以下方式计算：
[0032][0033]其中表示k时刻第j个轨迹置信度，表示k
‑
1时刻第j个轨迹置信度，表示k时刻第i个轨迹检测值，表示分配给第时刻第j个轨迹的第i个检测的置信度。
[0034]与现有技术相比，本专利技术的有益效果为：
[0035]针对传统的使用2D激光雷达作为SLAM传感器的移动机器人，在有行人的工作空间内存在行人难以识别，行人难以追踪，遇到行人时只能紧急制动的缺点，一方面导致移动机器人安全性难以保障，另一方面导致移动机器人工作效率下降的问题，本专利技术的方法使得移动机器人在遇到行人时，能够通过激光雷达扫描到的人腿信息识别行人轨迹，并在地图上上添加行人障碍物，在不暂停执行工作的情况下安全避让行人，同时提高了移动机器人在遇到行人时的安全系数和工作效率。
附图说明
[0036]图1为本专利技术方法实施例的流程示意图。
[0037]图2为本专利技术实施例中2D激光雷达扫描得到的点云数据图。
[0038]图3为本专利技术实施例中点云数据聚类效果图。
[0039]图4为本专利技术实施例中行人识别效果图。
[0040]图5为未使用本专利技术方法下避障实验效果图。
[0041]图6为使用本专利技术方法下避障实验效果图。
具体实施方式
[0042]为了进一步理解本专利技术，下面结合实施例对本专利技术优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本专利技术的特征和优点，而不是对本专利技术权利要求的限制。
[0043]本专利技术实施例示出一种基于随机森林的移动机器人行人避障方法，流程如图1所示，通过以下步骤实现：
[0044]步骤一、使用2D激光雷达扫描周围环境的获取二维点云数据信息，如图2所示；
[0045]步骤二、对二维点云数据信息进行跳跃距离聚类处理得到点簇集合，如图3所示；
[0046]步骤三、对点簇集合进行降噪处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机森林的移动机器人行人避障方法，其特征在于，包括以下步骤：S1、使用2D激光雷达扫描周围环境，获取二维点云数据信息；S2、对获取的二维点云数据信息进行跳跃距离聚类处理得到点簇集合；S3、对所述点簇集合进行降噪处理；S4、训练随机森林分类器，使用训练得到的行人腿部分类器对点簇集合进行分类判断是否为人腿，若是则输出人腿轨迹，否则结束；S5、基于卡尔曼滤波对人腿轨迹进行追踪预测；S6、对人腿轨迹进行全局最临近数据关联，更新人腿轨迹并计算轨迹置信度；S7、判断一对人腿轨迹是否同时满足：(1)高于置信度，(2)没有发生分离，(3)位于自由空间，若满足则输出行人轨迹，否则结束；S8、将行人轨迹添加到行人地图层；S9、根据地图信息进行局部规划，完成避让行人。2.如权利要求1所述的基于随机森林的移动机器人行人避障方法，其特征在于，步骤S2中进行跳跃距离聚类处理包括以下步骤：S21、将获取的二维点云数据信息表示为S＝{p0,p1,p2,p
n
|p
i
＝(x
i
,y
i
)}，其中p
i
表示单个点云数据，x
i
与y
i
分别表示平面内点云的横纵坐标；S22、将点云数据S分割为点簇集合：其中s
i
表示一个点簇集合，任意两个点簇集合不包括相同的点云数据，且最小距离大于阈值δ。3.如权利要求1所述的基于随机森林的移动机器人行人避障方法，其特征在于，步骤S3中降噪处理为：在低噪声环境中丢弃包含少于三个扫描点的簇，在高噪声环境中丢弃包含少于五个扫描点的簇。4.如权利要求1所述的基于随机森林的移动机器人行人避障方法，其特征在于，步骤S4中训练随机森林...

【专利技术属性】
技术研发人员：贺帅，潘柏松，
申请(专利权)人：浙江工业大学台州研究院，
类型：发明
国别省市：