基于语义指令的机器人编队操控方法技术

本发明专利技术提供一种基于语义指令的机器人编队操控方法，涉及机器人编队控制技术领域。本发明专利技术的方法基于语音识别包的基础上提出了语义理解算法，实现了对操作员语音指令的获取、识别、语义理解；提出了适用于本发明专利技术的A*

【技术实现步骤摘要】
基于语义指令的机器人编队操控方法


[0001]本专利技术涉及机器人编队控制
，尤其涉及一种基于语义指令的机器人编队操控方法。

技术介绍

[0002]语义指令理解即让机器人理解操作人员的指令意图，当前是最友好的指令形式。机器人控制中心将操作人员的控制意图转化成文字指令，并对文字指令进行文本分类，实现理解操作人员意图的目的。在语义指令理解技术出现之前，市面上大多利用操控手柄、命令行输入等传统的人
‑
机器人指令下发形式，并不能让操作人员有良好的交互体验。操控手柄和命令行输入等方式对操作人员的技能和经验要求比较高，需要操作人员具有良好的训练，而且这些交互方式不够自然直观，限制了操作人员的灵活性，无形中增加了操作的成本。
[0003]机器人编队路径规划就是一种在已知环境中规划处一条最优的无碰撞路径。当前机器人路径规划技术无论是算法还是系统，都是针对一般场景下的单一机器人，专门针对机器人编队进行复杂环境下的路径规划技术还很少。为了未来机器人编队在复杂环境、复杂背景下完成任务，需要提出一种改进型机器人编队路径规划算法。
[0004]机器人编队研究的核心算法之一就是形成预定编队之后要实现队形变换和队形保持，但是传统是机器人编队队形控制算法在复杂环境下、在编队规模增大后编队会由于累计误差导致出现队形涣散的情况，因此需要提出一种增加误差反馈的机器人编队队形控制算法。

技术实现思路

[0005]本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于语义指令的机器人编队操控方法，基于文本分类技术，实现机器人编队对语音指令意图的识别，基于路径规划算法实现机器人编队在运动时的完整路径探寻，通过机器人编队队形控制技术保证机器人编队在运动过程中实现队形的形成、保持、变换。
[0006]为解决上述技术问题，本专利技术所采取的技术方案是：
[0007]一种基于语义指令的机器人编队操控方法，包括以下步骤：
[0008]步骤1：调用语音识别包实现语音识别，完成麦克风的语音模拟信号预处理、实现语音转文字。语义分析文字指令，实现文字指令到单个机器人或者机器人编队控制指令的转换。
[0009]步骤2：通过语音指令进行机器人编队定位，处理激光雷达信息，通过和地图信息的匹配，完成定位。根据机器人编队语音控制指令建立导航点，实现机器人的全局路径规划和局部路径规划，实现机器人编队的导航和针对动态障碍物的自动规避。
[0010]步骤3：采用加入线性控制反馈的机器人编队队形控制技术，实现机器人编队整体运动。
[0011]采用上述技术方案所产生的有益效果在于：本专利技术提供的基于语义指令的机器人编队操控方法，在ROS系统下设计并实现了机器人编队与操作人员之间的指令交互以及编队控制技术，通过对机器人编队路径规划算法和机器人编队队形控制算法的研究，合理的制定了相关算法策略，基于A
‑
star路径规划算法提出了适用于本专利技术的A*
‑
Choose算法，建立了机器人编队路径规划的框架。本专利技术在领航跟随法的基础上，设计了对机器人编队形成、保持的实验。本专利技术基于语音识别的基础上提出了语义理解算法，实现了对操作员语音指令的获取、识别、语义理解。为机器人编队选取了合适的硬件设备，包括底盘、激光雷达等，为其配置合适的软件系统ROS，并利用此软件和硬件平台对基于语义指令的机器人编队控制技术的相关算法进行了Gazebo环境验证和实物验证完成了本专利技术要求。实验结果表明本专利技术设计的基于语义理解的机器人编队控制技术可以得到良好的实现即指令下发、路径规划、队形控制等功能都得到很大提升。
附图说明
[0012]图1为本专利技术具体实施方式提供的语音识别包语音指令识别流程图；
[0013]图2为本专利技术具体实施方式提供的A*
‑
Choose算法中双向交替搜索流程图；
[0014]图3为本专利技术具体实施方式提供的基于文本分类的语义理解流程图；
[0015]图4为本专利技术具体实施方式提供的Floyd算法原理图；
[0016]图5为本专利技术具体实施方式提供的机器人编队线性反馈结构图。
具体实施方式
[0017]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0018]如图1所示，本实施例的方法如下所述。
[0019]步骤1：调用语音识别包实现语音识别，完成麦克风的语音模拟信号预处理、实现语音转文字。语义分析文字指令，实现文字指令到单个机器人或者机器人编队控制指令的转换。
[0020]语音识别部分通过语音包完成麦克风的语音模拟信号预处理将语音指令转化为文本指令信息。在得到文本指令后，对文本指令进行分词处理，再利用支持向量机对分词处理后的文本指令进行文本分类，在文本分类过程中，分类词语的频率采用TF
‑
IDF词频逆文档频率算法进行词语权重的计算。传统的支持向量机只能进行二分类，而本实施例设定了多种指令类型，因此是多分类问题，所以本实施例采用一对一的方式进行多分类器的构造，新构造的多分类器提高了文本分类的准确性。
[0021]本实施例结合科大讯飞语音识别引擎(IAT)开发了一套新的适应本实施例机器人编队控制的语音识别接口，语音识别接口的操作步骤如图1所示，具体如下：
[0022]语音识别包先进行身份鉴权，完成身份鉴权之后将常规关键词作为词库上传到云端服务器，能提高针对关键词的识别准确率。从控制中心的麦克风接收语音指令之后交由云端服务器处理，得到识别结果的字符串，在交给语义理解模块后，与指令库中的控制指令相匹配，将匹配后的控制指令经由ROS topic publisher发布到ROS通信网络中。
[0023]本实施例采用的分词工具是"jieba"组件，这一组件采用前缀字典对文本指令进
行划分处理，再将划分出的所有词构造成有向无环图(DAG)。通过动态规划算法，在DAG上找到最优解。在进行文本分类之前，本实施例先进行文本表示，将文本指令转换成支持向量机可以处理的结构化的数据形式。如图3所示，为基于文本分类的语义理解流程图。
[0024]本实施例在文本分类过程中对特征词的权重计算问题使用成熟精确的词频
‑
逆文档频率(Term Frequency
‑
Inverse Document Frequency,TF
‑
IDF)方法。当特征词在文本中出现的概率越大，其权重也随之增加；该词在语料库中出现的频率越大，权重也随之下降，计算公式如下：
[0025]W(t,d)＝TF(t,d)*IDF(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0026]其中，TF(t,d)表示词频，t表示特征词，d表示所处文本，因此特征词在整个文本中的重要性可以用TF来表示，计算公式如下：
[0027][0028]其中，N
d...

【技术保护点】

【技术特征摘要】
1.一种基于语义指令的机器人编队操控方法，其特征在于：包括以下步骤：步骤1：调用语音识别包实现语音识别，完成麦克风的语音模拟信号预处理、实现语音转文字；语义分析文字指令，实现文字指令到单个机器人或者机器人编队控制指令的转换；步骤2：通过语音指令进行机器人编队定位，处理激光雷达信息，通过和地图信息的匹配，完成定位；根据机器人编队语音控制指令建立导航点，实现机器人的全局路径规划和局部路径规划，实现机器人编队的导航和针对动态障碍物的自动规避；步骤3：采用加入线性控制反馈的机器人编队队形控制技术，实现机器人编队整体运动。2.根据权利要求1所述的基于语义指令的机器人编队操控方法，其特征在于：所述步骤1中，语音识别部分通过语音包完成麦克风的语音模拟信号预处理将语音指令转化为文本指令信息；在得到文本指令后，对文本指令进行分词处理，再利用支持向量机对分词处理后的文本指令进行文本分类；在文本分类过程中，分类词语的频率采用TF
‑
IDF词频逆文档频率算法进行词语权重的计算。3.根据权利要求2所述的基于语义指令的机器人编队操控方法，其特征在于：所述语音识别部分结合科大讯飞语音识别引擎IAT开发适应机器人编队控制的语音识别接口，语音识别接口的操作步骤具体如下：语音识别包先进行身份鉴权，完成身份鉴权之后将常规关键词作为词库上传到云端服务器；从控制中心的麦克风接收语音指令之后交由云端服务器处理，得到识别结果的字符串，在交给语义理解模块后，与指令库中的控制指令相匹配，将匹配后的控制指令经由ROS topic publisher发布到ROS通信网络中。4.根据权利要求2所述的基于语义指令的机器人编队操控方法，其特征在于：所述分词处理中采用的分词工具为"jieba"组件，该组件采用前缀字典对文本指令进行划分处理，再将划分出的所有词构造成有向无环图DAG；通过动态规划算法，在DAG上找到最优解；在进行文本分类之前，先进行文本表示，将文本指令转换成支持向量机能处理的结构化的数据形式。5.根据权利要求2所述的基于语义指令的机器人编队操控方法，其特征在于：所述支持向量机采用一对一的方式进行多分类器的构造；对于有N个类别的样本，该方法在任意两类样本之间构造一个SVM分类器，因此总共需要N(N
‑
1)/2个SVM分类器；在测试时，使用所有的SVM分类器分别对测试样本进行分类，并根据分类结果对相应类别投票，最后得票数最多的类别作为该样本的类别。6.根据权利要求2所述的基于语义指令的机器人编队操控方法，其特征在于：TF
‑
IDF词频逆文档频率算法的计算公式如下：W(t,d)＝TF(t,d)*IDF(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，TF(t,d)表示词频，t表示特征词，d表示所处文本；特征词在整个文本中的重要性用TF来表示，计算公式如下：其中，N
d
表示整个文本d中的所有词语数目，N
t,d
表示特征词t在文本d中出现了多少次；
逆文档频率IDF(t)表示特征词在所处文本中的普遍重要性，采用特征词t在文本d中出现频率的倒数的对数形式表示，计算公式如下：其中，N表示文本集合的文本数量，N
t
表示共有多少个文本出现了特征词t。7.根据权利要求1所述的基于语义指令的机器人编队操控方法，其特征在于：所述步骤2中的路径规划算法是基于传统的A*路径规划算法改进的A*
‑
Choose算法，基于A*算法做出的改进包括：采用双向交替搜索的方式，在复杂空间环境下，机器人编队能够搜索到一条健壮的路径；采用Floyd算法对机器人编队进行平滑路径处理；所述双向交替搜索的方式为，在初始搜索时，先进行正向搜索，在得到当前最小评价函数节点后，将此最小函数节点作为目标节点立即进行反向搜索；正反两种搜索方式不断切换交替进行；当搜索结束后，若能够在正反两个方向上拓展出一条统一的最优节点，且节点满...

【专利技术属性】
技术研发人员：郭向坤，刘猛，白江坤，
申请(专利权)人：沈阳理工大学，
类型：发明
国别省市：