人工智能越障脱困方法技术

本发明专利技术涉及人工智能技术领域，公开了一种人工智能越障脱困方法

【技术实现步骤摘要】
人工智能越障脱困方法、装置及控制系统


[0001]本专利技术涉及人工智能
，尤其涉及一种人工智能越障脱困方法
、
装置及控制系统
。

技术介绍

[0002]在现代社会中，清洁机器人的应用已经变得越来越普遍，尤其是在家庭和商业环境中
。
这些机器人旨在自主执行清洁任务，减轻人们的工作负担
。
然而，在实际环境中，清洁机器人经常面临复杂的障碍物
、
狭窄的通道和光线不足等问题，这些问题导致机器人的性能下降或卡住
。
[0003]许多清洁机器人使用传感器来感知周围环境，但这些传感器受到限制，导致对障碍物的感知不够精确
。
这导致机器人碰撞或无法完全避免障碍物
。
大多数清洁机器人使用基本的路径规划算法，但这些算法在复杂环境中不够灵活
。
它们无法考虑到障碍物的动态性或复杂的地形
。
一些清洁机器人系统由于计算资源有限或算法不够高效，导致延迟问题
。
在需要快速响应的情况下，这会导致机器人无法避免障碍物或脱困
。
许多清洁机器人系统在建模环境时不够准确
。
这意味着它们无法有效地理解环境，无法预测障碍物的位置或变化
。

技术实现思路

[0004]本专利技术提供了一种人工智能越障脱困方法
、
装置及控制系统，用于提高人工智能越障脱困的准确率
。
[0005]本专利技术第一方面提供了一种人工智能越障脱困方法，所述人工智能越障脱困方法包括：获取预置的清洁机器人采集的多个红外环境图片；将多个所述红外环境图片输入预置的多尺度
ASFF
网络进行红外特征提取，得到多个不同尺度的红外特征图；对多个所述不同尺度的红外特征图进行跨层融合处理，得到多个融合特征图；将多个所述融合特征图输入预置的增强注意力编码网络进行目标特征增强处理，得到多个增强特征图；将多个所述增强特征图输入预置的障碍物识别模型进行障碍识别，得到目标障碍信息，其中，所述目标障碍信息包括：障碍物位置信息以及障碍物尺寸信息；通过所述目标障碍信息构建静态格栅地图，同时，根据所述目标障碍信息生成代价势场；基于所述静态格栅地图，通过所述代价势场对所述清洁机器人进行脱困路径规划，生成目标脱困路线并通过所述目标脱困路线控制所述清洁机器人行驶
。
[0006]结合第一方面，在本专利技术第一方面的第一实施方式中，所述对多个所述不同尺度的红外特征图进行跨层融合处理，得到多个融合特征图，包括：
分别对每个所述不同尺度的红外特征图进行权重系数计算，得到每个所述不同尺度的红外特征图对应的权重系数值；基于每个所述不同尺度的红外特征图对应的权重系数值，对多个所述不同尺度的红外特征图进行加权融合，得到多个候选融合特征图；对多个候选融合特征图进行特征层级划分，得到多个浅层网络高分辨率低级特征以及多个深层网络中低分辨率高级语义特征；基于多个浅层网络高分辨率低级特征以及多个深层网络中低分辨率高级语义特征，对多个所述候选融合特征图进行跨层融合处理，得到多个所述融合特征图
。
[0007]结合第一方面，在本专利技术第一方面的第二实施方式中，所述将多个所述融合特征图输入预置的增强注意力编码网络进行目标特征增强处理，得到多个增强特征图，包括：将多个所述融合特征图输入所述增强注意力编码网络进行空洞卷积操作，得到每个所述融合特征图对应的红外特征以及每个所述融合特征图对应的感受野大小数据；基于每个所述融合特征图对应的感受野大小数据，将每个所述融合特征图对应的红外特征输入第一池化层进行平均池化操作，生成平均池化特征图；基于每个所述融合特征图对应的感受野大小数据，将每个所述融合特征图对应的红外特征输入第二池化层进行最大池化操作，生成最大池化特征图；对所述平均池化特征图以及所述最大池化特征图进行特征加和处理，得到加和特征数据，并通过预置的激活函数对所述加和特征数据进行数据映射，得到所述增强注意力编码网络对应的通道权重系数；基于所述通道权重系数，对多个所述融合特征进行目标特征增强处理，得到多个增强特征图
。
[0008]结合第一方面，在本专利技术第一方面的第三实施方式中，所述将多个所述增强特征图输入预置的障碍物识别模型进行障碍识别，得到目标障碍信息，包括：将多个所述增强特征图输入所述障碍物识别模型进行初次识别，得到初始障碍信息，同时，将多个所述增强特征图输入所述障碍物识别模型进行类别损失计算，得到每个所述增强特征图对应的类别损失数据；将多个所述增强特征图输入所述障碍物识别模型进行偏移量损失计算，得到每个所述增强特征图对应的偏移量损失数据；将多个所述增强特征图输入所述障碍物识别模型进行回归损失计算，得到每个所述增强特征图对应的回归损失数据；对所述类别损失数据
、
所述偏移量损失数据以及所述回归损失数据进行整体网络损失计算，得到目标整体网络损失；基于所述目标整体网络损失对所述初始障碍信息进行信息修正，得到所述目标障碍信息
。
[0009]结合第一方面的第三实施方式，在本专利技术第一方面的第四实施方式中，所述将多个所述增强特征图输入预置的障碍物识别模型的类别损失函数进行类别损失计算，得到每个所述增强特征图对应的类别损失数据，包括：将多个所述增强特征图输入预置的障碍物识别模型的类别损失函数进行目标真实区域框分析，得到每个所述增强特征图对应的目标真实区域框；
分别对每个所述增强特征图对应的目标真实区域框进行目标中心点计算，得到多个目标中心点；对多个所述目标中心点进行自适应特征融合处理，得到多个下采样中心点坐标；对多个所述下采样中心点坐标进行高斯核映射，得到多个热值图；分贝对每个所述热值图进行置信度预测值融合，得到每个所述增强特征图对应的类别损失数据
。
[0010]结合第一方面，在本专利技术第一方面的第五实施方式中，所述通过所述目标障碍信息构建静态格栅地图，同时，根据所述目标障碍信息生成代价势场，包括：对所述目标障碍信息进行二维网格构建，得到所述目标障碍信息对应的二维网格数据；对所述清洁机器人进行位置标定，得到所述清洁机器人对应的空间位置坐标；基于所述空间位置坐标，对所述二维网格数据进行三维空间映射，得到对应的三维网格数据；基于所述三维网格数据进行静态格栅地图构建，得到对应的静态格栅地图；对所述静态格栅地图进行网格单元遍历，得到所述静态格栅地图对应的多个网格单元；对每个所述网格单元进行初始势能值匹配，得到每个所述网格单元对应的初始势能值；基于每个所述网格单元对应的初始势能值，对所述目标障碍信息进行网格距离计算，得到网格距离集合，并通过所述网格距离集合生成对应的代价势能值集合；基于所述代价势能值集合，对所述静态格栅地图进行代价势场构建，得到所述代价势场
。
[0011]结合第一方面，在本专利技术第一方面的第六实施方式中，所述基于所述静态格栅地图，通过所述代价势场对所述清洁机器人进行脱困路径规划，生成目标脱困路线并通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种人工智能越障脱困方法，其特征在于，所述人工智能越障脱困方法包括：获取预置的清洁机器人采集的多个红外环境图片；将多个所述红外环境图片输入预置的多尺度
ASFF
网络进行红外特征提取，得到多个不同尺度的红外特征图；对多个所述不同尺度的红外特征图进行跨层融合处理，得到多个融合特征图；将多个所述融合特征图输入预置的增强注意力编码网络进行目标特征增强处理，得到多个增强特征图；将多个所述增强特征图输入预置的障碍物识别模型进行障碍识别，得到目标障碍信息，其中，所述目标障碍信息包括：障碍物位置信息以及障碍物尺寸信息；通过所述目标障碍信息构建静态格栅地图，同时，根据所述目标障碍信息生成代价势场；基于所述静态格栅地图，通过所述代价势场对所述清洁机器人进行脱困路径规划，生成目标脱困路线并通过所述目标脱困路线控制所述清洁机器人行驶
。2.
根据权利要求1所述的人工智能越障脱困方法，其特征在于，所述对多个所述不同尺度的红外特征图进行跨层融合处理，得到多个融合特征图，包括：分别对每个所述不同尺度的红外特征图进行权重系数计算，得到每个所述不同尺度的红外特征图对应的权重系数值；基于每个所述不同尺度的红外特征图对应的权重系数值，对多个所述不同尺度的红外特征图进行加权融合，得到多个候选融合特征图；对多个候选融合特征图进行特征层级划分，得到多个浅层网络高分辨率低级特征以及多个深层网络中低分辨率高级语义特征；基于多个浅层网络高分辨率低级特征以及多个深层网络中低分辨率高级语义特征，对多个所述候选融合特征图进行跨层融合处理，得到多个所述融合特征图
。3.
根据权利要求1所述的人工智能越障脱困方法，其特征在于，所述将多个所述融合特征图输入预置的增强注意力编码网络进行目标特征增强处理，得到多个增强特征图，包括：将多个所述融合特征图输入所述增强注意力编码网络进行空洞卷积操作，得到每个所述融合特征图对应的红外特征以及每个所述融合特征图对应的感受野大小数据；基于每个所述融合特征图对应的感受野大小数据，将每个所述融合特征图对应的红外特征输入第一池化层进行平均池化操作，生成平均池化特征图；基于每个所述融合特征图对应的感受野大小数据，将每个所述融合特征图对应的红外特征输入第二池化层进行最大池化操作，生成最大池化特征图；对所述平均池化特征图以及所述最大池化特征图进行特征加和处理，得到加和特征数据，并通过预置的激活函数对所述加和特征数据进行数据映射，得到所述增强注意力编码网络对应的通道权重系数；基于所述通道权重系数，对多个所述融合特征进行目标特征增强处理，得到多个增强特征图
。4.
根据权利要求1所述的人工智能越障脱困方法，其特征在于，所述将多个所述增强特征图输入预置的障碍物识别模型进行障碍识别，得到目标障碍信息，包括：将多个所述增强特征图输入所述障碍物识别模型进行初次识别，得到初始障碍信息，
同时，将多个所述增强特征图输入所述障碍物识别模型进行类别损失计算，得到每个所述增强特征图对应的类别损失数据；将多个所述增强特征图输入所述障碍物识别模型进行偏移量损失计算，得到每个所述增强特征图对应的偏移量损失数据；将多个所述增强特征图输入所述障碍物识别模型进行回归损失计算，得到每个所述增强特征图对应的回归损失数据；对所述类别损失数据
、
所述偏移量损失数据以及所述回归损失数据进行整体网络损失计算，得到目标整体网络损失；基于所述目标整体网络损失对所述初始障碍信息进行信息修正，得到所述目标障碍信息
。5.
根据权利要求4所述的人工智能越障脱困方法，其特征在于，所述将多个所述增强特征图输入所述障碍物识别模型进行类别损失计算，得到每个所述增强特征图对应的类别损失数据，包括：将多个所述增强特征图输入预置的障碍物识别模型的类别损失函数进行目标真实区域框...

【专利技术属性】
技术研发人员：王忠林，
申请(专利权)人：集海科技深圳有限公司，
类型：发明
国别省市：