一种狭窄区域机器人智能避障强化学习算法制造技术

本发明专利技术涉及的一种狭窄区域机器人智能避障强化学习算法，通过在训练地图中增加十余种常见狭窄地形，并在目标地形两侧设置路径点，设计以机器人精准穿过路径点为核心的奖励函数，解决现有技术中因模型近似化和训练环境单一导致的复杂地形碰撞率高、路径规划失效的问题。本发明专利技术将深度相机数据压缩为56×80维特征矩阵、超声波传感器数据提取为12维距离向量，通过三层感知机网络进行多模态数据融合训练，直接输出包含三个平动速度和三个角速度的6维连续控制量，解决传统算法依赖简化模型导致的尺寸约束感知不精确、动作空间粗糙的问题，实现狭窄区域下机器人六自由度运动的精细化控制，提升复杂障碍物环境中的避障安全性与路径通过率。

【技术实现步骤摘要】

本专利技术涉及机器人智能控制，尤其涉及一种狭窄区域机器人智能避障强化学习算法，用于解决狭窄区域内机器人在复杂障碍物环境下的自主避障问题，为受限空间内机器人的安全高效导航提供技术支撑。

技术介绍

1、机器人在狭窄区域运行实现避障技术的核心难点在于物理空间约束与感知决策能力的矛盾。机器人本体尺寸与通道宽度的高比例（如 80% 以上）导致传统安全距离控制失效，而传感器在狭窄环境中易受镜面反射、视角遮挡等干扰（如激光雷达在垂直墙面存在15°盲区）。现有技术普遍采用圆形/矩形简化模型（如半径扩大1.5 倍的虚拟圆形），但穿过复杂障碍物的碰撞风险没有进行合理评估（如 l型拐角，或者狭长走廊，此时曲率半径相对很小）。此外，传感器融合效率低（如激光雷达与摄像头异步融合延迟大）、模型泛化能力不足（未考虑各类情形的仿真训练模型在真实狭窄通道避障成功率低）、实时性差等问题，进一步限制了机器人在动态狭窄场景中的适应性。

2、现有技术多采用基于激光雷达与深度强化学习（drl）的避障算法，其核心架构整合了多模态感知与智能决策，虽然现有技术通常仿真环境中表现优异，但在真实狭本文档来自技高网...

【技术保护点】

1.一种狭窄区域机器人智能避障强化学习算法，其特征在于，包括以下内容：

2.根据权利要求1所述的一种狭窄区域机器人智能避障强化学习算法，其特征在于：步骤S1中线性约束场景包括直窄道、宽度渐变通道，几何约束场景包括90°直角窄门、弧形弯道，动态约束场景包括单侧障碍物移动的隧道。

3.根据权利要求1所述的一种狭窄区域机器人智能避障强化学习算法，其特征在于：步骤S1中编程建模与点云扫描结合的方式为：使用三维激光扫描仪对真实狭窄场景进行点云扫描，获取精度为±2mm的环境点云数据；然后通过ISSAC GYM软件通过Python编程构建12种典型狭窄地形的模型。

...

【技术特征摘要】

1.一种狭窄区域机器人智能避障强化学习算法，其特征在于，包括以下内容：

2.根据权利要求1所述的一种狭窄区域机器人智能避障强化学习算法，其特征在于：步骤s1中线性约束场景包括直窄道、宽度渐变通道，几何约束场景包括90°直角窄门、弧形弯道，动态约束场景包括单侧障碍物移动的隧道。

3.根据权利要求1所述的一种狭窄区域机器人智能避障强化学习算法，其特征在于：步骤s1中编程建模与点云扫描结合的方式为：使用三维激光扫描仪对真实狭窄场景进行点云扫描，获取精度为±2mm的环境点云数据；然后通过issac gym软件通过python编程构建12种典型狭窄地形的模型。

4.根据权利要求1所述的一种狭窄区域机器人智能避障强化学习算法，其特征在于：步骤s2中路径通过奖励rpass：机器人中心坐标穿过路径点半球面时，奖励+100；偏离路径点水平投影半径 0.3 米外，每厘米扣减 0.5 分。

5.根据权利要求1所述的一种狭窄区域机器人智能避障强化学习算法，其特征在于：步骤s2中安全距离奖励rsafe：基于超声波传感器实时测量的6个方向障碍物距离，6个方向为前/后/左/右...

【专利技术属性】
技术研发人员：陈镇远，郭发勇，周皞，蒋熹，杨紫荆，邓谦，雷语婷，
申请(专利权)人：常州工程职业技术学院，
类型：发明
国别省市：