基于深度学习的机器人自主导航控制方法及系统技术方案

本发明专利技术公开了一种基于深度学习的机器人自主导航控制方法及系统，方法步骤如下：设定机器人在环境地图中的起点和终点，计算机器人可行驶的最优路径；在行驶的过程中使用定位算法确定此时机器人所处的位置，到达终点时则停止移动，否则继续导航；使用相机获取机器人前方的环境信息图像，并输入至训练好的卷积神经网络模型，判断前方是否有环境地图未知的障碍物影响到机器人正常移动，如果没有，则按照最优路线继续导航，如果有，则使用网络模型生成对应的控制指令，使得机器人躲避未知障碍物，同时重新规划最优路线以及确定此时的位置，判断是否到达终点。该系统基于深度学习技术，在全局路径规划的路线上可以躲避各种障碍物，适用性强。用性强。用性强。

【技术实现步骤摘要】
基于深度学习的机器人自主导航控制方法及系统


[0001]本专利技术涉及人工智能
，具体涉及一种基于深度学习的机器人自主导航控制方法及系统。

技术介绍

[0002]随着人工智能技术的快速发展，深度学习在图像识别、语音识别、无人驾驶等领域得到了广泛的应用。同样，机器人技术也在向着智能化的方向发展，自主导航是机器人的关键技术之一，机器人具备智能分析环境的能力，并像人一样做出各种决策来躲避障碍物，是其智能化的体现。
[0003]目前常用的机器人自主导航控制系统主要包括：
[0004]1)基于全局路径规划和动态窗口局部避障的自主导航控制系统
[0005]该系统使用激光雷达扫描机器人周围的障碍物信息，然而一般使用的激光雷达都是二维扫描的，收集的障碍物信息有限，不能躲避与激光雷达高度不一致的障碍物或者不规则的障碍物。
[0006]2)基于深度学习的方法
[0007]已有学者研究基于深度学习的机器人移动，通过相机获取图像，生成控制指令，包括直行、向左、向右，然后该方法并不能在环境中到达指定的目标位置。

技术实现思路

[0008]本专利技术的目的在于提供一种基于深度学习的机器人自主导航控制方法及系统，机器人按照全局路径规划的最优路径行驶，同时使用相机获取机器人前方环境图像并输入至卷积神经网络模型中，当遇到环境地图未知的障碍物时，网络模型的识别结果发布控制指令躲避障碍物，直至机器人到达目标位置。
[0009]实现本专利技术目的的技术方案为：一种基于深度学习的机器人自主导航控制方法，包括：
[0010]步骤1，通过数据采集系统收集机器人前方的环境图像，用于训练卷积神经网络模型；
[0011]步骤2，基于图像处理技术对机器人所处环境的已知二维平面地图进行处理，使其可以应用于机器人操作系统中，并进行机器人定位和路径规划；
[0012]步骤3，设定机器人在环境地图中的起始位置和目标位置，使用全局路径规划算法计算可行驶的最优路径；
[0013]步骤4，使用定位算法计算机器人此时所处的位置，并判定是否到达终点，如果是，则停止移动，否则继续移动；
[0014]步骤5，机器人自主导航的过程中，使用相机实时获取机器人前方环境图像，并使用训练好的网络模型识别图像，生成控制指令，躲避环境地图未知的障碍物；
[0015]步骤6，如果机器人前方存在未知障碍物影响到机器人的正常行驶，则网络模型生
成相应的控制指令来躲避障碍物，同时重新计算最优路径；
[0016]步骤7，如果机器人前方不存在未知障碍物影响到机器人的正常行驶，则机器人按照之前的最优路径继续移动；
[0017]步骤8，重复步骤4至步骤7。
[0018]与现有技术相比，本专利技术的显著优点为：(1)设计了数据采集系统，方便了数据采集与标注，减少了时间成本；(2)使用图像处理技术对环境的已知二维平面图像进行处理，不需要控制机器人在环境中重新建图；(3)使用深度学习技术识别前方是否存在障碍物影响机器人移动，相比传统特征提取方法，该方法能够自动提取特征且效果好；(4)本专利技术把基于深度学习的局部避障与全局路径规划结合在一起，提高了系统的避障能力，同时提高了系统的工作效率。
附图说明
[0019]为了更清楚地说明本专利技术实施例的技术方案，下面对本专利技术实施例所用的附图做简要的说明介绍，显而易见地，下面所描述的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本专利技术实施例提供的基于图像处理构建环境地图的流程图。
[0021]图2为本专利技术实施例提供的数据采集系统界面图。
[0022]图3为本专利技术实施例提供的卷积神经网络模型结构图。
[0023]图4为本专利技术实施例提供的基于深度学习的机器人自主导航控制系统的工作流程图。
[0024]图5为本专利技术实施例提供的基于深度学习的机器人自主导航控制系统的总体结构图。
具体实施方式
[0025]本专利技术提出一种基于深度学习方法的机器人自主导航控制方法及系统，不仅具备在全局路径规划的最优路径上行驶，同时可以躲避局部未知的各种障碍物。
[0026]如图1所示，基于深度学习方法的机器人自主导航控制方法，包括如下步骤：
[0027]步骤1：通过数据采集系统收集机器人前方的环境图像，用于训练卷积神经网络模型；
[0028]步骤2：基于图像处理技术对机器人所处环境的已知二维平面地图进行处理，使其可以应用于机器人操作系统中，并进行机器人定位和路径规划；
[0029]步骤3：设定机器人在环境地图中的起始位置和目标位置，使用全局路径规划算法计算可行驶的最优路径；
[0030]步骤4：在机器人移动的过程中，同时使用定位算法计算机器人此时所处的位置，并判定是否到达终点，如果是，则停止移动，结束导航，否则继续移动；
[0031]步骤5：机器人自主导航的过程中，使用相机实时获取机器人前方环境图像，并使用训练好的网络模型识别图像，生成控制指令，躲避环境地图未知的障碍物；
[0032]步骤6：如果机器人前方存在未知障碍物影响到机器人的正常行驶，则网络模型生成相应的控制指令来躲避障碍物，同时重新计算最优路径；
[0033]步骤7：如果机器人前方不存在未知障碍物影响到机器人的正常行驶，则机器人按照之前的最优路径继续移动；
[0034]步骤8：重复步骤4至步骤7。
[0035]进一步的，所述数据采集系统可实时显示相机图像，同时具备控制按钮，控制按钮可控制机器人移动以及保存图像至不同的类别路径。
[0036]进一步的，由于深度学习具备强大图像识别效果，所述的数据采集系统采集的图像是单通道的图像，大小为224*224，根据需要也可以收集深度图像用于训练网络模型。
[0037]进一步的，所述的卷积神经网络模型为七层，其中四层卷积层参数分别为5*5*32，3*3*32，3*3*64和3*3*64，来提取图像的特征图；三层全连接层参数分别为7*7*64，1024和3，将特征图转化为一维向量，进而通过概率计算进行分类。为了增强网络模型的泛化能力，在网络模型的卷积层之间加入了1*1的卷积层，在全连接层使用了Dropout。
[0038]进一步的，所述的网络模型输入为相机采集的图像，输出有三个类别，包括nav、left、right，其中nav指机器人前方没有障碍物影响机器人移动，不需要发布控制指令，left指机器人右前方存在障碍物影响机器人移动，需要发布控制机器人向左前方行驶的指令，right指机器人左前方存在障碍物影响机器人移动，需要发布控制机器人向右前方行驶的指令。
[0039]进一步的，所述的图像处理技术主要包括滤波处理、边缘检测、阈值处理等，可以把环境平面地图处理成栅格表示的地图图像，黑色代表该位置有障碍物，白色代表该位置没有障碍物。
[0040]进一步的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的机器人自主导航控制方法，其特征在于，包括：步骤1，通过数据采集系统收集机器人前方的环境图像，用于训练卷积神经网络模型；步骤2，基于图像处理技术对机器人所处环境的已知二维平面地图进行处理，使其可以应用于机器人操作系统中，并进行机器人定位和路径规划；步骤3，设定机器人在环境地图中的起始位置和目标位置，使用全局路径规划算法计算可行驶的最优路径；步骤4，使用定位算法计算机器人此时所处的位置，并判定是否到达终点，如果是，则停止移动，否则继续移动；步骤5，机器人自主导航的过程中，使用相机实时获取机器人前方环境图像，并使用训练好的网络模型识别图像，生成控制指令，躲避环境地图未知的障碍物；步骤6，如果机器人前方存在未知障碍物影响到机器人的正常行驶，则网络模型生成相应的控制指令来躲避障碍物，同时重新计算最优路径；步骤7，如果机器人前方不存在未知障碍物影响到机器人的正常行驶，则机器人按照之前的最优路径继续移动；步骤8，重复步骤4至步骤7。2.根据权利要求1所述的方法，其特征在于，所述数据采集系统可实时显示相机图像，同时具备控制按钮，控制按钮可控制机器人移动以及保存图像至不同的类别路径。3.根据权利要求1所述的方法，其特征在于，所述数据采集系统采集的图像是单通道的图像，大小为224*224。4.根据权利要求1所述的方法，其特征在于，所述的卷积神经网络模型为七层，其中四层卷积层参数分别为5*5*32，3*3*32，3*3*64和3*3*64，用于提取图像的特征图；三层全连接层参数分别为7*7*64，1024和3，用于将特征图转化为一维向量，进而通过概率计算进行分类；在网络模型的卷积层之间加入1*1的卷积层，在全连接层使用Dropout。5.根据权利要求1所述的方法，其特征在于，所述的网络模型输...

【专利技术属性】
技术研发人员：郭玲，陆刘兵，季京玮，郎耀东，
申请(专利权)人：南京中朗智能技术有限公司，
类型：发明
国别省市：