一种基于深度学习的轮式机器人避障路径规划方法技术

本发明专利技术公开了一种基于深度学习的轮式机器人避障路径规划方法，包括以下步骤：(1)采集图像数据集；通过搭载在机器人车身的视觉传感器不断采集场景数据，形成图像数据集；(2)像素级标注图像数据集的可行使区域；(3)使用经开源数据集预训练后的语义分割网络，对带有标注的图像数据集进行训练，得到最佳模型参数；(4)轮式机器人采集一段新的视频流，输入训练好的网络模型，得到可行使区域的检测结果。本发明专利技术能在人员密集的场景下精确的完成对手势的识别和对机器人的控制。本发明专利技术能在仅使用视觉的方式实现了轮式机器人的避障路径规划，减少了对高成本传感器的依赖，且利用深度学习的优势，提高了可通达路径检测的准确性。提高了可通达路径检测的准确性。提高了可通达路径检测的准确性。

【技术实现步骤摘要】
一种基于深度学习的轮式机器人避障路径规划方法


[0001]本专利技术涉及计算机视觉，深度学习，属于机器人导航的
，具体涉及一种基于深度学习的轮式机器人避障路径规划方法。

技术介绍

[0002]轮式机器人因具有比人力更灵活、可靠且易于安装维护等优点，近年来在工厂中被大量应用于自主快速运输，达到节约制造成本的目的。避障技术作为其中的关键一环，发展引起了业界的高度重视。传统的轮式机器人的避障手段主要有超声波传感器避障、红外传感器避障和激光雷达避障等，其应用的技术多属于光辐射和电磁波射频源。其中目前效果最好的是通过激光雷达，但由于其太过昂贵，短时间内制作成本无法降低，因此极大限制了轮式机器人在自主导航上的发展。但随着深度学习研究的发展，使得对可通达地图的检测也越来越准确(基于图像语义分割的车辆可行驶区域识别方法研究[D].华南理工大学,2019.)，这使得通过深度学习来建立机器人避障路径规划有了可能。

技术实现思路

[0003]本专利技术的目的是在节省成本且保证可靠的前提下，提供了一种基于深度学习的轮式机器人避障路径规划方法，使用视觉传感器实时采集图像数据，并接入可行驶区域检测网络进行可行驶区域识别，进而完成避障路径的规划。
[0004]本专利技术至少通过如下技术方案之一实现。
[0005]一种基于深度学习的轮式机器人避障路径规划方法，所述方法包括以下步骤：
[0006]S1、通过搭载在机器人车身的视觉传感器不断采集场景数据，形成图像数据集，设每一张图像分别率均为w*h，w是图像宽度，h是图像高度；
[0007]S2、像素级标注图像数据集的可行使区域；
[0008]S3、使用经开源数据集预训练后的语义分割网络，对带有标注的图像数据集进行训练，得到最佳模型参数；
[0009]S4、轮式机器人采集一段新的视频流，输入训练好的网络模型，得到可行使区域的检测结果；
[0010]S5、控制轮式机器人行进，若遇到障碍物，机器人将按照步骤S4中得到的可行驶区域进行避障绕行，若障碍物位于死角位置，机器人将停止在原地。
[0011]优选的，所述场景数据包括行人匀速前进、行人横向移动、纸箱固定障碍物、球类固定障碍物和不明动态物体闯入的情况，数据集大小为1000张。
[0012]优选的，所述可行使区域采用一个封闭的凸多边形包络，凸多边形边界标注方式如下：图像坐标系中，边界直线每个像素的x坐标只有一个y坐标与其对应，外加边界直线垂直x轴的情况；凸多边形边界从图像左下角开始沿顺时针标注，终点也为图像左下角点，从而形成一个封闭的凸多边形，凸多边形所包围的区域即为可行使区域，该区域内包含机器人能够行驶过的物体和区域，不包含机器人无法跨越的障碍物。
[0013]优选的，步骤S3所述开源数据集为Cityscape中的粗糙分割数据集，将其中五个类别的像素作为可通达区域，其余为障碍物，数据集大小为20,000张。
[0014]优选的，所述语义分割网络包括编码网络和解码网络，所述编码网络包括四层编码模块，所述解码网络包括三层解码模块，每个编码模块的输出与特征图尺寸相对应的解码模块的输出相连接，每层解码模块都共享对应编码模块学习的图像特征。
[0015]优选的，所述编码网络采用基于DeepLab v3的语义分割框架，利用ASPP(Atrous Spatial Pyramid Pooling)进行特征融合与加强，最后一个编码模块的输出使用卷积转置模块(Transposed Convolution)进行上采样完成解码，解码的最终结果即为与原输入图像相同尺寸的特征图。
[0016]优选的，所述ASPP中采用插孔卷积结构，在不降低特征分辨率的情况下增加感受野大小，ASPP同时采用多个尺度的卷积操作和池化操作。
[0017]优选的，所述解码模块采用转置卷积方式进行上采样。
[0018]优选的，解码模块包括两个1
×
1卷积层和一个3
×
3的转置卷积层，卷积转置层的上采样系数为2，特征图每经过一个解码模块，图像扩大一倍。
[0019]优选的，步骤S4所述的检测结果是一个凸多边形区域，该区域即为该场景的可通达地图；
[0020]所述避障绕行是指根据步骤S4中所获得的可通达地图，以左侧优先原则进行绕行；
[0021]所述死角位置是指，该障碍物位于可通达地图凸多边形的边角位置，左右两侧都无可通达区域。
[0022]与现有的技术相比，本专利技术的有益效果为：
[0023]1.仅使用视觉的方式实现了轮式机器人的避障路径规划，减少了对高成本传感器的依赖。
[0024]2.利用深度学习的优势，提高了可通达路径检测的准确性。
附图说明
[0025]图1为本实施例一种基于深度学习的轮式机器人避障路径规划方法流程图；
[0026]图2为本实施例的凸多边形标注示意图。
具体实施方式
[0027]下面结合附图对本专利技术进一步说明。应指出，以下说明给出了详细的实施方式和具体操作过程，旨在对本申请进行详细说明，但本专利技术的保护范围不限于此实施方式。
[0028]如图1所示，一种基于深度学习的轮式机器人避障路径规划方法，包括如下步骤：
[0029]步骤S1.采集避障场景数据集；通过搭载在轮式机器人车身的视觉传感器不断采集场景数据，形成图像数据集，设每一张图像分别率均为w*h，w是图像宽度，h是图像高度。
[0030]数据集场景包括行人匀速前进、行人横向移动、纸箱固定障碍物、球类固定障碍物和不明动态物体闯入的情况，数据集大小为1000张。
[0031]步骤S2.像素级标注图像数据集的可行使区域；
[0032]可行驶区域采用一个封闭的凸多边形包络，凸多边形边界标注方式如下，图像坐
标系中，边界直线每个像素的x坐标只有一个y坐标与其对应，外加边界直线垂直x轴的情况，如图2所示；凸多边形边界从图像左下角开始沿顺时针标注，终点也为图像左下角点，从而形成一个封闭的凸多边形，凸多边形所包围的区域即为可行使区域，该区域内包含轮式机器人能够行驶过的物体和区域，不包含机器人无法跨越的障碍物。
[0033]步骤S3.使用经开源数据集预训练后的语义分割网络，对带有标注的图像数据集进行训练，得到最佳模型参数；
[0034]开源数据集为Cityscape中的粗糙分割数据集，将其中五个类别(地表、路、人行道、停车场、轨道)的像素作为可通达区域，其余为障碍物，数据集大小为20,000张。
[0035]语义分割网络包括编码网络和解码网络，编码网络包括4层编码模块，解码网络包括3层解码模块，每个编码模块的输出与特征图尺寸相对应的解码模块的输出相连接，每层解码模块都共享对应编码模块学习的图像特征。
[0036]编码网络采用基于DeepLab v3的语义分割框架，利用ASPP(Atrous Spatial Pyramid Pooling)进行特征融合与加强，最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的轮式机器人避障路径规划方法，其特征在于：所述方法包括以下步骤：S1、通过搭载在机器人车身的视觉传感器不断采集场景数据，形成图像数据集，设每一张图像分别率均为w*h，w是图像宽度，h是图像高度；S2、像素级标注图像数据集的可行使区域；S3、使用经开源数据集预训练后的语义分割网络，对带有标注的图像数据集进行训练，得到最佳模型参数；S4、轮式机器人采集一段新的视频流，输入训练好的网络模型，得到可行驶区域的检测结果；S5、控制轮式机器人行进，若遇到障碍物，机器人将按照步骤S4中得到的可行驶区域进行避障绕行，若障碍物位于死角位置，机器人将停止在原地。2.根据权利要求1所述的一种基于深度学习的轮式机器人避障路径规划方法，其特征在于：所述场景数据包括行人匀速前进、行人横向移动、纸箱固定障碍物、球类固定障碍物和不明动态物体闯入的情况，数据集大小为1000张。3.根据权利要求2所述的一种基于深度学习的轮式机器人避障路径规划方法，其特征在于：所述可行使区域采用一个封闭的凸多边形包络，凸多边形边界标注方式如下：图像坐标系中，边界直线每个像素的x坐标只有一个y坐标与其对应，外加边界直线垂直x轴的情况；凸多边形边界从图像左下角开始沿顺时针标注，终点也为图像左下角点，从而形成一个封闭的凸多边形，凸多边形所包围的区域即为可行使区域，该区域内包含机器人能够行驶过的物体和区域，不包含机器人无法跨越的障碍物。4.根据权利要求3所述的一种基于深度学习的轮式机器人避障路径规划方法，其特征在于：步骤S3所述开源数据集为Cityscape中的粗糙分割数据集，将其中五个类别的像素作为可通达区域，其余为障碍物，数据集大小为20,000张。5.根据权利要求4所述的一...

【专利技术属性】
技术研发人员：陈逸东，魏武，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：