一种机器人路径规划方法、电子设备以及存储介质技术

本发明专利技术提供了一种机器人路径规划方法、电子设备以及存储介质。该方法包括：基于机器人所处的配置空间、初始状态和目的地区域，构建用于解决机器人路径规划问题的任务实例模型；根据任务实例模型，将机器人所处的配置空间编码成二维环境地图，并将机器人的起始坐标和目的地坐标编码成任务点地图；利用训练完成的轻量化预测神经网络处理任务点地图和二维环境地图，得到引导地图；利用混合采样规划器对二维环境地图进行均匀采样，对引导地图进行有偏采样，并基于采样结果执行随机生成树搜索算法，生成机器人的行驶路径。本发明专利技术同时还提供了一种轻量化预测神经网络的训练方法。了一种轻量化预测神经网络的训练方法。了一种轻量化预测神经网络的训练方法。

【技术实现步骤摘要】
一种机器人路径规划方法、电子设备以及存储介质


[0001]本专利技术涉及机器人移动控制
，特别涉及一种机器人路径规划方法、电子设备以及存储介质。

技术介绍

[0002]随着机器人技术的不断发展，移动机器人逐渐应用于办公室、医院和家庭等场景，这些应用场景面临的一个基本任务是在复杂环境中规划从初始位置到目的地的无碰撞路径，其中规划的实时性还有计算资源的损耗尤其是在低成本的商用平台始终是一个不容忽视的问题。
[0003]现有技术中，基于采样的路径规划算法一般采用全局空间随机采样的方式，遍历整个空间直到获取可行路径，尽管概率完备但是面临着搜索效率低收敛慢等技术问题；基于学习的路径规划方法由于引入了深度神经网络，这些方法通常需要相当大的计算资源和存储空间，因此很难部署在资源受限的机器人系统上，此外网络的推理时间也会影响到机器人的实时性。

技术实现思路

[0004]鉴于上述问题，本专利技术提供了一种机器人路径规划方法、电子设备以及存储介质，以期至少能够解决上述问题之一。
[0005]根据本专利技术的第一个方面，提供了一种机器人路径规划方法，包括：基于机器人所处的配置空间、初始状态和目的地区域，构建用于解决机器人路径规划问题的任务实例模型；根据任务实例模型，将机器人所处的配置空间编码成二维环境地图，并将机器人的起始坐标和目的地坐标编码成任务点地图；利用训练完成的轻量化预测神经网络处理任务点地图和二维环境地图，得到引导地图，其中，引导地图用于预测机器人从起始点到目标点之间的可行区域；利用混合采样规划器对二维环境地图进行均匀采样，对引导地图进行有偏采样，并基于采样结果执行随机生成树搜索算法，生成机器人的行驶路径。
[0006]根据本专利技术的实施例，上述训练完成的轻量化预测神经网络包括由编码器和解码器构成的U形轻量级骨干网络；其中，编码器包括特征融合模块、多个普通卷积层、多个最大池化层以及多个用于特征提取的混洗单元，解码器包括多个逆卷积层和多个3
×
3深度可分离卷积层；其中，混洗单元包括由深度可分离卷积层和普通卷积层按照特定排列方式所构成的标准模块和降采样模块。
[0007]根据本专利技术的实施例，上述利用训练完成的轻量化预测神经网络处理任务点地图和二维环境地图，得到引导地图包括：利用编码器的多个普通卷积层和多个最大池化层对任务点地图进行多轮次的特
征提取操作，得到多个任务点特征图；利用特征融合模块通过多个并行的空洞卷积层处理二维环境地图，得到具有不同扩展比率的多个初始特征图；利用特征融合模块将具有不同扩展比率的多个初始特征图进行融合，得到多尺度融合特征图；利用标准模块和降采样模块分别先后对多尺度融合特征图进行多轮次通道混洗操作，得到多个混洗特征图；将多个混洗特征图与多个任务点特征图进行拼接操作，得到多个混洗拼接特征图；利用解码器对多个混洗拼接特征图进行反卷积解码操作，得到多个解码特征图；利用解码器通过跳跃连接方式将属于同一层次的混洗拼接特征图和解码特征图进行合并，并基于合并结果得到引导地图。
[0008]根据本专利技术的实施例，上述利用标准模块和降采样模块分别先后对多尺度融合特征图进行多轮次通道混洗操作，得到多个混洗特征图包括：利用标准模块对一部分的多尺度融合特征图进行多次标准卷积处理，得到标准卷积处理结果；利用标准模块将另一部分的多尺度融合特征图与标准卷积处理结果进行合并，得到标准合并结果；利用标准模块对标准合并结果进行通道混洗，得到标准混洗特征图；利用降采样模块的第一分支对一部分的标准混洗特征图进行多次降采样卷积处理，得到第一降采样卷积处理结果；利用降采样模块的第二分支对另一部分的标准混洗特征图进行多次降采样卷积处理，得到第二降采样卷积处理结果，其中，降采样模块的第二分支在卷积层构成上与降采样模块的第一分支不同；将第一降采样卷积处理结果与二降采样卷积处理结果进行合并，得到降采样合并结果；利用降采样模块对降采样合并结果进行通道混洗，得到降采样混洗特征图。
[0009]经过标准模块和降采样模块多轮次卷积操作、合并操作以及通道混洗操作，得到多个混洗特征图。
[0010]根据本专利技术的实施例，上述利用标准模块对一部分的多尺度融合特征图进行多次标准卷积处理，得到标准卷积处理结果包括：利用标准模块的初始1
×
1普通卷积层对多尺度融合特征图进行初次卷积操作，并将卷积操作的结果分别进行初次归一化处理操作和初次激活处理操作，得到初次处理结果；利用标准模块的3
×
3深度可分离卷积层对初次处理结果进行二次卷积操作，并将二次卷积操作的结果进行二次归一化处理操作，得到二次处理结果；利用标准模块的最终1
×
1普通卷积层对二次处理结果进行最终卷积操作，并将最终卷积操作的结果分别进行最终归一化处理操作和最终激活处理操作，得到标准卷积处理结果。
[0011]根据本专利技术的实施例，上述利用降采样模块的第二分支对另一部分的标准混洗特征图进行多次降采样卷积处理，得到第二降采样卷积处理结果包括：利用第二分支的3
×
3深度可分离卷积层对标准混洗特征图进行初次卷积操作，得到深度可分离卷积结果；将深度可分离卷积结果进行归一化处理操作，并利用第二分支的1
×
1普通卷积层对归一化处理结果进行二次卷积操作，得到二次卷积结果；对二次卷积结果分别进行二次归一化处理操作和激活处理操作，得到第二降采样卷积处理结果。
[0012]根据本专利技术的实施例，上述利用混合采样规划器对二维环境地图进行均匀采样，对引导地图进行有偏采样，并基于采样结果执行随机数搜索算法，生成机器人的行驶路径包括：生成用于表征采样状态的随机数，并将随机数与预设的超参数偏置因子进行比较；在随机数小于超参数偏置因子情况下，利用混合采样规划器对二维环境地图进行均匀采样，得到均匀采样结果；在随机数大于或等于超参数偏置因子情况下，利用混合采样规划器对引导地图进行有偏采样，得到有偏采样结果；迭代进行随机数生成操作、比较操作以及采样操作，直到满足第一预设条件，得到采样结果，其中，采样结果用于延拓展路径生成树的状态节点；基于路径生成树，直到路径生成树的状态节点拓展到预设目标节点，生成所述机器人的行驶路径。
[0013]根据本专利技术的第二个方面，提供了一种轻量化预测神经网络的训练方法，应用于机器人路径规划方法，包括：利用轻量化预测神经网络的特征融合模块对二维环境地图样本先后进行卷积与合并处理操作，得到多尺度融合特征图；利用轻量化预测神经网络的编码器对多尺度融合特征图和任务点地图样本先后进行拼接、卷积、合并以及通道混洗操作，得到混洗拼接特征图；利用轻量化预测神经网络的解码器对混洗拼接特征图进行反卷积解码操作，并将反卷积解码结果与混洗拼接特征图进行合并，得到预测用的引导地图；利用判别器处理预测用的引导地图和具有真值标签的真实引导地图，得到判别结果，其中，判别器基于Patch
‑
GAN结构进行构建，判别器包括基于空间注意力和通道注意力的注意力模块；基于判别结果，利用预设的损失函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人路径规划方法，其特征在于，包括：基于所述机器人所处的配置空间、初始状态和目的地区域，构建用于解决机器人路径规划问题的任务实例模型；根据所述任务实例模型，将所述机器人所处的配置空间编码成二维环境地图，并将所述机器人的起始坐标和目的地坐标编码成任务点地图；利用训练完成的轻量化预测神经网络处理所述任务点地图和所述二维环境地图，得到引导地图，其中，所述引导地图用于预测所述机器人从起始点到目标点之间的可行区域；利用混合采样规划器对所述二维环境地图进行均匀采样，对所述引导地图进行有偏采样，并基于采样结果执行随机生成树搜索算法，生成所述机器人的行驶路径。2.根据权利要求1所述的方法，其特征在于，所述训练完成的轻量化预测神经网络包括由编码器和解码器构成的U形轻量级骨干网络；其中，所述编码器包括特征融合模块、多个普通卷积层、多个最大池化层以及多个用于特征提取的混洗单元，所述解码器包括多个逆卷积层和多个3
×
3深度可分离卷积层；其中，所述混洗单元包括由深度可分离卷积层和普通卷积层按照特定排列方式所构成的标准模块和降采样模块。3.根据权利要求2所述的方法，其特征在于，利用训练完成的轻量化预测神经网络处理所述任务点地图和所述二维环境地图，得到引导地图包括：利用所述编码器的多个普通卷积层和多个最大池化层对所述任务点地图进行多轮次的特征提取操作，得到多个任务点特征图；利用所述特征融合模块通过多个并行的空洞卷积层处理所述二维环境地图，得到具有不同扩展比率的多个初始特征图；利用所述特征融合模块将所述具有不同扩展比率的多个初始特征图进行融合，得到多尺度融合特征图；利用所述标准模块和所述降采样模块分别先后对所述多尺度融合特征图进行多轮次通道混洗操作，得到多个混洗特征图；将所述多个混洗特征图与所述多个任务点特征图进行拼接操作，得到多个混洗拼接特征图；利用所述解码器对所述多个混洗拼接特征图进行反卷积解码操作，得到多个解码特征图；利用所述解码器通过跳跃连接方式将属于同一层次的所述混洗拼接特征图和所述解码特征图进行合并，并基于合并结果得到所述引导地图。4.根据权利要求3所述的方法，其特征在于，利用所述标准模块和所述降采样模块分别先后对所述多尺度融合特征图进行多轮次通道混洗操作，得到多个混洗特征图包括：利用所述标准模块对一部分的多尺度融合特征图进行多次标准卷积处理，得到标准卷积处理结果；利用所述标准模块将另一部分的多尺度融合特征图与所述标准卷积处理结果进行合并，得到标准合并结果；利用所述标准模块对所述标准合并结果进行通道混洗，得到标准混洗特征图；利用所述降采样模块的第一分支对一部分的所述标准混洗特征图进行多次降采样卷
积处理，得到第一降采样卷积处理结果；利用所述降采样模块的第二分支对另一部分的所述标准混洗特征图进行多次降采样卷积处理，得到第二降采样卷积处理结果，其中，所述降采样模块的第二分支在卷积层构成上与所述降采样模块的第一分支不同；将所述第一降采样卷积处理结果与所述二降采样卷积处理结果进行合并，得到降采样合并结果；利用所述降采样模块对所述降采样合并结果进行通道混洗，得到降采样混洗特征图；经过所述标准模块和所述降采样模块多轮次卷积操作、合并操作以及通道混洗操作，得到所述多个混洗特征图。5.根据权利要求4所述的方法，其特征在于，利用所述标准模块对一部分的多尺度融合特征图进行多次标准卷积处理，得到标准卷积处理结果包括：利用所述标准模块的初始1
×
1普通卷积层对所述...

【专利技术属性】
技术研发人员：阚震，李劲松，王韶晨，陈子扬，秦家虎，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：