一种基于广义维诺图的室内环境机器人高效探索决策方法技术

本发明专利技术涉及一种基于广义维诺图的室内环境机器人高效探索决策方法。本发明专利技术借助广义维诺图，生成环境的GVD特征，在提取边界过程中，利用GVD节点快速提取全局启发式边界点和局部启发式边界点并进行融合，加快了边界点的提取速度；在决策过程中，采用分层决策方案，针对局部启发式边界点、局部边界点集、全局启发式边界点，分别采用三种决策方法针进行决策，解决了忽略探索点之间的探索顺序从而导致机器人在区域内重复探索、消耗资源，产生回溯现象和探索过程的无序性的问题；在路径计算时，采用GVD路径代替欧式路径用于成本计算，提高机器人的探索效率，增强了决策的有效性。增强了决策的有效性。增强了决策的有效性。

【技术实现步骤摘要】
一种基于广义维诺图的室内环境机器人高效探索决策方法


[0001]本专利技术涉及移动机器人自主探索
，尤其是指一种基于广义维诺图的室内环境机器人高效探索决策方法。

技术介绍

[0002]移动机器人自主探索的研究是移动机器人领域发展的一个热点，该技术已经应用于丛林探索、隧道勘探与救援和火星探测等领域，发展前景广阔。移动机器人自主探索旨在让移动机器人在全程无人工干预的前提下，借助探索方法自主穿越未知环境，直至建立完整的环境地图。在机器人自主探索过程中主要涉及两个问题：一个是自身定位和环境地图构建，另一个是路径规划。
[0003]自主探索需要机器人根据已知区域去探索未知区域，寻找边界条件并优化机器人的行走路径，以最小的代价完成环境地图的构建。基于边界的探索方法通过边界将探索区域划分为已知区域和未知区域，并引导机器人前往边界来更新环境地图。基于边界的探索方法先根据传感器信息获得环境地图，然后利用图像处理等方法提取出环境地图的边界，通过设计评价函数选择最优的边界并规划路径前往边界进行探索，更新环境地图直到机器人探索结束，得到探索完全的环境地图。
[0004]在提取边界这一问题上，常见的方法是利用数字图像处理技术来分割出环境的边界。但随着环境复杂程度的提高，优化后的数字图像处理方法也无法降低计算复杂度，机器人提取边界效率低下。基于随机采样的方法因其有效搜索状态空间的能力而受到欢迎，该方法通过集成的碰撞检查模块来避免了对复杂空间的构造，降低了计算复杂度，因而Umar i等人提出通过RRT算法来提取边界。该方法通过在地图的自由区域内生长两棵RRT树，RRT树生长到边界的节点被标记为潜在的边界点。但由于采样的随机性，基于RRT的探索方法很难在转角、长廊、迷宫等陷阱空间场景时快速高效的提取边界点，这导致了机器人未探索完全就转向其他区域或由于无探索点被困在原地，造成机器人自主探索的效率低下，甚至更糟的是整个探索的失败。
[0005]在边界决策问题上，现有的探索决策方案大多都是短视的，只考虑了边界点自身信息增益和路径成本，而忽视了探索点之间的探索顺序对探索的影响，这种短视的决策方案易导致机器人在探索中出现无序性，机器人在区域内不断重复探索，造成探索资源的浪费。
[0006]在路径计算问题上，有两种传统的方法：一种是利用两点间的欧式距离，另一种是通过路径规划来计算路径长度。基于欧式距离的方法忽略了环境特征，使得对探索点评估不准确。

技术实现思路

[0007]为此，本专利技术所要解决的技术问题在于克服现有技术中在提取边界过程中未探索完全就转向其他区域或由于无探索点被困在原地，造成自主探索的效率低下甚至探索失
败；在边界决策过程中，只考虑边界点自身信息增益和路径成本，忽略探索点之间的探索顺序从而导致机器人在区域内重复探索、消耗资源，产生回溯现象和探索过程的无序性；在路径计算方面，采用欧式距离，忽略环境特征，对探索点评估不准确的问题。
[0008]为解决上述技术问题，本专利技术提供了一种基于广义维诺图的室内环境机器人高效探索决策方法，包括：
[0009]步骤1：在初始状态下，机器人处于未知的环境，通过机器人自身搭载的传感器获取机器人所处空间的环境信息；
[0010]步骤2：使用SLAM模块接收机器人搭载的传感器数据，通过读取传感器激光数据对二维栅格地图数据进行更新，并且根据激光数据修正机器人位姿，准确对机器人定位；
[0011]步骤3：订阅机器人搭载的传感器的信息，对信息进行处理，区分已知区域和未知区域，并将未知区域划分为暂定障碍物，输出机器人处于当前位置时的全局地图，将所述全局地图输入到建图模型中，得到带有广义维诺图信息的全局地图；
[0012]步骤4：将广义维诺图中带有半径信息的GVD节点与机器人当前位置的全局地图融合，将每个GVD节点半径内未知区域的栅格值个数分别与预先设定的判断阈值依次进行比较，当GVD节点半径内未知区域的栅格值个数大于等于该判断阈值时，就认为该GVD节点属于启发式边界点；在当前位置的全局地图上以及当前以机器人为中心的局部地图上分别提取全局启发式边界点和局部启发式边界点；
[0013]步骤5：针对提取到的启发式边界点进行分层决策，确定探索顺序：判断是否存在局部启发式边界点；当存在局部启发式边界点时，计算机器人到各个局部启发式边界点的路径成本，使用评价函数对各局部启发式边界点进行判断，将评价函数最高的点作为最优探索目标点，并将其余的局部启发式边界点加入局部边界点集；引导机器人向最优探索目标点进行导航，返回执行步骤2；当不存在局部启发式边界点时，执行下一步；
[0014]步骤6：判断局部边界点集是否为空；当局部边界点集不为空时，计算机器人到局部边界点集中各个边界点的路径成本，考虑到边界点的路径成本和边界点自身增益信息，调整评价函数的参数，使用调整后的评价函数对局部边界点进行判断，选取评价函数最小的点作为最优探索目标点；引导机器人向最优探索目标点进行导航，返回执行步骤2；当局部边界点集为空时，执行下一步；
[0015]步骤7：访问全局启发式边界点；计算机器人到各个全局启发式边界点的路径成本，根据优化算法获得的边界点的探索顺序，选择第一个边界点作为最优探索目标点；引导机器人向最优探索目标点进行导航，返回执行步骤2；当全局启发式边界点不存在时，探索完成，生成环境地图，机器人结束探索。
[0016]在本专利技术的一个实施例中，所述步骤3中，将机器人当前位置的全局地图进行区分后得到0
‑
1二值图，其中1表示已知区域，0表示暂定障碍物，即未知区域；将全局地图输入建图模型中，通过池化得到距离图，再通过卷积操作得到带有广义维诺图信息的全局地图。
[0017]在本专利技术的一个实施例中，所述步骤4中，对GVD节点半径内未知区域栅格值个数进行判断时，预先设定的判断阈值为：GVD节点半径内未知栅格数与半径内总栅格数的比值为0.1；当未知区域的栅格值个数大于等于该判断阈值，认为该GVD节点为启发式边界点，同时删除该GVD节点半径内的其余的GVD节点。
[0018]在本专利技术的一个实施例中，在启发式边界点提取过程中，从半径最大的GVD节点开
始提取，将满足条件的节点加入启发式边界点集中，将不满足条件的GVD节点删除，直至所有的GVD节点遍历完。
[0019]在本专利技术的一个实施例中，在计算路径成本时，将机器人自身位姿和启发式边界点连接到广义维诺图的边，使用Dijkstra算法遍历广义维诺图，得到机器人到各个启发式边界点的GVD路径，计算路径成本。
[0020]在本专利技术的一个实施例中，所述步骤5中，设计如下评价函数C对启发式边界点进行判断：
[0021]C(x
r
,x
f
)＝G(x
r
,x
f
)
‑
t(x
r
,x
f
)*I(x
f
)；
[0022][0023]其中，x本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于，包括：步骤1：在初始状态下，机器人处于未知的环境，通过机器人自身搭载的传感器获取机器人所处空间的环境信息；步骤2：使用SLAM模块接收机器人搭载的传感器数据，通过读取传感器激光数据对二维栅格地图数据进行更新，并且根据激光数据修正机器人位姿，准确对机器人定位；步骤3：订阅机器人搭载的传感器的信息，对信息进行处理，区分已知区域和未知区域，并将未知区域划分为暂定障碍物，输出机器人处于当前位置时的全局地图，将所述全局地图输入到建图模型中，得到带有广义维诺图信息的全局地图；步骤4：将广义维诺图中带有半径信息的GVD节点与机器人当前位置的全局地图融合，将每个GVD节点半径内未知区域的栅格值个数分别与预先设定的判断阈值依次进行比较，当GVD节点半径内未知区域的栅格值个数大于等于该判断阈值时，就认为该GVD节点属于启发式边界点；在当前位置的全局地图上以及当前以机器人为中心的局部地图上分别提取全局启发式边界点和局部启发式边界点；步骤5：针对提取到的启发式边界点进行分层决策，确定探索顺序：判断是否存在局部启发式边界点；当存在局部启发式边界点时，计算机器人到各个局部启发式边界点的路径成本，使用评价函数对各局部启发式边界点进行判断，将评价函数最高的点作为最优探索目标点，并将其余的局部启发式边界点加入局部边界点集；引导机器人向最优探索目标点进行导航，返回执行步骤2；当不存在局部启发式边界点时，执行下一步；步骤6：判断局部边界点集是否为空；当局部边界点集不为空时，计算机器人到局部边界点集中各个边界点的路径成本，考虑到边界点的路径成本和边界点自身增益信息，调整评价函数的参数，使用调整后的评价函数对局部边界点进行判断，选取评价函数最小的点作为最优探索目标点；引导机器人向最优探索目标点进行导航，返回执行步骤2；当局部边界点集为空时，执行下一步；步骤7：访问全局启发式边界点；计算机器人到各个全局启发式边界点的路径成本，根据优化算法获得的边界点的探索顺序，选择第一个边界点作为最优探索目标点；引导机器人向最优探索目标点进行导航，返回执行步骤2；当全局启发式边界点不存在时，探索完成，生成环境地图，机器人结束探索。2.根据权利要求1所述的一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于：所述步骤3中，将机器人当前位置的全局地图进行区分后得到0
‑
1二值图，其中1表示已知区域，0表示暂定障碍物，即未知区域；将全局地图输入建图模型中，通过池化得到距离图，再通过卷积操作得到带有广义维诺图信息的全局地图。3.根据权利要求1所述的一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于：所述步骤4中，对GVD节点半径内未知区域栅格值个数进行判断时，预先设定的判断阈值为：GVD节点半径内未知栅格数与半径内总栅格数的比值为0.1；当未知区域的栅格值个数大于等于该判断阈值，认为该GVD节点为启发式边界点，同时删除该GVD节点半径内的其余的GVD节点。4.根据权利要求3所述的一种基于广义维诺图的室内环境机器人高效探索决策方法...

【专利技术属性】
技术研发人员：迟文政，陈鼎峰，刘杰，邹美塬，徐晴川，孔宇琦，孙立宁，
申请(专利权)人：苏州大学，
类型：发明
国别省市：