【技术实现步骤摘要】
本专利技术涉及智能化机器人，尤其涉及一种机器人的自主导航方法及其系统。
技术介绍
1、随着机器人在各个领域的广泛应用，如何让机器人能够在不同的环境中自主地导航和避障成为了一个重要的研究课题。
2、然而，现有的导航方法往往依赖于对环境的准确建模和地图信息，这在动态变化和未知的环境中是很难实现的。
3、因此，期待一种优化的机器人的自主导航方法。
技术实现思路
1、本专利技术实施例提供一种机器人的自主导航方法及其系统，其获取由部署于机器人的摄像头采集的障碍物表面图像；提取所述障碍物表面图像的障碍物局部状态特征以得到障碍物表面局部区域状态向量的序列；对所述障碍物表面局部区域状态向量的序列进行全局特征提取以得到障碍物表面全局语义特征向量；以及，基于所述障碍物表面全局语义特征向量，确定所述机器人的导航策略。这样，可以帮助机器人了解障碍物是否需要被清洁，以决定机器人的导航策略，即沿着障碍物移动还是改变行径角度以绕开障碍物。
2、本专利技术实施例还提供了一种机器人的自主导航方法，其包括：
3、获取由部署于机器人的摄像头采集的障碍物表面图像；
4、提取所述障碍物表面图像的障碍物局部状态特征以得到障碍物表面局部区域状态向量的序列；
5、对所述障碍物表面局部区域状态向量的序列进行全局特征提取以得到障碍物表面全局语义特征向量；以及
6、基于所述障碍物表面全局语义特征向量，确定所述机器人的导航策略。
7、本专利技
8、障碍物表面图像获取模块，用于获取由部署于机器人的摄像头采集的障碍物表面图像；
9、障碍物局部状态特征提取模块，用于提取所述障碍物表面图像的障碍物局部状态特征以得到障碍物表面局部区域状态向量的序列；
10、全局特征提取模块，用于对所述障碍物表面局部区域状态向量的序列进行全局特征提取以得到障碍物表面全局语义特征向量；以及
11、机器人的导航策略确定模块，用于基于所述障碍物表面全局语义特征向量，确定所述机器人的导航策略。
本文档来自技高网...【技术保护点】
1.一种机器人的自主导航方法，其特征在于，包括：
2.根据权利要求1所述的机器人的自主导航方法，其特征在于，提取所述障碍物表面图像的障碍物局部状态特征以得到障碍物表面局部区域状态向量的序列，包括：
3.根据权利要求2所述的机器人的自主导航方法，其特征在于，将所述障碍物表面图像块的序列通过基于使用空洞卷积核的卷积神经网络模型的障碍物局部状态提取器以得到所述障碍物表面局部区域状态向量的序列，包括：使用所述基于使用空洞卷积核的卷积神经网络模型的障碍物局部状态提取器的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述基于使用空洞卷积核的卷积神经网络模型的障碍物局部状态提取器的最后一层的输出为所述障碍物表面局部区域状态向量的序列，其中，所述基于使用空洞卷积核的卷积神经网络模型的障碍物局部状态提取器的第一层的输入为所述障碍物表面图像块的序列。
4.根据权利要求3所述的机器人的自主导航方法，其特征在于，对所述障碍物表面局部区域状态向量的序列进行全局特征提取以得到障碍物表面全局语义特征向量，包括：将所述障碍物表面局部区域状态向量的
5.根据权利要求4所述的机器人的自主导航方法，其特征在于，将所述障碍物表面局部区域状态向量的序列通过基于转换器的全局特征提取器以得到所述障碍物表面全局语义特征向量，包括：使用所述基于转换器的全局特征提取器对所述障碍物表面局部区域状态向量的序列进行基于全局的上下文语义编码以得到多个障碍物表面上下文特征向量；以及将所述多个障碍物表面上下文特征向量进行级联以得到所述障碍物表面全局语义特征向量。
6.根据权利要求5所述的机器人的自主导航方法，其特征在于，基于所述障碍物表面全局语义特征向量，确定所述机器人的导航策略，包括：
7.根据权利要求6所述的机器人的自主导航方法，其特征在于，还包括训练步骤：对所述基于使用空洞卷积核的卷积神经网络模型的障碍物局部状态提取器、所述基于转换器的全局特征提取器和所述分类器进行训练；
8.一种机器人的自主导航系统，其特征在于，包括：
9.根据权利要求8所述的机器人的自主导航系统，其特征在于，所述障碍物局部状态特征提取模块，包括：
10.根据权利要求9所述的机器人的自主导航系统，其特征在于，所述状态提取单元，用于：
...【技术特征摘要】
1.一种机器人的自主导航方法，其特征在于，包括：
2.根据权利要求1所述的机器人的自主导航方法，其特征在于，提取所述障碍物表面图像的障碍物局部状态特征以得到障碍物表面局部区域状态向量的序列，包括：
3.根据权利要求2所述的机器人的自主导航方法，其特征在于，将所述障碍物表面图像块的序列通过基于使用空洞卷积核的卷积神经网络模型的障碍物局部状态提取器以得到所述障碍物表面局部区域状态向量的序列，包括：使用所述基于使用空洞卷积核的卷积神经网络模型的障碍物局部状态提取器的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述基于使用空洞卷积核的卷积神经网络模型的障碍物局部状态提取器的最后一层的输出为所述障碍物表面局部区域状态向量的序列，其中，所述基于使用空洞卷积核的卷积神经网络模型的障碍物局部状态提取器的第一层的输入为所述障碍物表面图像块的序列。
4.根据权利要求3所述的机器人的自主导航方法，其特征在于，对所述障碍物表面局部区域状态向量的序列进行全局特征提取以得到障碍物表面全局语义特征向量，包括：将所述障碍物表面局部区域状态向量的序列通过基于转换器的全局特征提取器以得到所述障碍物...
【专利技术属性】
技术研发人员：贾国强，施洪锐，程巧，徐坚，
申请(专利权)人：浙江孚宝智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。