CN114384920B 一种基于局部栅格地图实时构建的动态避障方法 （安徽大学）

一种基于局部栅格地图实时构建的动态避本发明公开了一种基于局部栅格地图实时景RGBD图像数据输入到完成训练的障碍物检测2步骤3：将步骤2中提取的不同类型障碍物和语义分割结果结合英3r:="+rf+"",其中，r"t步骤6.3：将步骤6.1中确定的移动机器人的状态信息输入至训练好的动态避障模型所述基于深度强化学习框架的动态避障网络模型包括：激光雷达数据特征提取模块、输出端与具有三个分支的全连接层连接；第一个分支用于输出2个维度的移动机器人的速4示第i张RGB图像上第k个像素的真实语义，γ表示对障碍物语义分割精度在障碍物检测及5其中，(u,v)表示RGB图像上任一像素点坐标，d表示RGB图像上对应像素点的深度值，06误差带来的不确定性，很多导航避障方法都假设对附近的障碍物和环境进行了完整的观[0008]步骤3：将步骤2中提取的不同类型障碍物和语义分割结果结合英特尔RealSense7碍物检测及语义分割网络的损失函数；所述障碍物检测及语义分割网络的损失函数L具体ij表示第i张RGB图像上第j种障碍物预测的包围盒的向量，包含第i张RGB上第j种障碍物预测的包围盒的位置及尺寸信息，表示第i张RGB图像上第j种障碍物真实的包围盒的向量，包含第i张RGB图像上第j种障碍物预测的包围盒的真实位置及尺寸信第i张RGB图像上像素的索引，fik表示MaskR-CNN预测的第i张RGB图像上第k个像素语义类[0017]步骤2.3：将获取的RGB图像数据输入到完成训练的障碍物检测及语义分割网络80[0026]步骤4.1.1：针对当前检测碍物在前τ帧数据中对应的轨迹得出第i个动态障碍物,(x)}；9中，r"表示移动机器人不断接近目标位置的奖励，如果移动机器人到达目标位置，r"=10.0,否则xt-1表示移动机器人在t-1时刻在全局坐标p表示导航目标点在全局坐标下的位置，xt表示移动机器人在t时刻在全局坐标系下的位置；rf表示移动机器人发生碰撞的惩罚，若发生碰撞，rf=-10.0,否则述三层感知器的输出端与具有三个分支的全连接层连接；第一个分支用于输出2个维度的出1个维度的动态避障评估值；所述激光雷达数据特征提取模块由3个1维的卷积层和1个的全连接层、1个256维的全连接层依次连接组成，所述3个2维卷积层的通道数分别为64、的动态避障方法针对由室内环境中不同障碍物分布的散乱性和动态障碍物运动的不确定习框架的动态避障模型，实时发布移动机器人导航过程中避开各种类型障碍物的速度指[0049]如图1为本发明基于局部栅格地图实时构建的动态避障方法的流程图，该动态避通过RealSenseD435传感器可以更为精确地获取室内场景的碍物检测及语义分割网络的损失函数；本发明中障碍物检测及语义分割网络的损失函数Lij表示第i张RGB图像上第j种障碍物预测的包围盒的向量，包含第i张上第j种障碍物预测的包围盒的位置及尺寸信息，表示第i张RGB图像上第j种障碍物真实的包围盒的向量，包含第i张RGB图像上第j种障碍物预测的包围盒的真实位置及尺寸信第i张RGB图像上像素的索引，fik表示MaskR-CNN预测的第i张RGB图像上第k个像素语义类[0056]步骤2.3：将获取的RGB图像数据输入到完成训练的障碍物检测及语义分割网络[0057]本发明中基于MaskR-CNN的障碍物检测及语义分割网络可以检测到实际场景中[0058]步骤3：将步骤2中提取的不同类型障碍物和语义分割结果结合英特尔RealSense0碍物在前τ帧数据中对应的轨迹Ti={(x1,y1),(xz,y2),…,(xr,%)},得出第i个动态障碍物的状态信息通过动态障碍物的状态信息可以更好的预测动态障碍物(x,y)表示第i个动态障碍物在空间位置(x,y)上的动态密度，l表示动态障碍物的尺寸信输入到训练好的动态障碍物轨迹预测模型中，预测出实际室内场景中动态障碍物的轨迹，中，表示移动机器人不断接近目标位置的奖励，如果移动机器人到达目标位置，r"=10.0,否则r"=llx--1-x⃞ll-llxe-xoll,xt-1表示移动机器人在t-1时刻在全局坐标p表示导航目标点在全局坐标下的位置，xt表示移动机器人在t时刻在全局坐标系下的位置；rf表示移动机器人发生碰撞的惩罚，若发生碰撞，rf=-10.0,否则否则r世"=0.0,Δwt表示移动机器人在t+1时刻和t时刻的角速度差值，本发明中的奖励函数能够帮助移动机器人学习更安全有效用于输出1个维度的动态避障评估值；激光雷达数据特征提取模块用于提取激光雷达数据标相对位置特征提取模块及移动机器人当前速度特征提取模块能够更好地提取移动机器[0080]将本发明基于局部栅格地图实