[发明专利]一种基于局部栅格地图实时构建的动态避障方法

说明书

本发明公开了一种基于局部栅格地图实时构建的动态避障方法，包括：将获取实际室内场景RGBD图像数据输入到完成训练的障碍物检测及语义分割网络中，提取出实际室内场景中不同类型障碍物和语义分割结果，并生成带有语义信息的三维点云数据；基于三维点云数据，提取场景中障碍物的状态信息，输入动态障碍物轨迹预测模型，预测出实际室内场景中动态障碍物的轨迹，从而构建局部栅格地图，再基于动态避障模型，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令。本发明的导航避障方法适用于室内场景中移动机器人的导航，提高了移动机器人对环境障碍物的感知能力，从而进一步提高了移动机器人实际导航的安全性。

技术领域

本发明属于移动机器人导航技术领域，具体地，涉及一种基于局部栅格地图实时构建的动态避障方法。

背景技术

运动避障是移动机器人导航不可或缺的一项重要功能，随着传感器技术和机器人理论的发展，普通简单室内场景中的机器人建图、定位和避障都已经有基本的解决方案，但是安全地与环境中其他动态智能体，如：行人或移动障碍物，交互仍然是移动机器人的一个基本挑战，原因在于移动机器人导航规划系统通常不了解其他智能体的移动目标和期望的路径，这也使得研究人员开始重点研究移动机器人动态避障算法。

近年来，基于学习的移动机器人避障技术得到了广泛的研究。深度神经网络已广泛应用于有监督的学习范式中，以训练一种避障策略，该策略将传感器的输入映射到机器人的控制命令，以在具有静态障碍物的环境中辅助机器人导航。然而，与其它监督学习方法一样，以上学习策略的性能受到标记训练集质量的严重制约，并且训练数据集和测试数据集之间的分布可能不匹配，这限制了其在现实世界中的应用。为了克服这一局限性，一些移动机器人避障方法利用迁移学习中的渐进式网络来实现避障模型的多环境迁移；然而，测试环境相对简单和结构化，学习到的规划器很难推广到具有动态障碍物的场景中。针对高度动态的非结构化环境，近年来，一些应用分散式多机器人导航方法相继被提出；然而，这些导航方法需要复杂的框架设计，需要大量的在线计算，整个系统对感知不确定性增加，同时在导航过程中可能会出现振荡或冻结现象，并且很难保证机器人导航在一般情况下的性能。此外，在现实世界中，由于传感器噪声和环境的复杂性，存在感知误差。为了解决由感知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测。针对现有避障技术中难以安全高效地应对实际复杂动态环境的问题，目前尚未提出有效的解决方案。

发明内容

本发明提供了一种基于局部栅格地图实时构建的动态避障方法，解决了现有技术中难以安全高效地应对实际复杂动态环境的问题。

为实现上述技术目的，本发明采用如下技术方案：一种基于局部栅格地图实时构建的动态避障方法，具体包括如下步骤：

步骤1：基于英特尔RealSense D435传感器获取实际室内场景中的RGBD图像数据；

步骤2：将获取的RGBD图像数据输入到完成训练的障碍物检测及语义分割网络中，提取出实际室内场景中不同类型障碍物和语义分割结果；

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RealSenseD435传感器的内参及采集深度信息，利用二维与三维的空间映射关系，生成室内场景下带语义信息的三维点云数据；

步骤4：基于步骤3中生成的带语义的三维点云数据，提取动态障碍物的状态信息，并输入到训练好的动态障碍物轨迹预测模型，预测出实际室内场景中动态障碍物的轨迹；

步骤5：根据步骤3生成的三维点云数据和步骤4预测的动态障碍物轨迹，构建以移动机器人为中心，半径为3m的实时局部栅格地图；

步骤6：基于实时构建的局部栅格地图，构建基于深度强化学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令。

进一步地，步骤2包括如下子步骤：