[发明专利]一种基于行走轨迹的家庭服务机器人路径规划方法

权利要求书

1.一种基于行走轨迹的家庭服务机器人路径规划方法，其特征在于，包括以下步骤：

S1、根据行人运动轨迹的描述方式，利用核密度估计对轨迹关键点进行提取；

S2、定义轨迹在空间距离、运动方向、运动速度上的相似性度量；

S3、用k-means算法进行行人运动轨迹分类；

S4、于RRT-Connect算法对行人行走轨迹进行路径规划。

2.如权利要求1所述的基于行走轨迹的家庭服务机器人路径规划方法，其特征在于，步骤2具体为：

运动目标的一条轨迹描述为:二维空间中，基于目标定位而获取的从关键点(转移节点)到关键点(转移节点)之间的有向运动目标定位点所组成的点集，由此，运动目标的某条运动轨迹j可描述为：

T_j＝{x_i＝(x_i,y_i),a_i,v_i,i＝1,...,N}

其中，(x_i,y_i)描述了目标轨迹点i的坐标位置，a_i和v_i分别为产生轨迹点i时目标的运动方向和运动速度值，

然后对轨迹进行相似性度量时，分别引入轨迹空间距离相似度S_d，运动速度相似度S_v，运动方向相似度S_a，以此衡量人的运动轨迹在空间距离、运动速度、运动方向上的相似程度，设T_m，T_n为运动目标的两条轨迹，则它们之间相似程度可用一个三维矩阵表示:

S(T_m,T_n)＝[S_d(T_m,T_n),S_v(T_m,T_n),S_a(T_m,T_n)]

下面阐述这几种相似性度量的计算方法，其中，迹空间距离相似度S_d仅与轨迹点的空间位置有关，对于轨迹T_m上的任意一点X_i，在轨迹T_n上的最近点可表示为:

则轨迹T_m和轨迹T_n之间的空间距离可表达为:

其中，N_m为轨迹T_m上点的数目，轨迹T_m和轨迹T_n之间的相似度可表达为:

参照轨迹空间距离相似度表达方式，轨迹T_m和轨迹T_n之间的运动方向相似度可表达为:

轨迹T_m和轨迹T_n之间的运动速度相似度可表达为:

。

3.如权利要求1所述的基于行走轨迹的家庭服务机器人路径规划方法，其特征在于，步骤3具体为：

采用K-means聚类方法对提取的行人行走轨迹进行聚类，其具体实现过程如下:

Step 1:预测聚类个数，根据家庭环境中转移节点数目、轨迹关键点个数程计分类轨迹的种类k；

Step 2:建立轨迹相似度矩阵，设Ω为目标跟踪系统所提取的L条行走轨迹的集合，其中，Ω＝{T₁,...,T_i,...,T_L}，T_i不为第i条轨迹。对任意两条轨迹进行基于4.2.3节所述的轨迹相似度度量即可计算得到相应的相似度三维向量，那么对所有L条轨迹进行相似度度量，可得到L×L×3的相似度矩阵:D_i,j＝d(S(T_i,T_j))；

Step 3:初始化聚类中心，随机选取轨迹集中的某条轨迹作为第一类的初始聚类中心C_n1；其次，在剩余的L-1条轨迹集中选取另外一条轨迹作为第二类的初始聚类中心C_n2；为了防止所选的两条轨迹属于同一类，设定相似度阂值ρ，使两类轨迹聚类中心之间的距离满足下式，以此类推，直到找出k个初始聚类中心，

D_n1,n2＝d(S(T_n1,T_n2))≥ρ

其中，相似度阈值ρ的选取可通过对已知相似轨迹进行训练得到相应参数；

Step 4:对样本轨迹进行归类，比较所有轨迹样本T_i与各个初始化聚类中心C_nj的相似度，将轨迹样本归类到与它最相似的初始化聚类中心所在的类，

Step 5:调整聚类中心，根据Step 4可得到轨迹的初始类别以及对应每一类的轨迹样本个数L_i，对于每一类轨迹而言，在所属该类的所有轨迹样本中，找出某条样本轨迹，使其到该类所有轨迹样本的距离之和最小，即选为新的聚类中心，

Step 6:重复Step 4和步骤Step 5，直到连续两次聚类中心的调整迭代不再发生变化为止。