[發明專利]一種基于機器視覺及機器學習的機器人導航方法

在審

• 申請號: 201610150430.0
• 申請日: 2016-03-16
• 公開（公告）號: CN105760894A
• 公開（公告）日: 2016-07-13
• 發明（設計）人: 莫宏偉;徐立芳
• 申請（專利權）人: 哈爾濱偉方智能科技開發有限責任公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/66;G05D1/02;G01C21/20
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 黃熊

技術領域

本發明屬于機器人領域，涉及機器人運動控制、機器人室內外導航及計算機技術，尤其涉及一種基于機器視覺及機器學習的機器人導航方法。

背景技術

隨著機器人技術的不斷發展，智能移動機器人已經進入社會生活的各個領域，在家庭服務、醫療服務、商場、工業、農業及軍事等領域發揮著越來越重要的作用，人們對智能移動機器人的需求也與日俱增。自主導航作為智能移動機器人研究中的基本問題，已成為移動機器人實現自主化及智能化的關鍵技術。

近年來，許多移動機器人平臺層出不窮，其性能也非常優越。人們結合Kinect、激光雷達、以及傳統的IMU等傳感器展開了大量的理論及應用研究，涉及機器學習、多傳感器信息融合、地圖創建、導航與探測等，而在這些研究方向中，自主導航問題是其中最重要的基本問題。于是，許多機器人室內自主導航技術應運而生，包括超聲波、地圖創建、WiFi定位、機器視覺、RFID定位、神經網絡及模糊控制等等。但因為這些技術對機器人的配置、環境、參數設置等依賴性很強，并不能應用于大多數移動機器人。

機器人導航環境較為復雜，現有的導航方法主要針對特定環境、一定的機器人配置(機器人配置雙目視覺、三目視覺、全景攝像頭、激光雷達等傳感器)、簡單的動態環境等等，而且大部分的實驗主要通過仿真驗證。由于機器人的機械結構、硬件配置各不相同，環境也復雜多變，各種導航方法一般只對特定的環境比較有效，目前為止還沒有適用不同環境的通用的導航方法。

發明內容

針對現有技術中存在的不足，本發明提出一種基于機器視覺及機器學習的機器人導航方法。所述方法將機器視覺與機器學習相融合，使機器人可以通過模仿學習機器人操作者的行為實現自主導航。

為實現上述目的，本發明采用如下技術方案。

一種基于機器視覺及機器學習的機器人導航方法，包括以下步驟：

機器人受控運行時，記錄攝像頭獲得的每幀視頻圖像，以及所述每幀視頻圖像對應的控制命令；提取所述每幀視頻圖像對應的視覺特征向量；將所述每幀視頻圖像對應的視覺特征向量、及所述每幀視頻圖像對應的控制命令作為分類器的訓練數據集；計算所述分類器的最優權向量并存儲；

機器人自主運行時，實時地提取攝像頭獲得的每幀視頻圖像的視覺特征向量，所述分類器根據所述視頻圖像的視覺特征向量和所述最優權向量計算輸出控制命令，控制機器人實現自主導航。

作為本發明的最佳實施例，所述分類器為最小誤差平方和分類器，所述最小誤差平方和分類器通過求解使代價函數最小的最優權向量得到；所述最優權向量對應導航控制策略。

作為本發明的最佳實施例，采用DAGGER方法，機器人多次受控運行，在第1次受控運行時按照控制命令運行，在第n(n>1)次受控運行時，依據導航控制策略運行，所述導航控制策略是根據n-1次運行時得到的全部所述訓練數據集得出的最優權向量。

作為本發明的最佳實施例，所述每幀圖像對應的視覺特征向量由Laws’模板特征向量、Radon特征向量和Harris角點特征向量組成。

本發明的實施例提供一種提取Radon特征向量的方法，包括以下步驟：計算圖像強度信號在多角度下的Radon變換，組成多維特征向量，再進行歸一化處理得到Radon特征向量。

本發明的實施例還提供一種提取Laws’模板特征向量的方法，包括以下步驟：分別計算圖像強度信號、圖像色差信號與Laws’模板的卷積結果圖像；積分計算各個所述卷積結果圖像的紋理能量值，得到的多個紋理能量值組成一個多維的Laws’模板特征向量。

本發明的實施例還提供一種提取Harris角點特征向量的方法，包括以下步驟：求圖像強度信號在每個像素處的梯度，構建實對稱矩陣，求所述實對稱矩陣的特征值及其對應的特征向量；將0°～360°劃分為多個角度區間，并定義一多維向量，所述多維向量的每一個元素對應于一個所述角度區間；計算每個特征向量的方向角，將所述特征向量的特征值累加于所述方向角所在角度區間所對應的元素的值；再進行歸一化處理得到Harris特征向量。

本發明與現有的技術相比具有以下優點：

本發明所述導航方法不需要建立復雜的環境模型或機器人的運動控制模型，僅僅通過機器人對專家(或機器人操作者)的模仿學習就能夠實現機器人在不同環境及復雜環境下的自主導航。