[發明專利]LightWeight-3D避障方法

在審

• 申請號: 202010896119.7
• 申請日: 2020-08-31
• 公開（公告）號: CN111982127A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 晁戰云;羅元泰;袁洪躍;鐘啟明;萬鐘平;賴晗;李元杰
• 申請（專利權）人: 華通科技有限公司
• 主分類號: G01C21/20
• 分類號: G01C21/20;G05D1/02
• 代理公司: 重慶強大凱創專利代理事務所(普通合伙) 50217
• 代理人: 陳家輝

1.LightWeight-3D避障方法，其特征在于，包括步驟：

S1、獲取機器人行進的起點位置和終點位置，以及包含起點位置和終點位置的全局三維地圖；

S2、通過回歸算法實時采集機器人前方的圖像數據和點云數據，并根據圖像數據實時獲取障礙物的目標信息和位置信息；

S3、在目標信息和位置信息的基礎上，采用增強追蹤算法探測3D障礙物；

S4、在全局三維地圖上生成路徑點，并采用碰撞檢測獲取最優路徑；

S5、獲取機器人的實時位置，并實時更新全局三維地圖得到實時三維地圖；

S6、在行進過程中對下一路徑點進行碰撞檢測，判斷是否會發生碰撞：若會發生碰撞，則以實時三維地圖作為全局三維地圖，返回S4并以機器人實時位置為起點位置；若不會發生碰撞，則繼續行進直至達到終點位置。

2.如權利要求1所述的LightWeight-3D避障方法，其特征在于，S2中改進數據結構和記錄方式后保存圖像數據和點云數據。

3.如權利要求2所述的LightWeight-3D避障方法，其特征在于，S2中獲取目標信息具體為：訓練輕量化卷積神經網絡；將圖像數據實時傳輸到訓練好的輕量化卷積神經網絡進行目標識別。

4.如權利要求3所述的LightWeight-3D避障方法，其特征在于，S2中獲取定位信息具體為：訓練定位模型；將目標信息及點云數據輸入到訓練好的目標定位模型進行目標定位，得到障礙物相對于機器人的位置信息。

5.如權利要求4所述的LightWeight-3D避障方法，其特征在于，S2中輕量化卷積神經網絡包括：特征網絡，用于獲取輸入的圖像數據中不同維度的特征圖；提取網絡，用于提取特征圖中的信息，并通過提取的信息預測障礙物的類別。

6.如權利要求5所述的LightWeight-3D避障方法，其特征在于，S3中采用KCF追蹤算法探測3D障礙物。

7.如權利要求6所述的LightWeight-3D避障方法，其特征在于，S4中獲取最優路徑具體步驟為：

A1、根據起點位置和終點位置在全局三維地圖上生成路徑點；

A2、在每個路徑點處進行三維障礙物碰撞檢測，判斷是否發生碰撞：若每個路徑點均不發生碰撞，則這些路徑點組成的路徑即為最優路徑；若有路徑點發生碰撞，則返回A1并重新生成路徑點。

8.如權利要求7所述的LightWeight-3D避障方法，其特征在于，A2中判斷是否發生碰撞具體步驟如下：

B1、利用機器人的三維模型構建模型二叉樹結構，利用全局三維地圖構建全局二叉樹結構；

B2、計算全局路徑點處，模型二叉樹結構的球體和全局二叉樹結構的球體之間的球心距離為第一距離；

B3、計算模型二叉樹結構和全局二叉樹結構之間的距離為第二距離；

B4、判斷第一距離與第二距離的大小關系：若第一距離小于第二距離，判定會發生碰撞；反之，若第一距離大于、等于第二距離，判定不會發生碰撞。

9.如權利要求8所述的LightWeight-3D避障方法，其特征在于，進行三維障礙物碰撞檢測之前，將機器人的三維模型劃分成二維模型，對二維模型進行二維障礙物碰撞檢測。

10.如權利要求9所述的LightWeight-3D避障方法，其特征在于，S5中實時更新全局三維地圖得到實時三維地圖具體步驟包括：

C1、獲取機器人的實時位置；

C2、獲取實時位置和下一路徑點的局部三維地圖；

C3、利用局部三維地圖更新全局三維地圖得到實時三維地圖。