[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

本發明涉及機器人定位避障技術領域，具體涉及一種LightWeight?3D避障方法，包括步驟：S1、獲取機器人行進的起點位置和終點位置以及全局三維地圖；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，并實時獲取障礙物的目標信息和位置信息；S3、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，返回S4并以實時位置為起點位置；若不會發生碰撞，則繼續行進。本發明解決了現有的3D檢測算法不穩定、延遲明顯、實時檢測性和可靠性差的技術問題。

技術領域

本發明涉及機器人定位避障技術領域，具體涉及一種LightWeight-3D避障方法。

背景技術

目前，機器人領域中普遍使用二維障礙物檢測(2D檢測)算法，雖然說2D檢測算法成熟、可靠，但是也存在短板。比如說，檢測范圍局限于激光儀器安裝位置，只能檢測到激光儀器安裝水平面范圍里的障礙物，若物體低于儀器安裝高度則無法被檢測到；由于檢測范圍是儀器安裝的水平面，對于位于水平面之上的障礙物，也即懸掛、浮空障礙物無法檢測到。“Light Weight”，也即輕量級神經網絡，也稱微型神經網絡，是指需要參數的數量較少和計算代價較小的神經網絡模型。由于微型神經網絡計算開銷小，微型神經網絡模型可以部署在計算資源有限的設備上，如智能手機、平板電腦或其他嵌入式設備，通常從網絡結構優化和網絡裁剪兩個角度構建微型神經網絡。

考慮到用2D檢測算法的這些短板，基于傳統的聚類或當代的神經網絡算法的三維障礙物檢測(3D檢測)算法也逐漸開始得到應用。比如，文件CN106949893A公開了一種三維避障的室內機器人導航方法，包括：采集機器人的三維模型、起點位置和終點位置，全局三維地圖并進行全局路徑規劃，生成一系列全局路徑點，在每一全局路徑點處進行三維障礙物碰撞檢測，得到最優的全局路徑規劃；機器人按最優的全局路徑規劃行進，在行進過程中對下一全局路徑點進行三維障礙物碰撞檢測，若會發生碰撞，則以實時三維地圖為全局三維地圖，以實時位置為起點位置重新進行全局路徑規劃，若不會發生碰撞，則繼續行進直至達到終點位置，實現了機器人的自主導航與三維避障。

目前已知的3D檢測算法，基本都采用聚類或神經網絡算法，而聚類和神經網絡都需要大量干凈的數據才能發揮出其性能，無法有效處理帶噪音、混亂以及小量數據，從而導致算法不穩定、延遲明顯、實時檢測性和可靠性差。

發明內容

本發明提供一種LightWeight-3D避障方法，解決了現有的3D檢測算法不穩定、延遲明顯、實時檢測性和可靠性差的技術問題。

本發明提供的基礎方案為：LightWeight-3D避障方法，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。