CN110345959B - 一种基于“门”点的路径规划方法 - Google Patents

Abstract

本发明涉及一种基于“门”点的路径规划方法，用于获得控制机器人的最优路径，该方法首先通过模型训练得到神经网络模型，再根据神经网络模型提取关键点，利用图搜索算法进行路径规划，所述的神经网络模型的输入为地图，输出为地图中的“门”和“门”点，所述的模型训练包括以下步骤：11)生成多张随机地图；12)将标记有“门”和“门”点的多张随机地图作为训练样本存于训练集中；13)利用步骤12)中的训练集对目标识别网络进行训练；14)得到训练完成的神经网络模型，与现有技术相比，本发明具有快速、精确和路径最优等优点。

Description

一种基于“门”点的路径规划方法

技术领域

本发明涉及路径规划领域，尤其是涉及一种基于“门”点的路径规划方法。

背景技术

以建图，定位，路径规划与运动控制组成的导航任务是所有非固定型机器人必须完成和实现的基本功能，建图和定位为路径规划提供了基础，而路径规划指导运动控制的进行。路径规划已成为一个至关重要的环节。

现有的路径规划算法主要以Dijkstra，A*以及RRT类算法为主，这些算法较为成熟，被广泛应用于各类场景，但他们也各自有着自己的缺点。RRT类算法通过空间采样的方式获取路径，以其快速性受到欢迎，但也因为其路径的非最优以及难以处理狭窄通道受到限制。Dijkstra是一种图搜索算法，它将距离起点的距离作为各个节点的一个属性，通过近似穷举的方式更新各个该属性以达到求取最短路径的目的，其缺点在于搜索速度慢，难以适用于大范围场景。A*在Dijkstra的基础上加入了启发函数，通过节点距离终点的距离来引导搜索往终点方向进行，该方法在提升了搜索速度，但在有障碍物的情况下可能进行错误引导，使得最终得到的路径成为次优解。如图1所示，A*将搜索方向往目标点方向进行引导，但由于障碍物的存在，该引导并不准确，导致增加了不必要的路径。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于“门”点的路径规划方法。

本发明的目的可以通过以下技术方案来实现：

一种基于“门”点的路径规划方法，用于获得控制机器人的最优路径，该方法首先通过模型训练得到神经网络模型，再根据神经网络模型提取关键点，利用图搜索算法进行路径规划，所述的神经网络模型的输入为地图，输出为地图中的“门”和“门”点，所述的模型训练包括以下步骤：

11)生成多张随机地图；

12)将标记有标记“门”和标记“门”点的多张随机地图作为训练样本存于训练集中；

13)利用步骤12)中的训练集对目标识别网络进行训练；

14)得到训练完成的神经网络模型。

进一步地，所述的路径规划包括以下步骤：

21)构建实际应用场景的地图；

22)将步骤21)中地图输入训练完成的神经网络模型，得到地图中的输出“门”和输出“门”点；

23)提取地图中的关键点，构建搜索图；

24)使用图搜索算法生成路径。

进一步地，所述的步骤12)中标记“门”为两障碍物之间且位于障碍物角的点周围的通行区域，所述的标记“门”点为该通行区域的中心点。

进一步地，所述的关键点包括输出“门”点以及起点和终点，所述的搜索图的边为各关键点之间的连线，所述的搜索图边的权重为两点间距离。

进一步地，所述的步骤22)中地图中的输出“门”为神将网络模型输出的候选框，所述的输出“门”点为候选框的中心点。

进一步地，若两关键点被障碍物阻挡，则该条边的权值为无穷大。

进一步地，多张所述随机地图之间相互区别。

进一步地，所述的目标识别网络包括yolov3或faster-RCNN。

进一步地，所述的步骤21)中构建地图的方式包括SLAM或人工测绘。

进一步地，所述的图搜索算法包括Dijkstra算法或A*算法。

与现有技术相比，本发明具有以下优点：

本发明类比人类思维提出了一种新形式的路径规划算法，通过训练得到神经网络模型可提取地图中的“门”和“门”点作为关键点。相较于RRT类算法，本发明能够更加有目的性的提取关键点，而并非随机取点，更加符合实际，并在路径上比RRT更优；相较于Dijkstra算法，本发明算法将搜索范围缩小为极少数的点，能够更好的适用于大型地图，提升搜索速度；相较于A*算法，本发明的启发式搜索更加准确，避免了绕路的情况，优化了路径。

附图说明

图1为A*算法与Dijkstra算法对比图；

图2为本发明路径规划方法流程图；

图3为五张随机地图示意；

图4为标记有“门”的五张随机地图示意；

图5为根据实际应用场景构建得到的地图；

图6为经过神经网络模型提取的地图中的“门”；

图7为两次不同起止点的路径规划结果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图2所示，本发明提供一种基于“门”点的路径规划方法，可快速准确得到用于控制机器人的最优路径，该方法首先需要通过模型训练得到神经网络模型。

模型训练包括以下步骤：

11)生成多张随机地图；

12)将标记有“门”和“门”点的多张随机地图作为训练样本存于训练集中；

13)利用步骤2)中的训练集对目标识别网络进行训练；

14)得到训练完成的神经网络模型。

得到的神经网络模型的输入为地图，输出为地图中的“门”和“门”点。

图3为生成的随机地图示意，随机地图的复杂程度以及大小不做约束，但需保证地图达到一定数量且地图之间不重复。所需随机地图数量根据场景复杂度有所区别，数据集大小影响训练效果。本实施例中所用数量为300张。

图4为标记完成的随机地图，标记在随机地图上的标记“门”模拟实际生活中门的概念，主要为两障碍物之间，且位于障碍物角的点周围的可通行区域，可根据实际需要，适当删减并进行大小调整，标记“门”点为该通行区域的中心点。

步骤13)中的目标识别网络采用现有的任意一种目标识别网络，如yolov3、faster-RCNN等。

在已有训练完成的神经网络模型的情况下，根据神经网络模型提取地图中的关键点，利用图搜索算法进行路径规划。

路径规划包括以下步骤：

21)构建实际应用场景的地图；

22)将步骤21)中地图输入训练完成的神经网络模型，得到地图中的输出“门”和输出“门”点；

23)提取地图中的关键点，构建搜索图；

24)使用图搜索算法生成路径。

图5为构建的实际应用场景地图，可以通过SLAM或人工测绘实现地图的构建，步骤22)中的输出“门”为神经网络模型输出的候选框，输出“门”点为候选框的中心，图6为提取出的地图中的“门”。

步骤23)具体为：提取输出“门”点，并加入起点与终点作为关键点，以各点之间连线作为边构建搜索图，其中边的权重为两点间的距离，若两点间被障碍物阻挡则该条边权值取无穷大。图搜索算法可采用现有的任意一种图搜索算法，如Dijkstra算法、A*算法等，图7示意了通过A*算法对两种不同起止点的路径规划结果。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种基于“门”点的路径规划方法，用于获得控制机器人的最优路径，其特征在于，该方法首先通过模型训练得到神经网络模型，再利用神经网络模型提取关键点，并通过图搜索算法进行路径规划，所述的神经网络模型的输入为地图，输出为地图中的“门”和“门”点，所述的模型训练包括以下步骤：

11)生成多张随机地图；

12)将标记有标记“门”和标记“门”点的多张随机地图作为训练样本存于训练集中，所述的标记“门”为两障碍物之间且位于障碍物角的点周围的通行区域，所述的标记“门”点为该通行区域的中心点；

13)利用步骤12)中的训练集对目标识别网络进行训练，所述的目标识别网络包括yolov3或faster-RCNN；

14)得到训练完成的神经网络模型；

所述的路径规划包括以下步骤：

21)构建实际应用场景的地图，构建地图的方式包括SLAM或人工测绘；

22)将步骤21)中地图输入训练完成的神经网络模型，得到地图中的输出“门”和输出“门”点，所述的地图中的输出“门”为神经网络模型输出的候选框，所述的输出“门”点为候选框的中心点；

23)提取地图中的关键点，构建搜索图，所述的关键点包括输出“门”点以及起点和终点；

24)使用图搜索算法生成路径。

2.根据权利要求1所述的一种基于“门”点的路径规划方法，其特征在于，所述的搜索图的边为各关键点之间的连线，所述的搜索图边的权重为连线两点间距离。

3.根据权利要求2所述的一种基于“门”点的路径规划方法，其特征在于，若两关键点被障碍物阻挡，则该条边的权值为无穷大。

4.根据权利要求1所述的一种基于“门”点的路径规划方法，其特征在于，多张所述随机地图之间相互区别。

5.根据权利要求1所述的一种基于“门”点的路径规划方法，其特征在于，所述的图搜索算法包括Dijkstra算法或A*算法。