CN115877363A - 一种机器人避障评估方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种机器人避障评估方法。该方法获取各机器人的红外传感器的电平值、电平极差、环境红外光辐射和红外发射功率，对电平值、电平极差、环境红外光辐射和红外发射功率进行数据处理得到避障平稳程度；进一步的，对环境红外光辐射和避障平稳程度进行数据处理得到平稳相关性指标；由避障平稳程度、环境红外光辐射和平稳相关性指标得到避障可靠度；将避障可靠度输入避障可靠度预测网络得到避障可靠度预测值。本发明实现了对利用红外传感器进行避障的过程中的避障可靠度的实时监测和预测，避免红外传感器的避障可靠度过低使得避障工作出现异常，而导致影响其他机器人的红外传感器的避障工作的问题。

Description

一种机器人避障评估方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种机器人避障评估方法。

背景技术

红外光电传感器会随着使用时间的推移，镜片产生磨损情况。当镜片在没有磨损时，红外光电传感器信号通过发射端仅为一个小光点，而在镜片逐步磨损之后，信号发射的小光点会逐渐变大，因此使得当多个红外光电传感器同时使用时，当红外光电传感器镜片完好无磨损的情况下，红外光电传感器可以正常工作；而当镜片产生磨损，会造成红外光电传感器出现相互干扰的情况，使得使用红外光电传感器时会出现误差或者识别不准确的情况，如智能制造流水线上，机器人搬运东西时通过红外光电传感器进行避障时，若红外光电传感器的镜片发生磨损，则会影响避障的可靠度，会进一步影响机器人的避障工作，故对机器人通过红外光电传感器的避障精度进行评估时必要的，当避障精度低于一定阈值时，认为红外光电传感器的镜片发生异常，对其进行预警。

目前，常见的对利用红外传感器进行避障的避障精度进行评估的方法往往是根据经验判断避障是否出现误差，通常在出现较大避障误差时才能发现机器人对应的红外传感器的避障精度出现异常，当机器人的红外传感器避障精度发生较为明显的异常时，其避障工作出现误差，会导致影响其周围其他的机器人的避障工作。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种机器人避障评估方法，所采用的技术方案具体如下：

获取各机器人对应的红外传感器的ADC电平值、ADC电平极差、环境红外光辐射和红外发射功率；

计算红外传感器与左右相邻的红外传感器的ADC电平值序列的相关系数之和，作为红外传感器的向异性干扰值；根据所述ADC电平极差的稳定程度、所述向异性干扰值和红外发射功率的波动程度得到避障平稳程度；基于所述避障平稳程度对多个红外传感器进行分类，得到多个簇；根据簇内各红外传感器对应的所述环境红外光辐射和避障平稳程度的相关性得到平稳相关性指标；获取簇内各红外传感器与其他红外传感器之间的差异距离，根据所述差异距离计算各红外传感器的隶属度；

基于所述避障平稳程度、所述环境红外光辐射和所述平稳相关性指标得到避障可靠度；由所述隶属度和差异距离作为避障可靠度预测网络的损失函数的权重；将实时的避障可靠度输入所述避障可靠度预测网络，得到避障可靠度预测值。

优选的，所述计算红外传感器与左右相邻的红外传感器的ADC电平值序列的相关系数之和，作为红外传感器的向异性干扰值，包括：

选取任意红外传感器作为目标红外传感器，获取与所述目标红外传感器左右相邻的机器人对应的红外传感器作为相关红外传感器；计算所述目标红外传感器的ADC电平值序列和所述相关红外传感器对应的ADC电平值序列的皮尔逊相关系数作为第一相关系数；所述第一相关系数加一作为初始向异性干扰值；

所述目标红外传感器与各所述相关红外传感器对应的初始向异性干扰值之和，为所述目标红外传感器的向异性干扰值。

优选的，所述根据所述ADC电平极差的稳定程度、所述向异性干扰值和红外发射功率的波动程度得到避障平稳程度，包括：

以多个ADC电平极差序列的ADC电平极差均值和多个ADC电平极差序列中最大ADC电平极差的比值作为ADC电平极差的稳定程度；

对于任意红外传感器，连续获取多个向异性干扰值，构建多个向异性干扰值序列，计算各向异性干扰值序列的方差，构建向异性干扰值方差序列；以自然常数为底数，以负的所述向异性干扰值方差序列的均值为指数的指数函数作为第一波动指数函数；

计算红外发射功率序列的方差作为红外发射功率的波动程度；

所述第一波动指数函数和红外发射功率的波动程度的比值作为初始避障平稳程度；

所述ADC电平极差的稳定程度和所述初始避障平稳程度的乘积，为所述避障平稳程度。

优选的，所述基于所述避障平稳程度对多个红外传感器进行分类，得到多个簇，包括：

基于所述避障平稳程度，利用密度最大值聚类对多个机器人对应的红外传感器进行分类，得到多个簇。

优选的，所述根据簇内各红外传感器对应的所述环境红外光辐射和避障平稳程度的相关性得到平稳相关性指标，包括：

对簇内各红外传感器对应的避障平稳程度从大到小进行排序，得到避障平稳程度序列；由簇内各红外传感器对应的实时的环境红外光辐射构建环境红外光辐射序列；

计算所述避障平稳程度序列的方差作为第一方差、所述环境红外光辐射序列的方差作为第二方差；第一方差和第二方差中的较小方差和较大方差的比值作为相关波动程度；

计算所述避障平稳程度序列和环境红外光辐射序列的皮尔逊相关系数作为第二相关系数；

所述第二相关系数的绝对值和所述相关波动程度的乘积，为平稳相关性指标。

优选的，所述根据所述差异距离计算各红外传感器的隶属度，包括：

对于目标红外传感器，计算所述目标红外传感器与所属簇内其他红外传感器的差异距离的均值作为距离均值；

以所述距离均值与预设角度的乘积作为自变量的余弦函数，为所述目标红外传感器的隶属度。

优选的，所述基于所述避障平稳程度、所述环境红外光辐射和所述平稳相关性指标得到避障可靠度，包括：

所述避障可靠度的计算公式为：

其中，

为所述避障可靠度；

为所述避障平稳程度；

为所述环境红外光辐射；

为函数调整参数；

为所述平稳相关性指标；

为双曲正切函数。

优选的，所述由所述隶属度和差异距离作为避障可靠度预测网络的损失函数的权重，包括：

对于任意簇，获取簇内隶属度最高的红外传感器，将隶属度最高的红外传感器与簇内其他红外传感器对应的差异距离之和，作为差异距离和；每个簇对应一个差异距离和，将归一化后的差异距离和作为每个簇对应的差异权重；

所述损失函数为：

其中，

为损失函数；

为第i个红外传感器样本对应的损失函数；

为第i个 红外传感器样本对应的归一化后的隶属度；

为第n个簇对应的差异权重。

本发明实施例至少具有如下有益效果：

该方法获取各机器人对应的红外传感器的多个工作数据；计算红外传感器与左右相邻的红外传感器的ADC电平值序列的相关系数之和作为向异性干扰值；根据ADC电平极差的稳定程度、向异性干扰值和红外发射功率的波动程度得到避障平稳程度；对红外传感器分类得到多个簇；根据簇内各红外传感器对应的环境红外光辐射和避障平稳程度的相关性得到平稳相关性指标；基于避障平稳程度、环境红外光辐射和平稳相关性指标得到避障可靠度；通过获取机器人的红外传感器的工作参数数据，对这些数据进行分析，并结合与红外传感器相近的红外传感器的工作状态实现对红外传感器的障碍物识别的精度的实时检测，因为红外传感器的障碍物识别是为了机器人的避障，故也即实现了对机器人的避障可靠度的实时检测；

将实时的避障可靠度输入训练好的避障可靠度预测网络，得到避障可靠度预测值。实现了对机器人利用红外传感器进行避障过程中的避障可靠度的实时监测和预测，当预测到的避障可靠度预测值低于预设可靠度阈值时，在利用红外传感器进行避障的过程还没有出现问题时，先对红外传感器进行调整；以实现避免红外传感器的避障可靠度过低，使得避障工作出现异常，进而影响其他机器人的避障工作的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种机器人避障评估方法的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种机器人避障评估方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明实施例提供了一种机器人避障评估方法的具体实施方法，该方法适用于利用红外传感器识别障碍物进行避障的场景。该场景下每个机器人上安装有一个红外传感器，通过红外传感器进行障碍物识别，进而实现机器人的避障工作。为了解决根据经验判断避障是否出现误差，通常在出现较大避障误差时才能发现红外传感器的避障精度出现异常的问题，本发明实施例通过获取机器人的红外传感器的工作参数数据，对这些数据进行分析，并结合与红外传感器相近的红外传感器的工作状态实现对红外传感器的障碍物识别的精度的实时检测，因为红外传感器的障碍物识别是为了机器人的避障，故也即实现了对机器人对应的红外传感器的避障可靠度的实时检测，并将实时监测到的避障可靠度输入训练好的避障可靠度预测网络，得到避障可靠度预测值，实现在机器人的红外传感器避障过程还没有出现问题时，先对红外传感器进行调整；以实现避免机器人的红外传感器的避障可靠度过低，使得避障工作出现异常，进而影响其他机器人的避障工作的目的。

下面结合附图具体的说明本发明所提供的一种机器人避障评估方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种机器人避障评估方法的步骤流程图，该方法包括以下步骤：

步骤S100，获取各机器人对应的红外传感器的ADC电平值、ADC电平极差、环境红外光辐射和红外发射功率。

市面上常见的红外光电传感器一般包括外壳、设于外壳两端的前后盖、设于前后盖之间的线路板、设于前盖侧的信号发射端与信号接收端以及镜片、设于后盖侧的电位器及导线，其中镜片与前盖的组合包括一体式或者是分体式两种，而镜片大多分布于前盖外面，而在实际使用中，由于使用场合的不同，镜片会出现磨损的情况。当镜片在没有磨损时，红外光电传感器信号通过发射端仅为一个小光点，而在镜片逐步磨损之后，信号发射的小光点会逐渐变大，因此使得当多个红外光电传感器同时使用时，当红外光电传感器镜片完好无磨损的情况下，红外光电传感器可以正常工作；而当镜片产生磨损，会造成红外光电传感器出现相互干扰的情况，使得使用红外光电传感器时会出现误差或者识别不准确的情况，如智能制造流水线上，机器人搬运东西时通过红外光电传感器进行避障时，若红外光电传感器的镜片发生磨损，则会影响避障的可靠度，会进一步影响机器人的避障工作，故对机器人通过红外光电传感器进行避障的避障精度进行评估是必要的。

本发明通过确定一端往复路径中，避障未触发时的红外光电传感器的信号特征，确定当前红外感应的平稳性，同时基于环境红外光辐射信息，确定当前的避障监测的可靠程度，进一步的，通过获得的样本训练预测网络，从而使得预测网络能够通过当前获得的信息，对后续的避障监测过程的可靠程度进行预测评估，以使能够尽早发现机器人的红外传感器避障异常。

首先，获取各机器人对应的红外传感器的ADC电平值，连续采集对应的红外传感器的ADC电平值，每个红外传感器均有各自对应的多个ADC电平值序列。ADC电平值的检测为每10秒确定一次序列信息采集，采样频率为2Hz，即每0.5秒采集一次，确定当前的数据集，也即每10秒得到一个长度为20的ADC电平值序列。因此整个避障监测过程中存在多个长度为20的数据集，该数据集为ADC电平极差序列。将采集到的ADC电平极差序列存放于控制中心的存储器内，用于后续的数据处理和计算。

进一步，确定当前红外避障阵列内多个红外传感器的ADC电平极差大小。对避障阵列内所有机器人对应的红外传感器，计算ADC电平值序列内ADC电平值的差值的最大值，每个ADC电平值序列对应一个ADC电平极差。由于每个红外传感器对应多个ADC电平值序列，而每个ADC电平值序列又对应一个ADC电平极差，故每个红外传感器对应多个ADC电平极差，按照获取的时间顺序，构建多个ADC电平极差序列，每个ADC电平极差序列的长度也为20。对所有红外传感器获取其对应的ADC电平价差序列，确定任意一轮的路径记录内的ADC电平极差。

将当前红外传感器的ADC电平数据进行收集，通过相应的ADC电平极差，确定当前的避障阵列内的多个红外传感器的ADC电平极差。红外传感器的ADC电平的稳定性能够反映出红外传感器的工作稳定性，ADC电平极差越大，相对应的红外传感器的工作状态存在越不稳定的情况，其机器人的红外传感器的避障工作发生异常的概率越大。

ADC电平极差大小的检测每10秒确定一次序列信息采集，采样频率为2Hz，即每0.5 秒采集一次，确定当前的数据集，也即每10秒得到一个长度为20的ADC电平极差序列

。因此整个避障监测过程中存在多个长度为20的数据集，该数据集 为ADC电平极差序列。将采集到的ADC电平极差序列存放于控制中心的存储器内，用于后续 的数据处理和计算。

进一步，确定当前的环境红外光辐射的大小。由于ADC电平的中值可以体现多个传感器所处的环境，故能够体现当前环境下的红外干扰。通过关闭主打发射LED，读取ADC电平的数值，取多个ADC电平的中值作为当前的环境红外光辐射。

由于ADC电平的中值可以体现多个传感器所处的环境所能够体现的红外干扰。由此，得到任意一轮的路径记录下外环境的环境红外光辐射。同样的，将采集到的数据信息存放于控制中心的存储器内，用于后续的数据处理和计算，同样每0.5秒采集一次，每10秒形成一个序列，该序列为环境红外光辐射序列。

然后，确定红外发射功率。由于避障监测过程中，红外发射功率高可以提供更远的测量范围，但对红外LED的寿命有影响，因此一般情况下功率是动态的，即传感器内建“休眠”机制，尚未发现障碍物时使用较低功率，发现后使用较高功率。确定红外发射功率大小，同样的，将采集到的信息存放于控制中心的存储器内，用于后续的数据处理和计算，同样每0.5秒采集一次，每10秒形成一个序列，该序列即为红外发射功率序列。

即完成了与避障工作相关的红外传感器的工作数据。

步骤S200，计算红外传感器与左右相邻的红外传感器的ADC电平值序列的相关系数之和，作为红外传感器的向异性干扰值；根据所述ADC电平极差的稳定程度、所述向异性干扰值和红外发射功率的波动程度得到避障平稳程度；基于所述避障平稳程度对多个红外传感器进行分类，得到多个簇；根据簇内各红外传感器对应的所述环境红外光辐射和避障平稳程度的相关性得到平稳相关性指标；获取簇内各红外传感器与其他红外传感器之间的差异距离，根据所述差异距离计算各红外传感器的隶属度。

对红外传感器的各向异性干扰值状态进行计算。当红外传感器处于罕见的工况或确实遇到障碍物时，对应的红外传感器的各向异性干扰值的大小显著发生变化。故向异性干扰值可以从一定程度上反映了红外传感器的工作状态。可根据红外传感器a与左右相临近红外传感器的ADC电平极差之间的相似性，对红外传感器a的向异性干扰值进行计算。具体的：选取任意红外传感器作为目标红外传感器，获取与目标红外传感器左右相邻的红外传感器作为相关红外传感器。在本发明实施例中以目标红外传感器为中心点向左右两侧分别寻找N个相邻的红外传感器，也即以目标红外传感器为中心，向左右两侧分别寻找N个红外传感器。在本发明实施例中N的取值为2，在其他实施例中实施者可根据实际情况调整该取值。

进一步的，计算目标红外传感器和各相关红外传感器对应的ADC电平极差序列的相关系数之和，作为目标红外传感器的向异性干扰值，具体的：计算目标红外传感器的ADC电平值序列和相关红外传感器对应的ADC电平值序列的皮尔逊相关系数作为第一相关系数；第一相关系数加一作为初始向异性干扰值；目标红外传感器与各相关红外传感器对应的初始向异性干扰值之和，为目标红外传感器的向异性干扰值。通过目标红外传感器和各相关红外传感器的ADC电平极差序列的相关系数表征目标红外传感器的向异性干扰值，是因为两侧相近的红外传感器检测到障碍物，或者工作状态会更加接近，如目标红外传感器检测到障碍物时，目标红外传感器两侧相近的红外传感器检测到障碍物的概率很大，故目标红外传感器与左右两侧相近的红外传感器的ADC电平值的差异变化能够反映出目标红外传感器的向异性干扰值。

红外传感器对应的向异性干扰值的计算公式为：

其中，

为第i个红外传感器的向异性干扰值；

为皮尔逊相关系数；

为第i个红外传感器的ADC电平值序列；

为与第i个红外传感器相关的第j 个相关红外传感器的ADC电平值序列；

为与第i个红外传感器相关的相关红外传感器数量；

为采集t-k时刻到t时刻内的ADC电平值构建ADC电平值序列。

互相计算皮尔逊相关系数PPMCC的同步情况，若红外传感器与其对应的相关红外传感器的皮尔逊相关系数的同步情况较明显，则认为因为发现障碍物造成的ADC电平值波动的概率越大；因为相对来说同时好几个红外传感器出现异常的概率较小，故当ADC电平值同时出现波动，也即几个红外传感器对应的ADC电平值序列的相似度越高时，受障碍物的干扰的概率越大，反之，各向异性干扰值越小，则认为是受障碍物的干扰的概率越较小。

基于各红外传感器的向异性干扰值，得到当前的各红外传感器的各向异性干扰值 大小，构建初始向异性干扰值序列：

，直接输出当前的各向异性干 扰值的大小，通过当前的大小确定干扰的变化状态。

由此，确定当前的红外传感器的各向异性干扰值信息。

根据任意一轮的路径记录内的ADC电平极差变化情况，以及当前红外传感器的红外发射功率的变化，确定红外传感器运行时和避障监测过程的平稳性。

而在避障监测过程中，可通过判断红外传感器的ADC电平极差的变化，确定避障监测的平稳性。故根据获得的红外传感器的ADC电平极差变化数据集，结合红外传感器的状态进行分析，计算红外传感器的避障平稳程度，由该避障平稳程度能够从一定程度上反映避障精度。

根据ADC电平极差的稳定程度、向异性干扰值的均值和红外发射功率的波动程度 得到避障平稳程度，具体的：以多个ADC电平极差序列的ADC电平极差均值和多个ADC电平极 差序列中最大ADC电平极差的比值作为ADC电平极差的稳定程度；对于任意红外传感器，连 续获取多个向异性干扰值，构建多个向异性干扰值序列，计算各向异性干扰值序列的方差， 构建向异性干扰值方差序列；各向异性干扰值的采样频率为10Hz，即每秒形成10个数据，由 每10个数据构建一个向异性干扰值序列，对于得到的向异性干扰值序列进行处理，计算每 个向异性干扰值序列的方差大小，以确定当前的干扰情况，以此，每10个数据计算一次方 差，即1秒形成一个向异性干扰值方差，每10个向异性干扰值序列，组成一个新的向异性干 扰值方差序列

，也即每个向异性干扰值方差序列的长度 为10。

以自然常数为底数，以负的向异性干扰值方差序列的均值为指数的指数函数作为第一波动指数函数；计算红外发射功率序列的方差作为红外发射功率的波动程度；第一波动指数函数和红外发射功率的波动程度的比值作为初始避障平稳程度；ADC电平极差的稳定程度和初始避障平稳程度的乘积，为避障平稳程度。

该避障平稳程度

的计算公式为：

其中，

为多个ADC电平极差序列的ADC电平极差均值；

为多个ADC 电平极差序列中最大ADC电平极差；

为ADC电平极差的稳定程度；

为向异性干扰值 方差序列；

为向异性干扰值方差序列的均值；

为第一波动指 数函数；

为以自然常数为底的指数函数；

为红外发射功率序列；

为红外发 射功率的波动程度；

为方差函数；

为初始避障平稳程度。

其中，当ADC电平极差均值和最大ADC电平极差的值相等时，反映当前的ADC电平极 差的变化很稳定，ADC电平极差的稳定程度为1；ADC电平极差的稳定程度越接近于1，则对应 的避障平稳程度越大，ADC电平极差的稳定程度越接近于0，则对应的避障平稳程度越小。而 红外发射功率序列的方差反映了红外发射功率的波动程度，该红外发射功率的波动程度越 小，则对应的避障平稳程度越大，红外发射功率的波动程度越大，则对应的避障平稳程度越 小。

为向异性干扰值方差序列，当红外传感器的向异性干扰值越稳定时，也即向异性干 扰值方差序列的均值越小，则对应的避障平稳程度越大。

由此，得到当前避障监测过程中的避障平稳程度。

进一步的，基于避障平稳程度对多个红外传感器进行分类，得到多个簇。首先，针对多个不同一轮的路径记录，多个避障监测过程，而每个避障监测过程中均有多个避障平稳程度，因此能够保证在大量实验下得到各个不同类型下平稳性特征。

对获得的多个避障平稳程度进行聚类分析，基于任意两个红外传感器对应的红外传感器的避障平稳程度，计算两个避障平稳程度的欧式距离，作为聚类分析的差异距离R。

这里使用MDCA密度最大值聚类，对当前的避障平稳程度进行分类，搜索半径eps默认为0.1，簇内最小值minpts设定为5，最小阈值密度为2500；最小阈值距离为0.05。

以此，将基于避障监测过程中获得的多个避障平稳程度，将避障平稳程度对应的红外传感器分成多个不同的类别，聚类过程中出现孤立的点，为少见的干扰，因此对孤立点单独成簇，作为一个新的平稳性状态分析。

由此完成对避障监测过程中的状态的分类。其中，获得的各个簇的类型，代表着正常簇，或者有一部分异常及不同程度造成的异常构成的簇类型，例如障碍物干扰，红外光辐射过高等异常，具体的可以根据组内参数进行确定。

对获得的多个簇，进行簇内分析。对簇内样本进行环境红外光辐射与平稳性的相关性进行确定。

对簇内的样本按照避障平稳程度的大小排序，由此形成一个由簇内样本避障平稳程度构成的避障平稳程度序列，以及对应的样本所处的环境红外光辐射在实时检测过程中的均值大小构成的环境红外光辐射序列，以及计算环境红外光辐射与避障监测过程中的平稳性的相关性。

即进一步的，根据簇内各红外传感器对应的环境红外光辐射和避障平稳程度的相关性得到平稳相关性指标，具体的：对簇内各红外传感器对应的避障平稳程度从大到小进行排序，得到避障平稳程度序列；由簇内各红外传感器对应的实时的环境红外光辐射构建环境红外光辐射序列；计算避障平稳程度序列的方差作为第一方差、环境红外光辐射序列的方差作为第二方差；第一方差和第二方差中的较小方差和较大方差的比值作为相关波动程度；计算避障平稳程度序列和环境红外光辐射序列的皮尔逊相关系数作为第二相关系数；第二相关系数的绝对值和相关波动程度的乘积，为平稳相关性指标。

该平稳相关性指标

的计算公式为：

其中，

为皮尔逊相关系数；

为环境红外光辐射序列；

为避障平稳程 度序列；

为方差函数；

为最小值函数；

最大值函数；

为第一方差；

为第二方差；

为相关波动程度；

为第二相 关系数。

其中，皮尔逊相关系数用于直接确定环境红外光辐射序列和避障平稳程度序列之间的相关性大小；因为当出现有障碍物时，环境红外光辐射会发生变化，而避障平稳程度序列从一定程度上反映了ADC电平极差的波动程度，ADC电平极差和环境红外光辐射均为红外传感器的避障的平稳程度的影响因素，故进一步结合了环境红外光辐射序列和避障平稳程度序列的相关程度，反映了红外传感器避障的平稳相关性指标。相关波动程度则进一步反映了ADC电平极差和环境红外管辐射两者之间变化程度的相关性。

如果平稳相关性指标接近于0，则说明当前的环境红外光辐射变化对避障监测过程的平稳不造成影响，而如果平稳相关性指标接近于1，说明当前环境红外光辐射对平稳性有相当大程度的影响。计算平稳相关性指标的目的是：在一定程度范围内环境红外光辐射的变化，对当前的避障监测过程不会造成明显的影响，而超出这一部分，会出现比较强烈的相关性，从而对后续避障监测过程中的可靠程度判断时造成影响。

对各个簇内红外光辐射变化情况和对应的避障监测平稳性的平稳相关性指标进行计算，从而每个簇内均得到一个平稳相关性指标。

获取簇内各红外传感器对应的避障平稳程度的差异距离，根据差异距离计算各红外传感器的隶属度。红外传感器在簇内对应的隶属度越大，说明更能代表在簇内的情况，红外传感器对应的隶属度越小说明红外传感器不太合群，代表性比较弱。这里隶属度的计算参考分类过程中产生的差异距离R。根据差异距离计算各红外传感器的隶属度，具体的：对于目标红外传感器，计算目标红外传感器与所属簇内其他红外传感器的差异距离的均值作为距离均值；以距离均值与预设角度的乘积作为自变量的余弦函数，为目标红外传感器的隶属度。

该第A个红外传感器对应的隶属度的计算公式为：

其中，

为余弦函数；

为簇内红外传感器的数量；

为第A个红外传感器与 对应的簇内第i个红外传感器的差异距离；

为距离均值；

为预设角度。在本 发明实施例中预设角度的取值为

，在其他实施例中实施者可根据实际情况调整该取值。

其中，余弦函数的作用是为了使隶属度大小与差异距离呈负相关，即差异距离越小，隶属度越大；差异距离越大，则对应的隶属度越小。隶属度反映了红外传感器在簇内对应的情况，隶属度越大，则对应该红外传感器与簇内其他红外传感器工作状态越接近，代表性相对比较强；隶属度越小，反映红外传感器不太合群，与簇内其他红外传感器工作状态越不接近，代表性相对比较弱。

获取每个簇内各个红外传感器样本的隶属度大小。

步骤S300，基于所述避障平稳程度、所述环境红外光辐射和所述平稳相关性指标得到避障可靠度；由所述隶属度和差异距离作为避障可靠度预测网络的损失函数的权重；将实时的避障可靠度输入所述避障可靠度预测网络，得到避障可靠度预测值。

簇间差异分析，确定各个簇的差异权重。将各簇内隶属度最高的红外传感器样本取出，进行组间差异距离R确定。对于簇群z来说，获取簇群内隶属度最高的红外传感器样本，将该红外传感器样本与簇群内其他红外传感器对应的差异距离相加得到差异距离和，即簇群z有一个对应的差异距离和，每个簇群均有各自对应的差异距离和。将多个簇群的差异距离和进行归一化，将归一化后的各簇群对应的差异距离和作为该簇群对应的差异指数，每个簇群均有各自对应的差异指数。簇群对应的差异指数越大，反映对应的簇群内的红外传感器所受到的干扰越独特越严重；簇群对应的差异指数越小，反映对应簇群内的红外传感器所受到的干扰越常见越轻微。

将每个簇群对应的差异指数作为各个簇对应的差异权重，基于该差异权重对后续网络多次训练时，对不同类型的红外传感器样本进行再次赋权，从而使得预测结果更精准。

确定当前避障监测过程的避障可靠度大小。当避障监测过程中，避障平稳程度越稳定且保持比较高的水平下，其可靠程度越高。同时，在合适的环境红外光辐射变化情况下，其可靠程度更高，而在不同的环境下，以及红外传感器的差异，可通过避障可靠度时，引入对应簇内红外光辐射与平稳性的平稳相关性指标J，作为修正。根据避障平稳程度、环境红外光辐射和平稳相关性指标得到避障可靠度。

该避障可靠度的计算公式为：

其中，

为避障可靠度；

为避障平稳程度；

为环境红外光辐射；

为函数调整 参数；

为双曲正切函数；

为平稳相关性指标。

其中，避障平稳程度反映对应红外传感器样本避障监测过程的平稳性；平稳相关 性指标反映了红外传感器对应簇内的环境红外光辐射与平稳性的相关性。在本发明实施例 中函数调整参数与实施者设定的最适环境红外光辐射相关，函数调整参数的取值为

，

为最适环境红外光辐射，在本发明实施例中最适环境红外光辐射的取值设定为25，在 其他实施例中实施者可根据实际情况调整该取值。

当前避障监测过程中，避障可靠度越高，说明避障监测过程越健康。根据组内平稳相关性指标大小，与环境红外光辐射变化情况进行综合判定，确定当前避障监测过程中环境红外光辐射的适宜情况，以此对当前避障监测过程中的避障可靠度进行判定。这里引入平稳相关性指标的作用是，不同记录和不同类型的干扰对环境红外光辐射的敏感程度不相同，引入红外光辐射相关性，对综合结果进行修正。

由此，完成对当前避障监测过程中的避障可靠度的确定。

进一步，训练避障可靠度预测网络，通过避障可靠度预测网络确定后续避障监测过程避障可靠度的状态变化。

将获取到的红外传感器的各向异性干扰值、红外发射功率，红外传感器红外避障阵列内ADC电平极差，环境红外光辐射以及对应的平稳相关性指标，避障监测过程中避障可靠度输入到训练好的LSTM网络中，也即训练好的避障可靠度预测网络中，以此获得后续避障监测过程中的避障可靠度。该避障可靠度预测网络的损失函数为均方差损失函数。

使用各簇对应的归一化后的隶属度作为质量系数，同时参考各个簇之间的差异关系，将每个簇群对应的差异指数作为各个簇对应的差异权重。由归一化后的隶属度和差异权重作为避障可靠度预测网络的损失函数的权重，由于差异权重是由各簇内的差异距离得到的，故也即由隶属度和差异距离作为避障可靠度预测网络的损失函数的权重。

该损失函数

为：

其中，

为损失函数；

为第i个红外传感器样本的损失函数；

为第i个红外 传感器样本的归一化后的隶属度；

为第n个簇对应的差异权重。

红外传感器度隶属度越高，则该红外传感器样本的可参考性越高，故可利用该隶属度对损失函数进行权重调节；簇群对应的差异权重越大，反映对应的簇群内的红外传感器所受到的干扰越独特越严重；簇群对应的差异权重越小，反映对应簇群内的红外传感器所受到的干扰越常见越轻微，故进一步的可利用差异权重对损失函数进行权重调节。

改变不同的簇和簇内的红外传感器样本，对避障可靠度预测网络进行训练，使避障可靠度预测网络模型能够应对更多状况的避障监测过程。训练避障可靠度预测网络的目的是，通过现有的避障监测过程中的状态值，预测后续避障监测过程的避障可靠度，得到避障可靠度预测值，从而能够提前预知到风险。

根据获取到此刻的避障监测时红外传感器的ADC电平极差，红外传感器的各向异性干扰值以及红外发射功率的波动，确定当前避障监测过程的平稳性，进一步确定当前的避障可靠度同时依靠避障可靠度预测网络，对后续的避障监测过程中避障可靠度进行预测，得到避障可靠度预测值，提前应对异常情况。

获得对应的ADC电平值、ADC电平极差、环境红外光辐射和红外发射功率信息后，进行数据处理，同时将处理得到的信息先投入到测试样本中，进行分类，确定对应的平稳相关性指标大小。

将测得的避障可靠度，以及确定的信息传输到避障可靠度预测网络模型中，避障可靠度预测网络由此输出后续一段时间的避障监测的避障可靠度预测值，具体的时间长度需要依据不同的卷积核大小进行确定，本方案以一小时为单位，提供半小时后的预测结果。

在得到避障可靠度预测值后，当预测出的避障可靠度预测值或者实际检测得到的避障可靠度低于预设可靠度阈值时，认为机器人的红外传感器的工作数据出现了大幅度的波动，按照如下方法进行处理，红外传感器降低运动速度以减轻影响，将阵列中相邻的传感器分为两个组，交错运行。当红外传感器的避障自动识别的避障可靠度下降时的情况，使得能够通过牺牲判别的反应速度来提高避障的抗干扰能力。在本发明实施例中预设可靠度阈值的取值为0.8，在其他实施例中实施者可根据实际情况调整该取值。

综上所述，该方法获取各机器人对应的红外传感器的ADC电平值、ADC电平极差、环境红外光辐射和红外发射功率；计算红外传感器与左右相邻的红外传感器的ADC电平值序列的相关系数之和作为红外传感器的向异性干扰值；根据ADC电平极差的稳定程度、向异性干扰值和红外发射功率的波动程度得到避障平稳程度；基于避障平稳程度对多个红外传感器进行分类，得到多个簇；根据簇内各红外传感器对应的环境红外光辐射和避障平稳程度的相关性得到平稳相关性指标；基于避障平稳程度、环境红外光辐射和平稳相关性指标得到避障可靠度；将实时的避障可靠度输入训练好的避障可靠度预测网络，得到避障可靠度预测值。实现了对红外传感器避障过程中的避障可靠度的实时监测和预测，当预测到的避障可靠度预测值低于预设可靠度阈值时，在当前红外传感器避障过程还没有出现问题时，先对机器人的红外传感器进行调整；以实现避免红外传感器的避障可靠度过低，使得避障工作出现异常，进而影响其他机器人的避障工作的目的。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种机器人避障评估方法，其特征在于，该方法包括以下步骤：

获取各机器人对应的红外传感器的ADC电平值、ADC电平极差、环境红外光辐射和红外发射功率；

计算红外传感器与左右相邻的红外传感器的ADC电平值序列的相关系数之和，作为红外传感器的向异性干扰值；根据所述ADC电平极差的稳定程度、所述向异性干扰值和红外发射功率的波动程度得到避障平稳程度；基于所述避障平稳程度对多个红外传感器进行分类，得到多个簇；根据簇内各红外传感器对应的所述环境红外光辐射和避障平稳程度的相关性得到平稳相关性指标；获取簇内各红外传感器与其他红外传感器之间的差异距离，根据所述差异距离计算各红外传感器的隶属度；

基于所述避障平稳程度、所述环境红外光辐射和所述平稳相关性指标得到避障可靠度；由所述隶属度和差异距离作为避障可靠度预测网络的损失函数的权重；将实时的避障可靠度输入所述避障可靠度预测网络，得到避障可靠度预测值。

2.根据权利要求1所述的一种机器人避障评估方法，其特征在于，所述计算红外传感器与左右相邻的红外传感器的ADC电平值序列的相关系数之和，作为红外传感器的向异性干扰值，包括：

选取任意红外传感器作为目标红外传感器，获取与所述目标红外传感器左右相邻的机器人对应的红外传感器作为相关红外传感器；计算所述目标红外传感器的ADC电平值序列和所述相关红外传感器对应的ADC电平值序列的皮尔逊相关系数作为第一相关系数；所述第一相关系数加一作为初始向异性干扰值；

所述目标红外传感器与各所述相关红外传感器对应的初始向异性干扰值之和，为所述目标红外传感器的向异性干扰值。

3.根据权利要求1所述的一种机器人避障评估方法，其特征在于，所述根据所述ADC电平极差的稳定程度、所述向异性干扰值和红外发射功率的波动程度得到避障平稳程度，包括：

以多个ADC电平极差序列的ADC电平极差均值和多个ADC电平极差序列中最大ADC电平极差的比值作为ADC电平极差的稳定程度；

对于任意红外传感器，连续获取多个向异性干扰值，构建多个向异性干扰值序列，计算各向异性干扰值序列的方差，构建向异性干扰值方差序列；以自然常数为底数，以负的所述向异性干扰值方差序列的均值为指数的指数函数作为第一波动指数函数；

计算红外发射功率序列的方差作为红外发射功率的波动程度；

所述第一波动指数函数和红外发射功率的波动程度的比值作为初始避障平稳程度；

所述ADC电平极差的稳定程度和所述初始避障平稳程度的乘积，为所述避障平稳程度。

4.根据权利要求1所述的一种机器人避障评估方法，其特征在于，所述基于所述避障平稳程度对多个红外传感器进行分类，得到多个簇，包括：

基于所述避障平稳程度，利用密度最大值聚类对多个机器人对应的红外传感器进行分类，得到多个簇。

5.根据权利要求1所述的一种机器人避障评估方法，其特征在于，所述根据簇内各红外传感器对应的所述环境红外光辐射和避障平稳程度的相关性得到平稳相关性指标，包括：

对簇内各红外传感器对应的避障平稳程度从大到小进行排序，得到避障平稳程度序列；由簇内各红外传感器对应的实时的环境红外光辐射构建环境红外光辐射序列；

计算所述避障平稳程度序列的方差作为第一方差、所述环境红外光辐射序列的方差作为第二方差；第一方差和第二方差中的较小方差和较大方差的比值作为相关波动程度；

计算所述避障平稳程度序列和环境红外光辐射序列的皮尔逊相关系数作为第二相关系数；

所述第二相关系数的绝对值和所述相关波动程度的乘积，为平稳相关性指标。

6.根据权利要求1所述的一种机器人避障评估方法，其特征在于，所述根据所述差异距离计算各红外传感器的隶属度，包括：

对于目标红外传感器，计算所述目标红外传感器与所属簇内其他红外传感器的差异距离的均值作为距离均值；

以所述距离均值与预设角度的乘积作为自变量的余弦函数，为所述目标红外传感器的隶属度。

7.根据权利要求1所述的一种机器人避障评估方法，其特征在于，所述基于所述避障平稳程度、所述环境红外光辐射和所述平稳相关性指标得到避障可靠度，包括：

所述避障可靠度的计算公式为：

其中，

为所述避障可靠度；

为所述避障平稳程度；

为所述环境红外光辐射；

为函 数调整参数；

为所述平稳相关性指标；

为双曲正切函数。

8.根据权利要求1所述的一种机器人避障评估方法，其特征在于，所述由所述隶属度和差异距离作为避障可靠度预测网络的损失函数的权重，包括：

对于任意簇，获取簇内隶属度最高的红外传感器，将隶属度最高的红外传感器与簇内其他红外传感器对应的差异距离之和，作为差异距离和；每个簇对应一个差异距离和，将归一化后的差异距离和作为每个簇对应的差异权重；

所述损失函数为：

其中，

为损失函数；

为第i个红外传感器样本对应的损失函数；

为第i个红外 传感器样本对应的归一化后的隶属度；

为第n个簇对应的差异权重。

Images