CN116400605B - 一种机器人自动控制方法及系统 - Google Patents
一种机器人自动控制方法及系统 Download PDFInfo
- Publication number
- CN116400605B CN116400605B CN202310677209.0A CN202310677209A CN116400605B CN 116400605 B CN116400605 B CN 116400605B CN 202310677209 A CN202310677209 A CN 202310677209A CN 116400605 B CN116400605 B CN 116400605B
- Authority
- CN
- China
- Prior art keywords
- robot
- layer
- neural network
- network model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 54
- 238000011176 pooling Methods 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 12
- 230000006641 stabilisation Effects 0.000 claims description 9
- 238000011105 stabilization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 239000003814 drug Substances 0.000 description 6
- 229940079593 drug Drugs 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 229910010293 ceramic material Inorganic materials 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种机器人自动控制方法及系统，属于非电变量的控制或调节系统技术领域，本发明采用训练好的神经网络模型去处理场景图像，从而框出可行驶区域，再根据机器人的当前位置和可行驶区域，构建路径目标函数，对路径目标函数进行求解，得到当前最优的转向角度，在行驶过程，不断根据拍摄的场景图像，得到每个场景下的最优转向角度，从而减少机器人避障时绕路长度，机器人根据每个场景下的最优转向角度，进行转向行驶，从而减少同样路程下，机器人的耗能。
Description
技术领域
本发明涉及非电变量的控制或调节系统技术领域，具体涉及一种机器人自动控制方法及系统。
背景技术
机器人在行驶过程中，通常通过超声波探测器、毫米波雷达或者激光雷达进行探测障碍物，找到障碍物的位置，从而规避障碍物，但在障碍物存在多个时，无法时刻根据障碍物的位置找到最优行驶方向，导致行驶过程存在绕路，行驶过程耗能较大。
发明内容
针对现有技术中的上述不足，本发明提供的一种机器人自动控制方法及系统解决了现有机器人在存在障碍物时，无法找到最优行驶方向的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种机器人自动控制方法，包括以下步骤：
S1、采用训练集和损失函数对神经网络模型进行训练，得到训练完成的神经网络模型；
S2、采用训练完成的神经网络模型对机器人拍摄的场景图像进行处理，得到可行驶区域；
S3、根据机器人的当前位置和可行驶区域，构建路径目标函数；
S4、对路径目标函数进行求解，得到转向角度；
S5、根据转向角度，控制机器人的转向执行机构进行转向行驶。
进一步地，所述S1的神经网络模型包括：残差单元、LSTM单元、第一卷积层、第二卷积层、第三卷积层、第一上采样层、第二上采样层、第一Concat层、第二Concat层、最大池化层、平均池化层和第四卷积层；
所述残差单元的输入端作为神经网络模型的输入端，其输出端分别与LSTM单元的输入端和第二卷积层的输入端连接；所述LSTM单元的输出端与第一卷积层的输入端连接；所述第一卷积层的输出端与第一上采样层的输入端连接；所述第一Concat层的输入端分别与第二卷积层的输出端和第一上采样层的输出端连接，其输出端分别与最大池化层的输入端和平均池化层的输入端连接；所述第二Concat层的输入端分别与最大池化层的输出端和平均池化层的输出端连接，其输出端与第三卷积层的输入端连接；所述第二上采样层的输入端与第三卷积层的输出端连接，其输出端与第四卷积层的输入端连接；所述第四卷积层的输出端作为神经网络模型的输出端。
上述进一步地方案的有益效果为：由于机器人采集的场景图像中存在部分障碍物随时间变化而移动，因此，本发明在残差单元提取特征后，采用LSTM单元进行特征提取，实现对数据趋势和前后相关性的挖掘，同时，采用两条不同路径对特征进行提取，保障特征丰富性，两条路径提取到的特征在第一Concat层进行特征组合，并将组合后的特征分别进行最大池化层和平均池化层处理，得到显著特征和全局特征，在第二Concat层处，将显著特征和全局特征进行组合，缩小数据量的同时，最大程度的保留有效特征。
所述S1中训练神经网络模型的损失函数为：
；
，/>；
，/>；
其中，为第/>次训练的损失函数，/>为第/>次训练时神经网络模型输出的可行驶区域/>与标签区域/>的并集，/>为第/>次训练时神经网络模型输出的可行驶区域/>与标签区域/>的交集，/>为第/>次训练时神经网络模型输出的可行驶区域，/>为第/>次训练时的标签区域，/>为临近训练次数，/>为第/>次训练时神经网络模型输出的可行驶区域/>与标签区域/>的并集，/>为第/>次训练时神经网络模型输出的可行驶区域/>与标签区域/>的交集，/>为第/>次训练时神经网络模型输出的可行驶区域，/>为第/>次训练时的标签区域，/>为并集，/>为交集，/>为标记临近训练次数的编号，/>为损失系数。
上述进一步地方案的有益效果为：在训练初期，神经网络模型准确率较低，因此输出的可行驶区域与标签区域相差较远，因此，在时，本发明利用/>表征可行驶区域与标签区域的差距，并采用标签区域与可行驶区域的比值体现两者差距的程度，两个差距越大，损失函数越大，神经网络模型参数变化越大，使得神经网络参数快速变化，在/>时，可行驶区域与标签区域两者差距缩小，本发明考虑当前次可行驶区域与标签区域的差距，以及临近历史多次可行驶区域与标签区域的差距，从而使得整体上，神经网络模型参数能训练到使得损失函数的损失值较小的程度。
进一步地，所述S3中路径目标函数为：
；
其中，为路径目标函数，/>为第1个转向角度，/>为第/>个转向角度，/>为第/>个转向角度，/>为取序列的最小值。
进一步地，所述转向角度的计算公式为：
；
其中，为第/>个转向角度，/>为反余弦变换，/>为目标位置的横坐标，/>为目标位置的纵坐标，/>为机器人当前位置的横坐标，/>为机器人当前位置的纵坐标，/>为预估现实中的第/>个可行驶区域的中心横坐标，/>为预估现实中的第/>个可行驶区域的中心纵坐标。
上述进一步地方案的有益效果为：在场景图像中，神经网络模型标注的可行驶区域可能存在多个，因此，机器人有多个可以行驶的方向，连接目标位置和当前位置，得到理想行驶路径，连接现实中可行驶区域中心点与当前位置，得到可行驶路径，计算可行驶路径与理想行驶路径角度，从而找到夹角最小的/>，作为最优方向，在每个时刻，机器人都选择出离理想行驶路径最近的方向，从而实现路径选择最优化，节省机器人的绕路长度。
进一步地，所述中心纵坐标和中心横坐标/>的公式为：
；
；
其中，为机器人当前位置的横坐标，/>为机器人当前位置的纵坐标，/>为场景图像上第/>个可行驶区域的中心横坐标，/>为场景图像上第/>个可行驶区域的中心纵坐标，为自然常数，/>为横坐标/>的权重，/>为中心横坐标/>的权重，/>为纵坐标/>的权重，/>为中心纵坐标/>的权重，/>为第一偏置系数，/>为第二偏置系数，/>为对数函数，/>为双曲正切函数。
上述进一步地方案的有益效果为：根据机器人的当前位置和图像上位置建立位置映射模型，从而预估出现实中的位置。
进一步地，所述S5包括以下分步骤：
S51、根据转向角度，基于转向模型控制机器人的转向执行机构进行转向；
S52、在转向后，基于速度模型驱动机器人的动力执行机构进行行驶。
进一步地，所述S51中转向模型包括：加速阶段、稳定阶段和减速阶段；
加速阶段：；
稳定阶段：；
减速阶段：；
其中，为加速阶段给转向执行机构的执行角速度，/>为初始角速度，/>为转向执行机构的当前角速度，/>为需转向角度，/>为反正切函数，/>为自然常数，为稳定阶段给转向执行机构的执行角速度，/>为目标角速度，/>为稳定阶段的时间，为减速阶段给转向执行机构的执行角速度，/>为减速阶段的时间。
上述进一步地方案的有益效果为：在转向角度越大时，加速阶段的加速度越大，从而使得角速度快速等于或大于目标角速度，在当前角速度等于或大于目标角速度后，对角速度进行稳定控制，使其较匀速转向，在当前角速度大于目标角速度/>时，当前角速度会逐步缩小，逼近目标角速度/>，在临近制动时，将角速度逐步缩小，进而在等于转向角度/>时能进行紧急制动。
进一步地，所述S52中速度模型为：
；
其中，为给动力执行机构执行的行驶速度，/>为动力执行机构当前实际的行驶速度，/>为目标行驶速度，/>为反正切函数。
上述进一步地方案的有益效果为：在当前实际的行驶速度小于目标行驶速度/>时，当前实际的行驶速度跟随/>与/>的差值情况上升，在/>等于/>时，当前行驶速度稳定在目标速度，在当前实际的行驶速度/>大于目标行驶速度/>时，当前实际的行驶速度跟随/>与/>的差值情况下降，自适应调节行驶速度至目标速度。
一种机器人自动控制方法的系统，包括：训练单元、可行驶区域识别单元、路径规划单元和行驶驱动单元；
所述训练单元用于采用训练集对神经网络模型进行训练，得到训练完成的神经网络模型；
所述可行驶区域识别单元用于采用训练完成的神经网络模型对机器人拍摄的场景图像进行处理，得到可行驶区域；
所述路径规划单元用于根据机器人的当前位置和可行驶区域，构建路径目标函数，并对路径目标函数进行求解，得到转向角度；
所述行驶驱动单元用于根据转向角度，控制机器人的转向执行机构进行转向行驶。
综上，本发明的有益效果为：本发明采用训练好的神经网络模型去处理场景图像，从而框出可行驶区域，再根据机器人的当前位置和可行驶区域，构建路径目标函数，对路径目标函数进行求解，得到当前最优的转向角度，在行驶过程，不断根据拍摄的场景图像，得到每个场景下的最优转向角度，从而减少机器人避障时绕路长度，机器人根据每个场景下的最优转向角度，进行转向行驶，从而减少同样路程下，机器人的耗能。
附图说明
图1为一种机器人自动控制方法的流程图。
图2为神经网络模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1，如图1所示，一种机器人自动控制方法，包括以下步骤：
S1、采用训练集和损失函数对神经网络模型进行训练，得到训练完成的神经网络模型；
如图2所示，所述S1的神经网络模型包括：残差单元、LSTM单元、第一卷积层、第二卷积层、第三卷积层、第一上采样层、第二上采样层、第一Concat层、第二Concat层、最大池化层、平均池化层和第四卷积层；
所述残差单元的输入端作为神经网络模型的输入端，其输出端分别与LSTM单元的输入端和第二卷积层的输入端连接；所述LSTM单元的输出端与第一卷积层的输入端连接；所述第一卷积层的输出端与第一上采样层的输入端连接；所述第一Concat层的输入端分别与第二卷积层的输出端和第一上采样层的输出端连接，其输出端分别与最大池化层的输入端和平均池化层的输入端连接；所述第二Concat层的输入端分别与最大池化层的输出端和平均池化层的输出端连接，其输出端与第三卷积层的输入端连接；所述第二上采样层的输入端与第三卷积层的输出端连接，其输出端与第四卷积层的输入端连接；所述第四卷积层的输出端作为神经网络模型的输出端。
在本实施例中，残差单元为残差神经网络。
由于机器人采集的场景图像中存在部分障碍物随时间变化而移动，因此，本发明在残差单元提取特征后，采用LSTM单元进行特征提取，实现对数据趋势和前后相关性的挖掘，同时，采用两条不同路径对特征进行提取，保障特征丰富性，两条路径提取到的特征在第一Concat层进行特征组合，并将组合后的特征分别进行最大池化层和平均池化层处理，得到显著特征和全局特征，在第二Concat层处，将显著特征和全局特征进行组合，缩小数据量的同时，最大程度的保留有效特征。
所述S1中训练神经网络模型的损失函数为：
；
，/>；
，/>；
其中，为第/>次训练的损失函数，/>为第/>次训练时神经网络模型输出的可行驶区域/>与标签区域/>的并集，/>为第/>次训练时神经网络模型输出的可行驶区域/>与标签区域/>的交集，/>为第/>次训练时神经网络模型输出的可行驶区域，/>为第/>次训练时的标签区域，/>为临近训练次数，/>为第/>次训练时神经网络模型输出的可行驶区域/>与标签区域/>的并集，/>为第/>次训练时神经网络模型输出的可行驶区域/>与标签区域/>的交集，/>为第/>次训练时神经网络模型输出的可行驶区域，/>为第/>次训练时的标签区域，/>为并集，/>为交集，/>为标记临近训练次数的编号，/>为损失系数。
在训练初期，神经网络模型准确率较低，因此输出的可行驶区域与标签区域相差较远，因此，在时，本发明利用/>表征可行驶区域与标签区域的差距，并采用标签区域与可行驶区域的比值体现两者差距的程度，两个差距越大，损失函数越大，神经网络模型参数变化越大，使得神经网络参数快速变化，在/>时，可行驶区域与标签区域两者差距缩小，本发明考虑当前次可行驶区域与标签区域的差距，以及临近历史多次可行驶区域与标签区域的差距，从而使得整体上，神经网络模型参数能训练到使得损失函数的损失值较小的程度。
S2、采用训练完成的神经网络模型对机器人拍摄的场景图像进行处理，得到可行驶区域；
S3、根据机器人的当前位置和可行驶区域，构建路径目标函数；
所述S3中路径目标函数为：
；
其中，为路径目标函数，/>为第1个转向角度，/>为第/>个转向角度，/>为第/>个转向角度，/>为取序列的最小值。
所述转向角度的计算公式为：
；
其中，为第/>个转向角度，/>为反余弦变换，/>为目标位置的横坐标，/>为目标位置的纵坐标，/>为机器人当前位置的横坐标，/>为机器人当前位置的纵坐标，/>为预估现实中的第/>个可行驶区域的中心横坐标，/>为预估现实中的第/>个可行驶区域的中心纵坐标。
在场景图像中，神经网络模型标注的可行驶区域可能存在多个，因此，机器人有多个可以行驶的方向，连接目标位置和当前位置，得到理想行驶路径，连接现实中可行驶区域中心点与当前位置，得到可行驶路径，计算可行驶路径与理想行驶路径角度，从而找到夹角最小的/>，作为最优方向，在每个时刻，机器人都选择出离理想行驶路径最近的方向，从而实现路径选择最优化，节省机器人的绕路长度。
所述中心纵坐标和中心横坐标/>的公式为：
；
；
其中，为机器人当前位置的横坐标，/>为机器人当前位置的纵坐标，/>为场景图像上第/>个可行驶区域的中心横坐标，/>为场景图像上第/>个可行驶区域的中心纵坐标，为自然常数，/>为横坐标/>的权重，/>为中心横坐标/>的权重，/>为纵坐标/>的权重，/>为中心纵坐标/>的权重，/>为第一偏置系数，/>为第二偏置系数，/>为对数函数，/>为双曲正切函数。
根据机器人的当前位置和图像上位置建立位置映射模型，从而预估出现实中的位置。
在本实施例，将图像中坐标、机器人位置坐标和现实中位置构建为训练集，将图像中坐标和机器人位置坐标作为位置映射模型输入量，将现实中位置作为标签，构成训练集，从而训练位置映射模型，得到具体的权重和偏置，从而建立现实与图像关系。
S4、对路径目标函数进行求解，得到转向角度；
S5、根据转向角度，控制机器人的转向执行机构进行转向行驶。
所述S5包括以下分步骤：
S51、根据转向角度，基于转向模型控制机器人的转向执行机构进行转向；
S52、在转向后，基于速度模型驱动机器人的动力执行机构进行行驶。
在本实施例中，转向执行机构为机器人中的方向总成，动力执行机构为机器人中的动力总成。
所述S51中转向模型包括：加速阶段、稳定阶段和减速阶段；
加速阶段：；
稳定阶段：；
减速阶段：；
其中，为加速阶段给转向执行机构的执行角速度，/>为初始角速度，/>为转向执行机构的当前角速度，/>为需转向角度，/>为反正切函数，/>为自然常数，为稳定阶段给转向执行机构的执行角速度，/>为目标角速度，/>为稳定阶段的时间，为减速阶段给转向执行机构的执行角速度，/>为减速阶段的时间。
在转向角度越大时，加速阶段的加速度越大，从而使得角速度快速等于或大于目标角速度，在当前角速度等于或大于目标角速度/>后，对角速度进行稳定控制，使其较匀速转向，在当前角速度大于目标角速度/>时，当前角速度会逐步缩小，逼近目标角速度/>，在临近制动时，将角速度逐步缩小，进而在等于转向角度/>时能进行紧急制动。
所述S52中速度模型为：
；
其中，为给动力执行机构执行的行驶速度，/>为动力执行机构当前实际的行驶速度，/>为目标行驶速度，/>为反正切函数。
在当前实际的行驶速度小于目标行驶速度/>时，当前实际的行驶速度跟随/>与/>的差值情况上升，在/>等于/>时，当前行驶速度稳定在目标速度，在当前实际的行驶速度/>大于目标行驶速度/>时，当前实际的行驶速度跟随/>与/>的差值情况下降，自适应调节行驶速度至目标速度。
实施例2，一种机器人自动控制方法的系统，包括：训练单元、可行驶区域识别单元、路径规划单元和行驶驱动单元；
所述训练单元用于采用训练集对神经网络模型进行训练，得到训练完成的神经网络模型；
所述可行驶区域识别单元用于采用训练完成的神经网络模型对机器人拍摄的场景图像进行处理，得到可行驶区域；
所述路径规划单元用于根据机器人的当前位置和可行驶区域，构建路径目标函数，并对路径目标函数进行求解，得到转向角度；
所述行驶驱动单元用于根据转向角度，控制机器人的转向执行机构进行转向行驶。
实施例2的具体实现内容跟实施例1记载内容一致。
综上，本发明实施例的有益效果为：本发明采用训练好的神经网络模型去处理场景图像，从而框出可行驶区域，再根据机器人的当前位置和可行驶区域，构建路径目标函数，对路径目标函数进行求解，得到当前最优的转向角度，在行驶过程，不断根据拍摄的场景图像，得到每个场景下的最优转向角度，从而减少机器人避障时绕路长度，机器人根据每个场景下的最优转向角度，进行转向行驶，从而减少同样路程下，机器人的耗能。
本发明实施例1和实施2的技术方案可运用于包括但不限于箱式机器人的各类机器人。在一个应用场景中，运用本发明实施例1和实施例2的箱式机器人能有效在物流园区中实现无人化自动平稳行驶，进行包裹分拣和转运。在另一个应用场景中，运用本发明实施例1和实施例2的箱式机器人，接入HIS医院信息系统，在医院中承担药物和氧气运输的功能，以及针对病患进行用药指导的功能。得益于本发明实施例的有益效果，该箱式机器人在从货运卡车卸载药物或氧气瓶运送至门急诊大楼药房的过程中，能有效自动规划路线，并平稳行驶，自动避开医护人员和行动不便的患者，为医院内的交通安全保驾护航；同时，本发明的机器人可运用于将零散药物从药房运送至住院部并向患者分发，并广播用药指导，减少医护工作强度，提高工作效率。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)
1.一种机器人自动控制方法，其特征在于，包括以下步骤：
S1、采用训练集和损失函数对神经网络模型进行训练，得到训练完成的神经网络模型；
S2、采用训练完成的神经网络模型对机器人拍摄的场景图像进行处理，得到可行驶区域；
S3、根据机器人的当前位置和可行驶区域，构建路径目标函数；
S4、对路径目标函数进行求解，得到转向角度；
S5、根据转向角度，控制机器人的转向执行机构进行转向行驶；
所述S1的神经网络模型包括：残差单元、LSTM单元、第一卷积层、第二卷积层、第三卷积层、第一上采样层、第二上采样层、第一Concat层、第二Concat层、最大池化层、平均池化层和第四卷积层；
所述残差单元的输入端作为神经网络模型的输入端，其输出端分别与LSTM单元的输入端和第二卷积层的输入端连接；所述LSTM单元的输出端与第一卷积层的输入端连接；所述第一卷积层的输出端与第一上采样层的输入端连接；所述第一Concat层的输入端分别与第二卷积层的输出端和第一上采样层的输出端连接，其输出端分别与最大池化层的输入端和平均池化层的输入端连接；所述第二Concat层的输入端分别与最大池化层的输出端和平均池化层的输出端连接，其输出端与第三卷积层的输入端连接；所述第二上采样层的输入端与第三卷积层的输出端连接，其输出端与第四卷积层的输入端连接；所述第四卷积层的输出端作为神经网络模型的输出端；
所述S1中训练神经网络模型的损失函数为：
；
，/>；
，/>；
其中，为第/>次训练的损失函数，/>为第/>次训练时神经网络模型输出的可行驶区域/>与标签区域/>的并集，/>为第/>次训练时神经网络模型输出的可行驶区域/>与标签区域/>的交集，/>为第/>次训练时神经网络模型输出的可行驶区域，/>为第/>次训练时的标签区域，/>为临近训练次数，/>为第/>次训练时神经网络模型输出的可行驶区域与标签区域的/>并集，/>为第/>次训练时神经网络模型输出的可行驶区域与标签区域/>的交集，/>为第/>次训练时神经网络模型输出的可行驶区域，为第/>次训练时的标签区域，/>为并集，/>为交集，/>为标记临近训练次数的编号，/>为损失系数。
2.根据权利要求1所述的机器人自动控制方法，其特征在于，所述S3中路径目标函数为：
；
其中，为路径目标函数，/>为第1个转向角度，/>为第/>个转向角度，/>为第/>个转向角度，/>为取序列的最小值。
3.根据权利要求2所述的机器人自动控制方法，其特征在于，所述转向角度的计算公式为：
；
其中，为第/>个转向角度，/>为反余弦变换，/>为目标位置的横坐标，/>为目标位置的纵坐标，/>为机器人当前位置的横坐标，/>为机器人当前位置的纵坐标，/>为预估现实中的第/>个可行驶区域的中心横坐标，/>为预估现实中的第/>个可行驶区域的中心纵坐标。
4.根据权利要求3所述的机器人自动控制方法，其特征在于，所述中心纵坐标和中心横坐标/>的公式为：
；
；
其中，为机器人当前位置的横坐标，/>为机器人当前位置的纵坐标，/>为场景图像上第/>个可行驶区域的中心横坐标，/>为场景图像上第/>个可行驶区域的中心纵坐标，/>为自然常数，/>为横坐标/>的权重，/>为中心横坐标/>的权重，/>为纵坐标/>的权重，/>为中心纵坐标/>的权重，/>为第一偏置系数，/>为第二偏置系数，/>为对数函数，为双曲正切函数。
5.根据权利要求1所述的机器人自动控制方法，其特征在于，所述S5包括以下分步骤：
S51、根据转向角度，基于转向模型控制机器人的转向执行机构进行转向；
S52、在转向后，基于速度模型驱动机器人的动力执行机构进行行驶。
6.根据权利要求5所述的机器人自动控制方法，其特征在于，所述S51中转向模型包括：加速阶段、稳定阶段和减速阶段；
加速阶段：；
稳定阶段：；
减速阶段：；
其中，为加速阶段给转向执行机构的执行角速度，/>为初始角速度，/>为转向执行机构的当前角速度，/>为需转向角度，/>为反正切函数，/>为自然常数，/>为稳定阶段给转向执行机构的执行角速度，/>为目标角速度，/>为稳定阶段的时间，/>为减速阶段给转向执行机构的执行角速度，/>为减速阶段的时间。
7.根据权利要求5所述的机器人自动控制方法，其特征在于，所述S52中速度模型为：
；
其中，为给动力执行机构执行的行驶速度，/>为动力执行机构当前实际的行驶速度，/>为目标行驶速度，/>为反正切函数。
8.一种根据权利要求1~7所述的机器人自动控制方法的系统，其特征在于，包括：训练单元、可行驶区域识别单元、路径规划单元和行驶驱动单元；
所述训练单元用于采用训练集对神经网络模型进行训练，得到训练完成的神经网络模型；
所述可行驶区域识别单元用于采用训练完成的神经网络模型对机器人拍摄的场景图像进行处理，得到可行驶区域；
所述路径规划单元用于根据机器人的当前位置和可行驶区域，构建路径目标函数，并对路径目标函数进行求解，得到转向角度；
所述行驶驱动单元用于根据转向角度，控制机器人的转向执行机构进行转向行驶。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310677209.0A CN116400605B (zh) | 2023-06-08 | 2023-06-08 | 一种机器人自动控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310677209.0A CN116400605B (zh) | 2023-06-08 | 2023-06-08 | 一种机器人自动控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116400605A CN116400605A (zh) | 2023-07-07 |
| CN116400605B true CN116400605B (zh) | 2023-08-11 |
Family
ID=87012793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310677209.0A Active CN116400605B (zh) | 2023-06-08 | 2023-06-08 | 一种机器人自动控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116400605B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117742136B (zh) * | 2024-02-20 | 2024-04-26 | 成都航空职业技术学院 | 一种基于pid的飞行器自动控制方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101179075B1 (ko) * | 2012-02-28 | 2012-09-03 | 국방과학연구소 | 자율로봇의 경로계획방법 및 이를 구비한 경로계획장치 |
| CN104460666A (zh) * | 2014-10-27 | 2015-03-25 | 上海理工大学 | 一种基于距离矢量的机器人自主避障移动控制方法 |
| CN107092254A (zh) * | 2017-04-27 | 2017-08-25 | 北京航空航天大学 | 一种基于深度增强学习的家用扫地机器人的设计方法 |
| CN109726627A (zh) * | 2018-09-29 | 2019-05-07 | 初速度（苏州）科技有限公司 | 一种神经网络模型训练及通用接地线的检测方法 |
| CN110032212A (zh) * | 2019-03-13 | 2019-07-19 | 浙江工业大学 | 一种基于神经网络的轮式机器人自动跟随方法 |
| CN110320883A (zh) * | 2018-03-28 | 2019-10-11 | 上海汽车集团股份有限公司 | 一种基于强化学习算法的车辆自动驾驶控制方法及装置 |
| CN112698653A (zh) * | 2020-12-23 | 2021-04-23 | 南京中朗智能技术有限公司 | 基于深度学习的机器人自主导航控制方法及系统 |
| CN113358118A (zh) * | 2021-05-06 | 2021-09-07 | 北京化工大学 | 非结构环境中端到端的室内移动机器人自主导航方法 |
| CN115690038A (zh) * | 2022-10-28 | 2023-02-03 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于卷积与循环网络的医疗影像报告生成方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE112019000048T5 (de) * | 2018-03-15 | 2020-01-16 | Nvidia Corporation | Bestimmung eines befahrbaren freiraums für autonome fahrzeuge |
| US11613016B2 (en) * | 2019-07-31 | 2023-03-28 | Brain Corporation | Systems, apparatuses, and methods for rapid machine learning for floor segmentation for robotic devices |
-
2023
- 2023-06-08 CN CN202310677209.0A patent/CN116400605B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101179075B1 (ko) * | 2012-02-28 | 2012-09-03 | 국방과학연구소 | 자율로봇의 경로계획방법 및 이를 구비한 경로계획장치 |
| CN104460666A (zh) * | 2014-10-27 | 2015-03-25 | 上海理工大学 | 一种基于距离矢量的机器人自主避障移动控制方法 |
| CN107092254A (zh) * | 2017-04-27 | 2017-08-25 | 北京航空航天大学 | 一种基于深度增强学习的家用扫地机器人的设计方法 |
| CN110320883A (zh) * | 2018-03-28 | 2019-10-11 | 上海汽车集团股份有限公司 | 一种基于强化学习算法的车辆自动驾驶控制方法及装置 |
| CN109726627A (zh) * | 2018-09-29 | 2019-05-07 | 初速度（苏州）科技有限公司 | 一种神经网络模型训练及通用接地线的检测方法 |
| WO2020062433A1 (zh) * | 2018-09-29 | 2020-04-02 | 初速度（苏州）科技有限公司 | 一种神经网络模型训练及通用接地线的检测方法 |
| CN110032212A (zh) * | 2019-03-13 | 2019-07-19 | 浙江工业大学 | 一种基于神经网络的轮式机器人自动跟随方法 |
| CN112698653A (zh) * | 2020-12-23 | 2021-04-23 | 南京中朗智能技术有限公司 | 基于深度学习的机器人自主导航控制方法及系统 |
| CN113358118A (zh) * | 2021-05-06 | 2021-09-07 | 北京化工大学 | 非结构环境中端到端的室内移动机器人自主导航方法 |
| CN115690038A (zh) * | 2022-10-28 | 2023-02-03 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于卷积与循环网络的医疗影像报告生成方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| Fully Convolutional Encoder-Decoder With an Attention Mechanism for Practical Pedestrian Trajectory Prediction;Kai Chen等;《IEEE Transactions on Intelligent Transportation Systems》;第23卷(第11期);20046-20060 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116400605A (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Asadi et al. | An integrated UGV-UAV system for construction site data collection | |
| Matveev et al. | Real-time navigation of mobile robots in problems of border patrolling and avoiding collisions with moving and deforming obstacles | |
| CN116400605B (zh) | 一种机器人自动控制方法及系统 | |
| Keipour et al. | Visual servoing approach to autonomous uav landing on a moving vehicle | |
| Claes et al. | Multi robot collision avoidance in a shared workspace | |
| US20150284010A1 (en) | Shared control of semi-autonomous vehicles including collision avoidance in multi-agent scenarios | |
| Saska et al. | Formation control of unmanned micro aerial vehicles for straitened environments | |
| US11712802B2 (en) | Construction constrained motion primitives from robot maps | |
| Yasin et al. | Formation maintenance and collision avoidance in a swarm of drones | |
| WO2021169043A1 (zh) | 一种双足机器人落脚位置控制系统与方法 | |
| US20220055651A1 (en) | Data-driven warm start selection for optimization-based trajectory planning | |
| Yu et al. | Vision-based navigation frame mapping and planning for collision avoidance for miniature air vehicles | |
| Pérez et al. | Autonomous docking based on infrared system for electric vehicle charging in urban areas | |
| Alonso-Mora et al. | Shared control of autonomous vehicles based on velocity space optimization | |
| US11841708B2 (en) | System and method for adjusting a planned trajectory of an autonomous vehicle | |
| Dentler et al. | Model predictive cooperative localization control of multiple UAVs using potential function sensor constraints: a workflow to create sensor constraint based potential functions for the control of cooperative localization scenarios with mobile robots | |
| Kumar et al. | Vision-based outdoor navigation of self-driving car using lane detection | |
| Fallah et al. | A visual predictive control framework for robust and constrained multi-agent formation control | |
| Yu et al. | An optimization-based motion planner for car-like logistics robots on narrow roads | |
| Carneiro et al. | Mapping road lanes using laser remission and deep neural networks | |
| Yu et al. | Design of the navigation system through the fusion of IMU and wheeled encoders | |
| Emmi et al. | An efficient guiding manager for ground mobile robots in agriculture | |
| US20220397914A1 (en) | Fast continuous regulation of nonholonomic mobile robots | |
| Kim et al. | A heuristic obstacle avoidance algorithm using vanishing point and obstacle angle | |
| Jiang et al. | Human-machine cooperative trajectory planning for semi-autonomous driving based on the understanding of behavioral semantics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |