CN116679712B - 一种基于广义维诺图的室内环境机器人高效探索决策方法 - Google Patents

Abstract

本发明涉及一种基于广义维诺图的室内环境机器人高效探索决策方法。本发明借助广义维诺图，生成环境的GVD特征，在提取边界过程中，利用GVD节点快速提取全局启发式边界点和局部启发式边界点并进行融合，加快了边界点的提取速度；在决策过程中，采用分层决策方案，针对局部启发式边界点、局部边界点集、全局启发式边界点，分别采用三种决策方法针进行决策，解决了忽略探索点之间的探索顺序从而导致机器人在区域内重复探索、消耗资源，产生回溯现象和探索过程的无序性的问题；在路径计算时，采用GVD路径代替欧式路径用于成本计算，提高机器人的探索效率，增强了决策的有效性。

Description

一种基于广义维诺图的室内环境机器人高效探索决策方法

技术领域

本发明涉及移动机器人自主探索技术领域，尤其是指一种基于广义维诺图的室内环境机器人高效探索决策方法。

背景技术

移动机器人自主探索的研究是移动机器人领域发展的一个热点，该技术已经应用于丛林探索、隧道勘探与救援和火星探测等领域，发展前景广阔。移动机器人自主探索旨在让移动机器人在全程无人工干预的前提下，借助探索方法自主穿越未知环境，直至建立完整的环境地图。在机器人自主探索过程中主要涉及两个问题：一个是自身定位和环境地图构建，另一个是路径规划。

自主探索需要机器人根据已知区域去探索未知区域，寻找边界条件并优化机器人的行走路径，以最小的代价完成环境地图的构建。基于边界的探索方法通过边界将探索区域划分为已知区域和未知区域，并引导机器人前往边界来更新环境地图。基于边界的探索方法先根据传感器信息获得环境地图，然后利用图像处理等方法提取出环境地图的边界，通过设计评价函数选择最优的边界并规划路径前往边界进行探索，更新环境地图直到机器人探索结束，得到探索完全的环境地图。

在提取边界这一问题上，常见的方法是利用数字图像处理技术来分割出环境的边界。但随着环境复杂程度的提高，优化后的数字图像处理方法也无法降低计算复杂度，机器人提取边界效率低下。基于随机采样的方法因其有效搜索状态空间的能力而受到欢迎，该方法通过集成的碰撞检查模块来避免了对复杂空间的构造，降低了计算复杂度，因而Umari等人提出通过RRT算法来提取边界。该方法通过在地图的自由区域内生长两棵RRT树，RRT树生长到边界的节点被标记为潜在的边界点。但由于采样的随机性，基于RRT的探索方法很难在转角、长廊、迷宫等陷阱空间场景时快速高效的提取边界点，这导致了机器人未探索完全就转向其他区域或由于无探索点被困在原地，造成机器人自主探索的效率低下，甚至更糟的是整个探索的失败。

在边界决策问题上，现有的探索决策方案大多都是短视的，只考虑了边界点自身信息增益和路径成本，而忽视了探索点之间的探索顺序对探索的影响，这种短视的决策方案易导致机器人在探索中出现无序性，机器人在区域内不断重复探索，造成探索资源的浪费。

在路径计算问题上，有两种传统的方法：一种是利用两点间的欧式距离，另一种是通过路径规划来计算路径长度。基于欧式距离的方法忽略了环境特征，使得对探索点评估不准确。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中在提取边界过程中未探索完全就转向其他区域或由于无探索点被困在原地，造成自主探索的效率低下甚至探索失败；在边界决策过程中，只考虑边界点自身信息增益和路径成本，忽略探索点之间的探索顺序从而导致机器人在区域内重复探索、消耗资源，产生回溯现象和探索过程的无序性；在路径计算方面，采用欧式距离，忽略环境特征，对探索点评估不准确的问题。

为解决上述技术问题，本发明提供了一种基于广义维诺图的室内环境机器人高效探索决策方法，包括：

步骤1：在初始状态下，机器人处于未知的环境，通过机器人自身搭载的传感器获取机器人所处空间的环境信息；

步骤2：使用SLAM模块接收机器人搭载的传感器数据，通过读取传感器激光数据对二维栅格地图数据进行更新，并且根据激光数据修正机器人位姿，准确对机器人定位；

步骤3：订阅机器人搭载的传感器的信息，对信息进行处理，区分已知区域和未知区域，并将未知区域划分为暂定障碍物，输出机器人处于当前位置时的全局地图，将所述全局地图输入到建图模型中，得到带有广义维诺图信息的全局地图；

步骤4：将广义维诺图中带有半径信息的GVD节点与机器人当前位置的全局地图融合，将每个GVD节点半径内未知区域的栅格值个数分别与预先设定的判断阈值依次进行比较，当GVD节点半径内未知区域的栅格值个数大于等于该判断阈值时，就认为该GVD节点属于启发式边界点；在当前位置的全局地图上以及当前以机器人为中心的局部地图上分别提取全局启发式边界点和局部启发式边界点；

步骤5：针对提取到的启发式边界点进行分层决策，确定探索顺序：判断是否存在局部启发式边界点；当存在局部启发式边界点时，计算机器人到各个局部启发式边界点的路径成本，使用评价函数对各局部启发式边界点进行判断，将评价函数最高的点作为最优探索目标点，并将其余的局部启发式边界点加入局部边界点集；引导机器人向最优探索目标点进行导航，返回执行步骤2；当不存在局部启发式边界点时，执行下一步；

步骤6：判断局部边界点集是否为空；当局部边界点集不为空时，计算机器人到局部边界点集中各个边界点的路径成本，考虑到边界点的路径成本和边界点自身增益信息，调整评价函数的参数，使用调整后的评价函数对局部边界点进行判断，选取评价函数最小的点作为最优探索目标点；引导机器人向最优探索目标点进行导航，返回执行步骤2；当局部边界点集为空时，执行下一步；

步骤7：访问全局启发式边界点；计算机器人到各个全局启发式边界点的路径成本，根据优化算法获得的边界点的探索顺序，选择第一个边界点作为最优探索目标点；引导机器人向最优探索目标点进行导航，返回执行步骤2；当全局启发式边界点不存在时，探索完成，生成环境地图，机器人结束探索。

在本发明的一个实施例中，所述步骤3中，将机器人当前位置的全局地图进行区分后得到0-1二值图，其中1表示已知区域，0表示暂定障碍物，即未知区域；将全局地图输入建图模型中，通过池化得到距离图，再通过卷积操作得到带有广义维诺图信息的全局地图。

在本发明的一个实施例中，所述步骤4中，对GVD节点半径内未知区域栅格值个数进行判断时，预先设定的判断阈值为：GVD节点半径内未知栅格数与半径内总栅格数的比值为0.1；当未知区域的栅格值个数大于等于该判断阈值，认为该GVD节点为启发式边界点，同时删除该GVD节点半径内的其余的GVD节点。

在本发明的一个实施例中，在启发式边界点提取过程中，从半径最大的GVD节点开始提取，将满足条件的节点加入启发式边界点集中，将不满足条件的GVD节点删除，直至所有的GVD节点遍历完。

在本发明的一个实施例中，在计算路径成本时，将机器人自身位姿和启发式边界点连接到广义维诺图的边，使用Dijkstra算法遍历广义维诺图，得到机器人到各个启发式边界点的GVD路径，计算路径成本。

在本发明的一个实施例中，所述步骤5中，设计如下评价函数C对启发式边界点进行判断：

C(x_r,x_f)＝G(x_r,x_f)-t(x_r,x_f)*I(x_f)；

其中，x_r表示机器人当前位姿；x_f表示启发式边界点的位姿；G(x_r,x_f)表示机器人当前位姿到边界的GVD路径成本；t(x_r,x_f)表示条件参数状态方程；I(x_f)表示以启发式边界点x_f为中心的固定半径内的未知栅格数量；λ表示是否考虑边界点的信息增益的用户定义的参数；γ表示边界点自身信息增益对评价函数的影响常数。

在本发明的一个实施例中，所述步骤5中，对于提取到的局部启发式边界点，将所述评价函数C中的参数λ，设置为大于G(x_r,x_f)的参数，使条件参数状态方程值为0，忽略边界点自身信息增益的影响。

在本发明的一个实施例中，所述步骤6中，对局部边界点集中的边界点进行信息增益判断，删除没有信息增益的边界点，评价剩下的边界点时，综合信息增益和路径成本以加快区域探索，将所述评价函数C中参数λ设置为0，适当增加参数γ来增大信息增益的权重。

在本发明的一个实施例中，所述步骤7中，对于全局启发式边界点，利用蚁群优化算法，通过求解旅行商问题获得边界点的探索顺序；将机器人自身位姿设置为虚拟起点，将所有边界点到虚拟起点的有向长度设置为0，消除TSP问题求解时返回起点的影响。

在本发明的一个实施例中，所述引导机器人向最优探索目标点进行导航，包括，使用A*全局路径规划算法进行机器人当前位置到最优探索目标点的路径规划，结合DWA局部路径规划算法，使机器人利用局部环境信息完成避障，将两者相结合，引导机器人向目标点导航。

本发明的上述技术方案相比现有技术具有以下优点：

本发明所述的一种基于广义维诺图的室内环境机器人高效探索决策方法，借助广义维诺图，生成环境的GVD特征，在提取边界过程中，利用GVD节点能快速提取全局和局部的启发式边界点并进行融合，加快了边界点的提取速度，同时减少了冗余，避免了探索过程中未探索完全就转向其他区域或者无探索点被困在原地的问题；在决策过程中，采用分层决策方案，针对不同类型的融合后的启发式边界点，采用三种决策方法针对不同类型的边界点进行决策，解决了忽略探索点之间的探索顺序从而导致机器人在区域内重复探索、消耗资源，产生回溯现象和探索过程的无序性的问题；在路径计算时，采用GVD路径代替欧式路径用于成本计算，提高机器人的探索效率，增强了决策的有效性。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：

图1是本发明实施例提供的一种基于广义维诺图的室内环境机器人高效探索决策方法流程图；

图2是本发明实施例提供的场景一仿真环境结构图；

图3是本发明实施例提供的场景二仿真环境结构图；

图4是本发明实施例提供的场景三仿真环境结构图；

图5是本发明实施例提供的场景四仿真环境结构图；

图6是本发明实施例提供的场景五仿真环境结构图；

图7是本发明实施例提供的场景六仿真环境结构图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

参照图1所示，本发明提供的一种一种基于广义维诺图的室内环境机器人高效探索决策方法,包括以下步骤：

步骤1：在初始状态下，机器人处于未知的环境，通过机器人自身搭载的传感器获取机器人所处空间的环境信息；

步骤2：使用SLAM模块接收机器人搭载的传感器数据，通过读取传感器激光数据对二维栅格地图数据进行更新，并且根据激光数据修正机器人位姿，准确对机器人定位；

步骤3：订阅机器人搭载的传感器的信息，对信息进行处理，区分已知区域和未知区域，并将未知区域划分为暂定障碍物，输出机器人处于当前位置时的全局地图，将所述全局地图输入到建图模型中，得到带有广义维诺图信息的全局地图；

步骤4：将广义维诺图中带有半径信息的GVD节点与机器人当前位置的全局地图融合，将每个GVD节点半径内未知区域的栅格值个数分别与预先设定的判断阈值依次进行比较，当GVD节点半径内未知区域的栅格值个数大于等于该判断阈值时，就认为该GVD节点属于启发式边界点；在当前位置的全局地图上以及当前以机器人为中心的局部地图上分别提取全局启发式边界点和局部启发式边界点；

步骤5：针对提取到的启发式边界点进行分层决策，确定探索顺序：判断是否存在局部启发式边界点；当存在局部启发式边界点时，计算机器人到各个局部启发式边界点的路径成本，使用评价函数对各局部启发式边界点进行判断，将评价函数最高的点作为最优探索目标点，并将其余的局部启发式边界点加入局部边界点集；引导机器人向最优探索目标点进行导航，返回执行步骤2；当不存在局部启发式边界点时，执行下一步；

步骤6：判断局部边界点集是否为空；当局部边界点集不为空时，计算机器人到局部边界点集中各个边界点的路径成本，考虑到边界点的路径成本和边界点自身增益信息，调整评价函数的参数，使用调整后的评价函数对局部边界点进行判断，选取评价函数最小的点作为最优探索目标点；引导机器人向最优探索目标点进行导航，返回执行步骤2；当局部边界点集为空时，执行下一步；

步骤7：访问全局启发式边界点；计算机器人到各个全局启发式边界点的路径成本，根据优化算法获得的边界点的探索顺序，选择第一个边界点作为最优探索目标点；引导机器人向最优探索目标点进行导航，返回执行步骤2；当全局启发式边界点不存在时，探索完成，生成环境地图，机器人结束探索。

在机器人自主探索过程中，当初始状态下机器人置于未知环境时，由其自身搭载的传感器首先对周围环境进行检测，获取周围环境信息，通过机器人的SLAM模块,接收传感器获取的数据，通过读取传感器激光数据对二维栅格地图数据进行更新。读取到的传感器的激光数据也可以帮助机器人准确的定位其在环境中的位姿，并且不断对其位姿进行修正，从而实现准确定位。

对机器人搭载的传感器的信息进行处理，根据传感器获取到的信息，将全局地图进行划分，得到0-1二值图，其中1表示已知区域，0表示暂定障碍物，即未知区域。将划分后的全局地图输入到无需训练神经网络的快速广义维诺图建图模型中，在建图模型中首先通过池化操作得到距离图，再通过卷积操作得到带有广义维诺图信息的全局地图。

在带有广义维诺图信息的全局地图中，包含有带有半径信息的GVD节点。将GVD节点反作用于全局地图上，对GVD节点半径内，地图的未知区域栅格值个数进行判断。预先设定的判断阈值为：GVD节点半径内未知栅格数与半径内总栅格数的比值为0.1，当未知区域的栅格值个数大于等于该判断阈值，认为该GVD节点为启发式边界点，同时删除该GVD节点半径内的其余GVD节点，以减小冗余。

GVD节点的半径越大，它所表征的环境信息就越丰富，在提取启发式边界点时，首先从半径最大的GVD节点开始，将满足条件的节点加入启发式边界点集中，将不满足条件的GVD节点删除，直至所有的GVD节点遍历完。按照启发式边界点的提取过程，处理全局地图的GVD节点得到全局启发式边界点集，处理以机器人为中心的局部地图内的GVD节点，得到局部启发式边界点。

将机器人自身位姿和启发式边界点连接到广义维诺图的边，使用Dijkstra算法遍历广义维诺图，得到机器人到各个启发式边界点的GVD路径，用于计算路径成本。同时，为评价各个启发式边界点对探索的影响，设计启发式边界点评价函数C对启发式边界点进行判断：

C(x_r,x_f)＝G(x_r,x_f)-t(x_r,x_f)*I(x_f)；

其中，x_r表示机器人当前位姿；x_f表示启发式边界点的位姿；G(x_r,x_f)表示机器人当前位姿到边界的GVD路径成本；t(x_r,x_f)表示条件参数状态方程；I(x_f)表示以启发式边界点x_f为中心的固定半径内的未知栅格数量；λ表示是否考虑边界的信息增益的用户定义的参数；γ表示边界自身信息增益对评价函数的影响常数。

对提取到的启发式边界点进行分层决策，针对局部启发式边界点、全局启发式边界点和局部边界点集采取不同的决策方式：

对于提取到的局部启发式边界点，在评价边界点时优先级最高，仅考虑机器人到边界点的路径成本，将所述评价函数C中的参数λ，设置为大于G(x_r,x_f)的参数，来使条件参数状态方程值为0，忽略边界点自身信息增益的影响。将评价函数最高的局部启发式边界点作为最优探索目标点，其余边界点加入到局部边界点集中。当不存在局部启发式边界点时，访问局部边界点集。

对于局部边界点集进行决策时，首先对局部边界点集中的边界点进行信息增益判断，删除没有信息增益的边界点，评价剩下的边界点时，综合信息增益和路径成本以加快区域探索，将所述评价函数C中参数λ设置为0，适当增加参数γ来增大信息增益的权重，以避免轨迹重叠，将评价函数最小的点作为最优探索目标点。

当局部边界点集为空时，访问全局启发式边界点。对于全局启发式边界点，利用蚁群优化算法，通过求解旅行商问题获得边界点的探索顺序；将机器人自身位姿设置为虚拟起点，将所有边界点到虚拟起点的有向长度设置为0，以消除TSP问题求解时返回起点的影响；当获得边界点的访问顺序时，选择第一个边界点作为最优探索目标点。

当完成最优探索目标点的决策后，使用A*全局路径规划算法，在已知环境中，快速规划处一条由机器人当前位置到目标点的路径，并结合DWA局部路径规划算法，使机器人利用局部环境信息完成避障，将两者相结合，引导机器人向目标点导航并更新地图。

当提取到的全局启发式边界点也为空时，表明当前地图中不存在未知区域，机器人的探索完成，通过数据更新得到完整环境地图，机器人结束探索。

为充分证明本发明的有效性，将本发明与基于快速搜索随机树的综合边界点评价自主探索算法，即Multi-RRT算法、与基于快速搜索随机树的最邻近边界点自主探索算法，即Nearest算法、与基于快速搜索随机树的贪心自主探索算法，即Greedy算法在六个仿真场景下进行了对比实验。

对于每一个实验环境，总共进行了20次实验。包括5次使用Multi-RRT算法，5次使用Nearest算法，5次使用Greedy算法，5次本发明算法。实验对比的指标是探索整个环境所使用的时间以及行驶的路径长度。

如表1所示，在如图2所示的场景一中，本发明相比于Multi-RRT算法，探索时间减少了17.49％，探索路径长度减少了3.18％。本发明相比于Nearest算法，探索时间减少了12.90％，探索路径长度减少了1.42％。本发明相比于Greedy算法，探索时间减少了35.88％，探索路径长度减少了34.85％。

表1场景一下的对比结果

如表2所示，在如图3所示的场景二中，本发明相比于Multi-RRT算法，探索时间减少了9.22％，探索路径长度增加了1.97％。本发明相比于Nearest算法，探索时间减少了15.05％，探索路径长度增加了2.77％。本发明相比于Greedy算法，探索时间减少了6.17％，探索路径长度减少了2.18％。增加的路径长度是因为本发明更倾向于完整的进入一个房间探索，且增加的路径长度是在可接受的范围内。

表2场景二下的对比结果

如表3所示，在如图4所示的场景三中，本发明相比于Multi-RRT算法，探索时间减少了22.59％，探索路径长度增加了3.04％。本发明相比于Nearest算法，探索时间减少了28.98％，探索路径长度减少了16.02％。本发明相比于Greedy算法，探索时间减少了39.18％，探索路径长度减少了30.79％。

如表4所示，在如图5所示的场景四中，本发明相比于Multi-RRT算法，探索时间减少了30.64％，探索路径长度减少了23.16％。本发明相比于Nearest算法，探索时间减少了24.30％，探索路径长度减少了15.72％。本发明相比于Greedy算法，探索时间减少了41.89％，探索路径长度减少了40.12％。

表3场景三下的对比结果

表4场景四下的对比结果

如表5所示，在如图6所示的场景五中，本发明相比于Multi-RRT算法，探索时间减少了15.06％，探索路径长度减少了6.38％。本发明相比于Nearest算法，探索时间减少了21.76％，探索路径长度减少了11.49％。本发明相比于Greedy算法，探索时间减少了38.91％，探索路径长度减少了37.23％。

如表6所示，在如图7所示的场景六中，本发明相比于Multi-RRT算法，探索时间减少了12.92％，探索路径长度减少了15.79％。本发明相比于Nearest算法，探索时间减少了13.42％，探索路径长度减少了12.04％。本发明相比于Greedy算法，探索时间减少了35.24％，探索路径长度减少了41.65％。

表5场景五下的对比结果

表6场景六下的对比结果

根据对比数据可知，本发明所提供的方法在六种场景下的探索均取得较好的结果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于，包括：

步骤1：在初始状态下，机器人处于未知的环境，通过机器人自身搭载的传感器获取机器人所处空间的环境信息；

步骤2：使用SLAM模块接收机器人搭载的传感器数据，通过读取传感器激光数据对二维栅格地图数据进行更新，并且根据激光数据修正机器人位姿，准确对机器人定位；

步骤3：订阅机器人搭载的传感器的信息，对信息进行处理，区分已知区域和未知区域，并将未知区域划分为暂定障碍物，输出机器人处于当前位置时的全局地图，将所述全局地图输入到建图模型中，得到带有广义维诺图信息的全局地图；

步骤4：将广义维诺图中带有半径信息的GVD节点与机器人当前位置的全局地图融合，将每个GVD节点半径内未知区域的栅格值个数分别与预先设定的判断阈值依次进行比较，当GVD节点半径内未知区域的栅格值个数大于等于该判断阈值时，就认为该GVD节点属于启发式边界点；在当前位置的全局地图上以及当前以机器人为中心的局部地图上分别提取全局启发式边界点和局部启发式边界点；

步骤5：针对提取到的启发式边界点进行分层决策，确定探索顺序：判断是否存在局部启发式边界点；当存在局部启发式边界点时，计算机器人到各个局部启发式边界点的路径成本，使用评价函数对各局部启发式边界点进行判断，将评价函数最高的点作为最优探索目标点，并将其余的局部启发式边界点加入局部边界点集；引导机器人向最优探索目标点进行导航，返回执行步骤2；当不存在局部启发式边界点时，执行下一步；

步骤6：判断局部边界点集是否为空；当局部边界点集不为空时，计算机器人到局部边界点集中各个边界点的路径成本，考虑到边界点的路径成本和边界点自身增益信息，调整评价函数的参数，使用调整后的评价函数对局部边界点进行判断，选取评价函数最小的点作为最优探索目标点；引导机器人向最优探索目标点进行导航，返回执行步骤2；当局部边界点集为空时，执行下一步；

步骤7：访问全局启发式边界点；计算机器人到各个全局启发式边界点的路径成本，根据优化算法获得的边界点的探索顺序，选择第一个边界点作为最优探索目标点；引导机器人向最优探索目标点进行导航，返回执行步骤2；当全局启发式边界点不存在时，探索完成，生成环境地图，机器人结束探索。

2.根据权利要求1所述的一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于：所述步骤3中，将机器人当前位置的全局地图进行区分后得到0-1二值图，其中1表示已知区域，0表示暂定障碍物，即未知区域；将全局地图输入建图模型中，通过池化得到距离图，再通过卷积操作得到带有广义维诺图信息的全局地图。

3.根据权利要求1所述的一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于：所述步骤4中，对GVD节点半径内未知区域栅格值个数进行判断时，预先设定的判断阈值为：GVD节点半径内未知栅格数与半径内总栅格数的比值为0.1；当未知区域的栅格值个数大于等于该判断阈值，认为该GVD节点为启发式边界点，同时删除该GVD节点半径内的其余的GVD节点。

4.根据权利要求3所述的一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于：在启发式边界点提取过程中，从半径最大的GVD节点开始提取，将满足条件的节点加入启发式边界点集中，将不满足条件的GVD节点删除，直至所有的GVD节点遍历完。

5.根据权利要求4所述的一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于：在计算路径成本时，将机器人自身位姿和启发式边界点连接到广义维诺图的边，使用Dijkstra算法遍历广义维诺图，得到机器人到各个启发式边界点的GVD路径，计算路径成本。

6.根据权利要求5所述的一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于：所述步骤5中，设计如下评价函数C对启发式边界点进行判断：

C(x_r,x_f)＝G(x_r,x_f)-t(x_r,x_f)*I(x_f)；

其中，x_r表示机器人当前位姿；x_f表示启发式边界点的位姿；G(x_r,x_f)表示机器人当前位姿到边界的GVD路径成本；t(x_r,x_f)表示条件参数状态方程；I(x_f)表示以启发式边界点x_f为中心的固定半径内的未知栅格数量；λ表示是否考虑边界点的信息增益的用户定义的参数；γ表示边界点自身信息增益对评价函数的影响常数。

7.根据权利要求6所述的一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于：所述步骤5中，对于提取到的局部启发式边界点，将所述评价函数C中的参数λ，设置为大于G(x_r,x_f)的参数，使条件参数状态方程值为0，忽略边界点自身信息增益的影响。

8.根据权利要求7所述的一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于：所述步骤6中，对局部边界点集中的边界点进行信息增益判断，删除没有信息增益的边界点，评价剩下的边界点时，综合信息增益和路径成本以加快区域探索，将所述评价函数C中参数λ设置为0，适当增加参数γ来增大信息增益的权重。

9.根据权利要求8所述的一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于：所述步骤7中，对于全局启发式边界点，利用蚁群优化算法，通过求解旅行商问题获得边界点的探索顺序；将机器人自身位姿设置为虚拟起点，将所有边界点到虚拟起点的有向长度设置为0，消除TSP问题求解时返回起点的影响。

10.根据权利要求9所述的一种基于广义维诺图的室内环境机器人高效探索决策方法，其特征在于：所述引导机器人向最优探索目标点进行导航，包括，使用A*全局路径规划算法进行机器人当前位置到最优探索目标点的路径规划，结合DWA局部路径规划算法，使机器人利用局部环境信息完成避障，将两者相结合，引导机器人向目标点导航。