CN116911176A - 一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法 - Google Patents

Abstract

本发明属于轮式移动机器人感知决策领域。本发明公开了一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法，解决了轮式机器人以不同指令速度通过地形时，地形可通过性程度不同的问题，具体方法为：以高度地图和指令速度做输入，机器人振动矢量和速度损失做输出，构建用于训练CNN网络的数据集；经训练得到的CNN预测模型的输出作为模糊逻辑算法的输入，综合评价地形可通过性；预测阶段，根据预测模型以及综合评价方法，以不同指令速度和局部高程地图作为输入，预测对应速度下局部地形的可通过性。本发明使机器人在执行运动规划前，提供不同速度对应不同局部地形可通过性的分布情况作为先验条件，提高了轮式机器人导航的高效性和安全性。

Description

一种基于轮式移动机器人速度和振动状态的地形可通过性预 测方法

技术领域

本发明属于轮式移动机器人感知决策领域，具体涉及一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法。

背景技术

轮式移动机器人在搜救、行星探测、侦察和运输等领域中被广泛应用。然而，在非结构化地形中，轮式移动机器人必须能够预测哪些区域是安全可通过的，并据此规划可行路径。因此，准确预测地形的可通过性对于轮式机器人执行导航和探索任务至关重要。目前，预测地形可通过性的方法主要基于地形外观特征或机器人自身的运动状态构建地形可通过性评估模型。然而，这些方法往往假设机器人速度为固定值或作为运动状态的条件，并很少关注机器人运动速度对地形可通过性程度的影响。尤其对于轮式移动机器人而言，在以不同速度通过相同地形时，地形的可通过性程度显著变化。对于较为平坦的地形，机器人可以以较高速度安全通过；而对于较为崎岖的地形，机器人则需要以较慢的速度通过，而不是简单地绕行。因此，研究轮式移动机器人速度对地形可通过性程度的影响对于实现机器人高效且安全的导航具有重要意义。这种研究将使机器人能够根据地形特征和运动速度来精确预测可通过区域，有效规划路径，并最大程度地提升导航任务的成功率和安全性。

发明内容

本发明解决的问题是轮式机器人能够根据地形的高程地图，以及不同的指令速度，构建机器人在不同运动速度下，局部地形的可通过性地图，提高轮式机器人在复杂地形下的运动效率。

为了解决上述问题，本发明通过以下技术方案实现：本发明提供了一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法，具体包括以下步骤：

步骤1：通过移动机器人在多个根据高度图构建的高保真复杂仿真地形中以不同指令速度持续运动获得样本数据集来训练CNN卷积神经网络，所述的数据集包括机器人运动时间窗口内机器人所覆盖地形的高度地图、机器人指令速度作为输入，以及机器人的振动矢量和速度损失作为输出；

具体的训练样本数据集的构建方法主要是在仿真环境中随机未知处生成，并且以随机的行进轨迹即随机的指令速度与方向使机器人在仿真环境中运动，在相同的时间窗口中采集机器人所覆盖地形处的高程地图、机器人当前的运动速度以及机器人振动矢量和速度损失数据，直至机器人运动到地图的边界或出现侧翻、卡住等情况时停止数据采集，其中出现侧翻或卡住等情况时，标记当前的地形为不可通过，即振动矢量和速度损失都为最大值。

步骤2：基于CNN卷积神经网络，构建具有轮式移动机器人速度相关的地形可通过性预测模型；将步骤1中得到的训练样本数据集送入到预测模型中进行训练；

步骤3：利用模糊逻辑方法综合评价步骤2中的得到的CNN预测模型的振动矢量和速度损失输出，计算地形的可通过性程度；

步骤4：机器人在未知地形中运动时，根据机器人外部感知系统获得的深度图像与三维点云数据，构建局部高程地图，并根据步骤2中得到的预测模型以及步骤3中的综合评价方法预测局部地形可通过性；

根据构建的局部高程地图，以数据采集时采用的时间窗口大小作为滑动窗口的尺寸，使滑动窗口在高程地图的顶点开始滑动，将滑动窗口中高程地图作为步骤2中训练得到的CNN卷积神经网络模型的输入，同时，将机器人的速度范围离散为k个指令速度，将k个指令速度也作为模型的输入，可以预测出对应滑动窗口处机器人针对对应指令速度的振动矢量和速度损失，再通过步骤3中的综合评价方法，得到对应指令速度的地形可通过性程度。滑动窗口遍历完整个局部高程地图后，便可得到速度相关的局部地形可通过性分布情况。

附图说明

图1为本发明实现的技术路线示意图；

图2为CNN卷积神经网络结构图；

图3为机器人振动矢量模糊隶属度函数示意图；

图4为机器人速度损失模糊隶属度函数示意图；

图5为地形可通过性程度模糊隶属度函数示意图；

图6为模糊逻辑规则表。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。

如图1所示，本发明实施例提供的一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法，所示方法包括如下步骤：

步骤001，构建用于训练CNN卷积神经网络的训练样本数据集。

数据采集采用相同的时间窗口，且在一个时间窗口内的数据定义为一个样本，采样频率为1Hz，若机器人在某一位置停留超过5个时间窗口，则将此处地形定义为不可通过，即速度损失和振动矢量的值设置为1，同时重新随机生成机器人初始位置和行进轨迹，重新采集数据。

CNN预测网络模型输入指标的测量或计算方法如下：机器人所覆盖地形的高度地图M_height由gazebo高保真地图中机器人所在位置处，尺寸为机器人机体面积大小的高度图块表示；输出指标的测量或计算方法如下：振动矢量定义为机器人行驶时间窗口内滚动和俯仰角加速度的标准偏差，如公式(1)和公式(2)所示：

其中，为平坦地形下机器人滚动角，θ为平坦地形下机器人俯仰角，/> _i分别是时间窗口内机器人实际滚动角和俯仰角，其中i＝1,...,N，N为单位时间内采集到的所有角加速度的样本容量；速度损失定义为时间窗口内机器人实际速度平均值与指令速度绝对差值与指令速度之比，用于表征机器人在所处地形中的实际驱动效率，速度损失的计算方法如公式(3)和公式(4)所示：

其中||v_mean||为单位时间内的速度标量的平均值，v为机器人实际速度可由安装在机器人底盘中心的惯性测量单元实时给出；若速度损失L＜0则说明当前地形导致机器人实际速度大于目标速度，例如机器人在下坡的工况下，机器人的实际速度可能会比指令速度大，此时说明机器人并未有速度损失，然而，速度损失指标的取值会小于0，为了使指标标准化，故令L＝0。

步骤002，搭建基于CNN卷积神经网络的深度学习框架，网络结构示意图由图2所示。

采用pytorch环境构建CNN卷积神经网络结构，首先对数据集中的机器人振动矢量与速度损失进行数据预处理，即输入向量为(M_height,v_cmd)，其中M_height是尺寸为64×64的高度地图图像，v_cmd为维度为1的指令速度；输出向量为(L,V)，其中L为机器人速度损失指标，取值范围为[0,1]，维度为1，同理，V为机器人振动矢量指标，取值范围为[0,1]，维度为1。

经数据预处理之后，使输入高度地图通过3个卷积层，每层包含10个大小为3×3的滤波器，随后是窗口大小为2×2和步幅为1的最大池化层；卷积之后，输出被展平并传递到具有256个节点的全连接层，然后将高度特征与速度输入连接并分成两个独立的分支。每个分支由两组0.1丢弃率和全连接层组成，具有256个节点。除了具有单个输出节点和线性激活的最终全连接层，所有层都使用ReLU激活，其中ReLU激活函数的计算方法如公式(5)所示：

f(x)＝max(0,x) (5)

将步骤001中获得的训练样本数据集送入到上述结构的CNN卷积神经网络中进行反复训练，最终得到完整的预测模型。

步骤003，通过模糊逻辑的方法，根据振动矢量与速度损失综合评价得到地形可通过性程度。

定义振动矢量、速度损失以及地形可通过性程度为模糊语言变量，振动矢量V对应模糊集合为{SMALL,MEDIUM,LARGR}，速度损失L对应模糊集合为{LOW,MEDIUM,HIGH}，地形可通过性程度T对应的模糊集合为{LOW,MEDIUM,HIGH}，上述所有模糊集合所使用的模糊隶属度函数定义为如公式(6)所示的梯形模糊隶属度函数，其中振动矢量模糊隶属度函数如图3所示，其中{V₁,V₂,V₃,V₄,V₅,V₆,V₇,V₈,V₉}的取值为{0.2,0.3,0.35,0.4,0.6,0.7,0.75,0.8,1.0}，速度损失模糊隶属度函数如图4所示，其中{L₁,L₂,L₃,L₄,L₅,L₆,L₇,L₈,L₉}的取值为{0.2,0.3,0.35,0.4,0.6,0.7,0.75,0.8,1.0}，地形可通过性程度模糊隶属度函数如图5所示。其中{T₁,T₂,T₃,T₄,T₅,T₆,T₇,T₈,T₉}的取值为{0.18,0.25,0.35,0.38,0.62,0.7,0.75,0.82,1.0}。

其中X为模糊语言变量，这里对应的是振动矢量V，速度损失L，地形可通过性程度T。

根据专家经验构建IF...and...,then...模糊规则表，并且应用模糊规则，进行最大-最小模糊推理方法，其中模糊规则表如图6所示。

将得到的输出变量的隶属度，采用如公式(7)所示的重心法将模糊隶属度去模糊化得到实际的输出，即地形可通过性程度。

其中u为去模糊化得到的实际输出，μ(x)为输出变量对应的隶属度函数，x为输出变量。

步骤004，预测机器人局部地形的可通过性。

将指令速度范围[0,v_max]离散化为k个指令速度个指令速度其中i∈{1,...,k}。

通过Elevation Mapping构建的以机器人为中心的局部高程地图，该建图方法构建的是2.5D高程地图，即局部地图中的每个网格内的值代表的是所在地形处的高程值，其中每个网格的尺寸大小是可以改变的，而且该建图方法可以构建多层特征地图，可通过不同的滤波方法得到，同时，该建图方法考虑了机器人姿态累计误差的消除，保证了地图高程以及地形可通过性的精度；为了预测机器人局部地形的可通过性，以每个网格内的值代表地形的可通过性，需要设计与时间窗口大小相同的滑动窗口，遍历整个高程地图，其中地形的网格大小设置为0.1×0.1m。

将每个滑动窗口中的高度地图与k个指令速度作为输入，经训练得到的CNN卷积神经网络预测模型，获得与指令速度相关的机器人振动矢量与速度损失/>其中i∈{1,...,k}。

根据步骤003中的地形可通过性综合评价方法，以上述两种可通过性度量指标作为输入，得到与指令和地形高程相关的地形可通过性指数反复改变输入的指令速度，并根据Elevation Mapping具有的可构建多层地图的特性，最终构建针对k个指令速度对应的多层局部地图中每个网格内的地形可通过性。

据以上四个步骤，轮式机器人通过局部高程地图的构建，便可得到不同指令速度下，考虑机器人运动平稳程度即振动矢量以及运动效率即速度损失的局部地形地图可通过性分布情况，便于机器人结合运动速度和地形可通过性，构建到达目标点时间、可通过性为优化目标的多目标优化问题，以局部地图网格中的可通过性为参考条件，规划出位于每个位置处满足可通过性和到达目标点时间最优的指令速度，实现轮式移动机器人高效和安全的导航。

Claims (5)

1.一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法，其构建过程特征在于以下步骤：

步骤1：通过移动机器人在多个根据高度图构建的高保真复杂仿真地形中以不同指令速度持续运动获得样本数据集来训练CNN卷积神经网络，所述的数据集包括机器人运动时间窗口内机器人所覆盖地形的高度地图、机器人指令速度作为输入，以及机器人的振动矢量和速度损失作为输出；

步骤2：基于CNN卷积神经网络，构建具有轮式移动机器人速度相关的地形可通过性预测模型，将步骤1中得到的训练样本数据集送入到预测模型中进行训练；

步骤3：利用模糊逻辑方法综合评价步骤2中的得到的CNN预测模型的振动矢量和速度损失输出，计算地形的可通过性程度；

步骤4：机器人在未知地形中运动时，根据机器人外部感知系统获得的深度图像与三维点云数据，构建局部高程地图，并根据步骤2中得到的预测模型以及步骤3中的综合评价方法预测局部地形可通过性。

2.根据权利要求1所述的一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法，其特征在于，所述步骤1中CNN预测网络模型输入指标的测量或计算方法如下：机器人所覆盖地形的高度地图M_height由高保真地图中机器人所在位置处，尺寸为机器人机体面积大小的高度图块表示；输入指标的测量或计算方法如下：振动矢量定义为机器人行驶时间窗口内滚动和俯仰角加速度的标准偏差即其中为滚动角，为俯仰角，由搭载在机器人中心位置处的IMU测得；速度损失定义为时间窗口内机器人实际速度平均值与指令速度绝对差值与指令速度之比，即/>其中/>v_mean为单位时间窗口内速度标量的平均值，v为机器人实际速度可由安装在机器人底盘中心的惯性测量单元实时给出。模型输入输出数据采集具有以下特征：数据采集在一个时间窗口T内的数据定义为一个样本，采样频率为1Hz。

3.根据权利要求1所述的一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法，所述步骤2中的可通过性预测模型采用基于CNN卷积神经网络的深度学习框架，其具体步骤为：

步骤3.1，对步骤1中得到的机器人振动矢量与速度损失进行数据预处理，该网络由两个输入支路组成。

步骤3.2，为了提取局部地形特征，输入高度地图通过3个卷积层，每层包含10个大小为3×3的滤波器，随后是窗口大小为2×2和相同步幅的最大池化层。

步骤3.3，卷积之后，输出被展平并传递到具有256个节点的全连接层，将高度特征与速度输入连接并分成两个独立的分支。每个分支由两组0.1丢弃率和全连接层组成，具有256个节点。除具有单个输出节点和线性激活的最终全连接层，所有层都使用ReLU激活。

步骤3.4，通过改变卷积滤波器的数量、全连接层中的节点数量、丢弃率以及Adam优化器的学习率、批量大小来执行超参数调整。使用平均绝对误差作为损失，其中振动矢量和速度损失的贡献相等，选择具有最低验证损失的模型作为最终预测模型。

4.根据权利要求1所述的一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法，其特征在于，所述步骤3中，通过模糊逻辑的方法，根据振动矢量与速度损失综合评价得到地形可通过性程度的具体步骤为：

步骤4.1，定义步骤1中得到的振动矢量与速度损失以及地形可通过性程度为模糊语言变量，其中所述语言变量包括具有相应隶属度函数的模糊集合。

步骤4.2，建立一组模糊规则，将振动矢量和速度损失的语言变量与地形可通过性程度的语言变量联系起来，应用模糊逻辑算子来组合从模糊规则中获得的隶属度。

步骤4.3，结合步骤4.2中得到的输出变量的隶属度，采用重心法将模糊隶属度去模糊化得到实际的输出，即地形可通过性程度。

5.根据权利要求1所述的一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法，其特征在于，所述步骤4中预测不同指令速度对应的局部地形可通过性方式如下：

步骤5.1，将指令速度范围[0,v_max]离散化为k个指令速度其中i∈{1,,k}。

步骤5.2，通过Elevation Mapping构建的以机器人为中心的局部高程地图，设计与时间窗口大小相同的滑动窗口，遍历整个高程地图。

步骤5.3，将每个滑动窗口中的高度地图与步骤5.1中的k个指令速度作为输入，经步骤2中得到的预测模型，获得与指令速度的机器人振动矢量与速度损失/>其中i∈{1,,k}。

步骤5.4，根据步骤3中的地形可通过性综合评价方法，以上述两种可通过性度量指标作为输入，得到与指令和地形高程相关的地形可通过性指数改变输入的指令速度，重复步骤5.3和5.4，最终可以得到k个指令速度对应的局部地形可通过性分布情况。