本發(fā)明屬于巡檢機器人，特別是涉及一種可行駛區(qū)域與自適應(yīng)dwa融合的巡檢機器人規(guī)劃控制方法。

背景技術(shù)：

1、自動駕技術(shù)在機房巡檢、安防巡檢等領(lǐng)域有著較多的應(yīng)用，通過巡檢機器人自主的巡檢，有效提升了設(shè)備維護、區(qū)域安防的效率，降低了傳統(tǒng)的人工巡檢與固定點設(shè)備巡檢方式的成本和風(fēng)險。

2、傳統(tǒng)的機房巡檢方法主要依賴于人工，巡檢人員需要定期檢查各類設(shè)備的狀態(tài)，包括溫度、電流、電壓等參數(shù)。與機器人自主巡檢的方式相比傳統(tǒng)方法耗時費力，還易受到人為因素的影響，導(dǎo)致檢測結(jié)果不準確。此外，人工巡檢無法實現(xiàn)對機房環(huán)境的實時監(jiān)控，難以及時發(fā)現(xiàn)并處理突發(fā)故障。

3、機房巡檢機器人搭載了多種傳感器，如溫度傳感器、濕度傳感器、煙霧傳感器和紅外傳感器等，可以實時采集機房環(huán)境數(shù)據(jù)。數(shù)據(jù)通過網(wǎng)絡(luò)通信傳輸?shù)竭h程監(jiān)控管理系統(tǒng)，實現(xiàn)了對機房環(huán)境的實時監(jiān)控。自主巡檢技術(shù)的發(fā)展提高了機房巡檢效率，可以對潛在的設(shè)備故障提前做出預(yù)警。

4、總的來看，隨著自主導(dǎo)航定位技術(shù)和多傳感器數(shù)據(jù)融合技術(shù)的深入研究機房巡檢機器人迎來了快速發(fā)展，但仍存在不足。現(xiàn)存問題包括：環(huán)境感知能力有限、路徑規(guī)劃與導(dǎo)航精度不足、實時數(shù)據(jù)處理與分析能力有待提升。此外，復(fù)雜的人機交互界面的高昂成本和維護難度也限制了其應(yīng)用的推廣。

技術(shù)實現(xiàn)思路

1、本發(fā)明的技術(shù)方案用于解決巡檢機器人在機房內(nèi)無法精準?？慷鴮?dǎo)致的與機房機柜或者墻體發(fā)生碰撞的問題。

2、本發(fā)明是通過以下技術(shù)方案解決上述技術(shù)問題的：

3、本發(fā)明提供一種可行駛區(qū)域與自適應(yīng)dwa融合的巡檢機器人規(guī)劃控制方法，包括：

4、s1、設(shè)計卷積神經(jīng)網(wǎng)絡(luò)，采集數(shù)據(jù)集，采用交叉熵損失和dice損失的組合對卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試，結(jié)合輸出二值掩碼圖像中的可行駛區(qū)域的位置信息以及對應(yīng)深度圖像中的深度信息，得到路徑規(guī)劃的點云數(shù)據(jù)，從而實現(xiàn)可行駛區(qū)域的識別；

5、s2、基于點云數(shù)據(jù)密集度得分、點云數(shù)據(jù)的深度方差得分以及點云數(shù)據(jù)的不規(guī)則度得分，建立環(huán)境復(fù)雜度模型對可行駛區(qū)域點云數(shù)據(jù)進行評估；

6、s3、dwa局部規(guī)劃器根據(jù)環(huán)境復(fù)雜度自適應(yīng)調(diào)整步長并規(guī)劃路徑，對規(guī)劃出來的路徑進行碰撞檢測和評分，從而篩選最優(yōu)路徑。

7、進一步地，s1中所述卷積神經(jīng)網(wǎng)絡(luò)包括：backbone模塊、neck模塊和檢測頭模塊；

8、所述backbone模塊采用cspdarknet結(jié)構(gòu)，用于提取輸入圖像的底層特征和高層特征；

9、所述neck模塊通過融合不同尺度的特征圖增強特征的表達能力，從而適應(yīng)機房環(huán)境的可行駛區(qū)域的檢測要求；

10、所述檢測頭模塊根據(jù)neck模塊輸出的特征圖生成可行駛區(qū)域的分割圖。

11、進一步地，所述backbone模塊包括focus子模塊、conv子模塊和bottleneckcsp子模塊；

12、所述focus子模塊用于將輸入圖像的空間信息壓縮至更小的尺寸，同時增大通道數(shù)；

13、所述conv子模塊由卷積層、批量歸一化層以及激活函數(shù)組成，激活函數(shù)采用hardswish函數(shù)，hardswish函數(shù)的公式如下：

14、

15、其中，hardswish(x)表示激活函數(shù)，x表示輸入?yún)?shù)，relu(x)表示relu激活函數(shù)；

16、所述bottleneckcsp子模塊包括特征分割、bottleneck層、批量歸一化和激活函數(shù)以及特征拼接和輸出，特征分割將輸入特征圖分割成兩個部分，分別對兩個部分進行bottleneck層處理以及直接進行1×1卷積處理；在處理特征圖的第一部分中使用多個bottleneck層進行處理，每層都串行連接1×1卷積和3×3卷積，從而減少和恢復(fù)通道數(shù)，同時保持豐富的特征；在兩個處理后的特征圖進行拼接之前，應(yīng)用批量歸一化和激活函數(shù)，增強網(wǎng)絡(luò)的穩(wěn)定性和非線性；處理后的兩部分特征圖沿通道維度進行拼接，經(jīng)過最后的1×1卷積后輸出最終的bottleneckcsp模塊的特征圖。

17、進一步地，所述neck模塊包括空間池化金字塔子模塊和特征金字塔網(wǎng)絡(luò)子模塊；

18、所述空間池化金字塔子模塊用于在不同尺度上進行池化操作，捕捉特征圖的多尺度信息；

19、所述特征金字塔網(wǎng)絡(luò)子模塊用于融合backbone中不同層次的特征，通過上采樣和特征拼接操作來融合多尺度特征，其中上采樣將特征圖放大2倍，使其分辨率與較低的特征層匹配；特征拼接將上采樣后的特征圖與backbone部分的特征進行拼接，以融合不同尺度的信息。

20、進一步地，所述檢測頭模塊包括多個卷積層和bottleneckcsp模塊，并通過上采樣操作逐步恢復(fù)特征圖的分辨率，使用多個卷積層將特征圖降維，并提取分割任務(wù)所需的細節(jié)信息，通過多次上采樣操作，逐步恢復(fù)特征圖的空間分辨率，并且通過反卷積層進一步細化分割結(jié)果；檢測頭模塊的最后一層是一個卷積層，將輸出圖像與輸入圖像的分辨率保持一致，并將通道數(shù)降為2，表示可行駛區(qū)域和不可行駛區(qū)域的分割圖；然后應(yīng)用softmax激活函數(shù)將每個像素點的兩個通道輸出轉(zhuǎn)為概率分布，在每個像素點上取概率較大的那個通道作為最終分類結(jié)果。

21、進一步地，s1中所述的交叉熵損失和dice損失的組合的公式如下：

22、l＝α1lce+β1ldice

23、其中，α1表示交叉熵損失的權(quán)重，β1表示dice損失的權(quán)重；

24、所述的交叉熵損失的計算公式如下：

25、

26、所述的dice損失的計算公式如下：

27、

28、其中，lce表示交叉熵損失，ldice表示dice損失，yi是真實標簽，是預(yù)測概率。進一步地，s2中所述環(huán)境復(fù)雜度模型對可行駛區(qū)域點云數(shù)據(jù)進行評估的公式如下：

29、c＝α2·density+β2·cvariance+γ2·cirregularity

30、所述的點云數(shù)據(jù)密集度得分的計算公式如下：

31、

32、所述的點云數(shù)據(jù)的深度方差得分的計算公式如下：

33、

34、所述的點云數(shù)據(jù)的不規(guī)則度得分的計算公式如下：

35、

36、其中，c為環(huán)境復(fù)雜度得分，cdensity為點云數(shù)據(jù)密集度得分，cvariance為點云數(shù)據(jù)的深度方差得分，cirregularity為點云數(shù)據(jù)的不規(guī)則度得分，α2、β2、γ2分別為點云數(shù)據(jù)密集度得分、點云數(shù)據(jù)的深度方差得分、點云數(shù)據(jù)的不規(guī)則度得分的權(quán)重系數(shù)，v表示相機檢測到的有效空間體積，n為可行駛區(qū)域的點云數(shù)據(jù)總數(shù)，zi為點pi的深度值，為深度值的平均數(shù)，k為鄰域點數(shù)，pj是點pi的鄰域內(nèi)的點，ni是pi的法向量。

37、進一步地，s3中所述dwa局部規(guī)劃器根據(jù)環(huán)境復(fù)雜度自適應(yīng)調(diào)整步長的方法如下：

38、設(shè)cmax為預(yù)定義的最大復(fù)雜度得分，步長調(diào)整因子θ的數(shù)學(xué)表達式為：

39、

40、其中，θ表示步長調(diào)整因子；

41、由上式可知當(dāng)c較小時，θ接近1，當(dāng)c較大時，θ接近0；根據(jù)步長調(diào)整因子θ，即可得到自適應(yīng)步長δt，其數(shù)學(xué)表達式為δt＝δtmin+(δtmax-δtmin)·θ，其中δtmin和δtmax分別為最小和最大步長，當(dāng)θ趨近1時，步長δt趨向δtmax，當(dāng)θ趨近0時，步長δt趨向δtmin。

42、進一步地，s3中所述碰撞檢測的數(shù)學(xué)表達式由三項組成：

43、第一項為用于最大化各次迭代的避碰覆蓋率，其中s(p(k))為第k次迭代中碰撞檢測點的比例；

44、第二項用于最小化計算時間消耗，其中t(p(k))為第k次迭代中避碰檢測所消耗的時間；

45、第三項用于確保檢測點數(shù)隨復(fù)雜度自適應(yīng)調(diào)整，逐步逼近最終需求點數(shù)。

46、進一步地，s3中所述評分的指標有：與目標點的距離、當(dāng)前速度與預(yù)定義速度的差值、當(dāng)前機器人朝向與期望目標點朝向的角度差值。

47、本發(fā)明的優(yōu)點在于：

48、本發(fā)明的方法通過設(shè)計卷積神經(jīng)網(wǎng)絡(luò)，采集數(shù)據(jù)集，采用交叉熵損失和dice損失的組合對卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試，結(jié)合輸出二值掩碼圖像中的可行駛區(qū)域的位置信息以及對應(yīng)深度圖像中的深度信息，得到路徑規(guī)劃的點云數(shù)據(jù)，從而實現(xiàn)可行駛區(qū)域的識別；基于點云數(shù)據(jù)密集度得分、點云數(shù)據(jù)的深度方差得分以及點云數(shù)據(jù)的不規(guī)則度得分，建立環(huán)境復(fù)雜度模型對可行駛區(qū)域點云數(shù)據(jù)進行評估；dwa局部規(guī)劃器根據(jù)環(huán)境復(fù)雜度自適應(yīng)調(diào)整步長并規(guī)劃路徑，對規(guī)劃出來的路徑進行碰撞檢測和評分，從而篩選最優(yōu)路徑；本發(fā)明的方法有助于巡檢機器人在復(fù)雜環(huán)境下進行精準的執(zhí)行?？?、停障、繞障的動作避免與機房機柜以及其他障礙物發(fā)生碰撞，在提升巡檢機器人停靠精度的同時，也避免了安全事故的發(fā)生；本發(fā)明構(gòu)建的環(huán)境復(fù)雜度模型下能夠從多個維度對獲得的可行駛區(qū)域進行復(fù)雜度評估，dwa局部規(guī)劃器能夠根據(jù)環(huán)境的復(fù)雜度自適應(yīng)的改變步長，從而避免了固定步長帶來的計算資源的浪費，保證了巡檢機器人在機房巡檢的效率。