本發(fā)明屬于機(jī)器人探索，尤其涉及一種機(jī)器人探索未知環(huán)境的優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、近年來，隨著智能制造領(lǐng)域的快速發(fā)展，對(duì)移動(dòng)機(jī)器人的需求也在不斷增長(zhǎng)，特別是，可以在沒有人為干預(yù)的情況下執(zhí)行任務(wù)的自主探索機(jī)器人正受到越來越多的關(guān)注，這些機(jī)器人在各個(gè)領(lǐng)域發(fā)揮著重要作用，特別是在環(huán)境監(jiān)測(cè)、搜救和救災(zāi)等場(chǎng)景中，它們的作用尤為關(guān)鍵。

2、自主探索是移動(dòng)機(jī)器人領(lǐng)域的一個(gè)熱門研究方向，目前，主流的探索方法主要包括基于前沿的探索、基于啟發(fā)式的探索、根據(jù)深度學(xué)習(xí)的探索和基于隨機(jī)探索樹的探索。而作為最常用的探索方法之一，具體如下：

3、（1）基于邊界的探索將邊界定義為開放空間和未開發(fā)空間之間的邊界區(qū)域，通過將機(jī)器人移動(dòng)到前沿位置來擴(kuò)展新的環(huán)境地圖，可以探索整個(gè)未知環(huán)境，直到完全探索為止，使用證據(jù)網(wǎng)格作為空間表示，將證據(jù)網(wǎng)格中的單元與初始概率進(jìn)行比較，以確定自由、未知和被占用的單元，并使用邊緣檢測(cè)方法找到探索的邊界；

4、（2）將wfd算法應(yīng)用于邊界探索，wfd算法基于兩個(gè)嵌套的深度優(yōu)先搜索，wfd算法與初始邊界檢測(cè)的最大區(qū)別在于wfd算法只掃描被占用網(wǎng)格的已知區(qū)域，而不是整個(gè)網(wǎng)格。然而，這些邊界策略方法在復(fù)雜環(huán)境中效率低，容易陷入局部最小值；

5、（3）一種有效的函數(shù)來輔助邊界探索過程，該函數(shù)根據(jù)機(jī)器人的行進(jìn)距離、邊界大小和轉(zhuǎn)彎成本來優(yōu)化邊界選擇，當(dāng)機(jī)器人處于開放的未知環(huán)境中時(shí)，探索區(qū)域會(huì)增加，需要處理的邊界信息量也會(huì)增加，這對(duì)算法的計(jì)算效率提出了挑戰(zhàn)；

6、（4）基于啟發(fā)式的探索方法主要使用語義信息來指導(dǎo)機(jī)器人在未知環(huán)境中的探索，采用語義信息作為啟發(fā)式方法來指導(dǎo)機(jī)器人的探索行為，探索了如何使用語義信息來預(yù)測(cè)未知的環(huán)境結(jié)構(gòu)，從而引導(dǎo)機(jī)器人在室內(nèi)環(huán)境中進(jìn)行探索，而不是依賴于預(yù)定義的語義圖，基于啟發(fā)式的探索方法往往忽視了區(qū)域遺留問題，即那些較小的未探索區(qū)域可能會(huì)對(duì)整個(gè)探索過程產(chǎn)生重大影響，這可能會(huì)導(dǎo)致后期探索效率的顯著下降。

7、隨著深度學(xué)習(xí)技術(shù)的發(fā)展，出現(xiàn)了許多基于深度學(xué)習(xí)的探索方法，通過深度強(qiáng)化學(xué)習(xí)實(shí)現(xiàn)了機(jī)器人在未知環(huán)境中的探索和地圖構(gòu)建，并提出了一種基于dqn的探索模型，以幫助機(jī)器人快速定位未知環(huán)境中未知區(qū)域；另外，將高斯過程回歸（gpr）、貝葉斯優(yōu)化（bo）采樣和深度強(qiáng)化學(xué)習(xí)（drl）模型相結(jié)合，實(shí)現(xiàn)了機(jī)器人的自主探索。但是，這些基于啟發(fā)式和基于深度學(xué)習(xí)的探索方法通常對(duì)機(jī)器人的硬件要求很高，因?yàn)橛糜趫D像識(shí)別、語義分割和環(huán)境建模的模型通常需要大量的計(jì)算資源。因此，亟需提供一種機(jī)器人探索未知環(huán)境的優(yōu)化方法及系統(tǒng)，以解決傳統(tǒng)基于傳感器的隨機(jī)樹（srt）算法中的回溯問題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種機(jī)器人探索未知環(huán)境的優(yōu)化方法及系統(tǒng)，采用多種rrt邊界點(diǎn)檢測(cè)算法檢測(cè)邊界點(diǎn)，rrt算法具有偏愛未探索區(qū)域、不受二維空間限制和概率完備性的優(yōu)點(diǎn)，可實(shí)現(xiàn)機(jī)器人高效和全面的環(huán)境探索，具體采用以下技術(shù)方案來實(shí)現(xiàn)。

2、第一方面，本發(fā)明提供了一種機(jī)器人探索未知環(huán)境的優(yōu)化方法，包括以下步驟：

3、獲取多個(gè)傳感器采集移動(dòng)機(jī)器人探索未知環(huán)境的傳感器數(shù)據(jù)，并根據(jù)所述傳感器數(shù)據(jù)構(gòu)建所述未知環(huán)境的探測(cè)地圖，其中，所述傳感器包括里程計(jì)和激光雷達(dá)；

4、采用多種rrt邊界點(diǎn)檢測(cè)算法對(duì)所述探測(cè)地圖進(jìn)行檢測(cè)分析得到所述探測(cè)地圖的邊界點(diǎn)，其中，所述多種rrt邊界點(diǎn)檢測(cè)算法為基于快速探索隨機(jī)樹的邊界點(diǎn)檢測(cè)算法，所述多種rrt邊界點(diǎn)檢測(cè)算法包括全局rrt檢測(cè)算法和局部rrt檢測(cè)算法；

5、將所述邊界點(diǎn)設(shè)置為路徑規(guī)劃目標(biāo)點(diǎn)，并根據(jù)路徑規(guī)劃算法控制所述移動(dòng)機(jī)器人向所述路徑規(guī)劃目標(biāo)點(diǎn)移動(dòng)以得到所述邊界點(diǎn)對(duì)應(yīng)的邊界點(diǎn)集；

6、基于自適應(yīng)k-means++算法對(duì)所述邊界點(diǎn)集進(jìn)行邊界點(diǎn)提取得到聚類后的邊界點(diǎn)，將所述聚類后的邊界點(diǎn)輸入預(yù)設(shè)探索模型進(jìn)行優(yōu)化評(píng)估分析得到所述移動(dòng)機(jī)器人的探索目標(biāo)點(diǎn)；

7、基于所述探測(cè)地圖和所述探索目標(biāo)點(diǎn)生成所述移動(dòng)機(jī)器人的路徑規(guī)劃模型，其中，所述路徑規(guī)劃模型包括速度指令和地圖構(gòu)建。

8、作為上述技術(shù)方案的優(yōu)選，采用多種rrt邊界點(diǎn)檢測(cè)算法對(duì)所述探測(cè)地圖進(jìn)行檢測(cè)分析得到所述探測(cè)地圖的邊界點(diǎn)，包括：

9、以所述移動(dòng)機(jī)器人的初始位置作為根節(jié)點(diǎn)，rrt算法從根節(jié)點(diǎn)附近自動(dòng)生成隨機(jī)點(diǎn)和自由空間點(diǎn)；

10、在每次迭代中，rrt算法對(duì)和之間的點(diǎn)進(jìn)行采樣，并找到最接近的頂點(diǎn)，并將頂點(diǎn)作為直接點(diǎn)；

11、采用steer函數(shù)生成一個(gè)新點(diǎn)，并確定的具體位置，rrt算法通過障礙物檢測(cè)函數(shù)接收探測(cè)地圖、兩點(diǎn)和的坐標(biāo)，并是否滿足第一條件和/或第二條件，其中，所述第一條件包括檢測(cè)是否位于未知區(qū)域，所述第二條件包括判斷在和之間的路徑上是否存在障礙物，其中，第一條件，steer函數(shù)用于步長(zhǎng)測(cè)量；

12、若滿足第二條件，則返回0；

13、若滿足第一條件，則返回-1；

14、若第一條件和第二條件都不滿足，則返回1，表示對(duì)應(yīng)的區(qū)域?yàn)樽杂煽臻g；

15、若滿足所述第一條件和/或第二條件，則將對(duì)應(yīng)的點(diǎn)作為邊界點(diǎn)。

16、作為上述技術(shù)方案的優(yōu)選，將所述邊界點(diǎn)設(shè)置為路徑規(guī)劃目標(biāo)點(diǎn)，并根據(jù)路徑規(guī)劃算法控制所述移動(dòng)機(jī)器人向所述路徑規(guī)劃目標(biāo)點(diǎn)移動(dòng)以得到所述邊界點(diǎn)對(duì)應(yīng)的邊界點(diǎn)集，包括：

17、在接收到所述邊界點(diǎn)后，控制所述移動(dòng)機(jī)器人將所述邊界點(diǎn)設(shè)置為路徑規(guī)劃目標(biāo)點(diǎn)，所述移動(dòng)機(jī)器人通過路徑規(guī)劃算法向所述路徑規(guī)劃目標(biāo)點(diǎn)移動(dòng)；

18、所述移動(dòng)機(jī)器人采用匹配的檢測(cè)傳感器對(duì)傳感器掃描范圍內(nèi)的相鄰區(qū)域進(jìn)行掃描和探索以尋找新的邊界點(diǎn)，并對(duì)所述邊界點(diǎn)組成的邊界點(diǎn)集進(jìn)行更新以擴(kuò)展網(wǎng)格地圖所占的已知區(qū)域，其中，rrt算法的邊界點(diǎn)檢索部分由局部邊界點(diǎn)檢測(cè)部分和全局邊界點(diǎn)檢測(cè)部分組成。

19、作為上述技術(shù)方案的優(yōu)選，rrt算法的全局邊界點(diǎn)檢測(cè)過程包括：

20、獲取移動(dòng)機(jī)器人在未知環(huán)境的探索范圍，預(yù)設(shè)所述探索范圍內(nèi)的點(diǎn)、、、，并初始化探索樹，其中，、、、分別表示探索范圍內(nèi)的隨機(jī)點(diǎn)、相鄰點(diǎn)、更新點(diǎn)和邊界點(diǎn)；

21、根據(jù)探索樹生成點(diǎn)和點(diǎn)、，并判斷點(diǎn)是否位于未知區(qū)域；

22、若是，將點(diǎn)設(shè)置為邊界點(diǎn)；

23、若否，判斷點(diǎn)是否在自由區(qū)域；若是，保存點(diǎn)在探索樹中，并將其連接到父節(jié)點(diǎn)的邊；若否，獲取所有區(qū)域進(jìn)行探索。

24、作為上述技術(shù)方案的優(yōu)選，基于自適應(yīng)k-means++算法對(duì)所述邊界點(diǎn)集進(jìn)行邊界點(diǎn)提取得到聚類后的邊界點(diǎn)，包括：

25、自適應(yīng)k-means++算法是在k-means算法的基礎(chǔ)上提出的一種增強(qiáng)算法，k-means算法的基本原理是根據(jù)樣本之間的距離將給定的數(shù)據(jù)樣本劃分為k個(gè)簇，以保持每個(gè)簇的點(diǎn)緊密連接，并最大限度地提高不同簇之間的間距，k-means和k-means++都有相同的目標(biāo)函數(shù)，目標(biāo)函數(shù)表示最小化每個(gè)聚類內(nèi)數(shù)據(jù)點(diǎn)與其對(duì)應(yīng)質(zhì)心之間的平方距離之和，對(duì)應(yīng)的表達(dá)式為：

26、?（1）

27、 ?（2）

28、其中，表示簇的質(zhì)心向量，表示個(gè)數(shù)，x表示簇的數(shù)據(jù)點(diǎn)；

29、k-means++算法從數(shù)據(jù)集中選擇一個(gè)數(shù)據(jù)點(diǎn)作為初始質(zhì)心，對(duì)于每一個(gè)未被選擇的點(diǎn)，計(jì)算到最近質(zhì)心的歐式距離的平方為，對(duì)應(yīng)的表達(dá)式為：

30、?（3）

31、其中，表示當(dāng)前選擇的質(zhì)心集，將最大歐式距離的平方記為平方距離；

32、根據(jù)平方距離構(gòu)建概率分布，使最大平方距離的點(diǎn)被選為下一個(gè)質(zhì)心，表示每個(gè)點(diǎn)被選為質(zhì)心的概率，對(duì)應(yīng)的表達(dá)式為：

33、 ?（4）

34、其中，是尚未選擇的所有數(shù)據(jù)點(diǎn)的平方距離之和；

35、對(duì)公式（4）對(duì)應(yīng)的過程進(jìn)行反復(fù)迭代，直到選擇k個(gè)質(zhì)心，基于在選擇每個(gè)新的質(zhì)心對(duì)應(yīng)的質(zhì)心集重新計(jì)算平方距離和概率分布，將選定的k個(gè)質(zhì)心作為初始質(zhì)心，標(biāo)準(zhǔn)的k-means算法亟需進(jìn)行分配和更新直到達(dá)到收斂；

36、將處理的邊界點(diǎn)表示需要聚類的數(shù)據(jù)，需要聚類的數(shù)據(jù)稱為輸入樣本集，通過聚類劃分形成的簇表示為，自適應(yīng)處理每個(gè)聚類k的表達(dá)式為：

37、?（5）

38、其中，聚類質(zhì)心的數(shù)量是根據(jù)邊界點(diǎn)的不同數(shù)量來選擇的，是通過多次試驗(yàn)測(cè)試和經(jīng)驗(yàn)選擇來確定的。

39、作為上述技術(shù)方案的優(yōu)選，所述探索模型包括軌跡成本、邊界點(diǎn)的信息增益、滯后增益和邊界點(diǎn)效益；

40、路徑成本表示從機(jī)器人當(dāng)前位置到邊界點(diǎn)的歐氏距離；

41、邊界點(diǎn)的信息增益為邊界點(diǎn)周圍特定區(qū)域內(nèi)未知信息的增加，特定區(qū)域是以一個(gè)以邊界點(diǎn)為中心的圓，半徑小于雷達(dá)傳感器的掃描范圍，邊界點(diǎn)的信息增益由每個(gè)未知單元的面積表示，面積是通過將分辨率乘以未知單元的數(shù)量來計(jì)算的；

42、滯后增益表示當(dāng)機(jī)器人到達(dá)有限空間的中心時(shí)，有限空間區(qū)域獲得的信息增益相對(duì)較低，在機(jī)器人的預(yù)設(shè)探索模型中添加滯后函數(shù)，滯后函數(shù)中加入滯后因素，允許在獲取雷達(dá)信息后延遲處理；

43、邊界點(diǎn)效益r用于計(jì)算每個(gè)邊界點(diǎn)產(chǎn)生的收益值，以確定機(jī)器人探索中的最優(yōu)邊界點(diǎn)，并作為路徑規(guī)劃和構(gòu)建未知區(qū)域地圖的目標(biāo)點(diǎn)，其中，利用機(jī)器人的當(dāng)前位置和k-means++算法聚類得到最優(yōu)邊界點(diǎn)。

44、作為上述技術(shù)方案的優(yōu)選，對(duì)邊界點(diǎn)效益進(jìn)行優(yōu)化計(jì)算的表達(dá)式為：

45、?（6）

46、其中，表示優(yōu)化計(jì)算后的邊界點(diǎn)效益，表示需要探索的邊界點(diǎn)，表示移動(dòng)機(jī)器人的當(dāng)前位置，是預(yù)設(shè)參數(shù)，基于對(duì)探測(cè)地圖的探索而調(diào)整的自適應(yīng)參數(shù)，由預(yù)設(shè)探索模型中的軌跡成本和信息增益決定；

47、當(dāng)給定的邊界點(diǎn)在機(jī)器人當(dāng)前位置外的某個(gè)半徑時(shí)，滯后增益的值是固定的，根據(jù)的自適應(yīng)性調(diào)整公式（6），對(duì)應(yīng)的表達(dá)式為：

48、?（7）

49、其中，由機(jī)器人的雷達(dá)探測(cè)范圍和探測(cè)地圖的大小決定，隨著軌跡成本增加，對(duì)應(yīng)的權(quán)重也增加。

50、作為上述技術(shù)方案的優(yōu)選，將與探索周圍邊界點(diǎn)相關(guān)的滯后增益設(shè)置為：

51、?（8）

52、其中，若給定的邊界點(diǎn)在距離機(jī)器人的當(dāng)前位置一定半徑之外，則其單位為1，根據(jù)正在探索的環(huán)境進(jìn)行設(shè)定；反之，若給定的邊界點(diǎn)在機(jī)器人的當(dāng)前位置的某個(gè)半徑內(nèi)，則被設(shè)定為增益。

53、作為上述技術(shù)方案的優(yōu)選，基于所述探測(cè)地圖和所述探索目標(biāo)點(diǎn)生成所述移動(dòng)機(jī)器人的路徑規(guī)劃模型，包括：

54、采用基于地圖的gmapping算法生成所述路徑規(guī)劃模型，將地圖構(gòu)建的問題轉(zhuǎn)化為同步定位和slam問題，其中，slam問題采用貝葉斯網(wǎng)絡(luò)、因子圖和機(jī)器學(xué)習(xí)三種算法表示，在貝葉斯網(wǎng)絡(luò)中，基于激光雷達(dá)觀測(cè)數(shù)據(jù)和里程計(jì)數(shù)據(jù)對(duì)應(yīng)的概率表示為：

55、 ?（9）

56、其中，表示機(jī)器人的狀態(tài)，表示探索地圖；

57、基于rbpf粒子濾波器算法利用狀態(tài)和探索地圖之間的獨(dú)立性來優(yōu)化概率表示：

58、 ?（10）

59、其中，表示優(yōu)化后的概率。

60、第二方面，本發(fā)明還提供了一種機(jī)器人探索未知環(huán)境的優(yōu)化系統(tǒng)，應(yīng)用于如上述的機(jī)器人探索未知環(huán)境的優(yōu)化方法，包括：

61、數(shù)據(jù)獲取模塊，用于獲取多個(gè)傳感器采集移動(dòng)機(jī)器人探索未知環(huán)境的傳感器數(shù)據(jù)，并根據(jù)所述傳感器數(shù)據(jù)構(gòu)建所述未知環(huán)境的探測(cè)地圖，其中，所述傳感器包括里程計(jì)和激光雷達(dá)；

62、邊界檢測(cè)模塊，用于采用多種rrt邊界點(diǎn)檢測(cè)算法對(duì)所述探測(cè)地圖進(jìn)行檢測(cè)分析得到所述探測(cè)地圖的邊界點(diǎn)，其中，所述多種rrt邊界點(diǎn)檢測(cè)算法為基于快速探索隨機(jī)樹的邊界點(diǎn)檢測(cè)算法，所述多種rrt邊界點(diǎn)檢測(cè)算法包括全局rrt檢測(cè)算法和局部rrt檢測(cè)算法；

63、邊界點(diǎn)濾波模塊，用于將所述邊界點(diǎn)設(shè)置為路徑規(guī)劃目標(biāo)點(diǎn)，并根據(jù)路徑規(guī)劃算法控制所述移動(dòng)機(jī)器人向所述路徑規(guī)劃目標(biāo)點(diǎn)移動(dòng)以得到所述邊界點(diǎn)對(duì)應(yīng)的邊界點(diǎn)集；

64、任務(wù)分配模塊，用于基于自適應(yīng)k-means++算法對(duì)所述邊界點(diǎn)集進(jìn)行邊界點(diǎn)提取得到聚類后的邊界點(diǎn)，將所述聚類后的邊界點(diǎn)輸入預(yù)設(shè)探索模型進(jìn)行優(yōu)化評(píng)估分析得到所述移動(dòng)機(jī)器人的探索目標(biāo)點(diǎn)；

65、路徑規(guī)劃模塊，用于基于所述探測(cè)地圖和所述探索目標(biāo)點(diǎn)生成所述移動(dòng)機(jī)器人的路徑規(guī)劃模型，其中，所述路徑規(guī)劃模型包括速度指令和地圖構(gòu)建。

66、本發(fā)明提供了一種機(jī)器人探索未知環(huán)境的優(yōu)化方法及系統(tǒng)，通過獲取多個(gè)傳感器采集移動(dòng)機(jī)器人探索未知環(huán)境的傳感器數(shù)據(jù)，并根據(jù)傳感器數(shù)據(jù)構(gòu)建未知環(huán)境的探測(cè)地圖，采用多種rrt邊界點(diǎn)檢測(cè)算法對(duì)探測(cè)地圖進(jìn)行檢測(cè)分析得到探測(cè)地圖的邊界點(diǎn)，將邊界點(diǎn)設(shè)置為路徑規(guī)劃目標(biāo)點(diǎn)，并根據(jù)路徑規(guī)劃算法控制移動(dòng)機(jī)器人向路徑規(guī)劃目標(biāo)點(diǎn)移動(dòng)以得到邊界點(diǎn)對(duì)應(yīng)的邊界點(diǎn)集，基于自適應(yīng)k-means++算法對(duì)邊界點(diǎn)集進(jìn)行邊界點(diǎn)提取得到聚類后的邊界點(diǎn)，將聚類后的邊界點(diǎn)輸入預(yù)設(shè)探索模型進(jìn)行優(yōu)化評(píng)估分析得到移動(dòng)機(jī)器人的探索目標(biāo)點(diǎn)，基于探測(cè)地圖和探索目標(biāo)點(diǎn)生成移動(dòng)機(jī)器人的路徑規(guī)劃模型，可以防止機(jī)器人錯(cuò)過地圖的小角落，將檢測(cè)到的邊界點(diǎn)通過基于自適應(yīng)k-means++的聚類算法進(jìn)行過濾，該算法不需要在每次檢測(cè)中指定聚類中心的數(shù)量，而是根據(jù)檢測(cè)到的邊界點(diǎn)的數(shù)量進(jìn)行自適應(yīng)聚類，從而減輕了計(jì)算負(fù)擔(dān)。