本發(fā)明涉及機(jī)器人路徑規(guī)劃的，尤其涉及一種基于深度學(xué)習(xí)優(yōu)化機(jī)器人路徑規(guī)劃方法及系統(tǒng)。

背景技術(shù)：

1、機(jī)器人運(yùn)動(dòng)規(guī)劃的目標(biāo)是在給定的環(huán)境中，從初始關(guān)節(jié)配置開(kāi)始，找到一條無(wú)碰撞的路徑，安全、有效地到達(dá)目標(biāo)配置。這一過(guò)程中，機(jī)器人需要綜合考慮各種因素，包括路徑長(zhǎng)度、運(yùn)動(dòng)時(shí)間以及可能的障礙物等。

2、運(yùn)動(dòng)規(guī)劃的核心在于解決兩個(gè)主要問(wèn)題：一是如何在復(fù)雜的環(huán)境中找到一條可行的路徑；二是如何確保機(jī)器人在運(yùn)動(dòng)過(guò)程中不與障礙物或自身發(fā)生碰撞。為了解決這些問(wèn)題，機(jī)器人運(yùn)動(dòng)規(guī)劃通常依賴于精確的環(huán)境建模、高效的路徑搜索算法以及實(shí)時(shí)的碰撞檢測(cè)機(jī)制。目前主流的機(jī)器人運(yùn)動(dòng)規(guī)劃主要是基于采樣的運(yùn)動(dòng)規(guī)劃和基于優(yōu)化的運(yùn)動(dòng)規(guī)劃方法。

3、基于采樣的運(yùn)動(dòng)規(guī)劃方法，主要是快速擴(kuò)展隨機(jī)樹(shù)（rrt）和概率路線圖（prm）方法及其變體方法，通過(guò)在機(jī)器人的工作空間中隨機(jī)采樣來(lái)構(gòu)建機(jī)器人的運(yùn)動(dòng)軌跡。這種方法無(wú)需對(duì)環(huán)境進(jìn)行精確的建模，適用于復(fù)雜和不確定的環(huán)境。

4、但本技術(shù)發(fā)明人在實(shí)現(xiàn)本技術(shù)實(shí)施例中發(fā)明技術(shù)方案的過(guò)程中，發(fā)現(xiàn)上述技術(shù)至少存在如下技術(shù)問(wèn)題：

5、基于優(yōu)化的運(yùn)動(dòng)規(guī)劃方法更注重于找到特定性能指標(biāo)的最優(yōu)解，這類(lèi)方法通常將運(yùn)動(dòng)規(guī)劃問(wèn)題轉(zhuǎn)化為一個(gè)優(yōu)化問(wèn)題，然后利用優(yōu)化算法，如梯度下降、遺傳算法等來(lái)求解。然而，由于機(jī)器人運(yùn)動(dòng)規(guī)劃的目標(biāo)函數(shù)往往包含多個(gè)不同的局部最小值，容易導(dǎo)致優(yōu)化算法過(guò)早收斂，從而無(wú)法找到全局最優(yōu)解。為了解決這個(gè)問(wèn)題，目前的方案多采用multi-start方法，即從多個(gè)不同的初始點(diǎn)開(kāi)始進(jìn)行優(yōu)化搜索，增加找到符合性能指標(biāo)的全局最優(yōu)解的可能性。基于采樣的方法計(jì)算效率會(huì)受到問(wèn)題規(guī)模的影響，在面對(duì)復(fù)雜多機(jī)器人運(yùn)動(dòng)規(guī)劃問(wèn)題時(shí)，容易出現(xiàn)計(jì)算維度爆炸的情況。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例通過(guò)提供一種基于深度學(xué)習(xí)優(yōu)化機(jī)器人路徑規(guī)劃方法及系統(tǒng)，解決了現(xiàn)有技術(shù)中傳統(tǒng)的基于采樣的方法的計(jì)算效率較低，面對(duì)復(fù)雜多機(jī)器人運(yùn)動(dòng)規(guī)劃問(wèn)題時(shí)，容易計(jì)算維度爆炸導(dǎo)致，實(shí)現(xiàn)了提出了一種適用于機(jī)器人路徑規(guī)劃的神經(jīng)網(wǎng)絡(luò)，用于編碼在不同任務(wù)和環(huán)境中的最優(yōu)運(yùn)動(dòng)軌跡；將基礎(chǔ)點(diǎn)集引入基于優(yōu)化的運(yùn)動(dòng)規(guī)劃問(wèn)題中，使路徑規(guī)劃模型訓(xùn)練更高效，提出采用深度學(xué)習(xí)預(yù)測(cè)的路徑規(guī)劃作為基于優(yōu)化的路徑規(guī)劃方案的熱啟動(dòng)方式，極大提高了規(guī)劃效率。

2、本技術(shù)實(shí)施例提供了一種基于深度學(xué)習(xí)優(yōu)化機(jī)器人路徑規(guī)劃的方法，包括，

3、s1、將機(jī)器人的路徑規(guī)劃問(wèn)題建立模型，并轉(zhuǎn)換為可被優(yōu)化的數(shù)學(xué)問(wèn)題，所述數(shù)學(xué)問(wèn)題由優(yōu)化任務(wù)的目標(biāo)函數(shù)定義，所述目標(biāo)函數(shù)包括長(zhǎng)度成本和碰撞成本；

4、s2、通過(guò)bps編碼機(jī)器人運(yùn)動(dòng)規(guī)劃中的環(huán)境信息，所述bps通過(guò)一組預(yù)定義的基礎(chǔ)點(diǎn)來(lái)捕捉環(huán)境的特征，并通過(guò)計(jì)算這些點(diǎn)到環(huán)境中最近障礙物的距離來(lái)生成特征向量；

5、s3、基于生成的特征向量，通過(guò)深度學(xué)習(xí)完成模型訓(xùn)練，?通過(guò)使用神經(jīng)網(wǎng)絡(luò)進(jìn)行路徑規(guī)劃模型訓(xùn)練，得出最優(yōu)路徑；

6、s4、基于深度學(xué)習(xí)對(duì)路徑規(guī)劃的模型訓(xùn)練，得出最優(yōu)路徑，作為基于優(yōu)化的路徑規(guī)劃算法的初始熱啟動(dòng)，從而對(duì)接任意基于優(yōu)化的路徑規(guī)劃算法。

7、進(jìn)一步的，在步驟s1中，所述優(yōu)化任務(wù)的目標(biāo)函數(shù)，具體包括：

8、優(yōu)化任務(wù)的目標(biāo)函數(shù)的定義為：

9、；

10、q*為優(yōu)化任務(wù)的目標(biāo)函數(shù)，這個(gè)公式定義了運(yùn)動(dòng)規(guī)劃的最終目標(biāo)，即找到一條路徑?q，使得目標(biāo)函數(shù)?u(q)?達(dá)到最小值；目標(biāo)函數(shù)?u(q)?是所述長(zhǎng)度成本和所述碰撞成本的組合。

11、進(jìn)一步的，在步驟s2中，bps編碼的主要步驟，具體包括，

12、s21、基于機(jī)器人運(yùn)動(dòng)規(guī)劃中的環(huán)境信息，選擇一組預(yù)先定義的基礎(chǔ)點(diǎn)集

13、；

14、其中，是環(huán)境中的固定位置，對(duì)于每一個(gè)基礎(chǔ)點(diǎn)，找到其到環(huán)境中最近的障礙物的距離；

15、s22、將每個(gè)基礎(chǔ)點(diǎn)到最近障礙物的距離組合成一個(gè)特征向量，所述環(huán)境信息被轉(zhuǎn)換為一個(gè)固定大小的特征向量，所述特征向量用公式表示為：

16、；

17、其中表示第個(gè)障礙物的位置。

18、進(jìn)一步的，在步驟s3中，所述路徑規(guī)劃模型訓(xùn)練，具體包括，

19、s31，基于優(yōu)化的運(yùn)動(dòng)規(guī)劃器創(chuàng)建一個(gè)包括多個(gè)運(yùn)動(dòng)任務(wù)及其對(duì)應(yīng)最優(yōu)路徑的初始數(shù)據(jù)集g；

20、s32，基于最優(yōu)路徑的初始數(shù)據(jù)集g，使用多個(gè)錐形全連接層構(gòu)建一個(gè)前饋神經(jīng)網(wǎng)絡(luò)，輸入層接收由基礎(chǔ)點(diǎn)集編碼的環(huán)境特征，及機(jī)器人的起始位置和配置，輸出結(jié)果是預(yù)測(cè)的最優(yōu)路徑的節(jié)點(diǎn)；

21、s33，使用初始化數(shù)據(jù)集g來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；

22、s34，當(dāng)神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的性能有所提升時(shí)，進(jìn)入迭代過(guò)程；

23、s35，在每次迭代中，使用改進(jìn)后的數(shù)據(jù)集重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。

24、進(jìn)一步的，在步驟s4中，具體包括，

25、經(jīng)過(guò)熱啟動(dòng)后的路徑規(guī)劃的主要步驟如下：

26、通過(guò)提前訓(xùn)練好的路徑規(guī)劃深度學(xué)習(xí)模型，預(yù)測(cè)得到omp的初始路徑；

27、基于omp的初始路徑，運(yùn)行omp算法，嘗試通過(guò)迭代優(yōu)化來(lái)改進(jìn)初始路徑；

28、每次進(jìn)行路徑優(yōu)化后，檢查路徑與環(huán)境障礙物之間的碰撞，若遇到碰撞，則重新規(guī)劃路徑，這次重新規(guī)劃所額外添加的路徑和節(jié)點(diǎn)也將采用模型進(jìn)行預(yù)測(cè)；

29、當(dāng)路徑成本達(dá)到指定要求，或者路徑成本在一定次數(shù)迭代過(guò)程后不再減少時(shí)，算法停止，返回最優(yōu)路徑。

30、一種基于深度學(xué)習(xí)優(yōu)化機(jī)器人路徑規(guī)劃的系統(tǒng)，包括，

31、任務(wù)定義和初始化模塊，用于將機(jī)器人的路徑規(guī)劃問(wèn)題建立模型，并轉(zhuǎn)換為可被優(yōu)化的數(shù)學(xué)問(wèn)題，所述數(shù)學(xué)問(wèn)題由優(yōu)化任務(wù)的目標(biāo)函數(shù)定義，所述目標(biāo)函數(shù)包括長(zhǎng)度成本和碰撞成本；

32、bps編碼模塊，用于通過(guò)bps編碼機(jī)器人運(yùn)動(dòng)規(guī)劃中的環(huán)境信息，所述bps通過(guò)一組預(yù)定義的基礎(chǔ)點(diǎn)來(lái)捕捉環(huán)境的特征，并通過(guò)計(jì)算這些點(diǎn)到環(huán)境中最近障礙物的距離來(lái)生成特征向量；

33、路徑規(guī)劃模型訓(xùn)練模塊，基于生成的特征向量，用于通過(guò)深度學(xué)習(xí)完成模型訓(xùn)練，通過(guò)使用神經(jīng)網(wǎng)絡(luò)進(jìn)行路徑規(guī)劃模型訓(xùn)練，得出最優(yōu)路徑；

34、初始熱啟動(dòng)模塊，基于深度學(xué)習(xí)對(duì)路徑規(guī)劃的模型訓(xùn)練，用于得出最優(yōu)路徑，作為基于優(yōu)化的路徑規(guī)劃算法的初始熱啟動(dòng)，從而對(duì)接任意基于優(yōu)化的路徑規(guī)劃算法。

35、進(jìn)一步的，在任務(wù)定義和初始化模塊中，包括，

36、優(yōu)化任務(wù)的目標(biāo)函數(shù)的定義為：

37、；

38、q*為優(yōu)化任務(wù)的目標(biāo)函數(shù)，這個(gè)公式定義了運(yùn)動(dòng)規(guī)劃的最終目標(biāo)，即找到一條路徑q，使得目標(biāo)函數(shù)達(dá)到最小值；目標(biāo)函數(shù)是所述長(zhǎng)度成本和所述碰撞成本的組合。

39、進(jìn)一步的，在bps編碼模塊中，包括，

40、基礎(chǔ)點(diǎn)集預(yù)定單元：基于機(jī)器人運(yùn)動(dòng)規(guī)劃中的環(huán)境信息，選擇一組預(yù)先定義的基礎(chǔ)點(diǎn)集

41、；

42、其中，是環(huán)境中的固定位置，對(duì)于每一個(gè)基礎(chǔ)點(diǎn)，找到其到環(huán)境中最近的障礙物的距離；

43、特征向量單元：將每個(gè)基礎(chǔ)點(diǎn)到最近障礙物的距離組合成一個(gè)特征向量，所述環(huán)境信息被轉(zhuǎn)換為一個(gè)固定大小的特征向量，所述特征向量用公式表示為：

44、；

45、其中表示第個(gè)障礙物的位置。

46、進(jìn)一步的，在路徑規(guī)劃模型訓(xùn)練模塊中，包括，

47、數(shù)據(jù)集創(chuàng)建單元，用于基于優(yōu)化的運(yùn)動(dòng)規(guī)劃器創(chuàng)建一個(gè)包括多個(gè)運(yùn)動(dòng)任務(wù)及其對(duì)應(yīng)最優(yōu)路徑的初始數(shù)據(jù)集g；

48、最優(yōu)路徑的節(jié)點(diǎn)預(yù)測(cè)單元，基于最優(yōu)路徑的初始數(shù)據(jù)集g，用于使用多個(gè)錐形全連接層構(gòu)建一個(gè)前饋神經(jīng)網(wǎng)絡(luò)，輸入層接收由基礎(chǔ)點(diǎn)集編碼的環(huán)境特征，及機(jī)器人的起始位置和配置，輸出結(jié)果是預(yù)測(cè)的最優(yōu)路徑的節(jié)點(diǎn)；

49、神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練單元，用于使用初始化數(shù)據(jù)集g來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；

50、迭代單元，用于當(dāng)神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的性能有所提升時(shí)，進(jìn)入迭代過(guò)程；

51、重新訓(xùn)練單元，用于在每次迭代中，使用改進(jìn)后的數(shù)據(jù)集重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。

52、進(jìn)一步的，在初始熱啟動(dòng)模塊中，包括，

53、經(jīng)過(guò)熱啟動(dòng)后的路徑規(guī)劃的主要步驟如下：

54、通過(guò)提前訓(xùn)練好的路徑規(guī)劃深度學(xué)習(xí)模型，預(yù)測(cè)得到omp的初始路徑；

55、基于omp的初始路徑，運(yùn)行omp算法，嘗試通過(guò)迭代優(yōu)化來(lái)改進(jìn)初始路徑；

56、每次進(jìn)行路徑優(yōu)化后，檢查路徑與環(huán)境障礙物之間的碰撞，若遇到碰撞，則重新規(guī)劃路徑，這次重新規(guī)劃所額外添加的路徑和節(jié)點(diǎn)也將采用模型進(jìn)行預(yù)測(cè)；

57、當(dāng)路徑成本達(dá)到指定要求，或者路徑成本在一定次數(shù)迭代過(guò)程后不再減少時(shí)，算法停止，返回最優(yōu)路徑。

58、本技術(shù)實(shí)施例中提供的一個(gè)或多個(gè)技術(shù)方案，至少具有如下技術(shù)效果或優(yōu)點(diǎn)：

59、1、提出了一種適用于機(jī)器人路徑規(guī)劃的神經(jīng)網(wǎng)絡(luò)，用于編碼在不同任務(wù)和環(huán)境中的最優(yōu)運(yùn)動(dòng)軌跡；

60、2、將基礎(chǔ)點(diǎn)集引入基于優(yōu)化的運(yùn)動(dòng)規(guī)劃問(wèn)題中，使路徑規(guī)劃模型訓(xùn)練更高效；

61、3、提出采用深度學(xué)習(xí)預(yù)測(cè)的路徑規(guī)劃作為基于優(yōu)化的路徑規(guī)劃方案的熱啟動(dòng)方式，極大提高了規(guī)劃效率。