1.一种基于人工势场法与实例分割的机器人智能避障方法,其特征在于,包括以下步骤:步骤1:采集实验所需的障碍物各个视角的RGB信息,并通过剪裁、旋转进行数据增强,对数据集进行预处理:步骤1-1:采集室内障碍物样本图像数据并进行标注;
步骤1-2:对标注后的样本数据集进行特征增强,获得COCO数据集;
步骤1-3:构建Yolact模型;
步骤1-4:利用COCO数据集对所述的Yolact模型进行训练,得到障碍物样本的目标参数与目标权重,并将所述的目标参数和目标权重作为训练好的Yolact模型的参数和权重;
步骤1-5:使用训练好的Yolact模型对经标准化处理的障碍物样本图像进行检测,输出对应障碍物样本的类别Class与MASK矩阵Mw×h,(w,h)代表RGB图片的输入维度,定义Classsafe为安全类别,Classdanger为危险类别;
步骤2:通过ZED2相机获取障碍物的深度信息矩阵Dw×h,并通过相机的旋转矩阵R3×3与平移矩阵T3×1获取障碍物相对于相机的3D位姿信息,并建立小车世界坐标系base_link与相机的世界坐标系zed2_link之间的转换关系矩阵H3×1:步骤2-1:根据等距采样算法,获取障碍物样本各个区域像素位置的深度值z以及对应的像素坐标(u,v);
步骤2-3:通过相机标定获取其内参矩阵Q,Q可以由如下公式表示:其中,fx、fy分别代表相机坐标系中x,y坐标轴方向上的焦距,u0、v0分别代表像素坐标系中u轴、v轴的像素中心;
步骤2-4:通过障碍物的像素坐标(u,v)以及其对应的深度值z将其转换为相机的世界坐标(Xω,Yω,Zω),其转换公式如下:其中R,T分别为旋转矩阵与平移矩阵;
步骤2-5:基于步骤2给出的小车世界坐标系base_link与相机世界坐标系zed2_link的转换关系矩阵H3×1可以得到,障碍物在小车世界坐标系的坐标由如下公式给出:其中,Xoffset,Yoffset,Zoffset分别代表空间中相机与小车之间的相对位移;
步骤3:确定目标点的坐标,基于人工势场法建立模型,基于步骤1与步骤2,得到障碍物相对于小车之间的世界坐标以及其对应的类别(Xcar,Ycar,Zcar,Class),不考虑Zcar坐标,根据救援点方向确定一个目标点坐标(Xg,Yg),以此来建立势场模型:步骤3-1:建立人工势场,将小车周围环境中的运动抽象成在引力场中的运动,目标对小车产生引力,障碍物对小车产生斥力,根据叠加原理计算出合力方向,即为小车运动方向;
步骤3-2:定义目标点处的引力公式:
其中,α是引力增益,d(q,qgoal)是小车当前位置与目标点qgoal(Xg,Yg)之间的距离;
步骤3-3:实例分割算法Yolact将会实时计算障碍物类别Class,当障碍物类别属于步骤1-5中的Classdanger时,该类别障碍物处存在斥力,当障碍物类别属于Classsafe时,忽略斥力,因此斥力公式分配如下:其中,d(q,qobs)是小车当前点与障碍物之间的距离,β是斥力增益,Q是障碍物作用的距离阈值,当前点与障碍物距离大于此阈值时,障碍物对小车不会产生斥力;
步骤3-4:根据步骤3-2、3-3便可计算出小车在任意位置处的引力与斥力,其中引力由如下公式给出:斥力由如下公式给出:
则小车当前的合力大小为:
F(q)=Fatt(q)+Frep(q)#(8)
步骤3-5:根据里程计确定小车的实时转向角θtime;
步骤3-6:根据3-4给出的Fatt(q)、Frep(q)便可以得到合力Fcom以及相对于世界坐标系的夹角θexpect,根据小车质量M以及加速度公式得到其期望速度vexpect,根据采样时间t得到期望坐标(xexpect,yexpect),其中vexpect、xexpect、yexpect由如下公式给出:xexpect=x0+vexpect·t·cosθexpect#(10)yexpect=y0+vexpect·t·sinθexpect#(11)其中,(x0,y0)代表小车的初始坐标;
步骤4:将相对位姿转换为速度模型:
步骤4-1:给定线速度v与角速度ω的控制系数(kv,kω)以及速度初值(v0,ω0),根据步骤3所给出的θexpect、xexpect、yexpect以及小车当前的位姿信息θtime、xtime、ytime建立速度转换模型,则其误差矩阵Erobot、平移矩阵Trobot可由如下公式给出:则速度控制矩阵Crobot=Trobot·Erobot;
步骤4-2:计算小车实时的速度,我们定义步骤4-1中的速度控制矩阵为:则小车目标线速度vgoal、目标角速度ωgoal可由如下公式给出:vgoal=kv·c1+v0·cos c3#(15)
ωgoal=kω·sinc3+v0·c2+ω0#(16)。
2.根据权利要求1所述的基于人工势场法与实例分割的机器人智能避障方法,其特征在于:步骤2所建立的小车世界坐标系base_link与相机的世界坐标系zed2_link之间的转换关系矩阵H3×1的数值随相机与小车之间相对位姿的改变而改变。
3.根据权利要求1所述的基于人工势场法与实例分割的机器人智能避障方法,其特征在于:步骤2-4所确定的旋转矩阵R与与平移矩阵T组成的是相机外参,会随着障碍物与相机位姿的变化而变化。
4.根据权利要求1所述的基于人工势场法与实例分割的机器人智能避障方法,其特征在于:步骤3-6中小车的初始坐标(x0,y0)会随着小车的重启而归零。
5.根据权利要求1所述的基于人工势场法与实例分割的机器人智能避障方法,其特征在于:步骤4-1中给定的线速度v与角速度ω的控制系数(kv,kω)应按照小车速度上限来确定。
6.根据权利要求1所述的基于人工势场法与实例分割的机器人智能避障方法,其特征在于:为保证速度控制的连续性与稳定性,步骤4-1中给定的线速度初值v0应接近于0,角速度初值ω0应设置为0。