移动机器人的作业路径动态调整的方法及移动机器人与流程

1.本发明涉及移动机器人技术领域，尤其涉及一种移动机器人的作业路径动态调整的方法及移动机器人。


背景技术：

2.由于移动机器人技术日渐成熟，将移动机器人应用于各种工业生产或者一些较为危险的环境下进行替代作业，从而减少相应的用过成本，现有技术中对于一些具有固定位置的作业目标或者具有固定运动趋势的目标时，移动机器人的作业效率较高，移动机器人在运动过程中会收到各种路况干扰而导致路径需要调整，现有技术中通过能量商谱可以实时采集到相应路段的振动情况，振动情况代表着路况会存在系列变化，其无法结合机器学习能准确的对作业路径进行预测，导致其作业效率不高。


技术实现要素：

3.本发明的目的在于克服现有技术的不足，本发明提供了一种移动机器人的作业路径动态调整的方法及移动机器人，其通过采集加速度振动信号基于神经网络模型来预测移动机器人的运动趋势来实现对移动机器人的运动轨迹的调整，从而提高移动机器人的作业效率。
4.为了解决上述问题，本发明提出了一种移动机器人的作业路径动态调整的方法，所述方法包括：
5.基于移动机器人上所设置的加速度传感器采集运行过程中的加速度振动信号；
6.对加速度振动信号进行预处理生成小波包能谱熵向量；
7.将所述小波包能谱熵向量作为神经网络的输入量，获取移动机器人下一时刻运动趋势信息；
8.基于所述运动趋势信息调整所述移动机器人的运动轨迹。
9.所述基于移动机器人上所设置的加速度传感器采集运行过程中的加速度振动信号包括：
10.基于移动机器人上的加速度传感器采集模拟加速度振动信号；
11.对所述模拟加速度振动信号进行滤波处理，滤除高频振动信号；
12.对滤除高频振动信号的模拟加速度振动信号进行模数转换处理，生成数字加速度振动信号。
13.所述对加速度振动信号进行预处理生成小波包能谱熵向量包括：
14.采用小波包分解原理将加速度振动信号进行小波包分解；
15.对小波包系数进行重构，并求出每个频带分量所含能量占信号总能量的比重；
16.通过计算各频带的能量谱熵得到加速度振动信号的各个小波包系数的能量分布情况，将小波包能量谱熵作为加速度振动信号的特征参数。
17.所述将所述小波包能谱熵向量作为神经网络的输入量，获取移动机器人下一时刻
运动趋势信息包括：
18.获取用于模型训练的移动机器人作业的样本熵数据；
19.对所述样本熵数据中的一部分样本熵数据输入至构建出的用于预测运动趋势的神经网络，并通过另一部分样本熵数据执行验证处理，以训练出移动机器人的运动趋势模型；
20.将小波包能谱熵向量输入至移动机器人的运动趋势模型以得到下一时刻运动趋势信息。
21.所述基于所述运动趋势信息调整所述移动机器人的运动轨迹包括：
22.将目标位置信息、移动机器人位置信息及运动趋势信息在作业区域内的作业地图上进行标记，形成标记地图；
23.基于所述目标位置信息和运动趋势信息对所述动态作业目标下一时刻的位置进行预测处理，获得动态作业目标的下一时刻预测位置；
24.基于所述移动机器人的位置信息、运动趋势信息和动态作业目标的下一时刻预测位置调整所述移动机器人的运动轨迹。
25.所述将目标位置信息、移动机器人位置信息及运动趋势信息在作业区域内的作业地图上进行标记，形成标记地图包括：
26.在所述作业区域内的作业地图上构建坐标系，并基于所述作业区域内的作业地图所建立的坐标系将目标位置信息和移动机器人位置信息转换为目标位置坐标和移动机器人位置坐标；
27.将目标位置坐标、移动机器人位置坐标、所述目标运动趋势和运动趋势信息在作业区域内的作业地图上进行标记处理，形成标记地图。
28.所述将目标位置坐标、移动机器人位置坐标、所述目标运动趋势和运动趋势信息在作业区域内的作业地图上进行标记处理包括：
29.将所述目标位置坐标、移动机器人位置坐标在作业区域内的作业地图上进行坐标标记，形成初始标记地图；
30.将所述目标运动趋势和所述运动趋势信息转换为数字信息，并在所述初始标记地图上进行标记处理。
31.所述基于所述目标位置信息和运动趋势信息对所述动态作业目标下一时刻的位置进行预测处理包括：
32.获得所述运动趋势信息中的目标运动速度信息，并基于所述目标运动速度信息计算出下一时刻所述动态作业目标运动的距离；
33.基于所述目标位置信息、下一时刻所述动态作业目标运动的距离和所述运动趋势信息中的目标运动方向信息对所述动态作业目标下一时刻的位置进行预测处理。
34.所述基于所述移动机器人的位置信息、运动趋势信息和动态作业目标的下一时刻预测位置调整所述移动机器人的运动轨迹包括：
35.基于移动机器人的位置信息和动态作业目标的下一时刻预测位置调整所述机器人运动趋势信息中的机器人运动方向信息和机器人运动速度信息；
36.基于调整后的机器人运动方向信息和机器人运动速度信息调整所述移动机器人的运动轨迹。
37.相应的，本发明还提出了一种移动机器人，所述移动机器人中设置有存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于与所述存储器耦合，用于执行所述计算机程序，以实现以上所述的方法。
38.本发明所涉及的方法和系统通过提取移动机器人上加速度振动信号的特征量，然后与神经网络相结合的方式实现对移动机器人的运动趋势的预测，从而提高提高移动机器人的作业效率。这里采用小波包分解和能量谱熵相结合的方式能直接体现出移动机器人上的加速度振动信号的特征信息，有利于对特征信息的提取，从而可以使得其结合神经网络来实现对移动机器人运行过程中加速度振动信号的学习训练，进而实现对移动机器人运动轨迹的预测。这种方式对加速度振动信号的识别准确率较高，可以通过神经网络模型实现对加速度振动信号的分类预测，从而提高了轨迹预测的准确性，使得移动机器人的作业效率具有较高的可靠性和精度。
附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
40.图1是本发明实施例中的移动机器人的结构示意图；
41.图2是本发明实施例中的移动机器人的作业路径动态调整的方法流程图；
42.图3是本发明实施例中的调整所述移动机器人的运动轨迹的方法流程图。
具体实施方式
43.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
44.具体的，图1示出了本发明实施例中的移动机器人的结构示意图，该移动机器人包括：
45.数据采集模块，用于基于移动机器人上所设置的加速度传感器采集运行过程中的加速度振动信号；
46.预处理模块，用于对加速度振动信号进行预处理生成小波包能谱熵向量；
47.神经网络处理模块，用于将所述小波包能谱熵向量作为神经网络的输入量，获取移动机器人下一时刻运动趋势信息；
48.路径调整模块，用于基于所述运动趋势信息调整所述移动机器人的运动轨迹。
49.本发明实施例中的移动机器人可以通过提取移动机器人上加速度振动信号的特征量，然后与神经网络相结合的方式实现对移动机器人的运动趋势的预测，从而提高提高移动机器人的作业效率。这里采用小波包分解和能量谱熵相结合的方式能直接体现出移动机器人上的加速度振动信号的特征信息，有利于对特征信息的提取，从而可以使得其结合神经网络来实现对移动机器人运行过程中加速度振动信号的学习训练，进而实现对移动机
器人运动轨迹的预测。这种方式对加速度振动信号的识别准确率较高，可以通过神经网络模型实现对加速度振动信号的分类预测，从而提高了轨迹预测的准确性，使得移动机器人的作业效率具有较高的可靠性和精度。
50.具体的，图2示出了本发明实施例中的移动机器人的作业路径动态调整的方法流程图，所述方法包括：
51.s201、基于移动机器人上所设置的加速度传感器采集运行过程中的加速度振动信号；
52.具体的，这里基于移动机器人上所设置的加速度传感器采集运行过程中的加速度振动信号包括：基于移动机器人上的加速度传感器采集模拟加速度振动信号；对所述模拟加速度振动信号进行滤波处理，滤除高频振动信号；对滤除高频振动信号的模拟加速度振动信号进行模数转换处理，生成数字加速度振动信号。
53.这里的移动机器人上设置有加速度传感器，这里加速度传感器可以在移动机器人行进过程中对所在位置的加速度振动信号进行采集，从而使得依靠该加速度振动信号来完成最终的路径调整的过程。
54.本发明实施例中可以选择mems加速度传感器来采集信号，该mems加速度传感器具有体积小、价格低、输出信号强、后期电路简单等优点。
55.本发明实施例中可以采用抗混叠滤波电路来进行滤波处理，其可以有效滤除模拟加速度振动信号中的高频振动信号。
56.本发明实施例中通过使用模数转换器adc对其进行转换成数字量，adc的采样频率设置为5khz以上，将采样后的数据按照设定好的格式，经串口输出至相应的处理器进行加速度振动信号的提取过程。
57.s202、对加速度振动信号进行预处理生成小波包能谱熵向量；
58.这里对加速度振动信号进行预处理生成小波包能谱熵值包括：采用小波包分解原理将加速度振动信号进行小波包分解；对小波包系数进行重构，并求出每个频带分量所含能量占信号总能量的比重；通过计算各频带的能量谱熵得到加速度振动信号的各个小波包系数的能量分布情况，将小波包能量谱熵作为加速度振动信号的特征参数。
59.这里对小波包系数进行重构，并求出每个频带分量所含能量占信号总能量的比重包括：通过小波包分解获得信号的不同频带分量，根据加速度振动信号频带的分布，获得每个频带的特征信息，利用小波包能量谱对加速度振动信号进行分析。
60.需要说明的是，通过小波包分解原理对加速度振动信号进行小波包分解，其常见于对机械原理下故障振动的判断识别中，所采集的加速度振动信号形成一个随机变量，该随机变量存在有若干概率分布值，每个随机变量都存在一个整体特征熵值，当随机变量的概率分布值越大，其对应的整体特征熵值则越大，当随机变量的概率分布值越小，其对应的整体特征熵值则越小。
61.对于随机变量下的随机时间序列来说，其随机时间序列下的各频段能量存在大小关系，其随机时间序列下的能量谱熵能反映出时间序列信号在频域范围内能量的分布情况。
62.小波包分解可以将分解空间按照不同的尺度分解成不同子分解空间之和，这里若需要获得较高的分辨率，可以对每个子分解空间继续分解，其通过新的空间将多分辨率子
空间和每个子分解空间统一起来。
63.这里通过小波包分解获得信号的不同频带分量，根据加速度振动信号频带的分布，获得每个频带的特征信息，利用小波包能量谱对不同的加速度振动信号进行分析。小波包变换对非平稳信号具有较好的处理能力，这里对加速度振动信号进行分析能够取得较好的效果。通过小波包分解可以获得信号的不同频带分量，不同的频带分量的信息分布也有所不同，根据加速度振动信号的分布可获得每个频带的特征信息。
64.加速度振动信号的小波包各频带分量的能量可以由帕瑟瓦尔定理计算出，其利用小波包系数对加速度振动信号不同频带能量进行分析，在加速度振动信号不同时，其小波包系数所对应的能量大小也不一样，这里可以利用小波包能量谱对不同的加速度振动信号进行分析。
65.能量谱熵是对加速度振动信号在频域上能量分布的复杂程度的定量描述，是对加速度振动信号整个频上的信息量的反应，其表征的是所有频率上的信息熵，并未考虑频谱的细节成分。这里采用小波包变换对加速度振动信号进行处理，其可以对非平稳信号具有宽频响应的特点，其对低频处有较高的频率分辨率，其对高频处有较高的时间分辨率，其适于分析非平稳信号。
66.s203、将所述小波包能谱熵向量作为神经网络的输入量，获取移动机器人下一时刻运动趋势信息；
67.具体的，将所述小波包能谱熵向量作为神经网络的输入量，获取移动机器人下一时刻运动趋势信息包括：获取用于模型训练的移动机器人作业的样本熵数据；对所述样本熵数据中的一部分样本熵数据输入至构建出的用于预测运动趋势的神经网络，并通过另一部分样本熵数据执行验证处理，以训练出移动机器人的运动趋势模型；将小波包能谱熵向量输入至移动机器人的运动趋势模型以得到下一时刻运动趋势信息。
68.这里可以针对不同的移动机器人运动趋势调整环境下产生的加速度振动数据作为训练样本，运动趋势调整环境下产生的加速度振动数据所具有的小波包能谱熵向量为移动机器人作业的样本熵数据。
69.具体实施过程中，构建用于预测运动趋势的深度神经网络，根据可获取的特征列数选择相应的输入层神经元节点数；从全部样本熵数据中随机抽取一定预设百分比的样本熵数据作为训练样本集训练深度神经网络，剩余的样本熵数据作为验证集；迭代训练深度神经网络，以得到训练完成的移动机器人的神经网络模型。
70.s204、基于所述运动趋势信息调整所述移动机器人的运动轨迹。
71.本发明实施例通过提取移动机器人上加速度振动信号的特征量，然后与神经网络相结合的方式实现对移动机器人的运动趋势的预测，在得到运动趋势信息之后，移动机器人即可完成对运动轨迹的调整过程，具体的图3示出了本发明实施例中的调整所述移动机器人的运动轨迹的方法流程图，包括：
72.s301、将目标位置信息、移动机器人位置信息及运动趋势信息在作业区域内的作业地图上进行标记，形成标记地图；
73.需要说明的是，这里将目标位置信息、移动机器人位置信息及运动趋势信息在作业区域内的作业地图上进行标记，形成标记地图包括：在所述作业区域内的作业地图上构建坐标系，并基于所述作业区域内的作业地图所建立的坐标系将目标位置信息和移动机器
人位置信息转换为目标位置坐标和移动机器人位置坐标；将目标位置坐标、移动机器人位置坐标、所述目标运动趋势和运动趋势信息在作业区域内的作业地图上进行标记处理，形成标记地图。
74.需要说明的是，所述将目标位置坐标、移动机器人位置坐标、所述目标运动趋势和运动趋势信息在作业区域内的作业地图上进行标记处理包括：将所述目标位置坐标、移动机器人位置坐标在作业区域内的作业地图上进行坐标标记，形成初始标记地图；将所述目标运动趋势和所述运动趋势信息转换为数字信息，并在所述初始标记地图上进行标记处理。
75.这里通过将该目标位置坐标、机器人位置坐标在作业区域内的作业地图上进行坐标标记，形成初始标记地图；然后将目标运动趋势和机器人运动趋势信息转换为数字信息，同时在初始标记地图上进行标记处理。
76.s302、基于所述目标位置信息和运动趋势信息对所述动态作业目标下一时刻的位置进行预测处理，获得动态作业目标的下一时刻预测位置；
77.需要说明的是，所述基于所述目标位置信息和运动趋势信息对所述动态作业目标下一时刻的位置进行预测处理包括：获得所述运动趋势信息中的目标运动速度信息，并基于所述目标运动速度信息计算出下一时刻所述动态作业目标运动的距离；基于所述目标位置信息、下一时刻所述动态作业目标运动的距离和所述运动趋势信息中的目标运动方向信息对所述动态作业目标下一时刻的位置进行预测处理。
78.这里需要获得目标运动趋势中的目标运动速度信息，然后根据目标运动速度信息计算出下一时刻所述动态作业目标运动的距离；并且根据目标位置信息、下一时刻动态作业目标运动的距离和目标运动趋势信息中的目标运动方向信息对动态作业目标下一时刻的位置进行预测处理，即可得到动态作业目标的下一时刻预测位置。
79.s303、基于所述移动机器人的位置信息、运动趋势信息和动态作业目标的下一时刻预测位置调整所述移动机器人的运动轨迹。
80.需要说明的是，所述基于所述移动机器人的位置信息、运动趋势信息和动态作业目标的下一时刻预测位置调整所述移动机器人的运动轨迹包括：基于移动机器人的位置信息和动态作业目标的下一时刻预测位置调整所述机器人运动趋势信息中的机器人运动方向信息和机器人运动速度信息；基于调整后的机器人运动方向信息和机器人运动速度信息调整所述移动机器人的运动轨迹。本发明实施例所涉及的方法可以通过提取移动机器人上加速度振动信号的特征量，然后与神经网络相结合的方式实现对移动机器人的运动趋势的预测，从而提高提高移动机器人的作业效率。这里采用小波包分解和能量谱熵相结合的方式能直接体现出移动机器人上的加速度振动信号的特征信息，有利于对特征信息的提取，从而可以使得其结合神经网络来实现对移动机器人运行过程中加速度振动信号的学习训练，进而实现对移动机器人运动轨迹的预测。这种方式对加速度振动信号的识别准确率较高，可以通过神经网络模型实现对加速度振动信号的分类预测，从而提高了轨迹预测的准确性，使得移动机器人的作业效率具有较高的可靠性和精度。
81.本发明实施例还提供了一种移动机器人，所述移动机器人中设置有存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于与所述存储器耦合，用于执行所述计算机程序，以实现以上所述的方法。
82.本发明实施例还提供了一种计算机可读存储介质，所述当所述计算机程序被处理器执行时，致使所述处理器实现以上所述方法中的步骤。
83.以上对本发明实施例进行了详细介绍，本文中采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。