本發(fā)明涉及人工智能，特別涉及基于人工智能的自主避障繞行障礙物的方法、裝置和介質(zhì)。

背景技術(shù)：

1、在當(dāng)今科技飛速發(fā)展的時(shí)代，自主移動(dòng)設(shè)備在各個(gè)領(lǐng)域的應(yīng)用不斷拓展，從工業(yè)生產(chǎn)中的物料搬運(yùn)機(jī)器人，到日常生活中的家用清潔機(jī)器人，再到交通運(yùn)輸領(lǐng)域的自動(dòng)駕駛車(chē)輛等。在這些自主移動(dòng)設(shè)備的運(yùn)行過(guò)程中，能夠準(zhǔn)確、高效地實(shí)現(xiàn)自主避障繞行障礙物是保障其安全、穩(wěn)定運(yùn)行的關(guān)鍵所在。

2、目前，用于自主避障繞行障礙物的技術(shù)手段多種多樣。在構(gòu)建虛擬環(huán)境模型時(shí)，現(xiàn)有的方法往往難以全面、精細(xì)地還原真實(shí)環(huán)境的復(fù)雜情況，比如無(wú)法準(zhǔn)確呈現(xiàn)障礙物的形狀、大小、材質(zhì)等特征，以及環(huán)境中的動(dòng)態(tài)變化因素。對(duì)于路徑規(guī)劃，傳統(tǒng)的方法通常基于簡(jiǎn)單的幾何規(guī)則、固定的數(shù)學(xué)模型或者經(jīng)驗(yàn)公式來(lái)進(jìn)行計(jì)算。這些方法在處理相對(duì)簡(jiǎn)單、靜態(tài)的環(huán)境時(shí)或許能夠發(fā)揮一定作用，但當(dāng)面對(duì)復(fù)雜多變、存在大量障礙物且具有動(dòng)態(tài)變化因素的實(shí)際場(chǎng)景時(shí)，往往顯得力不從心。它們難以快速有效地處理海量的環(huán)境數(shù)據(jù)，計(jì)算效率低下，規(guī)劃出的路徑可能不夠優(yōu)化，存在路徑過(guò)長(zhǎng)、轉(zhuǎn)彎過(guò)多、與障礙物距離過(guò)近等問(wèn)題，這不僅會(huì)降低移動(dòng)設(shè)備的運(yùn)行效率，還可能增加碰撞的風(fēng)險(xiǎn)，無(wú)法充分滿足自主移動(dòng)設(shè)備在復(fù)雜環(huán)境下的避障需求。

3、因此，本發(fā)明提出基于人工智能的自主避障繞行障礙物的方法、裝置和介質(zhì)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供基于人工智能的自主避障繞行障礙物的方法、裝置和介質(zhì)，包括：s1實(shí)時(shí)采集環(huán)境信息構(gòu)建虛擬環(huán)境模型，為后續(xù)路徑規(guī)劃提供準(zhǔn)確的環(huán)境基礎(chǔ)，提高路徑規(guī)劃的真實(shí)性和可行性。s2整合多種關(guān)鍵信息構(gòu)建路徑規(guī)劃信息數(shù)據(jù)庫(kù)，確保規(guī)劃所需數(shù)據(jù)的全面性和準(zhǔn)確性。s3運(yùn)用蟻群算法進(jìn)行初始路徑規(guī)劃，能夠快速找到一條可能的路徑，提高規(guī)劃效率。s4對(duì)初始路徑進(jìn)行多方位評(píng)估，全面考量路徑的優(yōu)劣，保證路徑規(guī)劃的質(zhì)量。s5在評(píng)估不滿足預(yù)設(shè)標(biāo)準(zhǔn)時(shí)采用粒子群算法優(yōu)化路徑，進(jìn)一步提升路徑的合理性和適應(yīng)性。該方案通過(guò)全面的數(shù)據(jù)采集和處理、有效的算法應(yīng)用以及嚴(yán)格的評(píng)估優(yōu)化，能夠?yàn)槟繕?biāo)移動(dòng)設(shè)備規(guī)劃出更優(yōu)質(zhì)、更符合要求的路徑。

2、本發(fā)明提供一種基于人工智能的自主避障繞行障礙物的方法，包括：

3、s1：實(shí)時(shí)采集目標(biāo)移動(dòng)設(shè)備的周?chē)h(huán)境信息并構(gòu)建虛擬環(huán)境模型；

4、s2：對(duì)目標(biāo)移動(dòng)設(shè)備的起始點(diǎn)、目標(biāo)位置信息、虛擬環(huán)境模型中的三維環(huán)境地圖信息以及障礙物信息進(jìn)行整合，構(gòu)建出路徑規(guī)劃信息數(shù)據(jù)庫(kù)；

5、s3：運(yùn)用蟻群算法和路徑規(guī)劃信息數(shù)據(jù)庫(kù)進(jìn)行初始路徑規(guī)劃，獲得從目標(biāo)移動(dòng)設(shè)備的起始點(diǎn)至目標(biāo)位置的初始路徑；

6、s4：基于虛擬環(huán)境模型對(duì)初始路徑進(jìn)行多方位評(píng)估，獲得初始路徑的多方位評(píng)估結(jié)果；

7、s5：當(dāng)初始路徑的多方位評(píng)估結(jié)果不滿足預(yù)設(shè)標(biāo)準(zhǔn)時(shí)，則采用粒子群算法對(duì)初始路徑進(jìn)行優(yōu)化，獲得更優(yōu)路徑。

8、優(yōu)選的，基于人工智能的自主避障繞行障礙物的方法，s1：實(shí)時(shí)采集目標(biāo)移動(dòng)設(shè)備的周?chē)h(huán)境信息并構(gòu)建虛擬環(huán)境模型，包括：

9、利用搭載于目標(biāo)移動(dòng)設(shè)備上的多傳感器系統(tǒng)實(shí)施采集目標(biāo)移動(dòng)設(shè)備的周?chē)h(huán)境信息，其中多傳感器系統(tǒng)包括激光雷達(dá)、攝像頭、超聲波傳感器；

10、基于目標(biāo)移動(dòng)設(shè)備的周?chē)h(huán)境信息構(gòu)建虛擬環(huán)境模型。

11、優(yōu)選的，基于人工智能的自主避障繞行障礙物的方法，基于目標(biāo)移動(dòng)設(shè)備的周?chē)h(huán)境信息構(gòu)建虛擬環(huán)境模型，包括：

12、基于目標(biāo)移動(dòng)設(shè)備的周?chē)h(huán)境信息構(gòu)建三維環(huán)境地圖，其中，三維環(huán)境地圖包含障礙物的位置、形狀尺寸以及目標(biāo)移動(dòng)設(shè)備的相對(duì)距離信息；

13、基于目標(biāo)移動(dòng)設(shè)備的周?chē)h(huán)境信息中的固定物信息，創(chuàng)建與真實(shí)環(huán)境對(duì)應(yīng)的固定物模型；

14、將目標(biāo)移動(dòng)設(shè)備的周?chē)h(huán)境信息中的動(dòng)態(tài)量化環(huán)境信息和三維環(huán)境地圖同步映射至固定物模型中，獲得虛擬環(huán)境模型。

15、優(yōu)選的，基于人工智能的自主避障繞行障礙物的方法，s3：運(yùn)用蟻群算法和路徑規(guī)劃信息數(shù)據(jù)庫(kù)進(jìn)行初始路徑規(guī)劃，獲得從目標(biāo)移動(dòng)設(shè)備的起始點(diǎn)至目標(biāo)位置的初始路徑，包括：

16、設(shè)定螞蟻數(shù)量m，確定信息素?fù)]發(fā)系數(shù)ρ且ρ∈[0,1]，并確定信息素強(qiáng)度q；

17、初始化信息素矩陣，并基于路徑規(guī)劃信息數(shù)據(jù)庫(kù)中的障礙物信息和目標(biāo)位置信息初始化啟發(fā)式信息矩陣；

18、基于初始化后的信息素矩陣和啟發(fā)式信息矩陣計(jì)算出處于節(jié)點(diǎn)i的螞蟻k選擇移動(dòng)到節(jié)點(diǎn)j的概率

19、基于預(yù)設(shè)概率規(guī)則和每個(gè)螞蟻從當(dāng)前節(jié)點(diǎn)選擇移動(dòng)到下一節(jié)點(diǎn)集合中的每個(gè)節(jié)點(diǎn)的概率，確定螞蟻選擇移動(dòng)到的下一節(jié)點(diǎn)；

20、基于信息素?fù)]發(fā)系數(shù)ρ和信息素強(qiáng)度q以及螞蟻數(shù)量m繼續(xù)更新信息素濃度并持續(xù)確定螞蟻選擇移動(dòng)到的下一節(jié)點(diǎn)，直至滿足終止條件時(shí)，獲得所有螞蟻的選擇路徑；

21、在所有螞蟻的選擇路徑中選擇路徑長(zhǎng)度最短的選擇路徑作為初始路徑。

22、優(yōu)選的，基于人工智能的自主避障繞行障礙物的方法，基于初始化后的信息素矩陣和啟發(fā)式信息矩陣計(jì)算出處于節(jié)點(diǎn)i的螞蟻k選擇移動(dòng)到節(jié)點(diǎn)j的概率包括：

23、

24、其中，τij(t)為在時(shí)刻t從節(jié)點(diǎn)i到節(jié)點(diǎn)j的路徑上的信息素濃度，α為信息素相對(duì)重要程度因子，ηij為從節(jié)點(diǎn)i到節(jié)點(diǎn)j的啟發(fā)式信息，β為啟發(fā)式信息相對(duì)重要程度因子，s為一個(gè)用于求和的索引變量且表示螞蟻k可以選擇的下一節(jié)點(diǎn)集合allowdk中的任意一個(gè)節(jié)點(diǎn)。

25、優(yōu)選的，基于人工智能的自主避障繞行障礙物的方法，基于信息素?fù)]發(fā)系數(shù)ρ和信息素強(qiáng)度q以及螞蟻數(shù)量m繼續(xù)更新信息素濃度并持續(xù)確定螞蟻選擇移動(dòng)到的下一節(jié)點(diǎn)，包括：

26、揮發(fā)部分：對(duì)于每條路徑(i,j)，信息素濃度按照以下公式揮發(fā)：

27、τij(t+1)＝(1-ρ)τij(t)

28、增強(qiáng)部分：對(duì)于每條路徑(i,j)，信息素濃度按照以下公式增強(qiáng)：

29、

30、其中，τij(t+1)為在時(shí)刻t+1從節(jié)點(diǎn)i到節(jié)點(diǎn)j的路徑上的信息素濃度，對(duì)于螞蟻k走過(guò)的路徑(i,j)增加的信息素量為：

31、

32、其中，lk為螞蟻k周?chē)?guó)的路徑長(zhǎng)度。

33、優(yōu)選的，基于人工智能的自主避障繞行障礙物的方法，s4：基于虛擬環(huán)境模型對(duì)初始路徑進(jìn)行多方位評(píng)估，獲得初始路徑的多方位評(píng)估結(jié)果，包括：

34、基于虛擬環(huán)境模型和初始路徑確定出初始路徑中的每個(gè)路徑段與障礙物之間的最小距離，計(jì)算出初始路徑的安全評(píng)估指標(biāo)：

35、

36、式中，s為初始路徑的安全評(píng)估指標(biāo)，q為初始路徑中包含的路徑段總數(shù)量，e為自然常數(shù)且取值為2.71828，dmin,p為初始路徑中的第p個(gè)路徑段與障礙物之間的最小距離，dsafe為預(yù)設(shè)安全距離；

37、計(jì)算出目標(biāo)移動(dòng)設(shè)備按照初始路徑移動(dòng)時(shí)的能耗：

38、

39、式中，e為目標(biāo)移動(dòng)設(shè)備按照初始路徑移動(dòng)時(shí)的能耗，e0為目標(biāo)移動(dòng)設(shè)備在水平方向移動(dòng)時(shí)單位距離所消耗的能量，b為初始路徑中包含的節(jié)點(diǎn)數(shù)量，xa+1為初始路徑中的第a+1個(gè)節(jié)點(diǎn)在二維平面上的橫坐標(biāo)值，xa為初始路徑中的第a個(gè)節(jié)點(diǎn)在二維平面上的橫坐標(biāo)值，ya+1為初始路徑中的第a+1個(gè)節(jié)點(diǎn)在二維平面上的縱坐標(biāo)值，ya為初始路徑中的第a個(gè)節(jié)點(diǎn)在二維平面上的縱坐標(biāo)值，cosθa為初始路徑的坡度角的余弦值，e1為為目標(biāo)移動(dòng)設(shè)備在垂直方向移動(dòng)時(shí)單位距離所消耗的能量，sinθa為初始路徑的坡度角的正弦值，e2為與路徑曲折度相關(guān)的能耗系數(shù)，γa為初始路徑中與第a個(gè)節(jié)點(diǎn)相連的兩個(gè)路徑段之間的夾角；

40、將初始路徑的路徑長(zhǎng)度、安全評(píng)估指標(biāo)以及目標(biāo)移動(dòng)設(shè)備按照初始路徑移動(dòng)時(shí)的能耗當(dāng)作初始路徑的多方位評(píng)估結(jié)果。

41、優(yōu)選的，基于人工智能的自主避障繞行障礙物的方法，還包括：

42、在目標(biāo)移動(dòng)設(shè)備按照初始路徑或更優(yōu)路徑進(jìn)行移動(dòng)的過(guò)程中，持續(xù)實(shí)時(shí)采集目標(biāo)移動(dòng)設(shè)備的周?chē)h(huán)境，獲得目標(biāo)移動(dòng)設(shè)備的實(shí)時(shí)周?chē)h(huán)境信息；

43、當(dāng)基于目標(biāo)移動(dòng)設(shè)備的實(shí)時(shí)周?chē)h(huán)境信息判定當(dāng)前的虛擬環(huán)境模型中的障礙物信息發(fā)生變化時(shí)，則將新的障礙物信息反饋至虛擬環(huán)境模型中，獲得最新虛擬環(huán)境模型；

44、基于最新虛擬環(huán)境模型對(duì)目標(biāo)移動(dòng)設(shè)備執(zhí)行的初始路徑或更優(yōu)路徑進(jìn)行實(shí)時(shí)調(diào)整，獲得實(shí)時(shí)調(diào)整路徑；

45、將實(shí)時(shí)調(diào)整路徑發(fā)送給目標(biāo)移動(dòng)設(shè)備的運(yùn)動(dòng)控制系統(tǒng)，控制目標(biāo)移動(dòng)設(shè)備按照實(shí)時(shí)調(diào)整路徑進(jìn)行移動(dòng)，同時(shí)，將目標(biāo)移動(dòng)設(shè)備的實(shí)時(shí)運(yùn)動(dòng)狀態(tài)和最新虛擬環(huán)境模型反饋到路徑規(guī)劃信息數(shù)據(jù)庫(kù)中。

46、本發(fā)明提供了一種基于人工智能的自主避障繞行障礙物的裝置，用于執(zhí)行以上任一項(xiàng)基于人工智能的自主避障繞行障礙物的方法，包括：

47、環(huán)境采集模塊，用于實(shí)時(shí)采集目標(biāo)移動(dòng)設(shè)備的周?chē)h(huán)境信息并構(gòu)建虛擬環(huán)境模型；

48、信息整合模塊，用于對(duì)目標(biāo)移動(dòng)設(shè)備的起始點(diǎn)、目標(biāo)位置信息、虛擬環(huán)境模型中的三維環(huán)境地圖信息以及障礙物信息進(jìn)行整合，構(gòu)建出路徑規(guī)劃信息數(shù)據(jù)庫(kù)；

49、初始規(guī)劃模塊，用于運(yùn)用蟻群算法和路徑規(guī)劃信息數(shù)據(jù)庫(kù)進(jìn)行初始路徑規(guī)劃，獲得從目標(biāo)移動(dòng)設(shè)備的起始點(diǎn)至目標(biāo)位置的初始路徑；

50、路徑評(píng)估模塊，用于基于虛擬環(huán)境模型對(duì)初始路徑進(jìn)行多方位評(píng)估，獲得初始路徑的多方位評(píng)估結(jié)果；

51、路徑優(yōu)化模塊，用于當(dāng)初始路徑的多方位評(píng)估結(jié)果不滿足預(yù)設(shè)標(biāo)準(zhǔn)時(shí)，則采用粒子群算法對(duì)初始路徑進(jìn)行優(yōu)化，獲得更優(yōu)路徑。

52、本發(fā)明提供一種可讀存儲(chǔ)介質(zhì)，可讀存儲(chǔ)介質(zhì)上存儲(chǔ)程序或指令，程序或指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)以上任一項(xiàng)基于人工智能的自主避障繞行障礙物的方法的步驟。

53、本發(fā)明相對(duì)于現(xiàn)有技術(shù)產(chǎn)生的有益效果為：s1實(shí)時(shí)采集環(huán)境信息構(gòu)建虛擬環(huán)境模型，為后續(xù)路徑規(guī)劃提供準(zhǔn)確的環(huán)境基礎(chǔ)，提高路徑規(guī)劃的真實(shí)性和可行性。s2整合多種關(guān)鍵信息構(gòu)建路徑規(guī)劃信息數(shù)據(jù)庫(kù)，確保規(guī)劃所需數(shù)據(jù)的全面性和準(zhǔn)確性。s3運(yùn)用蟻群算法進(jìn)行初始路徑規(guī)劃，能夠快速找到一條可能的路徑，提高規(guī)劃效率。s4對(duì)初始路徑進(jìn)行多方位評(píng)估，全面考量路徑的優(yōu)劣，保證路徑規(guī)劃的質(zhì)量。s5在評(píng)估不滿足預(yù)設(shè)標(biāo)準(zhǔn)時(shí)采用粒子群算法優(yōu)化路徑，進(jìn)一步提升路徑的合理性和適應(yīng)性。該方案通過(guò)全面的數(shù)據(jù)采集和處理、有效的算法應(yīng)用以及嚴(yán)格的評(píng)估優(yōu)化，能夠?yàn)槟繕?biāo)移動(dòng)設(shè)備規(guī)劃出更優(yōu)質(zhì)、更符合要求的路徑。

54、本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書(shū)中闡述，并且，部分地從說(shuō)明書(shū)中變得顯而易見(jiàn)，或者通過(guò)實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過(guò)在本技術(shù)文件中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。

55、下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。