(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211081342.1 (22)申请日 2022.09.06 (71)申请人 山东聚祥机 械股份有限公司 地址 274900 山东省菏泽市巨野县城彭泽 路西段路南 (72)发明人 杨纪冲　沈胜庆　薛冰　薛垂帅　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 黄海丽 (51)Int.Cl. G06V 10/25(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于元学习的机 器人导航避障方法与系统 (57)摘要 本发明涉及导航避障技术领域， 本发 明公开 了基于元学习的机器人导航避障方法与系统； 所 述方法包括： 获取机器人当前视野范围内的图 像； 将获取的图像输入到训练后的导航避障模型 中， 输出识别出的障碍物区域和障碍物类型； 获 取机器人当前的基本信息； 基于路径规划算法， 对机器人当前的基本信息、 障碍物区域和障碍物 类型进行处理， 得到机器人的避障路径； 训练后 的导航避障模型， 工作原理包括： 对获取的图像 进行特征提取， 得到特征图； 根据特征图， 生成多 个边界框； 基于边界框， 确定障碍物的位置； 对每 个边界框的尺寸进行修正， 确定障碍物的区域； 将不同尺寸边界框区域内的特征转化为固定尺 寸的特征图； 对固定尺寸的特征图， 识别障碍物 的类型。 权利要求书2页 说明书7页 附图2页 CN 115359248 A 2022.11.18 CN 115359248 A 1.基于元 学习的机器人导 航避障方法， 其特 征是， 包括： 获取机器人当前视野范围内的图像； 将获取的图像输入到训练后的导航避障模型中， 输出识别出的障碍物区域和障碍物类 型； 获取机器人当前的基本信 息； 基于路径规划算法， 对机器人当前的基本信息、 障碍物区 域和障碍物类型进行处理， 得到机器人 的避障路径； 所述基本信息， 包括： 机器人当前 的位 置坐标、 目标点 坐标、 自身 姿态和速度信息； 其中， 所述训练后的导航避障模型， 其工作原理包括： 对获取的图像进行特征提取， 得 到特征图； 根据特征图， 生 成多个边界框； 基于边界框， 确定障碍物的位置； 对每个边界框的 尺寸进行修正， 确定障碍物的区域； 将不同尺寸边界框区域内的特征转化为固定尺寸的特 征图； 对固定尺寸的特 征图， 识别障碍物的类型。 2.如权利要求1所述的基于元学习的机器人导航避障方法， 其特征是， 所述训练后的导 航避障模型， 其网络结构包括： 依次连接的特征向量提取模块、 目标位置检测模块、 目标特征提取模块和目标识别模 块。 3.如权利要求2所述的基于元学习的机器人导航避障方法， 其特征是， 所述特征向量提 取模块， 包括： 依次连接的第一卷积层、 第二卷积层、 第一最大池化层、 第三卷积层、 第四卷 积层和第二最大池化层； 其中， 第二最大池化层与第四卷积层的连接端为第二最大池化层 的输入端； 第二 最大池化层与第四卷积层的非连接端为第二 最大池化层的输出端。 4.如权利要求2所述的基于元学习的机器人导航避障方法， 其特征是， 所述目标位置检 测模块， 包括： 候选区域网络； 所述候选区域网络的输入端与第二 最大池化层的输出端连接； 所述候选区域网络块的输出端与第五卷积层的输入端连接； 第五卷积层的输出端与第六 卷积层的输入端连接； 第六卷积层的输出端与第七卷积层的输入端连接 。 5.如权利要求2所述的基于元学习的机器人导航避障方法， 其特征是， 所述目标位置检 测模块， 其工作原理为： 首先， 根据 得到的特征图生成多个固定尺寸的边界框； 设定锚框的尺度 大小和长宽比， 让锚框在特 征图上按照设定步长进行滑动， 得到对应的边界框； 然后， 将得到的一组边界框的对应特征输入到3 ×3卷积核的卷积层， 得到处理后的特 征； 将处理后的特征依次输入到两个1 ×1卷积核的卷积层中， 其中一个卷积层的通道数为 2K， 对应为每个边界框的两个预测值， 然后利用归一化指数函数进 行分类， 表 示边界框是否 包含目标的概率， 最后通过二元交叉熵损失函数约束分类卷积层； 另一个卷积层的通道数 为4K， 对应为每 个边界框的四个方向的偏移量， 通过光滑的L1损失约束回归卷积层。 6.如权利要求2所述的基于元学习的机器人导航避障方法， 其特征是， 所述目标特征提 取模块， 是第三 最大池化层； 所述第三 最大池化层的输入端与第七卷积层的输出端连接 。 7.如权利要求2所述的基于元学习的机器人导航避障方法， 其特征是， 所述目标识别模 块， 包括： 循环神经网络； 所述循环神经网络的输入端与第三最大池化层的输出端连接； 所权　利　要　求　书 1/2 页 2 CN 115359248 A 2述循环神经网络的输出端用于 输出识别结果。 8.如权利要求2所述的基于元学习的机器人导航避障方法， 其特征是， 所述目标识别模 块， 其工作原理为： 将得到的特征输入循环神经网络 中得到识别的结果和回归的结果， 产生的分类损失和 回归损失， 用于约束循环神经网络； 获取固定尺寸的特征图后， 分别输入两个不同的全连接层中， 其中一个全连接层有 个神经元， 其中 是识别障碍物类别的总数； 此全连接层后加 入归一化指数函数计 算识别的障碍物的概率值， 通过交叉熵损失约束分类网络模 块； 另一个全连接层有 个神 经元， 用于进一步回归边界框的四个方 向的偏移量， 通过光滑的L1损失Smooth  L1 Loss约 束回归网络模块。 9.如权利要求4所述的基于元学习的机器人导航避障方法， 其特征是， 所述训练后的导 航避障模型， 其训练过程包括： 构建训练集和测试集； 所述训练集和测试集， 均为已知障碍物区域和障碍物类型的图 像； 将训练集输入到导航避障模型中， 对模型进行训练， 当总损失函数值不再下降时， 或者 迭代次数超过设定次数时， 停止训练， 得到初步的导 航避障模型； 采用测试集对初步的导航避 障模型进行测试， 当测试的准确度超过设定阈值时， 停止 测试， 当前导航避障模型即为最终训练后的导航避障模型； 如果测试 的准确度低于设定阈 值， 则更换训练集， 再次进行训练； 所述总损失函数， 等于第 一分类损失函数、 第 一回归损失函数、 第二分类损失函数和第 二回归损失函数 的加权求和结果； 其中， 第一分类损失函数和第一回归损失函数为第六卷 积层和第七卷积层的损失函数； 其中， 第二分类损失函数和第二回归损失函数为循环神经 网络的损失函数。 10.基于元 学习的机器人导 航避障系统， 其特 征是， 包括： 获取模块， 其被 配置为： 获取机器人当前视野范围内的图像； 识别模块， 其被配置为： 将 获取的图像输入到训练后的导航避障模型中， 输出识别出的 障碍物区域和障碍物类型； 路径规划模块， 其被配置为： 获取机器人当前的基本信息； 基于路径规划算法， 对机器 人当前的基本信息、 障碍物区域和障碍物类型进 行处理， 得到机器人的避障路径； 所述基本 信息， 包括： 机器人当前的位置坐标、 目标点 坐标、 自身 姿态和速度信息； 其中， 所述训练后的导航避障模型， 其工作原理包括： 对获取的图像进行特征提取， 得 到特征图； 根据特征图， 生 成多个边界框； 基于边界框， 确定障碍物的位置； 对每个边界框的 尺寸进行修正， 确定障碍物的区域； 将不同尺寸边界框区域内的特征转化为固定尺寸的特 征图； 对固定尺寸的特 征图， 识别障碍物的类型。权　利　要　求　书 2/2 页 3 CN 115359248 A 3