一种AI机器人动态避障方法及系统与流程

本发明涉及机器人导航，尤其涉及一种ai机器人动态避障方法及系统。

背景技术：

1、在机器人与人类社会深度融合的时代背景下，ai机器人的避障能力成为了一个至关重要的研究方向，随着技术的进步，越来越多的研究者开始关注机器人在复杂环境中的行为优化，特别是在与行人互动的过程中如何安全、高效地避障，成为了当前研究的热点之一，尤其在密集的人群环境中，机器人的避障能力直接关系到其是否能够顺利完成任务并与人类和谐共存；传统的避障策略主要依赖于静态障碍物检测与避让，但在复杂多变的人群环境中，这些策略往往显得力不从心。

2、近年来，研究人员开始将互动值、社会性压力以及行人重要指数等要素引入状态值函数中，通过优化这些要素来得到最优避障策略。这种方法不仅考虑了机器人的物理避障需求，还兼顾了与人类互动的社会性要求，使得机器人在避障的同时，能够尽可能地减少对周围人群的影响，提高互动的舒适度。

3、然而，即便在考虑了互动值、社会性压力和行人重要指数等因素后，现有技术仍面临着一些挑战，特别是在行人密度较高的区域，机器人如何找到一条既能有效避障又能保持合适密度的路径，成为了一个亟待解决的问题，高密度的人群环境不仅增加了机器人避障的难度，还可能导致机器人与人群之间的互动变得复杂和混乱。

4、因此，亟需一种ai机器人动态避障方法及系统，以实现更加精准地控制ai机器人在人群中的移动轨迹，针对不同行人密度的人群区域采取不同的避障策略。

技术实现思路

1、为了解决上述技术问题，本发明提供了一种ai机器人动态避障方法及系统，以实现更加精准地控制ai机器人在人群中的移动轨迹，针对不同行人密度的人群区域采取不同的避障策略。

2、本发明提供了一种ai机器人动态避障方法，包括：

3、步骤s1，获取人群区域的行人密度；

4、步骤s2，基于所述行人密度以及人机共融压力进行特征联合得到联合特征，具体包括以下步骤：

5、步骤s21，利用多层感知机对人群区域中行人所受ai机器人施加的人机共融压力进行特征处理，基于特征处理后的人机共融压力对互动值特征进行加权处理得到融合特征；

6、步骤s22，对人群区域中的行人赋予行人权重；

7、步骤s23，根据人群区域中的所述行人密度和人群区域中的行人权重确定人群区域中的最优行人密度；

8、步骤s24，将人群区域中的最优行人密度与融合特征进行拼接得到联合特征；

9、步骤s3，根据人群区域中的联合特征获取人群区域中行人重要指数；

10、步骤s4，基于人群区域中行人重要指数获取人群与ai机器人互动特征，根据人群与ai机器人互动特征构建状态值函数，对状态值函数进行最优化得到最优避障策略。

11、进一步地，所述步骤s1中获取人群区域的行人密度，具体包括以下步骤：

12、步骤s11，获取目标区域图像；

13、步骤s12，对所述目标区域图像进行预处理；

14、步骤s13，对预处理后的所述目标区域图像中的人群区域进行提取；

15、步骤s14，对所述人群区域进行图像分割以及语义分割获得人群区域类型；

16、步骤s15，利用行人检测算法对不同人群区域类型中的行人进行检测得到行人信息；

17、步骤s16，基于行人信息提取特征数据，所述特征数据包括行人数量、行人尺寸优化数据、行人分布数据；

18、步骤s17，基于行人信息对不同人群区域类型中的行人密度进行标定，得到目标数据；

19、步骤s18，将行人数量、行人尺寸优化数据、行人分布数据以及目标数据作为支持向量回归模型的训练集对其训练，获得训练好的支持向量回归模型；

20、步骤s19，通过ai机器人提取待预测人群区域实时的特征数据，将所述特征数据输入至训练好的支持向量回归模型中，输出待预测人群区域的行人密度。

21、进一步地，所述人群区域类型根据人群区域内行人像素数量与人群区域的像素总数的比值对所述人群区域类型进行划分，包括：高密集人群区域、中密集人群区域、稀疏人群区域。

22、进一步地，所述高密集人群区域是指人群区域内所有行人像素数量总和与人群区域的像素总数的比值大于3/4的区域；

23、所述中密集人群区域是指人群区域内所有行人像素数量总和与所述人群区域的像素总数的比值大于等于1/2且小于3/4之间的区域；

24、所述稀疏人群区域是指人群区域内所有行人像素数量总和与所述人群区域的像素总数的比值达到小于1/4之间的区域。

25、进一步地，所述步骤s23中，的最优行人密度的计算公式为：

26、；

27、式中，代表第h个人群区域类型中的最优行人密度，代表第h个人群区域类型中的行人密度，代表第h个人群区域类型中的行人权重。

28、进一步地，所述人机共融压力是指ai机器人在人群区域内避障导航过程中施加给行人的压力；

29、所述步骤s21利用多层感知机对人群区域类型中每个行人所受机器人施加的人机共融压力进行特征处理，基于特征处理后的人机共融压力对互动值的特征进行加权处理得到融合特征，具体包括：对人群区域中每个行人所受ai机器人施加的人机共融压力进行特征处理后由sigmoid函数计算得到互动值的权重，根据互动值的权重以及人机共融压力对互动值的特征进行加权处理得到融合特征。

30、所述步骤s3中根据人群区域类型中的联合特征获取行人重要指数，具体包括：将所述联合特征输入至mlp网络中，获取行人重要指数，行人重要指数的计算公式为：

31、；

32、其中，代表第h个人群区域类型中第i个行人的行人重要指数，代表具有relu激活函数的mlp网络，代表第h个人群区域类型中的最优行人密度，为mlp网络的权重参数，代表第h个人群区域类型中的融合特征。

33、进一步地，所述步骤s4中基于人群区域类型中行人重要指数获取人群与ai机器人互动特征，具体包括：根据行人重要指数与互动值进行线性加权求和获得人群与ai机器人互动特征，人群与ai机器人互动特征的计算函数为：

34、；

35、上述函数中，代表t时刻人群与ai机器人的互动特征，代表第h个人群区域类型中第i个行人的行人重要指数，代表机器人与第h个类型区域中第i个行人的互动对，n代表第h个人群区域类型中行人的最大数量。

36、进一步地，所述状态值函数为：

37、；

38、其中，代表状态值函数，代表具有relu激活函数的mlp函数，表示t时刻机器人的状态，代表t时刻人群与ai机器人的互动特征，代表mip网络的权重参数。

39、本发明实施例具有以下技术效果：

40、本发明将人群区域划分为高密集人群区域、中密集人群区域和稀疏人群区域，并为高密集人群区域、中密集人群区域和稀疏人群区域中的行人赋予不同的行人权重，根据行人权重和人群区域的行人密度计算得到最优密度值，在行人重要指数计算、人群与ai机器人互动特征的计算以及状态值函数中考虑了人群区域中行人的最优密度值，帮助ai机器人更好地理解和适应其工作环境中的行人分布和期望互动效果，ai机器人可以根据最优密度值调整其运动速度和方向，以最大程度地减少避障所需的时间和能量消耗，同时能够更好地适应不同场景和需求，通过调整避障策略，以维持适当的行人密度，确保行人的舒适度和安全性。