CN114675657A - 一种基于红外摄像头模糊控制算法回巢充电的方法 - Google Patents

Abstract

本发明公开了一种基于红外摄像头模糊控制算法回巢充电的方法，包括如下步骤：步骤1：机器人接收回巢充电指令，定位充电座上的aruco码；步骤2：通过充电座上的aruco码，获取机器人的当前位姿信息

，

，

；步骤3：通过机器人的位姿信息定义获取机器人的最终位姿信息的损失函数为：

；步骤4：应用梯度下降法对上述获取的机器人的位姿信息进行调整，则位姿信息的优化公式如下：

；步骤5：重复步骤3和步骤4直到损失函数的最小值小于或等于预设值，则停止位姿矫正；即：

Description

一种基于红外摄像头模糊控制算法回巢充电的方法

技术领域

本发明属于机器人技术领域，尤其涉及一种基于红外摄像头模糊控制算法回巢充电的方法。

背景技术

随着人工智能在机器人领域的广泛应用，机器人的应用场景、工作任务越来越复杂，其自主作业时间也逐渐相应增加。但是机器人采用的机载蓄电池并不能满足机器人的工作需求，增加蓄电池容量反而会给机器人带来不必要的负担。故移动机器人的自主充电对接技术成为其连续作业的重要环节。由于机器人导航精度的问题，机器人难以通过静态地图导航至充电桩所在位置进行充电，目前多数自主充电技术是先让机器人导航至充电区域，然后采用红外信号、激光测距仪或视觉等方式引导机器人精确对接充电桩。具体包括如下几种方式：1.把红外对射技术应用在室内机器人的自主充电算法中，通过跟踪红外线完成机器人的自主充电任务，而单纯的红外信号传输距离较小并且传播方向单一，导致单纯的红外引导对接充电效率低、范围小；2.利用SICK激光测距仪引导机器人自主充电对接，但激光测距仪的精度随着量程的增加而减小，不能大范围地引导机器人；3.基于红外和超声波的自主充电对接方式，利用红外回归反射和超声波检测距离功能，设计自充充电***，简化了设计方案，扩大了引导范围；4.针对机器人自主充电技术的场地适应性差、引导范围小等问题，设计基于视觉标靶的自主充电方式，有效地改善了场地部署方式，提高了引导范围以及自主充电的成功率，但其在机器人运动速度过快时仍存在丢失标靶的现象，导致充电效率低。

通过安装在机器人上的相机来识别标记充电桩快速响应(quick response，QR)码，快速获取机器人与QR码的相对位置，通过该位置信息，机器人将直接向充电桩移动。同时，为消除机器人在移动过程中丢失QR码以及距离QR码较近时无法获取完整图形带来的对定位信息的影响，利用红外接收器确定无法使用QR码定位时两者之间的相对角度，完成机器人的自主充电对接任务。

但现有的回巢充电方式仍存在如下问题：1.在没有光照的条件下，回巢充电装置不能够实现夜间自动回巢充电；2. 技术手段比较复杂，需要通过摄像头QR码和红外发射器、红外接收器共同组成去计算并规划机器人回巢充电的路径；3. PID(proportionintegral differention)算法对机器人的位姿进行调整，计算量大，累计误差相对较大。

有鉴于此，特提出本发明。

发明内容

为了解决现有技术中存在的以上问题，本发明提供一种基于红外摄像头模糊控制算法回巢充电的方法。

为了实现上述目的，本发明提供的一种基于红外摄像头模糊控制算法回巢充电的方法，包括如下步骤：

步骤1：机器人接收回巢充电指令，定位充电座上的aruco码；

步骤2：通过充电座上的aruco码，获取机器人的位姿信息

，

，

；

步骤3：通过所述机器人的位姿信息获取机器人的最终位姿信息的损失函数为：

其中，m表示机器人进行位姿矫正的次数；

表示第i次矫正位姿信息的实际目标值，

表示预测函数；

步骤4：通过梯度下降法对前述获取的机器人的位姿信息进行调整，则位姿信息的优化公式如下：

其中 ，x表示左右的偏移量，z表示充电座距离机器人的垂直距离，

表示充电座和机器人的相对夹角，

表示步长，

表示损失函数

的导数；

步骤5：重复步骤3和步骤4直到所述损失函数的最小值小于或等于预设值，则停止位姿矫正；即：

其中，argmin表示使目标函数

取最小值时的变量值；

步骤6：回巢成功后，发送回巢结束的命令，结束机器人位姿的调整。

优选地，所述步骤1具体包括如下步骤：

S1：机器人旋转底座，利用红外摄像头采集图像信息；

S2：判断图像信息中是否有充电座，当没有充电座时，返回S1；当存在充电座时，进入S3；

S3：判断图像信息中是否有aruco码，当没有aruco码，则机器人围绕充电座行走一圈，行走的圈数和每圈行走的角度去拍摄充电座满足公式：

；其中：l表示机器人围绕充电座行走的圈数；即第一圈每走π/2拍摄充电座，第二圈每走π/4拍摄充电座，以此类推，直至图像中出现aruco码；当存在aruco码，进入步骤2；

优选地，所述步骤3中的预测函数的公式为：

优选地，所述步骤1采用目标检测算法定位到充电座的位置，以获取充电座上的aruco码的信息；

优选地，所述目标检测算法采用Faster-R-CNN算法，具体包括如下步骤：

（1）使用共享卷积层为全图提取特征feature maps；

（2）将得到的feature maps送入RPN，RPN生成指定RoI的位置的待检测框，并对RoI的包围框进行第一次修正；

（3）RoI Pooling Layer根据RPN的输出在feature maps上面选取每个RoI对应的特征，并将维度置为定值；

（4）使用全连接层对框进行分类，并且进行目标包围框的第二次修正。

本发明提供的一种基于红外摄像头模糊控制算法回巢充电的方法，具有如下有益效果：

本发明有效避免现有技术中存在的在黑暗的环境中无法正常工作，机器人回巢充电路径所需的配套装置多且计算复杂，参数难获取，效率低下，精准度低的技术问题，本发明通过机器人的红外摄像头与充电座上的aruco码配合，在不安装其他测距装置的前提下，较近距离能够获取机器人的位姿信息，进而进行机器人的调整，在夜晚也可以识别充电座上aruco码，使机器人在晚间作业也可以实现精准的回巢充电，而且，充电座上aruco码尺寸可以随着实际应用场景进行更改，从而保证了在摄像头和aruco码距离较近的情况下也能够正常工作。同时，采用模糊控制算法（Fuzzy Control Algorithm， FCA），计算复杂度低，能够较快达到最优点，进而实现快速准确的回巢充电。

具体实施方式

下面结合具体实施例对本发明做进一步说明，以助于理解本发明的内容。

本发明提供的一种基于红外摄像头模糊控制算法回巢充电的方法，包括如下步骤：

步骤1：机器人接收回巢充电指令，定位充电座上的aruco码；

步骤2：通过充电座上的aruco码，获取机器人的位姿信息

，

，

；

步骤3：通过机器人的位姿信息获取机器人的最终位姿信息的损失函数为：

其中，m表示机器人进行位姿矫正的次数；

表示第i次矫正位姿信息的实际目标值，

表示预测函数，预测函数的公式为：

，其中,

为变量，

三个为参数；

步骤4：通过梯度下降法对前述获取的机器人的位姿信息进行调整，则位姿信息的优化公式如下：

其中 ，x表示左右的偏移量，z表示充电座距离机器人的垂直距离，

表示充电座和机器人的相对夹角，

表示步长，

表示损失函数

的导数，其中

是函数中变量的统称；

步骤5：重复步骤3和步骤4直到损失函数的最小值小于或等于预设值，则停止位姿矫正；即：

其中，argmin表示使目标函数

取最小值时的变量值；

步骤6：回巢成功后，发送回巢结束的命令，结束机器人位姿的调整。

其中，步骤1具体包括如下步骤：

S1：机器人旋转底座，利用红外摄像头采集图像信息；

S2：判断图像信息中是否有充电座，当没有充电座时，返回S1，如果连续三次进入S1，则认定充电座不在充电区，则退出回巢充电程序；当存在充电座时，进入S3；

S3：判断图像信息中是否有aruco码，当没有aruco码，则机器人以充电座为圆心以机器人到充电座的距离为半径围绕充电座行走一圈，行走的圈数和每圈行走的角度去拍摄充电座满足公式：

；其中：l表示机器人围绕充电座行走的圈数；即第一圈每走π/2拍摄充电座，第二圈每走π/4拍摄充电座，以此类推，直至图像中出现aruco码，则进入步骤2；当行走的角度小于π/16时，若图像中还没出现aruco码，则退出回巢充电程序。

机器人在通过模糊控制算法进行回巢之前，需通过目标检测算法定位到充电座的位置，进而去获取充电座上的aruco码的信息，由于充电座的特征相对于周围环境的特征比较明显，所以应用Faster-R-CNN算法进行充电座的检测，具体包括如下步骤：

（1）使用共享卷积层为全图提取特征feature maps；

（2）将得到的feature maps送入RPN，RPN生成指定RoI的位置的待检测框，并对RoI的包围框进行第一次修正；

（3）RoI Pooling Layer根据RPN的输出在feature maps上面选取每个RoI对应的特征，并将维度置为定值；

（4）使用全连接层对框进行分类，并且进行目标包围框的第二次修正。

注：由于白天和晚上充电座在摄像头中呈现的色彩信息不同，所以为了提高识别效率，分别训练了白天和晚上检测充电座的两种模型，分别用于检测不同场景下的充电座。

本文中应用了具体个例对发明构思进行了详细阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离该发明构思的前提下，所做的任何显而易见的修改、等同替换或其他改进，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于红外摄像头模糊控制算法回巢充电的方法，其特征在于，包括如下步骤：

步骤1：机器人接收回巢充电指令，定位充电座上的aruco码；

步骤2：通过充电座上的aruco码，获取机器人的位姿信息

，

，

；

步骤3：通过所述机器人的位姿信息定义获取机器人的最终位姿信息的损失函数为：

其中，m表示机器人进行位姿矫正的次数；

表示第i次矫正位姿信息的实际目标值，

表示预测函数；

步骤4：应用梯度下降法对机器人的位姿信息进行调整，则位姿信息的优化公式如下：

其中 ，x表示左右的偏移量，z表示充电座距离机器人的垂直距离，

表示充电座和机器人的相对夹角，

表示步长，

表示损失函数

的导数；

步骤5：重复步骤3和步骤4直到所述损失函数的最小值小于或等于预设值，则停止位姿矫正；即：

其中，argmin表示使目标函数

取最小值时的变量值；

步骤6：回巢成功后，发送回巢结束的命令，结束机器人位姿的调整。

2.根据权利要求1所述的一种基于红外摄像头模糊控制算法回巢充电的方法，其特征在于，所述步骤1具体包括如下步骤：

S1：机器人旋转底座，利用红外摄像头采集图像信息；

S2：判断图像信息中是否有充电座，当没有充电座时，返回S1；当存在充电座时，进入S3；

S3：判断图像信息中是否有aruco码，当没有aruco码，则机器人围绕充电座行走一圈，行走的圈数和每圈行走的角度去拍摄充电座满足公式：

其中：l表示机器人围绕充电座行走的圈数；即第一圈每走π/2拍摄充电座，第二圈每走π/4拍摄充电座，以此类推，直至图像中出现aruco码；当存在aruco码，进入步骤2。

3.根据权利要求1所述的一种基于红外摄像头模糊控制算法回巢充电的方法，其特征在于，所述步骤3中的预测函数的公式为：

。

4.根据权利要求1所述的一种基于红外摄像头模糊控制算法回巢充电的方法，其特征在于，所述步骤1采用目标检测算法定位到充电座的位置，以获取充电座上的aruco码的信息。

5.根据权利要求4所述的一种基于红外摄像头模糊控制算法回巢充电的方法，其特征在于，所述目标检测算法采用Faster-R-CNN算法，具体包括如下步骤：

（1）使用共享卷积层为全图提取特征feature maps；

（2）将得到的feature maps送入RPN，RPN生成指定RoI的位置的待检测框，并对RoI的包围框进行第一次修正；

（3）RoI Pooling Layer根据RPN的输出在feature maps上面选取每个RoI对应的特征，并将维度置为定值；

（4）使用全连接层对框进行分类，并且进行目标包围框的第二次修正。