一种自动驾驶避障方法、装置、计算设备及存储介质

本技术涉及移动机器人避障，特别涉及一种自动驾驶避障方法、装置、计算设备及存储介质。

背景技术：

1、随着人工智能、物联网和边缘计算等核心技术的突破性进展，智能移动机器人已从实验室研究走向大规模的产业应用。在智能仓储、无人配送、智慧安防、医疗服务以及高等工程教育等领域，机器人的自主性与智能化水平成为决定其效能的关键。在这一系列能力中，实时、可靠的避障能力是移动机器人实现自主导航的基石，直接关乎其作业安全、运行效率与应用边界。

2、当前，主流的机器人避障技术主要遵循三条技术路径，分别为传统传感器避障、激光雷达避障、视觉避障。其中，传统传感器避障，采用红外、超声波等进行数据采集，技术成熟、成本低廉、响应迅速，但仅能获取距离，无法识别物体类别，存在感知信息单一、易受环境干扰等固有局限；激光雷达lidar避障，能提供高精度的环境轮廓信息，可靠性高，是目前许多高端解决方案的首选，然而其高昂的成本、较大的功耗与体积，严重制约了在如教育、消费级机器人等成本敏感型场景中的普及；视觉避障基于摄像头，能获取丰富的语义信息，成本低，是实现具身智能的必由之路，但该方案受光照变化、天气条件影响显著，且复杂的图像处理算法对计算资源要求极高，实时性保障是一大挑战。

技术实现思路

1、有鉴于此，本技术实施例提供了一种自动驾驶避障方法，以解决现有技术中存在的技术缺陷。本技术实施例同时提供了一种自动驾驶避障装置，一种计算设备，以及一种计算机可读存储介质。

2、根据本技术实施例的第一方面，提供了一种自动驾驶避障方法，包括：

3、基于在机器人上预安装的红外传感器采集红外数据；

4、基于所述红外数据与所述机器人的运动数据，确定所述机器人的视觉环境状态；

5、通过所述机器人上预安装的视觉传感器，以所述视觉环境状态关联的图像采集帧率采集视觉图像；

6、基于所述运动数据与所述视觉图像，确定所述视觉图像关联的视觉融合权重；

7、通过预训练的视觉模型识别所述视觉图像，得到初始障碍物；

8、将所述红外数据投影至所述初始障碍物，基于所述视觉融合权重，确定目标障碍物；

9、通过卡尔曼滤波迭代更新所述目标障碍物的状态协方差矩阵，基于更新结果预测所述目标障碍物的运动轨迹；

10、基于所述运动轨迹，生成机器人控制指令，所述机器人基于下发的所述机器人控制指令进行避障。

11、可选地，所述基于所述红外数据与所述机器人的运动数据，确定所述机器人的视觉环境状态，包括：

12、通过所述运动数据，确定所述机器人的自身运动状态；

13、通过所述红外数据，计算所述机器人相对环境的环境状态；

14、基于所述自身运动状态与所述环境状态，确定所述视觉环境状态。

15、可选地，所述通过预训练的视觉模型识别所述视觉图像，得到初始障碍物，包括：

16、当所述图像采集帧率高于预设的图像采集帧率阈值的情况下，通过所述视觉模型识别所述视觉图像，得到所述初始障碍物，其中，所述视觉模型采用轻量化单阶段目标检测网络，且在所述视觉模型的特征提取层嵌入包含通道与空间维度的注意力机制模块，在模型量化前，对所述视觉模型的每一层进行量化敏感度评估，生成层级敏感度热力图，之后基于所述层级敏感度热力图执行int8量化，对所述注意力机制模块保留fp16或fp32精度；

17、当所述图像采集帧率低于所述图像采集帧率阈值的情况下，通过视频运动目标跟踪算法处理所述视觉图像，得到所述初始障碍物。

18、可选地，所述基于所述运动数据与所述视觉图像，确定所述视觉图像关联的视觉融合权重，包括：

19、基于所述运动数据，确定预设时间窗口内的线性加速度方差和角速度变化率；

20、根据所述线性加速度方差和所述角速度变化率，计算振动惩罚系数；

21、根据所述视觉图像的清晰度、曝光度、对比度和/或目标检测置信度确定图像质量权重；

22、基于所述振动惩罚系数与所述图像质量权重，确定视觉融合权重。

23、可选地，所述振动惩罚系数的取值范围为[0，1]，并且所述视觉融合权重与所述振动惩罚系数呈负相关；当所述振动惩罚系数大于预设熔断阈值时，将所述视觉融合权重置为0，并将所述红外数据关联的红外融合权重重置为1，或将所述视觉融合权重设置为低于预设最小视觉权重，并将所述红外融合权重设置为高于预设红外权重。

24、可选地，所述基于所述运动轨迹，生成机器人控制指令，包括：

25、计算所述机器人在速度空间采样生成的每一组候选轨迹，在任意未来离散时间点处，与所述状态协方差矩阵对应的不确定性椭圆的重叠面积积分；

26、比较所述重叠面积积分与预设安全阈值，并基于比较结果在全部的所述候选轨迹中选择得到目标轨迹；

27、基于所述目标轨迹生成所述机器人控制指令。

28、可选地，所述计算所述机器人在速度空间采样生成的每一组候选轨迹，包括：

29、通过引入动态碰撞风险惩罚项的dwa评价函数，生成所述机器人全部的所述候选轨迹，其中，所述动态碰撞风险惩罚项为，所述机器人在所述速度空间采样生成的每一组所述候选轨迹，在未来各离散时间点处，与对应时刻障碍物的不确定性椭圆的重叠面积积分。

30、根据本技术实施例的第二方面，提供了一种自动驾驶避障装置，包括：

31、采集模块，被配置为基于在机器人上预安装的红外传感器采集红外数据；

32、状态确定模块，被配置基于所述红外数据与所述机器人的运动数据，确定所述机器人的视觉环境状态；

33、帧率控制模块，被配置通过所述机器人上预安装的视觉传感器，以所述视觉环境状态关联的图像采集帧率采集视觉图像；

34、权重确定模块，被配置基于所述运动数据与所述视觉图像，确定所述视觉图像关联的视觉融合权重；

35、识别模块，被配置通过预训练的视觉模型识别所述视觉图像，得到初始障碍物；

36、障碍物确定模块，被配置将所述红外数据投影至所述初始障碍物，基于所述视觉融合权重，确定目标障碍物；

37、运动轨迹确定模块，被配置通过卡尔曼滤波迭代更新所述目标障碍物的状态协方差矩阵，基于更新结果预测所述目标障碍物的运动轨迹；

38、避障模块，被配置基于所述运动轨迹，生成机器人控制指令，所述机器人基于下发的所述机器人控制指令进行避障。

39、根据本技术实施例的第三方面，提供了一种计算设备，包括：

40、存储器和处理器；

41、所述存储器用于存储计算机可执行指令，所述处理器执行所述计算机可执行指令时实现所述自动驾驶避障方法的步骤。

42、根据本技术实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现所述自动驾驶避障方法的步骤。

43、根据本技术实施例的第五方面，提供了一种芯片，其存储有计算机程序，该计算机程序被芯片执行时实现所述自动驾驶避障方法的步骤。

44、本技术提供的自动驾驶避障方法，通过基于在机器人上预安装的红外传感器采集红外数据；基于所述红外数据与所述机器人的运动数据，确定所述机器人的视觉环境状态；通过所述机器人上预安装的视觉传感器，以所述视觉环境状态关联的图像采集帧率采集视觉图像；基于所述运动数据与所述视觉图像，确定所述视觉图像关联的视觉融合权重；通过预训练的视觉模型识别所述视觉图像，得到初始障碍物；将所述红外数据投影至所述初始障碍物，基于所述视觉融合权重，确定目标障碍物；通过卡尔曼滤波迭代更新所述目标障碍物的状态协方差矩阵，基于更新结果预测所述目标障碍物的运动轨迹；基于所述运动轨迹，生成机器人控制指令，所述机器人基于下发的所述机器人控制指令进行避障。首先融合多模态数据，预测障碍物的运动轨迹，进而规划机器人的避障路径，其次基于机器人的运动情况，预测视觉图像的采集质量，并调整多模态数据的权重占比，最后采用轻量化模型，减轻设备端部署压力。