一种医院陪诊机器人动态路径规划方法及系统与流程

本技术涉及智能机器人导航领域，尤其涉及一种医院陪诊机器人动态路径规划方法及系统。

背景技术：

1、目前，在服务机器人自主导航技术领域，移动机器人的路径规划通常依赖于同步定位与建图技术以及全局路径搜索算法。现有的医院陪诊机器人大多采用激光雷达或视觉传感器构建静态环境地图，并结合a或dijkstra等经典算法进行全局路径规划，同时利用动态窗口法或人工势场法进行局部避障。这种分层规划架构在结构化程度高、动态干扰少的仓储或办公环境中表现良好，能够基本满足点对点运输或简单引导的需求。

2、然而，在医院这一特殊且高度复杂的半开放场景中，上述现有技术在面对高密度人流、频繁变化的临时设施以及被陪护对象的不确定性行为时，往往难以兼顾安全性与通行效率。具体而言，医院环境具有显著的时空动态性，例如候诊区的人群密度随时间段剧烈波动，且存在大量轮椅、病床等非标准动态障碍物；同时，陪诊任务要求机器人不仅要自身避障，还需实时响应被陪护对象的运动状态。现有技术通常将环境感知数据与目标对象状态数据割裂处理，缺乏对“环境-机器人-人”三者之间隐式关联的深度建模。

3、当机器人本体传感器的有效视野被遮挡形成盲区时，或者当环境拥挤度与人的运动学约束发生冲突时，传统方法仅能基于当前时刻的显式观测数据进行被动反应式避障，无法基于时序演变规律预测未来的通行代价，也无法在全局视角下提前识别视野外的潜在碰撞风险。这种数据融合的浅层化和决策机制的滞后性，导致机器人在复杂医院场景中容易出现路径规划频繁重算、无效等待时间过长或因盲区突发目标而导致急停等安全问题，严重影响了陪诊服务的连续性与用户体验。因此，亟需一种能够深度融合多维感知数据并具备前瞻性动态规划能力的医院陪诊机器人路径规划方案。

技术实现思路

1、针对现有技术存在的医院复杂场景下多源异构数据融合不足导致路径规划动态适应性差及盲区安全隐患的问题，本技术通过一种医院陪诊机器人动态路径规划方法及系统，实现基于隐式关联模型的多维数据协同分析与前瞻性主动避让规划。

2、为实现上述目的，本技术采用如下技术方案：

3、第一方面，本技术提供一种医院陪诊机器人动态路径规划方法，包括：获取移动机器人的第一感知单元采集的本体局部感知数据、第二感知单元采集的外部环境的全局感知数据以及目标对象的状态数据；基于预构建的隐式关联模型，对本体局部感知数据、全局感知数据和状态数据进行分析，生成路径规划的软性代价项和硬性约束条件，隐式关联模型包括时序状态演变关联、全局与局部行为映射关联，以及环境空间与目标运动学几何关联；基于全局感知数据，检测位于第一感知单元的有效视野之外的盲区动态目标，并计算盲区动态目标与移动机器人的最近相遇时间，生成主动避让干预指令；基于软性代价项、硬性约束条件和主动避让干预指令，通过路径规划器生成移动机器人的执行路径。

4、结合上述第一方面，在一种可能的实现方式中，基于预构建的隐式关联模型，对本体局部感知数据、全局感知数据和状态数据进行分析，生成路径规划的软性代价项和硬性约束条件的过程，具体包括：获取移动机器人的本体局部感知数据中的第一空间占用观测序列，以及全局感知数据中由外部空间占用传感器采集的第二空间占用观测序列，第一空间占用观测序列和第二空间占用观测序列为同一目标受限空间，在相同时间窗口内的双源观测序列；将第一空间占用观测序列和第二空间占用观测序列，输入预构建的隐马尔可夫模型，基于双源观测序列，计算当前时刻目标受限空间处于各占用等级的后验概率分布，并基于状态转移矩阵，向前预测未来预设时段内目标受限空间处于各占用等级的预测概率分布；基于预测概率分布中各占用等级对应的预设等待时间参数，计算目标受限空间的期望等待时间，将期望等待时间作为软性代价项中的等待时间代价项，输出至路径规划器。

5、结合上述第一方面，在一种可能的实现方式中，隐马尔可夫模型的构建过程，具体包括：获取训练样本集，训练样本集包含预设组数的训练样本，每组训练样本包括同一时刻采集的第一空间占用观测序列、第二空间占用观测序列以及目标受限空间的真实占用状态标注；根据目标受限空间的物理容积参数，将目标受限空间的占用状态划分为m个占用等级，并以m个占用等级作为隐马尔可夫模型的状态空间，m为预设值；根据训练样本中的真实占用状态标注，统计目标受限空间在各占用等级之间的状态转移频次，构建状态转移矩阵；根据训练样本中真实占用状态标注与第一空间占用观测序列的对应关系，构建第一观测概率矩阵，并根据真实占用状态标注与第二空间占用观测序列的对应关系，构建第二观测概率矩阵；根据训练样本中的真实占用状态标注，统计初始时刻各占用等级的频次，构建初始状态概率向量。

6、结合上述第一方面，在一种可能的实现方式中，基于预构建的隐式关联模型，对本体局部感知数据、全局感知数据和状态数据进行分析，生成路径规划的软性代价项和硬性约束条件的过程，具体包括：获取第二感知单元采集的全局感知数据中，目标对象在全局坐标系下的全局轨迹序列；获取第一感知单元采集的本体局部感知数据中，目标对象在以移动机器人为原点的局部坐标系下的局部轨迹序列，并将局部轨迹序列映射至全局坐标系，得到本体局部跟随轨迹；将全局轨迹序列与本体局部跟随轨迹中具有相同时间戳的轨迹点进行配对，计算每一对轨迹点在全局坐标系下的位置偏差，生成轨迹偏差序列；基于轨迹偏差序列，构建误差椭圆模型，并计算目标偏离风险指数；当目标偏离风险指数超过预设的风险阈值时，生成路径偏航代价项，记为软性代价项之一输出至路径规划器。

7、结合上述第一方面，在一种可能的实现方式中，目标偏离风险指数的计算过程，具体包括：以全局轨迹序列中当前时刻的轨迹点为椭圆中心，以轨迹偏差序列在长轴方向和短轴方向上的分布特征，分别确定误差椭圆模型的长轴半径和短轴半径；计算本体局部跟随轨迹中当前时刻的轨迹点，相对于误差椭圆模型的马氏距离，将马氏距离归一化后作为目标偏离风险指数。

8、结合上述第一方面，在一种可能的实现方式中，基于预构建的隐式关联模型，对本体局部感知数据、全局感知数据和状态数据进行分析，生成路径规划的软性代价项和硬性约束条件的过程，具体包括：获取全局感知数据中，由外部空间占用传感器采集的目标受限空间的空间占用点云数据，并进行降维处理，得到目标受限空间在水平面上的二维占用点云；基于二维占用点云，提取目标受限空间内的可达区域，生成可达凸多边形区域；获取目标对象的运动学约束参数，运动学约束参数包括目标对象的最小转向几何图形的尺寸参数；响应于最小转向几何图形未完全落入可达凸多边形区域之内的信号，生成禁止进入目标受限空间的硬性约束条件，并输出至路径规划器。

9、结合上述第一方面，在一种可能的实现方式中，基于二维占用点云，提取目标受限空间内的可达区域，生成可达凸多边形区域的过程，具体包括：从二维占用点云中选取第一极值点和第二极值点，第一极值点为二维占用点云中沿第一坐标轴方向坐标值最小的点，第二极值点为二维占用点云中沿第一坐标轴方向坐标值最大的点；连接第一极值点和第二极值点，形成初始分割线段，初始分割线段将二维占用点云划分为第一点集和第二点集，第一点集和第二点集分别位于初始分割线段的两侧；分别对第一点集和第二点集执行递归凸包求解，得到第一点集对应的第一凸包边序列和第二点集对应的第二凸包边序列；合并第一凸包边序列和第二凸包边序列，生成围绕二维占用点云的完整凸包边序列；提取完整凸包边序列围成的凸多边形区域，记为可达凸多边形区域。

10、结合上述第一方面，在一种可能的实现方式中，基于全局感知数据，检测位于第一感知单元的有效视野之外的盲区动态目标，并计算盲区动态目标与移动机器人的最近相遇时间，生成主动避让干预指令的过程，具体包括：获取第二感知单元采集的全局感知数据中的至少一个动态目标的全局状态信息；获取移动机器人的当前位姿信息和第一感知单元的有效视野多边形；基于当前位姿信息和有效视野多边形，判断各动态目标是否位于有效视野多边形之内，将位于有效视野多边形之外的动态目标，记为盲区动态目标；基于盲区动态目标的位置和速度、以及移动机器人的位置和当前速度，计算盲区动态目标与移动机器人之间的最近相遇时间；当最近相遇时间小于预设的时间阈值时，生成主动避让干预指令，并输出至路径规划器。

11、结合上述第一方面，在一种可能的实现方式中，生成移动机器人的执行路径的过程，包括：构建总代价函数，总代价函数的表达式为：

12、；

13、其中，为总代价函数的值；为旅行时间代价；为基于等待时间代价项确定的等待时间代价；为基于路径偏航代价项确定的跟随风险惩罚代价；为基于主动避让干预指令确定的盲区碰撞惩罚代价；、、和为对应的权重系数；在满足硬性约束条件的前提下，以最小化总代价函数的值为目标，搜索生成执行路径。

14、第二方面，提供一种医院陪诊机器人动态路径规划系统，应用于如上述方案的医院陪诊机器人动态路径规划方法，该系统具体包括：数据获取模块，用于获取移动机器人的第一感知单元采集的本体局部感知数据、第二感知单元采集的外部环境的全局感知数据以及目标对象的状态数据；隐式关联分析模块，用于基于预构建的隐式关联模型，对本体局部感知数据、全局感知数据和状态数据进行分析，生成路径规划的软性代价项和硬性约束条件，隐式关联模型包括时序状态演变关联、全局与局部行为映射关联以及环境空间与目标运动学几何关联；盲区预测模块，用于基于全局感知数据检测位于第一感知单元的有效视野之外的盲区动态目标，并计算盲区动态目标与移动机器人的最近相遇时间，用于生成主动避让干预指令；路径生成模块，用于基于软性代价项、硬性约束条件和主动避让干预指令，通过路径规划器，生成移动机器人的执行路径。

15、本技术提供一种医院陪诊机器人动态路径规划方法及系统，能够通过构建包含时序状态演变、全局局部行为映射及环境运动学几何关联的隐式关联模型，打破了传统方法中本体感知、环境感知与目标状态数据的孤立处理模式。使其可利用隐马尔可夫模型对双源空间占用观测序列进行时序概率推演，能够将瞬时的传感器读数转化为对未来环境拥挤度的概率预测，从而生成量化的期望等待时间作为软性代价，使路径规划器具备了可预见性，避免了机器人盲目进入即将拥堵的区域。同时，通过全局与局部轨迹偏差的误差椭圆建模及马氏距离计算，精准量化了目标对象的偏离风险，确保了陪诊过程中的跟随安全性与舒适性。此外，结合基于递归凸包求解的可达区域分析与目标运动学约束校验，生成了符合人体或轮椅运动特性的硬性禁入约束，防止了规划路径在几何上可行但在物理上不可执行的尴尬局面。特别是针对盲区安全痛点，本技术利用全局感知数据主动计算视野外动态目标的最近相遇时间，将传统的被动避障升级为基于时空预测的主动干预，降低了医院复杂人机共存环境下的碰撞风险。最终，通过加权融合旅行时间、等待时间、跟随风险及盲区惩罚的综合代价函数，实现了多维度性能指标的帕累托最优，有效提升了医院陪诊机器人在高动态、强约束场景下的通行效率与服务可靠性。