基于碰撞风险校准图注意力机制的具身智能导航方法与流程
本发明涉及移动机器人自主导航、图神经网络、环境风险建模和强化学习,尤其涉及一种利用物理碰撞风险对图注意力关系进行可信校准,并据此生成机器人导航动作的方法。
背景技术:
1、在人员密集且障碍物分布复杂的环境中,移动机器人需要根据可变数量的行人及障碍物状态实时生成导航动作。图神经网络能够将机器人、行人等实体表示为节点,并利用图注意力学习不同实体之间的交互关系,因而被用于拥挤环境中的机器人导航。
2、现有图注意力通常由节点的几何和运动特征以及任务奖励端到端学习得到。碰撞惩罚或不舒适代价只能说明行为结果是否安全,无法直接指出由哪个实体产生风险。由弱奖励学习得到的注意力权重表示统计相关性,不一定与物理碰撞紧迫程度一致;在行人数量、密度或障碍物配置发生变化时,注意力可能分配给与当前安全决策关系较弱的实体,导致导航安全性和泛化能力下降。
3、如果直接采用固定物理风险关系替代学习关系,则物理模型误差可能被传播到策略网络,并且难以表达由场景结构和行为意图产生的上下文依赖。因此,需要一种既能引入实体级物理风险先验、又能根据当前交互上下文自适应调节所述先验影响程度的图注意力导航方法。
技术实现思路
1、本发明的目的在于提供一种基于碰撞风险校准图注意力机制的具身智能导航方法,通过将机器人与动态主体、静态障碍物之间的碰撞风险建模为连续、可解释、可融合且具有动作条件预测能力的风险场,实现对潜在碰撞趋势的提前识别与量化,从而为机器人安全导航、强化学习策略优化或实时避障控制提供可靠的风险输入。
2、针对学习注意力缺少实体级物理风险约束以及固定物理关系难以适应风险误差和复杂上下文的问题,本发明提供一种基于碰撞风险校准图注意力机制的具身智能导航方法,其核心机制是:针对每个有向节点对,联合物理风险关系、学习上下文关系、关系差异以及风险有效性成校准系数,将校准关系作为图注意力关系偏置,并把风险感知图表征进一步用于时序导航决策。
3、第一方面,本发明公开一种基于碰撞风险校准图注意力机制的具身智能导航方法,方法包括:
4、获取机器人、机器人感知范围内若干个动态实体以及静态障碍物的环境状态;
5、根据机器人与各动态实体之间的物理碰撞风险,获取与当前交互图的实体索引对应的物理风险关系矩阵,并对交互图中的节点状态进行特征编码,得到节点特征;
6、针对交互图中的节点对,根据对应的节点特征确定学习上下文关系,得到学习关系矩阵;
7、根据节点对的节点特征、物理风险关系矩阵中的物理风险关系、学习关系矩阵中的学习上下文关系以及物理风险关系与学习上下文关系之间的关系差异,生成节点对的校准系数;
8、基于校准系数对物理风险关系和学习上下文关系进行逐节点对融合,得到校准关系矩阵;
9、将校准关系矩阵作为图注意力运算的关系偏置,对节点特征进行风险校准的消息聚合,得到风险感知动态环境表征;
10、将风险感知动态环境表征、基于静态障碍物得到的静态障碍物表征以及机器人状态表征进行融合,并根据融合结果输出机器人导航动作。
11、在上述技术方案的基础上,还可做如下改进:
12、作为优选的方案,物理风险关系根据机器人与动态实体之间的相对距离、相对速度、接近方向、最近接近时刻、最近接近距离和组合安全半径确定,并被归一化至预设关系区间;其中,物理风险关系随相对距离减小、接近速度增大、最近接近时刻缩短或最近接近距离减小而增大。
13、作为优选的方案,关系差异为物理风险关系与学习上下文关系之差的绝对值;校准系数由校准网络对节点对的节点特征、物理风险关系、学习上下文关系和关系差异进行映射得到。
14、作为优选的方案,逐节点对融合包括:
15、将处理后的校准系数所得的值与物理风险关系相乘,得到第一关系分量;
16、将校准系数与学习上下文关系相乘,得到第二关系分量;
17、将第一关系分量与第二关系分量之和确定为节点对的校准关系。
18、作为优选的方案,采用多个注意力头分别执行图注意力运算,各注意力头共享或分别使用校准关系矩阵;将各注意力头的输出拼接或求平均后,依次通过残差连接、层归一化和前馈网络得到更新节点特征,并从最后一层的机器人节点特征中提取风险感知动态环境表征。
19、作为优选的方案,静态障碍物状态包括二维点云、局部占据栅格、边界线段集合或深度图;利用一维卷积网络、二维卷积网络或集合编码网络得到静态障碍物表征;将风险感知动态环境表征、静态障碍物表征和机器人状态表征进行拼接、门控融合、交叉注意力融合或条件调制,并将融合结果与上一时刻的时序隐藏状态输入门控循环单元、长短期记忆网络、时序卷积网络或时序transformer。
20、作为优选的方案,在执行机器人导航动作之前,根据候选导航动作对应的短期预测轨迹、最新物理风险关系和静态障碍物净空判断候选导航动作是否满足安全条件;若最高优先级候选导航动作不满足安全条件,则选择下一满足安全条件的候选导航动作,或者输出减速、制动、停止或转向避让的预设安全动作。
21、第二方面,本发明公开一种基于碰撞风险校准图注意力机制的具身智能导航系统,包括:环境状态获取模块,用于获取机器人状态、动态实体状态和静态障碍物状态;关系获取模块,用于生成与交互图节点索引相对应的物理风险关系矩阵及其有效性信息或可信度信息,并获取学习关系矩阵;自适应校准模块,用于逐节点对生成校准系数并融合得到校准关系矩阵;风险注意力模块,用于对校准关系矩阵进行单调映射形成关系偏置,并基于关系偏置执行图注意力消息聚合以获得风险感知动态环境表征;多模态时序融合模块,用于融合风险感知动态环境表征、静态障碍物表征、机器人状态表征和历史时序状态;策略输出模块,用于基于融合结果生成机器人导航动作。
22、第三方面,本发明公开一种电子设备,包括至少一个处理器以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,指令被执行时使所述至少一个处理器执行上述任一所述的方法。
23、第四方面,本发明公开一种计算机可读存储介质,其上存储有计算机程序,其特征在于,计算机程序被处理器执行时实现上述任一所述的方法。
24、本发明至少具有如下有益效果:将实体级物理风险直接注入消息传递过程,使安全关键实体获得更高的信息聚合权重;通过逐交互校准保留学习关系的灵活性,降低固定物理模型误差的影响;将动态实体与静态障碍物分别编码,可适配可变数量实体和不同障碍物密度;通过时序状态建模利用历史交互趋势,提高导航决策的连续性。
1.一种基于碰撞风险校准图注意力机制的具身智能导航方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述物理风险关系根据机器人与动态实体之间的相对距离、相对速度、接近方向、最近接近时刻、最近接近距离和组合安全半径确定,并被归一化至预设关系区间;其中,物理风险关系随相对距离减小、接近速度增大、最近接近时刻缩短或最近接近距离减小而增大。
3.根据权利要求1所述的方法,其特征在于,所述关系差异为所述物理风险关系与所述学习上下文关系之差的绝对值;所述校准系数由校准网络对所述节点对的节点特征、所述物理风险关系、所述学习上下文关系和所述关系差异进行映射得到。
4.根据权利要求1所述的方法,其特征在于,所述逐节点对融合包括:
5.根据权利要求1所述的方法,其特征在于,采用多个注意力头分别执行所述图注意力运算,各注意力头共享或分别使用所述校准关系矩阵;将各注意力头的输出拼接或求平均后,依次通过残差连接、层归一化和前馈网络得到更新节点特征,并从最后一层的机器人节点特征中提取所述风险感知动态环境表征。
6.根据权利要求1所述的方法,其特征在于,所述静态障碍物状态包括二维点云、局部占据栅格、边界线段集合或深度图;利用一维卷积网络、二维卷积网络或集合编码网络得到静态障碍物表征;将风险感知动态环境表征、静态障碍物表征和机器人状态表征进行拼接、门控融合、交叉注意力融合或条件调制,并将融合结果与上一时刻的时序隐藏状态输入门控循环单元、长短期记忆网络、时序卷积网络或时序transformer。
7.根据权利要求1所述的方法,其特征在于,在执行所述机器人导航动作之前,根据候选导航动作对应的短期预测轨迹、最新物理风险关系和静态障碍物净空判断候选导航动作是否满足安全条件;若最高优先级候选导航动作不满足安全条件,则选择下一满足安全条件的候选导航动作,或者输出减速、制动、停止或转向避让的预设安全动作。
8.一种基于碰撞风险校准图注意力机制的具身智能导航系统,其特征在于,包括:环境状态获取模块,用于获取机器人状态、动态实体状态和静态障碍物状态;关系获取模块,用于生成与交互图节点索引相对应的物理风险关系矩阵及其有效性信息或可信度信息,并获取学习关系矩阵;自适应校准模块,用于逐节点对生成校准系数并融合得到校准关系矩阵;风险注意力模块,用于对校准关系矩阵进行单调映射形成关系偏置,并基于所述关系偏置执行图注意力消息聚合以获得风险感知动态环境表征;多模态时序融合模块,用于融合风险感知动态环境表征、静态障碍物表征、机器人状态表征和历史时序状态;策略输出模块,用于基于融合结果生成机器人导航动作。
9.一种电子设备,其特征在于,包括至少一个处理器以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被执行时使所述至少一个处理器执行权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com