一种用于复杂环境的智能服务机器人

1.本技术涉及智能服务机器人领域，特别涉及一种用于复杂环境的智能服务机器人。


背景技术：

2.智能服务机器人集成了语音交互、对话问答、人脸识别、环境感知、自主定位导航等功能，其智能化程度提升的同时，实用性能也不断提升。智能服务机器人拥有着开发者提供的“智慧大脑”，具有深度学习的能力，因此被广泛应用于家用、商用、物流运输、交通出行等各个领域。
3.对于智能服务机器人来说，自主定位导航技术已经成为产品的核心和焦点之一，它所起的作用直接关系着机器人的智能化水平。虽然现在常见的一些智能服务机器人能够通过既定的程序实现特定环境下的定位导航功能，例如家用扫地机器人能够在家里完成清扫任务，但是应用范围仅限于室内。
4.随着现代社会科技和需求的不断发展，人们对智能服务机器人的功能需求也不断增加，如用于配送服务的智能机器人，其在使用过程中需要适用不同的室内外环境和不同路况，并且有效保持其运行的稳定性，然而现有的智能服务机器人在使用过程中不能够对自身所处的环境进行精确判断，不能够应自身对复杂的环境或者环境转换的使用过程中的调控，降低了智能服务机器人的发展和应用。


技术实现要素：

5.本技术目的在于如何解决现有的智能服务机器人不能够对自身复杂环境状况进行精确判断和做出对应调控的问题，相比现有技术提供一种用于复杂环境的智能服务机器人，包括智能服务机器人，智能服务机器人前端固定安装有智能控制箱，智能服务机器人下端固定安装有驱动底盘，驱动底盘下端靠近智能控制箱一侧安装有驱动轮组；
6.智能控制箱内安装有工控机，工控机内还搭载有复杂环境识别调控系统，复杂环境识别调控系统内设置有中央处理器，中央处理器的输入端连接有环境数据采集端和运行数据采集端，中央处理器的输出端连接有驱动调控端；
7.驱动底盘下端固定安装有嵌入式运动控制器，嵌入式运动控制器连接有电机驱动模块，电机驱动模块的输出端通过驱动电路与驱动轮组的驱动电机组信号连接，电机驱动模块的输出端连接有电源模块，电机驱动模块的输出端还连接有电流采集模块；
8.驱动底盘下端远离智能控制箱一侧固定连接有一对方向调节杆，方向调节杆下端通过铰接球头铰接有可转换轮支架，可转换轮支架下端转动连接有可转换轮组，两个可转换轮组内侧均设置有与可转换轮支架相配合的行星轮组，嵌入式运动控制器还连接有电磁转换模块，电磁转换模块的输出端与可转换轮支架和行星轮组信号连接；
9.运行数据采集端分别与嵌入式运动控制器和电流采集模块信号连接，驱动调控端的输出端与嵌入式运动控制器信。
10.进一步，可转换轮组内固定连接有转换轮轴，可转换轮支架左右两端均固定连接有防护套，且转换轮轴和防护套转动连接，可转换轮支架通过防护套和转换轮轴的转动配合安装可转换轮组。
11.进一步，行星轮组包括有定轴盖板，两个转换轮轴相靠近一端延伸至对应的防护套外侧，并固定连接有定轴盖板，定轴盖板靠近相对应可转换轮支架一侧连接有套设在转换轮轴外端的嵌套，嵌套外端固定连接有行星支架，行星支架外端转动连接有多个行星轮。
12.进一步，嵌套靠近相对应可转换轮支架一端固定连接有锁定环，嵌套内开设有多个锁定腔，锁定腔内壁固定连接有复位弹簧，复位弹簧靠近锁定环一端固定连接有锁定杆，锁定杆远离复位弹簧一端贯穿锁定环，并与防护套相配合，防护套、锁定杆和复位弹簧的配合，能够有效实现对行星轮组的锁定和解锁使用的调控，在保证可转换轮组和行星轮组配合具有环境适用性的同时，还能够保证行星轮组在不使用时的不接触作用，降低其的同步损伤，提高智能服务机器人运行的安全性。
13.进一步，防护套靠近锁定环一端开设有锁定槽，锁定槽内设置有锁定电磁块，锁定杆远离复位弹簧一端固定连接有吸附铁块，嵌套远离锁定环一端嵌接在定轴盖板内，定轴盖板内壁固定连接有与嵌套相配合的转换电磁块，嵌套外端嵌接有与转换电磁块相配合的转换铁块，且转换电磁块不通电时，定轴盖板和嵌套为转动连接，电磁转换模块的输出端分别与锁定电磁块和转换电磁块信号连接。
14.可选的，中央处理器包括有激光建图单元、路径规划避障单元、室内外人鲁棒定位单元、语义地图拟成单元和自主认知导航单元，激光建图单元和语义地图拟成单元的输入端均与环境数据采集端和运行数据采集端信号连接，激光建图单元和语义地图拟成单元的输出端与路径规划避障单元信号连接，室内外人鲁棒定位单元包括有室外gps定位模块和室内uwb-lidar定位模块，室内外人鲁棒定位单元的输出端与语义地图拟成单元和路径规划避障单元信号连接。
15.进一步，中央处理器的输入端连接有数据资源库，数据资源库包括导航路径数据库和机械视觉数据库，导航路径数据库的输入端与自主认知导航单元信号连接，机械视觉数据库的输入端与语义地图拟成单元信号连接，采用大数据手段针对采集的激光点云、视觉点云、超声波点云等数据进行分析，赋予智能服务机器人自主认知导航的功能，在最终实现在复杂环境场景中完成用户需求。
16.进一步，自主认知导航单元的输入端与数据资源库信号连接，且自认知导航单元的输出端与路径规划避障单元信号连接，路径规划避障单元的输出端与驱动调控端信号连接。
17.进一步，嵌入式运动控制器还连接有超声波模块、陀螺仪模块、蓝牙模块和数码管模块，在智能服务机器人运行过程中，难免会碰到障碍物，为了防止发生碰撞，在智能服务机器人驱动底盘周围安装超声波模块，以此来获取驱动底盘与周围物体的距离信息，这些信息不仅可以用于驱动底盘的运动避障，也可以将数据反馈给工控机，供路径规划等的使用；蓝牙模块能够实现人工或者后台对智能服务机器人驱动状态的远程控制；在驱动底盘移动时，往往不知道当前驱动底盘的朝向，这样很难控制驱动底盘的运动，因此可以通过安装陀螺仪来获取当前驱动底盘的姿态信息；为了能够更加直观的了解当前驱动底盘电池是否需要充电，可以通过数码管显示当前的电压值，间接了解驱动底盘的电量是否充足，从而
决定是否需要充电，同时也为了显示驱动底盘运行的速度，也可以利用数码管显示出驱动底盘的速度值。
18.进一步，环境数据采集端包括有设置在智能服务机器人上的3d激光雷达、2d激光雷达和深度摄像头，可以实时检测智能服务机器人的周边情况，有效地提高智能服务机器人的灵活性与避障性能力，提高数据采集精度，便于后续对智能服务机器人环境判断的数据参考。
19.相比于现有技术，本技术的优点在于：
20.(1)通过复杂环境识别调控系统、嵌入式运动控制器、可转换轮组和行星轮组的配合，能够有效对智能服务机器人运行使用过程中的环境进行数据采集和判断，提高智能服务机器人对所处环境判断的精度，然后根据环境数据对智能服务机器人的运行进行精确调控，实现智能服务机器人高精度的运行控制，使得智能服务机器人能够适用于不同的路面状况，提高智能服务机器人运行移动过程中的稳定性，进而在增加智能服务机器人智能化的同时，增加智能服务机器人的功能性，促进智能服务机器人的环境适应性，促进智能服务机器人的发展和应用。
21.(2)多个行星轮的设置能够在智能服务机器人遇到较为复杂的路面时，提高驱动底盘的距地面高度，减小轮子和地面的接触面积，有效实现对智能服务机器人的移动进行避障调控和降低振动损伤，进而降低智能服务机器人运行阻力，提高智能服务机器人运行稳定性，保证智能服务机器人运行速度。
22.(3)锁定电磁块和转换电磁块的同步配合，进一步保证行星轮组和可转换轮组转换使用时的安全性和稳定性，保证了行星轮组和可转换轮组的同步作用，保持了切换后智能服务机器人运行速度的精准传递，降低了能量损失，保证了智能服务机器人运行的稳定性，并且通过电磁信号的作用，还有效实现自动转换的作用，提高切换效率，实现精准快速调控。
23.(4)通过智能服务机器人上的环境数据采集端对环境进行测量，当环境测量结果超出给定范围时，就判定当前所处场景实在室外，并基于此切换定位算法，有效降低智能服务机器人运行过程中的计算难度，降低运算处理损耗；并且智能服务机器人在相对确定的区域内长时间运动，通过收集运行过程中的环境信息，以深度学习或概率学的方法分析出环境中某些信息的关联性，然后再判定当前运行状态中的环境信息，进而对后续的导航进行优化。
24.(5)在不断变化的环境中做出明智的导航决策，使用学习变化模式的模型，以预测在未知位置的可通行性。用智能服务机器人在运行过程中的观察结果来逐步学习一个概率模型，该模型可以表示出路径可通行性之间的相关性，并利用这种相关性在导航期间实时进行预测。
附图说明
25.图1为本技术的智能服务机器人轴测图；
26.图2为本技术的复杂环境识别调控系统控制逻辑图；
27.图3为本技术的智能服务机器人正常运行状态时主视图；
28.图4为本技术的智能服务机器人转换运行状态时主视图；
29.图5为本技术的可转换轮组和行星轮组配合爆炸图；
30.图6为本技术的智能服务机器人正常运行状态时行星轮组左视剖面图；
31.图7为本技术的智能服务机器人转换运行状态时行星轮组左视剖面图；
32.图8为本技术的嵌入式运动控制器调控可转换轮组和行星轮组转换时锁定杆变化状态图；
33.图9为本技术的嵌入式运动控制器调控逻辑图；
34.图10为本技术的驱动电路线路图；
35.图11为本技术的电流采集模块线路框图；
36.图12为本技术的语义地图拟成单元构建流程图；
37.图13为本技术的自主认知导航单元构建大数据模型流程图；
38.图14为本技术的感兴趣区域网格划分图；
39.图15为本技术的求空间中任意一个观测点所在网格索引的公式图；
40.图16为本技术的螺旋形搜索算法图；
41.图17为本技术的障碍物网格判断的范围图；
42.图18为本技术的静态障碍物的概率计算公式图；
43.图19为本技术的安全速度v1计算公式图；
44.图20为本技术的室内外定位原理图；
45.图21为本技术的观测方程图；
46.图22为本技术的φ1(k|k-1)的公式图；
47.图23为本技术的转移矩阵f
t
公式图；
48.图24为本技术的转移矩阵g
t
公式图；
49.图25为本技术的环境建模表述公式图；
50.图26为本技术的边缘上的关节分布近似公式图；
51.图27为本技术的因子图定义公式图；
52.图28为本技术的近似联合概率分布公式图。
53.图中标号说明：
54.1智能服务机器人、101智能控制箱、2驱动轮组、3可转换轮组、301转换轮轴、4行星轮组、401行星支架、402定轴盖板、403嵌套、404锁定环、405行星轮、5可转换轮支架、501防护套、502锁定电磁块、6方向调节杆、601铰接球头、7锁定杆、701复位弹簧、8转换电磁块。
具体实施方式
55.实施例将结合说明书附图，对本技术技术方案进行清楚、完整地描述，基于本技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
56.实施例1：
57.本发明提供了一种用于复杂环境的智能服务机器人，请参阅图1-11，包括智能服务机器人1，智能服务机器人1前端固定安装有智能控制箱101，智能服务机器人1下端固定安装有驱动底盘，驱动底盘下端靠近智能控制箱101一侧安装有驱动轮组2；
58.智能控制箱101内安装有工控机，工控机内还搭载有复杂环境识别调控系统，复杂
环境识别调控系统内设置有中央处理器，中央处理器的输入端连接有环境数据采集端和运行数据采集端，中央处理器的输出端连接有驱动调控端；
59.驱动底盘下端固定安装有嵌入式运动控制器，嵌入式运动控制器连接有电机驱动模块，电机驱动模块的输出端通过驱动电路与驱动轮组2的驱动电机组信号连接，电机驱动模块的输出端连接有电源模块，电机驱动模块的输出端还连接有电流采集模块；
60.请参阅图11，通过采集电阻电压，最后换算得到电流值，但是由于串联的电阻值较小，得到的电压值也较小，因此需要使用运算放大器，通过检测运算放大器输出的电压值，然后经过换算最终得到电机绕组电流值，提高电流采集模块的采集精度；
61.由于驱动底盘上安装了大量传感器，各个传感器要求的电压值又不同，因此需要设计出一款满足驱动底盘需求的电源模块。电源电压选用跟电机额定电压相同值的24v，超声波模块、数码管需要5v供电，蓝牙、陀螺仪和主控芯片需要3.3v供电，因此需要的电源降压方案为：24v降15v，15v降5v，5v降3.3v，这样的降压方案可以满足驱动底盘的需求；
62.驱动底盘下端远离智能控制箱101一侧固定连接有一对方向调节杆6，方向调节杆6下端通过铰接球头601铰接有可转换轮支架5，可转换轮支架5下端转动连接有可转换轮组3，两个可转换轮组3内侧均设置有与可转换轮支架5相配合的行星轮组4，嵌入式运动控制器还连接有电磁转换模块，电磁转换模块的输出端与可转换轮支架5和行星轮组4信号连接；
63.运行数据采集端分别与嵌入式运动控制器和电流采集模块信号连接，驱动调控端的输出端与嵌入式运动控制器信，通过复杂环境识别调控系统、嵌入式运动控制器、可转换轮组3和行星轮组4的配合，能够有效对智能服务机器人1运行使用过程中的环境进行数据采集和判断，提高智能服务机器人1对所处环境判断的精度，然后根据环境数据对智能服务机器人1的运行进行精确调控，实现智能服务机器人1高精度的运行控制，使得智能服务机器人1能够适用于不同的路面状况，提高智能服务机器人1运行移动过程中的稳定性，进而在增加智能服务机器人1智能化的同时，增加智能服务机器人1的功能性，促进智能服务机器人1的环境适应性，促进智能服务机器人1的发展和应用。
64.请参阅图5-7，可转换轮组3内固定连接有转换轮轴301，可转换轮支架5左右两端均固定连接有防护套501，且转换轮轴301和防护套501转动连接，可转换轮支架5通过防护套501和转换轮轴301的转动配合安装可转换轮组3。
65.请参阅图5-7，行星轮组4包括有定轴盖板402，两个转换轮轴301相靠近一端延伸至对应的防护套501外侧，并固定连接有定轴盖板402，定轴盖板402靠近相对应可转换轮支架5一侧连接有套设在转换轮轴301外端的嵌套403，嵌套403外端固定连接有行星支架401，行星支架401外端转动连接有多个行星轮405，多个行星轮405的设置能够在智能服务机器人1遇到较为复杂的路面时，提高驱动底盘的距地面高度，减小轮子和地面的接触面积，有效实现对智能服务机器人1的移动进行避障调控和降低振动损伤，进而降低智能服务机器人1运行阻力，提高智能服务机器人1运行稳定性，保证智能服务机器人1运行速度。
66.请参阅图5-8，嵌套403靠近相对应可转换轮支架5一端固定连接有锁定环404，嵌套403内开设有多个锁定腔，锁定腔内壁固定连接有复位弹簧701，复位弹簧701靠近锁定环404一端固定连接有锁定杆7，锁定杆7远离复位弹簧701一端贯穿锁定环404，并与防护套501相配合，防护套501、锁定杆7和复位弹簧701的配合，能够有效实现对行星轮组4的锁定
和解锁使用的调控，在保证可转换轮组3和行星轮组4配合具有环境适用性的同时，还能够保证行星轮组4在不使用时的不接触作用，降低其的同步损伤，提高智能服务机器人1运行的安全性。
67.请参阅图5-8，防护套501靠近锁定环404一端开设有锁定槽，锁定槽内设置有锁定电磁块502，锁定杆7远离复位弹簧701一端固定连接有吸附铁块，嵌套403远离锁定环404一端嵌接在定轴盖板402内，定轴盖板402内壁固定连接有与嵌套403相配合的转换电磁块8，嵌套403外端嵌接有与转换电磁块8相配合的转换铁块，且转换电磁块8不通电时，定轴盖板402和嵌套403为转动连接，电磁转换模块的输出端分别与锁定电磁块502和转换电磁块8信号连接，锁定电磁块502和转换电磁块8的同步配合，进一步保证行星轮组4和可转换轮组3转换使用时的安全性和稳定性，保证了行星轮组4和可转换轮组3的同步作用，保持了切换后智能服务机器人1运行速度的精准传递，降低了能量损失，保证了智能服务机器人1运行的稳定性，并且通过电磁信号的作用，还有效实现自动转换的作用，提高切换效率，实现精准快速调控。
68.请参阅图1-4，嵌入式运动控制器还连接有超声波模块、陀螺仪模块、蓝牙模块和数码管模块，在智能服务机器人1运行过程中，难免会碰到障碍物，为了防止发生碰撞，在智能服务机器人1驱动底盘周围安装超声波模块，以此来获取驱动底盘与周围物体的距离信息，这些信息不仅可以用于驱动底盘的运动避障，也可以将数据反馈给工控机，供路径规划等的使用；蓝牙模块能够实现人工或者后台对智能服务机器人1驱动状态的远程控制；在驱动底盘移动时，往往不知道当前驱动底盘的朝向，这样很难控制驱动底盘的运动，因此可以通过安装陀螺仪来获取当前驱动底盘的姿态信息；为了能够更加直观的了解当前驱动底盘电池是否需要充电，可以通过数码管显示当前的电压值，间接了解驱动底盘的电量是否充足，从而决定是否需要充电，同时也为了显示驱动底盘运行的速度，也可以利用数码管显示出驱动底盘的速度值。
69.请参阅图1-4，环境数据采集端包括有设置在智能服务机器人1上的3d激光雷达、2d激光雷达和深度摄像头，可以实时检测智能服务机器人1的周边情况，有效地提高智能服务机器人1的灵活性与避障性能力，提高数据采集精度，便于后续对智能服务机器人1环境判断的数据参考。
70.主要使用3d激光雷达和2d激光雷达还有imu模块来实现环境地图的构建与更新。在狭小的空间中可以因为距离较近，可以使用照射距离只有7米的2d激光雷达，使用cartographer建图，和传统的gmapping建图方式不同，不需要依赖轮式里程计。在较为空旷的地形中，使用3d激光雷达的有效照射距离达到了70米，使用cartographer3d建图方案，采用前端估计和后端优化。前端利用imu的数据，通过旋转角速度和重力的滤波得到重力方向，基于前一时刻的速度，偏航角，加上旋转角度的滤波得到的横滚角和俯仰角。通过一次角速度和加速度的预测得到当前时刻的位姿的估计。后端使用当前位置的scan和新加入的scan做匹配。并通过修改源码，使用3d点云信息直接建立2d的栅格地图，省去了地图格式转换丢失的信息和操作的麻烦。
71.请参阅图1-10，在智能服务机器人1的运行过程中，中央处理器通过接收环境数据采集端接收到的智能服务机器人1所处环境的数据和运行数据采集端采集到的智能服务机器人1上驱动轮组2运行状态的数据，对智能服务机器人1的运行环境进行判断，并判断运行
路况，在路况较为不平或者具有较多低矮的障碍物时，中央处理器将控制指令输送至驱动调控端，驱动调控端将海之灵传输至嵌入式运动控制器，首先嵌入式运动控制器通过驱动电路控制驱动轮组2的驱动电机组中的移动速度控制电机的转速降低，使得驱动轮组2带动智能服务机器人1产生较慢的移动速度，降低智能服务机器人1的震动作用，并且嵌入式运动控制器通过电磁转换模块向锁定电磁块502和转换电磁块8发出控制指令，使得锁定电磁块502断电，不再产生磁性，进而不对吸附铁块和锁定杆7进行持续吸附，使得锁定杆7在复位弹簧701的弹性复位作用下产生回缩，解除了锁定杆7锁定行星轮组4的作用，同时，转换电磁块8启动通电，使得转换电磁块8内通入电流产生磁性，通过转换铁块对嵌套403进行吸附，使得嵌套403通过和定轴盖板402的磁性吸附连接，实现了行星轮405和转换轮轴301的同步转动，进而实现了对行星轮组4和可转换轮组3模式的转换，并且，由于行星轮组4的形式自传外圆大于可转换轮组3自传外圆的直径，进而在行星轮组4启动作用时，可转换轮支架5和方向调节杆6通过铰接球头601的转动配合实现转向张开，进而对可转换轮组3进行抬起，保持了行星轮组4运行的稳定性，进而在驱动轮组2的驱动下和行星轮组4的配合下，实现了智能服务机器人1适用于不同路面作用的切换，提高了其的环境适应性。
72.实施例2：
73.本发明提供了一种用于复杂环境的智能服务机器人，请参阅图1、图2和图12-28，中央处理器包括有激光建图单元、路径规划避障单元、室内外人鲁棒定位单元、语义地图拟成单元和自主认知导航单元，激光建图单元和语义地图拟成单元的输入端均与环境数据采集端和运行数据采集端信号连接，激光建图单元和语义地图拟成单元的输出端与路径规划避障单元信号连接，室内外人鲁棒定位单元包括有室外gps定位模块和室内uwb-lidar定位模块，室内外人鲁棒定位单元的输出端与语义地图拟成单元和路径规划避障单元信号连接，通过智能服务机器人1上的环境数据采集端对环境进行测量，当环境测量结果超出给定范围时，就判定当前所处场景是在室外，并基于此切换定位算法；并且智能服务机器人1在相对确定的区域内长时间运动，通过收集运行过程中的环境信息，以深度学习或概率学的方法分析出环境中某些信息的关联性，然后再判定当前运行状态中的环境信息，进而对后续的导航进行优化。
74.请参阅图12-28，中央处理器的输入端连接有数据资源库，数据资源库包括导航路径数据库和机械视觉数据库，导航路径数据库的输入端与自主认知导航单元信号连接，机械视觉数据库的输入端与语义地图拟成单元信号连接，采用大数据手段针对采集的激光点云、视觉点云、超声波点云等数据进行分析，赋予智能服务机器人1自主认知导航的功能，在最终实现在复杂环境场景中完成用户需求。
75.请参阅图12-27，自主认知导航单元的输入端与数据资源库信号连接，且自认知导航单元的输出端与路径规划避障单元信号连接，路径规划避障单元的输出端与驱动调控端信号连接，在不断变化的环境中做出明智的导航决策，使用学习变化模式的模型，以预测在未知位置的可通行性。用智能服务机器人1在运行过程中的观察结果来逐步学习一个概率模型，该模型可以表示出路径可通行性之间的相关性，并利用这种相关性在导航期间实时进行预测。
76.请参阅图12-28，在智能服务机器人1的运行过程中，中央处理器中各单元的作用计算过程为：
77.1.路径规划避障单元计算过程；
78.为了保障智能服务机器人1在复杂环境下的自主导航与避障，就必须要求机器人能够在给定位置与环境地图信息的基础上，通过高效、可靠的障碍物检测算法，动态的检测可能会出现大量避险人员或障碍物品；路径规划避障单元在平时巡检的地图构建完成的基础之上，利用周围环境三维点云信息与智能服务机器人1位姿，通过以下四个步骤实现环境中的障碍物检测；
79.①
生成高度图
80.根据智能服务机器人1的行走速度，只需要考虑智能服务机器人1前方5m范围内的障碍物即可满足智能服务机器人1实时障碍物检测与躲避的要求，因此，将智能服务机器人1前方长5m、宽3m、高2m的范围作为感兴趣区域，超出该区域的点将被忽略；
81.请参阅图14，首先将感兴趣区域沿着x、z方向划分成底面边长为c的立方体，然后将每一个立方体沿着y方向划分成高度为b的格子。假设(x0,y0,z0)、(x
max
,y
max
,z
max
)分别为感兴趣区域的两个边界点，p＝(x,y,z)为空间中任意一个观测点，则该点所在的网格的索引(u,v,w)可以按下面的公式求得：请参阅图15所示的公式；
82.将所有的观测点映射到网格后，可以找到每一个正四面体中最高的包含观测点的网格，并记录下该网格的高度，进而得到感兴趣空间内的高度分布图。
83.②
搜索初始点
84.采用基于图的广度优先搜索方法来找到所有的障碍物网格及智能服务机器人1可通过的网格，这就需要首先找到一个智能服务机器人1可通过的点作为搜索的初始点。本实施例采用一种螺旋形40搜索算法来找到这个初始点。
85.给定一个网格(uj,vj)，在其周围定义一个边长为l的搜索窗口，如果该网格满足下面的条件，则将其作为要寻找的可通过点：
86.该网格中有观测到的三维数据点，并且该网格不在感兴趣空间的边界；
87.该网格周围的四个网格中均有数据点，即(u
j-l,vj),(uj+l,vj),(uj,v
j-l)和(uj,vj+l)；
88.该窗口中的有效网格足够多；
89.窗口中其它网格的高度与该网格的高度之差小于某个常数。
90.将智能服务机器人1正前方0.5m处的网格(u0,v0)作为第一个搜索的网格，判断该网格是否满足上面的条件。若不满足，则按照请参阅图16所示的方式进行螺旋形搜索，直到找到机器人可通过的初始点。
91.③
障碍物分析
92.在得到初始搜索点后，本实施例采用广度优先搜索策略得到所有障碍物网格。对于每一个网格，判断其4－邻域的四个网格是否为障碍物。假设当前网格的高度为h，待判断网格的高度为h`，若满足下面的条件，则认为待判断的网格是障碍物：请参阅图17所示的范围；
93.其中，h
robot
为智能服务机器人1能跨越的最大高度，θ
robot
为智能服务机器人1能行走的斜坡的最大坡度。在得到所有障碍物网格后，将网格内的所有点标记为障碍物，其余点认为是可通行区域。然后将得到的障碍物网格向x-z平面投影，并提取出投影曲线的最小外接四边形轮廓。
94.该四边形的长和宽对应于障碍物的长和宽，该四边形中最高的网格对应于障碍物的高度；智能服务机器人1到该四边形的最短距离为智能服务机器人1到障碍物的距离，该最短距离所连接的四边形的点的坐标即为障碍物的坐标。
95.④
障碍物地图更新
96.本实施例通过将障碍物空间内点云信息与长时建立的全局点云地图进行比较，以确定检测到的障碍物是在环境动态变化后的产生的还是属于场地的固有障碍物。本实施例对所有障碍物点云形成一个障碍物地图，对每个障碍物区域进行贝叶斯概率更新。
97.设初始条件下所有区域为静态障碍物的先验概率为p，在对一个区域a进行了测量之后，得到该区域的为类别c的概率pc和对应区域的为静态障碍物的概率信息p
ac
。那么，对该区域为静态障碍物的概率p`使用贝叶斯定理即可得到：请参阅图18所示的公式，
98.在一般的智能服务机器人1路径规划任务中，障碍物往往是静止的；而在智能服务机器人1在移动的过程中，由于可能会出现大量人员移动的复杂情况，场景中的障碍物信息是动态更新的，因此常规的静态避障算法难以满足任务需求。这就需要一种高效、可靠的路径规划算法，实时寻找到最优路径。
99.2.激光建图单元计算过程
100.通过动态路径规划算法来实现对智能服务机器人1移动路径的实时调优与更新，是解决此类复杂问题的方案之一，然而直接对全局路径进行动态更新时会耗费较多计算量，很难达到实时性，因此本实施例结合全局路径规划与局部路径调整这两种策略，为智能服务机器人1寻找到最优的全局路径，并在局部地图中完成对路径的实时规划，最终保障机器人快速顺利地抵达目标点。
101.①
全局路径规划
102.在对智能服务机器人1进行路径规划前，首先需要将通过slam算法建立的视觉地图(或点云地图等)转化成适用于规划任务的特殊地图，本实施例采取栅格化这一简单高效的方法，将复杂地图转换为路径规划所需的栅格地图。直接在全局静态的栅格地图上搜索最优路径往往较为困难，本实施例采取基于启发式的路径搜索算法解决这一难题。启发式函数表示智能服务机器人1从初始结点到目标结点的最小代价评估值，它的选取直接决定着路径规划的好与坏。dijkstra(迪杰斯特拉)算法从初始结点开始，迭代访问地图中其它结点，并把和该结点最靠近的尚未搜索到的结点加入待搜索结点集，该结点集从初始结点向外扩展，直到抵达目标结点，这一过程可以保障机器人能搜索到最优路径；而bfs(breadth-first search，广度优先搜索)算法则是从目标结点开始，迭代访问地图中其余结点并评估这些结点到目标结点的代价，直至搜索到离目标结点最近的结点，它比dijkstra算法快得多，但不能保证找到最优路径。本实施例将dijkstra算法(从初始点出发)和bfs算法(从目标点出发)的有效信息结合起来，构建两种代价：从初始点到任意结点n的代价h(n)和从任意结点n到目标点的启发式评估代价w(n)。当从初始点向目标点移动时，通过对这两种代价的权衡，构建如下一种启发式函数，不断引导机器人搜索到全局最优路径。
103.f(n)＝μh(n)+γw(n)
104.②
局部路径规划
105.当移动智能服务机器人1在真正的移动过程中，完全遵循上述寻找到的最优路径
是无法抵达目标点的，因为在实际过程中会面临复杂的环境变化情况(主要以人员移动为主)，因此还需要对智能服务机器人1行驶路径进行局部地调优，实现动态地避障。与全局路径规划搜索最短路径的目的不同，局部路径规划的目的为搜索最安全路径，即如何完美地规避障碍物，因此此时考虑的因素主要为速度和加速度信息。智能服务机器人1局部路径规划的本质是从起始点开始，通过在可行区域间的移动达到目标区域，其导航过程可描述为：
106.path＝lmap
org，free
→
l
→
lmap
n，free
→
l
→
lmap
goal，free
107.其中free表示对当前局部区域的连通性分析。在构建移动轨迹的评价函数时，主要考虑三个方面的因素：靠近目标点还是远离目标点、智能服务机器人1前进速度、与下一个障碍物的距离，即在局部地图中规划出一条与目标越来越近、自身行驶速度较快、与障碍物尽可能远的路径，与启发式函数类似的，通过权衡这三种代价，对局部路径进行调优。
108.g(v，w)＝α*heading(v，w)+β*dist(v，w)+γ*vel(v，w)
109.其中heading用于评价智能服务机器人1当前行驶方向与目标位置的夹角；dist表示智能服务机器人1与障碍物的距离，即必须设定安全裕度，在智能服务机器人1和障碍物之间要保留一定的间隙，且该间隙随着速度提高而线性增长；安全速度指智能服务机器人1能够在碰撞障碍物之前能够停下的最大速度，设智能服务机器人1实际速度为(va，wa)，移动障碍物(移动人员)的实际速度为(vb，wb)，请参阅图19所示的公式，在实际规划过程中，为了保证实时性，本实施例采取动态窗口法在速度空间中进行速度采样，并且对随机采样的速度进行限制，减少采样数目，这样在代价函数评估时会引入较少的计算量，同时保证其有效性。设采样时间间隔为t，考虑到机器人的动力加速度，将搜索空间降采样到动态窗口，只保留以当前加速度可到达的速度，则动态窗口中速度应满足：
[0110]v2
＝{v,w|v＝v,w|v∈[v
a-v
&*t
,va+v
&*t
]∩[w
a-w
&*t
,wa+w
&*t
]}
[0111]
最终在路径区间lmap
n，free
上得到的安全速度集合φn＝v1∩v2。最终的代价函数vel是基于安全速度集合φn计算的。虽然局部路径规划不能保证得到最优解，但是其计算速度较快，能够适应不断变化的环境，可以保障局部路径的实时更新，不断引导机器人安全的抵达目标点。
[0112]
为实现移动智能服务机器人1的自主巡检、导航的功能，通过多种传感器，环境感知与联合优化，实现在动态环境下的地图构建和更新，采用快速搜索扩展树算法，自动获取未知边界的前沿点，并通过meanshift算法对相似的前沿点进行聚类，减少前沿点数量，然后将前沿点当作目标发送给智能服务机器人1，完成自主建图的过程。
[0113]
3.室内外人鲁棒定位单元计算过程
[0114]
随着智能服务机器人1在市场上的应用越来越广泛，应用场景越来越多，智能服务机器人1在复杂场景中的应用也成为了一个热门的研究方向。现如今智能服务机器人1同时应用在室内外成为了目前智能服务机器人1行业发展的一个必然趋势。但是因为在室内和室外的场景复杂程度是不同的，所以需要不同的定位算法，以及何时在这两种算法之间进行切换。现今gps技术已经是一门非常成熟的技术，在室外完全可以应用卫星导航系统进行智能服务机器人1的定位，而在室内，采用一种基于uwb-lidar44的定位技术进行智能服务机器人1的精准定位。复杂场景的定位的设计方案请参阅图20所示。具体计算方案如下：
[0115]
①
室外gps定位
[0116]
在室外gps定位中，因为机器人gps接收器所获得的定位信号存在诸如卫星误差、
传播误差、接收误差等，所以需要对所获得的定位信号进行一定的处理，增强其鲁棒性，拟采用卡尔曼滤波的方法进行处理：
[0117]
假设在k时刻接收到的定位结果为x0，y0，z0，则请参阅图21所示公式，其中x，y，z为理想状态变量；ε
x
，εy，εz为一阶马尔可夫国策过程误差；ω
bx，
ω
by，
ω
bz
为测量误差。通过其建立的观测方程一个可观测的线性卡尔曼模型。
[0118]
建立卡尔曼滤波方程如下：
[0119]
x(k|k-1)＝φ1(k|k-1)x(k-1)
[0120]
x(k)＝x(k|k-1)+k(k)[b(k)-h(k)x(k|k-1)]
[0121]
k(k)＝p(k|k-1)h
t
(k)[h(k)p(k|k-1)h
t
(k)+r(k)]-1
[0122]
p(k|k-1)＝φ(k|k-1)p(k|k-1)φ
t
(k|k-1)+q(k|k-1)
[0123]
上式中φ1(k|k-1)的计算公式为：请参阅图22所示公式，其中q(k)为系统的噪声协方阵差，q的离散化矩阵。
[0124]
②
室内uwb-lidar定位
[0125]
虽然在室外gps经过了滤波之后精确性有了一定的提高，但是在室内因为有建筑物的覆盖，gps并不能做到很好的定位效果，所以需要一种室内定位技术。拟采用uwb-lidar定位技术，并利用雷达判定室内外的分界点。
[0126]
假定室内的阈值为k，雷达的扫描半径为n，且n＞k，则假定一个在n和k之间选定一个阈值m，若雷达扫描的点中一半以上的点都大于阈值m，则机器人认定在室外，采用上述gps技术，反之则认定在室内，采用uwb-lidar定位技术。
[0127]
将基于uwb的测距测量符号化为r
uvw
，将基于lidar的测距测量符号化为r
lid
，让
[0128]
x
t
＝[p
0,x,t
,p
0,y,t
,v
0,x,t
,v
0,y,t
]
t
[0129]mt(uvw)
＝[p
1,x,t
,p
1,y,t
,...,p
nt,x,t
,p
nt,y,t
,v
1,x,t
,v
1,y,t
,...,v
nt,x,t
,v
nt,y,t
]
t
[0130]
令χ
t
＝[p
tt
,v
tt
]
t
代表由机器人信标位置p
t
＝[p
0,tt
,...,p
n,tt
]
t
和信标的速度v
t
＝[v
0,tt
,...,v
n+,tt
]
t
组成的与uwb相关的竞争状态，根据以下动力学模型演化状态x
t
:
[0131]
χ
t
＝f
t
χ
t-1
+g
twt
[0132]
转移矩阵f
t
为：请参阅图23所示，转移矩阵g
t
为：请参阅图24所示；
[0133]
状态造成w
t
为零均值，协方差q
t
＝σ
w2gtgtt，
而δ为采样间隔。
[0134]
令r
t(uwb)
∈i
nt(nt+1)/2
为在时间t测量的基于uwb的范围，该范围由机器人到信标范围[r
t(uwb)
]i,i＝1,
…
,n
t
，和信标到信标范围r
t(uwb)
]i,i＝n
t
+1,
…
,n
t
(n
t
+1)/2，它们是p
t
的非线性函数：
[0135]
[r
t(uwb)
]i＝h(p
j,t
,p
k,t
)＝
║
p
j,t-p
k,t
║
,0≤j＜k≤n
t
[0136]
其中i＝1,
…
,n
t
(n
t
+1)/2索引uwb节点的成对组合。假设[r
t
]i,i＝1,
…
,n
t
(n
t
+1)/2a中的所有对等范围都被i.i.d破坏。加噪声n
t
～n(0,σ
n2
),i.e.，[r
t$(uvw)
]i＝[r
t(uwb)
]i+n
t
，之后对所得数据进行优化，提升其鲁棒性：
[0137]
x`
t|t-1
＝f
t
x`
t-1|t-1
+w
t
[0138]
p
t|t-1
＝f
t
p
t-1|t-1ftt
+q
t
[0139]st
＝h
t
p
t|t-1htt
+σ
n2int(nt+1)/2
[0140]kt
＝p
t|t-1httst-1
[0141]
x`
t|t
＝x`
t|t-1
+k
t
{r
t$(uvw)-h(x`
t|t-1
)}
[0142]
p
t|t
＝{i
4(nt+1)-k
tht
}p
t|t-1
[0143]
其中x`
t|t
和p
t|t
分别是更新后的状态估计和协方差估计。
[0144]
最终，通过在室内布置足够多的uwb在智能服务机器人1上也进行安装通过上述模型进行定位，可以得到一个良好的定位效果。
[0145]
3.语义地图拟成单元计算过程
[0146]
①
基于视觉建立地图的过程中，首先的工作是估计相机在每一帧的位置和姿态。为了完成这一步骤，可以采用两种方法。一是从多幅图像中提取场景的特征点，将不同帧中的特征点进行匹配，找到相关联的特征点，之后根据相机的成像模型和几何变换关系，即可求解出多帧之间的位置和姿态变换关系。二是根据深度图获取的点云数据，使用icp算法，计算相邻帧之间的位姿变换。
[0147]
②
为了构建语义地图，还需要建立关于环境的3d几何地图。点云地图是一种较为简单且基础的一种地图形式，它是用大量的离散点表示地图的信息，可以由它扩展出更为高级的地图。因此，可以首先构建一个环境的点云地图。在构建点云地图时，需要先估计每一帧相机的位置和姿态，并将每一帧的图像转化为点云，之后将这些点云转换到同一坐标系下，进行拼接。之后，在点云地图的基础上，生成占据栅格地图。
[0148]
③
在已有的空间地图基础上，将对于空间中的3d点赋予一定的语义信息。首先，需要识别出场景中的已有一定先验信息的目标。之后，将包含目标的语义信息映射到空间地图中，进行融合，即可得到语义地图。其中，语义信息的生成和融合是一个难点，语义信息的生成主要分以下几个步骤：
[0149]
a.确定目标可能存在的区域；
[0150]
b.对提取出的区域进行识别，判断出区域中物体的种类；
[0151]
c.对检测出的目标区域进行分割，从背景中尽可能准确的将目标提取出来，将属于目标的像素点与属于背景的像素点区分开。
[0152]
最后，根据极大似然估计进行语义融合，请参阅图12所示。
[0153]
4.自主认知导航单元基于数据资源库计算过程
[0154]
①
环境建模
[0155]
在智能服务机器人1运行期间，假设环境整体的可通行性的集合是e
t
，智能服务机器人1一般无法观察到所有路径的可通行性，只能观察到其中一部分观察不到的部分记为u
t
，即需要智能服务机器人1通过z
t
来分析出u
t
的可能性。此问题可表述为：请参阅图25所示公式，其中η是给定当前观测值z
t
的归一化器，而p(e
t
)是环境中路径的可通行性的联合概率分布。分布p(e
t
)定义了可能配置空间上的概率函数，获取了路径的可通行性之间的相关性。接下来，可以通过chow-liu树近似方法，使用树结构的贝叶斯网络表示联合概率。但是，它需要训练数据，并且通常不处理表征问题的增量和部分数据。为了满足的要求，通过使用灵活但有界的因子图表示来近似路径可通行性上的联合概率分布。
[0156]
②
因子图
[0157]
因子图是一个概率图形模型，可以表示函数的一般分解。它被构造为具有两种节点的无向图：对应于随机变量的变量节点和代表相邻变量节点的局部函数的因子节点。使用因子图表示形式，其中变量节点是拓扑的边e。
[0158]
通过定义每个边缘的一个一元因子节点和每对拓扑边缘对的一个二元因子节点
来建模边缘的可通行性之间的相关性。考虑到这种表示方式，假设可以将边缘上的关节分布近似为：请参阅图26所示公式，通过仅存储|e|(|e|-1)/2+|e|，该因子图表示可以通过获取路径可通行性之间的一些相关性来近似估计环境配置下的概率。因此，只需要表示边缘数量的二次空间，而不是像完整联合概率分布一样需要指数空间。
[0159]
③
观察计算
[0160]
给定的因子图表示形式，需要提供因子φ和ψ的定义，以使模型对应于先前运行中收集的智能服务机器人1观测值，并且随着智能服务机器人1获取新观测值，可以以增量方式有效地更新模型。
[0161]
置信度传播算法允许对因子图进行推断。使用bp算法来根据当前数据进行预测，还可以根据智能服务机器人1的观察结果来估算模型参数。使用一种方法将因子图的一元因子和二元因子定义为：请参阅图27所示公式，其中p(ei)和p(ei,ej)分别是路径的可通过或阻塞的一元和二进制联合概率。
[0162]
因子节点的这种定义允许计算等式e
t
中的近似联合概率分布为：请参阅图28所示公式；
[0163]
根据智能服务机器人1在之前的运行z
1：t-1
中的观察值，计算一元和二元联合概率p(ei)和p(ei,ej)。通过维护一个观察到的每个一元和二进制配置出现次数的计数器来实现这一点。为了防止在一次观察中将概率取为0或1的极值，通过为每个配置分配相等的正数出现次数来使用统一的先验值初始化它们。每次运行后，都会根据智能服务机器人1的观察结果更新计数器，然后重新计算概率。处理一元和二元联合概率时只能更新与观察到的边对应的概率。使用此过程，可以根据智能服务机器人1的观测值逐步有效地计算模型的参数。该程序的另一个主要优点是，它允许轻松合并对环境的部分观测。
[0164]
以上所述，仅为本技术结合当前实际需求采用的最佳实施方式，但本技术的保护范围并不局限于此。

技术特征：
1.一种用于复杂环境的智能服务机器人，包括智能服务机器人1，其特征在于，所述智能服务机器人1前端固定安装有智能控制箱(101)，所述智能服务机器人1下端固定安装有驱动底盘，所述驱动底盘下端靠近智能控制箱(101)一侧安装有驱动轮组(2)；所述智能控制箱(101)内安装有工控机，所述工控机内还搭载有复杂环境识别调控系统，所述复杂环境识别调控系统内设置有中央处理器，所述中央处理器的输入端连接有环境数据采集端和运行数据采集端，所述中央处理器的输出端连接有驱动调控端；所述驱动底盘下端固定安装有嵌入式运动控制器，所述嵌入式运动控制器连接有电机驱动模块，所述电机驱动模块的输出端通过驱动电路与驱动轮组(2)的驱动电机组信号连接，所述电机驱动模块的输入端连接有电源模块，所述电机驱动模块的输出端还连接有电流采集模块；所述驱动底盘下端远离智能控制箱(101)一侧固定连接有一对方向调节杆(6)，所述方向调节杆(6)下端通过铰接球头(601)铰接有可转换轮支架(5)，所述可转换轮支架(5)下端转动连接有可转换轮组(3)，两个所述可转换轮组(3)内侧均设置有与可转换轮支架(5)相配合的行星轮组(4)，所述嵌入式运动控制器还连接有电磁转换模块，所述电磁转换模块的输出端与可转换轮支架(5)和行星轮组(4)信号连接；所述运行数据采集端分别与嵌入式运动控制器和电流采集模块信号连接，所述驱动调控端的输出端与嵌入式运动控制器信号连接。2.根据权利要求1所述的一种用于复杂环境的智能服务机器人，其特征在于，所述可转换轮组(3)内固定连接有转换轮轴(301)，所述可转换轮支架(5)左右两端均固定连接有防护套(501)，且转换轮轴(301)和防护套(501)转动连接，所述可转换轮支架(5)通过防护套(501)和转换轮轴(301)的转动配合安装可转换轮组(3)。3.根据权利要求2所述的一种用于复杂环境的智能服务机器人，其特征在于，所述行星轮组(4)包括有定轴盖板(402)，两个所述转换轮轴(301)相靠近一端延伸至对应的防护套(501)外侧，并固定连接有定轴盖板(402)，所述定轴盖板(402)靠近相对应可转换轮支架(5)一侧连接有套设在转换轮轴(301)外端的嵌套(403)，所述嵌套(403)外端固定连接有行星支架(401)，所述行星支架(401)外端转动连接有多个行星轮(405)。4.根据权利要求3所述的一种用于复杂环境的智能服务机器人，其特征在于，所述嵌套(403)靠近相对应可转换轮支架(5)一端固定连接有锁定环(404)，所述嵌套(403)内开设有多个锁定腔，所述锁定腔内壁固定连接有复位弹簧(701)，所述复位弹簧(701)靠近锁定环(404)一端固定连接有锁定杆(7)，所述锁定杆(7)远离复位弹簧(701)一端贯穿锁定环(404)，并与防护套(501)相配合。5.根据权利要求4所述的一种用于复杂环境的智能服务机器人，其特征在于，所述防护套(501)靠近锁定环(404)一端开设有锁定槽，所述锁定槽内设置有锁定电磁块(502)，所述锁定杆(7)远离复位弹簧(701)一端固定连接有吸附铁块，所述嵌套(403)远离锁定环(404)一端嵌接在定轴盖板(402)内，所述定轴盖板(402)内壁固定连接有与嵌套(403)相配合的转换电磁块(8)，所述嵌套(403)外端嵌接有与转换电磁块(8)相配合的转换铁块，且转换电磁块(8)不通电时，定轴盖板(402)和嵌套(403)为转动连接，所述电磁转换模块的输出端分别与锁定电磁块(502)和转换电磁块(8)信号连接。6.根据权利要求1所述的一种用于复杂环境的智能服务机器人，其特征在于，所述中央
处理器包括有激光建图单元、路径规划避障单元、室内外人鲁棒定位单元、语义地图拟成单元和自主认知导航单元，所述激光建图单元和语义地图拟成单元的输入端均与环境数据采集端和运行数据采集端信号连接，所述激光建图单元和语义地图拟成单元的输出端与路径规划避障单元信号连接，所述室内外人鲁棒定位单元包括有室外gps定位模块和室内uwb-lidar定位模块，所述室内外人鲁棒定位单元的输出端与语义地图拟成单元和路径规划避障单元信号连接。7.根据权利要求6所述的一种用于复杂环境的智能服务机器人，其特征在于，所述中央处理器的输入端连接有数据资源库，所述数据资源库包括导航路径数据库和机械视觉数据库，所述导航路径数据库的输入端与自主认知导航单元信号连接，所述机械视觉数据库的输入端与语义地图拟成单元信号连接。8.根据权利要求7所述的一种用于复杂环境的智能服务机器人，其特征在于，所述自主认知导航单元的输入端与数据资源库信号连接，且自认知导航单元的输出端与路径规划避障单元信号连接，所述路径规划避障单元的输出端与驱动调控端信号连接。9.根据权利要求1所述的一种用于复杂环境的智能服务机器人，其特征在于，所述嵌入式运动控制器还连接有超声波模块、陀螺仪模块、蓝牙模块和数码管模块。10.根据权利要求1所述的一种用于复杂环境的智能服务机器人，其特征在于，所述环境数据采集端包括有设置在智能服务机器人1上的3d激光雷达、2d激光雷达和深度摄像头。

技术总结
本发明提供了应用于智能服务机器人领域的一种用于复杂环境的智能服务机器人，该智能服务机器人通过复杂环境识别调控系统、嵌入式运动控制器、可转换轮组和行星轮组的配合，能够有效对智能服务机器人运行使用过程中的环境进行数据采集和判断，提高智能服务机器人对所处环境判断的精度，然后根据环境数据对智能服务机器人的运行进行精确调控，实现智能服务机器人高精度的运行控制，使得智能服务机器人能够适用于不同的路面状况，提高智能服务机器人运行移动过程中的稳定性，进而在增加智能服务机器人智能化的同时，增加智能服务机器人的功能性，促进智能服务机器人的环境适应性，促进智能服务机器人的发展和应用。进智能服务机器人的发展和应用。进智能服务机器人的发展和应用。


技术研发人员：林祝亮 鄂采洋 曹振新
受保护的技术使用者：浙江师范大学
技术研发日：2023.05.24
技术公布日：2023/8/23