一种室内移动机器人车道线循迹方法及系统

1.本技术涉及机器人视觉车道线循迹领域，具体涉及一种室内移动机器人车道线循迹方法及系统。


背景技术：

2.随着人工智能技术快速发展，室内移动机器人自动控制技术已成为各大机器人企业必争之地。同时因为人们对智能化商品接受程度增加，具有智能控制系统的室内移动机器人层出不穷。室内移动机器人具有巡线、避障、远程遥控等功能，在减少人工的同时提升工作效率，如：餐厅中送餐服务机器人、家庭中扫地机器人、物流中物流机器人等。因此室内移动机器人循迹方法研究是十分具有意义的。
3.目前经典的图像分割算法总体上分为介于传统图像分割方法和基于深度学习的图像分割方法。传统图像分割方法通过人们对图像分割目标特征选择，基于阈值、边缘、聚类或区域等方法进行图像分割，如：直方图双峰法、迭代阈值图像分割法和分水岭法等图像分割算法。基于深度学习的图像分割方法通过神经网络模型充分学习和理解图像语义信息进行图像语义分割，如fcn、unet等图像分割模型。
4.在基于图像分割的室内移动机器人循迹方案存在如下问题：一是基于传统图像分割方案，虽对移动机器人硬件要求较低且不需要很强算力和大量数据集，但算法对光线变化敏感且算法需调节参数量较多，可能存在移动机器人更换环境导致循迹失败现象。二是基于深度学习图像分割方案，虽对环境变化不敏感且选算法调节参数较少，但网络参数量越大，对计算机计算能力要求越强，而室内移动机器人算力越大，成本就越高。在计算能力有限的场景下，神经网络参数轻量化处理就很重要。本发明提出一种基于图像分割的室内移动机器人循迹方法，通过机器人摄像头采集rgb图像制作图像分割数据集，利用图像分割方案处理采集图像，再计算车道线中点坐标，最后利用pid控制算法实现室内移动机器人自动循迹控制。


技术实现要素：

5.为解决上述背景中的技术问题，本技术通过机器人摄像头采集rgb图像制作图像分割数据集，利用改进的unet网络实现车道线分割，再计算车道线中点坐标，最后利用pid控制算法实现室内移动机器人自动循迹控制。
6.为实现上述目的，本技术提供了一种室内移动机器人车道线循迹方法，步骤包括：
7.采集rgb图像并标注图像特征，得到图像数据集；
8.将所述图像数据集随机划分为训练集和测试集；
9.改进unet图像分割模型，得到初步模型；
10.利用所述训练集训练所述初步模型，并利用测试集进行模型测试，得到最终模型；
11.利用所述最终模型计算车道线中点坐标；
12.利用pid控制算法基于所述车道线中点坐标实现室内移动机器人自动循迹控制。
13.优选的，得到所述图像数据集的方法包括：
14.采集室内图像，并对所述室内图像中的标签数据进行分割，得到分割开的图像标签；
15.基于所述分割开的图像标签，得到图像格式的标注数据；所述标注数据即为所述图像数据集。
16.优选的，得到所述初步模型的方法包括：使用深度可分离卷积替换所述unet图像分割模型中原有的卷积，得到所述初步模型。
17.优选的，训练所述初步模型的方法包括：使用生成对抗网络对所述初步模型进行训练，采用梯度下降法进行迭代，并设置迭代次数和优化器的学习速率；同时，设置学习率与学习周期的关系，得到所述最终模型。
18.优选的，计算所述车道线中点坐标的方法包括：利用像素切片和滑动窗相结合的方法利用所述最终模型计算所述车道线中点坐标：
[0019][0020]
式中，xi表示滑动窗口x轴坐标；λ表示可变参数；mean表示车道线自适应中点；i表示采集x轴坐标角标号；n表示车道线在一张图像中采集x轴坐标总个数。
[0021]
优选的，控制室内移动机器人自动循迹的方法包括：采用增量式pid算法对机器人进行控制：
[0022][0023]
式中，e表示车道线计算中点与图像中点偏差量；k表示当前时刻；u(k)表示当前时刻机器人输出舵角；k
p
表示比例增益；ki表示积分增益；kd表示微分增益；e(i)表示初始到当前时刻，误差累积量；e(k)表示当前时刻车道线中点与图像中点偏差量；e(k-1)表示前一时刻车道线中点与图像中点偏差量。
[0024]
本技术还提供了一种室内移动机器人车道线循迹系统，包括：采集模块、划分模块、构建模块、训练模块、计算模块和控制模块；
[0025]
所述采集模块用于采集rgb图像并标注图像特征，得到图像数据集；
[0026]
所述划分模块用于将所述图像数据集随机划分为训练集和测试集；
[0027]
所述构建模块用于改进unet图像分割模型，得到初步模型；
[0028]
所述训练模块用于利用所述训练集训练所述初步模型，并利用测试集进行模型测试，得到最终模型；
[0029]
所述计算模块用于利用所述最终模型计算车道线中点坐标；
[0030]
所述控制模块用于利用pid控制算法基于所述车道线中点坐标实现室内移动机器人自动循迹控制。
[0031]
优选的，所述采集模块包括：采集单元和标注单元；
[0032]
所述采集单元用于采集室内图像，并对所述室内图像中的标签数据进行分割，得到分割开的图像标签；
[0033]
所述标注单元用于基于所述分割开的图像标签，得到图像格式的标注数据；所述标注数据即为所述图像数据集。
[0034]
与现有技术相比，本技术的有益效果如下：
[0035]
本技术解决了室内移动循迹机器人嵌入传统图像分割算法，受光线等影响图像分割不稳定问题；同时还解决了室内移动循迹机器人嵌入深度学习图像分割算法，对硬件要求高不能满足实时控制问题。
附图说明
[0036]
为了更清楚地说明本技术的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1为本技术实施例的方法流程示意图；
[0038]
图2为本技术实施例的改进unet模型示意图；
[0039]
图3为本技术实施例的损失函数变化示意图；
[0040]
图4为本技术实施例的系统结构示意图。
具体实施方式
[0041]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通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。
[0042]
为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
[0043]
实施例一
[0044]
如图1所示，为本实施例的方法流程示意图。
[0045]
首先，采集rgb图像并标注图像特征，得到图像数据集。
[0046]
在本实施例中，首先利用室内移动机器人摄像头来采集车道线图像。考虑到训练神经网络进行图像分割的深度学习方法属于监督学习，所以标签数据在任务中非常关键。而图像分割需要的标签数据为背景和物体分割开的图像标签，所以就本实施例来说，图像中的车道线是属于要识别并分割出的目标，其余部分是背景部分；即标签数据只需要把图像中的车道线标出，其余部分就是背景。在本实施例中，图像标注的工具是labelme，具体方法是借助labelme人工标注图像获得标注的json文件，再利用labelme的labelme_json_to_dataset获得图像格式的标注数据，即可直接用于训练的标签数据(图像数据集)。共标注室内移动机器人图像分割数据集500张，最后随机划分训练集和测试集(其中400张作为训练集、100张作为测试集)。
[0047]
之后，改进unet图像分割模型，得到初步模型。
[0048]
图像分割领域的经典方法unet，该方法最早始用于医疗图像风分割，整个模型为u型的encoder-decoder结构，前面使用四层卷积的方法完成降采样，提取图像特征信息，后面利用四层反卷积和skip connection结构实现上采样，还原图像信息并融入之前卷积过
程提取到的特征信息。unet模型这针对医疗图像提出，但是因为医疗图像同样具有分割的目标单一，所以医疗影像的分割任务跟车道线图像的分割任务具有很大相似性，所以可以本任务完全可以借助unet完成车道线的分割任务。不过由于unet模型参数较大复杂度过高所需硬件较高，直接应用室内移动机器人上不能满足自动实时控制需求，因此需要对模型进行适当地改进。
[0049]
在本实施例中，使用深度可分离卷积替换unet图像分割模型中原有的卷积，得到初步模型。深度可分离卷积思想是一种广泛应用于轻量化参数和计算量卷积网络操作，将常规卷积区域和通道同时改变思想，变成先区域改变再通道改变过程，实现通道和区域的分离。图像以矩阵形式输入网络中，常规卷积操作可以看出是一个滤波操作堆叠，卷积操作参数量计算如公式(1)。而深度可分离卷积由两部分组第一部分为c1个卷积核大小为k*k*1卷积组成，第二部分由c2个卷积核大小为1*1*c1卷积组成，参数量计算如公式(2)。深度可分离卷积参数减少量如公式(3)：
[0050]
nc＝k
×k×
cl
×
c2+c2
ꢀꢀꢀ
(1)
[0051]
nm＝k
×k×
c1+c1+c1
×
c2+c2
ꢀꢀꢀ
(2)
[0052]nc-nm＝c1
×
(k
×k×
(c2-1)-c2-1)
ꢀꢀꢀ
(2)
[0053]
式中，nc表示常规卷积操作参数总量；nm表示深度可分离卷积操作参数总量；k表示卷积核大小；c1表示输入特征图的通道数；c2表示输出特征特征图的通道数。
[0054]
而在本实施例构建的初步模型中，整个模型依旧为u型的encoder-decoder结构，初步模型使用深度可分离卷积(dsconv)替换原有卷积操作，前面使用三层卷积的方法完成降采样，后面利用三层反卷积和skip connection结构实现上采样，提取图像特征信息。结构如图2所示，首先利用多尺度获得更全面信息，在经编码结构两次dsconv结构和一个下采样结构(图像尺寸减半、通道数不变)为一组基础结构，输入图像经过3组基础结构，分别得到通道数为64，128，256的特征图，在解码结构中，上采样结构(图像尺寸加倍、通道数不变)和两次dsconv操作为一组基础结构，编码结构输出特征图与对应上采样结果concat连接减少因降采样导致部分图像失真，再进行dsconv操作，同理得到通道数为256，128，64，输出室内车道线图像分割效果图。
[0055]
之后利用所述训练集训练上述初步模型，并利用测试集进行模型测试，得到最终模型。本实施例对上述构建的数据集和初步模型，完成针对空中管制图像目标检测算法的验证。其中，试验环境为曙光云计算服务系统，每个节点配置1颗32核心2.5ghz主频的x86处理器和1块nvidiateslav100加速卡，每节点配置2根16gb ddr42666 ecc reg内存，并配置两套曙光parastor300s并行存储系统，提供大容量数据存储。网络通信方面，集群采用全线速、无阻塞的200gb hdr infiniband专用计算网络，使用pytorch1.9.0深度学习框架，具体的配置信息如表1和表2所示。
[0056]
表1
[0057]
[0058]
表2
[0059][0060]
本实施例使用生成对抗网络进行训练，迭代次数为500，损失函数为均方误差，优化器的学习速率设置为0.01，采用梯度下降法进行迭代，避免网络出现梯度消失和爆炸的问题，设置每学习100个周期将学习率乘0.1，为规范和处理图像，输入图像尺寸为160
×
160，输出图像尺寸为160
×
160，损失函数变化如图3所示。模型训练500次，训练误差约0.0015，测试误差约为0.02，泛化性能较好。对同一图片模型效果测试，通过对模型训练1次，5次，15次，20次，25次，50次，100次，200次，400次结果采样，发现随着训练次数增加改进unet网络模型图像分割效果越好，符合损失函数曲线变化趋势，训练完成之后，得到最终模型。
[0061]
之后，利用所述最终模型计算车道线中点坐标。该部分是车道线识别任务的关键，利用像素切片和滑动窗相结合的理念从改进后分割图像计算车道线中点位置，获取1组中点坐标。将词组数据根据需求处理得到单组输出坐标实现对轻舟机器人进行控制。首先，考虑实施控制时，识别全部的车道线对机器人整体控制产生不利影响，因此只截取车道线部分进行识别操作。其次，设置可变权重λ加强中点坐标计算的操作性，公式如下：
[0062][0063]
式中，xi表示滑动窗口x轴坐标；λ表示可变参数；mean表示车道线自适应中点；i表示采集x轴坐标角标号；n表示车道线在一张图像中采集x轴坐标总个数。
[0064]
最后，利用pid控制算法基于所述车道线中点坐标实现室内移动机器人自动循迹控制。pid控制算法是以比例、微分、积分来进行控制的。针对室内移动机器人循迹方案，选择增量式pid控制，即控制将当前时刻的控制量和上一时刻的控制量做差，以差值为新的控制量，是一种递推式的算法，公式如下：
[0065][0066]
式中，e表示车道线计算中点与图像中点偏差量；k表示当前时刻；u(k)表示当前时刻机器人输出舵角；k
p
表示比例增益；ki表示积分增益；kd表示微分增益；e(i)表示初始到当前时刻，误差累积量；e(k)表示当前时刻车道线中点与图像中点偏差量；e(k-1)表示前一时刻车道线中点与图像中点偏差量。需要说明的是，上述的k
p
、ki、kd均为调适参数。
[0067]
实施例二
[0068]
为验证上述实施例的可行性，特设置本实施例来进行室内移动机器人循迹验证。验证机器人采用jetsonnano开发的室内移动机器人。该机器人采用四核64位arm cpu和128核集成nvidia gpu，可提供472gflops的计算性能。提供了完整的桌面linux环境，具有加速
图形，支持nvidia cudatoolkit 10.0，以及cudnn 7.3和tensorrt等库。该sdk还包括本机安装流行的功能开源机器学习(ml)框架，如tensorflow，pytorch，caffe，keras和mxnet，以及计算机视觉和机器人开发的框架，如opencv和ros。
[0069]
以行驶速度为1m/s能否顺利通过长240cm宽240cm带车道线的s弯道为主要验证方案，fps即循迹程序每秒运行次数为辅助验证方案，循迹程序包含机器人摄像头采集图像程序、改进的unet图像分割程序和室内移动机器人自动控制程序，实验结果如表3所示。
[0070]
表3
[0071][0072]
实验结果表明最终模型(基于改进的unet循迹方案)比原有网络模型参数减少86％，使得基于深度学习图像分割算法能嵌入nano板中使用，同时满足室内移动机器人实时控制需求和自主循迹需求。
[0073]
实施例三
[0074]
如图4所示，为本实施例的系统结构示意图，包括：采集模块、划分模块、改进模块、训练模块、计算模块和控制模块。其中，采集模块用于采集rgb图像并标注图像特征，得到图像数据集；划分模块用于将图像数据集随机划分为训练集和测试集；构建模块用于改进unet图像分割模型，得到初步模型；训练模块用于利用训练集训练初步模型，并利用测试集进行模型测试，得到最终模型计算模块用于利用最终模型计算车道线中点坐标；控制模块用于利用pid控制算法基于车道线中点坐标实现室内移动机器人自动循迹控制。采集模块包括：采集单元和标注单元；采集单元用于采集室内图像，并对室内图像中的标签数据进行分割，得到分割开的图像标签；标注单元用于基于分割开的图像标签，得到图像格式的标注数据；标注数据即为图像数据集。
[0075]
下面将结合本实施例，详细说明本技术如何解决实际生活中的技术问题。
[0076]
首先，利用采集模块来采集rgb图像并标注图像特征，得到图像数据集。
[0077]
在本实施例中，采集单元利用室内移动机器人摄像头来采集车道线图像。考虑到训练神经网络进行图像分割的深度学习方法属于监督学习，所以标签数据在任务中非常关键。而图像分割需要的标签数据为背景和物体分割开的图像标签，所以就本实施例来说，图像中的车道线是属于要识别并分割出的目标，其余部分是背景部分；即标签数据只需要把图像中的车道线标出，其余部分就是背景。在本实施例中，标注单元采用labelme，具体方法是借助labelme人工标注图像获得标注的json文件，再利用labelme的labelme_json_to_dataset获得图像格式的标注数据，即可直接用于训练的标签数据(图像数据集)。共标注室内移动机器人图像分割数据集500张，最后利用划分模块随机划分训练集和测试集(其中400张作为训练集、100张作为测试集)。
[0078]
之后，利用构建模块改进unet图像分割模型，得到初步模型。
[0079]
图像分割领域的经典方法unet，该方法最早始用于医疗图像风分割，整个模型为u型的encoder-decoder结构，前面使用四层卷积的方法完成降采样，提取图像特征信息，后面利用四层反卷积和skip connection结构实现上采样，还原图像信息并融入之前卷积过程提取到的特征信息。unet模型这针对医疗图像提出，但是因为医疗图像同样具有分割的
目标单一，所以医疗影像的分割任务跟车道线图像的分割任务具有很大相似性，所以可以本任务完全可以借助unet完成车道线的分割任务。不过由于unet模型参数较大复杂度过高所需硬件较高，直接应用室内移动机器人上不能满足自动实时控制需求，因此需要对模型进行适当地改进。
[0080]
在本实施例中，使用深度可分离卷积替换unet图像分割模型中原有的卷积，得到初步模型。深度可分离卷积思想是一种广泛应用于轻量化参数和计算量卷积网络操作，将常规卷积区域和通道同时改变思想，变成先区域改变再通道改变过程，实现通道和区域的分离。图像以矩阵形式输入网络中，常规卷积操作可以看出是一个滤波操作堆叠，卷积操作参数量计算如公式(6)。而深度可分离卷积由两部分组第一部分为c1个卷积核大小为k*k*1卷积组成，第二部分由c2个卷积核大小为1*1*c1卷积组成，参数量计算如公式(7)。深度可分离卷积参数减少量如公式(8)：
[0081]
nc＝k
×k×
c1
×
c2+c2
ꢀꢀꢀ
(6)
[0082]
nm＝k
×k×
c1+c1+c1
×
c2+c2
ꢀꢀꢀ
(7)
[0083]nc-nm＝c1
×
(k
×k×
(c2-1)-c2-1)
ꢀꢀꢀ
(8)
[0084]
式中，nc表示常规卷积操作参数总量；nm表示深度可分离卷积操作参数总量；k表示卷积核大小；c1表示输入特征图的通道数；c2表示输出特征特征图的通道数。
[0085]
而在本实施例构建的初步模型中，整个模型依旧为u型的encoder-decoder结构，初步模型使用深度可分离卷积(dsconv)替换原有卷积操作，前面使用三层卷积的方法完成降采样，后面利用三层反卷积和skip connection结构实现上采样，提取图像特征信息。结构如图3所示，首先利用多尺度获得更全面信息，在经编码结构两次dsconv结构和一个下采样结构(图像尺寸减半、通道数不变)为一组基础结构，输入图像经过3组基础结构，分别得到通道数为64，128，256的特征图，在解码结构中，上采样结构(图像尺寸加倍、通道数不变)和两次dsconv操作为一组基础结构，编码结构输出特征图与对应上采样结果concat连接减少因降采样导致部分图像失真，再进行dsconv操作，同理得到通道数为256，128，64，输出室内车道线图像分割效果图。
[0086]
之后，训练模块利用训练集训练上述初步模型，并利用测试集进行模型测试，得到最终模型。本实施例对上述构建的数据集和初步模型，完成针对空中管制图像目标检测算法的验证。其中，试验环境为曙光云计算服务系统，每个节点配置1颗32核心2.5ghz主频的x86处理器和1块nvidiateslav100加速卡，每节点配置2根16gb ddr42666 ecc reg内存，并配置两套曙光parastor300s并行存储系统，提供大容量数据存储。网络通信方面，集群采用全线速、无阻塞的200gb hdr infiniband专用计算网络，使用pytorch1.9.0深度学习框架。
[0087]
本实施例使用生成对抗网络进行训练，迭代次数为500，损失函数为均方误差，优化器的学习速率设置为0.01，采用梯度下降法进行迭代，避免网络出现梯度消失和爆炸的问题，设置每学习100个周期将学习率乘0.1，为规范和处理图像，输入图像尺寸为160
×
160，输出图像尺寸为160
×
160，损失函数变化如图3所示。模型训练500次，训练误差约0.0015，测试误差约为0.02，泛化性能较好。对同一图片模型效果测试，通过对模型训练1次，5次，15次，20次，25次，50次，100次，200次，400次结果采样，发现随着训练次数增加改进unet网络模型图像分割效果越好，符合损失函数曲线变化趋势，训练完成之后，得到最终模型。
[0088]
之后，计算模块利用最终模型计算车道线中点坐标。该部分是车道线识别任务的关键，利用像素切片和滑动窗相结合的理念从改进后分割图像计算车道线中点位置，获取1组中点坐标。将词组数据根据需求处理得到单组输出坐标实现对轻舟机器人进行控制。首先，考虑实施控制时，识别全部的车道线对机器人整体控制产生不利影响，因此只截取车道线部分进行识别操作。其次，设置可变权重λ加强中点坐标计算的操作性，公式如下：
[0089][0090]
式中，xi表示滑动窗口x轴坐标；λ表示可变参数；mean表示车道线自适应中点；i表示采集x轴坐标角标号；n表示车道线在一张图像中采集x轴坐标总个数。
[0091]
最后，控制模块利用pid控制算法基于车道线中点坐标实现室内移动机器人自动循迹控制。pid控制算法是以比例、微分、积分来进行控制的。针对室内移动机器人循迹方案，选择增量式pid控制，即控制将当前时刻的控制量和上一时刻的控制量做差，以差值为新的控制量，是一种递推式的算法，公式如下：
[0092][0093]
式中，e表示车道线计算中点与图像中点偏差量；k表示当前时刻；u(k)表示当前时刻机器人输出舵角；k
p
表示比例增益；ki表示积分增益；kd表示微分增益；e(i)表示初始到当前时刻，误差累积量；e(k)表示当前时刻车道线中点与图像中点偏差量；e(k-1)表示前一时刻车道线中点与图像中点偏差量。需要说明的是，上述的k
p
、ki、kd均为调适参数。
[0094]
以上所述的实施例仅是对本技术优选方式进行的描述，并非对本技术的范围进行限定，在不脱离本技术设计精神的前提下，本领域普通技术人员对本技术的技术方案做出的各种变形和改进，均应落入本技术权利要求书确定的保护范围内。

技术特征：
1.一种室内移动机器人车道线循迹方法，其特征在于，步骤包括：采集rgb图像并标注图像特征，得到图像数据集；将所述图像数据集随机划分为训练集和测试集；改进unet图像分割模型，得到初步模型；利用所述训练集训练所述初步模型，并利用测试集进行模型测试，得到最终模型；利用所述最终模型计算车道线中点坐标；利用pid控制算法基于所述车道线中点坐标实现室内移动机器人自动循迹控制。2.根据权利要求1所述的室内移动机器人车道线循迹方法，其特征在于，得到所述图像数据集的方法包括：采集室内图像，并对所述室内图像中的标签数据进行分割，得到分割开的图像标签；基于所述分割开的图像标签，得到图像格式的标注数据；所述标注数据即为所述图像数据集。3.根据权利要求1所述的室内移动机器人车道线循迹方法，其特征在于，得到所述初步模型的方法包括：使用深度可分离卷积替换所述unet图像分割模型中原有的卷积，得到所述初步模型。4.根据权利要求1所述的室内移动机器人车道线循迹方法，其特征在于，训练所述初步模型的方法包括：使用生成对抗网络对所述初步模型进行训练，采用梯度下降法进行迭代，并设置迭代次数和优化器的学习速率；同时，设置学习率与学习周期的关系，得到所述最终模型。5.根据权利要求1所述的室内移动机器人车道线循迹方法，其特征在于，计算所述车道线中点坐标的方法包括：利用像素切片和滑动窗相结合的方法利用所述最终模型计算所述车道线中点坐标：式中，x
i
表示滑动窗口x轴坐标；λ表示可变参数；mean表示车道线自适应中点；i表示采集x轴坐标角标号；n表示车道线在一张图像中采集x轴坐标总个数。6.根据权利要求1所述的室内移动机器人车道线循迹方法，其特征在于，控制室内移动机器人自动循迹的方法包括：采用增量式pid算法对机器人进行控制：式中，e表示车道线计算中点与图像中点偏差量；k表示当前时刻；u(k)表示当前时刻机器人输出舵角；k
p
表示比例增益；k
i
表示积分增益；k
d
表示微分增益；e(i)表示初始到当前时刻，误差累积量；e(k)表示当前时刻车道线中点与图像中点偏差量；e(k-1)表示前一时刻车道线中点与图像中点偏差量。7.一种室内移动机器人车道线循迹系统，其特征在于，包括：采集模块、划分模块、构建模块、训练模块、计算模块和控制模块；所述采集模块用于采集rgb图像并标注图像特征，得到图像数据集；
所述划分模块用于将所述图像数据集随机划分为训练集和测试集；所述构建模块用于改进unet图像分割模型，得到初步模型；所述训练模块用于利用所述训练集训练所述初步模型，并利用测试集进行模型测试，得到最终模型；所述计算模块用于利用所述最终模型计算车道线中点坐标；所述控制模块用于利用pid控制算法基于所述车道线中点坐标实现室内移动机器人自动循迹控制。8.根据权利要求7所述的室内移动机器人车道线循迹系统，其特征在于，所述采集模块包括：采集单元和标注单元；所述采集单元用于采集室内图像，并对所述室内图像中的标签数据进行分割，得到分割开的图像标签；所述标注单元用于基于所述分割开的图像标签，得到图像格式的标注数据；所述标注数据即为所述图像数据集。

技术总结
本申请公开了一种室内移动机器人车道线循迹方法及系统，其中方法步骤包括：采集RGB图像并标注图像特征，得到图像数据集；将图像数据集随机划分为训练集和测试集；改进UNet图像分割模型，得到初步模型；利用训练集训练初步模型，并利用测试集进行模型测试，得到最终模型；利用最终模型计算车道线中点坐标；利用PID控制算法基于车道线中点坐标实现室内移动机器人自动循迹控制。本申请解决了室内移动循迹机器人嵌入传统图像分割算法，受光线等影响图像分割不稳定问题；同时还解决了室内移动循迹机器人嵌入深度学习图像分割算法，对硬件要求高不能满足实时控制问题。高不能满足实时控制问题。高不能满足实时控制问题。


技术研发人员：周文涛 蔡成涛 曹择骏 朱文序 杨志勇
受保护的技术使用者：哈尔滨工程大学
技术研发日：2023.04.04
技术公布日：2023/7/18