一种巡检机器人的智能避障方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种巡检机器人的智能避障方法及系统。

背景技术

巡检机器人作为可代替人工进行巡逻检查的新型机器人，可在保障巡查效率的基础上及时进行险情检索预警，由于技术的局限性导致当前的避障控制方法还存在一定的瑕疵。目前常见的巡检避障方法主要结合避障装置辅助进行障碍物规避，但由于探测方向的局限性，存在一定的探测盲区，导致无法及时有效进行障碍物的精准规避。

现有技术中，对于巡检机器人的避障控制方法存在一定的功能局限，对于障碍物的检测与避障规划分析层面较为浅显，致使确定的避障方案与巡检实况契合度不足，以影响巡检效率。

发明内容

本申请提供了一种巡检机器人的智能避障方法及系统，用于针对解决现有技术中存在的对于巡检机器人的避障控制方法存在一定的功能局限，对于障碍物的检测与避障规划分析层面较为浅显，致使确定的避障方案与巡检实况契合度不足，以影响巡检效率的技术问题。

鉴于上述问题，本申请提供了一种巡检机器人的智能避障方法及系统。

第一方面，本申请提供了一种巡检机器人的智能避障方法，所述方法包括：

将待进行巡检的目标区域按照预设栅格大小进行划分，获得多个栅格区域；

控制目标巡检机器人进入随机的第一栅格区域内开始巡检，通过图像采集装置，按照预设频率持续采集所述第一栅格区域内的图像，获得图像信息集合，并通过传感器判断是否存在障碍物；

在判断出现目标障碍物时，将所述图像信息集合内包括障碍物的至少两个图像信息依次输入障碍物识别模型内，获得至少两个识别结果，每个识别结果内包括障碍物形状；

根据所述至少两个识别结果，判断所述目标障碍物为静态障碍物或动态障碍物，在所述目标障碍物为动态障碍物的情况下，判断所述障碍物形状是否存在于所述第一栅格区域的预设动态避障数据库内，若是，则确定所述障碍物形状的预设障碍物类别，并获得对应的预设避障方案进行避障；

若否，则根据所述至少两个识别结果内的至少两个障碍物形状，计算获得所述目标障碍物的大小、移动速度和移动方向，根据所述巡检机器人的移动速度，分析获得避让所述目标障碍物的多个避障点，并寻优获取最优避障方案，对所述目标障碍物进行避障；以及

在完成所述第一栅格区域内的避障巡检后，继续其他的多个栅格区域的巡检。

第二方面，本申请提供了一种巡检机器人的智能避障系统，所述系统包括：

区域划分模块，所述区域划分模块用于将待进行巡检的目标区域按照预设栅格大小进行划分，获得多个栅格区域；

图像采集模块，所述图像采集模块用于控制目标巡检机器人进入随机的第一栅格区域内开始巡检，通过图像采集装置，按照预设频率持续采集所述第一栅格区域内的图像，获得图像信息集合，并通过传感器判断是否存在障碍物；

障碍识别模块，所述障碍识别模块用于在判断出现目标障碍物时，将所述图像信息集合内包括障碍物的至少两个图像信息依次输入障碍物识别模型内，获得至少两个识别结果，每个识别结果内包括障碍物形状；

结果判断模块，所述结果判断模块用于根据所述至少两个识别结果，判断所述目标障碍物为静态障碍物或动态障碍物，在所述目标障碍物为动态障碍物的情况下，判断所述障碍物形状是否存在于所述第一栅格区域的预设动态避障数据库内，若是，则确定所述障碍物形状的预设障碍物类别，并获得对应的预设避障方案进行避障；

避障寻优模块，所述避障寻优模块用于若否，则根据所述至少两个识别结果内的至少两个障碍物形状，计算获得所述目标障碍物的大小、移动速度和移动方向，根据所述巡检机器人的移动速度，分析获得避让所述目标障碍物的多个避障点，并寻优获取最优避障方案，对所述目标障碍物进行避障；以及

区域巡检模块，所述区域巡检模块用于在完成所述第一栅格区域内的避障巡检后，继续其他的多个栅格区域的巡检。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例提供的一种巡检机器人的智能避障方法，将待进行巡检的目标区域按照预设栅格大小划分为多个栅格区域，控制目标巡检机器人进入随机的第一栅格区域内开始巡检，通过图像采集装置，按照预设频率持续采集所述第一栅格区域内的图像，通过传感器判断是否存在障碍物，若存在，将图像信息集合内包括障碍物的至少两个图像信息依次输入障碍物识别模型内，获得至少两个识别结果，进而判断所述目标障碍物为静态障碍物或动态障碍物，在所述目标障碍物为动态障碍物的情况下，判断所述障碍物形状是否存在于所述第一栅格区域的预设动态避障数据库内，若是，则确定所述障碍物形状的预设障碍物类别，匹配对应的预设避障方案进行避障；若否，则根据所述至少两个识别结果内的至少两个障碍物形状，计算获得所述目标障碍物的大小、移动速度和移动方向，根据所述巡检机器人的移动速度，分析获得避让所述目标障碍物的多个避障点，并寻优获取最优避障方案，对所述目标障碍物进行避障，在完成所述第一栅格区域内的避障巡检后，继续其他的多个栅格区域的巡检，解决了现有技术中存在的对于巡检机器人的避障控制方法存在一定的功能局限，对于障碍物的检测与避障规划分析层面较为浅显，致使确定的避障方案与巡检实况契合度不足，以影响巡检效率的技术问题，通过对目标区域进行栅格划分，对局部区域进行障碍物检测，结合障碍物类型进行针对性避障方案寻优，以提高避障方案的精准度与巡检契合度。

附图说明

图1为本申请提供了一种巡检机器人的智能避障方法流程示意图；

图2为本申请提供了一种巡检机器人的智能避障方法中至少两个识别结果获取流程示意图；

图3为本申请提供了一种巡检机器人的智能避障方法中多个避障点获取流程示意图；

图4为本申请提供了一种巡检机器人的智能避障系统结构示意图。

附图标记说明：区域划分模块11，图像采集模块12，障碍识别模块13，结果判断模块14，避障寻优模块15，区域巡检模块16。

具体实施方式

本申请通过提供一种巡检机器人的智能避障方法及系统，将目标区域划分为多个栅格区域，对第一栅格区域采集图像进行障碍物判断，结合障碍物识别模型进行分析，若为动态障碍物，判断障碍物形状是否存在于预设动态避障数据库，匹配预设避障方案进行避障；若否，结合移动实况分析获得多个避障点，寻优获取最优避障方案进行避障，并逐栅格区域进行避障巡检，用于解决现有技术中存在的对于巡检机器人的避障控制方法存在一定的功能局限，对于障碍物的检测与避障规划分析层面较为浅显，致使确定的避障方案与巡检实况契合度不足，以影响巡检效率的技术问题。

实施例

如图1所示，本申请提供了一种巡检机器人的智能避障方法，所述方法包括：

步骤S100：将待进行巡检的目标区域按照预设栅格大小进行划分，获得多个栅格区域；

具体而言，巡检机器人作为可代替人工进行巡逻检查的新型机器人，可在保障巡查效率的基础上及时进行险情检索预警，为保障巡检机器人的避障控制精准度，提高巡查能效，本申请提供的一种巡检机器人的智能避障方法，通过对巡检目标区域进行划分，针对各划分子区域进行图像采集，建模进行障碍物识别判定，针对不同障碍物类型进行针对性避障方案寻优与执行，最大化保障避障控制效果。

具体的，所述目标区域为所述巡检机器人待进行巡检的完整覆盖区域，所述预设栅格大小为制定的待进行区域划分的标准，所述预设栅格大小可依据巡检需求与巡检区域实况进行自定义配置，基于所述预设栅格大小对所述目标区域进行划分，将所述目标区域均匀划分为多个栅格区域，优选的，确定主体巡检线路，基于此对所述多个栅格区域巡检顺序排列，基于排列顺序对所述多个栅格区域进行序列标号，便于快速进行下级巡检栅格区域识别定位。

步骤S200：控制目标巡检机器人进入随机的第一栅格区域内开始巡检，通过图像采集装置，按照预设频率持续采集所述第一栅格区域内的图像，获得图像信息集合，并通过传感器判断是否存在障碍物；

具体而言，所述图像采集装置为所述目标巡检机器人内置的巡检识别采集设备，所述第一栅格区域为进行巡检控制的初始栅格区域，基于所述多个栅格区域随机确定一处于目标区域边缘的栅格区域作为所述第一栅格区域，控制所述目标巡检机器人进入所述第一栅格区域进行巡检，通过控制所述目标巡检机器人的巡检方向进行巡检目标扫描，基于所述图像采集装置进行实时巡检图像采集。具体的，进行图像采集进程中，基于所述预设频率进行所述第一栅格区域内的图像持续采集，其中，采集持续性用于限定采集时序，例如持续采集行进方向的图像，也可以作为巡检的图像进行使用。

其中，所述预设频率可依据所述第一栅格区域内的巡检需求，结合专家经验进行自定义设定，例如当前区域的巡检点位较多，存在设备故障与安全风险的多发性，可适当提高所述预设频率，否则适当降低所述预设频率，基于区域实况而定，例如可为1s进行一次图像采集，对采集图像基于时序节点进行排序，作为所述图像信息集合。进一步基于所述传感器进行巡检方向障碍物判定，所述传感器内置于所述目标巡检机器人，为进行障碍物感知的辅助性设备，例如通过雷达、红外线等技术判断行进方向是否存在障碍物，所述传感器与所述图像采集装置具有启停一致性，联合进行障碍物的检测分析。

步骤S300：在判断出现目标障碍物时，将所述图像信息集合内包括障碍物的至少两个图像信息依次输入障碍物识别模型内，获得至少两个识别结果，每个识别结果内包括障碍物形状；

进一步而言，如图2所示，在判断出现目标障碍物时，将所述图像信息集合内包括障碍物的至少两个图像信息依次输入障碍物识别模型内，获得至少两个识别结果，本申请步骤S300还包括：

步骤S310：获取所述第一栅格区域内的样本图像信息集合；

步骤S320：对所述样本图像信息集合内的样本图像信息内的障碍物的形状进行识别标识，获得样本识别结果集合；

步骤S330：采用所述样本图像信息集合和所述样本识别结果集合作为构建数据，构建所述障碍物识别模型；

步骤S340：在判断出现目标障碍物时，将所述图像信息集合内包括障碍物的至少两个图像信息依次输入障碍物识别模型内，获得所述至少两个识别结果。

进一步而言，采用所述样本图像信息集合和所述样本识别结果集合作为构建数据，构建所述障碍物识别模型，本申请步骤S330还包括：

步骤S331：基于卷积神经网络，构建所述障碍物识别模型的网络结构，所述障碍物识别模型包括输入层、多层卷积层、多层池化层、全连接层，所述多层卷积层的卷积核大小为4*4或3*3，步长为1；

步骤S332：采用所述样本图像信息集合和所述样本识别结果集合作为构建数据，对所述障碍物识别模型进行监督训练、验证和测试，通过更新所述障碍物识别模型的网络参数降低误差，直到获得符合预设条件的所述障碍物识别模型。

具体而言，基于所述传感器进行障碍感知，若检测判定出现目标障碍物时，即检测到巡检前方存在前进阻碍，对所述图像采集装置采集的同时序图像进行提取，并进行图像初步识别确定包括障碍物的至少两个时间点的至少两个图像信息，进一步搭建所述障碍物识别模型，将包括障碍物的至少两个图像信息输入所述障碍物识别模型中进行分析。

具体的，调用所述第一栅格区域内的历史巡检图像，进行图像筛选提取表征障碍物差异性的代表性图像，作为所述样本图像信息集合。对所述样本图像信息集合进行障碍物识别，将障碍物形状作为标识信息进行图像标识，基于图像标识信息对所述样本图像信息进行归属整合，其中，存在同标识障碍物处于不同标识定位点，获取所述样本识别结果结合。进一步将所述样本图像信息集合与所述样本识别结果集合作为构建数据，训练生成所述障碍物识别模型。

具体的，所述障碍物识别模型为多层全连接网络模型，包括所述输入层、所述多层卷积层、所述多层池化层与所述全连接层，对上述多层级网络层进行层级衔接关联，作为所述障碍物识别模型的网络结构，其中，所述多层卷积层的卷积核大小为4*4或3*3的矩阵，卷积步长为1，所述池化层分别处于相邻的卷积层之间，可有效缩小参数矩阵的尺寸，以减少最后连接层中参数数量，以加快分析速率并避免过拟合。进一步对所述样本图像信息集合与所述样本识别结果集合进行映射关联，将其作为所述构建数据，并基于预定划分比例对所述构建数据进行划分，将其划分为训练集、验证集与测试集，其中所述预定划分比例为自定义设定的数据划分比例，例如5：3：2，可进行动态调整。

将所述训练集输入所述障碍物识别模型的网络结构中进行模型监督训练，获取训练完成的所述障碍物识别模型，进一步分别将所述验证集与所述测试集输入所述障碍物识别模型中，进行模型验证测试，判定是否符合所述预设条件，例如判定模型的分析精准度是否符合满足识别要求的预设精准度，若不满足，对所述预定划分比例进行调整，再次进行模型的监督训练与验证测试，直至符合所述预设条件，确定训练完成的所述障碍物识别模型。通过构建所述障碍物识别模型进行图像分析，可有效保障分析效率，提高分析结果的精准度与客观度。

进一步的，将提取的所述图像信息集合中包括障碍物的至少两个图像信息依次基于所述输入层输入所述障碍物识别模型中，基于所述多层卷积层分别进行图像特征提取，输入下位的所述多层池化层中进行特征挑选与降维处理，基于所述全连接层对所述多层卷积层的所有特征矩阵进行转化，获取一维的特征大向量，作为处理后的图像识别结果，所述图像识别结果具有特征完整性与精简性，对其进行模型输出，获得所述至少两个识别结果，所述至少两个识别结果与所述至少两个图像信息相对应，分别包括障碍物的轮廓以及图像内的轮廓大小。

步骤S400：根据所述至少两个识别结果，判断所述目标障碍物为静态障碍物或动态障碍物，在所述目标障碍物为动态障碍物的情况下，判断所述障碍物形状是否存在于所述第一栅格区域的预设动态避障数据库内，若是，则确定所述障碍物形状的预设障碍物类别，并获得对应的预设避障方案进行避障；

进一步而言，判断所述障碍物形状是否存在于所述第一栅格区域的预设动态避障数据库内，本申请步骤S400还包括：

步骤S410-1：获取所述第一栅格区域内预设的多个预设移动物体，以及对应的多个预设障碍物类别；

步骤S420-1：根据所述多个预设移动物体，制定所述目标巡检机器人避让所述多个预设移动物体的多个预设避障方案；

步骤S430-1：基于所述多个预设移动物体、多个预设障碍物类别和所述多个预设避障方案的索引关系，构建所述预设动态避障数据库；

步骤S440-1：将所述障碍物形状输入所述预设动态避障数据库，判断所述障碍物形状是否与所述多个预设移动物体的形状是否相同，获得判断结果。

具体而言，所述目标障碍物包括所述静态障碍物与所述动态障碍物，所述动态障碍物具有时序性的位置与状态波动。基于所述至少两个识别结果进行所述目标障碍物的状态判定，具体的，可根据行进方向以及拍摄角度等，判断目标障碍物是否移动，例如判断目标障碍物的轮廓是否大幅度波动等。在所述目标障碍物为所述动态障碍物的情况下，进一步判断所述障碍物形状是否存在于所述第一栅格区域的所述预设动态避障数据库中。其中，所述目标区域划分的各栅格区域分别对应有预设避障数据库，包括预设动态避障数据库与预设静态避障数据库，用于进行匹配参考。

所述预设动态避障数据库内包括了目标区域内预设的其他移动物体的移动速度、移动路径等信息以及对应的避障方案，其他移动物体可以为技术人员预设的物体，比如其他巡检机器人，可以提升遇到预设移动障碍物时的避让速度，该数据库由技术人员进行更新，在本方法内不进行更新，因为当前获取的不属于预设移动物体的障碍物无法判断是否是技术人员在目标区域内新增的移动物体，例如可能为移动的动物之类的障碍物。

具体的，对所述第一栅格区域进行预设移动物体检索，将检索结果作为所述第一栅格区域内预设的多个预设移动物体，所述多个预设一定物体带有形状标识，并对所述多个预设移动物体进行类别归属划分，所述预设障碍物类别为自定义设定的划分类目，例如基于障碍物尺寸、形状等确定大型障碍物、小型障碍物等，将归属结果作为所述多个预设障碍物类别。针对所述多个预设移动物体分别制定所述目标巡检机器人巡检过程中的避障方案，所述避障方案的制定可依据历史避障记录进行适配择优，结合实时场景进行调整确定的契合方案，获取所述多个预设避障方案，所述多个预设避障方案与所述多个预设移动物体一一对应。所述多个预设移动物体、所述多个预设障碍物类别与所述多个预设避障方案存在映射关联，基于映射关系进行连接，生成表征为预设移动物体-预设障碍物类别-预设避障方案的多个序列，进行序列集成生成所述预设动态避障数据库。将所述障碍物形状输入所述预设动态避障数据库中进行遍历匹配，获取所述判断结果，示例性的，所述判断结果表征为1和0，分别表征所述障碍物形状与所述多个预设移动物体的形状相同或不同。

基于所述判断结果，若所述障碍物形状存在于所述预设动态避障数据库中，将所述预设动态避障数据库中匹配信息对应的障碍物类别作为所述预设障碍物类别，将适配性匹配避障方案作为所述预设避障方案，基于所述预设避障方案进行所述目标巡检机器人的避障执行控制。

进一步而言，本申请步骤S400还包括：

步骤S410-2：在所述目标障碍物为静态障碍物的情况下，判断所述障碍物形状是否存在于所述第一栅格区域的预设静态避障数据库内，若是，则确定所述障碍物形状的预设障碍物类别，并获得对应的预设避障方案进行避障；

步骤S420-2：若否，则根据所述至少两个识别结果内的至少两个障碍物形状，计算获得所述目标障碍物的大小，并分析获得避让所述目标障碍物的多个避障点；

步骤S430-2：根据所述多个避障点，寻优获取最优避障方案，对所述目标障碍物进行避障，并将所述障碍物形状对应的障碍物类别和所述最优避障方案加入所述预设静态避障数据库内。

进一步而言，根据所述多个避障点，寻优获取最优避障方案，本申请步骤S430-2还包括：

步骤S431-2：获取所述目标巡检机器人进行下一栅格区域巡检的多个进入点；

步骤S432-2：在所述多个避障点和所述多个进入点随机选择避障点和进入点进行组合，获得多个避障方案；

步骤S433-2：在所述多个避障方案内随机选择一避障方案，作为第一避障方案，并作为临时最优避障方案；

步骤S434-2：获取所述第一避障方案的第一适应度；

步骤S435-2：再次在所述多个避障方案内随机选择一避障方案，作为第二避障方案，并获取所述第二避障方案的第二适应度；

步骤S436-2：判断所述第二适应度是否大于所述第一适应度，若是，则将所述第二避障方案作为临时最优避障方案，若否，则按照概率将所述第二避障方案作为临时最优避障方案，所述概率随寻优迭代的次数增加而减小；

步骤S437-2：继续进行寻优迭代，在达到第一预设迭代次数后，在迭代获得的避障方案的适应度小于临时最优避障方案的适应度时，将临时最优避障方案加入禁忌表，将迭代获得的避障方案作为临时最优避障方案；

步骤S438-2：继续进行寻优迭代，在达到第二预设迭代次数后，将最终的临时最优避障方案输出，获得所述最优避障方案。

进一步而言，获取所述第一避障方案的第一适应度，步骤S434-2还包括：

步骤S4341-2：获取所述第一避障方案内所述目标巡检机器人的第一路线长度；

步骤S4342-2：获取所述目标巡检机器人从当前位置到达所述第一避障方案内进入点的第二路线长度；

步骤S4343-2：计算所述第二路线长度与所述第一路线长度的比值，作为所述第一适应度。

具体而言，对所述目标障碍物进行类型判断，若为所述静态障碍物，进一步判断所述障碍物形状是否存在于所述第一栅格区域的所述预设静态避障数据库中，其中，所述静态避障数据库包括了目标区域内预设的其他静态物体以及对应的避让方案，可以通过本方法在发现新的障碍物时对数据库进行更新，例如某个地方出现了新的石头或者新的设备等，更新后便于提升下次进行巡检时避让该障碍物的速度，所述静态避障数据库与所述动态避障数据库的构建方式相同，具体构建数据不同。

遍历所述第一栅格区域的预设静态避障数据库，对所述障碍物形状进行匹配，若匹配成功表明存在于所述静态避障数据库内，进一步基于匹配结果对应的预设障碍物类别与预设避障方案，基于此进行避障执行控制；若匹配失败，即所述静态避障数据库中不存在与所述目标障碍物相符者，基于所述至少两个识别结果内的至少两个障碍物形状，确定目标障碍物形状、尺寸等参数，对所述目标障碍物进行大小计算，即计算轮廓面积，若所述目标障碍物为不规则物体，示例性的，对所述目标障碍物基于一定的宽容度进行状态调整，例如复杂走线简化、以直待曲、分割计算等，获取所述目标障碍物的大小。并分析获得避让所述目标障碍物的多个避障点，例如绕行线路定位点等，由于属于静态障碍物，可以从怒表障碍物的前方或者后方的多个点进行避让。进一步基于所述多个避障点，寻优获取最优避障方案。

具体的，将与所述第一栅格区域衔接的多个待巡检栅格区域中的随机一个栅格区域，作为所述下一栅格区域，也可根据预设巡检路线确定下一栅格区域，确定所述下一栅格区域可作为巡检起始点的多个点位，作为所述多个进入点。对所述多个避障点与所述多个进入点进行随机组合，确定多个避障方案，其中，所述目标巡检机器人当前位置为初始定位点，所述避障点为避障方案的途经定位点，对应的进入点为终止定位点，于所述多个避障方案中进行择优。具体的，基于所述多个避障方案随机选择一方案作为所述第一避障方案，并将所述第一避障方案作为临时最优避障方案，针对所述第一避障方案进行适应度计算。

具体的，基于所述第一避障方案，对所述目标巡检机器人从初始定位点出发，途径对应避障点，达到对应进入点的巡检路线，即避障绕行路线进行长度计量，作为所述第一路线长度；将当前位置作为起始点，将所述第一避障方案对应的进入点作为终止点，对无障碍通行路线进行长度计量，作为所述第二路线长度。进一步对所述第二路线长度与所述第一路线长度进行比值计算，将长度比值作为所述第一适应度，其中，比值越小，对应的适应度越高，则避障方案越优。

进一步的，再次基于所述多个避障方案随机选择一方案，作为所述第二避障方案，基于上述适应度计算方式，计算所述第二避障方案的第二适应度。判断所述第二适应度是否大于第一适应度，若是，则将第二避障方案作为所述临时最优避障方案，若否，则按照概率将第二避障方案作为所述临时最优避障方案，概率随寻优迭代的次数增加而减小。寻优初期，概率较大，按照概率接收适应度较低的避障方案作为临时最优避障方案，以避免陷入局部最优影响方案寻优效果，随着寻优进行，对于劣解的接受概率越低，寻优后期，只针对方案适应度进行择优，即择适应度较高避障方案作为所述临时最优避障方案，以保障寻优的准确性。

重复多次进行寻优迭代，所述第一预设迭代次数与所述第二预设迭代次数为进行寻优状态限定的临界迭代次数，两者可相同，例如50次。当达到所述第一预设迭代次数时，若迭代获得的避障方案的适应度小于临时最优避障方案的适应度时，将所述临时最优避障方案加入禁忌表中，对加入避障方案进行寻优规避，并进行寻优步骤转换，即忽略概率影响，只针对适应度校对结果，将迭代获得的避障方案作为所述临时最优避障方案；继续进行寻优迭代的，达到所述第二预设迭代次数时，即表征寻优的执行终止次数，停止进行寻优迭代，将最终的所述临时最优方案作为所述最优避障方案。

进一步的，基于所述最优避障方案，控制所述目标巡检机器人对所述目标障碍物进行避障，同时将所述障碍物形状对应的障碍物类别与所述最优避障方案进行关联，添加进所述预设静态避障数据库中，对所述预设静态避障数据库进行更新，逐步提高所述预设静态避障数据库的信息覆盖面。

步骤S500：若否，则根据所述至少两个识别结果内的至少两个障碍物形状，计算获得所述目标障碍物的大小、移动速度和移动方向，根据所述巡检机器人的移动速度，分析获得避让所述目标障碍物的多个避障点，并寻优获取最优避障方案，对所述目标障碍物进行避障；

步骤S600：在完成所述第一栅格区域内的避障巡检后，继续其他的多个栅格区域的巡检。

进一步而言，如图3所示，则根据所述至少两个识别结果内的至少两个障碍物形状，计算获得所述目标障碍物的大小、移动速度和移动方向，根据所述巡检机器人的移动速度，分析获得避让所述目标障碍物的多个避障点，本申请步骤S500还包括：

步骤S510：根据所述预设频率，获取所述至少两个识别结果的间隔时间；

步骤S520：根据所述至少两个障碍物形状、所述间隔时间、以及所述目标巡检机器人的移动速度和与所述目标障碍物的距离，计算获得所述目标障碍物的大小、移动速度和移动方向；

步骤S530：根据所述巡检机器人的移动速度和所述目标障碍物的大小、移动速度和移动方向，分析获得避让所述目标障碍物的多个避障点。

具体而言，若所述障碍物形状不存在于所述第一栅格区域的预设动态避障数据库时，基于所述至少两个识别结果内的至少两个障碍物形状，结合所述目标巡检机器人的巡检状态进行避障点分析与避障方案寻优。

具体的，所述预设频率为设定的所述图像采集装置的采集限定参数，对所述至少两个识别结果进行采集间隔频次确定，结合所述预设频率确定对应采集图像的间隔时间。进一步的，基于所述至少两个障碍物形状计算所述目标障碍物的大小，其中，动态障碍物与静态障碍物的大小计算方式相同。所述目标巡检机器人的移动速度与所述目标障碍物的距离可通过巡检配置参数与以及红外或雷达等传感器进行确定，进而基于所述至少两个识别结果中所述目标障碍物与所述目标巡检机器人的相对位置，确定所述目标障碍物的移动方向与距离，其中，所述目标障碍物的距离可以通过传感器进行检测，基于所述间隔时间与所述目标障物移动的距离，计算所述目标障碍物的移动速度。进一步的，基于所述巡检机器人的移动速度与所述目标障碍物的大小、移动速度与移动方向，确定多个可行性规避绕行点，作为所述目标障碍物的多个避障点，例如包括目标障碍物移动方向后方的多个点。

进一步的，基于所述目标障碍物的多个避障点，结合下一栅格区域的多个进入点进行随机组合，确定多个避障方案。基于所述多个避障方案进行寻优，其中，所述动态障碍物的避障方案寻优方法与所述静态障碍物的避障方案寻优方法相同，基于所述多个避障方案寻优确定最优避障方案，执行所述最优避障方案对所述目标障碍物进行避障。完成所述第一栅格区域内的避障巡检后，控制所述目标巡检机器人于下一栅格区域执行避障巡检，其中，各栅格区域的避障巡检控制与所述第一栅格区域相同。

实施例

基于与前述实施例中一种巡检机器人的智能避障方法相同的发明构思，如图4所示，本申请提供了一种巡检机器人的智能避障系统，所述系统包括：

区域划分模块11，所述区域划分模块11用于将待进行巡检的目标区域按照预设栅格大小进行划分，获得多个栅格区域；

图像采集模块12，所述图像采集模块12用于控制目标巡检机器人进入随机的第一栅格区域内开始巡检，通过图像采集装置，按照预设频率持续采集所述第一栅格区域内的图像，获得图像信息集合，并通过传感器判断是否存在障碍物；

障碍识别模块13，所述障碍识别模块13用于在判断出现目标障碍物时，将所述图像信息集合内包括障碍物的至少两个图像信息依次输入障碍物识别模型内，获得至少两个识别结果，每个识别结果内包括障碍物形状；

结果判断模块14，所述结果判断模块14用于根据所述至少两个识别结果，判断所述目标障碍物为静态障碍物或动态障碍物，在所述目标障碍物为动态障碍物的情况下，判断所述障碍物形状是否存在于所述第一栅格区域的预设动态避障数据库内，若是，则确定所述障碍物形状的预设障碍物类别，并获得对应的预设避障方案进行避障；

避障寻优模块15，所述避障寻优模块15用于若否，则根据所述至少两个识别结果内的至少两个障碍物形状，计算获得所述目标障碍物的大小、移动速度和移动方向，根据所述巡检机器人的移动速度，分析获得避让所述目标障碍物的多个避障点，并寻优获取最优避障方案，对所述目标障碍物进行避障；以及

区域巡检模块16，所述区域巡检模块16用于在完成所述第一栅格区域内的避障巡检后，继续其他的多个栅格区域的巡检。

进一步而言，所述系统还包括：

形状判断模块，所述形状判断模块用于在所述目标障碍物为静态障碍物的情况下，判断所述障碍物形状是否存在于所述第一栅格区域的预设静态避障数据库内，若是，则确定所述障碍物形状的预设障碍物类别，并获得对应的预设避障方案进行避障；

避障点分析模块，所述避障点分析模块用于若否，则根据所述至少两个识别结果内的至少两个障碍物形状，计算获得所述目标障碍物的大小，并分析获得避让所述目标障碍物的多个避障点；

方案寻优模块，所述方案寻优模块用于根据所述多个避障点，寻优获取最优避障方案，对所述目标障碍物进行避障，并将所述障碍物形状对应的障碍物类别和所述最优避障方案加入所述预设静态避障数据库内。

进一步而言，所述系统还包括：

信息获取模块，所述信息获取模块用于获取所述第一栅格区域内的样本图像信息集合；

形状识别标识模块，所述形状识别标识模块用于对所述样本图像信息集合内的样本图像信息内的障碍物的形状进行识别标识，获得样本识别结果集合；

模型构建模块，所述模型构建模块用于采用所述样本图像信息集合和所述样本识别结果集合作为构建数据，构建所述障碍物识别模型；

图像识别模块，所述图像识别模块用于在判断出现目标障碍物时，将所述图像信息集合内包括障碍物的至少两个图像信息依次输入障碍物识别模型内，获得所述至少两个识别结果。

进一步而言，所述系统还包括：

结构构建模块，所述结构构建模块用于基于卷积神经网络，构建所述障碍物识别模型的网络结构，所述障碍物识别模型包括输入层、多层卷积层、多层池化层、全连接层，所述多层卷积层的卷积核大小为4*4或3*3，步长为1；

模型训练模块，所述模型训练模块用于采用所述样本图像信息集合和所述样本识别结果集合作为构建数据，对所述障碍物识别模型进行监督训练、验证和测试，通过更新所述障碍物识别模型的网络参数降低误差，直到获得符合预设条件的所述障碍物识别模型。

进一步而言，所述系统还包括：

预设信息获取模块，所述预设信息获取模块用于获取所述第一栅格区域内预设的多个预设移动物体，以及对应的多个预设障碍物类别；

预设方案制定模块，所述预设方案制定模块用于据所述多个预设移动物体，制定所述目标巡检机器人避让所述多个预设移动物体的多个预设避障方案；

数据库构建模块，所述数据库构建模块用于基于所述多个预设移动物体、多个预设障碍物类别和所述多个预设避障方案的索引关系，构建所述预设动态避障数据库；

障碍物形状判断模块，所述障碍物形状判断模块用于将所述障碍物形状输入所述预设动态避障数据库，判断所述障碍物形状是否与所述多个预设移动物体的形状是否相同，获得判断结果。

进一步而言， 所述系统还包括：

间隔时间获取模块，所述间隔时间获取模块用于根据所述预设频率，获取所述至少两个识别结果的间隔时间；

目标参数计算模块，所述目标参数计算模块用于根据所述至少两个障碍物形状、所述间隔时间、以及所述目标巡检机器人的移动速度和与所述目标障碍物的距离，计算获得所述目标障碍物的大小、移动速度和移动方向；

避障点分析模块，所述避障点分析模块用于根据所述巡检机器人的移动速度和所述目标障碍物的大小、移动速度和移动方向，分析获得避让所述目标障碍物的多个避障点。

进一步而言，所述系统还包括：

进入点获取模块，所述进入点获取模块用于获取所述目标巡检机器人进行下一栅格区域巡检的多个进入点；

避障组合模块，所述避障组合模块用于在所述多个避障点和所述多个进入点随机选择避障点和进入点进行组合，获得多个避障方案；

第一避障方案选择模块，所述第一避障方案选择模块用于在所述多个避障方案内随机选择一避障方案，作为第一避障方案，并作为临时最优避障方案；

第一适应度获取模块，所述第一适应度获取模块用于获取所述第一避障方案的第一适应度；

第二避障方案选择模块，所述第二避障方案选择模块用于再次在所述多个避障方案内随机选择一避障方案，作为第二避障方案，并获取所述第二避障方案的第二适应度；

适应度判断模块，所述适应度判断模块用于判断所述第二适应度是否大于所述第一适应度，若是，则将所述第二避障方案作为临时最优避障方案，若否，则按照概率将所述第二避障方案作为临时最优避障方案，所述概率随寻优迭代的次数增加而减小；

禁忌表添加模块，所述禁忌表添加模块用于继续进行寻优迭代，在达到第一预设迭代次数后，在迭代获得的避障方案的适应度小于临时最优避障方案的适应度时，将临时最优避障方案加入禁忌表，将迭代获得的避障方案作为临时最优避障方案；

最优避障方案获取模块，所述最优避障方案获取模块用于继续进行寻优迭代，在达到第二预设迭代次数后，将最终的临时最优避障方案输出，获得所述最优避障方案。

进一步而言所述系统还包括：

第一路线长度获取模块，所述第一路线长度获取模块用于获取所述第一避障方案内所述目标巡检机器人的第一路线长度；

第二路线长度获取模块，所述第二路线长度获取模块用于获取所述目标巡检机器人从当前位置到达所述第一避障方案内进入点的第二路线长度；

适应度计算模块，所述适应度计算模块用于计算所述第二路线长度与所述第一路线长度的比值，作为所述第一适应度。

本说明书通过前述对一种巡检机器人的智能避障方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种巡检机器人的智能避障方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。