基于多模态信息融合的四足机器人避障方法

摘要

提出了一种全新的基于多模态信息融合技术的四足机器人避障方法.该方法将机器人的本体传感器信息与外部传感器信息相结合，以提高机器人在复杂环境下的决策能力.具体而言，该方法设计了一种多模态强化学习神经网络模型，使机器人能够从自身的传感数据和外部传感器数据中学习.该模型采用监督和非监督学习技术相结合的方法进行训练，以优化机器人在避障任务中的表现.此外，还创新地引入了Transformer层和注意力机制，使机器人能够有选择地关注相关的传感信息并过滤掉无关信息，提高在未知动态环境中的规划可靠性.该方法在具有不同障碍物、不平坦地形等具有挑战性的模拟环境中进行了评估.实验结果表明，所提出的方法相较于对照组可以显著提高四足机器人的避障成功率.此外，由于引入了注意力机制，所提出的算法在动态未知环境下也具有一定的可靠性，使其在实际应用中更加实用.本文的意义主要在于引入多模态信息融合技术和Transformer层，以提高机器人在避障任务中的表现.通过仿真环境的实验结果显示，该学习策略能够显著改善机器人的运动控制能力，并且多模态Transformer模型进一步增强了其性能使其具备优越的泛化性.此外，进一步的分析和可视化也表明了学习策略利用外部输入进行决策的有效性.

关键词

四足机器人 / 路径规划 / 强化学习 / 信息融合 / Transformer

基金资助

网络空间安全态势感知与评估安徽省重点实验室开放课题（CSSAE-2021-003）; 国家自然科学基金项目青年科学基金项目（61803353）