一种移动机器人的避障方法、装置、机器人及存储介质与流程

本发明实施例涉及机器人技术领域，尤其涉及一种移动机器人的避障方法、装置、机器人及存储介质。

背景技术：

移动机器人是具有感知、思维和行动功能的机器，在多种领域中发挥了重要的作用，如清洁机器人和探测机器人等等，移动机器人技术的成熟也推动了相关领域的快速发展。而避障问题一直是机器人领域研究的热点和重点，要实现机器人的自主作业，就必须能够避障。

目前常采用的障碍物检测手段是通过传感器获取外界环境信息，然后进行相关的算法处理以得到障碍物的具体位置，这类传感器主要包括激光、雷达、超声波、红外和视觉传感器等。但在实际的使用中，激光、雷达、超声波及红外传感器发射的脉冲相互间容易受到干扰，且反射波的周期较长，实时性较差，不利于高速移动的机器人进行实时避障。而使用视觉传感器进行的障碍物检测主要包括单目视觉、双目视觉和多目视觉等计算机视觉处理方式，其中通过单目视觉处理方式目前还不能非常准确及时的确定障碍物，而双目视觉和多目视觉等处理方式又存在着实时性差且计算复杂等缺点，会带来信息处理速度延长的问题，这种情况下对于移动机器人的实时避障要求将很难满足。

技术实现要素：

本发明实施例提供一种移动机器人的避障方法、装置、机器人及存储介质，以在保证避障处理及时性的基础上，提高基于单目视觉处理方式进行避障的准确率。

第一方面，本发明实施例提供了一种移动机器人的避障方法，该方法包括：

获取移动机器人前方的单目视觉图像；

将所述单目视觉图像中间预设大小的第一区域图像输入深度神经网络，以获得所述第一区域图像对应的深度灰度图；

在所述深度灰度图中提取障碍物的边界，并确定所述障碍物与所述移动机器人之间的距离；

根据所述障碍物的边界以及所述障碍物的距离确定所述移动机器人下一时刻的运动状态。

第二方面，本发明实施例还提供了一种移动机器人的避障装置，该装置包括：

原始图像获取模块，用于获取移动机器人前方的单目视觉图像；

灰度图获取模块，用于将所述单目视觉图像中间预设大小的第一区域图像输入深度神经网络，以获得所述第一区域图像对应的深度灰度图；

障碍物确定模块，用于在所述深度灰度图中提取障碍物的边界，并确定所述障碍物与所述移动机器人之间的距离；

运动状态确定模块，用于根据所述障碍物的边界以及所述障碍物的距离确定所述移动机器人下一时刻的运动状态。

第三方面，本发明实施例还提供了一种移动机器人，该移动机器人包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的移动机器人的避障方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的移动机器人的避障方法。

本发明实施例提供了一种移动机器人的避障方法，首先获取移动机器人前方的单目视觉图像，然后将该单目视觉图像中间预设大小的第一区域图像输入深度神经网络以获得第一区域图像对应的深度灰度图，再在该深度灰度图中提取障碍物的边界，并确定障碍物与移动机器人之间的距离，则可以根据该障碍物的边界和距离确定移动机器人下一时刻的运动状态。本发明实施例所提供的避障方法，通过使用单目视觉图像处理信息，保证了避障处理的速度，通过使用深度神经网络来挖掘单目视觉图像中的障碍物信息，提高了基于单目视觉处理方式进行避障的准确率，而且通过深度神经网络确定出障碍物的边界和距离，并根据该障碍物的边界和距离进行避障，还可以尽可能的按照原始预定的路径规划，以尽可能的完成原有设定的移动任务。

附图说明

图1为本发明实施例一提供的移动机器人的避障方法的流程图；

图2为本发明实施例二提供的移动机器人的避障方法的流程图；

图3为本发明实施例三提供的移动机器人的避障装置的结构示意图；

图4为本发明实施例四提供的移动机器人的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1为本发明实施例一提供的移动机器人的避障方法的流程图。本实施例可适用于各种移动机器人在执行任务的移动过程中躲避障碍物以防止碰撞的情况，该方法可以由本发明实施例提供的移动机器人的避障装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于各种移动机器人中。如图1所示，具体包括如下步骤：

s11、获取移动机器人前方的单目视觉图像。

其中，单目视觉图像可以是通过单目摄像头按照一定频率拍摄到的移动机器人运行方向前方的原始rgb图像，然后即可通过接收单目摄像头发布的图像信息来获取到该单目视觉图像。单目摄像头可以固定在移动机器人上便于拍摄前方图像的位置，如移动机器人的前侧或上侧等，对此在本实施例中不作具体的限制。

s12、将单目视觉图像中间预设大小的第一区域图像输入深度神经网络，以获得第一区域图像对应的深度灰度图。

其中，第一区域图像可以是完整的单目视觉图像，也可以是单目视觉图像中的一部分，示例性的，可以将单目视觉图像沿着水平方向从左至右分为三个部分，然后取中间区域的图像作为第一区域图像，以便更好的对移动机器人运行方向前方的障碍物进行分析。优选的，第一区域图像可以是单目视觉图像正中间区域的图像，且面积为整张单目视觉图像面积的三分之二，从而在保证检测到前方所有可能碰撞的障碍物的基础上，尽可能的节约计算时间。

在获取到第一区域图像之后，即可将第一区域图像作为感兴趣区域输入深度神经网络，并利用该深度神经网络输出第一区域图像对应的深度灰度图。其中，深度灰度图的大小可以根据第一区域图像的大小尽可能等比例的进行设置来减小障碍物的形变，示例性的，第一区域图像的大小为640×480，则深度灰度图的大小可以设置为160×128。深度灰度图中每个像素点的大小可以表示该像素点可代表的障碍物的距离信息，每个像素点的坐标可以表示该像素点可代表的障碍物的方向信息。

s13、在深度灰度图中提取障碍物的边界，并确定障碍物与移动机器人之间的距离。

在得到深度灰度图之后，即得到了每个像素点的距离和方向，则可以将距离接近的像素点进行分组，每组即可表示同一障碍物，然后即可确定每个障碍物大致的边界范围。具体的，可以首先确定深度灰度图中每列上的灰度值总和，以得到深度灰度图的映射图，其中，灰度值总和较大的列存在障碍物的可能性更大，则可以首先筛选出灰度值总和大于预设灰度和的列，从而减小噪声的影响，提高确定障碍物的准确性，然后在筛选出的列中将可能是障碍物的感兴趣像素点挑选出来，并根据距离对所挑选出的像素点进行分组，具体可以将其中距离相同或相近的像素点分为一组，再将每组中的相邻像素点进行连线，即可得到可能存在的障碍物的边界，也即得到了可能存在的障碍物的大小信息。可选的，在挑选感兴趣像素点之前，还可以首先对映射图进行高斯平滑处理，从而去除细节，过滤掉噪声。

在提取了障碍物的边界之后，即可根据边界上的像素点可代表的距离信息确定可能存在的障碍物与移动机器人之间的距离。具体的，可以取每组中像素点距离信息的平均值作为每组所代表的障碍物的距离，从而得到移动机器人前方所有可能存在的障碍物的位置和距离。

可选的，在深度灰度图中提取障碍物的边界，并确定障碍物与移动机器人之间的距离之前，还包括：对深度灰度图中的信息进行过滤，保留在移动机器人前方预设距离内的像素点。具体的，深度灰度图包括移动机器人前方的整个视野，但是若障碍物与移动机器人之间的距离超过预设距离，则可以认为移动机器人基于当前运动状态暂时不可能与障碍物发生碰撞，也就暂时不需要考虑预设距离之外的障碍物，进一步的，则可以将当前深度灰度图中所表示距离信息超过预设距离的像素点过滤掉，只保留预设距离内的像素点，然后即可根据过滤后的深度灰度图提取障碍物的边界，并确定障碍物与移动机器人之间的距离，从而节约识别障碍物的时间，提高避障的处理效率。其中，预设距离可以是4米。同时，由于距离信息存在一定的误差，可以为预设距离设置冗余，具体可以是预设距离的10％，示例性的，若预设距离是4米，冗余为10％，则可以将4.4米范围内的像素点认定为在预设距离内，以提高信息过滤的准确性。

s14、根据障碍物的边界以及障碍物的距离确定移动机器人下一时刻的运动状态。

其中，运动状态可以包括运动方向和运动速度。具体的，可以采用避障算法根据障碍物的边界以及障碍物的距离来确定移动机器人下一时刻的运动状态。具体可以采用向量场直方图(vectorfieldhistogram，vfh)算法，将移动机器人的工作环境分解为一系列具有二值信息的栅格单元，每个栅格单元中存在一个积累值来表示此处存在障碍物的可信度，也可以说是存在障碍物的概率，可以通过不断的积累对移动机器人前方环境的采样以及对障碍物的边界和距离的检测来确定。当栅格中存在障碍物的概率大于预设概率时，则可以认定出现障碍物，此时则可以根据当前确定的障碍物的边界和障碍物的距离直接输出下一时刻的线速度和角速度来控制移动机器人的运动。其中，线速度即可表示运动速度，角速度即可表示运动方向，预设概率可以是0.5。

可选的，根据障碍物的边界以及障碍物的距离确定移动机器人下一时刻的运动状态，包括：若障碍物的距离小于距离阈值，则根据障碍物的边界以及障碍物的距离确定移动机器人下一时刻的运动方向和运动速度；若障碍物的距离大于距离阈值，则保持当前的运动状态。具体的，可以根据障碍物的距离确定当前是否需要进行避障，当障碍物的距离大于距离阈值时，可以认定为不会发生碰撞，则可以保持当前的运动状态匀速直行，当障碍物的距离小于等于距离阈值时，认定为可能发生碰撞，则可以根据障碍物的边界和距离来确定移动机器人需要转动的角度以及是否需要减速以足够进行避障。通过不断获取单目视觉图像，来不断确定下一时刻的运动状态，以实现移动机器人的实时避障。特别的，当认定前方无障碍物时，也保持当前的运动状态匀速直行即可。其中，距离阈值可以根据移动机器人当前的运动状态实时确定，例如，当移动机器人当前的运动速度较快时，距离阈值较大，而当移动机器人当前的运动速度较慢时，距离阈值较小。

本发明实施例所提供的技术方案，首先获取移动机器人前方的单目视觉图像，然后将该单目视觉图像中间预设大小的第一区域图像输入深度神经网络以获得第一区域图像对应的深度灰度图，再在该深度灰度图中提取障碍物的边界，并确定障碍物与移动机器人之间的距离，则可以根据该障碍物的边界和距离确定移动机器人下一时刻的运动状态。通过使用单目视觉图像处理信息，保证了避障处理的速度，通过使用深度神经网络来挖掘单目视觉图像中的障碍物信息，提高了基于单目视觉处理方式进行避障的准确率，而且通过深度神经网络确定出障碍物的边界和距离，并根据该障碍物的边界和距离进行避障，还可以尽可能的按照原始预定的路径规划，以尽可能的完成原有设定的移动任务。

实施例二

图2为本发明实施例二提供的移动机器人的避障方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化，可选的，还可以通过图像的熵值来判断前方是否出现障碍物。具体的，本实施例中，在将单目视觉图像中间预设大小的第一区域图像输入深度神经网络，以获得第一区域图像对应的深度灰度图之前，还包括：将单目视觉图像沿水平方向从左至右分为第二区域图像、第三区域图像和第四区域图像，并计算第三区域图像的熵值；确定第三区域图像的熵值大于第一熵值阈值。相应的，如图2所示，具体可以包括如下步骤：

s21、获取移动机器人前方的单目视觉图像。

s22、将单目视觉图像沿水平方向从左至右分为第二区域图像、第三区域图像和第四区域图像，并计算第三区域图像的熵值。

具体的，即可以将单目视觉图像分为左、中和右三个部分，其中，中部的第三区域图像可以是单目视觉图像正中间区域的图像，优选的，将单目视觉图像进行三等分以获得第二区域图像、第三区域图像和第四区域图像，从而平衡移动机器人前方视野的左、中和右三个方向上障碍物的判定，且中部的图像也足以判定移动机器人的运动方向前方是否存在障碍物并据此成功进行避障。在将图像拆分之后，可以通过计算第三区域图像的熵值来判断移动机器人运行方向前方的障碍物情况，熵值的计算可以使得移动机器人更好的避开纹理较低的区域(如白墙等)。

可选的，在计算第三区域图像的熵值之前，还包括：分别计算第二区域图像的熵值和第四区域图像的熵值；确定第二区域图像的熵值大于第二熵值阈值且第四区域图像的熵值大于第三熵值阈值。具体的，通过图像熵值进行判定可以认为是最后的避障屏障，当第二区域图像的熵值小于等于第二熵值阈值时，移动机器人左边存在障碍物的概率较高，且距离较近，或者当第四区域图像的熵值小于等于第三熵值阈值时，移动机器人右边存在障碍物的概率较高，且距离较近，此时则可以不再进行其他的判定而直接进行避障。其中，确定第二区域图像的熵值小于等于第二熵值阈值的过程以及确定第四区域图像的熵值小于等于第三熵值阈值的过程可以是确定在一定时间内熵值是否持续小于等于对应的熵值阈值，如连续十次的熵值计算结果均小于等于对应的熵值阈值，从而降低误判，可选的，第二熵值阈值大于70，第三熵值阈值大于70，且第二熵值阈值与第三熵值阈值可以相同。相应的，当确定了第二区域图像的熵值大于第二熵值阈值且第四区域图像的熵值大于第三熵值阈值时，则可以通过计算第三区域图像的熵值来判定移动机器人运动方向前方是否存在障碍物。

可选的，在分别计算第二区域图像的熵值和第四区域图像的熵值之后，还包括：若第二区域图像的熵值小于等于第二熵值阈值，则直接控制移动机器人右转；若第四区域图像的熵值小于等于第三熵值阈值，则直接控制移动机器人左转。具体的，当通过熵值判定移动机器人左边存在距离较近的障碍物时，则控制移动机器人右转，当通过熵值判定移动机器人右边存在距离较近的障碍物时，则控制机器人左转。其中，左转或右转的角度可以是45-90度。在控制移动机器人转动后，不再通过获取其他方式进行判定，可以直接获取下一张单目视觉图像重新进行避障的过程。

s23、确定第三区域图像的熵值大于第一熵值阈值。

具体的，当第三区域图像的熵值小于等于第一熵值阈值时，则移动机器人运动方向前方存在障碍物的概率较高，且距离较近，因此不再通过获取深度灰度图的方式进行判定，而是直接认定存在障碍物，此时则可以根据第二区域图像和第四区域图像的情况来判定需要左转或右转。其中，确定第三区域图像的熵值小于等于第一熵值阈值的过程可以是确定在一定时间内第三区域图像的熵值是否持续小于等于第一熵值阈值，如连续十次的熵值计算结果均小于等于第一熵值阈值，从而降低误判。相应的，当确定了第三区域图像的熵值大于第一熵值阈值时，则可以通过获取深度灰度图的方式以使移动机器人进行更加精准的避障过程。

可选的，在计算第三区域图像的熵值之后，还包括：若第三区域图像的熵值小于等于第一熵值阈值，则根据第二区域图像的连续图像序列确定第二区域图像中各像素点的碰撞时间，根据第四区域图像的连续图像序列确定第四区域图像中各像素点的碰撞时间；若第二区域图像中各像素点的碰撞时间的平均值大于第四区域图像中各像素点的碰撞时间的平均值，则直接控制移动机器人左转，否则直接控制移动机器人右转。具体的，可以将第二区域图像和第四区域图像分别作为感兴趣区域，并利用光流散度分别计算第二区域图像和第四区域图像中各像素点的碰撞时间。其中，碰撞时间是指物体保持相同的速度在场景空间中运动，到达某点所需要的时间，因此碰撞时间可以认为是用时间来表示的相对深度，碰撞时间越小则与障碍物的距离就越远。在计算了各像素点的碰撞时间之后，可以通过取区域内所有像素点的碰撞时间的平均值来代表各区域内整体的障碍物情况，若左部的第二区域图像中各像素点的碰撞时间的平均值大于右部的第四区域图像中各像素点的碰撞时间的平均值，则可以认为第二区域图像的障碍物情况好于第四区域图像，此时左转后的碰撞概率较低，则可以直接控制移动机器人左转，否则直接控制移动机器人右转，可选的，左转或右转的角度可以是45-90度。在控制移动机器人转动后，不再通过获取深度灰度图的方式进行判定，可以直接获取下一张单目视觉图像重新进行上述避障的过程。

s24、将单目视觉图像中间预设大小的第一区域图像输入深度神经网络，以获得第一区域图像对应的深度灰度图。

s25、在深度灰度图中提取障碍物的边界，并确定障碍物与移动机器人之间的距离。

s26、根据障碍物的边界以及障碍物的距离确定移动机器人下一时刻的运动状态。

本发明实施例所提供的技术方案，通过计算熵值来判定移动机器人前方存在障碍物的情况，并在判定结果为不需要避障的情况下再通过获取深度灰度图的方式进行判定，避免了在通过获取深度灰度图的方式进行避障的过程中，因障碍物较大以及方向矫正过慢等情况造成避障不及时的问题，进一步保证了移动机器人避障的成功率。

实施例三

图3为本发明实施例三提供的移动机器人的避障装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于各种移动机器人中。如图3所示，该装置包括：

原始图像获取模块31，用于获取移动机器人前方的单目视觉图像；

灰度图获取模块32，用于将单目视觉图像中间预设大小的第一区域图像输入深度神经网络，以获得第一区域图像对应的深度灰度图；

障碍物确定模块33，用于在深度灰度图中提取障碍物的边界，并确定障碍物与移动机器人之间的距离；

运动状态确定模块34，用于根据障碍物的边界以及障碍物的距离确定移动机器人下一时刻的运动状态。

本发明实施例所提供的技术方案，首先获取移动机器人前方的单目视觉图像，然后将该单目视觉图像中间预设大小的第一区域图像输入深度神经网络以获得第一区域图像对应的深度灰度图，再在该深度灰度图中提取障碍物的边界，并确定障碍物与移动机器人之间的距离，则可以根据该障碍物的边界和距离确定移动机器人下一时刻的运动状态。通过使用单目视觉图像处理信息，保证了避障处理的速度，通过使用深度神经网络来挖掘单目视觉图像中的障碍物信息，提高了基于单目视觉处理方式进行避障的准确率，而且通过深度神经网络确定出障碍物的边界和距离，并根据该障碍物的边界和距离进行避障，还可以尽可能的按照原始预定的路径规划，以尽可能的完成原有设定的移动任务。

在上述技术方案的基础上，可选的，该移动机器人的避障装置，还包括：

信息过滤模块，用于在深度灰度图中提取障碍物的边界，并确定障碍物与移动机器人之间的距离之前，对深度灰度图中的信息进行过滤，保留在移动机器人前方预设距离内的像素点。

在上述技术方案的基础上，可选的，运动状态确定模块34具体用于：

若障碍物的距离小于等于距离阈值，则根据障碍物的边界以及障碍物的距离确定移动机器人下一时刻的运动方向和运动速度；

若障碍物的距离大于距离阈值，则保持当前的运动状态。

在上述技术方案的基础上，可选的，该移动机器人的避障装置，还包括：

第一熵值计算模块，用于在将单目视觉图像中间预设大小的第一区域图像输入深度神经网络，以获得第一区域图像对应的深度灰度图之前，将单目视觉图像沿水平方向从左至右分为第二区域图像、第三区域图像和第四区域图像，并计算第三区域图像的熵值；

第一熵值比较模块，用于确定第三区域图像的熵值大于第一熵值阈值。

在上述技术方案的基础上，可选的，该移动机器人的避障装置，还包括：

碰撞时间确定模块，用于在计算第三区域图像的熵值之后，若第三区域图像的熵值小于等于第一熵值阈值，则根据第二区域图像的连续图像序列确定第二区域图像中各像素点的碰撞时间，根据第四区域图像的连续图像序列确定第四区域图像中各像素点的碰撞时间；

第一转动控制模块，用于若第二区域图像中各像素点的碰撞时间的平均值大于第四区域图像中各像素点的碰撞时间的平均值，则直接控制移动机器人左转，否则直接控制移动机器人右转。

在上述技术方案的基础上，可选的，该移动机器人的避障装置，还包括：

第二熵值计算模块，用于在计算第三区域图像的熵值之前，分别计算第二区域图像的熵值和第四区域图像的熵值；

第二熵值比较模块，用于确定第二区域图像的熵值大于第二熵值阈值且第四区域图像的熵值大于第三熵值阈值。

在上述技术方案的基础上，可选的，该移动机器人的避障装置，还包括：

第二转动控制模块，用于若第二区域图像的熵值小于等于第二熵值阈值，则直接控制移动机器人右转；若第四区域图像的熵值小于等于第三熵值阈值，则直接控制移动机器人左转。

本发明实施例所提供的移动机器人的避障装置可执行本发明任意实施例所提供的移动机器人的避障方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，在上述移动机器人的避障装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例四

图4为本发明实施例四提供的移动机器人的结构示意图，示出了适于用来实现本发明实施方式的示例性移动机器人的框图。图4显示的移动机器人仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图4所示，该移动机器人包括处理器41、存储器42、输入装置43及输出装置44；移动机器人中处理器41的数量可以是一个或多个，图4中以一个处理器41为例，移动机器人中的处理器41、存储器42、输入装置43及输出装置44可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储器42作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的移动机器人的避障方法对应的程序指令/模块(例如，移动机器人的避障装置中的原始图像获取模块31、灰度图获取模块32、障碍物确定模块33及运动状态确定模块34)。处理器41通过运行存储在存储器42中的软件程序、指令以及模块，从而执行移动机器人的各种功能应用以及数据处理，即实现上述的移动机器人的避障方法。

存储器42可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据移动机器人的使用所创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至移动机器人。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置43可用于获取移动机器人前方的单目视觉图像，以及产生与移动机器人的用户设置和功能控制有关的键信号输入等。输出装置44可用于输出移动机器人下一时刻的运动状态等。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种移动机器人的避障方法，该方法包括：

获取移动机器人前方的单目视觉图像；

将单目视觉图像中间预设大小的第一区域图像输入深度神经网络，以获得第一区域图像对应的深度灰度图；

在深度灰度图中提取障碍物的边界，并确定障碍物与移动机器人之间的距离；

根据障碍物的边界以及障碍物的距离确定移动机器人下一时刻的运动状态。

存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddrram、sram、edoram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的移动机器人的避障方法中的相关操作。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory,rom)、随机存取存储器(randomaccessmemory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除