本发明涉及空间探索，具体涉及一种机器人在未知空间中的探索方法及机器人。
背景技术：
1、随着科技水平的不断发展，各类型的自动化作业机器人层出不穷，这些机器人能够在多种领域代替传统的人工作业，从而使得人们的工作和生活得到便利。一般情况下，机器人在自动化作业前，首先要对所处的环境空间进行探索，以便于后续规划作业的路径，提高作业的效率和效果。
2、但现有的机器人在空间探索时，往往都是采取随机探索的方式进行的，即机器人没有明确的探索目标点，机器人通过遍历整个空间，从而将空间探索完毕，这就导致了其探索效率十分低下。
3、基于此，需要提出一种方案以解决上述现有技术存在的问题。
技术实现思路
1、为了克服上述现有技术的缺陷，本发明提供了一种机器人在未知空间中的探索方法及机器人。
2、具体技术方案如下所示：
3、本发明的第一方面，提供一种机器人在未知空间中的探索方法，所述方法包括：
4、在未知空间中使用传感器采集周边的环境数据，基于所采集的环境数据生成栅格地图；
5、将所述栅格地图输入给预设的预测模型，以输出需要探索的目标点；
6、生成到达所述目标点的路径，并沿所述路径前往所述目标点；在前往所述目标点的过程中，使用所述传感器实时采集周边的环境数据，并基于所采集的环境数据实时更新所述栅格地图；
7、根据预设规则判断未知空间是否探索完毕，若未探索完毕，则将更新后的栅格地图再次输入所述预测模型，以输出需要探索的新目标点，并在前往所述新目标点的过程中采集环境数据以再次更新栅格地图，以此循环，直至所述未知空间探索完毕。
8、在一个具体实施例中，所述方法还包括：
9、在前往目标点的过程中，将实时更新的栅格地图输入所述预测模型，以对目标点进行更新；生成前往所述新目标点的新路径，并沿所述新路径移动。
10、在一个具体实施例中，所述的“预设规则”包括：
11、判断目标点的更新频率是否低于设定阈值，若低于设定阈值，则探索完毕。
12、在一个具体实施例中，所述预测模型包括卷积神经网络模型，所述卷积神经网络模型通过以下方式得到：
13、使用传感器采集多组环境数据，基于多组环境数据生成多张栅格地图；依照预设标注规则，标注出所述多张栅格地图中的目标点；将多张标注后的栅格地图划分成训练集和验证集，使用所述训练集对所述卷积神经网络模型进行训练，并使用所述验证集对所述卷积神经网络模型进行验证。
14、在一个具体实施例中，所述多组环境数据在多种不同的环境下采集得到。
15、在一个具体实施例中，所述“预设标注规则”包括：
16、对栅格地图边缘上未探索、不属于障碍物且可探索跨度最大的区段的中点进行标注。
17、在一个具体实施例中，使用所述训练集对所述卷积神经网络模型进行训练时，计算所述卷积神经网络模型的损失函数，通过优化算法调整模型参数，以最小化所述损失函数；
18、所述损失函数式包括：
19、其中，n是训练集中的样本总数，(xi,yi)是模型对第i个样本输出目标点的预测坐标，(x′i,y′i)是第i个样本目标点的真实坐标。
20、在一个具体实施例中，所述“基于所采集的环境数据生成栅格地图”具体包括：基于所采集的环境数据，通过ekf-slam算法生成栅格地图，并获得自身的位姿信息；
21、所述“生成到达所述目标点的路径”具体包括：将所述位姿信息和目标点位置信息输入路径规划算法中，从而生成到达所述目标点的路径。
22、在一个具体实施例中，所述路径规划算法包括a*算法，和/或，所述传感器包括激光雷达或相机。
23、本发明的第二方面，提供一种机器人，包括机器人主体以及集成于所述机器人主体中的地图生成模块、目标输出模块、路径生成模块和判断模块；
24、所述地图生成模块，用于在未知空间中使用传感器采集周边的环境数据，基于所采集的环境数据生成栅格地图；
25、所述目标输出模块，用于将所述栅格地图输入给预设的预测模型，以输出需要探索的目标点；
26、所述路径生成模块，用于生成到达所述目标点的路径，以使所述机器人主体沿所述路径前往所述目标点；
27、所述地图生成模块还用于在前往所述目标点的过程中使用所述传感器实时采集周边的环境数据，并基于所采集的环境数据实时更新所述栅格地图；
28、所述判断模块，用于根据预设规则判断未知空间是否探索完毕；所述目标输出模块用于在判断结果为未探索完毕时，将更新后的栅格地图再次输入所述预测模型，以输出需要探索的新目标点，以使所述机器人主体前往所述新目标点，并使所述地图生成模块在所述机器人主体前往所述新目标点的过程中采集环境数据，以再次更新栅格地图。
29、本发明至少具有以下有益效果：
30、本发明提供的一种机器人在未知空间中的探索方法及机器人，其中，方法主要是通过向预测模型输入栅格地图，使预测模型输出需要探索的目标点，机器人前往该目标点并在前往的过程中探索周边区域以及更新栅格地图，机器人通过将更新后的栅格地图再次输入预测模型，从而不断地得到新的目标点并前往新目标点进行探索，以最终实现对未知空间的全面探索。相较于现有的随机探索的机器人探索方法，本方法通过预测模型输出目标点，保证了目标点的探索价值，使得机器人的探索具有明确目标，从而大大提高了探索的效率。另外，本方法由于是通过预测模型输出目标点，因此具有良好的适应性和可扩展性，在使用的过程中，可以对模型进行持续训练和调整，使其适应不同环境和任务需求。
31、本发明提供的机器人，基于地图生成模块、目标输出模块、路径生成模块和判断模块的设置，可执行本发明提出的探索方法，从而能够实现在未知空间中高效、灵活的探索，具有良好的实用性。
1.一种机器人在未知空间中的探索方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种机器人在未知空间中的探索方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的一种机器人在未知空间中的探索方法，其特征在于，所述的“预设规则”包括：
4.根据权利要求1所述的一种机器人在未知空间中的探索方法，其特征在于，所述预测模型包括卷积神经网络模型，所述卷积神经网络模型通过以下方式得到：
5.根据权利要求4所述的一种机器人在未知空间中的探索方法，其特征在于，所述多组环境数据在多种不同的环境下采集得到。
6.根据权利要求4所述的一种机器人在未知空间中的探索方法，其特征在于，所述“预设标注规则”包括：
7.根据权利要求4所述的一种机器人在未知空间中的探索方法，其特征在于，使用所述训练集对所述卷积神经网络模型进行训练时，计算所述卷积神经网络模型的损失函数，通过优化算法调整模型参数，以最小化所述损失函数；
8.根据权利要求1所述的一种机器人在未知空间中的探索方法，其特征在于，所述“基于所采集的环境数据生成栅格地图”具体包括：基于所采集的环境数据，通过ekf-slam算法生成栅格地图，并获得自身的位姿信息；
9.根据权利要求8所述的一种机器人在未知空间中的探索方法，其特征在于，所述路径规划算法包括a*算法，和/或，所述传感器包括激光雷达或相机。
10.一种机器人，其特征在于，包括机器人主体以及集成于所述机器人主体中的地图生成模块、目标输出模块、路径生成模块和判断模块；
