1.本发明涉及图像处理技术领域，特别涉及一种针对机器人自由度受限场景的基于深度与环境信息的实时主动遮挡规避方法。
背景技术：
2.随着自动化水平的提高，机器人已被应用于各种场景，如灾害现场搜救、工厂安全巡检、酒店服务等。为了发挥更大的价值，机器人需要更高的智能化水平。目标搜寻是机器人面临的一个基础任务。在目标搜寻过程中，如何决策动作，选择更好的观察点，使得观察到的目标不被其它物品遮挡，从而获得高价值的无遮挡的目标图像，是目标搜寻的关键任务。
3.现有基于深度信息决策下一最佳观测位置的遮挡规避方法，仍存在两个问题：1、对于遮挡边缘的点，需要利用其三维位置信息来计算位置决策，计算速度较慢，无法用于对实时性要求较高的机器人目标搜寻任务；2、在无障碍物的三维自由空间决策动作，与地面机器人运行的有障碍物的环境不符合，无法应用于自由度受限场景的无遮挡目标图像搜寻过程。
4.因此，如何提供一种适用于有障碍物存在的机器人自由度受限场景的实时主动遮挡规避方法是本领域技术人员亟待解决的技术问题。
技术实现要素：
5.本发明针对上述研究现状和存在的问题，提供了一种针对机器人自由度受限场景的实时主动遮挡规避方法，针对自由度受限的机器人目标搜寻中遮挡规避这一具体任务，为了获得目标的无遮挡图像，通过深度和环境信息的计算，决策出在实际环境中可执行的动作。
6.本发明提供的一种针对机器人自由度受限场景的实时主动遮挡规避方法，包括如下实时主动遮挡规避决策步骤：
7.环境地图的构建与实时更新：构建场景的二维环境地图，基于机器人在所述场景中的实时移动轨迹，结合设定的机器人有效观测区的区域范围遍历所述二维环境地图，对已遍历的所述二维地图中的建模信息进行加载更新，直至遍历完所述二维地图中所有的区域，包括可通行区域和不可通行区域；遍历过程中实时判断当前有效观测区内是否存在目标障碍物；若是，则提取机器人当前视野平面内的深度图像；
8.扩散式遮挡边界的提取：获取所述目标障碍物在深度图像中的位置，确定所述目标障碍物的中心点，并从中心点向外扩散式搜索，以获得所述目标障碍物自身的边界或所述目标障碍物被其它遮挡物遮挡的遮挡边界；
9.针对自由度受限环境的实时动作决策：获取所述遮挡边界三维坐标在机器人当前视野平面内的二维投影，即遮挡边界线；计算所述遮挡边界线朝向所述目标障碍物自身的边界外侧方向的法向量合量；基于所述法向量合量方向规划机器人的移动路径，并在所述
二维环境地图中投影出移动路径上经过连续步长移动位于可通行区域的最远移动目的点；机器人移动到所述最远移动目的点后，在当前更新的所述二维环境地图基础上执行新一轮的实时主动遮挡规避决策步骤，直至获得所述目标障碍物自身的完整边界。
10.优选的，所述环境地图的构建与实时更新包括如下具体步骤：
11.s11：获取所述场景对应已知二维建模地图的建模信息；
12.s12：构建二维环境地图，实时获取机器人在所述场景中的位置与移动方向，并将其映射到所述二维环境地图中；
13.s13：实时获取机器人移动过程中在所述二维环境地图中的可视范围，结合所述建模信息，在所述二维环境地图中实时生成并更新可视范围内的建模信息，所述建模信息包括可通行区域和不可通行区域；
14.s14：设定机器人给定距离内的可视范围为有效观测区，在机器人移动过程中实时判断有效观测区内是否存在目标障碍物；若是，则提取机器人当前视野平面内的深度图像；若否，返回继续执行s13，直至所述有效观测区完全遍历所述二维环境地图的所有区域。
15.优选的，所述不可通行区域包括遮挡物区域和目标障碍物，机器人根据设定规则判断其有效观测区内的所述不可通行区域属于遮挡物区域或是目标障碍物。
16.优选的，所述s14还包括：
17.对有效观测区内的不可通行区域进行标记，直至所述可视范围遍历覆盖所述二维环境地图中的所有区域，且所有可视范围内的不可通行区域均被标记，则判断所述有效观测区完全遍历所述二维环境地图的所有区域，其中，所述有效观测区的观测距离小于所述可视范围的可视距离。
18.优选的，所述扩散式遮挡边界的提取包括如下具体步骤：
19.s21：获取所述目标障碍物在当前深度图像中的位置，确定所述目标障碍物的中心点坐标；
20.s22：在当前深度图像内以广度优先bfs策略搜索中心点沿不同方向的相邻像素点，获取所述中心点与每个所述相邻像素点的深度信息，计算所述中心点与其相邻像素点的深度信息差，若深度信息差小于设定阈值时，则进入s23；若深度信息差大于设定阈值，则进入s24；
21.s23：以所述相邻像素点作为中心点，重复执行s22；
22.s24：若当前中心点深度信息小于其相邻像素点的深度信息，则当前中心点标记为目标障碍物本身的边界点；反之标记为目标障碍物被其它遮挡物遮挡的遮挡边界点；以当前相邻像素点作为中心点返回s22，直至遍历搜索完当前深度图像内的所有像素点，输出所有的遮挡边界点获得遮挡边界。
23.优选的，所述s22中包括：在当前深度图像内以广度优先bfs策略搜索中心点沿上、下、左、右四个方向的相邻像素点。
24.优选的，针对自由度受限环境的实时动作决策包括两阶段动作决策步骤：
25.s31：将所述遮挡边界三维坐标投影到机器人当前二维视野平面内，得到遮挡边界线，并在二维视野平面上计算遮挡边界线上每两个相邻像素点的法向量，所述法向量朝向所述目标障碍物自身的边界外侧方向，并计算所有法向量的合向量，基于所述合向量的角度规划机器人的移动路径；
26.s32：根据所述移动路径以及指定的单位步长，在所述二维环境地图上投影出经过单位步长后的初步移动目的点；判断所述初步移动目的点是否位于所述可通行区域，若是，则重复执行s32，直至获得所述目标障碍物自身的完整边界；若否，则进入s33；
27.s33：确定所述初步移动目的点位于所述不可通行区域，计算移动路径上距离所述不可通行区域最近的位于可通行区域的位置点作为所述最远移动目的点；
28.s34：机器人移动到所述最远移动目的点后，在当前更新的所述二维环境地图基础上执行新一轮的实时主动遮挡规避决策步骤，直至获得所述目标障碍物自身的完整边界。
29.优选的，所述s31中基于所述合向量的角度规划机器人的移动路径包括如下具体步骤：
30.以当前二维视野平面竖直中线为界，判断所述合向量的角度朝向竖直中线的边侧，包括竖直中线左侧或右侧；
31.规划朝向判断的所述边侧方向的路径作为机器人的移动路径。
32.优选的，所述规划朝向判断的所述边侧方向的路径作为机器人的移动路径具体包括如下步骤：
33.以所述目标障碍物为圆心，目标障碍物与机器人的距离为半径的圆环轨迹上，规划朝向判断的所述边侧方向的路径作为机器人的移动路径。
34.优选的，所述直至获得所述目标障碍物自身的完整边界包括如下具体步骤：
35.在进行新一轮扩散式遮挡边界的提取时，获取所述目标障碍物在深度图像中的位置，确定所述目标障碍物的中心点，并从中心点向外扩散式搜索，判断搜索的边界是否全部为所述目标障碍物自身的边界，即不包括所述目标障碍物被其它遮挡物遮挡的遮挡边界，若是，则确定获得所述目标障碍物自身的完整边界。
36.本发明相较现有技术具有以下有益效果：
37.1、通过构建二维环境地图的有效观测区遍历搜索模式，能够保证机器人在执行实时主动遮挡规避时，在场景中的目标物体能够被有效识别出来；同时为移动路径的规划提供了二维计算环境，有助于提升计算效率；
38.2、在二维环境地图的遍历搜索更新的同时，通过机器人获取深度图像的扩散式遮挡边界提取，有效划分目标障碍物本身的边界点和遮挡边界，为是否完整获取目标障碍物的表观信息，提供了判断依据；
39.3、针对自由度受限环境，将遮挡边界投影至二维平面计算，并规划两阶段的实时动作决策，提高计算速度的同时，保证了路径规划的实时性。
40.综上，本发明不需要依赖三维自由空间环境决策动作，通过二维位置信息来计算位置决策，计算速度较快，且所决策动作已考虑环境的可通行性，适用于地面机器人运行的有障碍物的场景环境，以及对实时性要求较高的机器人目标搜寻任务。
附图说明
41.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
42.图1是本发明实施例提供的针对机器人自由度受限场景的实时主动遮挡规避方法原理图；
43.图2是本发明实施例提供的根据机器人移动路径实时更新的二维建模地图和二维环境地图；
44.a)对应于普通的slam方式探索环境的二维建模地图；
45.b)对应于构建的显示有效观测区的二维环境地图；
46.图3是本发明实施例提供的扩散式遮挡边界提取的场景示例图；
47.a)对应于三维场景下机器人摄像机相对目标障碍物的位置场景示意图；
48.b)对应于机器人摄像机获取的深度图像；
49.图4是本发明实施例提供的扩散式式搜索的结果示意图；
50.左图对应于机器人视野平面内的边界提取结果示意图；
51.右图对应于左图中目标障碍物自身的边界及遮挡边界区分放大示意图；
52.图5是本发明实施例提供的三维空间下遮挡物与被遮挡物之间的遮挡面示意图；
53.图6是本发明实施例提供的机器人视野平面内二维投影的遮挡边界线示意图；
54.图7是本发明实施例提供的路径规划示意图；
55.a)对应于落入不可通行区域的初步移动目的点示意图；
56.b)对应于经重新规划后落入可通行区域的最远移动目的点示意图。
具体实施方式
57.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
58.下面结合附图对本发明的应用原理作详细的描述。
59.如图1所示，本发明实施例的一种针对机器人自由度受限场景的实时主动遮挡规避方法，在未知场景中，尚未发现目标时，机器人自动且完整地构建封闭场景的二维环境地图。对于二维环境地图场景中的每一个点，以指定的距离，即有效观测区进行观察，以保证目标在视野中的适当大小。对于指定的位置，自行导航到附近。根据给定的深度图像与目标障碍物在图像中的位置，确定目标障碍物中心点，并从中心点向外扩散式搜索，以获得目标障碍物自身的边缘或目标障碍物被其它物品遮挡的边缘。将边缘点三维坐标投影至视野二维平面，计算遮挡面的二维合向量，决策出可以使得遮挡情况减轻的方向；考虑实际环境中的其他遮挡物，区分环境的可通行和不可通行区域，决策出最终可抵达的下一最佳观测位置。
60.目的在于在有遮挡环境下，通过规划路径，获得目标的无遮挡图像的同时，降低实时计算量，包括如下实时主动遮挡规避决策步骤：
61.环境地图的构建与实时更新：
62.构建场景的二维环境地图，基于机器人在场景中的实时移动轨迹，结合设定的机器人有效观测区的区域范围遍历二维环境地图，对已遍历的二维地图中的建模信息进行加载更新，直至遍历完二维地图中所有的区域，包括可通行区域和不可通行区域；遍历过程中
实时判断当前有效观测区内是否存在目标障碍物；若是，则提取机器人当前视野平面内的深度图像。
63.扩散式遮挡边界的提取：
64.获取目标障碍物在深度图像中的位置，确定目标障碍物的中心点，并从中心点向外扩散式搜索，以获得目标障碍物自身的边界或目标障碍物被其它遮挡物遮挡的遮挡边界。
65.针对自由度受限环境的实时动作决策：
66.获取遮挡边界三维坐标在机器人当前视野平面内的二维投影，即遮挡边界线；计算遮挡边界线朝向目标障碍物自身的边界外侧方向的法向量合量；基于法向量合量方向规划机器人的移动路径，并在二维环境地图中投影出移动路径上经过连续步长移动位于可通行区域的最远移动目的点；机器人移动到最远移动目的点后，在当前更新的二维环境地图基础上执行新一轮的实时主动遮挡规避决策步骤，直至获得目标障碍物自身的完整边界。
67.在一个实施例中，环境地图的构建与实时更新包括如下具体步骤：
68.s11：获取场景对应已知二维建模地图的建模信息；
69.s12：构建二维环境地图，实时获取机器人在场景中的位置与移动方向，并将其映射到二维环境地图中；
70.s13：实时获取机器人移动过程中在二维环境地图中的可视范围，结合建模信息，在二维环境地图中实时生成并更新可视范围内的建模信息，建模信息包括可通行区域和不可通行区域；
71.s14：设定机器人给定距离内的可视范围为有效观测区，在机器人移动过程中实时判断有效观测区内是否存在目标障碍物；若是，则提取机器人当前视野平面内的深度图像；若否，返回继续执行s13，直至有效观测区完全遍历二维环境地图的所有区域。
72.需要说明的是，在机器人的移动过程中，实时对二维环境地图进行更新，跟新的内容包括显示可视范围内的建模信息，以及对进入有效观测区范围的遮挡物进行标记。其中，建模信息包括无障碍的可通行空地场景信息，以及遮挡物场景信息，如墙面、物体以及目标障碍物等。
73.随着机器人的移动，在该地图上标记探索区域、未探索区域、遮挡物。遮挡物可理解为遮挡机器人视野的物体，包括目标障碍物和其他障碍物物体。遍历所有遮挡物场景信息，使机器人以合适的顺序到达每个点附近，当遮挡物点位于机器人的视野范围且距离低于阈值(进入有效观测区范围)时，标记为已探索。直到所有障碍物点都被标记为已探索，完成该场景的搜索任务。
74.本实施例中，不可通行区域包括遮挡物区域和目标障碍物，机器人根据设定规则判断其有效观测区内的不可通行区域属于遮挡物区域或是目标障碍物。
75.在一个实施例中，s14还包括：
76.对有效观测区内的不可通行区域进行标记，直至可视范围遍历覆盖二维环境地图中的所有区域，且所有可视范围内的不可通行区域均被标记，则判断有效观测区完全遍历二维环境地图的所有区域，其中，有效观测区的观测距离小于可视范围的可视距离。
77.s1在具体执行时，二维环境地图的更新是一个实时动态的过程，其实时保存每一步移动搜索探测到的二维地图的信息并显示，所显示的建模信息来源于当前场景的原始二
维建模地图中的场景参数信息；二维环境地图中还显示机器人位置以及标记痕迹。通过实时获得机器人的位置与方向，并将其映射到这张二维环境地图中，将满足识别距离与角度内的遮挡物进行标记，代表该遮挡物已经在有效观测范围内查看过了。
78.同时更新目前已发现的遮挡物列表：初始时，构建空遮挡物列表，通过导航功能，使机器人以指定的方向到达指定的位置，对未被标记过的遮挡物进行有效观测范围内的查看。只要遮挡物坐标进入可观测区域就标记，发现一个遮挡物就在遮挡物列表中更新一个遮挡物坐标值；根据机器人摄像头获取的深度图像按照设定的规则判断哪个是障碍物是目标障碍物。
79.遮挡物列表还可以进行预设，保存场景内的所有遮挡物坐标信息，目的是在机器人视野范围内获取目标障碍物的完整表观信息，因此需要对通过路径规划对遮挡物列表进行规划，当遍历完遮挡物列表时，就代表着整个场景中的遮挡物物都被以一定距离查看过，于是就能够保证在场景中的目标障碍物能够被识别出来。
80.在一个实施例中，扩散式遮挡边界的提取包括如下具体步骤：
81.s21：获取目标障碍物在当前深度图像中的位置，确定目标障碍物的中心点坐标；
82.s22：在当前深度图像内以广度优先bfs策略搜索中心点沿不同方向的相邻像素点，获取中心点与每个相邻像素点的深度信息，计算中心点与其相邻像素点的深度信息差，若深度信息差小于设定阈值时，则进入s23；若深度信息差大于设定阈值，则进入s24；
83.s23：以相邻像素点作为中心点，重复执行s22；
84.s24：若当前中心点深度信息小于其相邻像素点的深度信息，则当前中心点标记为目标障碍物本身的边界点；反之标记为目标障碍物被其它遮挡物遮挡的遮挡边界点；以当前相邻像素点作为中心点返回s22，直至遍历搜索完当前深度图像内的所有像素点，输出所有的遮挡边界点获得遮挡边界。
85.需要说明的是，本实施例中，机器人搭载深度摄像机，在场景中获取机器人视野平面内的深度图像。
86.本实施例中，s22中包括：在当前深度图像内以广度优先bfs策略搜索中心点沿上、下、左、右四个方向的相邻像素点。
87.需要说明的是，根据bfs再搜索相邻点的相邻点，已经被识别为边界点的点不再参与搜索，直到没有更多可以搜索的点。
88.在一个实施例中，针对自由度受限环境的实时动作决策包括两阶段动作决策步骤：
89.s31：将遮挡边界三维坐标投影到机器人当前二维视野平面内，得到遮挡边界线，并在二维视野平面上计算遮挡边界线上每两个相邻像素点的法向量，法向量朝向目标障碍物自身的边界外侧方向，并计算所有法向量的合向量，基于合向量的角度规划机器人的移动路径；由于像素点的矩阵式排列，法向量方向(角度)只有0、45、90、135、180、225、270、315这几种离散的情况。因此，不需要根据几何关系严格计算角度，只需要根据两个相邻像素点的相对位置关系直接对应角度即可，计算效率可得到明显提升。
90.s32：根据移动路径以及指定的单位步长(圆环轨迹上的圆心角的单位移动角度)，在二维环境地图上投影出经过单位步长后的初步移动目的点；判断初步移动目的点是否位于可通行区域，若是，则重复执行s32，直至获得目标障碍物自身的完整边界；若否，则进入
s33；
91.s33：确定初步移动目的点位于不可通行区域，计算移动路径上距离不可通行区域最近的位于可通行区域的位置点作为最远移动目的点，即该可到达点(最远移动目的点)与目标障碍物之间的连线上不存在遮挡物；
92.s34：机器人移动到最远移动目的点后，在当前更新的二维环境地图基础上执行新一轮的实时主动遮挡规避决策步骤，直至获得目标障碍物自身的完整边界。
93.本实施例中，考虑到机器人只能在地面上移动，而不能在三维空间中任意移动，因此将合向量离散化为“左”“右”两个方向。s31中基于合向量的角度规划机器人的移动路径包括如下具体步骤：
94.以当前二维视野平面竖直中线为界，判断合向量的角度朝向竖直中线的边侧，包括竖直中线左侧或右侧；
95.规划朝向判断的边侧方向的路径作为机器人的移动路径。
96.本实施例中，规划朝向判断的边侧方向的路径作为机器人的移动路径具体包括如下步骤：
97.以目标障碍物为圆心，目标障碍物与机器人的距离为半径的圆环轨迹上，规划朝向判断的边侧方向的路径作为机器人的移动路径。其含义山，在以目标为圆心，目标与机器人的距离为半径的圆环轨迹上，判断机器人应该沿着圆环轨迹向左还是向右移动。
98.在一个实施例中，直至获得目标障碍物自身的完整边界包括如下具体步骤：
99.在进行新一轮扩散式遮挡边界的提取时，获取目标障碍物在深度图像中的位置，确定目标障碍物的中心点，并从中心点向外扩散式搜索，判断搜索的边界是否全部为目标障碍物自身的边界，即不包括目标障碍物被其它遮挡物遮挡的遮挡边界，若是，则确定获得目标障碍物自身的完整边界。
100.下面结合附图和具体实例场景对本发明提出的实时主动遮挡规避决策步骤进行说明：
101.s1：环境地图构建与实时更新
102.如图2a)，首先按照普通的slam方式探索环境，建立地图。在探索的过程中，另外维护一张二维地图，如图2b)，用于标记目标是否在一定的距离以内观测过。这是因为，陌生目标的识别和定位需要目标的表观信息，若距离目标太远，则即使目标在视野中，也会由于尺寸过小，信息不足而无法识别出。
103.具体地，令机器人正前方左右各45度为视野范围，即fov，并指定一个距离为有效观测距离，如2米。该范围与距离联合构成机器人前方的一个扇形区域，即有效观测区。当物体位于该观测区内部时，认为被机器人有效地观测到了。即假如待搜寻目标位于有效观测区内，则能够被识别出。如图2b)，线段1现实了机器人的有效观测区，该区域内部的建筑物墙体被标记为红色，即标记2，代表已经被有效地观测过。区域以外的障碍物为白色，代表虽然已经检测到该处存在障碍物，但还未近距离地观测过。机器人以深度优先dfs地的原则遍历所有障碍物，确保能够观测场景中的每一处障碍物，同时不会重复观测，以提高效率。最终所有的障碍物都会被标记为红色，即如果场景中存在目标，则一定能够发现。
104.s2.扩散式遮挡边界提取
105.如图3所示为扩散是式遮挡边缘提取的一个示例场景。图3a)中左侧黑色为摄像机
所在位置，右侧为一张桌子，上面放置了一个盘子和一个罐头。从摄像机的视角看去，罐头的下部会被盘子遮挡。图3b)为摄像机获取的深度图像。以提取罐头的遮挡边缘为例，如图4左图所示，根据前置目标检测任务的结果，在深度图像中获得目标的中心点，即罐头的中心点。然后，以中心点为起点，用广度优先bfs策略搜索4个相邻像素点，对每个相邻像素点计算其深度与其相邻点深度信息的差，当差异大于阈值时，该点为边界点。且若当前点深度信息小于相邻像素点深度信息，则当前点为目标本身的边界点，反之为目标被其它物品遮挡的遮挡边界点。根据bfs再搜索该相邻像素点的相邻像素点，已经被识别为边界点的点不再参与搜索，直到没有更多可以搜索的点。最终获得了如图4右图为左图罐头部分的放大图像，其所示的边界中，罐头自身边界3(黄色线条)位于被罐头遮挡的其他背景物品的遮挡边界4(蓝色线条)的内侧，5为罐头内部的像素点，罐头下边缘6即为需要关注的遮挡边界。
106.s3.针对自由度受限环境的两阶段实时动作决策
107.如图5所示，在三维空间中，遮挡物与被遮挡物之间存在一个遮挡面，箭头指向的面，机器人通过向该遮挡面的法向移动可以减轻遮挡情况，即图6中箭头所示方向，即观察到被遮挡物品的更多部分。但对三维坐标的计算无法满足机器人运行对快速实时计算的需求，同时考虑到机器人仅在地面运动，其自由度受限于地面，所以投影至二维平面计算，提高计算速度。如图6，将遮挡物和被遮挡物投影到机器人的视野平面，则遮挡面在视野平面内为一条线，即遮挡边界。遮挡面的法向量投影为该遮挡边界在视野平面上的法向量。在视野平面上处理二维点的信息，效率高于在空间中处理三维点的信息。在视野平面上，计算遮挡边界上每两个相邻点之间的连线的法向量。
108.事实上，由于像素点的矩阵式排列，法向量方向(角度)只有0、45、90、135、180、225、270、315这几种离散的情况。因此，不需要根据几何关系严格计算角度，只需要根据两个相邻点的相对位置关系直接对应角度即可，计算效率可得到明显提升。计算所有法向量的合向量，即图6中的箭头所示方向。
109.考虑到机器人只能在地面上移动，而不能在三维空间中任意移动，因此将合向量离散化为“左”“右”两个方向。其含义是，在以目标为圆心，目标与机器人的距离为半径的圆环轨迹上，机器人应该沿着圆环向左还是向右移动。
110.如图7所示的地图为s1实时更新加载后的二维环境地图。绿色矩形为可通行区域，黑色矩形为不可通行区域，即遮挡物。加上初步决策的方向为机器人的左方，按照指定的步长(圆环上的角度)，在地图上投影出初步移动目的点，即图7a)绿色x标记。根据地图划分出的可通行和不可通行区域，判断所选择的移动目的点是否可到达。在本示例中，绿色x标记在黑色矩形内部，即不可达。因此，在该点附近寻找最近的可通行点。由于该点靠近黑色矩形的下边缘，因此最近的可通行点在黑色矩形下方，且该可通行点与目标之间的连线上不存在障碍物，如图7a)，即不会产生新的遮挡。因此该可通行点为最终移动目的点。机器人移动到该点后，进行新一轮的遮挡规避决策。
111.以上对本发明所提供的一种针对机器人自由度受限场景的实时主动遮挡规避方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。
112.在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。