CN108803602A - 障碍物自学习方法及新障碍物自学习方法 - Google Patents

障碍物自学习方法及新障碍物自学习方法 Download PDF

Info

Publication number
CN108803602A
CN108803602A CN201810556614.6A CN201810556614A CN108803602A CN 108803602 A CN108803602 A CN 108803602A CN 201810556614 A CN201810556614 A CN 201810556614A CN 108803602 A CN108803602 A CN 108803602A
Authority
CN
China
Prior art keywords
grid
mobile unit
barrier
traversed
learning method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810556614.6A
Other languages
English (en)
Other versions
CN108803602B (zh
Inventor
陈勇
龚建飞
陈凤梧
张哲�
汤冯炜
朱海微
管国祥
杨养文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Kalman Navigation Technology Co ltd
Zhejiang YAT Electrical Appliance Co Ltd
Original Assignee
Wuxi Calman Navigation Technology Co Ltd
Zhejiang YAT Electrical Appliance Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuxi Calman Navigation Technology Co Ltd, Zhejiang YAT Electrical Appliance Co Ltd filed Critical Wuxi Calman Navigation Technology Co Ltd
Priority to CN201810556614.6A priority Critical patent/CN108803602B/zh
Publication of CN108803602A publication Critical patent/CN108803602A/zh
Priority to PCT/CN2019/089205 priority patent/WO2019228438A1/zh
Priority to US16/967,148 priority patent/US11947358B2/en
Application granted granted Critical
Publication of CN108803602B publication Critical patent/CN108803602B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0227—Control of position or course in two dimensions specially adapted to land vehicles using mechanical sensing means, e.g. for sensing treated area
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/60—Intended control result
    • G05D1/648—Performing a task within a working area or space, e.g. cleaning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/20—Control system inputs
    • G05D1/22—Command input arrangements
    • G05D1/221—Remote-control arrangements
    • G05D1/227—Handing over between remote control and on-board control; Handing over between remote control arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及智能机器人技术领域，尤其涉及一种障碍物自学习方法及新障碍物自学习方法，障碍物自学习方法包括以下步骤：步骤1，获取移动区域的栅格地图数据，对每个栅格标记为未遍历；步骤2，设置栅格地图的起点栅格，将起点栅格数据入栈，控制移动单元到达起点栅格，重新标记起点栅格为已遍历；步骤3，每遍历一个栅格将该栅格数据入栈，控制移动单元遍历整个栅格地图，获取障碍物边界数据；步骤4，存储障碍物边界数据。通过使用本发明，可以实现以下效果：(1)自动获取障碍物信息，智能程度高，通过一次学习，以便能在以后的作业中主动避开障碍物；(2)能够自主学习环境中新增的障碍物。

Description

障碍物自学习方法及新障碍物自学习方法
技术领域
本发明涉及智能机器人技术领域，尤其涉及一种障碍物自学习方法及新障碍物自学习方法。
背景技术
为了实现割草机器人自主作业功能，需要获取作业环境内障碍物的信息，从而避免机器人与障碍物的碰撞。障碍物信息的获取主要有两种方式：预先示教获取、运用传感器实时获取。通过预先示教获取障碍物信息，存在以下缺点：示教过程繁琐，导致用户使用不方便；不能适应环境变化，新增障碍物后需要重新示教。运用传感器实时获取障碍物信息，存在以下缺点：需要动态规划路径，导致割草效率降低、出现漏割现象。
发明内容
为解决上述问题，本发明提出一种障碍物自学习方法及新障碍物自学习方法，无需外部提供障碍物信息，自动学习获取障碍物边界数据，并且一旦获取障碍物边界数据，能够将边界数据存储。
一种障碍物自学习方法，包括以下步骤：步骤1，获取移动区域的栅格地图数据，对每个栅格标记为未遍历；步骤2，设置栅格地图的起点栅格，将起点栅格数据入栈，控制移动单元到达起点栅格，重新标记起点栅格为已遍历；步骤3，每遍历一个栅格将该栅格数据入栈，控制移动单元遍历整个栅格地图，获取障碍物边界数据；步骤4，存储障碍物边界数据。
优选的，所述步骤3包括以下步骤：步骤3－1，以栈顶对应栅格为中心，依次检查栅格标记，在检查的过程中，若栅格的标记是未遍历，则控制移动单元前往该栅格，进入步骤3－2；若所有栅格标记都不是未遍历，则将栈顶元素退栈，若栈内元素个数为0，则完成移动区域遍历，进入步骤4，若栈内元素个数不为0，，进入步骤3－3；步骤3－2，若移动单元前往步骤3－1所述栅格的过程中没有发生碰撞，则重新标记该栅格为已遍历，将该栅格数据入栈，进入步骤3－1；若发生碰撞，则重新标记该栅格为障碍物，控制移动单元退回到上一个栅格，进入步骤3－1；步骤3－3，以栈顶对应栅格为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，若存在栅格的标记是未遍历，则进入步骤3－4；若所有栅格标记都不是未遍历，则将栈顶元素退栈，若栈内元素个数为0，则完成移动区域遍历，进入步骤4，若栈内元素个数不为0，进入步骤3－3；步骤3－4，寻找移动单元所在栅格前往栈顶对应栅格的无障碍物路径。
优选的，所述步骤3－4包括以下步骤：步骤3－4－1，将移动单元所在栅格作为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，对每个栅格标记为已遍历，分别进行步骤3－4－2；步骤3－4－2，若该栅格为栈顶对应栅格，则找到移动单元所在栅格前往栈顶对应栅格的无障碍物路径，进入步骤3－4－3；否则，以该栅格作为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，对每个栅格标记为已遍历，分别进行步骤3－4－2；步骤3－4－3，沿着无障碍路径，控制移动单元到达栈顶对应栅格，进入步骤3－1。
本发明还涉及一种新障碍物自学习方法，包括以下步骤：步骤1，根据存储的作业路径，控制移动单元前往下一个作业栅格，若发生碰撞，则进入步骤2，否则，到达作业栅格后，重复步骤1直到所有的作业栅格都已遍历，进入步骤5；步骤2，标记当前发生碰撞的栅格为障碍物，若当前栅格为下一个作业栅格，则将下一个作业栅格从作业路径移除，控制移动单元退回到上一个作业栅格，进入步骤4；若当前栅格不是下一个作业栅格，进入步骤3；步骤3，判断下一个作业栅格是否被障碍物栅格包围，若是，则将下一个作业栅格从作业路径中移除，并重复步骤4；若不是，则进入步骤4；步骤4，按照当前栅格地图的障碍物信息，寻找前往下一个作业栅格的无障碍路径，进入步骤1；步骤5，存储新障碍物边界数据。
优选的，所述步骤4包括以下步骤：步骤4－1，将移动单元所在栅格作为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，对每个栅格标记为已遍历，分别进行步骤4－2；步骤4－2，若该栅格为下一个作业栅格，则找到移动单元所在栅格前往栈顶对应栅格的无障碍物路径，进入步骤4－3；否则，以该栅格作为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，对每个栅格标记为已遍历，分别进行步骤4－2；步骤4－3，沿着无障碍路径，控制移动单元到达下一个作业栅格，进入步骤1。
通过使用本发明，可以实现以下效果：
(1)自动获取障碍物信息，智能程度高，通过一次学习，以便能在以后的作业中主动避开障碍物；
(2)能够自主学习环境中新增的障碍物。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例一的流程示意图；
图2是本发明实施例一中步骤3的流程示意图；
图3是本发明实施例二的流程示意图。
具体实施方式
以下结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例一
本实施例提出一种障碍物自学习方法，通过该方法自动获取障碍物信息，以便能在以后的作业中主动避开障碍物。在本实施例中，以割草机为模型，以自动获取割草区域的障碍物为目的，对本技术方案进行详细说明。
割草机使用定位、惯性组合导航得到其当前位置与姿态。割草机采用左右轮驱动前行、差速控制转向，运用运动控制算法控制割草机的运动。割草机外壳上装有磁铁，内部运用霍尔传感器检测磁场大小变化，从而判断割草机外壳是否发生形变，若发生形变，则判断为发生碰撞。
如图1所示，本实施例包括以下步骤：
步骤1，获取割草区域的栅格地图数据，对每个栅格标记为未遍历。
具体的，割草机获取割草区域信息，割草区域信息包括割草区域形状及大小，将割草区域划分为栅格，获得栅格地图数据，并对栅格地图数据在割草机中进行存储。在本实施例中，栅格的大小与割草机下方的单位割草面积相同。由于障碍物的存在，栅格地图上的每个栅格均不知是否可以达到，首先对每个栅格标记为未遍历。
步骤2，设置栅格地图的起点栅格，将起点栅格数据入栈，控制移动单元到达起点栅格，重新标记起点栅格为已遍历。为减少割草机行走的路径，起点栅格一般设在栅格地图的角落。
步骤3，每遍历一个栅格将该栅格数据入栈，控制移动单元遍历整个栅格地图，获取障碍物边界数据。
如图2所示，步骤3为开始遍历到结束遍历的过程，具体包括以下步骤：步骤3－1，以栈顶对应栅格为中心，依次检查栅格标记确定下一个目标栅格，例如先上方栅格，再下方栅格，再左方栅格，再右方栅格进行检查。在检查的过程中，若栅格的标记是未遍历，则找到目标点，控制割草机前往目标栅格，进入步骤3－2；若所有栅格标记都不是未遍历，即未找到目标点，则将栈顶元素退栈，若栈内元素个数为0，即达到栈底，则遍历结束，进入步骤4，若未达到栈底，进入步骤3－3；步骤3－2，若割草机前往步骤3－1所述栅格的过程中没有检测到碰撞，则重新标记该栅格为已遍历草皮，将该栅格数据入栈，进入步骤3－1；若检测到碰撞，则目标栅格标记为障碍物，控制割草机退回上一个栅格，进入步骤3－1；步骤3－3，以栈顶对应栅格为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，若栈顶栅格四周存在未遍历的栅格，则进入步骤3－4；若栈顶栅格四周不存在未遍历的栅格，则将栈顶元素退栈，若栈内元素个数为0，即达到栈底，则完成栅格地图遍历，进入步骤4，若栈内元素个数不为0，则进入步骤3－3；步骤3－4，寻找前往栈顶栅格的无障碍物路径。
具体的，步骤3－4包括以下步骤：步骤3－4－1，将割草机所在栅格作为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，对每个栅格标记为已遍历，分别进行步骤3－4－2；步骤3－4－2，若该栅格为栈顶对应栅格，则找到割草机所在栅格前往栈顶对应栅格的无障碍物路径，进入步骤3－4－3；否则，以该栅格作为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，对每个栅格标记为已遍历，分别进行步骤3－4－2；步骤3－4－3，沿着无障碍路径，控制割草机前往栈顶对应栅格，进入步骤3－1。
步骤4，存储障碍物边界数据。
本实施例中，割草机内部芯片保存有栅格地图数据，对内部芯片设定遍历路径，即割草机的行走路径，割草机按照设定的遍历路径进行遍历检查。在遍历检查过程中，对有障碍物的栅格进行标记，若碰到障碍物则寻找无障碍物路径，最后完成整个栅格地图的遍历，最后得到所有标记为障碍物的栅格，即得到完整的障碍物边界信息，将该障碍物边界信息进行保存。割草机在后续的割草过程中，能够根据保存的障碍物边界信息主动避开障碍物，无需再次碰撞检测，提高了割草的效率。
实施例二
基于实施例一，实施例二提出一种新障碍物自学习方法。通过该方法自动获取新障碍物信息，以便能在以后的作业中主动避开原障碍物及新障碍物。在本实施例中，同样以割草机为模型，以自动获取割草区域的新障碍物为目的，对本技术方案进行详细说明。
如图3所示，一种新障碍物自学习方法，包括以下步骤：步骤1，根据存储的作业路径，控制移动单元前往下一个作业栅格，若发生碰撞，则进入步骤2，否则，到达作业栅格后，重复步骤1直到所有的作业栅格都已遍历，进入步骤5；步骤2，当前栅格标记为障碍物，判断当前栅格是否为下一个作业栅格，若当前栅格为下一个作业栅格，则将下一个作业栅格从作业路径移除，控制移动单元退回到上一个作业栅格，进入步骤4；若当前栅格不是下一个作业栅格，进入步骤3；步骤3，判断下一个作业栅格是否被障碍物栅格包围，若是，则将下一个作业栅格从作业路径中移除，并重复步骤4；若不是，则进入步骤4；步骤4，按照当前栅格地图的障碍物信息，寻找前往下一个作业栅格的无障碍路径，进入步骤1；步骤5，存储新障碍物边界数据，完成作业任务。
具体的，步骤4包括以下步骤：步骤4－1，将移动单元所在栅格作为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，对每个栅格标记为已遍历，分别进行步骤4－2；步骤4－2，若该栅格为下一个作业栅格，则找到移动单元所在栅格前往栈顶对应栅格的无障碍物路径，进入步骤4－3；否则，以该栅格作为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，对每个栅格标记为已遍历，分别进行步骤4－2；步骤4－3，沿着无障碍路径，控制移动单元到达下一个作业栅格，进入步骤1。
由于割草的区域会有新障碍物的产生，例如种树等，所以如果割草机依然按照存储的障碍物边界信息进行割草，则割草机新障碍物处停止工作，所以在本实施例中割草机在原障碍物边界信息的基础上自动更新新障碍物边界信息。割草机在割草过程中，若碰到新障碍物则标记该栅格为新障碍物，寻找前往下一个作业栅格的无障碍路径，在完成割草的同时，将新的障碍物边界信息进行存储割草机在后续的割草过程中，能够根据保存的原障碍物边界信息和新障碍物边界信息主动避开障碍物，无需再次碰撞检测，提高了割草的效率，提高了割草机的智能化。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.障碍物自学习方法，其特征在于，包括以下步骤：
步骤1，获取移动区域的栅格地图数据，对每个栅格标记为未遍历；
步骤2，设置栅格地图的起点栅格，将起点栅格数据入栈，控制移动单元到达起点栅格，重新标记起点栅格为已遍历；
步骤3，每遍历一个栅格将该栅格数据入栈，控制移动单元遍历整个栅格地图，获取障碍物边界数据；
步骤4，存储障碍物边界数据。
2.如权利要求1所述的障碍物自学习方法，其特征在于，所述步骤3包括以下步骤：
步骤3－1，以栈顶对应栅格为中心，依次检查栅格标记，在检查的过程中，若栅格的标记是未遍历，则控制移动单元前往该栅格，进入步骤3－2；若所有栅格标记都不是未遍历，则将栈顶元素退栈，若栈内元素个数为0，则完成移动区域遍历，进入步骤4，若栈内元素个数不为0，进入步骤3－3；
步骤3－2，若移动单元前往步骤3－1所述栅格的过程中没有发生碰撞，则重新标记该栅格为已遍历，将该栅格数据入栈，进入步骤3－1；若发生碰撞，则重新标记该栅格为障碍物，控制移动单元退回到上一个栅格，进入步骤3－1；
步骤3－3，以栈顶对应栅格为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，若存在栅格的标记是未遍历，则进入步骤3－4；若所有栅格标记都不是未遍历，则将栈顶元素退栈，若栈内元素个数为0，则完成移动区域遍历，进入步骤4，若栈内元素个数不为0，进入步骤3－3；
步骤3－4，寻找移动单元所在栅格前往栈顶对应栅格的无障碍物路径。
3.如权利要求2所述的障碍物自学习方法，其特征在于，所述步骤3－4包括以下步骤：
步骤3－4－1，将移动单元所在栅格作为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，对每个栅格标记为已遍历，分别进行步骤3－4－2；
步骤3－4－2，若该栅格为栈顶对应栅格，则找到移动单元所在栅格前往栈顶对应栅格的无障碍物路径，进入步骤3－4－3；否则，以该栅格作为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，对每个栅格标记为已遍历，分别进行步骤3－4－2；
步骤3－4－3，沿着无障碍路径，控制移动单元到达栈顶对应栅格，进入步骤3－1。
4.新障碍物自学习方法，基于权利要求1－3任一项所述的障碍物自学习方法，其特征在于，所述新障碍物自学习方法包括以下步骤：
步骤1，根据存储的作业路径，控制移动单元前往下一个作业栅格，若发生碰撞，则进入步骤2，否则，到达作业栅格后，重复步骤1直到所有的作业栅格都已遍历，进入步骤5；
步骤2，标记当前发生碰撞的栅格为障碍物，若当前栅格为下一个作业栅格，则将下一个作业栅格从作业路径移除，控制移动单元退回到上一个作业栅格，进入步骤4；若当前栅格不是下一个作业栅格，进入步骤3；
步骤3，判断下一个作业栅格是否被障碍物栅格包围，若是，则将下一个作业栅格从作业路径中移除，并重复步骤4；若不是，则进入步骤4；
步骤4，按照当前栅格地图的障碍物信息，寻找前往下一个作业栅格的无障碍路径，进入步骤1；
步骤5，存储新障碍物边界数据。
5.如权利要求4所述的障碍物自学习方法，其特征在于，所述步骤4包括以下步骤：
步骤4－1，将移动单元所在栅格作为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，对每个栅格标记为已遍历，分别进行步骤4－2；
步骤4－2，若该栅格为下一个作业栅格，则找到移动单元所在栅格前往栈顶对应栅格的无障碍物路径，进入步骤4－3；否则，以该栅格作为中心，检查上方栅格、下方栅格、左方栅格、右方栅格的标记，对每个栅格标记为已遍历，分别进行步骤4－2；
步骤4－3，沿着无障碍路径，控制移动单元到达下一个作业栅格，进入步骤1。
CN201810556614.6A 2018-06-01 2018-06-01 障碍物自学习方法及新障碍物自学习方法 Expired - Fee Related CN108803602B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810556614.6A CN108803602B (zh) 2018-06-01 2018-06-01 障碍物自学习方法及新障碍物自学习方法
PCT/CN2019/089205 WO2019228438A1 (zh) 2018-06-01 2019-05-30 障碍物自学习方法及新障碍物自学习方法
US16/967,148 US11947358B2 (en) 2018-06-01 2019-05-30 Obstacle self-learning method and new obstacle self-learning method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810556614.6A CN108803602B (zh) 2018-06-01 2018-06-01 障碍物自学习方法及新障碍物自学习方法

Publications (2)

Publication Number Publication Date
CN108803602A true CN108803602A (zh) 2018-11-13
CN108803602B CN108803602B (zh) 2021-07-13

Family

ID=64090002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810556614.6A Expired - Fee Related CN108803602B (zh) 2018-06-01 2018-06-01 障碍物自学习方法及新障碍物自学习方法

Country Status (3)

Country Link
US (1) US11947358B2 (zh)
CN (1) CN108803602B (zh)
WO (1) WO2019228438A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109528090A (zh) * 2018-11-24 2019-03-29 珠海市微半导体有限公司 一种机器人的区域遍历方法和芯片以及清洁机器人
CN109828584A (zh) * 2019-03-01 2019-05-31 重庆润通智能装备有限公司 待割草坪移除、添加障碍物后的路径规划方法及系统
WO2019228438A1 (zh) * 2018-06-01 2019-12-05 浙江亚特电器有限公司 障碍物自学习方法及新障碍物自学习方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374765B (zh) * 2022-10-27 2023-06-02 浪潮通信信息系统有限公司 一种基于自然语言处理的算力网络5g数据解析系统及方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110208357A1 (en) * 2005-12-30 2011-08-25 Yamauchi Brian Autonomous Mobile Robot
CN104615138A (zh) * 2015-01-14 2015-05-13 上海物景智能科技有限公司 一种划分移动机器人室内区域动态覆盖方法及其装置
CN104714555A (zh) * 2015-03-23 2015-06-17 深圳北航新兴产业技术研究院 一种基于边缘的三维自主探索方法
CN105043396A (zh) * 2015-08-14 2015-11-11 北京进化者机器人科技有限公司 一种移动机器人室内自建地图的方法和系统
CN106199558A (zh) * 2016-08-18 2016-12-07 宁波傲视智绘光电科技有限公司 障碍物快速检测方法
CN106530946A (zh) * 2016-11-30 2017-03-22 北京贝虎机器人技术有限公司 用于编辑室内地图的方法及装置
CN106570454A (zh) * 2016-10-10 2017-04-19 同济大学 基于移动激光扫描的行人交通参数提取方法
CN106843216A (zh) * 2017-02-15 2017-06-13 北京大学深圳研究生院 一种基于回溯搜索的生物激励机器人完全遍历路径规划方法
CN107065872A (zh) * 2017-04-11 2017-08-18 珠海市微半导体有限公司 智能机器人的栅格地图创建方法
CN107239076A (zh) * 2017-06-28 2017-10-10 仲训昱 基于虚拟扫描与测距匹配的agv激光slam方法
CN107560620A (zh) * 2017-08-31 2018-01-09 珠海市微半导体有限公司 一种路径导航方法和芯片及机器人
CN107908185A (zh) * 2017-10-14 2018-04-13 北醒（北京）光子科技有限公司 一种机器人自主全局重定位方法及机器人
CN107966702A (zh) * 2017-11-21 2018-04-27 北京进化者机器人科技有限公司 环境地图的构建方法及装置
CN107976999A (zh) * 2017-11-21 2018-05-01 深圳普思英察科技有限公司 一种移动机器人及其避障和路径规划方法和系统
CN108088445A (zh) * 2016-11-22 2018-05-29 广州映博智能科技有限公司 基于八叉树表示的三维栅格地图路径规划系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101452437B1 (ko) * 2014-02-14 2014-11-04 한국기계연구원 모바일 매니퓰레이터의 작업대 세팅방법
JP2015223956A (ja) * 2014-05-28 2015-12-14 株式会社デンソー 衝突検知システム
CN104035444B (zh) 2014-06-27 2016-08-24 东南大学 机器人地图构建存储方法
CN105843222B (zh) 2016-03-18 2019-04-12 北京航空航天大学 一种六轮/腿机器人复合运动路径规划方法
CN107340768B (zh) 2016-12-29 2020-08-28 珠海市一微半导体有限公司 一种智能机器人的路径规划方法
CN108803602B (zh) * 2018-06-01 2021-07-13 浙江亚特电器有限公司 障碍物自学习方法及新障碍物自学习方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110208357A1 (en) * 2005-12-30 2011-08-25 Yamauchi Brian Autonomous Mobile Robot
CN104615138A (zh) * 2015-01-14 2015-05-13 上海物景智能科技有限公司 一种划分移动机器人室内区域动态覆盖方法及其装置
CN104714555A (zh) * 2015-03-23 2015-06-17 深圳北航新兴产业技术研究院 一种基于边缘的三维自主探索方法
CN105043396A (zh) * 2015-08-14 2015-11-11 北京进化者机器人科技有限公司 一种移动机器人室内自建地图的方法和系统
CN106199558A (zh) * 2016-08-18 2016-12-07 宁波傲视智绘光电科技有限公司 障碍物快速检测方法
CN106570454A (zh) * 2016-10-10 2017-04-19 同济大学 基于移动激光扫描的行人交通参数提取方法
CN108088445A (zh) * 2016-11-22 2018-05-29 广州映博智能科技有限公司 基于八叉树表示的三维栅格地图路径规划系统及方法
CN106530946A (zh) * 2016-11-30 2017-03-22 北京贝虎机器人技术有限公司 用于编辑室内地图的方法及装置
CN106843216A (zh) * 2017-02-15 2017-06-13 北京大学深圳研究生院 一种基于回溯搜索的生物激励机器人完全遍历路径规划方法
CN107065872A (zh) * 2017-04-11 2017-08-18 珠海市微半导体有限公司 智能机器人的栅格地图创建方法
CN107239076A (zh) * 2017-06-28 2017-10-10 仲训昱 基于虚拟扫描与测距匹配的agv激光slam方法
CN107560620A (zh) * 2017-08-31 2018-01-09 珠海市微半导体有限公司 一种路径导航方法和芯片及机器人
CN107908185A (zh) * 2017-10-14 2018-04-13 北醒（北京）光子科技有限公司 一种机器人自主全局重定位方法及机器人
CN107966702A (zh) * 2017-11-21 2018-04-27 北京进化者机器人科技有限公司 环境地图的构建方法及装置
CN107976999A (zh) * 2017-11-21 2018-05-01 深圳普思英察科技有限公司 一种移动机器人及其避障和路径规划方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
秦玉鑫，等: "针对复杂环境的模块化栅格地图构建算法", 《控制工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019228438A1 (zh) * 2018-06-01 2019-12-05 浙江亚特电器有限公司 障碍物自学习方法及新障碍物自学习方法
US11947358B2 (en) 2018-06-01 2024-04-02 Zhejiang Yat Electrical Appliance Co., Ltd Obstacle self-learning method and new obstacle self-learning method
CN109528090A (zh) * 2018-11-24 2019-03-29 珠海市微半导体有限公司 一种机器人的区域遍历方法和芯片以及清洁机器人
CN109828584A (zh) * 2019-03-01 2019-05-31 重庆润通智能装备有限公司 待割草坪移除、添加障碍物后的路径规划方法及系统

Also Published As

Publication number Publication date
US20200356105A1 (en) 2020-11-12
US11947358B2 (en) 2024-04-02
CN108803602B (zh) 2021-07-13
WO2019228438A1 (zh) 2019-12-05

Similar Documents

Publication Publication Date Title
CN108803602A (zh) 障碍物自学习方法及新障碍物自学习方法
DE69526257T2 (de) Verfahren zum navigieren und system dafür
Roure et al. GRAPE: ground robot for vineyard monitoring and protection
CN107843262A (zh) 一种农用机械全覆盖运动路径规划的方法
Silwal et al. Bumblebee: A Path Towards Fully Autonomous Robotic Vine Pruning.
EP3167699A1 (de) Autonomes arbeitsgerät
CN110081873A (zh) 区域打点识别方法和农机打点识别系统
Juman et al. An integrated path planning system for a robot designed for oil palm plantations
Velasquez et al. Multi-sensor fusion based robust row following for compact agricultural robots
You et al. An autonomous robot for pruning modern, planar fruit trees
Sathyamoorthy et al. Vern: Vegetation-aware robot navigation in dense unstructured outdoor environments
Bijay et al. Steer guidance of autonomous agricultural robot based on pure pursuit algorithm and LiDAR based vector field histogram
Ait et al. A travelling salesman problem approach to efficiently navigate crop row fields with a car-like robot
WO2022061632A1 (zh) 障碍物检测方法、装置、无人机和存储介质
CN107065869A (zh) 一种农业无人机控制方法
Kalaivanan et al. Coverage path planning for an autonomous robot specific to agricultural operations
CN115097833A (zh) 一种施药机器人的自动避障方法、系统及存储介质
Yao et al. Autonomous navigation and adaptive path planning in dynamic greenhouse environments utilizing improved LeGO‐LOAM and OpenPlanner algorithms
Korthals et al. Towards inverse sensor mapping in agriculture
Inoue et al. Autonomous Navigation and Obstacle Avoidance in an Orchard Using Machine Vision Techniques for a Robotic Mower
Mahmud et al. Crop identification and navigation design based on probabilistic roadmap for crop inspection robot
Dong et al. Path Planning Research for Outdoor Mobile Robot
Magistri et al. Improving Robotic Fruit Harvesting Within Cluttered Environments Through 3D Shape Completion
Hameed et al. Task and motion planning for selective weed conrol using a team of autonomous vehicles
WO2014074026A1 (en) A method for navigation and joint coordination of automated devices

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: No. 150 Wenlong Road, Yuxin Town, Nanhu District, Jiaxing City, Zhejiang Province

Patentee after: Zhejiang Yate Electric Appliance Co.,Ltd.

Patentee after: WUXI KALMAN NAVIGATION TECHNOLOGY CO.,LTD.

Address before: 314100 No. 150 Wenlong Road, Yuxin Town, Nanhu District, Jiaxing City, Zhejiang Province

Patentee before: ZHEJIANG YAT ELECTRICAL APPLIANCE Co.,Ltd.

Patentee before: WUXI KALMAN NAVIGATION TECHNOLOGY CO.,LTD.

CP03 Change of name, title or address
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210713

CF01 Termination of patent right due to non-payment of annual fee