CN108955695A - 一种用于农田机器人的全局路径规划方法 - Google Patents

Abstract

本发明公开了一种用于农田机器人的全局路径规划方法，先获取农田的高精度地图，然后将地图中的农田全局信息进行规则化处理，处理后采用汉密尔顿路径规划方法得出农田机器人在无障碍物信息的初级路径规划线，然后提取障碍物信息图层，采用克劳算法栅格化障碍物信息图层，进而通过A*算法算出绕开障碍物的避障路径，将绕开障碍物的避障路径替换其所处栅格的初级路径规划线，从而形成次级路径规划线，最终在路径转弯处，采用最小转弯算法得出转弯半径，然后对路径进行平滑处理，最终得出农田全局的路径规划。本发明能有效保证农田机器人在作业时的农田高覆盖率，同时预先设定避障路径，无需在作业过程中再进行实时避障信息处理。

Description

一种用于农田机器人的全局路径规划方法

技术领域

本发明涉及一种全局路径规划方法，具体是一种用于农田机器人的全局路径规划方法。

背景技术

农业是人类的衣食之源，生存之本，农业的发展和劳动生产率的提高，为发展国民经济其他部门提供原料和资源。我国是一个农业大国，虽然农业人口众多，但随着工业化进程的不断加速，可以预计农业劳动力将逐步向社会其它产业转移，另一方面进入21世纪后，随着人口老龄化问题不断严重，农业劳动力不足的问题将日益凸现。农业机器人的发展应用不仅可以解决劳动力不足的问题，也把人从单调、重复的劳动中解脱出来。伴随着计算机技术水平和信息采集与处理技术水平的不断提高，大力发展农业机器人的技术条件已经成熟。路径规划是农业机器人学研究的重要领域之一，也是农业机器人智能化程度的重要标志。农业机器人要完成收割、耕种、喷雾等任务首先要根据给予的环境信息自主地规划出全区域覆盖的路径，同时避开障碍物，在不同区域之间进行作业，然后还需要对规划出的路径进行准确的跟踪。路径规划所得的路径决定了农业机器人的覆盖效率，目前还没有一种全局路径规划方法能同时解决了农田覆盖率和避障两方面的问题。

发明内容

针对上述现有技术存在的问题，本发明提供一种用于农田机器人的全局路径规划方法，能有效保证农田机器人在作业时的农田高覆盖率，同时预先设定避障路径，无需在作业过程中再进行实时避障信息处理。

为了实现上述目的，本发明采用的技术方案是：一种用于农田机器人的全局路径规划方法，具体步骤为：

步骤A：在农田区域采用无人机遥感拍摄或人工测量获取高精度农田地图，所述高精度农田地图中由农田全局信息和障碍物信息组成；

步骤B：提取农田全局信息的边界，生成其边界模型；然后将该边界模型中的边界弧线段采用直线段代替处理，最终使高精度农田地图的农田全局信息由不规则曲多边形变换成规则多边形；

步骤C：对得出的规则多边形农田全局信息检测规则多边形的内角，若内角为大于180 度的角则进行切割处理，最终使规则多边形切分割成多个凸多边形，所述凸多边形为三角形或四边形；从而使地图中消除多边形的钝角，以期减少机器的工作难度；

步骤D：获取每个凸多边形内每个角与对边的垂线长度，然后对比每个凸多边形内每个垂线的长度，将最长垂线作为该凸多边形的主轴；

步骤E：以主轴为该凸多边形的中心，采用汉密尔顿路径规划以农田机器人的宽度遍历每一个凸多边形，并且将相邻凸多边形的出点及入点相连接，得到无障碍物信息的初级路径规划线；从而以减少空载的时间，增加工作效率；

步骤F：采用灰度二值化处理步骤A的高精度地图，获取障碍物信息图层，并将该障碍物信息图层嵌入步骤E得出的无障碍物信息的初级路径规划中；

步骤G：采用克劳算法栅格化障碍物信息图层，并形成的每个图层栅格进行编号；克劳算法是一种扫描线算法，该算法认为1)内点和外点的辨别只需要在图形的边界判定；2) 边界的改变只发生在顶点处。因此，只需要建立一个存储顶点的数组，利用顶点来建立边的约束，再逐行在两条边界之间扫描即可完成，其能实现较好的效果和效率；

步骤H：利用地面视差分布匹配障碍物与栅格，得到障碍物栅格的所在位置，由于步骤F已对高精度地图进行灰度二值化处理，通过突变方式检测出障碍物前后所在栅格，进而获取障碍物所在栅格的编号以及障碍物前后的栅格信息；

步骤I：在障碍物所在栅格的前一个栅格和后一个栅格经过A*算法处理后得到绕过障碍物的路径；

步骤J：将步骤I得到的绕过障碍物路径替换掉步骤E中初级路径规划线所在栅格对应的路径，由此得到次级路径规划线；

步骤K：将次级路径规划线经过最小转弯半径算法的处理后，使整个全局路径处理成平滑路线，最终完成全局的路径规划。

进一步，所述步骤B中代替处理过程为：在提取的边界弧线上沿其轨迹均匀取n个点，然后利用线性回归方程将边界弧线拟合成各个点连接形成的直线段(其中n越大其拟合程度越好)，最终使高精度农田地图的农田全局信息由不规则曲多边形变换成规则多边形。

进一步，所述步骤C中对规则多边形的分割为：以大于180度的内角顶点做范围半个圆的射线，若射线范围内能检测到大于180度的内角则选择该射线作为切割线，否则以长度最长的射线作为切割线进而得到多个凸多边形。

进一步，所述步骤F的二值化处理为将高精度地图中的障碍物信息赋值为1，农田地块赋值为0。

进一步，所述步骤I中A*算法的公式表示为：f(n)＝g(n)+h(n),其中，f(n)是从初始状态经由状态n到目标状态的代价估计，g(n)是在状态空间中从初始状态到状态n的实际代价， h(n)是从状态n到目标状态的最佳路径的估计代价。对于路径搜索问题，状态就是图中的节点，代价就是距离。

进一步，所述步骤K中最小转弯半径R的计算公式为：

其中：L—轴距

K—农用机器人的两转向主销中心线与地面交点间的距离

θimax—农用机器人的内转向轮最大转角

a—农用机器人的车轮转臂。

与现有技术相比，本发明先获取农田的高精度地图，然后将地图中的农田全局信息进行规则化处理，处理后采用汉密尔顿路径规划方法得出农田机器人在无障碍物信息的初级路径规划线，然后提取障碍物信息图层，采用克劳算法栅格化障碍物信息图层，进而通过A*算法算出绕开障碍物的避障路径，将绕开障碍物的避障路径替换其所处栅格的初级路径规划线，从而形成次级路径规划线，最终在路径转弯处，采用最小转弯算法得出转弯半径，然后对路径进行平滑处理，最终得出农田全局的路径规划；本发明能有效保证农田机器人在作业时的农田高覆盖率，同时预先设定避障路径，无需在作业过程中再进行实时避障信息处理，减少农田机器人在作业过程中的数据处理，提高其运行稳定性。

附图说明

图1是本发明的处理流程图。

具体实施方式

下面将对本发明做进一步说明。

如图1所示，一种用于农田机器人的全局路径规划方法，具体步骤为：

步骤A：在农田区域采用无人机遥感拍摄或人工测量获取高精度农田地图，所述高精度农田地图中由农田全局信息和障碍物信息组成；

步骤B：提取农田全局信息的边界，生成其边界模型；然后将该边界模型中的边界弧线段采用直线段代替处理，最终使高精度农田地图的农田全局信息由不规则曲多边形变换成规则多边形；

步骤C：对得出的规则多边形农田全局信息检测规则多边形的内角，若内角为大于180 度的角则进行切割处理，最终使规则多边形切分割成多个凸多边形，所述凸多边形为三角形或四边形；从而使地图中消除多边形的钝角，以期减少机器的工作难度；

步骤D：获取每个凸多边形内每个角与对边的垂线长度，然后对比每个凸多边形内每个垂线的长度，将最长垂线作为该凸多边形的主轴；

步骤E：以主轴为该凸多边形的中心，采用汉密尔顿路径规划以农田机器人的宽度遍历每一个凸多边形，并且将相邻凸多边形的出点及入点相连接，得到无障碍物信息的初级路径规划线；从而以减少空载的时间，增加工作效率；

步骤F：采用灰度二值化处理步骤A的高精度地图，获取障碍物信息图层，并将该障碍物信息图层嵌入步骤E得出的无障碍物信息的初级路径规划中；

步骤G：采用克劳算法栅格化障碍物信息图层，并形成的每个图层栅格进行编号；克劳算法是一种扫描线算法，该算法认为1)内点和外点的辨别只需要在图形的边界判定；2) 边界的改变只发生在顶点处。因此，只需要建立一个存储顶点的数组，利用顶点来建立边的约束，再逐行在两条边界之间扫描即可完成，其能实现较好的效果和效率；

步骤H：利用地面视差分布匹配障碍物与栅格，得到障碍物栅格的所在位置，由于步骤F已对高精度地图进行灰度二值化处理，通过突变方式检测出障碍物前后所在栅格，进而获取障碍物所在栅格的编号以及障碍物前后的栅格信息；

步骤I：在障碍物所在栅格的前一个栅格和后一个栅格经过A*算法处理后得到绕过障碍物的路径；

步骤J：将步骤I得到的绕过障碍物路径替换掉步骤E中初级路径规划线所在栅格对应的路径，由此得到次级路径规划线；

步骤K：将次级路径规划线经过最小转弯半径算法的处理后，使整个全局路径处理成平滑路线，最终完成全局的路径规划。

进一步，所述步骤B中代替处理过程为：在提取的边界弧线上沿其轨迹均匀取n个点，然后利用线性回归方程将边界弧线拟合成各个点连接形成的直线段(其中n越大其拟合程度越好)，最终使高精度农田地图的农田全局信息由不规则曲多边形变换成规则多边形。

进一步，所述步骤C中对规则多边形的分割为：以大于180度的内角顶点做范围半个圆的射线，若射线范围内能检测到大于180度的内角则选择该射线作为切割线，否则以长度最长的射线作为切割线进而得到多个凸多边形。

进一步，所述步骤F的二值化处理为将高精度地图中的障碍物信息赋值为1，农田地块赋值为0。

进一步，所述步骤I中A*算法的公式表示为：f(n)＝g(n)+h(n),其中，f(n)是从初始状态经由状态n到目标状态的代价估计，g(n)是在状态空间中从初始状态到状态n的实际代价， h(n)是从状态n到目标状态的最佳路径的估计代价。对于路径搜索问题，状态就是图中的节点，代价就是距离。

进一步，所述步骤K中最小转弯半径R的计算公式为：

其中：L—轴距

K—农用机器人的两转向主销中心线与地面交点间的距离

θimax—农用机器人的内转向轮最大转角

a—农用机器人的车轮转臂。

用上式计算得出的最小转弯半径R与实际情况是有出入的，其原因有下列几点：

1、实际的梯形机构不能保证内、外转向轮转角与理论值相一致；

2、轮胎在汽车转向时由于侧向惯性力的作用而产生侧偏(前轮不足转向趋势，后轮过渡转向趋势)；

3、装有钢板弹簧的刚性轴在转向时会产生轴转向(不足转向趋势或过渡转向趋势)。因此，为消除上述影响，最小转弯半径应在上式计算得出的最小转弯半径值基础上乘以一个系数1.03。

Claims (6)

1.一种用于农田机器人的全局路径规划方法，其特征在于，具体步骤为：

步骤A：在农田区域采用无人机遥感拍摄或人工测量获取高精度农田地图，所述高精度农田地图中由农田全局信息和障碍物信息组成；

步骤B：提取农田全局信息的边界，生成其边界模型；然后将该边界模型中的边界弧线段采用直线段代替处理，最终使高精度农田地图的农田全局信息由不规则曲多边形变换成规则多边形；

步骤C：对得出的规则多边形农田全局信息检测规则多边形的内角，若内角为大于180度的角则进行切割处理，最终使规则多边形切分割成多个凸多边形，所述凸多边形为三角形或四边形；

步骤D：获取每个凸多边形内每个角与对边的垂线长度，然后对比每个凸多边形内每个垂线的长度，将最长垂线作为该凸多边形的主轴；

步骤E：以主轴为该凸多边形的中心，采用汉密尔顿路径规划以农田机器人的宽度遍历每一个凸多边形，并且将相邻凸多边形的出点及入点相连接，得到无障碍物信息的初级路径规划线；

步骤F：采用灰度二值化处理步骤A的高精度地图，获取障碍物信息图层，并将该障碍物信息图层嵌入步骤E得出的无障碍物信息的初级路径规划中；

步骤G：采用克劳算法栅格化障碍物信息图层，并形成的每个图层栅格进行编号；

步骤H：利用地面视差分布匹配障碍物与栅格，得到障碍物栅格的所在位置，由于步骤F已对高精度地图进行灰度二值化处理，通过突变方式检测出障碍物前后所在栅格，进而获取障碍物所在栅格的编号以及障碍物前后的栅格信息；

步骤I：在障碍物所在栅格的前一个栅格和后一个栅格经过A*算法处理后得到绕过障碍物的路径；

步骤J：将步骤I得到的绕过障碍物路径替换掉步骤E中初级路径规划线所在栅格对应的路径，由此得到次级路径规划线；

步骤K：将次级路径规划线经过最小转弯半径算法的处理后，使整个全局路径处理成平滑路线，最终完成全局的路径规划。

2.根据权利要求1所述的一种用于农田机器人的全局路径规划方法，其特征在于，所述步骤B中代替处理过程为：在提取的边界弧线上沿其轨迹均匀取n个点，然后利用线性回归方程将边界弧线拟合成各个点连接形成的直线段，最终使高精度农田地图的农田全局信息由不规则曲多边形变换成规则多边形。

3.根据权利要求1所述的一种用于农田机器人的全局路径规划方法，其特征在于，所述步骤C中对规则多边形的分割为：以大于180度的内角顶点做范围半个圆的射线，若射线范围内能检测到大于180度的内角则选择该射线作为切割线，否则以长度最长的射线作为切割线进而得到多个凸多边形。

4.根据权利要求1所述的一种用于农田机器人的全局路径规划方法，其特征在于，所述步骤F的二值化处理为将高精度地图中的障碍物信息赋值为1，农田地块赋值为0。

5.根据权利要求1所述的一种用于农田机器人的全局路径规划方法，其特征在于，所述步骤I中A*算法的公式表示为：f(n)＝g(n)+h(n),其中，f(n)是从初始状态经由状态n到目标状态的代价估计，g(n)是在状态空间中从初始状态到状态n的实际代价，h(n)是从状态n到目标状态的最佳路径的估计代价。

6.根据权利要求1所述的一种用于农田机器人的全局路径规划方法，其特征在于，所述步骤K中最小转弯半径R的计算公式为：

其中：L—轴距

K—农用机器人的两转向主销中心线与地面交点间的距离

θimax—农用机器人的内转向轮最大转角

a—农用机器人的车轮转臂。