CN108955695B - 一种用于农田机器人的全局路径规划方法 - Google Patents

一种用于农田机器人的全局路径规划方法 Download PDF

Info

Publication number
CN108955695B
CN108955695B CN201810957261.0A CN201810957261A CN108955695B CN 108955695 B CN108955695 B CN 108955695B CN 201810957261 A CN201810957261 A CN 201810957261A CN 108955695 B CN108955695 B CN 108955695B
Authority
CN
China
Prior art keywords
farmland
obstacle
path planning
global
information
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.)
Active
Application number
CN201810957261.0A
Other languages
English (en)
Other versions
CN108955695A (zh
Inventor
张玉成
万忠政
胡晓星
李莹玉
张宏威
田涛
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.)
Luoyang Zhongke Longwang Innovation Technology Co ltd
Original Assignee
Luoyang Zhongke Longwang Innovation Technology 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 Luoyang Zhongke Longwang Innovation Technology Co ltd filed Critical Luoyang Zhongke Longwang Innovation Technology Co ltd
Priority to CN201810957261.0A priority Critical patent/CN108955695B/zh
Publication of CN108955695A publication Critical patent/CN108955695A/zh
Application granted granted Critical
Publication of CN108955695B publication Critical patent/CN108955695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

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中最小转弯半径的计算公式为：
Figure GDA0002727300570000031
其中：Rmin—最小转弯半径
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中最小转弯半径的计算公式为：
Figure GDA0002727300570000051
其中：Rmin为最小转弯半径
L为轴距
K为农用机器人的两转向主销中心线与地面交点间的距离
θimax为农用机器人的内转向轮最大转角
a为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中最小转弯半径的计算公式为：
Figure FDA0002576302170000021
其中：Rmin—最小转弯半径
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。
CN201810957261.0A 2018-08-22 2018-08-22 一种用于农田机器人的全局路径规划方法 Active CN108955695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810957261.0A CN108955695B (zh) 2018-08-22 2018-08-22 一种用于农田机器人的全局路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810957261.0A CN108955695B (zh) 2018-08-22 2018-08-22 一种用于农田机器人的全局路径规划方法

Publications (2)

Publication Number Publication Date
CN108955695A CN108955695A (zh) 2018-12-07
CN108955695B true CN108955695B (zh) 2021-04-02

Family

ID=64473419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810957261.0A Active CN108955695B (zh) 2018-08-22 2018-08-22 一种用于农田机器人的全局路径规划方法

Country Status (1)

Country Link
CN (1) CN108955695B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508034B (zh) * 2018-12-20 2020-11-10 北京理工大学 一种复杂多边形测区下的多旋翼无人机测绘航线规划方法
CN109917794B (zh) * 2019-04-18 2022-02-18 北京智行者科技有限公司 全局路径规划方法及装置
CN110109467B (zh) * 2019-05-31 2022-11-15 北京极智嘉科技股份有限公司 机器人的转弯路径控制方法、装置、存储介质及机器人
CN110530390A (zh) * 2019-09-16 2019-12-03 哈尔滨工程大学 一种在狭窄环境下的非质点车辆路径规划方法
CN111256700B (zh) * 2020-03-26 2021-11-02 洛阳智能农业装备研究院有限公司 用于自动驾驶农机作业路径规划的收边规划方法
CN111562787B (zh) * 2020-05-28 2023-05-30 长沙中联重科环境产业有限公司 机器人全覆盖路径规划区域划分方法、装置、介质及设备
CN112015176B (zh) * 2020-08-14 2022-09-27 合肥工业大学 一种无人驾驶拖拉机田间作业路径规划方法和装置
CN112462756B (zh) * 2020-10-29 2022-11-25 久瓴(上海)智能科技有限公司 农林作业任务生成方法、装置、计算机设备和存储介质
CN112525198B (zh) * 2020-11-23 2021-12-03 广州极飞科技股份有限公司 作业路线规划方法及相关装置
CN116868142A (zh) * 2021-04-26 2023-10-10 深圳市大疆创新科技有限公司 路径规划方法、路径规划装置和介质
CN113741414A (zh) * 2021-06-08 2021-12-03 北京理工大学 一种基于移动机器人轮廓的安全运动规划方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101852609B (zh) * 2010-06-02 2011-10-19 北京理工大学 一种基于机器人双目立体视觉的地面障碍物检测方法
CN107817798A (zh) * 2017-10-30 2018-03-20 洛阳中科龙网创新科技有限公司 一种基于深度学习系统的农用机械避障方法
CN107807644A (zh) * 2017-10-30 2018-03-16 洛阳中科龙网创新科技有限公司 一种农用机械最低油耗运动路径规划方法

Also Published As

Publication number Publication date
CN108955695A (zh) 2018-12-07

Similar Documents

Publication Publication Date Title
CN108955695B (zh) 一种用于农田机器人的全局路径规划方法
CN111256700B (zh) 用于自动驾驶农机作业路径规划的收边规划方法
Hameed et al. Driving angle and track sequence optimization for operational path planning using genetic algorithms
CN115100622B (zh) 深部受限空间无人运输设备可行驶域检测和自主避障方法
CN110243380B (zh) 一种基于多传感器数据与角度特征识别的地图匹配方法
CN109238298A (zh) 一种无人驾驶带避障的路径规划方法
CN106643719A (zh) 一种智能割草车的路径规划算法
CN113345008B (zh) 考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法
Vasquez-Gomez et al. Coverage path planning for surveying disjoint areas
CN111582123B (zh) 一种基于信标识别与视觉slam的agv定位方法
Wang et al. Adaptive turning control for an agricultural robot tractor
CN112965481A (zh) 基于点云地图的果园作业机器人无人驾驶方法
CN109753075B (zh) 一种基于视觉的农林园区机器人导航方法
Nehme et al. Lidar-based structure tracking for agricultural robots: Application to autonomous navigation in vineyards
CN113701780A (zh) 基于a星算法的实时避障规划方法
CN106556395A (zh) 一种基于四元数的单目视觉系统的导航方法
CN114265409A (zh) 轨迹信息处理方法、装置及地面设备
Wang et al. Terrain adaptive estimation of instantaneous centres of rotation for tracked robots
Nie et al. A forest 3-D LiDAR SLAM system for rubber-tapping robot based on trunk center atlas
CN110780669B (zh) 林间机器人导航与信息采集方法
CN114063615A (zh) 棚内垄间农药喷洒智能车的倒车导航控制方法及系统
Fei et al. Row‐sensing templates: A generic 3D sensor‐based approach to robot localization with respect to orchard row centerlines
Alekseev et al. Computation of optimized agricultural machinery tracks during field work
CN113341999A (zh) 一种基于优化d*算法的叉车路径规划方法及装置
CN116839570A (zh) 一种基于传感器融合目标检测的作物行间作业导航方法

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