CN113848877A - 一种基于拓扑地图的机器人无人驾驶方法和机器人 - Google Patents
一种基于拓扑地图的机器人无人驾驶方法和机器人 Download PDFInfo
- Publication number
- CN113848877A CN113848877A CN202110954960.1A CN202110954960A CN113848877A CN 113848877 A CN113848877 A CN 113848877A CN 202110954960 A CN202110954960 A CN 202110954960A CN 113848877 A CN113848877 A CN 113848877A
- Authority
- CN
- China
- Prior art keywords
- robot
- information
- map
- topological
- topological map
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000002420 orchard Substances 0.000 claims abstract description 46
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出一种基于拓扑地图的机器人无人驾驶方法，包括：S1，根据树干和路标制作出拓扑地图，并获取机器人可行驶路径；S2，机器人根据可行驶路径，计算出果园行的中心线位置，然后沿中心线行驶；S3，根据识别的多个导航码分布位置，推算出机器人的位姿，与拓扑地图匹配获取机器人在地图中的位置信息；S4，机器人运动到果园行的尽头时，通过拓扑地图判断出掉头信息，机器人进入新的果园行继续行驶。本发明还对应提出一种基于拓扑地图的机器人。本发明使得机器人能够在果园这种半结构化环境下，自主完成作业。
Description
技术领域
本发明涉及无人驾驶技术领域，更具体地，涉及一种基于拓扑地图的机器人 无人驾驶方法和机器人。
背景技术
当今时代，多功能农业机器人得到广泛地应用，使得农业机器人在广阔的田 野上越来越多地代替了手工完成各种农活。农业中果园生产的任务种类繁杂，如： 疏花定果、套袋、剪枝、覆草、灌水、施肥、喷撒农药、病虫害防治、分期采收 等工序，需要大量的人力和物力，同时非精准的果园管理方式会产生大量的无效 投入和生态污染，增加了水果价格。针对这些情况，研制适合果园作业的智能精 准型机器人势在必行。机器人要实现代替人工在果园中自主作业，环境地图的构 建是机器人完成定位与自主导航的首要前提，利用构建出的地图信息可以帮助机 器人进行路径规划、预判果树位置、完成地头转向等任务。
在果园中，机器人的自主工作需要在两行果树之间的过道内完成，即沿着过 道对每棵树进行作业，一行树作业完成了则转弯到另一行过道内工作，直至走完 整片果园。机器人在工作过程中，一般会位于双冠以下，如果单单依靠GPS来 定位，会出现卫星信号被树冠遮挡、多路径效应和射频干扰等问题，最终导致机 器人位误差较大，甚至无法定位。果园行间的距离大多只有2m左右，利用GPS 很难获取精准的行间定位导航效果。电磁导航定位虽然能有较好的定位导航效果， 但是成本较高。
发明内容
针对机器人在密植果园内行驶场景，出现GPS无法精准定位和行间无法精 准调头的问题，本发明提出了一种基于拓扑地图的果园机器人无人驾驶方法，包 括：S1，根据树干和路标制作出拓扑地图，并获取机器人可行驶路径；S2，机器 人根据可行驶路径，计算出果园行的中心线位置，然后沿中心线行驶；S3，根据 识别的多个导航码分布位置，推算出机器人的位姿，与拓扑地图匹配获取机器人 在地图中的位置信息；S4，机器人运动到果园行的尽头时，通过拓扑地图判断出 掉头信息，机器人进入新的果园行继续行驶。
本发明还提出一种基于拓扑地图的机器人，所述机器人包括存储器、计算器、 导航模块、摄像头以及计算机可执行代码，当所述代码运行时，所述机器人完成 如下操作：S1，根据树干和路标制作出拓扑地图，并获取机器人可行驶路径；S2， 机器人根据可行驶路径，计算出果园行的中心线位置，然后沿中心线行驶；S3， 根据识别的多个导航码分布位置，推算出机器人的位姿，与拓扑地图匹配获取机 器人在地图中的位置信息；S4，机器人运动到果园行的尽头时，通过拓扑地图判 断出掉头信息，机器人进入新的果园行继续行驶。
本发明保证了机器人能够在果园这种半结构化环境下(果树行列分布清晰)， 自主完成作业。针对果园中机器人依赖GPS定位，有时候存在不能定位的情况， 本发明可以让机器人在无GPS情况下，利用果园拓扑地图和实现机器人精准出 行、转弯和寻找下一行的功能，满足机器人在果园中连续工作的需求。针对一般 规划中无法精准控制机器人掉头这一情况，本发明可以使得机器人通过当前位置 与果树行头边界线距离的不同，选择不同的掉头策略，极大地提高掉头成功率， 提高调头的效率。
本发明的技术效果包括：
1.在无GPS下，通过激光雷达配合拓扑地图使得定位更加实时准确。
2.降低了定位成本。
3.地图信息量少，使得果园导航运算速度快，路径跟随准确。
4.不受场景变换的影响，符合多场景多季节应用。
1.使用激光雷达辅助定位，精度高于机器视觉辅助定位。
2.针对如何实现机器人精准地进入下一行提出了详细的解决方案，完整地实 现果园环境下，机器人的自主行驶。
附图说明
为了更容易理解本发明，将通过参照附图中示出的具体实施方式更详细地描 述本发明。这些附图只描绘了本发明的典型实施方式，不应认为对本发明保护范 围的限制。
图1为本发明的法的流程图。
图2为果园拓扑地图的一个示意图。
图3为半圆弧掉头法的示意图。
图4为半圆弧掉头法的示意图。
图5为隔行掉头法的示意图。
图6为3/4圆弧掉头法的示意图。
具体实施方式
下面参照附图描述本发明的实施方式，其中相同的部件用相同的附图标记表 示。在不冲突的情况下，下述的实施例及实施例中的技术特征可以相互组合。
图1显示了本发明的方法的流程图，本发明的方法包括S1-S6。
S1，根据树干和路标制作出拓扑地图，并获取机器人可行驶路径。
S2，机器人根据可行驶路径，计算出果园行的中心线位置，然后沿中心线行 驶。
S3，根据识别的多个导航码分布位置，推算出机器人的位姿，与拓扑地图匹 配获取机器人在地图中的位置信息。导航码是机器人能够识别的二维码，安装在 果树行的两侧，每个导航码信息不同，但是安装位置已知，机器人根据观察到的 导航码，可以推算出自身的位置(例如通过三角定位的方式)。
S4，机器人运动到果园行的尽头时，通过拓扑地图判断出掉头信息，机器人 进入新的果园行继续行驶。
具体地，在步骤S1基于树干和路标(用来指示方向的标牌，能被机器人识 别)制作拓扑地图：通过差分GPS实现果园区域周边树木的定位(还可以通过 其他方法获取每一棵树的位置。例如可以通过人工测量的方法，构建出每棵树和 路标的相对位置，然后通过差分GPS量取其中3棵树的位置，获取其他的位置 树或者路标的具体位置)，然后定位路标，标明树干和路标的绝对位置。使用激 光雷达扫描记录关键特征树干记录特征，制作出高精度拓扑地图。具体操作如下：
S11，采集树木位置点。
具体地，无人机搭载RTK测量仪到果园中进行数据采集，采集每个树干在 应用场地的实际位置。首先操作无人机飞到树冠之上，对扫描到的每一棵果树均 记录其树冠顶点GPS点位置信息。
使用激光雷达扫描树干特征(树干的柱状几何特征)，激光雷达使用单线激 光雷达，通过计算各个激光点pi往返激光雷达的时间差计算出每个点到激光雷达 的距离。激光雷达采用默认设置，测量角度分辨率为θ，扫描范围为0°～180°。激 光雷达扫描模型如图2所示，激光雷达返回的数据采用极坐标形式表示，其中di为扫描点到激光雷达的距离，通过θ点的序号ni和扫描初始角θ0计算出点与x方 向的夹角
最后将极坐标形式下获得的数据
转换成笛卡尔坐标形式
计算公式为：
pi为第i个激光雷达点，di为pi到激光雷达的距离，
为pi与x方向的夹角， θ0为激光雷达扫描初始角，xi和yi分别为pi在x和y方向的坐标。
将激光雷达采集到的点用DBSCAN算法进行聚类识别，形成包含经纬度和 树干特征信息的树木位置点。
通常情况下2个相邻激光雷达点之间的距离s与点到激光雷达的距离d和激 光雷达的角度分辨率θ的关系可表示为：
s＝d tanθ (2)
果树树干直径为L时，接收到雷达点数目n与s之间的关系为：
由此可见，当θ取常数时，n与d成反比关系。当θ取初始值0.5时，
其中，n必须满足n≥2，田园果树平均直径取50mm。
S12，选取作业场地的参考位置，设置XOY坐标系，将机器人启动时的位置 作为世界坐标系原点。地图大小由边界点所限制，作为界面显示和加载背景地图 的依据。
S13，基于无人机采集的树木位置点，其包含了树木的经纬度信息，通过平 面坐标变换显示在可视化界面中。
S14，按可通行节点顺序生成拓扑地图。
在本发明中，定义道路拓扑地图的原则如下：任意可通行节点必须在左右相 邻果树主节点连线上。如图3所示，t11～t64为果树主节点，p1～p18为可通行节 点，可通行节点连线与树干节点连线必须相互平行且与相邻两树干节点连线等距。 A1～A6为拐弯节点，必须在可通行节点连线延长线上。其中，可通行节点的计算 方法如下：首先计算出每条平行的树干节点，如t61-t11，t62-t12，然后计算出相邻 树干节点连线的中心线，即为可通行节点线，然后从可通行节点线上均匀取点， 作为可通行节点。
定义果园坐标系为XOY时，依据道路拓扑设计原则设计道路主节点，构成 矩阵Pr；定义可通行节点矩阵为Pp，根据可通行节点的坐标，在拓扑路径上设计 拐弯节点，构成矩阵Pt，如图3中的A1～A6所示。
S15，基于地图的道路主节点和可通行节点，构建转弯节点，从而获得可行 驶路径。
具体地，基于地图的全部节点
构建转弯节点矩阵Am。转弯节点矩 阵所有元素均为行头行尾果树的节点，以其特征信号作为转弯的信号。
式中，Pr和Pp分别由节点的横纵坐标(xr，r，yr，r)和(xp，p，yp，p)表示，r 为道路主节点个数，p为可通行道路个数。式(2)～(4)描述了完整的停车场拓 扑地图参数。
在步骤S2，机器人依据可行驶路径进行行间自主行驶。
具体地，机器人进入行间之前，获取GPS信号，在建好的拓扑地图上标记出 自身的位置。进入行间，由于树木茂密，GPS信号可能消失，通过激光雷达扫描 树干获取左右两侧距离信息，计算出中心线位置，比对可通行节点沿中心线自 主行驶。
通过拓扑地图获取到左右两侧边线之后，求其边线方程。左边线方程为：y＝ k1x+b1，左边线方程为：y＝k2x+b2。选取当前可通行道路终点为坐标点(x0， y0)，计算其距离如公式(5)所示：
随后控制机器人沿可通行道路中心线行驶。实时对比d1与d2的大小，通过预 先设定规则进行转向控制，迫使机器人时刻保持沿可通行道路中心线行驶。转向 控制规则如公式(6)所示：
至此，机器人能够在果园行间自主行驶，直到行走到果园行间的出口。
在步骤S3，推算机器人的位姿。具体地，包括步骤S31-S33。
S31，获取机器人实时速度，根据时间计算出机器人行驶的距离。具体地， 根据机器人实时速度，通过与时间的积分关系可以计算出机器人行驶的距离，计 算距离如公式(7)所示：
S32，基于激光雷达辅助更新机器人定位信息时，读入当前激光雷达采集的 特征点，并判断当前机器人扫描出树木的属于行内的棵树，得到当前时刻机器人 所在位置的特征点信息。
S33，针对每一个特征点提取描述符(通过特征向量的方式描述特征点的几 何信息)得到当前时刻描述符信息，比较和匹配当前时刻的特征信息与拓扑节点 信息得到当前信息和拓扑节点的匹配点对。
S34，根据不同距离下的匹配点对的对极几何约束，计算得到当前机器人所 在位置与拓扑节点的精确的相对位置关系。
在步骤S4：基于拓扑地图选择调头模式
机器人运动到果园行的尽头时，通过扫描到行头没有树的时候，即作为判断 出掉头的标志，机器人需要进入新的果园行继续行驶。通过对边界线的扫描确定 转弯预留极限距离的大小来判断选择何种掉头方式。
正常情况下，前方预留位置充足，选择传统半圆弧掉头方法，如图4所示。
当果树行宽度小于机器人的转弯半径时，并且行头边界线宽度也小于转弯半 径时，此时传统的半圆弧掉头策略已经无法满足如此狭小的空间，因此只能采取 隔行掉头法进入新的果树行，如图5所示。
当以上两种掉头方法都不适用，且机器人掉头反方向空间较大，行头边界线 宽度满足要求时，可以采用3/4圆弧掉头法。如图6所示。
以上三种方法可以满足绝大部分果树行间的掉头场景。
本发明还提出一种机器人，所述机器人包括地图制作模块，其根据树干和路 标制作出拓扑地图，并获取机器人可行驶路径。更具体地，地图制作模块完成如 前所述的步骤S1描述的功能。
所述机器人包括行驶模块，所述行驶模块根据可行驶路径，计算出果园行的 中心线位置，然后沿中心线行驶。所述行驶模块根据识别的多个导航码分布位置， 推算出机器人的位姿，与拓扑地图匹配获取机器人在地图中的位置信息。导航码 是机器人能够识别的二维码，安装在果树行的两侧，每个导航码信息不同，但是 安装位置已知，机器人根据观察到的导航码，通过三角定位的方式，可以推算出 自身的位置。
其中，行驶模块判断机器人运动到果园行的尽头时，通过拓扑地图判断出掉 头信息，机器人进入新的果园行继续行驶。更具体地，行驶模块完成如前所述的 步骤S2-S4描述的功能。
本发明使用激光雷达辅助定位，精度高于机器视觉辅助定位。本发明针对如 何实现机器人精准地进入下一行提出了详细的解决方案，完整地实现果园环境下， 机器人的自主行驶。
以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员 在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围 内。
Claims (10)
1.一种基于拓扑地图的机器人无人驾驶方法，其特征在于，包括：
S1，根据树干和路标制作出拓扑地图，并获取机器人可行驶路径；
S2，机器人根据可行驶路径，计算出果园行的中心线位置，然后沿中心线行驶；
S3，根据识别的多个导航码分布位置，推算出机器人的位姿，与拓扑地图匹配获取机器人在地图中的位置信息；
S4，机器人运动到果园行的尽头时，通过拓扑地图判断出掉头信息，机器人进入新的果园行继续行驶。
2.根据权利要求1所述的基于拓扑地图的机器人无人驾驶方法，其特征在于，在步骤S2中，
在导航信号消失时，机器人通过激光雷达扫描树干获取左右两侧距离信息，计算出中心线位置，比对可通行节点沿中心线自主行驶。
3.根据权利要求1所述的基于拓扑地图的机器人无人驾驶方法，其特征在于，步骤S1包括：
S11，采集树木位置点；
S12，选取作业场地的参考位置，设置XOY坐标系，将机器人启动时的位置作为世界坐标系原点；
S13，基于无人机采集的树木位置点，其包含了树木的经纬度信息，通过平面坐标变换显示在可视化界面中；
S14，按可通行节点顺序生成拓扑地图；
S15，基于地图的道路主节点和可通行节点，构建转弯节点，从而获得可行驶路径。
4.根据权利要求1所述的基于拓扑地图的机器人无人驾驶方法，其特征在于，步骤S3包括：
S31，获取机器人实时速度，根据时间计算出机器人行驶的距离；
S32，基于激光雷达辅助更新机器人定位信息时，读入当前激光雷达采集的特征点，并判断当前机器人扫描出树木的属于行内的棵树，得到当前时刻机器人所在位置的特征点信息；
S33，针对每一个特征点提取描述符得到当前时刻描述符信息，比较和匹配当前时刻的特征信息与拓扑节点信息得到当前信息和拓扑节点的匹配点对；
S34，根据不同距离下的匹配点对的对极几何约束，计算得到当前机器人所在位置与拓扑节点的精确的相对位置关系。
5.根据权利要求1所述的基于拓扑地图的机器人无人驾驶方法，其特征在于，在步骤S4中通过如下方式掉头：
半圆弧掉头方法，隔行掉头法或者3/4圆弧掉头法。
6.一种基于拓扑地图的机器人，其特征在于，所述机器人包括存储器、计算器、导航模块、摄像头以及计算机可执行代码，当所述代码运行时，所述机器人完成如下操作：
S1，根据树干和路标制作出拓扑地图，并获取机器人可行驶路径；
S2，机器人根据可行驶路径，计算出果园行的中心线位置，然后沿中心线行驶；
S3，根据识别的多个导航码分布位置，推算出机器人的位姿，与拓扑地图匹配获取机器人在地图中的位置信息；
S4，机器人运动到果园行的尽头时，通过拓扑地图判断出掉头信息，机器人进入新的果园行继续行驶。
7.根据权利要求6所述的基于拓扑地图的机器人，其特征在于，在步骤S2中，
在导航信号消失时，机器人通过激光雷达扫描树干获取左右两侧距离信息，计算出中心线位置，比对可通行节点沿中心线自主行驶。
8.根据权利要求6所述的基于拓扑地图的机器人，其特征在于，步骤S1包括：
S11，采集树木位置点；
S12，选取作业场地的参考位置，设置XOY坐标系，将机器人启动时的位置作为世界坐标系原点；
S13，基于无人机采集的树木位置点，其包含了树木的经纬度信息，通过平面坐标变换显示在可视化界面中；
S14，按可通行节点顺序生成拓扑地图；
S15，基于地图的道路主节点和可通行节点，构建转弯节点，从而获得可行驶路径。
9.根据权利要求6所述的基于拓扑地图的机器人，其特征在于，步骤S3包括：
S31，获取机器人实时速度，根据时间计算出机器人行驶的距离；
S32，基于激光雷达辅助更新机器人定位信息时，读入当前激光雷达采集的特征点，并判断当前机器人扫描出树木的属于行内的棵树，得到当前时刻机器人所在位置的特征点信息；
S33，针对每一个特征点提取描述符得到当前时刻描述符信息，比较和匹配当前时刻的特征信息与拓扑节点信息得到当前信息和拓扑节点的匹配点对；
S34，根据不同距离下的匹配点对的对极几何约束，计算得到当前机器人所在位置与拓扑节点的精确的相对位置关系。
10.根据权利要求6所述的基于拓扑地图的机器人，其特征在于，在步骤S4中通过如下方式掉头：
半圆弧掉头方法，隔行掉头法或者3/4圆弧掉头法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110954960.1A CN113848877A (zh) | 2021-08-19 | 2021-08-19 | 一种基于拓扑地图的机器人无人驾驶方法和机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110954960.1A CN113848877A (zh) | 2021-08-19 | 2021-08-19 | 一种基于拓扑地图的机器人无人驾驶方法和机器人 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113848877A true CN113848877A (zh) | 2021-12-28 |
Family
ID=78976124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110954960.1A Pending CN113848877A (zh) | 2021-08-19 | 2021-08-19 | 一种基于拓扑地图的机器人无人驾驶方法和机器人 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113848877A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2703314A1 (en) * | 2009-05-06 | 2010-11-06 | University Of New Brunswick | Method of interest point matching for images |
| CN103576687A (zh) * | 2013-11-22 | 2014-02-12 | 中国科学院自动化研究所 | 一种机器人逆时针运动控制方法 |
| CN109520505A (zh) * | 2018-12-03 | 2019-03-26 | 中国北方车辆研究所 | 一种自主导航拓扑地图生成方法 |
| CN111220153A (zh) * | 2020-01-15 | 2020-06-02 | 西安交通大学 | 基于视觉拓扑节点和惯性导航的定位方法 |
| CN112965481A (zh) * | 2021-02-01 | 2021-06-15 | 成都信息工程大学 | 基于点云地图的果园作业机器人无人驾驶方法 |
-
2021
- 2021-08-19 CN CN202110954960.1A patent/CN113848877A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2703314A1 (en) * | 2009-05-06 | 2010-11-06 | University Of New Brunswick | Method of interest point matching for images |
| CN103576687A (zh) * | 2013-11-22 | 2014-02-12 | 中国科学院自动化研究所 | 一种机器人逆时针运动控制方法 |
| CN109520505A (zh) * | 2018-12-03 | 2019-03-26 | 中国北方车辆研究所 | 一种自主导航拓扑地图生成方法 |
| CN111220153A (zh) * | 2020-01-15 | 2020-06-02 | 西安交通大学 | 基于视觉拓扑节点和惯性导航的定位方法 |
| CN112965481A (zh) * | 2021-02-01 | 2021-06-15 | 成都信息工程大学 | 基于点云地图的果园作业机器人无人驾驶方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Openstreetmap-based autonomous navigation for the four wheel-legged robot via 3d-lidar and ccd camera | |
| Gao et al. | Review of wheeled mobile robots’ navigation problems and application prospects in agriculture | |
| US11044842B2 (en) | Path planning for area coverage | |
| Kanagasingham et al. | Integrating machine vision-based row guidance with GPS and compass-based routing to achieve autonomous navigation for a rice field weeding robot | |
| EP3119178B1 (en) | Method and system for navigating an agricultural vehicle on a land area | |
| Ahmadi et al. | Visual servoing-based navigation for monitoring row-crop fields | |
| CN102368158B (zh) | 一种果园机械导航定位方法 | |
| CN104848851A (zh) | 基于多传感器数据融合构图的变电站巡检机器人及其方法 | |
| CN113654555A (zh) | 一种基于多传感器数据融合的自动驾驶车辆高精定位方法 | |
| Wang et al. | Vehicle localization at an intersection using a traffic light map | |
| 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 | |
| CN112154447A (zh) | 地表特征识别方法、设备、无人机及计算机可读存储介质 | |
| Nehme et al. | Lidar-based structure tracking for agricultural robots: Application to autonomous navigation in vineyards | |
| CN110806585A (zh) | 一种基于树干聚类跟踪的机器人定位方法及系统 | |
| CN116630403A (zh) | 一种用于割草机器人的轻量级语义地图构建方法及系统 | |
| CN116839570B (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 | |
| CN112068572A (zh) | 一种无人收割系统及方法 | |
| CN113848877A (zh) | 一种基于拓扑地图的机器人无人驾驶方法和机器人 | |
| Qiu et al. | LiDAR Point-Cloud Odometer Based Mobile Robot Routine Tracking in Orchards | |
| Yu et al. | A Camera/Ultrasonic Sensors Based Trunk Localization System of Semi-Structured Orchards | |
| Inoue et al. | Autonomous Navigation and Obstacle Avoidance in an Orchard Using Machine Vision Techniques for a Robotic Mower | |
| Wang et al. | An autonomous navigation method for orchard rows based on a combination of an improved a-star algorithm and SVR | |
| Li et al. | Research on Robot Path Planning Based on Point Cloud Map in Orchard Environment | |
| Asghar et al. | Map Relative Localization Based on Visual and Topological Map Matching |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100081 No. 12 South Main Street, Haidian District, Beijing, Zhongguancun Applicant after: INSTITUTE OF AGRICULTURAL RESOURCES AND REGIONAL PLANNING, CHINESE ACADEMY OF AGRICULTURAL SCIENCES Applicant after: Suzhou Zhongnong Shuzhi Technology Co.,Ltd. Address before: 100081 No. 12 South Main Street, Haidian District, Beijing, Zhongguancun Applicant before: INSTITUTE OF AGRICULTURAL RESOURCES AND REGIONAL PLANNING, CHINESE ACADEMY OF AGRICULTURAL SCIENCES Applicant before: Suzhou Cloud View Information Technology Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211228 |