CN114089765A - 一种面向城市绿地的割草机器人遍历路径规划方法 - Google Patents

一种面向城市绿地的割草机器人遍历路径规划方法 Download PDF

Info

Publication number
CN114089765A
CN114089765A CN202111386248.2A CN202111386248A CN114089765A CN 114089765 A CN114089765 A CN 114089765A CN 202111386248 A CN202111386248 A CN 202111386248A CN 114089765 A CN114089765 A CN 114089765A
Authority
CN
China
Prior art keywords
traversal
sub
grid
map
node
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
Application number
CN202111386248.2A
Other languages
English (en)
Inventor
王新彦
盛冠杰
易政洋
张凯
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.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
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 Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202111386248.2A priority Critical patent/CN114089765A/zh
Publication of CN114089765A publication Critical patent/CN114089765A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
    • 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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • 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

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)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种面向城市绿地的割草机器人遍历路径规划方法，包括：获取目标区域原始地图：通过激光雷达获取自身当前位置信息和目标区域的环境地图信息即雷达地图，将该雷达地图作为目标区域的原始地图；原始地图的划分：采用牛耕式分解法对原始地图进行区域划分，将原始地图划分成多个不含障碍物的子区域；确定子区域的遍历顺序：采用深度优先搜索算法规划各个子区域的遍历顺序；各个子区域的遍历：对子区域内部进行往复前进式遍历，采用改进A*算法完成子区域间路径转移，从而实现对目标区域的全覆盖遍历。本发明能有效降低割草机器人遍历路径规划实现的难度，提高割草机器人工作效率，遍历覆盖率高且重复率低，具有良好的环境适应能力。

Description

一种面向城市绿地的割草机器人遍历路径规划方法
技术领域
本发明属于智能控制技术领域，涉及一种机器人路径规划方法，具体涉及一种面向城市绿地的割草机器人遍历路径规划方法。
背景技术
当前，城市化的迅猛发展促使市政绿化进程逐步加快，大面积绿地需要进行修剪维护工作。割草机器人以低成本、零污染、噪音小和安全可靠的优势取代传统燃油式割草机，在城市绿化维护方面被广泛使用。目前，市面上割草机器人使用的遍历路径规划算法多为随机式遍历算法，该类产品的成本较低，获得了一定的应用市场，但其最大的问题是在对目标区域进行全覆盖遍历过程中存在着较高的遍历重复率，工作效率较低。
所以，需要一个新的技术方案来解决上述问题。
发明内容
发明目的：为了克服现有技术中存在的遍历重复率高，工作效率较低的问题，提供一种面向城市绿地的割草机器人遍历路径规划方法，能有效降低割草机器人遍历路径规划实现的难度，提高割草机器人工作效率，遍历覆盖率高且重复率低，具有良好的环境适应能力。
技术方案：为实现上述目的，本发明提供一种面向城市绿地的割草机器人遍历路径规划方法，包括如下步骤：
S1：获取目标区域原始地图：通过机器人搭载的激光雷达获取自身当前位置信息和目标区域的环境地图信息即雷达地图，将该雷达地图作为目标区域的原始地图；
S2：原始地图的划分：采用牛耕式分解法对原始地图进行区域划分，将原始地图划分成多个不含障碍物的子区域；
S3：确定子区域的遍历顺序：采用深度优先搜索算法规划各个子区域的遍历顺序；
S4：各个子区域的遍历：基于遍历顺序，对子区域内部进行往复前进式遍历，采用改进A*算法完成子区域间路径转移，从而实现对目标区域的全覆盖遍历。
进一步地，所述步骤S2中原始地图的划分具体包含如下步骤：
A1：对原始地图进行二值化处理得到二值图像，接着设定单元格长度为割草机器人的割幅大小对二值图像进行栅格化，再对经过栅格化处理的地图采取二值膨胀处理；
A2：对处理后的图像遍历数组列数，判断切片连通性，返回连通性个数和连通区域；
A3：若切片连通性发生改变，采用步骤A2返回的连通区域判断是分离事件还是合并事件，并将结果返回当前子区域存储；
A4：将划分的各个子区域在原始地图上显示。
进一步地，所述步骤S3中子区域的遍历顺序的确定具体包括如下步骤：
B1：确定起点v：构建连通图将各个子区域在连通图中用各个顶点表示，选择任意一个子区域顶点作为起点v；
B2：从起点v开始访问其周围任意一个连通顶点w1；
B3：从顶点w1出发，访问与顶点w1连通尚未被访问过的顶点w2，以此类推，所有的连通顶点都仅被访问一次，直至到达最后一个顶点；
B4：从顶点wn进行回溯操作，退回到前一次访问的顶点wn-1，查看是否还有其他遗漏顶点，如果有，则访问此顶点，如果没有，从当前顶点退回前一顶点；
B5：循环以上操作，直至所有的顶点都被访问过，输出数组的顶点序列，即各个子区域的遍历顺序。
进一步地，所述步骤S4中对子区域内部进行往复前进式遍历的方法过程包括如下步骤：
C1：设定地图中栅格的两种状态：自由栅格用“0”表示，障碍物栅格用“1”表示；
C2：割草机器人获取自身当前位置信息和地图栅格状态信息并实时更新；栅格状态为自由未覆盖栅格，其对应方向为可移动方向，栅格状态为自由已覆盖栅格或者障碍物栅格，其对应方向则为不可移动方向；
C3：从子区域的顶点出发，首先检测竖直方向是否可以移动，若竖直方向可以移动则沿着该方向一直移动，直至碰到障碍物；
C4：若竖直方向上移动时碰到障碍物，则检测水平方向是否可以移动，若水平方向可以移动则沿着该方向移动一个栅格，转向与之前相反的竖直方向进行移动；
C5：循环执行上述过程，直至检测到当前局部区域不存在自由未覆盖栅格，则完成此次子区域内部遍历。
进一步地，所述步骤C3中竖直方向包括North方向、South方向，其中North方向优先被检测。
进一步地，所述步骤C4中水平方向包括East方向、West方向，其中East方向优先被检测。
进一步地，所述步骤S4中采用改进A*算法完成子区域间路径转移具体包括如下步骤：
D1：设定地图中栅格的两种状态：自由栅格用“0”表示，障碍物栅格用“1”表示；
D2：割草机器人获取自身当前位置信息和地图栅格状态信息并实时更新，并设置机器人当前遍历子区域的遍历终点坐标位置为起始点、下一个待遍历子区域的遍历起点坐标位置为目标点；
D3：设置一个开放存储表(OpenList)和关闭存储表(ClosedList)，将起始点添加到开放存储列表中，此时关闭存储列表为空，并设置当前点为起始点；
D4：判断当前点是否为目的地，若不是，则进入下一步骤D5，若是，则进入步骤D9；
D5：生成当前点的8个子节点，计算各子节点的评价函数f(n)值；
D6：将子节点的信息添加到开放存储列表中，其中子节点的信息包括标记位为1、子节点坐标、其父节点坐标、f(n)值，选择f(n)值最小的子节点，并将其标志位设为0；
D7：将f(n)最小的子节点添加到关闭存储列表中，并将其设置为当前节点；
D8：判断标记位为1的节点是否存在，若存在，进入步骤D4；若不存在，则无可选节点，算法结束，运算失败；
D9：从目标点开始逆向搜索其父节点，生成一组由起始点到目的地的路径坐标数组；
D10：对路径节点进行双向连点判断，优化路径节点，生成新的路径节点数组；
D11：输出路径节点数组，即为搜索路径，算法结束。
进一步地，所述步骤D5中各子节点的评价函数f(n)值为：f(n)＝g(n)+h(n)，g(n)是从起始点到当前栅格的移动代价，即起始点与当前栅格之间的欧式距离，h(n)是从当前栅格到目标点的估计代价，即当前栅格与目标点之间的欧式距离。
进一步地，所述步骤D10中路径节点的双向连点判断方式为：若节点ni的前后两个节点ni-1和ni+1相连的线段与障碍物边界点的垂直距离l大于防碰撞安全间距η，则删除节点ni；若节点ni-1和ni+1相连的线段与障碍物边界点的垂直距离l小于或等于防碰撞安全间距η，则保留路径节点ni；防碰撞安全间距η的大小与栅格单元边长γ有关，满足η∈(0,0.5γ)，η的值可根据实际情况进行调节。
有益效果：本发明与现有技术相比，具备如下优点：
1、本发明的遍历路径规划方法在对目标区域进行全覆盖遍历时，遍历覆盖率高且遍历重复率低。
2、本发明采用区域分解法结合改进A*算法和深度优先搜索算法完成割草机器人对城市绿地的遍历路径规划，既能完成对目标区域划分后的子区域的遍历顺序规划，又能完成子区域之间的路径转移规划；其中牛耕式分解法对城市绿地目标区域做划分，能有效降低遍历路径规划实现的难度；采用深度优先搜索算法确定子区域的遍历顺序，可以避免同一个子区域被遍历二次；子区域间路径转移部分采用改进A*算法能有效减少机器人在区域转移时的冗余路径。本发明方法规划效率高且易于实现，具有良好的环境适应能力。
3、与现有的只考虑最短路径的A*算法不同，本发明的改进A*算法是通过对A*算法规划的路径节点进行优化删除来减少路径长度和转向次数，提高路径的平滑性与安全性，能有效节省机器人电能，降低使用成本。
附图说明
图1为本发明的遍历路径规划方法流程图；
图2为本发明的城市绿地仿真环境地图；
图3为本发明的经过二值膨胀处理后的地图；
图4为本发明的牛耕式分解结果图；
图5为本发明的子区域连通图；
图6为本发明的子区域遍历顺序规划图；
图7为本发明的改进A*算法流程图；
图8为本发明的A*算法改进前后的路径转移结果图；其中，(a)为A*算法，(b)为改进A*算法；
图9为本发明的遍历路径规划结果图；
图10为本发明的路径转移距离对比图；
图11为本发明的路径转移转向次数对比图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种面向城市绿地的割草机器人遍历路径规划方法，如图1所示，包括如下步骤：
S1：获取目标区域原始地图：通过机器人搭载的激光雷达获取自身当前位置信息和目标区域的环境地图信息即雷达地图，将该雷达地图作为目标区域的原始地图；
S2：原始地图的划分：采用牛耕式分解法对原始地图进行区域划分，将原始地图划分成多个不含障碍物的子区域；
牛耕式分解法是一种区域分解法，该方法能对包含不规则障碍物的环境区域进行划分，本实施例中采用牛耕式分解法对原始地图的划分具体包含如下步骤A1-A4：
A1：对原始地图进行二值化处理得到二值图像，接着设定单元格长度为割草机器人的割幅大小对二值图像进行栅格化，再对经过栅格化处理的地图采取二值膨胀处理；
A2：对处理后的图像遍历数组列数，判断切片连通性，返回连通性个数和连通区域；
A3：若切片连通性发生改变，采用步骤A2返回的连通区域判断是分离事件还是合并事件，并将结果返回当前子区域存储；
A4：将划分的各个子区域在原始地图上显示。
本实施例假设一条垂直的切割线从左往右扫描整个有界区域，每当遇到障碍物上的临界点或边时便进行分割，目标区域中的非障碍物部分进而被分割成多个子区域；图2为城市绿地仿真环境地图，图3为经过一系列图像处理后表示效果精确的栅格地图，图4为采用牛耕式分解法划分后的环境地图。
S3：确定子区域的遍历顺序：采用深度优先搜索算法规划各个子区域的遍历顺序；
通过构建连通图来表示子区域之间的相邻关系，深度优先搜索算法是图算法中一种著名的搜索算法，经常被用来遍历连通图中每个节点，找到一条详尽可靠的覆盖路径，本实施例中图5为表示子区域间相邻关系的连通图，图6为采用深度优先搜索算法规划的子区域遍历顺序图。参照图5和图6，本实施例中采用深度优先搜索算法规划子区域的遍历顺序具体包括如下步骤B1-B5：
B1：确定起点v：构建连通图将各个子区域在连通图中用各个顶点表示，选择任意一个子区域顶点作为起点v；
B2：从起点v开始访问其周围任意一个连通顶点w1；
B3：从顶点w1出发，访问与顶点w1连通尚未被访问过的顶点w2，以此类推，所有的连通顶点都仅被访问一次，直至到达最后一个顶点；
B4：从顶点wn进行回溯操作，退回到前一次访问的顶点wn-1，查看是否还有其他遗漏顶点，如果有，则访问此顶点，如果没有，从当前顶点退回前一顶点；
B5：循环以上操作，直至所有的顶点都被访问过，输出数组的顶点序列，即各个子区域的遍历顺序。
S4：各个子区域的遍历：基于遍历顺序，对子区域内部进行往复前进式遍历，采用改进A*算法完成子区域间路径转移，从而实现对目标区域的全覆盖遍历；
本实施例中对子区域内部进行往复前进式遍历的方法过程包括如下步骤C1-C5：
C1：设定地图中栅格的两种状态：自由栅格用“0”表示，障碍物栅格用“1”表示；
C2：割草机器人获取自身当前位置信息和地图栅格状态信息并实时更新；栅格状态为自由未覆盖栅格，其对应方向为可移动方向，栅格状态为自由已覆盖栅格或者障碍物栅格，其对应方向则为不可移动方向；
C3：从子区域的顶点出发，首先检测竖直方向是否可以移动，竖直方向包括North方向、South方向，其中North方向优先被检测，若竖直方向可以移动则沿着该方向一直移动，直至碰到障碍物；
C4：若竖直方向上移动时碰到障碍物，则检测水平方向是否可以移动，水平方向包括East方向、West方向，其中East方向优先被检测，若水平方向可以移动则沿着该方向移动一个栅格，转向与之前相反的竖直方向进行移动；
C5：循环执行上述过程，直至检测到当前局部区域不存在自由未覆盖栅格，则完成此次子区域内部遍历。
本实施例中采用改进A*算法完成子区域间路径转移，参照图7，其具体包括如下步骤：
D1：设定地图中栅格的两种状态：自由栅格用“0”表示，障碍物栅格用“1”表示；
D2：割草机器人获取自身当前位置信息和地图栅格状态信息并实时更新，并设置机器人当前遍历子区域的遍历终点坐标位置为起始点、下一个待遍历子区域的遍历起点坐标位置为目标点；
D3：设置一个开放存储表(OpenList)和关闭存储表(ClosedList)，将起始点添加到开放存储列表中，此时关闭存储列表为空，并设置当前点为起始点；
D4：判断当前点是否为目的地，若不是，则进入下一步骤D5，若是，则进入步骤D9；
D5：生成当前点的8个子节点，计算各子节点的评价函数f(n)值：f(n)＝g(n)+h(n)，g(n)是从起始点到当前栅格的移动代价，即起始点与当前栅格之间的欧式距离，h(n)是从当前栅格到目标点的估计代价，即当前栅格与目标点之间的欧式距离；
D6：将子节点的信息添加到开放存储列表中，其中子节点的信息包括标记位为1、子节点坐标、其父节点坐标、f(n)值，选择f(n)值最小的子节点，并将其标志位设为0；
D7：将f(n)最小的子节点添加到关闭存储列表中，并将其设置为当前节点；
D8：判断标记位为1的节点是否存在，若存在，进入步骤D4；若不存在，则无可选节点，算法结束，运算失败；
D9：从目标点开始逆向搜索其父节点，生成一组由起始点到目的地的路径坐标数组；
D10：对路径节点进行双向连点判断，若节点ni的前后两个节点ni-1和ni+1相连的线段与障碍物边界点的垂直距离l大于防碰撞安全间距η，则删除节点ni；若节点ni-1和ni+1相连的线段与障碍物边界点的垂直距离l小于或等于防碰撞安全间距η，则保留路径节点ni；防碰撞安全间距η的大小与栅格单元边长γ有关，满足η∈(0,0.5γ)，η的值可根据实际情况进行调节，优化路径节点，生成新的路径节点数组；
D11：输出路径节点数组，即为搜索路径，算法结束。
采用改进A*算法规划子区域之间的转移路径，相较于A*算法，改进A*算法规划的路径长度更短、转向次数更少。
基于上述方案，为了验证上述本发明方法的有效性和实际性能效果，本实施例中从遍历覆盖率和遍历重复率方面评价遍历路径规划的性能，与A*算法进行对比试验，从路径长度和转向次数方面评价改进A*算法在子区域间路径转移的性能。
图9为遍历路径规划方法的仿真试验结果图，由图可知，本发明方法的遍历覆盖率达到100％，遍历重复率为0％，有效证明了该方法的可行性。
图8为A*算法改进前后的路径转移结果图，(a)为A*算法，(b)为改进A*算法，图中用“黑色实心圆”表示每个子区域的遍历起点，用“黑色实心五角星”表示每个子区域的遍历终点，遍历整个栅格地图需要进行九次跨区域路径转移，这里主要对比其中三条转移路径，对应路径在图8中已用加粗黑线表示，图10为路径转移距离对比图，图11为路径转移转向次数对比图，由图可知，相较于A*算法，本发明提供的改进A*算法规划的路径长度缩短了3.26％，转向次数减少了62.5％，且路径不会出现穿过障碍物边界点的情况，提高了路径的平滑性和安全性。

Claims (9)

1.一种面向城市绿地的割草机器人遍历路径规划方法，其特征在于，包括如下步骤：
S1：获取目标区域原始地图：通过机器人搭载的激光雷达获取自身当前位置信息和目标区域的环境地图信息即雷达地图，将该雷达地图作为目标区域的原始地图；
S2：原始地图的划分：采用牛耕式分解法对原始地图进行区域划分，将原始地图划分成多个不含障碍物的子区域；
S3：确定子区域的遍历顺序：采用深度优先搜索算法规划各个子区域的遍历顺序；
S4：各个子区域的遍历：基于遍历顺序，对子区域内部进行往复前进式遍历，采用改进A*算法完成子区域间路径转移，从而实现对目标区域的全覆盖遍历。
2.根据权利要求1所述的一种面向城市绿地的割草机器人遍历路径规划方法，其特征在于，所述步骤S2中原始地图的划分具体包含如下步骤：
A1：对原始地图进行二值化处理得到二值图像，接着设定单元格长度为割草机器人的割幅大小对二值图像进行栅格化，再对经过栅格化处理的地图采取二值膨胀处理；
A2：对处理后的图像遍历数组列数，判断切片连通性，返回连通性个数和连通区域；
A3：若切片连通性发生改变，采用步骤A2返回的连通区域判断是分离事件还是合并事件，并将结果返回当前子区域存储；
A4：将划分的各个子区域在原始地图上显示。
3.根据权利要求1所述的一种面向城市绿地的割草机器人遍历路径规划方法，其特征在于，所述步骤S3中子区域的遍历顺序的确定具体包括如下步骤：
B1：确定起点v：构建连通图将各个子区域在连通图中用各个顶点表示，选择任意一个子区域顶点作为起点v；
B2：从起点v开始访问其周围任意一个连通顶点w1；
B3：从顶点w1出发，访问与顶点w1连通尚未被访问过的顶点w2，以此类推，所有的连通顶点都仅被访问一次，直至到达最后一个顶点；
B4：从顶点wn进行回溯操作，退回到前一次访问的顶点wn-1，查看是否还有其他遗漏顶点，如果有，则访问此顶点，如果没有，从当前顶点退回前一顶点；
B5：循环以上操作，直至所有的顶点都被访问过，输出数组的顶点序列，即各个子区域的遍历顺序。
4.根据权利要求1所述的一种面向城市绿地的割草机器人遍历路径规划方法，其特征在于，所述步骤S4中对子区域内部进行往复前进式遍历的方法过程包括如下步骤：
C1：设定地图中栅格的两种状态：自由栅格用“0”表示，障碍物栅格用“1”表示；
C2：割草机器人获取自身当前位置信息和地图栅格状态信息并实时更新；栅格状态为自由未覆盖栅格，其对应方向为可移动方向，栅格状态为自由已覆盖栅格或者障碍物栅格，其对应方向则为不可移动方向；
C3：从子区域的顶点出发，首先检测竖直方向是否可以移动，若竖直方向可以移动则沿着该方向一直移动，直至碰到障碍物；
C4：若竖直方向上移动时碰到障碍物，则检测水平方向是否可以移动，若水平方向可以移动则沿着该方向移动一个栅格，转向与之前相反的竖直方向进行移动；
C5：循环执行上述过程，直至检测到当前局部区域不存在自由未覆盖栅格，则完成此次子区域内部遍历。
5.根据权利要求4所述的一种面向城市绿地的割草机器人遍历路径规划方法，其特征在于，所述步骤C3中竖直方向包括North方向、South方向，其中North方向优先被检测。
6.根据权利要求4所述的一种面向城市绿地的割草机器人遍历路径规划方法，其特征在于，所述步骤C4中水平方向包括East方向、West方向，其中East方向优先被检测。
7.根据权利要求1所述的一种面向城市绿地的割草机器人遍历路径规划方法，其特征在于，所述步骤S4中采用改进A*算法完成子区域间路径转移具体包括如下步骤：
D1：设定地图中栅格的两种状态：自由栅格用“0”表示，障碍物栅格用“1”表示；
D2：割草机器人获取自身当前位置信息和地图栅格状态信息并实时更新，并设置机器人当前遍历子区域的遍历终点坐标位置为起始点、下一个待遍历子区域的遍历起点坐标位置为目标点；
D3：设置一个开放存储表和关闭存储表，将起始点添加到开放存储列表中，此时关闭存储列表为空，并设置当前点为起始点；
D4：判断当前点是否为目的地，若不是，则进入下一步骤D5，若是，则进入步骤D9；
D5：生成当前点的8个子节点，计算各子节点的评价函数f(n)值；
D6：将子节点的信息添加到开放存储列表中，其中子节点的信息包括标记位为1、子节点坐标、其父节点坐标、f(n)值，选择f(n)值最小的子节点，并将其标志位设为0；
D7：将f(n)最小的子节点添加到关闭存储列表中，并将其设置为当前节点；
D8：判断标记位为1的节点是否存在，若存在，进入步骤D4；若不存在，则无可选节点，算法结束，运算失败；
D9：从目标点开始逆向搜索其父节点，生成一组由起始点到目的地的路径坐标数组；
D10：对路径节点进行双向连点判断，优化路径节点，生成新的路径节点数组；
D11：输出路径节点数组，即为搜索路径，算法结束。
8.根据权利要求7所述的一种面向城市绿地的割草机器人遍历路径规划方法，其特征在于，所述步骤D5中各子节点的评价函数f(n)值为：f(n)＝g(n)+h(n)，g(n)是从起始点到当前栅格的移动代价，即起始点与当前栅格之间的欧式距离，h(n)是从当前栅格到目标点的估计代价，即当前栅格与目标点之间的欧式距离。
9.根据权利要求7所述的一种面向城市绿地的割草机器人遍历路径规划方法，其特征在于，所述步骤D10中路径节点的双向连点判断方式为：若节点ni的前后两个节点ni-1和ni+1相连的线段与障碍物边界点的垂直距离l大于防碰撞安全间距η，则删除节点ni；若节点ni-1和ni+1相连的线段与障碍物边界点的垂直距离l小于或等于防碰撞安全间距η，则保留路径节点ni；防碰撞安全间距η的大小与栅格单元边长γ有关，满足η∈(0,0.5γ)。
CN202111386248.2A 2021-11-22 2021-11-22 一种面向城市绿地的割草机器人遍历路径规划方法 Pending CN114089765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111386248.2A CN114089765A (zh) 2021-11-22 2021-11-22 一种面向城市绿地的割草机器人遍历路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111386248.2A CN114089765A (zh) 2021-11-22 2021-11-22 一种面向城市绿地的割草机器人遍历路径规划方法

Publications (1)

Publication Number Publication Date
CN114089765A true CN114089765A (zh) 2022-02-25

Family

ID=80302784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111386248.2A Pending CN114089765A (zh) 2021-11-22 2021-11-22 一种面向城市绿地的割草机器人遍历路径规划方法

Country Status (1)

Country Link
CN (1) CN114089765A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115309146A (zh) * 2022-06-29 2022-11-08 华中科技大学 一种面向区域监测的多机器人遍历方法
CN115857516A (zh) * 2023-03-02 2023-03-28 之江实验室 结合牛耕式运动与遗传算法的全覆盖路径规划方法和装置
CN116048069A (zh) * 2022-12-19 2023-05-02 香港中文大学（深圳） 一种基于gps定位的室外全覆盖路径规划方法及机器人
CN116185045A (zh) * 2023-04-26 2023-05-30 麦岩智能科技(北京)有限公司 一种路径规划方法、装置、电子设备及介质
CN116820140A (zh) * 2023-08-30 2023-09-29 兰笺(苏州)科技有限公司 一种无人作业设备的路径规划方法及装置
WO2024012286A1 (zh) * 2022-07-12 2024-01-18 松灵机器人(深圳)有限公司 割草方法、装置、割草机器人以及存储介质
CN118254162A (zh) * 2023-04-12 2024-06-28 上海馥逸医疗科技有限公司 机器人系统以及其执行机械臂的控制方法、存储介质
WO2024159849A1 (zh) * 2023-01-30 2024-08-08 浙江白马科技有限公司 一种自主作业设备的作业方法及自主作业设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947114A (zh) * 2019-04-12 2019-06-28 南京华捷艾米软件科技有限公司 基于栅格地图的机器人全覆盖路径规划方法、装置及设备
CN110502006A (zh) * 2019-07-22 2019-11-26 中国矿业大学 一种矿区废弃地移动机器人全覆盖路径规划方法
CN112114584A (zh) * 2020-08-14 2020-12-22 天津理工大学 一种球形两栖机器人的全局路径规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947114A (zh) * 2019-04-12 2019-06-28 南京华捷艾米软件科技有限公司 基于栅格地图的机器人全覆盖路径规划方法、装置及设备
CN110502006A (zh) * 2019-07-22 2019-11-26 中国矿业大学 一种矿区废弃地移动机器人全覆盖路径规划方法
CN112114584A (zh) * 2020-08-14 2020-12-22 天津理工大学 一种球形两栖机器人的全局路径规划方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115309146A (zh) * 2022-06-29 2022-11-08 华中科技大学 一种面向区域监测的多机器人遍历方法
CN115309146B (zh) * 2022-06-29 2024-04-26 华中科技大学 一种面向区域监测的多机器人遍历方法
WO2024012286A1 (zh) * 2022-07-12 2024-01-18 松灵机器人(深圳)有限公司 割草方法、装置、割草机器人以及存储介质
CN116048069A (zh) * 2022-12-19 2023-05-02 香港中文大学（深圳） 一种基于gps定位的室外全覆盖路径规划方法及机器人
CN116048069B (zh) * 2022-12-19 2023-12-26 香港中文大学（深圳） 一种基于gps定位的室外全覆盖路径规划方法及机器人
WO2024159849A1 (zh) * 2023-01-30 2024-08-08 浙江白马科技有限公司 一种自主作业设备的作业方法及自主作业设备
CN115857516A (zh) * 2023-03-02 2023-03-28 之江实验室 结合牛耕式运动与遗传算法的全覆盖路径规划方法和装置
CN118254162A (zh) * 2023-04-12 2024-06-28 上海馥逸医疗科技有限公司 机器人系统以及其执行机械臂的控制方法、存储介质
CN116185045A (zh) * 2023-04-26 2023-05-30 麦岩智能科技(北京)有限公司 一种路径规划方法、装置、电子设备及介质
CN116820140A (zh) * 2023-08-30 2023-09-29 兰笺(苏州)科技有限公司 一种无人作业设备的路径规划方法及装置

Similar Documents

Publication Publication Date Title
CN114089765A (zh) 一种面向城市绿地的割草机器人遍历路径规划方法
CN112034836B (zh) 一种改进a*算法的移动机器人路径规划方法
CN108549385B (zh) 一种结合a*算法和vfh避障算法的机器人动态路径规划方法
CN111338359B (zh) 一种基于距离判断和角度偏转的移动机器人路径规划方法
US20200284596A1 (en) Route planning method for mobile vehicle
CN108646765A (zh) 基于改进a*算法的四足机器人路径规划方法及系统
CN107301254A (zh) 一种路网热点区域挖掘方法
CN109163722B (zh) 一种仿人机器人路径规划方法及装置
CN110231824B (zh) 基于直线偏离度方法的智能体路径规划方法
CN113515129B (zh) 一种基于边界查找的双向跳点搜索无人车路径规划方法
CN108775902A (zh) 基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统
CN106695802A (zh) 基于多自由度机械臂的改进式rrt*的避障运动规划方法
CN109059924A (zh) 基于a*算法的伴随机器人增量路径规划方法及系统
CN109931942A (zh) 机器人路径生成方法、装置、机器人和存储介质
CN111728535B (zh) 一种生成清扫路径的方法、装置、电子设备及存储介质
CN111966097B (zh) 基于栅格地图区域化探索的建图方法、系统以及终端
CN105527964A (zh) 一种机器人路径规划方法
CN113009916B (zh) 一种基于全局地图探索的路径规划方法、芯片及机器人
CN113189988B (zh) 一种基于Harris算法与RRT算法复合的自主路径规划方法
CN112025715A (zh) 一种局部环境未知的移动机器人双层路径规划方法
CN116501064A (zh) 一种光伏电站清扫机器人的路径规划及避障方法
CN115060281A (zh) 一种基于voronoi图的全局路径引导点生成规划方法
CN112486182B (zh) 一种实现未知环境地图构建与路径规划的扫地机器人及其使用方法
CN116764225B (zh) 一种高效寻路的处理方法、装置、设备及介质
CN116009552A (zh) 一种路径规划方法、装置、设备及存储介质

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