CN114442638A - 一种基于大数据路径规划的清淤机器人 - Google Patents

一种基于大数据路径规划的清淤机器人 Download PDF

Info

Publication number
CN114442638A
CN114442638A CN202210131998.3A CN202210131998A CN114442638A CN 114442638 A CN114442638 A CN 114442638A CN 202210131998 A CN202210131998 A CN 202210131998A CN 114442638 A CN114442638 A CN 114442638A
Authority
CN
China
Prior art keywords
dredging
module
silt
key
area
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
CN202210131998.3A
Other languages
English (en)
Other versions
CN114442638B (zh
Inventor
孙基男
范瑞峰
谢广明
王晨
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.)
Peking University
Original Assignee
Peking University
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 Peking University filed Critical Peking University
Priority to CN202210131998.3A priority Critical patent/CN114442638B/zh
Publication of CN114442638A publication Critical patent/CN114442638A/zh
Application granted granted Critical
Publication of CN114442638B publication Critical patent/CN114442638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • 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)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于大数据路径规划的清淤机器人，包括清淤区域输入模块、效果反馈模块、路径规划模块、淤块预测模块和执行模块，所述清淤区域输入模块用于接收清淤地图，所述淤块预测模块基于清淤地图对地图中的淤泥分布进行预测，所述路径规划模块基于所述预测结果制定清淤路径，所述执行模块按照所述清淤路径进行一次清淤操作，所述效果反馈模块检测清淤结果并发送给所述淤块预测模块，所述执行模块根据清淤结果进行二次清淤操作；所述清淤机器人能够根据地图的特点制定不同的清淤路径，该路径会随着每次清淤的结果数据而不断改进，使得清淤的效果不断优化。

Description

一种基于大数据路径规划的清淤机器人
技术领域
本公开大体上涉及智能清洁领域，且更明确地说涉及一种基于大数据路径规划的清淤机器人。
背景技术
在一些场合容易产生淤泥而又不方便人为的清除淤泥时，往往使用清淤机器人来完成清淤作业，若通过人为控制清淤路径的话不够便捷，但是自动进行清淤作业的话，清淤过程中会将部分淤泥弄到已经清除过的区域，导致最终的清淤效果不够理想，现需要一种能够基于清淤地图自动制定清淤路径，且清淤效果又理想的机器人；
现在已经开发出了很多授权系统，经过我们大量的检索与参考，发现现有的授权系统有如公开号为KR101353111B1，KR101744502B1、CN110764518B和KR100642654B1所公开的系统，采用混合布谷鸟搜索和蝙蝠算法的方法，使清淤机器人在避障的同时能够以最短路径到达清淤目标点。清淤机器人到达目标点后，采用“S”字型对清淤区域进行全面清扫，并且利用几何算法完成避障。但这种机器人实现的是路径最短，而不是清淤效果最佳，无法应用于对清淤效果较为严格的场所。
发明内容
本发明的目的在于，针对所存在的不足，提出了一种基于大数据路径规划的清淤机器人，
本发明采用如下技术方案：
一种基于大数据路径规划的清淤机器人，包括清淤区域输入模块、淤块预测模块、路径规划模块、执行模块和效果反馈模块，所述清淤区域输入模块用于接收并预处理清淤地图，所述淤块预测模块基于清淤地图对地图中的淤泥分布进行预测，所述路径规划模块基于所述预测结果制定清淤路径，所述执行模块按照所述清淤路径进行清淤操作，所述效果反馈模块用于检测清淤结果并发送给所述淤块预测模块；
所述淤块预测模块将所述清淤地图分为非清淤关键区域和若干个清淤关键区域，并为每个清淤关键区域计算处理得到预测参数，所述预测参数包括积淤率α和清淤难度β，然后结合清淤的时间间隔t计算得到清淤关键区域的执行参数Co：
Figure BDA0003502942730000011
其中，t0为时间基数；
所述路径规划模块通过将所述清淤关键区域进行队列排序获得规划路径，先将执行参数Co最大的清淤关键区域置于队列的首位，然后计算剩余清淤关键区域的优先度Pr：
Figure BDA0003502942730000021
其中，L为待计算的清淤关键区域与队列中的最后一个清淤关键区域的距离，
Figure BDA0003502942730000022
为标准单位距离；
所述路径规划模块将优先度Pr最大的清淤关键区域置于队列中；
不断重复上述过程直至所有清淤关键区域完成队列排序；
进一步的，所述清淤关键区域包括边界线和边界角，所述边界线的积淤率α的计算公式为：
α＝k1·logL·dL′；
其中，k1为线系数，L为该边界线的长度，L′为不相连且离待计算的边界线最近的另一条边界线的长度，d为这两条边界线之间的距离。
所述边界角的积淤率α的计算公式为：
Figure BDA0003502942730000023
其中，k2为角系数，L0为标准长度，θ为边界角的夹角；
进一步的，所述清淤关键区域的清淤难度β的计算公式为：
Figure BDA0003502942730000024
其中，
Figure BDA0003502942730000025
为标准距离；
当清淤关键区域为边界线时，视其θ为π；
进一步的，所述执行模块对每个清淤关键区域进行清淤作业时，根据其对应的执行参数来设置清淤强度和清淤时间，每个不同等级的清淤强度对应一个执行参数区间，而所述清淤时间的计算公式为：
Figure BDA0003502942730000026
其中，T0为基础清淤时间，Co′为清淤强度等级对应的执行参数区间的左端点，λ为额外时间转换参数；
进一步的，所述效果反馈模块检测完成依次清淤操作后每个清淤关键区域的残留淤泥量SL并发送给所述淤块预测模块，所述淤块预测模块对该清淤关键区域的积淤率α进行调整，调整公式为：
Figure BDA0003502942730000031
其中，α′为调整后的积淤率，函数c(SL)为执行参数转换函数，能够将淤泥量转换成对应的执行参数。
本发明所取得的有益效果是：
本系统对清淤地图实现本地存储，当再次对同一个清淤地点进行清理时，直接调用经过优化后的参数来制定路径，更加便捷，本系统对每一个新的清淤地点会结合其地形特点来制定路径，具有针对性，在制定路径时，会先确定一些清淤关键区域并对这些清淤关键区域进行排序，使得容易在清淤过程中将淤泥产生到其他区域的清淤关键区域优先进行清淤作业，提高清淤效果，本系统还通过效果反馈模块对清淤关键区域的预测参数进行修正，使得清淤次数越多，制定的清淤路径更加优化。
为使能更进一步了解本发明的特征及技术内容，请参阅以下有关本发明的详细说明与附图，然而所提供的附图仅用于提供参考与说明，并非用来对本发明加以限制。
附图说明
图1为本发明整体结构框架示意图；
图2为本发明清淤关键区域示意图；
图3为本发明边界线中d的取值示意图；
图4为本发明边界角中d的取值示意图；
图5为本发明清淤关键区域排序流程示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用，本说明书中的各项细节也可基于不同观点与应用，在不悖离本发明的精神下进行各种修饰与变更。另外，本发明的附图仅为简单示意说明，并非依实际尺寸的描绘，事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容，但所公开的内容并非用以限制本发明的保护范围。
实施例一。
本实施例提供了一种基于大数据路径规划的清淤机器人，结合图1，包括清淤区域输入模块、淤块预测模块、路径规划模块、执行模块和效果反馈模块，所述清淤区域输入模块用于接收并预处理清淤地图，所述淤块预测模块基于清淤地图对地图中的淤泥分布进行预测，所述路径规划模块基于所述预测结果制定清淤路径，所述执行模块按照所述清淤路径进行清淤操作，所述效果反馈模块用于检测清淤结果并发送给所述淤块预测模块；
所述淤块预测模块将所述清淤地图分为非清淤关键区域和若干个清淤关键区域，并为每个清淤关键区域计算处理得到预测参数，所述预测参数包括积淤率α和清淤难度β，然后结合清淤的时间间隔t计算得到清淤关键区域的执行参数Co：
Figure BDA0003502942730000041
其中，t0为时间基数；
所述路径规划模块通过将所述清淤关键区域进行队列排序获得规划路径，先将执行参数Co最大的清淤关键区域置于队列的首位，然后计算剩余清淤关键区域的优先度Pr：
Figure BDA0003502942730000042
其中，L为待计算的清淤关键区域与队列中的最后一个清淤关键区域的距离，
Figure BDA0003502942730000043
为标准单位距离；
所述路径规划模块将优先度Pr最大的清淤关键区域置于队列中；
不断重复上述过程直至所有清淤关键区域完成队列排序；
所述清淤关键区域包括边界线和边界角，所述边界线的积淤率α的计算公式为：
α＝k1·logL·dL′；
其中，k1为线系数，L为该边界线的长度，L′为不相连且离待计算的边界线最近的另一条边界线的长度，d为这两条边界线之间的距离。
所述边界角的积淤率α的计算公式为：
Figure BDA0003502942730000051
其中，k2为角系数，L0为标准长度，θ为边界角的夹角；
所述清淤关键区域的清淤难度β的计算公式为：
Figure BDA0003502942730000052
其中，
Figure BDA0003502942730000053
为标准距离；
当清淤关键区域为边界线时，视其θ为π；
所述执行模块对每个清淤关键区域进行清淤作业时，根据其对应的执行参数来设置清淤强度和清淤时间，每个不同等级的清淤强度对应一个执行参数区间，而所述清淤时间的计算公式为：
Figure BDA0003502942730000054
其中，T0为基础清淤时间，Co′为清淤强度等级对应的执行参数区间的左端点，λ为额外时间转换参数；
所述效果反馈模块检测完成依次清淤操作后每个清淤关键区域的残留淤泥量SL并发送给所述淤块预测模块，所述淤块预测模块对该清淤关键区域的积淤率α进行调整，调整公式为：
Figure BDA0003502942730000055
其中，α′为调整后的积淤率，函数c(SL)为执行参数转换函数，能够将淤泥量转换成对应的执行参数。
实施例二。
本实施例包含了实施例一的全部内容，提供了一种基于大数据路径规划的清淤机器人，包括清淤区域输入模块、效果反馈模块、路径规划模块、淤块预测模块和执行模块，所述清淤区域输入模块用于接收清淤地图，所述淤块预测模块基于清淤地图对地图中的淤泥分布进行预测，所述路径规划模块基于所述预测结果制定清淤路径，所述执行模块按照所述清淤路径进行一次清淤操作，所述效果反馈模块检测清淤结果并发送给所述淤块预测模块，所述执行模块根据清淤结果进行二次清淤操作；
所述清淤区域输入模块在接收到清淤地图时先判断是否为已有地图，当该地图为新地图时，对地图中的边界和障碍物进行标注，同时生成地图的编号，并将编号反馈给地图输入者，当下次需要清理同一张地图时，只需发送地图的编号，所述清淤区域输入模块将标注后的地图保存在本地，然后将地图副本及编号发送给所述淤块预测模块；
所述淤块预测模块在接收到所述地图副本以及编号后，会根据所述编号判断是否为已有地图，若为已有地图，则直接调取预测参数，并根据上次清淤的时间间隔作出淤块预测，若为新地图，则生成基础的预测参数，并将预测参数与编号配对保存在本地；
结合图2，所述淤块预测模块根据地图中的标注信息获取到边界线，所述边界线包括地图的边界以及障碍物的边界，然后将所述边界线进行切分，切分的判断标准为两条边界线的夹角是否小于145°，若小于145°，则在夹角处进行切分，切分后得到m段边界线和n个切分点，所述淤块预测模块在每个切分点各截取相邻的两小段边界线得到n个边界角，所述边界线和所述边界角合称为清淤关键区域，所述淤块预测模块为每个清淤关键区域计算生成预测参数；
所述预测参数包括积淤率α和清淤难度β，所述积淤率α的计算公式为：
α＝k1·logL·dL′，①
Figure BDA0003502942730000061
其中，①式为边界线的积淤率计算公式，②式为边界角的积淤率计算公式，k1为线系数，k2为角系数，L为边界线的长度，L′为不相连且最近的边界线的长度，L0为标准长度，d为本清淤关键区域与不相连且最近的边界线之间的距离，θ为边界角的夹角；
结合图3和图4，当本清淤关键区域为边界线时，d为不相连且最近的边界线的两个端点到本边界线的距离的平均值，当本清淤关键区域为边界角时，d为不相连且最近的边界线与本边界角顶点的最短距离；
所述清淤难度β的计算公式为：
Figure BDA0003502942730000071
其中，
Figure BDA0003502942730000072
为标准距离；
当本清淤关键区域为边界线时，视其θ为π；
所述淤块预测模块根据上次进行清淤的时间得到时间间隔t，并结合积淤率和清淤难度计算出每个清淤关键区域的执行参数Co：
Figure BDA0003502942730000073
其中，t0为时间基数；
若该清淤地图是首次进行清淤，则时间间隔t取默认值；
所述淤块预测模块将清淤地图的副本和所述每个关键区域的执行参数发送给所述路径规划模块；
结合图5，所述路径规划模块进行路径规划的过程包括如下步骤：
S1、将清淤关键区域根据其执行参数从大到小进行排序，处于第i位的清淤关键区域称为第i清淤关键区域；
S2、令规划变量j＝1；
S3、根据地图副本计算第k清淤关键区域与第j清淤关键区域之间的距离Ljk，其中，k的取值为{j+1，j+2，…，m+n}；
S4、计算第k清淤关键区域的综合优先度Prk：
Figure BDA0003502942730000074
其中，Cok表示第k清淤关键区域的执行参数，
Figure BDA0003502942730000075
为标准单位距离；
S5、将第j清淤关键区域后面的所有清淤关键区域根据综合优先度重新从大到小排序；
S6、令j累加1，若j＝m+n，则跳至步骤S7，否则跳至步骤S3；
S7、按照所述清淤关键区域的排序制定对应的清淤路径；
所述路径规划模块将地图副本、清淤路径和每个清淤关键区域的执行参数发送给所述执行模块；
所述执行模块按照所述清淤路径对所有的清淤关键区域进行清淤作业，然后对地图中的非清淤关键区域进行地毯式地清淤作业，所述执行模块对每个清淤关键区域进行清淤作业时，根据其对应的执行参数来设置清淤强度和清淤时间；
所述执行模块内置w个清淤强度等级，每个清淤强度等级对应一段执行参数的区间，一级清淤强度对应的执行参数区间为[0，Co1]，二级清淤强度对应的执行参数区间为[Co1，Co2]，三级清淤强度对应的执行参数区间为[Co2，Co3]，...，w级清淤强度对应的执行参数区间为[Co(w-1)，+∞)；
清淤时间的计算公式为：
Figure BDA0003502942730000081
其中，T0为基础清淤时间，Co′为清淤强度等级对应的执行参数区间的左端点，λ为额外时间转换参数；
所述效果反馈模块对地图中的清淤关键区域中残留的淤泥进行检测，若发现有残留淤泥，将该清淤关键区域的位置以及残留的淤泥量SL发送至所述淤块预测模块，所述淤块预测模块对该清淤关键区域的积淤率α进行调整，调整公式为：
Figure BDA0003502942730000082
其中，α′为调整后的积淤率，函数c(SL)为执行参数转换函数，能够将淤泥量转换成对应的执行参数。
以上所公开的内容仅为本发明的优选可行实施例，并非因此局限本发明的保护范围，所以凡是运用本发明说明书及附图内容所做的等效技术变化，均包含于本发明的保护范围内，此外，随着技术发展其中的元素可以更新的。

Claims (5)

1.一种基于大数据路径规划的清淤机器人，其特征在于，包括清淤区域输入模块、淤块预测模块、路径规划模块、执行模块和效果反馈模块，所述清淤区域输入模块用于接收并预处理清淤地图，所述淤块预测模块基于清淤地图对地图中的淤泥分布进行预测，所述路径规划模块基于所述预测结果制定清淤路径，所述执行模块按照所述清淤路径进行清淤操作，所述效果反馈模块用于检测清淤结果并发送给所述淤块预测模块；
所述淤块预测模块将所述清淤地图分为非清淤关键区域和若干个清淤关键区域，并为每个清淤关键区域计算处理得到预测参数，所述预测参数包括积淤率α和清淤难度β，然后结合清淤的时间间隔t计算得到清淤关键区域的执行参数Co：
Figure FDA0003502942720000011
其中，t0为时间基数；
所述路径规划模块通过将所述清淤关键区域进行队列排序获得规划路径，先将执行参数Co最大的清淤关键区域置于队列的首位，然后计算剩余清淤关键区域的优先度Pr：
Figure FDA0003502942720000012
其中，L为待计算的清淤关键区域与队列中的最后一个清淤关键区域的距离，
Figure FDA0003502942720000013
为标准单位距离；
所述路径规划模块将优先度Pr最大的清淤关键区域置于队列中；
不断重复上述过程直至所有清淤关键区域完成队列排序。
2.如权利要求1所述的一种基于大数据路径规划的清淤机器人，其特征在于，所述清淤关键区域包括边界线和边界角，所述边界线的积淤率α的计算公式为：
α＝k1·logL·dL′；
其中，k1为线系数，L为该边界线的长度，L′为不相连且离待计算的边界线最近的另一条边界线的长度，d为这两条边界线之间的距离。
所述边界角的积淤率α的计算公式为：
Figure FDA0003502942720000014
其中，k2为角系数，L0为标准长度，θ为边界角的夹角。
3.如权利要求2所述的一种基于大数据路径规划的清淤机器人，其特征在于，所述清淤关键区域的清淤难度β的计算公式为：
Figure FDA0003502942720000021
其中，
Figure FDA0003502942720000022
为标准距离；
当清淤关键区域为边界线时，视其θ为π。
4.如权利要求3所述的一种基于大数据路径规划的清淤机器人，其特征在于，所述执行模块对每个清淤关键区域进行清淤作业时，根据其对应的执行参数来设置清淤强度和清淤时间，每个不同等级的清淤强度对应一个执行参数区间，而所述清淤时间的计算公式为：
Figure FDA0003502942720000023
其中，T0为基础清淤时间，Co′为清淤强度等级对应的执行参数区间的左端点，λ为额外时间转换参数，所述λ通过实验测试每一个清淤强度等级下的清淤效果得到。
5.如权利要求4所述的一种基于大数据路径规划的清淤机器人，其特征在于，所述效果反馈模块检测完成依次清淤操作后每个清淤关键区域的残留淤泥量SL并发送给所述淤块预测模块，所述淤块预测模块对该清淤关键区域的积淤率α进行调整，调整公式为：
Figure FDA0003502942720000024
其中，α′为调整后的积淤率，函数c(SL)为执行参数转换函数，能够将淤泥量转换成对应的执行参数。
CN202210131998.3A 2022-02-14 2022-02-14 一种基于大数据路径规划的清淤机器人 Active CN114442638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210131998.3A CN114442638B (zh) 2022-02-14 2022-02-14 一种基于大数据路径规划的清淤机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210131998.3A CN114442638B (zh) 2022-02-14 2022-02-14 一种基于大数据路径规划的清淤机器人

Publications (2)

Publication Number Publication Date
CN114442638A true CN114442638A (zh) 2022-05-06
CN114442638B CN114442638B (zh) 2023-07-07

Family

ID=81370897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210131998.3A Active CN114442638B (zh) 2022-02-14 2022-02-14 一种基于大数据路径规划的清淤机器人

Country Status (1)

Country Link
CN (1) CN114442638B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118464027A (zh) * 2024-07-15 2024-08-09 广东赛威赢环境技术工程有限公司 用于清淤机器人的清淤路径规划系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101059700A (zh) * 2007-03-23 2007-10-24 北京大学 一种水下仿生机器人协作运输方法
CN110458744A (zh) * 2019-08-17 2019-11-15 河海大学 一种基于无线通信网络的河道清淤智能管理系统及控制方法
CN111827403A (zh) * 2019-04-16 2020-10-27 大连贝格数据有限公司 一种水下智能清淤机器人控制系统
CN111908748A (zh) * 2020-08-03 2020-11-10 中建水务环保有限公司 一种河道清淤方法
CN112656307A (zh) * 2020-12-21 2021-04-16 杭州萤石软件有限公司 一种清洁方法及清洁机器人
CN213448385U (zh) * 2020-07-30 2021-06-15 台州学院 一种城市河流漂流物的自动打捞与清理装置
CN113031616A (zh) * 2021-03-12 2021-06-25 湖南格兰博智能科技有限责任公司 一种清洁机器人返回路径规划方法、系统和清洁机器人
CN113189598A (zh) * 2021-05-13 2021-07-30 无锡德林海环保科技股份有限公司 一种湖床盆地快速定位及淤泥分布及厚度快速测定方法
WO2021248846A1 (zh) * 2020-06-12 2021-12-16 珠海一微半导体股份有限公司 一种机器人沿边行走的区域清扫规划方法、芯片及机器人
CN113848947A (zh) * 2021-10-20 2021-12-28 上海擎朗智能科技有限公司 路径规划方法、装置、计算机设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101059700A (zh) * 2007-03-23 2007-10-24 北京大学 一种水下仿生机器人协作运输方法
CN111827403A (zh) * 2019-04-16 2020-10-27 大连贝格数据有限公司 一种水下智能清淤机器人控制系统
CN110458744A (zh) * 2019-08-17 2019-11-15 河海大学 一种基于无线通信网络的河道清淤智能管理系统及控制方法
WO2021248846A1 (zh) * 2020-06-12 2021-12-16 珠海一微半导体股份有限公司 一种机器人沿边行走的区域清扫规划方法、芯片及机器人
CN213448385U (zh) * 2020-07-30 2021-06-15 台州学院 一种城市河流漂流物的自动打捞与清理装置
CN111908748A (zh) * 2020-08-03 2020-11-10 中建水务环保有限公司 一种河道清淤方法
CN112656307A (zh) * 2020-12-21 2021-04-16 杭州萤石软件有限公司 一种清洁方法及清洁机器人
CN113031616A (zh) * 2021-03-12 2021-06-25 湖南格兰博智能科技有限责任公司 一种清洁机器人返回路径规划方法、系统和清洁机器人
CN113189598A (zh) * 2021-05-13 2021-07-30 无锡德林海环保科技股份有限公司 一种湖床盆地快速定位及淤泥分布及厚度快速测定方法
CN113848947A (zh) * 2021-10-20 2021-12-28 上海擎朗智能科技有限公司 路径规划方法、装置、计算机设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
M. ÁLVAREZ: "An integrated approach for the planning of dredging operations in estuaries", 《OCEAN ENGINEERING》 *
侯力扬: "煤矿井下水仓智能清淤机器人的路径规划算法研究", 《电子测量技术》 *
宋政昌等: "清淤机器人在暗涵疏浚工程中的应用", 《西北水电》 *
骆煜; 黄大为: "地下管网清淤机器人开发前景浅析", 《建设机械技术与管理》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118464027A (zh) * 2024-07-15 2024-08-09 广东赛威赢环境技术工程有限公司 用于清淤机器人的清淤路径规划系统及方法
CN118464027B (zh) * 2024-07-15 2024-09-20 广东赛威赢环境技术工程有限公司 用于清淤机器人的清淤路径规划系统及方法

Also Published As

Publication number Publication date
CN114442638B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
US11567502B2 (en) Autonomous exploration framework for indoor mobile robotics using reduced approximated generalized Voronoi graph
Keidar et al. Robot exploration with fast frontier detection: Theory and experiments
WO2021189825A1 (zh) 多目标跟踪方法、装置和存储介质
Li et al. A recursive decomposition algorithm for network seismic reliability evaluation
WO2019104781A1 (zh) 一种点云数据处理方法、装置、电子设备及计算机可读存储介质
CN104075720B (zh) 基于多代价的路线规划设备和方法
CN108062860B (zh) 基于拥塞传播分析的道路瓶颈识别方法及其系统
CN103365293A (zh) 一种基于动态区域划分的机器人安全路径规划方法
CN114442638A (zh) 一种基于大数据路径规划的清淤机器人
CN109886499A (zh) 一种考虑反馈信息的海上遇险目标漂移集合预测方法
EP3425608A1 (en) Traffic signal control using multiple q-learning categories
CN113721615B (zh) 一种基于机器视觉的海航路径规划方法及系统
CN114360064B (zh) 基于深度学习的办公场所人员行为轻量级目标检测方法
CN116051496A (zh) 一种实时下水道缺陷检测方法
Li et al. A new method for occupancy grid maps merging: Application to multi-vehicle cooperative local mapping and moving object detection in outdoor environment
CN109631905B (zh) 一种基于动态参考点的nsgaⅲ的路径规划方法
CN113771027B (zh) 一种基于深度学习的双臂协作抓取方法
CN104216416A (zh) 飞行器冲突解脱方法及设备
Kwon et al. Progressive spatial join for polygon data stream
CN105976127B (zh) 综合电力推进系统风险评估方法及装置
CN115801361B (zh) 一种网络安全运维能力评估方法及系统
Ishii et al. Mathematical ranking method for emergency facility location problem with block-wisely different accident occurrence probabilities
CN115761884A (zh) 一种基于数据增强的人员违规行为判断方法
EP3955179A1 (en) Apparatus for and method of operating a means of transport
Rodriguez-Soto et al. Multi-objective reinforcement learning for guaranteeing alignment with multiple values

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