CN114442638B - 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 PDFInfo
- Publication number
- CN114442638B CN114442638B CN202210131998.3A CN202210131998A CN114442638B CN 114442638 B CN114442638 B CN 114442638B CN 202210131998 A CN202210131998 A CN 202210131998A CN 114442638 B CN114442638 B CN 114442638B
- Authority
- CN
- China
- Prior art keywords
- dredging
- module
- key area
- map
- execution
- 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
Links
- 230000000694 effects Effects 0.000 claims abstract description 23
- 239000010802 sludge Substances 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000009825 accumulation Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013475 authorization Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012876 topography 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
- G05D1/0287—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
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：
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：
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，
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：
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：
其中，
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：
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：
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：
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：
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，
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：
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：
其中，
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：
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：
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
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：
其中，
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：
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：
其中，Cok表示第k清淤关键区域的执行参数，
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：
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：
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 (1)
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
和清淤难度/>
，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：
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
：
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，
为标准单位距离；
所述路径规划模块将优先度
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
的计算公式为：
其中，
为线系数，L为该边界线的长度，/>
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
的计算公式为：
其中，
为角系数，/>
为标准长度，/>
为边界角的夹角；
所述清淤关键区域的清淤难度
的计算公式为：
其中，
为标准距离；
当清淤关键区域为边界线时，视其
为/>
；
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：
其中，
为基础清淤时间，/>
为清淤强度等级对应的执行参数区间的左端点，/>
为额外时间转换参数，所述/>
通过实验测试每一个清淤强度等级下的清淤效果得到；
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
进行调整，调整公式为：
其中，
为调整后的积淤率，函数/>
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。
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 CN114442638A (zh) | 2022-05-06 |
| CN114442638B true 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) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100458625C (zh) * | 2007-03-23 | 2009-02-04 | 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 |
| CN110458744B (zh) * | 2019-08-17 | 2022-08-02 | 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的控制方法 |
| CN111830970B (zh) * | 2020-06-12 | 2022-03-04 | 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 |
| CN112656307B (zh) * | 2020-12-21 | 2022-09-16 | 杭州萤石软件有限公司 | 一种清洁方法及清洁机器人 |
| CN113031616B (zh) * | 2021-03-12 | 2023-08-01 | 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 |
| CN113848947B (zh) * | 2021-10-20 | 2024-06-28 | 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 |
-
2022
- 2022-02-14 CN CN202210131998.3A patent/CN114442638B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114442638A (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107168054B (zh) | 多机器人任务分配及路径规划方法 | |
| CN114442638B (zh) | 一种基于大数据路径规划的清淤机器人 | |
| CN110119144B (zh) | 基于子地图特征匹配的多机器人slam算法 | |
| JP6908943B2 (ja) | イメージコンカチネーションと、ターゲット物体予測ネットワークとを利用して、多重カメラ又はサラウンドビューモニタリングに利用される物体検出器を学習する方法及び学習装置、並びにこれを利用したテスティング方法及びテスティング装置 | |
| CN111536987B (zh) | 一种用于大面积垃圾清扫的车辆路径规划方法 | |
| CN114325879B (zh) | 一种基于分级概率的定量降水订正方法 | |
| CN113985899B (zh) | 基于区间多目标优化的水下机器人全局路径规划方法 | |
| CN115407352A (zh) | 基于粒子滤波和图优化的机器人定位和建图系统及方法 | |
| CN111862662B (zh) | 一种基于公交运行数据的公交线路调整监测方法 | |
| CN115719343A (zh) | 一种基于层次分析法的厚板t型接头多道焊焊接位置自主决策方法 | |
| CN111291855A (zh) | 基于改进智能算法的天然气环状管网布局优化方法 | |
| CN110443399A (zh) | 一种车辆事故航空救援智能调度方法 | |
| CN113052206A (zh) | 一种基于浮动车数据的路段旅行时间预测方法及装置 | |
| CN106931950A (zh) | 基于三维激光检测的液化天然气管线姿态检测方法 | |
| CN116203970A (zh) | 一种巡检机器人的智能避障方法及系统 | |
| CN113532439A (zh) | 输电线路巡检机器人同步定位与地图构建方法及装置 | |
| CN117369455A (zh) | 基于生成对抗网络的机器人自主探索方法与系统 | |
| CN113450076B (zh) | 水利工程测量一体化智能处理服务平台 | |
| Dai et al. | Traffic signal control using offline reinforcement learning | |
| CN114330526B (zh) | 基于tgo-ssa-fcm算法的交通流量缺失数据修复方法 | |
| CN114216465B (zh) | 一种海底地形导航并行匹配方法 | |
| CN113741416B (zh) | 基于改进捕食者猎物模型和dmpc的多机器人全覆盖路径规划方法 | |
| CN111340330B (zh) | 一种基于相关性-量-形三维距离的同步回代缩减方法 | |
| CN112036599B (zh) | 一种利用模糊神经网络预测轨道质量的方法 | |
| Karamanou et al. | Precise estimation of road horizontal and vertical geometric features using mobile mapping techniques |
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 |