CN115454063A - 养殖场全覆盖路径规划方法、清扫导航控制系统及介质 - Google Patents
养殖场全覆盖路径规划方法、清扫导航控制系统及介质 Download PDFInfo
- Publication number
- CN115454063A CN115454063A CN202211065096.0A CN202211065096A CN115454063A CN 115454063 A CN115454063 A CN 115454063A CN 202211065096 A CN202211065096 A CN 202211065096A CN 115454063 A CN115454063 A CN 115454063A
- Authority
- CN
- China
- Prior art keywords
- robot
- obstacle
- neuron
- grid map
- environment
- 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 97
- 238000010408 sweeping Methods 0.000 title abstract description 4
- 238000004140 cleaning Methods 0.000 claims abstract description 119
- 210000002569 neuron Anatomy 0.000 claims abstract description 115
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 55
- 230000000694 effects Effects 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 20
- 230000005284 excitation Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 210000002856 peripheral neuron Anatomy 0.000 claims description 6
- 230000002964 excitative effect Effects 0.000 claims description 4
- 230000002401 inhibitory effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims 3
- 230000014509 gene expression Effects 0.000 claims 2
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 9
- 238000005191 phase separation Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0225—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving docking at a fixed facility, e.g. base station or loading bay
-
- 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
-
- 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
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
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)
- Acoustics & Sound (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种养殖场全覆盖路径规划方法、清扫导航控制系统及介质，所述方法包括：通过环境地图学习模式生成已知鸡舍环境的栅格地图；对清扫机器人工作空间的栅格地图进行离散化，得到等同大小的神经元细胞集；利用改进的生物激励神经网络算法在已知栅格地图中进行点对点路径规划；利用优先启发算法和改进生物激励神经网络点对点路径规划算法的融合算法进行全覆盖路径规划；若作业中出现未在已知栅格地图中标识的障碍物，设定绕行模糊逻辑控制器对未知障碍物进行绕行避障，用于在线更新环境栅格地图。本发明能够以智能决策的方式包括对工作区域进行全覆盖，且时间和能耗成本较低，且能够适应养殖场复杂的工作环境，同时控制机器人的价格成本。
Description
技术领域
本发明涉及一种养殖场全覆盖路径规划方法、清扫导航控制系统及介质导航。属于畜禽养殖装备自动化技术领域。
背景技术
中国是农业大国，养殖对于中国农业以及中国经济发展至关重要。规模化养殖方法在面对疾病风险、环境卫生风险时应对能力较弱，因此养殖场对于环境清洁具有较高要求。小型移动式清扫机器人是目前养殖场普遍采用的清洁解决方案，由于清扫机器人体积较小，可以进入清洁死角进行清扫，大量减少了养殖场人力物力的投入。但是目前的清扫机器人主要存在以下缺陷：
1、低价格成本的清扫机器人上仅仅有简单的传感器，不能处理复杂计算，因此仅能实现随机转角或固定路线式的路线规划。随机转角的路线规划效率很低，在清扫区域尚未全覆盖时即会出现大量重复覆盖区域，需要消耗大量时间和能量才能实现全覆盖；固定路线主要有往复式和螺旋式规划，但都要求工作区域无障碍，无法适应养殖场这样障碍物较多，环境较复杂的情形。
2、装配计算单元和激光雷达的清扫机器人能够实现智能路径规划，在较低的时间和能量成本下实现全覆盖清扫，其缺陷在于必须依靠高精度激光雷达进行环境的全面建模和机器人定位，价格成本较高；而且在养殖场的实际环境中，由于存在临时堆放等情况，无法保证清扫机器人能够一次建模、多次使用，每次都需要重新进行全面建模，且全面环境建模的复杂度随障碍物数量的增多而提升。
发明内容
有鉴于此，本发明提供了一种养殖场清扫导航控制系统、全覆盖路径规划方法及存储介质，其通过机器人能够以智能决策的方式包括对工作区域进行全覆盖，且时间和能耗成本较低，且能够适应养殖场复杂的工作环境，同时控制机器人的价格成本。
本发明的第一个目的在于提供一种养殖场全覆盖路径规划方法。
本发明的第二个目的在于提供一种养殖场清扫导航控制系统。
本发明的第三个目的在于提供一种计算机可读存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种养殖场全覆盖路径规划方法，所述方法包括：
通过环境地图学习模式生成已知鸡舍环境的栅格地图；
对清扫机器人工作空间的栅格地图进行离散化，得到等同大小的神经元细胞集；
利用改进的生物激励神经网络算法在已知栅格地图中进行点对点路径规划；
利用优先启发算法和改进生物激励神经网络点对点路径规划算法的融合算法进行全覆盖路径规划；
若作业中出现未在已知栅格地图中标识的障碍物，设定绕行模糊逻辑控制器对未知障碍物进行绕行避障，用于在线更新环境栅格地图。
进一步的，通过环境地图学习模式生成已知鸡舍环境的栅格地图，具体过程包括：
设定清扫机器人进入环境地图学习模式，规划遍历路径，对环境进行遍历；
遍历过程中由清扫机器人周围布置的多个超声波测距传感器对360°范围障碍物进行感知；
根据清扫机器人实时位置坐标，划分可行区域，设定栅格大小为一个车身长度，即每当机器人行进一个车身长度的距离，即将对应栅格位置设置为环境栅格地图中的可行区域；
当遍历路径上存在障碍物处于清扫机器人行驶的包络线内时，进入障碍物环绕过程，否则不对其进行环绕；
障碍物环绕过程中利用超声波测距传感器获取障碍物的边界信息，并结合机器人的实时位置坐标求得该障碍物占据栅格地图的大小以及在栅格地图中的位置，并在栅格地图中设为不可行区域；
遍历完成后，生成已知鸡舍环境的二维栅格地图。
进一步的，对清扫机器人工作空间的栅格地图进行离散化，得到等同大小的神经元细胞集，具体过程包括：
根据已知养殖场环境的栅格地图，设置栅格地图中每个离散栅格表示一个神经元细胞，相邻神经元之间的距离为清扫机器人在一个单位时间内行驶的距离。，如下：
l＝Va·St式中，l为两个相邻神经元之间的距离；Va为清扫机器人作业速度；St为一个时间单位。
若神经元被占据，则被标记为障碍物区域，否则被标记为可行区域；
设定决定每个神经元细胞活性的更新方程的参数，活性更新方程表示如下：
式中，xi为第i个神经元的活性；非负常系数A，B，D分别表示神经元活性的衰减率、上限值和下限值，k为第i个神经元在邻域内的神经连接数量；wij为第i个神经元到第j个神经元的连接权值；[Ii]+和[Ii]-表示来自外部兴奋性和来自障碍物的抑制性输入；[x]+为线性阈值函数，定义为[x]+＝max{x，0}以及[x]-＝max{-x，0}；
设定目标点为强外界兴奋输入，障碍物和已覆盖区域为强外界抑制输入，如下：
式中，E为一个大的正数，且满足E＞10B。
进一步的，利用改进的生物激励神经网络算法在已知栅格地图中进行点对点路径规划，具体过程包括：
设定机器人开始搜寻路径的初始点所在神经元为起始神经元，并设定全局目标点，使全局目标点的活动性处于状态图波峰；
根据神经元的活性和清扫机器人的前一位置，选定清扫机器人的下一位置；如下：
式中，pj为邻域神经元内第j个神经元的活性值，η为常数，
为机器人当前位置与下一选择位置之差的单调递增函数，Δθ∈[0，π]，表示当前移动方向和下一个移动方向的夹角，通过几何运算得出下一个选择位置的偏角大小。
进一步的，由计算得出的偏角大小和移动机器人的物理参数换算成移动机器人的线速度和角速度，再转换为电机的转速，通过下发相应控制指令至电机驱动器，使清扫机器人从一个位置成功移动到下一位置，则将原先位置设置为已覆盖区域；
利用活性更新方程，计算在当前神经元位置邻域内各相连的神经元的活性值大小，并使障碍物对应位置的神经元活性始终保持在谷底；
根据活性更新方程，将全局目标点信息和周围神经元活性信息传递到当前新的位置，继续计算当前位置邻域内所有相邻神经元的活性值大小，按照前述过程选择下一移动位置，直至抵达设定的全局目标点位置。
进一步的，改进的生物激励神经网络算法，是将应用于神经元覆盖全工作环境情况下的生物激励神经网络模型进行简化，具体过程包括：
将原完全工作环境的生物激励神经网络模型重构为小型动态生物激励神经网络模型，清扫机器设置在动态生物激励神经网络模型中心；
小型动态生物激励神经网络模型中每个神经元到清扫机器人当前位置所在神经元的距离均小于传感器最大测量半径，如下：
0≤D(qi，qc)≤R
式中，R为安装于清扫机器人上多路超声波测距传感器的最大感知距离；D(·)为计算二维平面内两个神经元位置欧式距离的函数，如下：
式中，(xi，yi)和(xj，yj)为第i和第j个位置的坐标；
在清扫机器人的运动过程中，动态生物激励神经网络模型的尺寸大小固定不变，且每次只有处于动态生物激励神经网络模型中的相对于全局生物激励神经网络模型的一小部分的神经元需要更新其神经元活性；
在动态生物激励神经网络模型中，需要设定虚拟目标点来逐渐接近全局目标点，过程包括：
选择虚拟目标点，在动态生物激励神经网络模型中的处于边界的神经元中选择清扫机器人可以抵达的，并且该神经元距离全局目标点位置所在神经元最近，此神经元则被选为虚拟目标点；
利用该虚拟目标点替换全局目标点，根据活性更新方程选择最活跃的邻域神经元作为移动的下一位置；
抵达设定虚拟目标后，重新根据上述选择过程设定新的虚拟目标点，直至抵达全局目标点。
进一步的，利用优先启发算法和改进生物激励神经网络点对点路径规划算法的融合算法进行全覆盖路径规划，具体过程包括：
当机器人正常工作时，采用优先启发式算法进行路径规划，具体包括：
通过对邻域内神经元进行优先排序，邻域神经元的优先级分为两种对应不同类型的栅格地图；
第一优先级次序为：东、北、西、南、东南、东北、西北、西南；
第二优先级次序为：西南、西北、东北、东南、南、西、北、东；
第三优先级次序为：东南、东北、西北、西南、北、西、南、东；
当机器人陷入“死锁”时，采用改进生物激励神经网络点对点路径规划算法进行路径规划，具体包括：
当清扫机器人按照优先级次序依次检测邻域神经元，若周围八个神经元位置都为不可到达区域，则判断机器人进行“死锁”状态；
清扫机器人扫描工作区域内是否有未遍历的点，计算抵达每个未遍历的点代价函数，选择代价函数输出最小的路径点作为机器人下一个遍历的点，代价函数如下：
Fi＝min((εLij+ηDij))
式中，i表示区域内未被遍历的点，L、D为评价路径优劣的指标，为路径长度和总转角；ε和η为这两个指标的权重系数，j为清扫机器人处于“死锁”状态的位置点；
若扫描工作区域内无未遍历的点，则完成清扫机器人所有可行区域的全覆盖。
进一步的，若作业中出现未在已知栅格地图中标识的障碍物，设定绕行模糊逻辑控制器对未知障碍物进行绕行避障，用于在线更新环境栅格地图，具体包括：
根据安装在车体360°方向上的超声波距离传感器，建立清扫机器人对障碍物的感知窗口；
当有障碍物出现在感知窗口内，并判定为未知障碍物，则触发环境栅格地图在线更新过程，具体包括：
根据周围障碍物相对于清扫机器人的最短距离和方向来确定关键未知障碍物，即绕行主体；
基于未知的关键障碍物来设计模糊规则；
将专家经验转化为规则库，通过If-then语句建立规则库；
将来自推理机的模糊输出通过解模糊器映射为一个清晰的控制信号；
根据清扫机器人的坐标信息判定是否完成一周环绕，若是则退出环境在线更新过程，并在已知环境栅格地图中标识该未知障碍物占据栅格的大小及在地图中的位置；
其中，基于未知的关键障碍物来设计模糊规则，具体包括：
设定模糊逻辑的输入变量为两个，分别为多路超声波距离传感器回传距离中最小值dobs和所在对应的变化值Δdobs，输出变量为左轮和右轮的速度vl和vr；
输入变量分别采用梯形隶属函数和三角形隶属函数，其中距离输入由梯形隶属函数定义并设定第一模糊子集，距离变化量输入由三角形隶属函数定义并设定第二模糊子集；
输出变量采用三角形隶属度函数，设定第三和第四模糊子集。
本发明的第二个目的可以通过采取如下技术方案达到：
一种养殖场清扫导航控制系统，包括机器人，所述机器人包括车体、清扫作业机构和驱动系统，所述车体内部安装有至少两个驱动电机，所述驱动电机与车体的驱动轮连接，用于驱动车体移动；所述清扫作业机构安装在车体上；所述驱动系统用于控制车体运转，包括底层控制单元和上层控制单元，所述底层控制单元分别与车体、清扫作业机构连接；
所述底层控制单元包括传感器数据读取模块、底层控制单元与上层控制单元通讯模块、驱动行驶控制模块以及清扫控制模块：
所述传感器数据读取模块包括增量式编码器、姿态传感器和超声波传感器，所述增量式编码器安装在驱动电机的输出轴上，用于测量车体驱动轮的行进量；所述姿态传感器用于测量车体在移动过程中的航向角；所述超声波传感器用于侦测车体四周的障碍物信息；
所述底层控制单元与上层控制单元通讯模块，用于实现在底层控制单元与上层控制单元之间的数据通讯；
所述底层控制单元根据增量式编码器检测到的信号确定机器人运行的里程计数据，根据姿态传感器的信号确定机器人运行的自身姿态，根据超声波传感器的信号确定机器人运行四周二维平面的障碍物分布情况，并将数据反馈给上层控制单元；
所述上层控制单元用于执行根据上述的养殖场全覆盖路径规划方法，并给底层控制单元下发控制机器人进行全覆盖路径规划操作指令。
进一步的，所述底层控制单元还包括OLED屏幕显示模块和电量检测与报警模块：
所述OLED屏幕显示模块，用于为使用者提供能够掌握车体实时运行状态的可视化界面；
所述电量检测与报警模块，用于实时检测车体剩余电量，并在车体的锂电池电压低于设定的低电压阈值时报警；
所述底层控制单元各模块采用开源的FreeRTOS嵌入式实时操作多任务操作系统的框架进行不同模块之间的优先调度。
进一步的，所述上层控制单元通过卡尔曼滤波将姿态传感器的数据和增量式编码器的数据进行融合，确定车体的位置。
本发明的第三个目的可以通过采取如下技术方案达到：
一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现上述的养殖场全覆盖路径规划方法。
本发明相对于现有技术具有如下的有益效果：
1、本发明提供的养殖场全覆盖路径规划方法及清扫导航控制系统，通过增量式编码器、姿态传感器、超声波传感器的组合，使用卡尔曼滤波方法获取机器人的精确位置，在保证高精度定位、高效执行清扫任务的同时，控制了全覆盖清扫机器人的元器件成本。
2、本发明提供的养殖场全覆盖路径规划方法及清扫导航控制系统，通过传感器获取机器人的精确位置后，对工作区域进行全覆盖的路径规划，并基于路径规划结果计算控制电机转速，实现较高精度的运动控制。在完成全覆盖清扫任务的同时，也能实现较低的时间和能耗成本。
3、本发明提供的养殖场全覆盖路径规划方法及清扫导航控制系统，面对养殖场清扫任务中工作环境位置，障碍物变化的特点，利用传感器信息进行环境地图学习，并根据障碍物边界信息初步构建工作环境的栅格地图。对于工作过程中遇到的未知障碍物，则利用模糊逻辑算法获得障碍物的边界，在线更新环境地图，在作业中持续对环境进行学习，优化覆盖路径，进一步提高了清扫的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是本发明实施例1的养殖场全覆盖路径规划方法的流程图。
图2是本发明实施例1的某一神经元及其邻域神经元的二维图。
图3是本发明实施例1的对养殖场环境地图栅格化和D-BINN模型示意图。
图4是本发明实施例1的设计虚拟目标点的逼近全局目标点示意图。
图5是本发明实施例1的优先级启发式算法和BINN法结合的养殖场环境全覆盖过程的示意图。
图6是本发明实施例1的未知障碍物绕行在线环境更新示意图。
图7是本发明实施例2的养殖场清扫导航控制系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
如图1至图6所示，本实施例提供了一种养殖场全覆盖路径规划方法，应用于鸡舍，该方法包括以下步骤：
S100、通过环境地图学习模式生成已知鸡舍环境的栅格地图，具体过程包括：
S110、当机器人处于新的养殖场环境下时，需要对新环境进行环境地图栅格化，设定机器人进入环境地图学习模式；
S120、规划遍历路径为弓字形路径，通过遥控器控制机器人进行全地图的遍历，遍历过程中由清扫机器人周围布置的多个超声波测距传感器对360°范围障碍物进行感知；
S130、根据清扫机器人实时位置坐标，划分可行区域，设定栅格大小为一个车体长度，即每当机器人行进一个车身长度的距离，即将对应栅格位置设置为环境栅格地图中的可行区域；
S140、当遍历路径上存在障碍物处于清扫机器人行驶的包络线内时，进入障碍物环绕过程，否则不对其进行环绕；
S150、障碍物环绕过程中利用超声波测距传感器获取障碍物的边界信息，并结合机器人的实时位置坐标来判断障碍物的大小，以求得该障碍物占据栅格地图的大小以及在栅格地图中的位置，并在栅格地图中设为不可行区域；
S160、遍历完成后，生成已知鸡舍环境的二维栅格地图。
S200、在上层控制单元中对清扫机器人工作空间的栅格地图进行离散化，得到等同大小的神经元细胞集，具体过程包括：
S210、根据已知鸡舍环境的栅格地图，设置栅格地图中每个离散栅格表示一个神经元细胞，相邻神经元之间的距离为清扫机器人在一个单位时间内行驶的距离，如下：
l＝Va·St
式中，l为两个相邻神经元之间的距离；Va为清扫机器人作业速度；St为一个时间单位。
S220、若神经元被障碍物栅格占据，则被标记为不可行区域，否则被标记为可行区域。
S230、按照生物激励神经网络(biological inspired neural network，BINN)模型来构建多个神经元的网络结构，通过神经元活动性的变化形象地表征环境的实时变化，具体过程包括：
S231、设定决定每个神经元细胞活性的更新方程的参数，活性更新方程表示如下：
式中，xi为第i个神经元的活性；非负常系数A，B，D分别表示神经元活性的衰减率、上限值和下限值，k为第i个神经元在邻域内的神经连接数量；wij为第i个神经元到第j个神经元的连接权值；[Ii]+和[Ii]-表示来自外部兴奋性和来自障碍物的抑制性输入；[x]+为线性阈值函数，定义为[x]+＝max{x，0}以及[x]-＝max{-x，0}。
S232、设定目标点为强外界兴奋输入，障碍物和已覆盖区域为强外界抑制输入，如下：
式中，E为一个大的正数，且满足E＞10B。
本实施例中，设置以下参数：A＝30，B＝D＝1，E＝60，η＝0.7，r0＝2。
S300、利用改进的BINN算法在已知栅格地图中进行点对点路径规划，具体过程包括：
S310、改进BINN算法，具体包括：
S311、将原完全工作环境的BINN网络模型重构为小型动态BINN模型，清扫机器设置在动态生物激励神经网络模型中心。
其中，小型动态BINN模型中每个神经元到清扫机器人当前位置所在神经元的距离均小于传感器最大测量半径，如下：
0≤D(qi，qc)≤R
式中，R为安装于清扫机器人上多路超声波测距传感器的最大感知距离；D(·)为计算二维平面内两个神经元位置欧式距离的函数，如下：
式中，(xi，yi)和(xj，yj)为第i和第j个位置的坐标。
在清扫机器人的运动过程中，小型动态BINN模型的尺寸大小固定不变，且每次只有处于小型动态BINN模型中的相对于全局BINN模型的一小部分的神经元需要更新其神经元活性；
S320、在小型动态BINN模型中，设定虚拟目标点，过程包括：
S321、在小型动态BINN模型的边界神经元细胞中选择清扫机器人可以抵达的，并且该神经元距离全局目标点神经元为最近的神经元作为虚拟目标点；
S322、利用该虚拟目标点替换全局目标点，根据活性更新方程选择最活跃的邻域神经元作为移动的下一位置，从而逐渐趋向虚拟目标点；
S323、抵达设定虚拟目标点后，重新根据上述选择过程设定新的虚拟目标点。
S330、利用改进的生物激励神经网络算法在已知栅格地图中进行点对点路径规划，具体过程包括：
S331、设定机器人开始搜寻路径的初始点所在神经元为起始神经元，并设定全局目标点，使全局目标点的活动性处于状态图波峰；
S332、根据神经元的活性和清扫机器人的前一位置，选定清扫机器人的下一位置；
本实施例中，设机器人当前位置在二维笛卡尔工作空间中的位置为qc，其位置坐标为(xc，yc)，该位置坐标为通过卡尔曼滤波将姿态传感器和增量式编码器里程计信息融合，获取的精确实时位置。
清扫机器人的下一个位置的选择由该点神经元的活性和机器人前一位置决定，如下：
式中，pj为邻域神经元内第j个神经元的活性值，η为常数，
为机器人当前位置与下一选择位置之差的单调递增函数，Δθ∈[0，π]，表示当前移动方向和下一个移动方向的夹角，通过几何运算可得，Δθj如下：
Δθj＝|θj-θc|＝|atan2(yj-yc，xj-xc)-atan2(yc-yp，xc-xp)|
式中，qc为清扫机器人当前位置，其位置坐标为(xc，yc)，该点对应的神经元的活性值为
前一时刻机器人位置坐标为(xp，yp)，下一时刻选择的位置在二维笛卡尔工作空间中的位置为qn，其坐标位置为(xn，yn)，该点对应的神经元的活性值为
本实施例中，将Δθj下发给底层控制单元，底层控制单元的驱动行驶控制模块将根据当前位置和抵达下一位置之间的Δθj，来控制机器人移动至选择的下一位置。
本实施例中，通过Δθj的数值在底层控制单元换算成左右驱动电机的转速指令，并将转速指令通过CAN总线下发给左、右驱动电机各自的电机控制器。
S333、清扫机器人每从一个位置成功移动到下一位置，则将原位置设置为已覆盖区域。
S334、利用活性更新方程，计算在当前神经元位置邻域内各相连的神经元的活性值大小，并使障碍物对应位置的神经元活性始终保持在谷底；
S335、根据活性更新方程，将全局目标点信息和周围神经元活性信息传递到当前新的位置，继续计算当前位置邻域内所有相邻神经元的活性值大小，按照前述过程选择下一移动位置，直至抵达设定的全局目标点位置。
S400、利用优先启发算法和改进生物激励神经网络点对点路径规划算法的融合算法进行全覆盖路径规划，具体过程包括：
S410、当机器人正常工作时，采用优先启发式算法进行路径规划，具体包括：
通过对邻域内神经元进行优先排序，邻域神经元的优先级分为两种对应不同类型的栅格地图；
第一优先级次序为：东、北、西、南、东南、东北、西北、西南；
第二优先级次序为：西南、西北、东北、东南、南、西、北、东；
第三优先级次序为：东南、东北、西北、西南、北、西、南、东；
S420、当机器人陷入“死锁”时，采用改进BINN算法进行路径规划，具体包括：
S421、当清扫机器人安装优先级次序依次检测邻域神经元，若周围八个神经元位置都为不可到达区域，则判断机器人进行“死锁”状态；
S422、清扫机器人扫描工作区域内是否有未遍历的点，计算抵达每个未遍历的点代价函数，选择代价函数输出最小的路径点作为机器人下一个遍历的点，代价函数如下：
Fi＝min((εLij+ηDij))
式中，i表示区域内未被遍历的点，L、D为评价路径优劣的指标，为路径长度和总转角；ε和η为这两个指标的权重系数，j为清扫机器人处于“死锁”状态的位置点；
S423、若扫描工作区域内无未遍历的点，则完成清扫机器人所有可行区域的全覆盖。
S500、若作业中出现未在已知栅格地图中标识的障碍物，设定绕行模糊逻辑控制器对未知障碍物进行绕行避障，用于在线更新环境栅格地图。
具体地，在清扫机器人按照规划后的全覆盖路径进行工作的过程中，遇到未通过环境地图学习获取的障碍物分布的情况，采用模糊逻辑算法对未知的障碍物进行绕行避障覆盖和环境地图更新。
S510、根据安装在车体360°方向上的超声波距离传感器，建立清扫机器人对障碍物的感知窗口；
本实施例中，安装在车体360°方向上的超声波距离传感器为8路超声波传感器；
S520、当有障碍物出现在感知窗口内，并判定为未知障碍物，则触发环境栅格地图在线更新过程，具体包括：
S521、在行驶过程中，若在感知范围内感知到了未知障碍物的存在，则根据8路超声波传感器回传8个数据中的最短距离为dobs以及对应方位的障碍物作为未知障碍物，即绕行主体。
S522、基于未知的关键障碍物来设计模糊规则，设计模糊逻辑控制器的输入分别为机器人与该未知障碍物的最短距离dobs和对应的距离变化量Δdobs，根据这两个量来推出模糊控制器的输出：机器人左右驱动轮的轮速vl和vr。
本实施例中，首先确定输入、出变量输入变量的论域、尺度变化以及隶属度函数，距离输入dobs被划分在[0，0.8m]论域内，并由五个梯形隶属度函数定义，设定第一模糊子集为：{非常近，近，中，远，非常远}；距离变化量的输入Δdobs的论域为|-1，1m]，由十个三角隶属函数定义，设定第二模糊子集为：{急速靠近，中速靠近、低速靠近，缓慢靠近，不变，缓慢相离，低速相离，中速相离，急速相离}；左右驱动轮的轮速vl和vr输出变量均采用三角形隶属度函数，每个输出变量论域均为[-100，100cm/s]，定义为十五个三角形隶属度函数，依次设定第三和第四模糊子集，分别为，左轮速度输出：{负左7、负左6、负左5、负左4、负左3、负左2、负左1、左、正左1、正左2、正左3、正左4、正左5、正左6、正左7}；右轮速度输出：{负右7、负右6、负右5、负右4、负右3、负右2、负右1、右、正右1、正右2、正右3、正右4、正右5、正右6、正右7}。
S523、将专家经验转化为规则库，通过If-then语句建立规则库。
本实施例中，基于五十条If-then语句规则建立了专家系统的模糊距离库和模糊距离变化库。
S524、将来自推理机的模糊输出通过解模糊器映射为一个清晰的控制信号。
本实施例中，采用“质心法”对将被触发的模糊规则所表示的输出结合起来用于模糊的清晰化，从而得到对应的合适的控制动作。
本实施例中，当机器人与障碍物相距非常近或(N)时，若机器人具有远离障碍物移动的势态，则If-then语句为：If dobs为近和Δdobs为中速相离，then左轮速度为正左3和右轮速度为正右1，以确保机器人既可以不发生碰撞，又能够尽量使其沿障碍物的边界行进。
S525、当根据清扫机器人的坐标信息判定是否完成一周环绕，则退出环境在线更新过程，并在已知环境栅格地图中标识该未知障碍物占据栅格的大小及在地图中的位置。
应当注意，尽管在附图中以特定顺序描述了上述的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
如图7所示，本实施例提供了一种养殖场清扫导航控制系统，包括机器人，所述机器人包括车体、清扫作业机构和驱动系统，车体设置有移动底盘，移动底盘的后方两侧设置有驱动轮，前方设置有一个万向轮，车体内部安装有两个驱动电机，两个驱动电机与两个驱动轮一一对应连接，通过两个驱动电机驱动两个驱动轮，以驱动车体移动；清扫作业机构安装在车体上；驱动系统用于控制车体运转，包括底层控制单元100和上层控制单元200，底层控制单元100分别与车体、清扫作业机构连接，用于接收上层控制单元200的指令，实时控制车体的移动和控制清粪机构进行清粪动作。
进一步的，驱动电机为直流电机，两个驱动电机分别为左驱动电机和右驱动电机，底层控制单元100通过CAN总线与左驱动电机、右驱动电机连接，以实现左驱动电机和右驱动电机独立控制。
底层控制单元100包括驱动行驶控制模块110、清扫控制模块120、传感器数据读取模块130、OLED屏幕显示模块140、电量监测与报警模块150以及底层控制单元与上层控制单元通讯模块160，传感器数据读取模块130包括增量式编码器131、姿态传感器132和超声波传感器133。
在底层控制单元100中，为应对多个任务同时处理的场景，控制系统编写采用开源的FreeRTOS嵌入式实时操作多任务操作系统的框架进行不同任务之间的优先调度，即底层控制单元100各模块采用开源的FreeRTOS嵌入式实时操作多任务操作系统的框架进行不同模块之间的优先调度。
本实施例中，底层控制单元与上层控制单元通讯模块160，用于实现在底层控制单元100与上层控制单元200之间的数据通讯。
为应对养殖场环境中可能的突发状况，驱动行驶控制模块110和清扫控制模块120均包括有遥控控制模式和自动作业模式。
具体地，遥控控制模式采用sbus协议，通过DMA直接存储器访问的形式解析接收机接收到的遥控器指令，遥控控制方式采用双通道混合控制的方式，实现现场人为控制机器人行驶，目的在出现突发情况时，直接对机器人进行手动控制；自动作业模式是执行实施例1的养殖场全覆盖路径规划方法，并通过底层控制单元与上层控制单元通讯模块160进行下发指令，控制机器人进行自动作业，具体包括：
通过环境地图学习模式生成已知鸡舍环境的栅格地图；
对清扫机器人工作空间的栅格地图进行离散化，得到等同大小的神经元细胞集；
利用改进的生物激励神经网络算法在已知栅格地图中进行点对点路径规划；
利用优先启发算法和改进生物激励神经网络点对点路径规划算法的融合算法进行全覆盖路径规划；
若作业中出现未在已知栅格地图中标识的障碍物，设定绕行模糊逻辑控制器对未知障碍物进行绕行避障，用于在线更新环境栅格地图。
本实施例中，增量式编码器131安装在驱动电机的输出轴，且增量式编码器131的信号线连接到预先安装在驱动电机上的电驱控制器，用于测量车体驱动轮的行进量，在底层控制单元100中可以读取连接CAN总线上相应地址的电驱控制器的增量式编码器131的脉冲反馈信号，在程序中运算即可得到车体的实时里程信息，并车体的实时里程信息反馈给上层控制单元200。
本实施例中，姿态传感器132用于测量车体在移动过程中的转角，其采用九轴加速度传感器，其中包括三轴加速度计、三轴陀螺仪和三轴磁力计，其中通过加速度计可以检测车体的加速度，检测车体倾斜、冲击、振动等运动状态，通过陀螺仪可以检测车体的姿态(横滚角、俯仰角和航向角)和角速度，通过磁力计可以检测车体的偏航角度，定位车体的方向，姿态传感器132通过串口以DMA直接存储器访问的形式将车体的实时航向角传给底层控制单元100。
本实施例中，超声波传感器133用于侦测车体四周的障碍物信息，其采用360°超声波矩阵传感器，共有8路，以一定互不回波干扰的方式摆放，360°超声波矩阵传感器可获取车体作业行驶过程中四周二维平面上的障碍物距离信息，实时更新周围方向上环境的障碍物分布情况，360°超声波传感器133通过RS458通信接口将四周实时距离传给底层控制单元100。
本实施例中，底层控制单元100采用ARM微控制器，上层控制单元200采用英伟达TX2工控机，底层控制单元100根据增量式编码器131检测到的信号确定机器人运行的里程计数据(车体的实时里程信息)，根据姿态传感器132的信号确定机器人运行的自身姿态(车体的实时航向角)，根据超声波传感器的信号确定机器人运行四周二维平面的障碍物分布情况(车体作业行驶过程中四周二维平面上的障碍物距离信息)；底层控制单元100通过底层控制单元与上层控制单元通讯模块160将获得的传感器数据上传给上层控制单元200；上层控制单元200中存储通过边沿学习形成的已知工作环境的栅格地图，采用生物激励神经网络的全覆盖算法和模糊逻辑算法，给底层控制单元100下发控制机器人进行全覆盖路径规划操作指令。
进一步的，上层控制单元200通过卡尔曼滤波将姿态传感器的数据和增量式编码器的数据进行融合，确定车体的精确位置，具体过程包括：
1)预测：
2)更新：
首先计算卡尔曼增益K：
然后计算后验概率的分布：
上述所得的
即是修正之后的位置信息。
其中，
为k时刻系统的状态变量，uk为k时刻系统的控制变量；B为系统输入控制矩阵，
为系统k-1时刻的估计状态；Ak和Ck分别为系统状态转移矩阵和测量矩阵；R和Qk分别为过程噪声矩阵和测量噪声矩阵；
表示上一次协方差矩阵，
为当前状态协方差矩阵；zk为k时刻传感器的测量向量。
本实施例中，OLED屏幕显示模块140采用I2C进行通讯，显示当前的运行模式、剩余电量等运行信息，为使用者提供能够掌握车体实时运行状态的可视化界面。
本实施例中，电量检测与报警模块150用于实时检测车体剩余电量，以监测车体锂电池的电压大小，通过设定电压阈值，若低于设定的低电压阈值，则将低电压信号上传给上层控制单元200，由上层控制单元200将车体当前位置信息以及电量过低报警信息通过无线通信单元上传到外部终端300；同时通过底层控制单元100控制发出报警信号，基于此，能够实现车体电量的远程监控，并且能够更快更准确地定位到发生电量不足的车体，同时通过底层控制单元控制100发生报警，并驱动所述车体自动按规划路线返回充电。
进一步的，本实施例的养殖场清扫导航控制系统还包括电源模块，电源模块为上层控制单元、底层控制单元、姿态传感器、机器人的移动控制部件以及清扫作业机构动作控制部件进行供电。
进一步的，本实施例的养殖场清扫导航控制系统还包括外部终端300，外部终端300通过无线通信单元与上层控制单元200进行通讯，电源模块的电压输出端通过分压电路连接到底层控制单元，由底层控制单元的电量检测与报警模块检测的电量信息，在车体的锂电池电压低于设定的低电压阈值时，底层控制单元100发送低电压信号和将剩余电量发至上层控制单元200，由上层控制单元200将机器人当前位置信息以及电量过低报警信息通过无线通信单元上传到外部终端300；同时通过底层控制单元100控制发出报警信号，并接收外部终端下达下一步指令，根据剩余电量大小执行包括自动返回和立即停止指令。
可见，本发明实施例1和2提供的养殖场全覆盖路径规划方法及清扫导航控制系统，通过增量式编码器、姿态传感器、超声波传感器的组合，使用卡尔曼滤波方法获取机器人的精确位置，在保证高精度定位、高效执行清扫任务的同时，控制了全覆盖清扫机器人的元器件成本。同时，本发明实施例1和2提供的养殖场全覆盖路径规划方法及清扫导航控制系统，通过传感器获取机器人的精确位置后，对工作区域进行全覆盖的路径规划，并基于路径规划结果计算控制电机转速，实现较高精度的运动控制。在完成全覆盖清扫任务的同时，也能实现较低的时间和能耗成本。并且，本发明实施例1和2提供的养殖场全覆盖路径规划方法及清扫导航控制系统，面对养殖场清扫任务中工作环境位置，障碍物变化的特点，利用传感器信息进行环境地图学习，并根据障碍物边界信息初步构建工作环境的栅格地图。对于工作过程中遇到的未知障碍物，则利用模糊逻辑算法获得障碍物的边界，在线更新环境地图，在作业中持续对环境进行学习，优化覆盖路径，进一步提高了清扫的效率。
实施例3：
本实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的养殖场全覆盖路径规划方法，具体如下：
通过环境地图学习模式生成已知鸡舍环境的栅格地图；
对清扫机器人工作空间的栅格地图进行离散化，得到等同大小的神经元细胞集；
利用改进的生物激励神经网络算法在已知栅格地图中进行点对点路径规划；
利用优先启发算法和改进生物激励神经网络点对点路径规划算法的融合算法进行全覆盖路径规划；
若作业中出现未在已知栅格地图中标识的障碍物，设定绕行模糊逻辑控制器对未知障碍物进行绕行避障，用于在线更新环境栅格地图。
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而本实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以以一种或多种程序设计语言或其组合来编写用于执行本实施例的计算机程序，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Python、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。
Claims (10)
1.一种养殖场全覆盖路径规划方法，其特征在于，包括以下步骤：
通过环境地图学习模式生成已知养殖场环境的栅格地图；
对清扫机器人工作空间的栅格地图进行离散化，得到等同大小的神经元细胞集；
利用改进的生物激励神经网络算法在已知栅格地图中进行点对点路径规划；
利用优先启发算法和改进生物激励神经网络点对点路径规划算法的融合算法进行全覆盖路径规划；
若作业中出现未在已知栅格地图中标识的障碍物，设定绕行模糊逻辑控制器对未知障碍物进行绕行避障，用于在线更新环境栅格地图。
2.根据权利要求1所述的养殖场全覆盖路径规划方法，其特征在于，通过环境地图学习模式生成已知养殖场环境的栅格地图，具体过程包括：
设定清扫机器人进入环境地图学习模式，规划遍历路径，对环境进行遍历；
遍历过程中由清扫机器人周围布置的多个超声波测距传感器对360°范围障碍物进行感知；
根据清扫机器人实时位置坐标，划分可行区域，设定栅格大小为一个车体长度，即每当机器人行进一个车身长度的距离，即将对应栅格位置设置为环境栅格地图中的可行区域；
当遍历路径上存在障碍物处于清扫机器人行驶的包络线内时，进入障碍物环绕过程，否则不对其进行环绕；
障碍物环绕过程中利用超声波距离传感器获取障碍物的边界信息，并结合机器人的实时位置坐标求得该障碍物占据栅格地图的大小以及在栅格地图中的位置，并在栅格地图中设为不可行区域；
遍历完成后，生成已知养殖场环境的二维栅格地图。
3.根据权利要求1所述的养殖场全覆盖路径规划方法，其特征在于，对清扫机器人工作空间的栅格地图进行离散化，得到等同大小的神经元细胞集，具体过程包括：
根据已知养殖场环境的栅格地图，设置栅格地图中每个离散栅格表示一个神经元细胞，相邻神经元之间的距离为清扫机器人在一个单位时间内行驶的距离；
若神经元被障碍物栅格占据，则被标记为不可行区域，否则被标记为可行区域；
设定决定每个神经元细胞活性的活性更新方程的参数，活性更新方程表达式为：
式中，A表示神经元活性的衰减率，B表示神经元活性的上限值，D表示神经元活性的下限值，xi为第i个神经元的活性，k为第i个神经元在邻域内的神经连接数量；wij为第i个神经元到第j个神经元的连接权值；[Ii]+和[Ii]-表示来自外部兴奋性和来自障碍物的抑制性输入；[x]+为线性阈值函数，定义为[x]+＝max{x,0}以及[x]-＝max{-x,0}；
设定目标点为强外界兴奋输入，障碍物和已覆盖的区域为强外界抑制输入，具体表达式为：
式中，Ii为第i个神经元的输入，E为正数，且满足E>10B。
4.根据权利要求3所述的养殖场全覆盖路径规划方法，其特征在于，利用改进的生物激励神经网络算法在已知栅格地图中进行点对点路径规划，具体过程包括：
设定机器人开始搜寻路径的初始点所在神经元为起始神经元，并设定全局目标点，使全局目标点的活动性处于状态图波峰；
根据神经元的活性和清扫机器人的前一位置，选定清扫机器人的下一位置；
清扫机器人每从一个位置成功移动到下一位置，则将原先位置设置为已覆盖区域；
利用活性更新方程，计算在当前神经元位置邻域内各相连的神经元的活性值大小，并使障碍物对应位置的神经元活性始终保持在谷底；
根据活性更新方程，将全局目标点信息和周围神经元活性信息传递到当前新的位置，继续计算当前位置邻域内所有相邻神经元的活性值大小，按照前述过程选择下一移动位置，直至抵达设定的全局目标点位置。
5.根据权利要求4所述的养殖场全覆盖路径规划方法，其特征在于，改进的生物激励神经网络算法，是将应用于神经元覆盖全工作环境情况下的生物激励神经网络模型进行简化，具体过程包括：
将原完全工作环境的生物激励神经网络模型重构为小型动态生物激励神经网络模型，清扫机器人设置在动态生物激励神经网络模型中心；
小型动态生物激励神经网络模型中的每个神经元到清扫机器人位置所在神经元的距离均小于传感器最大测量半径；
在清扫机器人的运动过程中，小型动态生物激励神经网络模型的尺寸大小固定不变，且每次只有处于小型动态生物激励神经网络模型中的神经元需要更新其神经元活性；
在小型动态生物激励神经网络模型中，需要设定虚拟目标点逐渐接近全局目标点，过程包括：
选择虚拟目标点，在小型动态生物激励神经网络模型中的处于边界的神经元中选择清扫机器人可以抵达的，并且该神经元距离全局目标点位置所在神经元最近，此神经元则被选为虚拟目标点；
用该虚拟目标点替换全局目标点，根据前述活性更新方程选择最活跃的邻域神经元作为移动的下一位置，从而逐渐趋向虚拟目标点；
抵达设定虚拟目标点后，根据上述选择过程重新设定新的虚拟目标点。
6.根据权利要求1所述的养殖场全覆盖路径规划方法，其特征在于，利用优先启发算法和改进生物激励神经网络点对点路径规划算法的融合算法进行全覆盖路径规划，具体过程包括：
当机器人正常工作时，采用优先启发式算法进行路径规划，具体包括：
通过对邻域内神经元进行优先排序，邻域神经元的优先级分为两种对应不同类型的栅格地图；
第一优先级次序为：东、北、西、南、东南、东北、西北、西南；
第二优先级次序为：西南、西北、东北、东南、南、西、北、东；
第三优先级次序为：东南、东北、西北、西南、北、西、南、东；
当机器人陷入“死锁”时，采用改进生物激励神经网络点对点路径规划算法进行路径规划，具体包括：
当清扫机器人按照优先级次序依次检测邻域神经元，若周围八个神经元位置都为不可到达区域，则判断机器人进行“死锁”状态；
清扫机器人扫描工作区域内是否有未遍历的点，计算抵达每个未遍历的点代价函数，选择代价函数输出最小的路径点作为机器人下一个遍历的点；
若扫描工作区域内无未遍历的点，则完成清扫机器人所有可行区域的全覆盖。
7.根据权利要求1所述的养殖场全覆盖路径规划方法，其特征在于，若作业中出现未在已知栅格地图中标识的障碍物，设定绕行模糊逻辑控制器对未知障碍物进行绕行避障，用于在线更新环境栅格地图，具体包括：
根据安装在车体360°方向上的超声波距离传感器，建立清扫机器人对障碍物的感知窗口；
当有障碍物出现在感知窗口内，并判定为未知障碍物，则触发环境栅格地图在线更新过程，具体包括：
根据周围障碍物相对于清扫机器人的最短距离和方向来确定关键未知障碍物，即绕行主体；
基于未知的关键障碍物来设计模糊规则；
将专家经验转化为规则库，通过If-then语句建立规则库；
将来自推理机的模糊输出通过解模糊器映射为一个清晰的控制信号；
根据清扫机器人的坐标信息判定是否完成一周环绕，若是则退出环境在线更新过程，并在已知环境栅格地图中标识该未知障碍物占据栅格的大小及在地图中的位置；
其中，基于未知的关键障碍物来设计模糊规则，具体包括：
设定模糊逻辑的输入变量为两个，分别为多路超声波距离传感器回传距离中最小值dobs和所在对应的变化值Δdobs，输出变量为左轮和右轮的速度vl和vr；
输入变量分别采用梯形隶属函数和三角形隶属函数，其中距离输入由梯形隶属函数定义并设定第一模糊子集，距离变化量输入由三角形隶属函数定义并设定第二模糊子集；
输出变量采用三角形隶属度函数，设定第三和第四模糊子集。
8.一种养殖场清扫导航控制系统，其特征在于，包括机器人，所述机器人包括车体、清扫作业机构和驱动系统，所述车体内部安装有两个驱动电机，所述驱动电机与车体的驱动轮连接，用于驱动车体移动；所述清扫作业机构安装在车体上；所述驱动系统用于控制车体运转，包括底层控制单元和上层控制单元，所述底层控制单元分别与车体、清扫作业机构连接；
所述底层控制单元包括传感器数据读取模块、底层控制单元与上层控制单元通讯模块、驱动行驶控制模块以及清扫控制模块：
所述传感器数据读取模块包括增量式编码器、姿态传感器和超声波传感器，所述增量式编码器安装在驱动电机的输出轴上，用于测量车体驱动轮的行进量；所述姿态传感器用于测量车体在移动过程中的与行驶方向的航向角；所述超声波传感器用于侦测车体四周的障碍物信息；
所述底层控制单元与上层控制单元通讯模块，用于实现在底层控制单元与上层控制单元之间的数据通讯；
所述底层控制单元根据增量式编码器检测到的信号确定机器人运行的里程计数据，根据姿态传感器的信号确定机器人运行的自身姿态，根据超声波距离传感器的信号确定机器人运行四周二维平面的障碍物分布情况，并将数据反馈给上层控制单元；
所述上层控制单元用于执行根据权利要求1-7任意一项所述的养殖场全覆盖路径规划方法，并给底层控制单元下发控制机器人进行全覆盖路径规划操作指令。
9.根据权利要求8所述的养殖场清扫导航控制系统，其特征在于，在养殖场内机器人的自身位置的确定，根据建立的清扫机器人运动学模型，采用航迹推算法在养殖场中对清扫机器人进行推算定位，在养殖场固定坐标系下获得车体的实时位置的预测值，形式为坐标向量P＝(x,y)，其中x,y表示清扫机器人当前所在的位置坐标的横、纵坐标值；
在上层控制单元通过卡尔曼滤波将所述经航迹推算法的位置预测值与姿态传感器数据进行融合，对机器人的预测位置进行修正，获得机器人的精确位置。
10.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的养殖场全覆盖路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211065096.0A CN115454063A (zh) | 2022-09-01 | 2022-09-01 | 养殖场全覆盖路径规划方法、清扫导航控制系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211065096.0A CN115454063A (zh) | 2022-09-01 | 2022-09-01 | 养殖场全覆盖路径规划方法、清扫导航控制系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115454063A true CN115454063A (zh) | 2022-12-09 |
Family
ID=84300861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211065096.0A Pending CN115454063A (zh) | 2022-09-01 | 2022-09-01 | 养殖场全覆盖路径规划方法、清扫导航控制系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115454063A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116700297A (zh) * | 2023-07-31 | 2023-09-05 | 北京市农林科学院智能装备技术研究中心 | 基于畜舍作业机器人的自主导航控制系统和控制方法 |
| CN118466522A (zh) * | 2024-07-11 | 2024-08-09 | 杭州涂鸦信息技术有限公司 | 机器人行走路径规划方法、装置、电子设备及存储介质 |
-
2022
- 2022-09-01 CN CN202211065096.0A patent/CN115454063A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116700297A (zh) * | 2023-07-31 | 2023-09-05 | 北京市农林科学院智能装备技术研究中心 | 基于畜舍作业机器人的自主导航控制系统和控制方法 |
| CN116700297B (zh) * | 2023-07-31 | 2023-10-27 | 北京市农林科学院智能装备技术研究中心 | 基于畜舍作业机器人的自主导航控制系统和控制方法 |
| CN118466522A (zh) * | 2024-07-11 | 2024-08-09 | 杭州涂鸦信息技术有限公司 | 机器人行走路径规划方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11892855B2 (en) | Robot with perception capability of livestock and poultry information and mapping approach based on autonomous navigation | |
| Shah et al. | Ving: Learning open-world navigation with visual goals | |
| CN111771141B (zh) | 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位 | |
| CN115454063A (zh) | 养殖场全覆盖路径规划方法、清扫导航控制系统及介质 | |
| US11698640B2 (en) | Method and apparatus for determining turn-round path of vehicle, device and medium | |
| CN111522339A (zh) | 畜禽舍巡检机器人自动路径规划与定位方法及装置 | |
| Jiang et al. | Autonomous navigation system of greenhouse mobile robot based on 3D Lidar and 2D Lidar SLAM | |
| CN110763225B (zh) | 一种小车路径导航方法及系统、运输车系统 | |
| Zghair et al. | A one decade survey of autonomous mobile robot systems | |
| CN111971574A (zh) | 用于自动驾驶车辆的lidar定位的基于深度学习的特征提取 | |
| CN104914865A (zh) | 变电站巡检机器人定位导航系统及方法 | |
| Chen et al. | Robot navigation with map-based deep reinforcement learning | |
| CN114846425A (zh) | 移动机器人的预测和规划 | |
| Ab Wahab et al. | Path planning for mobile robot navigation in unknown indoor environments using hybrid PSOFS algorithm | |
| Ming et al. | A survey of path planning algorithms for autonomous vehicles | |
| CN116069023B (zh) | 一种基于深度强化学习的多无人车编队控制方法和系统 | |
| CN118020038A (zh) | 两轮自平衡机器人 | |
| CN117406756B (zh) | 一种运动轨迹参数的确定方法、装置、设备和存储介质 | |
| CN211786766U (zh) | 一种基于激光雷达的畜禽舍巡检机器人行走控制装置 | |
| CN115981314A (zh) | 基于二维激光雷达定位的机器人导航自动避障方法和系统 | |
| CN116295485A (zh) | 一种基于能量最优的无人车轨迹规划方法 | |
| Shamshiri et al. | A modular sensing system with CANBUS communication for assisted navigation of an agricultural mobile robot | |
| Wu et al. | Efficient Coverage Path Planning and Underwater Topographic Mapping of an USV based on A*-Improved Bio-Inspired Neural Network | |
| CN118603105B (zh) | 一种空地异构机器人导航方法、设备及介质 | |
| CN116533992B (zh) | 基于深度强化学习算法的自动泊车路径规划方法及其系统 |
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 |