CN115981323A - 一种多传感融合智能清洁车自动避障方法及智能清洁车 - Google Patents

Abstract

本发明提供了一种多传感融合智能清洁车自动避障方法及智能清洁车，自动避障方法包括以下步骤：步骤S1、获取工作区域的起点位置坐标和终点位置坐标，根据起点位置坐标和终点位置坐标规划清扫路径；步骤S2、智能清洁车根据清扫路径进行自动定位导航与纠偏；步骤S3、根据两侧的激光测距数据之和获得车道数量和根据获得的车道数量重新规划清扫路径；步骤S4、运行过程中获得多个传感器反馈的测距数据信息，根据多个传感器反馈的测距数据信息识别多条车道的多种障碍物，并根据识别出的多种障碍物控制智能清洁车采用相应的避障方式进行自动避障。本发明路径规划效果好，自动避障清扫，控制方便，成本低。

Description

一种多传感融合智能清洁车自动避障方法及智能清洁车

技术领域

本发明涉及智能清洁车的技术领域，尤其涉及一种多传感融合智能清洁车自动避障方法及智能清洁车。

背景技术

近年来随着我国智能产业的兴起，智能清洁小车应运而生，对其功能的要求也越来越高。在多年的探索下，部分研究人员已经能实现：先进的机械设计以便清理道路垃圾和无死角清洁。但市面上大多数清洁车仍仅停留在机械创新，鲜少有智能功能，更别说把智能功能集成到小车中。

目前主流的智能清扫车使用的都是SLAM算法，SLAM(simultaneous localizationand mapping),即同时定位与构建地图。它是指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动。现有的SLAM算法能够获得清洁车所在位置的细节地图从而进行道路清扫，但是该方法单一，运算消耗大，不利于在较大的环境中运行，清洁效果不佳；同时，清洁车功能集成度较低，能实现的自动化功能少、技术复杂，实现成本高。

发明内容

针对以上相关技术的不足，本发明提出一种自动导航清洁多车道垃圾，路径规划效果好，避障方式多样，实现成本低的多传感融合智能清洁车自动避障方法及智能清洁车。

为了解决上述技术问题，本发明实施例提供了一种多传感融合智能清洁车自动避障方法，所述自动避障方法包括以下步骤：

步骤S1、获取工作区域的起点位置坐标和终点位置坐标，根据所述起点位置坐标和所述终点位置坐标规划清扫路径，所述清扫路径规划包括全局规划和/或局部规划；

步骤S2、所述智能清洁车根据所述清扫路径运行，并在运行过程中进行自动定位导航与纠偏；

步骤S3、在所述智能清洁车的两侧预设激光测距模块，在运行过程中获得两侧的激光测距数据，并根据两侧的激光测距数据之和获得车道数量，和根据获得的车道数量重新规划清扫路径；

步骤S4、在所述智能清洁车上预设多个传感器及其安装位置，并在运行过程中获得所述多个传感器反馈的测距数据信息，根据所述多个传感器反馈的测距数据信息识别多条车道的多种障碍物，并根据识别出的所述多种障碍物控制所述智能清洁车采用相应的避障方式进行自动避障。

优选的，所述智能清洁车安装有GPS定位模块和用于纠偏的陀螺仪，所述步骤S2具体包括以下步骤：

步骤S21、通过Arduino初始化；

步骤S22、通过GPS模块获取当前的位置信息；

步骤S23、采集当前实时坐标与航向；

步骤S24、所述GPS模块获取终点位置信息；

步骤S25、获取终点的坐标与航向；

步骤S26、判断目标航向角是否等于当前航向角；否，则执行步骤S27；是，则执行步骤S28；

步骤S27、对所述当前航向角进行角度调整,以实现纠偏；

步骤S28、判断是否达到目标位置；是，则结束；否，则返回所述步骤S21进行循环。

优选的，预设的多个所述传感器包括安装于所述智能清洁车两侧的激光测距模块，所述步骤S3具体包括以下步骤：

步骤S31、初始化所述激光测距模块；

步骤S32、获取两侧的激光测距数据之和；

步骤S33、根据所述激光测距数据之和判断车道数量，并记录当前车道编号；

步骤S34、控制所述智能清洁车前进；

步骤S35、判断所述当前车道是否完成清扫；是，则执行步骤S36；否，则返回所述步骤S33；

步骤S36、判断是否需要更换车道；是，则执行步骤S37；否，则结束；

步骤S37、控制所述智能清洁车更换车道；

步骤S38、控制所述智能清洁车前进；

步骤S39、判断所述当前车道是否完成清扫；是，则执行步骤S310；否，则返回所述步骤S38之前；

步骤S310、判断是否完成所有车道清扫，是，则结束；否，则返回所述步骤S37之前。

优选的，所述全局规划采用蚁群算法规划时，包括以下步骤：

步骤A1、初始化个参数；

步骤A2、导入各地点坐标数据；

步骤A3、随机放置蚂蚁；

步骤A4、根据所述蚂蚁搜索下一地点；

步骤A5、当完成所有地点搜索后，更新信息素信息；

步骤A6、当所述信息素信息达到最大迭代次数后；清空历经地点列表；

步骤A7、输出最佳路径列表，并结束。

优选的，所述步骤S1的所述局部规划采用Floyd算法规划时，包括以下步骤：

步骤B1、初始化距离矩阵与路径矩阵；

步骤B2、随机选取一地点为起点；

步骤B3、插入新地点；

步骤B4、判断经过所述新地点路径是否为最短路径；是，则更新所述距离矩阵与所述路径矩阵；

步骤B5、否，则判断是否完成所有点插入；是，则结束；否，则返回所述步骤B3。

优选的，所述步骤S1将所述全局规划和所述局部规划一起使用时，包括以下步骤：

步骤C1、获取个坐标点的信息；

步骤C2、通过蚂蚁算法规划路径；

步骤C3、输出地点顺序列表；

步骤C4、更新起始点与下一目标点的数据；

步骤C5、通过Floyd算法规划路径；

步骤C6、前往目标点；

步骤C7、判断是否遍历所有地点；是，则结束；否，则返回所述步骤C4。

优选的，在所述智能清洁车上预设有测速模块和超声波传感器，所述步骤S4具体包括以下步骤：

步骤S41、通过测速和超声波初始化；

步骤S42、控制所述智能清洁车正常运行；

步骤S43、判断是否检测到障碍物，是，则执行步骤S44；否，则返回所述步骤S42之前；

步骤S44、获取所述测速模块检测到的所述智能清洁车的行驶速度以及与障碍物的相对速度；

步骤S45、判断所述相对速度是否等于所述行驶速度，是，则执行步骤S46；否，则停车等待障碍物通过，并执行步骤S48之前；

步骤S46、控制所述智能清洁车主动绕行；

步骤S47、控制所述智能清洁车前进；

步骤S48、判断前方是否存在障碍物，是，则返回所述步骤S44；否，则结束。

第二方面，本发明实施例提供一种智能清洁车，所述智能清洁车包括：车身、固定在所述车身两侧的多个功能模块；所述多个功能模块包括定位导航模块、激光测距模块、路径规划模块及智能避障模块；

所述路径规划模块，用于获取工作区域的起点位置坐标和终点位置坐标，根据所述起点位置坐标和所述终点位置坐标规划清扫路径；

所述定位导航模块，用于根据所述清扫路径运行，并在运行过程中进行自动定位导航与纠偏；

所述激光测距模块，用于在运行过程中获得所述车身两侧的激光测距数据，并根据两侧的所述激光测距数据之和获得车道数量，和根据获得的车道数量重新规划清扫路径；

所述智能避障模块，用于预设多个传感器，并在运行过程中获得所述多个传感器反馈的测距数据信息，根据所述多个传感器反馈的测距数据信息识别多条车道的多种障碍物，并根据识别出的所述多种障碍物采用相应的避障方式进行自动避障。

与相关技术相比，本发明通过获取工作区域的起点位置坐标和终点位置坐标，根据所述起点位置坐标和所述终点位置坐标规划清扫路径，所述清扫路径规划包括全局规划和/或局部规划；所述智能清洁车根据所述清扫路径运行，并在运行过程中进行自动定位导航与纠偏；在所述智能清洁车的两侧预设激光测距模块，在运行过程中获得两侧的激光测距数据，并根据两侧的激光测距数据之和获得车道数量，和根据获得的车道数量重新规划清扫路径；在所述智能清洁车上预设多个传感器及其安装位置，并在运行过程中获得所述多个传感器反馈的测距数据信息，根据所述多个传感器反馈的测距数据信息识别多条车道的多种障碍物，并根据识别出的所述多种障碍物控制所述智能清洁车采用相应的避障方式进行自动避障。这样能够获取当前所在位置(即智能导航)自动清洁道路，识别出多个车道并且有序地完成多车道清洁；此外，避障也是清洁小车不可或缺的部分，通过识别障碍物体的运动状态(运动或静止)调整清洁小车的避障方式：停车避障、绕开避障。本发明的清洁小车不仅能够解放生产力，还能通过传感器实现不遗漏的清洁，确保每条道路清洁干净。

附图说明

下面结合附图详细说明本发明。通过结合以下附图所作的详细描述，本发明的上述或其他方面的内容将变得更清楚和更容易理解。附图中：

图1为本发明多传感融合智能清洁车自动避障方法的流程图；

图2为本发明步骤S1的具体方法流程图；

图3为本发明步骤S2的具体方法流程图；

图4为本发明步骤S3的应用于智能清洁车的蚁群算法流程图；

图5为本发明图4的蚁群算法流程图；

图6为本发明步骤S3的应用于智能清洁车的Floyd算法的流程图；

图7为本发明步骤S3的应用于智能清洁车的蚁群算法和Floyd算法融合的流程图；

图8为本发明步骤S4的流程图；

图9为本发明智能清洁车的模块图。

图中，10、智能清洁车，1、车身，2、定位导航模块，3、激光测距模块，4、路径规划模块，5、智能避障模块。

具体实施方式

下面结合附图详细说明本发明的具体实施方式。

在此记载的具体实施方式/实施例为本发明的特定的具体实施方式，用于说明本发明的构思，均是解释性和示例性的，不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外，本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案，这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案，都在本发明的保护范围之内。

实施例一

如图1所示，本发明提供一种多传感融合智能清洁车自动避障方法，所述自动避障方法包括以下步骤：

步骤S1、获取工作区域的起点位置坐标和终点位置坐标，根据所述起点位置坐标和所述终点位置坐标规划清扫路径。所述清扫路径规划包括全局规划和/或局部规划。

步骤S2、智能清洁车根据所述清扫路径运行，并在运行过程中进行自动定位导航与纠偏。

步骤S3、在智能清洁车的两侧预设激光测距模块，在运行过程中获得两侧的激光测距数据，并根据两侧的激光测距数据之和获得车道数量，和根据获得的车道数量重新规划清扫路径。

步骤S4、在智能清洁车上预设多个传感器及其安装位置，并在运行过程中获得所述多个传感器反馈的测距数据信息，根据所述多个传感器反馈的测距数据信息识别多条车道的多种障碍物，

并根据识别出的所述多种障碍物控制所述智能清洁车采用相应的避障方式进行自动避障。

具体的，通过获取工作区域的起点位置坐标和终点位置坐标，根据所述起点位置坐标和所述终点位置坐标规划清扫路径，所述清扫路径规划包括全局规划和/或局部规划；所述智能清洁车根据所述清扫路径运行，并在运行过程中进行自动定位导航与纠偏；在所述智能清洁车的两侧预设激光测距模块，在运行过程中获得两侧的激光测距数据，并根据两侧的激光测距数据之和获得车道数量，和根据获得的车道数量重新规划清扫路径；在所述智能清洁车上预设多个传感器及其安装位置，并在运行过程中获得所述多个传感器反馈的测距数据信息，根据所述多个传感器反馈的测距数据信息识别多条车道的多种障碍物，并根据识别出的所述多种障碍物控制所述智能清洁车采用相应的避障方式进行自动避障。这样能够获取当前所在位置(即智能导航)自动清洁道路，识别出多个车道并且有序地完成多车道清洁；此外，避障也是清洁小车不可或缺的部分，通过识别障碍物体的运动状态(运动或静止)调整清洁小车的避障方式：停车避障、绕开避障。本发明的清洁小车不仅能够解放生产力，还能通过传感器实现不遗漏的清洁，确保每条道路清洁干净。整体自动导航清洁多车道垃圾，路径规划效果好，避障方式多样，实现成本低，可行性大。

如图2所示，在本实施例中，所述智能清洁车安装有GPS定位模块和用于纠偏的陀螺仪，所述步骤S2具体包括以下步骤：

步骤S21、通过Arduino初始化；

步骤S22、通过GPS模块获取当前的位置信息；

步骤S23、采集当前实时坐标与航向；

步骤S24、所述GPS模块获取终点位置信息；

步骤S25、获取终点的坐标与航向；

步骤S26、判断目标航向角是否等于当前航向角；否，则执行步骤S27；是，则执行步骤S28；

步骤S27、对所述当前航向角进行角度调整，以实现纠偏；

步骤S28、判断是否达到目标位置；是，则结束；否，则返回所述步骤S21进行循环。

具体的，通过上述的步骤S21-步骤S28，可以在特定区域内进行定位导航，获取小车当前位置，实测坐标与航向。定位可使用北斗GPS模块获取小车位置，输出经纬度位置，通过公式换算可以得知在特定时间间隔内小车的运动距离，定位导航效果好，精确度高。

在行驶过程中，最佳的行驶状态为平行于道路方向，如果车向发现偏转，很有可能会导致偏离航向或者造成交通事故，尤其在遇到障碍物并且进行避障时，需要及时调整小车航向，保证小车的正常运行。选择采用陀螺仪作为纠偏的实现模块。

采用陀螺仪能够实现采集加速度、角度、欧拉角(获取实时运动姿态)，因此可以采集小车的欧拉角，一旦发现小车的角度偏离过大，则发送指令至舵机，重新调整小车的行驶角度。小车的三轴规定如下，主要调整的轴角度为Y轴。

如图3所示，在本实施例中，预设的多个传感器包括安装于智能清洁车两侧的激光测距模块，所述步骤S3具体包括以下步骤：

步骤S31、初始化激光测距模块；

步骤S32、获取两侧的激光测距数据之和；

步骤S33、根据激光测距数据之和判断车道数量，并记录当前车道编号；

步骤S34、控制所述智能清洁车前进；

步骤S35、判断所述当前车道是否完成清扫；是，则执行步骤S36；否，则返回所述步骤S33；

步骤S36、判断是否需要更换车道；是，则执行步骤S37；否，则结束；

步骤S37、控制所述智能清洁车更换车道；

步骤S38、控制所述智能清洁车前进；

步骤S39、判断所述当前车道是否完成清扫；是，则执行步骤S310；否，则返回所述步骤S38之前；

步骤S310、判断是否完成所有车道清扫，是，则结束；否，则返回所述步骤S37之前。

例如，要求能够清扫特定区域的多个车道，即小车需要具备检测多车道的功能。采用激光测距模块实现多通道的检测。根据国标规定，城市道路每车道宽度为3.5米；交叉路口分流车道每车道为2.3-2.5米；干线公路包括高速公路每车道宽为3.75米；路肩高速公路紧急停车带为1.5-2.5米；速公路收费站每车道宽度为2.5米；即城市道路检测可量化，使用激光测距模块的方法可行。

将激光测距模块固定于小车两侧，两边都检测距离车道边缘的距离，相加得到总车道宽度，即可求出车道数量。

如图4-图5所示，本实施例中，所述步骤S1的全局规划采用蚁群算法规划时，包括以下步骤：

步骤A1、初始化个参数；

步骤A2、导入各地点坐标数据；

步骤A3、随机放置蚂蚁；

步骤A4、根据所述蚂蚁搜索下一地点；

步骤A5、当完成所有地点搜索后，更新信息素信息；

步骤A6、当所述信息素信息达到最大迭代次数后；清空历经地点列表；

步骤A7、输出最佳路径列表，并结束。

其中，蚁群算法是一种用来寻找优化路径的概率型算法。这种算法具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种启发式全局优化算法。

具体的，蚁群算法的思路是：将N个城市和城市之间的路径看作一个图，放置m只蚂蚁在图中移动。所述城市代表选定的起始点位置。

1、寻找最短路径步骤：每只蚂蚁都随机选择一个城市作为其出发城市。蚂蚁依据各路径的信息素值和可见度做出选择，运动到下一个城市。等所有蚂蚁都完成他们的旅行后，找到他们中的最短路径(一个解)，此步骤完成。

2、更新信息素：更新各个路径的信息素数值，包括原有信息素的蒸发和有蚂蚁经过的路径上信息素的增加。

3、重复上述两个步骤。当达到预定的迭代次数或解不再变化时，算法结束，以当前最短路径作为问题的最优解。

具体的，通过初始化个参数；导入各地点坐标数据；随机放置蚂蚁；根据所述蚂蚁搜索下一地点；当完成所有地点搜索后，更新信息素信息；当所述信息素信息达到最大迭代次数后；清空历经地点列表；输出最佳路径列表，并结束。通过蚁群算法应用在清洁车上时，其易获得全局最优解；应用面广，易于其他问题结合；分布式计算方式，多个个体并行运算，大大提升了算法的运行效率。

如图6所示，本实施例中，所述步骤S1的所述局部规划采用Floyd算法(弗洛伊德算法)规划时，包括以下步骤：

步骤B1,初始化距离矩阵与路径矩阵；

步骤B2、随机选取一地点为起点；

步骤B3、插入新地点；

步骤B4、判断经过所述新地点路径是否为最短路径；是，则更新所述距离矩阵与所述路径矩阵；

步骤B5、否，则判断是否完成所有点插入；是，则结束；否，则返回所述步骤B3。

其中，Floyd算法又称为插点法，是一种利用动态规划的思想寻找给定的加权图中多源点之间最短路径的算法。

具体的，弗洛伊德算法是解决图论问题的比较经典的算法，用来求解赋权图中每对顶点间的最短距离，在求距离的过程中也可以得到最短距离的路径。相比起其他算法，Floyd算法比较简单，算法容易实现，比较适合入门。

Floyd的算法原理：Floyd算法是经典的动态规划算法，基本思想是递推产生一个矩阵序列A₁，A₂，.....，A_k，...，A_n(图有n个节点)，A_k＝(a_k(i，j))_n×n。其中矩阵A_k第i行第j列表示从顶点v_i到顶点y_j的路径上经过的顶点序号不大于k的最短路径长度。

迭代公式：

a_k(i，j)＝min(a_k-1(i，j)，a_k-1(i，k)+a_k-₁(k，j))

其中k是迭代次数，i，j，k＝1，2......n，当最后k＝n时，A_n矩阵就是各个顶点之间的最短距离值。当将Floyd应用在清洁车上时，其易获得局部最优解；容易理解，可以算出任意两个节点之间最短距离的算法，使用方便。

请参阅附图4-图7所示，本实施例中，所述步骤S1将所述全局规划和所述局部规划一起使用时，包括以下步骤：

步骤C1,获取个坐标点的信息；

步骤C2、通过蚂蚁算法规划路径；

步骤C3、输出地点顺序列表；

步骤C4、更新起始点与下一目标点的数据；

步骤C5、通过Floyd算法规划路径；

步骤C6、前往目标点；

步骤C7、判断是否遍历所有地点；是，则结束；否，则返回所述步骤C4。

具体的，通过获取个坐标点的信息；通过蚂蚁算法规划路径；输出地点顺序列表；更新起始点与下一目标点的数据；通过Floyd算法规划路径；前往目标点；判断是否遍历所有地点；是，则结束；否，则返回所述更新起始点与下一目标点的数据的步骤。其中，考虑到两种算法的特点与优劣，通过将蚁群算法作为全局规划算法，规定起始点后即可获得最优路径；又因为在清洁小车的行驶过程中可能遇到障碍物，导致行驶路径与原定路径有偏差，此时使用Floyd算法进行二次规划。两种算法结合使用能够更好地达成规划效果。

如图8所示，在本实施例中，在智能清洁车上预设有测速模块和超声波传感器，所述步骤S4具体包括以下步骤：

步骤S41、通过测速和超声波初始化；

步骤S42、控制所述智能清洁车正常运行；

步骤S43、判断是否检测到障碍物，是，则执行步骤S44；否，则返回所述步骤S42之前；

步骤S44、获取测速模块检测到的所述智能清洁车的行驶速度以及与障碍物的相对速度；

步骤S45、判断所述相对速度是否等于所述行驶速度，是，则执行步骤S46；否，则停车等待障碍物通过，并执行步骤S48之前；

步骤S46、控制所述智能清洁车主动绕行；

步骤S47、控制所述智能清洁车前进；

步骤S48、判断前方是否存在障碍物，是，则返回所述步骤S44；否，则结束。

其中，通过采用超声波避障模块实现超声波初始化，超声波测距传感器不受物体的颜色、透明度影响，精度高。使用超声波测距传感器，是为了检测前方是否存在障碍物，当遇到障碍物时，要求根据障碍物的状态选择避障的方式。如，检测到动态障碍物时，选择令小车静止在原地，等待障碍物离开；检测到静态障碍物时，发送指令至小车，让其主动绕行。

通过采用陀螺仪或者测速模块实时获取小车行驶速度。当超声波检测到障碍物后，根据检测距离与检测时间，可以获取障碍物与小车的相对速度，将相对速度与行驶速度进行对比，即可判断障碍物状态。

与现有技术相比，本发明具有的有益效果如下：

(1)多种智能功能集成到一辆清洁小车上，集成度高，自动化程度高。

(2)提出使用激光传感器实现智能多通道清洁概念与实现方法，增加清洁车功能

(3)多传感融合实现智能小车，运算消耗资源小，实现成本低。

(4)路径规划中采用蚁群算法和弗洛伊德算法分别作为全局规划和局部规划，互为补充，在路径规划的过程中更加完善。

(5)避障中考虑了障碍物中的运动状态。通过识别障碍物体的运动状态(运动或静止)调整清洁小车的避障方式：停车避障、绕开避障，从而实现精准避障。

实施例二

如图9所示，本发明实施例提供一种智能清洁车10，所述智能清洁车10包括：车身1、固定在所述车身1两侧的多个功能模块；所述多个功能模块包括定位导航模块2、激光测距模块3、路径规划模块4及智能避障模块5；

所述路径规划模块4，用于获取工作区域的起点位置坐标和终点位置坐标，根据所述起点位置坐标和所述终点位置坐标规划清扫路径；

所述定位导航模块2，用于根据所述清扫路径运行，并在运行过程中进行自动定位导航与纠偏；

所述激光测距模块3，用于在运行过程中获得车身1两侧的激光测距数据，并根据两侧的激光测距数据之和获得车道数量，和根据获得的车道数量重新规划清扫路径；所述智能避障模块5，用于预设多个传感器，并在运行过程中获得所述多个传感器反馈的测距数据信息，根据所述多个传感器反馈的测距数据信息识别多条车道的多种障碍物，并根据识别出的所述多种障碍物采用相应的避障方式进行自动避障。

实施例二与上述实施例一的原理相同，产生的技术效果相同，此处不再一一描述。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何纂改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.一种多传感融合智能清洁车自动避障方法，其特征在于，所述自动避障方法包括以下步骤：

步骤S1、获取工作区域的起点位置坐标和终点位置坐标，根据所述起点位置坐标和所述终点位置坐标规划清扫路径，所述清扫路径规划包括全局规划和/或局部规划；

步骤S2、所述智能清洁车根据所述清扫路径运行，并在运行过程中进行自动定位导航与纠偏；

步骤S3、在所述智能清洁车的两侧预设激光测距模块，在运行过程中获得两侧的激光测距数据，并根据两侧的激光测距数据之和获得车道数量，和根据获得的车道数量重新规划清扫路径；

步骤S4、在所述智能清洁车上预设多个传感器及其安装位置，并在运行过程中获得所述多个传感器反馈的测距数据信息，根据所述多个传感器反馈的测距数据信息识别多条车道的多种障碍物，并根据识别出的所述多种障碍物控制所述智能清洁车采用相应的避障方式进行自动避障。

2.如权利要求1所述的多传感融合智能清洁车自动避障方法，其特征在于，所述智能清洁车安装有GPS定位模块和用于纠偏的陀螺仪，所述步骤S2具体包括以下步骤：

步骤S21、通过Arduino初始化；

步骤S22、通过GPS模块获取当前的位置信息；

步骤S23、采集当前实时坐标与航向；

步骤S24、所述GPS模块获取终点位置信息；

步骤S25、获取终点的坐标与航向；

步骤S26、判断目标航向角是否等于当前航向角；否，则执行步骤S27；是，则执行步骤S28；

步骤S27、对所述当前航向角进行角度调整,以实现纠偏；

步骤S28、判断是否达到目标位置；是，则结束；否，则返回所述步骤S21进行循环。

3.如权利要求1所述的多传感融合智能清洁车自动避障方法，其特征在于，预设的多个所述传感器包括安装于所述智能清洁车两侧的激光测距模块，所述步骤S3具体包括以下步骤：

步骤S31、初始化所述激光测距模块；

步骤S32、获取两侧的激光测距数据之和；

步骤S33、根据所述激光测距数据之和判断车道数量，并记录当前车道编号；

步骤S34、控制所述智能清洁车前进；

步骤S35、判断所述当前车道是否完成清扫；是，则执行步骤S36；否，则返回所述步骤S33；

步骤S36、判断是否需要更换车道；是，则执行步骤S37；否，则结束；

步骤S37、控制所述智能清洁车更换车道；

步骤S38、控制所述智能清洁车前进；

步骤S39、判断所述当前车道是否完成清扫；是，则执行步骤S310；否，则返回所述步骤S38之前；

步骤S310、判断是否完成所有车道清扫，是，则结束；否，则返回所述步骤S37之前。

4.如权利要求1所述的多传感融合智能清洁车自动避障方法，其特征在于，所述步骤S1的所述全局规划采用蚁群算法规划时，包括以下步骤：

步骤A1、初始化个参数；

步骤A2、导入各地点坐标数据；

步骤A3、随机放置蚂蚁；

步骤A4、根据所述蚂蚁搜索下一地点；

步骤A5、当完成所有地点搜索后，更新信息素信息；

步骤A6、当所述信息素信息达到最大迭代次数后；清空历经地点列表；

步骤A7、输出最佳路径列表，并结束。

5.如权利要求1所述的多传感融合智能清洁车自动避障方法，其特征在于，所述步骤S1的所述局部规划采用Floyd算法规划时，包括以下步骤：

步骤B1、初始化距离矩阵与路径矩阵；

步骤B2、随机选取一地点为起点；

步骤B3、插入新地点；

步骤B4、判断经过所述新地点路径是否为最短路径；是，则更新所述距离矩阵与所述路径矩阵；

步骤B5、否，则判断是否完成所有点插入；是，则结束；否，则返回所述步骤B3。

6.如权利要求1所述的多传感融合智能清洁车自动避障方法，其特征在于，所述步骤S1将所述全局规划和所述局部规划一起使用时，包括以下步骤：

步骤C1、获取个坐标点的信息；

步骤C2、通过蚂蚁算法规划路径；

步骤C3、输出地点顺序列表；

步骤C4、更新起始点与下一目标点的数据；

步骤C5、通过Floyd算法规划路径；

步骤C6、前往目标点；

步骤C7、判断是否遍历所有地点；是，则结束；否，则返回所述步骤C4。

7.如权利要求1所述的多传感融合智能清洁车自动避障方法，其特征在于，在所述智能清洁车上预设有测速模块和超声波传感器，所述步骤S4具体包括以下步骤：

步骤S41、通过测速和超声波初始化；

步骤S42、控制所述智能清洁车正常运行；

步骤S43、判断是否检测到障碍物，是，则执行步骤S44；否，则返回所述步骤S42之前；

步骤S44、获取所述测速模块检测到的所述智能清洁车的行驶速度以及与障碍物的相对速度；

步骤S45、判断所述相对速度是否等于所述行驶速度，是，则执行步骤S46；否，则停车等待障碍物通过，并执行步骤S48之前；

步骤S46、控制所述智能清洁车主动绕行；

步骤S47、控制所述智能清洁车前进；

步骤S48、判断前方是否存在障碍物，是，则返回所述步骤S44；否，则结束。

8.一种智能清洁车，其特征在于，所述智能清洁车包括：车身、固定在所述车身两侧的多个功能模块；所述多个功能模块包括定位导航模块、激光测距模块、路径规划模块及智能避障模块；

所述路径规划模块，用于获取工作区域的起点位置坐标和终点位置坐标，根据所述起点位置坐标和所述终点位置坐标规划清扫路径；

所述定位导航模块，用于根据所述清扫路径运行，并在运行过程中进行自动定位导航与纠偏；

所述激光测距模块，用于在运行过程中获得所述车身两侧的激光测距数据，并根据两侧的所述激光测距数据之和获得车道数量，和根据获得的车道数量重新规划清扫路径；

所述智能避障模块，用于预设多个传感器，并在运行过程中获得所述多个传感器反馈的测距数据信息，根据所述多个传感器反馈的测距数据信息识别多条车道的多种障碍物，并根据识别出的所述多种障碍物采用相应的避障方式进行自动避障。

Images