CN116501064A - 一种光伏电站清扫机器人的路径规划及避障方法 - Google Patents
一种光伏电站清扫机器人的路径规划及避障方法 Download PDFInfo
- Publication number
- CN116501064A CN116501064A CN202310526596.8A CN202310526596A CN116501064A CN 116501064 A CN116501064 A CN 116501064A CN 202310526596 A CN202310526596 A CN 202310526596A CN 116501064 A CN116501064 A CN 116501064A
- Authority
- CN
- China
- Prior art keywords
- cleaning robot
- algorithm
- cleaning
- point
- path planning
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 122
- 238000005457 optimization Methods 0.000 claims abstract description 48
- 230000006870 function Effects 0.000 claims abstract description 42
- 238000005192 partition Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 12
- 238000005265 energy consumption Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 230000010354 integration Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000028838 turning behavior Effects 0.000 description 1
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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
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)
Abstract
本发明涉及光伏机器人技术领域,公开了一种光伏电站清扫机器人的路径规划及避障方法,采集清扫机器人的位置信息和姿态信息,得到清扫机器人的实时位置的定位和姿态;获取清扫机器人的当前位置和姿态,进行真实环境下的光伏阵列清扫区域的二维栅格地图构建;对传统A*算法进行启发式优化和拐弯优化,基于改进后的A*算法进行全局路径规划;对传统DWA算法进行改进,基于改进DWA算法进行局部路径规划;基于地图矩形分区和回溯算法实现全覆盖路径规划遍历,最终实现光伏清扫机器人在光伏阵列上进行清扫和逃离死区的功能。本发明的有益效果为:能够实现了对光伏阵列的全覆盖清扫、避障以及快速逃离死区。
Description
技术领域
本发明涉及光伏机器人技术领域,涉及一种光伏电站清扫机器人的路径规划及避障方法,具体涉及一种光伏电站清扫机器人在光伏阵列上清扫的路径规划及避障方法。
背景技术
光伏组件是光伏发电系统重要的核心部件,能够收集太阳能并转换为电能。随着光伏发电的广泛应用,及时地清扫堆积在光伏组件表面的积灰、树叶、积雪和鸟粪等沉积物对于保证光伏发电效率就显得十分重要。
清扫机器人在光伏组件上进行路径规划能够保证全覆盖清扫的效率,避障可以用于应对紧急的突发状况,部分光伏组件的意外脱落导致常规清扫区域的缺失。此时,就可以运用机器人的紧急避障功能,从而降低机器人损毁的风险。
清扫机器人在光伏阵列上执行清扫工作的时候,首先要解决的就是做好路径规划和规避障碍物问题,机器人在光伏组件上实现路径规划,制定有效地路径,能够有效地改善机器人清扫的效率,实现机器人清扫的智能化设计。
发明内容
针对现有的清扫机器人存在定位精度差、不能实现无差别对象作业和无法自主运维等问题,本发明提供了一种光伏电站清扫机器人的路径规划及避障方法,用于光伏电站光伏阵列的清扫,能够实现了对光伏阵列的全覆盖清扫、避障以及快速逃离死区。
为实现上述目的,本发明提供如下技术方案:
一种光伏电站清扫机器人的路径规划及避障方法,包括以下步骤:
采集清扫机器人的位置信息和姿态信息,得到清扫机器人的实时位置的定位和姿态;
获取清扫机器人的当前位置和姿态,进行真实环境下的光伏阵列清扫区域的二维栅格地图构建;
对传统A*算法进行启发式优化和拐弯优化,基于改进后的A*算法进行全局路径规划;
对传统DWA算法进行改进,基于改进DWA算法进行局部路径规划;
基于地图矩形分区和回溯算法实现全覆盖路径规划遍历,最终实现光伏清扫机器人在光伏阵列上进行清扫和逃离死区的功能。
进一步地,在实施采集清扫机器人的位置信息的步骤之前还包括步骤搭建清扫机器人的定位系统,所述定位系统包括设置于清扫机器上的超宽带定位系统、惯性传感器以及深度相机,定位系统用于采集清扫机器人的位置信息、光伏阵列上障碍物尺寸数据以及清扫区域信息,所述清扫机器人的位置信息为定位系统实时采集到的是清扫机器人的中心位置(放置定位标签的位置)坐标(x,y,z),定位系统将采集的数据传输至清扫机器人的控制系统,为清扫机器人的定位和校正提供多尺度、多层次和多方面的信息,比如超宽带定位系统采集到的机器人的位置信息、惯性传感器采集到的姿态信息以及深度相机采集到的图像数据信息等,实现了清扫机器人的实时定位、障碍物检测以及清扫区域建图。
进一步地,所述深度相机为RGB-D相机,所述惯性传感器为IMU惯性传感器,所述超宽带定位系统为UWB传感器,采用ORB(Oriented Fast and Rotated Brief特征检测)特征结合筛选优化和PROSAC(Progressive Sample Consensus)算法构建RGB-D视觉里程计,采用IMU预积分的方式,构建IMU预积分测量误差,对IMU预积分测量误差和视觉重投影误差同时优化,构建RGB-D视觉惯性里程计。
进一步地,对清扫机器人定位系统的后端优化,只优化窗口内的清扫机器人位姿,以加快计算速度和降低处理器性能要求,通过对深度相机获取图像并进行回环检测,对清扫机器人的位姿进行全局优化,进而减小系统的累积误差,通过扩展卡尔曼滤波将UWB传感器和清扫机器人的位姿数据进行融合,实现定位误差的再校正。
进一步地,所述二维栅格地图构建的方法为:采用清扫机器人位姿优化和视觉惯性里程计数据的数据后处理的优化策略,对机器人定位系统进行后端优化,设计清扫区域地图构建算法,在定位系统中获取当前位置和姿态,实现二维栅格地图构建。
步骤S1:深度相机通过获取图像数据构建稠密点云地图,并对稠密点云地图进行滤波和降采样优化处理。具体为:利用深度相机(比如D435i相机)拍摄原始图片,进行稠密建图,根据相机位姿将图像数据转化为点云;然后,对获取的点云进行拼接,得到一个由离散的点集组成稠密点云地图,然后进行滤波处理,去除偏差较大或者无效的点。
步骤S2:为了降低其数据存储量,在优化后的稠密点云地图基础上建立三维八叉树地图,构建适用于移动机器人导航和路径规划的精确地图。
步骤S3:对构建的三维八叉树地图进行地面信息和非地面信息分割提取。
步骤S4:根据提取的地面信息和非地面信息进行投影变换得到二维栅格地图,具体为:在三维八叉树地图获取基础上,获取支持清扫活动的地面信息和一定高度的非地面信息;将一定高度非地面信息进行正交投影变换后的信息和地面信息结合生成二维栅格地图。
进一步地,清扫机器人为了适应光伏电站的工作环境,基于传统的A*算法进行启发式优化,所述对传统A*算法进行启发式优化的方法为:
采用动态衡量启发式算法实时对传统的A*算法优化,将气象因素对清扫机器人能耗的影响融入启发式函数中,将传统的A*算法的总代价计算公式转换,转换得到启发式优化后A*算法的总代价f(n);
f(n)=g(n)+h(n)
h(n)=α*t(n)+β*e(n)
e(n)=c1*v(n)+c2
其中,f(n)表示启发式优化后清扫机器人从初始点经节点n到目标点的总代价;g(n)表示清扫机器人从起点到当前节点n的实际代价(即路径长度),h(n)表示从当前节点n到终点的启发式估计代价;t(n)表示从当前节点n到终点的预计时间,e(n)表示从当前节点n到终点的预计能耗,α和β分别是时间和能耗的权重因子;c1表示基于清扫机器人行驶单位距离的能耗;c2表示基于清扫机器人清扫能耗的基础消耗;v(n)表示基于气象因素预测出的清扫机器人行驶速度,是根据温度和光照强度等的气象信息,预测出的清扫机器人的行驶速度,具体预测方法为通过观测到的数据集构建模型进行训练然后计算得到的数据量,本发明中v(n)可当做已知量。
进一步地,清扫机器人为了适应光伏电站的工作环境,基于传统的A*算法进行拐弯优化,所述对进行启发式优化后的A*算法进行拐弯优化得到改进后的A*算法,具体方法为:
在启发式优化后A*算法中的评价函数中增加拐弯惩罚项,将拐弯惩罚项定义为路径拐弯次数和路径拐弯角度的函数。路径拐弯次数通过记录每个节点的父节点来计算,路径拐弯角度通过路径中每个相邻节点之间的转向角度来计算。
定义路径拐弯次数f1(n)为当前节点n到起点的路径上的拐弯次数,定义路径拐弯角度f2(n)为当前节点n到起点的路径上的拐弯角度总和;在启发式优化后A*算法中的评价函数中增加拐弯惩罚项k(n),k(n)通过以下公式表示:
k(n)=w1*f1(n)+w2*f2(n)
其中:w1和w2分别是路径拐弯次数和路径拐弯角度惩罚项的权重系数;
在搜索过程中,在每个节点处计算拐弯惩罚项k(n),并将其加入到启发式优化后A*算法中的评价函数中,得到拐弯优化的评价函数F(n),拐弯优化的评价函数F(n)表示为:
F(n)=k(n)+g(n)+h(n)
式中:k(n)表示拐弯惩罚项;
在搜索过程中,根据拐弯优化的评价函数F(n)进行节点扩展,选择F(n)值最小的节点进行扩展;通过增加拐弯惩罚项,改进后的A*算法倾向于生成直线段路径,从而减少路径的拐弯。
进一步地,所述光伏电站清扫机器人为了适应光伏电站的工作环境,基于传统的A*算法进行拐弯优化,具体步骤包括:
首先,从待选点矩阵中找到最小总代价的点,获取其父节点的索引值,从而获取父节点的方向信息;
然后,若想走直线,那么期望的点就是父节点左边的点;
最后,得到期望要走的点位置后,查看该点是否位于待选点矩阵中,若在,计算点要花费的总代价,若与原来相同就用期望的点优化。
进一步地,在搜索过程中,按照评价函数从小到大的顺序扩展节点;当有若干个节点的评价函数相同时,采用启发式优化后A*算法的总代价f(n)的值作为优先级的次要因素。优化后的路径规划算法的运行时间少、流畅度高。
进一步地,所述对传统DWA算法进行改进的方法为:将改进后A*算法的关键航迹点加入传统DWA算法的评价函数中,获得改进DWA算法的评价函数。
进一步地,清扫机器人为了适应光伏电站的工作环境,结合优化后A*全局路径算法对DWA算法进行优化改进,增加基于机器人运动学模型的DWA算法优化,并且在传统DWA算法上增加改进A*算法的关键航迹点作为第四个评价子函数keypoint(v,w),增强其避障能力。
基于机器人运动学模型的建立,定义清扫机器人的状态,所述清扫机器人的状态包括位置、速度和方向;用三维向量(x,y,θ)表示清扫机器人的状态,其中x和y表示清扫机器人的位置,θ表示清扫机器人的方向,即待评价轨迹末端朝向与目标点连线的夹角;同时记录清扫机器人当前的速度和角速度,用二维向量(v,w)表示,其中v表示清扫机器人的速度,w表示清扫机器人的角速度;当清扫机器人沿着当前方向运动,并且速度和角速度保持不变时,清扫机器人未来t秒后的位置表示为(x+vtcos(θ),y+vtsin(θ)),未来的方向表示为θ+wt;
将改进A*算法的关键航迹点加入传统DWA算法中的评价函数后,获得的改进DWA算法的评价函数为:
G(v,w)=α·heading(v,w)+β·distance(v,w)+γ·velocity(v,w)+δ·keypoint(v,w)
式中,heading(v,w)为清扫机器人全方位角评价子函数;distance(v,w)为清扫机器人与障碍物距离评价子函数;velocity(v,w)为清扫机器人速度评价子函数;keypoint(v,w)为清扫机器人关键航迹点评价子函数,表示关键航迹点和仿真轨迹之间的最小距离;α、β、γ、δ为各个评价子函数的系数。
(1)heading(v,w):用于促进清扫机器人的航向角不断的朝向目标;
heading(v,w)=π-θ
式中,θ为待评价轨迹末端朝向与目标点连线的夹角。
(2)distance(v,w):为清扫机器人处于预测轨迹末端点时与地图上最近障碍物的距离;
式中,D为清扫机器人处于轨迹末端点位置时与地图上最近障碍物的距离;L为提前设定的距离障碍物的阈值,需要满足L>D。
(3)velocity(v,w):为用于促进清扫机器人快速到达目标而采用的评价函数,具体定义如下:
velocity(v,w)=|vg
式中,vg为待评价轨迹的线速度。
(4)keypoint(v,w):使得清扫机器人提前绕开“C”形障碍物区域并提高密集障碍物区的通行能力,从而提高清扫机器人的避障能力。
关键航迹点提取主要为以下两种情况:
(1)优化A*全局路径中的多个节点在同一条直线上,则直线的首个节点和末端的节点为关键航迹点并提取。
(2)优化A*全局路径中的临近起点和终点的节点为关键航迹点并提取。
提取所有关键航迹点,计算仿真轨迹与关键航迹点的最小距离,结果为第四个评价子函数keypoint(v,w)对各个轨迹评分的依据。
根据机器人运动学模型,可以计算出清扫机器人未来一段时间内的轨迹,然后计算每条轨迹的G(v,w)代价函数,包括前瞻距离、与障碍物的距离、速度和角速度等因素。最后,选择代价函数最小的轨迹作为清扫机器人的下一步运动状态。同时通过改进DWA算法可以对清扫机器人动态窗口的采样轨迹进行评估,对4个子函数进行归一化处理,选取评分最高的最优速度组合作为下一时刻清扫机器人的速度,增强了传统DWA算法的动态性能和密集式障碍物的避障能力。
进一步地,所述基于地图矩形分区和回溯算法实现全覆盖路径规划遍历的具体方法为:获取地图矩形分区后的信息,构建回溯点列表;当清扫机器人进入死区后,通过寻找最优回溯点,使得清扫机器人能够在进入死区后返回该回溯点位置,开始新一轮的全覆盖路径规划遍历。
具体步骤为:
步骤A:建立地图分区:将二维栅格地图根据障碍物信息分解成没有重叠的子地图,子地图也依此类推进行分解,并且将这些子地图作为连接图的顶点构建连接图,使得子地图之间建立起联系。更具体的步骤如下:
步骤A1:从坐标系的原点开始对二维栅格地图内的障碍物进行方形切割成四个子地图。
步骤A2:从子地图内的障碍物进行矩形切割,直至完全切割完毕。
步骤A3:对获得的子地图进行拼接处理,删除被拼接的子地图,减少子地图的数量。
步骤A4:将切割出来的子地图以逆时针的顺序进行标号,并用有向线段进行连接,实现各个子地图之间的联系,进行最终的地图分区。
步骤B:由于当地图分区完成后采用“弓”字型的清扫路径可以实现对光伏整列的全覆盖清扫,以及降低重复遍历提高光伏电站清扫机器人的清扫效率,故本发明选用“弓”字形的清扫路径对各个子地图进行清扫。
步骤C:构建回溯系统,当清扫机器人陷入死区时应用回溯系统进行逃离,从而实现对整个地图的全覆盖清扫。
由于在清扫机器人全覆盖清扫过程中会遇到一些特殊区域,比如死区,死区指清扫机器人搜索时会在特定的节点周围不断搜寻评价函数最小的节点,但每次选择的最优节点位置均限制在一个很小的范围,导致清扫机器人无法跳出则无法完成后续的全覆盖清扫。故本发明通过构建回溯系统,当清扫机器人陷入死区时应用回溯系统进行逃离,从而实现对整个地图的全覆盖清扫,具体步骤为:
步骤C1:基于步骤A中的矩形分割后地图的信息,构件回溯点列表。
步骤C2:考虑死点位置普遍位于地图障碍物旁,以障碍物为中心,选取一定距离内的点作为回溯点,用来降低清扫机器人从死点位置到达回溯点位置时产生的重复遍历,选取的回溯点处于未覆盖区域内,以减少清扫机器人在清扫该区域时产生重复回溯点。
步骤C3:基于步骤C2所选取的回溯点,清扫机器人在死区内利用欧氏距离计算当前关键点到所有回溯点的距离,选取距离最小点作为最佳回溯点。
步骤C4:利用本发明改进的A*算法和改进的DWA算法进行当前关键点到最佳回溯点的路径规划,帮助清扫机器人逃离死区,开始新一轮的全覆盖遍历,直至全覆盖遍历完成。
与现有技术相比,本发明提供了一种光伏电站清扫机器人的路径规划及避障方法,具备以下有益效果:
(1)本发明的路径规划及避障方法用于光伏电站光伏阵列的清扫,能够实现了对光伏阵列的全覆盖清扫、避障以及快速逃离死区。
(2)本发明的路径规划及避障方法通过对基础A*算法进行动态衡量启发式和拐弯优化,得到优化后的A*算法,进一步提升了A*算法的运行速度和搜索效率,在光滑的光伏板阵列上减少拐弯次数,降低误差累积,实际上,在实际应用中,本发明优化方法得到更明显的体现。
(3)本发明的路径规划及避障方法结合优化后A*全局路径算法对DWA算法进行优化改进,利用改进A*算法获取机器人运行过程中的关键航迹点,并且通过构建机器人运动学模型,增强了DWA算法的前瞻性、通过密集障碍地图的能力以及动态避障能力,进一步提升了局部路径规划的可靠性。
(4)本发明的路径规划及避障方法结合优化A*算法设计了一种逃离死区能力更强的回溯算法,当机器人位于死区中,利用改进A*算法寻找机器人当前点到最佳回溯点的路径规划,使得机器人能够逃离死区,有效解决由死区环境导致的机器人运行停滞问题。
(5)本发明的路径规划及避障方法提高了清扫机器人自身定位精度以及对障碍物的感知能力,从而进一步提高了清扫机器人实际导航的安全性,该路径规划方法具有更高的建图效率、搜索效率以及规划路径的准确性和灵敏度,更加适应光伏电站阵列的清扫需求。
附图说明
图1为本发明的路径规划及避障方法的流程图;
图2为本发明基于动态衡量启发式优化的A*算法流程图;
图3为本发明基于拐弯优化的A*算法流程图;
图4为本发明清扫机器人运动学模型;
图5为本发明基于改进A*算法优化的DWA算法流程图;
图6为本发明全覆盖清扫区域的矩形分割和标号联系图,其中图(6a)为初步矩形分割示意图,图(6b)为标号联系人示意图1,图(6c)为子地图合并示意图,图(6d)为标号联系人示意图2;
图7为本发明结合改进A*算法优化的回溯算法流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以还包括不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为便于描述本发明和简化描述,而不是指示或暗指所指的装置或元件必须具有特定的方位、为特定的方位构造和操作,因而不能理解为对本发明保护内容的限制。
本发明公开了一种光伏电站清扫机器人的路径规划及避障方法,相比于传统的机器人导航避障方法,提高了机器人对障碍物的感知能力,从而进一步提高了清扫机器人实际导航的安全性,该路径规划方法具有更高的搜索效率,规划路径的准确性和灵敏度更高,更加适应光伏电站阵列的清扫需求。
如图1所示,本发明提出的清扫机器人的路径规划及避障方法,包括以下步骤:
采集清扫机器人的位置信息和姿态信息,得到清扫机器人的实时位置的定位和姿态;
获取清扫机器人的当前位置和姿态,进行真实环境下的光伏阵列清扫区域的二维栅格地图构建;
对传统A*算法进行启发式优化和拐弯优化,基于改进后的A*算法进行全局路径规划;
对传统DWA算法进行改进,基于改进DWA算法进行局部路径规划;
基于地图矩形分区和回溯算法实现全覆盖路径规划遍历,最终实现光伏清扫机器人在光伏阵列上进行清扫和逃离死区的功能。
本实施例中的一种具体实施方式,在实施采集清扫机器人的位置信息的步骤之前还包括步骤搭建清扫机器人的定位系统,定位系统包括设置于清扫机器上的超宽带定位系统、惯性传感器以及深度相机,定位系统用于采集清扫机器人的位置信息、光伏阵列上障碍物尺寸数据以及清扫区域信息,定位系统将采集的数据传输至清扫机器人的控制系统,为清扫机器人的定位和校正提供多尺度、多层次和多方面的信息,实现了清扫机器人的实时定位、障碍物检测以及清扫区域建图。
本实施例中的一种具体实施方式,深度相机为RGB-D相机,惯性传感器为IMU惯性传感器,超宽带定位系统为UWB传感器,采用ORB(Oriented Fast and Rotated Brief特征检测)特征结合筛选优化和PROSAC(Progressive Sample Consensus)算法构建RGB-D视觉里程计,采用IMU预积分的方式,构建IMU预积分测量误差,对IMU预积分测量误差和视觉重投影误差同时优化,构建RGB-D视觉惯性里程计。
本实施例中的一种具体实施方式,对清扫机器人定位系统的后端优化,只优化窗口内的清扫机器人位姿,以加快计算速度和降低处理器性能要求,通过对系统回环检测,对清扫机器人的位姿进行全局优化,进而减小系统的累积误差,通过扩展卡尔曼滤波将UWB传感器和清扫机器人的位姿数据进行融合,实现定位误差的再校正。
本实施例中的一种具体实施方式,本发明主要的应用场景为光伏电站光伏阵列,实际环境为成片的光伏阵列拼接为更大的光伏阵列,四周没有保护措施且光伏阵列离地面较高。
本实施例中的一种具体实施方式,为解决本发明中清扫机器人高效清扫和防跌落的问题,本发明的清扫机器人上设置有接近开关,以对清扫机器人进行双重保护,防止清扫机器人跌落光伏阵列。
本实施例中的一种具体实施方式,如图2所示,本发明基于动态衡量启发式优化的A*算法的全局路径规划方法的具体步骤如下:
步骤ⅰ:开启清扫机器人运行环境二维栅格地图的坐标列表,初始化起点和终点,将起始位置放到开启列表,并将关闭列表置空;
步骤ⅱ:判断开启列表是否为空,如若为空,则表明初始化失败;如若非空,则遍历开启列表,查找到最小f(n)的节点;
查找到最小f(n)的节点的方法为:根据f(n)=g(n)+h(n)的路径代价估计公式,基于相应的环境修改启发式估计代价函数h(n)=α*t(n)+β*e(n)的权重系数α和β数值大小,然后从周围点集合中找到f(n)最小的点。
步骤ⅲ:将预处理节点(即步骤ⅱ中查找到的最小f(n)的节点)放入关闭列表中,然后对节点周围的8个节点进行扩展;
步骤ⅳ:对扩展节点进行判断,判断其是否为目标点,如果确定是目标点,则表明最优路径已经找到,从目标点到起始点开始寻找路径即可;如果判断扩展节点不是目标点,接着判断扩展节点是否仍在开启列表中,如果已被放入开启列表中,则记录f(n),并跳转执行步骤ⅱ。
如果扩展节点不在开启列表中,紧接着判断扩展节点是否在开启列表中并且保证扩展节点的g(n)值小于父节点的g(n)值;如若满足扩展节点在开启列表中并且扩展节点的g(n)值小于父节点的g(n)值,则将扩展节点设置为父节点,重新计算f(n)和g(n)的值,然后跳转执行步骤ⅱ。
如果不满足上述条件,则进一步判断扩展节点是否已被放入关闭列表中,如果已被放入关闭列表中,则忽略此节点,将扩展节点视为障碍物,然后跳转执行步骤ⅱ。
步骤ⅴ:重复上述过程,直至目标终点已经在开列表中,表明路径已被找到。如果开列表到最后还是空的,说明路径不存在。
本实施例中的一种具体实施方式,如图3所示,本发明实施了一种基于拐弯优化的A*算法的全局路径规划方法,具体步骤如下:
步骤I:基于以实际所在点为中心的3×3选点矩阵(图中m表示地图矩阵的长度。),从此待选点矩阵中找到最小总代价的点,获取其父节点的索引值,从而获取父节点的方向信息;
步骤II:为了实现清扫机器人拐弯行为的减少,清扫机器人优先选择直线路径,所选择点的期望点位置就是父节点左边的点;
步骤Ⅲ:得到期望要走的点位置后,查看该点是否位于待选点矩阵中,若在,计算点要花费的总代价,若与原来相同就用期望的点优化,实现了非拐弯的等价路径。
步骤Ⅳ:计算新的要进行扩展的点在待选点矩阵中的索引值,判断要走的点是否就是期望的构成直线的点,如果不是,则计算期望点要花费的代价。
步骤Ⅴ:接着判断期望的点所要花费的代价是否小于或者等于修正之前要走的点所花费的代价,如果满足条件,则对期望的点进行修正,记录进行修正的次数,查看这个函数是否有发挥作用。
如图4所示,图4为本发明清扫机器人的运动学模型,可以根据清扫机器人的速度和时间以及机器人在最后时刻的姿态计算出清扫机器人在下一时刻的姿态。获取清扫机器人的运动模型和下一时刻姿态的计算方式后,便可以开始构建DWA算法。
如图4所示,清扫机器人的速度表示为(v,w),在k处的姿势pk=(xk,yk,θk),θ1是在k+1时清扫机器人头部直接变化的角度,θ2是车轮旋转的角度,θ是清扫机器人作圆周运动的角度,s是清扫机器人运动的弧线,d表示两个部件之间的相对距离清扫机器人的两个相邻时刻。在很短的时间内Δt内,可得d≈s,从而有以下关系:
清扫机器人在k+1处的姿势表示为p,可通过视觉惯性里程计模型获得:
将上式代入上述公式得出:
根据上述公式,可以根据清扫机器人的速度和时间以及清扫机器人在最后时刻的姿态计算出清扫机器人在下一时刻的姿态。获取清扫机器人的运动模型和下一时刻姿态的计算方式后,便可以开始构建DWA算法。
DWA算法通过速度组合快速得出下一时刻规划轨迹的最优解,主要思想是根据当前的速度进行模拟下一时间的运动轨迹;然后对轨迹进行评价,选取最优路径来进行局部路径规划。清扫机器人的状态包括位置、速度和方向;用三维向量(xk,yk,θk)表示清扫机器人在k处的姿势,其中xk和yk表示清扫机器人的位置,θk表示清扫机器人在k处的方向;同时记录清扫机器人当前的速度和角速度,用二维向量(v,w)表示,其中v表示清扫机器人的速度,w表示清扫机器人的角速度;当清扫机器人沿着当前方向运动,并且速度和角速度保持不变时,清扫机器人未来t秒后的位置表示为(x+vtcos(θ),y+vtsin(θ)),未来的方向表示为θ+wt。
将改进A*算法的关键航迹点加入传统DWA算法中的评价函数后,获得的改进DWA算法的评价函数为:
G(v,w)=α·heading(v,w)+β·distance(v,w)+γ·velocity(v,w)+δ·keypoint(v,w)
式中,heading(v,w)为清扫机器人全方位角评价子函数;distance(v,w)为清扫机器人与障碍物距离评价子函数;velocity(v,w)为清扫机器人速度评价子函数;keypoint(v,w)为清扫机器人关键航迹点评价子函数,表示关键航迹点和仿真轨迹之间的最小距离;α、β、γ、δ为各个评价子函数的系数。keypoint(v,w)的作用是使得清扫机器人提前绕开“C”形障碍物区域并提高密集障碍物区的通行能力,从而提高清扫机器人的避障能力。
如图5所示,图5为本发明实施例基于改进A*算法优化的DWA算法流程图。
参照图5,本发明实施了一种基于改进A*算法优化的DWA算法局部路径规划方法,具体步骤如下:
步骤1:使用本发明优化的A*算法进行全局路径规划,搜索所有节点并提取所有关键航迹点,关键航迹点指同一直线的始末节点和全局路径中的临近起点、终点的节点。
步骤2:初始化改进DWA算法,设置偏转角评价子函数系数α、安全系数评价子函数系数β、速度评价子函数系数γ、关键航迹点函数系数δ,参数值分别为0.05、0.2、0.1和0.2。
步骤3:更新清扫机器人速度范围,确定所有可行速度组成的动态窗口。
步骤4:根据清扫机器人的运动模型,生成动态窗口中的每个采样点时间内机器人的运动轨迹。
步骤5:根据改进型DWA算法评价函数给各个采样轨迹打分,并对4个子函数进行归一化处理,评分最高的最优速度组合作为下一时刻清扫机器人的速度。若检查已到达路径的目标点,即获取最优路径;反之,返回步骤3进行下一轮循环,直到检测到路径的目标点。
如图6所示,图6为本发明实施例基于全覆盖清扫区域的矩形分割和标号联系图;
参照图6,本文构建的矩形分割算法的具体流程有以下五点:
(1)获取二维栅格地图的障碍物坐标和地图的边界信息;
(2)获取障碍物区域的第一个节点p1(xmax,ymin),以此节点向下作垂直于X轴的直线,直至和底端边界交接,以此节点向左作垂直于Y轴的直线,直至和左端边界交接;获取障碍物区域的第二个节点p2(xmin,ymax),以此节点向上作垂直于X轴的直线,直至和顶端边界交接,以此节点向右作垂直于Y轴的直线,直至和右端边界交接,从而获取四幅子地图C1、C2、C3、C4;
其中,xmin、xmax、ymin、ymax分别表示障碍物区域的边界顶点的位置坐标,如图(6a)所示。
(3)如图(6a)所示,对存在障碍物的子地图以(2)的方法进行再次矩形分割,直至将整个地图分割完毕(比如对存在障碍物的C2子地图进行再次矩形分割,分割为子地图C2-1、C2-2、C2-3。),并获取每个地图的长宽信息;
(4)如图(6b)所示,对每个矩形子地图进行标号,其中用子地图中最左下端的坐标代表子地图,并使用有向线段相连,从而实现各个子地图的联系,如图(6b)所示的标号联系1。
(5)如图(6c)和(6d)所示,判断相邻子地图中的长和宽是否相等,若相等便地图合并且重新编号(比如将图(6a)中的子地图C1、C2-1进行合并得到图(6c)中的子地图C1,并将图(6a)中的子地图C2-2、C2-3的编号分别修改为C2-1,C2-2),并使用有向线段相连,从而实现各个子地图的联系,如图(6d)所示的标号联系2。
如图7所示,图7为本发明实施例结合改进A*算法优化的回溯算法流程图。
参照图7,本发明实施了一种运用改进A*算法优化的回溯算法逃离死区的方法,将全覆盖清扫区域进行矩形分割进而实现机器人运行区域无静态障碍物和适用于不同形状的光伏阵列,具体内容如下:
首先,获取矩形分割后地图的信息,然后,构建回溯点列表。回溯点列表的建立回溯点列表是根据二维栅格地图分割后的信息构建的。对回溯点进行两层处理,因为死点普遍存在与障碍物旁,因此以障碍物为中心,选取一定距离内的点作为回溯点,以此来降低机器人从死点位置到达回溯点位置时产生的重复遍历,选取的回溯点处于未覆盖区域内,以减少机器人在清扫该区域时产生重复回溯点。
当机器人进入死区后,通过寻找最优回溯点,当清扫机器人在遇到关键点位置后会通过回溯列表中存储的回溯点寻找一个最佳的回溯点作为当前点到下一个开始点的路径,要求当前关键点和回溯点的距离最小,利用欧氏距离计算两点距离。最后利用改进的A*算法进行路径规划,使得机器人回到改回溯点位置,然后开始新一轮的全覆盖遍历,直至全覆盖遍历完成。
本发明在传统A*算法、DWA算法和回溯算法的基础上分别进行了优化和改进。其一,基于传统的A*算法,考虑其运行时间长、流畅度低,采用动态衡量启发式优化方法,在启发式函数前增加膨胀因子,提升运行效率;考虑光伏阵列光滑的表面运行条件,采用拐弯优化的方法,减少拐弯次数,有效地减少误差积累。其二,基于A*算法的优化,DWA算法中结合优化的A*算法,针对动态障碍物,利用改进A*算法提取实际运行中的关键航迹点作为第四个评价子函数(即子函数keypoint(v,w)),增加了避障能力。其三,由于光伏阵列的区域环境的特殊性,存在部分死区,本发明利用改进A*算法提取的最优回溯点进行路径规划,基于此优化回溯算法可以使得机器人较为简单地逃离死区,机器人的灵活度得到显著提升。上述改进的3种算法相比于传统算法具有更高的搜索效率,规划路径的准确性和灵敏度更高,也更加适应光伏电站的清扫需求。
需要说明的是,在本申请中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种光伏电站清扫机器人的路径规划及避障方法,其特征在于,包括以下步骤:
采集清扫机器人的位置信息和姿态信息,得到清扫机器人的实时位置的定位和姿态;
获取清扫机器人的当前位置和姿态,进行真实环境下的光伏阵列清扫区域的二维栅格地图构建;
对传统A*算法进行启发式优化和拐弯优化,基于改进后的A*算法进行全局路径规划;
对传统DWA算法进行改进,基于改进DWA算法进行局部路径规划;
基于地图矩形分区和回溯算法实现全覆盖路径规划遍历,最终实现光伏清扫机器人在光伏阵列上进行清扫和逃离死区的功能。
2.根据权利要求1所述的一种光伏电站清扫机器人的路径规划及避障方法,其特征在于:在实施采集清扫机器人的位置信息的步骤之前还包括步骤搭建清扫机器人的定位系统,所述定位系统包括设置于清扫机器上的超宽带定位系统、惯性传感器以及深度相机,定位系统用于采集清扫机器人的位置信息、光伏阵列上障碍物尺寸数据以及清扫区域信息,定位系统将采集的数据传输至清扫机器人的控制系统。
3.根据权利要求1所述的一种光伏电站清扫机器人的路径规划及避障方法,其特征在于,所述二维栅格地图构建的方法为:
步骤S1:深度相机通过获取图像数据构建稠密点云地图,并对稠密点云地图进行滤波和降采样优化处理;
步骤S2:将优化过后的稠密点云地图构建成三维八叉树地图;
步骤S3:对构建的三维八叉树地图进行地面信息和非地面信息分割提取;
步骤S4:根据提取的地面信息和非地面信息进行投影变换得到二维栅格地图。
4.根据权利要求1所述的一种光伏电站清扫机器人的路径规划及避障方法,其特征在于,所述对传统A*算法进行启发式优化的方法为:
采用动态衡量启发式算法实时对传统的A*算法优化,将气象因素对清扫机器人能耗的影响融入启发式函数中,将传统的A*算法的总代价计算公式转换,转换得到启发式优化后A*算法的总代价f(n);
f(n)=g(n)+h(n)
h(n)=α*t(n)+β*e(n)
e(n)=c1*v(n)+c2
其中,f(n)表示启发式优化后清扫机器人从初始点经节点n到目标点的总代价;g(n)表示清扫机器人从起点到当前节点n的实际代价;h(n)表示从当前节点n到终点的启发式估计代价;t(n)表示从当前节点n到终点的预计时间,e(n)表示从当前节点n到终点的预计能耗,α和β分别是时间和能耗的权重因子;c1表示基于清扫机器人行驶单位距离的能耗;c2表示基于清扫机器人清扫能耗的基础消耗;v(n)表示基于气象因素预测出的清扫机器人行驶速度,是根据温度和光照强度的气象信息,预测出的清扫机器人的行驶速度。
5.根据权利要求4所述的一种光伏电站清扫机器人的路径规划及避障方法,其特征在于,所述对进行启发式优化后的A*算法进行拐弯优化得到改进后的A*算法,具体方法为:
定义路径拐弯次数f1(n)为当前节点n到起点的路径上的拐弯次数,定义路径拐弯角度f2(n)为当前节点n到起点的路径上的拐弯角度总和;在启发式优化后A*算法中的评价函数中增加拐弯惩罚项k(n),k(n)通过以下公式表示:
k(n)=w1*f1(n)+w2*f2(n)
其中:w1和w2分别是路径拐弯次数和路径拐弯角度惩罚项的权重系数;
在搜索过程中,在每个节点处计算拐弯惩罚项k(n),并将其加入到启发式优化后A*算法中的评价函数中,得到拐弯优化的评价函数F(n);拐弯优化的评价函数F(n)表示为:
F(n)=k(n)+g(n)+h(n)
式中:k(n)表示拐弯惩罚项;
在搜索过程中,根据拐弯优化的评价函数F(n)进行节点扩展,选择F(n)值最小的节点进行扩展。
6.根据权利要求5所述的一种光伏电站清扫机器人的路径规划及避障方法,其特征在于,在搜索过程中,按照拐弯优化的评价函数F(n)从小到大的顺序扩展节点;当有若干个节点的评价函数相同时,采用优化后A*算法的总代价f(n)的值作为优先级的次要因素。
7.根据权利要求1所述的一种光伏电站清扫机器人的路径规划及避障方法,其特征在于,所述对传统DWA算法进行改进的方法为:将改进后A*算法的关键航迹点加入传统DWA算法的评价函数中,获得改进DWA算法的评价函数。
8.根据权利要求7所述的一种光伏电站清扫机器人的路径规划及避障方法,其特征在于,
定义清扫机器人的状态,所述清扫机器人的状态包括位置、速度和方向;用三维向量(x,y,θ)表示清扫机器人的状态,其中x和y表示清扫机器人的位置,θ表示清扫机器人的方向;同时记录清扫机器人当前的速度和角速度,用二维向量(v,w)表示,其中v表示清扫机器人的速度,w表示清扫机器人的角速度;当清扫机器人沿着当前方向运动,并且速度和角速度保持不变时,清扫机器人未来t秒后的位置表示为(x+vtcos(θ),y+vtsin(θ)),未来的方向表示为θ+wt
将改进A*算法的关键航迹点加入传统DWA算法中的评价函数后,获得的改进DWA算法的评价函数为:
G(v,w)=α·heading(v,w)+β·distance(v,w)+γ·velocity(v,w)+δ·keypoint(v,w)
式中,heading(v,w)为清扫机器人全方位角评价子函数;distance(v,w)为清扫机器人与障碍物距离评价子函数;velocity(v,w)为清扫机器人速度评价子函数;keypoint(v,w)为清扫机器人关键航迹点评价子函数,表示关键航迹点和仿真轨迹之间的最小距离;α、β、γ、δ为各个评价子函数的系数。
9.根据权利要求1所述的一种光伏电站清扫机器人的路径规划及避障方法,其特征在于,所述基于地图矩形分区和回溯算法实现全覆盖路径规划遍历的具体方法为:获取地图矩形分区后的信息,构建回溯点列表;当清扫机器人进入死区后,通过寻找最优回溯点,使得清扫机器人能够在进入死区后返回该回溯点位置,开始新一轮的全覆盖路径规划遍历。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310526596.8A CN116501064A (zh) | 2023-05-10 | 2023-05-10 | 一种光伏电站清扫机器人的路径规划及避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310526596.8A CN116501064A (zh) | 2023-05-10 | 2023-05-10 | 一种光伏电站清扫机器人的路径规划及避障方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116501064A true CN116501064A (zh) | 2023-07-28 |
Family
ID=87321433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310526596.8A Pending CN116501064A (zh) | 2023-05-10 | 2023-05-10 | 一种光伏电站清扫机器人的路径规划及避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116501064A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172399A (zh) * | 2023-11-02 | 2023-12-05 | 成都飞机工业(集团)有限责任公司 | 一种基于启发式算法的自动铺丝轨迹规划方法 |
CN117666593A (zh) * | 2024-02-01 | 2024-03-08 | 厦门蓝旭科技有限公司 | 一种用于光伏清扫机器人的行走控制优化方法 |
-
2023
- 2023-05-10 CN CN202310526596.8A patent/CN116501064A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172399A (zh) * | 2023-11-02 | 2023-12-05 | 成都飞机工业(集团)有限责任公司 | 一种基于启发式算法的自动铺丝轨迹规划方法 |
CN117172399B (zh) * | 2023-11-02 | 2024-03-15 | 成都飞机工业(集团)有限责任公司 | 一种基于启发式算法的自动铺丝轨迹规划方法 |
CN117666593A (zh) * | 2024-02-01 | 2024-03-08 | 厦门蓝旭科技有限公司 | 一种用于光伏清扫机器人的行走控制优化方法 |
CN117666593B (zh) * | 2024-02-01 | 2024-04-09 | 厦门蓝旭科技有限公司 | 一种用于光伏清扫机器人的行走控制优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262518B (zh) | 基于轨迹拓扑地图和避障的车辆导航方法、系统及介质 | |
CN116501064A (zh) | 一种光伏电站清扫机器人的路径规划及避障方法 | |
CN108507578B (zh) | 一种机器人的导航方法 | |
CN112000754B (zh) | 地图构建方法、装置、存储介质及计算机设备 | |
CN113110457B (zh) | 在室内复杂动态环境中智能机器人的自主覆盖巡检方法 | |
CN103247040B (zh) | 基于分层拓扑结构的多机器人系统地图拼接方法 | |
CN111174798A (zh) | 一种足式机器人路径规划方法 | |
Jaspers et al. | Multi-modal local terrain maps from vision and lidar | |
Zhu et al. | DSVP: Dual-stage viewpoint planner for rapid exploration by dynamic expansion | |
CN109163722B (zh) | 一种仿人机器人路径规划方法及装置 | |
CN112650242A (zh) | 一种基于混合算法的移动机器人路径规划方法 | |
CN112925315A (zh) | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 | |
CN113485346B (zh) | 一种移动机器人在核事故复杂环境中的自主导航方法 | |
Liu et al. | Point cloud segmentation based on Euclidean clustering and multi-plane extraction in rugged field | |
Guo et al. | An improved a-star algorithm for complete coverage path planning of unmanned ships | |
CN113741438A (zh) | 路径规划方法、装置、存储介质、芯片及机器人 | |
Liu et al. | Real-time 6d lidar slam in large scale natural terrains for ugv | |
CN113505646B (zh) | 一种基于语义地图的目标搜索方法 | |
Zhang et al. | Fast active aerial exploration for traversable path finding of ground robots in unknown environments | |
CN112987749A (zh) | 一种智能割草机器人混合路径规划方法 | |
CN114119920A (zh) | 三维点云地图构建方法、系统 | |
CN115268443A (zh) | 一种机器人避障路径规划方法 | |
CN116576857A (zh) | 一种基于单线激光雷达的多障碍物预测导航避障方法 | |
Büchner et al. | Learning and aggregating lane graphs for urban automated driving | |
Hardouin et al. | Surface-driven Next-Best-View planning for exploration of large-scale 3D environments |
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 |