CN116703984A - 机器人路径规划及红外光图像融合方法、系统及存储介质 - Google Patents
机器人路径规划及红外光图像融合方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116703984A CN116703984A CN202310979919.9A CN202310979919A CN116703984A CN 116703984 A CN116703984 A CN 116703984A CN 202310979919 A CN202310979919 A CN 202310979919A CN 116703984 A CN116703984 A CN 116703984A
- Authority
- CN
- China
- Prior art keywords
- infrared light
- path
- light image
- robot
- information
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 163
- 238000000034 method Methods 0.000 claims abstract description 122
- 230000008569 process Effects 0.000 claims abstract description 67
- 230000004927 fusion Effects 0.000 claims abstract description 60
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000001413 cellular effect Effects 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 79
- 210000004027 cell Anatomy 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 72
- 238000005259 measurement Methods 0.000 claims description 59
- 238000002922 simulated annealing Methods 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 37
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 31
- 230000004888 barrier function Effects 0.000 claims description 24
- 230000007613 environmental effect Effects 0.000 claims description 24
- 238000001816 cooling Methods 0.000 claims description 23
- 230000007704 transition Effects 0.000 claims description 22
- 238000012546 transfer Methods 0.000 claims description 21
- 230000000737 periodic effect Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 210000003888 boundary cell Anatomy 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 25
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 description 12
- 230000033001 locomotion Effects 0.000 description 11
- 230000007423 decrease Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000002194 synthesizing effect Effects 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000000137 annealing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明公开了机器人路径规划及红外光图像融合方法、系统及存储介质；使用机器人的激光雷达、可见光摄像头获取当前外部红外光图像后，采用三轨制实施如下内容：第一个轨道中，首先采用扩展卡尔曼滤波算法Extended Kalman Filter,EKF)处理红外光图像融合，然后输出给Dijkstra算法输出结果但暂时存储；传统的红外光图像处理技术往往忽视了红外光图像中的非线性特性，使得处理结果不够准确和精确。本发明的方法采用扩展卡尔曼滤波算法和元胞自动机模型，能够更好地处理红外光图像中的非线性数据，提高了温度分布和障碍物检测的准确性，从而为路径规划提供更可靠的数据基础。
Description
技术领域
本发明涉及机器人路径规划技术领域，特别涉及机器人路径规划及红外光图像融合方法、系统及存储介质。
背景技术
在现有的机器人路径规划领域中，对红外光图像进行融合操作的主要原因是为了提高环境感知的准确性和鲁棒性。红外光图像能够提供与可见光图像不同的信息，例如温度分布和热辐射，这对于检测障碍物和识别特定目标非常有用。融合操作可以将红外光图像与其他传感器数据（如激光雷达、可见光摄像头等）结合起来，提供更全面、更准确的环境信息。
红外光图像的独特之处在于其可以捕捉目标的温度分布和热辐射情况，这些信息对于识别障碍物和特定目标非常有用。融合这些数据可以增强机器人在复杂环境中的感知能力，尤其是在低光、雾天或强光环境下，红外光图像能够提供更清晰的目标信息。通过融合多种传感器的数据，可以减少这些传感器单独存在的误差，并得到更可靠的结果。
在现有技术中，机器人路径规划领域大多数是使用搜索随机树(RRT*)算法的全局路径规划算法配合红外光图像融合，例如《履带式消防机器人建图和路径规划算法研究》（DOI：10.27014/d.cnki.gdnau.2021.004191；分类号：TP242）所公开的机器人在多障碍物环境中和复杂环境中的应用技术，但是其只依赖传统激光雷达和可见光摄像头数据，缺乏对红外光图像等其他传感器数据的整合和利用，同时没有充分考虑环境中的不确定性和冲突信息。在多源信息融合时，不同传感器的数据存在误差和冲突，而传统方法未能有效处理这些不确定性，导致融合后的信息不准确或不可靠。这导致这种传统方法的环境感知与预知能力受限，无法充分利用红外光图像所提供的与可见光图像不同的信息得到更有效的路径信息；
又例如《基于路径规划与图像识别技术的智能机器人巡检系统研究》（DOI：10.27063/d.cnki.ghlgu.2019.000053；分类号：TP242.6；TM63）所公开的自动导航技术，这种技术在同一场景同时获取可见光和热红外图像的目的，使用双目视觉系统进行图像采集,运用经典直方图和幂次变换算法进行图像增强处理，模板匹配和LARK算法进行图像特征匹配处理。但是这种传统方法使用经典直方图和幂次变换算法进行图像增强处理对于非线性红外光图像数据不够适用。非线性图像数据在传统方法中无法得到充分处理和准确表达，导致在环境感知和信息融合中产生不准确的结果。同时缺乏预测未来环境的能力导致在路径规划时忽略了环境中即将发生的重要变化，影响路径规划的决策准确性。没有充分考虑环境中的不确定性和冲突信息。在多源信息融合时，不同传感器的数据存在误差和冲突，而传统方法未能有效处理这些不确定性，导致融合后的信息不准确或不可靠。
又例如《基于RTK-BDS和RGB-D深度相机的果园喷雾机器人路径规划方法研究》（DOI：10.27170/d.cnki.gjsuu.2022.000210；分类号：S491；TP391.41；TP242）所公开的自主导航试验平台，其使用基于RTK-BDS构建的果园环境地图提出了改进的Informed RRT*全局路径规划算法。在Informed RRT*算法基础上,引入了角度偏移约束和反向寻优策略。但这种技术主要关注在同一场景同时获取可见光和热红外图像的情况，而忽略了其他重要的传感器数据或环境信息。这种局限性和片面性导致路径规划的性能受限，无法在更广泛的环境条件下适用。
综上，可将传统技术的缺陷或改进点总结为如下四点：
（1）处理传统技术中非线性红外光图像数据的缺陷；
（2）解决缺少预测下一时间步的红外光变化的缺陷；
（3）处理不确定性和冲突信息的性能缺陷；
（4）提高传统技术中的局限性和片面性。
为此，本申请提出机器人路径规划及红外光图像融合方法、系统及存储介质。
发明内容
有鉴于此，本发明实施例希望提供机器人路径规划及红外光图像融合方法、系统及存储介质，以解决或缓解现有技术中存在的技术问题，即处理非线性红外光图像数据的缺陷、解决缺少预测下一时间步的红外光变化的缺陷、处理不确定性和冲突信息的性能缺陷并提高传统技术中的局限性和片面性，并对此至少提供一种有益的选择；
本发明实施例的技术方案是这样实现的：
第一方面
一种机器人路径规划及红外光图像融合方法：使用机器人的激光雷达、可见光摄像头获取当前外部红外光图像后，采用三轨制实施如下内容：
第一个轨道中，首先采用扩展卡尔曼滤波算法（Extended Kalman Filter,EKF)处理红外光图像融合，然后输出给Dijkstra 算法输出结果但暂时存储；
其中卡尔曼滤波包括：
（1）定义机器人系统的状态变量，包括位置、速度、加速度；
（2）指定初始的状态估计，以及相应的初始状态误差协方差矩阵；
（3）指定噪声协方差矩阵；
（4）使用雅可比矩阵来处理非线性性质；
第二个轨道中，与第一个轨道同时接收当前外部红外光图像，然后利用元胞自动机预测下一时间步的外部环境的红外光变化，然后输出给Dijkstra 算法输出但暂时存储；
元胞自动机包括：
（1）划分元胞和元胞状态：把环境划分为离散的、规则的网格，每个网格被称为一个元胞。在红外光图像中每个元胞状态为不同的温度等级及是否存在障碍物确定；
（2）邻域定义：选择Moore邻域；
（3）转移函数：基于物理定律（热传导规则）；
（4）边界条件：定义两个条件：周期边界条件和反射边界条件；
第三个轨道中，与第一、二个轨道同时接收当前外部红外光图像，与第一个轨道的扩展卡尔曼滤波的测量模型共用同组数据，但是模拟退火算法负责进一步准确获取红外光图像中的信息（温度、障碍物）输出给Dijkstra 算法中的“成本函数”
模拟退火算法包括：
（1）目标函数：定义一个与红外光图像中的如温度、障碍物信息有关的目标函数；
（2）定义冷却策略：定义对数冷却；
（3）设定初始温度和终止温度；
（4）定义邻域定义和生成；
（5）定义接受准则；
这三个轨道中，Dijkstra 算法同时接受了第一个轨道的融合信息输入（当前时间步）和第二个轨道（预测的下一时间步）的输入（同时Dijkstra 算法在当前时间步中，使用的是第二个轨道在上上个时间步输入的当前时间步的预测融合信息），并输出了两个路径规划信息并暂时存储。其中Dijkstra 算法包括：
（1）定义图模型：将机器人所在的环境抽象成一个图模型，其中顶点代表的位置，边表示机器人可以在顶点之间移动。边的权重可以表示移动的成本，成本定义为距离和时间。
（2）定义起点和终点：确定机器人的起始位置和目标位置。Dijkstra 算法将从起点开始，搜索到达终点的最短路径。
（3）定义成本函数：成本函数用于计算从一个顶点到另一个顶点的移动成本。通常情况下，成本函数基于距离和时间指标。在红外光图像融合和第三个轨道的模拟退火算法的输入，将红外光图像中的温度及障碍物信息整合到成本函数中。
（4）优先队列：使用最小堆来高效地找到当前具有最小成本的顶点。
此时上述三轨制输出了两个路径结果（第一个轨道和第二个轨道），这两个结果需要交给DS理论(Dempster-Shafer envidence theory)处理多源信息，然后计算出基于所有可用信息的新的信任度，输出最终最受信任的路径信息。DS理论包括：
（1）确定证据（Evidence）：两个路径规划算法的结果构成的两个证据。
（2）确定帧（Frame）：帧是所有事件的集合。事件的集合设定为从起点到目标点所有的路径集合。
（3）基本概率分配（Basic Probability Assignment）：每个证据都会有一个基本概率分配值，它是基于特定证据的信念赋值。需要根据Dijkstra 算法的结果确定每条路径的基本概率分配。基于经验规则（训练集）来确定。
（4）计算合成证据：利用Dempster's rule来合成多个证据，得到最终的信念程度。输出最终的路径结果，导入至机器人的控制器内，执行下一时间步的行驶。
第二方面
一种机器人路径规划及红外光图像融合系统，包括控制器模块，所述控制器模块用于执行如上述所述的机器人路径规划及红外光图像融合方法；所述控制器模块电性连接有：
（1）传感器模块：包括激光雷达和可见光摄像头，用于实时获取机器人周围的环境信息和红外光图像；
（2）红外光图像处理模块：对红外光图像进行预处理和特征提取；例如温度分布和障碍物检测等。这样可以获取有用的信息，用于后续融合和路径规划。
（3）路径规划模块：实现Dijkstra算法，根据机器人当前位置、目标位置和环境信息计算最短路径；在此模块中，需要考虑红外光图像融合的信息，包括温度和障碍物。
（4）卡尔曼滤波模块：实现扩展卡尔曼滤波算法，将激光雷达和可见光摄像头的数据进行融合；提高环境感知的准确性和鲁棒性。该模块输出对红外光图像的估计信息，用于路径规划；
（5）元胞自动机模块：利用元胞自动机预测红外光图像下一时间步的温度变化和障碍物分布；提供更精确的信息给路径规划模块。
（6）模拟退火算法模块：使用模拟退火算法计算红外光图像中的温度和障碍物信息；得到更准确的数据供路径规划模块使用。
（7）DS理论模块：实现 DS 理论，计算出基于所有可用信息的新的信任度，得到最终最受信任的路径信息。
（8）路径输出模块：将最终的路径信息输出给机器人的控制器，用于执行下一时间步的行驶；
（9）图形界面模块：显示机器人当前位置、目标位置、路径规划结果以及红外光图像信息；
（10）通信模块：使所述融合系统与机器人的控制器进行实时通信。从而实现路径规划和红外光图像融合的闭环控制。
第三方面
一种存储介质，所述存储介质内存储有用于执行如上述所述的机器人路径规划及红外光图像融合方法的程序指令
该存储介质是用于存储数据和程序指令的设备或媒体，例如硬盘、闪存、内存卡等。在本文提及的机器人路径规划及红外光图像融合系统中，这种存储介质用于存储用于执行融合方法的程序指令。
具体来说，这种存储介质将包含机器人路径规划及红外光图像融合系统的软件程序代码。该代码将包括控制器模块、红外光图像处理模块、路径规划模块、卡尔曼滤波模块、元胞自动机模块、模拟退火算法模块、DS理论模块、路径输出模块以及其他需要的功能模块。这些程序指令将由开发人员根据系统的需求和功能规格编写。
在实际应用中，这种存储介质是一个特定的硬盘或内存芯片，用于嵌入在机器人控制器内部或外部。当机器人启动时，系统会从这种存储介质中加载和执行程序指令，从而运行路径规划和红外光图像融合的算法和逻辑。
与现有技术相比，本发明的有益效果是：
一、处理传统技术中非线性红外光图像数据的缺陷：传统的红外光图像处理技术往往忽视了红外光图像中的非线性特性，使得处理结果不够准确和精确。而本发明的方法采用扩展卡尔曼滤波算法和元胞自动机模型，能够更好地处理红外光图像中的非线性数据，提高了温度分布和障碍物检测的准确性，从而为路径规划提供更可靠的数据基础。
二、解决缺少预测下一时间步的红外光变化的缺陷：在传统技术中，往往只关注当前时间步的红外光图像数据，忽略了未来的变化趋势。而本发明的方法引入了元胞自动机模型，可以预测红外光图像在下一时间步的温度变化和障碍物分布。这种预测能力使得机器人路径规划更具有远见性和前瞻性，从而更好地应对环境的变化。
三、处理不确定性和冲突信息的性能缺陷：在现实世界中，环境信息往往是不完全的、模糊的，同时可能存在不同的传感器产生的冲突信息。传统技术往往无法有效处理这些不确定性和冲突信息，导致路径规划的可靠性和稳定性下降。而本发明的方法采用DS理论，能够将不同传感器产生的信息进行融合，并计算出最终的信念程度，从而降低了不确定性和冲突信息对路径规划结果的影响，提高了路径规划的准确性和鲁棒性。
四、提高传统技术中的局限性和片面性：传统的路径规划技术往往只考虑机器人的运动和环境的静态信息，缺乏对红外光图像的实时融合和动态信息的处理。而本发明的方法将红外光图像处理、路径规划和传感器融合技术相结合，使得机器人能够更全面地感知环境，更智能地规划路径，从而克服了传统技术中的局限性和片面性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的逻辑示意图；
图2为本发明的实施例八的控制程序示意图；
图3为本发明的实施例八的控制程序示意图；
图4为本发明的实施例八的控制程序示意图；
图5为本发明的实施例八的控制程序示意图；
图6为本发明的实施例八的控制程序示意图；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制；
实施例一：在现有机器人路径规划技术中，对红外光图像进行融合操作的主要原因是为了提高环境感知的准确性和鲁棒性。红外光图像能够提供与可见光图像不同的信息，例如温度分布和热辐射，这对于检测障碍物和识别特定目标非常有用。融合操作可以将红外光图像与其他传感器数据（如激光雷达、可见光摄像头等）结合起来，提供更全面、更准确的环境信息。红外光图像可以弥补其他传感器在某些情况下的不足，例如在低光环境、雾天或强光环境中，红外光图像能够提供更清晰的目标信息。在复杂的环境中，传感器数据受到噪声和干扰的影响。通过融合操作，可以结合多种传感器的数据，降低单一传感器误差；为了进一步提高处理非线性红外光图像数据的效果，通过引入预测下一时间步的红外光变化的解决不确定性和冲突信息的性能缺陷并提高传统技术中的局限性和片面性，为此，请参阅图1，本实施例将提供相关技术方案：一种机器人路径规划及红外光图像融合方法，包括使用激光雷达或可见光摄像头获取当前时间步的外部环境的红外光图像，该机器人路径规划及红外光图像融合方法涉及三个同步并列的“轨道”（Track-1、Track-2、Track-3和Track-4）。在实施过程中，机器人通过激光雷达或可见光摄像头获取当前时间步的外部环境的红外光图像。
在Track-1中，机器人接收红外光图像并使用扩展卡尔曼滤波对其进行处理和融合，然后将处理后的结果输出至Track-4。
在Track-2中，机器人同样接收红外光图像，但是使用元胞自动机预测下一时间步的外部环境的红外光变化，并将预测结果输出至Track-4。
在Track-3中，机器人也接收红外光图像，但是与Track-1的扩展卡尔曼滤波的测量模型共用同组数据，利用模拟退火算法解算出红外光图像中的温度和障碍物信息，然后将这些信息输出给Dijkstra算法的成本函数。
最后，Track-4中的Dijkstra算法同时解算Track-1和Track-2的两个路径信息，将这两个路径信息交由DS理论处理，整合Track-1和Track-2的多源信息，并输出最终的路径结果。路径结果被导入至机器人的控制器内，用于执行下一时间步的机器人路径行驶。
具体的，Track-1的扩展卡尔曼滤波是一种递归估计方法，用于估计非线性系统状态的最优估计。通过建立系统状态模型和观测模型，卡尔曼滤波结合先验信息和实时测量，实现对红外光图像的融合处理，提供更准确的状态估计结果。Track-2的元胞自动机是一种模拟多粒子系统的动力学模型，其基于元胞的状态和邻域关系来模拟物质的传输和交互。在这里，元胞自动机用于预测下一时间步的红外光变化，基于物理规则（热传导规则）对红外光图像进行模拟，从而提供更全面的环境信息。Track-3的模拟退火算法是一种全局优化算法，通过随机搜索策略来寻找问题的全局最优解。在这里，模拟退火算法利用Track-1扩展卡尔曼滤波的数据，并结合目标函数（与红外光图像中的温度和障碍物信息相关），优化得到更准确的红外光图像中的信息。
可以理解的是，在本实施例中：
Track-1：通过扩展卡尔曼滤波的实施，该轨道能够将红外光图像与其他传感器数据（如激光雷达、可见光摄像头）结合起来，提供更全面、准确的环境信息。因为扩展卡尔曼滤波可以处理非线性性质，使得状态估计结果更加准确和稳健。
Track-2：利用元胞自动机进行预测，该轨道能够推测下一时间步的红外光图像变化情况，从而为路径规划提供具有远见的环境信息。元胞自动机模拟物质的传输和交互，使得机器人能够预测到环境变化，为规划更灵活、适应性更强的路径。
Track-3：通过模拟退火算法的优化，该轨道能够更准确地获取红外光图像中的温度和障碍物信息。模拟退火算法作为一种全局优化算法，能够搜索更广的解空间，提高路径规划算法对环境信息的感知能力。
Track-4：Dijkstra算法结合DS理论处理多源信息，能够融合Track-1和Track-2的路径规划结果，从而提供更可靠、可信的路径信息。通过考虑多源信息的不确定性和冲突，该轨道的路径规划决策更具鲁棒性和韧性。
Track-4：Dijkstra算法是一种最短路径搜索算法，用于求解两个顶点之间的最短路径。在这里，Dijkstra算法同时解算Track-1和Track-2的两个路径信息，并通过DS理论处理多源信息，融合两个路径的可信度，输出最终的路径结果。
总结性的：该机器人路径规划及红外光图像融合方法的逻辑内容可以概括为三个并列的Track轨道。首先，Track-1负责处理红外光图像的融合，使用扩展卡尔曼滤波对红外光图像数据进行处理，输出状态估计结果x。接着，Track-2采用元胞自动机来预测下一时间步的红外光图像的变化，利用环境网格和热传导规则来模拟红外光图像中的温度变化，并输出优化后的红外光图像温度分布和障碍物信息。最后，Track-3使用模拟退火算法，将扩展卡尔曼滤波的输出状态估计结果x作为目标函数的输入，引入红外光图像的温度和障碍物信息，优化路径成本，并将结果传递给Dijkstra算法，同时解算出Track-1和Track-2的两个路径信息。
可以理解的是，在本实施例中的技术特点是进一步提高了处理非线性红外光图像数据的效果，并通过引入预测下一时间步的红外光变化来解决不确定性和冲突信息的性能缺陷，并提高了传统技术中的局限性和片面性，具体来说：
（1）处理非线性红外光图像数据：在Track-2中，使用元胞自动机来预测下一时间步的红外光图像的变化。元胞自动机基于热传导规则，对每个元胞进行温度的传递，考虑了周围元胞的温度信息，从而模拟了红外光图像中的非线性温度变化。这种处理方式可以更准确地估计未来环境的温度变化，从而改善了传统方法中仅仅利用当前时间步红外光图像数据的局限性。
（2）预测下一时间步的红外光变化：在Track-2中，元胞自动机预测了下一时间步的外部环境的红外光变化。通过模拟环境中的热传导过程，得到了下一时间步的红外光图像温度分布和障碍物信息。这种预测能力可以帮助机器人更好地规划路径，避免未来的障碍物和高温区域，从而提高了路径规划的决策性能。
（3）解决不确定性和冲突信息的性能缺陷：在Track-3中，引入模拟退火算法对路径进行优化，考虑了扩展卡尔曼滤波的输出状态估计结果x作为目标函数的输入。同时，将红外光图像中的温度和障碍物信息整合到成本函数中，通过模拟退火算法解决了传统技术中对于非线性数据处理不足的问题。这样的优化使得路径规划能够更好地适应复杂和动态的环境，处理不确定性和冲突信息，提高了路径规划的鲁棒性和可靠性。
优选的，在这三个轨道中，Dijkstra 算法同时接受了第一个轨道的融合信息输入（当前时间步）和第二个轨道（预测的下一时间步）的输入（同时Dijkstra 算法在当前时间步中，使用的是第二个轨道在上上个时间步输入的当前时间步的预测融合信息），并输出了两个路径规划信息并暂时存储。即在这三个轨道中，Dijkstra 算法起到了关键的作用，同时接受了第一个轨道（Track-1）的融合信息输入和第二个轨道（Track-2）的输入，并输出了两个路径规划信息并暂时存储。
进一步的：
（1）第一个轨道（Track-1）的融合信息输入：在第一个轨道中，机器人使用激光雷达或可见光摄像头获取当前时间步的外部环境的红外光图像。然后，通过使用扩展卡尔曼滤波算法对红外光图像进行融合处理，得到了状态估计结果x。这个状态估计结果x包含了机器人系统的状态变量，例如位置坐标、速度和加速度等信息。
（2）第二个轨道（Track-2）的输入：在第二个轨道中，机器人利用元胞自动机预测了下一时间步的外部环境的红外光变化。通过对红外光图像的温度进行模拟，预测了红外光图像在下一时间步的温度分布和障碍物信息。这样的预测能力可以帮助机器人在路径规划时考虑未来的障碍物和温度变化，提高了路径规划的决策性能。
（3）Dijkstra算法的输入和输出：在Dijkstra算法中，它同时接受了第一个轨道（Track-1）的融合信息输入和第二个轨道（Track-2）的输入。具体来说，它接收了两个路径规划算法的结果，分别是Track-1和Track-2的路径信息。这两个路径信息分别是当前时间步的路径和下一时间步的路径。
Dijkstra算法利用这两个路径信息构建了图模型，其中 V 表示的位置，E表示连接位置的边。然后，Dijkstra算法根据具体的成本函数，计算出从起点 s 到终点 t的最短路径，并将两个路径信息输出并暂时存储。这样的输出结果是两个最优路径规划信息，一个对应当前时间步，另一个对应下一时间步。
这样的优选设计使得机器人可以同时利用当前时间步的信息和预测的下一时间步的信息进行路径规划。通过这种方式，机器人可以更加灵活地应对环境的变化和不确定性，提高了路径规划的鲁棒性和准确性。同时，将两个路径规划信息暂时存储，也为后续的DS理论处理提供了基础，以便综合考虑两个时间步的路径规划结果和多源信息，得出最终的最受信任的路径信息。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例二：本实施例递进至实施例一：在Track-1中：设机器人系统的状态变量x为： 和/>分别代表机器人在二维平面中的位置坐标；/>和 />分别代表机器人在 x 轴和 y 轴方向上的速度；/>和/>分别代表机器人在 x 轴和 y 轴方向上的加速度；状态方程为：；xk-1表示在时间步长 k-1 时刻的状态向量；/>是状态转移矩阵；/>是过程噪声；测量方程为：/>；初始化时，设定初始状态估计x0 和初始状态误差协方差矩阵 P0；在每个时间步中，根据当前状态和观测值，通过以下步骤来执行扩展卡尔曼滤波：
1)时间更新的预测步骤： 其中，/>是过程噪声协方差矩阵；/>：误差协方差矩阵；表示在上一个时间步（k-1）时刻的状态估计的不确定性或误差的量级。它是一个方阵，对角线上的元素表示状态变量的方差，非对角线上的元素表示状态变量之间的协方差。它描述了在上一个时间步时状态估计的精度，即对机器人状态的估计有多准确。
状态转移矩阵/>的转置；它是一个与状态转移矩阵/>维度相同的矩阵。状态转移矩阵/>描述了系统状态在一个时间步长内的变化规律，它将上一个时间步的状态变量转换为当前时间步的状态预测。/>作为转置矩阵用于公式中的矩阵运算。
在当前时间步k中，机器人的状态变量的预测值，状态预测使用状态转移矩阵将上一个时间步k-1的状态变量/>转换为当前时间步k的状态预测值/>；误差协方差预测使用状态转移矩阵/>和过程噪声协方差矩阵/>预测当前时间步k的误差协方差矩阵/>；本实施例可以在当前时间步（k）中，利用上一个时间步（k-1）的误差协方差矩阵和状态转移矩阵，预测当前时间步状态估计的误差协方差。这样可以根据系统的动力学模型和过程噪声来估计当前状态估计的不确定性。
2)测量更新的更新步骤： 其中，/>是卡尔曼增益，/>是测量噪声的协方差矩阵；/>是测量矩阵/>的转置，它是一个与测量矩阵/>维度相同的矩阵。/>作为转置矩阵用于公式中的矩阵运算。在本实施例中，根据当前时间步的状态估计误差协方差矩阵/>和测量矩阵/>，以及测量噪声的协方差矩阵/>，计算出卡尔曼增益/>。卡尔曼增益用于将当前时间步的状态估计与传感器测量值结合，得到更精确的状态估计值。它的计算是卡尔曼滤波中非常重要的步骤，用于平衡预测和测量之间的权重，以获得更准确的系统状态估计。
在本实施例中，Track-1中采用扩展卡尔曼滤波来处理红外光图像融合。具体实施方式包括初始化和时间更新的预测步骤，以及测量更新的更新步骤。机器人在每个时间步中根据当前状态和观测值，按照以下步骤执行扩展卡尔曼滤波。
具体的，扩展卡尔曼滤波是一种递归估计方法，用于处理非线性系统的状态估计。它通过状态转移矩阵和测量矩阵，结合先验信息和实时测量，对状态变量进行预测和更新，从而获得更准确的状态估计结果。
可以理解的是，在本实施例中，扩展卡尔曼滤波的具体实施方式允许机器人将红外光图像与其他传感器数据结合起来，以获得更全面、准确的环境信息。通过状态预测和更新，机器人能够实时追踪自身位置、速度和加速度等状态变量，从而更好地理解周围环境。使用扩展卡尔曼滤波的原理是通过预测步骤和更新步骤，利用过程噪声和测量噪声的协方差矩阵，对状态变量进行估计和调整。这样，机器人可以处理非线性系统，提供更准确、鲁棒的状态估计结果，从而在路径规划中做出更明智的决策。
进一步的：状态方程中的状态转移矩阵：用于描述状态变量在一个时间步内如何转移的矩阵。它根据系统的动态模型来定义。在机器人路径规划中，/>可以表示机器人在一个时间步内从当前位置和速度变化到下一个时间步的位置和速度。
优选的，是一个6*6的矩阵，因为机器人的状态变量x包括位置坐标、、速度/>和加速度/>。/>矩阵的定义会根据机器人的运动模型和外部环境的影响而不同。
进一步的，状态方程中的过程噪声：表示系统在转移过程中由于外部因素引起的不确定性。在实际中，机器人的运动和环境会受到许多随机因素的影响，例如风的影响、地面摩擦等。这些因素导致机器人在一个时间步内的状态变化并不完全符合状态转移矩阵的预期。因此，过程噪声/>优选建模为一个零均值的高斯分布，其协方差矩阵为Qk。
进一步的，时间更新的预测步骤中的过程噪声协方差矩阵：用来描述过程噪声/>的方差和协方差的矩阵。它表示系统在转移过程中的不确定性程度。在实际中，/>的定义可以基于系统的运动模型和外部环境的影响程度进行估计。
优选的，是一个对角矩阵，其中对角线上的元素表示各个状态变量在一个时间步内的方差。
进一步的，测量更新的更新步骤中的卡尔曼增益：用于在测量更新步骤中融合传感器测量值和预测状态估计值的权重系数。它的定义是通过计算当前状态估计值与测量值之间的差异，同时考虑测量噪声的影响。卡尔曼增益/>的计算公式为：
/>是测量噪声的协方差矩阵，/>是单位矩阵。
进一步的，测量更新的更新步骤中的测量噪声协方差矩阵：用于描述传感器测量值的不确定性。它表示传感器测量值的方差和协方差。
优选的，的定义通过对传感器进行标定，通过常规的对角矩阵测定。
优选的，测量更新的更新步骤中的单位矩阵I：一个对角线上元素均为1，其它元素均为0的矩阵。在卡尔曼滤波的测量更新步骤中，单位矩阵I用于计算状态估计值的更新。
进一步的，在Track-1中，通过使用扩展卡尔曼滤波算法，结合状态转移矩阵和过程噪声/>，可以对红外光图像的温度信息进行状态估计。同时，通过过程噪声协方差矩阵的定义，可以在时间更新的预测步骤中考虑外部环境的不确定性，提高对非线性红外光图像数据处理的效果。在测量更新的更新步骤中，通过卡尔曼增益/>和测量噪声协方差矩阵/>的定义，将传感器测量值与预测状态估计值进行融合，得到更准确的红外光图像温度分布信息，从而提高路径规划算法的性能。
再进一步的，在Track-1中，红外光图像融合是通过扩展卡尔曼滤波算法实现的。具体步骤如下：
S1、输入红外光图像：首先，系统会从激光雷达或可见光摄像头获取当前时间步的外部环境的红外光图像。这个红外光图像包含了环境中不同位置的温度信息和障碍物信息。
S2、状态变量定义：定义机器人系统的状态变量 x，其中 x 包括机器人在二维平面中的位置坐标、速度/>和加速度/>。这些状态变量将被用来表示机器人在环境中的运动状态。
S3、状态转移矩阵和过程噪声：根据机器人的运动模型和外部环境的影响，定义状态转移矩阵，描述状态变量在一个时间步内如何转移。同时，定义过程噪声/>，表示系统在转移过程中由于外部因素引起的不确定性。
S4、扩展卡尔曼滤波预测步骤：在每个时间步中，首先执行时间更新的预测步骤，用于预测下一个时间步的状态变量估计值。具体步骤如下：
S5、根据状态转移矩阵和上一个时间步的状态估计值/>，计算当前时间步的状态估计值的预测值/>。
S6、根据过程噪声协方差矩阵，更新状态估计值的误差协方差矩阵 />。
S7、测量更新的更新步骤：在时间更新的预测步骤后，接收红外光图像，通过测量更新的更新步骤融合传感器测量值和预测状态估计值，得到更准确的红外光图像温度分布信息。具体步骤如下：
S8、计算卡尔曼增益，用于融合传感器测量值和预测状态估计值。
S9、根据卡尔曼增益、测量矩阵/>，以及测量噪声协方差矩阵/>，计算状态估计值的更新/>。
S10、更新状态估计值的误差协方差矩阵。/>
S11、输出融合结果：得到最终的状态估计值xk 和红外光图像温度分布信息，这个融合的结果将作为一个证据E1传入Dijkstra算法的Track-4中，用于路径规划过程。
S12、通过扩展卡尔曼滤波算法，Track-1实现了对红外光图像数据的状态估计和融合操作，从而得到更准确的红外光图像温度分布信息。这样，机器人可以在路径规划过程中考虑红外光图像中的温度信息和障碍物信息，提高路径规划的决策能力，并在整个路径行驶过程中实时更新和优化路径。
示例性的：优选设定如下参数：
状态变量 x：表示机器人在平面上的位置、速度和加速度。
初始状态：即机器人初始位置为原点，x轴方向速度为2，y轴方向速度为1，加速度为0。
状态转移矩阵：设定机器人在每个时间步长内的状态变化是恒定的，因此状态转移矩阵/>可以定义为单位矩阵，表示机器人状态在一个时间步内不发生变化。
过程噪声：设定过程噪声/>是一个服从高斯分布的随机变量，用于模拟环境中的不确定性和干扰。设定过程噪声的均值为0，标准差为0.1，即/>。
过程噪声协方差矩阵 Qk：由于过程噪声是一个向量，因此过程噪声协方差矩阵是一个对角矩阵，其对角元素为过程噪声的方差。
优选设定：表示所有状态变量的过程噪声方差均为0.01。
观测值：设定机器人的位置和速度是由传感器测量得到的，因此观测值/>是机器人位置和速度的向量。在本示例中，本实施例设定传感器测量的位置和速度值都带有一定的测量误差，因此观测噪声/>是一个服从高斯分布的随机向量，其均值为0，标准差为0.05，即 vk ~ N(0, 0.05)。
测量矩阵：由于观测值/>直接包含机器人的位置和速度信息，因此测量矩阵/>是一个4*6的矩阵，其第1、2行是单位矩阵，用于从状态变量中提取位置信息；第3、4行也是单位矩阵，用于从状态变量中提取速度信息。
测量噪声协方差矩阵：由于测量噪声是一个向量，因此测量噪声协方差矩阵/>是一个对角矩阵，其对角元素为测量噪声的方差。
优选设定，表示位置和速度的测量噪声方差均为0.0025。
示例性的推导：初始化：设定初始状态估计 x0 和初始状态误差协方差矩阵 P0：
初始状态估计：初始状态误差协方差矩阵：/>时间更新的预测步骤：
设经过一个时间步长后，机器人的状态变化如下：/>，设随机生成的过程噪声为/>；
计算状态预测：计算预测误差协方差矩阵：/>测量更新的更新步骤：设传感器测量得到的观测值为：/> ，设随机生成的测量噪声为：/>计算观测值与预测值的差：计算观测噪声协方差矩阵：计算卡尔曼增益：
计算状态更新：
计算误差协方差矩阵更新：
在该示例中通过扩展卡尔曼滤波算法，基于状态转移矩阵、过程噪声、观测值和测量噪声等参数，对机器人的状态进行估计。根据实际环境中的不确定性和测量误差，通过预测和测量更新，最终得到机器人在平面上的位置、速度和加速度的估计值，并根据误差协方差矩阵 Pk 评估估计的准确性。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例三：本实施例递进至实施例二，其中在Track-2中：元胞自动机包括：
1）划分元胞和元胞状态：设环境划分为一个离散的二维网格，每个网格被称为一个元胞。在红外光图像中，每个元胞的状态定义为： 表示第i行、第j列的元胞的温度等级，包括冷、温暖、热三个等级；/>表示第i行、第j列的元胞是否存在障碍物，用二进制表示，1 表示存在障碍物，0 表示没有障碍物；2）Moore邻域定义：每个元胞周围有八个相邻元胞；
转移函数：基于热传导规则公式，在邻域内进行传递，用来计算在下一个时间步t+1时刻，元胞(i, j)的温度值：其中f是基于热传导规则的转移函数，根据周围元胞的温度来计算下一时间步的温度；该转移函数可以根据实际需求和物理规律来定义。常见的热传导规则可以使用加权平均或其他数学公式来计算元胞的下一时刻温度。
示例性优选的：定义加权平均公式：设元胞(i, j)的当前温度为，邻居元胞的温度分别为：/>则元胞 (i, j) 在下一个时刻的温/>(t+1)可以计算为：/>其中，/>表示元胞 (i, j) 在当前时刻的温度的加权值，而邻居元胞的温度分别占据了加权平均的1/8。
3）边界条件：定义两个条件：周期边界条件和反射边界条件：
3.1）周期边界条件：在网格的边界上，将边界的元胞与对应另一边界的元胞相连，使环境形成一个周期性的闭环；
优选的，对于二维平面中的网格，当机器人到达边界时，如果它试图移动到边界外的元胞，就会被“传送”到相应的另一边界上的元胞位置，从而实现环境的周期性连接：
设网格的左边界与右边界相连，上边界与下边界相连。当机器人在左边界上的元胞位置(x, y)上，它想要向左移动到位置(x-1, y)，则系统会将它传送到右边界上的位置(x max, y)。同样，当机器人在右边界上的元胞位置(x max, y)上，想要向右移动到位置(xmax+1, y)，则系统会将它“传送”到左边界上的位置(x, y)。其他边界也可以通过类似的方法实现周期性连接。
3.2）反射边界条件：在网格的边界上，将边界元胞的温度与对应边界外的元胞温度相等，反映热传导时在边界上的反射现象。当机器人到达网格边界时，边界元胞的温度将与对应边界外的元胞温度相等，模拟热传导时在边界上的反射现象。
优选的，设机器人在位置(x, y)处，而位置(x-1, y)在网格的边界上，那么在应用反射边界条件时，位置(x-1, y)的温度将等于位置(x, y)的温度，这样可以模拟热在边界上的反射现象。类似地，其他边界上的元胞温度也可以通过反射边界条件进行定义。
进一步的，Track-2的总体逻辑步骤为：
输入：红外光图像数据，元胞自动机环境网格大小，初始温度分布，障碍物位置，边界条件选择；
输出：优化后的红外光图像温度分布和障碍物信息；
步骤：
S1、初始化环境网格，初始温度分布和障碍物位置。
S2、根据选择的边界条件，处理环境网格的边界。
S3、迭代直到达到停止条件：对每个元胞(i, j)：
- 计算邻域内的元胞温度，根据热传导规则公式更新。
- 根据是否存在障碍物来更新Oi,j。
输出优化后的红外光图像温度分布和障碍物信息。
在本实施例中，Track-2中的元胞自动机的具体实施方式包括环境的离散化、邻域的定义以及边界条件的处理。首先，将环境划分为一个离散的二维网格，每个网格被称为一个元胞，其中每个元胞的状态由温度等级(T{i,j})和是否存在障碍物两个变量组成。然后，定义每个元胞的邻域为其周围的八个相邻元胞，这样可以考虑到更广阔的环境信息。最后，根据边界条件的选择，处理网格边界，可以采用周期边界条件或反射边界条件，使环境形成一个封闭的有限空间。
具体的：元胞自动机是一种基于离散空间的模型，通过在离散环境中对每个元胞进行状态更新，模拟了元胞之间的相互作用和信息传递。在该方法中，每个元胞的温度状态会受到邻域内其他元胞温度的影响，这是通过转移函数(f)基于热传导规则来实现的。具体来说，转移函数根据周围元胞的温度计算出下一时间步的温度，从而模拟了热传导过程。
可以理解的是，在本实施例中：元胞自动机方法在红外光图像融合中的应用，可以更好地预测下一时间步的外部环境的红外光变化。通过对环境进行离散化，并在邻域内应用热传导规则，元胞自动机可以模拟环境中的温度变化，并据此预测未来的红外光图像中温度的分布情况。同时，通过更新元胞状态的障碍物信息，元胞自动机还能够反映环境中障碍物的变化，进一步影响路径规划的决策。元胞自动机中的边界条件的选择也对模拟结果产生影响。周期边界条件可以模拟出无限的环境空间，使得红外光图像融合结果更加连续和稳定。而反射边界条件则模拟了环境边界上的反射现象，使得模拟结果更接近真实环境中的情况。通过选择不同的边界条件，可以调整模拟的环境特性，从而更好地应用于路径规划中。
优选的：设本实施例拥有5x5的二维网格作为环境，每个网格元胞代表一个特定位置的红外光图像数据。初始时，每个元胞包含温度等级和是否存在障碍物的状态信息。
划分元胞和元胞状态：
：表示第i行、第j列的元胞的温度等级，这里本实施例假设温度等级为0、1、2分别对应冷、温暖、热三个等级。
：表示第i行、第j列的元胞是否存在障碍物，用二进制表示，1表示存在障碍物，0表示没有障碍物。
示例性的，初始时，设网格的温度和障碍物状态如下（以T代表温度，O代表是否存在障碍物）：Moore邻域定义：在这个场景中，每个元胞周围有八个相邻元胞，形成Moore邻域。也就是说，每个元胞与其周围的八个元胞有连接关系。
转移函数：设定每个元胞的温度等级将等于其本身和周围八个元胞温度等级的平均值。边界条件：定义周期边界条件和反射边界条件。为了简化，本实施例采用周期边界条件。周期边界条件：在网格的边界上，将边界的元胞与对应另一边界的元胞相连，使环境形成一个周期性的闭环。也就是说，当机器人到达边界时，它将被“传送”到相应的另一边界上的元胞位置，从而实现环境的周期性连接。
总体逻辑步骤：Track-2的运算过程：
S1、设本实施例初始时的环境网格如上所示，并选择周期边界条件。本实施例进行迭代直到达到停止条件。
S2、在每个时间步中，对于每个元胞(i, j)：
S3、计算邻域内的元胞温度，根据热传导规则公式更新。
S4、根据是否存在障碍物来更新。
重复以上步骤直到满足停止条件。最后输出优化后的红外光图像温度分布和障碍物信息。以上示例性的场景模拟推导演示了Track-2的具体实现过程，包括元胞状态的定义、Moore邻域的规定、转移函数的设定、边界条件的选择以及总体逻辑步骤。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例四：本实施例递进至实施例三，在Track-3中：
输入红外光图像数据、初始温度/>、障碍物信息的初始状态/>、终止温度/>、冷却策略、邻域定义和生成规则、接受准则、扩展卡尔曼滤波的输出状态估计结果x；输出优化后的红外光图像温度分布/>障碍物信息/>：
1）使用扩展卡尔曼滤波的输出状态估计结果x作为模拟退火算法的目标函数 F输入：T表示红外光图像中的温度分布；O表示障碍物信息；x是扩展卡尔曼滤波的输出状态估计结果；/>表示基于红外光图像的温度信息的路径成本函数；/>表示基于障碍物信息的路径成本函数；/>表示基于机器人位置信息的路径成本函数；w1、w2 和 w3是用于平衡信息的权重参数；
进一步的，初始温度示红外光图像的初始温度分布。它是一个矩阵或数组，记录了机器人周围环境中每个位置的温度值。在路径规划和红外光图像融合中，这个初始温度分布用于构建初始状态估计。
进一步的，障碍物信息的初始状态表示障碍物信息的初始状态。它也是一个矩阵或数组，用二进制值表示机器人周围环境中是否存在障碍物。其中，1 表示存在障碍物，0表示没有障碍物。在路径规划和红外光图像融合中，障碍物信息用于考虑环境中的障碍物对路径选择和规划的影响。
进一步的，红外光图像中的温度分布（T）： 在实际中，红外光图像通常是由红外相机或传感器采集的，每个像素点对应一个温度值。温度分布（T）是一个二维数组，其中的每个元素表示一个像素点的温度值。
进一步的，障碍物信息（O）： 障碍物信息可以表示机器人周围的环境障碍物的位置和形状。在实际中，可以通过激光传感器、超声波传感器或深度相机等传感器来获取环境中障碍物的信息。障碍物信息（O）可以是一个布尔类型的二维数组，其中的每个元素表示相应位置是否存在障碍物，1表示存在障碍物，0表示没有障碍物。
进一步的，扩展卡尔曼滤波的输出状态估计结果（x）： 扩展卡尔曼滤波是一种用于估计系统状态的滤波算法，输出结果x包含了机器人的位置、速度等状态信息。如实施例三中所示，x是一个向量，其中包含机器人的位置坐标、速度信息等。
进一步的，路径成本函数： 路径成本函数衡量了在路径上的不同位置的成本，包括基于温度信息、障碍物信息和机器人位置信息的成本。在实际应用中，可以根据具体的目标和问题定义这些成本函数。
优选的，根据红外光图像中的温度信息来评估路径的温度成本；根据障碍物信息来评估路径的避障成本；/>根据扩展卡尔曼滤波的输出状态估计结果来评估路径的位置成本。
权重参数（w1、w2和w3）： 权重参数用于平衡不同信息在路径成本函数中的重要性。在实际中，可以根据问题的需求和优化目标来设定这些权重参数。
示例性的，如果更重视避障，可以增大的权重；如果更重视温度分布平衡，可以增大/>的权重。
再进一步的：可以根据红外光图像中的温度分布 T 来评估路径的温度成本。示例性的，路径经过较高温度区域会增加成本，而经过较低温度区域会减少成本。/>可以根据障碍物信息 O 来评估路径的避障成本。示例性的，路径上存在障碍物的部分会增加成本，而没有障碍物的部分会减少成本。/>根据扩展卡尔曼滤波的输出状态估计结果 x 来评估路径的位置成本。示例性的，路径距离机器人当前位置较远的区域会增加成本，而接近机器人当前位置的区域会减少成本。
2）初始化当前解和障碍物信息/>为初始温度和初始状态：3）初始化当前温度：/>；
4）为了优化红外光图像温度分布（T）和障碍物信息（O）。通过迭代寻找更优的解，以进一步提高处理非线性红外光图像数据的效果，并通过引入预测下一时间步的红外光变化的解决不确定性和冲突信息的性能缺陷，并改进传统技术中的局限性和片面性：
当时循环执行以下步骤：
S1、根据邻域定义和生成规则生成新的解和/>；在这一步中，通过邻域定义和生成规则生成新的温度分布/>和障碍物信息/>。这意味着本实施例尝试在当前的温度分布和障碍物信息的基础上，进行一些微小的变化来生成新的解。这些变化可以是随机的，也可以是基于某种策略的，目的是在解空间中进行搜索，以寻找更优的解。
S2、计算目标函数差：目标函数F(T,O, x) 表示路径规划的成本函数，它是红外光图像温度分布（T）、障碍物信息（O）和扩展卡尔曼滤波的输出状态估计结果（x）的函数。在这一步，计算新解/>和/>相对于当前解和障碍物信息/>的目标函数差 ΔF。ΔF表示新解相较于当前解的改进程度，即新解是否比当前解更优。S3、如果 />，则接受新解/>和/>：/>如果新解/>和/>的目标函数值（成本）小于当前解/>和/>的目标函数值，即/>，那么本实施例直接接受新解作为当前解。这意味着新解是更优解，本实施例无条件接受它，因为本实施例总是希望获得更低的成本。
S4、如果，则根据接受准则以一定概率接受新解；如果新解/>和/>的目标函数值大于或等于当前解/>和 />的目标函数值，即/>，根据一定的接受准则以一定的概率接受新解。这是本实施例中模拟退火算法的关键步骤，它允许算法在一定程度上跳出局部最优解，以便更好地探索解空间。
具体的接受准则可以根据问题的特性来定义；优选的，根据Metropolis 准则进行接受与否的决策。
S5、更新当前温度 T；
模拟退火算法涉及到一个“温度”概念，它是控制接受准则中概率接受新解的参数。在每次迭代中，温度 T 会根据冷却策略进行更新。更新温度的目的是逐渐减小接受概率，使算法在搜索过程中逐渐趋于稳定，以便更准确地收敛到一个较优解。
S6、根据冷却策略更新温度 T；
冷却策略是用于控制温度 T 的更新方式。它决定了在搜索过程中温度的变化方式和速度。冷却策略可以根据问题的特点选择合适的冷却策略。
S7、输出优化后的红外光图像温度分布和障碍物信息/>。
在整个模拟退火算法迭代过程中保持跟踪最优的温度分布和障碍物信息，即红外光图像温度分布和障碍物信息/>。最终，当算法收敛到一定程度或满足停止条件时，输出优化后的/>和/>，这些结果是算法找到的最优解。
进一步的，在Track-3中，Metropolis 准则是模拟退火算法中用于决定是否接受新解的重要准则。当新解的目标函数值比当前解更差时
，Metropolis 准则允许以一定概率接受新解，这样可以在搜索过程中克服局部最优解并更好地探索解空间。Metropolis 准则基于概率的思想：当新解为更优解时，本实施例总是接受它；而当新解为较差解时，本实施例以一定的概率接受它，从而在一定程度上增加了算法跳出局部最优解的性。
具体的，在应用Metropolis 准则时，需要引入一个接受概率的函数，记为。其中，ΔF表示新解的目标函数值与当前解的目标函数值之差，T 表示当前的温度。接受概率函数Paccept遵循以下原则：
当新解更优时，接受概率为 1，即总是接受新解。
当新解较差时，接受概率Paccept应该小于等于 1，并随着温度 T 的降低而逐渐减小。
随着搜索过程的进行，温度 T 逐渐降低，接受概率也逐渐降低，从而减少接受较差解的性，使算法逐渐趋于稳定。
本实施例的Metropolis 准则的表达式为：其中，exp表示指数函数。当/>时，Paccept 大于 1，总是接受新解；当/>时，Paccept 介于 0到 1 之间，概率逐渐减小。
Metropolis 准则在Track-3中的应用是在算法的优化过程中，用于控制新解是否被接受。当新解为更优解时，Metropolis 准则确保其被接受；而当新解为较差解时，通过设置概率函数，一定程度上允许较差解被接受，从而在解空间中克服局部最优解，避免算法陷入局部最优解，有助于更好地搜索全局最优解。这样的灵活性使得模拟退火算法能够更好地在复杂的非线性问题中找到较优解，并应用于红外光图像融合和路径规划中，提高系统性能和效果。
进一步的，在Track-3中的冷却策略优选以下两种方案，用于降低模拟退火算法中的温度 T。它决定了搜索过程中温度如何降低，从而影响着算法在解空间中的搜索能力和性能。
方案一：其中，T(t) 表示时间步t对应的温度，/>是初始温度，α是冷却率，t 是当前时间步。随着时间步t的增加，温度T(t)线性下降。
在本实施例的应用需求下，方案一的有益效果在于通过线性降温的方式逐渐减小温度，使得算法在搜索的早期具有较大的搜索范围，有助于全局搜索，而在搜索的后期温度逐渐降低，有助于局部搜索，使算法能够更精确地找到局部最优解。线性冷却的降温速率是恒定的，因此算法的冷却过程相对较稳定，不会出现剧烈波动。同时，冷却率α 是一个可调节的参数，可以根据实际问题的复杂性和需求来进行调整，从而更好地控制算法的性能和收敛速度。
方案二： 其中，T(t) 表示时间步t对应的温度，/>是初始温度，β是介于0和1之间的衰减系数，t 是当前时间步。
在本实施例的应用需求下，方案二的有益效果在于以指数方式降低温度，冷却速率在初始时较快，有助于快速逼近最优解。在搜索的早期，算法的温度迅速下降，有助于跳出局部最优解，进行全局搜索。由于方案二在初始时快速降温，搜索过程中会保留一定的多样性，有助于算法克服局部最优解，并在解空间中更全面地搜索。
需要指出的是，这两种方案在应用中并非完全互斥，实际使用时可以根据问题的性质和需求选择合适的冷却策略或者将它们结合起来使用。这两种冷却策略在Track-3中的应用有助于模拟退火算法更好地搜索到全局最优解或者接近最优解，进一步提高处理非线性红外光图像数据的效果，并解决不确定性和冲突信息的性能缺陷，增强传统技术中的局限性和片面性。
在本实施例中：Track-3中的模拟退火算法的具体实施方式包括对红外光图像数据、初始温度、终止温度、冷却策略、邻域定义和生成规则、接受准则以及扩展卡尔曼滤波的输出状态估计结果进行输入。在算法执行过程中，通过对红外光图像的温度分布、障碍物信息以及机器人位置信息等进行组合，并引入权重参数来定义目标函数，从而综合评估路径的成本。在优化过程中，初始化当前解为初始温度和初始状态，并根据冷却策略和接受准则，循环执行生成新解、计算目标函数差、接受新解或以一定概率接受新解，并更新当前温度，直至当前温度达到终止温度。
具体的：模拟退火算法是一种全局优化算法，模拟了固体退火过程中分子在高温下随机运动、逐渐冷却稳定的过程。在该方法中，目标函数由红外光图像中的温度分布、障碍物信息和机器人位置信息构成。通过定义目标函数，算法在搜索过程中根据目标函数差和当前温度，以一定概率接受新解，从而避免陷入局部最优解，从而全局优化路径成本。
可以理解的是，在本实施例中：模拟退火算法在红外光图像融合中的应用，能够优化红外光图像的温度分布和障碍物信息。通过在目标函数中综合考虑温度、障碍物和机器人位置等信息，算法能够针对不同情况调整路径的选择，从而更加准确地估计未来环境，优化路径规划的决策。通过冷却策略和接受准则的引入，算法能够在搜索过程中平衡全局和局部搜索的权衡，增加搜索的多样性，从而更好地优化路径成本。通过输出优化后的红外光图像温度分布和障碍物信息，该方法能够为机器人路径规划提供更准确的输入信息，从而使路径规划更加智能化和高效化。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例五：本实施例递进至实施例四，在Track-4中：Dijkstra 算法包括：
输入图模型，其中 V 表示位置，E 表示连接位置的边；起点 s 和终点 t；红外光图像数据/>和模拟退火算法的输出结果/>；输出从起点 s 到终点 t 的最短路径：
1）初始化距离数组dist[i]和路径数组prev[i]，其中dist[i]表示起点s到顶点i的最短距离，prev[i]记录从起点s到顶点i的最短路径上i的前一个顶点；dist[V]是一个数组，其中V表示图中所有顶点的集合，dist[i]表示起点s到顶点i的最短距离。路径数组prev[V]用于记录从起点s到顶点i的最短路径上i的前一个顶点。这两个数组的初始化是为了在算法的后续步骤中进行最短路径的计算和记录。
2）将起点s的dist[s]设置为0，其他顶点的dist初始化为无穷大，prev初始化为None；
将起点s的dist[s]设置为0，其他顶点的dist初始化为无穷大，prev初始化为None：在Dijkstra算法的开始时，所有顶点的最短距离都被初始化为无穷大，表示初始状态下起点s到其他顶点的距离都是未知的。然后，将起点s的最短距离dist[s]设置为0，因为起点到自身的距离为0。
3）初始化优先队列Q，并将所有顶点加入队列，按照dist值进行排序；
优先队列Q用于存储待处理的顶点，并根据顶点的最短距离dist值进行排序。在初始化时，将所有顶点加入队列，并按照dist值进行排序，使得距离最小的顶点排在队列的前面，方便后续的处理。Dijkstra算法是通过不断从优先队列中取出距离最小的顶点并更新其邻接顶点的最短距离来逐步确定最短路径的过程。在后续的算法执行中，会不断从优先队列Q中取出顶点u，然后遍历u的邻接顶点v，计算从起点s经过u到达v的距离，如果这个距离比当前记录的dist[v]小，则更新dist[v]和prev[v]，并将顶点v重新加入优先队列Q进行排序。通过这样的迭代过程，最终得到起点s到图中其他所有顶点的最短路径和对应的最短距离。
4）whileQ不为空：一个循环，只要优先队列Q不为空，就会继续执行以下步骤：
4.1)从队列Q中取出具有最小dist值的顶点u；从优先队列Q中取出具有最小dist值的顶点u，即取出距离起点s最近的顶点u。
4.2)如果u是终点t，跳出循环；
如果当前取出的顶点u恰好是终点t，那么意味着从起点s到达终点t的最短路径已经找到，于是跳出循环，不再继续执行后续的步骤。
4.3)对于u的每个邻接顶点v：
(i)计算从u到v的移动成本cost(u,v)，其中cost(u,v)是成本函数：其中distance(u,v)表示顶点u到顶点v之间的直线距离，time(u,v)表示机器人从u移动到v的时间，表示从u到v的路径上优化后的红外光图像中的温度和障碍物信息对成本的影响，使用模拟退火算法输出的/>；移动成本是由成本函数cost(u, v) 表示的。这个成本函数是由多个因素组成的，包括顶点 u 到顶点 v 之间的直线距离distance(u, v)、机器人从u 移动到v的时间time(u, v)、以及从 u 到 v 的路径上优化后的红外光图像中的温度temperature(u, v, />) 和障碍物信息obstacles(u, v,)对成本的影响。/>
(ii)计算从起点s到顶点v经过顶点u的总距离：/>通过将顶点u作为中间节点，计算从起点s到达顶点v经过顶点u的总距离distthroughu。这个距离是由之前已经计算出的dist[u]和移动成本cost(u,v)组成的。(iii)如果，更新/>和/>：/>比较从起点s经过顶点u到达顶点v的总距离distthroughu是否小于当前记录的起点s到顶点v的最短距离dist[v]。如果distthroughu小于dist[v]，说明找到了从起点s到顶点v更短的路径，于是更新dist[v]和prev[v]，将其更新为更短的距离distthroughu和中间节点u。
(iv)重新排序队列Q；
5）通过prev数组回溯得到从起点s到终点t的最短路径。
在更新了某个顶点v的最短距离后，需要重新对优先队列Q进行排序，确保距离起点s更近的顶点在队列的前面，以便在下一次循环中继续处理。在完成所有的循环后，dist数组中记录了从起点s到图中所有顶点的最短距离，prev数组中记录了从起点s到图中所有顶点的最短路径上每个顶点的前一个顶点。通过回溯prev数组，可以从终点t开始，一步步找到从起点s到终点t的最短路径，并输出该路径。
在本实施例中，在Track-4中，Dijkstra算法的具体实施方式包括建立图模型G=(V,E)，其中V表示的位置，E表示连接位置的边；输入起点s和终点t；以及红外光图像数据（T,O）和模拟退火算法的输出结果。在算法执行过程中，初始化距离数组dist[i]和路径数组prev[i]，用于记录起点s到各顶点的最短距离和路径信息。通过遍历优先队列Q，按照最短距离进行排序，并依次更新顶点的最短距离和路径信息。最终，通过prev数组回溯得到从起点s到终点t的最短路径。
具体的，Dijkstra算法是一种单源最短路径算法，用于计算图中从一个固定起点s到其余所有顶点的最短路径。在该方法中，通过逐步更新起点到各顶点的最短距离，并通过优先队列按照最短距离排序来进行路径的选择。在更新最短距离时，考虑了从起点s到各顶点经过邻接顶点的总距离，并利用成本函数计算路径的成本。成本函数包括距离、时间、优化后的红外光图像温度和障碍物信息对路径成本的影响。
可以理解的是，在本实施例中，Dijkstra算法在Track-4中用于计算从起点s到终点t的最短路径，结合红外光图像数据和模拟退火算法的输出结果，考虑了多个因素对路径成本的影响。成本函数综合考虑了从一个顶点u到另一个顶点v经过直线距离、时间、优化后的红外光图像温度和障碍物信息等因素。通过路径成本的计算和更新，Dijkstra算法能够找到起点s到各顶点的最短路径，并通过prev数组回溯得到从起点s到终点t的最短路径。该方法为机器人提供高效且准确的路径规划，从而实现智能化的导航和行驶。
在本实施例的Track-4中，Dijkstra算法起到了关键的作用，同时接受了第一个轨道（Track-1）的融合信息输入和第二个轨道（Track-2）的输入，并输出了两个路径规划信息并暂时存储。现在本实施例将结合Track-4中的公式内容来进一步解释这个过程的逻辑：
S1、设当前时间步为t，第一个轨道（Track-1）输出的信息为E1=路径1，即在时间步t的路径规划信息，而第二个轨道（Track-2）输出的信息为E2=路径2，即预测的下一个时间步t+1的路径规划信息。
S2、初始化阶段：在当前时间步t，Dijkstra算法接受了Track-1的融合信息输入（路径1）和Track-2的输入（路径2）。此时，本实施例有红外光图像数据和当前时间步的预测融合信息（路径1）作为输入。
S3、路径规划阶段：Dijkstra算法开始执行路径规划步骤，根据输入的红外光图像数据（T）和当前时间步的预测融合信息（路径1），计算出在当前时间步t的路径规划信息（路径1）。
S4、预测阶段：同时，在当前时间步t，Dijkstra算法还接收到了第二个轨道（Track-2）的输入，即预测的下一个时间步t+1的路径规划信息（路径2）。这里特别要注意，Dijkstra算法在当前时间步t中使用的是第二个轨道在上上个时间步输入的当前时间步t的预测融合信息。
S5、存储路径规划信息：Dijkstra算法将在当前时间步t的路径规划信息（路径1）和预测的下一个时间步t+1的路径规划信息（路径2）进行存储，暂时保留这两组路径信息。
以上过程充分说明了Dijkstra算法在Track-4中的关键作用：通过接收并处理第一个轨道（Track-1）的融合信息和第二个轨道（Track-2）的预测信息，它在当前时间步t内计算路径规划，并在预测阶段也接收和处理下一个时间步t+1的预测信息。这种结合了当前信息和预测信息的路径规划过程有助于机器人做出更加智能和准确的决策，使得路径规划能够在不同时间步中进行优化和调整，从而更好地应对不确定性和动态环境变化。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例六：本实施例递进至实施例五，在Track-4中：DS理论包括：
1）确定证据（Evidence）：定义两个由Track-1和Track-2分别输出至Dijkstra算法的结果为证据E1和E2，其中：E1=路径1，E2=路径2；
在此步骤中，本实施例定义两个证据E1和E2，分别代表来自Track-1和Track-2的路径规划结果。具体来说，E1=路径1表示在当前时间步的路径规划信息，而E2=路径2表示预测的下一个时间步的路径规划信息。
2）确定帧（Frame）：定义帧θ，表示为从起点到目标点的所有的路径集合；帧θ代表了从起点到目标点的所有的路径集合。在路径规划的上下文中，帧θ包含了所有的路径，即机器人从起点出发，经过不同的点，到达目标点的所有路径。每条路径都是帧θ中的一个子集，代表一个的路径。
3）基本概率分配（Basic Probability Assignment）：对于每个证据Ei，计算其基本概率分配值m(A)；设A是帧θ中的一个子集，代表一个的路径，则基本概率分配由以下方式计算：其中/>表示在路径 A 下，证据 Ei 发生的概率，根据 Dijkstra 算法的结果来确定每条路径的基本概率分配；表示在路径 A 下，同时发生证据 E1 和 E2 的概率；
具体的，在这一步中，对于每个证据 Ei，本实施例需要计算其基本概率分配值m(A)。这里的A是帧θ中的一个子集，即一个的路径。基本概率分配用于衡量在路径A下，证据Ei发生的概率；其中 P(Ei | A) 表示在路径A下，证据Ei发生的概率，可以通过Dijkstra算法的结果来确定每条路径的基本概率分配。而 表示在路径A下，同时发生证据E1和E2的概率。
4）计算合成证据：利用Dempster's rule合成多个证据，得到最终的信念程度，合成后的信念函数：/>其中B表示A的子集；通过合成证据，本实施例可以得到每条路径在路径规划中的置信程度，即其被选为最优路径的性。
输出最终的路径结果：最终的输出是具有最大信念度的路径，作为机器人执行下一时间步的最优路径规划结果。通过DS理论的应用，机器人能够综合考虑来自不同路径规划算法的结果，并根据概率信息进行路径选择，从而实现更加智能和全面的路径规划决策。这种方法可以有效地处理不确定性和冲突信息，避免了传统路径规划方法中的局限性和片面性，提高了机器人的路径规划性能。
和/>可以基于训练数据和经验规则来估计。此外，Dempster's rule是DS理论中的合成规则，可以用于将多个证据合成为一个最终的信念度。输出的最终路径结果将被导入至机器人的控制器内，用于执行下一时间步的行驶。DS理论用于处理多源信息，根据两个路径规划算法的结果构成的两个证据（E1和E2），利用基本概率分配确定每条路径的基本概率分配，利用Dempster'srule合成多个证据得到最终的信念程度，从而得出最终最受信任的路径信息，供机器人控制器执行下一时间步的行驶。
具体的，在Track-4中，DS理论的应用涉及两个关键方面：和 P/>的估计以及Dempster's rule 的使用。它包括：
（1）和/>的估计：在DS理论中，基本概率分配值 m(A) 需要计算证据Ei在路径 A 下的发生概率/>，以及同时发生证据 E1 和 E2 的概率/>。这两个概率可以基于训练数据和经验规则来进行估计。
对于的估计，可以通过历史数据或仿真实验来获取。示例性的，可以记录过去机器人执行不同路径规划结果的成功率或效果评估，从而得到路径规划结果的可信度，并将其作为/>的估计。
对于的估计，同样可以基于历史数据和经验规则。示例性的，对于两个路径规划算法的结果，可以通过比较它们的重合程度或相似性来估计同时发生这两个结果的概率。也可以通过统计两个路径规划结果的差异或冲突程度来估计/>。
具体的，首先，将两个路径规划算法的结果表示为两个路径集合，分别为 Path1和 Path2。这些路径集合可以是由一系列连续的坐标点组成，描述机器人从起点到终点的不同路径。然后，可以计算这两个路径集合之间的重合程度，即它们共有的路径部分。可以使用交集操作来找到这些重合的路径段。例如，计算 Path1 和 Path2 的交集，得到重合路径集合Intersect Paths。
接下来，可以使用某种相似性度量来评估两个路径规划算法的结果在路径形状和走向上的相似性。优选使用欧氏距离、汉明距离、路径编辑距离等。比如，可以计算Intersect Paths 中路径段与Path1和Path2 中对应路径段之间的相似性，然后将这些相似性值进行加权平均，得到表示两个路径规划算法结果相似性的度量值。
基于相似性度量值，可以将其归一化得到一个概率估计值 />。这样得到的概率值表示在路径 A 下同时发生 E1 和 E2 的性。/>
（2）Dempster's rule 的使用：empster's rule 是DS理论中的合成规则，用于将多个证据合成为一个最终的信念度。在Track-4中，本实施例有两个证据E1和 E2，分别代表两个路径规划算法的结果。通过计算各个路径的基本概率分配值 m(A)，本实施例可以得到每个路径被选为最优路径的性。
（3）根据Dempster's rule，将这两个证据进行合成，得到最终的信念程度 Bel(A)。这个信念程度反映了每条路径作为最优路径的置信度。具有较高信念程度的路径将被认为是最可靠和最优的路径规划结果。
具体的，Dempster's rule的步骤如下：
S1、确定证据和帧：首先，本实施例已经确定了两个证据E1和E2，其中E1表示由Track-1输出的路径规划结果，E2表示由Track-2输出的路径规划结果。然后，本实施例定义帧θ，表示从起点到目标点的所有的路径集合。
S2、计算基本概率分配：对于每个证据Ei，本实施例需要计算其基本概率分配值m(A)，其中A是帧θ中的一个子集，代表一个的路径。
S3、对于证据E1，本实施例可以使用Dijkstra算法的结果来确定每条路径的基本概率分配。假设在帧θ中，路径A1表示由Dijkstra算法得到的路径规划结果。则对于每条路径A1，本实施例可以计算，表示在路径A1下，证据E1发生的概率。
S4、对于证据E2，本实施例同样可以使用Track-2中的方法来估计在路径A2下，证据E2发生的概率。
S5、计算冲突信息：接下来，本实施例需要计算两个证据的冲突信息，即。这个值表示在路径A下，同时发生证据E1和E2的概率。这里根据前文所述，本实施例可以通过比较两个路径规划算法的结果的重合程度或相似性来估计/>。设本实施例得到了这个值为/>。
S6、合成证据：根据Dempster's rule，将两个证据进行合成得到最终的信念程度Bel(A)：其中，B表示A的子集，i是帧θ中的路径。
S7、输出最终路径结果：通过回溯prev数组，找到具有最大信念度Bel(A)的路径作为最终的路径结果。这个路径结果信息将被导入至机器人的控制器内，用于执行下一时间步的行驶。
S8、接下来将路径结果信息转换为机器人驱动机构的控制信号即可，此为常规技术；原理是将最终路径进行离散化，将连续的路径转换为一系列离散的路径点。这样可以使机器人沿着路径一步一步前进。生成机器人的控制信号。控制信号可以包括机器人的速度、方向、转向角度等信息。这些信号会被传递给机器人的驱动机构，使机器人按照路径前进。
在本实施例的Track-4中，DS理论的具体实施方式包括定义两个证据E1和E2，其中E1是由Track-1输出的路径1，E2是由Track-2输出的路径2。然后，构建帧θ，表示从起点到目标点的所有路径集合。接着，通过计算每个证据Ei在帧θ中每个子集A上的基本概率分配值m(A)，使用Dempster's rule 合成多个证据得到最终的信念程度。输出具有最大信念度的路径作为最终的路径结果。
具体的，DS理论是一种处理不确定性和冲突信息的方法，可以用于合成多源信息并得出最终结果的信任程度。在该方法中，证据（E1和E2）用于表示不同路径规划算法的输出结果。帧θ表示了所有的路径集合，其中每个子集A代表一个的路径。基本概率分配m(A)是一个概率值，表示在路径A下，证据Ei发生的性。基本概率分配的计算依赖于Dijkstra算法的结果，用于确定每条路径的基本概率分配。
可以理解的是，在本实施例中，DS理论在Track-4中用于处理多源信息（两个路径规划算法的结果）并计算最终的信念程度，以输出最终的路径结果。通过基本概率分配的计算，可以根据每条路径的性来评估每个证据的重要性。Dempster'srule用于合成多个证据，得到最终的信念程度，该信念程度表示机器人选择该路径的置信程度。输出的最终路径结果将被导入至机器人的控制器内，用于执行下一时间步的行驶。DS理论的应用使机器人路径规划及红外光图像融合方法能够更好地处理不确定性和冲突信息，提高了路径规划的准确性和可靠性。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例七：本实施例提供一种机器人路径规划及红外光图像融合系统，包括控制器模块，控制器模块用于执行如上述的融合方法；控制器模块电性连接有：
（1）传感器模块：包括激光雷达和可见光摄像头，用于实时获取机器人周围的环境信息和红外光图像；该模块负责对红外光图像进行预处理和特征提取，例如温度分布和障碍物检测。在嵌入式开发中，可以使用图像处理算法对红外图像进行降噪、增强对比度、温度值标定等操作，以获得更清晰、准确的红外图像信息。特征提取算法可以用于检测和识别环境中的障碍物，并提取温度分布等关键信息。
（2）红外光图像处理模块：对红外光图像进行预处理和特征提取；例如温度分布和障碍物检测等。这样可以获取有用的信息，用于后续融合和路径规划。考虑红外光图像融合的信息（温度和障碍物），根据机器人当前位置、目标位置和环境信息计算最短路径。在嵌入式开发中，需要将 Dijkstra 算法的逻辑进行优化和适配，以保证在资源受限的嵌入式平台上运行效率和实时性。
（3）路径规划模块：实现Dijkstra算法，根据机器人当前位置、目标位置和环境信息计算最短路径；在此模块中，需要考虑红外光图像融合的信息，包括温度和障碍物。
（4）卡尔曼滤波模块：实现扩展卡尔曼滤波算法，将激光雷达和可见光摄像头的数据进行融合；提高环境感知的准确性和鲁棒性。该模块输出对红外光图像的估计信息，用于路径规划；将激光雷达和可见光摄像头的数据进行融合，提高环境感知的准确性和鲁棒性。在嵌入式开发中，需要将卡尔曼滤波算法进行优化和适配，确保在实时数据融合和环境感知中能够稳定运行。
（5）元胞自动机模块：利用元胞自动机预测红外光图像下一时间步的温度变化和障碍物分布；提供更精确的信息给路径规划模块。该模块利用元胞自动机预测红外光图像下一时间步的温度变化和障碍物分布，提供更精确的信息给路径规划模块。在嵌入式开发中，需要实现元胞自动机算法，并将其集成到系统中，以实时进行预测并提供数据给路径规划模块使用。
（6）模拟退火算法模块：使用模拟退火算法计算红外光图像中的温度和障碍物信息；得到更准确的数据供路径规划模块使用。该模块使用模拟退火算法计算红外光图像中的温度和障碍物信息，得到更准确的数据供路径规划模块使用。在嵌入式开发中，需要实现模拟退火算法，并针对嵌入式平台进行优化，以保证算法的高效性和实时性。
（7）DS理论模块：实现DS理论，计算出基于所有可用信息的新的信任度，得到最终最受信任的路径信息。该模块实现DS理论，计算出基于所有可用信息的新的信任度，得到最终最受信任的路径信息。在嵌入式开发中，需要将 DS 理论算法烧录，并保证其在资源有限的嵌入式平台上的高效运行。
（8）路径输出模块：将最终的路径信息输出给机器人的控制器，用于执行下一时间步的行驶；选用常规的机器人模块即可。
（9）图形界面模块：显示机器人当前位置、目标位置、路径规划结果以及红外光图像信息；选用常规的机器人模块即可。
（10）通信模块：使融合系统与机器人的控制器进行实时通信。从而实现路径规划和红外光图像融合的闭环控制。选用常规的机器人模块即可。
以上所述实施例仅表达了本发明的相关实际应用的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
实施例八：为了进一步公开本具体实施方式的技术内容，在当前实施例中将进一步公开本技术的Track-1~4的C++开发框架，请参阅图2~6，其内容包括：
struct State 和 struct Measurement：扩展卡尔曼滤波算法中使用的状态变量和测量值。State 保存了机器人在 x 和 y 方向上的位置、速度和加速度，而 Measurement则保存了红外温度和障碍物信息。
extendedKalmanFilter：这个函数实现了扩展卡尔曼滤波（EKF）算法，用于根据传感器（红外温度和障碍物检测）的测量值估计机器人的状态（位置、速度和加速度）。EKF 使用状态转移方程和测量方程，以及过程噪声和测量噪声，来更新和预测状态随时间的变化。
main：主函数是程序的入口点。它创建一个向量measurements，用于存储每个时间步骤从传感器获得的红外温度和障碍物测量值。然后，它使用 extendedKalmanFilter 函数对这些测量值运行扩展卡尔曼滤波算法。
Dijkstra 路径规划：Dijkstra 路径规划（Track-4）。函数dijkstraPathPlanning使用 Dijkstra 算法，根据从 EKF 获得的估计状态，找到从机器人当前位置到目标位置的最短路径。
DS 理论：函数 calculateBeliefScores 和 findBestPath实现 DS 理论，结合从Dijkstra 获得的多条路径，并根据置信度得分选择最佳路径。
Claims (10)
1.一种机器人路径规划及红外光图像融合方法，包括使用激光雷达或可见光摄像头获取当前时间步的外部环境的红外光图像，其特征在于：包括并列同步实施的Track-1、Track-2和Track-3：
Track-1：接收红外光图像，采用扩展卡尔曼滤波处理红外光图像融合，然后输出至Track-4；
Track-2：接收红外光图像，采用元胞自动机预测下一时间步的外部环境的红外光变化，然后输出至Track-4；
Track-3：接收红外光图像，与Track-1的扩展卡尔曼滤波的测量模型共用同组数据，使用模拟退火算法解算出红外光图像中的温度、障碍物信息输出给Track-4的Dijkstra算法的成本函数；
还包括Track-4：Dijkstra算法同时解算出Track-1和Track-2的两个路径信息，将两个路径信息交由DS理论处理Track-1和Track-2的信息，输出路径结果，将路径结果导入至机器人的控制器内，执行下一时间步的机器人路径行驶。
2.根据权利要求1所述的机器人路径规划及红外光图像融合方法，其特征在于：在Track-1中：
设机器人系统的状态变量x为：，
和/>分别代表机器人在二维平面中的位置坐标；/>和/>分别代表机器人在 x 轴和 y 轴方向上的速度；/>和/>分别代表机器人在 x 轴和 y轴方向上的加速度；
状态方程为：；
表示在时间步长k-1时刻的状态向量；/>是状态转移矩阵；/>是过程噪声；
测量方程为：；
是观测值；/>是测量矩阵；/>是测量噪声，代表传感器的测量误差；
初始化时，设定初始状态估计和初始状态误差协方差矩阵/>；在每个时间步中，根据当前状态和观测值，通过以下步骤来执行扩展卡尔曼滤波：
1)时间更新的预测步骤：，/>，其中，/>是过程噪声协方差矩阵；/>是上一个时间步k-1的误差协方差矩阵；/>是状态转移矩阵/>的转置；
在当前时间步k中，机器人的状态变量的预测值，状态预测使用状态转移矩阵将上一个时间步k-1的状态变量/>转换为当前时间步k的状态预测值/>；误差协方差预测使用状态转移矩阵/>和过程噪声协方差矩阵/>预测当前时间步k的误差协方差矩阵/>；
2)测量更新的更新步骤：，，/>，
其中，是卡尔曼增益，/>是测量噪声的协方差矩阵，/>是测量矩阵/>的转置。
3.根据权利要求1所述的机器人路径规划及红外光图像融合方法，其特征在于：在Track-2中：元胞自动机包括：
1）划分元胞和元胞状态：设环境划分为一个离散的二维网格，每个网格被称为一个元胞；在红外光图像中，每个元胞的状态定义为：，
表示第i行、第j列的元胞的温度等级，包括冷、温暖、热三个等级；/>表示第i行、第j列的元胞是否存在障碍物，用二进制表示，1 表示存在障碍物，0 表示没有障碍物；
2）Moore邻域定义：每个元胞周围有八个相邻元胞；
转移函数：基于热传导规则公式，在邻域内进行传递：
，
其中f是基于热传导规则的转移函数，根据周围元胞的温度来计算下一时间步的温度；
3）边界条件：定义两个条件：周期边界条件和反射边界条件：
3.1）周期边界条件：在网格的边界上，将边界的元胞与对应另一边界的元胞相连，使环境形成一个周期性的闭环；
3.2）反射边界条件：在网格的边界上，将边界元胞的温度与对应边界外的元胞温度相等，反映热传导时在边界上的反射现象。
4.根据权利要求2所述的机器人路径规划及红外光图像融合方法，其特征在于：在Track-3中：
输入红外光图像数据、初始温度/>、障碍物信息的初始状态/>、终止温度/>、冷却策略、邻域定义和生成规则、接受准则、扩展卡尔曼滤波的输出状态估计结果x；输出优化后的红外光图像温度分布/>和障碍物信息/>：
1）使用扩展卡尔曼滤波的输出状态估计结果x作为模拟退火算法的目标函数 F输入：，T表示红外光图像中的温度分布；O表示障碍物信息；x是扩展卡尔曼滤波的输出状态估计结果；/>表示基于红外光图像的温度信息的路径成本函数；/>表示基于障碍物信息的路径成本函数；表示基于机器人位置信息的路径成本函数；w1、w2 和 w3是用于平衡信息的权重参数；
2）初始化当前解和障碍物信息/>为初始温度和初始状态：/>，，3）初始化当前温度：/>；当 />时循环执行以下步骤：S1、根据邻域定义和生成规则生成新的解/>和/>；S2、计算目标函数差：，S3、 如果/>，则接受新解/>和/>：，S4、如果/>，则根据接受准则接受新解；
S5、更新当前温度 T；
S6、根据冷却策略更新温度 T；
S7、输出优化后的红外光图像温度分布和障碍物信息/>。
5.根据权利要求4所述的机器人路径规划及红外光图像融合方法，其特征在于：在Track-4中：Dijkstra 算法包括：
输入图模型，，其中 V 表示位置，E 表示连接位置的边；起点 s 和终点 t；红外光图像数据/>和模拟退火算法的输出结果/>；输出从起点 s 到终点 t 的最短路径：
1）初始化距离数组dist[i]和路径数组prev[i]，dist[i]表示起点s到顶点i的最短距离，prev[i]记录从起点s到顶点 i 的最短路径上i的前一个顶点；
2）将起点s的dist[s]设置为 0，其他顶点的dist初始化为无穷大，prev 初始化为None；
3）初始化优先队列 Q，并将所有顶点加入队列，按照 dist 值进行排序；
4）while Q不为空：
4.1)从队列Q中取出具有最小dist值的顶点u；
4.2)如果u是终点t，跳出循环；
4.3)对于u的每个邻接顶点v：
(i) 计算从u到v的移动成本，其中/>是成本函数：
，
其中表示顶点u到顶点v之间的直线距离，/>表示机器人从u移动到v的时间，/>和/>表示从u到v的路径上优化后的红外光图像中的温度和障碍物信息对成本的影响，使用模拟退火算法输出的/>；
(ii) 计算从起点s到顶点v经过顶点u的总距离：/>，(iii) 如果/> ，更新/>和/>：/>，/>，(iv)重新排序队列 Q；
5）通过prev数组回溯得到从起点s到终点t的最短路径。
6.根据权利要求5所述的机器人路径规划及红外光图像融合方法，其特征在于：在Track-4中：DS理论包括：
1）确定证据：定义两个由Track-1和Track-2分别输出至Dijkstra 算法的结果为证据E1 和 E2，其中：；2）确定帧：定义帧θ，表示为从起点到目标点的所有的路径集合；
3）基本概率分配：对于每个证据 Ei，计算其基本概率分配值m(A)；设A是帧θ中的一个子集，代表一个的路径，则基本概率分配由以下方式计算：
，其中/>表示在路径A下，证据Ei发生的概率，根据Dijkstra 算法的结果来确定每条路径的基本概率分配；/>表示在路径 A 下，同时发生证据 E1 和 E2 的概率；
4）计算合成证据：利用合成若干个证据，得到最终的信念程度，最终的信念程度的信念函数/>：/>，其中 B 表示 A 的子集；
输出最终的路径结果：找到具有最大信念度的路径作为最终的路径结果。
7.根据权利要求6所述的机器人路径规划及红外光图像融合方法，其特征在于：和/>基于训练数据确定。
8.一种机器人路径规划及红外光图像融合系统，其特征在于：包括控制器模块，所述控制器模块用于执行如权利要求1~7任意一项所述的机器人路径规划及红外光图像融合方法；所述控制器模块电性连接有，
传感器模块：包括激光雷达和可见光摄像头，用于实时获取机器人周围的环境信息和红外光图像；
红外光图像处理模块：对红外光图像进行预处理和特征提取；
路径规划模块：实现Dijkstra算法，根据机器人当前位置、目标位置和环境信息计算最短路径；
卡尔曼滤波模块：实现扩展卡尔曼滤波算法，将激光雷达和可见光摄像头的数据进行融合；
元胞自动机模块：利用元胞自动机预测红外光图像下一时间步的温度变化和障碍物分布；
模拟退火算法模块：使用模拟退火算法计算红外光图像中的温度和障碍物信息；
DS理论模块：实现 DS 理论，计算出基于所有可用信息的新的信任度，得到最终最受信任的路径信息。
9.根据权利要求8所述的机器人路径规划及红外光图像融合系统，其特征在于：还包括：所述控制器模块电性连接有，
路径输出模块：将最终的路径信息输出给机器人的控制器，用于执行下一时间步的行驶；
图形界面模块：显示机器人当前位置、目标位置、路径规划结果以及红外光图像信息；
通信模块：使所述融合系统与机器人的控制器进行实时通信。
10.一种存储介质，其特征在于：所述存储介质内存储有用于执行如权利要求1~7任意一项所述机器人路径规划及红外光图像融合方法的程序指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310979919.9A CN116703984B (zh) | 2023-08-07 | 2023-08-07 | 机器人路径规划及红外光图像融合方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310979919.9A CN116703984B (zh) | 2023-08-07 | 2023-08-07 | 机器人路径规划及红外光图像融合方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703984A true CN116703984A (zh) | 2023-09-05 |
| CN116703984B CN116703984B (zh) | 2023-10-10 |
Family
ID=87837857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310979919.9A Active CN116703984B (zh) | 2023-08-07 | 2023-08-07 | 机器人路径规划及红外光图像融合方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703984B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077987A (zh) * | 2023-10-16 | 2023-11-17 | 湖南省通晓信息科技有限公司 | 一种基于元胞自动机的环卫管理方法及存储介质 |
| CN117171258A (zh) * | 2023-09-07 | 2023-12-05 | 中国铁建港航局集团有限公司 | 基于gis定位ar管网信息展示方法、系统及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101943916A (zh) * | 2010-09-07 | 2011-01-12 | 陕西科技大学 | 一种基于卡尔曼滤波器预测的机器人避障方法 |
| WO2015024407A1 (zh) * | 2013-08-19 | 2015-02-26 | 国家电网公司 | 基于电力机器人的双目视觉导航系统及方法 |
| CN107677277A (zh) * | 2017-09-30 | 2018-02-09 | 哈尔滨理工大学 | 一种基于Dijkstra算法的路径确定方法 |
| CN112729307A (zh) * | 2020-12-23 | 2021-04-30 | 南京市晨枭软件技术有限公司 | 一种用于路径规划机器人的多传感信息融合系统及其控制方法 |
-
2023
- 2023-08-07 CN CN202310979919.9A patent/CN116703984B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101943916A (zh) * | 2010-09-07 | 2011-01-12 | 陕西科技大学 | 一种基于卡尔曼滤波器预测的机器人避障方法 |
| WO2015024407A1 (zh) * | 2013-08-19 | 2015-02-26 | 国家电网公司 | 基于电力机器人的双目视觉导航系统及方法 |
| CN107677277A (zh) * | 2017-09-30 | 2018-02-09 | 哈尔滨理工大学 | 一种基于Dijkstra算法的路径确定方法 |
| CN112729307A (zh) * | 2020-12-23 | 2021-04-30 | 南京市晨枭软件技术有限公司 | 一种用于路径规划机器人的多传感信息融合系统及其控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王中立;牛颖;: "基于多传感器信息融合的机器人障碍物检测", 中国测试, no. 08 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171258A (zh) * | 2023-09-07 | 2023-12-05 | 中国铁建港航局集团有限公司 | 基于gis定位ar管网信息展示方法、系统及存储介质 |
| CN117171258B (zh) * | 2023-09-07 | 2024-04-12 | 中国铁建港航局集团有限公司 | 基于gis定位ar管网信息展示方法、系统及存储介质 |
| CN117077987A (zh) * | 2023-10-16 | 2023-11-17 | 湖南省通晓信息科技有限公司 | 一种基于元胞自动机的环卫管理方法及存储介质 |
| CN117077987B (zh) * | 2023-10-16 | 2024-01-02 | 湖南省通晓信息科技有限公司 | 一种基于元胞自动机的环卫管理方法及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703984B (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116703984B (zh) | 机器人路径规划及红外光图像融合方法、系统及存储介质 | |
| US10093021B2 (en) | Simultaneous mapping and planning by a robot | |
| Labbé et al. | Long-term online multi-session graph-based SPLAM with memory management | |
| Scherer et al. | River mapping from a flying robot: state estimation, river detection, and obstacle mapping | |
| US20220057803A1 (en) | Apparatus, method and article to facilitate motion planning in an environment having dynamic objects | |
| Akai et al. | Simultaneous pose and reliability estimation using convolutional neural network and Rao–Blackwellized particle filter | |
| Pimentel et al. | Information-driven rapidly-exploring random tree for efficient environment exploration | |
| CN110646787A (zh) | 自运动估计方法和设备以及模型训练方法和设备 | |
| Ivanovic et al. | Injecting planning-awareness into prediction and detection evaluation | |
| Malawade et al. | HydraFusion: Context-aware selective sensor fusion for robust and efficient autonomous vehicle perception | |
| Ravindran et al. | Camera, LiDAR, and radar sensor fusion based on Bayesian neural network (CLR-BNN) | |
| Nedjah et al. | Simultaneous localization and mapping using swarm intelligence based methods | |
| Kuang et al. | Ir-mcl: Implicit representation-based online global localization | |
| Löffler et al. | Evaluation criteria for inside-out indoor positioning systems based on machine learning | |
| Placed et al. | ExplORB-SLAM: Active visual SLAM exploiting the pose-graph topology | |
| Jiang et al. | Intelligent Plant Cultivation Robot Based on Key Marker Algorithm Using Visual and Laser Sensors | |
| Wang et al. | Robust exploration with multiple hypothesis data association | |
| Leung et al. | Evaluating set measurement likelihoods in random-finite-set slam | |
| CN113486871B (zh) | 基于深度图的无人车局部自主控制方法、装置和设备 | |
| Zhang et al. | Dual-Layer Path Planning with Pose SLAM for Autonomous Exploration in GPS-denied Environments | |
| Ibrahim et al. | Whole-Body MPC and Dynamic Occlusion Avoidance: A Maximum Likelihood Visibility Approach | |
| Ryu et al. | Local map-based exploration for mobile robots | |
| Gao et al. | Efficient hierarchical reinforcement learning for mapless navigation with predictive neighbouring space scoring | |
| Bastås et al. | Outdoor global pose estimation from RGB and 3D data | |
| Tungadi et al. | Loop exploration for SLAM with fusion of advanced sonar features and laser polar scan matching |
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 |