CN117311366B - 一种应用于机场草坪的割草机的路径控制方法、系统及存储介质 - Google Patents
一种应用于机场草坪的割草机的路径控制方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117311366B CN117311366B CN202311551842.1A CN202311551842A CN117311366B CN 117311366 B CN117311366 B CN 117311366B CN 202311551842 A CN202311551842 A CN 202311551842A CN 117311366 B CN117311366 B CN 117311366B
- Authority
- CN
- China
- Prior art keywords
- mower
- data information
- lawn
- path
- airport
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 37
- 230000004913 activation Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 7
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 238000009966 trimming Methods 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241001494496 Leersia Species 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Harvester Elements (AREA)
Abstract
本发明涉及一种应用于机场草坪的割草机的路径控制方法、系统及存储介质，所述方法包括：M1.在机场草坪边界东南西北分别设四个及以上的信标，并获取信标之间的距离数据信息，同时采集割草机的机位宽度数据信息、草坪的湿度数据信息和草坪地图数据信息，基于机载激光雷达实时获取草坪点云数据信息，基于机载摄像头实时获取草坪图像数据信息；M2.将所述信标之间的距离数据信息、所述机位宽度数据信息、所述草坪的湿度数据信息、所述草坪地图数据信息、所述草坪点云数据信息和所述草坪图像数据信息进行数据分类。本发明不仅机场草坪的割草工作整个过程无需人工进行参与，而且路径优化提高了割草机的工作效率，降低割草机的能量消耗。
Description
技术领域
本发明涉及割草机技术领域，尤其是涉及一种应用于机场草坪的割草机的路径控制方法、系统及存储介质。
背景技术
机场草坪不但能吸附尘土、还能美化机场的环境，但草坪也能引来飞鸟、吹散的杂草也对飞机的飞行安全造成了一定的安全影响，因此，需要机场鸟防部门定期对草坪进行喷药、修剪等养护处理。目前草坪的修剪方式先由拖拉机带动剪草机按接照一定的高度（7-8cm）进行割草，然后由人工对剪断的碎草进行收集。据了解，在草坪的生长期，每15天需进行一次割草作业，在南方的部分机场，在夏季雨季来临时，草坪的草生长更快，基本上每周需修剪一次，由于机场草坪面积较大，往往刚完成一轮的修剪工作，新的一轮修剪工作又要开始，鸟防部门需投入较多的人力、工作量也较大。如果能够定期有一种能够自动修剪草坪机械投入，将为机场带来良好效益。
发明内容
鉴于以上问题，本发明提供了一种应用于机场草坪的割草机的路径控制方法、系统及存储介质，不仅机场草坪的割草工作整个过程无需人工进行参与，而且路径优化提高了割草机的工作效率，降低割草机的能量消耗。
为了实现上述目的及其他相关目的，本发明提供的技术方案如下：
一种应用于机场草坪的割草机的路径控制方法，所述方法包括：
M1.在机场草坪边界东南西北分别设四个及以上的信标，并获取信标之间的距离数据信息，同时采集割草机的机位宽度数据信息、草坪的湿度数据信息和草坪地图数据信息，基于机载激光雷达实时获取草坪点云数据信息，基于机载摄像头实时获取草坪图像数据信息；
M2.将所述信标之间的距离数据信息、所述机位宽度数据信息、所述草坪的湿度数据信息、所述草坪地图数据信息、所述草坪点云数据信息和所述草坪图像数据信息进行数据分类，得到割草机训练数据集和割草机测试数据集，将所述割草机训练数据集输入T—S模糊神经网络模型进行训练和学习，输出训练好的T—S模糊神经网络模型；
M3.将所述割草机测试数据集输入训练好的T—S模糊神经网络模型，对割草机的位姿数据信息进行预测，输出割草机的位姿预测数据信息；
M4.基于所述割草机的位姿预测数据信息，采用A*算法对割草机的局部路径进行规划，得到割草机的局部路径规划数据信息，将所述割草机的局部路径规划数据信息输入改进的滚动在线RRT算法进行全局路径优化，输出割草机的全局路径规划数据信息。
进一步的，在步骤M2中，所述将所述割草机训练数据集输入T—S模糊神经网络模型进行训练和学习包括：
M21.基于所述割草机的训练数据集，构建对应的权重分析函数G（x），
，
其中，x为割草机的训练数据集，α、β和γ为常量参数，得到割草机的权重分析矩阵数据信息；
M22.基于所述割草机的权重分析矩阵数据信息，建立T—S模糊神经网络的中间层激活函数F，
，
其中，m为采样层数，n为割草机训练数据集的采样个数，ai j为第j层第i个割草机训练数据集的激活矩阵数据信息，G为对应的权重分析函数，xij为第j层第i个割草机训练数据集，g为ELU激活函数，得到割草机的激活矩阵数据信息；
M23.基于所述割草机的激活矩阵数据信息，建立T—S模糊神经网络的第j层的输出层的函数Qj，
，
其中，g为ELU激活函数，ai j为第j层第i个割草机训练数据集的激活矩阵数据信息，G为对应的权重分析函数，n为割草机训练数据集的采样个数，得到割草机的位姿预测数据信息。
进一步的，在步骤M22中，所述ELU激活函数为g，
，
其中，θ为ELU激活函数的常量参数，x为自变量。
进一步的，在步骤M4中，所述采用A*算法对割草机的局部路径进行规划包括：
M411.基于所述割草机的位姿预测数据信息，采用时间序列划分法进行数据划分，得到割草机的位姿时间序列数据信息；
M412.基于所述割草机的位姿时间序列数据信息，建立割草机的路径代价函数D(x)，
，
其中，q为割草机位姿时间序列中节点的个数，xk为割草机的第k个位置坐标数据信息，x为每个割草机的位姿时间序列的中间点的位置坐标数据信息；
M413.基于所述割草机的路径代价函数D(x)，并判断每个割草机的位置时间序列中路径最优值，输出割草机的局部路径规划数据信息。
进一步的，在步骤M413中，所述并判断每个割草机的位置时间序列中路径最优值为根据所述割草机的路径代价函数D(x)，得到路径代价的节点的最小值，连接节点，得到每个割草机的位置时间序列中路径最小值。
进一步的，在步骤M4中，将所述割草机的局部路径规划数据信息输入改进的滚动在线RRT算法进行全局路径优化包括：
M421.获取所述割草机的局部路径规划数据信息，进行五次多项式算法进行轨迹拟合，输出全局路径轨迹拟合数据信息；
M422.基于所述全局路径轨迹拟合数据信息，采用最小二乘算法进行局部路径优化，输出割草机的全局路径规划数据信息。
进一步的，在步骤M422中，所述采用最小二乘算法进行局部路径优化为设置预设误差值，若所述全局路径轨迹拟合数据信息与所述割草机的局部路径规划数据信息的误差值小于设置预设误差值则路径不变，若所述全局路径轨迹拟合数据信息与所述割草机的局部路径规划数据信息的误差值大于设置预设误差值则将所述全局路径轨迹拟合数据信息和所述割草机的局部路径规划数据信息均值化后，得到优化后的局部路径，将所述优化后的局部路径与所述全局路径轨迹拟合数据信息拟合。
进一步的，在步骤M4中，基于所述割草机的全局路径规划数据信息，采用bug算法对路径中的障碍物进行识别和排除，所述bug算法为基于所述草坪的点云数据信息和所述草坪的图像数据信息，进行融合并识别草坪中的障碍物数据信息，设置预设阈值，若障碍物的数据信息超过预设阈值则停止进行语音播报提醒人员进行排除，若障碍物的数据信息未超过预设阈值则继续进行割草任务。
为了实现上述目的及其他相关目的，本发明还提供了一种应用于机场草坪的割草机的路径控制系统，包括计算机设备，该计算机设备被编程或配置以执行任意一项所述的应用于机场草坪的割草机的路径控制方法的步骤。
为了实现上述目的及其他相关目的，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述的应用于机场草坪的割草机的路径控制方法的计算机程序。
本发明具有以下积极效果：
1.本发明通过采用T—S模糊神经网络模型对信标之间的距离数据信息、机位宽度数据信息、草坪的湿度数据信息、草坪地图数据信息、草坪点云数据信息和草坪图像数据信息进行处理，并得到割草机位姿预测数据信息，为割草机的整体路径规划提供了准确的数据支持，不仅得到的路径规划数据信息更加准确，而且降低了割草机行驶过程的出错率。
2.本发明先通过A*算法得到割草机的局部路径规划数据信息，结合改进的滚动在线RRT算法进行全局路径规划，分布式对数据进行处理并融合，使得割草机运行过程中更加工作效率更高，降低能量消耗，与此同时，全程无需人工进行参与，降低了人工劳动成本。
附图说明
图1为本发明方法流程示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例1：如图1所示，一种应用于机场草坪的割草机的路径控制方法，所述方法包括：
M1.在机场草坪边界东南西北分别设四个及以上的信标，并获取信标之间的距离数据信息，同时采集割草机的机位宽度数据信息、草坪的湿度数据信息和草坪地图数据信息，基于机载激光雷达实时获取草坪点云数据信息，基于机载摄像头实时获取草坪图像数据信息；
M2.将所述信标之间的距离数据信息、所述机位宽度数据信息、所述草坪的湿度数据信息、所述草坪地图数据信息、所述草坪点云数据信息和所述草坪图像数据信息进行数据分类，得到割草机训练数据集和割草机测试数据集，将所述割草机训练数据集输入T—S模糊神经网络模型进行训练和学习，输出训练好的T—S模糊神经网络模型；
M3.将所述割草机测试数据集输入训练好的T—S模糊神经网络模型，对割草机的位姿数据信息进行预测，输出割草机的位姿预测数据信息；
M4.基于所述割草机的位姿预测数据信息，采用A*算法对割草机的局部路径进行规划，得到割草机的局部路径规划数据信息，将所述割草机的局部路径规划数据信息输入改进的滚动在线RRT算法进行全局路径优化，输出割草机的全局路径规划数据信息。
在本实施例中，在步骤M2中，所述将所述割草机训练数据集输入T—S模糊神经网络模型进行训练和学习包括：
M21.基于所述割草机的训练数据集，构建对应的权重分析函数G（x），
，
其中，x为割草机的训练数据集，α、β和γ为常量参数，得到割草机的权重分析矩阵数据信息；
M22.基于所述割草机的权重分析矩阵数据信息，建立T—S模糊神经网络的中间层激活函数F，
，
其中，m为采样层数，n为割草机训练数据集的采样个数，ai j为第j层第i个割草机训练数据集的激活矩阵数据信息，G为对应的权重分析函数，xij为第j层第i个割草机训练数据集，g为ELU激活函数，得到割草机的激活矩阵数据信息；
M23.基于所述割草机的激活矩阵数据信息，建立T—S模糊神经网络的第j层的输出层的函数Qj，
，
其中，g为ELU激活函数，ai j为第j层第i个割草机训练数据集的激活矩阵数据信息，G为对应的权重分析函数，n为割草机训练数据集的采样个数，得到割草机的位姿预测数据信息。
在本实施例中，在步骤M22中，所述ELU激活函数为g，
，
其中，θ为ELU激活函数的常量参数，x为自变量。
实施例2：在实施例1的一种应用于机场草坪的割草机的路径控制方法的基础上，下面对本发明作进一步的说明和描述。
如图1所示，一种应用于机场草坪的割草机的路径控制方法，所述方法包括：
M1.在机场草坪边界东南西北分别设四个及以上的信标，并获取信标之间的距离数据信息，同时采集割草机的机位宽度数据信息、草坪的湿度数据信息和草坪地图数据信息，基于机载激光雷达实时获取草坪点云数据信息，基于机载摄像头实时获取草坪图像数据信息；
M2.将所述信标之间的距离数据信息、所述机位宽度数据信息、所述草坪的湿度数据信息、所述草坪地图数据信息、所述草坪点云数据信息和所述草坪图像数据信息进行数据分类，得到割草机训练数据集和割草机测试数据集，将所述割草机训练数据集输入T—S模糊神经网络模型进行训练和学习，输出训练好的T—S模糊神经网络模型；
M3.将所述割草机测试数据集输入训练好的T—S模糊神经网络模型，对割草机的位姿数据信息进行预测，输出割草机的位姿预测数据信息；
M4.基于所述割草机的位姿预测数据信息，采用A*算法对割草机的局部路径进行规划，得到割草机的局部路径规划数据信息，将所述割草机的局部路径规划数据信息输入改进的滚动在线RRT算法进行全局路径优化，输出割草机的全局路径规划数据信息。
在本实施例中，在步骤M4中，所述采用A*算法对割草机的局部路径进行规划包括：
M411.基于所述割草机的位姿预测数据信息，采用时间序列划分法进行数据划分，得到割草机的位姿时间序列数据信息；
M412.基于所述割草机的位姿时间序列数据信息，建立割草机的路径代价函数D(x)，
，
其中，q为割草机位姿时间序列中节点的个数，xk为割草机的第k个位置坐标数据信息，x为每个割草机的位姿时间序列的中间点的位置坐标数据信息；
M413.基于所述割草机的路径代价函数D(x)，并判断每个割草机的位置时间序列中路径最优值，输出割草机的局部路径规划数据信息。
在本实施例中，在步骤M413中，所述并判断每个割草机的位置时间序列中路径最优值为根据所述割草机的路径代价函数D(x)，得到路径代价的节点的最小值，连接节点，得到每个割草机的位置时间序列中路径最小值。
在本实施例中，在步骤M4中，将所述割草机的局部路径规划数据信息输入改进的滚动在线RRT算法进行全局路径优化包括：
M421.获取所述割草机的局部路径规划数据信息，进行五次多项式算法进行轨迹拟合，输出全局路径轨迹拟合数据信息；
M422.基于所述全局路径轨迹拟合数据信息，采用最小二乘算法进行局部路径优化，输出割草机的全局路径规划数据信息。
在本实施例中，在步骤M422中，所述采用最小二乘算法进行局部路径优化为设置预设误差值，若所述全局路径轨迹拟合数据信息与所述割草机的局部路径规划数据信息的误差值小于设置预设误差值则路径不变，若若所述全局路径轨迹拟合数据信息与所述割草机的局部路径规划数据信息的误差值大于设置预设误差值则将所述全局路径轨迹拟合数据信息和所述割草机的局部路径规划数据信息均值化后，得到优化后的局部路径，将所述优化后的局部路径与所述全局路径轨迹拟合数据信息拟合。
在本实施例中，在步骤M4中，基于所述割草机的全局路径规划数据信息，采用bug算法对路径中的障碍物进行识别和排除，所述bug算法为基于所述草坪的点云数据信息和所述草坪的图像数据信息，进行融合并识别草坪中的障碍物数据信息，设置预设阈值，若障碍物的数据信息超过预设阈值则停止进行语音播报提醒人员进行排除，若障碍物的数据信息未超过预设阈值则继续进行割草任务。
本发明提供了一种应用于机场草坪的割草机的路径控制系统，包括计算机设备，该计算机设备被编程或配置以执行任意一项所述的应用于机场草坪的割草机的路径控制方法的步骤。
本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述的应用于机场草坪的割草机的路径控制方法的计算机程序。
本申请所提供的实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
综上所述，本发明不仅机场草坪的割草工作整个过程无需人工进行参与，而且路径优化提高了割草机的工作效率，降低割草机的能量消耗。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (9)
1.一种应用于机场草坪的割草机的路径控制方法，其特征在于，所述方法包括：
M1.在机场草坪边界东南西北分别设四个及以上的信标，并获取信标之间的距离数据信息，同时采集割草机的机位宽度数据信息、草坪的湿度数据信息和草坪地图数据信息，基于机载激光雷达实时获取草坪点云数据信息，基于机载摄像头实时获取草坪图像数据信息；
M2.将所述信标之间的距离数据信息、所述机位宽度数据信息、所述草坪的湿度数据信息、所述草坪地图数据信息、所述草坪点云数据信息和所述草坪图像数据信息进行数据分类，得到割草机训练数据集和割草机测试数据集，将所述割草机训练数据集输入T—S模糊神经网络模型进行训练和学习，输出训练好的T—S模糊神经网络模型；
M3.将所述割草机测试数据集输入训练好的T—S模糊神经网络模型，对割草机的位姿数据信息进行预测，输出割草机的位姿预测数据信息；
M4.基于所述割草机的位姿预测数据信息，采用A*算法对割草机的局部路径进行规划，得到割草机的局部路径规划数据信息，将所述割草机的局部路径规划数据信息输入改进的滚动在线RRT算法进行全局路径优化，输出割草机的全局路径规划数据信息；
在步骤M2中，所述将所述割草机训练数据集输入T—S模糊神经网络模型进行训练和学习包括：
M21.基于所述割草机的训练数据集，构建对应的权重分析函数G（x），
，
其中，x为割草机的训练数据集，α、β和γ为常量参数，得到割草机的权重分析矩阵数据信息；
M22.基于所述割草机的权重分析矩阵数据信息，建立T—S模糊神经网络的中间层激活函数F，
，
其中，m为采样层数，n为割草机训练数据集的采样个数，ai j为第j层第i个割草机训练数据集的激活矩阵数据信息，G为对应的权重分析函数，xij为第j层第i个割草机训练数据集，g为ELU激活函数，得到割草机的激活矩阵数据信息；
M23.基于所述割草机的激活矩阵数据信息，建立T—S模糊神经网络的第j层的输出层的函数Qj，
，
其中，g为ELU激活函数，ai j为第j层第i个割草机训练数据集的激活矩阵数据信息，G为对应的权重分析函数，n为割草机训练数据集的采样个数，得到割草机的位姿预测数据信息。
2.根据权利要求1所述的应用于机场草坪的割草机的路径控制方法，其特征在于，在步骤M22中，所述ELU激活函数为g，
，
其中，θ为ELU激活函数的常量参数，x为自变量。
3.根据权利要求1所述的应用于机场草坪的割草机的路径控制方法，其特征在于，在步骤M4中，所述采用A*算法对割草机的局部路径进行规划包括：
M411.基于所述割草机的位姿预测数据信息，采用时间序列划分法进行数据划分，得到割草机的位姿时间序列数据信息；
M412.基于所述割草机的位姿时间序列数据信息，建立割草机的路径代价函数D(x)，
，
其中，q为割草机位姿时间序列中节点的个数，xk为割草机的第k个位置坐标数据信息，x为每个割草机的位姿时间序列的中间点的位置坐标数据信息；
M413.基于所述割草机的路径代价函数D(x)，并判断每个割草机的位置时间序列中路径最优值，输出割草机的局部路径规划数据信息。
4.根据权利要求3所述的应用于机场草坪的割草机的路径控制方法，其特征在于，在步骤M413中，所述并判断每个割草机的位置时间序列中路径最优值为根据所述割草机的路径代价函数D(x)，得到路径代价的节点的最小值，连接节点，得到每个割草机的位置时间序列中路径最小值。
5.根据权利要求1所述的应用于机场草坪的割草机的路径控制方法，其特征在于，在步骤M4中，将所述割草机的局部路径规划数据信息输入改进的滚动在线RRT算法进行全局路径优化包括：
M421.获取所述割草机的局部路径规划数据信息，进行五次多项式算法进行轨迹拟合，输出全局路径轨迹拟合数据信息；
M422.基于所述全局路径轨迹拟合数据信息，采用最小二乘算法进行局部路径优化，输出割草机的全局路径规划数据信息。
6.根据权利要求5所述的应用于机场草坪的割草机的路径控制方法，其特征在于，在步骤M422中，所述采用最小二乘算法进行局部路径优化为设置预设误差值，若所述全局路径轨迹拟合数据信息与所述割草机的局部路径规划数据信息的误差值小于设置预设误差值则路径不变，若所述全局路径轨迹拟合数据信息与所述割草机的局部路径规划数据信息的误差值大于设置预设误差值则将所述全局路径轨迹拟合数据信息和所述割草机的局部路径规划数据信息均值化后，得到优化后的局部路径，将所述优化后的局部路径与所述全局路径轨迹拟合数据信息拟合。
7.根据权利要求1所述的应用于机场草坪的割草机的路径控制方法，其特征在于，在步骤M4中，基于所述割草机的全局路径规划数据信息，采用bug算法对路径中的障碍物进行识别和排除，所述bug算法为基于所述草坪的点云数据信息和所述草坪的图像数据信息，进行融合并识别草坪中的障碍物数据信息，设置预设阈值，若障碍物的数据信息超过预设阈值则停止进行语音播报提醒人员进行排除，若障碍物的数据信息未超过预设阈值则继续进行割草任务。
8.一种应用于机场草坪的割草机的路径控制系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～7中任意一项所述的应用于机场草坪的割草机的路径控制方法的步骤。
9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～7中任意一项所述的应用于机场草坪的割草机的路径控制方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311551842.1A CN117311366B (zh) | 2023-11-21 | 2023-11-21 | 一种应用于机场草坪的割草机的路径控制方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311551842.1A CN117311366B (zh) | 2023-11-21 | 2023-11-21 | 一种应用于机场草坪的割草机的路径控制方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117311366A CN117311366A (zh) | 2023-12-29 |
| CN117311366B true CN117311366B (zh) | 2024-02-13 |
Family
ID=89281299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311551842.1A Active CN117311366B (zh) | 2023-11-21 | 2023-11-21 | 一种应用于机场草坪的割草机的路径控制方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117311366B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1191415A2 (de) * | 2000-09-18 | 2002-03-27 | EADS Deutschland Gmbh | Flugkontrollsystem |
| CN107290960A (zh) * | 2017-06-19 | 2017-10-24 | 江西洪都航空工业集团有限责任公司 | 一种大型智能割草机器人的复合智能控制系统 |
| CN107368076A (zh) * | 2017-07-31 | 2017-11-21 | 中南大学 | 一种智能环境下机器人运动路径深度学习控制规划方法 |
| CN109673242A (zh) * | 2019-03-01 | 2019-04-26 | 重庆润通智能装备有限公司 | 智能割草机割草控制方法及割草控制系统 |
| CA3065617A1 (en) * | 2019-09-27 | 2021-03-27 | Xi'an University Of Technology | Method for predicting car-following behavior under apollo platform |
| CN114610039A (zh) * | 2022-03-29 | 2022-06-10 | 苏州和仲智能科技有限公司 | 机器人的控制方法、装置、机器人和存储介质 |
| CN217183886U (zh) * | 2022-03-31 | 2022-08-16 | 山东中建八局投资建设有限公司 | 一种便于更换刀片的园林剪草机 |
| CN116052483A (zh) * | 2022-12-31 | 2023-05-02 | 南京禄口国际机场空港科技有限公司 | 基于云平台微服务化民航安全管理系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220187847A1 (en) * | 2019-11-05 | 2022-06-16 | Strong Force Vcn Portfolio 2019, Llc | Robot Fleet Management for Value Chain Networks |
-
2023
- 2023-11-21 CN CN202311551842.1A patent/CN117311366B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1191415A2 (de) * | 2000-09-18 | 2002-03-27 | EADS Deutschland Gmbh | Flugkontrollsystem |
| CN107290960A (zh) * | 2017-06-19 | 2017-10-24 | 江西洪都航空工业集团有限责任公司 | 一种大型智能割草机器人的复合智能控制系统 |
| CN107368076A (zh) * | 2017-07-31 | 2017-11-21 | 中南大学 | 一种智能环境下机器人运动路径深度学习控制规划方法 |
| CN109673242A (zh) * | 2019-03-01 | 2019-04-26 | 重庆润通智能装备有限公司 | 智能割草机割草控制方法及割草控制系统 |
| CA3065617A1 (en) * | 2019-09-27 | 2021-03-27 | Xi'an University Of Technology | Method for predicting car-following behavior under apollo platform |
| CN114610039A (zh) * | 2022-03-29 | 2022-06-10 | 苏州和仲智能科技有限公司 | 机器人的控制方法、装置、机器人和存储介质 |
| CN217183886U (zh) * | 2022-03-31 | 2022-08-16 | 山东中建八局投资建设有限公司 | 一种便于更换刀片的园林剪草机 |
| CN116052483A (zh) * | 2022-12-31 | 2023-05-02 | 南京禄口国际机场空港科技有限公司 | 基于云平台微服务化民航安全管理系统 |
Non-Patent Citations (4)
| Title |
|---|
| Area-Covering Operation of a Cleaning Robot in a Dynamic Environment with Unforeseen Obstacles;Simon X. Yang 等;《Prweedings 2003 IEEE International Symposium on Computational Intelligencein Robotics and Automation》;1034-1039 * |
| 基于虚拟雷达和两级神经网络的割草机路径跟踪算法;赵永春 等;《农业机械学报》;第54卷(第4期);222-232、267 * |
| 智能割草机器人避障及路径规划研究;王子萌;《中国优秀硕士学位论文全文数据库信息科技辑》(第7期);I140-250 * |
| 机器人室内未知环境探测与规划研究;黄磊;《中国优秀硕士学位论文全文数据库信息科技辑》(第3期);I140-293 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117311366A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3412130B1 (de) | Verfahren zum betreiben eines autonomen mobilen rasenmähroboters und rasenmähsystem | |
| EP3785517A1 (de) | System zur überwachung und steuerung von aktivitäten zumindest eines gartengeräts innerhalb zumindest eines aktivitätsgebiets | |
| US8818567B2 (en) | High integrity perception for machine localization and safeguarding | |
| US11833313B2 (en) | Systems and methods for monitoring and regulating plant productivity | |
| US20120029761A1 (en) | Multi-vehicle high integrity perception | |
| CN113597874B (zh) | 一种除草机器人及其除草路径的规划方法、装置和介质 | |
| CN110956132B (zh) | 一种基于无人机协同智能构建草害防治模型的方法 | |
| CN117311366B (zh) | 一种应用于机场草坪的割草机的路径控制方法、系统及存储介质 | |
| WO2018095451A1 (de) | Verfahren und vorrichtung zur pflege von bodenflächen und unkrautvernichtungsvorrichtung | |
| KR20200044604A (ko) | 스마트팜 재배이력을 이용한 스마트팜 재배시스템 | |
| CN115423173A (zh) | 智慧城市绿化管理方法和系统及存储介质、装置 | |
| CN115205695A (zh) | 一种根据种植数据确定种植策略的方法和系统 | |
| CN117406776A (zh) | 一种无人机飞行轨迹规划方法及相关装置 | |
| Ontiri et al. | Integration of Mechatronic and Automation Technology in Sustainable Farming for Achieving Food Security in Kenya | |
| Walczuch et al. | Overview of closed-loop control systems and artificial intelligence utilization in greenhouse farming | |
| CN117356546B (zh) | 一种机场草坪用的喷雾车的控制方法、系统及存储介质 | |
| CN113361377A (zh) | 一种植物生长管控模型构建方法、电子设备、存储介质 | |
| DE102020123019A1 (de) | Computergestütztes landwirtschaftliches Verwaltungssystem | |
| CN117546691B (zh) | 一种基于图像识别的园林树木智能修剪系统及方法 | |
| Joe William | Adoption of drone technology for effective farm management and adequate food availability: The prospects and challenges | |
| US20230368312A1 (en) | Method for automated weed control of agricultural land and associated stand-alone system | |
| WO2023170673A1 (en) | System and method for controlling plant reproductive structures thinning | |
| Litavniece et al. | Risk Analysis for Apple Orchard Survey and Monitoring Using UAV | |
| Bedi et al. | Design of Intelligent Polyhouse with IOT | |
| Wood et al. | Predicting cumulative wind turbine and power line collision mortality for pink-footed geese using an individual-based model |
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 |