CN118012078A - 基于物联网的无人驾驶车辆行驶路径规划方法 - Google Patents
基于物联网的无人驾驶车辆行驶路径规划方法 Download PDFInfo
- Publication number
- CN118012078A CN118012078A CN202410410982.5A CN202410410982A CN118012078A CN 118012078 A CN118012078 A CN 118012078A CN 202410410982 A CN202410410982 A CN 202410410982A CN 118012078 A CN118012078 A CN 118012078A
- Authority
- CN
- China
- Prior art keywords
- inspection robot
- target inspection
- path
- obstacle
- time period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007689 inspection Methods 0.000 claims description 187
- 238000012544 monitoring process Methods 0.000 claims description 59
- 238000001514 detection method Methods 0.000 claims description 27
- 230000003068 static effect Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 19
- 230000004888 barrier function Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012797 qualification Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 239000000049 pigment Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000011960 computer-aided design Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于机器人路径规划技术领域，涉及到基于物联网的无人驾驶车辆行驶路径规划方法，本发明通过获取目标巡检机器人监测时间段内的各参照行进路径，依据速度合格指数、折返程度指数和曲折程度指数，综合分析各参照行进路径的行进评价系数，以此筛选目标巡检机器人监测时间段内的任务行进路径，接着依据红外信号反射源的一、二阶障碍特征匹配指数判断目标巡检机器人当前位置前方设定区域范围是否存在障碍物，并进一步确定障碍物的碰撞可能和类型，对动态碰撞障碍物采用停车处理，对静态碰撞障碍物采用局部路径变更处理，更有效地保障目标巡检机器人的安全稳定运行，提高巡检任务完成的效率和可靠性。
Description
技术领域
本发明属于机器人路径规划技术领域，涉及到基于物联网的无人驾驶车辆行驶路径规划方法。
背景技术
随着物联网技术的飞速发展，其与自动驾驶技术的结合为智能交通管理带来革命性变革。物联网通过将各种传感器、设备和机器连接至网络，实现实时数据收集、交换与分析，为无人驾驶车辆的路径规划提供新可能性，在室内环境中，巡检机器人作为一种特殊的无人驾驶车辆，负责定期或不定期巡检建筑物内部，确保设施安全运行和监测环境状况。然而，由于室内环境的复杂性，如障碍物的多样性、人流的动态变化以及巡检需求的差异，其路径规划更具挑战性。
现有针对室内巡检机器人行驶路径规划方法中还存在以下几个方面的问题：1、现有方法多采用先进算法搜索最短路径以此作为室内巡检机器人的任务行进路径，以路径距离最短作为路径规划的决定性因素，忽略路径行进综合层面考量，比如速度适宜性、拐弯程度和折返程度，尽管路径距离最短可极大提升机器人的巡检效率，但是可能会导致机器人的能源消耗过度、使用寿命缩短，不利于室内巡检机器人的行驶稳定性和安全性。
2、现有方法针对室内巡检机器人前方是否存在碰撞障碍物的分析缺乏可靠性和精准性，通常依据红外探测仪是否具有障碍特征匹配的红外信号反射源的判定结果来决定前方是否存在碰撞障碍物，然红外探测仪的探测易受到环境因素影响，导致探测结果可能具有一定的误差，红外信号反射源的障碍特征进行二次验证的机制缺失，使得室内巡检机器人在执行任务时出现误判或漏判障碍物的情况，从而增加潜在的碰撞风险或者影响任务的顺利进行。
3、现有方法针对室内巡检机器人前方碰撞障碍物的避障处理多采用统一化操作，如统一变更路径或者统一停车操作，缺乏针对室内巡检机器人障碍物类型识别能力和动态避障能力，使得当室内巡检机器人遇到动态障碍物时，由于动态障碍物的位置和移动轨迹的不确定性，导致统一变更路径的避障操作仍存在潜在碰撞风险，当室内巡检机器人遇到静态障碍物时，采用停车操作可能会导致巡检任务进展被耽误。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出基于物联网的无人驾驶车辆行驶路径规划方法。
本发明的目的可以通过以下技术方案实现：本发明提供基于物联网的无人驾驶车辆行驶路径规划方法，包括：S1.巡检任务地点输入：按照任务优先级顺序依次向目标巡检机器人输入监测时间段内各巡检任务地点的三维坐标。
S2.参照行进路径查找：提取WEB云端存储的室内道路布局三维模型并导入CAD软件内，根据各巡检任务地点的三维坐标在室内道路布局三维模型对应位置进行对应数字编号标注，查找目标巡检机器人监测时间段内的各参照行进路径。
S3.任务行进路径筛选：分析目标巡检机器人监测时间段内的各参照行进路径的行进评价系数，筛选其中最大值对应的参照行进路径作为目标巡检机器人监测时间段内的任务行进路径。
S4.碰撞障碍物识别：当目标巡检机器人行驶在任务行进路径上时，判断目标巡检机器人当前位置前方设定范围是否存在碰撞障碍物并识别其类型。
S5.避障处理：根据碰撞障碍物类型识别结果，对目标巡检机器人进行相应避障处理。
优选地，所述获取目标巡检机器人监测时间段内的各参照行进路径，包括：S21.基于WEB云端存储的室内各建筑物固定占地布设位置坐标序列，在室内道路布局三维模型划分各建筑物的布设模型区域并使用黑色颜料渲染，利用CAD软件的工程视图工具将室内道路布局三维模型转化为二维俯视平面，得到室内道路布局平面图。
S22.获取WEB云端存储的目标巡检机器人的占地形态边界框，构建目标巡检机器人占地平面的最小外接矩形，以此为单位网格，将室内道路布局平面图转换为离散状态生成室内道路布局网格，依据网格颜色筛出各建筑占地网格，将剩余各网格的中心点作为室内道路各潜在路径点。
S23.将目标巡检机器人当前位置作为起始点，通过连通域搜索室内道路潜在路径点直至到达数字编号1对应巡检任务地点，并将能够抵达数字编号1对应巡检任务点的各连通搜索路径作为起始点与数字编号1对应巡检任务地点间的各潜在路径，同理获取各相邻数字编号对应巡检任务地点间的各潜在路径，将其进行排列整合得到目标巡检机器人监测时间段内的各参照行进路径。
优选地，所述分析目标巡检机器人监测时间段内的各参照行进路径的行进评价系数，包括：S31.在CAD软件内以折线形式展现目标巡检机器人监测时间段内的各参照行进路径，并利用测量工具获取目标巡检机器人监测时间段内的各参照行进路径的折线长度，并以设定比例关系转化为实际路径长度，其中/>为各参照行进路径的编号，/>，获取监测时间段的时长/>和巡检任务地点数量/>，从WEB云端提取巡检机器人的单位巡检地点基准巡检时长/>以及室内规范安全行进速度阈值/>，计算目标巡检机器人监测时间段内的各参照行进路径的速度合格指数/>，/>。
S32.查找参照行进路径内重复出现的潜在路径点并记为折返路径点，将折返路径点重复出现时与其前一个潜在路径点间的连接线段长度作为折返长度，并以设定比例关系转化为实际折返距离，进而得到目标巡检机器人监测时间段内的各参照行进路径的实际折返累计距离，计算目标巡检机器人监测时间段内的各参照行进路径的折返程度指数/>，。
S33.获取目标巡检机器人监测时间段内的各参照行进路径的拐弯次数，计算目标巡检机器人监测时间段内的各参照行进路径的曲折程度指数/>，/>。
S34.由公式得到目标巡检机器人监测时间段内的各参照行进路径的行进评价系数。
优选地，所述获取目标巡检机器人监测时间段内的各参照行进路径的拐弯次数，包括：将参照行进路径内各相邻潜在路径点间的折线段记为各参照折线段，依据各参照折线段的起始端点的基准水平线获取各参照折线段的偏移角度，将各参照折线段的偏移角度与其下一个参照折线段的偏移角度作差，并将作差结果绝对值化，从而得到各参照折线段的相对偏移角度，将其分别与预设偏移角度阈值进行比对，若某参照折线段的相对偏移角度大于或等于预设偏移角度阈值，则表示该参照折线段为拐弯折线段，进而筛选出参照行进路径内各拐弯折线段，统计拐弯折线段数量并将其作为拐弯次数，从而得到目标巡检机器人监测时间段内的各参照行进路径的拐弯次数。
优选地，所述判断目标巡检机器人当前位置前方设定区域范围是否存在碰撞障碍物并识别其类型，包括：S41.通过目标巡检机器人安装的探测仪器接收目标巡检机器人当前位置前方设定区域范围内的初始探测信息，包括红外信号反射源的信号强度、温度值、形态轮廓、占比长度和宽度、相对距离和相对角度，计算红外信号反射源的一阶障碍特征匹配指数/>，/>，/>分别为WEB云端存储的障碍物红外探测下的合理信号强度阈值、合理温度阈值。
S42.利用目标巡检机器人安装的视觉摄像装置拍摄目标巡检机器人当前位置前方设定区域范围的图像，记为参照图像，对参照图像进行预处理和二值化处理，基于红外信号反射源的形态轮廓、占比长度和宽度、相对距离和相对角度，在参照图像内确定红外信号反射源的图像位置并勾勒提取出红外信号反射源对应物体的图像轮廓，获取红外信号反射源对应物体的图像轮廓的平均像素灰度值以及参照图像的背景像素灰度值/>，分析红外信号反射源的二阶障碍特征匹配指数/>。
S43.从WEB云端分别提取障碍物对应一、二阶障碍特征匹配指数的合理阈值，记为，若满足/>条件，则表示红外信号反射源为真实障碍反射源，并执行S44，反之表示目标巡检机器人当前位置前方设定区域范围不存在碰撞障碍物。
S44.利用探测仪器在设定时长内以固定时间间隔对真实障碍反射源进行连续探测，获取真实障碍反射源各次连续探测时与目标巡检机器人的相对距离和相对角度，以此确定真实障碍反射源各次连续探测时与目标巡检机器人的相对位置，并依据目标巡检机器人的GPS定位单元获取目标巡检机器人各次连续探测时的行进位置，由此在CAD软件内利用仿真工具构建真实障碍反射源设定时长内的参照运行轨迹，并获取其长度。
S45.若真实障碍反射源设定时长内的参照运行轨迹长度为0且位于目标巡检机器人的任务行进路径上，则表示真实障碍反射源对应物体为静态碰撞障碍物，若真实障碍反射源设定时长内的参照运行轨迹长度大于0且沿其行进方向进行线性延伸后与目标巡检机器人的任务行进路径存在交点，则表示真实障碍反射源对应物体为动态碰撞障碍物。
优选地，所述红外信号反射源的二阶障碍特征匹配指数的计算公式为：，其中/>为预设的像素灰度偏差合理阈值。
优选地，所述对目标巡检机器人进行相应避障处理，包括：若目标巡检机器人当前位置前方设定区域范围内存在静态碰撞障碍物，确定静态碰撞障碍物的横向占比网格数量和纵向占比网格数量/>，将静态碰撞障碍物所在目标巡检机器人监测时间段内的任务行进路径的位置的前一个室内道路潜在路径点作为路径变更起点、后/>个室内道路潜在路径点作为路径变更终点，设定连通域搜索横向跨度室内道路潜在路径点数量为/>，展开路径变更起点与路径变更终点的最短路径搜索，依据搜索结果进行局部路径变更，以此对目标巡检机器人当前位置前方设定区域范围内的静态碰撞障碍物进行避障。
优选地，所述对目标巡检机器人进行相应避障处理，还包括：若目标巡检机器人当前位置前方设定区域范围内存在动态碰撞障碍物，立即向目标巡检机器人发送停车指令，并利用探测仪器实时追踪动态碰撞障碍物，直至其离开目标巡检机器人的前方设定区域范围后重新发送行进指令，以此对目标巡检机器人当前位置前方设定区域范围内的动态碰撞障碍物进行避障。
相较于现有技术，本发明的有益效果如下：（1）本发明通过创建室内道路布局网格精准确定室内各潜在路径点，并通过连通域搜索获取目标巡检机器人监测时间段内的各参照行进路径，从而完整地掌握目标巡检机器人覆盖所有任务巡检地点的路径信息，为后续的任务巡检路径筛选提供数据基础，保障了路径规划的可靠性和准确性。
（2）本发明依据速度合格指数、折返程度指数和曲折程度指数，综合分析各参照行进路径的行进评价系数，以此筛选目标巡检机器人监测时间段内的任务行进路径，有效规避仅以路程距离最短为决定因素的缺陷，在保障目标巡检机器人巡检效率的同时，也有效降低目标巡检机器人的能源消耗，延长其使用寿命，有利于室内巡检机器人的行驶稳定性和安全性。
（3）本发明通过红外信号反射源的一阶障碍特征匹配指数进行初步障碍验证，通过红外信号反射源的二阶障碍特征匹配指数进行二次障碍验证，结合两者实现对目标巡检机器人当前位置前方设定区域范围是否存在障碍物判定的可靠性和精准性，确保室内巡检机器人在执行任务时不会出现误判或漏判障碍物的情况，从而降低潜在的碰撞风险、保障任务的顺利进行。
（4）本发明通过识别目标巡检机器人当前位置前方设定区域范围内碰撞障碍物的类型，对动态碰撞障碍物采用停车避障处理，对静态碰撞障碍物采用局部路径变更处理，更有效地保障目标巡检机器人的安全稳定运行，提高巡检任务完成的效率和可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明的方法实施步骤流程图。
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。
请参阅图1所示，本发明提供了基于物联网的无人驾驶车辆行驶路径规划方法，包括：S1.巡检任务地点输入：按照任务优先级顺序依次向目标巡检机器人输入监测时间段内各巡检任务地点的三维坐标。
S2.参照行进路径查找：提取WEB云端存储的室内道路布局三维模型并导入CAD软件内，根据各巡检任务地点的三维坐标在室内道路布局三维模型对应位置进行对应数字编号标注，查找目标巡检机器人监测时间段内的各参照行进路径。
具体地，所述获取目标巡检机器人监测时间段内的各参照行进路径，包括：S21.基于WEB云端存储的室内各建筑物固定占地布设位置坐标序列，在室内道路布局三维模型划分各建筑物的布设模型区域并使用黑色颜料渲染，利用CAD软件的工程视图工具将室内道路布局三维模型转化为二维俯视平面，得到室内道路布局平面图。
S22.获取WEB云端存储的目标巡检机器人的占地形态边界框，构建目标巡检机器人占地平面的最小外接矩形，以此为单位网格，将室内道路布局平面图转换为离散状态生成室内道路布局网格，依据网格颜色筛出各建筑占地网格，将剩余各网格的中心点作为室内道路各潜在路径点。
S23.将目标巡检机器人当前位置作为起始点，通过连通域搜索室内道路潜在路径点直至到达数字编号1对应巡检任务地点，并将能够抵达数字编号1对应巡检任务点的各连通搜索路径作为起始点与数字编号1对应巡检任务地点间的各潜在路径，同理获取各相邻数字编号对应巡检任务地点间的各潜在路径，将其进行排列整合得到目标巡检机器人监测时间段内的各参照行进路径。
本发明实施例通过创建室内道路布局网格精准确定室内各潜在路径点，并通过连通域搜索获取目标巡检机器人监测时间段内的各参照行进路径，从而完整地掌握目标巡检机器人覆盖所有任务巡检地点的路径信息，为后续的任务巡检路径筛选提供数据基础，保障了路径规划的可靠性和准确性。
S3.任务行进路径筛选：分析目标巡检机器人监测时间段内的各参照行进路径的行进评价系数，筛选其中最大值对应的参照行进路径作为目标巡检机器人监测时间段内的任务行进路径。
具体地，所述分析目标巡检机器人监测时间段内的各参照行进路径的行进评价系数，包括：S31.在CAD软件内以折线形式展现目标巡检机器人监测时间段内的各参照行进路径，并利用测量工具获取目标巡检机器人监测时间段内的各参照行进路径的折线长度，并以设定比例关系转化为实际路径长度，其中/>为各参照行进路径的编号，/>，获取监测时间段的时长/>和巡检任务地点数量/>，从WEB云端提取巡检机器人的单位巡检地点基准巡检时长/>以及室内规范安全行进速度阈值/>，计算目标巡检机器人监测时间段内的各参照行进路径的速度合格指数/>，/>。
S32.查找参照行进路径内重复出现的潜在路径点并记为折返路径点，将折返路径点重复出现时与其前一个潜在路径点间的连接线段长度作为折返长度，并以设定比例关系转化为实际折返距离，进而得到目标巡检机器人监测时间段内的各参照行进路径的实际折返累计距离，计算目标巡检机器人监测时间段内的各参照行进路径的折返程度指数/>，。
S33.获取目标巡检机器人监测时间段内的各参照行进路径的拐弯次数，计算目标巡检机器人监测时间段内的各参照行进路径的曲折程度指数/>，/>。
S34.由公式得到目标巡检机器人监测时间段内的各参照行进路径的行进评价系数。
具体地，所述获取目标巡检机器人监测时间段内的各参照行进路径的拐弯次数，包括：将参照行进路径内各相邻潜在路径点间的折线段记为各参照折线段，依据各参照折线段的起始端点的基准水平线获取各参照折线段的偏移角度，将各参照折线段的偏移角度与其下一个参照折线段的偏移角度作差，并将作差结果绝对值化，从而得到各参照折线段的相对偏移角度，将其分别与预设偏移角度阈值进行比对，若某参照折线段的相对偏移角度大于或等于预设偏移角度阈值，则表示该参照折线段为拐弯折线段，进而筛选出参照行进路径内各拐弯折线段，统计拐弯折线段数量并将其作为拐弯次数，从而得到目标巡检机器人监测时间段内的各参照行进路径的拐弯次数。
本发明实施例依据速度合格指数、折返程度指数和曲折程度指数，综合分析各参照行进路径的行进评价系数，以此筛选目标巡检机器人监测时间段内的任务行进路径，有效规避仅以路程距离最短为决定因素的缺陷，在保障目标巡检机器人巡检效率的同时，也有效降低目标巡检机器人的能源消耗，延长其使用寿命，有利于室内巡检机器人的行驶稳定性和安全性。
S4.碰撞障碍物识别：当目标巡检机器人行驶在任务行进路径上时，判断目标巡检机器人当前位置前方设定范围是否存在碰撞障碍物并识别其类型。
具体地，所述判断目标巡检机器人当前位置前方设定区域范围是否存在碰撞障碍物并识别其类型，包括：S41.通过目标巡检机器人安装的探测仪器接收目标巡检机器人当前位置前方设定区域范围内的初始探测信息，包括红外信号反射源的信号强度、温度值、形态轮廓、占比长度和宽度、相对距离和相对角度，计算红外信号反射源的一阶障碍特征匹配指数/>，/>，/>分别为WEB云端存储的障碍物红外探测下的合理信号强度阈值、合理温度阈值。
需要说明的是，上述探测仪器为多传感器组，具体含有激光雷达、红外探测仪、红外温度传感器和视觉传感器，红外探测仪用于获取红外信号反射源的信号强度，红外温度传感器用于获取红外信号反射源的温度值，视觉传感器用于捕获红外信号反射源对应物体的形态轮廓、占比长度与宽度，通常情况下视觉传感器为多角度摄像装置或者可角度调节视觉摄像头，激光雷达用于获取红外信号反射源的相对距离和相对角度。
还需要说明的是，上述目标巡检机器人当前位置前方设定区域范围是通过综合其安装的探测仪器和视觉摄像装置的使用范围来确定的具体为各种设备使用范围的最小值。
S42.利用目标巡检机器人安装的视觉摄像装置拍摄目标巡检机器人当前位置前方设定区域范围的图像，记为参照图像，对参照图像进行预处理和二值化处理，基于红外信号反射源的形态轮廓、占比长度和宽度、相对距离和相对角度，在参照图像内确定红外信号反射源的图像位置并勾勒提取出红外信号反射源对应物体的图像轮廓，获取红外信号反射源对应物体的图像轮廓的平均像素灰度值以及参照图像的背景像素灰度值/>，分析红外信号反射源的二阶障碍特征匹配指数/>。
需要说明的是，上述红外信号反射源对应物体的图像轮廓的平均像素灰度值以及参照图像的背景像素灰度值的获取方法为：通过红外信号反射源对应物体的图像轮廓内各像素的灰度值进行均值计算，得到平均像素灰度值，通过对参照图像提取红外信号反射源对应物体的图像轮廓后的剩余图像内各像素的灰度值进行均值计算得到参照图像的背景像素灰度值。
S43.从WEB云端分别提取障碍物对应一、二阶障碍特征匹配指数的合理阈值，记为，若满足/>条件，则表示红外信号反射源为真实障碍反射源，并执行S44，反之表示目标巡检机器人当前位置前方设定区域范围不存在碰撞障碍物。
S44.利用探测仪器在设定时长内以固定时间间隔对真实障碍反射源进行连续探测，获取真实障碍反射源各次连续探测时与目标巡检机器人的相对距离和相对角度，以此确定真实障碍反射源各次连续探测时与目标巡检机器人的相对位置，并依据目标巡检机器人的GPS定位单元获取目标巡检机器人各次连续探测时的行进位置，由此在CAD软件内利用仿真工具构建真实障碍反射源设定时长内的参照运行轨迹，并获取其长度。
S45.若真实障碍反射源设定时长内的参照运行轨迹长度为0且位于目标巡检机器人的任务行进路径上，则表示真实障碍反射源对应物体为静态碰撞障碍物，若真实障碍反射源设定时长内的参照运行轨迹长度大于0且沿其行进方向进行线性延伸后与目标巡检机器人的任务行进路径存在交点，则表示真实障碍反射源对应物体为动态碰撞障碍物。
具体地，所述红外信号反射源的二阶障碍特征匹配指数的计算公式为：，其中/>为预设的像素灰度偏差合理阈值。
本发明实施例通过红外信号反射源的一阶障碍特征匹配指数进行初步障碍验证，通过红外信号反射源的二阶障碍特征匹配指数进行二次障碍验证，结合两者实现对目标巡检机器人当前位置前方设定区域范围是否存在障碍物判定的可靠性和精准性，确保室内巡检机器人在执行任务时不会出现误判或漏判障碍物的情况，从而降低潜在的碰撞风险、保障任务的顺利进行。
S5.避障处理：根据碰撞障碍物类型识别结果，对目标巡检机器人进行相应避障处理。
具体地，所述对目标巡检机器人进行相应避障处理，包括：若目标巡检机器人当前位置前方设定区域范围内存在静态碰撞障碍物，确定静态碰撞障碍物的横向占比网格数量和纵向占比网格数量/>，将静态碰撞障碍物所在目标巡检机器人监测时间段内的任务行进路径的位置的前一个室内道路潜在路径点作为路径变更起点、后/>个室内道路潜在路径点作为路径变更终点，设定连通域搜索横向跨度室内道路潜在路径点数量为/>，展开路径变更起点与路径变更终点的最短路径搜索，依据搜索结果进行局部路径变更，以此对目标巡检机器人当前位置前方设定区域范围内的静态碰撞障碍物进行避障。
需要说明的是，上述静态碰撞障碍物的横向占比网格数量和纵向占比网格数量的具体确定过程为：依据红外信号反射源的占比长度和宽度/>以及目标巡检机器人占地平面的最小外接矩形对应长度/>和宽度/>，由公式/>得到静态碰撞障碍物的横向占比网格数量，由公式/>得到静态碰撞障碍物的横向占比网格数量。
具体地，所述对目标巡检机器人进行相应避障处理，还包括：若目标巡检机器人当前位置前方设定区域范围内存在动态碰撞障碍物，立即向目标巡检机器人发送停车指令，并利用探测仪器实时追踪动态碰撞障碍物，直至其离开目标巡检机器人的前方设定区域范围后重新发送行进指令，以此对目标巡检机器人当前位置前方设定区域范围内的动态碰撞障碍物进行避障。
本发明实施例通过识别目标巡检机器人当前位置前方设定区域范围内碰撞障碍物的类型，对动态碰撞障碍物采用停车避障处理，对静态碰撞障碍物采用局部路径变更处理，更有效地保障目标巡检机器人的安全稳定运行，提高巡检任务完成的效率和可靠性。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。
Claims (8)
1.基于物联网的无人驾驶车辆行驶路径规划方法，其特征在于，该方法包括：
S1.巡检任务地点输入：按照任务优先级顺序依次向目标巡检机器人输入监测时间段内各巡检任务地点的三维坐标；
S2.参照行进路径查找：提取WEB云端存储的室内道路布局三维模型并导入CAD软件内，根据各巡检任务地点的三维坐标在室内道路布局三维模型对应位置进行对应数字编号标注，查找目标巡检机器人监测时间段内的各参照行进路径；
S3.任务行进路径筛选：分析目标巡检机器人监测时间段内的各参照行进路径的行进评价系数，筛选其中最大值对应的参照行进路径作为目标巡检机器人监测时间段内的任务行进路径；
S4.碰撞障碍物识别：当目标巡检机器人行驶在任务行进路径上时，判断目标巡检机器人当前位置前方设定范围是否存在碰撞障碍物并识别其类型；
S5.避障处理：根据碰撞障碍物类型识别结果，对目标巡检机器人进行相应避障处理。
2.根据权利要求1所述的基于物联网的无人驾驶车辆行驶路径规划方法，其特征在于：所述获取目标巡检机器人监测时间段内的各参照行进路径，包括：S21.基于WEB云端存储的室内各建筑物固定占地布设位置坐标序列，在室内道路布局三维模型划分各建筑物的布设模型区域并使用黑色颜料渲染，利用CAD软件的工程视图工具将室内道路布局三维模型转化为二维俯视平面，得到室内道路布局平面图；
S22.获取WEB云端存储的目标巡检机器人的占地形态边界框，构建目标巡检机器人占地平面的最小外接矩形，以此为单位网格，将室内道路布局平面图转换为离散状态生成室内道路布局网格，依据网格颜色筛出各建筑占地网格，将剩余各网格的中心点作为室内道路各潜在路径点；
S23.将目标巡检机器人当前位置作为起始点，通过连通域搜索室内道路潜在路径点直至到达数字编号1对应巡检任务地点，并将能够抵达数字编号1对应巡检任务点的各连通搜索路径作为起始点与数字编号1对应巡检任务地点间的各潜在路径，同理获取各相邻数字编号对应巡检任务地点间的各潜在路径，将其进行排列整合得到目标巡检机器人监测时间段内的各参照行进路径。
3.根据权利要求2所述的基于物联网的无人驾驶车辆行驶路径规划方法，其特征在于：所述分析目标巡检机器人监测时间段内的各参照行进路径的行进评价系数，包括：S31.在CAD软件内以折线形式展现目标巡检机器人监测时间段内的各参照行进路径，并利用测量工具获取目标巡检机器人监测时间段内的各参照行进路径的折线长度，并以设定比例关系转化为实际路径长度，其中/>为各参照行进路径的编号，/>，获取监测时间段的时长/>和巡检任务地点数量/>，从WEB云端提取巡检机器人的单位巡检地点基准巡检时长/>以及室内规范安全行进速度阈值/>，计算目标巡检机器人监测时间段内的各参照行进路径的速度合格指数/>，/>；
S32.查找参照行进路径内重复出现的潜在路径点并记为折返路径点，将折返路径点重复出现时与其前一个潜在路径点间的连接线段长度作为折返长度，并以设定比例关系转化为实际折返距离，进而得到目标巡检机器人监测时间段内的各参照行进路径的实际折返累计距离，计算目标巡检机器人监测时间段内的各参照行进路径的折返程度指数/>，；
S33.获取目标巡检机器人监测时间段内的各参照行进路径的拐弯次数，计算目标巡检机器人监测时间段内的各参照行进路径的曲折程度指数/>，/>；
S34.由公式得到目标巡检机器人监测时间段内的各参照行进路径的行进评价系数。
4.根据权利要求3所述的基于物联网的无人驾驶车辆行驶路径规划方法，其特征在于：所述获取目标巡检机器人监测时间段内的各参照行进路径的拐弯次数，包括：将参照行进路径内各相邻潜在路径点间的折线段记为各参照折线段，依据各参照折线段的起始端点的基准水平线获取各参照折线段的偏移角度，将各参照折线段的偏移角度与其下一个参照折线段的偏移角度作差，并将作差结果绝对值化，从而得到各参照折线段的相对偏移角度，将其分别与预设偏移角度阈值进行比对，若某参照折线段的相对偏移角度大于或等于预设偏移角度阈值，则表示该参照折线段为拐弯折线段，进而筛选出参照行进路径内各拐弯折线段，统计拐弯折线段数量并将其作为拐弯次数，从而得到目标巡检机器人监测时间段内的各参照行进路径的拐弯次数。
5.根据权利要求3所述的基于物联网的无人驾驶车辆行驶路径规划方法，其特征在于：所述判断目标巡检机器人当前位置前方设定区域范围是否存在碰撞障碍物并识别其类型，包括：S41.通过目标巡检机器人安装的探测仪器接收目标巡检机器人当前位置前方设定区域范围内的初始探测信息，包括红外信号反射源的信号强度、温度值/>、形态轮廓、占比长度和宽度、相对距离和相对角度，计算红外信号反射源的一阶障碍特征匹配指数/>，，/>分别为WEB云端存储的障碍物红外探测下的合理信号强度阈值、合理温度阈值；
S42.利用目标巡检机器人安装的视觉摄像装置拍摄目标巡检机器人当前位置前方设定区域范围的图像，记为参照图像，对参照图像进行预处理和二值化处理，基于红外信号反射源的形态轮廓、占比长度和宽度、相对距离和相对角度，在参照图像内确定红外信号反射源的图像位置并勾勒提取出红外信号反射源对应物体的图像轮廓，获取红外信号反射源对应物体的图像轮廓的平均像素灰度值以及参照图像的背景像素灰度值/>，分析红外信号反射源的二阶障碍特征匹配指数/>；
S43.从WEB云端分别提取障碍物对应一、二阶障碍特征匹配指数的合理阈值，记为，若满足/>条件，则表示红外信号反射源为真实障碍反射源，并执行S44，反之表示目标巡检机器人当前位置前方设定区域范围不存在碰撞障碍物；
S44.利用探测仪器在设定时长内以固定时间间隔对真实障碍反射源进行连续探测，获取真实障碍反射源各次连续探测时与目标巡检机器人的相对距离和相对角度，以此确定真实障碍反射源各次连续探测时与目标巡检机器人的相对位置，并依据目标巡检机器人的GPS定位单元获取目标巡检机器人各次连续探测时的行进位置，由此在CAD软件内利用仿真工具构建真实障碍反射源设定时长内的参照运行轨迹，并获取其长度；
S45.若真实障碍反射源设定时长内的参照运行轨迹长度为0且位于目标巡检机器人的任务行进路径上，则表示真实障碍反射源对应物体为静态碰撞障碍物，若真实障碍反射源设定时长内的参照运行轨迹长度大于0且沿其行进方向进行线性延伸后与目标巡检机器人的任务行进路径存在交点，则表示真实障碍反射源对应物体为动态碰撞障碍物。
6.根据权利要求5所述的基于物联网的无人驾驶车辆行驶路径规划方法，其特征在于：所述红外信号反射源的二阶障碍特征匹配指数的计算公式为：，其中/>为预设的像素灰度偏差合理阈值。
7.根据权利要求5所述的基于物联网的无人驾驶车辆行驶路径规划方法，其特征在于：所述对目标巡检机器人进行相应避障处理，包括：若目标巡检机器人当前位置前方设定区域范围内存在静态碰撞障碍物，确定静态碰撞障碍物的横向占比网格数量和纵向占比网格数量/>，将静态碰撞障碍物所在目标巡检机器人监测时间段内的任务行进路径的位置的前一个室内道路潜在路径点作为路径变更起点、后/>个室内道路潜在路径点作为路径变更终点，设定连通域搜索横向跨度室内道路潜在路径点数量为/>，展开路径变更起点与路径变更终点的最短路径搜索，依据搜索结果进行局部路径变更，以此对目标巡检机器人当前位置前方设定区域范围内的静态碰撞障碍物进行避障。
8.根据权利要求5所述的基于物联网的无人驾驶车辆行驶路径规划方法，其特征在于：所述对目标巡检机器人进行相应避障处理，还包括：若目标巡检机器人当前位置前方设定区域范围内存在动态碰撞障碍物，立即向目标巡检机器人发送停车指令，并利用探测仪器实时追踪动态碰撞障碍物，直至其离开目标巡检机器人的前方设定区域范围后重新发送行进指令，以此对目标巡检机器人当前位置前方设定区域范围内的动态碰撞障碍物进行避障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410410982.5A CN118012078A (zh) | 2024-04-08 | 2024-04-08 | 基于物联网的无人驾驶车辆行驶路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410410982.5A CN118012078A (zh) | 2024-04-08 | 2024-04-08 | 基于物联网的无人驾驶车辆行驶路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118012078A true CN118012078A (zh) | 2024-05-10 |
Family
ID=90954242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410410982.5A Pending CN118012078A (zh) | 2024-04-08 | 2024-04-08 | 基于物联网的无人驾驶车辆行驶路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118012078A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108593213A (zh) * | 2018-07-12 | 2018-09-28 | 中冶北方（大连）工程技术有限公司 | 无人机地下矿巡检及气味追踪装置 |
| CN113504780A (zh) * | 2021-08-26 | 2021-10-15 | 上海同岩土木工程科技股份有限公司 | 一种隧道结构全自动智能巡检机器人及巡检方法 |
| CN114879674A (zh) * | 2022-05-12 | 2022-08-09 | 安徽大学绿色产业创新研究院 | 一种预制构件堆场中巡检机器人调度与路径规划方法 |
| WO2023061049A1 (zh) * | 2021-10-11 | 2023-04-20 | 国网智能科技股份有限公司 | 一种配网车载智能巡检机器人系统及方法 |
| CN220671858U (zh) * | 2023-09-05 | 2024-03-26 | 深圳前海格致科技有限公司 | 一种自动巡检机器人 |
-
2024
- 2024-04-08 CN CN202410410982.5A patent/CN118012078A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108593213A (zh) * | 2018-07-12 | 2018-09-28 | 中冶北方（大连）工程技术有限公司 | 无人机地下矿巡检及气味追踪装置 |
| CN113504780A (zh) * | 2021-08-26 | 2021-10-15 | 上海同岩土木工程科技股份有限公司 | 一种隧道结构全自动智能巡检机器人及巡检方法 |
| WO2023061049A1 (zh) * | 2021-10-11 | 2023-04-20 | 国网智能科技股份有限公司 | 一种配网车载智能巡检机器人系统及方法 |
| CN114879674A (zh) * | 2022-05-12 | 2022-08-09 | 安徽大学绿色产业创新研究院 | 一种预制构件堆场中巡检机器人调度与路径规划方法 |
| CN220671858U (zh) * | 2023-09-05 | 2024-03-26 | 深圳前海格致科技有限公司 | 一种自动巡检机器人 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103176185B (zh) | 用于检测道路障碍物的方法及系统 | |
| CN110472496B (zh) | 一种基于目标检测与跟踪的交通视频智能分析方法 | |
| CN104021676B (zh) | 基于车辆动态视频特征的车辆定位及车速测量方法 | |
| Yang et al. | Semi-automated extraction and delineation of 3D roads of street scene from mobile laser scanning point clouds | |
| CN101075376B (zh) | 基于多视点的智能视频交通监控系统及方法 | |
| CN103064086B (zh) | 一种基于深度信息的车辆跟踪方法 | |
| US20220027642A1 (en) | Full image detection | |
| CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
| CN111179300A (zh) | 障碍物检测的方法、装置、系统、设备以及存储介质 | |
| CN103760569A (zh) | 一种基于激光雷达的可行驶区域检测方法 | |
| CN103456172A (zh) | 一种基于视频的交通参数测量方法 | |
| CN111199647B (zh) | 一种道路车辆连续变道和违规掉头的监控视频检测方法 | |
| CN200990147Y (zh) | 基于多视点的智能视频交通监控系统 | |
| CN114495514A (zh) | 一种多源数据协同的车辆违规掉头热点区域识别方法 | |
| Guerrieri et al. | Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices | |
| Bassani et al. | Experimental analysis of operational data for roundabouts through advanced image processing | |
| US11176823B2 (en) | Enhanced vehicle operation | |
| CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
| CN116611603B (zh) | 一种车辆路径调度方法、装置、计算机及存储介质 | |
| CN115542338B (zh) | 一种基于点云空间分布映射的激光雷达数据的学习方法 | |
| CN118012078A (zh) | 基于物联网的无人驾驶车辆行驶路径规划方法 | |
| CN114842660B (zh) | 一种无人车道路轨迹预测方法、装置和电子设备 | |
| CN113706889B (zh) | 基于目标检测分析的高速公路团雾测量系统及方法 | |
| Zhu et al. | A Novel method of traversable area extraction fused with LiDAR odometry in off-road environment | |
| WO2021138372A1 (en) | Feature coverage analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |