CN120742883A - 智能割草机器人无图全覆盖作业控制方法、设备及介质 - Google Patents

智能割草机器人无图全覆盖作业控制方法、设备及介质

Info

Publication number
CN120742883A
CN120742883A CN202510894871.0A CN202510894871A CN120742883A CN 120742883 A CN120742883 A CN 120742883A CN 202510894871 A CN202510894871 A CN 202510894871A CN 120742883 A CN120742883 A CN 120742883A
Authority
CN
China
Prior art keywords
area
robot
decision
obstacle
intelligent lawn
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
Application number
CN202510894871.0A
Other languages
English (en)
Inventor
李迅
陈立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Huilian Intelligent Technology Co ltd
Original Assignee
Changsha Huilian Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha Huilian Intelligent Technology Co ltd filed Critical Changsha Huilian Intelligent Technology Co ltd
Priority to CN202510894871.0A priority Critical patent/CN120742883A/zh
Publication of CN120742883A publication Critical patent/CN120742883A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/40—Control within particular dimensions
    • G05D1/43—Control of position or course in two dimensions [2D]
    • 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
    • G05D1/20—Control system inputs
    • G05D1/24—Arrangements for determining position or orientation
    • G05D1/242—Means based on the reflection of waves generated by the vehicle
    • 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
    • G05D1/20—Control system inputs
    • G05D1/24—Arrangements for determining position or orientation
    • G05D1/243—Means capturing signals occurring naturally from the environment, e.g. ambient optical, acoustic, gravitational or magnetic signals
    • 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
    • G05D1/20—Control system inputs
    • G05D1/24—Arrangements for determining position or orientation
    • G05D1/246—Arrangements for determining position or orientation using environment maps, e.g. simultaneous localisation and mapping [SLAM]
    • 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
    • G05D1/60—Intended control result
    • G05D1/617—Safety or protection, e.g. defining protection zones around obstacles or avoiding hazards
    • G05D1/622—Obstacle avoidance
    • G05D1/633—Dynamic obstacles
    • 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
    • G05D1/60—Intended control result
    • G05D1/644—Optimisation of travel parameters, e.g. of energy consumption, journey time or distance
    • 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
    • G05D1/60—Intended control result
    • G05D1/648—Performing a task within a working area or space, e.g. cleaning

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

本发明公开一种智能割草机器人无图全覆盖作业控制方法、设备及介质，该方法步骤包括：控制被控智能割草机器人从起点位置开始行驶，在被控智能割草机器人行驶过程中，获取由视觉传感器采集到的被控智能割草机器人前进方向的图像；将当前获取到的图像进行分割，并对障碍物进行识别；在当前获取到的图像中标定出决策区域；判断障碍物区域与所述决策区域之间的位置关系，根据判断结果确定得到当前的动作决策；获取视觉与IMU融合输出的偏航角，根据当前得到的动作决策以及当前获取的偏航角计算出补偿参数并发送给被控智能割草机器人的控制端，直至执行完全覆盖割草任务。本发明不需要依赖于先验地图以及覆盖路径即可高效实现全覆盖作业控制。

Description

智能割草机器人无图全覆盖作业控制方法、设备及介质
技术领域
本发明涉及智能割草机技术领域，尤其涉及一种智能割草机器人无图全覆盖作业控制方法、设备及介质。
背景技术
传统的人工割草需要投入大量时间和体力，而智能割草机器人能自动完成任务，从而大大减少了人力投入。现有技术中智能割草机器人通常都是完成借助GPS/RTK等全局定位系统提供的全局定位信息和以及实时路径跟踪实现全覆盖割草，首先利用全局的定位信息提供割草区域的边界信息，确定出割草机器人的工作区域，即先验的工作区域地图，然后根据工作区域规划出覆盖路径，最后机器人根据当前定位信息以及全局规划覆盖路径进行运动控制，控制割草机器人追踪路径点完成全覆盖割草任务。为避免局部遮挡导致的定位丢失问题，现有技术通常是在全局定位系统的基础上，利用视觉SLAM(即时定位与地图构建或并发建图与定位)或激光SLAM提供更可靠的全局定位来完成割草区域全覆盖和控制。
但是，单一的GPS/RTK全局定位系统可能会存在局部遮挡造成定位不可靠的问题，而引入视觉SLAM或激光SLAM虽然可以很好的解决局部定位不准确的问题，但是使用多传感器以及构建全局边界地图需要较高的硬件成本，不适用于小型化的低成本割草机器人，且由于依赖于利用先验地图生成覆盖路径，需要构建繁琐的边界地图，实现过程较为复杂，尤其是在面对大面积割草区域时先验工作区域(边界)地图的构建非常耗时，导致实时的割草效率不高。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、成本低、控制效率与可靠性高的智能割草机器人无图全覆盖作业控制方法、设备及介质，不需要依赖于先验地图以及覆盖路径即可高效实现全覆盖作业控制。
为解决上述技术问题，本发明提出的技术方案为：
一种智能割草机器人无图全覆盖作业控制方法，应用于智能割草机器人，所述智能割草机器人上安装有至少一个的视觉传感器以及至少一个的IMU，所述视觉传感器布置在所述智能割草机器人的前进方向端，该方法步骤包括：
控制被控智能割草机器人从起点位置开始行驶，在被控智能割草机器人行驶过程中，获取由视觉传感器采集到的被控智能割草机器人前进方向的图像；
将当前获取到的图像使用分割模型对草地区域、非草地区域进行分割，并对障碍物进行识别，分割出草地区域与非草地区域并对障碍物区域进行标记；
根据被控智能割草机器人的宽度以及分割出的草地区域在当前获取到的图像中标定出决策区域，所述决策区域对应为图像中被控智能割草机器人的前进区域；
判断障碍物区域与所述决策区域之间的位置关系，根据判断结果确定得到当前的动作决策，所述动作决策包括直行、掉头、避障以及停止；
获取视觉与IMU融合输出的偏航角，根据当前得到的所述动作决策以及当前获取的偏航角计算出补偿参数并发送给被控智能割草机器人的控制端，以控制被控智能割草机器人执行当前动作决策，直至执行完全覆盖割草任务。
进一步地，所述决策区域的左右边界线分别对应为被控智能割草机器人在前进方向上的左右两条参考轨迹线，所述参考轨迹线为从图像上靠近被控智能割草机器人的一端作为起点朝向被控智能割草机器人前进的方向延伸指定长度，两条所述参考轨迹线之间的距离大于被控智能割草机器人的宽度。
进一步地，还包括根据被控智能割草机器人的最大转向角设置一条与图像的底部平行的决策线，将决策区域内位于决策线上侧的区域划分为主决策区域Area_w，所述决策线距离图像底部的高度配置为使得被控智能割草机器人在最大转向角运动时不触碰到前方的障碍物，根据所述主决策区域Area_w内是否有障碍物判断是否执行直行动作，将左侧区域Area_left、右侧区域Area_right作为停止辅助判断区域以用于辅助判断是否执行掉头或避障动作，所述左侧区域Area_left为左侧参考轨迹线与图像左边界之间的区域，所述右侧区域Area_right为右侧参考轨迹线与图像右边界之间的区域。
进一步地，所述判断障碍物区域与所述决策区域之间的位置关系，根据判断结果确定得到当前的动作决策包括：
判断在所述主决策区域Area_w内是否存在障碍物，如果是则转入判断左侧区域Area_left、右侧区域Area_right内是否存在障碍物，如果不存在则执行直行动作；
判断左侧区域Area_left、右侧区域Area_right内是否存在障碍物，如果判断到均不存在障碍物或者右侧区域Area_left存在障碍物则执行左避障动作，如果判断到左侧区域Area_right存在障碍物则执行右避障动作，如果判断到左侧区域Area_left与右侧区域Area_right均存在障碍物，则执行掉头动作。
进一步地，还包括分别将左侧区域Area_left、右侧区域Area_right中位于决策线下侧的t1区域、t2区域作为停止辅助判断区域，以用于辅助判断是否执行停止动作，当判断到主决策区域Area_w内未知区域的面积超过预设阈值时，判断所述t1区域、、t2区域内未知区域的面积，如果t1区域或t2区域内未知区域的面积超过预设阈值，则执行停止动作。
进一步地，当执行避障动作时，获取障碍物像素占用面积，从转向角数据库中查询当前障碍物像素占用面积所对应的转向角，按照查询得到的转向角控制被控智能割草机器人进行转向以完成避障，所述转向角数据库中存储有不同障碍物像素占用面积所对应所需的转向角。
进一步地，当执行掉头动作时，记录掉头前被控智能割草机器人所在的起始位置点信息，从当前位置点以指定转向角度进行转向，如果被控智能割草机器人实时的位置信息与起始位置点信息满足ed＝|D-(xc-xa)|≤Td，则停止运动，接着以最大转向方式和偏航参考基准调整机器人运动，如果偏航角e＜Te时满足条件停止运动，完成掉头任务，其中，D表示全覆盖行间距，xc表示实时的掉头完成后位置点在横向方向的偏移量，xa表示开始掉头动作时位置点在横向方向的偏移量，Td表示偏差阈值，Te表示偏航偏差值阈值。
进一步地，被控智能割草机器人的前方以及后方分别安装一个以上的视觉传感器，当被控智能割草机器人按照前向路径行驶过程中，获取由前方视觉传感器采集到的图像以确定得到当前的动作决策，执行完前向路径的割草任务后需要返回执行后向路径的割草任务时，控制被控智能割草机器人采用倒车运动方式行驶，并在被控智能割草机器人后向行驶过程中，获取由后方视觉传感器采集到的图像以确定得到当前的动作决策。
一种智能割草机器人设备，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行上述方法。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现如上述方法。
与现有技术相比，本发明的有益效果在于：本发明通过利用视觉传感器在割草机行驶过程中进行图像采集，通过图像分割以及障碍物识别分割出草地区域与非草地区域并对障碍物区域进行标记，然后在当前获取到的图像中标定出决策区域，进而根据决策区域与障碍物区域之间的位置关系，确定当前需要执行的动作决策，最后结合IMU输出的偏航角计算出补偿误差发送给机器人控制端，控制机器人完成实时的动作决策，直至执行完全覆盖割草任务，能够利用视觉传感器以及IMU传感器实现智能割草机器人无图全覆盖作业控制，不需要依赖于任何先验地图以及“点追踪”，不仅能够避免由于GPS/RTK定位数据不准而影响控制精度的问题，提升智能割草机器人实时控制的精度以及可靠性，还能够避免复杂的先验地图构建过程，大大降低控制的复杂程度，提升控制的效率以及实时性，同时还能够大大降低实现成本。
附图说明
图1是本发明实施例1实现智能割草机器人无图全覆盖作业控制的实现流程示意图。
图2是本发明实施例1中生成的决策区域的原理示意图。
图3是本发明实施例1中采用的阿克曼车辆模型的原理示意图。
图4是本发明实施例1中动作决策逻辑的实现流程示意图。
图5是本发明实施例2中实现的全覆盖路径的效果示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
为便于理解，首先示例性的对本发明涉及的相关技术背景进行介绍。
现有技术中智能割草机器人作业控制主要采用以下几种方式实现：
1、利用GPS/RTK等全局定位系统提供割草区域的边界信息，根据边界信息利用Boustrophedon(“牛耕法”)或随机覆盖法等生成全局的覆盖路径，割草机器人根据生成的覆盖路径以及当前机器人的实时全局定位信息进行全覆盖的运动控制。
2、利用激光雷达或视觉进行SLAM，根据SLAM的定位信息构建全局点云地图和全局工作区域边界地图，根据边界地图同样的使用“牛耕法”或其它的方法规划出基于先验边界地图的全覆盖路径，根据当前割草机器人在地图中的定位信息进行规划路径点全覆盖控制。
3、采用多传感器融合的方式提供更加可靠的定位信息，结合上述1或2的方式完成全覆盖路径规划与控制。
4、利用基于视觉的深度学习方式对割草区域中已经割过的草地区和未割过的草地进行分割，利用分割后的边缘信息对割草机器人运动进行引导完成全覆盖的控制，该类方法不再依赖于定位信息和路径规划。
对于上述各类控制方式，首先第一种基于GPS/RTK的方式、第二种基于多传感器融合的方式以及第三种利用激光雷达或视觉进行SLAM的方式都需要依赖于定位信息以构建割草机器人的工作区域边界地图，然后根据边界地图提前规划出全覆盖的运动控制路径，割草机器人再基于全局定位的实时定位信息来完成控制作业，在实际的覆盖运动过程中根据当前割草机器人的定位信息与规划好的覆盖路径信息进行“点追踪”的方式完成覆盖，这些方式都需要高度依赖于GPS/RTK全局定位系统，易于因为设备存在遮挡而导致定位信息不准确，进而导致无法获取正确的边界地图信息或运动控制中点追踪完全失效的问题。
虽然第二种方式中利用雷达进行SLAM的方式虽然能够避免局部遮挡导致的定位丢失问题，但是当工作环境处于开阔场景下激光雷达无法探测到周围环境时，此时激光雷达处于失效状态同样无法获取任何定位信息，利用视觉传感器进行SLAM会存在同样的问题，且当割草区域足够大时往往需要更久的时间构建地图以及生成全覆盖路径。第三种方式中通过将视觉/激光雷达等设备与GPS/RTK等全局定位系统相结合，通过如VINS-Fusion等算法完成多传感器定位融合，虽然能有效解决全局定位系统因局部遮挡而导致定位失效无法完成全覆盖路径规划和控制的问题，以及大场景下视觉/激光雷达传感器失效的问题，但多传感器的硬件成本高，不利于智能割草机器人的小型化与实际应用，且多传感器工作时需要从硬件上和软件上完成时间同步，时间同步精度越高也越有利于控制的精准度，会导致实际的控制难度较大、复杂度高。
第四种基于视觉的深度学习方式在只利用视觉传感器的前提下在部分场景下能够很好的完成割草机器人的全覆盖作业，可以不需要依赖于任何的定位信息，也不需要提前构建任何工作区域边界地图，且硬件成本较低，但是需要进行大量草地数据集进行训练，尤其是针对于割草完成区域和未割草区域的分割，如果草地具有较高比例的植被容易完成分割，但如果草地植被的比例偏低则很难进行精准的分割，因而实际的控制精度不高。
本发明通过在智能割草机器人上安装至少一个的视觉传感器以及至少一个的IMU(Inertial Measurement Unit，惯性测量单元)传感器，在智能割草机器人行驶过程中，通过视觉传感器采集机器人前进方向前方的图像，对视觉传感器采集的图像进行分割以及障碍物识别，分割出草地区域与非草地区域并对障碍物区域进行标记，然后根据被控智能割草机器人的宽度以及分割出的草地区域在当前获取到的图像中标定出决策区域，该决策区域即对应为图像中被控智能割草机器人的前进区域，进而根据决策区域与障碍物区域之间的位置关系，确定当前需要执行的动作决策，再结合视觉与IMU输出的偏航角计算出补偿误差发送给机器人控制端，控制机器人完成实时的动作决策，直至执行完全覆盖割草任务，能够利用视觉传感器以及IMU传感器模拟人类决策过程实现智能割草机器人的全覆盖作业控制，整个流程不需要依赖于任何先验地图和全局定位信息，也无需基于先验地图提前进行全局路径规划、无需进行“点追踪”，不仅能够避免由于GPS/RTK定位数据不准而影响控制精度的问题，提升智能割草机器人实时控制的精度以及可靠性，还能够避免复杂的先验地图构建过程，大大降低控制的复杂程度，提升控制的效率以及实时性，且还能够大大降低实现成本，从而利于割草机器人的小型化和广泛应用。
本发明中视觉传感器布置在智能割草机器人的前进方向端，其中，如果割草机器人无法实现原地转向、可以倒车行驶，则该前进方向端包括机器人的前端以及后端两个端，即在机器人的前端以及后端均安装视觉传感器，在前向(正向)行驶时前进方向端即为机器人的前端，在机器人前向行驶时使用前端的视觉传感器进行图像采集，在后向(正向)行驶时前进方向端即为机器人的后端，则机器人后向行驶时使用后端的视觉传感器进行图像采集，当被控智能割草机器人按照前向路径行驶过程中，获取由前方视觉传感器采集到的图像以确定得到当前的动作决策，执行完前向路径的割草任务后需要返回执行后向路径的割草任务时，控制被控智能割草机器人采用倒车运动方式行驶，并在被控智能割草机器人后向行驶过程中，获取由后方视觉传感器采集到的图像以确定得到当前的动作决策；而对于可以实现原地转向的智能割草机器人，前进方向端即为机器人的前端，在被控智能割草机器人行驶过程中，获取由前方视觉传感器采集到的图像以确定得到当前的动作决策。
例如，如果割草机器人无法实现原地转向，则可以在割草机器人的正前方和正后方各安装一个单目相机，以分别对应前向行驶时与后向行驶时进行图像的采集；如果割草机器人可以实现原地，则可以直接在智能割草机器人的前方设置一个视觉传感器，相机镜头前可以贴设滤光片以用于减小室外环境强光造成的眩晕。可以理解的是，当然也可以根据实际需求在割草机器人的前进方向端布置两个以上的视觉传感器以满足不同的需求。
优选地，IMU可以布置为与其中一个视觉传感器进行上下布局安装，即IMU布置在其中一个视觉传感器的上方或下方，或者直接采用内部集成有IMU的相机，以避免处理硬件时间同步的问题。
实施例1：
本实施例为适用于无法实现原地转向的割草机器人，在割草机器人正前方和正后方各安装一个单目相机，如图1所示，实现智能割草机器人无图全覆盖作业控制的详细控制步骤包括：
步骤S01.控制被控智能割草机器人从起点位置开始行驶，在被控智能割草机器人行驶过程中，获取由视觉传感器采集到的被控智能割草机器人前进方向的图像。
被控智能割草机器人启动后，即相应的开启视觉传感器进行图像采集，在被控智能割草机器人行驶过程中，视觉传感器可以实时采集到被控智能割草机器人前进方向上指定区域范围内的图像，所采集的图像范围由视觉传感器的视场决定。
具体地，视觉传感器可以优选地布置在被控智能割草机器人上居中的位置，以实时采集被控智能割草机器人在行驶过程中正前方区域的图像。
步骤S02.将当前获取到的图像使用分割模型对草地区域、非草地区域进行分割，并对障碍物进行识别，分割出草地区域与非草地区域并对障碍物区域进行标记。
本实施例中，预先利用收集的各种草地数据集基于YOLOV8进行分割训练得到所需的分割模型，以将草地和其它不同的目标进行分割，训练完成后得到的模型能够分割出草地和非草地的区域。
可以理解的是，分割模型当然也可以采用除YOLOV8以外的其他类型模型，例如基于卷积网络CNN或者基于边缘检测算法等的分割模型。
当实时获取到视觉传感器采集的被控智能割草机器人前进方向的图像后，将实时采集到的图像输入至训练好的分割模型中，即可得到分割出的草地区域以及非草地区域。针对于分割结果，进一步进行障碍物(如喷水管、石块、围栏等)识别，根据识别结果在图像中标记出存在障碍物的区域。
具体地，在使用分割模型完成分割任务后还可以对分割后的结果进行预处理，对图像中的非草地区域进行像素置零操作，也就是将非草地区域的图像像素变为0，将草地上可能出现的典型障碍物(例如喷水管等)区域像素进行标记(例如将该部分区域像素置为红色)，这样在一帧图像中可能会出现三种情况，分别是正常的草地区域、障碍物区域以及其它的未知黑色区域。
为了提高决策鲁棒性，优选地，还可以采用额外的快速单目深度估计功能(用户可根据实际的传感器类型决定是否启用该功能)，如果使用Realsense等可以直接获取图像深度信息的传感器则无需开启深度估计功能，利用深度图像进行K-means聚类分割，对于分割后判定为障碍物的区域同样将对应区域的像素进行标记。当使用单目深度估计功能功能时，深度图像和RGB图像需对齐。
步骤S03.根据被控智能割草机器人的宽度以及分割出的草地区域在当前获取到的图像中标定出决策区域，决策区域对应为图像中被控智能割草机器人的前进区域。
本实施例中，基于步骤S02分割出的结果进行决策区域的标定，以标定出类似汽车倒车影像中的倒车引导区域，该决策区域即对应为图像中被控智能割草机器人的前进区域，决策区域可在视觉传感器安装完成后基于视觉传感器的视场以及被控智能割草机器人的大小进行标定。如果在该决策区域内不存在障碍物，则表明机器人可以执行，如果在决策区域内存在障碍物，可能是在机器人前进方向上存在影响机器人通过的障碍物，需要进行避障控制，也有可能是机器人到达行驶的边界而需要进行掉头，因而后续利用该决策区域与障碍物之间的位置关系可以确定出被控智能割草机器人的可通行区域，进而确定出相应的动作决策。
本实施例中，决策区域的左右边界线分别对应为被控智能割草机器人在前进方向上的左右两条参考轨迹线，参考轨迹线为从图像上靠近被控智能割草机器人的一端作为起点朝向被控智能割草机器人前进的方向延伸指定长度，两条参考轨迹线之间的距离大于被控智能割草机器人的宽度。决策区域的左右边界线类似于汽车倒车影像中的左右参考轨迹线，即左右边界线对应为被控智能割草机器人在前进方向上左右两侧的轨迹线。
本实施例中，还包括根据被控智能割草机器人的最大转向角设置一条与图像的底部平行的决策线，将决策区域内位于决策线上侧(远离被控智能割草机器人的一侧)的区域划分为主决策区域Area_w，决策线距离图像底部的高度配置为使得被控智能割草机器人在最大转向角运动时不触碰到前方的障碍物，根据主决策区域Area_w内是否有障碍物判断是否执行直行动作，将左侧区域Area_left、右侧区域Area_right作为停止辅助判断区域以用于辅助判断是否执行掉头或避障动作，左侧区域Area_left为左侧参考轨迹线与图像左边界之间的区域，右侧区域Area_right为右侧参考轨迹线与图像右边界之间的区域。
以图2为例，决策区域的左右边界线分别为线段ac以及df，图2中所展示的效果为将左右边界线叠加在图像中所形成的效果，其中点a和点f位于图像的底部，af的宽度约为割草机器人自身宽度(为保证通过安全性，af的宽度可以略大于割草机器人自身宽度)，be为决策线，b点、e点、c点以及d点均为被控智能割草机器人在前进方向上的点；在真实的割草机器人视场下a、b、c三点是共线的，相应的d、e、f三点共线且线段abc与线段def平行，即在真实的割草机器人视场下，ac和df实际上是两条平行的线，be、cd的长度和af的长度一致。ab的长度(即决策线距离图像底部的高度)由被控智能割草机器人模型确定，例如如果采用阿克曼车辆模型，机器人的最大转向角为45度，则ab的长度需要保证机器人在最大转向角运动的时候能够不触碰到前方的障碍，其中的x值即为需要标定的参数。具体地，cb的长度可以设定为ab的长度，也可以设置为ab/2长度，具体可以根据实际需求配置。
在具体应用实施例中，ab的长度需要保证机器人在最大转向角运动的时候能够不触碰到前方距离为x的障碍，其中的x值即为需要标定的参数。上述x值可以根据车辆的运动和硬件参数进行标定得到，以阿克曼车辆模型为例，如图3所示，对于阿克曼模型α为车辆前外轮转角，β为车辆前内轮转角，L是车辆前后轴的距离，可根据硬件参数获取或者直接进行测量得到。假设θ的最大值为45°L为1m，那么可以得到最大转弯半径这也意味着如果车辆正前方1m处存在障碍物那么车辆以最大转向角度进行运动刚好能够避开障碍物，此时R即得到所需的x。进一步地，可以基于得到的x额外加上安全冗余量δ得到Lsafe＝x+δ，δ属于微调参数，可以在实际使用的过程中根据实际情况调整大小，此时得到的Lsafe实际上即是ab的数值。
参见图2，在视觉传感器采集的图像中标定出决策区域后，将图像划分为四个大区域Area_left(o1-o3-c-a)、Area_w(b-c-d-e)、Area_right(f-d-o4-o6)以及Area_n(a-b-e-f)，其中Area_left和Area_right分别表示虚线以下ac和df左右两侧的梯形区域，也即为决策区域距离图像左右边界的区域，由于相机的视场角有限，因而实际中Area_left和Area_right的形状可能有所不同。将Area_left和Area_right区域作为辅助决策区域，Area_w作为主决策区域，线段Lbe为决策线，t1(o1-o2-b-a)和t2(f-e-o5-o6)区域属于Area_left和Area_right区域，仅作为停止辅助判断区域。
在具体应用实施例中，为标定出决策区域，可以在被控智能机器人上安装好视觉传感器后，沿着机器人左边和右边分别画两根平行的线，该两条线中间的区域实际上就是车辆直行前进的道路区域，b c、d e则是根据实际情况在车前不同距离处分别标记两条横线形成的点，对所得到的各线采集一帧图像得到的效果如图2所示，得到标定的各个点在图像中的位置信息后就可以根据各个点得到车辆在静止或是运动状况下相对于视觉传感器、机器人的距离。
优选地，还包括将停止决策配置为最高优先级指令，即在后续的运动控制过程中，当决策指令为停止时其它四个决策结果都将失效。
步骤S04.判断障碍物区域与决策区域之间的位置关系，根据判断结果确定得到当前的动作决策，动作决策包括直行、掉头、避障以及停止。
本实施例中，动作决策包括：前进、停止、掉头、左避障和右避障五种类型，根据障碍物区域与决策区域之间的位置关系实时判断执行哪个动作决策。本实施例中，根据障碍物区域与决策区域之间的位置关系，确定得到当前的动作决策具体包括：
判断在所述主决策区域Area_w内是否存在障碍物，如果是则转入判断左侧区域Area_left、右侧区域Area_right内是否存在障碍物，如果不存在则执行直行动作；
判断左侧区域Area_left、右侧区域Area_right内是否存在障碍物，如果判断到均不存在障碍物或者右侧区域Area_left存在障碍物则执行左避障动作，如果判断到左侧区域Area_right存在障碍物则执行右避障动作，如果判断到左侧区域Area_left与右侧区域Area_right均存在障碍物，则执行掉头动作。
本实施例中，还包括分别将左侧区域Area_left、右侧区域Area_right中位于决策线下侧的t1区域、t2区域作为停止辅助判断区域，以用于辅助判断是否执行停止动作，当判断到主决策区域Area_w内未知区域的面积超过预设阈值时，判断t1区域、t2区域内未知区域的面积，如果t1区域或t2区域内未知区域的面积超过预设阈值，则执行停止动作。
在具体应用实施例中，如图4所示，当通过视觉传感器采集到RGB图像以及通过深度估计功能采集到被控智能机器人前方RGB图像以及深度图像后，对RGB图像进行目标分割以及对深度图像进行聚类分割，分割出草地区域、非草地区域以及障碍物区域，其中障碍物区域标记为红色，首先判断W区域(主决策区域Area_w)内是否存在红色像素，如果不存在则判断执行直行动作，如果存在则进一步判断L区域(左侧区域Area_left)或者R区域(右侧区域Area_right)是否存在红色像素，如果为否则控制执行左避障动作，如果为是则进一步判断是否是L区域(左侧区域Area_left)与R区域(右侧区域Area_right)均存在红色像素，如果是则执行掉头动作，否则判断是否是L区域(左侧区域Area_left)存在红色像素，如果是则执行右避障动作，否则执行左避障动作。
步骤S05.获取视觉与IMU融合输出的偏航角，根据当前得到的动作决策以及当前获取的偏航角计算出补偿参数并发送给被控智能割草机器人的控制端，以控制被控智能割草机器人执行当前动作决策，直至完成全覆盖割草任务。
本实施例在实时确定出被控智能机器人所需执行的动作决策后，，结合偏航角可以计算出补偿参数，该偏航角由视觉与IMU融合得到，以提高偏航角获取的鲁棒性。例如可以先分别基于视觉图像计算出偏航角以及从IMU设备获取偏航角，然后融合基于视觉图像计算出的偏航角与IMU获取的偏航角得到最终的偏航角，当然也可以根据实际需求采用松耦合、紧耦合等其他类型的融合方式进行融合。然后将补偿参数发送给被控智能割草机器人的控制端，制被控智能割草机器人执行当前动作决策，循环执行上述步骤直至完成全覆盖割草任务。例如，如果当前动作决策为直行，则根据当前实时的偏航角计算出保持直行的补偿参数，发送给被控智能割草机器人的控制端，从而控制被控智能割草机器人保持直行，当动作决策变更后再依据所需的动作决策以及实时的偏航角重新计算补偿参数。通过结合视觉传感器、IMU传感器以及图像处理，可以实现无需先验边界地图和全局定位信息的全覆盖控制，一方面可以解决因传感器导致的成本问题，另一方面可以模拟人类行为的方式解决因割草面积大导致的先验边界地图构建繁琐问题。
优选地，可以进一步采用VINS-Mono模块以提供所需的偏航信息yaw和局部短时间二维定位信息(currentx，currenty)，当面对大场景视觉纹理丢失的时候可以依赖IMU提供短暂的可靠定位，即当视觉丢失的时候快速进入IO模式提供纯IMU定位，避免因纯视觉纹理丢失导致的定位失败问题。SLAM在长时间工作状态下速度的漂移会带来位置和姿态的发散，进一步可以通过引入零速修正(Zero velocity Update,ZUPT),当割草机器人进入短暂停止后立即进行零速修正。本实施例中，由控制模块控制割草机器人完成全覆盖割草任务，控制模块通过接收来自决策模块的决策指令，根据对应的决策指令下发运动命令到割草机器人。
本实施例中，当执行避障动作时，获取障碍物像素占用面积，从转向角数据库中查询当前障碍物像素占用面积所对应的转向角，按照查询得到的转向角控制被控智能割草机器人进行转向以完成避障，转向角数据库中存储有不同障碍物像素占用面积所对应所需的转向角。
传统避障方法(例如A*算法等)需要基于全局定位信息以及障碍物在地图中的位置信息实现避障，例如A*算法中当遇到障碍物时需要给定当前在地图中的位置以及障碍物的大小信息以及下一点的位置信息。本实施例无需获取先验地图和定位信息，在遇到障碍物时无需确定可以绕开障碍物的终点位置，而是通过利用视觉传感器采集的机器人前方图像进行区域分割，标定出机器人的可通行区域(草地区域)，同时标定出各种障碍物(非草地)物体在图像中的像素占比，根据像素占比与真实能够避开障碍物的控制量进行一一匹配形成不同障碍物像素占用大小的控制数据库，在实时控制过程中当需要直行避障动作时，利用检测到的障碍物像素占用大小来获取控制数据库中对应的控制量以完成避障任务。
例如，在决策区域Area_w中存在障碍物区域占用像素为Pixel1，通过实际测试发现转向角为θ1时能够很好的绕过该大小的障碍物，而当障碍物占用像素为Pixel2且大于Pixel1时转向角为θ2能够很好绕开该类型的障碍物，依此类推，根据不同大小的障碍物构建一个针对不同大小占用像素障碍物所需的转向角θi的数据库，则在实际避障过程中当某个障碍物的像素占用大于Pixel1但是小于Pixel2，则通过查询数据库直接使用θ2转向角完成绕障。
本实施例中，当执行掉头动作时，记录掉头前被控智能割草机器人所在的起始位置点信息，从当前位置点以指定转向角度进行转向，如果被控智能割草机器人实时的位置信息与起始位置点信息满足ed＝|D-(xc-xa)|≤Td，则停止运动，，接着以最大转向方式和偏航参考基准调整机器人运动，如果偏航角e＜Te时满足条件停止运动，完成掉头任务，其中，D表示全覆盖行间距，xc表示实时的掉头完成后位置点在横向方向的偏移量，xa表示开始掉头动作时位置点在横向方向的偏移量，Td表示偏差阈值，Te表示偏航偏差值阈值。(Xc-Xa)即为掉头动作期间机器人横向运动的距离，如果(Xc-Xa)的距离和全覆盖行间距接近，二者之间的差距小于设定阈值即可停止运动，如果不停止机器人将持续直行直到下一个决策到来。通过按照上述方式控制机器人动作，可以控制实现“弓”形全覆盖。
本实施例具体是以ROS话题的形式发送控制消息到下层，下发的消息内容主要包括机器人运动速度、转向角度以及运动状态(前进、后退、停止)等，下层模块接收后将消息中的机器人运动速度、运动状态、转向角度解析出来并执行。
本实施例是在被控智能割草机器人的前方以及后方分别安装一个视觉传感器，适用于无法实现原地转向的割草机器人，可以理解的是，还可以只在被控智能割草机器人的前方按照一个视觉传感器，以适用于可以原地转向的割草机器人，以结合单一的视觉传感器以及IMU可以直接采用“牛耕法”的方式实现割草机器人的全覆盖割草作业控制，可以进一步压缩硬件成本。
实施例2：
本实施例为采用实施例1中控制方法实现如图5所示的全覆盖路径的完整流程，其中从起点S运动到a点后需要完成转向掉头来实现c点到d点的段的割草任务，详细步骤为：
步骤1:系统启动，前方没有任何障碍物接收来自决策模块的前进决策指令，在开始运动前记录获取的偏航角作为参考基准角base_yaw，偏航角的大小可以归一化到[-π,π]。令e＝|base_yaw-current_yaw|,如果e≥Te，那么将偏航偏差值计算后得到补偿参数，将补偿参数发送到割草机器人底层，通过实时动态调整来保证割草机器人能够尽可能做直线运动。
步骤2:当割草机器人到达a点已经到达草地边界处，控制模块将接收来自决策模块的掉头命令。首先，记录a点的位置信息为Pa(xa，ya)，割草机器人以固定转向角度固定运动速度缓慢运动，其中，如果割草机器人为不能实现原地掉头运动的类型则转向的固定角度必须小于割草机器人的最大转向角度。判断割草机器人实时的位置信息与a点之间是否满足：ed＝|D-(xc-xa)|≤Td，其中D表示线段Sa和cd之间的行距，即能保证机器人完整覆盖的距离(全覆盖行间距)，Xc和Xa分别表示c点和a点的横向坐标，该两点的位置信息可以通过轮式里程计或者视觉里程计等获取，当割草机器人满足上述条件到达b点时停止运动，接着以最大转向方式和偏航参考基准base_yaw快速调整机器人运动，当此时偏航角的e<Te时满足条件停止运动，割草机器人到达c点，整个割草机器人完成“掉头”任务，此时实际上割草机器人的朝向并没有发生改变。
步骤3:完成掉头任务后机器人开始进行倒车运动割草，假设前置视觉传感器为CAM0，后置视觉传感器为CAM1，则在cd段的倒车直线割草任务的决策图像数据来自CAM1，Sa段的决策图像数据则是来自CAM0，按照步骤2相同的流程直行倒车割草。
步骤4:当遇到障碍物时，根据障碍物像素占用大小查询转向角数据库以查询所需的转向角进行避障运动角度的设置，直至完成避障。
步骤5:循环执行上述步骤1～步骤4，机器人可以按照如图4所示的全覆盖路径完成割草任务，在完成割草任务后执行停车动作。
传统阿克曼型割草机器人需要利用“三段倒车曲线”来实现机器人掉头任务，掉头任务的执行会影响割草机器人的工作效率。本实施例通过控制割草机器人采用“倒退”式割草，可以省略掉掉头动作，从一定程度上能够有效提高割草机器人的工作效率。
本发明通过仅使用视觉传感器结合IMU实现不依赖于任何全局定位系统且无需构建任何先验地图的前提下割草机器人全覆盖作业控制，无需进行大量动作训练以及推理测试，可以大大降低实现成本、控制复杂度，同时确保控制精度与可靠性。
本实施例进一步智能割草机器人设备，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序以执行如上述方法。
可以理解的是，本实施例上述方法可以由单个设备执行，例如一台计算机或服务器等，也可以应用于分布式场景下由多台设备相互配合来完成，在分布式场景的情况下，多台设备中的一台设备可以只执行本实施例上述方法中的某一个或多个步骤，多台设备之间进行交互以完成上述方法。处理器可以采用通用的CPU、微处理器、应用专用集成电路、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本实施例上述方法。存储器可以采用只读存储器ROM、随机存取存储器RAM、静态存储设备以及动态存储设备等形式实现。存储器可以存储操作系统和其他应用程序，在通过软件或者固件来实现本实施例上述方法时，相关的程序代码保存在存储器中，并由处理器来调用执行。
本实施例进一步提供存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现如上述方法。
本领域内的技术人员应明白，本发明的上述实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (10)

1.一种智能割草机器人无图全覆盖作业控制方法，应用于智能割草机器人，所述智能割草机器人上安装有至少一个的视觉传感器以及至少一个的IMU，所述视觉传感器布置在所述智能割草机器人的前进方向端，其特征在于，该方法步骤包括：
控制被控智能割草机器人从起点位置开始行驶，在被控智能割草机器人行驶过程中，获取由视觉传感器采集到的被控智能割草机器人前进方向的图像；
将当前获取到的图像使用分割模型对草地区域、非草地区域进行分割，并对障碍物进行识别，分割出草地区域与非草地区域并对障碍物区域进行标记；
根据被控智能割草机器人的宽度以及分割出的草地区域在当前获取到的图像中标定出决策区域，所述决策区域对应为图像中被控智能割草机器人的前进区域；
判断障碍物区域与所述决策区域之间的位置关系，根据判断结果确定得到当前的动作决策，所述动作决策包括直行、掉头、避障以及停止；
获取视觉与IMU融合输出的偏航角，根据当前得到的所述动作决策以及当前获取的偏航角计算出补偿参数并发送给被控智能割草机器人的控制端，以控制被控智能割草机器人执行当前动作决策，直至执行完全覆盖割草任务。
2.根据权利要求1所述的智能割草机器人无图全覆盖作业控制方法，其特征在于，所述决策区域的左右边界线分别对应为被控智能割草机器人在前进方向上的左右两条参考轨迹线，所述参考轨迹线为从图像上靠近被控智能割草机器人的一端作为起点朝向被控智能割草机器人前进的方向延伸指定长度，两条所述参考轨迹线之间的距离大于被控智能割草机器人的宽度。
3.根据权利要求2所述的智能割草机器人无图全覆盖作业控制方法，其特征在于，还包括根据被控智能割草机器人的最大转向角设置一条与图像的底部平行的决策线，将决策区域内位于决策线上侧的区域划分为主决策区域Area_w，所述决策线距离图像底部的高度配置为使得被控智能割草机器人在最大转向角运动时不触碰到前方的障碍物，根据所述主决策区域Area_w内是否有障碍物判断是否执行直行动作，将左侧区域Area_left、右侧区域Area_right作为停止辅助判断区域以用于辅助判断是否执行掉头或避障动作，所述左侧区域Area_left为左侧参考轨迹线与图像左边界之间的区域，所述右侧区域Area_right为右侧参考轨迹线与图像右边界之间的区域。
4.根据权利要求3所述的智能割草机器人无图全覆盖作业控制方法，其特征在于，所述判断障碍物区域与所述决策区域之间的位置关系，根据判断结果确定得到当前的动作决策包括：
判断在所述主决策区域Area_w内是否存在障碍物，如果是则转入判断左侧区域Area_left、右侧区域Area_right内是否存在障碍物，如果不存在则执行直行动作；
判断左侧区域Area_left、右侧区域Area_right内是否存在障碍物，如果判断到均不存在障碍物或者右侧区域Area_left存在障碍物则执行左避障动作，如果判断到左侧区域Area_right存在障碍物则执行右避障动作，如果判断到左侧区域Area_left与右侧区域Area_right均存在障碍物，则执行掉头动作。
5.根据权利要求4所述的智能割草机器人无图全覆盖作业控制方法，其特征在于，还包括分别将左侧区域Area_left、右侧区域Area_right中位于决策线下侧的t1区域、t2区域作为停止辅助判断区域，以用于辅助判断是否执行停止动作，当判断到主决策区域Area_w内未知区域的面积超过预设阈值时，判断所述t1区域、t2区域内未知区域的面积，如果t1区域或t2区域内未知区域的面积超过预设阈值，则执行停止动作。
6.根据权利要求1～5中任意一项所述的智能割草机器人无图全覆盖作业控制方法，其特征在于，当执行避障动作时，获取障碍物像素占用面积，从转向角数据库中查询当前障碍物像素占用面积所对应的转向角，按照查询得到的转向角控制被控智能割草机器人进行转向以完成避障，所述转向角数据库中存储有不同障碍物像素占用面积所对应所需的转向角。
7.根据权利要求1～5中任意一项所述的智能割草机器人无图全覆盖作业控制方法，其特征在于，当执行掉头动作时，记录掉头前被控智能割草机器人所在的起始位置点信息，从当前位置点以指定转向角度进行转向，如果被控智能割草机器人实时的位置信息与起始位置点信息满足ed＝|D-(xc-xa|≤Td，则停止运动，接着以最大转向方式和偏航参考基准调整机器人运动，如果偏航角e＜Te时满足条件停止运动，完成掉头任务，其中，D表示全覆盖行间距，xc表示实时的掉头完成后位置点在横向方向的偏移量，xa表示开始掉头动作时位置点在横向方向的偏移量，Td表示偏差阈值，Te表示偏航偏差值阈值。
8.根据权利要求1～5中任意一项所述的智能割草机器人无图全覆盖作业控制方法，其特征在于，在被控智能割草机器人的前方以及后方分别安装一个以上的视觉传感器，当被控智能割草机器人按照前向路径行驶过程中，获取由前方视觉传感器采集到的图像以确定得到当前的动作决策，执行完前向路径的割草任务后需要返回执行后向路径的割草任务时，控制被控智能割草机器人采用倒车运动方式行驶，并在被控智能割草机器人后向行驶过程中，获取由后方视觉传感器采集到的图像以确定得到当前的动作决策。
9.一种智能割草机器人设备，包括处理器以及存储器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于执行所述计算机程序以执行如权利要求1～8中任意一项所述方法。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～8中任意一项所述的方法。
CN202510894871.0A 2025-06-30 2025-06-30 智能割草机器人无图全覆盖作业控制方法、设备及介质 Pending CN120742883A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510894871.0A CN120742883A (zh) 2025-06-30 2025-06-30 智能割草机器人无图全覆盖作业控制方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510894871.0A CN120742883A (zh) 2025-06-30 2025-06-30 智能割草机器人无图全覆盖作业控制方法、设备及介质

Publications (1)

Publication Number Publication Date
CN120742883A true CN120742883A (zh) 2025-10-03

Family

ID=97183100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510894871.0A Pending CN120742883A (zh) 2025-06-30 2025-06-30 智能割草机器人无图全覆盖作业控制方法、设备及介质

Country Status (1)

Country Link
CN (1) CN120742883A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121185318A (zh) * 2025-11-21 2025-12-23 农业农村部南京农业机械化研究所 一种蔬菜收运一体机的智能化融合控制导航系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121185318A (zh) * 2025-11-21 2025-12-23 农业农村部南京农业机械化研究所 一种蔬菜收运一体机的智能化融合控制导航系统

Similar Documents

Publication Publication Date Title
AU2021218647B2 (en) Autonomous machine navigation with object detection and 3D point cloud
EP3833176B1 (en) Autonomous machine navigation and training using vision system
US9603300B2 (en) Autonomous gardening vehicle with camera
EP2169503B1 (en) Multi-vehicle high intensity perception
US8478493B2 (en) High integrity perception program
US8818567B2 (en) High integrity perception for machine localization and safeguarding
US9188980B2 (en) Vehicle with high integrity perception system
US20180156622A1 (en) Method and robot system for autonomous control of a vehicle
EP4066076B1 (en) Autonomous machine navigation in various lighting environments
CN105700533A (zh) 基于北斗导航的农业机械自动驾驶控制系统及方法
Zhang et al. 3D perception for accurate row following: Methodology and results
WO2021227792A1 (zh) 农机自动导航方法、农机自动导航系统以及农机
US9821847B2 (en) Method for guiding an off-road vehicle along a curved path
US20260041033A1 (en) Method for determining information, remote terminal, and mower
CN116839570B (zh) 一种基于传感器融合目标检测的作物行间作业导航方法
EP3953782B1 (en) Autonomous machine navigation in lowlight conditions
CN120742883A (zh) 智能割草机器人无图全覆盖作业控制方法、设备及介质
CN115328112B (zh) 自移动设备、移动轨迹调整方法及计算机可读存储介质
WO2024198294A1 (zh) 机器人及其地图构建与定位方法
JPH10307627A (ja) 自律走行作業車の作業境界検出装置及び倣い走行制御装置
CA3160530A1 (en) Autonomous machine navigation in various lighting environments
CN119860747A (zh) 一种基于视觉检测的窄通道遍历方法
JP2025531122A (ja) 自律型マシン作業領域の境界定義
CN115326054A (zh) 一种履带式农用车的自动导航方法
CN121349061A (zh) 一种室内外模式切换的智能农机横向控制方法与相关装置

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