WO2023123117A1

WO2023123117A1 - 一种割草机器人避障方法和割草机器人

Info

Publication number: WO2023123117A1
Application number: PCT/CN2021/142674
Authority: WO
Inventors: 朱森强
Original assignee: 广东美的白色家电技术创新中心有限公司; 美的集团股份有限公司
Priority date: 2021-12-29
Filing date: 2021-12-29
Publication date: 2023-07-06

Abstract

一种割草机器人的避障方法和割草机器人，割草机器人的避障方法包括：割草机器人获得障碍物的信息；基于障碍物的信息确定障碍物为静态障碍物或动态障碍物；确定静态障碍物或动态障碍物对应的避障策略；利用确定的避障策略进行避障。

Description

一种割草机器人避障方法和割草机器人

技术领域

本发明涉及割草机器人技术领域，特别是涉及一种割草机器人避障方法和割草机器人。

背景技术

避障是指移动机器人在行走过程中，通过传感器感知到在其规划路线上存在障碍物时，按照一定的算法实时更新路径，绕过障碍物，最后达到目标点。移动机器人导航过程中的避障是机器人完成作业任务的关键技术之一。

本申请的发明人在长期研发中发现，割草机器人运行过程中，会遇到各种不同的动态和静态障碍物。传统的bug算法和势场法等在应对静态障碍物时能获得比较好的避障效果，但在动态障碍物时，往往容易出现效率低甚至陷入局部最优的情况。

发明内容

本发明主要解决的技术问题是提供一种割草机器人避障方法和割草机器人，能够使割草机器人应对动静态障碍物不同的避障需求，有效提高避障效率。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种割草机器人的避障方法，该割草机器人的避障方法包括：割草机器人获得障碍物的信息；基于障碍物的信息确定障碍物为静态障碍物或动态障碍物；确定静态障碍物或动态障碍物对应的避障策略；利用确定的避障策略进行避障。

其中，确定静态障碍物或动态障碍物对应的避障策略包括：在确定为动态障碍物的情况下确定当前的避障策略为动态障碍物的避障策略；利用确定的避障策略进行避障包括：利用声和/或光的方式进行警告驱离。

其中，利用动态障碍物的避障策略进行避障之后包括：确定障碍物是否移动；响应于障碍物未移动，确定障碍物为静态障碍物；利用静态障碍物的避障策略进行避障。

其中，割草机器人获得障碍物的信息包括：割草机器人获得障碍物的类型信息；基于障碍物的信息确定障碍物为静态障碍物或动态障碍物包括：基于障碍物的类型信息确定障碍物为静态障碍物或动态障碍物；确定静态障碍物或动态障碍物对应的避障策略包括：在确定为动态障碍物的情况下确定当前的避障策略为动态障碍物的避障策略，动态障碍物的避障策略包括利用警告方式对动态障碍物进行警告驱离，不同动态障碍物对应不同的动态障碍物的避障策略，在确定为静态障碍物的情况下确定当前的避障策略为静态障碍物的避障策略，静态障碍物的避障策略包括利用对应的避障路径曲线进行避障，或利用对应的警告方式进行提示后利用对应的避障路径曲线进行避障，不同静态障碍物对应不同的静态障碍物的避障策略，其中，警告方式包括原地摆动，和/或声，和/或光的方式；利用确定的避障策略进行避障包括：基于动态障碍物的类型信息，利用对应的警告方式对动态障碍物进行警告驱离；基于静态障碍物的类型信息，利用对应的避障路径曲线进行避障，或利用对应的警告方式进行提示并利用对应的避障路径曲线进行避障。

其中，割草机器人获得障碍物的类型信息包括：割草机器人通过将拍摄得到的障碍物图像输入深度学习模型，进而识别得到障碍物的类型信息。

其中，确定静态障碍物或动态障碍物对应的避障策略之前包括：割草机器人基于自身的信息和障碍物的信息，生成障碍物的避障路径；利用确定的避障策略进行避障包括：在确定为静态障碍物的情况下确定当前的避障策略为静态障碍物的避障策略；利用确定的避障策略进行避障包括：利用静态障碍物的避障策略进行避障。

其中，割草机器人基于自身的信息和障碍物的信息，生成障碍物的避障路径包括：割草机器人基于自身的位置、路径点和尺寸信息和障碍物的尺寸、位置、距离和类型信息，生成障碍物的避障路径。

其中，割草机器人基于自身的位置、路径点和尺寸信息和障碍物的尺寸、位置、距离和类型信息，生成障碍物的避障路径包括：基于障碍物的尺寸、位置、类型信息以及割草机器人的尺寸信息确定障碍物的扩展轮廓；响应于障碍物的距离小于预设距离，确定路径点位于障碍物内部的内点，以及确定割草机器人的位置和内点的连线与扩展轮廓的交点；以交点为起点沿着扩展轮廓进行搜索，直至扩展轮廓上的轮廓点与路径点上的目标点连线不与障碍物相交为止，确定相交时的轮廓点；将割草机器人的位置至交点、交点至轮廓点的扩展轮廓部分、以及轮廓点至目标点的连线部分作为新的路径点，并作为避障路径。

其中，以交点为起点沿着扩展轮廓进行搜索，直至扩展轮廓上的轮廓点与路径点上的目标点连线不与障碍物相交为止，确定相交时的轮廓点包括：以交点为起点沿着扩展轮廓向两侧进行搜索，直至扩展轮廓上两侧的轮廓点与路径点上的目标点连线均不与障碍物相交为止，确定相交时的轮廓点。

其中，将割草机器人的位置至交点、交点至轮廓点的扩展轮廓部分、以及轮廓点至目标点的连线部分作为新的路径点，并作为避障路径包括：将割草机器人的两侧连线部分中较短的连线部分的路径点作为新的路径点，并作为避障路径，连线部分为割草机器人的位置至交点、交点至轮廓点的扩展轮廓部分、以及轮廓点至目标点的连线。

其中，基于障碍物的尺寸、位置、类型信息以及割草机器人的尺寸信息确定障碍物的扩展轮廓包括：基于障碍物的尺寸、位置、类型信息以及割草机器人的尺寸信息确定障碍物的多边形形态的扩展轮廓；以交点为起点沿着扩展轮廓进行搜索，直至扩展轮廓上的轮廓点与路径点上的目标点连线不与障碍物相交为止，确定此时位置的轮廓点包括：以交点为起点沿着扩展轮廓的多边形顶点进行搜索，直至扩展轮廓上的顶点与路径点上的目标点连线不与障碍物相交为止，确定此时位置的顶点。

其中，基于障碍物的尺寸、位置、类型信息以及割草机器人的尺寸信息确定障碍物的扩展轮廓包括：基于障碍物的尺寸、位置、类型信息确定障碍物的实际轮廓；将实际轮廓近似为多边形形态的实际轮廓，以多边形形态的实际轮廓为基础结合割草机器人的尺寸信息确定障碍物的多边形形态的扩展轮廓。

其中，利用确定的避障策略进行避障之后包括：获取割草机器人的避障评分，避障评分包括机器人自行评分和/或人工评分；基于避障评分对割草机器人的避障参数进行调整。

其中，避障评分包括动态障碍物避障评分和静态障碍物避障评分，基于避障评分对割草机器人的避障参数进行调整包括：响应于动态障碍物避障评分低于动态障碍物避障预设评分，调整动态障碍物对应的警告方式，以使动态障碍物避障评分不低于动态障碍物避障预设评分；响应于静态障碍物避障评分低于静态障碍物避障预设评分，调整静态障碍物对应的避障路径曲线和/或警告方式，以使静态障碍物避障评分不低于静态障碍物避障预设评分。

其中，避障评分包括执行距离评分、绕障距离评分、速度评分和角速度评分，基于避障评分对割草机器人的避障参数进行调整包括：响应于执行距离评分低于执行距离预设评分，调整割草机器人的执行距离以使执行距离评分不低于执行距离预设评分；响应于绕障距离评分低于绕障距离预设评分，调整割草机器人的绕障距离以使绕障距离评分不低于绕障距离预设评分；响应于速度评分低于速度预设评分，调整割草机器人的速度以使速度评分不低于速度预设评分；响应于角速度评分低于角速度预设评分，调整割草机器人的角速度以使角速度评分不低于速度预设评分；其中，执行距离为需要执行绕障策略时割草机器人与障碍物之间的距离，绕障距离为执行绕障策略过程中割草机器人与障碍物的最短距离。

其中，割草机器人获得障碍物的信息后包括：保存障碍物的信息；累计障碍物的信息的保存时长；响应于保存时长大于预设时长，删除障碍物的信息。

为解决上述技术问题，本发明采用的另一个技术方案是：提供一种割草机器人，该割草机器人包括，机体；割草组件，安装于机体；信息采集组件，安装于机体并用于采集障碍物信息；控制器，安装于机体并用于控制机体配合信息采集组件，采用上述的方法进行避障。

本发明的有益效果是：区别于现有技术的情况，本发明的割草机器人通过对障碍物的动静态进行识别，根据预先设定的避障策略，为动态障碍物和静态障碍物选择相应的避障策略，使割草机器人能够应对实际应用中动静态障碍物不同的避障需求，有效提高避障效率。

附图说明

图1是本申请割草机器人的避障方法一实施方式的流程示意图；

图2是本申请割草机器人的避障方法一实施方式中深度强化学习的框架图；

图3是本申请割草机器人的避障方法另一实施方式中的流程示意图；

图4是本申请割草机器人的对避障静态障碍物避障的方法一实施方式的流程示意图；

图5a是本申请割草机器人的避障方法中一障碍物的扩展轮廓的示意图；

图5b是本申请割草机器人的避障方法中路径规划第一具体实施方式的示意图；

图5c是本申请割草机器人的避障方法中路径规划第二具体实施方式的示意图；

图5d是本申请割草机器人的避障方法中路径规划第三具体实施方式的示意图；

图6是申请割草机器人的避障方法又一实施方式中的流程示意图；

图7是本申请割草机器人的避障方法一具体实施方式的流程示意图；

图8是本申请割草机器人的结构示意图。

具体实施方式

为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。

避障是指移动机器人在行走过程中，通过传感器感知到在其规划路线上存在静态或动态障碍物时，按照一定的算法实时更新路径，绕过障碍物，最后达到目标点。移动机器人导航过程中的避障是机器人完成作业任务的关键技术之一。割草机器人在运行过程中，会遇到不同的障碍物，目前的避障算法主要有以下几类：Bug算法、势场法、模糊逻辑控制、基于栅格代价图的避障方法以及基于人工神经网络的智能算法。Bug算法是在发现障碍物后，围着检测到的障碍物轮廓行走，从而绕开它。Bug算法目前有很多变种，在许多简单的场景中，实现起来比较容易和方便，但其并没有考虑到机器人的动力学等限制，因此在更复杂的实际环境中不太稳定。人工势场避障控制法，仿照物理学中电势和电场力的概念，建立机器人工作空间中的虚拟势场，按照虚拟势场力方向，实现局部路径规划。势场法在理论上有诸多局限性，比如局部最小点问题，或者震荡性的问题。模糊逻辑控制法，不必创建可分析的环境模型，把知识和经验转化成规则，然后根据规则库的规则生成模糊控制输出。基于栅格代价图的避障是用启发式算法在单元中搜索安全路径，赋予每个栅格一个代价后，路径规划问题就变成在栅格网上寻求两个栅格节点间的最优路径问题。基于人工神经网络的避障是将外界环境信息输入训练后的神经网络，可以得到避障控制输出，神经网络是按照一定的拓扑结构相互连接而成的一种具有并行计算能力的网络系统，它具有较强的非线性拟合能力和多输入多输出同时处理的能力。传统的bug算法和势场法等在应对静态障碍物时能获得比较好的避障效果，在动态障碍物时，往往容易出现效率低甚至陷入局部最优的情况。基于栅格代价图的方法，往往需要有激光雷达等传感器用于获取感知信息，而环境中的杂草对传感器具有很大干扰。

而本申请提供一种割草机器人的避障方法，割草机器人通过对障碍物的动静态进行识别，根据预先设定的避障策略，为动态障碍物和静态障碍物选择相应的避障策略，使割草机器人能够应对实际应用中动静态障碍物不同的避障需求，有效提高避障效率。

请参阅图1，图1是本申请割草机器人的避障方法一实施方式的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施方式包括：

S110：割草机器人获得障碍物的信息。

当遇到障碍物时，割草机器人先利用自身的传感器对障碍物进行识别检测，获取障碍物的信息。

S130：基于障碍物的信息确定障碍物为静态障碍物或动态障碍物。

为不同类型的障碍物设定不同的避障策略，在本申请的实施方式中，根据障碍物的类型信息选择对应的避障策略，以对障碍物进行避障。在一实施方式中，将障碍物分为动态障碍物和静态障碍物，对两种障碍物采用不同的避障策略。进一步地，基于障碍物的信息确定障碍物为静态障碍物或动态障碍物。

S150：确定静态障碍物或动态障碍物对应的避障策略。

预先设置多种避障策略，当检测当前障碍物为动态障碍物时，利用动态障碍物的避障策略对当前障碍物进行避障，不同动态障碍物对应不同的动态障碍物的避障策略。当检测当前障碍物为静态障碍物时，利用静态障碍物的避障策略对当前障碍物进行避障。不同静态障碍物对应不同的静态障碍物的避障策略。

S170：利用确定的避障策略进行避障。

该实施方式中，本申请提供一种割草机器人的避障方法，割草机器人通过对障碍物的动静态进行识别，根据预先设定的避障策略，为动态障碍物和静态障碍物选择相应的避障策略，使割草机器人能够应对实际应用中动静态障碍物不同的避障需求，有效提高避障效率。

可选的，在本申请的割草机器人的避障方法中，设置有三个模块，分别为视觉超声融合感知模块、基于深度强化学习下的避障策略模块和避障规划模块。

移动机器人需要通过传感器实时获取自身周围障碍物信息，包括尺寸、形状和位置等信息。避障使用的传感器多种多样，各有不同的原理和特点，目前常见的主要有视觉传感器、激光传感器、红外传感器、超声波传感器等。在本申请的实施方式中，主要采用视觉传感器和超声传感器。

割草机器人上安装有视觉传感器和超声传感器，其中，视觉传感器为单目摄像头，在视觉超声融合感知模块采用视觉传感器和超声传感器融合方式获取环境和障碍物的信息，包括障碍物的类型信息、尺寸信息、位置信息和障碍物标签等。障碍物标签用于区别检测到的不同障碍物，不同障碍物对应有不同标签。当对同一个障碍物进行检测时，由于视觉传感器获取到的障碍物的信息的不确定性，同一个障碍物，前后两次测量和检测数据会有不同，可能导致系统误识别为两个不同的障碍物，因此，将检测到的障碍物信息暂存，根据障碍物的位置信息和障碍物标签，对障碍物进行预测，并对比当前检测的障碍物信息和暂存的历史障碍物信息，滤除重复障碍物，从而避免障碍物重影。再将障碍物信息以及获取该障碍物信息的时间信息保存到数据库中，用于输入避障策略模块进行避障策略规划。当障碍物离开视觉传感器的视野时采用时间窗口暂存障碍物信息。同时，累计障碍物信息的保存时长，当保存时长大于预设时长，则将障碍物信息从数据库中删除，避免由于时效问题导致误差较大。

基于深度强化学习下的避障策略模块对障碍物的信息进行处理，为障碍物规划避障策略。基于深度强化学习下的避障策略模块中包含一个避障控制模型，该模型是利用大量的实际和仿真数据训练得到的深度神经网络模型，请参阅图2，图2是本申请割草机器人的避障方法一实施方式中深度强化学习的框架图。深度强化学习框架主要包括状态空间、动作策略空间和奖励函数。状态空间用于存放机器人和障碍物的信息，其中，机器人的信息包括机器人的当前位置信息、姿态信息、尺寸信息和规划的预设轨迹信息等，障碍物的信息包括利用上述视觉超声融合感知模块获取的障碍物的类型信息、尺寸信息和位置信息等。割草机器人获得障碍物的类型信息，基于障碍物的信息确定障碍物为静态障碍物或动态障碍物，在确定为动态障碍物的情况下确定当前的避障策略为动态障碍物的避障策略，动态障碍物的避障策略包括利用警告方式对动态障碍物进行警告驱离，不同动态障碍物可以对应不同的动态障碍物的避障策略。在确定为静态障碍物的情况下确定当前的避障策略为静态障碍物的避障策略，静态障碍物的避障策略包括利用对应的避障路径曲线进行避障，或利用对应的警告方式进行提示后利用对应的避障路径曲线进行避障，不同静态障碍物可以对应不同的静态障碍物的避障策略，基于静态障碍物的类型信息，利用对应的避障路径曲线进行避障，或利用对应的警告方式进行提示并利用对应的避障路径曲线进行避障。其中，警告方式包括原地摆动，和/或声，和/或光的方式。

利用动态障碍物的避障策略进行避障之后，确定障碍物是否移动；如果障碍物没有移动，则确定障碍物为静态障碍物；利用静态障碍物的避障策略进行避障。

动作策略空间用于存放割草机器人避障的策略，如避障声音类型、避障灯光类型、避障动作类型和避障曲线类型等。每种避障类型下提供多种可搭配的选择，以预先为可能遇到的障碍物设定一种避障策略或者结合多种避障策略。其中，避障声音类型包括提示语音，如常规语音、警告动物语音、提醒人语音等以及对应的声音大小。避障灯光类型可以是常亮、闪烁或跑马灯等以及对应的灯光颜色。避障动作类型可以是左右摇摆、前后摇摆或旋转等以及对应的动作速度。避障曲线类型可以是直线、样条函数曲线及其多种组合等以及对应的移动速度。

避障策略的生成过程可以是：将状态空间的障碍物信息和机器人信息、动作策略空间的避障策略信息输入训练好的避障控制模型中，输出对障碍物的避障策略，割草机器人根据输出的避障策略执行避障动作。

上述避障策略的生成过程可以利用奖励函数。奖励函数是用于根据外部和内部的评价对避障控制模型进行参数调整，以选择更优的避障策略进行输出。其中，可以采取评分策略的方式对避障控制模型提供意见反馈，评分策略分为机器人自行评分策略和人工评分策略。当割草机器人完成避障动作之后，割草机器人可以结合避障效果对避障过程中的避障参数进行评价打分，用户也可以根据割草机器人避障效果和自身的满意度对其避障参数进行评价打分，将打分结果反馈至避障控制模型中，避障控制模块对打分较低的避障参数进行学习，以为割草机器人输出更优的避障策略。

具体地，请参阅图3，图3是本申请割草机器人的避障方法另一实施方式中的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图3所示的流程顺序为限。如图3所示，本实施方式包括：

S310：割草机器人获得障碍物的信息。

割草机器人上安装有视觉传感器和超声传感器，其中，视觉传感器为单目摄像头，在视觉超声融合感知模块中，割草机器人结合视觉传感器和超声传感器获取障碍物的信息，

首先，割草机器人利用视觉传感器对障碍物进行拍摄，从摄像头获取障碍物的图像，将拍摄得到的障碍物图像输入训练好的深度学习模型，识别出障碍物的类型信息、尺寸信息和视觉位置信息并输出。

然后利用超声波传感器向障碍物发送超声波，获取障碍物的超声距离信息，再结合超声波传感器获取的超声距离信息对视觉传感器输出的视觉位置信息，得到障碍物的位置信息。一般地，若割草机器人在行进过程中，则当利用视觉传感器输出视觉位置信息时，障碍物与割草机器人的距离已发生变化，则障碍物想到割草机器人的视觉位置信息不准确，此时，利用超声波传感器再次获取障碍物的超声距离信息，利用超声距离信息作为此时障碍物的距离信息，将超声距离信息对视觉位置信息做进一步优化调整，能够消除视觉传感器的延时误差，得到障碍物的位置信息。而当超声波传感器没有检测到障碍物时，则直接将视觉传感器获取的视觉位置信息作为障碍物的位置信息。

在另一实施方式中，障碍物的信息包括障碍物的类型信息、尺寸信息、位置信息和障碍物标签等。障碍物标签用于区别检测到的不同障碍物，不同障碍物对应有不同标签。当对同一个障碍物进行检测时，由于视觉传感器获取到的障碍物的信息的不确定性，同一个障碍物，前后两次测量和检测数据会有不同，可能导致系统误识别为两个不同的障碍物，因此，将检测到的障碍物信息暂存，根据障碍物的位置信息和障碍物标签，对障碍物进行预测，并对比当前检测的障碍物信息和暂存的历史障碍物信息，滤除重复障碍物，从而避免障碍物重影。再将障碍物信息以及获取该障碍物信息的时间信息保存到数据库中，用于输入避障策略模块进行避障策略规划。当障碍物离开视觉传感器的视野时采用时间窗口暂存障碍物信息，累计障碍物信息的保存时长，当保存时长大于预设时长，则将障碍物信息从数据库中删除。

S320：基于障碍物的信息确定障碍物为静态障碍物或动态障碍物。

为不同类型的障碍物设定不同的避障策略，在本申请的实施方式中，根据障碍物的类型信息选择对应的避障策略，以对障碍物进行避障。在一实施方式中，将障碍物分为动态障碍物和静态障碍物，对两种障碍物采用不同的避障策略。

进一步地，基于障碍物的类型信息确定障碍物为静态障碍物或动态障碍物。在本申请的实施方式中，预先建立障碍物动态静态对应表，将常见障碍物的类型信息和其对应的静态障碍物或动态障碍物作为障碍物动态静态对应表。根据障碍物的类型信息查找障碍物动态静态对应表，判断障碍物为静态障碍物或动态障碍物。

S330：在确定为动态障碍物的情况下确定当前的避障策略为动态障碍物的避障策略。

当检测当前障碍物为动态障碍物时，利用动态障碍物的避障策略对当前障碍物进行避障，不同动态障碍物对应不同的动态障碍物的避障策略。其中，动态障碍物的避障策略包括利用警告方式对动态障碍物进行警告驱离，警告方式包括避障动作，和/或声，和/或光的方式。

S340：利用动态障碍物的避障策略进行避障。

对于动态障碍物而言，因障碍物可能会移动，难以规划路径，首先利用警告方式对动态障碍物进行警告驱离。具体地，利用避障动作进行警告驱离时，根据动态障碍物的类型选择最能引起该动态障碍物的注意的避障动作，如原地摆动，包括但不限于左右摇摆、前后摇摆，旋转等动作，并为不同的动态障碍物调整摆动的速度。利用声的方式进行警告驱离时，预先生成多种不同的避障声音以应对不同的避障场景，如警告动物和警告人时采用不同的声音。利用光的方式进行警告驱离时，主要利用安装在机器人上得LED灯，预先为LED灯设置不同的颜色，以及亮灯方式，如常亮、闪烁或跑马灯等，并根据动态障碍物的类型选择最能引起该动态障碍物的注意的灯光颜色。在本申请的实施方式中，提供的动态障碍物的避障策略中可能包含一种或多种警告方式，如在一具体实施方式中，对一动态障碍物在左右摆动的同时亮跑马灯。此步骤之后进行步骤S370。

S350：在确定为静态障碍物的情况下确定当前的避障策略为静态障碍物的避障策略。

此步骤与步骤S330并列，与步骤S330一样均是步骤S320后的择一性分支。当检测当前障碍物为静态障碍物时，利用静态障碍物的避障策略对当前障碍物进行避障。不同静态障碍物对应不同的静态障碍物的避障策略，其中，静态障碍物的避障策略可以是利用对应的避障路径曲线进行避障，或利用对应的警告方式进行提示并利用对应的避障路径曲线进行避障，警告方式可以是避障动作，和/或声，和/或光的方式。

S360：利用静态障碍物的避障策略进行避障。

对于静态障碍物而言，障碍物不移动，便于规划路径，可以直接采用避障曲线进行绕障，也可以在绕障的同时进行警告，以显示当前割草机器人正在进行避障。割草机器人基于自身的信息和障碍物的信息，生成障碍物的避障路径。具体地，利用避障动作进行警告驱离时，选择避障动作，如原地摆动，可以是左右摇摆、前后摇摆或旋转等动作，并可以调整摆动的速度。利用声的方式进行警告驱离时，预先生成多种不同的避障声音以应对不同的避障场景。利用光的方式进行警告驱离时，主要利用安装在机器人上得LED灯，预先为LED灯设置不同的颜色，以及亮灯方式，如常亮、闪烁或跑马灯等，并选择不同的灯光颜色。当采用避障曲线进行绕障时，避障曲线可以是多条直线的组合、拟合多条平滑曲线的组合、直线和平滑曲线的组合等，割草机器人采用规划好的避障曲线对应的避障路径移动，以进行绕障。

在一具体实施方式中，在确定为静态障碍物的情况下，利用静态障碍物的避障策略进行避障，静态避障策略可以是利用对应的避障路径曲线进行避障，或利用对应的警告方式进行提示之后利用对应的避障路径曲线进行避障。避障路径选择多条直线的组合，割草机器人基于机器人自身的信息和障碍物的信息，即基于自身的位置、路径点和尺寸信息和障碍物的尺寸、位置、距离和类型信息，生成静态障碍物的避障路径。其中，路径点为割草机器人在行走的避障路径上的点集。请参阅图4，图4是本申请割草机器人的对避障静态障碍物避障的方法一实施方式的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图4所示的流程顺序为限。如图4所示，本实施方式包括：

S410：基于障碍物的尺寸、位置、类型信息以及割草机器人的尺寸信息确定障碍物的扩展轮廓。

基于障碍物的尺寸、位置、类型信息以及割草机器人的尺寸信息确定障碍物的多边形形态的扩展轮廓，一般地，将实际轮廓近似为多边形形态的实际轮廓，以多边形形态的实际轮廓为基础结合割草机器人的尺寸信息确定障碍物的多边形形态的扩展轮廓。

利用障碍物的位置信息得到障碍物的定位坐标，将障碍物的定位坐标与其类型信息和尺寸信息确定其实际轮廓。为方便割草机器人可以沿着障碍物的实际轮廓进行避障，减少避障过程中的路径长度，将障碍物的实际轮廓向外侧扩展，得到扩展轮廓。该扩展轮廓中有一部分会作为新规划的避障路径，即割草机器人会在该避障路径上行走，因此扩展轮廓的大小会影响割草机器人的行走路径长度以及割草机器人在避障过程中是否会与障碍物相撞。因此，在该实施方式中，预先获取割草机器人的尺寸信息，利用割草机器人的尺寸信息确定扩展轮廓的扩展范围，以使割草机器人在扩展轮廓上行走时不会与障碍物相撞。在该实施方式中，实际轮廓可以为多种形态，如圆形、多边形等，但圆形对于割草机器人的行走要求高且坐标获取难度高，同时，在之后的路径规划过程中，圆形不便于寻找新的路径上的节点，因此，一般地，为方便获取实际轮廓的坐标，将障碍物的实际轮廓近似为多边形，以多边形形态的实际轮廓为基础结合割草机器人的尺寸信息向外扩展一定距离形成一个更大的多边形，将更大的多边形作为障碍物的多边形形态的扩展轮廓。多边形具有多个顶点和边，当割草机器人在多边形的扩展轮廓上行走时，在多边形的边上以直线行走，在顶点处转换方向，提高避障效率。在一具体实施方式中，请参阅图5a，图5a是本申请割草机器人的避障方法中一障碍物的扩展轮廓的示意图。将障碍物的轮廓近似为四边形，并将障碍物的轮廓向外扩展行程一个更大的四边形，得到扩展轮廓，即膨胀层。

S430：利用扩展轮廓搜索路径点，得到规划路径。

利用障碍物的位置信息获取割草机器人和障碍物之间的距离，当距离小于预设距离，则利用对应的避障路径曲线进行避障，或利用对应的警告方式进行提示之后利用对应的避障路径曲线进行避障。

如果障碍物的距离小于预设距离，确定路径点位于障碍物内部的内点，以及确定割草机器人的位置和内点的连线与扩展轮廓的交点；割草机器人沿当前的路径继续向前检测，将离开障碍物内部的点作为路径点上的目标点。以交点为起点沿着扩展轮廓进行搜索，直至扩展轮廓上的轮廓点与路径点上的目标点连线不与障碍物相交为止，确定相交时的轮廓点；将割草机器人的位置至交点、交点至轮廓点的扩展轮廓部分、以及轮廓点至目标点的连线部分作为新的路径点，并作为避障路径。

请参阅图5b，图5b是本申请割草机器人的避障方法中路径规划第一具体实施方式的示意图。如图5b所示，曲线A-B为割草机器人的当前路径，其中，A点为割草机器人的当前所在位置，B点为目标点。当前路径与障碍物的实际轮廓的交点为C点和D点。在一实施方式中，割草机器人沿当前规划路径向前检测，检测是否存在路径点为位于障碍物内部的点，并将检测到的一个位于障碍物内部的点作为内点，在图5b中，曲线A-B上得在C点和D点之间的点均为内点，选择E点作为内点，将割草机器人的自身位置和内点进行连线，确定连线与扩展轮廓的交点为F点。将该交点F点作为起点，沿着扩展轮廓进行路径点的搜索，直至扩展轮廓上的点与路径点上的目标点连线不与障碍物相交为止，确定相交时的点作为轮廓点，如搜索到扩展轮廓上的a点，a点与目标点B点连线不与障碍物相交，确定a点为轮廓点；将割草机器人的自身位置至交点、交点至轮廓点的扩展轮廓部分、以及轮廓点至目标点的连线部分作为新的路径点，并作为避障路径，即将A-F-a-B的连线作为避障路径。

请参阅图5c，图5c是本申请割草机器人的避障方法中路径规划第二具体实施方式的示意图。在一实施方式中，割草机器人沿当前规划路径向前检测，检测是否存在路径点为位于障碍物内部的点，并将检测到的第一个位于障碍物内部的点作为内点，在图5b中，曲线A-B上得在C点和D点之间的点均为内点，选择C点作为内点，将割草机器人的自身位置和内点进行连线，确定连线与扩展轮廓的交点为G点。将该交点G点作为起点，沿着扩展轮廓进行路径点的搜索，直至扩展轮廓上的点与路径点上的目标点连线不与障碍物相交为止，确定相交时的点作为轮廓点，如搜索到扩展轮廓上的b点，b点与目标点B点连线不与障碍物相交，确定b点为轮廓点；将割草机器人的自身位置至交点、交点至轮廓点的扩展轮廓部分、以及轮廓点至目标点的连线部分作为新的路径点，并作为避障路径，即将A-G-b-B的连线作为避障路径。

请参阅图5d，图5d是本申请割草机器人的避障方法中路径规划第三具体实施方式的示意图。在另一实施方式中，割草机器人沿当前规划路径向前检测，检测是否存在路径点为位于障碍物内部的点，并将检测到的第一个位于障碍物内部的点作为内点，在图5d中，曲线A-B上得在C点和D点之间的点均为内点，选择C点作为内点。将割草机器人的自身位置和内点进行连线，确定连线与扩展轮廓的交点。将该交点作为起点，沿着扩展轮廓向两侧进行搜索，直至扩展轮廓两侧上的点与路径点上的目标点连线均不与障碍物相交为止，将割草机器人的两侧连线部分中较短的连线部分的路径点作为新的路径点，并作为避障路径，连线部分为割草机器人的位置至交点、交点至所述轮廓点的扩展轮廓部分、以及轮廓点至所述目标点的连线；割草机器人从G点分别想扩展轮廓的两侧进行搜索，分别搜索到扩展轮廓上的c点和d点，c点、d点均与目标点B点连线不与障碍物相交，则分别判断A-G-c-B的连线和A-G-d-B的连线中较短的联系，其中，A-G-c-B的连线较短。将割草机器人的自身位置至交点、交点至轮廓点的扩展轮廓部分、以及轮廓点至目标点的连线部分作为新的路径点，并作为避障路径，即将A-G-c-B的连线作为避障路径。

在该实施方式中，将障碍物近似为多边形，并为障碍物设定膨胀层，沿着膨胀层搜索避障路径，避免割草机器人在避障过程中与障碍物相撞的同时能够方便快捷得到避障路径。

S370：获取割草机器人的避障评分，基于避障评分对割草机器人的避障参数进行调整。

由割草机器人自身进行避障评分，或者用户进行直接人工评分，或者将割草机器人评分和人工评分相结合，基于避障评分，对割草机器人在整个避障规划过程中的参数进行调整，以使割草机器人的避障精度更高。

其中，可以对静态障碍物和动态障碍物的避障效果进行直接评分，也可以对警告方式的参数，如可以是对避障声音类型、避障灯光类型、避障动作类型和避障曲线类型的评分，或者声音大小、灯光颜色、警告方式的组合等进行直接评分。还可以对避障过程中使用的具体避障参数进行评分，如割草机器人需要执行绕障策略时割草机器人与障碍物之间的执行距离，割草机器人执行绕障策略过程中割草机器人与障碍物的最短距离，割草机器人避障时的行走速度和角速度，实际轮廓曲线和膨胀层曲线形态等。

在一实施方式中，避障评分可以是避障策略的组合方式，对多种避障声音类型、避障灯光类型、避障动作类型或避障曲线类型的组合进行评分，当组合评分低于组合预设评分时，调整各个避障类型的组合，以使得组合评分不低于组合预设评分。

在另一实施方式中，避障评分可以是动态障碍物避障评分和静态障碍物避障评分，当动态障碍物避障评分低于动态障碍物避障预设评分时，对动态障碍物对应的警告方式进行调整，以使得动态障碍物避障评分不低于动态障碍物避障预设评分；当静态障碍物避障评分低于静态障碍物避障预设评分时，对静态障碍物对应的避障路径曲线和/或警告方式进行调整，以使静态障碍物避障评分不低于静态障碍物避障预设评分。

在另一实施方式中，避障评分可以是执行距离评分、绕障距离评分，其中，绕障距离评分为割草机器人执行绕障策略过程中割草机器人与障碍物的最短距离。当执行距离评分低于执行距离预设评分时，对割草机器人的执行距离进行调整，以使执行距离评分不低于执行距离预设评分；当绕障距离评分低于绕障距离预设评分时，对割草机器人的绕障距离进行调整，以使绕障距离评分不低于绕障距离预设评分。

在另一实施方式中，避障评分可以是速度评分和角速度评分，当速度评分低于速度预设评分时，对割草机器人的速度进行调整，以使速度评分不低于速度预设评分；当角速度评分低于角速度预设评分时，对割草机器人的角速度进行调整，以使角速度评分不低于速度预设评分。

在另一实施方式中，避障评分可以是实际轮廓曲线和膨胀层曲线形态等，当实际轮廓曲线评分低于实际轮廓曲线预设评分时，对割草机器人的实际轮廓曲线进行调整，以使速度评分不低于速度预设评分，具体调整方法可以包括改变轮廓曲线的角度和/或改变轮廓曲线的多边形边数和/或改变轮廓曲线的多边形的边长等；当膨胀层曲线形态评分低于膨胀层曲线形态预设评分时，对割草机器人的膨胀层曲线形态进行调整，以使膨胀层曲线形态评分不低于膨胀层曲线形态预设评分，具体调整方法可以是改变膨胀层曲线的角度和/或改变膨胀层曲线的多边形边数和/或改变膨胀层曲线的多边形的边长等。

在另一实施方式中，避障评分可以是声音类型评分和声音大小评分，当声音类型评分低于声音类型预设评分时，对割草机器人的声音类型进行调整，以使声音类型评分不低于声音类型预设评分；当声音大小评分低于声音大小预设评分时，对割草机器人的声音大小进行调整，以使声音大小评分不低于速度预设评分。

该实施方式中，本发明的割草机器人安装有采用相对低成本的传感器，单目摄像头和超声传感器，并通过融合感知检测障碍物，能有效提高障碍物检测稳定性和测量精度。对障碍物进行分类，不同类型的障碍物采用不同的避障策略，通过对障碍物的动静态进行识别，根据预先设定的避障策略，为动态障碍物和静态障碍物选择相对应的避障策略，使割草机器人能够应对实际应用中动静态障碍物不同的避障需求，有效提高避障效率。同时，设置强化学习决策模块，在使用过程中在线学习，可以在线调整避障策略以及调整多个避障参数，让用户可以根据实际使用环境自主调整避障模式，以优化避障性能。

具体地，请参阅图6，图6是申请割草机器人的避障方法又一实施方式中的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图6所示的流程顺序为限。如图6所示，本实施方式包括：

S610：割草机器人获得障碍物的信息。

然后利用超声波传感器向障碍物发送超声波，获取障碍物的超声距离信息，再结合超声波传感器获取的超声距离信息对视觉传感器输出的视觉位置信息，得到障碍物的位置信息。一般地，若割草机器人在行进过程中，则当利用视觉传感器输出视觉位置信息时，障碍物与割草机器人的距离已发生变化，则障碍物想到割草机器人的视觉位置信息不准确，此时，利用超声波传感器再次获取障碍物的超声距离信息，利用超声距离信息作为此时障碍物的距离信息，将超声距离信息对视觉位置信息做进一步优化调整，消除了视觉传感器的延时误差，得到障碍物的位置信息。而当超声波传感器没有检测到障碍物时，则直接将视觉传感器获取的视觉位置信息作为障碍物的位置信息。

S620：基于障碍物的信息确定障碍物为静态障碍物或动态障碍物。

S630：在确定为动态障碍物的情况下确定当前的避障策略为动态障碍物的避障策略。

当检测当前障碍物为动态障碍物时，利用动态障碍物的避障策略对当前障碍物进行避障，不同动态障碍物对应不同的动态障碍物的避障策略。其中，动态障碍物的避障策略包括利用警告方式对动态障碍物进行警告驱离，警告方式可以是避障动作，和/或声，和/或光的方式。

S640：利用动态障碍物的避障策略进行避障。

对于动态障碍物而言，因障碍物可能会移动，难以规划路径，首先利用警告方式对动态障碍物进行警告驱离。具体地，利用避障动作进行警告驱离时，根据动态障碍物的类型选择最能引起该动态障碍物的注意的避障动作，如原地摆动，可以是左右摇摆、前后摇摆或旋转等动作，并为不同的动态障碍物调整摆动的速度。利用声的方式进行警告驱离时，预先生成多种不同的避障声音以应对不同的避障场景，如警告动物和警告人时采用不同的声音。利用光的方式进行警告驱离时，主要利用安装在机器人上得LED灯，预先为LED灯设置不同的颜色，以及亮灯方式，如常亮、闪烁或跑马灯等，并根据动态障碍物的类型选择最能引起该动态障碍物的注意的灯光颜色。在本申请的实施方式中，提供的动态障碍物的避障策略中可能包含一种或多种警告方式，如在一具体实施方式中，对一动态障碍物在左右摆动的同时亮跑马灯。

对动态障碍物持续一定时间的警告驱离之后，再次对该障碍物进行检测，判断障碍物是否有移动；如果障碍物离开当前视线，则恢复当前的预设任务；如果障碍物未移动，则将该障碍物认定为静态障碍物，利用静态障碍物的避障策略进行避障。

S650：利用静态障碍物的避障策略进行避障。

当检测当前障碍物为静态障碍物时，利用静态障碍物的避障策略对当前障碍物进行避障。不同静态障碍物对应不同的静态障碍物的避障策略，其中，静态障碍物的避障策略包括利用对应的避障路径曲线进行避障，或利用对应的警告方式进行提示并利用对应的避障路径曲线进行避障，警告方式可以是避障动作，和/或声，和/或光的方式。

S660：获取割草机器人的避障评分，基于避障评分对割草机器人的避障参数进行调整。

在该实施方式中，本发明的割草机器人安装有采用相对低成本的传感器，单目摄像头和超声传感器，并通过融合感知检测障碍物，能有效提高障碍物检测稳定性和测量精度。对障碍物进行分类，不同类型的障碍物采用相应的避障策略，通过对障碍物的动静态进行识别，根据预先设定的避障策略，对于动态障碍物选择动态障碍物的避障策略，当动态障碍物不运动时，使用静态障碍物的避障策略，使割草机器人能够应对实际应用中动静态障碍物不同的避障需求，有效提高避障效率。同时，设置强化学习决策模块，在使用过程中在线学习，可以在线调整避障策略以及调整多个避障参数，让用户可以根据实际使用环境自主调整避障模式，以优化避障性能。

请参阅图7，图7是本申请实施方式中割草机器人的具体避障方法的流程示意图。

割草机器人利用视觉超声融合感知模块检测障碍物。割草机器人上安装有视觉传感器和超声传感器，其中，视觉传感器为单目摄像头，在视觉超声融合感知模块中，割草机器人结合视觉传感器和超声传感器获取障碍物的信息，障碍物的信息包括障碍物的类型信息、尺寸信息和位置信息。首先，割草机器人利用视觉传感器对障碍物进行拍摄，从摄像头获取障碍物的图像，将拍摄得到的障碍物图像输入训练好的深度学习模型，识别出障碍物的类型信息、尺寸信息和视觉位置信息并输出。然后利用超声波传感器向障碍物发送超声波，获取障碍物的超声距离信息，再结合超声波传感器获取的超声距离信息对视觉传感器输出的视觉位置信息，得到障碍物的位置信息。一般地，若割草机器人在行进过程中，则当利用视觉传感器输出视觉位置信息时，障碍物与割草机器人的距离已发生变化，则障碍物想到割草机器人的视觉位置信息不准确，此时，利用超声波传感器再次获取障碍物的超声距离信息，利用超声距离信息作为此时障碍物的距离信息，将超声距离信息对视觉位置信息做进一步优化调整，消除了视觉传感器的延时误差，得到障碍物的位置信息。而当超声波传感器没有检测到障碍物时，则直接将视觉传感器获取的视觉位置信息作为障碍物的位置信息。

将障碍物的信息送入深度强化学习模块中进行决策，基于深度强化学习下的避障策略模块对障碍物的信息进行处理，为障碍物规划避障策略。基于深度强化学习下的避障策略模块中包含一个避障控制模型，该模型是利用大量的实际和仿真数据训练得到的深度神经网络模型，对输入的障碍物信息进行分类，并为不同类型的障碍物设定不同的避障策略，在本申请的实施方式中，根据障碍物的类型信息选择对应的避障策略，以对障碍物进行避障。在一实施方式中，将障碍物分为动态障碍物和静态障碍物，对两种障碍物采用不同的避障策略。进一步地，基于障碍物的类型信息确定障碍物为静态障碍物或动态障碍物。在本申请的实施方式中，预先建立障碍物动态静态对应表，将常见障碍物的类型信息和其对应的静态障碍物或动态障碍物作为障碍物动态静态对应表。根据障碍物的类型信息查找障碍物动态静态对应表，判断障碍物为静态障碍物或动态障碍物。

判断输出的决策是否需要绕障。根据上述分类结果判断对于该障碍物的避障是否需要绕障。在一实施方式中，将障碍物当检测当前障碍物为动态障碍物时，利用动态障碍物的避障策略对当前障碍物进行避障，不同动态障碍物对应不同的动态障碍物的避障策略。对于动态障碍物而言，因障碍物可能会移动，难以规划路径，则不需要进行绕障。

若不需要绕障，则利用语音、灯光、机器人动作等方式进行驱离警告；具体地，利用避障动作进行警告驱离时，根据动态障碍物的类型选择最能引起该动态障碍物的注意的避障动作，如原地摆动，可以是左右摇摆、前后摇摆或旋转等动作，并为不同的动态障碍物调整摆动的速度。利用声的方式进行警告驱离时，预先生成多种不同的避障声音以应对不同的避障场景，如警告动物和警告人时采用不同的声音。利用光的方式进行警告驱离时，主要利用安装在机器人上得LED灯，预先为LED灯设置不同的颜色，以及亮灯方式，如常亮、闪烁或跑马灯等，并根据动态障碍物的类型选择最能引起该动态障碍物的注意的灯光颜色。在本申请的实施方式中，提供的动态障碍物的避障策略中可能包含一种或多种警告方式，如在一具体实施方式中，对一动态障碍物在左右摆动的同时亮跑马灯。

当对动态障碍物持续一定时间的警告驱离之后，再次对该障碍物进行检测，判断障碍物是否有移动；如果障碍物未移动，则将该障碍物认定为静态障碍物，则需要进行绕障。

同样地，对于静态障碍物而言，障碍物不移动，便于规划路径，则需要进行绕障。可以直接采用避障曲线进行绕障，也可以在绕障的同时进行警告，以显示当前割草机器人正在进行避障。

此时若需要进行绕障，则利用上述方法开始规划避障路径。具体地，在确定为静态障碍物的情况下，利用静态障碍物的避障策略进行避障，静态避障策略为利用对应的避障路径曲线进行避障，或利用对应的警告方式进行提示之后利用对应的避障路径曲线进行避障。利用避障动作进行警告驱离时，选择避障动作，如原地摆动，可以是左右摇摆、前后摇摆或旋转等动作，并可以调整摆动的速度。利用声的方式进行警告驱离时，预先生成多种不同的避障声音以应对不同的避障场景。利用光的方式进行警告驱离时，主要利用安装在机器人上得LED灯，预先为LED灯设置不同的颜色，以及亮灯方式，如常亮、闪烁或跑马灯等，并选择不同的灯光颜色。当采用避障曲线进行绕障时，避障曲线可以是多条直线的组合、拟合多条平滑曲线的组合、直线和平滑曲线的组合等，割草机器人采用规划好的避障曲线对应的避障路径移动，以进行绕障。

其中，避障路径选择多条直线的组合，割草机器人基于机器人自身的信息和障碍物的信息，即基于自身的位置、路径点和尺寸信息和障碍物的尺寸、位置、距离和类型信息，生成静态障碍物的避障路径。路径点为割草机器人在行走的避障路径上的点集。

其中，首先利用障碍物的位置信息得到障碍物的定位坐标，将障碍物的定位坐标与其类型信息和尺寸信息确定其实际轮廓。将障碍物的实际轮廓向外侧扩展，得到扩展轮廓。在该实施方式中，预先获取割草机器人的尺寸信息，利用割草机器人的尺寸信息确定扩展轮廓的扩展范围，以使割草机器人在扩展轮廓上行走时不会与障碍物相撞。一般地，为方便获取实际轮廓的坐标，将障碍物的实际轮廓近似为多边形，以多边形形态的实际轮廓为基础结合割草机器人的尺寸信息向外扩展一定距离形成一个更大的多边形，将更大的多边形作为障碍物的多边形形态的扩展轮廓。

如果障碍物的距离小于预设距离，确定路径点位于障碍物内部的内点，以及确定割草机器人的位置和内点的连线与扩展轮廓的交点；以交点为起点沿着扩展轮廓进行搜索，直至扩展轮廓上的轮廓点与路径点上的目标点连线不与障碍物相交为止，确定相交时的轮廓点；将割草机器人的位置至交点、交点至轮廓点的扩展轮廓部分、以及轮廓点至目标点的连线部分作为新的路径点，并作为避障路径。

在一实施方式中，割草机器人沿当前规划路径向前检测，检测是否存在路径点为位于障碍物内部的点，并将检测到的一个位于障碍物内部的点作为内点，割草机器人沿当前的路径继续向前检测，将离开障碍物内部的点作为路径点上的目标点。将割草机器人的自身位置和内点进行连线，确定连线与扩展轮廓的交点。将该交点作为起点，沿着扩展轮廓进行路径点的搜索，直至扩展轮廓上的点与路径点上的目标点连线不与障碍物相交为止，确定相交时的点作为轮廓点；将割草机器人的自身位置至交点、交点至轮廓点的扩展轮廓部分、以及轮廓点至目标点的连线部分作为新的路径点，并作为避障路径。

在一实施方式中，割草机器人沿当前规划路径向前检测，检测是否存在路径点为位于障碍物内部的点，并将检测到的第一个位于障碍物内部的点作为内点，割草机器人沿当前的路径继续向前检测，将离开障碍物内部的点作为路径点上的目标点。将割草机器人的自身位置和内点进行连线，确定连线与扩展轮廓的交点。将该交点作为起点，沿着扩展轮廓进行路径点的搜索，直至扩展轮廓上的点与路径点上的目标点连线不与障碍物相交为止，确定相交时的点作为轮廓点；将割草机器人的自身位置至交点、交点至轮廓点的扩展轮廓部分、以及轮廓点至目标点的连线部分作为新的路径点，并作为避障路径。

在另一实施方式中，割草机器人沿当前规划路径向前检测，检测是否存在路径点为位于障碍物内部的点，并将检测到的第一个位于障碍物内部的点作为内点，割草机器人沿当前的路径继续向前检测，将离开障碍物内部的点作为路径点上的目标点。将割草机器人的自身位置和内点进行连线，确定连线与扩展轮廓的交点。将该交点作为起点，沿着扩展轮廓向两侧进行搜索，直至扩展轮廓两侧上的点与路径点上的目标点连线均不与障碍物相交为止，将割草机器人的两侧连线部分中较短的连线部分的路径点作为新的路径点，并作为避障路径，连线部分为割草机器人的位置至交点、交点至所述轮廓点的扩展轮廓部分、以及轮廓点至所述目标点的连线；将割草机器人的自身位置至交点、交点至轮廓点的扩展轮廓部分、以及轮廓点至目标点的连线部分作为新的路径点，并作为避障路径。

在一实施方式中，将割草机器人当前的路径割草机器人沿当前规划路径向前检测，检测是否存在路径点为位于障碍物内部的点，并将检测到的第一个位于障碍物内部的点作为内点，将割草机器人的自身位置和内点进行连线，确定连线与扩展轮廓的交点。将该交点作为起点，沿着扩展轮廓向两侧进行搜索，得到避障路径。

判断避障路径是否规划成功，若失败，则通知用户，并等待用户安排的下一步任务或者继续利用视觉超声融合感知模块检测障碍物，若成功，则开始避障。在避障过程中判断是否完成避障任务，若完成避障任务则结束避障，进行正常作业模式或者继续当前设定的任务；若没有完成避障任务，则继续利用视觉超声融合感知模块检测障碍物。

在避障过程中，用户可以随时将评价输入深度强化学习模块中，以进行随时调整避障参数。具体地，可以对静态障碍物和动态障碍物的避障效果进行直接评分，也可以对警告方式的参数，如具体的避障声音类型、避障灯光类型、避障动作类型和避障曲线类型的评分，以及声音大小，灯光颜色，警告方式的组合等，进行直接评分。还可以对避障过程中使用的具体避障参数进行评分，如割草机器人需要执行绕障策略时割草机器人与障碍物之间的执行距离，割草机器人执行绕障策略过程中割草机器人与障碍物的最短距离，割草机器人避障时的行走速度和角速度等。

在一实施方式中，避障评分包括避障策略的组合方式，对多种避障声音类型、避障灯光类型、避障动作类型和避障曲线类型的组合进行评分，当避障策略的组合方式不合适时，不能及时地提醒警示障碍物离开，因此，当组合评分低于组合预设评分时，调整各个避障类型的组合，以使得避障策略的组合方式更优，即组合评分不低于组合预设评分。

在另一实施方式中，避障评分可以是执行距离评分和绕障距离评分，其中，绕障距离评分为割草机器人执行绕障策略过程中割草机器人与障碍物的最短距离。当执行距离过远时，割草机器人的运行目标点可能在路径规划过程中调整，或者可能在路径规划过程中出现新的障碍物，使得路径规划失败。而当执行距离过近时，可能不能够及时调整路径变化，使得在路径规划过程中与障碍物相撞。因此，当执行距离评分低于执行距离预设评分时，对割草机器人的执行距离进行调整，以使执行距离评分不低于执行距离预设评分；当绕障距离过远时，割草机器人规划的路径较远，避障所需时间较长，降低避障效率。而当绕障距离过近时，割草机器人在避障过程中容易与障碍物相撞。因此当绕障距离评分低于绕障距离预设评分时，对割草机器人的绕障距离进行调整，以使绕障距离评分不低于绕障距离预设评分。

在另一实施方式中，避障评分可以是实际轮廓曲线和膨胀层曲线形态等，对障碍物设定的实际轮廓曲线会影响膨胀层曲线的形态，当实际轮廓曲线评分低于实际轮廓曲线预设评分时，对割草机器人的实际轮廓曲线进行调整，以使速度评分不低于速度预设评分，具体调整方法可以包括改变轮廓曲线的角度和/或改变轮廓曲线的多边形边数和/或改变轮廓曲线的多边形的边长等；膨胀层曲线形态会影响割草机器人避障路径，当膨胀层曲线过于曲折时，会增加割草机器人避障的难度，降低避障效率，当膨胀层曲线形态评分低于膨胀层曲线形态预设评分时，对割草机器人的膨胀层曲线形态进行调整，以使膨胀层曲线形态评分不低于膨胀层曲线形态预设评分，具体调整方法可以包括改变膨胀层曲线的角度和/或改变膨胀层曲线的多边形边数和/或改变膨胀层曲线的多边形的边长等。

在另一实施方式中，避障评分可以是声音类型评分和声音大小评分，避障方式中会使用声音提醒驱离动态障碍物，对应不同障碍物，相应的避障声音类型不合适会达不到驱离效果，因此，当声音类型评分低于声音类型预设评分时，对割草机器人的声音类型进行调整，以使声音类型评分不低于声音类型预设评分；当避障提醒的声音过小时，不能达到驱离效果，而当声音过大时，则会产生噪音干扰，因此当声音大小评分低于声音大小预设评分时，对割草机器人的声音大小进行调整，以使声音大小评分不低于速度预设评分。

同时，割草机器人会实时判断障碍物的信息，如果出现新的障碍物，则重复该实施方式的步骤。

在该实施方式中，本发明的割草机器人安装有采用相对低成本的传感器，单目摄像头和超声传感器，并通过融合感知检测障碍物，能有效提高障碍物检测稳定性和测量精度。对障碍物进行分类，不同类型的障碍物采用不同的避障策略，通过对障碍物的动静态进行识别，根据预先设定的避障策略，为动态障碍物和静态障碍物选择相应的避障策略，使割草机器人能够应对实际应用中动静态障碍物不同的避障需求，有效提高避障效率。同时，设置强化学习决策模块，在使用过程中在线学习，可以在线调整避障策略以及调整多个避障参数，让用户可以根据实际使用环境自主调整避障模式，以优化避障性能。

请参阅图8，图8是本申请实施方式中割草机器人的结构示意图。该实施方式中，割草机器人包括机体81、割草组件82、信息采集组件83和控制器84。

其中，割草组件82安装于机体；信息采集组件83安装于机体并用于采集障碍物信息；控制器84安装于机体并用于控制机体配合信息采集组件，采用上述的割草机器人的避障方法进行避障。本申请利用割草机器人通过对障碍物的动静态进行识别，根据预先设定的避障策略，为动态障碍物和静态障碍物选择相应的避障策略，使割草机器人能够应对实际应用中动静态障碍物不同的避障需求，有效提高避障效率。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

一种割草机器人的避障方法，其特征在于，所述方法包括：

割草机器人获得障碍物的信息；

基于所述障碍物的信息确定所述障碍物为静态障碍物或动态障碍物；

确定所述静态障碍物或所述动态障碍物对应的避障策略；

利用所述确定的所述避障策略进行避障。
根据权利要求1所述的割草机器人的避障方法，其特征在于，

所述确定所述静态障碍物或所述动态障碍物对应的避障策略包括：

在确定为动态障碍物的情况下确定当前的避障策略为动态障碍物的避障策略；

所述利用所述确定的所述避障策略进行避障包括：

利用声和/或光的方式进行警告驱离。
根据权利要求2所述的割草机器人的避障方法，其特征在于，

所述利用所述动态障碍物的避障策略进行避障之后包括：

确定所述障碍物是否移动；

响应于所述障碍物未移动，确定所述障碍物为静态障碍物；

利用所述静态障碍物的避障策略进行避障。
根据权利要求1所述的割草机器人的避障方法，其特征在于，

所述割草机器人获得障碍物的信息包括：

所述割草机器人获得障碍物的类型信息；

所述基于所述障碍物的信息确定所述障碍物为静态障碍物或动态障碍物包括：

基于所述障碍物的类型信息确定所述障碍物为静态障碍物或动态障碍物；

确定所述静态障碍物或所述动态障碍物对应的避障策略包括：

在确定为动态障碍物的情况下确定当前的避障策略为动态障碍物的避障策略，所述动态障碍物的避障策略包括利用警告方式对所述动态障碍物进行警告驱离，不同所述动态障碍物对应不同的动态障碍物的避障策略，在确定为静态障碍物的情况下确定当前的避障策略为静态障碍物的避障策略，所述静态障碍物的避障策略包括利用对应的避障路径曲线进行避障，或利用对应的警告方式进行提示后利用对应的避障路径曲线进行避障，不同所述静态障碍物对应不同的静态障碍物的避障策略，其中，所述警告方式包括原地摆动，和/或声，和/或光的方式；

所述利用所述确定的所述避障策略进行避障包括：

基于所述动态障碍物的类型信息，利用对应的警告方式对所述动态障碍物进行警告驱离；基于静态障碍物的类型信息，利用对应的避障路径曲线进行避障，或利用对应的警告方式进行提示并利用对应的避障路径曲线进行避障。
根据权利要求4所述的割草机器人的避障方法，其特征在于，

所述割草机器人获得障碍物的类型信息包括：

所述割草机器人通过将拍摄得到的所述障碍物图像输入深度学习模型，进而识别得到所述障碍物的类型信息。
根据权利要求1所述的割草机器人的避障方法，其特征在于，

所述确定静态障碍物或所述动态障碍物对应的避障策略之前包括：

所述割草机器人基于自身的信息和所述障碍物的信息，生成所述障碍物的避障路径；

所述利用所述确定的所述避障策略进行避障包括：

在确定为静态障碍物的情况下确定当前的避障策略为静态障碍物的避障策略；

所述利用所述确定的所述避障策略进行避障包括：

利用所述静态障碍物的避障策略进行避障。
根据权利要求6所述的割草机器人的避障方法，其特征在于，

所述割草机器人基于自身的信息和所述障碍物的信息，生成所述障碍物的避障路径包括：

所述割草机器人基于自身的位置、路径点和尺寸信息和所述障碍物的尺寸、位置、距离和类型信息，生成所述障碍物的避障路径。
根据权利要求7所述的割草机器人的避障方法，其特征在于，

所述割草机器人基于自身的位置、路径点和尺寸信息和所述障碍物的尺寸、位置、距离和类型信息，生成所述障碍物的避障路径包括：

基于所述障碍物的所述尺寸、位置、类型信息以及所述割草机器人的所述尺寸信息确定所述障碍物的扩展轮廓；

响应于所述障碍物的所述距离小于预设距离，确定所述路径点位于所述障碍物内部的内点，以及确定所述割草机器人的所述位置和所述内点的连线与所述扩展轮廓的交点；

以所述交点为起点沿着所述扩展轮廓进行搜索，直至所述扩展轮廓上的轮廓点与所述路径点上的目标点连线不与所述障碍物相交为止，确定所述相交时的所述轮廓点；

将所述割草机器人的位置至所述交点、所述交点至所述轮廓点的所述扩展轮廓部分、以及所述轮廓点至所述目标点的连线部分作为新的路径点，并作为所述避障路径。
根据权利要求8所述的割草机器人的避障方法，其特征在于，

所述以所述交点为起点沿着所述扩展轮廓进行搜索，直至所述扩展轮廓上的轮廓点与所述路径点上的目标点连线不与所述障碍物相交为止，确定所述相交时的所述轮廓点包括：

以所述交点为起点沿着所述扩展轮廓向两侧进行搜索，直至所述扩展轮廓上两侧的轮廓点与所述路径点上的目标点连线均不与所述障碍物相交为止，确定所述相交时的所述轮廓点。
根据权利要求9所述的割草机器人的避障方法，其特征在于，

将所述割草机器人的位置至所述交点、所述交点至所述轮廓点的所述扩展轮廓部分、以及所述轮廓点至所述目标点的连线部分作为新的路径点，并作为所述避障路径包括：

将所述割草机器人的两侧所述连线部分中较短的连线部分的路径点作为新的路径点，并作为所述避障路径，所述连线部分为所述割草机器人的位置至所述交点、所述交点至所述轮廓点的所述扩展轮廓部分、以及所述轮廓点至所述目标点的连线。
根据权利要求8所述的割草机器人的避障方法，其特征在于，

所述基于所述障碍物的所述尺寸、位置、类型信息以及所述割草机器人的所述尺寸信息确定所述障碍物的扩展轮廓包括：

基于所述障碍物的所述尺寸、位置、类型信息以及所述割草机器人的所述尺寸信息确定所述障碍物的多边形形态的扩展轮廓；

所述以所述交点为起点沿着所述扩展轮廓进行搜索，直至所述扩展轮廓上的轮廓点与所述路径点上的目标点连线不与所述障碍物相交为止，确定此时位置的所述轮廓点包括：

以所述交点为起点沿着所述扩展轮廓的多边形顶点进行搜索，直至所述扩展轮廓上的顶点与所述路径点上的目标点连线不与所述障碍物相交为止，确定此时位置的所述顶点。
根据权利要求11所述的割草机器人的避障方法，其特征在于，

所述基于所述障碍物的尺寸、位置、类型信息以及所述割草机器人的所述尺寸信息确定所述障碍物的扩展轮廓包括：

基于所述障碍物的所述尺寸、位置、类型信息确定所述障碍物的实际轮廓；

将所述实际轮廓近似为多边形形态的实际轮廓，以所述多边形形态的实际轮廓为基础结合所述割草机器人的所述尺寸信息确定所述障碍物的多边形形态的扩展轮廓。
根据权利要求1所述的割草机器人的避障方法，其特征在于，

所述利用所述确定的所述避障策略进行避障之后包括：

获取所述割草机器人的避障评分，所述避障评分包括机器人自行评分和/或人工评分；

基于所述避障评分对所述割草机器人的避障参数进行调整。
根据权利要求11所述的割草机器人的避障方法，其特征在于，

所述避障评分包括动态障碍物避障评分和静态障碍物避障评分，所述基于所述避障评分对所述割草机器人的避障参数进行调整包括：

响应于所述动态障碍物避障评分低于所述动态障碍物避障预设评分，调整所述动态障碍物对应的警告方式，以使所述动态障碍物避障评分不低于所述动态障碍物避障预设评分；响应于所述静态障碍物避障评分低于所述静态障碍物避障预设评分，调整所述静态障碍物对应的避障路径曲线和/或警告方式，以使所述静态障碍物避障评分不低于所述静态障碍物避障预设评分。
根据权利要求13所述的割草机器人的避障方法，其特征在于，

所述避障评分包括执行距离评分、绕障距离评分、速度评分和角速度评分，所述基于所述避障评分对所述割草机器人的避障参数进行调整包括：

响应于所述执行距离评分低于执行距离预设评分，调整所述割草机器人的执行距离以使所述执行距离评分不低于所述执行距离预设评分；响应于所述绕障距离评分低于绕障距离预设评分，调整所述割草机器人的绕障距离以使所述绕障距离评分不低于所述绕障距离预设评分；响应于所述速度评分低于速度预设评分，调整所述割草机器人的速度以使所述速度评分不低于所述速度预设评分；响应于所述角速度评分低于角速度预设评分，调整所述割草机器人的角速度以使所述角速度评分不低于所述速度预设评分；其中，所述执行距离为需要执行所述绕障策略时所述割草机器人与所述障碍物之间的距离，所述绕障距离为执行所述绕障策略过程中所述割草机器人与所述障碍物的最短距离。
根据权利要求1所述的割草机器人的避障方法，其特征在于，

所述割草机器人获得障碍物的信息后包括：

保存所述障碍物的信息；

累计所述障碍物的信息的保存时长；

响应于所述保存时长大于预设时长，删除所述障碍物的信息。
一种割草机器人，其特征在于，所述割草机器人包括，

机体；

割草组件，安装于所述机体；

信息采集组件，安装于所述机体并用于采集障碍物信息；

控制器，安装于所述机体并用于控制所述机体配合所述信息采集组件，采用权利要求1至16任一项所述的割草机器人的避障方法进行避障。