无人机协同的水上清洁机器人路径规划方法及设备技术

本发明专利技术提供了一种无人机协同的水上清洁机器人路径规划方法及设备，包括：无人机先在河道上空进行巡航，记录移动路径，采用U

【技术实现步骤摘要】
无人机协同的水上清洁机器人路径规划方法及设备


[0001]本专利技术实施例涉及移动机器人
，尤其涉及一种无人机协同的水上清洁机器人路径规划方法及设备。

技术介绍

[0002]在移动机器人领域中，路径规划是其中的重要环节。对于智能化的水上清洁机器人，其路径规划应达到的要求是：能够避开水上障碍物，保证行驶过程中清洁机器人的安全稳定；能够在区域内高效彻底的进行水上清洁。由于水面清洁具有更高的复杂性，水面清洁机器人的路径规划往往存在清洁效率不足，清洁范围较低，智能化程度不足的问题。因此，开发一种无人机协同的水上清洁机器人路径规划方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。

技术实现思路

[0003]针对现有技术存在的上述问题，本专利技术实施例提供了一种无人机协同的水上清洁机器人路径规划方法及设备。
[0004]第一方面，本专利技术的实施例提供了一种无人机协同的水上清洁机器人路径规划方法，包括：无人机以卷积神经网络为基础的图像识别系统、无人机以遗传算法路径规划系统、水上清洁机器人视觉系统、无人机与水上清洁机器人通信系统以及水上清洁机器人以A*算法为基础的路径规划系统；无人机先在河道上空进行巡航，记录移动路径，采用U
‑
Net语义分割网络实现对水面和路面的划分，并标记出来；采用卷积神经网络识别垃圾污染物后将其位置信息传递给水上清洁机器人，水上清洁机器人得到位置信息,采用A*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标；水上清洁机器人结合图像识别系统进行动态避障设计。
[0005]在上述方法实施例内容的基础上，本专利技术实施例中提供的无人机协同的水上清洁机器人路径规划方法，所述采用U
‑
Net语义分割网络实现对水面和路面的划分，并标记出来，包括：步骤一：利用主干提取网络可以获得五个初步有效的网络特征层，得到了水面和路面目标的特征后；步骤二：U
‑
Net进入强化特征提取的阶段，利用网络的上采样功能，得到特征融合之后的总的有效特征层；步骤三：在经过步骤一、步骤二的特征识别后，网络将会利用特征识别的结果进行分类，相当于对每一个像素点进行分类；步骤四：搭建U
‑
Net网络，按照其组成原理进行编程，利用Opencv实现对图像的输入以及检测输入。
[0006]在上述方法实施例内容的基础上，本专利技术实施例中提供的无人机协同的水上清洁机器人路径规划方法，所述采用卷积神经网络识别垃圾污染物后将其位置信息传递给水上清洁机器人，水上清洁机器人得到位置信息，包括：采用卷积神经网络，基于获取的研究对象，创建目标识别框架，主体框架采用YoloV4目标检测网络，为进一步获取目标水域的场景信息设计基于DarkNet网络主体的识别算法。
[0007]在上述方法实施例内容的基础上，本专利技术实施例中提供的无人机协同的水上清洁
机器人路径规划方法，所述采用A*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标，包括：步骤一：将无人机识别出的预处理垃圾目标点彼此之间的距离、出发点和各个目标点的距离利用A*算法计算出来；步骤二：选取距离水面清洁机器人直线距离最近的若干个目标点作为本次清洁的对象，然后建立代价矩阵，进行规划路径，建立动态规划函数；步骤三：水面清洁机器人结合图像识别系统进行动态避障设计。
[0008]在上述方法实施例内容的基础上，本专利技术实施例中提供的无人机协同的水上清洁机器人路径规划方法，所述建立动态规划函数，包括：
[0009]d(i,V')＝min{cik+d(k,V
‑
{k})}(k∈V')
[0010]d(k,{})＝cki(k≠i)
[0011]其中，d表示从出发点i经过中各目标点一次，仅且一次，最后回到i的路程；V为所有点集合；V'为表示经过点的集合；cik为点i到点k的距离；min为取最小值；d(k,{})＝cki为最后一步回原点。
[0012]第二方面，本专利技术的实施例提供了一种无人机协同的水上清洁机器人路径规划装置，包括：第一主模块，用于无人机以卷积神经网络为基础的图像识别系统、无人机以遗传算法路径规划系统、水上清洁机器人视觉系统、无人机与水上清洁机器人通信系统以及水上清洁机器人以A*算法为基础的路径规划系统；第二主模块，用于无人机先在河道上空进行巡航，记录移动路径，采用U
‑
Net语义分割网络实现对水面和路面的划分，并标记出来；第三主模块，用于采用卷积神经网络识别垃圾污染物后将其位置信息传递给水上清洁机器人，水上清洁机器人得到位置信息,采用A*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标；第四主模块，用于水上清洁机器人结合图像识别系统进行动态避障设计。
[0013]第三方面，本专利技术的实施例提供了一种电子设备，包括：
[0014]至少一个处理器；以及
[0015]与处理器通信连接的至少一个存储器，其中：
[0016]存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的无人机协同的水上清洁机器人路径规划方法。
[0017]第四方面，本专利技术的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的无人机协同的水上清洁机器人路径规划方法。
[0018]本专利技术实施例提供的无人机协同的水上清洁机器人路径规划方法及设备，通过记录移动路径，采用U
‑
Net语义分割网络实现对水面和路面的划分，水上清洁机器人得到位置信息，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标，有效解决了智能化的水上清洁机器人在自主航行的过程中存在清洁范围有限以及清洁效率低，清洁过程耗能大的问题。
附图说明
[0019]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图做一简单的介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0020]图1为本专利技术实施例提供的无人机协同的水上清洁机器人路径规划方法流程图；
[0021]图2为本专利技术实施例提供的无人机协同的水上清洁机器人路径规划装置结构示意图；
[0022]图3为本专利技术实施例提供的电子设备的实体结构示意图；
[0023]图4为本专利技术实施例提供的图像预测结果效果示意图；
[0024]图5为本专利技术实施例提供的视觉SLAM建模流程图；
[0025]图6为本专利技术实施例提供的遗传算法三维路径规划仿真效果示意图。
具体实施方式
[0026本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机协同的水上清洁机器人路径规划方法，其特征在于，包括：无人机以卷积神经网络为基础的图像识别系统、无人机以遗传算法路径规划系统、水上清洁机器人视觉系统、无人机与水上清洁机器人通信系统以及水上清洁机器人以A*算法为基础的路径规划系统；无人机先在河道上空进行巡航，记录移动路径，采用U
‑
Net语义分割网络实现对水面和路面的划分，并标记出来；采用卷积神经网络识别垃圾污染物后将其位置信息传递给水上清洁机器人，水上清洁机器人得到位置信息,采用A*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标；水上清洁机器人结合图像识别系统进行动态避障设计。2.根据权利要求1所述的无人机协同的水上清洁机器人路径规划方法，其特征在于，所述采用U
‑
Net语义分割网络实现对水面和路面的划分，并标记出来，包括：步骤一：利用主干提取网络可以获得五个初步有效的网络特征层，得到了水面和路面目标的特征后；步骤二：U
‑
Net进入强化特征提取的阶段，利用网络的上采样功能，得到特征融合之后的总的有效特征层；步骤三：在经过步骤一、步骤二的特征识别后，网络将会利用特征识别的结果进行分类，相当于对每一个像素点进行分类；步骤四：搭建U
‑
Net网络，按照其组成原理进行编程，利用Opencv实现对图像的输入以及检测输入。3.根据权利要求2所述的无人机协同的水上清洁机器人路径规划方法，其特征在于，所述采用卷积神经网络识别垃圾污染物后将其位置信息传递给水上清洁机器人，水上清洁机器人得到位置信息，包括：采用卷积神经网络，基于获取的研究对象，创建目标识别框架，主体框架采用YoloV4目标检测网络，为进一步获取目标水域的场景信息设计基于DarkNet网络主体的识别算法。4.根据权利要求3所述的无人机协同的水上清洁机器人路径规划方法，其特征在于，所述采用A*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标，包括：步骤一：将无人机识别...

【专利技术属性】
技术研发人员：张进峰，邹紫怡，曹丰智，李全福，侯俊，甘仁德，李崇铭，伊书瑶，崔畅，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：