【技术实现步骤摘要】
本申请涉及工程机械领域，具体涉及一种无人挖掘机控制方法、装置、设备及无人挖掘机。
技术介绍
1、挖掘机是常见的工程机械，在施工作业中被广泛使用。目前所使用的挖掘机都是由驾驶者进行人工控制的。为了在恶劣工况下减少对驾驶者的损伤，增加挖掘机在恶劣工况下工作的可靠性，研发无人挖掘机是目前挖掘机重要的发展方向。
2、但是，如何控制无人挖掘机的工作，是目前未能完全解决的问题。对于无人挖掘机来说，若其控制逻辑过于简单，会无法应对复杂的工作环境，若控制逻辑过于复杂，则在控制逻辑的实现部分会消耗大量的系统资源，且复杂的控制逻辑也不利于后续对无人挖掘机的控制逻辑进行维护和更新。
技术实现思路
1、有鉴于此，本专利技术实施例致力于提供一种无人挖掘机控制方法、装置、设备及无人挖掘机，以实现无人挖掘机根据不同工作情况控制自身进行工作。
2、第一方面，本专利技术实施例提供了一种无人挖掘机控制方法，所述方法，包括：
3、获取地形数据，所述地形数据为对所述无人挖掘机的工作环境进行探测获取的数据，所述无人挖掘机的工作环境包括需要所述无人挖掘机处理的物料；
4、将所述地形数据输入预先训练的动作分类网络，获取动作模式，控制所述无人挖掘机按照动作模式进行工作，所述动作模式包括斜坡挖掘模式、平地搂土模式和平地打堆模式中的一种，所述斜坡挖掘模式的挖掘轨迹为圆弧，应用于需要无人挖掘机处理的物料量大于第一预设物料量的情况，所述平地搂土模式的挖掘轨迹为直线，应用于需要无人挖掘机处理
5、可选地，所述获取地形数据，包括：
6、对所述无人挖掘机的工作环境进行探测，获取原始点云数据；
7、对所述原始点云数据进行点云裁剪以将与需要所述无人挖掘机处理的物料有关的数据从所述原始点云数据中分离，获取裁剪点云数据；
8、将所述裁剪点云数据转化为二维高度图；
9、将所述二维高度图转化为单通道的灰度图并作为所述地形数据。
10、可选地，所述对所述原始点云数据进行点云裁剪，获取裁剪点云数据，包括：
11、以所述无人挖掘机的动臂铰点为坐标原点，所述无人挖掘机的面向方向为x轴正方向，所述无人挖掘机的左侧为y轴正方向，所述无人挖掘机的上方为z轴正方向建立变换坐标系，将所述原始点云数据置于所述变换坐标系中，获取坐标点云数据；
12、根据所述无人挖掘机在所述变换坐标系的x轴方向上能够达到的最近和最远距离确定x轴上的点云裁剪范围，根据所述无人挖掘机的铲斗宽度确定所述变换坐标系的y轴上的点云裁剪范围；
13、根据所述x轴上的点云裁剪范围和所述y轴上的点云裁剪范围对所述坐标点云数据进行裁剪，获取所述裁剪点云数据。
14、可选地，所述将所述裁剪点云数据转化为二维高度图，包括：
15、将所述裁剪点云数据的覆盖范围分割为多个网格；
16、对于多个网格中的每一个网格执行如下处理：当所述网格的覆盖范围中的点云数据量大于预设阈值时，将所述网格中所有点云数据的平均高度作为所述网格的高度值；或，当所述网格的覆盖范围中的点云数据量不大于预设阈值时，将所述网格的覆盖范围从x轴和y轴方向上向外扩展，直至所述网格的覆盖范围中的点云数据量大于预设阈值，将所述扩展后的网格中所有点云数据的平均高度作为所述网格的高度值；
17、对所有处理后的网格进行高度归一化，获取所述二维高度图，所述高度归一化的范围上限为所述无人挖掘机能够挖到的最高位置，所述高度归一化的范围下限为所述无人挖掘机能够挖到的最低位置和地面可供挖掘的最低位置中的较小值。
18、可选地，所述预先训练的动作分类网络为卷积神经网络；
19、所述卷积神经网络的结构包括输入层、输出层和多个隐藏层，所述隐藏层的类型包括批量归一化层、卷积层，池化层、relu层、全连通层和softmax层中的至少一种。
20、可选地，用于训练所述卷积神经网络的训练数据的获取方法，包括：
21、分别收集无人挖掘机在应当使用斜坡挖掘模式、平地搂土模式和平地打堆模式进行工作时对应的预训练地形数据；
22、对所述预训练地形数据进行数据增强，获取所述用于训练所述卷积神经网络的训练数据，进行所述数据增强的方式包括添加数据噪声，求平均值和镜像中的至少一种。
23、可选地，所述对所述预训练地形数据进行数据增强，包括：
24、对于无人挖掘机在应当使用斜坡挖掘模式进行工作对应的预训练地形数据中添加二维高斯噪声；
25、或，
26、对于无人挖掘机在应当使用平地搂土模式和平地打堆模式进行工作对应的预训练地形数据，在相同工作模式对应的预训练地形数据中选择至少两个预训练地形数据进行求平均值；
27、或，
28、将所有的预训练地形数据根据y轴进行镜像反转。
29、第二方面，本专利技术实施例提供了一种无人挖掘机控制装置，包括：
30、获取单元，获取地形数据，所述地形数据为对所述无人挖掘机的工作环境进行探测获取的数据，所述无人挖掘机的工作环境包括需要所述无人挖掘机处理的物料；
31、分类和控制单元，用于将所述地形数据输入预先训练的动作分类网络，获取动作模式，控制所述无人挖掘机按照动作模式进行工作，所述动作模式包括斜坡挖掘模式、平地搂土模式和平地打堆模式中的一种，所述斜坡挖掘模式的挖掘轨迹为圆弧，应用于需要无人挖掘机处理的物料量大于第一预设物料量的情况，所述平地搂土模式的挖掘轨迹为直线，应用于需要无人挖掘机处理的物料量不大于第一预设物料量且大于第二预设物料量的情况，所述平地打堆模式会对零散的物料进行收集，应用于需要无人挖掘机处理的物料量小于第二预设物料量的情况。
32、第三方面，本专利技术实施例提供了一种无人挖掘机控制设备，包括存储器和处理器；
33、所述存储器与所述处理器连接，用于存储程序；
34、所述处理器用于通过运行所述存储器中的程序，实现如第一方面所述的无人挖掘机控制方法。
35、第四方面，本专利技术实施例提供了一种无人挖掘机，包括控制器和地形数据获取设备；
36、所述控制器，用于执行如第一方面所述的无人挖掘机控制方法。
37、本申请提供了一种无人挖掘机控制方法，将无人挖掘机的工作模式根据工作情况分为斜坡挖掘模式、平地搂土模式和平地打堆模式，并使用预先训练的动作分类网络对无人挖掘机的工作情况进行分类以获取对应的动作模式。本申请所总结的三种工作模式可以应对绝大部分情况下无人挖掘机的工作，本申请还提出了一种较为简单的控制逻辑，即通过动作分类网络获取对应动作模式的控制逻辑，实现了对无人挖掘机的控制。
本文档来自技高网...【技术保护点】
1.一种无人挖掘机控制方法，其特征在于，所述方法，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取地形数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述原始点云数据进行点云裁剪，获取裁剪点云数据，包括：
4.根据权利要求2所述的方法，其特征在于，所述将所述裁剪点云数据转化为二维高度图，包括：
5.根据权利要求1所述的方法，其特征在于，所述预先训练的动作分类网络为卷积神经网络；
6.根据权利要求5所述的方法，其特征在于，用于训练所述卷积神经网络的训练数据的获取方法，包括：
7.根据权利要求6所述的方法，其特征在于，所述对所述预训练地形数据进行数据增强，包括：
8.一种无人挖掘机控制装置，其特征在于，包括：
9.一种无人挖掘机控制设备，其特征在于，包括存储器和处理器；
10.一种无人挖掘机，其特征在于，包括控制器和地形数据获取设备；
【技术特征摘要】
1.一种无人挖掘机控制方法，其特征在于，所述方法，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取地形数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述原始点云数据进行点云裁剪，获取裁剪点云数据，包括：
4.根据权利要求2所述的方法，其特征在于，所述将所述裁剪点云数据转化为二维高度图，包括：
5.根据权利要求1所述的方法，其特征在于，所述预先训练的动作分类网络...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。