從這里開始看，這些工作是為了尋找更優的路徑規劃算法做的準備，算法過程正在寫。
第1章 路徑規劃 1.評判全覆蓋算法優劣指標： 除草機器人要實現其除草的功能就必須要對整個除草區域進行完全遍歷的除草，故為了指導除草機器人成功地完成除草任務，需要一定的評判標準來評價這種功能的好壞。鑒于除草機器人的工作環境和功能的特殊性，全區域范圍內完全覆蓋的路徑規劃的評價標準主要有4個： 定義有效割草面積與總面積的比值為覆蓋率，Seff代表有效割草面積，Stot代表總的需要割草面積，λ代表覆蓋率。  (1)
定義實際遍歷的割草面積和有效面積的差值與有效面積的比值為重復率，其中Sact代表實際遍歷的割草面積，Seff代表有效面積，γ代表重復率，γ越小，表明算法執行效果越好。  (2)
定義除草機器人完成整個工作區域除草工作花費時間T，T越小，表明效率越高，下文中假定每經過一個柵格耗費1個單位的時間。 定義除草機器人完成整個工作區域除草工作所消耗的能量E，E越小，表明節能效果越好，下文中假定每經過一個柵格消耗1個單位的能量。 定義除草機器人不改變原有既定路線為一次遍歷，重新規劃新路線，出現重復，則遍歷次數加1。 （1）隨機式路徑規劃 隨機式路徑是將割草機器人放置在指定區域的某一任意位置作為起點，朝著某一方向按直線或曲線的軌跡前進，當遇到工作區域的界線或障礙物時，它將以一個固定的角度（比如90o）原地旋轉，轉彎后繼續以原先的方式前進，通過上述的方式不斷重復割草，直到把整個區域完全覆蓋。 隨機式規劃在控制上相對容易，但這種方法規劃路徑具有較高的隨機性，實現全區域的覆蓋往往需要耗費更多的時間，消耗更多的能量，出現較高的重復率。故隨機式路徑規劃難以滿足低重復率、低能耗、高效的要求。 圖1 隨機式路徑規劃 （2）梨田式路徑規劃 犁田式的路徑規劃是指除草機器人從某一點出發，沿一個具體的方向以直線的形式移動。當除草過程中遇到邊界或障礙時，它就會停止前進并在當前位置先將機身旋轉90度，然后向前移動一個機身的位置，接著同樣保持原地不動再將機身旋轉90度，最后繼續向前移動。依照這個方法反復迂回，直到把整個區域都遍歷過，如圖 2 所示。 犁田式路徑規劃在控制上比較易于通過編程實現，相比隨機式路徑規劃，此方法具有更高的效率和更低的能量消耗。但當障礙物過多過大時，被障礙物遮擋的一側難以有效達到除草目的，致使覆蓋率會明顯降低，此時只可通過人為干預以達到正常除草目的。
圖2 梨田式路徑規劃 （3）螺旋式路徑規劃 螺旋式路徑規劃是指除草機器人在工作區域里先挨著這個區域的里面的邊界移動一周（即按螺旋“回”字方式），接著依次逐漸地以減小的形式朝這一個區域中心處移動，當除草機器人到達中心位置處的時候，就實現了對這個區域的完全覆蓋，如圖 3 所示。 螺旋式路徑規劃與梨田式路徑規劃具有相似的缺陷，當目標區域存在較多障礙物時，控制的復雜性上升，同時，為了更好的遍歷除草區域，重復率也會有所上升，故螺旋式路徑規劃僅適用于平整的工作區域。
圖 3 螺旋式路徑規劃 3.1 柵格地圖 柵格地圖的基本思想是把除草機器人的工作區域分割成相同的網格，每個網格都對應著環境中一個特定的小區域，每當傳感器探知到外界環境出現了些許改變時，柵格地圖就會及時地更改維護。在采用這個方法對環境地圖建立模型時，對于同一個工作環境，劃分的網格數量愈高，網格就會愈小，地圖的精度就會愈高。當網格劃分的比較大時，精確度就會比較低，會出現把非障礙區錯記為障礙區的情況；當網格劃分的過小時，就會使得所需存儲的地圖信息比較多，以至于運算就會變得復雜。故當采用柵格法對環境地圖進行建模時，要兼顧覆蓋率和運算的復雜度來確定網格的大小。 3.2 沿邊學習過程 沿邊學習是指除草機器人由一個特定的地方開始沿著草坪的邊界或著與邊界緊挨著的障礙的邊界按某一特定方向轉一周，在運動的過程中實時地記錄除草機器人的位置坐標，然后通過簡單的算法就大體上獲知除草環境的輪廓及靠邊界的障礙物的分布情況，沿邊學習的方式如圖 4所示，圖中橘黃色代表的是障礙，空白部分則代表的是除草機器人需要除草的區域范圍，箭頭表示的是沿邊學習的一個方向。 圖 4 沿邊學習過程
通過沿邊學習得到工作區域具體坐標數據，據此建立工作區域數學模型如圖5所示，以除草機器人大小為標準將區域進行柵格化，每一個柵格化后的區域都有一個精準的坐標數據（Xi,Yi），將除草機器人放置到起始點（X1,Y1），除草機器人工作過程算法PREC（Precise coverage）描述如下： 1. 除草機器人初始位置（Xi,Yi），完成初始位置的除草并記錄下除草位置坐標。 2. 首先判斷除草機器人下方柵格（Xi,Yi-1），若該區域為未除草區域，則除草機器人往下運動除草；若該區域為除草完成區域或障礙區域，則判斷左側相鄰柵格，若左側柵格為未除草區域，則除草機器人往左側運動除草；若該區域為除草完成區域或障礙區域，則判斷上側相鄰柵格，即除草優先依次為（Xi,Yi-1）、（Xi-1,Yi）、（Xi,Yi+1）、（Xi+1,Yi），移動除草后記錄完成除草的位置坐標。 3. 若與（Xi,Yi）直接相鄰的柵格區域均已經除草完成或為障礙區域，則擴大所需判斷的搜索范圍，依次為（Xi,Yi-2）、（Xi-2,Yi）、（Xi,Yi+2）、（Xi+2,Yi），若依然沒有可除草區域，則繼續擴大搜索范圍，依次為（Xi,Yi-j）、（Xi-j,Yi）、（Xi,Yi+j）、（Xi+j,Yi），此時j≥3，直到搜索至可除草柵格，以最短路徑移動至可除草柵格，返回步驟2。 4. 進入到下一個柵格的同時記錄已經除草的柵格坐標，重復第2，3步驟，直到遍歷完成整個工作區域。 圖 5 PREC數學模型 隨機設置工作環境為12*13的柵格區域，且在區域內布置兩個不同形狀、不同大小的障礙區域，柵格總數為156個，其中障礙區域所占柵格面積為15個，需要除草的區域柵格個數為141個。從圖6可以看出，梨田式路徑規劃方式經過2輪路徑再規劃，即實現了對整個區域的遍歷，且重復遍歷的柵格個數為10個。 圖6 梨田式路徑規劃 圖7為螺旋式路徑規劃邏輯圖，可以看出，螺旋式路徑規劃方式經過4輪路徑再規劃，才達到對整個區域的遍歷，且重復遍歷的柵格個數為13個。說明障礙區域存在的情況下，螺旋式路徑規劃不能很好地實現流暢的工作過程。 圖 7 螺旋式路徑規劃 圖8位PREC路徑規劃，可以看出，PREC路徑規劃方式僅需2輪路徑再規劃，即可對整個區域實現遍歷，且重復遍歷的柵格個數僅僅為3個。說明障礙區域存在的情況下，PREC路徑規劃能很好地遍歷工作區域，并有很高的工作效率。 圖 8 PREC 路徑規劃 通過對上述幾種路徑規劃邏輯圖的比較，各路徑規劃的評價指標參數如表1所示，從表中可以明顯的看出，在重復率、能量消耗、時間等方面，PECN路徑規劃方式均優于其他幾種路徑規劃方式，尤其的，重復率相較于梨田式降低了5個百分點，相較于螺旋式降低了7.1個百分點，時間和能量消耗相較于梨田式和螺旋式分別降低了4.6和6.5個百分點。表明本文提出的PECN路徑規劃算法在實現智能機器人除草過程中具有顯著的優勢，為智能除草機器人的路徑規劃注入了新鮮血液。 表 1 幾種路徑規劃比較
以上的Word格式文檔51黑下載地址：
智能割草機控制系統.docx
(333.26 KB, 下載次數: 24)
2019-8-8 17:31 上傳
點擊文件名下載附件
下載積分: 黑幣 -5
| 
QQ好友和群
QQ空間
騰訊微博
騰訊朋友
收藏
淘帖
頂
踩
