CN112674646B - 基于多算法融合的自适应贴边作业方法及机器人 - Google Patents

Abstract

本发明公开了一种基于多算法融合的自适应贴边作业方法及机器人，所述方法包括步骤：分别获取机器人前、后两个单线激光雷达扫描所得的点云；基于路沿侧边几何特征和栅格原理分别对两个单线激光雷达扫描所得的点云进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值；根据前、后单线激光雷达的两组路沿距离检测值的平均值分别获得前、后单线激光雷达的最终路沿距离检测值；根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。本发明检测精度高、适应性广、对环境具有较强的适应性及抗干扰能力、安全可靠、成本低、大大降低作业人员劳动强度。

Description

基于多算法融合的自适应贴边作业方法及机器人

技术领域

本发明涉及机器人控制技术领域，特别地，涉及一种基于多算法融合的自适应贴边作业方法及机器人。

背景技术

传统情况中，在环卫装备进行路面清洁时依靠眼睛观察，控制方向盘保持扫盘与路沿的距离，准确性较差，对作业效果影响较大；驾驶员观察路沿的同时还需观察前方路况保障驾驶，劳动强度较大；驾驶员同时处理多种工作，对驾驶安全影响大，因此，为降低驾驶员劳动强度，提高驾驶安全性，目前有些环卫装备设置了通过融合多种传感器进行路沿检测的辅助驾驶***，以降低对驾驶员的依赖，常用的传感器包括GPS定位、轮速计、IMU传感器、双16线激光雷达、摄像头等，然而，工程实践证明，上述传感器同样存在不足，包括：

1、GPS定位、轮速计、IMU传感器会随着机器人移动自身误差不断累积，贴边检测信息精度较差。

2、采用GPS定位精度较差，采用视觉对车道线进行识别容易受周围环境、光照影响。

3、采用双16线激光雷达，由于主控制器要求算力较高，因此对主控制器的硬件要求高，成本高企。

4、现有***成本过高，不利于商业化推广。

发明内容

本发明一方面提供了一种基于多算法融合的自适应贴边作业方法，以解决现有辅助驾驶***检测精度较差、易受环境影响、识别稳定性差、成本过高的技术问题。

本发明采用的技术方案如下：

一种基于多算法融合的自适应贴边作业方法，包括步骤：

分别获取机器人前、后两个单线激光雷达扫描所得的点云ξ_i；

基于路沿侧边几何特征和栅格原理分别对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值；

根据前、后单线激光雷达的两组路沿距离检测值的平均值分别获得前、后单线激光雷达的最终路沿距离检测值d1和d2；

根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。

进一步地，基于路沿侧边几何特征对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值，具体包括步骤：

对点云ξi进行二阶差分运算，得到集合A；

在集合A中，将ξ_i<0的点云数据标记位置1，并删除ξ_i>＝0的点，得到集合A1；

将集合A1中的点云进行DBSCAN聚类，得到若干聚类集合φ_i；

利用路沿侧边点云的几何特征从聚类集合

中找出路沿侧边点云聚类，并根据所述路沿侧边点云聚类中第一个点云ξ₁获得当前帧路沿检测结果。

进一步地，利用路沿侧边点云的几何特征从聚类集合

中找出路沿侧边点云聚类，并根据所述路沿侧边点云聚类中第一个点云ξ₁获得当前帧路沿检测结果，具体包括步骤：

将每个聚类集合φ_i中的点云ξ_i分解到对应的XY平面，得到针对每一个点云ξ_i的X、Y分量分别为ξ_i_X、ξ_i_Y，其中，XY平面与对应单线激光雷达的扫描面共面，且以对应单线激光雷达中心为原点，Y轴向上垂直地面，X轴指向路沿方向；

针对每一个聚类集合φ_i，判断其中的点云是否满足(ξ_i_Y–ξ_i-1_Y<δ)&&(ξ_max_Y–ξ_min_Y>σ)&&(ξ_max_X-ξ_min_X<λ)&&(ξ_i>m)，其中，ξ_max_Y为聚类集合φ_i点云的最大Y分量，ξ_min_Y为聚类集合φ_i中点云的最小Y分量，ξ_max_X为聚类集合φ_i中点云的最大X分量，ξ_min_X为聚类集合φ_i中点云的最小X分量，δ、σ、λ、m均为设定阈值；

若满足，则将该路沿侧边点云聚类中的第一个点云ξ₁的X分量ξ₁_X作为当前帧路沿距离检测值ε₁。

进一步地，基于栅格原理对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值，具体包括步骤：

分别将两个单线激光雷达扫描所得的点云ξ_i分解到对应的两个XY平面，得到针对每一个点云ξ_i的X、Y分量分别为ξ_i_X、ξ_i_Y，其中，两个XY平面与对应单线激光雷达的扫描面共面，且以对应单线激光雷达中心为原点，Y轴向上垂直地面，X轴指向路沿方向；

在X轴上将待处理点云数据划分成若干个等分区间；

计算出第n个区间的Y轴最大值ξ_n_Ymax和最小值ξ_n_Ymin，以及ξ_n_Ymax和最小值ξ_n_Ymin的平均值ξ_n_Ymean；

遍历各等分区间，若第n个区间的平均值ξ_n_Ymean和第n个区间的平均值ξ_n-1_Ymean满足:ξ_n_Ymean-ξ_n-1_Ymean>＝Ψ，则将第n个区间的所有点云数据存入集合A，否则删除第n区间所有点云数据，Ψ为设定阈值；

对集合A中所有点云ξ_i除噪预处理后，统计集合A中所有点云ξ_i的总数量t；若|ξ_i_X-∑ξ_i_X/t|<Ω，则将ξ_i_X存入队列Q_i，点云计数值m＝m+1，Ψ为设定阈值；若|ξ_i_X-∑ξ_i_X/t|>Ω，则删除ξ_i_X，n＝0，保存队列Q_i-1；如此循环直到遍历整个集合A，最终得到由若干个队列Q_i组成的集合Q；

遍历集合Q，对于队列Q_i中的每个点云ξi，若(ξ_i_X>θ)&&(|ξ_i_Ymax-ξ_i_Ymin|>ω)，则返回Q_i，并计算Q_i中的平均值ξ_i_Xmean作为当前帧路沿距离检测值ε₂，θ和ω为设定阈值。

进一步地，根据前、后单线激光雷达的两组路沿距离检测值的平均值分别获得前、后单线激光雷达的最终路沿距离检测值d1和d2，具体包括步骤：

在第i时刻，若(|ε_1i-1-ε_1i|<η₁)&&(|ε_2i-1-ε_2i|<η1)&&(|ε_1i-ε_2i|<η₂)，则将ε_1i、ε_2i存入队列L中，ε_1i和ε_1i-1分别表示基于路沿侧边几何特征所得当前帧路沿距离检测值与上一帧路沿距离检测值，ε_2i和ε_2i-1分别表示基于栅格原理所得当前帧路沿距离检测值与上一帧路沿距离检测值，η₁和η₂分别为设定阈值；

取队列L中的平均值作为前、后单线激光雷达对应的最终路沿距离检测值d1和d2。

进一步地，根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令向整车控制器发送行驶指令，控制机器人转向***按照e<d1<f进行贴边运动，e、f均为设定阈值。

进一步地，根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

获取机器人初始位置坐标点，根据机器人初始位置坐标点(E0,N0)及路线数据库确认机器人前方的目标路口类型，所述目标路口类型包括：有路沿工况直行、右转弯和长距离无路沿工况直行；

根据前、后单线激光雷达对应的最终路沿距离检测值d1和d2、机器人前方的目标路口类型向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。

进一步地，获取机器人初始位置坐标点，根据机器人初始位置坐标点(E0,N0)及路线数据库确认机器人前方的目标路口类型，具体包括步骤：

将机器人作业路径上各位置坐标点(E_i,N_i)和对应的路口类型存入路线数据库，i表示路线数据库中所存位置坐标点的序号；

通过GNSS模块获取机器人初始位置坐标点(E0,N0)；

根据初始位置坐标点(E0,N0)在路线数据库中查找对应位置坐标点(E_i,N_i)及前方设定范围内多个连续位置坐标点对应的路口类型；

根据所述路口类型确定机器人初始位置坐标点(E0,N0)前方对应的目标路口类型。

进一步地，根据初始位置坐标点(E0,N0)在路线数据库中查找对应位置坐标点(E_i,N_i)及前方设定范围内多个连续位置坐标点对应的路口类型之前，还包括步骤：

获取人工选取的当前作业路段，在路线数据库中找到与之相匹配的路段；

将GNSS模块获取的机器人初始位置坐标点(E0,N0)与路线数据库中对应的位置坐标点(E_i,N_i)进行经纬度匹配；

若满足：

则匹配成功，保存i，d为设定阈值。

进一步地，根据所述路口类型确定机器人初始位置坐标点(E0,N0)前方对应的目标路口类型，具体包括步骤：

在路线数据库中查找与初始位置坐标点(E0,N0)相对应的位置坐标点(Ei,N_i)对应的路口类型，以及该位置坐标点(Ei,N_i)前方设定范围内多个连续位置坐标点各自对应的路口类型；

若统计其中某一路口类型的占比大于设定阈值时，则将该路口类型设置为机器人前方对应的目标路口类型。

进一步地，根据前、后单线激光雷达对应的最终路沿距离检测值d1和d2、机器人前方的目标路口类型向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

当目标路口类型为有路沿工况直行时，向整车控制器发送行驶指令，控制机器人转向***按照e<d1<f进行贴边运动，控制整车速度为a1，e、f均为设定阈值；

当目标路口类型为右转弯时，向整车控制器发送行驶指令，控制机器人转向***按照s<d1<j进行贴边运动，且e<s,f<j，控制整车速度为a2，且a1>a2；

当目标路口类型为长距离无路沿工况直行时，对初始位置坐标点(E0,N0)及前方设定范围内多个连续位置坐标点进行线性拟合，求得y＝kx+b；通过GNSS模块获取机器人当前位置坐标点(E,N)，若k*E+b>N，向整车控制器发送行驶指令，控制转向***左转设定角度；若k*E+b<N，向整车控制器发送行驶指令，控制转向***右转设定角度，控制整车速度为a2，且a1>a2。

进一步地，根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

实时获取机器人前方道路的路面坡度和道路曲直类型；

根据前、后单线激光雷达的最终路沿距离检测值、路面坡度、道路曲直类型向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。

进一步地，所述实时获取机器人前方道路的路面坡度和道路曲直类型，具体包括步骤：

实时采集机器人待识别路段前方第一距离处和第二距离处对应的道路图像，同时通过IMU实时获取待识别路段的俯仰角σ得到路面坡度，其中，第二距离处与机器人的距离大于第一距离处与机器人的距离；

根据所述道路图像分别获得机器人待识别路段前方第一距离处和第二距离处对应的第一道路曲率和第二道路曲率，并根据所述第二道路曲率确定待识别路段的道路曲直类型，所述道路曲直类型包括直道、平缓弯道和直角弯道。

进一步地，获得前、后单线激光雷达的最终路沿距离检测值d1和d2之后，根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动之前，还包括步骤：

根据前、后单线激光雷达对应的最终路沿距离检测值d1和d2进行车身姿态调整，使车身方向与行进方向一致。

进一步地，所述根据前、后单线激光雷达对应的最终路沿距离检测值d1和d2进行车身姿态调整，使车身方向与行进方向一致，具体包括步骤：

若α<|d1-d2|<β&&(e<d1<f)，则车身方向与行进方向一致，向整车控制器发送行驶指令，控制转向***回正，α、β、e、f均为设定阈值；

若(|d1-d2|>β)&&(d1>d2)，向整车控制器发送行驶指令，控制转向***左转设定角度，使车身方向与行进方向一致，完成车身姿态调整；

若(|d1-d2|>β)&&(d1<d2)，向整车控制器发送行驶指令，控制转向***右转设定角度，使车身方向与行进方向一致，完成车身姿态调整。

本发明另一方面还提供了一种基于多算法融合的自适应贴边作业装置，包括：

点云获取模块，用于分别获取机器人前、后两个单线激光雷达扫描所得的点云ξ_i；

路沿距离检测模块，用于基于路沿侧边几何特征和栅格原理分别对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值；

最终路沿距离计算模块，用于根据前、后单线激光雷达的两组路沿距离检测值的平均值分别获得前、后单线激光雷达的最终路沿距离检测值d1和d2；

贴边控制模块，用于根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。

本发明另一方面还提供了一种机器人，包括：

两单线激光雷达，分别安装于机器人车身的前侧和后侧，两单线激光雷达的扫描面与地面垂直且与路沿相交设定夹角；

整车控制器，用于根据指令控制机器人的横向、纵向移动及制动；

工控机，分别与所述两单线激光雷达和整车控制器信号连接，用于实现所述的基于多算法融合的自适应贴边作业方法。

进一步地，所述机器人包括：

路况信息检测装置，用于检测机器人前方路况信息；

所述工控机分别与所述两单线激光雷达和整车控制器、路况信息检测装置信号连接，用于实现所述的基于多算法融合的自适应贴边作业方法。

进一步地，所述路况信息检测装置包括：

GNSS模块，安装于机器人车身上，用于获取机器人当前位置坐标；

所述工控机分别与所述两单线激光雷达、GNSS模块和整车控制器信号连接，用于实现所述的基于多算法融合的自适应贴边作业方法。

进一步地，所述路况信息检测装置包括：

摄像头，设置在机器人车身前侧，用于获取机器人待识别路段前方一定距离的道路图像信息；

深度相机，设置在机器人车身前侧，用于获取采集待识别路段前方一定距离的原始深度帧数据；

IMU，设置在机器人车身上，用于实时获取待识别路段的俯仰角得到路面坡度；

所述工控机分别与所述两单线激光雷达、摄像头、深度相机、IMU和整车控制器信号连接，用于实现所述的基于多算法融合的自适应贴边作业方法。

本发明具有以下有益效果：

本发明的基于多算法融合自适应贴边作业方法，首先通过分别获取机器人前、后两个单线激光雷达扫描所得的点云ξ_i；接者基于路沿侧边几何特征和栅格原理分别对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值；然后根据前、后单线激光雷达的两组路沿距离检测值的平均值分别获得前、后单线激光雷达的最终路沿距离检测值d1和d2；最后根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。本发明一方面使用单线激光雷达准确识别路沿，由于单线激光雷达角分辨率高，不受环境光影响，因此本发明检测距离广、检测精度高、对环境光照要求低、白天夜晚均适用、能够有效过滤井盖，适用于不平整地面、植物隔离带、部分被遮挡路沿场景，对环境具有较强的适应性及抗干扰能力；另一方面，本发明的前、后两个单线激光雷达均使用双算法融合检测方式，如基于路沿侧边几何特征的检测方式充分挖掘路沿几何形态进行约束，识别准确率高，所需算力小，对路沿边缘识别敏感，有利于防止环卫机器人撞到路沿；而基于栅格原理的检测方式在对点云进行分段处理时，同时加上了路沿的几何特征约束，能够有效过滤地面栅格井盖、植物带等干扰，聚类后选取集合平均值，识别稳定性高；最终根据两个算法获得路沿距离检测值，提升了在部分场景中对路沿检测的准确率和稳定性，将路沿检测准确率从92.8％提升至99.2％。由于采用的是单线激光雷达，所需算力小，硬件成本低，能快速检测出路沿信息，可作为机器人辅助驾驶***智能自适应检测路沿，控制机器人贴边作业，安全可靠，能够大大降低环卫工人的劳动强度。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。

附图说明

本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明优选实施例的基于多算法融合的自适应贴边作业方法流程示意图。

图2是点云预处理后的效果示意图。

图3是聚类后路沿点云在XY平面的分布示意图。

图4为本发明优选实施例的基于多算法融合的自适应贴边作业装置模块示意图。

图5为本发明优选实施例的电子设备实体示意框图。

图6为本发明优选实施例的机器人组成示意图。

图7为本发明优选实施例的机器人扫描俯视示意图。

图8为本发明另一优选实施例的机器人组成示意图。

图9为本发明另一优选实施例的机器人组成示意图。

图10为本发明另一优选实施例的机器人扫描俯视示意图。

具体实施方式

下面将参考附图并结合实施例来详细说明本发明。

如图1所示，本发明的优选实施例提供了一种基于多算法融合的自适应贴边作业方法，包括步骤：

S1、分别获取机器人前、后两个单线激光雷达扫描所得的点云ξ_i；

S2、基于路沿侧边几何特征和栅格原理分别对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值；

S3、根据前、后单线激光雷达的两组路沿距离检测值的平均值分别获得前、后单线激光雷达的最终路沿距离检测值d1和d2；

S4、根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。

本实施例的基于多算法融合自适应贴边作业方法，首先通过分别获取机器人前、后两个单线激光雷达扫描所得的点云ξ_i；接者基于路沿侧边几何特征和栅格原理分别对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值；然后根据前、后单线激光雷达的两组路沿距离检测值的平均值分别获得前、后单线激光雷达的最终路沿距离检测值d1和d2；最后根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。本实施例一方面使用单线激光雷达准确识别路沿，由于单线激光雷达角分辨率高，不受环境光影响，因此本发明检测距离广、检测精度高、对环境光照要求低、白天夜晚均适用、能够有效过滤井盖，适用于不平整地面、植物隔离带、部分被遮挡路沿场景，对环境具有较强的适应性及抗干扰能力；另一方面，本发明前、后两个单线激光雷达均使用双算法融合检测方式，如基于路沿侧边几何特征的检测方式充分挖掘路沿几何形态进行约束，识别准确率高，所需算力小，对路沿边缘识别敏感，有利于防止环卫机器人撞到路沿；而基于栅格原理的检测方式在对点云进行分段处理时，同时加上了路沿的几何特征约束，能够有效过滤地面栅格井盖、植物带等干扰，聚类后选取集合平均值，识别稳定性高；最终根据两个算法获得路沿距离检测值，提升了在部分场景中对路沿检测的误检率和检测稳定性，将路沿检测准确率从92.8％提升至99.2％。本实施例基于单线激光雷达检测路沿，由于单线激光雷达角分辨率高，角分辨率为0.33，不受环境光影响，且扫描一周点云一共811个点，分别对811个点云设定序号ID为0-810，适用于高度>＝5cm路沿石及高度为20cm～2m的水泥矮墙检测，在3m范围内检测精度达<2cm，能够有效过滤井盖，识别部分被遮挡路沿，对环境光照要求低，白天夜晚均适用，环境适应性好；检测精度高，静态检测误差<1cm，动态检测误差<2cm；由于采用的是单线激光雷达，所需算力小，硬件成本低，能快速检测出路沿信息，商业推广度好；可作为机器人辅助驾驶***智能自适应检测路沿，控制机器人贴边作业，安全可靠，能够大大降低环卫工人的劳动强度，提高贴边作业的安全性、可靠性。

本发明另一实施例中，基于路沿侧边几何特征对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值，具体包括步骤：

S204、对点云ξi进行二阶差分运算，得到集合A；

S205、在集合A中，将ξ_i<0的点云数据标记位置1，并删除ξ_i>＝0的点，得到集合A1；

S206、将集合A1中点云进行DBSCAN聚类，得到若干聚类集合φ_i；

S207、利用路沿侧边点云的几何特征从聚类集合

中找出路沿侧边点云聚类，并根据所述路沿侧边点云聚类中第一个点云ξ₁获得当前帧路沿检测结果。

本实施例通过对集合A1中的点云ξi进行二阶差分运算，将ξ_i>＝0的点云数据进行滤波删除，仅保留ξ_i<0的点云数据并标记位置1，其中ξ_i<0点云即为路沿石侧边所对应的点云，从而在进行贴边检测时排除其他不相关的点云，确保后续路沿检测的准确性和可靠性。

本发明另一实施例中，对点云ξi进行二阶差分运算，得到集合A之前，还包括步骤：

S201、将单线激光雷达扫描所得的点云数据进行预处理，剔除噪声点、异常点数据，确保后续点云数据的处理效率和精度；

S202、对预处理后的点云进行直通滤波，保留序号ID为设定范围值的点云，如保留序号ID为90-540的点云，选取此范围内的点云有助于保留路沿关键信息，同时过滤部分无效特征，节省后续算法使用的计算资源；

S203、对直通滤波后的点云进行曲线平滑及降采样处理，保留曲线趋势特征，达到滤波目的，从而排除少数很高或很低的点对曲线形成向上或向下的突刺，这时候使用平滑方法，使新的曲线相对平稳，更为准确的反应出曲线的整体趋势，如图2所示。

本发明另一实施例中，利用路沿侧边点云的几何特征从聚类集合

中找出路沿侧边点云聚类，并根据所述路沿侧边点云聚类中第一个点云ξ₁获得当前帧路沿检测结果，具体包括步骤：

S2071、将每个聚类集合φ_i中的点云ξ_i分解到对应的XY平面，得到针对每一个点云ξ_i的X、Y分量分别为ξ_i_X、ξ_i_Y，其中，XY平面与对应单线激光雷达的扫描面共面，且以对应单线激光雷达中心为原点，Y轴向上垂直地面，X轴指向路沿方向；

S2072、针对每一个聚类集合φ_i，判断其中的点云是否满足(ξ_i_Y–ξ_i-1_Y<δ)&&(ξ_max_Y–ξ_min_Y>σ)&&(ξ_max_X-ξ_min_X<λ)&&(ξ_i>m)，其中，ξ_max_Y为聚类集合φ_i点云的最大Y分量，ξ_min_Y为聚类集合φ_i中点云的最小Y分量，ξ_max_X为聚类集合φ_i中点云的最大X分量，ξ_min_X为聚类集合φ_i中点云的最小X分量，δ、σ、λ、m均为设定阈值，本实施例中δ＝1.5cm、σ＝8cm、λ＝5cm、m＝10，其中m表示点云个数，足够多的点云可避免误检，提高检测准确性；

S2073、若满足，则将该路沿侧边点云聚类中的第一个点云ξ₁的X分量ξ₁_X作为当前帧路沿距离检测值ε₁。

如图3所示，图中竖直虚线部分即为路沿侧边，由于路沿侧边垂直于地面，因此，本实施例的上述判断公式用于表示激光雷达扫描路沿侧边点云的几何特征，其中，扫描路沿侧边点云在XY平面的Y轴上投影即Y分量沿Y轴方向垂直分布，因此，一方面，点云在Y轴上最大Y分量ξ_max_Y与最小Y分量ξ_min_Y的高度差较大且满足ξ_max_Y–ξ_min_Y>σ；另一方面，路沿侧边点云在XY平面的X轴上的投影较为集中，这样点云在X轴上最大X分量ξ_max_X与最小X分量ξ_min_X的距离差较小且满足ξ_max_X-ξ_min_X<λ；由于路沿侧边是连续面，因此，路沿侧边点云聚类中相邻点云的Y分量高度差较小且满足ξ_i_Y–ξ_i-1_Y<δ，而为了进一步准确判断点云是否是路沿侧边需要加强约束条件ξ_i>m，以减少算法对路边障碍物(如地面树叶、小石块)的误识别。

本实施例利用路沿侧边点云的几何特征在聚类集合φ_i中准确找出路沿侧边点云聚类，同时，将所述路沿侧边点云聚类中第一个点云ξ₁的X分量ξ₁_X作为当前帧路沿距离检测值，也即将所述路沿侧边点云聚类中最接近地面处的点云的X分量作为当前帧路沿距离检测值，从而确保所得的当前帧路沿距离检测值能体现出机器人与路沿的真实距离。

本发明另一实施例中，基于栅格原理对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值，具体包括步骤：

S211、分别将两个单线激光雷达扫描所得的点云ξ_i分解到对应的两个XY平面，得到针对每一个点云ξ_i的X、Y分量分别为ξ_i_X、ξ_i_Y，其中，两个XY平面与对应单线激光雷达的扫描面共面，且以对应单线激光雷达中心为原点，Y轴向上垂直地面，X轴指向路沿方向；

S212、在X轴上将待处理点云数据划分成若干个等分区间；

S213、计算出第n个区间的Y轴最大值ξ_n_Ymax和最小值ξ_n_Ymin，以及ξ_n_Ymax和最小值ξ_n_Ymin的平均值ξ_n_Ymean；

S214、遍历各等分区间，若第n个区间的平均值ξ_n_Ymean和第n个区间的平均值ξ_n-1_Ymean满足:ξ_n_Ymean-ξ_n-1_Ymean>＝Ψ，则将第n个区间的所有点云数据存入集合B，否则删除第n区间所有点云数据，Ψ为设定阈值；

S215、对集合B中所有点云ξ_i除噪预处理后，统计集合B中所有点云ξ_i的总数量t；若|ξ_i_X-∑ξ_i_X/t|<Ω，则将ξ_i_X存入队列Q_i，点云计数值m＝m+1，Ψ为设定阈值；若|ξ_i_X-∑ξ_i_X/t|>Ω，则删除ξ_i_X，n＝0，保存队列Q_i-1；如此循环直到遍历整个集合A，最终得到由若干个队列Q_i组成的集合Q；

S216、遍历集合Q，对于队列Q_i中的每个点云ξi，若(ξ_i_X>θ)&&(|ξ_i_Ymax-ξ_i_Ymin|>ω)，则返回Q_i，并计算Q_i中的平均值ξ_i_Xmean作为当前帧路沿距离检测值ε₂，θ和ω为设定阈值。

本实施例基于栅格原理对点云进行处理，同时加上了路沿的几何特征约束，能够有效过滤地面栅格井盖、植物带等干扰，聚类后选取集合平均值，识别稳定性高。

本发明另一实施例中，根据前、后单线激光雷达的两组路沿距离检测值的平均值分别获得前、后单线激光雷达的最终路沿距离检测值d1和d2，具体包括步骤：

S31、在第i时刻，若(|ε_1i-1-ε_1i|<η₁)&&(|ε_2i-1-ε_2i|<η1)&&(|ε_1i-ε_2i|<η₂)，则将ε_1i、ε_2i存入队列L中，ε_1i和ε_1i-1分别表示基于路沿侧边几何特征所得当前帧路沿距离检测值与上一帧路沿距离检测值，ε_2i和ε_2i-1分别表示基于栅格原理所得当前帧路沿距离检测值与上一帧路沿距离检测值，η₁和η₂分别为设定阈值；

S32、取队列L中的平均值作为前、后单线激光雷达对应的最终路沿距离检测值d1和d2。

本实施例中，(|ε_1i-1-ε_1i|<η₁)表示基于路沿侧边几何特征检测所得当前帧计算值与上一帧计算值对比，(|ε_2i-1-ε_2i|<η1)表示基于栅格原理所得当前帧计算值与上一帧计算值对比。路沿正常情况下检测值不会出现突变，故两种检测方法中相邻时刻检测值不会出现特别大的变化；(|ε_1i-ε_2i|<η₂)表示两种检测方法在同一时刻的检测值，正常情况下，针对同一个时刻的路沿，两种检测方法计算的距离值应相近，数值波动在运行的范围内，属于符合精度要求的有效数据，否则必然存在异常。因此，本实施例在最终结果选取的时候，充分考虑了两种检测方法同步对比历史检测值与当前时刻两种检测方法的计算检测值，将两种检测方法进行有机融合，融合时，既考虑两种方法各自的当前帧计算值与其自身历史检测值的相互关系，同时还考虑了两种方法在同一时刻所得计算值之间的相互关系，纵向对比与横向对比相结合，协同确保所得计算值的可靠性和准确性。本实施例在两种检测方法同步对比历史检测值与当前时刻两种检测方法的计算检测值满足上述要求后，才将对应的平均值作为前、后单线激光雷达对应的最终路沿距离检测值d1和d2，从而提升了在部分场景中对路沿检测的准确率和稳定性，将路沿检测准确率从92.8％提升至99.2％，减少误差。

本发明另一实施例中，根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

S401、根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令向整车控制器发送行驶指令，控制机器人转向***按照e<d1<f进行贴边运动，e、f均为设定阈值。

本发明另一实施例中，根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

S411、获取机器人初始位置坐标点，根据机器人初始位置坐标点(E0,N0)及路线数据库确认机器人前方的目标路口类型，所述目标路口类型包括：有路沿工况直行、右转弯和长距离无路沿工况直行；

S412、根据前、后单线激光雷达对应的最终路沿距离检测值d1和d2、机器人前方的目标路口类型向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。

本实施例中，对于辅道、隔离带、长距离无路沿等环境下的环卫机器人贴边清扫作业，由于机器人所经的路段存在直线、弯道或部分没有路沿的复杂情况，针对不同的路况，需要机器人做出相应的调整已确保机器人能够安全可靠的进行贴边运动，如在长距离无路沿时，前、后单线激光雷达无法按前述实施例的方法获取最终路沿距离检测值d1和d2。因此与前述实施例不同的是，本实施例在向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动时，即考虑前、后单线激光雷达对应的最终路沿距离检测值d1和d2，同时还要考虑机器人前方的目标路口类型，两者互相弥补不足，共同控制机器人按设定的贴边距离和整车速度进行贴边运动，从而满足辅道、隔离带、长距离无路沿等环境下的环卫机器人贴边清扫作业，提高环卫机器人的作业适用范围、鲁棒性及可靠性。

本发明另一实施例中，获取机器人初始位置坐标点，根据机器人初始位置坐标点(E0,N0)及路线数据库确认机器人前方的目标路口类型，具体包括步骤：

S4111、将机器人作业路径上各位置坐标点(E_i,N_i)和对应的路口类型存入路线数据库，i表示路线数据库中所存位置坐标点的序号；

S4112、通过GNSS模块获取机器人初始位置坐标点(E0，N0)；

S4113、根据初始位置坐标点(E0，N0)在路线数据库中查找对应位置坐标点(E_i，N_i)及前方设定范围内多个连续位置坐标点对应的路口类型；

S4114、根据所述路口类型确定机器人初始位置坐标点(E0,N0)前方对应的目标路口类型。

本实施例中，为了确认机器人前方的目标路口类型，本实施例通过GNSS模块获取机器人初始位置坐标点(E0,N0)，并将初始位置坐标点(E0,N0)从路线数据库中查找对应的路口类型来确定机器人初始位置坐标点(E0,N0)前方对应的目标路口类型，其中，路线数据库建立过程如下：

在机器人进行贴边清洁作业前，需要进行人工示教录制路径，将清洁作业路径的经、纬度信息以UTM坐标(Ei,Ni)实时保存至数据库***_GNSS表(***为人工对当前录制路径命名的名称)的GNSSDATA字段中；同步地，在遇到不同路况的时候，通过人工按下物理按钮对当前路口进行标记，以UTMFLAG字段保存在数据库***_GNSS表中，与GNSSDATA字段一一对应，其中UTMFLAG为路口类型标志，UTMFLAG＝0表示有路沿工况直行，UTMFLAG＝1表示右转弯，UTMFLAG＝2表示长距离无路沿工况直行。UTM坐标系横轴用E表示，纵轴用N表示，此为国际标准。类似笛卡尔用x，y表示横纵坐标系。

本实施例通过人工示教的方式，将路段的坐标与相对应的当前路口类型事先存入路线数据库中，接着在通过GNSS模块获取机器人初始位置坐标点(E0,N0)后，即可通过查找路线数据库获得对应位置坐标点(E_i,N_i)及前方设定范围内多个连续位置坐标点对应的路口类型，最后基于所得路口类型确定机器人初始位置坐标点(E0,N0)前方对应的目标路口类型。

本发明另一实施例中，根据初始位置坐标点(E0,N0)在路线数据库中查找对应位置坐标点(E_i,N_i)及前方设定范围内多个连续位置坐标点对应的路口类型之前，还包括步骤：

S4112a、获取人工选取的当前作业路段，在路线数据库中找到与之相匹配的路段；

S4112b、将GNSS模块获取的机器人初始位置坐标点(E0,N0)与路线数据库中对应的位置坐标点(E_i,N_i)进行经纬度匹配；

S4112c、若满足：

则匹配成功，保存i，d为设定阈值。

本实施例在根据初始位置坐标点(E0,N0)在路线数据库中查找对应位置坐标点(E_i,N_i)及前方设定范围内多个连续位置坐标点对应的路口类型之前，会先将GNSS模块获取的机器人初始位置坐标点(E0,N0)与路线数据库中对应的位置坐标点(E_i,N_i)进行经纬度匹配，由于坐标点与路口类型是相对应的关系，因此，当以机器人当前坐标点为关键字，从数据库中查找对应的路口类型时，为确保查找结果准确性，初始位置坐标点(E0,N0)与路线数据库中对应的位置坐标点(E_i,N_i)必须满足一定位置误差，从而确保所查路口类型的准确性，否则，将会出现实际路口类型与预存的路口类型不一致的问题。

本发明另一实施例中，根据所述路口类型确定机器人初始位置坐标点(E0,N0)前方对应的目标路口类型，具体包括步骤：

S41141、在路线数据库中查找与初始位置坐标点(E0,N0)相对应的位置坐标点(E_i,N_i)对应的路口类型，以及该位置坐标点(E_i,N_i)前方设定范围内多个连续位置坐标点各自对应的路口类型；

S41142、若统计其中某一路口类型的占比大于设定阈值时，则将该路口类型设置为机器人前方对应的目标路口类型。

本实施例中，在根据所述路口类型确定机器人初始位置坐标点(E0,N0)前方对应的目标路口类型时，采用统计学方法，先获得数据库中相对应的位置坐标点(E_i,N_i)对应的路口类型，以及该位置坐标点(E_i,N_i)前方设定范围内多个连续位置坐标点各自对应的路口类型，接着采用统计学方法，将其中占比大于设定阈值的某一路口类型作为则将该路口类型设置为机器人前方对应的目标路口类型，如获得数据库中相对应的位置坐标点(E_i,N_i)对应的路口类型，以及该位置坐标点(E_i,N_i)前方60个位置坐标点各自对应的路口类型，即在GNSSDATA字段数据中获取i～i+60的值。

若：

则对应的目标路口类型为有路沿工况直行；

若：

则对应的目标路口类型为右转弯；

若：

则对应的目标路口类型为长距离无路沿工况直行。

本实施例的GNSS模块的频率为10HZ，每秒可获得10个数据；车速为5km/h，每秒约0.8m；60个数据对应约5m；即可提前判断前方5m路段趋势，从而能够兼顾作业效率及算力需求，若提前太早判断前方路段趋势，则***需要降速，作业效率得不到保证。

本发明另一实施例中，根据前、后单线激光雷达对应的最终路沿距离检测值d1和d2、机器人前方的目标路口类型向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

S4121、当目标路口类型为有路沿工况直行时，向整车控制器发送行驶指令，控制机器人转向***按照e<d1<f进行贴边运动，控制整车速度为a1，e、f均为设定阈值；

S4122、当目标路口类型为右转弯时，向整车控制器发送行驶指令，控制机器人转向***按照s<d1<j进行贴边运动，且e<s,f<j，控制整车速度为a2，且a1>a2；

S4123、当目标路口类型为长距离无路沿工况直行时，对初始位置坐标点(E0,N0)及前方设定范围内多个连续位置坐标点进行线性拟合，求得y＝kx+b；通过GNSS模块获取机器人当前位置坐标点(E,N)，若k*E+b>N，向整车控制器发送行驶指令，控制转向***左转设定角度；若k*E+b<N，向整车控制器发送行驶指令，控制转向***右转设定角度，控制整车速度为a2，且a1>a2。

本实施例基于前、后单线激光雷达对应的最终路沿距离检测值d1和d2、机器人前方的目标路口类型共同向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，从而在面对有路沿工况直行时、右转弯时和长距离无路沿工况直行时，都能向整车控制器发送相应的行驶指令，使机器人能结合最终路沿距离检测值d1和d2、目标路口类型实施最佳的作业动作，满足不同工况下的贴边作业需求，大幅提高机器人贴边作业的适应性、安全性和可靠性，能够大大的降低环卫工人的劳动强度。

本发明另一实施例中，根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

S421、实时获取机器人前方道路的路面坡度和道路曲直类型；

S422、根据前、后单线激光雷达的最终路沿距离检测值、路面坡度、道路曲直类型向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。

当机器人所经的路段存在不同弯直类型、不同坡度的复杂情况时，需要机器人做出相应的调整已确保机器人能够安全可靠的进行贴边运动，不同的曲率的路面，需要设置不同的行车速度和贴边安全距离，而不同的坡度同样需要相应的行车速度。因此，本实施例在向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动时，即考虑前、后单线激光雷达对应的最终路沿距离检测值d1和d2，以便控制与路沿的安全距离，同时还要考虑机器人前方道路的路面坡度和道路曲直类型，两者互相结合，共同控制机器人按设定的贴边距离和整车速度进行贴边运动，从而满足不同弯直类型、不同坡度等复杂环境下的环卫机器人贴边清扫作业，本实施例基于路沿检测精定位可达2厘米，适用于背街小巷等复杂路段的智慧环卫机器人作业场景，大幅提高环卫机器人的作业适用范围、鲁棒性、可靠性和安全性。

本发明另一实施例中，所述实时获取机器人前方道路的路面坡度和道路曲直类型，具体包括步骤：

S4211、实时采集机器人待识别路段前方第一距离处和第二距离处对应的道路图像，同时通过IMU实时获取待识别路段的俯仰角σ得到路面坡度，其中，第二距离处与机器人的距离大于第一距离处与机器人的距离；

S4212、根据所述道路图像分别获得机器人待识别路段前方第一距离处和第二距离处对应的第一道路曲率和第二道路曲率，并根据所述第二道路曲率确定待识别路段的道路曲直类型，所述道路曲直类型包括直道、平缓弯道和直角弯道。

本实施例中，第一距离处对应的第一道路曲率通过深度相机进行识别，从而获得机器人前方2m处的道路曲率τ，具体过程如下：

1、利用深度相机采集原始深度帧数据，通过深度转换函数将深度图转换成点云，将点云数据进行直通滤波，选取指定Y轴区段的多个片状点云，并将点云由XYZ格式转换成XYZRGB格式，去除片状点云中的空点，同时对深度相机进行参数标定；

2、对每帧点云中的片状点云进行排序，根据路沿的边界特征，对片状点云添加邻域阈值条件，增加高度差过滤条件，检测出路沿边界点；

3、提取出路沿的边界点以后，需要将边界点从深度相机的局部坐标系转换到世界坐标系，因此需要计算两个坐标系的旋转平移矩阵，通过求取两个坐标系下的三个点的坐标，计算出最佳的旋转矩阵R和平移矩阵T；

4、假设局部坐标系为A，世界坐标系为B，坐标系A和B的转换关系可以表示为B＝R*A+T。其中R和T是将局部坐标系转换到世界坐标系B的转换矩阵，求解最优转换矩阵R和T可以分解为以下几个步骤：

(1)求解数据集质心，

此步求得每组向量的几何中心centroid；

(2)将两个数据集转换到原点，然后求两个坐标系的最优旋转矩阵，求旋转矩阵的方法是奇异值分解(SVD):

[U,S,V]＝SVD(H)，此步返回协方差矩阵H的奇异值，并分解成U,S,V矩阵；

(3)求平移矩阵R和T，R＝VU^T，T＝-R*centroid_A+centroid_B；

5、将转换到世界坐标系的边界点在XOZ坐标系中进行投影，然后用最小二乘算法对前方2m路沿进行曲线拟合，拟合成一条曲线，得到道路的曲率信息τ，为整车控制提供判断依据。

第二距离处对应的第二道路曲率通过摄像机进行识别，从而获得机器人前方8m处的道路曲率τ，具体过程如下：

1、采集需要识别路段的道路图像，对需要识别的对象如道路、斑马线等打标签，标签数据处理，使用处理后的标签数据训练语义分割模型，本文使用的语义分割模型为Fast-SCNN，该模型在识别速度和精度上都有较好的表现；

2、扫地机器人作业时，实时采集前方道路上的图像，使用训练好的模型对道路图像进行识别推理，识别出道路区域；

3、使用腐蚀、膨胀等形态学处理方法对识别出的道路区域进行处理，去除噪声，得到完整的道路区域，并提取出道路右侧的边缘线；

4、对道路边缘线进行hough直线检测，当检测出一条直线或多条角度相差较小的直线时，判定此时前方道路为直道；当检测出两条或两条以上角度相差大于设定阈值时，判定此时前方道路存在平缓弯道；当检测出两条或两条以上角度相差大于另一设定阈值时，判定此时前方道路存在直角弯道，实现道路曲直类型的识别，方便后续对路况提前预警。本实施例通过摄像头的RGB信息，对道路图像进行识别推理，识别出道路区域得到边缘线信息，从而能提前8m对道路进行有效判别。

在本发明的优选实施例中，根据前、后单线激光雷达的最终路沿距离检测值、路面坡度、道路曲直类型向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

S4221、若8°<σ<＝15°，对应的整车速度为v＝150；若0°<σ<＝8°，则对应的整车速度为v＝90；若-8°<σ<＝0°，则对应的整车速度为v＝60；若-15°<σ<＝-8°，则对应的整车速度为v＝30(角度为负，表示下坡)；

S4222、若所述道路曲直类型为直道时，向整车控制器发送行驶指令，控制机器人转向***按照e<d1<f进行贴边运动，对应的整车速度为v＝150，e、f均为设定阈值；

S4223、若所述道路曲直类型为平缓弯道时，向整车控制器发送行驶指令，控制机器人转向***按照s<d1<j进行弯道贴边运动，对应的整车速度为v＝90，其中，j、s均为设定阈值，e<s，f<j，a>b；

S4224、若所述道路曲直类型为直角弯道时，向整车控制器发送行驶指令，先控制机器人转向***按照r<d1<t准备过弯，对应的整车速度为v＝60，接着读取机器人前方2m处的第一道路曲率τ，若(τ>λ1)&&(d1<p)&&(d2<p)，控制机器人转向***按照g<d1<h进行弯道贴边运动，λ1、r、t、g、h、p均为设定阈值，s<r<g,j<t<h，b>c，本实施例中，p＝250cm；

S4225、根据待识别路段的道路曲直类型和路面坡度所对应的整车速度中的较小值确定最终的整车速度。

本实施例针对不同的路面坡度、道路曲直类型设置了相应的整车速度和贴边距离，确保机器人沿不同路面坡度、道路曲直类型的道路贴边运行时的安全性和稳定性，机器人按设定的贴边距离和整车速度进行贴边运动时，先根据路面坡度进行纵向控制，因为大部分路况下，路面坡度的倾斜都是整段路段，车身状态会保持较长时间；但是在既有路面坡度且需要转弯的时刻，则取路面坡度和道路曲直类型对应的速度中较小的值来进行纵向控制，以保证行车的安全性。另外，本实施例中，机器人在行进过程中，会提前获取前方8m处的道路曲直类型，以便机器人有足够的时间进行车速及贴边距离的调整，确保调整过程的平稳性和安全性，过早调整则会降低机器人的作业效率。而在面对直角弯道时，由于路面拐弯急促，因此，除了提前8m对机器人进行车速及贴边距离的调整外，在机器人继续前进并距离直角拐弯处2m的地方，将再次根据机器人前方2m处的第一道路曲率τ、d1、d2提前对贴边距离作进一步的调整，相比直线或平缓拐弯时的贴边运动，直角拐弯时的贴边运动所需的安全空间更大，此时的调整一般是增大当前贴边距离，从而既确保了调整过程的平稳性和安全性，又使得机器人在直角拐弯处进行直角弯道贴别运动时与路沿之间保持足够的安全距离，保证直角拐弯的顺利进行。因此，本实施例通过融合三种传感器信息能够对道路进行有效预判及检测，有效进行智能自适应贴边作业，控制***平均偏差<2cm。上述实施例中，速度V＝150、90、60、30并没有实际单位，只是表面各工况下行车速度的系数关系，实际车速在上述系数关系的基础上根据需要调整所得，如V＝25km/h、20km/h、15km/h、10km/h、5km/h。

在本发明的优选实施例中，获得前、后单线激光雷达的最终路沿距离检测值d1和d2之后，根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动之前，还包括步骤：

S3a、根据前、后单线激光雷达对应的最终路沿距离检测值d1和d2进行车身姿态调整，使车身方向与行进方向一致，具体包括步骤：

S3a-1、若α<|d1-d2|<β&&(e<d1<f)，则车身方向与行进方向一致，向整车控制器发送行驶指令，控制转向***回正，α、β、e、f均为设定阈值；

S3a-2、若(|d1-d2|>β)&&(d1>d2)，向整车控制器发送行驶指令，控制转向***左转设定角度，使车身方向与行进方向一致，完成车身姿态调整；

S3a-3、若(|d1-d2|>β)&&(d1<d2)，向整车控制器发送行驶指令，控制转向***右转设定角度，使车身方向与行进方向一致，完成车身姿态调整。

本实施例中，当获得最终路沿距离检测值d1和d2时，在机器人车身尚未启动前，需要先检测机器人的当前车身姿态，确保贴边作业前先使车身与行车方向保持一致。本实施例利用最终路沿距离检测值d1、d2与设定阈值α、β、e、f的大小关系来判断当前车身姿态：若α<|d1-d2|<β&&(e<d1<f)，则表示车身方向已经与行进方向一致，通过整车控制器控制转向***回正，若(|d1-d2|>β)&&(d1>d2),或者，(|d1-d2|>β)&&(d1<d2)时，则通过整车控制器控制转向***左转或右转一定角度，使车身与行车方向首先保持一致，完成车身姿态调整，接着再根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，以提高机器人贴边运动的平稳性和可靠性。

如图4所示，本发明另一优选实施例还提供了一种基于多算法融合的自适应贴边作业装置，包括：

点云获取模块，用于分别获取机器人前、后两个单线激光雷达扫描所得的点云ξ_i；

路沿距离检测模块，用于基于路沿侧边几何特征和栅格原理分别对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值；

最终路沿距离计算模块，用于根据前、后单线激光雷达的两组路沿距离检测值的平均值分别获得前、后单线激光雷达的最终路沿距离检测值d1和d2；

贴边控制模块，用于根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。

如图5所示，本发明另一实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于多算法融合的自适应贴边作业方法。

本发明另一实施例还提供了一种存储介质，所述存储介质包括存储的程序，在所述程序运行时控制所述存储介质所在的设备执行所述的基于多算法融合的自适应贴边作业方法。

如图5和图7所示，本发明另一优选实施例还提供了一种机器人，包括：

两单线激光雷达，分别安装于机器人车身的前侧和后侧，采用固定安装支架安装于机器人车身，所述固定安装支架用于防震，具体的，所述单线激光雷达的离地高度设置为1m，前侧的单线激光雷达的扫描面与地面垂直且与路沿成45°夹角，后侧的单线激光雷达的扫描面与地面垂直且与路沿成90°夹角；

整车控制器，用于根据指令控制机器人的横向、纵向移动及制动；

工控机，分别与所述两单线激光雷达和整车控制器信号连接，用于实现所述的基于多算法融合的自适应贴边作业方法。

如图8所示，本发明另一优选实施例还提供了一种机器人，包括：

两单线激光雷达，分别安装于机器人车身的前侧和后侧，采用固定安装支架安装于机器人车身，所述固定安装支架用于防震，具体的，所述单线激光雷达的离地高度设置为1m，前侧的单线激光雷达的扫描面与地面垂直且与路沿成45°夹角，后侧的单线激光雷达的扫描面与地面垂直且与路沿成90°夹角；

GNSS模块，安装于机器人车身上，用于获取机器人当前位置坐标；

整车控制器，用于根据指令控制机器人的横向、纵向移动及制动；

工控机，分别与所述两单线激光雷达、GNSS模块和整车控制器信号连接，用于实现所述的基于多算法融合的自适应贴边作业方法。

如图9和图10所示，本发明另一实施例还提供了一种机器人，包括：

两单线激光雷达，分别安装于机器人车身的前侧和后侧，采用固定安装支架安装于机器人车身，所述固定安装支架用于防震，具体的，所述单线激光雷达的离地高度设置为1m，前侧的单线激光雷达的扫描面与地面垂直且与路沿成45°夹角，后侧的单线激光雷达的扫描面与地面垂直且与路沿成90°夹角；

摄像头，设置在机器人车身的前侧，用于获取机器人待识别路段前方一定距离的道路图像信息，本实施例采用夜视摄像机，白天夜晚均适用，环境适应性好，鲁棒性强；

深度相机，设置在机器人车身的前侧，用于获取采集待识别路段前方一定距离的原始深度帧数据；

IMU，设置在机器人车身上，用于实时获取待识别路段的俯仰角得到路面坡度；

整车控制器，用于根据指令控制机器人的横向、纵向移动及制动；

工控机，分别与所述两单线激光雷达、摄像头、深度相机、IMU和整车控制器信号连接，用于实现所述的基于多算法融合的自适应贴边作业方法。

本实施例通过融合单线激光雷达、摄像头、深度相机信息，能够有效进行整车自适应贴边控制，贴边精度高，所需算力很小，能快速检测出路沿信息，成本只有现有无人驾驶***的1/10，商业推广度好。

上述实施例的机器人还设置有超声波雷达作为停障***，采用超声波雷达双探头模式，在机器人前、左、右四个面分别布置2组，一共12个探头，用于检测机器人四周障碍物情况，在障碍物离机器人过近时发出停障信号，机器人进行自动停障，具体为：若超声波雷达探测距离d_ultra<dv，工控机控制整车控制器停障并进行声光报警，整车控制器包含转向***、制动***、传动***及机器人上装作业装置。

上述实施例的方法的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个或者多个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)，磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的优选实施例而已，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多算法融合的自适应贴边作业方法，其特征在于，包括步骤：

分别获取机器人前、后两个单线激光雷达扫描所得的点云ξ_i；

基于路沿侧边几何特征和栅格原理分别对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值；

根据前、后单线激光雷达的两组路沿距离检测值的平均值分别获得前、后单线激光雷达的最终路沿距离检测值d1和d2；

根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。

2.根据权利要求1所述的基于多算法融合的自适应贴边作业方法，其特征在于，基于路沿侧边几何特征对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值，具体包括步骤：

对点云ξ_i 进行二阶差分运算，得到集合A；

在集合A中，将ξ_i<0的点云数据标记位置1，并删除ξ_i>＝0的点，得到集合A1；

将集合A1中的点云进行DBSCAN聚类，得到若干聚类集合φ_i；

利用路沿侧边点云的几何特征从聚类集合φ _i 中找出路沿侧边点云聚类，并根据所述路沿侧边点云聚类中第一个点云ξ₁获得当前帧路沿检测结果。

3.根据权利要求2所述的基于多算法融合的自适应贴边作业方法，其特征在于，利用路沿侧边点云的几何特征从聚类集合φ _i 中找出路沿侧边点云聚类，并根据所述路沿侧边点云聚类中第一个点云ξ₁获得当前帧路沿检测结果，具体包括步骤：

将每个聚类集合φ_i中的点云ξ_i分解到对应的XY平面，得到针对每一个点云ξ_i的X、Y分量分别为ξ_i_X、ξ_i_Y，其中，XY平面与对应单线激光雷达的扫描面共面，且以对应单线激光雷达中心为原点，Y轴向上垂直地面，X轴指向路沿方向；

针对每一个聚类集合φ_i，判断其中的点云是否满足(ξ_i_Y–ξ_i-1_Y<δ) &&(ξ_max_Y–ξ_min_Y>σ)&&(ξ_max_X-ξ_min_X<λ)&&(ξ_i>m)，其中，ξ_max_Y为聚类集合φ_i点云的最大Y分量，ξ_min_Y为聚类集合φ_i中点云的最小Y分量，ξ_max_X为聚类集合φ_i中点云的最大X分量，ξ_min_X为聚类集合φ_i中点云的最小X分量，δ、σ、λ、m均为设定阈值；

若满足，则将该路沿侧边点云聚类中的第一个点云ξ₁的X分量ξ₁_X作为当前帧路沿距离检测值ε₁。

4.根据权利要求1所述的基于多算法融合的自适应贴边作业方法，其特征在于，基于栅格原理对两个单线激光雷达扫描所得的点云ξ_i进行处理提取路沿信息，使每个单线激光雷达均返回两组路沿距离检测值，具体包括步骤：

分别将两个单线激光雷达扫描所得的点云ξ_i分解到对应的两个XY平面，得到针对每一个点云ξ_i的X、Y分量分别为ξ_i_X、ξ_i_Y，其中，两个XY平面与对应单线激光雷达的扫描面共面，且以对应单线激光雷达中心为原点，Y轴向上垂直地面，X轴指向路沿方向；

在X轴上将待处理点云数据划分成若干个等分区间；

计算出第n个区间的Y轴最大值ξ_n_Ymax和最小值ξ_n_Ymin，以及ξ_n_Ymax和最小值ξ_n_Ymin的平均值ξ_n_Ymean；

遍历各等分区间，若第n个区间的平均值ξ_n_Ymean和第n个区间的平均值ξ_n-1_Ymean满足:ξ_n_Ymean-ξ_n-1_Ymean>＝Ψ，则将第n个区间的所有点云数据存入集合A，否则删除第n区间所有点云数据，Ψ为设定阈值；

对集合A中所有点云ξ_i除噪预处理后，统计集合A中所有点云ξ_i的总数量t；若|ξ_i_X-∑ξ_i_X/t|<Ω，则将ξ_i_X存入队列Q_i，点云计数值m＝m+1，Ψ为设定阈值；若|ξ_i_X-∑ξ_i_X/t|>Ω，则删除ξ_i_X，n＝0，保存队列Q_i-1；如此循环直到遍历整个集合A，最终得到由若干个队列Q_i组成的集合Q；

遍历集合Q，对于队列Q_i中的每个点云ξ_i ，若(ξ_i_X>θ)&&(|ξ_i_Ymax-ξ_i_Ymin|>ω)，则返回Q_i，并计算Q_i中的平均值ξ_i_Xmean作为当前帧路沿距离检测值ε₂，θ和ω为设定阈值。

5.根据权利要求1所述的基于多算法融合的自适应贴边作业方法，其特征在于，根据前、后单线激光雷达的两组路沿距离检测值的平均值分别获得前、后单线激光雷达的最终路沿距离检测值d1和d2，具体包括步骤：

在第i时刻，若(|ε_1i-1-ε_1i|<η₁)&&(|ε_2i-1-ε_2i|<η1)&&(|ε_1i-ε_2i|<η₂)，则将ε_1i、ε_2i存入队列L中，ε_1i和ε_1i-1分别表示基于路沿侧边几何特征所得当前帧路沿距离检测值与上一帧路沿距离检测值，ε_2i和ε_2i-1分别表示基于栅格原理所得当前帧路沿距离检测值与上一帧路沿距离检测值，η₁和η₂分别为设定阈值；

取队列L中的平均值作为前、后单线激光雷达对应的最终路沿距离检测值d1和d2。

6.根据权利要求1至5中任一项所述的基于多算法融合的自适应贴边作业方法，其特征在于，根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令向整车控制器发送行驶指令，控制机器人转向***按照e<d1<f进行贴边运动，e、f均为设定阈值。

7.根据权利要求1至5中任一项所述的基于多算法融合的自适应贴边作业方法，其特征在于，根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

获取机器人初始位置坐标点，根据机器人初始位置坐标点(E0,N0)及路线数据库确认机器人前方的目标路口类型，所述目标路口类型包括：有路沿工况直行、右转弯和长距离无路沿工况直行；

根据前、后单线激光雷达对应的最终路沿距离检测值d1和d2、机器人前方的目标路口类型向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。

8.根据权利要求7所述的基于多算法融合的自适应贴边作业方法，其特征在于，根据前、后单线激光雷达对应的最终路沿距离检测值d1和d2、机器人前方的目标路口类型向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

当目标路口类型为有路沿工况直行时，向整车控制器发送行驶指令，控制机器人转向***按照e<d1<f进行贴边运动，控制整车速度为a1，e、f均为设定阈值；

当目标路口类型为右转弯时，向整车控制器发送行驶指令，控制机器人转向***按照s<d1<j进行贴边运动，且e<s,f<j，控制整车速度为a2，且a1>a2；

当目标路口类型为长距离无路沿工况直行时，对初始位置坐标点(E0,N0)及前方设定范围内多个连续位置坐标点进行线性拟合，求得y＝kx+b；通过GNSS模块获取机器人当前位置坐标点(E,N)，若k*E+b>N，向整车控制器发送行驶指令，控制转向***左转设定角度；若k*E+b<N，向整车控制器发送行驶指令，控制转向***右转设定角度，控制整车速度为a2，且a1>a2。

9.根据权利要求1至5中任一项所述的基于多算法融合的自适应贴边作业方法，其特征在于，根据前、后单线激光雷达的最终路沿距离检测值向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动，具体包括步骤：

实时获取机器人前方道路的路面坡度和道路曲直类型；

根据前、后单线激光雷达的最终路沿距离检测值、路面坡度、道路曲直类型向整车控制器发送指令，使机器人按设定的贴边距离和整车速度进行贴边运动。

10.一种机器人，其特征在于，包括：

两单线激光雷达，分别安装于机器人车身的前侧和后侧，两单线激光雷达的扫描面与地面垂直且与路沿相交设定夹角；

整车控制器，用于根据指令控制机器人的横向、纵向移动及制动；

工控机，分别与所述两单线激光雷达和整车控制器信号连接，用于实现如权利要求1～9中任一项所述的基于多算法融合的自适应贴边作业方法。

Images