CN119717819A - 一种无人清扫车沿边路径跟踪控制方法及系统 - Google Patents

Abstract

本发明涉及智能无人清扫技术领域，具体涉及一种无人清扫车沿边路径跟踪控制方法及系统，通过路径规划与边缘特征检测模块、实时定位与姿态估计模块、边缘跟踪控制模块、障碍物检测与避让模块、路径修正与反馈模块及能耗优化与续航控制模块的协同工作，实现了清扫车在复杂环境中对边缘路径的精准跟踪。通过多传感器数据融合、扩展卡尔曼滤波和自适应路径跟踪算法，系统可实时调整清扫车的行驶状态，确保清扫车沿边精确行驶，通过动态路径规划算法与能耗优化模型，有效提升了清扫车在障碍物避让、路径修正和续航控制方面的能力，从而在满足清扫任务要求的前提下提高工作效率和续航时间。本发明，适用于多种复杂清扫环境，实现高效的沿边清扫操作。

Description

一种无人清扫车沿边路径跟踪控制方法及系统

技术领域

本发明涉及智能无人清扫技术领域，尤其涉及一种无人清扫车沿边路径跟踪控制方法及系统。

背景技术

随着智能化无人车辆技术的快速发展，无人清扫车作为一种自动化清洁设备，广泛应用于市政道路、工业园区和居民小区等场景。无人清扫车通过沿边路径跟踪技术，能够自动在清扫区域的边缘进行精准行驶，以确保高效、全覆盖的清洁效果。

现有的无人清扫车路径跟踪技术大多依赖单一或局部传感器数据，例如GPS定位、激光雷达或视觉传感器的单一使用，这些技术在障碍物检测、路径偏差修正和能耗优化方面存在明显不足。在复杂环境下，单一传感器易受障碍物遮挡、信号干扰和环境变化的影响，导致路径跟踪精度和清扫效率下降。此外，现有技术中缺乏高效的能耗管理和动态调整机制，清扫车容易在高耗能状态下运行，导致续航时间短、效率低。

发明内容

基于上述目的，本发明提供了一种无人清扫车沿边路径跟踪控制方法及系统。

一种无人清扫车沿边路径跟踪控制方法，包括以下步骤：

S1，路径规划与边缘特征检测：通过融合多传感器数据(如超声波传感器、激光雷达、摄像头等)，识别无人清扫车的工作区域，并基于工作区域的边缘特征进行初步路径规划；

S2，实时定位与姿态估计：采用基于里程计与惯性测量单元融合的定位方法，获取无人清扫车的实时位置和姿态信息，同时结合环境数据，修正位置偏差；

S3，边缘跟踪控制：通过设计自适应路径跟踪控制算法，结合无人清扫车的动力学模型和工作区域边缘特征，实时计算偏航角和距离误差，并生成相应的控制指令，使无人清扫车沿边缘行驶，精准完成清扫任务；

S4，障碍物检测与避让：在无人清扫车执行沿边路径跟踪时，通过超声波传感器和激光雷达实时检测清扫路径上的障碍物，结合动态路径规划算法，调整清扫车的路径以避让障碍物，并在避障后重新回到沿边路径上，确保清扫任务的连续性；

S5，路径修正与反馈：通过分析无人清扫车的实时位置、路径偏差和传感器数据，构建路径跟踪误差模型，对无人清扫车的实际清扫轨迹进行修正，并将修正结果反馈给控制系统，实时调整无人清扫车的行驶状态，确保清扫车始终沿着预定边缘进行高效清扫；

S6，能耗优化与续航控制：基于无人清扫车的实时运行数据和路径信息，结合清扫任务需求，设计能耗优化模型，在确保路径跟踪精度的同时，动态调节无人清扫车的运行速度和清扫模式，延长清扫车的续航时间，提升其工作效率。

可选的，所述S1包括：

S11，多传感器数据采集：通过安装在无人清扫车上的超声波传感器、激光雷达和摄像头，实时采集工作区域的环境数据，超声波传感器用于测量近距离障碍物距离，激光雷达用于生成点云数据，摄像头用于获取视觉图像信息，以便识别环境中的边缘特征；

S12，传感器数据同步与预处理，对超声波传感器、激光雷达和摄像头采集的数据进行时间同步和噪声滤除；

S13，传感器数据融合，将各传感器预处理后的数据进行融合，形成一个统一的环境模型，融合过程通过加权融合算法实现，表示为：

E_fused＝w₁·E_ultrasonic+w₂·E_lidar+w₃·E_camera；

其中，E_fused为融合后的环境数据，w₁,w₂,w₃为各传感器的权重；

S14，边缘特征提取，在融合的环境数据上应用Canny边缘检测算法提取边缘特征，生成无人清扫车工作区域中的边缘特征数据；

S15，初步路径规划：基于边缘特征数据，使用A算法进行路径规划，生成最优路径。

可选的，所述S2包括：

S21，里程计数据采集：通过无人清扫车的轮速传感器和编码器实时采集行驶距离和速度信息，根据轮速数据计算出清扫车的相对位移，初步估计无人清扫车在二维平面中的位置；

S22，惯性测量单元数据采集：通过安装在无人清扫车上的惯性测量单元实时获取三轴加速度和角速度数据，用于计算无人清扫车的姿态变化；

S23：数据融合与位置估计，使用扩展卡尔曼滤波对里程计数据和惯性测量单元数据进行融合计算，提高定位精度；

S24，环境数据融合：结合超声波传感器和激光雷达采集的环境数据，通过对无人清扫车周围障碍物和边缘特征的位置进行分析，将环境数据融合到定位系统中，对位置和姿态偏差进行修正，例如，通过激光雷达的边缘数据修正清扫车的横向偏移，确保清扫车能沿预定边缘行驶；

S25，位置和姿态修正：基于融合的数据对无人清扫车的实时位置和姿态进行修正，确保其在复杂环境中保持沿边路径的稳定行驶状态，若发生位置或姿态偏差，将自动调整清扫车的运动状态以纠正偏差。

可选的，所述S3具体包括：

S31，动力学模型建立：针对无人清扫车的运动特性，建立其动力学模型；

S32，边缘特征提取：基于路径规划中的边缘特征数据，利用已提取的边缘信息计算目标路径的期望位置；

S33，自适应路径跟踪控制算法设计：采用PID控制器设计控制算法，实时调整转向角和速度；

S34，控制指令生成：根据计算得到的转向角和速度，生成无人清扫车的控制指令，通过控制系统将指令发送至执行机构，确保清扫车能够实时调整行驶状态，实现精确的边缘跟踪；

S35，路径跟踪反馈与优化：在无人清扫车行驶过程中，实时监测无人清扫车实际行驶轨迹与目标边缘的偏差，根据反馈信息对控制参数进行动态调整。

可选的，所述S4包括：

S41，障碍物检测：通过安装在无人清扫车上的超声波传感器和激光雷达实时监测清扫路径上的障碍物；

S42，障碍物特征分析：在障碍物被检测到后，分析障碍物的具体特征，包括位置、尺寸和与清扫车路径的相对位置；

S43，动态路径规划：基于障碍物特征和无人清扫车的当前路径，采用Dijkstra算法生成一条避障路径，确保清扫车能够绕过障碍物并保持安全行驶；

S44，避障路径执行：根据Dijkstra算法计算出的最优避障路径，生成清扫车的控制指令，包括调整行驶方向和速度，以安全绕开障碍物，通过转向和速度控制，清扫车沿着避障路径行驶，确保清扫任务的连续性；

S45，避障后路径恢复：无人清扫车避障完成后，通过检测无人清扫车相对位置并对路径进行修正，确保清扫车重新返回到沿边路径上继续清扫任务。

可选的，所述S5包括：

S51，实时位置和路径偏差分析：利用无人清扫车的传感器数据获取当前无人清扫车的实时位置与姿态，并将位置信息与预定边缘路径上的目标点进行比对，计算当前路径偏差，包括横向偏差和偏航角偏差；

S52，路径跟踪误差模型构建：基于清扫车的横向偏差和偏航角偏差，构建路径跟踪误差模型，用于实时评估清扫车与预定路径的偏离程度。

可选的，所述S5还包括：

S53，路径修正计算：基于路径跟踪误差模型计算出的偏差值，对无人清扫车的行驶轨迹进行实时修正；

S54，反馈调整机制：将路径修正结果反馈至控制系统，实时监控清扫车的行驶状态，根据反馈信息，控制系统动态调整无人清扫车的运行参数，包括转向角和速度，确保路径修正后的清扫车能够沿预定边缘稳定行驶，若检测到新的路径偏差，将自动进入路径修正循环，进一步优化无人清扫车的行驶路径。

可选的，所述S6包括：

S61，实时运行数据采集：通过无人清扫车上的传感器采集实时运行数据，包括速度、行驶路径、清扫模式和电量消耗，用于评估当前的能耗状况，并与任务需求进行比对，为能耗优化提供基础；

S62，能耗评估与需求分析：根据清扫任务的需求和实时路径信息，分析当前任务的能耗需求，例如，若清扫区域密集或边缘路径复杂，则调整清扫车的速度和清扫强度，以避免过度能耗；

S63，能耗优化模型构建：基于清扫车的实时运行数据和任务需求，建立能耗优化模型，能耗优化模型目标为最小化清扫车的单位面积能耗。

可选的，所述S6还包括：

S64，速度和清扫模式动态调整：根据能耗优化模型的计算结果，实时调整无人清扫车的运行速度和清扫模式；

S65，能耗反馈与控制：在清扫过程中实时监测能耗情况，将当前能耗水平与能耗优化模型的预测值进行对比，若检测到能耗偏离优化目标，根据反馈自动调整清扫车的运行参数，例如降低清扫功率或调节行驶速度，以保证能耗在合理范围内；

S66，自适应调整机制：在能耗反馈的基础上，构建自适应能耗调整机制，依据历史能耗数据及实时反馈，不断优化和调整能耗优化模型的参数，使清扫车的能耗调节策略适应不同的清扫场景和任务需求。

一种无人清扫车沿边路径跟踪控制系统，用于实现上述的一种无人清扫车沿边路径跟踪控制方法，包括以下模块：

路径规划与边缘特征检测模块：用于通过多传感器数据(包括超声波传感器、激光雷达和摄像头)识别无人清扫车的工作区域，并基于该工作区域的边缘特征进行路径规划，确保清扫车能够沿着边缘路径行驶；

实时定位与姿态估计模块：用于结合里程计和惯性测量单元获取无人清扫车的实时位置和姿态信息，并结合环境数据修正位置偏差，确保清扫车在复杂环境中稳定沿边行驶；

边缘跟踪控制模块：用于执行自适应路径跟踪控制算法，结合无人清扫车的动力学模型和工作区域的边缘特征，实时计算偏航角和距离误差，并生成控制指令(如转向角和速度调整)，使无人清扫车沿边缘行驶；

障碍物检测与避让模块：用于通过超声波传感器和激光雷达实时检测清扫路径上的障碍物，并结合动态路径规划算法调整清扫车的路径以避让障碍物，同时在避障后恢复至沿边路径，确保清扫任务的连续性；

路径修正与反馈模块：用于分析无人清扫车的实时位置、路径偏差和传感器数据，构建路径跟踪误差模型，对实际清扫轨迹进行修正，并将修正结果反馈给控制系统，确保清扫车始终沿着预定边缘路径进行高效清扫；

能耗优化与续航控制模块：用于基于清扫车的实时运行数据和路径信息，结合清扫任务需求设计能耗优化模型，动态调节无人清扫车的运行速度和清扫模式，延长续航时间，提升工作效率。

本发明的有益效果：

本发明，通过路径规划与边缘特征检测模块、实时定位与姿态估计模块以及边缘跟踪控制模块的协同工作，实现了无人清扫车在沿边路径上的精准跟踪。多传感器数据融合技术与扩展卡尔曼滤波的应用确保了复杂环境下的实时位置修正，并通过自适应路径跟踪控制算法保持清扫车与目标边缘的对准，使路径跟踪精度显著提升，有效减少了清扫过程中可能产生的路径偏离，从而提高了清扫覆盖率，确保无人清扫车在沿边行驶中实现高效清扫。

本发明，障碍物检测与避让模块的设计，通过超声波传感器和激光雷达的实时数据，能够快速识别清扫路径上的障碍物，并采用Dijkstra算法动态规划绕行路径，在避让完成后，系统自动恢复至沿边路径，实现无缝衔接的路径跟踪。路径修正与反馈模块进一步通过误差模型的构建和实时修正，确保清扫车在避障后的路径恢复过程精准稳定，使清扫任务得以连续高效执行，适用于复杂多变的清扫环境。

本发明，能耗优化与续航控制模块基于实时运行数据和路径信息构建能耗优化模型，通过动态调整无人清扫车的速度和清扫模式，在满足清扫任务要求的前提下降低电量消耗。系统的自适应能耗反馈机制能够根据实际能耗情况不断优化调整参数，确保清扫车在不影响清扫效果的情况下延长续航时间。此设计有效提升了无人清扫车的作业效率，使其适应多种工作任务，降低了频繁充电或维护的需求，为长时间高效清扫提供了保障。

附图说明

为了更清楚地说明本发明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作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，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。

图1为本发明实施例的方法流程示意图；

图2为本发明实施例的系统流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细描述。同时在这里做以说明的是，为了使实施例更加详尽，下面的实施例为最佳、优选实施例，对于一些公知技术本领域技术人员也可采用其他替代方式而进行实施；而且附图部分仅是为了更具体的描述实施例，而并不旨在对本发明进行具体的限定。

需要指出的是，在说明书中提到“一个实施例”、“实施例”、“示例性实施例”、“一些实施例”等指示所述的实施例可以包括特定特征、结构或特性，但未必每个实施例都包括该特定特征、结构或特性。另外，在结合实施例描述特定特征、结构或特性时，结合其它实施例(无论是否明确描述)实现这种特征、结构或特性应在相关领域技术人员的知识范围内。

通常，可以至少部分从上下文中的使用来理解术语。例如，至少部分取决于上下文，本文中使用的术语“一个或多个”可以用于描述单数意义的任何特征、结构或特性，或者可以用于描述复数意义的特征、结构或特性的组合。另外，术语“基于”可以被理解为不一定旨在传达一组排他性的因素，而是可以替代地，至少部分地取决于上下文，允许存在不一定明确描述的其他因素。

如图1所示，一种无人清扫车沿边路径跟踪控制方法，包括以下步骤：

S1，路径规划与边缘特征检测：通过融合多传感器数据(如超声波传感器、激光雷达、摄像头等)，识别无人清扫车的工作区域，并基于工作区域的边缘特征进行初步路径规划，确保清扫车能够沿着边缘进行路径跟踪；

S2，实时定位与姿态估计：采用基于里程计与惯性测量单元融合的定位方法，获取无人清扫车的实时位置和姿态信息，同时结合环境数据，修正位置偏差，确保无人清扫车在复杂环境中稳定沿边行驶；

S3，边缘跟踪控制：通过设计自适应路径跟踪控制算法，结合无人清扫车的动力学模型和工作区域边缘特征，实时计算偏航角和距离误差，并生成相应的控制指令(如转向角和速度调整)，使无人清扫车沿边缘行驶，精准完成清扫任务；

S4，障碍物检测与避让：在无人清扫车执行沿边路径跟踪时，通过超声波传感器和激光雷达实时检测清扫路径上的障碍物，结合动态路径规划算法，调整清扫车的路径以避让障碍物，并在避障后重新回到沿边路径上，确保清扫任务的连续性；

S5，路径修正与反馈：通过分析无人清扫车的实时位置、路径偏差和传感器数据，构建路径跟踪误差模型，对无人清扫车的实际清扫轨迹进行修正，并将修正结果反馈给控制系统，实时调整无人清扫车的行驶状态，确保清扫车始终沿着预定边缘进行高效清扫；

S6，能耗优化与续航控制：基于无人清扫车的实时运行数据和路径信息，结合清扫任务需求，设计能耗优化模型，在确保路径跟踪精度的同时，动态调节无人清扫车的运行速度和清扫模式，延长清扫车的续航时间，提升其工作效率。

S1包括：

S11，多传感器数据采集：通过安装在无人清扫车上的超声波传感器、激光雷达和摄像头，实时采集工作区域的环境数据，超声波传感器用于测量近距离障碍物距离，激光雷达用于生成点云数据，摄像头用于获取视觉图像信息，以便识别环境中的边缘特征；

S12，传感器数据同步与预处理，对超声波传感器、激光雷达和摄像头采集的数据进行时间同步和噪声滤除，确保数据一致性和准确性，去除无关干扰信息；

S13，传感器数据融合，将各传感器预处理后的数据进行融合，形成一个统一的环境模型，融合过程通过加权融合算法实现，表示为：

E_fused＝w₁·E_ultrasonic+w₂·E_lidar+w₃·E_camera；

其中，E_fused为融合后的环境数据，w₁,w₂,w₃为各传感器的权重，用于平衡各数据源的准确性和重要性；

S14，边缘特征提取，在融合的环境数据上应用Canny边缘检测算法提取边缘特征，生成无人清扫车工作区域中的边缘特征数据，表示为：

P_edge＝{(x_i,y_i)|i＝1,2,…,N}；

其中，P_edge为检测到的边缘点集，N为检测出的边缘点数，x_i,y_i表示边缘点的坐标；

S15，初步路径规划：基于边缘特征数据，使用A算法进行路径规划，生成最优路径，A算法代价函数表示为：

f(n)＝g(n)+h(n)；

其中，f(n)是当前节点n的总代价，g(n)为从起点到当前节点的实际代价，h(n)为当前节点到目标点的估算代价(启发函数)，启发函数h(n)用欧几里得距离估算，表示为：

其中，(x_goal,y_goal)为目标点坐标，(x_n,y_n)为当前节点的坐标，通过不断计算f(n)的值，找到一条从起点到目标点的最优路径，并考虑无人清扫车的动态特性，调整规划路径；

通过多传感器数据采集、预处理、融合、边缘特征提取和路径规划，无人清扫车能够在复杂环境中识别边缘，生成清扫任务所需的路径规划，确保清扫车沿边缘行驶的精确性和稳定性。

S2包括：

S21，里程计数据采集：通过无人清扫车的轮速传感器和编码器实时采集行驶距离和速度信息，根据轮速数据计算出清扫车的相对位移，初步估计无人清扫车在二维平面中的位置，得到的相对位移数据表示为：

Δx＝v·cos(θ)·Δt；

Δy＝v·sin(θ)·Δt；

其中，Δx和Δy为在时间间隔Δt内的位移，v为速度，θ为当前方向角；

S22，惯性测量单元数据采集：通过安装在无人清扫车上的惯性测量单元实时获取三轴加速度和角速度数据，用于计算无人清扫车的姿态变化，角速度用于更新姿态角，计算为：

θ_k+1＝θ_k+ω·Δt；

其中，θ_k+1为更新后的姿态角，ω为角速度，Δt为时间增量，θ_k为当前姿态角；

对于加速度数据，基于加速度更新速度和位置：

速度更新公式表示为：

v_k+1＝v_k+a·Δt；

位置更新公式表示为：

其中，v_k为当前速度，a为加速度，s_k为当前位移；

S23：数据融合与位置估计，使用扩展卡尔曼滤波对里程计数据和惯性测量单元数据进行融合计算，提高定位精度，扩展卡尔曼滤波的状态估计公式为：

其中，为预测的状态向量，K_k为卡尔曼增益，z_k为观测值，H_k为观测矩阵，扩展卡尔曼滤波在实时更新过程中根据传感器的误差来调整预测位置，得到更加精确的位置信息；

S24，环境数据融合：结合超声波传感器和激光雷达采集的环境数据，通过对无人清扫车周围障碍物和边缘特征的位置进行分析，将环境数据融合到定位系统中，对位置和姿态偏差进行修正，例如，通过激光雷达的边缘数据修正清扫车的横向偏移，确保清扫车能沿预定边缘行驶；

S25，位置和姿态修正：基于融合的数据对无人清扫车的实时位置和姿态进行修正，确保其在复杂环境中保持沿边路径的稳定行驶状态，若发生位置或姿态偏差，将自动调整清扫车的运动状态以纠正偏差；

通过里程计、惯性测量单元和环境数据的融合计算，无人清扫车能够在复杂环境下实时获得精确的定位与姿态估计，扩展卡尔曼滤波和多源数据融合提高了定位稳定性和精度，使得清扫车能够沿着预定边缘路径稳定行驶，提高清扫作业的连续性和可靠性。

S3具体包括：

S31，动力学模型建立：针对无人清扫车的运动特性，建立其动力学模型，设定状态变量为x(横向位移)、y(纵向位移)、θ(姿态角)和c(速度)，并定义控制输入为转向角δ和前进速度v，无人清扫车的运动方程表示为：

其中，L为清扫车的轴距；

S32，边缘特征提取：基于路径规划中的边缘特征数据，利用已提取的边缘信息计算目标路径的期望位置，通过对无人清扫车当前位置与目标边缘位置的比较，确定偏航角误差e_θ和距离误差e_d，计算为：

e_θ＝θ_target-θ_current；

e_d＝d_target-d_current；

其中，θ_target为目标边缘的方向角，d_target和d_current分别为目标边缘的期望距离和当前距离；

S33，自适应路径跟踪控制算法设计：采用PID控制器设计控制算法，实时调整转向角δ和速度v，控制输入表示为：

v＝v_desired-K_v·e_d；

其中，K_p、K_i、K_d为PID控制器的比例、积分和微分增益，v_desired为期望的前进速度，K_v为距离误差的增益；

S34，控制指令生成：根据计算得到的转向角和速度，生成无人清扫车的控制指令，通过控制系统将指令发送至执行机构，确保清扫车能够实时调整行驶状态，实现精确的边缘跟踪；

S35，路径跟踪反馈与优化：在无人清扫车行驶过程中，实时监测无人清扫车实际行驶轨迹与目标边缘的偏差，根据反馈信息对控制参数进行动态调整，若检测到跟踪误差增大，则适时优化PID控制器参数，以提升跟踪精度和稳定性；

通过动力学模型、边缘特征提取和自适应路径跟踪控制算法的结合，无人清扫车能够实时计算偏航角和距离误差，生成相应的控制指令，确保清扫车稳定沿着边缘行驶，有效完成清扫任务，此方法提高了清扫车在复杂环境中的跟踪精度和适应性。

S4包括：

S41，障碍物检测：通过安装在无人清扫车上的超声波传感器和激光雷达实时监测清扫路径上的障碍物，超声波传感器用于检测近距离的障碍物位置和大小，激光雷达用于生成清扫车周围的二维点云数据，用于识别障碍物的具体形状和位置；

S42，障碍物特征分析：在障碍物被检测到后，分析障碍物的具体特征，包括位置、尺寸和与清扫车路径的相对位置，障碍物的特征数据表示为：

P_obstacle＝{(x_i,y_i,z_i)|i＝1,2,…,N}；

其中，(x_i,y_i,z_i)为点云中障碍物的坐标，N为构成障碍物的点的数量；

S43，动态路径规划：基于障碍物特征和无人清扫车的当前路径，采用Dijkstra算法生成一条避障路径，确保清扫车能够绕过障碍物并保持安全行驶，Dijkstra算法根据起点到各节点的实际代价，逐步选择代价最低的路径，使得清扫车找到一条从当前所在位置绕过障碍物到目标位置的最优路径，路径代价计算为：

其中，f(n)为起点到节点n的总代价，w_i为清扫车从一个节点到下一个节点的路径代价(如距离、转向成本等)；

S44，避障路径执行：根据Dijkstra算法计算出的最优避障路径，生成清扫车的控制指令，包括调整行驶方向和速度，以安全绕开障碍物，通过转向和速度控制，清扫车沿着避障路径行驶，确保清扫任务的连续性，在避障结束后，系统将自动调整清扫车的方向以回到沿边路径；

S45，避障后路径恢复：无人清扫车避障完成后，通过检测无人清扫车相对位置并对路径进行修正，确保清扫车重新返回到沿边路径上继续清扫任务，系统根据实时位置信息对清扫车的行驶状态进行微调，以确保路径跟踪的准确性和任务的连续性；

通过超声波和激光雷达实现的实时障碍物检测，以及基于Dijkstra算法的动态路径规划和路径恢复，无人清扫车能够有效地绕过障碍物，并在避障后自动返回到沿边路径，确保清扫任务的稳定和连续性，提高了清扫车在复杂环境下的适应能力。

S5包括：

S51，实时位置和路径偏差分析：利用无人清扫车的传感器数据(如GPS、惯性测量单元、里程计)获取当前无人清扫车的实时位置与姿态，并将位置信息与预定边缘路径上的目标点进行比对，计算当前路径偏差，包括横向偏差和偏航角偏差；

S52，路径跟踪误差模型构建：基于清扫车的横向偏差和偏航角偏差，构建路径跟踪误差模型，用于实时评估清扫车与预定路径的偏离程度，路径跟踪误差模型公式表示为：

E_path＝f(e_d,e_θ)＝K_m·e_d+K_θ·e_θ；

其中，E_path为路径跟踪误差，K_m和K_θ为误差模型的系数，调整这些系数可优化清扫车的路径跟踪效果，此模型可以量化清扫车的偏差程度，便于后续的路径修正；

通过分析清扫车的实时位置和路径偏差，建立路径跟踪误差模型，为无人清扫车提供实时偏差数据，有助于准确检测和量化路径偏差，为清扫车行驶状态的实时调整提供数据支持，确保清扫精度。

S5还包括：

S53，路径修正计算：基于路径跟踪误差模型计算出的偏差值，对无人清扫车的行驶轨迹进行实时修正，采用PID控制器进行路径修正，通过调整转向角和速度修正路径偏差；

S54，反馈调整机制：将路径修正结果反馈至控制系统，实时监控清扫车的行驶状态，根据反馈信息，控制系统动态调整无人清扫车的运行参数，包括转向角和速度，确保路径修正后的清扫车能够沿预定边缘稳定行驶，若检测到新的路径偏差，将自动进入路径修正循环，进一步优化无人清扫车的行驶路径；

通过路径修正计算和反馈机制，无人清扫车能够在检测到路径偏差时进行实时修正，并将修正结果反馈至控制系统，确保清扫车始终沿着预定路径行驶，实现高效且连续的清扫作业，此机制提高了清扫精度和路径跟踪的稳定性。

S6包括：

S61，实时运行数据采集：通过无人清扫车上的传感器采集实时运行数据，包括速度、行驶路径、清扫模式和电量消耗，用于评估当前的能耗状况，并与任务需求进行比对，为能耗优化提供基础；

S62，能耗评估与需求分析：根据清扫任务的需求和实时路径信息，分析当前任务的能耗需求，例如，若清扫区域密集或边缘路径复杂，则调整清扫车的速度和清扫强度，以避免过度能耗，此过程结合路径跟踪精度需求与清扫任务要求，以保证路径覆盖率和工作效率；

S63，能耗优化模型构建：基于清扫车的实时运行数据和任务需求，建立能耗优化模型，能耗优化模型目标为最小化清扫车的单位面积能耗，表示为：

其中，E_opt为优化后的单位面积能耗，P_i为清扫车在第i个时间段的功率消耗，t_i为该时间段的时长，A为已清扫的面积，模型根据清扫任务和路径复杂性动态调整参数，以提升能耗效率；

通过实时采集运行数据和构建能耗优化模型，无人清扫车能够在满足清扫任务需求的前提下，优化单位面积的能耗，确保路径跟踪精度的同时提升工作效率，延长续航时间。

S6还包括：

S64，速度和清扫模式动态调整：根据能耗优化模型的计算结果，实时调整无人清扫车的运行速度和清扫模式，若路径跟踪精度要求高，则降低速度以保证路径跟踪质量；若电量不足且任务优先级较低，则降低清扫强度以延长续航时间，从而达到能耗平衡；

S65，能耗反馈与控制：在清扫过程中实时监测能耗情况，将当前能耗水平与能耗优化模型的预测值进行对比，若检测到能耗偏离优化目标，根据反馈自动调整清扫车的运行参数，例如降低清扫功率或调节行驶速度，以保证能耗在合理范围内；

S66，自适应调整机制：在能耗反馈的基础上，构建自适应能耗调整机制，依据历史能耗数据及实时反馈，不断优化和调整能耗优化模型的参数，使清扫车的能耗调节策略适应不同的清扫场景和任务需求，确保清扫效率的同时提升能效；

通过速度和清扫模式的动态调整、能耗反馈与自适应机制，无人清扫车能够实现实时能耗管理，有效延长续航时间，确保清扫车在不同任务需求下实现高效清扫，提升整体工作效率和电量利用率。

如图2所示，一种无人清扫车沿边路径跟踪控制系统，用于实现上述的一种无人清扫车沿边路径跟踪控制方法，包括以下模块：

路径规划与边缘特征检测模块：用于通过多传感器数据(包括超声波传感器、激光雷达和摄像头)识别无人清扫车的工作区域，并基于该工作区域的边缘特征进行路径规划，确保清扫车能够沿着边缘路径行驶；

实时定位与姿态估计模块：用于结合里程计和惯性测量单元获取无人清扫车的实时位置和姿态信息，并结合环境数据修正位置偏差，确保清扫车在复杂环境中稳定沿边行驶；

边缘跟踪控制模块：用于执行自适应路径跟踪控制算法，结合无人清扫车的动力学模型和工作区域的边缘特征，实时计算偏航角和距离误差，并生成控制指令(如转向角和速度调整)，使无人清扫车沿边缘行驶；

障碍物检测与避让模块：用于通过超声波传感器和激光雷达实时检测清扫路径上的障碍物，并结合动态路径规划算法调整清扫车的路径以避让障碍物，同时在避障后恢复至沿边路径，确保清扫任务的连续性；

路径修正与反馈模块：用于分析无人清扫车的实时位置、路径偏差和传感器数据，构建路径跟踪误差模型，对实际清扫轨迹进行修正，并将修正结果反馈给控制系统，确保清扫车始终沿着预定边缘路径进行高效清扫；

能耗优化与续航控制模块：用于基于清扫车的实时运行数据和路径信息，结合清扫任务需求设计能耗优化模型，动态调节无人清扫车的运行速度和清扫模式，延长续航时间，提升工作效率。

本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。另外，为了避免对本发明的实质造成不必要的混淆，并没有详细说明众所周知的方法、过程、流程、元件和电路等。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种无人清扫车沿边路径跟踪控制方法，其特征在于，包括以下步骤：

S1，路径规划与边缘特征检测：通过融合多传感器数据，识别无人清扫车的工作区域，并基于工作区域的边缘特征进行初步路径规划；

S2，实时定位与姿态估计：采用基于里程计与惯性测量单元融合的定位方法，获取无人清扫车的实时位置和姿态信息，同时结合环境数据，修正位置偏差；

S3，边缘跟踪控制：通过设计自适应路径跟踪控制算法，结合无人清扫车的动力学模型和工作区域边缘特征，实时计算偏航角和距离误差，并生成相应的控制指令，使无人清扫车沿边缘行驶，完成清扫任务；

S4，障碍物检测与避让：在无人清扫车执行沿边路径跟踪时，通过超声波传感器和激光雷达实时检测清扫路径上的障碍物，结合动态路径规划算法，调整清扫车的路径以避让障碍物，并在避障后重新回到沿边路径上；

S5，路径修正与反馈：通过分析无人清扫车的实时位置、路径偏差和传感器数据，构建路径跟踪误差模型，对无人清扫车的实际清扫轨迹进行修正，并将修正结果反馈给控制系统，实时调整无人清扫车的行驶状态；

S6，能耗优化与续航控制：基于无人清扫车的实时运行数据和路径信息，结合清扫任务需求，设计能耗优化模型，在确保路径跟踪精度的同时，动态调节无人清扫车的运行速度和清扫模式，延长清扫车的续航时间，提升其工作效率。

2.根据权利要求1所述的一种无人清扫车沿边路径跟踪控制方法，其特征在于，所述S1包括：

S11，多传感器数据采集：通过安装在无人清扫车上的超声波传感器、激光雷达和摄像头，实时采集工作区域的环境数据，超声波传感器用于测量近距离障碍物距离，激光雷达用于生成点云数据，摄像头用于获取视觉图像信息，以便识别环境中的边缘特征；

S12，传感器数据同步与预处理，对超声波传感器、激光雷达和摄像头采集的数据进行时间同步和噪声滤除；

S13，传感器数据融合，将各传感器预处理后的数据进行融合，形成一个统一的环境模型，表示为：

E_fused＝w₁·E_ultrasonic+w₂·E_lidar+w₃·E_camera；

其中，E_fused为融合后的环境数据，w₁,w₂,w₃为各传感器的权重；

S14，边缘特征提取，在融合的环境数据上应用Canny边缘检测算法提取边缘特征，生成无人清扫车工作区域中的边缘特征数据；

S15，初步路径规划：基于边缘特征数据，使用A算法进行路径规划，生成最优路径。

3.根据权利要求2所述的一种无人清扫车沿边路径跟踪控制方法，其特征在于，所述S2包括：

S21，里程计数据采集：通过无人清扫车的轮速传感器和编码器实时采集行驶距离和速度信息，根据轮速数据计算出清扫车的相对位移，初步估计无人清扫车在二维平面中的位置；

S22，惯性测量单元数据采集：通过安装在无人清扫车上的惯性测量单元实时获取三轴加速度和角速度数据，用于计算无人清扫车的姿态变化；

S23：数据融合与位置估计，使用扩展卡尔曼滤波对里程计数据和惯性测量单元数据进行融合计算，提高定位精度；

S24，环境数据融合：结合超声波传感器和激光雷达采集的环境数据，通过对无人清扫车周围障碍物和边缘特征的位置进行分析，将环境数据融合到定位系统中，对位置和姿态偏差进行修正；

S25，位置和姿态修正：基于融合的数据对无人清扫车的实时位置和姿态进行修正，若发生位置或姿态偏差，将自动调整清扫车的运动状态以纠正偏差。

4.根据权利要求3所述的一种无人清扫车沿边路径跟踪控制方法，其特征在于，所述S3具体包括：

S31，动力学模型建立：针对无人清扫车的运动特性，建立其动力学模型；

S32，边缘特征提取：基于路径规划中的边缘特征数据，利用已提取的边缘信息计算目标路径的期望位置；

S33，自适应路径跟踪控制算法设计：采用PID控制器设计控制算法，实时调整转向角和速度；

S34，控制指令生成：根据计算得到的转向角和速度，生成无人清扫车的控制指令，通过控制系统将指令发送至执行机构；

S35，路径跟踪反馈与优化：在无人清扫车行驶过程中，实时监测无人清扫车实际行驶轨迹与目标边缘的偏差，根据反馈信息对控制参数进行动态调整。

5.根据权利要求4所述的一种无人清扫车沿边路径跟踪控制方法，其特征在于，所述S4包括：

S41，障碍物检测：通过安装在无人清扫车上的超声波传感器和激光雷达实时监测清扫路径上的障碍物；

S42，障碍物特征分析：在障碍物被检测到后，分析障碍物的具体特征，包括位置、尺寸和与清扫车路径的相对位置；

S43，动态路径规划：基于障碍物特征和无人清扫车的当前路径，采用Dijkstra算法生成一条避障路径，确保清扫车能够绕过障碍物并保持安全行驶；

S44，避障路径执行：根据Dijkstra算法计算出的最优避障路径，生成清扫车的控制指令，包括调整行驶方向和速度，以安全绕开障碍物；

S45，避障后路径恢复：无人清扫车避障完成后，通过检测无人清扫车相对位置并对路径进行修正。

6.根据权利要求5所述的一种无人清扫车沿边路径跟踪控制方法，其特征在于，所述S5包括：

S51，实时位置和路径偏差分析：利用无人清扫车的传感器数据获取当前无人清扫车的实时位置与姿态，并将位置信息与预定边缘路径上的目标点进行比对，计算当前路径偏差，包括横向偏差和偏航角偏差；

S52，路径跟踪误差模型构建：基于清扫车的横向偏差和偏航角偏差，构建路径跟踪误差模型，用于实时评估清扫车与预定路径的偏离程度。

7.根据权利要求6所述的一种无人清扫车沿边路径跟踪控制方法，其特征在于，所述S5还包括：

S53，路径修正计算：基于路径跟踪误差模型计算出的偏差值，对无人清扫车的行驶轨迹进行实时修正；

S54，反馈调整机制：将路径修正结果反馈至控制系统，实时监控清扫车的行驶状态，根据反馈信息，控制系统动态调整无人清扫车的运行参数，包括转向角和速度，若检测到新的路径偏差，将自动进入路径修正循环，优化无人清扫车的行驶路径。

8.根据权利要求1所述的一种无人清扫车沿边路径跟踪控制方法及系统，其特征在于，所述S6包括：

S61，实时运行数据采集：通过无人清扫车上的传感器采集实时运行数据，包括速度、行驶路径、清扫模式和电量消耗，用于评估当前的能耗状况；

S62，能耗评估与需求分析：根据清扫任务的需求和实时路径信息，分析当前任务的能耗需求；

S63，能耗优化模型构建：基于清扫车的实时运行数据和任务需求，建立能耗优化模型，能耗优化模型目标为最小化清扫车的单位面积能耗。

9.根据权利要求8所述的一种无人清扫车沿边路径跟踪控制方法，其特征在于，所述S6还包括：

S64，速度和清扫模式动态调整：根据能耗优化模型的计算结果，实时调整无人清扫车的运行速度和清扫模式；

S65，能耗反馈与控制：在清扫过程中实时监测能耗情况，将当前能耗水平与能耗优化模型的预测值进行对比，若检测到能耗偏离优化目标，根据反馈自动调整清扫车的运行参数；

S66，自适应调整机制：在能耗反馈的基础上，构建自适应能耗调整机制，依据历史能耗数据及实时反馈，不断优化和调整能耗优化模型的参数。

10.一种无人清扫车沿边路径跟踪控制系统，用于实现如权利要求1-9任一项所述的一种无人清扫车沿边路径跟踪控制方法，其特征在于，包括以下模块：

路径规划与边缘特征检测模块：用于通过多传感器数据识别无人清扫车的工作区域，并基于该工作区域的边缘特征进行路径规划；

实时定位与姿态估计模块：用于结合里程计和惯性测量单元获取无人清扫车的实时位置和姿态信息，并结合环境数据修正位置偏差；

边缘跟踪控制模块：用于执行自适应路径跟踪控制算法，结合无人清扫车的动力学模型和工作区域的边缘特征，实时计算偏航角和距离误差，并生成控制指令，使无人清扫车沿边缘行驶；

障碍物检测与避让模块：用于通过超声波传感器和激光雷达实时检测清扫路径上的障碍物，并结合动态路径规划算法调整清扫车的路径以避让障碍物，同时在避障后恢复至沿边路径；

路径修正与反馈模块：用于分析无人清扫车的实时位置、路径偏差和传感器数据，构建路径跟踪误差模型，对实际清扫轨迹进行修正，并将修正结果反馈给控制系统；

能耗优化与续航控制模块：用于基于清扫车的实时运行数据和路径信息，结合清扫任务需求设计能耗优化模型，动态调节无人清扫车的运行速度和清扫模式，延长续航时间，提升工作效率。