【技術實現步驟摘要】
本專利技術屬于自動避障，尤其涉及一種養殖場智能巡檢車的避障方法及系統。
技術介紹
1、隨著規模化籠養家禽養殖技術和舍內農用技術裝備的快速發展，舍內移動機器人的應運而生。移動機器人因為其行動靈活、對地面環境適應性強、成本較低且具有獲取養殖場內整體信息和局部具體信息的能力，在養殖場中具有豐富的應用。由于養殖場內環境比較復雜，移動機器人的作業的時候難免會遇到各類型的障礙物，有不同尺寸的、靜態抑或動態的障礙物，靜態的例如籠柱、貨物箱、喂料機等；動態障礙物則包括舍內的工作人員等一切有運動速度和加速度的人或物。為提高效率，保障人員物資安全，移動機器人避障具有很高的實用意義。
2、目前養殖場用的移動機器人主要使用基于單一主動傳感器的被動停止避讓，即使用超聲傳感器、激光雷達、紅外傳感器等主動發出信號，接收返回信號的傳感器數據，當數據達到某一閾值時立刻停止行動，等待障礙物消失或轉為人為引導。由于受到傳感器獲取信息不完整的劣勢限制，靈活性較低，作業效率也受到較大影響。
技術實現思路
1、為解決上述技術問題，本專利技術提出了一種養殖場智能巡檢車的避障方法及系統，以解決上述現有技術存在的問題。
2、為實現上述目的，本專利技術提供了一種養殖場智能巡檢車的避障方法，包括：
3、獲取養殖場的關鍵位置，基于所述關鍵位置構建養殖場圖結構；
4、通過巡檢車的傳感器獲取巡檢車周圍的障礙物位置，將所述障礙物位置反饋至所述圖結構的邊的權重中；
5、基于dijkst
6、通過所述圖結構的節點數量構建深度q網絡模型，根據所述巡檢車運行的最短路徑更新深度q網絡模型中當前節點到可達節點的最短路徑距離的值，完成深度q網絡模型的實時更新；
7、巡檢車在巡檢過程中實時查詢更新的深度q網絡模型動態調整行進路線。
8、優選地，所述獲取養殖場地圖的關鍵位置，基于所述關鍵位置構建養殖場圖結構的過程包括：
9、定義養殖場的關鍵位置，將所述關鍵位置定義為圖的節點；
10、基于實際的可達性和連接情況在圖的節點間定義邊，構建養殖場圖結構。
11、優選地，所述通過巡檢車的傳感器獲取巡檢車周圍的障礙物位置，將所述障礙物位置反饋至所述圖結構的邊的權重中的過程包括：
12、在巡檢車上安裝傳感器，基于所述傳感器獲取巡檢車周邊環境數據；
13、通過機器視覺方法對所述周邊環境數據進行識別，獲得周邊障礙物位置數據；
14、檢測到的周邊障礙物位置數據轉換成圖中的權重或邊的改變，并反饋至所述圖結構中進行更改。
15、優選地，基于dijkstra算法對所述圖結構計算巡檢車運行的最短路徑的過程包括：
16、對所述圖結構的內一個節點作為起點，初始化距離數組，記錄起點到其他所有節點的最短距離，起始時，除了起點到自身的距離為0外，起點到其他所有節點的最短距離都設為無窮大；
17、從起點開始，逐步探索所有未處理的節點，選擇距離最短的節點，確認此路徑為巡檢車運行的最短路徑，并更新其相鄰節點的最短路徑距離。
18、優選地，所述通過所述圖結構的節點數量構建深度q網絡模型的過程包括：
19、基于所述節點數量構建巡檢車可用的動作空間，基于全連接神經網絡和所述巡檢車可用的動作空間構建q網絡模型，將巡檢車狀態表示作為所述q網絡模型的輸入，輸出為每個動作的q值；
20、構建所述q網絡模型的損失函數，所述損失函數為q-learning算法中的目標函數；
21、基于經驗回放和目標網絡對所述q網絡模型進行訓練，所述q網絡模型通過與環境的交互學習最優的動作策略，以最大化長期累積獎勵，生成所述深度q網絡模型。
22、優選地，所述完成深度q網絡模型的實時更新的過程包括：
23、通過所述dijkstra算法對所述圖結構計算巡檢車運行的最短路徑作為即時獎勵的負值對所述深度q網絡模型中相應的參數進行更新，使深度q網絡模型中通過巡檢車行駛動作到達避障狀態的成本最小化。
24、優選地，巡檢車在巡檢過程中實時查詢更新的深度q網絡模型動態調整行進路線的過程包括：
25、巡檢車實時獲取周邊環境信息；
26、將所述周邊環境信息轉化為形態特征后輸入至所述深度q網絡模型生成局部指引路徑；
27、重復獲取所述局部指引路徑，生成規劃路線，基于所述規劃路線調整巡檢車行進路線。
28、優選地，基于所述規劃路線調整巡檢車行進路線的過程還包括：
29、若形態特征與所述圖結構的關鍵節點存在差異，則判斷為新的障礙物出現或原有路徑不再可行，則重新運行dijkstra算法更新受影響的部分路徑，并相應地調整深度q網絡模型。
30、為實現上述目的，本專利技術還提供了一種養殖場智能巡檢車的避障系統，包括：
31、構建子系統，用于獲取養殖場的關鍵位置，基于所述關鍵位置構建養殖場圖結構；
32、反饋子系統，用于通過巡檢車的傳感器獲取巡檢車周圍的障礙物位置，將所述障礙物位置反饋至所述圖結構的邊的權重中；
33、計算子系統，用于基于dijkstra算法對所述圖結構計算巡檢車運行的最短路徑；
34、更新子系統，用于通過所述圖結構的節點數量構建深度q網絡模型，根據所述巡檢車運行的最短路徑更新深度q網絡模型中當前節點到可達節點的最短路徑距離的值，完成深度q網絡模型的實時更新；
35、調整子系統，用于巡檢車在巡檢過程中實時查詢更新的深度q網絡模型動態調整行進路線。
36、與現有技術相比，本專利技術具有如下優點和技術效果：
37、本專利技術中dijkstra算法為找到從起點到終點的最短路徑提供了有效的解決方案。通過這種方式，可以快速計算出最優的避障路線，減少巡檢車行駛的總距離和時間。結合深度q網絡可以實現在動態環境中對避障路線的實時調整，使巡檢車能夠靈活應對突發情況，如動物的移動或新的障礙出現。深度q網絡通過從大量的歷史數據中學習，能夠識別復雜的模式和關系。將深度q網絡用于處理那些需要復雜決策和預測的場景，在不斷變化的養殖場環境中，這能顯著提升巡檢車避障的自主性和效率。
本文檔來自技高網...【技術保護點】
1.一種養殖場智能巡檢車的避障方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的養殖場智能巡檢車的避障方法，其特征在于，所述獲取養殖場地圖的關鍵位置，基于所述關鍵位置構建養殖場圖結構的過程包括：
3.根據權利要求1所述的養殖場智能巡檢車的避障方法，其特征在于，所述通過巡檢車的傳感器獲取巡檢車周圍的障礙物位置，將所述障礙物位置反饋至所述圖結構的邊的權重中的過程包括：
4.根據權利要求1所述的養殖場智能巡檢車的避障方法，其特征在于，基于Dijkstra算法對所述圖結構計算巡檢車運行的最短路徑的過程包括：
5.根據權利要求1所述的養殖場智能巡檢車的避障方法，其特征在于，所述通過所述圖結構的節點數量構建深度Q網絡模型的過程包括：
6.根據權利要求4所述的養殖場智能巡檢車的避障方法，其特征在于，所述完成深度Q網絡模型的實時更新的過程包括：
7.根據權利要求1所述的養殖場智能巡檢車的避障方法，其特征在于，巡檢車在巡檢過程中實時查詢更新的深度Q網絡模型動態調整行進路線的過程包括：
8.根據權利要求7所述
9.一種養殖場智能巡檢車的避障系統，其特征在于，包括：
...【技術特征摘要】
1.一種養殖場智能巡檢車的避障方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的養殖場智能巡檢車的避障方法，其特征在于，所述獲取養殖場地圖的關鍵位置，基于所述關鍵位置構建養殖場圖結構的過程包括：
3.根據權利要求1所述的養殖場智能巡檢車的避障方法，其特征在于，所述通過巡檢車的傳感器獲取巡檢車周圍的障礙物位置，將所述障礙物位置反饋至所述圖結構的邊的權重中的過程包括：
4.根據權利要求1所述的養殖場智能巡檢車的避障方法，其特征在于，基于dijkstra算法對所述圖結構計算巡檢車運行的最短路徑的過程包括：
5.根據權利要...
【專利技術屬性】
技術研發人員：周夢婷，唐湘方，熊本海，鄭姍姍，李志虎，
申請(專利權)人：中國農業科學院北京畜牧獸醫研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。