一种用于割草机器人的云边协同控制方法及系统与流程

本申请涉及智能割草机器人控制，尤其涉及一种用于割草机器人的云边协同控制方法及系统。

背景技术：

1、随着传感器与人工智能算法进步，现代割草机器人具备环境感知、自主导航、智能避障等高级功能，能更高效精准地完成割草任务，为用户带来更优体验。

2、当前，多数割草机器人采用完全依赖本地控制端的决策方式。本地控制端集成于设备内部，通过接收各类传感器（如超声波、红外、碰撞传感器等）采集的环境信息，结合预设算法规则，在本地进行数据处理与决策，进而控制割草机器人的运行，涵盖割草速度调整、行进方向改变、避障动作执行等。

3、然而，完全依赖本地控制端决策的割草机器人在复杂实际场景中，进行异常决策时局限性明显。

4、一方面，在设备成本限制下，割草机器人本地控制端硬件资源（如处理器性能、内存容量）有限。处理复杂环境信息与高级算法运算时能力不足。例如，草坪有大量不规则障碍物或地形起伏大时，本地控制端难以快速准确分析信息，做出最优决策，而可能采取保守避障策略，导致割草路径不合理，出现重复割草或遗漏区域，降低割草效率与质量。

5、另一方面，本地控制端运行的算法通常预先固化在设备中，更新优化需用户手动操作，过程繁琐。且受本地硬件限制，先进复杂算法难以实现运行。面对新的异常草坪场景，无法及时调整优化决策算法以适应环境变化。比如草坪突然出现临时搭建的装饰物或新种植珍稀植物，本地控制端可能无法识别并合理避障，损坏障碍物或使自身陷入困境。

6、综上所述，现有完全依赖本地控制端决策的割草机器人在复杂场景和异常情况下存在诸多不足，难以满足用户对高效、智能、精准割草的需求，亟待探索新的控制决策方式以突破现有技术瓶颈。

技术实现思路

1、为了解决上述技术问题，本申请实施例提供了一种用于割草机器人的云边协同控制方法，所述方法应用于割草机器人云边协同控制系统，所述系统包括第一控制端、第二控制端和本地控制端，其中，所述本地控制端运行在割草机器人上，所述第二控制端运行在云服务上，所述方法包括：在所述割草机器人执行任务过程中，所述第一控制端实时监测所述割草机器人是否发生目标异常；当判定发生所述目标异常时，根据异常类型生成第一控制指令并下发至所述本地控制端，以控制所述割草机器人执行第一脱困操作，并基于实时物理反馈确定是否脱困成功；在判定脱困未成功的情况下，根据预设规则，将本地地图以及相关历史数据反馈构建为结构化数据序列，并发送至所述第二控制端，以请求所述第二控制端下发决策；所述第二控制端接收所述结构数据序列，基于所述结构化数据序列构建第一提示词，并将所述第一提示词输入至云端大模型，根据所述云端大模型的输出，生成决策信息，并下发至所述第一控制端；所述第一控制端对所述决策信息进行解析，对应生成第二控制指令并发送至所述本地控制端，以控制所述割草机器人执行第二脱困操作。

2、在一实施中，所述方法还包括：在所述割草机器人执行任务过程中，所述第一控制端实时监测所述本地地图的更新状态，当监测到所述本地地图发生目标变化时，基于所述目标变化生成地图数据摘要并发送至所述第二控制端；所述第二控制端接收所述地图数据摘要，基于所述地图数据摘要构建第二提示词，并将所述第二提示词输入至所述云端大模型，根据所述云端大模型的输出，生成任务执行策略并下发至所述第一控制端；所述第一控制端提取所述任务执行策略中的作业参数，并基于所述作业参数对所述割草机器人进行作业参数设置。

3、在一实施中，所述根据异常类型生成第一控制指令的方法包括：根据所述异常类型确认本地脱困策略，从所述任务执行策略中提取出全局脱困策略，对所述本地脱困策略进行调整，以适配所述全局脱困策略，得到目标脱困策略；基于所述目标脱困策略生成所述第一控制指令。

4、在一实施中，所述本地地图为多维度分层语义地图。

5、在一实施中，所述多维度分层语义地图的生成方法包括：构建静态地图层；在移动过程中，确定在所述静态地图层中的实时坐标，并根据预设分层架构采集地图分层数据，其中，所述地图分层数据包括语义点云数据；基于所述实时坐标将所述语义点云数据映射至语义地图层。

6、在一实施中，所述预设分层架构还包括rgb地图层、坡度地图层和高度地图层中的一种或多种，相应地，所述地图分层数据包括rgb数据、所述实时坐标对应的坡度数据和高度数据中的一种或多种，所述方法还包括基于所述实时坐标将所述rgb数据、所述坡度数据和所述高度数据对应映射至所述rgb地图层、所述坡度地图层和所述高度地图层。

7、在一实施中，采集所述语义点云数据的方法包括：基于预设语义分割模型对实时采集的图像进行语义识别，并将识别结果与双目相机生成的点云数据建立映射关系，从而得到二维的语义点云数据。

8、在一实施中，所述第一控制端基于halow网络发送所述结构化数据序列至所述第二控制端。

9、在一实施中，所述第二控制端基于所述结构化数据序列构建第一提示词的方法包括：在所述第一提示词增加限定所述云端大模型输出的决策信息在预设的行为决策阈内的语句。

10、基于同样的发明构思，本申请实施例还提供了一种用于割草机器人的云边协同控制系统，所述系统包括第一控制端、第二控制端和本地控制端，其中，所述第一控制端和所述本地控制端运行在智能割草机器人上，所述第二控制端运行在云服务上，所述系统用于执行上述方法。

11、基于上述技术方案，通过边缘控制端与云端大模型的协同机制，在本地及边缘端均脱困失败时利用云端强大算力生成决策，有效克服硬件资源限制和算法固化问题，具有能够高效处理割草机器人运行异常，减少人工干预，提高作业可靠性和效率。更进一步地，通过对本地地图的变化进行监测，在发生目标变化时，及时与云端大模型进行交互，一方面能够及时调整作业参数，另一方面能够使得云端大模型获取最新的物理环境情况，并基于全局视角提供全局脱困策略，以供第一控制端参照调整本地的脱困策略，从而提高边缘控制端的脱困效率。

1.一种用于割草机器人的云边协同控制方法，其特征在于，所述方法应用于割草机器人云边协同控制系统，所述系统包括第一控制端、第二控制端和本地控制端，其中，所述本地控制端运行在割草机器人上，所述第二控制端运行在云服务上，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

3.根据权利要求2所述的方法，其特征在于，所述根据异常类型生成第一控制指令的方法包括：

4.根据权利要求2所述的方法，其特征在于，所述本地地图为多维度分层语义地图。

5.根据权利要求4所述的方法，其特征在于，所述多维度分层语义地图的生成方法包括：

6.根据权利要求5所述的方法，其特征在于，所述预设分层架构还包括rgb地图层、坡度地图层和高度地图层中的一种或多种，相应地，所述地图分层数据包括rgb数据、所述实时坐标对应的坡度数据和高度数据中的一种或多种，所述方法还包括基于所述实时坐标将所述rgb数据、所述坡度数据和所述高度数据对应映射至所述rgb地图层、所述坡度地图层和所述高度地图层。

7.根据权利要求5所述的方法，其特征在于，采集所述语义点云数据的方法包括：基于预设语义分割模型对实时采集的图像进行语义识别，并将识别结果与双目相机生成的点云数据建立映射关系，从而得到二维的语义点云数据。

8.根据权利要求1所述的方法，其特征在于，所述第一控制端基于halow网络发送所述结构化数据序列至所述第二控制端。

9.根据权利要求1所述的方法，其特征在于，所述第二控制端基于所述结构化数据序列构建第一提示词的方法包括：

10.一种用于割草机器人的云边协同控制系统，其特征在于，所述系统包括第一控制端、第二控制端和本地控制端，其中，所述第一控制端和所述本地控制端运行在智能割草机器人上，所述第二控制端运行在云服务上，所述系统用于执行权利要求1至9中任一项所述的方法。