一种局部路径偏差的无人环卫车漏扫区域识别方法及系统与流程

本发明涉及无人环卫车，尤其是涉及一种局部路径偏差的无人环卫车漏扫区域识别方法及系统。

背景技术：

1、随着城市道路的不断完善，道路的清洁工作变得更加重要。传统的人工清洁方式面临着人力成本高、作业效率低、安全风险高等问题，同时越来越少的人愿意从事道路清扫工作，因此无人清扫在近几年随着无人驾驶技术的革新也在快速的发展。现在的无人清扫车以高精地图、多传感器融合定位、路径规划与运动控制技术为基础，在封闭园区、城市道路等场景中的运用越来越广泛。

2、无人环卫车的实际作业场景相较于普通智能驾驶车辆更为特殊，为了确保清扫刷能够清扫到道路边缘区域，环卫车常常沿道路边缘或路沿石行驶。为了确保其能够完成精准的贴边清扫作业，无人环卫车需要高精度定位系统、高精地图、多传感器环境感知以及路径规划与控制模块协同完成。

3、无人环卫车在实际作业场景下的工作流程为：工作人员先在高精地图上划分确定清扫作业区域以及各作业点，然后无人环卫车的自动驾驶系统能够规划出一条覆盖各个作业点的全局路径以及一条实时的参考线，车辆在实际作业过程中沿着该参考线进行更为精细的局部路径规划与控制。然而，实际的作业场景往往复杂多变，车辆在贴边清扫的过程中往往会遇到如静止车辆、垃圾桶、路障等各类静态障碍物和如行人、非机动车、其他车辆等动态障碍物，此时车辆需偏离参考线进行绕行行驶，导致被障碍物遮挡区域的垃圾不能被清理，从而出现漏扫的情况。

4、在漏扫区域判别方面，现有的部分方法为使用视觉感知的方式，对清扫后的路面进行覆盖检测，具体为：在车辆后方安装摄像头，然后使用图像分割算法识别路面已清扫区域和未清扫区域的边界。然而，使用视觉感知的方式极易受光线强度、天气情况、路面纹理一致性等因素的影响，在雨天、夜间、强逆光等复杂环境下的检测精度较低。同时，使用后视摄像头进行图像分割的方法存在严重的检测滞后，其表现为只有当无人环卫车已经驶过某一路段后，才能判断该路段是否被清扫，无法在无人环卫车行驶过程中进行前瞻性的漏扫风险预警。

5、除了上述视觉感知的方式外，还有通过分析无人环卫车的控制信号与运动轨迹来判断清扫覆盖率的方法。这种方法具体通过记录无人环卫车的位置坐标序列来计算行驶路径的长度，从而估计清扫覆盖率。但是，这种方法的问题在于无法区分无人环卫车的正常贴边行驶轨迹与避障绕行轨迹。当无人环卫车进行避障绕行时，会有较长的避障绕行轨迹生成，此方法会将绕行路段的行驶距离算入总的工作区长度，因此会高估清扫覆盖率。这类方法对于大角度避障绕行工况下的漏扫率计算存在较大误差。

6、现有无人环卫车系统的路径规划模块和作业监控模块通常是相互独立的两个子系统。其中，规划模块用于轨迹生成与跟踪控制，作业监控模块记录如电量、速度、清扫刷具状态等车辆运行状态，两个模块之间没有进行数据协同。这种分立架构导致规划模块掌握的参考线信息和避障绕行决策信息，并没有被有效用于清扫覆盖率的计算，也不能根据无人清扫的车行驶状态动态的控制上装设备。

7、综上所述，现有技术存在以下主要缺陷：

8、（1）漏扫区域缺少定量判别方法。现有无人环卫车自驾系统主要关注路径跟踪的精度以及避障的安全性，对清扫覆盖率的评估停留在简单的定性判断层面。当无人环卫车因避障而偏离参考线路径行驶时，系统不能准确识别哪些区域属于漏扫，也不能量化漏扫的长度，导致清扫作业的质量不能被客观的评估。

9、（2）缺少漏扫率的实时量化统计方法。当前的技术方法中，对清扫质量的判断通常依赖于人工巡检的方式或对清扫作业后的回放视频进行查看，没有在清扫作业的过程中进行实时的漏扫率计算。工作人员没法知道当前工作区的清扫漏扫率是否达标，也不能对清扫作业进行动态调整和优化。

10、（3）缺少对绕行区域漏扫长度的量化方法。当无人环卫车因障碍物绕行时，现有技术没有将绕行路径在参考线上进行有效投影，无法区分已清扫区域和漏扫区域的边界，从而不能计算绕行造成的额外漏扫长度占工作区总长度的比例。

11、（4）缺少统一可靠的里程积分基准。现有方法缺少一个将车辆实际行驶路径向参考线进行投影的数学模型，无法在每一规划周期内将包括位置、航向等车辆的实时位姿与参考线进行精确对齐和位移分解，导致无法建立绕行区与参考线的空间映射关系，进而不能准确统计漏扫率。

技术实现思路

1、鉴于以上问题，本发明提供了一种局部路径偏差的无人环卫车漏扫区域识别方法及系统，不仅有效清扫总长度和因绕行避障导致的漏扫总长度，而且实时计算出漏扫率，并上传车辆云端监控平台，让相关工作人员可以在无人清扫车作业过程中实时关注清扫质量，及时发现漏扫严重的工作区并采取对应解决措施。

2、为了实现上述目的及其他相关目的，本发明提供的技术方案如下：

3、一种局部路径偏差的无人环卫车漏扫区域识别方法，所述方法包括：

4、s1.工作区进入检测，当无人环卫车从停放点行驶到预定义的工作区起点后，控制系统检测到进入工作区，开始开启上装准备开始清扫工作；

5、s2.变量初始化；

6、s3.规划周期内积分计算；

7、s4.工作区退出检测，当车辆驶出工作区时，控制系统检测到退出工作区，开始收起上装停止作业，同时停止作业路线长度统计模块的执行；

8、s5.漏扫率结果输出。

9、进一步地，在步骤s5中，所述漏扫率结果输出为获取本工作区内车辆沿参考线的有效清扫总长度gtotals与本工作区内因绕行避障导致的漏扫总长度gdetours，使用这两个变量值进行漏扫率的计算，

10、，

11、将这段工作区的漏扫统计结果上报至云端管理平台，同时保存至本地日志，供后续作业质量评估和路径优化参考。

12、进一步地，在步骤s2中，所述变量初始化包括沿参考线累计的总长度gtotals置零、沿参考线累计的绕行长度gdetours置零、上一帧的时间戳lasttimestamp清零和首帧标志位isfirstframe置为true。

13、进一步地，在步骤s3中，所述规划周期内积分计算包括：

14、s31.检查参考线的有效性，获取由高精地图和路由请求信息得到的当前帧的参考线，然后检查其参考点序列是否为空，若为空，就直接返回退出本次速度积分累加的计算；若不为空才继续往下执行本次的速度积分累加计算；

15、s32.获取无人清扫车状态和坐标投影；

16、s33.计算时间差dt与dt异常检测；

17、s34.提取航向角信息并计算夹角；

18、s35.计算位移增量；

19、s36.位移增量的异常判定；

20、s37.总长度累加；

21、s38.绕行判定和绕行长度累加；

22、s39.记录新时间戳。

23、进一步地，在步骤s32中，所述获取无人清扫车状态和坐标投影包括

24、s321.从无人清扫车的自驾系统中获取当前帧的自车位姿信息，包括自车坐标、速度v和航向角；

25、s322.将自车位置的笛卡尔坐标（x, y）通过参考线的xytosl()方法转换到frenet坐标系（s, l）中，其中，s为沿参考线的弧长坐标，l为偏离参考线的横向距离，同时判断转换是否成功，转换失败则直接返回，不执行下面的操作。

26、进一步地，在步骤s33中，所述计算时间差dt与dt异常检测包括dt由当前帧的时间戳和上一帧的时间戳作差得出，公式为：

27、dt=currenttimestamp-lasttimestamp，然后对dt进行异常检测，若isfirstframe为true，代表刚进入本次的工作区，则将isfirstfram设为false，记录当前时间戳，然后返回；若dt<0，异常数据，表明出现了时钟同步跳变或模块重启后clock重置的异常情况，更新并返回；若dt>1.0秒，表明出现了模块卡顿或挂起后的恢复，更新并返回。

28、进一步地，在步骤s34中，所述提取航向角信息并计算夹角包括：

29、s341.从无人环卫车的状态中获取自车航向角carheading；

30、s342.获取当前无人环卫车投影到参考线上的位置上的参考线航向角refheading；

31、s343.计算两者的航向偏差角δθ，

32、δθ=carheading-refheading；

33、然后将δθ归一化到[-π,π]区间；

34、δθ=atan2(sin(δθ), cos(δθ))；

35、在步骤s35中，所述计算位移增量包括每一小段的位移计算，

36、sincrement=v×dt×cos(δθ)，

37、其中，v为步骤s32中获取的无人清扫车的当前车速,dt为步骤s33中计算得到的时间差，δθ为步骤s34中计算得到的自车航向与参考线航向的夹角，公式的物理含义为：车辆在dt时间内的实际行驶距离为v×dt，然后将该向量在参考线切线方向上的投影长度sincrement作为有效清扫长度增量。

38、进一步地，在步骤s36中，所述位移增量的异常判定包括需要对s35中计算获得的位移增量值进行异常判定，因此需要对sincrement进行合理性检查：若sincrement<0，负位移，说明车辆倒车或航向与参考线夹角过大超过90°，此数据结果无效，直接返回，跳过本次累加；若sincrement> v×1.0，超过理论上一个周期内的最大可能投影长度，为传感器噪声或数据异常导致，直接返回，跳过本次累加；

39、在步骤s37中，所述总长度累加为上述异常值判断都通过后，将sincrement累加到沿参考线累计的总长度中，gtotals+=sincrement。

40、进一步地，在步骤s38中，所述绕行判定和绕行长度累加包括使用s32中获取到的当前帧车辆偏离参考线的横向距离l，判断|l|是否大于绕行判定阈值dthreshold，dthreshold通常设定为0.15m，若|l|>dthreshold，说明无人清扫车当前处于避障绕行的状态，此段位移为绕行漏扫的位移，需要将sincrement累加到绕行总长度中：gdetours+= sincrement；若|l|≤dthreshold，说明无人清扫车靠近参考线行驶，此时正在进行正常清扫作业，不将sincrement累加到绕行总长度中。

41、为了实现上述目的及其他相关目的，本发明还提供了一种局部路径偏差的无人环卫车漏扫区域识别系统，用于实现所述的局部路径偏差的无人环卫车漏扫区域识别方法，所述系统包括：

42、数据感知层，多传感器融合定位系统：通过rtk、imu经组合导航滤波器输出厘米级精度的无人环卫车位姿，同时结合轮速编码器、激光雷达、摄像头等传感器信息进行特征点匹配的定位方式，输出无人环卫车的定位坐标，速度v和航向角θ；高精地图：提供道路拓扑结构、车道边界线、行驶边界线等道路交通信息；环境感知子系统：通过激光雷达点云目标检测与跟踪、视觉目标检测、毫米波雷达目标检测，输出障碍物的位置、尺寸以及运动状态；

43、规划决策层，与所述数据感知层连接，参考线生成模块：参考线的生成基于高精地图以及路由请求，生成一条或多条参考行驶路径，以离散参考点序列表示，每个点包含位置、航向角、曲率等属性；规划决策模块：此模块在整个自动驾驶系统的生命周期中以10hz频率运行，结合上述的参考线、障碍物预测以及交通规则因素，在每个周期中生成一条安全可行的行驶轨迹；作业路线长度统计模块：此为本发明新增的模块，嵌入规划决策模块的执行链路中，在每一个规划周期中执行积分累加计算。

44、执行层，与所述规划决策层连接，运动控制模块：接收规划决策层的规划轨迹，输出方向盘转角、油门或制动控制量，驱动无人环卫车；

45、监控与评估层，与所述执行层连接，漏扫率统计与输出接口：当车辆驶出工作区时，通过获取接口获取本工作区的gtotals和gdetours，计算漏扫率η=gdetours/gtotals×100%，然后将统计结果上报管理平台。

46、本发明具有以下积极效果：

47、1.本发明通过能够在无人环卫车的作业过程中，实时的统计每一工作区的沿参考线的有效清扫总长度和因绕行避障导致的漏扫总长度，实时计算出漏扫率，并上传车辆云端监控平台，让相关工作人员可以在无人清扫车作业过程中实时关注清扫质量，及时发现漏扫严重的工作区并采取对应解决措施。

48、2.本发明完全基于无人环卫车已有的自动驾驶系统，利用其中传感器配置和规划模块来实现，不需要增加如摄像头、激光雷达等额外的传感器硬件以及计算单元，只需要通过软件算法就可以实现漏扫识别和量化统计，能够节省硬件成本。

49、3.本发明将各个工作区漏扫率的历史信息保留进行分析，系统可以识别出哪些路段容易发生严重绕行漏扫。进而对离线路径规划阶段做出优化调整，也可以在在线阶段提前规划更优的避障路径来减小绕行对清扫覆盖率的影响。

50、4.本发明基于本发明提供的漏扫率量化指标，环卫运营管理方可以制定量化的清扫质量考核标准，实现从定性管理到定量管理的转变，提升环卫作业的标准化水平。