[发明专利]基于大数据的无人驾驶自动清洁车辆的清洁方法及装置

权利要求书

1.一种基于大数据的无人驾驶自动清洁车辆的清洁方法，其特征在于，包括：

获取清洁区域图像信息、声波实时探测信号信息和历史清洁信息，所述历史清洁信息包括历史清洁步骤信息和历史清洁完成后的路面清洁度信息；

将所述清洁区域图像信息发送至图像处理模块进行处理，得到至少两个清洁子区域图像信息；

将所有的所述清洁子区域图像信息发送至训练后的神经网络模型进行处理，得到无人驾驶自动清洁车辆的清洁路线范围信息；

基于粒子群优化算法对所述实时声波探测信号信息和所述无人驾驶自动清洁车辆的清洁路线范围信息进行处理，得到无人驾驶自动清洁车辆的清洁路线；

基于历史清洁信息确定每个清洁子区域的清洁步骤信息，并发送第一控制命令，所述第一控制命令为控制无人驾驶自动清洁车辆按照所述无人驾驶自动清洁车辆的清洁路线和每个清洁子区域的清洁步骤信息进行清洁的命令。

2.根据权利要求1所述的基于大数据的无人驾驶自动清洁车辆的清洁方法，其特征在于,将所述清洁区域图像信息发送至图像处理模块进行处理，得到至少两个清洁子区域图像信息；

通过使用高斯滤波器对所述清洁区域的图像信息进行平滑处理，得到平滑处理后的清洁区域图像信息；

计算平滑处理后的清洁区域图像信息中每个像素点的梯度强度和方向，并采用非极大值抑制方法消除边缘检测带来的杂散响应和双阈值检测方法确定清洁区域图像信息的图像边缘；

基于所述清洁区域图像信息的图像边缘将不同路面的区域进行分区，得到至少两个清洁子区域图像。

3.根据权利要求1所述的基于大数据的无人驾驶自动清洁车辆的清洁方法，其特征在于,所述训练后的神经网络模型的构建方法，包括：

获取数据库内的历史清洁子区域图像信息和历史清洁路线信息；

基于所有的历史清洁子区域图像信息和所述历史清洁路线建立二维空间直角坐标系，确定每个历史清洁子区域图像的范围坐标和每个清洁路线坐标；

基于K-means算法分别对所有的历史清洁子区域图像的区域范围坐标和所有的清洁路线坐标进行聚类，得到至少一个区域范围坐标聚类簇和至少一个清洁路线坐标聚类簇；

基于拉依达准则分部计算每个所述区域范围坐标聚类簇的阈值范围和每个清洁路线坐标聚类簇的阈值范围；

将每个所述区域范围坐标聚类簇的阈值范围和每个清洁路线坐标聚类簇的阈值范围进行关联分析，并基于关联分析得到的关联度值将每个所述区域范围坐标聚类簇的阈值范围和每个清洁路线坐标聚类簇的阈值范围进行一一映射，得到每个区域范围坐标聚类簇的阈值范围对应的清洁路线坐标聚类簇的阈值范围。

4.根据权利要求1所述的基于大数据的无人驾驶自动清洁车辆的清洁方法，其特征在于,基于粒子群优化算法对所述实时声波探测信号信息和所述无人驾驶自动清洁车辆的清洁路线范围信息进行处理，包括：

基于所述实时声波探测信号信息确定每个清洁子区域的障碍物位置信息；

将所述无人驾驶自动清洁车辆的清洁范围信息作为输入参数进行初始化处理，得到初始化的粒子群参数；

将初始化处理后的粒子群参数发送至路线预测神经网络进行处理，其中基于粒子群优化算法适应度函数计算粒子适应度，得到每个粒子群内粒子的适应度值；

根据粒子群中粒子的适应度值，得到粒子的个体最优位置和全局最优位置，并基于粒子群优化算法动态跟踪个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到最大迭代次数；

将所有粒子的个体最优位置和全局最优位置进行连线，并判断所述连线是否与每个所述清洁子区域的障碍物位置信息重合，若所述判断结果为所述连线不与每个所述清洁子区域的障碍物位置信息重合，则将所述连线作为无人驾驶自动清洁车辆的清洁路线。