面向清扫车自动寻路的轻量化路沿感知算法研究

无人驾驶垃圾清扫车通常通过路沿检测实现自主路径选择。传统深度学习方法虽然具有较好识别效果,但计算量过大不符合实际应用需求。为此,提出一种基于YOLOv5轻量化的改进GDFE-YOLO算法。采用Ghostconv和C3Ghost对原网络模型主干进行替换;再引入可变形卷积替代Neck部分中的传统Conv卷积模块;最后将损失函数替换为Focal-EIOU Loss。实验结果表明,GDFE-YOLO算法在参数量、计算量和模型大小上分别较原模型降低了16.2%、15%和19.4%,检测速度提高12%;路沿识别均值精度为96.1%。GDFE-YOLO相较于YOLOv5s算法的识别精度仅下降0.9%,同时基于整体路沿的线性拟合检测策略,其单点的精度下降影响较小,因此所提出算法能够实现清扫车的轻量化路沿检测要求。

环卫清扫装备智能贴边作业控制系统

环卫清扫设备通常是贴路沿行驶作业,环卫工人驾驶作业时要观察前方道路情况,同时通过后视镜观察并控制环卫设备与路沿时刻保持一定的距离,以保证能够达到较好的清扫保洁效果,该作业方式劳动强度高,安全性差。针对这一行业痛点,本文提出了一种基于单线激光雷达的贴边作业自适应控制系统,该系统由激光雷达检测路沿石,并自动控制设备沿路沿行驶,实现智能贴边作业,可有效减轻环卫工人的劳动强度,提高驾驶作业的安全性。