(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210286257.2 (22)申请日 2022.03.23 (71)申请人 姜妹英 地址 556000 贵州省黔 东南苗族侗族自治 州开发区金地苑5 栋 (72)发明人 姜妹英　 (74)专利代理 机构 北京卓特专利代理事务所 (普通合伙) 11572 专利代理师 段宇 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 16/583(2019.01) G06F 16/587(2019.01) G06Q 10/04(2012.01) G06Q 50/30(2012.01) (54)发明名称 大数据自动导 航方法 (57)摘要 本发明公开了一种大数据自动导航方法， 通 过获得区域图像， 基于所述区域图像， 通过道路 模型， 得到道路地图。 基于 所述道路地图， 通过改 进的骨架算法， 得到全局路径图。 基于所述全局 路径图， 通过路径搜索算法， 得到目标路径。 基于 所述目标路径和所述道路地图， 得到代价地图。 基于代价地图和动态规划方法， 获得最优行程时 间函数， 得到最优轨迹。 本发明可 以在可供通过 的道路上， 绕过静态障碍物 （及道路边界之外的 障碍物和道路中智能护理床检测到的静态障碍 物） 和动态障碍物 （道路中智 能护理床检测到的 动态障碍物） 之间， 控制智能护理床准确快速的 按照最优轨 迹从起点到达终点。 权利要求书3页 说明书13页 附图4页 CN 114639088 A 2022.06.17 CN 114639088 A 1.一种大 数据自动导 航方法， 其特 征在于， 包括： 获得区域图像； 所述区域图像为区域的俯视图图像； 基于所述区域图像， 通过道路模 型， 得到道路地图； 所述道路地图为得到道路边界位置的地图； 基于所述道路地图， 通过改进的骨架算法， 得到全局路径图； 所述全局路径图为维诺 图； 基于所述全局路径图， 通过路径搜索算法， 得到目标路径； 基于所述目标路径和所述道路地图， 得到代价 地图； 基于代价 地图和动态规划方法， 获得最优行程时间函数， 得到最优轨 迹。 2.根据权利要求1所述的一种大数据自动 导航方法， 其特征在于， 所述道路模型包括金 字塔结构、 第一卷积结构、 局部卷积结构、 上采样结构和 局部分割结构： 所述第一卷积结构输入为所述 区域图像； 所述金字塔结构的输入为所述第 一卷积结构 的输出； 所述上采样结构的输入为所述金字塔结构的输出； 所述局部分割 结构的输入为所 述上采样结构的输出； 所述局部卷积结构的输入为所述局部分割结构的输出。 3.根据权利要求1所述的一种大数据自动 导航方法， 其特征在于， 所述道路模型的训练 方法： 获得训练集； 训练集包括多个训练图像和对应标注数据； 所述训练图像为区域图像； 所 述区域图像为区域的俯视图图像； 所述标注数据包括标注全局 位置和标注具体边界位置； 所述标注全局位置包括标注类别、 标注中心点、 标注边框； 所述标注类别表示障碍物的种 类； 所述标注边框表示区域图像中障碍物的边框； 所述标注中心点表示区域图像中障碍物 中心点所在位置； 所述标注具体边界位置包括标注具体边界位置中心点和标注具体边界位 置边框； 所述标注具体边界位置包括多个障碍物局部区域的位置； 将所述训练图像输入第一卷积结构， 进行 特征提取， 得到第一卷积特 征图； 基于所述第一卷积特征图和标注全局位置， 得到第一损 失值； 所述第一损 失值为类别 损失值、 中心点损失值和边框损失值相加之和； 将所述第一卷积特 征图输入金字塔结构， 进行 特征融合， 得到融合特 征图； 将所述融合特 征图输入上采样结构， 进行 上采样， 得到第一上采样特 征图； 获得局部数量； 所述局部数量表示分割后的特 征图数量； 基于所述局部数量， 将所述第一上采样特征图输入局部分割结构， 得到多个局部上采 样特征图； 将局部上采样特 征图输入局部卷积结构， 得到第一局部卷积特 征图； 基于所述第一局部卷积特 征图和所述标注具体边界位置， 得到第一部分损失值； 通过多次将多个部分上采样特征图输入局部卷积结构， 得到多个局部卷积特征图， 将 所述局部卷积与对应的标注具体边界位置， 得到多个局部损失值， 将多个局部损失值相加， 得到第二损失值； 基于所述第一损 失值和所述第二损 失值， 得到第三损 失值； 所述第三损 失值为所述第 一损失值与所述第二损失值相加之和； 获得道路模型当前的训练迭代次数以及预先设定的所述道路模型训练的最大迭代次 数； 当第三损失值小于或等于 阈值或训练迭代次数达到所述最大迭代次数时停止训练， 得权　利　要　求　书 1/3 页 2 CN 114639088 A 2到训练好的道路模型。 4.根据权利要求1所述的一种大数据自动 导航方法， 其特征在于， 所述基于所述道路地 图， 通过改进的骨架算法， 得到全局路径图； 所述全局路径图为维诺图， 包括： 将所述道路地图进行二值化， 得到二值地图； 所述二值地图白色部分为自动移动设备 可行区域， 黑色区域 为障碍物区域或非地图环境区域； 基于所述二值地图， 通过三角 剖分算法， 得到粗略全局路径图； 所述粗略全局路径图为 维诺图； 将所述粗略全局路径图进行腐蚀和膨胀， 得到全局路径图； 所述全局路径图表示将所 述粗略全局路径图中零散障碍点聚焦化并消除噪点。 5.根据权利要求1所述的一种大数据自动 导航方法， 其特征在于， 所述基于所述全局路 径图， 通过路径搜索算法， 得到目标路径， 包括： 获得自动移动设备起点； 所述自动移动设备起点表示自动移动设备在全局路径图中的 初始位置； 获得自动移动设备终点； 所述自动移动设备终点表示自动移动设备在全局路径图中的 结束位置； 基于所述自动移动设备起点、 自动移动设备终点和所述全局路径图， 通过最短路径搜 索算法， 得到粗 糙目标路径； 所述 粗糙目标路径为从起 点到终点 最短的路径； 基于所述粗糙目标路径和所述全局路径图， 通过路径优化算法， 得到目标路径； 所述目 标路径表示全局路径图中光滑的目标路径。 6.根据权利要求5所述的一种大数据自动 导航方法， 其特征在于， 所述基于所述粗糙目 标路径和所述全局路径图， 通过路径优化算法， 得到目标路径； 所述目标路径表示全局路径 图中变得光滑的粗 糙目标路径， 包括： 基于所述粗糙目标路径和所述全局路径图， 得到多个像素点坐标； 所述像素点坐标为 所述全局路径图中所述 粗糙目标路径位置上的多个 像素点所在坐标； 将所述像素点坐标按照位置顺序， 以分组单位大小， 进行分组， 得到多个像素点坐标 组； 基于所述像素点坐标组， 得到多个窗口坐标组； 所述窗口坐标组为将所述像素点坐标 组中的多个 像素点的坐标以窗口阈值 为单位切分后得到的坐标组； 基于所述窗口坐标组的起 点和终点， 得到第一 直线； 基于所述第一直线和所述窗口坐标组， 得到窗口距离； 所述窗口距离表示窗口坐标组 中除起点和终点之外的坐标点到第一 直线的距离之和； 通过多次计算多个窗口坐标组中对应的多个窗口距离， 得到最大窗口距离； 所述最大 窗口距离为大于像素点 坐标组中其 他窗口坐标组得到的窗口距离； 获得距离阈值； 所述距离阈值 为判断最大窗口距离的阈值； 若所述最大窗口距离大于距离阈值， 窗口坐标组只留下初始路径像素点和结束路径像 素点， 获得新的窗口坐标组； 通过多次计算多个像素点坐标组对应的多个最大窗口距离， 判断最大窗口距离是否大 于距离阈值， 从而判断是否删除像素点， 得到多个新窗口坐标组； 基于所述 新窗口坐标组， 通过三次样条插值， 得到目标路径。权　利　要　求　书 2/3 页 3 CN 114639088 A 3