人工智能驅動的無人駕駛清掃車環(huán)境感知技術研究

關鍵詞：無人駕駛清掃車；人工智能；環(huán)境感知；深度學習；目標檢測中圖分類號：U469.79 收稿日期：2025-06-22 DOI： 10.19999/j.cnki.1004-0226.2025.08.005

Research on Environmental Perception Technology of Unmanned Cleaning Vehicles Driven by Artificial Intelligence

Li Yanjie Xi'an Automobile Vocational University，Xi'an 71o6oo，China

Abstract：Withthcontiuousadvancementofsmartcitiesandrefiedurbanmanagement，teapplicationofartificialinteligencedrivenunmaned cleaningvehicles inurbanenvironmentalservices has graduallmerged.Theenvironmentalperceptionsyste，asits keytechnologsrectlylatdtoeaetyeangeficiecydpathcisio-maingabilityoficlesinomplexdaie narios.Focusingontheenvironmentalperceptiontechnologyofunmannedcleaningvehiclesdrivenbyartificialinteligence，aiingat thecleaningoperationrequrements inthecomplexurbanoadenvironment，aperceptionsystemarchitectureofmuli-sensorfusiois designed，anddeplingmodelssuchasOOandaskR-Careitroducedtoeveeal-tierecogiioanddacack ingoftargetssuchasgarbage，pedestriansandobstaclesinordertoimprovethesystemresponseeficiencyndsceneadaptability.

eywords：Unmanned cleaning vehicle;Artificial intelligence;Environmental perception;Deep learning; Object detec

1前言

當前，以無人駕駛清掃車為代表的環(huán)衛(wèi)機器人已成為城市管理發(fā)展的必然趨勢。隨著城市管理的精細化發(fā)展，未來將有越來越多的無人駕駛清掃車投入市容街、園區(qū)、景區(qū)等路面清掃。傳統(tǒng)有人駕駛清掃車的清掃流程主要依賴于人控指揮，無人駕駛清掃車則需要復雜、實時的環(huán)境感知、識別與路徑規(guī)劃等感知決策方案，在行人、障礙物較密集、路面天氣變化較多的城市道路環(huán)境下對環(huán)境感知能力有非常高的需求。為此，本文聚焦環(huán)境感知技術，系統(tǒng)分析無人駕駛清掃車運行環(huán)境特征與感知需求，構建多傳感器融合感知系統(tǒng)，并結合深度學習模型實現動態(tài)識別與實時響應，以期為提升清掃作業(yè)智能化、精細化水平提供技術參考。

2無人駕駛清掃車運行環(huán)境特征與感知需求分析

城市道路清掃作業(yè)環(huán)境復雜，涉及多類型道路及多變氣候，而且垃圾種類繁多、干擾性強，這些因素對無人駕駛清掃車的感知系統(tǒng)提出高精度與高魯棒性要求，而且需要同時滿足行駛導航與作業(yè)識別的雙重需求，支持靜態(tài)與動態(tài)目標檢測、路面狀態(tài)識別與可清掃區(qū)域劃定。為實現穩(wěn)定感知，應融合視覺、激光雷達、毫米波雷達與超聲波傳感器來構建感知-決策-執(zhí)行閉環(huán)[1]。通過多傳感器校準與同步，結合YOLO、MaskR-CNN等深度學習算法，實現信息聯合識別和語義理解，確保路徑規(guī)劃與清掃控制的準確執(zhí)行。

3環(huán)境感知系統(tǒng)總體架構設計

3.1感知系統(tǒng)組成：傳感器硬件層、數據處理層、決策接口層

無人駕駛清掃車的環(huán)境感知系統(tǒng)整體架構主要由三大功能層級構成，即傳感器硬件層、數據處理層與決策接口層，三者協(xié)同構建感知-決策-控制閉環(huán)系統(tǒng)，如圖1所示。

傳感器硬件層主要包括前視與環(huán)視攝像頭、激光雷達（LiDAR）毫米波雷達、超聲波傳感器、慣性導航單元（IMU）、GPS模塊等。前視與環(huán)視攝像頭用于圖像識別包括垃圾、交通標志、行人等信息采集；激光雷達用于采集精細的3D空間結構和障礙物輪廓信息，通過結合Li-DAR與攝像頭采集的數據信息來實現對車輛周圍場景三維感知并進行數據融合；毫米波雷達則是克服雨水或灰塵造成的圖像模糊性；超聲波用于近端防撞的功能；IMU用于實現姿態(tài)感知與定位，GPS實現定位感知[2]。

數據處理層負責融合來自不同傳感器的異構多源數據信息、時間和坐標，實現特征學習、數據挖掘及特征提取等處理功能，最終經過深度學習算法（如LSTM、CNN等）對圖像信息進行處理識別和障礙物檢測、目標跟蹤及垃圾識別等。該模塊還包括本地邊緣計算和板控的執(zhí)行模塊，通過硬件控制來保障完成對上層決策模塊的任務分配和反饋結果[3]。

決策接口層作為感知結果的輸入，通過對高一層決策的結果進行規(guī)劃路徑、運行控制、作業(yè)調度等控制來實現決策功能輸入，并與清掃車整車控制器、作業(yè)控制器進行通信連接以實現感知-控制閉環(huán)[4]。

3.2系統(tǒng)軟硬件耦合與部署策略

無人駕駛清掃車環(huán)境感知系統(tǒng)需實現軟硬件高度耦合，以保障復雜城市環(huán)境下的實時性與高可靠性。硬件采用分布式設計，將激光雷達、攝像頭、毫米波雷達、IMU等傳感器分布于車體四周，結合NVIDIAAGXOrin邊緣計算設備與高性能主控板，實現低延時高頻數據處理。軟件方面，基于ROS2構建模塊化通信與運行框架，底層以 C++ 開發(fā)驅動和中間件，確保數據融合與感知控制算法高效運行[5]。系統(tǒng)部署采用Docker容器技術與CAN總線及以太網雙通道通信，實現快速迭代與穩(wěn)定數據傳輸。

4基于深度學習的目標識別與動態(tài)感知技術

4.1數據集構建與環(huán)境標注規(guī)范

數據集是深度學習感知系統(tǒng)性能的基石，對于城市清掃場景的復雜情況，數據集要包含環(huán)境的多樣性（晴雨天、夜間等）、目標的多樣性（路面污染物、人、自行車、道路標記等）視角的距離多變性等，數據標注采取語義分割、邊界框標注等相結合的方式，精細化定位并區(qū)分目標類別；環(huán)境標注按照行業(yè)標準要求，保證環(huán)境標注規(guī)范，保持標注的一致性和精確性，有利于模型的泛化能力；通過數據增強（如旋轉、縮放、光照等）提升模型適應實際復雜環(huán)境能力[6]。

4.2卷積神經網絡與YOLO、MaskR-CNN在清掃目標檢測中的應用

卷積神經網絡（CNN）因優(yōu)秀的特征提取性能成為目標檢測的主流網絡。以YOLO為代表的檢測算法具備了端到端的一次性檢測框架，在實時檢測的同時保持了較高的精度。YOLO將檢測問題抽象成回歸問題，將目標類別及邊界框的預測直接落在特征圖中，并通過對特征圖的預測來減少計算量。YOLO的損失函數包含定位錯誤及分類錯誤，其總體目標函數可表達為：

（1）式中， x_i?y_i?w_i?h_i 為預測邊界框坐標及尺寸；為真實標簽； l_ij^obj 為目標存在指示符； λ_coord 和 λ_noobj 為調節(jié)權重; C_i 為置信度； p_i（c） 為類別概率。YOLO的快速檢測能力使其適用于清掃車動態(tài)目標的實時識別[7]。

相比之下，Mask-R-CNN檢測是兩階段框架，利用區(qū)域提議網絡（RPN）提出候選區(qū)域，然后利用一個卷積網絡分類及邊界框回歸，增加掩膜分支進行目標的像素級別分割，意味著在復雜環(huán)境中可以對垃圾和路面紋理細節(jié)進行有效識別，從而給出更精細化的環(huán)境感知能力，增強無人清掃車的識別正確性以及工作安全性[8]。將YOLO的檢測速度快與Mask-R-CNN的檢測精度高相結合，使得無人清掃車可以實現高效、可靠的環(huán)境感知。

4.3模型輕量化與實時推理優(yōu)化

考慮到無人駕駛清掃車所需系統(tǒng)對檢測實時性的要求較高，因此模型輕量化和推理速度優(yōu)化尤為重要。在網絡結構中可利用剪枝、網絡權重量化、網絡知識蒸餾等方法減少模型規(guī)模，降低模型中的參數和運算量，在檢測性能基本不受影響的情況下提高模型推理速度。輕量級骨干網絡如MobileNet、ShuffleNet等，與ResNet相比，具有更低的復雜程度，用于模型訓練從而降低運算量[9]。利用網絡知識蒸餾的思想將大型模型中的知識“教給\"輕量級的小型模型，達到壓縮網絡的目的。利用TensorRT、OpenVINO等硬件加速工具，進行針對邊緣計算平臺下的模型推理優(yōu)化，從而進一步降低延遲[0]。多線程機制及異步處理機制的使用，保證了感知數據采集、預處理、模型推理等各流程間不會被互相阻塞，使得整個系統(tǒng)保持實時的響應。

5實驗驗證與性能評估

5.1實驗平臺構建與測試環(huán)境說明

為了驗證無人駕駛清掃車環(huán)境感知系統(tǒng)的功能表現，建立了包含多傳感器、深度學習推理和決策控制為一體的綜合性實驗環(huán)境，通過高性能嵌入式GPU計算模塊，相機同步采集攝像頭、激光雷達、毫米波雷達、IMU傳感器，具備實時數據流輸入處理等功能；測試環(huán)境涵蓋一般城市道路和環(huán)衛(wèi)作業(yè)環(huán)境下的各種復雜路況，如行車集中區(qū)、人群集中區(qū)、道路垃圾散落區(qū)等；實驗過程將驗證系統(tǒng)完成連續(xù)駕駛下的垃圾發(fā)現、運動障礙物發(fā)現與路徑規(guī)劃。

5.2感知精度、延遲、魯棒性等指標測試方案

本實驗分別從感知指標、系統(tǒng)延時、穩(wěn)定性方面進行測試評價：a.感知指標，通過人工標定的地面實況數據進行比較，提取出目標檢測的mAP以及分類正確率；b.延時，對感知系統(tǒng)的實時性進行驗證，計算從傳感器數據采集到感知系統(tǒng)給出識別結果的耗時延時；c.穩(wěn)定性，分別模擬不同的天氣情況（如晴天、雨天、霧天等）、光照情況進行系統(tǒng)的穩(wěn)定性測試，并計算出系統(tǒng)在不同情況下的誤報率、漏報率，通過系統(tǒng)連續(xù)工作能力評價感知系統(tǒng)測試出的穩(wěn)定運行情況和故障恢復能力，保證在長周期作業(yè)中感知系統(tǒng)達到有效工作狀態(tài)。指標測試環(huán)節(jié)采用定量與定性相結合，以保證數據的準確性及有效性。

5.3系統(tǒng)在典型城市道路清掃任務中的應用效果分析

在實際清掃任務中，系統(tǒng)表現出優(yōu)異的環(huán)境適應能力和目標識別效率，如表1所示。

表1測試結果

基于深度學習的感知模塊，通過結合深度學習，對

路面垃圾及移動行人能實現高精度感知，提高感知準確度；通過多傳感器協(xié)同融合提高了車輛對障礙物的感知識別成功率，在復雜環(huán)境確保安全的運行；通過對所開發(fā)系統(tǒng)的測試，反應遲滯值為 50ms ，滿足實時性控制的要求；通過對所開發(fā)系統(tǒng)的魯棒性測試，在惡劣環(huán)境下都實現了大于或等于 92% 的識別精度，說明本系統(tǒng)對環(huán)境的魯棒性較好；同時本系統(tǒng)整體穩(wěn)定性較好，沒有出現比較嚴重的系統(tǒng)崩潰或感知空白點。經過一系列測試，證明了基于所開發(fā)環(huán)境感知系統(tǒng)的清掃車在復雜的城市環(huán)境中能夠比較高效、精準和穩(wěn)定地運行，可以實現智慧環(huán)衛(wèi)在實際應用上的可行性。

6結語

本文系統(tǒng)研究了人工智能驅動的無人駕駛清掃車環(huán)境感知技術，圍繞復雜城市道路與環(huán)衛(wèi)環(huán)境的多樣化感知需求，設計了涵蓋傳感器融合、深度學習目標識別與動態(tài)感知的整體架構。通過構建多模態(tài)數據集及應用先進的CNN、YOLO和MaskR-CNN模型，實現了高精度、實時性的垃圾及障礙物檢測。實驗表明，系統(tǒng)具備良好的感知精度、低延遲及強魯棒性，能夠有效支持無人駕駛清掃車的安全高效作業(yè)。未來，將進一步優(yōu)化算法性能，提升系統(tǒng)適應性與智能決策能力，推動智慧環(huán)衛(wèi)技術的廣泛應用與發(fā)展。

參考文獻：

[1]田曉笛，張秀麗，和福建，等.C-V2X智能清掃車現狀及測試方法研究[J].時代汽車，2023（22）：16-18.

[2]孫智威，裴曉飛，劉一平，等.無人駕駛清掃車的路徑跟蹤及遠程控制J].汽車安全與節(jié)能學報，2022，13（4）：729-737.

[3]程朝中，何勝學，馬思涵，等.無人駕駛清掃車路徑優(yōu)化模型及其求解算法[J].數學建模及其應用，2021，10（4）：30-37.

[4]史立秋，程亮，江霖，等.校園小型無人駕駛清掃技術研究[J].經濟師，2020（12）：220-221.

[5]康炳翔，秦忠鑫，查欣然，等.一種車載數字相機與激光雷達融合算法設計[J].專用汽車，2023（8）：15-17.

[6]江霖，程亮，王少俊，等.一種小型無人駕駛環(huán)保清掃車機構設計[J].佳木斯大學學報（自然科學版），2021，39（1）：69-71+144.

[7]倪花榮.智能駕駛領域中人工智能技術的融合創(chuàng)新實踐研究[J].專用汽車，2025（5）：93-96.

[8]李琨.基于多源融合的智能網聯汽車環(huán)境感知系統(tǒng)優(yōu)化路徑[J].專用汽車，2025（4）：81-83.

[9]張新.基于智能網聯汽車激光雷達故障檢測與排查研究[J].汽車維修技師，2025（8）：11-12.

[10]黃玉瑯.自動駕駛汽車環(huán)境感知與決策算法研究[J].汽車維修技師，2025（6）：12-14.

作者簡介：李妍潔，女，1993年生，助教，研究方向為職業(yè)教育、人工智能。