一种基于充电需求的建站选址方法
文献发布时间:2024-04-18 20:01:23
技术领域
本发明属于选址优化技术领域,具体涉及一种基于充电需求的建站选址方法。
背景技术
在政策和市场的双重作用下,我国新能源汽车产业已进入规模化、高质量的快速发展新阶段,渗透率快速提升。从规模看,我国已成为全球最大的新能源汽车市场,产销量连续几年稳居世界首位。新能源汽车充电桩是维持新能源电动汽车能源补给,保障新能源汽车便利畅行的重要后勤部分。为推动我国新能源汽车产业健康、稳定、持续的发展,新能源电动汽车配套的能源补给设施已然成为国内外商业资本关注的重点。在商场、居民社区、商务楼宇等地方,设置合理的充电场站,将有利于新能源汽车的推广与增长,刺激下沉市场的新能源汽车产业发展,同时有利于推动清洁能源的使用和能源节能。
一方面鉴于公共充电领域的停车充电场景不断增加,“如何为新能源车主提供便利的充电网络”、“如何解开城市充电难”的问题依然突出。另一方面很多企业前期在建站建桩时并未考虑市场需求、客流密度等因素,导致布局不平衡、不少公共充电桩利用率出现两极化差别的情况。充电场站选址是影响场站经营效益的重要因素。随着充电桩市场竞争愈加激烈,充电站建站如何选址成为了企业关注的核心问题。
发明内容
有鉴于此,本发明的目的在于提出了一种基于充电需求的建站选址方法,用以为企业进行充电网络布局及建站选址建设等提供数据支撑,从而缓解电动汽车充电站在实际选址期间重复投资以及资源过度消耗等现象。
为达到上述目的,本发明提供如下技术方案:
本发明所提供的一种基于充电需求的建站选址方法,包括:
步骤S1、获取纯电动汽车的历史充电行为和停车行为并确定对应的充电位置和停车位置;
步骤S2、通过离线地图解析得到各城市的AOI区域分布和充电场站分布;
步骤S3、将停车位置及充电位置与AOI区域进行匹配,并将充电位置与充电场站位置匹配,得到每个AOI区域的停车及充电情况;
步骤S4、基于AOI区域的停车及充电情况构建AOI区域的停车-充电网络关系模型,并根据机器学习算法对该AOI区域的充电紧迫性情况及充电功率需求进行预测得到预测结果;
步骤S5、根据预测结果确定充电场站的选址分布,并确定每个充电场站的建设规模。
优选的,步骤S1包括:
从指定的数据平台提取电动车的静态以及动态更新的状态数据,根据状态数据确定电动车的充电数据以及停车数据;
充电数据以及停车数据包括电动车的单次行驶数据以及单次充电数据,其中单次行驶数据包括行驶开始时间、行驶结束时间、行驶持续时长、行驶开始经度、行驶开始纬度、行驶结束经度、行驶结束纬度、行驶开始荷电状态、行驶结束荷电状态,单次充电数据包括电动车唯一标识、充电开始时间、充电结束时间、充电时长、充电开始经度、充电开始纬度、充电开始荷电状态、充电结束荷电状态;
基于单次行驶数据确定电动车的停车位置,并基于单次充电数据确定电动车的充电位置。
优选的,根据状态数据确定电动车的充电数据以及停车数据包括:
根据状态数据筛选充电相关数据并进行预处理得到充电数据,预处理过程包括:剔除充电开始经纬度与充电结束经纬度不在同一区域范围内的充电相关数据;
将剩余的充电相关数据中所有坐标信息统一转换至WSG-84坐标系得到充电数据;
根据状态数据筛选停车相关数据并进行预处理得到停车数据,预处理过程包括:将电动车的状态数据按照开始时间进行排序并确定行驶片段,将当前行驶片段的上一行驶片段的结束时间作为停车片段的开始时间,将当前行驶片段的开始时间作为停车片段的结束时间,得到停车片段的开始时间和结束时间;
将当前行驶片段的上一行驶片段的结束经度和结束纬度作为停车片段的开始经度和开始纬度,将当前行驶片段的开始经度和开始纬度作为停车片段的结束经度和结束纬度;
剔除停车时长较短和停车开始经纬度与停车结束经纬度不在同一区域范围内的异常停车片段;
将剩余停车片段所对应数据中停车开始经纬度与停车结束经纬度的坐标系统一转换至WSG-84坐标系得到停车数据。
优选的,步骤S2包括:
获取离线地图的原始数据,基于原始数据确定所需AOI的第一基础信息,其中,第一基础信息包括AOI名称、AOI类型、中心点经纬度、边界、省份、城市以及区县;
对AOI名称进行标准化处理得到标准化名称格式,并根据第一基础信息进行映射合并,得到AOI类型的一级标签,其中,一级标签包括:居民住宅、购物商城、公司企业以及产业园区;
对第一基础信息中的坐标及经纬度信息转换至WSG-84坐标系,得到AOI区域分布;
基于原始数据确定城市的充电场站的第二基础信息,其中,第二基础信息包括场站名称、场站运营商、场站id、场站经纬度、省份、城市以及区县;
对第二基础信息中的坐标及经纬度信息转换至WSG-84坐标系,得到充电场站分布。
优选的,步骤S3包括:
基于每个充电片段开始的经纬度信息和充电场站的经纬度信息计算距离,若距离小于等于预设的第一距离,则为该充电片段打上该充电场站唯一对应的标签;若同时存在与几个场站的距离都小于等于第一距离,则为该充电片段打上距离最近的充电场站唯一对应的标签;
根据充电片段和停车片段的经纬度判断其是否落入AOI区域的边界内,若落入到AOI区域的边界内,则将相应片段打上该AOI唯一对应的标签;
基于充电片段和停车片段对应的标签信息确定每个AOI区域的停车及充电情况。
优选的,停车-充电网络关系模型的构建过程包括:
统计AOI区域内的累计停车次以及累计停车时长;
根据单车的月均充电起始SOC,判断当前该AOI区域内累计有充电需求的次数,具体为当电动车停车时的SOC值如果等于或者小于当月平均充电起始SOC时,则判定该电动车该次停驻行为有充电需求;
根据充电事件的充电场站标签,判断AOI区域周围是否具有充电条件,若充电事件中有匹配到的充电场站标签,则认为该AOI区域周围有充电条件;
计算AOI区域内的累计充电次数和累计充电时长;
根据实际发生充电行为的充电时长和有充电需求的停车时长来计算充电紧迫性,以此来反映该区域的充电服务能力的满足程度;
使用AOI区域内的累计停车次数、AOI区域内的累计停车时长、AOI区域内累计有充电需求的次数、AOI区域周围是否具有充电条件、AOI区域内的累计充电次数、AOI区域内的累计充电时长以及最大同时可供充电位置所对应的字段作为特征值,以充电紧迫性所对应字段作为属性值来构建停车-充电网络关系模型。
优选的,根据机器学习算法对该AOI区域的充电紧迫性情况及充电功率需求进行预测得到预测结果包括:
通过机器学习算法对该AOI区域的充电紧迫性情况以及充电功率需求进行统计预测,得到第一类预测结果;
预先将AOI区域的充电紧迫性情况以及充电功率需求划分为多个等级;
根据第一类预测结果统计各等级的充电紧迫性情况以及充电功率需求各自持续时间长度占总时间长度的比例并进行排序,得到正态分布状的各等级的充电紧迫性情况以及充电功率需求的概率密度函数;
基于概率密度函数以及预设的百分比标准计算得出预测结果。
优选的,通过构建优化模型进行AOI区域中充电场站的建站选址,其过程包括:
基于预测结果确定AOI区域中充电场站的建设数量以及建设规模需求,并基于建设数量以及建设规模确定充电桩数量、土地占有以及设备需求信息;
基于充电桩数量、土地占有以及设备需求信息构建建设成本计算模型:
其中,i表示充电需求点分布,j表示建站选址候选,
统计AOI区域中累计的充电需求以及每次产生充电需求时的电动车位置分布,构建用户前往充电站充电的距离成本模型:
其中,
基于建站选址候选的充电桩数量构建用户进行排队充电的等待成本模型:
式中,
基于设成本计算模型、距离成本模型以及等待成本模型构建建站选址优化模型:
其中,
设定建站选址优化模型的约束条件:
其中,
以成本最低为优化目标,基于约束条件以及建站选址优化模型进行计算,根据计算结果确定AOI区域中充电场站的建站选址以及充电桩规模。
本发明至少取得了以下有益效果:
1. 能够为企业进行充电网络布局及建站选址建设等提供数据支撑,从而缓解电动汽车充电站在实际选址期间重复投资以及资源过度消耗等现象。
2. 能够实现对充电数据以及停车数据的提取与异常数据的筛除工作,并将不同平台上使用不同坐标系得坐标相关的信息统一至同一个坐标系,方便进行后续相关的定位计算工作,并且实现了对停车片段的识别工作,基于停车片段得识别方法可对充电片段进行类似的识别工作。
本发明的其他优点、目标和特征将在随后的说明书中进行阐述,并且在某种程度上对本领域技术人员而言是显而易见的,或者本领域技术人员可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明实施例中一种基于充电需求的建站选址方法的步骤流程图;
图2为本发明实施例中根据状态数据确定电动车的充电数据以及停车数据的步骤流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
AOI(Area of Interest),顾名思义,指的是互联网电子地图中的兴趣面,同样包含四项基本信息,主要用于在地图中表达区域状的地理实体,如一个居民小区、一所大学、一个写字楼、一个产业园区、一个综合商场、一个医院、一个景区或一个体育馆等等。
本发明所提供的一种基于充电需求的建站选址方法,参照图1,包括:
步骤S1、获取纯电动汽车的历史充电行为和停车行为并确定对应的充电位置和停车位置;
步骤S2、通过离线地图解析得到各城市的AOI区域分布和充电场站分布;
步骤S3、将停车位置及充电位置与AOI区域进行匹配,并将充电位置与充电场站位置匹配,得到每个AOI区域的停车及充电情况;
步骤S4、基于AOI区域的停车及充电情况构建AOI区域的停车-充电网络关系模型,并根据机器学习算法对该AOI区域的充电紧迫性情况及充电功率需求进行预测得到预测结果;
步骤S5、根据预测结果确定充电场站的选址分布,并确定每个充电场站的建设规模。
上述技术方案的工作原理和有益效果为:以新能源汽车大数据平台中采集的纯电动乘用车运行充电数据为分析样本。首先,提取纯电动汽车历史充电行为(充电时长、充电电量、充电功率、充电位置等)、停车行为(停车时长、停车位置等);其次,通过离线地图解析得到各城市的AOI分布(包括AOI名称、AOI类型AOI中心点、AOI边界等)和充电场站分布(包括场站名称、场站地址、场站经纬度等);最后,将停车位置及充电位置与AOI位置进行匹配,并将充电位置与充电场站位置匹配,得到每个AOI区域的停车及充电情况。通过以上数据,分析该AOI区域的充电次数、停车次数、充电紧迫性等,从而构建停车&充电网络关系模型,了解用户习惯,掌握新能源汽车出行热力图。基于停车&充电网络关系模型,根据机器学习算法,预测该AOI区域未来一段时间的充电紧迫性情况及充电功率需求。通过以上方法可为企业进行充电网络布局及建站选址建设等提供数据支撑,从而缓解电动汽车充电站在实际选址期间重复投资以及资源过度消耗等现象,让建设的充电桩不仅适应当地电动电动车的充电需求,也能为相关企业提高经济效益。
在一个优选实施例中,步骤S1包括:
从指定的数据平台提取电动车的静态以及动态更新的状态数据,根据状态数据确定电动车的充电数据以及停车数据;
充电数据以及停车数据包括电动车的单次行驶数据以及单次充电数据,其中单次行驶数据包括行驶开始时间、行驶结束时间、行驶持续时长、行驶开始经度、行驶开始纬度、行驶结束经度、行驶结束纬度、行驶开始荷电状态、行驶结束荷电状态,单次充电数据包括电动车唯一标识、充电开始时间、充电结束时间、充电时长、充电开始经度、充电开始纬度、充电开始荷电状态、充电结束荷电状态;
基于单次行驶数据确定电动车的停车位置,并基于单次充电数据确定电动车的充电位置。
上述技术方案的工作原理和有益效果为:本发明实施例提出的电动汽车建桩选址方法以实车状态数据为基础,为实现从电动汽车角度出发估计该区域内的出行情况,并判断当前该区域的充电桩是否满足充电需求的目的,需要从国家平台提取电动车的静态数据以及动态更新的状态数据。
提取纯电动乘用车的单次行驶数据,包含字段如下:
vin:车架号;
run_start_time:行驶开始时间;
run_end_time:行驶结束时间;
run_time_lengths:行驶持续时长
run_start_lon:行驶开始经度;
run_start_lat:行驶开始纬度;
run_end_ lon:行驶结束经度;
run_end_lat:行驶结束纬度;
run_start_soc:行驶开始荷电状态;
run_end_soc:行驶结束荷电状态。
提取纯电动乘用车的单次充电数据,包含字段如下:
vin:电动车唯一标识;
charge_start_time:充电开始时间;
charge_end_time:充电结束时间;
charge_time_lengths:充电时长
charge_start_lon:充电开始经度;
charge_start_lat:充电开始纬度;
charge_start_soc:充电开始荷电状态;
charge_end_soc:充电开始荷电状态。
在一个优选实施例中,参照图2,根据状态数据确定电动车的充电数据以及停车数据包括:
步骤S61、根据状态数据筛选充电相关数据并进行预处理得到充电数据,预处理过程包括:剔除充电开始经纬度与充电结束经纬度不在同一区域范围内(两者距离大于预设的第一阈值)的充电相关数据;
步骤S62、将剩余的充电相关数据中所有坐标信息统一转换至WSG-84坐标系得到充电数据;
步骤S63、根据状态数据筛选停车相关数据并进行预处理得到停车数据,预处理过程包括:将电动车的状态数据按照开始时间进行排序并确定行驶片段,将当前行驶片段的上一行驶片段的结束时间作为停车片段的开始时间,将当前行驶片段的开始时间作为停车片段的结束时间,得到停车片段的开始时间和结束时间;
步骤S64、将当前行驶片段的上一行驶片段的结束经度和结束纬度作为停车片段的开始经度和开始纬度,将当前行驶片段的开始经度和开始纬度作为停车片段的结束经度和结束纬度;
步骤S65、剔除停车时长较短(短于预设的第一时间长度)和停车开始经纬度与停车结束经纬度不在同一区域范围内(两者距离大于预设的第二阈值)的异常停车片段;
步骤S66、将剩余停车片段所对应数据中停车开始经纬度与停车结束经纬度的坐标系统一转换至WSG-84坐标系得到停车数据。
上述技术方案的有益效果为:实现对充电数据以及停车数据的提取与异常数据的筛除工作,并将不同平台上使用不同坐标系得坐标相关的信息统一至同一个坐标系,方便进行后续相关的定位计算工作,并且实现了对停车片段的识别工作,基于停车片段得识别方法可对充电片段进行类似的识别工作。
在一个优选实施例中,步骤S2包括:
获取离线地图的原始数据,基于原始数据确定所需AOI的第一基础信息,其中,第一基础信息包括AOI名称、AOI类型、中心点经纬度、边界、省份、城市以及区县;
对AOI名称进行标准化处理得到标准化名称格式,并根据第一基础信息进行映射合并,得到AOI类型的一级标签,其中,一级标签包括:居民住宅、购物商城、公司企业以及产业园区;
对第一基础信息中的坐标及经纬度信息转换至WSG-84坐标系,得到AOI区域分布;
基于原始数据确定城市的充电场站的第二基础信息,其中,第二基础信息包括场站名称、场站运营商、场站id、场站经纬度、省份、城市以及区县;
对第二基础信息中的坐标及经纬度信息转换至WSG-84坐标系,得到充电场站分布。
上述技术方案的有益效果为:实现对AOI相关信息的清洗以及处理工作,并基于原始数据确定与AOI区域相映射的位置地点信息以及与充电场站对应映射的场站名称、场站运营商、场站id、场站经纬度、省份、城市以及区县,方便根据映射结果快速确定对应的AOI区域以及充电场站。
在一个优选实施例中,步骤S3包括:
基于每个充电片段开始的经纬度信息和充电场站的经纬度信息计算距离,若距离小于等于预设的第一距离,则为该充电片段打上该充电场站唯一对应的标签;若同时存在与几个场站的距离都小于等于第一距离,则为该充电片段打上距离最近的充电场站唯一对应的标签;
根据充电片段和停车片段的经纬度判断其是否落入AOI区域的边界内,若落入到AOI区域的边界内,则将相应片段打上该AOI唯一对应的标签;
基于充电片段和停车片段对应的标签信息确定每个AOI区域的停车及充电情况。
上述技术方案的工作原理和有益效果为:通过对充电片段与充电场站之间的经纬度计算结果建立充电片段与充电场站之间的逻辑关系,实现对充电地点的归类分析,其中预设的第一距离可根据设备定位的准确度进行适当的调整,其中,充电片段对应多种信息,包括但不限于位置坐标、充电时间、充电状态、充电维持时长等等,基于充电片段和停车片段实现对充电事件和停车事件发生所处区域的定位,以确定充电和停车片段所对应的AOI区域并建立相对应的映射关系,从而方便进行基于AOI区域相关数据样本的快速查找与统计。
在一个优选实施例中,停车-充电网络关系模型的构建过程包括:
统计AOI区域内的累计停车次以及累计停车时长;
根据单车的月均充电起始SOC,判断当前该AOI区域内累计有充电需求的次数,具体为当电动车停车时的SOC值如果等于或者小于当月平均充电起始SOC时,则判定该电动车该次停驻行为有充电需求;
根据充电事件的充电场站标签,判断AOI区域周围是否具有充电条件,若充电事件中有匹配到的充电场站标签,则认为该AOI区域周围有充电条件;
计算AOI区域内的累计充电次数和累计充电时长;
根据实际发生充电行为的充电时长和有充电需求的停车时长来计算充电紧迫性,以此来反映该区域的充电服务能力的满足程度;
使用AOI区域内的累计停车次数、AOI区域内的累计停车时长、AOI区域内累计有充电需求的次数、AOI区域周围是否具有充电条件、AOI区域内的累计充电次数、AOI区域内的累计充电时长以及最大同时可供充电位置所对应的字段作为特征值,以充电紧迫性所对应字段作为属性值来构建停车-充电网络关系模型。
上述技术方案的工作原理和有益效果为:通过计算AOI区域内的累计停车次数park_nums、累计停车时长park_lengths;根据单车的月均充电起始SOC,判断当前该AOI区域内累计有充电需求的次数chargedemandcount,具体如下:电动车停车时的SOC值如果等于或者小于当月平均充电起始SOC时,则判定该电动车该次停驻行为有充电需求;根据充电事件的场站标签,判断AOI区域周围是否具有充电条件is_charge,若充电事件中有匹配到的场站标签,则认为该AOI区域周围有充电条件;计算AOI区域内的累计充电次数charge_nums和累计充电时长charge_lengths;根据实际发生充电行为的充电时长和有充电需求的停车时长来计算充电紧迫性charge_urgency,以此来反映该区域的充电服务能力的满足程度;使用park_nums,park_lengths,chargedemandcount,is_charge,charge_nums,charge_lengths,max_station_num字段作为特征值,charge_urgency字段作为属性值来构建停车&充电网络关系模型,掌握新能源汽车出行热力图。基于停车&充电网络关系模型,使用机器学习算法预测该区域未来一段时间的充电紧迫性情况,方便为企业进行充电网络布局规划及建站选址建设等提供数据支撑。
在一个优选实施例中,基于停车&充电网络关系模型,可指导企业在哪建站,即建设充电站的合适选址,但建什么,即选择直流桩还是交流桩,建多少,即不同区域直流桩和交流桩的建设数量,也会在很大程度上影响用户的充电体验。根据单车的月均充电起始SOC,判断当前该AOI区域内累计有充电需求的次数,具体如下:
电动车停车时的SOC值如果等于或者小于当月平均充电起始SOC时,则判定该电动车该次停驻行为有充电需求;计算AOI区域内有充电需求的电动车的历史充电习惯,包括快慢充使用特征、充电设施功率使用特征、充电场所选择特征等,结合这些特征使用机器学习算法预测具体车型的充电功率需求,为企业选择建直流/交流充桩提供数据支撑;基于电网最短调度周期对充电时间进行分段处理,分段规则为将一天24小时按15分钟时间长度作为一个片段分为从[00:00,00:15)到[23:45,24:00)的区间中,若充电开始时刻到充电结束时刻横跨多个区间,则认为其在相应区间内均存在充电行为,基于此计算:1)每个区间的电动车数,以此来反映该AOI区域内进行充电的电动车数的最大值,并认为该最大值是该区域内充电桩的个数,反映出该AOI区域内的充电站的最大充电服务能力;2)各区间的充电功率分布,以此来反映该区域内的直流桩和交流桩的数量。对有充电需求的停驻行为进行时间分段处理,分段规则为将一天24小时按5分钟时间长度作为一个片段分为从[00:00,00:05)到[23:55,24:00)的区间中,若停车开始时刻到停车结束时刻横跨多个区间,则认为其在相应区间内均存在停车行为,基于此计算该区域每个时间段的充电需求,从而指导后续充电桩建设。
上述技术方案的有益效果为:通过以上技术可反映该区域现有充电桩的数量及直流/交流桩的数量,及在某个时刻该区域可能所需充电桩的最大数量,基于此,可指导企业选择建多少桩及建直流/交流桩的分布比例,从而为用户提供更好的充电服务。
在一个优选实施例中,根据机器学习算法对该AOI区域的充电紧迫性情况及充电功率需求进行预测得到预测结果包括:
通过机器学习算法对该AOI区域的充电紧迫性情况以及充电功率需求进行统计预测,得到第一类预测结果;
预先将AOI区域的充电紧迫性情况以及充电功率需求划分为多个等级;
根据第一类预测结果统计各等级的充电紧迫性情况以及充电功率需求各自持续时间长度占总时间长度的比例并进行排序,得到正态分布状的各等级的充电紧迫性情况以及充电功率需求的概率密度函数;
基于概率密度函数以及预设的百分比标准计算得出预测结果。
上述技术方案的有益效果为:通过机器学习算法,能够快速对AOI区域的充电紧迫性情况以及充电功率需求进行统计预测,根据第一类预测结果构建正态分布的各等级的充电紧迫性情况以及充电功率需求的概率密度函数,从而方便根据概率密度函数快速确定满足绝大部分充电需求的AOI区域的充电需求的预测结果,根据该预测结果能够确定该AOI区域需要额外建设多少充电场站或者建设总共多大规模的充电场站来满足大部分时间情况下的充电需求。
在一个优选实施例中,通过构建优化模型进行AOI区域中充电场站的建站选址,其过程包括:
基于预测结果确定AOI区域中充电场站的建设数量以及建设规模需求,并基于建设数量以及建设规模确定充电桩数量、土地占有以及设备需求信息;
基于充电桩数量、土地占有以及设备需求信息构建建设成本计算模型:
其中,i表示充电需求点分布,j表示建站选址候选,
统计AOI区域中累计的充电需求以及每次产生充电需求时的电动车位置分布,构建用户前往充电站充电的距离成本模型:
其中,
基于建站选址候选的充电桩数量构建用户进行排队充电的等待成本模型:
式中,
基于设成本计算模型、距离成本模型以及等待成本模型构建建站选址优化模型:
其中,
设定建站选址优化模型的约束条件:
其中,
以成本最低为优化目标,基于约束条件以及建站选址优化模型进行计算,根据计算结果确定AOI区域中充电场站的建站选址以及充电桩规模。
上述技术方案的有益效果为:通过构建优化模型,基于所确定的AOI区域对充电场站规模的建设需求对AOI区域中充电场站的建站选址以及充电桩规模进行优化计算,根据优化计算结果能够实现对每一个充电场站的选址的建设成本以及民众成本的计算,从而方便根据计算结果确定出最优的建站选址以及充电桩规模。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
- 衣物清洁设备、衣物清洁设备的控制方法和存储介质
- 一种控制清洁模式的方法和清洁机器人
- 命令交互方法、机器人示教器、机器人控制器及存储介质
- 一种机器人避障控制方法、装置、存储介质及机器人
- 控制擦窗机器人行走的方法、擦窗机器人及存储介质
- 清洁机器人控制方法、清洁机器人、清洁系统及存储介质
- 清洁机器人控制方法、清洁机器人、清洁系统及存储介质