CN107843261B - 一种基于激光扫描数据定位机器人位置的方法和*** - Google Patents
一种基于激光扫描数据定位机器人位置的方法和*** Download PDFInfo
- Publication number
- CN107843261B CN107843261B CN201711040110.0A CN201711040110A CN107843261B CN 107843261 B CN107843261 B CN 107843261B CN 201711040110 A CN201711040110 A CN 201711040110A CN 107843261 B CN107843261 B CN 107843261B
- Authority
- CN
- China
- Prior art keywords
- axis
- point
- point cloud
- cloud set
- robot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于激光扫描数据定位机器人位置的方法和***。该方法包括:步骤1,基于激光扫描数据获取点云集合,并获取所述点云集合在X轴、Y轴、Z轴上的直方图分布信息;步骤2,基于所述直方图分布信息获取所述点云集合的均匀采样尺度,并基于所述均匀采样尺度对所述点云集合进行均匀采样;步骤3,针对均匀采样后的所述点云集合中的每个点构造局部坐标系,并基于所述局部坐标系获取用于计算机器人位置的转换矩阵;步骤4,基于点云集合的中心点坐标、所述转换矩阵,计算机器人位置。该方法具有对光线不敏感,鲁棒性强的优势。
Description
技术领域
本发明涉及定位技术领域,尤其涉及一种基于激光扫描数据定位机器人位置的方法和***。
背景技术
随着人工智能技术的发展,机器人已经应用于非常广泛的领域中。在机器人的应用中,通常需要对机器人所处位置进行定位,而机器人位置定位的精度直接影响了机器人的工作完成情况。
在机器人定位领域中,已经提出了多种定位机器人的方法,包括雷达定位、摄像头定位、超声波定位。例如,有专利文件中提供了一种基于人工路标的移动机器人定位***及方法,包括:移动机器人和多个不同颜色的人工路标,所述不同颜色的人工路标按照优化布置方法设置在移动机器人的运行环境中的固定位置;所述移动机器人上安装的传感器对该移动机器人运行过程中所检测到的人工路标进行识别和匹配,实现移动机器人的定位。再例如,在另一专利文件中,提供了一种变电站巡检机器人定位装置,包括驱动机器人运动的轮式平台、设置在平台内的机器人运动控制器、编码器、通信模块、摄像机和云台,所述轮式平台沿圆周等间距安装有三个全向轮,三个全向轮上各安装有一个编码器,云台底部设有支撑轴,支撑轴固定安装在平台上,摄像机安装在云台的顶部,机器人运动控制器与通信模块双向通信连接,编码器与机器人运动控制器双向电连接,摄像机和云台均与通信模块双向通信连接。
因此,现有的定位技术存在以下问题:
(1)毫米波雷达主要还是用在障碍物检测方面;
(2)摄像头很难得到三维物体的模型,并且它易于受到环境的干扰,也比较依赖光照条件;
(3)超声波定位容易受天气、周围环境(镜面反射或者有限的波束角)等以及障碍物阴影、表面粗糙等外界环境的影响,并且由于超声波在空气中的传播距离比较短,所以适用范围较小,测距距离较短,采集速度慢,导航精度差。
因此,需要一种不依赖于可见光,对光线条件不敏感,并且在机器人行进过程中能精确定位的方法和***。
发明内容
为了解决现有技术中机器人定位依赖可见光且定位精度不高的问题,本发明提供了一种基于激光扫描数据定位机器人位置的方法。
根据本发明的一个方面,提供了一种基于激光扫描数据定位机器人位置的方法,所述方法包括:
步骤1,基于激光扫描数据获取点云集合,并获取所述点云集合在X轴、Y轴、Z轴上的直方图分布信息;
步骤2,基于所述直方图分布信息获取所述点云集合的均匀采样尺度,并基于所述均匀采样尺度对所述点云集合进行均匀采样;
步骤3,针对均匀采样后的所述点云集合中的每个点构造局部坐标系,并基于所述局部坐标系获取用于计算机器人位置的转换矩阵;
步骤4,基于点云集合的中心点坐标、所述转换矩阵,计算机器人位置。
其中,所述步骤3包括:
计算所述点云集合中每个点的SHOT特征向量;
基于每个点的SHOT特征向量筛选出所述点云集合中的彼此距离小于等于距离阈值的配对点;
获取将各配对点中的一个点变换到另一个点的转换矩阵,并将该转换矩阵作为用于计算机器人位置的转换矩阵。
其中,所述步骤2还包括:
基于所述直方图分布信息,获取所述直方图中在X轴、Y轴、Z轴方向上超过设定阈值的点分布范围,获取在X轴、Y轴、Z轴上等分所述点分布范围的尺寸L1、L2、L3,以L1、L2、L3的均值作为均匀采样尺度对所述点云集合进行均匀采样。
其中,所述步骤4还包括:
将所述点云集合的中心点坐标除以所述转换矩阵,得到的坐标即为机器人位置。
其中,所述步骤1还包括:
滤除所述点云集合中的孤立点,并获取滤除孤立点后的点云集合在X轴、Y轴、Z轴上的直方图分布信息。
根据本发明的另一方面,提供了一种基于激光扫描数据定位机器人位置的***,所述***包括:
点云集合获取模块,用于基于激光扫描数据获取点云集合;
直方图获取模块,用于获取所述点云集合在X轴、Y轴、Z轴上的直方图分布信息;
均匀采样模块,用于基于所述直方图分布信息获取所述点云集合的均匀采样尺度,并基于所述均匀采样尺度对所述点云集合进行均匀采样;
局部坐标系构造模块,用于针对均匀采样后的所述点云集合中的每个点构造局部坐标系;
转换矩阵计算模块,用于基于所述局部坐标系获取用于计算机器人位置的转换矩阵;
位置计算模块,用于基于点云集合的中心点坐标、所述转换矩阵,计算机器人位置。
其中,转换矩阵计算模块还用于:
计算所述点云集合中每个点的SHOT特征向量;
基于每个点的SHOT特征向量筛选出所述点云集合中的彼此距离小于等于距离阈值的配对点;
获取将各配对点中的一个点变换到另一个点的转换矩阵,并将该转换矩阵作为用于计算机器人位置的转换矩阵。
其中,所述均匀采样模块还用于:
基于所述直方图分布信息,获取所述直方图中在X轴、Y轴、Z轴方向上超过设定阈值的点分布范围,获取在X轴、Y轴、Z轴上等分所述点分布范围的尺寸L1、L2、L3,以L1、L2、L3的均值作为均匀采样尺度对所述点云集合进行均匀采样。
其中,所述位置计算模块还用于:
将所述点云集合的中心点坐标除以所述转换矩阵,得到的坐标即为机器人位置。
其中,所述直方图获取模块还用于:
滤除所述点云集合中的孤立点,并获取滤除孤立点后的点云集合在X轴、Y轴、Z轴上的直方图分布信息。本发明提供的机器人定位方法和***,通过对激光扫描数据进行预处理,并基于构造的局部坐标系获取转换矩阵,来计算机器人当前位置,这样可以获得更高的定位精度。与可见光的定位方法相比,通过激光扫描数据进行定位的方法具有对光线不敏感,鲁棒性强的优势。此外,该方法还具有运行速度快、鲁棒性强等特点。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明的基于激光扫描数据定位机器人位置的方法的流程图;
图2是根据本发明的获取直方图中在X轴方向上超过设定阈值的点分布范围的示意图;
图3是根据本发明的基于激光扫描数据定位机器人位置的***的模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
本发明提供了一种基于激光扫描数据定位机器人位置的方法,包括:
步骤101,基于激光扫描数据获取点云集合,并获取所述点云集合在X轴、Y轴、Z轴上的直方图分布信息;
步骤102,基于所述直方图分布信息获取所述点云集合的均匀采样尺度,并基于所述均匀采样尺度对所述点云集合进行均匀采样;
步骤103,针对均匀采样后的所述点云集合中的每个点构造局部坐标系,并基于所述局部坐标系获取用于计算机器人位置的转换矩阵;
步骤104,基于点云集合的中心点坐标、所述转换矩阵,计算机器人位置。
其中,激光扫描数据是由安装在机器人上面的三维激光雷达获取的一系列数值;该数值一般是以机器人位置作为空间坐标原点,能反映出当前机器人位置周围的物体的空间坐标,即X轴、Y轴、Z轴上的坐标。点云集合是点的集合,包含若干个点的数据,这些数据可以是这些点在X轴、Y轴、Z轴上的空间坐标。
直方图是在点云集合基础上得到的,获得直方图的方法采用现有技术的方法。这里获取直方图的目的是计算得到X轴、Y轴、Z轴三个方向上的坐标数值分布。
另外,针对点云集合中每个点构造局部坐标系的方法采用现有技术中的方法,在此不再赘述。
步骤101包括:滤除所述点云集合中的孤立点,并获取滤除孤立点后的点云集合在X轴、Y轴、Z轴上的直方图分布信息。
去除点云集合中的孤立点或离群点,具体可以采用下述方法:
(1)对于每个点P,以R为搜索半径会得到K个近邻点,这里的R根据实际情况设置,计算所有K个近邻点到P的距离Di,将所有距离求和得到D,即D=D1+D2+…+Dk;
(2)计算平均距离M,M=D/K;
(4)计算协方差Var,Var=(S-(D2/K))/K;
(6)计算滤波阈值T,T=M+VarS*λ。
将阈值T与之前计算的K个近邻点到P的距离Di相比较,小于阈值T则设置保留标志。遍历一次所有的点,对所有点计算得到的近邻点统计其标志情况。一个点被标记了至少两次以上的保留标志,即标记保留标志的次数大于等于2,才能保留该点,其余的认为是孤立点和离群点舍弃。具体地,对于P点的K个近邻点Pi,分别计算其到P点的距离Di,距离Di小于阈值T的标记一次保留标志,大于阈值T的不管;对点云集合中的所有点进行一次同样操作,计算其他点的K个邻近点到该点的距离,并基于该距离对邻近点进行标记,这样得到所有点的标志,利用每个点的标志次数判断该点是否是孤立点和边缘的离群点。这相对于普通的统计方式具有更强的鲁棒性。
步骤102包括:基于所述直方图分布信息,获取所述直方图中在X轴、Y轴、Z轴方向上超过设定阈值的点分布范围,获取在X轴、Y轴、Z轴上等分所述点分布范围的尺寸L1、L2、L3,以L1、L2、L3的均值作为均匀采样尺度对所述点云集合进行均匀采样。
这里的设定阈值设定为75%,在直方图中在X轴、Y轴、Z轴方向上超过设定阈值的点分布范围是在X轴、Y轴、Z轴三个方向上直方图分布的峰值左右区域占75%的部分。该设定阈值可以根据实际情况来设定。在进行均匀采样前,先对点云集合进行处理,保留每个方向上的75%的分布范围,以此来获取均匀采样的尺度。具体的保留75%的分布范围的操作方法如下:
举例来说,X方向的直方图,统计所有的点云集合中的坐标中x的值,找到其中的最大值和最小值。利用x的值,进行统计每个值出现的次数,肯定会有重复的x值,便形成类似如图2所示的一个曲线图。图2中的横轴对应最小值到最大值所有出现的x值;纵轴对应所有值出现的次数,某个值5出现了100次,就对应的直方图坐标是(5,100),可以看到该直方图(曲线图)会有一个顶点(曲线上的黑点),利用该顶点向左向右来进行截取分布,直到截取的分布(选择的点的数量)达到点总数的75%即可,如图2中的阴影区域即为75%的分布范围。再找到这个75%分布内的最大值最小值。在Y轴、Z轴方向上截取75%分布范围的方式同上,在此不再赘述。
步骤103包括:计算点云集合中每个点的SHOT特征向量;基于每个点的SHOT特征向量筛选出所述点云集合中的彼此距离小于等于距离阈值的配对点;获取将各配对点中的一个点变换到另一个点的转换矩阵,并将该转换矩阵作为用于计算机器人位置的转换矩阵。
这里利用筛选后留下的配对点坐标进行建模,配对的两个点认为经过一个矩阵运算可以互相转换。假定一个矩阵M,配对点Ai,Bi,那么可以认为:Ai=Bi*M,其中M即为转换矩阵。奇异值分解是矩阵运算求解的一种方法。另外,在求解与各个点对匹配的转换矩阵时,可以采用随机抽取点对的方式,每次抽取6对点对进行方程组计算;直到抽取足够次数,再将每次求得的矩阵进行统计,找到出现次数最多的一个作为结果矩阵。
其中,对每个点计算该点的SHOT特征的方法、设置距离阈值筛选配对点的方法可以参见下面结合本发明具体实施例的详细描述。这些方法采用现有技术的方法,在此不再赘述。另外,获取转换矩阵的过程实际上是求解方程组的过程,可以基于方程组的特征采用现有方法进行求解。
步骤104包括:将所述点云集合的中心点坐标除以所述转换矩阵,得到的坐标即为机器人位置。
转换矩阵的作用就是把模型点云中的所有点的坐标通过矩阵运算得到测试点云中的点;同理,已知测试点云中的某一个点坐标,便可以通过逆运算计算得到该坐标在模型点云中的对应坐标。其中,模型点云指实际位置对应的点云,测试点云指激光扫描数据对应的点云。并且,一般情况下测试点云的中心点便是激光扫描得到的机器人的位置所在,利用该中心点和转换矩阵便能够求得对应的在模型点云中的点M,M点即是机器人当前位置。
下面以实施例的方式给出本发明基于激光扫描数据定位机器人位置的方法的具体实施例。
步骤1,获取激光扫描数据,基于激光扫描数据获取点云集合,并滤除点云集合中的孤立点。具体方法如上所述。
步骤2,获取上述滤除掉孤立点的点云集合在XYZ轴三个方向上的分布直方图,得到三个直方图分布Fx,Fy,Fz。分别计算该三个直方图中的超过75%以上的点云分布范围,具体方式如上面关于步骤102的描述,获取将该点云分布范围在XYZ轴三个方向上均分10等分所需的尺寸L1,L2,L3,计算L1、L2、L3的均值Lm,以该均值Lm作为点云集合的均匀采样尺度。
步骤3,对滤除孤立点后的点云集合以采样尺度Lm进行均匀采样。在该步骤中,能够有效的保留数据的框架,并去掉冗余点。例如,从实验结果来看,点云数据从滤波前的24776个点减少到了8285个点,同时保留了足够的有效框架特征和关键点。
步骤4,针对均匀采样后的点云集合中每个点构造局部坐标系,具体方法如下:
首先对点P设置搜索半径R,这里R可以经验设定,在模型或场景表面截取一块局部表面,根据P与局部表面上其他K个点Pi的位置关系可以构造协方差矩阵C,其中可以想象点P的周围有半径为R的一个球体,在点云的空间内存在K个在球体内的近邻点,Pi就是点P的近邻点中的一个。
相关说明如下:
CV=EV
其中对角矩阵E={e1,e2,e3},e1,e2,e3是特征值,矩阵V={v1,v2,v3},v1、v2、v3是与e1、e2、e3对应的正交特征向量。用v1、v2、v3分别代表局部参考系的x、y、z轴。到此,局部参考系建立完成。
具体的该局部参考的建立可根据现有技术中的方法实现。
步骤5,基于建立的局部坐标系计算SHOT(the Sighature of Histrgrams ofOrientation)特征向量。
该特征向量又叫方位直方图特征,是一种基于局部特征的特征描述方法,最早由Tormbari等人提出,认为现有的三维局部特征描述方法可以分为两类,即基于特征的描述方法与基于直方图的描述方法,分析了两种方法的优势,基于特征的局部特征描述方法在特征的描述能力上更优秀,而基于直方图的局部特征描述方法鲁棒性更好一些。因此提出了方位直方图特征描述方法,这是二者的折衷,能够更好的兼顾表征能力和稳定性。
建立完局部参考系后,以点P为原点,搜索半径R为半径形成一个球形空间,该球的表面与模型或者场景表面,即激光扫描得到的点的集合相交,截取一块相交的表面S。将该球形空间沿径向、仰角方向和方位角方向,分别做2等分、2等分、8等分的分割,得到了32个各向同性的空间子快Ei,对每一个子快,构建其特征直方图,提取特征fi,将各子块的特征拼接便得到该点的特征向量fp={f1,f2,…,f32}。并对其进行归一化,以减少分辨率的影响,使其更加鲁棒。
上述步骤4、步骤5对计算SHOT特征向量的过程进行了相应的说明,该SHOT特征向量可以通过现有方法计算得到。
步骤6,基于每个点的SHOT特征向量筛选出所述点云集合中的彼此距离小于等于距离阈值的配对点。具体方法如下:
以点P的k邻域搜索的方式来获取点云范围,计算该范围中所有点之间的距离,该距离可以通过两个点云集合的所有方位直方图特征向量建立对应的KDTree数据索引来计算。
KDTree是一种常用的分割多维数据空间的数据结构,主要应用于多维空间关键数据的搜索,结合近邻搜索方法,能够快速的计算多维特征空间中两个特征向量之间的距离(这里的距离可以认为是欧氏距离),距离公式如下:
其中的m、n是k维特征空间中的两个向量。
然后,获取k邻域范围内彼此所有点之间的最短距离Dm对应的配对,取最短距离Dm的30倍(设定的系数)作为阈值进行筛选点对。即,阈值=最短距离*阈值系数。筛选出彼此之间距离小于等于该阈值的配对点,即生成可靠的点对。
步骤7,获取将各配对点中的一个点变换到另一个点的转换矩阵,该转换矩阵求解的基于SVD进行。具体地,阈值剔除了不合适的配对点后,剩下的配对点认为是可靠配对。假设有m个可靠配对点,每个点P1i可以认为经过一个转换矩阵与P2i配对,能够将所有的P1i经一个转换矩阵变换到对应的P2i,该转换矩阵可以利用奇异值分解(SVD)或其他求解矩阵解的方法来求得。
步骤8,根据转换矩阵反推位置:将所述点云集合的中心点坐标除以所述转换矩阵,得到的坐标即为机器人位置。
本发明还提供了一种基于激光扫描数据定位机器人位置的***,参照图3所示,该***包括:
点云集合获取模块301,用于基于激光扫描数据获取点云集合;
直方图获取模块302,用于获取所述点云集合在X轴、Y轴、Z轴上的直方图分布信息;
均匀采样模块303,用于基于所述直方图分布信息获取所述点云集合的均匀采样尺度,并基于所述均匀采样尺度对所述点云集合进行均匀采样;
局部坐标系构造模块304,用于针对均匀采样后的所述点云集合中的每个点构造局部坐标系;
转换矩阵计算模块305,用于基于所述局部坐标系获取用于计算机器人位置的转换矩阵;
位置计算模块306,用于基于点云集合的中心点坐标、所述转换矩阵,计算机器人位置。
其中,转换矩阵计算模块305还用于:
计算所述点云集合中每个点的SHOT特征向量;
基于每个点的SHOT特征向量筛选出所述点云集合中的彼此距离小于等于距离阈值的配对点;
获取将各配对点中的一个点变换到另一个点的转换矩阵,并将该转换矩阵作为用于计算机器人位置的转换矩阵。
其中,所述均匀采样模块303还用于:
基于所述直方图分布信息,获取所述直方图中在X轴、Y轴、Z轴方向上超过设定阈值的点分布范围,获取在X轴、Y轴、Z轴上等分所述点分布范围的尺寸L1、L2、L3,以L1、L2、L3的均值作为均匀采样尺度对所述点云集合进行均匀采样。
其中,所述位置计算模块306还用于:
将所述点云集合的中心点坐标除以所述转换矩阵,得到的坐标即为机器人位置。
其中,所述直方图获取模块302还用于:
滤除所述点云集合中的孤立点,并获取滤除孤立点后的点云集合在X轴、Y轴、Z轴上的直方图分布信息。本发明提供的机器人定位方法和***,通过对激光扫描数据进行预处理,并基于构造的局部坐标系获取转换矩阵,来计算机器人当前位置,这样可以获得更高的定位精度。与可见光的定位方法相比,通过激光扫描数据进行定位的方法具有对光线不敏感,鲁棒性强的优势。此外,该方法还具有运行速度快、鲁棒性强等特点。
上面描述的内容可以单独地或者以各种方式组合起来实施,而这些变型方式都在本发明的保护范围之内。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案而非限制,仅仅参照较佳实施例对本发明进行了详细说明。本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于激光扫描数据定位机器人位置的方法,其特征在于,所述方法包括:
步骤1,基于激光扫描数据获取点云集合,并获取所述点云集合在X轴、Y轴、Z轴上的直方图分布信息;
步骤2,基于所述直方图分布信息获取所述点云集合的均匀采样尺度,并基于所述均匀采样尺度对所述点云集合进行均匀采样;
步骤3,针对均匀采样后的所述点云集合中的每个点构造局部坐标系,并基于所述局部坐标系获取用于计算机器人位置的转换矩阵;
步骤4,基于点云集合的中心点坐标、所述转换矩阵,计算机器人位置;
所述步骤2还包括:
基于所述直方图分布信息,获取所述直方图中在X轴、Y轴、Z轴方向上超过设定阈值的点分布范围,获取在X轴、Y轴、Z轴上均等分所述点分布范围的尺寸L1、L2、L3,以L1、L2、L3的均值作为均匀采样尺度对所述点云集合进行均匀采样;
其中,所述点分布范围是在X轴、Y轴、Z轴三个方向上直方图分布的峰值左右区域占75%的部分;
所述步骤1还包括:
滤除所述点云集合中的孤立点,并获取滤除孤立点后的点云集合在X轴、Y轴、Z轴上的直方图分布信息。
2.如权利要求1所述的定位机器人位置的方法,其特征在于,所述步骤3包括:
计算所述点云集合中每个点的SHOT特征向量;
基于每个点的SHOT特征向量筛选出所述点云集合中的彼此距离小于等于距离阈值的配对点;
获取将各配对点中的一个点变换到另一个点的转换矩阵,并将该转换矩阵作为用于计算机器人位置的转换矩阵。
3.如权利要求1所述的定位机器人位置的方法,其特征在于,所述步骤4还包括:
将所述点云集合的中心点坐标除以所述转换矩阵,得到的坐标即为机器人位置。
4.一种基于激光扫描数据定位机器人位置的***,其特征在于,所述***包括:
点云集合获取模块,用于基于激光扫描数据获取点云集合;
直方图获取模块,用于获取所述点云集合在X轴、Y轴、Z轴上的直方图分布信息;
均匀采样模块,用于基于所述直方图分布信息获取所述点云集合的均匀采样尺度,并基于所述均匀采样尺度对所述点云集合进行均匀采样;
局部坐标系构造模块,用于针对均匀采样后的所述点云集合中的每个点构造局部坐标系;
转换矩阵计算模块,用于基于所述局部坐标系获取用于计算机器人位置的转换矩阵;
位置计算模块,用于基于点云集合的中心点坐标、所述转换矩阵,计算机器人位置;
所述均匀采样模块还用于:
基于所述直方图分布信息,获取所述直方图中在X轴、Y轴、Z轴方向上超过设定阈值的点分布范围,获取在X轴、Y轴、Z轴上均等分所述点分布范围的尺寸L1、L2、L3,以L1、L2、L3的均值作为均匀采样尺度对所述点云集合进行均匀采样;
其中,所述点分布范围是在X轴、Y轴、Z轴三个方向上直方图分布的峰值左右区域占75%的部分;
所述直方图获取模块还用于:
滤除所述点云集合中的孤立点,并获取滤除孤立点后的点云集合在X轴、Y轴、Z轴上的直方图分布信息。
5.如权利要求4所述的定位机器人位置的***,其特征在于,转换矩阵计算模块还用于:
计算所述点云集合中每个点的SHOT特征向量;
基于每个点的SHOT特征向量筛选出所述点云集合中的彼此距离小于等于距离阈值的配对点;
获取将各配对点中的一个点变换到另一个点的转换矩阵,并将该转换矩阵作为用于计算机器人位置的转换矩阵。
6.如权利要求4所述的定位机器人位置的***,其特征在于,所述位置计算模块还用于:
将所述点云集合的中心点坐标除以所述转换矩阵,得到的坐标即为机器人位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711040110.0A CN107843261B (zh) | 2017-10-31 | 2017-10-31 | 一种基于激光扫描数据定位机器人位置的方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711040110.0A CN107843261B (zh) | 2017-10-31 | 2017-10-31 | 一种基于激光扫描数据定位机器人位置的方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107843261A CN107843261A (zh) | 2018-03-27 |
CN107843261B true CN107843261B (zh) | 2021-07-20 |
Family
ID=61681986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711040110.0A Expired - Fee Related CN107843261B (zh) | 2017-10-31 | 2017-10-31 | 一种基于激光扫描数据定位机器人位置的方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107843261B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009562A (zh) * | 2019-01-24 | 2019-07-12 | 北京航空航天大学 | 一种利用模板对粉碎性骨折三维模型进行拼接的方法 |
CN109917376B (zh) * | 2019-02-26 | 2021-08-06 | 东软睿驰汽车技术(沈阳)有限公司 | 一种定位方法及装置 |
WO2021114027A1 (zh) * | 2019-12-09 | 2021-06-17 | 深圳大学 | 一种基于sgh描述3d局部特征的3d形状匹配方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9811714B2 (en) * | 2013-08-28 | 2017-11-07 | Autodesk, Inc. | Building datum extraction from laser scanning data |
CN104732581A (zh) * | 2014-12-26 | 2015-06-24 | 东华大学 | 基于点特征直方图的移动场景点云精简算法 |
CN106092104B (zh) * | 2016-08-26 | 2019-03-15 | 深圳微服机器人科技有限公司 | 一种室内机器人的重定位方法及装置 |
-
2017
- 2017-10-31 CN CN201711040110.0A patent/CN107843261B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN107843261A (zh) | 2018-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108107444B (zh) | 基于激光数据的变电站异物识别方法 | |
CN110119438B (zh) | 基于主动学习的机载LiDAR点云滤波方法 | |
CN111428748A (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN110033484B (zh) | 一种结合uav影像和tls点云的高郁闭森林样地树高提取方法 | |
CN111612850B (zh) | 一种基于点云的猪只体尺参数测量方法 | |
CN107843261B (zh) | 一种基于激光扫描数据定位机器人位置的方法和*** | |
CN107560592B (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
Liu et al. | Fast power line detection and localization using steerable filter for active UAV guidance | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
CN107885224A (zh) | 基于三目立体视觉的无人机避障方法 | |
WO2021082380A1 (zh) | 一种基于激光雷达的托盘识别方法、***和电子设备 | |
KR101460313B1 (ko) | 시각 특징과 기하 정보를 이용한 로봇의 위치 추정 장치 및 방법 | |
JP2023530449A (ja) | 空中と地上の位置合わせのためのシステムおよび方法 | |
Lalonde et al. | Automatic three-dimensional point cloud processing for forest inventory | |
Arastounia et al. | Automatic extraction of insulators from 3D LiDAR data of an electrical substation | |
CN109993107B (zh) | 一种基于非迭代k均值算法的移动机器人障碍物视觉检测方法 | |
CN113534110B (zh) | 一种多激光雷达***静态标定方法 | |
CN114764885A (zh) | 障碍物的检测方法、装置、计算机可读存储介质和处理器 | |
CN111127667B (zh) | 基于区域曲率二进制描述符的点云初始配准方法 | |
CN111104861B (zh) | 用于确定电线位置的方法和设备以及存储介质 | |
Sun et al. | Identification and localization method of the insulator based on three-dimensional point cloud modeling | |
CN115761262A (zh) | 一种基于模板匹配的架空输电线路绝缘子识别方法 | |
Ren et al. | SAR image matching method based on improved SIFT for navigation system | |
Su | Vanishing points in road recognition: A review | |
Lari et al. | A novel hybrid approach for the extraction of linear/cylindrical features from laser scanning data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210720 Termination date: 20211031 |