CN109814564A - 目标对象的检测、避障方法、电子设备及存储介质 - Google Patents
目标对象的检测、避障方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109814564A CN109814564A CN201910088973.8A CN201910088973A CN109814564A CN 109814564 A CN109814564 A CN 109814564A CN 201910088973 A CN201910088973 A CN 201910088973A CN 109814564 A CN109814564 A CN 109814564A
- Authority
- CN
- China
- Prior art keywords
- floor
- depth image
- barrier
- electronic equipment
- target object
- 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.)
- Pending
Links
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明实施例涉及一种目标对象的检测、避障方法、电子设备及存储介质,包括实时获取深度图像;确定所述深度图像中的地面平面;基于所述地面平面对所述目标对象进行检测,每组深度图像均进行实时地面检测,保证每次检测均以实际的地面为参考依据,采用处理器强大计算能力辅助算法并行处理确定深度图像中的地面平面,提升计算效率,保证机器人在行进过程中检测目标对象的实时性。
Description
技术领域
本发明实施例涉及机器人领域,尤其涉及一种目标对象的检测、避障方法、电子设备及存储介质。
背景技术
在人机交互机器人的场景中需要解决定位,避障和决策的问题。目前的通用的避障传感器主要有激光,深度,红外,超声波等等。其中单线激光传感器检测纬度低,无法应对复杂环境,而多线雷达的成本较高;红外超声波的精度很低,更适用于玻璃等光学传感器不容易检测到的障碍。
发明内容
鉴于此,为解决上述技术问题或部分技术问题,本发明实施例提供了一种目标对象的检测、避障方法、电子设备及存储介质。
第一方面,本发明实施例提供一种基于实时地面检测的目标对象的检测方法,包括:
实时获取深度图像;
确定所述深度图像中的地面平面;
基于所述地面平面对所述目标对象进行检测。
在一个可能的实施方式中,所述确定所述深度图像中地面平面,包括:
将获取到的所述深度图像根据内参矩阵生成对应的点云图像;
根据标定后的外参矩阵对所述点云图像进行转换;
确定转换后的所述点云图像中的所述地面平面。
在一个可能的实施方式中,所述确定转换后的所述点云图像中的地面平面,包括:
基于设定的算法从转换后的所述点云图像选取与地面接近度最高的一层数据中确定地面平面;
其中,所述算法至少包括以下之一:
RANSAC算法、离散空间枚举算法,或最小二乘算法。
在一个可能的实施方式中,所述确定转换后的所述点云图像中的地面平面,包括:
采用处理器辅助所述算法并行处理确定所述地面平面;
其中,所述处理器至少包括以下之一:
图形处理器CPU、中央处理器CPU、现场可编程门阵列FGGA,或数字信号处理器DSP。
在一个可能的实施方式中,所述目标对象包括:障碍物;
所述基于所述地面平面对所述目标对象进行检测,包括:
将所述地面平面作为参考面,将超出所述地面平面部分中高度大于第一阈值的目标对象,确定为障碍物;
和/或,
将低于所述地面平面部分中深度大于第二阈值的目标对象,确定为障碍物。
在一个可能的实施方式中,所述标定后的外参矩阵通过以下方式获得:
在设定的训练场景下,通过图像采集装置采集多组深度图像,以及确定电子设备对应的里程信息;
基于所述深度图像和所述里程信息确定所述图像采集装置与所述电子设备中心点的标定后的外参矩阵。
在一个可能的实施方式中,所述基于所述深度图像和所述里程信息确定所述图像采集装置与所述电子设备中心点的标定后的外参矩阵,包括:
根据相邻的两组深度图像确定所述图像采集装置的运动轨迹;
根据所述运动轨迹与所述里程信息确定标定后的外参矩阵。
第二方面,本发明实施例提供一种避障方法,包括:
实时获取深度图像;
确定所述深度图像中的地面平面;
基于所述地面平面确定所述深度图像中对应的障碍物信息;
确定所述障碍物的信息在导航地图中对应的坐标信息;
根据所述坐标信息将深度图像中障碍物的标识投影到所述导航地图内。
在一个可能的实施方式中,所述方法,还包括:
根据所述导航地图内的障碍物的标识,确定电子设备的当前位置到目标地点的最优路径;
根据所述最优路径生成对所述电子设备的第一控制指令;
将所述第一控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第一控制指令将所述电子设备按照所述最优路径驱动至所述目标地点。
在一个可能的实施方式中,所述方法,还包括:
判断所述地面平面是否符合设定条件;
当确定所述地面平面不符合设定条件时,生成第二控制指令;
将所述第二控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第二控制指令控制所述电子设备减速或停止。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现如上述第一方面任一所述的目标对象的检测方法或上述第二方面任一所述的避障方法。
第四方面,本发明实施例提供一种存储介质,所述存储介质存储有一个或多个程序,所述一个或多个程序可被一个或多个处理器执行,以实现如上述第一方面任一所述的目标对象的检测方法或上述第二方面任一所述的避障方法。
本实施例提供的基于实时地面检测的目标对象的检测方法,通过实时获取深度图像;确定所述深度图像中的地面平面;基于所述地面平面对所述目标对象进行检测,每组深度图像均进行实时地面检测,保证每次检测均以实际的地面为参考依据,采用处理器强大计算能力辅助算法并行处理确定深度图像中的地面平面,提升计算效率,保证机器人在行进过程中检测目标对象的实时性。
附图说明
图1为本发明实施例提供的一种基于实时地面检测的目标对象的检测方法的步骤流程图;
图2为本发明实施例涉及的确定所述深度图像中的地面平面的步骤流程图;
图3为本发明实施例涉及的图像采集设备与机器人之间的标定后的外参矩阵的步骤流程图;
图4为本发明实施例提供的一种避障方法的流程示意图;
图5为本发明实施例涉及的导航地图的示意图;
图6为本发明实施例提供的一种基于实时地面检测的目标对象的检测装置的结构示意图;
图7为本发明实施例提供的一种避障装置的结构示意图;
图8为本发明实施例提供的一种电子设备结构示意图;
图9为本发明实施例提供的另一种电子设备结构示意图。
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。
为便于对本发明实施例的理解,下面将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本发明实施例的限定。
图1为本发明实施例提供的一种基于实时地面检测的目标对象的检测方法的步骤流程图,如图1所示,该方法包括:
S101、实时获取深度图像。
本实施例涉及的基于实时地面检测的目标对象的检测方法,应用于机器人在行进过程中的路况检测,机器人通过图像采集设备实时获取行进中机器人的前方路况的深度图像。
其中,图像采集设备可以是,但不限于:鱼眼相机。
S102、确定所述深度图像中的地面平面。
采用处理器对实时获取到的深度图像进行检测,确定深度图像中的地面平面,参照图2,具体包括如下子步骤:
S1021、将获取到的所述深度图像根据内参矩阵生成对应的点云图像。
采用处理器对深度图像进行降采样,根据图像采集设备的内参矩阵将降采样后的深度图像转化为3D点云图。
S1022、根据标定后的外参矩阵对所述点云图像进行转换。
标定后的外参矩阵为图像采集设备与机器人之间位置关系,采用标定后的外参矩阵对3D点云图进行转化。
具体地,采用标定后的外参矩阵将图像采集设备坐标系下的3D点云图转为为对应的机器人坐标下的3D点云图。
转化后的3D点云图可能与实际地面存在一定夹角,因此,在本实施例中对每次获取到的深度图像进行检测,确保每次目标对象的检测均以实时地面平面为参考,执行S1023确定每张深度图像中的地面平面。
S1023、确定转换后的所述点云图像中的所述地面平面。
具体地,基于设定的算法从转换后的所述点云图像选取与地面接近度最高的一层数据中确定地面平面,以及采用处理器辅助所述算法并行处理确定所述地面平面。
其中,所述算法至少包括以下之一:RANSAC算法、离散空间枚举算法,或最小二乘算法。
所述处理器至少包括以下之一:
图形处理器(Graphics Processing Unit,GPU)、中央处理器(CentralProcessing Unit,CPU)、现场可编程门阵列(Field-Programmable Gate Array,FPGA),或数字信号处理器(Digital Signal Processing,DSP)。
进一步地,当采用RANSAC算法时,基于RANSAC算法从转换后的所述点云图像选取与地面接近度最高的一层数据中确定地面平面(即,确定机器人坐标系下的地面平面对z=0),对转化后的3D点云图的每层数据进行分析,采用地面接近度最高的一层数据中确定地面平面,RANSAC算法确定地面平面的原理为采用多次计算确定最优解,因此,需要进行多次串行计算,在本实施例中为提升检测的实时性和准确性,采用处理器助算法并行处理确定所述地面平面,采用并行处理的方式,相比于串行处理的方式缩短了处理时间、保证实时性。上述提及的处理器可采用GPU,采用GPU辅助RANSAC算法确定地面平面,GPU强大计算能力可以同时并行处理RANSAC算法确定地面平面的多次计算方案,提升采用RANSAC算法确定地面平面的效率。
进一步地,当采用离散空间枚举算法时,采用离散空间枚举算法从接近度最高的一层数据中确定地面平面,将机器人行进间的角度和地面高度的变化进行离散化,根据GPU对离散化的结果进行处理,进而确定地面平面。
进一步地,当采用最小二乘算法时,采用最小二乘算法从接近度最高的一层数据中确定地面平面拟合确定地面平面,根据高速CPU辅助拟合确定地面平面。
需要说明的是,上述处理器可采用一种或几种的组合进行本实施例涉及的地面平面确定的相关步骤,如仅采用GPU作为执行主体,或者采用GPU和FPGA的组合等,可根据实际需求进行设定,对此,本实施例不作具体限定。
如,图像采集设备首次获取到的深度图像记作A1、后续采集到的深度图像依次记作A2、A3…An…;采用GPU辅助RANSAC算法分别确定A1中的地面平面为a1、A2中的地面平面为a2、A3中的地面平面为a3、…An中的地面平面为an…。
S103、基于所述地面平面对所述目标对象进行检测。
在本实施例中,目标对象可以是,但不限于:障碍物。
当目标对象为障碍物时,基于地面平面对障碍物的检测具体包括:
将所述地面平面作为参考面,将超出所述地面平面部分中高度大于第一阈值的目标对象,确定为障碍物;和/或,将低于所述地面平面部分中深度大于第二阈值的目标对象,确定为障碍物。
如,第一阈值和第一阈值可以相同,也可以不同,譬如第一阈值和第一阈值均为:5cm,以实时确定的地面平面为参考面,将高于地面平面5cm的对象确定为地上障碍物(如地表障碍物),将低于所述地面平面部分中深度大于5cm的对象确定为下地障碍物(如凹坑)。
本实施例提供的基于实时地面检测的目标对象的检测方法,通过实时获取深度图像;确定所述深度图像中的地面平面;基于所述地面平面对所述目标对象进行检测,每组深度图像均进行实时地面检测,保证每次检测均以实际的地面为参考依据,采用处理器强大计算能力辅助算法并行处理确定深度图像中的地面平面,提升计算效率,保证机器人在行进过程中检测目标对象的实时性。
参照图3,图像采集设备与机器人之间的标定后的外参矩阵,可通过如下步骤确定,具体包括:
S301、在设定的训练场景下,通过图像采集装置采集多组深度图像,以及确定电子设备对应的里程信息。
设定的训练场景可以是,但不限于:一个面积约10平米的空地,在该空地内分布有多条路径供机器人行驶,在每条路径上分别设置障碍物,设置障碍物的间隔可以是2米,障碍物的类型可以是能够阻止机器人行进的障碍物。
需要说明的是,训练的空地的大小、障碍物的间隔以及障碍物的类型可以根据实际需求进行设定,对此,本实施例不作具体限定。
在机器人上安装图像采集设备和里程计,并将机器人置于该空地内,规划机器人的行进路径,在机器人按照规划的路径行进时,图像采集设备采集多组深度图像,并在拍摄深度图像的同时记录机器人行进的里程信息。
S302、基于所述深度图像和所述里程信息确定所述图像采集装置与所述电子设备中心点的标定后的外参矩阵。
根据获取到的多组深度图像,确定每组深度图像中的地面平面(即,先将深度图像转化为3D点云图,并确定该3D点云图对应的地面平面方程),根据多组深度图像确定的多个地面平面确定图像采集设备运动的轨迹,根据该运动轨迹和里程计记录的机器人的里程信息可确定标定后的外参矩阵(在实际情况中图像采集设备运动的轨迹通过外参矩阵的转换的结果应于里程计记录的机器人的里程信息相等)。
具体地,根据相邻两组深度图像确定拍摄图片间隔内的图像采集装置的位置变化,通过累加拍摄过程中的每一个间隔的位置变化量得到采集装置的运动轨迹。
进一步地,标定后的外参矩阵为:
其,由一个4x4的矩阵其中有表示旋转的R矩阵(3x3)和空间三维的平移量t=[x,y,z]’组成。
进一步地,为提升标定后的外参矩阵的精准性,本实施例计算每组深度图像中机器人的位姿与里程计的残差,将残差值小于设定阈值时,即可认为图像采集设备与机器人的外参矩阵被标定好。
残差可以是:
图4为本发明实施例提供的一种避障方法的流程示意图,如图4所示,该方法具体包括:
S401、实时获取深度图像。
S402、确定所述深度图像中的地面平面。
S403、基于所述地面平面确定所述深度图像中对应的障碍物信息。
S401-S403与S101-S103中对障碍物检测的步骤实质相同,可参照上述图1中的相关描述,为简洁描述,在此不作赘述。
需要说明的是,在本实施例中的一可选方案中,增加对地面平面的判断步骤,具体包括:
判断所述地面平面是否符合设定条件;当确定所述地面平面不符合设定条件时,生成第二控制指令;将所述第二控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第二控制指令控制所述电子设备减速或停止。
判断所述地面平面是否符合设定条件具体包括:判断当前获取到的深度图像(An)中的地面平面an与上一个深度图像(An-1)中的地面平面an-1的相似度,或者判断当前获取到的深度图像(An)中的地面平面an与首个深度图像(A1)中的地面平面a1的相似度。
当确定的相似度小于设定阈值(如80%)时,即当前检测的地面平面失败,推断机器人此时出现严重的颠簸或者地面有巨大的倾斜、或者出现了近处较高的障碍物遮挡了视野,生成第二控制指令;将所述第二控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第二控制指令控制所述电子设备减速或停止。
S404、确定所述障碍物的信息在导航地图中对应的坐标信息。
障碍物的信息可以包括:障碍物距离机器人的距离、障碍物的类型等,根据障碍物距离机器人的距离以及机器人的GPS定位模块确定的当前机器人的坐标,根据当前机器人的坐标和障碍物距离机器人的距离确定障碍物位于导航地图中对应的坐标信息。
参照图5,如,机器人需要从B1位置行进到B2位置,此时需要经过的路径为:b1-b2-b3,在机器人b2路段遇到障碍物。
S405、根据所述坐标信息将深度图像中障碍物的标识投影到所述导航地图内。
S406、根据所述导航地图内的障碍物的标识,确定电子设备的当前位置到目标地点的最优路径。
在确定b2路段遇到障碍物时,重新规划除当前路径外从B1位置行进到B2位置的路径外,如将路径修改为由b2-c2-c3最终到达B2。
S407、根据所述最优路径生成对所述电子设备的第一控制指令。
S408、将所述第一控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第一控制指令将所述电子设备按照所述最优路径驱动至所述目标地点。
本实施例提供的基于实时地面检测的避障方法,通过实时获取深度图像;确定所述深度图像中的地面平面;基于所述地面平面确定所述深度图像中对应的障碍物信息;确定所述障碍物的信息在导航地图中对应的坐标信息;根据所述坐标信息将深度图像中障碍物的标识投影到所述导航地图内,根据所述导航地图内的障碍物的标识,确定电子设备的当前位置到目标地点的最优路径;根据所述最优路径生成对所述电子设备的第一控制指令;将所述第一控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第一控制指令将所述电子设备按照所述最优路径驱动至所述目标地点,保证每次检测均以实际的地面为参考依据,采用GPU强大计算能力辅助RANSAC算法确定深度图像中的地面平面,提升计算效率,保证机器人在行进过程中障碍物检测的实时性,当遇到障碍物时,自动重新规划路径,确保机器人及时移动至目标位置。
图6为本发明实施例提供的一种基于实时地面检测的目标对象的检测装置的结构示意图,如图6所示,该装置具体包括:
获取模块601,用于实时获取深度图像;
确定模块602,用于确定所述深度图像中的地面平面;
检测模块603,用于基于所述地面平面对所述目标对象进行检测。
可选地,所述确定模块602,具体用于将获取到的所述深度图像根据内参矩阵生成对应的点云图像;根据标定后的外参矩阵对所述点云图像进行转换;确定转换后的所述点云图像中的所述地面平面。
可选地,所述确定模块602,具体用于基于设定的算法从转换后的所述点云图像选取与地面接近度最高的一层数据中确定地面平面;其中,所述算法至少包括以下之一:RANSAC算法、离散空间枚举算法,或最小二乘算法。
可选地,所述确定模块602,具体用于采用处理器辅助所述算法并行处理确定所述地面平面;其中,所述处理器至少包括以下之一:图形处理器CPU、中央处理器CPU、现场可编程门阵列FGGA,或数字信号处理器DSP。
可选地,所述目标对象包括:障碍物;
所述检测模块603,具体用于将所述地面平面作为参考面,将超出所述地面平面部分中高度大于第一阈值的目标对象,确定为障碍物;和/或,将低于所述地面平面部分中深度大于第二阈值的目标对象,确定为障碍物。
可选地,所述装置还包括:标定模块604,用于在设定的训练场景下,通过图像采集装置采集多组深度图像,以及确定电子设备对应的里程信息;基于所述深度图像和所述里程信息确定所述图像采集装置与所述电子设备中心点的标定后的外参矩阵。
可选地,所述标定模块604,具体用于根据相邻的两组深度图像确定所述图像采集装置的运动轨迹;根据所述运动轨迹与所述里程信息确定标定后的外参矩阵。
本实施例提供的基于实时地面检测的目标对象的检测装置可以是如图8中所示的基于实时地面检测的目标对象的检测装置,可执行如图1中基于实时地面检测的目标对象的检测方法的所有步骤,进而实现图1所示基于实时地面检测的目标对象的检测方法的技术效果,具体请参照图1相关描述,为简洁描述,在此不作赘述。
图7为本发明实施例提供的一种避障装置的结构示意图,如图7所示,该装置具体包括:
获取模块701,用于实时获取深度图像;
确定模块702,用于确定所述深度图像中的地面平面;
所述确定模块702,还用于基于所述地面平面确定所述深度图像中对应的障碍物信息;
所述确定模块702,还用于确定所述障碍物的信息在导航地图中对应的坐标信息;
投影模块703,用于根据所述坐标信息将深度图像中障碍物的标识投影到所述导航地图内。
可选地,路径规划模块704,用于根据所述导航地图内的障碍物的标识,确定电子设备的当前位置到目标地点的最优路径;根据所述最优路径生成对所述电子设备的第一控制指令;将所述第一控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第一控制指令将所述电子设备按照所述最优路径驱动至所述目标地点。
可选地,判断模块705,用于判断所述地面平面是否符合设定条件;当确定所述地面平面不符合设定条件时,生成第二控制指令;将所述第二控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第二控制指令控制所述电子设备减速或停止。
本实施例提供的避障装置可以是如图7中所示的避障装置,可执行如图4中避障方法的所有步骤,进而实现图4所示避障方法的技术效果,具体请参照图4相关描述,为简洁描述,在此不作赘述。
图8为本发明实施例提供的一种电子设备结构示意图,如图8所示,该电子设备具体包括:
处理器810、存储器820和收发器830。
处理器810可以是图形处理器GPU、中央处理器(central processing unit,CPU),或者CPU和硬件芯片的组合。上述硬件芯片可以是专用集成电路(application-specificintegrated circuit,ASIC),可编程逻辑器件(programmable logic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device,CPLD),现场可编程门阵列(field-programmable gate array,FPGA),通用阵列逻辑(generic arraylogic,GAL)或其任意组合。
存储器820用于存储各种应用,操作***和数据。存储器820可以将存储的数据传输给处理器810。存储器820可以包括易失性存储器,非易失性动态随机存取内存(nonvolatile random access memory,NVRAM)、相变化随机存取内存(phase change RAM,PRAM)、磁阻式随机存取内存(magetoresistive RAM,MRAM)等,例如至少一个磁盘存储器件、电子可擦除可编程只读存储器(electrically erasable programmable read-onlymemory,EEPROM)、闪存器件,例如反或闪存(flash memory,NOR)或是反及闪存(flashmemory,NAND)、半导体器件,例如固态硬盘(solid state disk,SSD)等。存储器820还可以包括上述种类的存储器的组合。
收发器830,用于发送和/或接收数据,收发器830可以是天线等。
所述各器件的工作过程如下:
处理器810,用于实时获取深度图像;
所述处理器810,还用于确定所述深度图像中的地面平面;
所述处理器810,还用于基于所述地面平面对所述目标对象进行检测。
可选地,所述处理器810,具体用于将获取到的所述深度图像根据内参矩阵生成对应的点云图像;根据标定后的外参矩阵对所述点云图像进行转换;确定转换后的所述点云图像中的所述地面平面。
可选地,所述处理器810,具体用于基于设定的算法从转换后的所述点云图像选取与地面接近度最高的一层数据中确定地面平面;其中,所述算法至少包括以下之一:RANSAC算法、离散空间枚举算法,或最小二乘算法。
可选地,所述处理器810,具体用于采用处理器辅助所述算法并行处理确定所述地面平面;其中,所述处理器至少包括以下之一:图形处理器CPU、中央处理器CPU、现场可编程门阵列FGGA,或数字信号处理器DSP。
可选地,所述目标对象包括:障碍物;
所述处理器810,具体用于将所述地面平面作为参考面,将超出所述地面平面部分中高度大于第一阈值的目标对象,确定为障碍物;和/或,将低于所述地面平面部分中深度大于第二阈值的目标对象,确定为障碍物。
可选地,所述处理器810,具体用于在设定的训练场景下,通过图像采集装置采集多组深度图像,以及确定电子设备对应的里程信息;基于所述深度图像和所述里程信息确定所述图像采集装置与所述电子设备中心点的标定后的外参矩阵。
可选地,所述处理器810,具体用于根据相邻的两组深度图像确定所述图像采集装置的运动轨迹;根据所述运动轨迹与所述里程信息确定标定后的外参矩阵。
本实施例提供的电子设备可以是如图8中所示的电子设备,可执行如图1中基于实时地面检测的目标对象的检测方法的所有步骤,进而实现图1所示基于实时地面检测的目标对象的检测方法的技术效果,具体请参照图1相关描述,为简洁描述,在此不作赘述。
图9为本发明实施例提供的另一种电子设备结构示意图,如图9所示,该定位设备具体包括:
处理器910、存储器920和收发器930。
处理器910与图8所示的处理器810、存储器920与图8所示的存储器820、收发器930与图8所示的收发器830类似,为简洁描述,在此不作赘述。
所述各器件的工作过程如下:
处理器910,用于实时获取深度图像;
所述处理器910,还用于确定所述深度图像中的地面平面;
所述处理器910,还用于基于所述地面平面确定所述深度图像中对应的障碍物信息;
所述处理器910,还用于确定所述障碍物的信息在导航地图中对应的坐标信息;
所述处理器910,还用于根据所述坐标信息将深度图像中障碍物的标识投影到所述导航地图内。
可选地,所述处理器910,还用于根据所述导航地图内的障碍物的标识,确定电子设备的当前位置到目标地点的最优路径;根据所述最优路径生成对所述电子设备的第一控制指令;
收发器930,用于将所述第一控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第一控制指令将所述电子设备按照所述最优路径驱动至所述目标地点。
可选地,所述处理器910,还用于判断所述地面平面是否符合设定条件;当确定所述地面平面不符合设定条件时,生成第二控制指令;
所述收发器930,还用于将所述第二控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第二控制指令控制所述电子设备减速或停止。
本实施例提供的电子设备可以是如图9中所示的电子设备,可执行如图4中避障方法的所有步骤,进而实现图4所示避障方法的技术效果,具体请参照图4相关描述,为简洁描述,在此不作赘述。
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中,存储介质可以包括易失性存储器,例如随机存取存储器;存储器也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行,以实现上述在基于实时地面检测的目标对象的检测设备侧执行的基于实时地面检测的目标对象的检测方法。
所述处理器用于执行存储器中存储的基于实时地面检测的目标对象的检测程序,以实现以下在基于实时地面检测的目标对象的检测设备侧执行的基于实时地面检测的目标对象的检测方法的步骤:
实时获取深度图像;
确定所述深度图像中的地面平面;
基于所述地面平面对所述目标对象进行检测。
可选地,将获取到的所述深度图像根据内参矩阵生成对应的点云图像;
根据标定后的外参矩阵对所述点云图像进行转换;
确定转换后的所述点云图像中的所述地面平面。
可选地,基于设定的算法从转换后的所述点云图像选取与地面接近度最高的一层数据中确定地面平面;其中,所述算法至少包括以下之一:RANSAC算法、离散空间枚举算法,或最小二乘算法。
可选地,采用处理器辅助所述算法并行处理确定所述地面平面;其中,所述处理器至少包括以下之一:
图形处理器CPU、中央处理器CPU、现场可编程门阵列FGGA,或数字信号处理器DSP。
可选地,所述目标对象包括:障碍物;
将所述地面平面作为参考面,将超出所述地面平面部分中高度大于第一阈值的目标对象,确定为障碍物;
和/或,
将低于所述地面平面部分中深度大于第二阈值的目标对象,确定为障碍物。
可选地,在设定的训练场景下,通过图像采集装置采集多组深度图像,以及确定电子设备对应的里程信息;
基于所述深度图像和所述里程信息确定所述图像采集装置与所述电子设备中心点的标定后的外参矩阵。
可选地,根据相邻的两组深度图像确定所述图像采集装置的运动轨迹;
根据所述运动轨迹与所述里程信息确定标定后的外参矩阵。
本发明实施例还提供了另一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中,存储介质可以包括易失性存储器,例如随机存取存储器;存储器也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行,以实现上述在避障设备侧执行的避障方法。
所述处理器用于执行存储器中存储的避障程序,以实现以下在避障设备侧执行的避障方法的步骤:
实时获取深度图像;
确定所述深度图像中的地面平面;
基于所述地面平面确定所述深度图像中对应的障碍物信息;
确定所述障碍物的信息在导航地图中对应的坐标信息;
根据所述坐标信息将深度图像中障碍物的标识投影到所述导航地图内。
可选地,根据所述导航地图内的障碍物的标识,确定电子设备的当前位置到目标地点的最优路径;
根据所述最优路径生成对所述电子设备的第一控制指令;
将所述第一控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第一控制指令将所述电子设备按照所述最优路径驱动至所述目标地点。
可选地,判断所述地面平面是否符合设定条件;
当确定所述地面平面不符合设定条件时,生成第二控制指令;
将所述第二控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第二控制指令控制所述电子设备减速或停止。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种基于实时地面检测的目标对象的检测方法,其特征在于,包括:
实时获取深度图像;
确定所述深度图像中的地面平面;
基于所述地面平面对所述目标对象进行检测。
2.根据权利要求1所述的方法,其特征在于,所述确定所述深度图像中地面平面,包括:
将获取到的所述深度图像根据内参矩阵生成对应的点云图像;
根据标定后的外参矩阵对所述点云图像进行转换;
确定转换后的所述点云图像中的所述地面平面。
3.根据权利要求2所述的方法,其特征在于,所述确定转换后的所述点云图像中的地面平面,包括:
基于设定的算法从转换后的所述点云图像选取与地面接近度最高的一层数据中确定地面平面;
其中,所述算法至少包括以下之一:
RANSAC算法、离散空间枚举算法,或最小二乘算法。
4.根据权利要求3所述的方法,其特征在于,所述确定转换后的所述点云图像中的地面平面,包括:
采用处理器辅助所述算法并行处理确定所述地面平面;
其中,所述处理器至少包括以下之一:
图形处理器CPU、中央处理器CPU、现场可编程门阵列FGGA,或数字信号处理器DSP。
5.根据权利要求1-4任一所述的方法,其特征在于,所述目标对象包括:障碍物;
所述基于所述地面平面对所述目标对象进行检测,包括:
将所述地面平面作为参考面,将超出所述地面平面部分中高度大于第一阈值的目标对象,确定为障碍物;
和/或,
将低于所述地面平面部分中深度大于第二阈值的目标对象,确定为障碍物。
6.根据权利要求2所述的方法,其特征在于,所述标定后的外参矩阵通过以下方式获得:
在设定的训练场景下,通过图像采集装置采集多组深度图像,以及确定电子设备对应的里程信息;
基于所述深度图像和所述里程信息确定所述图像采集装置与所述电子设备中心点的标定后的外参矩阵。
7.根据权利要求6所述的方法,其特征在于,所述基于所述深度图像和所述里程信息确定所述图像采集装置与所述电子设备中心点的标定后的外参矩阵,包括:
根据相邻的两组深度图像确定所述图像采集装置的运动轨迹;
根据所述运动轨迹与所述里程信息确定标定后的外参矩阵。
8.一种避障方法,其特征在于,包括:
实时获取深度图像;
确定所述深度图像中的地面平面;
基于所述地面平面确定所述深度图像中对应的障碍物信息;
确定所述障碍物的信息在导航地图中对应的坐标信息;
根据所述坐标信息将深度图像中障碍物的标识投影到所述导航地图内。
9.根据权利要求8所述的方法,其特征在于,所述方法,还包括:
根据所述导航地图内的障碍物的标识,确定电子设备的当前位置到目标地点的最优路径;
根据所述最优路径生成对所述电子设备的第一控制指令;
将所述第一控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第一控制指令将所述电子设备按照所述最优路径驱动至所述目标地点。
10.根据权利要求8所述的方法,其特征在于,所述方法,还包括:
判断所述地面平面是否符合设定条件;
当确定所述地面平面不符合设定条件时,生成第二控制指令;
将所述第二控制指令发送给所述电子设备的驱动电机,以使所述驱动电机根据所述第二控制指令控制所述电子设备减速或停止。
11.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现如权利要求1至7任一所述的目标对象的检测方法或权利要求8至10任一所述的避障方法。
12.一种存储介质,其特征在于,所述存储介质存储有一个或多个程序,所述一个或多个程序可被一个或多个处理器执行,以实现如权利要求1至7任一所述的目标对象的检测方法或权利要求8至10任一所述的避障方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910088973.8A CN109814564A (zh) | 2019-01-29 | 2019-01-29 | 目标对象的检测、避障方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910088973.8A CN109814564A (zh) | 2019-01-29 | 2019-01-29 | 目标对象的检测、避障方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109814564A true CN109814564A (zh) | 2019-05-28 |
Family
ID=66605789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910088973.8A Pending CN109814564A (zh) | 2019-01-29 | 2019-01-29 | 目标对象的检测、避障方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109814564A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377031A (zh) * | 2019-06-28 | 2019-10-25 | 炬星科技(深圳)有限公司 | 运动模型更新方法、装置、电子设备及存储介质 |
CN110622085A (zh) * | 2019-08-14 | 2019-12-27 | 珊口(深圳)智能科技有限公司 | 移动机器人及其控制方法和控制*** |
CN111046776A (zh) * | 2019-12-06 | 2020-04-21 | 杭州成汤科技有限公司 | 基于深度相机的移动机器人行进路径障碍物检测的方法 |
CN111521184A (zh) * | 2020-04-13 | 2020-08-11 | 轻客小觅机器人科技(成都)有限公司 | 一种扫地机器人的建图方法、装置及*** |
CN112034863A (zh) * | 2020-09-21 | 2020-12-04 | 北京洛必德科技有限公司 | 地面性质信息的检测方法及装置、计算机设备 |
CN112318496A (zh) * | 2019-08-05 | 2021-02-05 | 乐歆机器人(东莞)有限公司 | 一种基于深度摄像机的视觉运动通道的构建***及方法 |
WO2021072720A1 (zh) * | 2019-10-17 | 2021-04-22 | 深圳市大疆创新科技有限公司 | 获取雷达位置的方法、雷达以及可移动平台 |
CN113252066A (zh) * | 2020-02-13 | 2021-08-13 | 纳恩博(北京)科技有限公司 | 里程计设备参数的标定方法及装置、存储介质、电子装置 |
WO2022011826A1 (zh) * | 2020-07-15 | 2022-01-20 | 上海炬佑智能科技有限公司 | ToF相机及其地面障碍物检测方法、地面导航设备 |
CN114424240A (zh) * | 2019-11-12 | 2022-04-29 | Oppo广东移动通信有限公司 | 一种目标检测方法及装置、设备、存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1617170A (zh) * | 2003-09-19 | 2005-05-18 | 索尼株式会社 | 环境识别设备及方法,路径规划设备及方法以及机器人 |
CN104899869A (zh) * | 2015-05-14 | 2015-09-09 | 浙江大学 | 基于rgb-d相机和姿态传感器的平面和障碍检测方法 |
CN105074600A (zh) * | 2013-02-27 | 2015-11-18 | 夏普株式会社 | 周围环境识别装置、使用其的自主移动***以及周围环境识别方法 |
CN106017320A (zh) * | 2016-05-30 | 2016-10-12 | 燕山大学 | 一种基于图像处理的散杂货堆体积测量方法及实现所述方法的*** |
CN107016705A (zh) * | 2016-01-05 | 2017-08-04 | 德州仪器公司 | 计算机视觉***中的地平面估计 |
CN107179768A (zh) * | 2017-05-15 | 2017-09-19 | 上海木爷机器人技术有限公司 | 一种障碍物识别方法及装置 |
CN107862719A (zh) * | 2017-11-10 | 2018-03-30 | 未来机器人(深圳)有限公司 | 相机外参的标定方法、装置、计算机设备和存储介质 |
US20180107218A1 (en) * | 2015-08-17 | 2018-04-19 | X Development Llc | Ground Plane Detection to Verify Depth Sensor Status for Robot Navigation |
CN108872991A (zh) * | 2018-05-04 | 2018-11-23 | 上海西井信息科技有限公司 | 目标物检测与识别方法、装置、电子设备、存储介质 |
CN108932737A (zh) * | 2018-06-15 | 2018-12-04 | 深圳地平线机器人科技有限公司 | 车载相机俯仰角标定方法和装置、电子设备以及车辆 |
CN109214348A (zh) * | 2018-09-19 | 2019-01-15 | 北京极智嘉科技有限公司 | 一种障碍物检测方法、装置、设备及存储介质 |
-
2019
- 2019-01-29 CN CN201910088973.8A patent/CN109814564A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1617170A (zh) * | 2003-09-19 | 2005-05-18 | 索尼株式会社 | 环境识别设备及方法,路径规划设备及方法以及机器人 |
CN105074600A (zh) * | 2013-02-27 | 2015-11-18 | 夏普株式会社 | 周围环境识别装置、使用其的自主移动***以及周围环境识别方法 |
CN104899869A (zh) * | 2015-05-14 | 2015-09-09 | 浙江大学 | 基于rgb-d相机和姿态传感器的平面和障碍检测方法 |
US20180107218A1 (en) * | 2015-08-17 | 2018-04-19 | X Development Llc | Ground Plane Detection to Verify Depth Sensor Status for Robot Navigation |
CN107016705A (zh) * | 2016-01-05 | 2017-08-04 | 德州仪器公司 | 计算机视觉***中的地平面估计 |
CN106017320A (zh) * | 2016-05-30 | 2016-10-12 | 燕山大学 | 一种基于图像处理的散杂货堆体积测量方法及实现所述方法的*** |
CN107179768A (zh) * | 2017-05-15 | 2017-09-19 | 上海木爷机器人技术有限公司 | 一种障碍物识别方法及装置 |
CN107862719A (zh) * | 2017-11-10 | 2018-03-30 | 未来机器人(深圳)有限公司 | 相机外参的标定方法、装置、计算机设备和存储介质 |
CN108872991A (zh) * | 2018-05-04 | 2018-11-23 | 上海西井信息科技有限公司 | 目标物检测与识别方法、装置、电子设备、存储介质 |
CN108932737A (zh) * | 2018-06-15 | 2018-12-04 | 深圳地平线机器人科技有限公司 | 车载相机俯仰角标定方法和装置、电子设备以及车辆 |
CN109214348A (zh) * | 2018-09-19 | 2019-01-15 | 北京极智嘉科技有限公司 | 一种障碍物检测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王雪峰: "基于视觉-里程计融合的移动机器人定位算法研究", 《中国硕士学位论文全文数据库 信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377031B (zh) * | 2019-06-28 | 2022-06-10 | 炬星科技(深圳)有限公司 | 运动模型更新方法、装置、电子设备及存储介质 |
CN110377031A (zh) * | 2019-06-28 | 2019-10-25 | 炬星科技(深圳)有限公司 | 运动模型更新方法、装置、电子设备及存储介质 |
CN112318496A (zh) * | 2019-08-05 | 2021-02-05 | 乐歆机器人(东莞)有限公司 | 一种基于深度摄像机的视觉运动通道的构建***及方法 |
CN110622085A (zh) * | 2019-08-14 | 2019-12-27 | 珊口(深圳)智能科技有限公司 | 移动机器人及其控制方法和控制*** |
WO2021026831A1 (zh) * | 2019-08-14 | 2021-02-18 | 珊口(深圳)智能科技有限公司 | 移动机器人及其控制方法和控制*** |
US11042760B2 (en) | 2019-08-14 | 2021-06-22 | Ankobot (Shanghai) Smart Technologies Co., Ltd. | Mobile robot, control method and control system thereof |
WO2021072720A1 (zh) * | 2019-10-17 | 2021-04-22 | 深圳市大疆创新科技有限公司 | 获取雷达位置的方法、雷达以及可移动平台 |
CN114424240A (zh) * | 2019-11-12 | 2022-04-29 | Oppo广东移动通信有限公司 | 一种目标检测方法及装置、设备、存储介质 |
CN111046776A (zh) * | 2019-12-06 | 2020-04-21 | 杭州成汤科技有限公司 | 基于深度相机的移动机器人行进路径障碍物检测的方法 |
CN111046776B (zh) * | 2019-12-06 | 2023-06-09 | 杭州成汤科技有限公司 | 基于深度相机的移动机器人行进路径障碍物检测的方法 |
CN113252066A (zh) * | 2020-02-13 | 2021-08-13 | 纳恩博(北京)科技有限公司 | 里程计设备参数的标定方法及装置、存储介质、电子装置 |
CN113252066B (zh) * | 2020-02-13 | 2024-04-09 | 纳恩博(北京)科技有限公司 | 里程计设备参数的标定方法及装置、存储介质、电子装置 |
CN111521184A (zh) * | 2020-04-13 | 2020-08-11 | 轻客小觅机器人科技(成都)有限公司 | 一种扫地机器人的建图方法、装置及*** |
WO2022011826A1 (zh) * | 2020-07-15 | 2022-01-20 | 上海炬佑智能科技有限公司 | ToF相机及其地面障碍物检测方法、地面导航设备 |
CN112034863A (zh) * | 2020-09-21 | 2020-12-04 | 北京洛必德科技有限公司 | 地面性质信息的检测方法及装置、计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109814564A (zh) | 目标对象的检测、避障方法、电子设备及存储介质 | |
CN109345596B (zh) | 多传感器标定方法、装置、计算机设备、介质和车辆 | |
US10496093B2 (en) | Movement control system, movement control device, and computer-implemented program for movement control | |
US11852729B2 (en) | Ground intensity LIDAR localizer | |
US20220236735A1 (en) | Method of navigating a vehicle and system thereof | |
CN109492507B (zh) | 红绿灯状态的识别方法及装置、计算机设备及可读介质 | |
US9495602B2 (en) | Image and map-based detection of vehicles at intersections | |
CN110377025A (zh) | 用于自动驾驶车辆的传感器聚合框架 | |
KR20180093934A (ko) | 자율 시각 내비게이션 | |
JP6456405B2 (ja) | 3次元情報算出装置、3次元情報算出方法、および自律移動装置 | |
CN109429518A (zh) | 基于地图图像的自动驾驶交通预测 | |
CN112539749B (zh) | 机器人导航方法、机器人、终端设备及存储介质 | |
CN108271408A (zh) | 使用被动和主动测量生成场景的三维地图 | |
CN108628324A (zh) | 基于矢量地图的无人车导航方法、装置、设备及存储介质 | |
CN109737971B (zh) | 车载辅助导航定位***、方法、设备及存储介质 | |
US11567497B1 (en) | Systems and methods for perceiving a field around a device | |
US11295521B2 (en) | Ground map generation | |
CN109859260A (zh) | 确定车位位置的方法、装置及计算机可读存储介质 | |
CN110119138A (zh) | 用于自动驾驶车辆的自定位方法、***和机器可读介质 | |
CN106598063A (zh) | 无人飞行器及飞行控制方法 | |
CN110390240A (zh) | 自动驾驶车辆中的车道后处理 | |
CN105890610B (zh) | 车辆跟踪导航方法及装置 | |
CN109895100A (zh) | 一种导航地图的生成方法、装置及机器人 | |
CN106292656A (zh) | 一种环境建模方法及装置 | |
CN112348845B (zh) | 用于停车位检测和跟踪的***和方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |