CN109947097B - 一种基于视觉和激光融合的机器人定位方法及导航应用 - Google Patents
一种基于视觉和激光融合的机器人定位方法及导航应用 Download PDFInfo
- Publication number
- CN109947097B CN109947097B CN201910166225.7A CN201910166225A CN109947097B CN 109947097 B CN109947097 B CN 109947097B CN 201910166225 A CN201910166225 A CN 201910166225A CN 109947097 B CN109947097 B CN 109947097B
- Authority
- CN
- China
- Prior art keywords
- laser scanning
- laser
- robot
- scanning device
- image capturing
- 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.)
- Active
Links
Images
Landscapes
- Measurement Of Optical Distance (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于视觉和激光融合的机器人定位方法及导航应用,利用融合激光扫描装置高精度的深度信息与图像捕获装置丰富的场景信息,将其结合起来,共同用于障碍物的检测,这种障碍物检测方法不仅具备二维激光雷达平面探测范围广、精度高、实时性好的特点,而且兼有深度图像捕获装置三维探测的优势,两者融合能够更精准实现机器人的定位,提高机器人的移动效率。
Description
技术领域
本发明涉及一种基于视觉和激光融合的机器人定位方法及导航应用,属于多传感器数据融合技术领域。
背景技术
近年来,人工智能技术不断发展,也带动了机器人产业的发展,使得机器人从原来的的主要面向工业应用逐渐向物流、服务等贴近人们生活的方向。机器人领域技术的研究是当今时代科研和应用中的热点。机器人正在向医疗、工业制造、航空航天、军事和民用服务多方面渗透。随着科技的迅速发展,机器人的应用前景非常广阔,特别是在人口老龄化加剧、生活节奏加快、人们对生活质量要求更高的未来,服务机器人必将更多地走进人类的生活,成为人类生产、生活中的重要帮手。机器人的行走是依靠其自身对其前方路况进行分析,并获得行走路线的,但是现有机器人的障碍物分析方法比较单一,智能化水平有限,进而使得分析准确性低,这也是影响机器人发展的重要因素之一。
发明内容
本发明所要解决的技术问题是提供一种基于视觉和激光融合的机器人定位方法,能够克服传统单一定位方式所造成的精度低问题,有效提高了机器人的行走效率。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于视觉和激光融合的机器人定位方法,应用设置于机器人上的图像捕获装置和激光扫描装置,实现机器人自身的定位,其中,图像捕获装置的主光轴指向与激光扫描装置的主光轴指向同向,所述机器人定位方法包括如下:
首先执行如下步骤A至步骤B,完成初始化;
步骤A.获取图像捕获装置所采集的图像、以及激光扫描装置所采集的激光扫描数据,分别作为相机样本图像与激光样本数据,然后进入步骤B;
步骤B.根据相机样本图像与激光样本数据,建立图像捕获装置所对应坐标系与激光扫描装置所对应坐标系之间的转换模型,作为坐标转换模型,用于图像捕获装置所采集图像与激光扫描装置所采集激光扫描数据之间的转换;
然后实时执行如下步骤C操作,实现机器人自身的定位;
步骤C.根据图像捕获装置所采集图像、以及对应视觉里程,激光扫描装置所采集的激光扫描数据、以及对应激光里程,结合坐标转换模型,分机器人运动状态实现定位。
作为本发明的一种优选技术方案,所述步骤B包括如下步骤:
步骤B1.基于图像捕获装置主光轴指向与激光扫描装置主光轴指向同向,针对图像捕获装置所采集图像中与激光扫描装置所采集激光扫描数据中的同一个目标P,初始化目标P在图像捕获装置所对应坐标系Oc-XcYcZc下的坐标(Xc,Yc,Zc),以及初始化目标P在激光扫描装置所对应坐标系Ol-XlYlZl下的坐标(Xl,Yl,Zl),然后进入步骤B2;
步骤B2.建立图像捕获装置所对应坐标系与激光扫描装置所对应坐标系之间的坐标关系如下:
其中,R代表旋转矩阵,T代表平移矩阵;坐标(Xc,Yc,Zc)对应于图像捕获装置的采集数据为目标P在所采集图像的平面坐标系中的投影P'的坐标(u,v),以及该投影P'所对应的深度值Zc;坐标(Xl,Yl,Zl)对应于激光扫描装置的采集数据为目标P距激光扫描装置工作端的距离r、以及目标P所对应的激光束偏角值α;然后进入步骤B3;
步骤B3.构建坐标(Xc,Yc,Zc)与像素点三元组之间的关系如下:
其中,fx、fy分别是图像捕获装置所对应坐标系中X轴和Y轴方向上、以像素为单位的等效焦距,cx、cy是图像捕获装置所采集图像的基准点,然后进入步骤B4;
步骤B4.构建坐标(Xl,Yl,Zl)与像素点三元组之间的关系如下:
其中,激光扫描装置所对应坐标系与平面直角坐标系在同一个平面内,原点为激光扫描装置中心;激光扫描装置的激光束与Zl轴正向夹角为极坐标角度α,即目标P所对应的激光束偏角值;激光扫描装置激光束测距值为极坐标径向值r,即目标P距激光扫描装置工作端的距离;然后进入步骤B5;
步骤B5.获得激光测距点二元组(r,α)与坐标(Xl,Yl,Zl)的关系如下:
Zl=rcos(α),Xl=rsin(α) (4)
根据投影P'所对应的图像坐标(u,v),保持激光扫描装置坐标原点与图像捕获装置坐标原点在Y轴方向的垂直高度差为l,则有像素点三元组(u,v,Zc)与激光雷达测距点二元组(r,α)的关系如下:
将多对像素点三元组和测距点二元组代入式(5),通过求解线性方程组获得旋转矩阵R和平移矩阵T,进而确定图像捕获装置所对应坐标系与激光扫描装置所对应坐标系之间的旋转平移关系,获得坐标转换模型。
作为本发明的一种优选技术方案,所述步骤C中,根据图像捕获装置所采集图像、以及对应视觉里程,激光扫描装置所采集的激光扫描数据、以及对应激光里程,结合坐标转换模型,按如下各种机器人的运动状态,分别实现定位;
运动状态(1).当机器人处于静止状态时,舍弃图像捕获装置所采集图像,根据激光扫描装置所采集的激光扫描数据、以及对应激光里程,实现机器人定位;
运动状态(2).当机器人处于运动状态时,首先由图像捕获装置采集环境的RGB图像,对RGB图像进行灰度变换,获取该灰度图像的SURF特征点、以及所对应的特征向量Ri,然后计算特征向量Ri上每个SURF特征点分别与特征向量Ri之间的欧式距离,将欧式距离作为SURF特征点的相似性度量标准,使用KNN搜索算法,在数据库中查找最邻近特征点,根据最邻近特征点所属的特征模板,统计出特征向量Ri与每个特征模板匹配到最邻近特征点的个数M;
判断M是否小于预设特征点个数阈值,是则舍弃图像捕获装置所采集图像,根据激光扫描装置所采集的激光扫描数据、以及对应激光里程,实现机器人定位;否则按如下步骤C(2)-1至步骤步骤C(2)-3,实现机器人定位:
步骤C(2)-1.根据激光扫描装置所采集的激光扫描数据、以及对应激光里程,获得激光扫描装置所对应坐标系下的定位结果X1,同时,根据图像捕获装置所采集的图像、以及对应视觉里程,获得图像捕获装置所对应坐标系下的定位结果,然后进入步骤C(2)-2;
步骤C(2)-2.根据所述坐标转换模型,将图像捕获装置所对应坐标系下的定位结果,转换至激光扫描装置所对应坐标系下,获得该定位结果X2,然后进入步骤C(2)-3;
步骤C(2)-3.按如下公式:
X=αX1+βX2
针对定位结果X1和定位结果X2进行加权,获得定位结果X,即实现机器人定位;其中,α表示激光扫描装置定位结果所对应预设权重,β表示图像捕获装置定位结果所对应预设权重。
作为本发明的一种优选技术方案:所述图像捕获装置为深度图像捕获装置。
作为本发明的一种优选技术方案:所述激光扫描装置为二维激光扫描装置。
与上述相对应,本发明还要解决的技术问题是提供一种基于视觉和激光融合的机器人定位方法的导航应用,能够高效实现障碍物侦测,保证导航路径规划,提高机器人行走效率。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于视觉和激光融合的机器人定位方法的导航应用,包括如下步骤D至步骤E:
步骤D.通过所述图像捕获装置实时所采集图像、以及对应视觉里程,激光扫描装置实时所采集的激光扫描数据、以及对应激光里程,获得机器人正前方预设距离内是否存在障碍物的信息,作为机器人正前方路况,并进入步骤E;
步骤E.基于机器人的实时定位,实时根据目标点,以及机器人正前方路况,实时获得机器人至目标点的导航路径规划结果,并按该导航路径规划结果,控制机器人行进。
本发明所述一种基于视觉和激光融合的机器人定位方法及导航应用,采用以上技术方案与现有技术相比,具有以下技术效果:
本发明所设计基于视觉和激光融合的机器人定位方法及导航应用,利用融合激光扫描装置高精度的深度信息与图像捕获装置丰富的场景信息,将其结合起来,共同用于障碍物的检测,这种障碍物检测方法不仅具备二维激光雷达平面探测范围广、精度高、实时性好的特点,而且兼有深度图像捕获装置三维探测的优势,两者融合能够更精准实现机器人的定位,提高机器人的移动效率。
附图说明
图1是本发明设计基于视觉和激光融合的机器人定位方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种基于视觉和激光融合的机器人定位方法,应用设置于机器人上的图像捕获装置和激光扫描装置,实现机器人自身的定位,其中,图像捕获装置的主光轴指向与激光扫描装置的主光轴指向同向,实际应用中,图像捕获装置为深度图像捕获装置,并具体可以选择Kinect相机,激光扫描装置为二维激光扫描装置。
Kinect相机能以简捷方式和较低成本提供环境深度数据。利用这一优点,本文提出在移动机器人上同时安装二维激光雷达和Kinect相机,把激光扫描和深度图像结合起来检测障碍物。这种障碍物检测方法不仅具备二维激光雷达平面探测范围广、精度高、实时性好的特点,而且兼有Kinect深度相机三维探测的优势。
Kinect相机相比于激光雷达可以获得丰富的色彩、纹理、形状等场景信息,便于进行图像处理操作。激光雷达与相机相比具有深度信息精度高,视场范围大,数据处理简单等优势,然而其只能获得离散的点云数据。激光雷达高精度的深度信息与Kinect相机丰富的场景信息具有很强的互补性,结合起来检测障碍物。这种障碍物检测方法不仅具备二维激光雷达平面探测范围广、精度高、实时性好的特点,而且兼有Kinect深度相机三维探测的优势。两者融合能够更精准地进行移动机器人的位姿估计,提高机器人的行走效率。
本发明所设计一种基于视觉和激光融合的机器人定位方法,在实际应用当中,如图1所示,机器人定位方法包括如下。
首先执行如下步骤A至步骤B,完成初始化。
步骤A.获取图像捕获装置所采集的图像、以及激光扫描装置所采集的激光扫描数据,分别作为相机样本图像与激光样本数据,然后进入步骤B。
步骤B.根据相机样本图像与激光样本数据,建立图像捕获装置所对应坐标系与激光扫描装置所对应坐标系之间的转换模型,作为坐标转换模型,用于图像捕获装置所采集图像与激光扫描装置所采集激光扫描数据之间的转换。
上述步骤B在实际应用中,具体包括如下步骤B1至步骤B5,实现坐标转换模型的获得,用于图像捕获装置所采集图像与激光扫描装置所采集激光扫描数据之间的转换。
步骤B1.基于图像捕获装置主光轴指向与激光扫描装置主光轴指向同向,针对图像捕获装置所采集图像中与激光扫描装置所采集激光扫描数据中的同一个目标P,初始化目标P在图像捕获装置所对应坐标系Oc-XcYcZc下的坐标(Xc,Yc,Zc),以及初始化目标P在激光扫描装置所对应坐标系Ol-XlYlZl下的坐标(Xl,Yl,Zl),然后进入步骤B2。
步骤B2.建立图像捕获装置所对应坐标系与激光扫描装置所对应坐标系之间的坐标关系如下:
其中,R代表旋转矩阵,T代表平移矩阵;坐标(Xc,Yc,Zc)对应于图像捕获装置的采集数据为目标P在所采集图像的平面坐标系中的投影P'的坐标(u,v),以及该投影P'所对应的深度值Zc;坐标(Xl,Yl,Zl)对应于激光扫描装置的采集数据为目标P距激光扫描装置工作端的距离r、以及目标P所对应的激光束偏角值α;然后进入步骤B3。
步骤B3.构建坐标(Xc,Yc,Zc)与像素点三元组之间的关系如下:
其中,fx、fy分别是图像捕获装置所对应坐标系中X轴和Y轴方向上、以像素为单位的等效焦距,cx、cy是图像捕获装置所采集图像的基准点,然后进入步骤B4。
步骤B4.构建坐标(Xl,Yl,Zl)与像素点三元组之间的关系如下:
其中,激光扫描装置所对应坐标系与平面直角坐标系在同一个平面内,原点为激光扫描装置中心;激光扫描装置的激光束与Zl轴正向夹角为极坐标角度α,即目标P所对应的激光束偏角值;激光扫描装置激光束测距值为极坐标径向值r,即目标P距激光扫描装置工作端的距离;然后进入步骤B5。
步骤B5.获得激光测距点二元组(r,α)与坐标(Xl,Yl,Zl)的关系如下:
Zl=rcos(α),Xl=rsin(α) (4)
根据投影P'所对应的图像坐标(u,v),保持激光扫描装置坐标原点与图像捕获装置坐标原点在Y轴方向的垂直高度差为l,则有像素点三元组(u,v,Zc)与激光雷达测距点二元组(r,α)的关系如下:
将多对像素点三元组和测距点二元组代入式(5),通过求解线性方程组获得旋转矩阵R和平移矩阵T,进而确定图像捕获装置所对应坐标系与激光扫描装置所对应坐标系之间的旋转平移关系,获得坐标转换模型。
然后实时执行如下步骤C操作,实现机器人自身的定位。
步骤C.根据图像捕获装置所采集图像、以及对应视觉里程,激光扫描装置所采集的激光扫描数据、以及对应激光里程,结合坐标转换模型,分机器人运动状态实现定位。
实际应用中,上述步骤C根据图像捕获装置所采集图像、以及对应视觉里程,激光扫描装置所采集的激光扫描数据、以及对应激光里程,结合坐标转换模型,按如下各种机器人的运动状态,分别实现定位。
运动状态(1).当机器人处于静止状态时,舍弃图像捕获装置所采集图像,根据激光扫描装置所采集的激光扫描数据、以及对应激光里程,实现机器人定位。
运动状态(2).当机器人处于运动状态时,首先由图像捕获装置采集环境的RGB图像,对RGB图像进行灰度变换,获取该灰度图像的SURF特征点、以及所对应的特征向量Ri,然后计算特征向量Ri上每个SURF特征点分别与特征向量Ri之间的欧式距离,将欧式距离作为SURF特征点的相似性度量标准,使用KNN搜索算法,在数据库中查找最邻近特征点,根据最邻近特征点所属的特征模板,统计出特征向量Ri与每个特征模板匹配到最邻近特征点的个数M。
判断M是否小于预设特征点个数阈值,是则舍弃图像捕获装置所采集图像,根据激光扫描装置所采集的激光扫描数据、以及对应激光里程,实现机器人定位;否则按如下步骤C(2)-1至步骤步骤C(2)-3,实现机器人定位。
步骤C(2)-1.根据激光扫描装置所采集的激光扫描数据、以及对应激光里程,获得激光扫描装置所对应坐标系下的定位结果X1,同时,根据图像捕获装置所采集的图像、以及对应视觉里程,获得图像捕获装置所对应坐标系下的定位结果,然后进入步骤C(2)-2。
步骤C(2)-2.根据所述坐标转换模型,将图像捕获装置所对应坐标系下的定位结果,转换至激光扫描装置所对应坐标系下,获得该定位结果X2,然后进入步骤C(2)-3。
步骤C(2)-3.按如下公式:
X=αX1+βX2
针对定位结果X1和定位结果X2进行加权,获得定位结果X,即实现机器人定位;其中,α表示激光扫描装置定位结果所对应预设权重,β表示图像捕获装置定位结果所对应预设权重。
基于上述所设计的基于视觉和激光融合的机器人定位方法,本发明可以进一步对其实现导航应用,即在实际应用当中,具体执行如下步骤D至步骤E。
步骤D.通过所述图像捕获装置实时所采集图像、以及对应视觉里程,激光扫描装置实时所采集的激光扫描数据、以及对应激光里程,获得机器人正前方预设距离内是否存在障碍物的信息,作为机器人正前方路况,并进入步骤E。
步骤E.基于机器人的实时定位,实时根据目标点,以及机器人正前方路况,实时获得机器人至目标点的导航路径规划结果,并按该导航路径规划结果,控制机器人行进。
上述技术方案所设计基于视觉和激光融合的机器人定位方法及导航应用,利用融合激光扫描装置高精度的深度信息与图像捕获装置丰富的场景信息,将其结合起来,共同用于障碍物的检测,这种障碍物检测方法不仅具备二维激光雷达平面探测范围广、精度高、实时性好的特点,而且兼有深度图像捕获装置三维探测的优势,两者融合能够更精准实现机器人的定位,提高机器人的移动效率。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于视觉和激光融合的机器人定位方法,其特征在于:应用设置于机器人上的图像捕获装置和激光扫描装置,实现机器人自身的定位,其中,图像捕获装置的主光轴指向与激光扫描装置的主光轴指向同向,所述机器人定位方法包括如下:
首先执行如下步骤A至步骤B,完成初始化;
步骤A.获取图像捕获装置所采集的图像、以及激光扫描装置所采集的激光扫描数据,分别作为相机样本图像与激光样本数据,然后进入步骤B;
步骤B.根据相机样本图像与激光样本数据,建立图像捕获装置所对应坐标系与激光扫描装置所对应坐标系之间的转换模型,作为坐标转换模型,用于图像捕获装置所采集图像与激光扫描装置所采集激光扫描数据之间的转换;
然后实时执行如下步骤C操作,实现机器人自身的定位;
步骤C.根据图像捕获装置所采集图像、以及对应视觉里程,激光扫描装置所采集的激光扫描数据、以及对应激光里程,结合坐标转换模型,分机器人运动状态实现定位;
上述步骤C中,根据图像捕获装置所采集图像、以及对应视觉里程,激光扫描装置所采集的激光扫描数据、以及对应激光里程,结合坐标转换模型,按如下各种机器人的运动状态,分别实现定位;
运动状态(1).当机器人处于静止状态时,舍弃图像捕获装置所采集图像,根据激光扫描装置所采集的激光扫描数据、以及对应激光里程,实现机器人定位;
运动状态(2).当机器人处于运动状态时,首先由图像捕获装置采集环境的RGB图像,对RGB图像进行灰度变换,获得灰度图像,并获取该灰度图像的SURF特征点、以及所对应的特征向量Ri,然后计算特征向量Ri上每个SURF特征点分别与特征向量Ri之间的欧式距离,将欧式距离作为SURF特征点的相似性度量标准,使用KNN搜索算法,在数据库中查找最邻近特征点,根据最邻近特征点所属的特征模板,统计出特征向量Ri与每个特征模板匹配到最邻近特征点的个数M;
判断M是否小于预设特征点个数阈值,是则舍弃图像捕获装置所采集图像,根据激光扫描装置所采集的激光扫描数据、以及对应激光里程,实现机器人定位;否则按如下步骤C(2)-1至步骤C(2)-3,实现机器人定位:
步骤C(2)-1.根据激光扫描装置所采集的激光扫描数据、以及对应激光里程,获得激光扫描装置所对应坐标系下的定位结果X1,同时,根据图像捕获装置所采集的图像、以及对应视觉里程,获得图像捕获装置所对应坐标系下的定位结果,然后进入步骤C(2)-2;
步骤C(2)-2.根据所述坐标转换模型,将图像捕获装置所对应坐标系下的定位结果,转换至激光扫描装置所对应坐标系下的定位结果X2,然后进入步骤C(2)-3;
步骤C(2)-3.按如下公式:
X=αX1+βX2
针对定位结果X1和定位结果X2进行加权,获得定位结果X,即实现机器人定位;其中,α表示激光扫描装置定位结果所对应预设权重,β表示图像捕获装置定位结果所对应预设权重。
2.根据权利要求1所述一种基于视觉和激光融合的机器人定位方法,其特征在于,所述步骤B包括如下步骤:
步骤B1.基于图像捕获装置主光轴指向与激光扫描装置主光轴指向同向,针对图像捕获装置所采集图像中与激光扫描装置所采集激光扫描数据中的同一个目标P,初始化目标P在图像捕获装置所对应坐标系Oc-XcYcZc下的坐标(Xc,Yc,Zc),以及初始化目标P在激光扫描装置所对应坐标系Ol-XlYlZl下的坐标(Xl,Yl,Zl),然后进入步骤B2;
步骤B2.建立图像捕获装置所对应坐标系与激光扫描装置所对应坐标系之间的坐标关系如下:
其中,R代表旋转矩阵,T代表平移矩阵;坐标(Xc,Yc,Zc)对应于图像捕获装置的采集数据为目标P在所采集图像的平面坐标系中的投影P'的坐标(u,v),以及该投影P'所对应的深度值Zc;坐标(Xl,Yl,Zl)对应于激光扫描装置的采集数据为目标P距激光扫描装置工作端的距离r、以及目标P所对应的激光束偏角值α;然后进入步骤B3;
步骤B3.构建坐标(Xc,Yc,Zc)与像素点三元组之间的关系如下:
其中,fx、fy分别是图像捕获装置所对应坐标系中X轴和Y轴方向上、以像素为单位的等效焦距,cx、cy是图像捕获装置所采集图像的基准点,然后进入步骤B4;
步骤B4.构建坐标(Xl,Yl,Zl)与像素点三元组之间的关系如下:
其中,激光扫描装置所对应坐标系与平面直角坐标系在同一个平面内,原点为激光扫描装置中心;激光扫描装置的激光束与Zl轴正向夹角为极坐标角度α,即目标P所对应的激光束偏角值;激光扫描装置激光束测距值为极坐标径向值r,即目标P距激光扫描装置工作端的距离;然后进入步骤B5;
步骤B5.获得激光测距点二元组(r,α)与坐标(Xl,Yl,Zl)的关系如下:
Zl=rcos(α),Xl=rsin(α) (4)
根据投影P'所对应的图像坐标(u,v),保持激光扫描装置坐标原点与图像捕获装置坐标原点在Y轴方向的垂直高度差为l,则有像素点三元组(u,v,Zc)与激光雷达测距点二元组(r,α)的关系如下:
将多对像素点三元组和测距点二元组代入式(5),通过求解线性方程组获得旋转矩阵R和平移矩阵T,进而确定图像捕获装置所对应坐标系与激光扫描装置所对应坐标系之间的旋转平移关系,获得坐标转换模型。
3.根据权利要求1所述一种基于视觉和激光融合的机器人定位方法,其特征在于:所述图像捕获装置为深度图像捕获装置。
4.根据权利要求1所述一种基于视觉和激光融合的机器人定位方法,其特征在于:所述激光扫描装置为二维激光扫描装置。
5.一种基于权利要求1所述一种基于视觉和激光融合的机器人定位方法的导航应用,其特征在于,包括如下步骤D至步骤E:
步骤D.通过所述图像捕获装置实时所采集图像、以及对应视觉里程,激光扫描装置实时所采集的激光扫描数据、以及对应激光里程,获得机器人正前方预设距离内是否存在障碍物的信息,作为机器人正前方路况,并进入步骤E;
步骤E.基于机器人的实时定位,实时根据目标点,以及机器人正前方路况,实时获得机器人至目标点的导航路径规划结果,并按该导航路径规划结果,控制机器人行进。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910166225.7A CN109947097B (zh) | 2019-03-06 | 2019-03-06 | 一种基于视觉和激光融合的机器人定位方法及导航应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910166225.7A CN109947097B (zh) | 2019-03-06 | 2019-03-06 | 一种基于视觉和激光融合的机器人定位方法及导航应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109947097A CN109947097A (zh) | 2019-06-28 |
CN109947097B true CN109947097B (zh) | 2021-11-02 |
Family
ID=67008339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910166225.7A Active CN109947097B (zh) | 2019-03-06 | 2019-03-06 | 一种基于视觉和激光融合的机器人定位方法及导航应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109947097B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320912A (zh) * | 2019-07-10 | 2019-10-11 | 苏州欧博智慧机器人有限公司 | 激光与视觉slam融合的agv定位导航装置及方法 |
CN110568861B (zh) * | 2019-09-19 | 2022-09-16 | 中国电子科技集团公司电子科学研究院 | 一种人机运动障碍物监测方法、可读存储介质和无人机 |
CN112631266A (zh) * | 2019-09-20 | 2021-04-09 | 杭州海康机器人技术有限公司 | 一种移动机器人感知障碍信息的方法、装置 |
WO2021092805A1 (zh) * | 2019-11-13 | 2021-05-20 | 中新智擎科技有限公司 | 一种多模态数据融合方法、装置及智能机器人 |
CN110823171B (zh) * | 2019-11-15 | 2022-03-25 | 北京云迹科技股份有限公司 | 一种机器人定位方法、装置及存储介质 |
CN111856441B (zh) * | 2020-06-09 | 2023-04-25 | 北京航空航天大学 | 一种基于视觉与毫米波雷达融合的列车定位方法 |
CN112083726B (zh) * | 2020-09-04 | 2021-11-23 | 湖南大学 | 一种面向园区自动驾驶的双滤波器融合定位*** |
CN112233184B (zh) * | 2020-09-08 | 2021-06-22 | 东南大学 | 基于图像配准的激光雷达与相机标定参数校正方法及装置 |
CN112034861A (zh) * | 2020-09-15 | 2020-12-04 | 航天科工智能机器人有限责任公司 | 一种仿生自主机器人自主避障***及其避障方法 |
CN112200865B (zh) * | 2020-09-30 | 2023-01-03 | 张成林 | 物体定位方法及物体定位装置 |
CN113110451B (zh) * | 2021-04-14 | 2023-03-14 | 浙江工业大学 | 一种深度相机与单线激光雷达融合的移动机器人避障方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106705964A (zh) * | 2017-01-06 | 2017-05-24 | 武汉大学 | 全景相机融合imu、激光扫描仪定位与导航***及方法 |
CN108073167A (zh) * | 2016-11-10 | 2018-05-25 | 深圳灵喵机器人技术有限公司 | 一种基于深度相机与激光雷达的定位与导航方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9470548B2 (en) * | 2011-01-31 | 2016-10-18 | Agency For Defense Development | Device, system and method for calibration of camera and laser sensor |
-
2019
- 2019-03-06 CN CN201910166225.7A patent/CN109947097B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073167A (zh) * | 2016-11-10 | 2018-05-25 | 深圳灵喵机器人技术有限公司 | 一种基于深度相机与激光雷达的定位与导航方法 |
CN106705964A (zh) * | 2017-01-06 | 2017-05-24 | 武汉大学 | 全景相机融合imu、激光扫描仪定位与导航***及方法 |
Non-Patent Citations (4)
Title |
---|
Kinect与二维激光雷达结合的机器人障碍检测;肖宇峰;《电子科技大学学报》;20180531;第47卷(第3期);第338页左侧第2段-第340页右侧第1段,图1,图3-图4 * |
何珍 等.多目视觉与激光组合导航AGV精确定位技术研究.《仪器仪表学报》.2017,第38卷(第11期),第2831页左侧第3段-第2837页右侧第1段,图1-图3,图7. * |
基于激光与视觉相结合的清洁机器人室内定位与导航;李俭;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180215;全文 * |
多目视觉与激光组合导航AGV精确定位技术研究;何珍 等;《仪器仪表学报》;20171130;第38卷(第11期);第2831页左侧第3段-第2837页右侧第1段,图1-图3,图7 * |
Also Published As
Publication number | Publication date |
---|---|
CN109947097A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947097B (zh) | 一种基于视觉和激光融合的机器人定位方法及导航应用 | |
CN110097553B (zh) | 基于即时定位建图与三维语义分割的语义建图*** | |
CN109345588B (zh) | 一种基于Tag的六自由度姿态估计方法 | |
CN105809687B (zh) | 一种基于图像中边沿点信息的单目视觉测程方法 | |
CN109598765B (zh) | 基于球形标定物的单目相机与毫米波雷达外参联合标定方法 | |
CN111914715B (zh) | 一种基于仿生视觉的智能车目标实时检测与定位方法 | |
CN109993793B (zh) | 视觉定位方法及装置 | |
CN112070770B (zh) | 一种高精度三维地图与二维栅格地图同步构建方法 | |
CN108519102B (zh) | 一种基于二次投影的双目视觉里程计算方法 | |
Wang et al. | A unified framework for mutual improvement of SLAM and semantic segmentation | |
CN108171715B (zh) | 一种图像分割方法及装置 | |
CN115421158B (zh) | 自监督学习的固态激光雷达三维语义建图方法与装置 | |
Rituerto et al. | Comparison of omnidirectional and conventional monocular systems for visual SLAM | |
CN111292369B (zh) | 激光雷达的伪点云数据生成方法 | |
CN112132900B (zh) | 一种视觉重定位方法及*** | |
CN116879870A (zh) | 一种适用于低线束3d激光雷达的动态障碍物去除方法 | |
CN109544584B (zh) | 一种实现巡检稳像精度测量的方法及*** | |
Sun et al. | Automatic targetless calibration for LiDAR and camera based on instance segmentation | |
CN113985435A (zh) | 一种融合多激光雷达的建图方法及*** | |
Li et al. | Feature point extraction and tracking based on a local adaptive threshold | |
Sen et al. | SceneCalib: Automatic targetless calibration of cameras and LiDARs in autonomous driving | |
CN114677531B (zh) | 一种融合多模态信息的水面无人艇目标检测与定位方法 | |
CN112002008A (zh) | 一种整合光学和视觉智能技术的三维物体检测装置和方法 | |
CN115482282A (zh) | 自动驾驶场景下具有多目标追踪能力的动态slam方法 | |
Wang et al. | Online drone-based moving target detection system in dense-obstructer environment |
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 |