CN110503040A - 障碍物检测方法及装置 - Google Patents
障碍物检测方法及装置 Download PDFInfo
- Publication number
- CN110503040A CN110503040A CN201910782214.1A CN201910782214A CN110503040A CN 110503040 A CN110503040 A CN 110503040A CN 201910782214 A CN201910782214 A CN 201910782214A CN 110503040 A CN110503040 A CN 110503040A
- Authority
- CN
- China
- Prior art keywords
- point
- score value
- strength
- difference
- measurement point
- 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.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
- B25J9/1676—Avoiding collision or forbidden zones
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种障碍物检测方法及装置。该障碍物检测方法包括:获取移动机器人行进方向上的点云信息;根据所述点云信息获取若干测量点的距离信息和强度信息;根据各所述距离信息和各所述强度信息计算各所述测量点的曲率分值和强度变化率分值;根据各所述测量点的曲率分值和强度变化率分值确定障碍物的位置信息。本申请通过距离信息和强度信息来计算曲率分值和强度变化率分值,然后根据曲率分值和强度变化率分值确定障碍物的位置信息;由于障碍物的不同特征点于点云空间内的曲率、强度不同,所以利用曲率分值和强度变化率分值来获取障碍物位置信息可以避免由于采用深度算法导致的误差和不稳定的问题,实现稳定可靠的障碍物检测。
Description
技术领域
本发明涉及机器人领域,特别是涉及一种障碍物检测方法及装置。
背景技术
用于移动机器人的障碍物检测方法有很多种,其使用的各类传感器也各具特点,其中:基于红外线或者超声波测距传感器检测范围太小,只能针对单点或者多点的障碍物检测,无法直接得到整个障碍物映射到二维平面上的轮廓位置;2D激光雷达只能够检测在单一水平面上的障碍物,无法检测到低于2D激光雷达平面或者悬空高于平面的障碍物;3D激光雷达价格昂贵,无法广泛应用于障碍物检测;对于上述传感器存在的各种问题,通过采用立体相机可以进行有效的解决。
但是目前已有的立体相机障碍物检测,一般直接使用双目计算深度的算法获得障碍物特征点的空间坐标,然后直接根据特征点的空间坐标判断是否为障碍物,由于深度计算存在误差和不稳定性,因此此类方法无法实现稳定可靠地检测障碍物,亦无法适应复杂的环境。
发明内容
基于此,有必要针对上述问题,提供一种障碍物检测方法及装置。
一种障碍物检测方法,所述方法包括:
获取移动机器人行进方向上的点云信息;
根据所述点云信息获取若干测量点的距离信息和强度信息;
根据各所述距离信息和各所述强度信息计算各所述测量点的曲率分值和强度变化率分值;
根据各所述测量点的曲率分值和强度变化率分值确定障碍物的位置信息。
在其中一个实施例中,所述根据所述距离信息和所述强度信息计算若干测量点的曲率分值和强度变化率分值的步骤,包括:
根据所述距离信息确定与各所述测量点对应的前点和后点;其中,所述前点和所述后点沿第一方向上的距离大于一预设距离阈值;所述第一方向与所述移动机器人的行进方向相同;
根据各所述测量点及其对应的前点和后点计算各所述测量点的曲率分值;
确定各所述测量点及其对应的前点和后点的强度信息;
根据确定后的所述各所述测量点及其对应的前点和后点的强度信息计算各所述测量点的强度变化率分值。
在其中一个实施例中,所述曲率分值的计算步骤,包括:
获取一测量点与其前点、后点分别于所述第一方向上的距离差值;其中,将所述测量点与其前点于所述第一方向上的距离差值记为第一距离差值;将所述测量点与其后点于所述第一方向上的距离差值记为第二距离差值;
获取所述测量点与其前点、后点分别于第二方向上的距离差值;其中,所述第二方向与所述移动机器人高度的延伸方向相同,所述第二方向垂直于所述第一方向;将所述测量点与其前点于所述第二方向上的距离差值记为第三距离差值;将所述测量点与其后点于所述第二方向上的距离差值记为第四距离差值;
根据所述第一距离差值和所述第三距离差值获取所述测量点与其前点的连线与所述第一方向之间的夹角;其中,所述夹角记为第一夹角;
根据所述第二距离差值和所述第四距离差值获取所述测量点与其后点的连线与所述第一方向之间的夹角;其中,所述夹角记为第二夹角;
获取所述第一夹角与所述第二夹角之间的差值;
根据所述第一夹角与所述第二夹角之间的差值与预设的差值阈值获取所述曲率分值。
在其中一个实施例中,所述曲率分值的计算公式为:
其中,CP表示所述第一夹角与所述第二夹角之间的差值;Cmax表示所述第一夹角与所述第二夹角之间的差值的阈值;scored表示曲率分值。
在其中一个实施例中,所述强度变化率分值的计算步骤,包括:
获取强度信息确定后的所述测量点与其前点、后点的强度差值;其中,将所述测量点与其前点的强度差值记为第一强度差值;将所述测量点与其后点的强度差值记为第二强度差值;
根据所述第一强度差值、所述测量点的强度信息及所述前点的强度信息获取所述测量点和所述前点的归一化强度差;其中,将所述测量点和所述前点的归一化强度差记为第一强度差;
根据所述第二强度差值、所述测量点的强度信息及所述后点的强度信息获取所述测量点和所述后点的归一化强度差;其中,将所述测量点和所述后点的归一化强度差记为第二强度差;
根据所述第一强度差和所述第二强度差获取所述强度变化率分值。
在其中一个实施例中,所述强度变化率分值的计算公式为:
scorei=min(1,Ip)
其中,IP=max(β+,β-),β+表示第一强度差,β-表示第二强度差;scorei表示强度变换率分值。
在其中一个实施例中,所述根据各所述测量点的曲率分值和强度变化率分值确定所述障碍物的位置信息的步骤,包括:
根据各所述测量点的曲率分值和强度变化率分值计算各所述测量点为障碍物特征点的分值;
将各所述测量点投影至一参考平面;其中,所述参考平面垂直于所述第二方向;
以所述参考平面为基准建立栅格地图;
获取各所述测量点于所述栅格地图下的栅格坐标;
对各所述栅格坐标构成的栅格图像进行开运算再闭运算处理;
判断处理后的各所述栅格坐标对应的障碍物特征点的分值是否超出对应的预设分值阈值,若是,则将高于预设分值阈值的栅格坐标作为所述障碍物的位置信息。
在其中一个实施例中,所述障碍物特征点的分值的计算公式为:
其中,score表示障碍物特征点的分值;scored表示测量点的曲率分值;scorei表示测量点的强度变化率分值。
在其中一个实施例中,所述障碍物检测方法还包括:
对每一次计算的各所述测量点为障碍物特征点的分值进行记录;
用每一次记录到的新的障碍物特征点的分值对之前记录的障碍物特征点的分值进行替换;其中,用于替换的新的障碍物特征点的分值满足大于之前记录的障碍物特征点的分值。
基于同样的发明构思,本申请还提供一种障碍物检测装置,所述装置包括移动机器人和障碍物检测模块;
所述障碍物检测模块设于与所述移动机器人行进方向相同的一侧;
所述障碍物检测模块用于执行如前述所述的障碍物检测方法。
在其中一个实施例中,所述障碍物检测模块包括一图像采集装置,所述图像采集装置用于获取所述移动机器人行进方向上的点云信息。
在其中一个实施例中,所述图像采集装置为立体相机。
上述障碍物检测方法及装置,通过获取移动机器人行进方向上的点云信息;然后根据所述点云信息获取若干测量点的距离信息和强度信息;根据各所述距离信息和各所述强度信息计算各所述测量点的曲率分值和强度变化率分值;根据各所述测量点的曲率分值和强度变化率分值确定障碍物的位置信息。也就是说,本申请通过利用点云信息来获取若干测量点的距离信息和强度信息,然后通过距离信息和强度信息来计算曲率分值和强度变化率分值,最后根据曲率分值和强度变化率分值确定障碍物的位置信息;由于障碍物的不同特征点于点云空间内的曲率、强度会有所不同,所以利用曲率分值和强度变化率分值来获取障碍物位置信息可以避免由于采用深度算法导致的误差和不稳定的问题,实现稳定可靠的障碍物检测。
附图说明
图1为一实施例中的障碍物检测方法流程图;
图2为图1中步骤S106的子步骤实现流程图;
图3为图2中步骤S204的子步骤实现流程图;
图4为图2中步骤S208的子步骤实现流程图;
图5为另一实施例中的障碍物检测方法流程图;
图6为示例性技术中的障碍物检测示意图;
图7为本申请一实施例中的障碍物检测示意图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳实施方式。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本申请的公开内容理解的更加透彻全面。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本申请。
请先参阅图6,为示例性技术中的障碍物检测示意图。图中,AGV表示移动机器人,虚线的矩形202表示2D激光雷达,有填充部分的矩形302表示障碍物,如图所示,采用2D激光雷达202的移动机器人AGV所能探测到的仅是障碍物映射到二维空间上的轮廓位置,并且还需要障碍物位于激光雷达202的探测平面上,而位于探测平面以上或以下的障碍物302却无法被有效的检测出来。对于采用2D激光雷达传感器存在的问题,传统的避障技术中已经存在采用立体相机进行有效的解决。
但是目前已有的立体相机障碍物检测,一般直接使用双目计算深度的算法来获得障碍物特征点的空间坐标,然后直接根据特征点的空间坐标判断是否为障碍物,由于深度计算存在误差和不稳定性,因此此类方法无法实现稳定可靠地检测障碍物,亦无法适应复杂的环境。
基于此,本申请希望提供一种能够解决上述技术问题的技术方案,具体将通过以下实施例进行详细阐述。
请先参阅图7,为本申请一实施例中的障碍物检测示意图。其主要涉及一种障碍物检测装置,该障碍物检测装置包括移动机器人(图7未示)和障碍物检测模块(图7未示),具体地,本申请的移动机器人可以为AGV(Automated Guided Vehicle,无人搬运车),为了便于理解和说明,本申请以下实施例中均以移动机器人为AGV进行说明。如图所示,障碍物检测模块可以设于与所述移动机器人行进方向相同的一侧,所述障碍物检测模块可以包括一图像采集装置210,所述图像采集装置210用于获取所述移动机器人AGV行进方向上的点云信息,具体地,本申请的图像采集装置210可以为立体相机;进一步地,该立体相机可以为双目立体相机,也可以为TOF相机,还可以为RGB-D相机,本申请对此不做进一步限定。点云信息也称为点云,“点云”通常是指在获取物体表面每个采样点的空间坐标后,得到的多个点的集合。现有用于获取点云的扫描仪器有三维激光扫描仪和照相式扫描仪;三维激光扫描仪主要根据激光测量原理得到点云,点云中可以包括三维坐标(X,Y,Z)和激光反射强度,通过三维激光式扫描仪获取的点云中的各点均具有对应的三维坐标和反射强度;而照相式扫描仪主要根据摄影测量原理得到点云,点云中也具有三维坐标(X,Y,Z),不同之处是还具有颜色信息(RGB),通过照相式扫描仪获取的点云中的各点均具有对应的三维坐标和颜色信息。本申请由于采用立体相机,所以其原理主要为摄影测量原理,故,本申请通过立体相机获取的点云中包含有三维坐标(X,Y,Z)和颜色信息(RGB)。基于具有TOF相机的障碍物检测模块还可以用于执行一种障碍物检测方法,其具体将通过以下实施例进行描述。
请参阅图1,为一实施例中的障碍物检测方法流程图。该障碍物检测方法可以包括步骤S102-S108。
步骤S102,获取移动机器人行进方向上的点云信息。
步骤S104,根据所述点云信息获取若干测量点的距离信息和强度信息。
具体地,由前述障碍物检测装置的描述可知,本申请可通过在移动机器人上设置立体相机来获取行进方向上的点云信息。并且根据前述障碍物检测装置关于点云信息的描述,其可以通过现有的立体相机直接输出,而本具体实施例中,只需要从立体相机输出的点云信息中获取若干测量点的距离信息和强度信息,其中,本申请的测量点可以选取有效测量点,也即是非噪声点,从而能进一步提高稳定性;该强度信息可以理解为图像数据中各测量点的灰度值(灰度值与颜色信息RGB相关),该距离信息可以理解为各测量点与立体相机之间的距离,可通过各测量点的三维坐标进行计算。
步骤S106,根据各所述距离信息和各所述强度信息计算各所述测量点的曲率分值和强度变化率分值。
具体地,请参阅图2,同时辅助参阅图7。如图7所示,为了便于描述,本申请以其中一个测量点P为例进行说明,图7中,P-表示前点,P+表示后点;α-表示第一夹角;α+表示第二夹角。该步骤S106可以包括子步骤S202-S208。
步骤S202,根据所述距离信息确定与各所述测量点对应的前点和后点;其中,所述前点和所述后点沿第一方向上的距离大于一预设距离阈值;所述第一方向与所述移动机器人的行进方向相同。
具体地,请参阅图7,根据所述距离信息可以确定空间多个测量点的坐标,由于障碍物表面通常不是规则的,也就是说,存在同一帧图像数据中,位于同一个平面上的若干点之间的强度和各点之间连线的曲率会不同;故,本申请利用此特征来进行障碍物特征点的判断。本申请以位于XOZ平面中的一个测量点P为例,通过逐行增加或逐行减少的方式(该行垂直于XOZ平面),可以找到该测量点P的前点P-和后点P+;为了进一步保证找到的前点和后点准确;本申请通过设置所述前点P-和所述后点P+沿第一方向上的距离大于一预设距离阈值,也就是说,前点P-与测量点P之间、测量点P与后点P+在第一方向上的距离需要满足一定的阈值,只有在满足的情况下,才能被认为是该测量点P的前点P-和后点P+。本申请所说的阈值可以根据本领域技术人员的实际操作需要进行选择和调整,在此不作进一步限定;所述第一方向与所述移动机器人的行进方向相同,本申请以移动机器人的行进方向沿X轴的延伸方向,所以第一方向就为X轴的延伸方向,也就是说,前点P-与测量点P之间、测量点P与后点P+在X轴上的距离需要满足一定的阈值即可,同时前点P-与测量点P之间、测量点P与后点P+在X轴上的距离可以相等。
步骤S204,根据各所述测量点及其对应的前点和后点计算各所述测量点的曲率分值。
进一步地,请参阅图3,本具体实施例中同样以测量点P及其前点P-、后点P+为例,进行曲率分值计算的说明。该曲率分值的计算步骤,可以包括子步骤S302-S312。
步骤S302,获取一测量点与其前点、后点分别于所述第一方向上的距离差值;其中,将所述测量点与其前点于所述第一方向上的距离差值记为第一距离差值;将所述测量点与其后点于所述第一方向上的距离差值记为第二距离差值。
步骤S304,获取所述测量点与其前点、后点分别于第二方向上的距离差值;其中,所述第二方向与所述移动机器人高度的延伸方向相同,所述第二方向垂直于所述第一方向;将所述测量点与其前点于所述第二方向上的距离差值记为第三距离差值;将所述测量点与其后点于所述第二方向上的距离差值记为第四距离差值。
具体地,由前述描述可知,第一方向为沿X轴的方向,第二方向为移动机器人高度的方向,可以理解为沿Z轴的方向;
进一步地,第一距离差值的计算公式可以为:
Δx-=|P- x-x|
第二距离差值的计算公式可以为:
Δx+=|P+ x-x|
其中,Δx-表示第一距离差值,P- x表示前点P-的横坐标,Px表示测量点P的横坐标;Δx+表示第二距离差值,P+ x表示后点P+的横坐标;
第三距离差值的计算公式可以为:
Δz-=|P- z-z|
第四距离差值的计算公式可以为:
Δz+=|P+ z-z|
其中,P+ z为后点P+沿Z轴方向的坐标,P- z表示前点P-沿Z轴方向的坐标,Pz表示测量点P沿Z轴方向的坐标,Δz-表示第三距离差值,Δz+表示第四距离差值。
步骤S306,根据所述第一距离差值和所述第三距离差值获取所述测量点与其前点的连线与所述第一方向之间的夹角;其中,所述夹角记为第一夹角。
步骤S308,根据所述第二距离差值和所述第四距离差值获取所述测量点与其后点的连线与所述第一方向之间的夹角;其中,所述夹角记为第二夹角。
具体地,第一夹角的计算公式为:
第二夹角的计算公式为:
其中,α-表示第一夹角,α+表示第二夹角。
基于上述,本申请对曲率的定义可以理解为斜率的变化率;以前述测量点P、前点P-和后点P+为例,曲率相应可以理解为,测量点P与前点P-之间连线的斜率相对于测量点P与后点P+之间连线的斜率的倾斜程度,如果测量点P与前点P-之间连线的斜率与测量点P与后点P+之间连线的斜率不同,那么将三个点利用平滑的曲线连接之后,将会出现较为凸出部分和相对凹陷的部分(见图7),其大概率会成为障碍物特征点。
步骤S310,获取所述第一夹角与所述第二夹角之间的差值。
具体地,所述第一夹角与所述第二夹角之间的差值的计算公式可以为:
CP=|α+--|
其中,CP表示第一夹角与第二夹角之间的差值,为了便于计算,CP取第一夹角与第二夹角之间差值的绝对值。
步骤S312,根据所述第一夹角与所述第二夹角之间的差值与预设的差值阈值获取所述曲率分值。
具体地,该曲率分值的计算公式可以为:
其中,scored表示曲率分值,Cmax表示预设的差值阈值,min表示取1和中的较小者。
步骤S206,确定各所述测量点及其对应的前点和后点的强度信息。
具体地,根据前述的描述可以获知,通过立体相机获取的点云信息可以获得若干测量点的强度信息;本具体实施例中,由于测量点P、前点P-、后点P+的三维坐标已知,所以,其相应的强度信息也可以通过点云信息对应获取。
步骤S208,根据确定后的所述各所述测量点及其对应的前点和后点的强度信息计算各所述测量点的强度变化率分值。
进一步地,请参阅图4,本具体实施例中同样以测量点P及其前点P-、后点P+为例,进行强度变化率分值计算的说明。该步骤S208可以进一步包括子步骤S402-S408。
步骤S402,获取强度信息确定后的所述测量点与其前点、后点的强度差值;其中,将所述测量点与其前点的强度差值记为第一强度差值;将所述测量点与其后点的强度差值记为第二强度差值。
具体地,第一强度差值的计算公式可以为:
Δi-=|P- i-Pi|
第二强度差值的计算公式可以为:
Δi+=|P+ i-Pi|
其中,Δi-表示第一强度差值,Δi+表示第二强度差值,P- i表示前点P-的强度值,Pi表示测量点P的强度值,P+ i表示后点P+的强度值。
步骤S404,根据所述第一强度差值、所述测量点的强度信息及所述前点的强度信息获取所述测量点和所述前点的归一化强度差;其中,将所述测量点和所述前点的归一化强度差记为第一强度差。
步骤S406,根据所述第二强度差值、所述测量点的强度信息及所述后点的强度信息获取所述测量点和所述后点的归一化强度差;其中,将所述测量点和所述后点的归一化强度差记为第二强度差。
具体地,第一强度差的计算公式可以为:
第二强度差的计算公式可以为:
其中,β-表示第一强度差,β+表示第二强度差,max表示取P- i和Pi、P+ i和Pi中的较大者。
步骤S408,根据所述第一强度差和所述第二强度差获取所述强度变化率分值。
具体地,所述强度变化率分值的计算公式可以为:
scorei=min(1,Ip)
其中,IP=max(β+,β-),也就是说,IP取第二强度差β+和第一强度差β-中的较大者,scorei表示强度变化率分值,取1和Ip中的较小者。
步骤S108,根据各所述测量点的曲率分值和强度变化率分值确定障碍物的位置信息。
进一步地,请参阅图5,该步骤S108可以包括子步骤S502-S512。
步骤S502,根据各所述测量点的曲率分值和强度变化率分值计算各所述测量点为障碍物特征点的分值。
具体地,该障碍物特征点的分值的计算公式为:
其中,score表示障碍物特征点的分值;scored表示测量点的曲率分值;scorei表示测量点的强度变化率分值。
步骤S504,将各所述测量点投影至一参考平面;其中,所述参考平面垂直于所述第二方向。
具体地,由于各测量点为三维坐标系下获取的坐标,所以,为了便于后续的处理,本具体实施例将三维坐标投影至二维平面,示例性地,以空间中的点坐标(X,Y,Z)为例,其投影至二维平面上的坐标变为(X,Y),也就是只取各测量点的横坐标和纵坐标。
步骤S506,以所述参考平面为基准建立栅格地图。
步骤S508,获取各所述测量点于所述栅格地图下的栅格坐标。
现有的机器人的建图、导航及路径规划离不开栅格地图的建立,本申请以前述的参考平面为基准建立栅格地图,本具体实施例不对栅格地图中的栅格的长、宽进行限定,以实际应用中所涉及到的具体参数为准。相应地,可以获得多个测量点转换至栅格地图下的栅格坐标,多个栅格坐标可以构成一幅栅格图像。
步骤S510,对各所述栅格坐标构成的栅格图像进行开运算再闭运算处理。
步骤S512,判断处理后的各所述栅格坐标对应的障碍物特征点的分值是否超出对应的预设分值阈值,若是,则将高于预设分值阈值的栅格坐标作为所述障碍物的位置信息。
为了滤除非障碍物特征点被识别为障碍物特征点的栅格,本具体实施例利用图像处理算法中的开运算再闭运算对各所述栅格坐标构成的栅格图像进行处理,可以提高障碍物检测的稳定性和可靠性,并且可以实现长时间在各类实际的复杂场景中稳定可靠地检测障碍物。可以理解,通过前面的计算可以获知,一个测量点对应一个障碍物特征点分值,并且,一个测量点还对应一个栅格坐标,基于上述对应关系,也即一个栅格坐标对应一个障碍物特征点分值;本申请将各栅格坐标对应的障碍物特征点的分值与相应的预设分值阈值进行比较,在障碍物特征点的分值高于对应的预设分值阈值时,标记该分值对应的栅格坐标,并将该栅格坐标作为障碍物的位置信息,然后将该栅格坐标传输至移动机器人AGV,控制移动机器人AGV的路径规划,从而实现有效的避障。
进一步地,所述障碍物检测方法还可以包括步骤:
对每一次计算的各所述测量点为障碍物特征点的分值进行记录;
用每一次记录到的新的障碍物特征点的分值对之前记录的障碍物特征点的分值进行替换;其中,用于替换的新的障碍物特征点的分值满足大于之前记录的障碍物特征点的分值。
具体地,本申请的移动机器人AGV每次进行障碍物检测的时候,均会记录每一次计算的各所述测量点为障碍物特征点的分值。然后用每一次记录到的新的障碍物特征点的分值对之前记录的障碍物特征点的分值进行替换;当然,一般来说,作为表征障碍物特征点的分值越高说明该测量点为障碍物特征点的可能性越大;所以,本申请用于替换的新的障碍物特征点的分值应当满足大于之前记录的障碍物特征点的分值;这样,就能实时保证障碍物检测的准确性和可靠性。
综上,本申请的障碍物检测方法及装置,通过利用点云信息来获取若干测量点的距离信息和强度信息,然后通过距离信息和强度信息来计算曲率分值和强度变化率分值,再根据曲率分值和强度变化率分值计算各测量点成为障碍物特征点的分值,然后将位于三维坐标系下的各测量点投影至二维平面,并以该二维平面为参考平面建立栅格地图,再将各测量点转换至栅格地图下,并对与各测量点对应的栅格坐标形成的栅格图像进行开运算和闭运算处理,最后将处理后的栅格坐标对应的障碍物特征点分值与对应的预设分值阈值进行比较判定,从而获得障碍物的位置信息;本申请的障碍物检测方法相比其他深度算法来说更加复杂鲁棒,从而能够长时间在各类实际的复杂场景中稳定可靠的障碍物检测。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种障碍物检测方法,其特征在于,所述方法包括:
获取移动机器人行进方向上的点云信息;
根据所述点云信息获取若干测量点的距离信息和强度信息;
根据各所述距离信息和各所述强度信息计算各所述测量点的曲率分值和强度变化率分值;
根据各所述测量点的曲率分值和强度变化率分值确定障碍物的位置信息。
2.根据权利要求1所述的障碍物检测方法,其特征在于,所述根据所述距离信息和所述强度信息计算若干测量点的曲率分值和强度变化率分值的步骤,包括:
根据所述距离信息确定与各所述测量点对应的前点和后点;其中,所述前点和所述后点沿第一方向上的距离大于一预设距离阈值;所述第一方向与所述移动机器人的行进方向相同;
根据各所述测量点及其对应的前点和后点计算各所述测量点的曲率分值;
确定各所述测量点及其对应的前点和后点的强度信息;
根据确定后的所述各所述测量点及其对应的前点和后点的强度信息计算各所述测量点的强度变化率分值。
3.根据权利要求2所述的障碍物检测方法,其特征在于,所述曲率分值的计算步骤,包括:
获取一测量点与其前点、后点分别于所述第一方向上的距离差值;其中,将所述测量点与其前点于所述第一方向上的距离差值记为第一距离差值;将所述测量点与其后点于所述第一方向上的距离差值记为第二距离差值;
获取所述测量点与其前点、后点分别于第二方向上的距离差值;其中,所述第二方向与所述移动机器人高度的延伸方向相同,所述第二方向垂直于所述第一方向;将所述测量点与其前点于所述第二方向上的距离差值记为第三距离差值;将所述测量点与其后点于所述第二方向上的距离差值记为第四距离差值;
根据所述第一距离差值和所述第三距离差值获取所述测量点与其前点的连线与所述第一方向之间的夹角;其中,所述夹角记为第一夹角;
根据所述第二距离差值和所述第四距离差值获取所述测量点与其后点的连线与所述第一方向之间的夹角;其中,所述夹角记为第二夹角;
获取所述第一夹角与所述第二夹角之间的差值;
根据所述第一夹角与所述第二夹角之间的差值与预设的差值阈值获取所述曲率分值。
4.根据权利要求3所述的障碍物检测方法,其特征在于,所述曲率分值的计算公式为:
其中,CP表示所述第一夹角与所述第二夹角之间的差值;Cmax表示所述第一夹角与所述第二夹角之间的差值的阈值;scored表示曲率分值。
5.根据权利要求3所述的障碍物检测方法,其特征在于,所述强度变化率分值的计算步骤,包括:
获取强度信息确定后的所述测量点与其前点、后点的强度差值;其中,将所述测量点与其前点的强度差值记为第一强度差值;将所述测量点与其后点的强度差值记为第二强度差值;
根据所述第一强度差值、所述测量点的强度信息及所述前点的强度信息获取所述测量点和所述前点的归一化强度差;其中,将所述测量点和所述前点的归一化强度差记为第一强度差;
根据所述第二强度差值、所述测量点的强度信息及所述后点的强度信息获取所述测量点和所述后点的归一化强度差;其中,将所述测量点和所述后点的归一化强度差记为第二强度差;
根据所述第一强度差和所述第二强度差获取所述强度变化率分值。
6.根据权利要求5所述的障碍物检测方法,其特征在于,所述强度变化率分值的计算公式为:
scorei=min(1,Ip)
其中,IP=max(β+,β-),β+表示第一强度差,β-表示第二强度差;scorei表示强度变换率分值。
7.根据权利要求3所述的障碍物检测方法,其特征在于,所述根据各所述测量点的曲率分值和强度变化率分值确定所述障碍物的位置信息的步骤,包括:
根据各所述测量点的曲率分值和强度变化率分值计算各所述测量点为障碍物特征点的分值;
将各所述测量点投影至一参考平面;其中,所述参考平面垂直于所述第二方向;
以所述参考平面为基准建立栅格地图;
获取各所述测量点于所述栅格地图下的栅格坐标;
对各所述栅格坐标构成的栅格图像进行开运算再闭运算处理;
判断处理后的各所述栅格坐标对应的障碍物特征点的分值是否超出对应的预设分值阈值,若是,则将高于预设分值阈值的栅格坐标作为所述障碍物的位置信息。
8.根据权利要求7所述的障碍物检测方法,其特征在于,所述障碍物特征点的分值的计算公式为:
其中,score表示障碍物特征点的分值;scored表示测量点的曲率分值;scorei表示测量点的强度变化率分值。
9.根据权利要求7所述的障碍物检测方法,其特征在于,还包括:
对每一次计算的各所述测量点为障碍物特征点的分值进行记录;
用每一次记录到的新的障碍物特征点的分值对之前记录的障碍物特征点的分值进行替换;其中,用于替换的新的障碍物特征点的分值满足大于之前记录的障碍物特征点的分值。
10.一种障碍物检测装置,其特征在于,所述装置包括移动机器人和障碍物检测模块;
所述障碍物检测模块设于与所述移动机器人行进方向相同的一侧;
所述障碍物检测模块用于执行如权利要求1-9任一项所述的障碍物检测方法。
11.根据权利要求10所述的障碍物检测装置,其特征在于,所述障碍物检测模块包括一图像采集装置,所述图像采集装置用于获取所述移动机器人行进方向上的点云信息。
12.根据权利要求11所述的障碍物检测装置,其特征在于,所述图像采集装置为立体相机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782214.1A CN110503040B (zh) | 2019-08-23 | 2019-08-23 | 障碍物检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782214.1A CN110503040B (zh) | 2019-08-23 | 2019-08-23 | 障碍物检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503040A true CN110503040A (zh) | 2019-11-26 |
CN110503040B CN110503040B (zh) | 2022-05-27 |
Family
ID=68589140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910782214.1A Active CN110503040B (zh) | 2019-08-23 | 2019-08-23 | 障碍物检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503040B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402160A (zh) * | 2020-03-13 | 2020-07-10 | 北京百度网讯科技有限公司 | 一种点云数据去噪方法、装置、设备和存储介质 |
CN111767843A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 三维位置预测方法、装置、设备以及存储介质 |
CN113096183A (zh) * | 2021-03-18 | 2021-07-09 | 武汉科技大学 | 一种基于激光雷达与单目相机的障碍物检测与测量方法 |
WO2021189350A1 (en) * | 2020-03-26 | 2021-09-30 | Baidu.Com Times Technology (Beijing) Co., Ltd. | A point cloud-based low-height obstacle detection system |
TWI741943B (zh) * | 2021-02-03 | 2021-10-01 | 國立陽明交通大學 | 機器人控制方法、動作計算裝置及機器人系統 |
CN113552589A (zh) * | 2020-04-01 | 2021-10-26 | 杭州萤石软件有限公司 | 障碍检测方法、机器人和存储介质 |
CN114286442A (zh) * | 2022-01-24 | 2022-04-05 | 杭州涂鸦信息技术有限公司 | 定位方法、待定位设备的控制方法、移动设备及存储介质 |
CN114442615A (zh) * | 2021-12-31 | 2022-05-06 | 重庆特斯联智慧科技股份有限公司 | 一种基于障碍物属性的机器人行进策略确定方法和*** |
CN115079152A (zh) * | 2021-03-10 | 2022-09-20 | 广达电脑股份有限公司 | 用于定位、成像、检测、判别的电子装置及方法 |
CN115453570A (zh) * | 2022-09-13 | 2022-12-09 | 北京踏歌智行科技有限公司 | 一种多特征融合的矿区粉尘滤除方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080013089A1 (en) * | 2004-08-31 | 2008-01-17 | Nikon Corporation | Positioning method, processing system, measurement method of substrate loading repeatability, position measurement method, exposure method, substrate processing apparatus, measurement method, and measurement apparatus |
US20160055400A1 (en) * | 2014-08-21 | 2016-02-25 | Boulder Imaging, Inc. | Avian detection systems and methods |
CN106052674A (zh) * | 2016-05-20 | 2016-10-26 | 青岛克路德机器人有限公司 | 一种室内机器人的slam方法和*** |
CN106384106A (zh) * | 2016-10-24 | 2017-02-08 | 杭州非白三维科技有限公司 | 一种基于三维扫描的反欺诈人脸识别*** |
CN106918819A (zh) * | 2017-03-28 | 2017-07-04 | 奇瑞汽车股份有限公司 | 一种激光雷达点云数据障碍检测算法 |
CN107123161A (zh) * | 2017-06-14 | 2017-09-01 | 西南交通大学 | 一种基于narf和fpfh的接触网零全网三维重建方法 |
US20170314930A1 (en) * | 2015-04-06 | 2017-11-02 | Hrl Laboratories, Llc | System and method for achieving fast and reliable time-to-contact estimation using vision and range sensor data for autonomous navigation |
CN108257173A (zh) * | 2017-12-29 | 2018-07-06 | 上海物景智能科技有限公司 | 一种图像信息中的物体分离方法及装置及*** |
CN108509918A (zh) * | 2018-04-03 | 2018-09-07 | 中国人民解放军国防科技大学 | 融合激光点云与图像的目标检测与跟踪方法 |
CN108629278A (zh) * | 2018-03-26 | 2018-10-09 | 深圳奥比中光科技有限公司 | 基于深度相机实现信息安全显示的***及方法 |
CN108692734A (zh) * | 2017-04-07 | 2018-10-23 | 北京图森未来科技有限公司 | 一种路径规划方法和装置 |
CN108852184A (zh) * | 2018-09-14 | 2018-11-23 | 李子璐 | 一种基于深度学习算法的无盲区扫地机器人及其清扫控制方法 |
CN108983248A (zh) * | 2018-06-26 | 2018-12-11 | 长安大学 | 一种基于3d激光雷达及v2x的网联车定位方法 |
CN109242963A (zh) * | 2018-09-29 | 2019-01-18 | 深圳阜时科技有限公司 | 一种三维场景模拟装置和设备 |
CN109739256A (zh) * | 2018-12-20 | 2019-05-10 | 深圳市道通智能航空技术有限公司 | 一种无人机降落避障方法、装置及无人机 |
CN109991977A (zh) * | 2019-03-04 | 2019-07-09 | 斯坦德机器人(深圳)有限公司 | 机器人的路径规划方法及装置 |
-
2019
- 2019-08-23 CN CN201910782214.1A patent/CN110503040B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080013089A1 (en) * | 2004-08-31 | 2008-01-17 | Nikon Corporation | Positioning method, processing system, measurement method of substrate loading repeatability, position measurement method, exposure method, substrate processing apparatus, measurement method, and measurement apparatus |
US20160055400A1 (en) * | 2014-08-21 | 2016-02-25 | Boulder Imaging, Inc. | Avian detection systems and methods |
US20170314930A1 (en) * | 2015-04-06 | 2017-11-02 | Hrl Laboratories, Llc | System and method for achieving fast and reliable time-to-contact estimation using vision and range sensor data for autonomous navigation |
CN106052674A (zh) * | 2016-05-20 | 2016-10-26 | 青岛克路德机器人有限公司 | 一种室内机器人的slam方法和*** |
CN106384106A (zh) * | 2016-10-24 | 2017-02-08 | 杭州非白三维科技有限公司 | 一种基于三维扫描的反欺诈人脸识别*** |
CN106918819A (zh) * | 2017-03-28 | 2017-07-04 | 奇瑞汽车股份有限公司 | 一种激光雷达点云数据障碍检测算法 |
CN108692734A (zh) * | 2017-04-07 | 2018-10-23 | 北京图森未来科技有限公司 | 一种路径规划方法和装置 |
CN107123161A (zh) * | 2017-06-14 | 2017-09-01 | 西南交通大学 | 一种基于narf和fpfh的接触网零全网三维重建方法 |
CN108257173A (zh) * | 2017-12-29 | 2018-07-06 | 上海物景智能科技有限公司 | 一种图像信息中的物体分离方法及装置及*** |
CN108629278A (zh) * | 2018-03-26 | 2018-10-09 | 深圳奥比中光科技有限公司 | 基于深度相机实现信息安全显示的***及方法 |
CN108509918A (zh) * | 2018-04-03 | 2018-09-07 | 中国人民解放军国防科技大学 | 融合激光点云与图像的目标检测与跟踪方法 |
CN108983248A (zh) * | 2018-06-26 | 2018-12-11 | 长安大学 | 一种基于3d激光雷达及v2x的网联车定位方法 |
CN108852184A (zh) * | 2018-09-14 | 2018-11-23 | 李子璐 | 一种基于深度学习算法的无盲区扫地机器人及其清扫控制方法 |
CN109242963A (zh) * | 2018-09-29 | 2019-01-18 | 深圳阜时科技有限公司 | 一种三维场景模拟装置和设备 |
CN109739256A (zh) * | 2018-12-20 | 2019-05-10 | 深圳市道通智能航空技术有限公司 | 一种无人机降落避障方法、装置及无人机 |
CN109991977A (zh) * | 2019-03-04 | 2019-07-09 | 斯坦德机器人(深圳)有限公司 | 机器人的路径规划方法及装置 |
Non-Patent Citations (3)
Title |
---|
AMIN BASIRI 等: "Improving Robot Navigation and Obstacle Avoidance using Kinect 2.0", 《2017 5TH RSI INTERNATIONAL CONFERENCE ON ROBOTICS AND MECHATRONICS (ICROM)》 * |
姬长英 等: "基于点云图的农业导航中障碍物检测方法", 《农业工程学报》 * |
王宏涛 等: "融合LiDAR和多光谱影像的建筑物自动检测", 《测绘科学》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402160A (zh) * | 2020-03-13 | 2020-07-10 | 北京百度网讯科技有限公司 | 一种点云数据去噪方法、装置、设备和存储介质 |
CN111402160B (zh) * | 2020-03-13 | 2023-09-05 | 北京百度网讯科技有限公司 | 一种点云数据去噪方法、装置、设备和存储介质 |
WO2021189350A1 (en) * | 2020-03-26 | 2021-09-30 | Baidu.Com Times Technology (Beijing) Co., Ltd. | A point cloud-based low-height obstacle detection system |
CN113552589A (zh) * | 2020-04-01 | 2021-10-26 | 杭州萤石软件有限公司 | 障碍检测方法、机器人和存储介质 |
CN111767843B (zh) * | 2020-06-29 | 2024-01-02 | 阿波罗智联(北京)科技有限公司 | 三维位置预测方法、装置、设备以及存储介质 |
CN111767843A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 三维位置预测方法、装置、设备以及存储介质 |
TWI741943B (zh) * | 2021-02-03 | 2021-10-01 | 國立陽明交通大學 | 機器人控制方法、動作計算裝置及機器人系統 |
US11951628B2 (en) | 2021-02-03 | 2024-04-09 | National Yang Ming Chiao Tung University | Robot controlling method, motion computing device and robot system |
CN115079152A (zh) * | 2021-03-10 | 2022-09-20 | 广达电脑股份有限公司 | 用于定位、成像、检测、判别的电子装置及方法 |
CN113096183A (zh) * | 2021-03-18 | 2021-07-09 | 武汉科技大学 | 一种基于激光雷达与单目相机的障碍物检测与测量方法 |
CN114442615A (zh) * | 2021-12-31 | 2022-05-06 | 重庆特斯联智慧科技股份有限公司 | 一种基于障碍物属性的机器人行进策略确定方法和*** |
CN114286442A (zh) * | 2022-01-24 | 2022-04-05 | 杭州涂鸦信息技术有限公司 | 定位方法、待定位设备的控制方法、移动设备及存储介质 |
CN115453570A (zh) * | 2022-09-13 | 2022-12-09 | 北京踏歌智行科技有限公司 | 一种多特征融合的矿区粉尘滤除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110503040B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503040A (zh) | 障碍物检测方法及装置 | |
Giancola et al. | A survey on 3D cameras: Metrological comparison of time-of-flight, structured-light and active stereoscopy technologies | |
CN109961468B (zh) | 基于双目视觉的体积测量方法、装置及存储介质 | |
US9513107B2 (en) | Registration calculation between three-dimensional (3D) scans based on two-dimensional (2D) scan data from a 3D scanner | |
US9279662B2 (en) | Laser scanner | |
US10989532B2 (en) | System and method of defining a path and scanning an environment | |
US10091489B2 (en) | Image capturing device, image processing method, and recording medium | |
US20220137223A1 (en) | Simultaneous localization and mapping algorithms using three-dimensional registration | |
US11887278B2 (en) | System and method for training a neural network to fill gaps between scan points in images and to de-noise point cloud images | |
CN108474653A (zh) | 三维计测装置及其计测辅助处理方法 | |
US11624833B2 (en) | System and method for automatically generating scan locations for performing a scan of an environment | |
CN109444916A (zh) | 一种无人驾驶可行驶区域确定装置及方法 | |
Shivakumar et al. | Real time dense depth estimation by fusing stereo with sparse depth measurements | |
US10444332B2 (en) | Method and system for calibrating a network of multiple horizontally scanning range finders | |
CN110764110A (zh) | 路径导航方法、装置及计算机可读存储介质 | |
EP3792663A1 (en) | A system and method of defining a path and scanning an environment | |
EP3916425A1 (en) | Alignment and registration system and method for coordinate scanners | |
Wu et al. | Camera sensor model for visual SLAM | |
Zhang | Target-based calibration of 3D LiDAR and binocular camera on unmanned vehicles | |
US20200082564A1 (en) | Method for determining a coordinate of a feature point of an object in a 3d space | |
CN112445208A (zh) | 机器人、行驶路径的确定方法、装置及存储介质 | |
Toth et al. | Calibrating the MS kinect sensor | |
Hedenberg et al. | Safety Standard for Mobile Robots-A Proposal for 3D Sensors. | |
CN115115684B (zh) | 标定方法、***、电子设备和计算机可读存储介质 | |
Long et al. | Lidar Essential Beam Model for Accurate Width Estimation of Thin Poles |
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 |