CN112362045B - 一种基于激光slam建图的装置及内存优化方法 - Google Patents
一种基于激光slam建图的装置及内存优化方法 Download PDFInfo
- Publication number
- CN112362045B CN112362045B CN202011302781.1A CN202011302781A CN112362045B CN 112362045 B CN112362045 B CN 112362045B CN 202011302781 A CN202011302781 A CN 202011302781A CN 112362045 B CN112362045 B CN 112362045B
- Authority
- CN
- China
- Prior art keywords
- robot
- map
- coordinate system
- group
- laser
- 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
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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种基于激光SLAM建图的内存优化方法,包括如下步骤:构建图形数组;选择图形数组的大小;构建机器人坐标系以及世界坐标系;获取机器人的周围环境中物体的特征点信息;根据初始位姿以及特征点信息,获取一组特征点数据;将一组特征点数据变换到世界坐标系下;判断一组特征点是否在图形数组的范围内,若在,则将特征点舍弃;对在图形数组的范围内的一组特征点内置为1以获取子地图;计算激光雷达的位移量以及机器人的偏航角;计算机器人的当前位姿;获取机器人的周围环境中物体的特征点信息,并对子地图进行更新;继续驱动激光雷达移动并对子地图进行更新,直至完成全局地图的绘制。本发明可以最大程度地节约内存。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种基于激光SLAM建图的装置及内存优化方法。
背景技术
SLAM(simultaneous localization and mapping,同时定位与建图)可以描述为:机器人在未知环境中从一个未知位置开始移动,在移动过程中根据自身携带的传感器进行位姿初始估计和根据地图进行精确估计,同时在自身定位的基础上构建地图,实现机器人的自主定位和导航。采用激光雷达传感器实现的同时定位与建图称为激光slam,采用摄像头实现的同时定位与建图称为视觉slam。粒子滤波激光slam算法在构建栅格地图时,每个单元格包含int类型的变量visits与n,以及float类型变量x和y。当单元格被激光束端点击中时,变量x,y累加激光端点障碍物坐标,同时变量visits与n各自增1;当单元格被激光束穿过时只对变量visits自增1。移动机器人目前使用激光雷达构建室内二维地图种类主要分为几何特征地图、栅格地图以及拓扑地图。
现有的基于激光slam的内存优化方法固然可以节约内存空间,但其在建图时仍需要占用大量的内存,有待进一步优化。
发明内容
基于此,为了解决现有基于激光slam的内存优化方法在建图时仍需要占用大量的内存的问题,本发明提供了一种基于激光SLAM建图的装置及内存优化方法,其具体技术方案如下:
一种基于激光SLAM建图的装置,包括机器人、电机驱动机构、里程传感器、角度传感器、激光雷达以及控制器。
电机驱动机构固定安装在所述机器人上,用于驱动所述机器人移动。
里程传感器固定安装在所述机器人上,用于计算所述机器人的位移量。
角度传感器固定安装在所述机器人上,用于计算所述机器人的偏航角。
激光雷达固定安装在所述机器人上,用于按照预设频率探测所述机器人的周围环境以获取所述机器人的周围环境中物体的特征点信息。
控制器固定安装在所述机器人上,分别与所述电机驱动机构、所述里程传感器、所述角度传感器以及所述激光雷达电连接,用于按照预设频率控制所述电机驱动机构动作以驱动所述机器人移动,接收所述位移量、所述偏航角以及所述特征点信息,并根据所述位移量、所述偏航角以及所述特征点信息生成地图数组。
进一步地,所述基于激光SLAM建图的装置还包括上位机,所述上位机与所述控制器电连接,用于接收并根据所述地图数组获取栅格地图。
进一步地,所述基于激光SLAM建图的装置还包括电源模块,所述电源模块分别与所述里程传感器、所述角度传感器、所述激光雷达以及所述控制器电连接。
进一步地,所述基于激光SLAM建图的装置还包括LED模块,所述LED模块与所述控制器电连接,用于显示所述电源模块、所述激光雷达以及所述机器人的工作状态。
进一步地,所述里程传感器为里程计,所述角度传感器为陀螺仪。
相应地,本发明还提供一种基于激光SLAM建图的内存优化方法,包括如下步骤:
构建图形数组;
选择所述图形数组的大小;
构建机器人坐标系以及世界坐标系;
设定所述机器人的初始位姿并通过激光雷达探测所述机器人的周围环境以获取所述机器人的周围环境中物体的特征点信息;
根据所述初始位姿以及所述特征点信息,获取一组特征点数据;
将所述一组特征点数据通过坐标变换转换到所述机器人坐标系下;
将转换到所述机器人坐标系下的所述一组特征点数据通过坐标变换到所述世界坐标系下;
对转换到所述世界坐标系下的一组特征点进行滤波,并判断所述世界坐标系下的一组特征点是否在所述图形数组的范围内,若所述世界坐标系下的一组特征点不在所述图形数组的范围内,则将所述特征点舍弃;
对在所述图形数组的范围内的所述世界坐标系下的一组特征点内置为1以获取子地图;
驱动所述机器人动作以驱动所述激光雷达移动,并分别计算所述激光雷达的位移量以及所述机器人的偏航角;
根据所述位移量以及所述偏航角计算所述机器人的当前位姿;
基于所述机器人的当前位姿,通过所述激光雷达探测所述机器人的周围环境以获取所述机器人的周围环境中物体的特征点信息,并根据所获取的所述特征点信息对所述子地图进行更新;
继续驱动所述激光雷达移动并获取所述机器人的周围环境中物体的特征点信息以对所述子地图进行更新,直至完成全局地图的绘制。
上述的基于激光SLAM建图的内存优化方法采用栅格地图,在构建地图时丢弃了周围环境的无用信息,仅用0和1表示空闲和占用,其通过建立图形数组来表示整个工作环境地图,即利用图形数组中的一个位来表示整个工作环境地图中的一个栅格,可以减少现有激光slam建图的计算量,最大程度地节约内存。
采用上述基于激光SLAM建图的内存优化方法构建栅格地图,可以节约99.216%的内存,极大地节约了栅格地图所占内存,可以明显提高激光SLAM建图的效率。
进一步地,所述内存优化方法还包括将所述全局地图进行可视化解析以获取栅格地图。
进一步地,所述激光雷达的位移量以及所述机器人的偏航角分别通过里程传感器以及角度传感器计算而得。
进一步地,所述里程传感器为里程计,所述角度传感器为陀螺仪。
相应地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被执行时实现上述所述的基于激光SLAM建图的内存优化方法。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定对应的部分。
图1是本发明一实施例中一种基于激光SLAM建图的装置的整体结构示意图;
图2是本发明一实施例中一种基于激光SLAM建图的内存优化方法的整体流程示意图;
图3是本发明一实施例中一种基于激光SLAM建图的内存优化方法的图形数组的存储形式示意图;
图4是本发明一实施例中一种基于激光SLAM建图的内存优化方法的栅格地图的示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明。应当理解的是,此处所描述的具体实施方式仅用以解释本发明,并不限定本发明的保护范围。
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发明的技术领域的技术人员通常理解的含义相同。本文中在本发明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,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中所述“第一”、“第二”不代表具体的数量及顺序,仅仅是用于名称的区分。
如图1所示,本发明一实施例中的一种基于激光SLAM建图的装置,包括机器人、电机驱动机构、里程传感器、角度传感器、激光雷达以及控制器。
所述电机驱动机构固定安装在所述机器人上,用于驱动所述机器人移动。所述里程传感器固定安装在所述机器人上,用于计算所述机器人的位移量。
所述角度传感器固定安装在所述机器人上,用于计算所述机器人的偏航角。所述激光雷达固定安装在所述机器人上,用于按照预设频率探测所述机器人的周围环境以获取所述机器人的周围环境中物体的特征点信息。
所述控制器固定安装在所述机器人上,分别与所述电机驱动机构、所述里程传感器、所述角度传感器以及所述激光雷达电连接,用于按照预设频率控制所述电机驱动机构动作以驱动所述机器人移动,接收所述位移量、所述偏航角以及所述特征点信息,并根据所述位移量、所述偏航角以及所述特征点信息生成地图数组。其中,所述控制器可以为STM32,所述地图数组以及所述预设频率存储在STM32之中。
在其中一个实施例中,所述基于激光SLAM建图的装置还包括上位机,所述上位机与所述控制器电连接,用于接收并根据所述地图数组获取栅格地图。所述上位机为PC客户端,当所述PC客户端接收到STM32发送过来的地图数组后,对所述地图数组进行可视化解析以获取栅格地图。
所述电机驱动机构的动作指令(即所述机器人的移动指令)、所述激光雷达的特征点信息采集指令以及所述地图数组的可视化解析指令可以通过所述PC客户端生成,然后PC客户端将所述动作指令、特征点信息采集指令以及可视化解析指令发送至控制器以生成地图数组。
在其中一个实施例中,所述基于激光SLAM建图的装置还包括电源模块,所述电源模块分别与所述里程传感器、所述角度传感器、所述激光雷达以及所述控制器电连接。
在其中一个实施例中,所述基于激光SLAM建图的装置还包括LED模块,所述LED模块与所述控制器电连接,用于显示所述电源模块、所述激光雷达以及所述机器人的工作状态。
在其中一个实施例中,所述里程传感器为里程计,所述角度传感器为陀螺仪。
在其中一个实施例中,本发明还提供一种基于激光SLAM建图的内存优化方法,如图2所示,包括如下步骤:
根据所述需要的栅格地图范围建立大小合适的构建图形数组。如需要1000*800的栅格地图。栅格地图一格代表的大小可以根据实际进行设定,当栅格地图每一格的边长为5cm,所述栅格地图的范围记为(1000*5cm)*(800*5cm)=2000平米。
选择所述图形数组的大小。如栅格地图为1000*800,则图形数组大小为1000*800=800000,即图形数组范围为MAP[000000]至MAP[800000],图形数组的初始值全为0,如图3所示。
构建机器人坐标系以及世界坐标系。
设定所述机器人的初始位姿并通过激光雷达探测所述机器人的周围环境以获取所述机器人的周围环境中物体的特征点信息。
根据所述初始位姿解析得到所述激光雷达扫描周围环境中物体特征点信息时的角度以及激光雷达与物体之间的距离,然后根据所述角度与距离获取一组特征点数据。
将所述一组特征点数据通过坐标变换转换到所述机器人坐标系下,并将转换到所述机器人坐标系下的所述一组特征点数据通过坐标变换到所述世界坐标系下。
对转换到所述世界坐标系下的一组特征点进行滤波,并判断所述世界坐标系下的一组特征点是否在所述图形数组的范围内,若所述世界坐标系下的一组特征点不在所述图形数组的范围内,则将所述特征点舍弃。如所述特征点的X轴坐标值不在0-999内和/或所述特征点的Y轴坐标值不在0-799内,则将所述特征点舍弃。
对在所述图形数组的范围内的所述世界坐标系下的一组特征点内置为1以获取子地图。
驱动所述机器人动作以驱动所述激光雷达移动,并分别计算所述激光雷达的位移量以及所述机器人的偏航角。
根据所述位移量以及所述偏航角计算所述机器人的当前位姿;
基于所述机器人的当前位姿,通过所述激光雷达探测所述机器人的周围环境以获取所述机器人的周围环境中物体的特征点信息,并根据所获取的所述特征点信息对所述子地图进行更新。
按照预设频率继续驱动所述激光雷达移动获取所述机器人的周围环境中物体的特征点信息以对所述子地图进行更新。当所述激光雷达绕着环境移动一圈即可完成全局地图的绘制。
上述的基于激光SLAM建图的内存优化方法采用栅格地图,在构建地图时丢弃了周围环境的无用信息,仅用0和1表示空闲和占用,其通过建立图形数组来表示整个工作环境地图,即利用图形数组中的一个位来表示整个工作环境地图中的一个栅格,可以减少现有激光slam建图的计算量,最大程度地节约内存。
假设栅格地图的总单元格数sum=1000*800=800000,传统栅格地图每个单元格大小为16个字节,其需要的总内存为16*800000=12800000个字节,即需要12500K内存。本发明用一个位来表示一个栅格,在栅格地图总单元数为800000的情况下,其栅格地图所占内存为800000/8=100000个字节,即仅需要98K内存,其所需要内存位传统栅格地图所需内存的0.784%。也即是说,采用上述基于激光SLAM建图的内存优化方法构建栅格地图,相比传统的栅格地图,可以节约99.216%的内存,极大地节约了栅格地图所占内存,可以明显提高激光SLAM建图的效率。利用所述全局地图,可以实现机器人的自主导航、智能避障以及智能路径规划。
在其中一个实施例中,所述内存优化方法还包括将所述全局地图进行可视化解析以获取栅格地图。所述地图数组缓存在控制器中,当全局地图绘制完成中,所述控制器将地图数组缓存上传至PC客户端,由PC客户端进行可视化解析,即可获取栅格地图,如图4所示。其中,白格栅即表示的0,黑格栅即表示的1。
在其中一个实施例中,对在所述图形数组的范围内的所述世界坐标系下的一组特征点内置为1的具体方法包括:
第一步:Byt_X=X/8,X为所述一组特征点在世界坐标系上的X轴的坐标值。
第二步:N=(799-Y)*100+Byt_X,Y所述一组特征点在世界坐标系上的Y轴的坐标值。
第三步:n=X%8。
第四步:n=7-n,进行高低位互换。
第五步:MAP[N]|=(1<<n);,将坐标为(X,Y)特征点数据在对应数组上置1。
在其中一个实施例中,所述激光雷达的位移量以及所述机器人的偏航角分别通过里程传感器以及角度传感器计算而得。
在其中一个实施例中,所述里程传感器为里程计,所述角度传感器为陀螺仪。
在其中一个实施例中,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被执行时实现上述所述的基于激光SLAM建图的内存优化方法。
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 (5)
1.一种基于激光SLAM建图的内存优化方法,其特征在于,包括如下步骤:
构建图形数组;
选择所述图形数组的大小;
构建机器人坐标系以及世界坐标系;
设定所述机器人的初始位姿并通过激光雷达探测所述机器人的周围环境以获取所述机器人的周围环境中物体的特征点信息;
根据所述初始位姿以及所述特征点信息,获取一组特征点数据;
将所述一组特征点数据通过坐标变换转换到所述机器人坐标系下;
将转换到所述机器人坐标系下的所述一组特征点数据通过坐标变换到所述世界坐标系下;
对转换到所述世界坐标系下的一组特征点进行滤波,并判断所述世界坐标系下的一组特征点是否在所述图形数组的范围内,若所述世界坐标系下的一组特征点不在所述图形数组的范围内,则将所述特征点舍弃;
对在所述图形数组的范围内的所述世界坐标系下的一组特征点内置为1以获取子地图;
驱动所述机器人动作以驱动所述激光雷达移动,并分别计算所述激光雷达的位移量以及所述机器人的偏航角;
根据所述位移量以及所述偏航角计算所述机器人的当前位姿;
基于所述机器人的当前位姿,通过所述激光雷达探测所述机器人的周围环境以获取所述机器人的周围环境中物体的特征点信息,并根据所获取的所述特征点信息对所述子地图进行更新;
继续驱动所述激光雷达移动并获取所述机器人的周围环境中物体的特征点信息以对所述子地图进行更新,直至完成全局地图的绘制。
2.如权利要求1所述的一种基于激光SLAM建图的内存优化方法,其特征在于,所述内存优化方法还包括将所述全局地图进行可视化解析以获取栅格地图。
3.如权利要求2所述的一种基于激光SLAM建图的内存优化方法,其特征在于,所述激光雷达的位移量以及所述机器人的偏航角分别通过里程传感器以及角度传感器计算而得。
4.如权利要求3所述的一种基于激光SLAM建图的内存优化方法,其特征在于,所述里程传感器为里程计,所述角度传感器为陀螺仪。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被执行时实现如权利要求1至4中任何一项所述的基于激光SLAM建图的内存优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302781.1A CN112362045B (zh) | 2020-11-19 | 2020-11-19 | 一种基于激光slam建图的装置及内存优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302781.1A CN112362045B (zh) | 2020-11-19 | 2020-11-19 | 一种基于激光slam建图的装置及内存优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112362045A CN112362045A (zh) | 2021-02-12 |
CN112362045B true CN112362045B (zh) | 2022-03-29 |
Family
ID=74533067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011302781.1A Active CN112362045B (zh) | 2020-11-19 | 2020-11-19 | 一种基于激光slam建图的装置及内存优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112362045B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525025A (zh) * | 2016-10-28 | 2017-03-22 | 武汉大学 | 一种变电站巡检机器人路线规划导航方法 |
CN109358340A (zh) * | 2018-08-27 | 2019-02-19 | 广州大学 | 一种基于激光雷达的agv室内地图构建方法及*** |
CN110389590A (zh) * | 2019-08-19 | 2019-10-29 | 杭州电子科技大学 | 一种融合2d环境地图和稀疏人工地标的agv定位***及方法 |
CN110645974A (zh) * | 2019-09-26 | 2020-01-03 | 西南科技大学 | 一种融合多传感器的移动机器人室内地图构建方法 |
CN110673608A (zh) * | 2019-09-26 | 2020-01-10 | 福建首松智能科技有限公司 | 一种机器人导航方法 |
CN110716549A (zh) * | 2019-11-04 | 2020-01-21 | 中国船舶重工集团公司第七一六研究所 | 用于无地图区域巡逻的自主导航机器人***及其导航方法 |
CN111123925A (zh) * | 2019-12-19 | 2020-05-08 | 天津联汇智造科技有限公司 | 一种移动机器人导航***以及方法 |
CN111240331A (zh) * | 2020-01-17 | 2020-06-05 | 仲恺农业工程学院 | 基于激光雷达和里程计slam的智能小车定位导航方法及*** |
CN111260751A (zh) * | 2020-01-13 | 2020-06-09 | 南京邮电大学 | 基于多传感器移动机器人的建图方法 |
-
2020
- 2020-11-19 CN CN202011302781.1A patent/CN112362045B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525025A (zh) * | 2016-10-28 | 2017-03-22 | 武汉大学 | 一种变电站巡检机器人路线规划导航方法 |
CN109358340A (zh) * | 2018-08-27 | 2019-02-19 | 广州大学 | 一种基于激光雷达的agv室内地图构建方法及*** |
CN110389590A (zh) * | 2019-08-19 | 2019-10-29 | 杭州电子科技大学 | 一种融合2d环境地图和稀疏人工地标的agv定位***及方法 |
CN110645974A (zh) * | 2019-09-26 | 2020-01-03 | 西南科技大学 | 一种融合多传感器的移动机器人室内地图构建方法 |
CN110673608A (zh) * | 2019-09-26 | 2020-01-10 | 福建首松智能科技有限公司 | 一种机器人导航方法 |
CN110716549A (zh) * | 2019-11-04 | 2020-01-21 | 中国船舶重工集团公司第七一六研究所 | 用于无地图区域巡逻的自主导航机器人***及其导航方法 |
CN111123925A (zh) * | 2019-12-19 | 2020-05-08 | 天津联汇智造科技有限公司 | 一种移动机器人导航***以及方法 |
CN111260751A (zh) * | 2020-01-13 | 2020-06-09 | 南京邮电大学 | 基于多传感器移动机器人的建图方法 |
CN111240331A (zh) * | 2020-01-17 | 2020-06-05 | 仲恺农业工程学院 | 基于激光雷达和里程计slam的智能小车定位导航方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112362045A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108319655B (zh) | 用于生成栅格地图的方法和装置 | |
CN106643719B (zh) | 一种智能割草车的路径规划算法 | |
CN110866927B (zh) | 一种基于垂足点线特征结合的ekf-slam算法的机器人定位与构图方法 | |
KR20210116576A (ko) | 시각적 로봇 기반의 과거 지도 이용 방법 | |
CN106908052B (zh) | 用于智能机器人的路径规划方法及装置 | |
CN103064416A (zh) | 巡检机器人室内外自主导航*** | |
CN112835064B (zh) | 一种建图定位方法、***、终端及介质 | |
CN110749895B (zh) | 一种基于激光雷达点云数据的定位方法 | |
CN109839112B (zh) | 地下作业设备定位方法、装置、***及存储介质 | |
CN112859110B (zh) | 一种基于三维激光雷达的定位导航方法 | |
CN110244716A (zh) | 一种基于波前算法的机器人探索的方法 | |
CN115307646B (zh) | 一种多传感器融合的机器人定位方法、***及装置 | |
CN112338916A (zh) | 基于快速扩展随机树的机械臂避障路径规划方法及*** | |
CN111580130A (zh) | 一种基于多传感器融合的建图方法 | |
CN115388892A (zh) | 一种基于改进rbpf-slam算法的多传感器融合slam方法 | |
CN115540850A (zh) | 一种激光雷达与加速度传感器结合的无人车建图方法 | |
CN112362045B (zh) | 一种基于激光slam建图的装置及内存优化方法 | |
CN116477505A (zh) | 一种基于深度学习的塔机实时路径规划***及方法 | |
CN110887490A (zh) | 一种激光定位导航的关键帧选取方法、介质、终端和装置 | |
CN116772846A (zh) | 一种无人机航迹规划方法、装置、设备及介质 | |
Wu et al. | Design and Development of Unmanned Surface Vehicle for Meteorological Monitoring. | |
CN114474065A (zh) | 机器人控制方法及其装置、机器人和存储介质 | |
Mi et al. | Path planning of indoor mobile robot based on improved A* algorithm incorporating RRT and JPS | |
CN111736137A (zh) | LiDAR外部参数标定方法、***、计算机设备及可读存储介质 | |
CN114019977B (zh) | 移动机器人的路径控制方法、装置、存储介质及电子设备 |
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 |