CN112904306A - 斜坡感知方法、装置、机器人和存储介质 - Google Patents
斜坡感知方法、装置、机器人和存储介质 Download PDFInfo
- Publication number
- CN112904306A CN112904306A CN202110063124.4A CN202110063124A CN112904306A CN 112904306 A CN112904306 A CN 112904306A CN 202110063124 A CN202110063124 A CN 202110063124A CN 112904306 A CN112904306 A CN 112904306A
- Authority
- CN
- China
- Prior art keywords
- slope
- point cloud
- radar
- seed
- clusters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 208000034423 Delivery Diseases 0.000 abstract description 3
- 230000004888 barrier function Effects 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/481—Constructional features, e.g. arrangements of optical elements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供了一种斜坡感知方法、装置、机器人和计算机可读存储介质。斜坡感知方法基于激光雷达技术实现,包括下述步骤:将在斜坡临近区域扫描到的所有雷达点进行点云聚类,得到若干点云聚类;从所述若干点云聚类中筛选出疑似斜坡点云聚类;将筛选出的所述疑似斜坡点云聚类中属于直线型的点云聚类确认为斜坡点云聚类,将所述斜坡点云聚类对应的激光雷达扫描区域确认为斜坡。本发明将机器人配送路径上的斜坡与障碍物区分开来,保证了机器人的正常配送,并且仅在行进至预先标记好的斜坡临近区域时才进行感知,而当机器人不处于斜坡临近区域时则不需要感知,大大减少了计算量,也避免了非斜坡区域的误检测。
Description
技术领域
本发明实施例涉及机器人技术领域,尤其涉及一种斜坡感知方法、装置、机器人和计算机可读存储介质。
背景技术
物流配送的成本压力使得配送机器人正逐渐应用于送货、送餐等各种短距离配送场景,这种无人化的配送方式不仅可以节约人力成本,还可提高用户的趣味性体验,并在一定程度上保障用户购物的私密性,所以配送机器人在短距离配送中的应用必定会越来越广泛。
机器人在配送途中可能会遇到障碍物,通常会通过激光雷达技术进行障碍物检测,出于安全考虑,一旦检测到障碍物就会停止前行。但是现实中配送路径上也可能会存在上下坡的情况,如图1所示,当坡度较大时,激光雷达的激光射线会打到斜坡上,使机器人误认为斜坡是障碍物,导致机器人不走或者执行预置的避障处理,这种情况下机器人执行避障又会导致无法走上斜坡而偏离事先确定的配送路线,影响正常配送。同理,当下坡时,由于激光雷达的激光射线会达到斜坡前方的平整路面上,也有可能认为是遇到障碍物而停止前行或进行避障。这种误检测严重影响了机器人的正常配送,亟待改进。
发明内容
本发明实施例所要解决的技术问题为如何避免将机器人配送路径上正常的上下坡误检测为障碍物,以致影响配送。
第一方面,本发明实施例提供了一种斜坡感知方法,所述斜坡感知方法基于激光雷达技术实现,包括下述步骤:将在斜坡临近区域扫描到的所有雷达点进行点云聚类,得到若干点云聚类;从所述若干点云聚类中筛选出疑似斜坡点云聚类;将筛选出的所述疑似斜坡点云聚类中属于直线型的点云聚类确认为斜坡点云聚类,将所述斜坡点云聚类对应的激光雷达扫描区域确认为斜坡。
第二方面,本发明实施例提供了一种斜坡感知装置,包括:聚类单元,用于将在斜坡临近区域扫描到的所有雷达点进行点云聚类,得到若干点云聚类;筛选单元,用于从所述若干点云聚类中筛选出疑似斜坡点云聚类;斜坡确认单元,用于将筛选出的所述疑似斜坡点云聚类中属于直线型的点云聚类确认为斜坡点云聚类,将所述斜坡点云聚类对应的激光雷达扫描区域确认为斜坡。
第三方面,本发明实施例提供了一种机器人,包括:存储器和处理器;所述存储器存储有可执行程序代码;与所述存储器耦合的所述处理器,调用所述存储器中存储的所述可执行程序代码,执行如第一方面所述的斜坡感知方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如第一方面所述的斜坡感知方法。
上述各方面提供的本发明实施例中,首先将在所述斜坡临近区域扫描到的所有雷达点进行点云聚类,然后最终从中筛选出疑似斜坡点云聚类,再进一步从疑似斜坡点云聚类得到斜坡点云聚类,将所述斜坡点云聚类对应的激光雷达扫描区域确认为斜坡,从而可以将机器人配送路径上的斜坡与障碍物区分开来,保证了机器人的正常配送,并且仅在行进至预先标记好的斜坡临近区域时才进行感知,而当机器人不处于斜坡临近区域时则不需要感知,大大减少了计算量,也避免了非斜坡区域的误检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为现有技术提供的机器人爬坡时的激光射线的光路图;
图2为本发明第一实施例提供的斜坡感知方法的流程示意图;
图3为本发明第一实施例提供的聚类效果图;
图4为本发明第二实施例提供的斜坡感知方法的流程示意图;
图5为本发明第三实施例提供的斜坡感知方法的流程示意图;
图6为本发明第四实施例提供的斜坡感知装置的结构图;
图7为本发明第四实施例提供的聚类单元的结构图;
图8为本发明第四实施例提供的斜坡确认单元的结构图;
图9为本发明第五实施例提供的机器人的结构示意图。
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,本领域技术人员在没有作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。
本发明实施例基于激光雷达雷达技术实现,首先将在所述斜坡临近区域扫描到的所有雷达点进行点云聚类,然后最终从中筛选出疑似斜坡点云聚类,再进一步从疑似斜坡点云聚类得到斜坡点云聚类,将所述斜坡点云聚类对应的激光雷达扫描区域确认为斜坡。
图2为本发明第一实施例提供的斜坡感知方法的流程示意图。此斜坡感知方法基于激光雷达技术实现,主要适用于酒店、餐厅等场所内的配送机器人,还可适用于在物流园区等固定场所内运行的送货机器人甚至自动驾驶汽车。如图2所示,该方法具体包括:
S101、将在斜坡临近区域扫描到的所有雷达点进行点云聚类,得到若干点云聚类。
斜坡临近区域是指在斜坡附近预置范围内且包含斜坡的区域,本实施例中,只在智能设备行进至斜坡临近区域时才进行斜坡感知,在斜坡临近区域之外行进时不需要感知斜坡而正常行进,有助于大大减少计算量,避免在非斜坡临近区域由于器件的误判而出现误感知。
斜坡临近区域可以通过多种方式确定,如在智能设备行进过程中采用RGBD相机识别是否行进至斜坡临近区域,又如采用三维激光雷达/多线激光雷达识别是否行进至斜坡临近区域,还可以是预先对斜坡临近区域进行标记,得到斜坡临近区域的位置。
以预先标记斜坡临近区域的方式为例,可以是安装人员在安装机器人等智能设备时,预先在机器人等智能设备上记录行进路线上所有斜坡在世界坐标系的位置明细{(x1,y1),(x2,y2),(x3,y3),...,(xn,yn)},然后将距离各斜坡位置坐标一定范围内的区域视作斜坡临近区域,最终得到n个斜坡临近区域。具体地,对于每个斜坡,以记录的斜坡位置坐标为圆心、以预置的半径创建圆形区域作为斜坡临近区域,再将所有的斜坡临近区域预先标记在所建的地图中,其中,地图可用于导航、建模、探测、定位等方面。
这种斜坡邻近区域的标记方式较为简单直接,当然也可以采用其他的方式来标记斜坡临近区域,例如,当将要行进至标记的斜坡位置坐标时,该坐标面对行进方向之间的类似半圆区域可以作为斜坡临近区域,因为机器人爬坡或下坡时只需考虑这半边的情况。
在斜坡临近区域内,机器人不仅会面临斜坡,也可能会面临人、物等障碍,需要区分出来以采取对应的策略,例如当确认前方是斜坡时,可以直行,当确认前方存在障碍时,可以停止前行并做报警处理,或者执行预置的避障方案。
本实施例中,对在斜坡临近区域扫描到的雷达点采用聚类并筛选的方式来确定斜坡。所谓聚类,是一种涉及数据点分组的机器学习技术,对于给定的一组数据点,可以使用聚类算法将每个数据点划分为一个特定的组。理论上,同一组中的数据点应该具有相似的属性和/或特征,而不同组中的数据点应该具有高度不同的属性和/或特征。具体到本案,每个点云聚类表示多个雷达点的集合,而斜坡的点云聚类通常会呈直线型,障碍物的点云聚类则会表现出各种不规则的形状,可得到如图3所示的聚类效果,图3中每个圆圈中的点表示为一个点云聚类,有的点云聚类呈直线型,有的点云聚类呈折线或弧线型,聚类时,还可以将不同的聚类分别标识以不同的颜色方便区分。
所采用的具体聚类算法不限,例如,可以采用区域生长算法,这种算法的思想相对简单,通常能将具有相同特征的联通区域分割出来,并能提供很好的边界信息和分割结果。在没有先验知识可以利用时,可以取得最佳的性能,可以用来分割比较复杂的图像,如自然景物、硬币、医学图像等。也可以采用具有噪声的基于密度聚类(Density-Based SpatialClustering of Applications with Noise,DBSCAN)算法,这种算法能够对任意形状的稠密数据集进行聚类,并且在聚类的同时发现异常点,聚类结果鲜有发生偏倚等优点。
S102、从所述若干点云聚类中筛选出疑似斜坡点云聚类。
上述步骤S101得到的点云聚类既包含斜坡点云聚类,也包含障碍物的点云聚类,需要进一步缩小范围。
根据实验发现,斜坡点云聚类的雷达点数往往较多,当一个点云聚类中的雷达点数超过一定阈值时,才能认为有可能是斜坡,否则则认为是人腿等障碍物。因此可以预置一个数量阈值,当发现有点云聚类中雷达点数量大于预置的数量阈值时,将该点云聚类确认为疑似斜坡点云聚类。
步骤S103,将筛选出的所述疑似斜坡点云聚类中属于直线型的点云聚类确认为斜坡点云聚类,将所述斜坡点云聚类对应的激光雷达扫描区域确认为斜坡。
上述步骤根据雷达点数筛选出的点云聚类只是疑似斜坡点云聚类,还无法准确判断出是否是真实的斜坡点云聚类。从形状上看,筛选出的疑似斜坡点云聚类只有直线型的点云聚类才属于斜坡点云聚类,其他折线或弧线型的点云聚类则认为是障碍物点云。
点云聚类是否属于直线型的具体判断方法不限,例如可以是基于最小二乘法将疑似斜坡点云聚类拟合出直线,再根据疑似斜坡点云聚类中的各雷达点与所拟出直线的平均距离来判断是否属于直线型,也可以根据各雷达点到所拟出直线的距离中有几个大于预设距离值来判断,例如,当到所拟出直线的距离大于预设距离的雷达点数低于5个时,则判断该疑似斜坡点云聚类为斜坡点云聚类。
进一步地,还可以将确认出的斜坡点云聚类中的雷达点从在所述斜坡临近区域扫描到的所有雷达点中过滤掉,这样剩下的激光雷达点集合中全部是障碍物,机器人可以更好地据此采取对应的策略,如避障或停止前行并报警。
本发明第一实施例所提供的斜坡感知方法基于激光雷达技术和预先标记斜坡临近区域的方式,将在所述斜坡临近区域扫描到的所有雷达点进行点云聚类,然后最终从中筛选出疑似斜坡点云聚类,再进一步从疑似斜坡点云聚类得到斜坡点云聚类,将所述斜坡点云聚类对应的激光雷达扫描区域确认为斜坡,从而可以将机器人配送路径上的斜坡与障碍物区分开来,保证了机器人的正常配送,并且仅在行进至预先标记好的斜坡临近区域时才进行感知,而当机器人不处于斜坡临近区域时则不需要感知,大大减少了计算量,也避免了非斜坡区域的误检测。
在第一实施例的基础上,图4示出了本发明第二实施例提供的斜坡感知方法的流程,其中,步骤S102与S103与第一实施例相同不再赘述。步骤S101进一步包括:
步骤S1011,从在所述斜坡临近区域扫描到的所有雷达点中随机选择一个雷达点作为区域生长的种子点。
步骤S1012,将所述种子点预置距离范围内搜寻到的一级非种子雷达点与所述种子雷达点归至一个点云聚类。
步骤S1013,以所述一级非种子雷达点为开始,以搜寻预置距离范围内雷达点的方式进行逐级搜寻,直至在预置距离范围内无雷达点,然后将搜寻的各级非种子雷达点也归至同一个点云聚类。
步骤S1014,若存在未归类的雷达点,则从未归类的雷达点中随机选择一个作为新的种子点,然后重复上述搜寻的步骤,直至所有的雷达点全部完成点云聚类。
本实施例采用区域生长算法进行点云聚类,区域生长算法的基本思想是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点,然后将种子点周围领域的像素点和种子点进行对比,将具有相似性质的点合并起来继续向外生长,直到没有满足条件的像素被包括进来为止,这样一个区域的生长就算完成了。
具体到本实施例,需要随机确定一个雷达点为种子点,该种子点作为区域生长的起点,然后以此起点一级一级的寻找“具有相似性质”的雷达点,本实施例中的“相似性质”定义为距离种子点或者每一级的非种子点的距离在预置距离范围内的雷达点。首先种子点一定距离范围内的一级非种子雷达点与种子点聚为一类,然后将此类的一级非种子雷达点重复上一步,寻找其他的雷达点,同样归到这一类,例如,搜寻距离一级非种子雷达点在预置距离范围内的二级非种子雷达点,并同样归到这一类,然后再搜寻距离二级非种子雷达点在预置距离范围内的三级非种子雷达点,也同样归到这一类。一直这样一级一级的搜寻直到此类的雷达点都找不到相邻点为止,这样子这一类就算完成了。
如果还有其他没有归类的雷达点,则从中再随机选择一个作为新的种子点,重复上述过程。
在第一或第二实施例的基础上,图5示出了本发明第三实施例提供的斜坡感知方法的流程,其中,步骤S101与S102与第一、第二实施例相同不再赘述。步骤S103进一步包括:
步骤S1031,将每个疑似斜坡点云聚类拟合成一直线。
步骤S1032,计算每个疑似斜坡点云聚类内部的雷达点到各自对应的直线的距离均差。
步骤S1033,将距离均差低于预置的均差阈值的疑似斜坡点云聚类确认为斜坡点云聚类。
本实施例采用最小二乘法拟合直线,然后计算此点云聚类中的雷达点离这条直线的平均距离误差,当平均距离误差低于一定阈值时,才认为此点云聚类接近直线,才认为是雷达扫描到的斜坡。其中,平均距离误差通过如下方式得到:计算所有雷达点到该直线的距离的平均值,然后计算所有雷达点到该直线的距离与平均值之间的误差,再将所有误差的平均。这样可以反映出该点云聚类是否足够接近直线。
图6示出了本发明第四实施例提供的斜坡感知装置的结构,为了便于描述,仅示出了与本发明相关的部分。
参照图6,该装置包括聚类单元61、筛选单元62和斜坡确认单元63,聚类单元61用于将在斜坡临近区域扫描到的所有雷达点进行点云聚类,得到若干点云聚类;筛选单元62用于从所述若干点云聚类中筛选出疑似斜坡点云聚类;斜坡确认单元63用于将筛选出的所述疑似斜坡点云聚类中属于直线型的点云聚类确认为斜坡点云聚类,将所述斜坡点云聚类对应的激光雷达扫描区域确认为斜坡。
进一步地,如图7所示,聚类单元61还包括种子点确认模块611、一级非种子雷达点归类模块612、二级以下非种子雷达点归类模块613,其中,种子点确认模块611用于从在所述斜坡临近区域扫描到的所有雷达点中以及未归类的雷达点中随机选择一个雷达点作为区域生长的种子点;一级非种子雷达点归类模块612用于将所述种子点预置距离范围内搜寻到的一级非种子雷达点与所述种子雷达点归至一个点云聚类;二级以下非种子雷达点归类模块613用于以所述一级非种子雷达点为开始,以搜寻预置距离范围内雷达点的方式进行逐级搜寻,直至在预置距离范围内无雷达点,然后将搜寻的各级非种子雷达点也归至同一个点云聚类。
进一步地,如图8所示,斜坡确认单元63包括拟合模块631、均差计算模块632、斜坡确认模块633,其中,拟合模块631用于将每个疑似斜坡点云聚类拟合成一直线,均差计算模块632用于计算每个疑似斜坡点云聚类内部的雷达点到各自对应的直线的距离均差;斜坡确认模块633用于将距离均差低于预置的均差阈值的疑似斜坡点云聚类确认为斜坡点云聚类。
上述各模块的技术原理细节请参见上文中各实施例的描述,此处不再赘述。
如图9所示,本发明第五实施例还提供了一种机器人,包括存储器100和处理器200,处理器200可以是上述实施例中的斜坡感知装置。存储器100可以例如硬盘驱动存储器,非易失性存储器(例如闪存或用于形成固态驱动器的其它电子可编程限制删除的存储器等),易失性存储器(例如静态或动态随机存取存储器等)等,本发明实施例不作限制。
存储器100存储有可执行程序代码;与存储器100耦合的处理器200,调用所述存储器中存储的所述可执行程序代码,执行如上所述的斜坡感知方法。
进一步地,本发明第六实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的机器人中,该计算机可读存储介质可以是前述图9所示实施例中的存储器100。该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现前述图2至图5所示实施例中描述的斜坡感知方法。进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的斜坡感知方法、装置、机器人和计算机可读存储介质的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种斜坡感知方法,其特征在于,所述斜坡感知方法基于激光雷达技术实现,包括下述步骤:
将在斜坡临近区域扫描到的所有雷达点进行点云聚类,得到若干点云聚类;
从所述若干点云聚类中筛选出疑似斜坡点云聚类;
将筛选出的所述疑似斜坡点云聚类中属于直线型的点云聚类确认为斜坡点云聚类,将所述斜坡点云聚类对应的激光雷达扫描区域确认为斜坡。
2.根据权利要求1所述的方法,其特征在于,还包括:
将所述斜坡点云聚类中的雷达点从在所述斜坡临近区域扫描到的所有雷达点中过滤掉。
3.根据权利要求1所述的方法,其特征在于,在所述将在所述斜坡临近区域扫描到的所有雷达点进行点云聚类,得到若干点云聚类的步骤之前,所述斜坡感知方法还包括下述步骤:
记录行进路线上所有斜坡的位置坐标;
对于每个斜坡,以记录的位置坐标为圆心、以预置的半径创建圆形区域作为斜坡临近区域;
将所有的斜坡临近区域预先标记在创建的地图中。
4.根据权利要求1所述的方法,其特征在于,所述将在所述斜坡临近区域扫描到的所有雷达点进行点云聚类,包括:
从在所述斜坡临近区域扫描到的所有雷达点中随机选择一个雷达点作为区域生长的种子点;
将所述种子点预置距离范围内搜寻到的一级非种子雷达点与所述种子雷达点归至一个点云聚类;
以所述一级非种子雷达点为开始,以搜寻预置距离范围内雷达点的方式进行逐级搜寻,直至在预置距离范围内无雷达点,然后将搜寻的各级非种子雷达点也归至同一个点云聚类;
若存在未归类的雷达点,则从未归类的雷达点中随机选择一个作为新的种子点,然后重复上述搜寻的步骤,直至所有的雷达点全部完成点云聚类。
5.根据权利要求1所述的方法,其特征在于,所述从所述若干点云聚类中筛选出疑似斜坡点云聚类,包括:
将所述若干点云聚类中雷达点数量大于预置的数量阈值的点云聚类确认为疑似斜坡点云聚类。
6.根据权利要求1所述的方法,其特征在于,所述将筛选出的所述疑似斜坡点云聚类中属于直线型的点云聚类确认为斜坡点云聚类,包括:
将每个疑似斜坡点云聚类拟合成一直线;
计算每个疑似斜坡点云聚类内部的雷达点到各自对应的直线的距离均差;
将距离均差低于预置的均差阈值的疑似斜坡点云聚类确认为斜坡点云聚类。
7.一种斜坡感知装置,其特征在于,包括:
聚类单元,用于将在斜坡临近区域扫描到的所有雷达点进行点云聚类,得到若干点云聚类;
筛选单元,用于从所述若干点云聚类中筛选出疑似斜坡点云聚类;
斜坡确认单元,用于将筛选出的所述疑似斜坡点云聚类中属于直线型的点云聚类确认为斜坡点云聚类,将所述斜坡点云聚类对应的激光雷达扫描区域确认为斜坡。
8.如权利要求7所述的装置,其特征在于,所述聚类单元包括:
种子点确认模块,用于从在所述斜坡临近区域扫描到的所有雷达点中以及未归类的雷达点中随机选择一个雷达点作为区域生长的种子点;
一级非种子雷达点归类模块,用于将所述种子点预置距离范围内搜寻到的一级非种子雷达点与所述种子雷达点归至一个点云聚类;
二级以下非种子雷达点归类模块,用于以所述一级非种子雷达点为开始,以搜寻预置距离范围内雷达点的方式进行逐级搜寻,直至在预置距离范围内无雷达点,然后将搜寻的各级非种子雷达点也归至同一个点云聚类。
9.一种机器人,其特征在于,包括:
存储器和处理器;
所述存储器存储有可执行程序代码;
与所述存储器耦合的所述处理器,调用所述存储器中存储的所述可执行程序代码,执行如权利要求1至6中的任一项所述的斜坡感知方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至6中的任一项所述的斜坡感知方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110063124.4A CN112904306A (zh) | 2021-01-18 | 2021-01-18 | 斜坡感知方法、装置、机器人和存储介质 |
PCT/CN2022/072121 WO2022152263A1 (zh) | 2021-01-18 | 2022-01-14 | 斜坡感知方法、装置、机器人和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110063124.4A CN112904306A (zh) | 2021-01-18 | 2021-01-18 | 斜坡感知方法、装置、机器人和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112904306A true CN112904306A (zh) | 2021-06-04 |
Family
ID=76115200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110063124.4A Pending CN112904306A (zh) | 2021-01-18 | 2021-01-18 | 斜坡感知方法、装置、机器人和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112904306A (zh) |
WO (1) | WO2022152263A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536958A (zh) * | 2021-06-23 | 2021-10-22 | 华南农业大学 | 导航路径提取方法、装置、农业机器人和存储介质 |
WO2022152263A1 (zh) * | 2021-01-18 | 2022-07-21 | 深圳市普渡科技有限公司 | 斜坡感知方法、装置、机器人和存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423835B (zh) * | 2022-11-02 | 2023-03-24 | 中汽创智科技有限公司 | 杆状物点云数据处理方法、装置、电子设备及存储介质 |
CN116304764B (zh) * | 2023-05-22 | 2023-09-19 | 湖南联智科技股份有限公司 | 一种施工隧道点云中轴线自动拟合方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950313A (zh) * | 2015-06-11 | 2015-09-30 | 同济大学 | 一种路面提取及道路坡度识别方法 |
CN106204705A (zh) * | 2016-07-05 | 2016-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
CN109188459A (zh) * | 2018-08-29 | 2019-01-11 | 东南大学 | 一种基于多线激光雷达的坡道小障碍物识别方法 |
US20190178989A1 (en) * | 2017-12-11 | 2019-06-13 | Automotive Research & Testing Center | Dynamic road surface detecting method based on three-dimensional sensor |
CN109959911A (zh) * | 2019-03-25 | 2019-07-02 | 清华大学 | 基于激光雷达的多目标自主定位方法及装置 |
CN110471086A (zh) * | 2019-09-06 | 2019-11-19 | 北京云迹科技有限公司 | 一种雷达测障***及方法 |
CN111352106A (zh) * | 2018-12-24 | 2020-06-30 | 珠海市一微半导体有限公司 | 扫地机器人坡度识别方法、装置、芯片及扫地机器人 |
CN111368607A (zh) * | 2018-12-26 | 2020-07-03 | 北京欣奕华科技有限公司 | 一种机器人、障碍物的检测方法及检测装置 |
CN112099494A (zh) * | 2020-09-02 | 2020-12-18 | 西安交通大学 | 一种面向全地形车及其自动检测楼梯与攀爬方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111419116B (zh) * | 2018-12-24 | 2021-11-09 | 珠海一微半导体股份有限公司 | 扫地机器人爬坡控制方法和装置、存储介质及扫地机器人 |
CN110441791B (zh) * | 2019-08-14 | 2023-07-04 | 深圳无境智能机器人有限公司 | 一种基于前倾2d激光雷达的地面障碍物检测方法 |
CN111077541B (zh) * | 2019-12-30 | 2022-03-22 | 深圳优地科技有限公司 | 一种障碍物识别方法、障碍物识别装置及移动机器人 |
CN112904306A (zh) * | 2021-01-18 | 2021-06-04 | 深圳市普渡科技有限公司 | 斜坡感知方法、装置、机器人和存储介质 |
-
2021
- 2021-01-18 CN CN202110063124.4A patent/CN112904306A/zh active Pending
-
2022
- 2022-01-14 WO PCT/CN2022/072121 patent/WO2022152263A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950313A (zh) * | 2015-06-11 | 2015-09-30 | 同济大学 | 一种路面提取及道路坡度识别方法 |
CN106204705A (zh) * | 2016-07-05 | 2016-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
US20190178989A1 (en) * | 2017-12-11 | 2019-06-13 | Automotive Research & Testing Center | Dynamic road surface detecting method based on three-dimensional sensor |
CN109188459A (zh) * | 2018-08-29 | 2019-01-11 | 东南大学 | 一种基于多线激光雷达的坡道小障碍物识别方法 |
CN111352106A (zh) * | 2018-12-24 | 2020-06-30 | 珠海市一微半导体有限公司 | 扫地机器人坡度识别方法、装置、芯片及扫地机器人 |
CN111368607A (zh) * | 2018-12-26 | 2020-07-03 | 北京欣奕华科技有限公司 | 一种机器人、障碍物的检测方法及检测装置 |
CN109959911A (zh) * | 2019-03-25 | 2019-07-02 | 清华大学 | 基于激光雷达的多目标自主定位方法及装置 |
CN110471086A (zh) * | 2019-09-06 | 2019-11-19 | 北京云迹科技有限公司 | 一种雷达测障***及方法 |
CN112099494A (zh) * | 2020-09-02 | 2020-12-18 | 西安交通大学 | 一种面向全地形车及其自动检测楼梯与攀爬方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022152263A1 (zh) * | 2021-01-18 | 2022-07-21 | 深圳市普渡科技有限公司 | 斜坡感知方法、装置、机器人和存储介质 |
CN113536958A (zh) * | 2021-06-23 | 2021-10-22 | 华南农业大学 | 导航路径提取方法、装置、农业机器人和存储介质 |
CN113536958B (zh) * | 2021-06-23 | 2023-08-25 | 华南农业大学 | 导航路径提取方法、装置、农业机器人和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022152263A1 (zh) | 2022-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112904306A (zh) | 斜坡感知方法、装置、机器人和存储介质 | |
CN110084095B (zh) | 车道线检测方法、车道线检测装置和计算机存储介质 | |
Hata et al. | Road marking detection using LIDAR reflective intensity data and its application to vehicle localization | |
CN108459599B (zh) | 一种运动路径规划方法及装置 | |
CN112526993B (zh) | 栅格地图更新方法、装置、机器人及存储介质 | |
Shang et al. | Lidar based negative obstacle detection for field autonomous land vehicles | |
CN111308500B (zh) | 基于单线激光雷达的障碍物感知方法、装置和计算机终端 | |
CN114488073A (zh) | 激光雷达采集到的点云数据的处理方法 | |
EP2779025A2 (en) | Method and system for detecting road edge | |
CN108984741B (zh) | 一种地图生成方法及装置、机器人和计算机可读存储介质 | |
CN114926809A (zh) | 可通行区域检测方法及装置、移动工具、存储介质 | |
CN109645892A (zh) | 一种障碍物的识别方法及清洁机器人 | |
CN111178119A (zh) | 路口状态检测方法、装置、电子设备及车辆 | |
CN110544268B (zh) | 一种基于结构光及SiamMask网络的多目标跟踪方法 | |
Oh et al. | TRAVEL: Traversable ground and above-ground object segmentation using graph representation of 3D LiDAR scans | |
CN111862133A (zh) | 封闭空间的区域分割方法、装置和可移动设备 | |
CN113008249A (zh) | 移动机器人的避让点检测方法、避让方法以及移动机器人 | |
US11922701B2 (en) | Method and system for creating a semantic representation of the environment of a vehicle | |
CN105911553A (zh) | 一种道路可行域确定方法及*** | |
CN114140760A (zh) | 智能驾驶中障碍物检测去干扰方法、装置和计算机设备 | |
JP2011150627A (ja) | 通路検出方法、装置、及びプログラム | |
Corcoran et al. | Background foreground segmentation for SLAM | |
Yue et al. | Kinect based real time obstacle detection for legged robots in complex environments | |
CN114972731A (zh) | 交通灯检测识别方法及装置、移动工具、存储介质 | |
JP5321281B2 (ja) | 通路検出プログラム、通路検出装置及び方法 |
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 |
Application publication date: 20210604 |
|
RJ01 | Rejection of invention patent application after publication |