CN113807118A - 机器人沿边工作方法、***，机器人及可读存储介质 - Google Patents
机器人沿边工作方法、***，机器人及可读存储介质 Download PDFInfo
- Publication number
- CN113807118A CN113807118A CN202010471605.4A CN202010471605A CN113807118A CN 113807118 A CN113807118 A CN 113807118A CN 202010471605 A CN202010471605 A CN 202010471605A CN 113807118 A CN113807118 A CN 113807118A
- Authority
- CN
- China
- Prior art keywords
- robot
- edgewise
- working area
- image
- working
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241001417527 Pempheridae Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Manipulator (AREA)
- Image Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种机器人沿边工作方法、***，机器人及可读存储介质，所述方法包括：获取原始图像；将所述原始图像转换为二值化图像，所述二值化图像包括具有第一像素值的工作区域和具有第二像素值的非工作区域；以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓，以及围合所述非工作区域、且为最小的第二矩形轮廓；根据所述第一矩形轮廓和所述第二矩形轮廓，判断所述机器人是否到达所述沿边工作路径的转向点。发明根据机器人上摄像机拍摄的图像区分工作区域和非工作区域，并根据工作区域的划分确认机器人是否到达沿边工作路径的转向点；从而使带有摄像机的机器人，可以通过视觉识别边界执行沿边割草功能。
Description
技术领域
本发明涉及智能控制领域，尤其涉及一种机器人沿边工作方法、***，机器人及可读存储介质。
背景技术
低重复率、高覆盖率是遍历式机器人如吸尘、割草及泳池清洗等移动机器人追求的目标。
以移动机器人为智能割草机器人为例，割草机器人以电子边界围住的草坪为工作区域，并在沿边行走及执行割草过程中，由电子边界线作为方向引导。
结合图1所示，边界线L首尾相接后，其内部围合形成机器人的工作区域A，即草坪区域；其外部形成机器人的非工作区域B，即边界区域；以在边界线L上的1-a为起点，顺时针旋转为例进行介绍：机器人沿边割草过程中，会分别遇到外拐点(凸拐点)，内拐点(凹拐点)；在图1所示示例中，所述外拐点分别为2-a、2-b、2-c、2-d、2-e、2-f，所述内拐点分别为：3-a、3-b；实际应用中，当机器人行走至外拐点时，以2-a为例，其需要顺时针旋转，直至机身方位为1-b一致；当机器人行走至内拐点时，以3-a为例，其需要逆时针旋转，直至机身方位为1-c一致。
现有技术中，通常通过线圈的磁场变化，判断机器人是否处于边界线上；并进一步的，在内拐点和外拐点所在位置设置标识物，例如：通过在拐点处绕设多级线圈以增加磁场强度；当机器人感应到磁场强度增加时，按照预设的规则执行转弯。然而，该种方案通过磁场强度感应的方式进行判断，精度较低；进一步的，当需要识别拐点时，还需要额为增加线圈成本。
发明内容
为解决上述技术问题，本发明的目的在于提供一种机器人沿边工作方法、***，机器人及可读存储介质。
为了实现上述发明目的之一，本发明一实施方式提供一种机器人沿边工作方法，所述方法包括：获取原始图像；
将所述原始图像转换为二值化图像，所述二值化图像包括具有第一像素值的工作区域和具有第二像素值的非工作区域；
以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓，以及围合所述非工作区域、且为最小的第二矩形轮廓；
根据所述第一矩形轮廓和所述第二矩形轮廓，判断所述机器人是否到达所述沿边工作路径的转向点。
作为本发明一实施方式的进一步改进，所述“根据所述第一矩形轮廓和所述第二矩形轮廓,判断所述机器人是否到达所述沿边工作路径的转向点”包括：
获取所述第一矩形轮廓的宽度W[g]、所述第一矩形轮廓的左上角在所述原始图像或所述二值化图像上的相对纵坐标值Y[g]，所述第二矩形轮廓的宽度W[b]、所述第二矩形轮廓的左上角在所述原始图像或所述二值化图像上的相对的纵坐标值Y[b]，以及获取所述原始图像或所述二值化图像的宽度W；
若W[g]＝W,则执行步骤P1；
若W[g]＜W，则执行步骤P2；
P1,若W[b]＜W,且Y[b]等于预设第一纵坐标值，则所述机器人当前处于第一转向点；
P2，若Y[g]等于预设第二纵坐标值，则所述机器人当前处于第二转向点。
作为本发明一实施方式的进一步改进，所述方法还包括：
若W[b]＜W,且Y[b]不等于预设第一纵坐标值，则所述机器人沿当前方向继续执行沿边工作，直至Y[b]等于所述预设第一纵坐标值。
作为本发明一实施方式的进一步改进，所述方法还包括：当所述机器人处于所述第一转向点时，所述机器人执行顺时针或逆时针转弯逻辑其中之一，当所述机器人处于所述第二转向点时，所述机器人执行顺时针或逆时针转弯逻辑其中另一。
为了实现上述发明目的之一，本发明一实施方式提供一种机器人沿边工作***，所述***包括：图像获取模块，用于获取原始图像；
图像转换模块，用于将所述原始图像转换为二值化图像，所述二值化图像包括具有第一像素值的工作区域和具有第二像素值的非工作区域；
解析模块，用于以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓，以及围合所述非工作区域、且为最小的第二矩形轮廓；
根据所述第一矩形轮廓和所述第二矩形轮廓，判断所述机器人是否到达所述沿边工作路径的转向点。
为了实现上述发明目的之一，本发明一实施方式提供一种机器人沿边工作方法，所述方法包括：获取原始图像；
将所述原始图像转换为二值化图像，所述二值化图像包括具有第一像素值的工作区域和具有第二像素值的非工作区域；
判断所述机器人是否处于沿边工作路径上；
若所述机器人处于所述沿边工作路径上，则以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓，以及围合所述非工作区域、且为最小的第二矩形轮廓；
根据所述第一矩形轮廓和所述第二矩形轮廓，判断所述机器人是否到达所述沿边工作路径的转向点。
作为本发明一实施方式的进一步改进，所述“判断所述机器人是否处于沿边工作路径上”包括：
以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓；
获取所述第一矩形轮廓的对角线，将其长度以maxLine[g]表示；
判断所述maxLine[g]是否小于预设第一数值，
若是，则驱动所述机器人变向以重新规划并寻找所述沿边工作路径，直至所述maxLine[g]不小于所述预设第一数值；
若否，则所述机器人处于所述沿边工作路径上。
作为本发明一实施方式的进一步改进，所述“判断所述机器人是否处于沿边工作路径上”包括：
以二值化图像为基础，获取所述工作区域的面积，将其以maxArea[g]表示；
判断所述maxArea[g]是否小于预设第二数值，
若是，则所述机器人处于沿边工作路径上；
若否，驱动所述机器人变向以重新规划并寻找所述沿边工作路径，直至所述maxArea[g]小于所述预设第二数值。
为了实现上述发明目的之一，本发明一实施方式提供一种机器人，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述机器人沿边工作方法的步骤。
为了实现上述发明目的另一，本发明一实施方式提供一种可读存储介质，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上所述机器人沿边工作方法的步骤。
与现有技术相比，本发明的机器人沿边工作方法、***，机器人及可读存储介质，根据机器人上摄像机拍摄的图像区分工作区域和非工作区域，并根据围合所述工作区域、且为最小的第一矩形轮廓及围合所述非工作区域、且为最小的第二矩形轮廓，判断机器人是否到达转向点；从而使带有摄像机的机器人，可以通过视觉识别边界执行沿边割草功能。
附图说明
图1是本发明背景技术中具体示例的结构示意图；
图2是本发明割草机器人***的具体示例的结构示意图；
图3是本发明第一实施方式提供的机器人沿边工作方法的流程示意图；
图4A、4B、4C、4D、4E、4F、4G为本发明同一具体示例中各个步骤获得的示意图；
图5、图6分别是图3中其中一个步骤的具体实现方法的流程示意图；
图7是基于图3所示方法的另一较佳实施方式提供的机器人沿边工作方法的流程示意图；
图8是图7中其中一个步骤的具体实现方法的流程示意图；
图9为本发明第二具体示例的示意图；
图10为本发明第三具体示例的示意图；
图11是本发明第二实施方式提供的机器人沿边工作方法的流程示意图；
图12是本发明一实施方式提供的机器人沿边工作***的模块示意图。
具体实施方式
以下将结合附图所示的各实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
本发明的机器人***可以是割草机器人***，扫地机器人***、扫雪机***、吸叶机***，高尔夫球场拾球机***等，各个***可以自动行走于工作区域并进行相对应的工作，本发明具体示例中，以机器人***为割草机器人***为例做具体说明，相应的，所述工作区域可为草坪。
如图2所示，本发明的割草机器人***包括：割草机器人(RM)、充电站20、边界30。
所述割草机器人包括：本体10，设置于本体10上的行走单元、图像获取单元及控制单元。所述行走单元包括：主动轮111、被动轮113以及用于驱动主动轮111的电机；所述电机可为带减速箱和带霍尔传感器的无刷电机；电机启动后，可通过减速箱带动主动轮111行走，并通过控制两个轮的速度、方向便可以实现前进与后退直线运行、原地转弯及圆弧运行等行驶动作；所述被动轮113可为万向轮，其通常设置为1个或者2个，其主要起支撑平衡的作用。
所述图像获取单元用于在一定范围内获取其视角范围内的场景，在本发明具体实施方式中为摄像机12，该摄像机12安装于本体10的上部，与水平方向成一定夹角，可以拍摄到割草机器人一定范围内的场景；该摄像机12通常拍摄割草机器人前部一定范围内的场景。
控制单元为进行图像处理的主控制器13，例如：MCU或DSP等。
进一步的，所述割草机器人还包括：用于工作的工作机构，及供电电源14；在本实施例中，工作机构为割草刀盘，用于感应行走机器人的行走状态的各种传感器，例如：倾倒、离地、碰撞传感器、地磁、陀螺仪等，在此未一一具体赘述。
割草机器人***还设有充电站20，用于提供电源以便割草机器人自动充电。在本实施例中，所述边界30可以是虚拟边界，即割草机器人通过视觉传感器进行沿边工作，当然，在其他实施例中，所述边界30也可以是边界线，割草机器人利用视觉传感器及边界线结合进行沿边工作。所述边界30内部形成工作区域A，外部形成非工作区域B；其中，边界上还形成若干转向点；机器人工作过程中，本发明具体的行走及工作规则设置为沿边行走，如此，在行走过程中，若路遇转向点时，需要执行转弯操作；若机器人位于工作区域A或非工作区域B，则需要执行旋转操作；在该具体示例中，转弯是指左右轮速度不一样的前进，带有一定弧度；旋转包括原地旋转/转弯，其目的均是为了使机器人返回至边界线上，并驱动机器人沿边行走和工作。
另外，工作区域内通常还设置水池、花丛等需要防止割草机器人进入的障碍物50，在此不做进一步的赘述。
结合图3所示，本发明的第一实施例提供的机器人沿边工作方法，所述方法包括以下步骤：
S1、获取原始图像；
S2、将原始图像转换为二值化图像，所述二值化图像包括具有第一像素值的工作区域和具有第二像素值的非工作区域；
S3、判断所述机器人是否处于沿边工作路径上。
本发明具体实施方式中，对于步骤S1，通过割草机器人上安装的摄像机实时拍摄机器人前方的场景，形成原始图像；所述场景为机器人前进方向上的地面图像；进一步的，当所述主控制器接收到原始图像后，对原始图像进行解析；从而可通过原始图像判断机器人是否处于沿边工作路径上，以及进一步的分析机器人在沿边工作路径上的具***置，以下内容中会详细描述。
结合图4A所示，原始图像实际为RGB格式的彩色图像；需要说明的是，在不同时刻，摄像机拍摄获得的原始图像大小相同，且为矩形；进一步的，为了便于计算，以原始图像的左上角为坐标原点(0,0)，以原始图像的上边界向右侧延伸为X轴正向，以左边界向下延伸为Y轴正向建立直角坐标系；如此，当原始图像确定时，其上各个元素的坐标点的坐标数值确定。当然，该示例仅是为了描述方便，实际应用中，在原始图像确定时，坐标原点，X、Y轴的建立均可以根据需要具体调整。需要注意的是，坐标原点，X，Y轴也可以是建立于所述二值化图像，且与所述原始图像对应，而不局限于建立于所述原始图像。
对于步骤S2，本发明可实现方式中，将RGB格式的原始图像转换为二值化图像的方式具有多种；所述二值化图像为：图像中像素点仅具有两种灰度值，或者为0，或者为255，二值化处理过程为将整个原始图像呈现出明显的黑白效果的过程；在本发明具体实施方式中，将工作区域和非工作区域调整互为白色和黑色。
本发明具体示例中，结合图4B、4C所示，图4B为由图4A转换形成的HSV图像，其同样为彩色图像；图4C为由图4B转换形成的二值化图像；相应的，所述步骤S2具体包括：S21、将由RGB颜色空间构成的原始图像转换为HSV颜色空间构成的HSV图像，如此，可通过更明显的颜色特征区分出工作区域和非工作区域；S22、通过阈值的匹配将HSV图像转换为二值化图像；在该具体示例中，分别对H、S、V三通道预设阈值范围，其阈值范围分别为：[vlaueHLow,vlaueHHigh]，[valueSLow,valueSHigh]，[valueVLow,valueVHigh]，若HSV图像中的任一像素对应的H、S、V的数值处于上述对应的预设阈值范围内，则将其灰度值调整为0或255其中之一，将H、S、V均处于预设范围外的像素的灰度值调整为0或255其中另一。
本发明较佳实施方式中，当前若需要对工作区域进行分析，则将工作区域的灰度值调整为0，将非工作区域的灰度值调整为255；当前若需要对非工作区域进行分析，则将工作区域的灰度值调整为255，将非工作区域的灰度值调整为0，如此，以适应主控制器仅对一种颜色(白色或者黑色)进行计算检测，提升分析效率；需要说明的是，灰度值的调整仅需要对上述阈值预设范围进行取反，既可以达到调整的目的，在此不做进一步的赘述。
本发明较佳实施方式中，为了提升计算精准度，结合图4D、4E所示，4D为对图4C进行平滑滤波处理后形成的图像；图4E为对图4D进行膨胀腐蚀处理后形成的图像；相应的，所述步骤S2和步骤S3之间，所述方法还包括：对二值化图像进行平滑滤波处理和/或膨胀腐蚀处理以去除二值化图像中的噪声；所述平滑滤波处理例如：中值滤波、均值滤波、高斯滤波等；所述膨胀腐蚀处理为形态学操作。
本发明较佳实施方式中，结合图5所示，本发明的沿边工作方法包含所述步骤S3仅是一种实施例，在其他实施例中，若所述机器人已经位于所述沿边工作路径上，则无需该步骤。所述步骤S3包括：S31、以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓；获取第一矩形轮廓的对角线，将其长度以maxLine[g]表示；判断所述maxLine[g]是否小于预设第一数值，若是，驱动机器人变向以重新规划并寻找沿边工作路径，直至所述maxLine[g]不小于预设第一数值；若否，则所述机器人处于所述沿边工作路径上。
在该较佳实施方式中，所述预设第一数值为***预设的长度值，其大小可以根据需要具体调节；当maxLine[g]小于预设第一数值时，表示机器人处于非工作区域，如此，需要对机器人的位置进行调整使其回到沿边工作路径上；相应的，调整的方式可以驱动机器人旋转，并重新寻找沿边工作路径，进而回到沿边工作路径上。
另外，需要说明的是，在该较佳实施方式中，割草机器人前进过程中，其上设置的摄像机实施拍摄其前方环境的图像；相应的，获得的原始图像为矩形区域；进一步的，围合工作区域的第一矩形轮廓中至少相邻两个边界共用原始图像的边界，所述沿边工作路径即机器人沿着边界线行走并工作。
本发明具体示例图4E所示，预设第一数值value1为22.3，通过计算获得maxLine[g]的值为156.2，即maxLine[g]＞value1，此时，确定机器人处于沿边工作路径上。
较佳的，结合图6所示，所述步骤S3还包括：S32、以二值化图像为基础，获取所述工作区域的面积，将其以maxArea[g]表示；判断所述maxArea[g]是否小于预设第二数值，若是，则所述机器人处于沿边工作路径上；若否，驱动机器人变向以重新规划并寻找沿边工作路径，直至所述maxArea[g]小于预设第二数值。
在该较佳实施方式中，所述预设第二数值为***预设的面积数值，其大小可以根据需要具体调节；当maxArea[g]不小于预设第二数值时，表示机器人处于工作区域，距离边界线较远，如此，需要对机器人的位置进行调整使其回到沿边工作路径上；相应的，调整的方式可以驱动机器人旋转，并重新寻找沿边工作路径，进而回到沿边工作路径上。
另外，当工作区域一定时，其面积的计算方式具有多种，例如：采用坐标的方式、计算像素点的方式等，在此不做详细赘述。
本发明具体示例图4E所示，预设第二数值value2为19150，通过计算获得maxArea[g]的值为10655，即maxArea[g]＜value2，此时，确定机器人处于沿边工作路径上。
需要说明的是，上述步骤S31和步骤S32可择一执行，也可以同时执行或先后执行，当选择同时执行或先后执行上述两个步骤时，其计算结果相同。
进一步的，在步骤S3执行完成后，结合图7所示，所述方法还包括：S4、若所述机器人处于所述沿边工作路径上，则以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓，以及围合所述非工作区域、且为最小的第二矩形轮廓；S5、根据所述第一矩形轮廓和所述第二矩形轮廓，判断所述机器人是否到达所述沿边工作路径的转向点。
所述第一矩形轮廓和第二矩形轮廓的获取方式与上述内容中的描述相同，在此不做进一步的赘述。
本发明较佳实施方式中，结合图8所示，对于步骤S5，其具体包括：获取第一矩形轮廓的宽度W[g]、所述第一矩形轮廓的左上角在所述原始图像或所述二值化图像上的相对纵坐标值Y[g]，第二矩形轮廓的宽度W[b]、所述第二矩形轮廓的左上角在所述原始图像或所述二值化图像上的相对的纵坐标值Y[b]，以及获取所述原始图像或所述二值化图像的宽度W；若W[g]＝W,则执行步骤P1；若W[g]＜W，则执行步骤P2；P1,若W[b]＜W,且Y[b]到达预设第一纵坐标值，则所述机器人当前处于第一转向点；P2，若Y[g]到达预设第二纵坐标值，则确认机器人当前处于第二转向点。
较佳的，对于步骤P1,若W[b]＜W,且Y[b]不等于预设第一纵坐标值，则所述机器人沿当前方向继续执行沿边工作，直至Y[b]等于所述预设第一纵坐标值。
在该较佳实施方式中，所述预设第一纵坐标值和所述预设第二纵坐标值均为***预设的像素点坐标的纵坐标值，其大小可以根据需要具体调节。
需要说明的，在该较佳实施方式中，原始图像的宽度W是是确定值，第一矩形轮廓为原始图像的一部分，因此，将W[g]与W进行大小比对时，不存在W[g]＞W情况。
结合图4E所示，经过判断可知：机器人当前处于沿边工作路径上，进一步的，经过采集分析获取矩形款选部分为第一矩形轮廓；结合图4F所示，经过判断可知：机器人当前处于沿边工作路径上，进一步的，经过采集分析获取矩形款选部分为第二矩形轮廓；
本发明较佳实施方式中，对于步骤P1,当第一矩形轮廓的宽度与原始图像的宽度一致，第二矩形轮廓的宽度小于原始图像的宽度时，依据上述内容在原始图像建立的坐标系下，机器人沿工作路径行走，机器人越靠近转向点，其获得的左上角在原始图像上的相对纵坐标值Y[b]越大，在Y[b]不等于预设第一纵坐标值的情况下，机器人保持沿边工作路径行走；当Y[b]等于预设第一纵坐标值时，表示机器人行走至沿边工作路径的转向点上，此时，需要按照预设规则驱动机器人转向，并保持处于沿边工作路径上。另外，需要说明的是，当第一矩形轮廓的宽度与原始图像的宽度一致，非工作区域的宽度小于原始图像的宽度时，若W[b]＝W，则出现的可能情况为：机器人瞬间跑偏，此时，通过上述步骤S3的执行，可以将机器人重新调整到沿边工作路径上。
本发明较佳实施方式中，对于步骤P2,当第一矩形轮廓的宽度与原始图像的宽度不一致，即第一矩形轮廓的宽度＜原始图像的宽度，第二矩形轮廓的宽度小于原始图像的宽度时，依据上述内容在原始图像建立的坐标系下，机器人沿工作路径行走，机器人越靠近转向点，其获得的左上角在原始图像上的相对纵坐标值Y[g]越大，在Y[g]不等于预设第二纵坐标值的情况下，机器人保持沿边工作路径行走；当Y[g]等于预设第二纵坐标值时，表示机器人行走至沿边工作路径的转向点上，此时，需要按照预设规则驱动机器人转向，并保持处于沿边工作路径上。
进一步地，所述方法还包括：当所述机器人处于所述第一转向点时，所述机器人执行顺时针或逆时针转弯逻辑其中之一，当所述机器人处于所述第二转向点时，所述机器人执行顺时针或逆时针转弯逻辑其中另一。
本发明一具体示例中，预设value1＝22.3,value2＝19150，W＝160，预设第一纵坐标值Y1＝90,预设第二纵坐标值Y2＝80。
结合图9所示，图9左侧和右侧的二值化图像为同一图像，其区别在于，二值化图像中矩形框选部分不同，左侧款选部分为第一矩形轮廓，右侧款选部分为第二矩形轮廓；另外，左侧二值化图像中工作区域的灰度值设置为0，非工作区域的灰度值设置为255；左侧二值化图像中工作区域的灰度值设置为255，非工作区域的灰度值设置为0。在该示例中，通过解析可知：maxLine[g]＝200,maxArea[g]＝14382，W[g]＝160，W[b]＝108，第一矩形轮廓的左上角坐标为(0,0),第二矩形轮廓的左上角坐标为(52,71)，即Y[g]＝0，Y[b]＝71。经过比对可知：maxLine[g]＞value1，maxArea[g]＜value2，W[g]＝W，执行步骤P1，进一步的，经过再次比对可知：W[b]＜W，Y[b]＜Y1；如此，可以判断机器人处于沿边工作路径上，且在朝向第一转向点方向行进；当某一时刻，Y[b]＝Y1时，说明机器人到达第一转向点，需要执行转弯逻辑；在该示例中，当机器人到达第一转向点时，执行顺时针逻辑。
结合图10所示，图10左侧和右侧的二值化图像为同一图像，其区别在于，左侧款选部分为第一矩形轮廓；另外，左侧二值化图像中工作区域的灰度值设置为0，非工作区域的灰度值设置为255；左侧二值化图像中工作区域的灰度值设置为255，非工作区域的灰度值设置为0。在该具体示例中，通过解析可知：maxLine[g]＝1024,maxArea[g]＝4407，W[g]＝80，第一矩形轮廓的左上角坐标为(0,56)。经过比对可知：maxLine[g]＞value1，maxArea[g]＜value2，W[g]＜W，执行步骤P1，进一步的，经过再次比对可知：Y[g]＜Y2；如此，可以判断机器人处于沿边工作路径上，且在朝向第二转向点方向行进；当某一时刻，Y[g]＝Y2时，说明机器人到达第二转向点，需要执行转弯逻辑；在该示例中，当机器人到达第二转向点时，执行逆时针逻辑。
进一步地，在所述割草机器人的沿边工作过程中执行上述步骤S3仅是一种实施例，在本发明的第二实施例中，结合图11所示，所述机器人的沿边工作方法，也可以是：
获取原始图像；
将所述原始图像转换为二值化图像，所述二值化图像包括具有第一像素值的工作区域和具有第二像素值的非工作区域；
以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓，以及围合所述非工作区域、且为最小的第二矩形轮廓；
根据所述第一矩形轮廓和所述第二矩形轮廓，判断所述机器人是否到达沿边工作路径的转向点。
具体来说，在本发明的第二实施例中，所述割草机器人也可以是先通过无线通信等其他方式寻找边界，在处于所述沿边工作路径后，通过所述第一矩形轮廓和所述第二矩形轮廓，判断所述机器人是否到达沿边工作路径的转向点，而不局限于始终通过视觉的方式进行沿边工作。关于具体的判断机器人是否到达沿边工作路径的转向点的内容与本发明的第一实施例一致，这里便不再赘述。
本发明较佳实施方式中，所述步骤S1之前，所述方法还不包括：在机器人初始化后，将其首次解析获得的二值化图像均分为左图像和右图像，分别统计左图像和右图像中像素点的数量，判断左图像像素点的数量是否大于右图像像素点的数量，若是，则驱动机器人逆时针时序工作，若否，则驱动机器人顺时针时序工作。
另外，需要说明的是，当确定机器人处于沿边工作路径上，并沿着沿边工作路径行走过程中，可以基于二值化图像采用边缘检测方法检测具体的沿边工作路径。结合图4G所示，本发明一具体示例中采用的边缘检测方法为canny算法；其检测原理为：统计边缘线与中心线的偏移量x，根据x调整机器人的行走路径；所示中心线即为二值化图像宽度方向1/2处的竖向直线；所示边缘线即为工作区域和非工作区域的交线；统计过程中，不限于求边缘线在x轴方向的均值，还可以利用霍夫直线检测求出边缘线的直线方程，并通过边缘线与中心线的夹角调整机器人的行走方向及行走路径，在此不做进一步的赘述。
本发明一实施方式中，还提供一种机器人，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述机器人沿边工作方法的步骤。
本发明一实施方式中，还提供一种可读存储介质，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上述所述机器人沿边工作方法的步骤。
结合图12所示，提供一种机器人沿边工作***，所述***包括：图像获取模块100，图像转换模块200以及解析模块300。
图像获取模块100用于获取原始图像；图像转换模块200用于将原始图像转换为二值化图像，所述二值化图像包括具有第一像素值的工作区域和具有第二像素值的非工作区域；解析模块300用于以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓，以及围合所述非工作区域、且为最小的第二矩形轮廓；根据所述第一矩形轮廓和所述第二矩形轮廓，判断所述机器人是否到达所述沿边工作路径的转向点。
本发明较佳实施方式中，所述解析模块300具体用于：以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓；获取所述第一矩形轮廓的对角线，将其长度以maxLine[g]表示；判断所述maxLine[g]是否小于预设第一数值，若是，则驱动所述机器人变向以重新规划并寻找所述沿边工作路径，直至所述maxLine[g]不小于所述预设第一数值；若否，则所述机器人处于所述沿边工作路径上。
较佳的，所述解析模块300具体用于：以二值化图像为基础，获取所述工作区域的面积，将其以maxArea[g]表示；判断所述maxArea[g]是否小于预设第二数值，若是，则所述机器人处于沿边工作路径上；若否，驱动所述机器人变向以重新规划并寻找所述沿边工作路径，直至所述maxArea[g]小于所述预设第二数值。
本发明较佳实施方式中，所述解析模块300具体用于：获取所述第一矩形轮廓的宽度W[g]、所述第一矩形轮廓的左上角在所述原始图像或所述二值化图像上的相对纵坐标值Y[g]，所述第二矩形轮廓的宽度W[b]、所述第二矩形轮廓的左上角在所述原始图像或所述二值化图像上的相对的纵坐标值Y[b]，以及获取所述原始图像或所述二值化图像的宽度W；若W[g]＝W,W[b]＜W,且Y[b]等于预设第一纵坐标值，确认机器人当前处于第一转向点；若W[b]＜W,且Y[b]不等于预设第一纵坐标值，则所述机器人沿当前方向继续执行沿边工作，直至Y[b]等于所述预设第一纵坐标值；若W[g]＜W，Y[g]等于预设第二纵坐标值，确认机器人当前处于第二转向点；其中，当机器人处于第一转向点时，驱动机器人执行顺时针或逆时针转弯逻辑其中之一，当机器人处于第二转向点时，驱动机器人执行顺时针或逆时针转弯逻辑其中另一。
本发明较佳实施方式中，所述***还包括：初始化模块，用于在机器人初始化后，将通过图像转换模块200首次解析获得的二值化图像均分为左图像和右图像，分别统计左图像和右图像中像素点的数量，判断左图像像素点的数量是否大于右图像像素点的数量，若是，则驱动机器人逆时针时序工作，若否，则驱动机器人顺时针时序工作。
本发明较佳实施方式中，当确定机器人处于沿边工作路径上，并沿着沿边工作路径行走过程中，所述解析模块300还用于基于二值化图像采用边缘检测方法检测具体的沿边工作路径。
另外，需要说明的是，在本发明的较佳实施方式中，机器人沿边工作***中的所述图像获取模块100用于实现步骤S1；图像转换模块200用于实现步骤S2；解析模块300用于实现步骤S3和步骤S4；所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
综上所述，本发明的机器人沿边工作方法、***，机器人及可读存储介质，根据机器人上摄像机拍摄的图像区分工作区域和非工作区域，并根据工作区域的具***置确认机器人是否在沿边工作路径上；从而使带有摄像机的机器人，可以通过视觉识别边界执行沿边割草功能；进一步的，结合非工作区域的具***置，可进一步的判断工作路径上的转向点，从而进一步提高机器人的识别效率。
在本申请所提供的几个实施方式中，应该理解到，所揭露的模块，***和方法，均可以通过其它的方式实现。以上所描述的***实施方式仅仅是示意性的，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上，可以根据实际的需要选择其中的部分或者全部模块来实现本实施方式方案的目的。
另外，在本申请各个实施方式中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以2个或2个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
最后应说明的是：以上实施方式仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施方式对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施方式技术方案的精神和范围。
Claims (10)
1.一种机器人沿边工作方法，其特征在于，所述方法包括：
获取原始图像；
将所述原始图像转换为二值化图像，所述二值化图像包括具有第一像素值的工作区域和具有第二像素值的非工作区域；
以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓，以及围合所述非工作区域、且为最小的第二矩形轮廓；
根据所述第一矩形轮廓和所述第二矩形轮廓，判断所述机器人是否到达所述沿边工作路径的转向点。
2.根据权利要求1所述的机器人沿边工作方法，其特征在于，所述“根据所述第一矩形轮廓和所述第二矩形轮廓,判断所述机器人是否到达所述沿边工作路径的转向点”包括：
获取所述第一矩形轮廓的宽度W[g]、所述第一矩形轮廓的左上角在所述原始图像或所述二值化图像上的相对纵坐标值Y[g]，所述第二矩形轮廓的宽度W[b]、所述第二矩形轮廓的左上角在所述原始图像或所述二值化图像上的相对的纵坐标值Y[b]，以及获取所述原始图像或所述二值化图像的宽度W；
若W[g]＝W,则执行步骤P1；
若W[g]＜W，则执行步骤P2；
P1,若W[b]＜W,且Y[b]等于预设第一纵坐标值，则所述机器人当前处于第一转向点；
P2，若Y[g]等于预设第二纵坐标值，则所述机器人当前处于第二转向点。
3.根据权利要求2所述的机器人沿边工作方法，其特征在于，所述方法还包括：
若W[b]＜W,且Y[b]不等于预设第一纵坐标值，则所述机器人沿当前方向继续执行沿边工作，直至Y[b]等于所述预设第一纵坐标值。
4.根据权利要求3所述的机器人沿边工作方法，其特征在于，所述方法还包括：当所述机器人处于所述第一转向点时，所述机器人执行顺时针或逆时针转弯逻辑其中之一，当所述机器人处于所述第二转向点时，所述机器人执行顺时针或逆时针转弯逻辑其中另一。
5.一种机器人沿边工作***，其特征在于，所述***包括：
图像获取模块，用于获取原始图像；
图像转换模块，用于将所述原始图像转换为二值化图像，所述二值化图像包括具有第一像素值的工作区域和具有第二像素值的非工作区域；
解析模块，用于以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓，以及围合所述非工作区域、且为最小的第二矩形轮廓；
根据所述第一矩形轮廓和所述第二矩形轮廓，判断所述机器人是否到达所述沿边工作路径的转向点。
6.一种机器人沿边工作方法，其特征在于，所述方法包括：
获取原始图像；
将所述原始图像转换为二值化图像，所述二值化图像包括具有第一像素值的工作区域和具有第二像素值的非工作区域；
判断所述机器人是否处于沿边工作路径上；
若所述机器人处于所述沿边工作路径上，则以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓，以及围合所述非工作区域、且为最小的第二矩形轮廓；
根据所述第一矩形轮廓和所述第二矩形轮廓，判断所述机器人是否到达所述沿边工作路径的转向点。
7.根据权利要求6所述的机器人沿边工作方法，其特征在于，所述“判断所述机器人是否处于沿边工作路径上”包括：
以所述二值化图像为基础，获取围合所述工作区域、且为最小的第一矩形轮廓；
获取所述第一矩形轮廓的对角线，将其长度以maxLine[g]表示；
判断所述maxLine[g]是否小于预设第一数值，
若是，则驱动所述机器人变向以重新规划并寻找所述沿边工作路径，直至所述maxLine[g]不小于所述预设第一数值；
若否，则所述机器人处于所述沿边工作路径上。
8.根据权利要求6所述的机器人沿边工作方法，其特征在于，所述“判断所述机器人是否处于沿边工作路径上”包括：
以二值化图像为基础，获取所述工作区域的面积，将其以maxArea[g]表示；
判断所述maxArea[g]是否小于预设第二数值，
若是，则所述机器人处于沿边工作路径上；
若否，驱动所述机器人变向以重新规划并寻找所述沿边工作路径，直至所述maxArea[g]小于所述预设第二数值。
9.一种机器人，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-4、6-8中任一项所述机器人沿边工作方法的步骤。
10.一种可读存储介质，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权利要求1-4、6-8中任一项所述机器人沿边工作方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010471605.4A CN113807118B (zh) | 2020-05-29 | 2020-05-29 | 机器人沿边工作方法、***，机器人及可读存储介质 |
| PCT/CN2020/118339 WO2021238000A1 (zh) | 2020-05-29 | 2020-09-28 | 机器人沿边工作方法、***，机器人及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010471605.4A CN113807118B (zh) | 2020-05-29 | 2020-05-29 | 机器人沿边工作方法、***，机器人及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113807118A true CN113807118A (zh) | 2021-12-17 |
| CN113807118B CN113807118B (zh) | 2024-03-08 |
Family
ID=78745529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010471605.4A Active CN113807118B (zh) | 2020-05-29 | 2020-05-29 | 机器人沿边工作方法、***，机器人及可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113807118B (zh) |
| WO (1) | WO2021238000A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023231757A1 (zh) * | 2022-05-30 | 2023-12-07 | 珠海一微半导体股份有限公司 | 基于地图区域轮廓的设置方法与机器人沿边结束控制方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002323925A (ja) * | 2001-04-26 | 2002-11-08 | Matsushita Electric Ind Co Ltd | 移動作業ロボット |
| CN106155053A (zh) * | 2016-06-24 | 2016-11-23 | 桑斌修 | 一种割草方法、装置以及*** |
| CN106325278A (zh) * | 2016-09-30 | 2017-01-11 | 中国矿业大学 | 一种基于椭圆识别的机器人定位导航方法 |
| US20170252925A1 (en) * | 2016-03-02 | 2017-09-07 | Gachon University Of Industry-Academic Cooperation Foundation | Method and system for localizing mobile robot using external surveillance cameras |
| CN107505939A (zh) * | 2017-05-13 | 2017-12-22 | 大连理工大学 | 一种移动机器人的全覆盖路径规划方法 |
| CN109753075A (zh) * | 2019-01-29 | 2019-05-14 | 中国农业科学院农业资源与农业区划研究所 | 一种基于视觉的农林园区机器人导航方法 |
| CN110347153A (zh) * | 2019-06-26 | 2019-10-18 | 深圳拓邦股份有限公司 | 一种边界识别方法、***及移动机器人 |
| CN110368275A (zh) * | 2019-08-12 | 2019-10-25 | 广州大学 | 一种导盲机器人及导盲***、导盲方法 |
| CN110874101A (zh) * | 2019-11-29 | 2020-03-10 | 哈工大机器人（合肥）国际创新研究院 | 一种机器人清扫路径的生成方法及装置 |
| CN110919653A (zh) * | 2019-11-29 | 2020-03-27 | 深圳市优必选科技股份有限公司 | 机器人的爬楼控制方法、装置、存储介质和机器人 |
| CN111353431A (zh) * | 2020-02-28 | 2020-06-30 | 苏州科瓴精密机械科技有限公司 | 自动工作***、自动行走设备及其控制方法及计算机可读存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101427186B1 (ko) * | 2013-06-12 | 2014-08-07 | 건국대학교 산학협력단 | 미지환경에서 지능형 로봇의 이동경로 생성을 위한 영역탐색 및 매핑 장치 |
| CN105467985B (zh) * | 2014-09-05 | 2018-07-06 | 科沃斯机器人股份有限公司 | 自移动表面行走机器人及其图像处理方法 |
| CN105785986A (zh) * | 2014-12-23 | 2016-07-20 | 苏州宝时得电动工具有限公司 | 自动工作设备 |
| CN109947093A (zh) * | 2019-01-24 | 2019-06-28 | 广东工业大学 | 一种基于双目视觉的智能避障算法 |
-
2020
- 2020-05-29 CN CN202010471605.4A patent/CN113807118B/zh active Active
- 2020-09-28 WO PCT/CN2020/118339 patent/WO2021238000A1/zh active Application Filing
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002323925A (ja) * | 2001-04-26 | 2002-11-08 | Matsushita Electric Ind Co Ltd | 移動作業ロボット |
| US20170252925A1 (en) * | 2016-03-02 | 2017-09-07 | Gachon University Of Industry-Academic Cooperation Foundation | Method and system for localizing mobile robot using external surveillance cameras |
| CN106155053A (zh) * | 2016-06-24 | 2016-11-23 | 桑斌修 | 一种割草方法、装置以及*** |
| CN106325278A (zh) * | 2016-09-30 | 2017-01-11 | 中国矿业大学 | 一种基于椭圆识别的机器人定位导航方法 |
| CN107505939A (zh) * | 2017-05-13 | 2017-12-22 | 大连理工大学 | 一种移动机器人的全覆盖路径规划方法 |
| CN109753075A (zh) * | 2019-01-29 | 2019-05-14 | 中国农业科学院农业资源与农业区划研究所 | 一种基于视觉的农林园区机器人导航方法 |
| CN110347153A (zh) * | 2019-06-26 | 2019-10-18 | 深圳拓邦股份有限公司 | 一种边界识别方法、***及移动机器人 |
| CN110368275A (zh) * | 2019-08-12 | 2019-10-25 | 广州大学 | 一种导盲机器人及导盲***、导盲方法 |
| CN110874101A (zh) * | 2019-11-29 | 2020-03-10 | 哈工大机器人（合肥）国际创新研究院 | 一种机器人清扫路径的生成方法及装置 |
| CN110919653A (zh) * | 2019-11-29 | 2020-03-27 | 深圳市优必选科技股份有限公司 | 机器人的爬楼控制方法、装置、存储介质和机器人 |
| CN111353431A (zh) * | 2020-02-28 | 2020-06-30 | 苏州科瓴精密机械科技有限公司 | 自动工作***、自动行走设备及其控制方法及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陆新华: "室内机器人视觉导航方法研究", 《万方数据》, pages 1 - 93 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023231757A1 (zh) * | 2022-05-30 | 2023-12-07 | 珠海一微半导体股份有限公司 | 基于地图区域轮廓的设置方法与机器人沿边结束控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021238000A1 (zh) | 2021-12-02 |
| CN113807118B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063575B (zh) | 一种基于单目视觉的智能割草机自主有序割草方法 | |
| CN113761970B (zh) | 基于图像识别工作位置的方法、***，机器人及存储介质 | |
| CN113805571B (zh) | 机器人行走控制方法、***，机器人及可读存储介质 | |
| EP3671121A1 (en) | Map creation method for mobile robot and path planning method based on map | |
| CN108481327B (zh) | 一种增强视觉的定位装置、定位方法及机器人 | |
| CN115592324B (zh) | 基于人工智能的自动焊接机器人控制*** | |
| CN112344923B (zh) | 一种机器人的定位方法及其定位装置 | |
| CN113822094B (zh) | 基于图像识别工作位置的方法、***，机器人及存储介质 | |
| CN110262487B (zh) | 一种障碍物检测方法、终端及计算机可读存储介质 | |
| CN111353431A (zh) | 自动工作***、自动行走设备及其控制方法及计算机可读存储介质 | |
| CN112634269B (zh) | 一种轨道车辆车体检测方法 | |
| Lin et al. | Construction of fisheye lens inverse perspective mapping model and its applications of obstacle detection | |
| CN113696180A (zh) | 机器人自动回充方法、装置、存储介质及机器人*** | |
| CN113807118B (zh) | 机器人沿边工作方法、***，机器人及可读存储介质 | |
| CN114937258B (zh) | 割草机器人的控制方法、割草机器人以及计算机存储介质 | |
| CN114494842A (zh) | 基于图像识别工作区域的方法、***及机器人 | |
| CN112720408B (zh) | 一种全地形机器人视觉导航控制方法 | |
| CN107301371A (zh) | 一种基于图像信息融合的非结构化道路检测方法及*** | |
| CN112450820B (zh) | 位姿优化方法、移动机器人及存储介质 | |
| CN108983791A (zh) | 一种智能车控制*** | |
| Hudecek et al. | A system for precise positioning of vehicles aiming at increased inductive charging efficiency | |
| Tsai et al. | The robust and fast approach for vision-based shadowy road boundary detection | |
| Rasmussen | A hybrid vision+ ladar rural road follower | |
| CN115147713A (zh) | 基于图像识别非工作区域的方法、***、设备及介质 | |
| CN115147712A (zh) | 基于图像识别非工作区域的方法及*** |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230525 Address after: 215000 No. 8 Ting Rong Street, Suzhou Industrial Park, Jiangsu, China Applicant after: Suzhou Cleva Precision Machinery & Technology Co.,Ltd. Applicant after: SKYBEST ELECTRIC APPLIANCE (SUZHOU) Co.,Ltd. Address before: 215000 Huahong street, Suzhou Industrial Park, Jiangsu 18 Applicant before: Suzhou Cleva Precision Machinery & Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |