CN114440858B - 移动机器人定位丢失检测方法、***、设备及存储介质 - Google Patents
移动机器人定位丢失检测方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN114440858B CN114440858B CN202210085203.XA CN202210085203A CN114440858B CN 114440858 B CN114440858 B CN 114440858B CN 202210085203 A CN202210085203 A CN 202210085203A CN 114440858 B CN114440858 B CN 114440858B
- Authority
- CN
- China
- Prior art keywords
- laser
- mobile robot
- point
- data
- scoring
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明实施例提供一种移动机器人定位丢失检测方法、***、设备及存储介质,该方法包括:获取目标移动机器人的待检测激光数据信息;对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,所述评分有序化处理通过按照一定顺序计算所述待检测激光数据中每个激光数据点的在地图中的得分得到;将所述目标评分数据输入到检测神经网络中,获取所述目标移动机器人定位丢失的概率,其中,所述检测神经网络利用样本和标签进行训练得到。本发明通过大量的样本对神经网络进行训练,可实现在有限的数据中提取到关键信息,做到激光数据丢失与否的准确判断,即使在高动态场景下也能较准确的判断移动机器人定位是否丢失。
Description
技术领域
本发明涉及移动机器人技术领域,更具体地涉及一种移动机器人定位丢失检测方法、***、设备及存储介质。
背景技术
随着移动机器人的应用逐渐广泛,机器人定位可靠性成为机器人应用的一个核心技术,如何判定当前定位是否可靠则是目前机器人应用的一个难题。定位丢失指的是在机器人移动过程中,定位输出的位置信息与实际机器人所在的信息不符。目前大多数方法讲述的是定位丢失后如何恢复定位,即重定位,而很少有方法指出如何判定机器人定位是否丢失。常见的定位丢失检测方法为基于激光数据与地图信息的匹配度来判定定位是否丢失。
这些基于激光数据与地图信息匹配度的定位丢失检测方法,在人来人往的大厅中,由于激光被行人等移动物体遮挡,无法扫描到更多的环境静态信息,从而导致与地图匹配度不高,容易判定为定位丢失,在高动态环境中,效果不佳,误判率高。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种移动机器人定位丢失检测方法、***、设备及存储介质。
根据本发明实施例的第一方面,提供一种移动机器人定位丢失检测方法,包括:
获取目标移动机器人的待检测激光数据信息;
对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,所述评分有序化处理通过按照一定顺序计算所述待检测激光数据中每个激光数据点的在地图中的得分得到;
将所述目标评分数据输入到检测神经网络中,获取所述目标移动机器人定位丢失的概率,其中,所述检测神经网络利用样本和标签进行训练得到。
优选地,所述对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,包括:
将所述待检测激光数据中的每一激光点映射到所述地图中,对于每一激光点,获取所述地图中与每一激光点距离最近的障碍点;
根据每一激光点距离最近的障碍点和每一激光点,获取每一激光点的评分;
根据每一激光点的评分,获取所述目标评分数据。
优选地,所述根据每一激光点距离最近的障碍点和每一激光点,获取每一激光点的评分,通过如下公式实现:
其中,s表示评分,d表示激光点与该激光点最近的障碍点之间的距离,σ=0.05。
优选地,所述检测神经网络利用样本和标签进行训练得到,包括:
在所述目标移动机器人定位异常情况下,分别在不同位置、不通场景、不通人流量场景下,对将激光数据评分有序化处理,采集若干负样本;
机器人定位正常情况下,分别在不同位置,不通场景,不通人流量场景下将激光数据评分有序化处理,采集若干数据样本作为正样本;
利用所述负样本和所述正样本对初始神经网络进行训练,获取所述检测神经网络。
优选地,所述初始神经网络为一个三层的全连接神经网络。
优选地,所述检测神经网络利用样本和标签进行训练得到,包括:
通过批量梯度下降方式,基于交叉熵损失函数,利用所述样本和所述标签对所述检测神经网络进行训练得到。
优选地,还包括:
若所述目标移动机器人定位丢失的概率连续若干次大于预设概率阈值,则判定所述目标移动机器人为丢失。
根据本发明实施例第二方面,提供了一种移动机器人定位丢失检测***,包括:
获取模块,用于获取目标移动机器人的待检测激光数据信息;
处理模块,用于对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,所述评分有序化处理通过按照一定顺序计算所述待检测激光数据中每个激光数据点的在地图中的得分得到;
判定模块,用于将所述目标评分数据输入到检测神经网络中,获取所述目标移动机器人定位丢失的概率,其中,所述检测神经网络利用样本和标签进行训练得到。
根据本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如第一方面提供的一种移动机器人定位丢失检测方法各种可能的实现方式中任一种可能的实现方式所提供的。
根据本发明实施例的第四方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面提供的一种移动机器人定位丢失检测方法各种可能的实现方式中任一种可能的实现方式所提供的。
本发明实施例提供的一种移动机器人定位丢失检测方法、***、设备及存储介质,通过大量的样本对神经网络进行训练,可实现在有限的数据中提取到关键信息,做到激光数据丢失与否的准确判断,即使在高动态场景下也能较准确的判断移动机器人定位是否丢失。
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简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1为本发明实施例提供的一种移动机器人定位丢失检测方法的流程图;
图2为本发明实施例中全连接神经网络的结构示意图;
图3为本发明实施例提供的一种移动机器人定位丢失检测***的结构示意图;
图4为本发明实施例提供了一种电子设备的结构示意图。
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,本领域普通技术人员在没有做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。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接或彼此可通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
图1为本发明实施例提供的一种移动机器人定位丢失检测方法的流程图,如图1所示,该方法包括:
S110,获取目标移动机器人的待检测激光数据信息;
首先获取目标移动机器人在当前场景下得到的激光数据,本发明实施例中以SICKTim571 2D激光雷达为例,一帧激光数据共计811个点,此处待检测激光数据信息是指一帧激光数据。
S120,对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,所述评分有序化处理通过按照一定顺序计算所述待检测激光数据中每个激光数据点的在地图中的得分得到;
对该待检测激光数据信息进行评分有序化处理,得到一组目标评分数据,该目标评分数据中包含的是每个激光点的打分,所谓的评分有序化处理是指按照一定顺序对于该帧中的所有激光点进行打分,其打分的依据可以根据实际情况进行具体确定,比如可以是该激光点与相邻激光点之间的距离,或者是该激光点与最近障碍点之间的距离,本发明实施例在此不做具体限定。
S130,将所述目标评分数据输入到检测神经网络中,获取所述目标移动机器人定位丢失的概率,其中,所述检测神经网络利用样本和标签进行训练得到。
将目标评分数据输入到训练后的检测神经网络中,即可得到该目标移动机器人定位丢失的概率,本发明实施例中,该检测神经网络是有样本和标签进行训练得到的,样本包括移动机器人定位正常的情况下激光检测数据对应的评分数据,此时对应的标签为定位正常,还包括移动机器人定位异常的情况下激光检测数据对应的评分数据,此时对应的标签为定位异常。
需要说明的是,该检测神经网络属于神经网络中的一种,该检测神经网络的训练过程可以分为三个步骤:定义检测神经网络的结构和前向传播的输出结果;定义损失函数以及反向传播优化的算法;最后生成会话并在训练数据上反复运行反向传播优化算法。
其中,神经元是构成神经网络的最小单位,一个神经元可以有多个输入和一个输出,每个神经元的输入既可以是其它神经元的输出,也可以是整个神经网络的输入。该神经网络的输出即是所有神经元的输入加权和,不同输入的权重就是神经元参数,神经网络的优化过程就是优化神经元参数取值的过程。
神经网络的效果及优化的目标是通过损失函数来定义的,损失函数给出了神经网络的输出结果与真实标签之间差距的计算公式,监督学习为神经网络训练的一种方式,其思想就是在已知答案的标注数据集上,该神经网络给出的结果要尽量接近真实的答案(即标签)。通过调整神经网络中的参数对训练数据进行拟合,使得神经网络对未知的样本提供预测能力。
反向传播算法实现了一个迭代的过程,每次迭代开始的时候,先取一部分训练数据,通过前向传播算法得到神经网络的预测结果。因为训练数据都有正确的答案,所以可以计算出预测结果和正确答案之间的差距。基于这个差距,反向传播算法会相应的更新神经网络参数的取值,使得和真实答案更加接近。
本发明实施例提供的一种移动机器人定位丢失检测方法,通过大量的样本对神经网络进行训练,可实现在有限的数据中提取到关键信息,做到激光数据丢失与否的准确判断,即使在高动态场景下也能较准确的判断移动机器人定位是否丢失。
在上述实施例的基础上,优选地,所述对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,包括:
将所述待检测激光数据中的每一激光点映射到所述地图中,对于每一激光点,获取所述地图中与每一激光点距离最近的障碍点;
根据每一激光点距离最近的障碍点和每一激光点,获取每一激光点的评分;
根据每一激光点的评分,获取所述目标评分数据。
具体地,将待检测激光数据中的每个激光点映射到地图中,该地图为目标移动机器人所在场景对应的地图,在该地图中,找到每个激光点距离最近的障碍点。
然后对于每一个激光点而言,计算该激光点和该激光点最近的障碍点之间的距离,对每个激光点都进行同样的计算,具体计算方法可以是先得到激光点和障碍点的坐标,然后根据两者坐标计算出激光点和障碍点之间的距离。
根据每个激光点和障碍点之间的距离,按照一定的公式进行计算,得到该激光点对应的评分,将每个激光点的评分按照预设顺序进行排列,得到该目标评分序列,比如,按照逆时针的顺序对激光点的评分进行排列,得到目标评分序列。
在上述实施例的基础上,优选地,所述根据每一激光点距离最近的障碍点和每一激光点,获取每一激光点的评分,通过如下公式实现:
其中,s表示评分,d表示激光点与该激光点最近的障碍点之间的距离,σ=0.05。
在上述实施例的基础上,优选地,所述检测神经网络利用样本和标签进行训练得到,包括:
在所述目标移动机器人定位异常情况下,分别在不同位置、不通场景、不通人流量场景下,对将激光数据评分有序化处理,采集若干负样本;
机器人定位正常情况下,分别在不同位置,不通场景,不通人流量场景下将激光数据评分有序化处理,采集若干数据样本作为正样本;
利用所述负样本和所述正样本对初始神经网络进行训练,获取所述检测神经网络。
具体地,本发明实施例中对于正样本的负样本的采集方法为,对于负样本,负样本对应的标签为定位异常,负样本的采集方法是在目标移动机器人定位异常场景下,通过相同型号激光器采集激光数据,并按照相同方法对采集的激光数据进行评分有序化处理,得到负样本序列。按照同样的方法进行多次采样,得到一定数量的负样本序列,本发明实施例中,对负样本采样5000次,得到5000个负样本序列。
本发明实施例中对于正样本,正样本对应的标签为定位正常,正样本的采集方法是在目标移动机器人定位正常场景下,通过相同型号激光器采集激光数据,并按照相同方法对采集的激光数据进行评分有序化处理,得到正样本序列。按照同样的方法进行多次采样,得到一定数量的正样本序列,本发明实施例中,对正样本采样5000次,得到5000个正样本序列。
在上述实施例的基础上,优选地,所述初始神经网络为一个三层的全连接神经网络。
图2为本发明实施例中全连接神经网络的结构示意图,如图2所示,第一层神经元的个数为811个,与一帧激光数据中激光点的个数相同,第二层神经元的个数100个,第三层神经元的个数为2个,分别代表定位丢失和定位未丢失两类结果。
在上述实施例的基础上,优选地,所述检测神经网络利用样本和标签进行训练得到,包括:
通过批量梯度下降方式,基于交叉熵损失函数,利用所述样本和所述标签对所述检测神经网络进行训练得到。
本发明选取交叉熵损失函数作为训练过程中的损失函数,具体训练方法为批量梯度下降方式。
在上述实施例的基础上,优选地,还包括:
若所述目标移动机器人定位丢失的概率连续若干次大于预设概率阈值,则判定所述目标移动机器人为丢失。
本发明实施例中,将每一帧激光数据通过评分有序化处理,输入至训练好的神经网络模型,输出定位丢失概率和定位未丢失概率,取二者中概率高者作为模型检测结果。
应用时对神经网络输出结果进行防抖处理,即连续多次输出结果为定位丢失时才判定为定位丢失(本发明实施例设置为5次),防止瞬间干扰造成误检测现象。
图3为本发明实施例提供的一种移动机器人定位丢失检测***的结构示意图,如图3所示,该***包括:获取模块310、处理模块320和判定模块330,其中:
所述获取模块310,用于获取目标移动机器人的待检测激光数据信息;
所述处理模块320,用于对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,所述评分有序化处理通过按照一定顺序计算所述待检测激光数据中每个激光数据点的在地图中的得分得到;
所述判定模块330,用于将所述目标评分数据输入到检测神经网络中,获取所述目标移动机器人定位丢失的概率,其中,所述检测神经网络利用样本和标签进行训练得到。
本实施例为与上述方法相对应的***实施例,其具体实施过程与上述方法实施例相同,详情请参考上述方法实施例,本***实施例在此不再赘述。
在上述实施例的基础上,优选地,所述处理模块包括映射单元、评分单元和排序单元,其中:
所述映射单元用于将所述待检测激光数据中的每一激光点映射到所述地图中,对于每一激光点,获取所述地图中与每一激光点距离最近的障碍点;
所述评分单元用于根据每一激光点距离最近的障碍点和每一激光点,获取每一激光点的评分;
所述排序单元用于根据每一激光点的评分,获取所述目标评分数据。
在上述实施例的基础上,优选地,所述根据每一激光点距离最近的障碍点和每一激光点,获取每一激光点的评分,通过如下公式实现:
其中,s表示评分,d表示激光点与该激光点最近的障碍点之间的距离,σ=0.05。
在上述实施例的基础上,优选地,所述检测神经网络利用样本和标签进行训练得到,包括:
在所述目标移动机器人定位异常情况下,分别在不同位置、不通场景、不通人流量场景下,对将激光数据评分有序化处理,采集若干负样本;
机器人定位正常情况下,分别在不同位置,不通场景,不通人流量场景下将激光数据评分有序化处理,采集若干数据样本作为正样本;
利用所述负样本和所述正样本对初始神经网络进行训练,获取所述检测神经网络。
在上述实施例的基础上,优选地,所述初始神经网络为一个三层的全连接神经网络。
在上述实施例的基础上,优选地,所述检测神经网络利用样本和标签进行训练得到,包括:
通过批量梯度下降方式,基于交叉熵损失函数,利用所述样本和所述标签对所述检测神经网络进行训练得到。
在上述实施例的基础上,优选地,还包括丢失判定模块,其中:
所述丢失判定模块用于若所述目标移动机器人定位丢失的概率连续若干次大于预设概率阈值,则判定所述目标移动机器人为丢失。
图4为本发明实施例提供了一种电子设备的结构示意图,如图4所示,该设备包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403上并可在处理器401上运行的计算机程序,以执行上述各实施例提供的移动机器人定位丢失检测方法,例如包括:
获取目标移动机器人的待检测激光数据信息;
对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,所述评分有序化处理通过按照一定顺序计算所述待检测激光数据中每个激光数据点的在地图中的得分得到;
将所述目标评分数据输入到检测神经网络中,获取所述目标移动机器人定位丢失的概率,其中,所述检测神经网络利用样本和标签进行训练得到。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的移动机器人定位丢失检测方法,例如包括:
获取目标移动机器人的待检测激光数据信息;
对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,所述评分有序化处理通过按照一定顺序计算所述待检测激光数据中每个激光数据点的在地图中的得分得到;
将所述目标评分数据输入到检测神经网络中,获取所述目标移动机器人定位丢失的概率,其中,所述检测神经网络利用样本和标签进行训练得到。
以上所描述的电子设备等实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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例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发明各实施例技术方案的精神和范围。
Claims (8)
1.一种移动机器人定位丢失检测方法,其特征在于,包括
获取目标移动机器人的待检测激光数据信息,该待检测激光数据信息是指一帧激光数据;
对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,所述评分有序化处理通过按照一定顺序计算所述待检测激光数据中每个激光数据点的在地图中的得分得到;
将所述目标评分数据输入到检测神经网络中,获取所述目标移动机器人定位丢失的概率,其中,所述检测神经网络利用样本和标签进行训练得到;
其中,所述对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,包括:
将所述待检测激光数据中的每一激光点映射到所述地图中,对于每一激光点,获取所述地图中与每一激光点距离最近的障碍点;
根据每一激光点距离最近的障碍点和每一激光点,获取每一激光点的评分;
根据每一激光点的评分,获取所述目标评分数据;
其中,所述根据每一激光点距离最近的障碍点和每一激光点,获取每一激光点的评分,通过如下公式实现:
其中,s表示评分,d表示激光点与该激光点最近的障碍点之间的距离,σ=0.05。
2.根据权利要求1所述的移动机器人定位丢失检测方法,其特征在于,所述检测神经网络利用样本和标签进行训练得到,包括:
在所述目标移动机器人定位异常情况下,分别在不同位置、不通场景、不通人流量场景下,对将激光数据评分有序化处理,采集若干负样本;
机器人定位正常情况下,分别在不同位置,不通场景,不通人流量场景下将激光数据评分有序化处理,采集若干数据样本作为正样本;
利用所述负样本和所述正样本对初始神经网络进行训练,获取所述检测神经网络。
3.根据权利要求2所述的移动机器人定位丢失检测方法,其特征在于,所述初始神经网络为一个三层的全连接神经网络。
4.根据权利要求2所述的移动机器人定位丢失检测方法,其特征在于,所述检测神经网络利用样本和标签进行训练得到,包括:
通过批量梯度下降方式,基于交叉熵损失函数,利用所述样本和所述标签对所述检测神经网络进行训练得到。
5.根据权利要求2所述的移动机器人定位丢失检测方法,其特征在于,还包括:
若所述目标移动机器人定位丢失的概率连续若干次大于预设概率阈值,则判定所述目标移动机器人为丢失。
6.一种移动机器人定位丢失检测***,其特征在于,包括
获取模块,用于获取目标移动机器人的待检测激光数据信息,该待检测激光数据信息是指一帧激光数据;
处理模块,用于对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,所述评分有序化处理通过按照一定顺序计算所述待检测激光数据中每个激光数据点的在地图中的得分得到;
其中,所述对所述待检测激光数据信息进行评分有序化处理,获取目标评分数据,包括:
将所述待检测激光数据中的每一激光点映射到所述地图中,对于每一激光点,获取所述地图中与每一激光点距离最近的障碍点;
根据每一激光点距离最近的障碍点和每一激光点,获取每一激光点的评分;
根据每一激光点的评分,获取所述目标评分数据;
其中,所述根据每一激光点距离最近的障碍点和每一激光点,获取每一激光点的评分,通过如下公式实现:
其中,s表示评分,d表示激光点与该激光点最近的障碍点之间的距离,σ=0.05;
判定模块,用于将所述目标评分数据输入到检测神经网络中,获取所述目标移动机器人定位丢失的概率,其中,所述检测神经网络利用样本和标签进行训练得到。
7.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如权利要求1至5任一所述的移动机器人定位丢失检测方法。
8.一种非暂态计算机可读存储介质,其特征在于,其上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1至5任一所述的移动机器人定位丢失检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085203.XA CN114440858B (zh) | 2022-01-25 | 2022-01-25 | 移动机器人定位丢失检测方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085203.XA CN114440858B (zh) | 2022-01-25 | 2022-01-25 | 移动机器人定位丢失检测方法、***、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114440858A CN114440858A (zh) | 2022-05-06 |
CN114440858B true CN114440858B (zh) | 2023-12-19 |
Family
ID=81369616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210085203.XA Active CN114440858B (zh) | 2022-01-25 | 2022-01-25 | 移动机器人定位丢失检测方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114440858B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015867B (zh) * | 2022-05-31 | 2023-05-16 | 中国人民解放军总医院 | 一种基于超宽带雷达的身份识别和跌倒检测方法 |
CN116840820B (zh) * | 2023-08-29 | 2023-11-24 | 上海仙工智能科技有限公司 | 一种检测2d激光定位丢失的方法及***、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461245A (zh) * | 2020-04-09 | 2020-07-28 | 武汉大学 | 一种融合点云和图像的轮式机器人语义建图方法及*** |
CN112668698A (zh) * | 2020-12-28 | 2021-04-16 | 北京的卢深视科技有限公司 | 一种神经网络的训练方法及*** |
CN112797976A (zh) * | 2021-01-18 | 2021-05-14 | 上海钛米机器人股份有限公司 | 定位检测方法、装置、计算机设备以及可读存储介质 |
WO2021104497A1 (zh) * | 2019-11-29 | 2021-06-03 | 广州视源电子科技股份有限公司 | 基于激光雷达的定位方法及***、存储介质和处理器 |
CN113375683A (zh) * | 2021-06-10 | 2021-09-10 | 亿嘉和科技股份有限公司 | 机器人环境地图实时更新方法 |
-
2022
- 2022-01-25 CN CN202210085203.XA patent/CN114440858B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021104497A1 (zh) * | 2019-11-29 | 2021-06-03 | 广州视源电子科技股份有限公司 | 基于激光雷达的定位方法及***、存储介质和处理器 |
CN111461245A (zh) * | 2020-04-09 | 2020-07-28 | 武汉大学 | 一种融合点云和图像的轮式机器人语义建图方法及*** |
CN112668698A (zh) * | 2020-12-28 | 2021-04-16 | 北京的卢深视科技有限公司 | 一种神经网络的训练方法及*** |
CN112797976A (zh) * | 2021-01-18 | 2021-05-14 | 上海钛米机器人股份有限公司 | 定位检测方法、装置、计算机设备以及可读存储介质 |
CN113375683A (zh) * | 2021-06-10 | 2021-09-10 | 亿嘉和科技股份有限公司 | 机器人环境地图实时更新方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114440858A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114440858B (zh) | 移动机器人定位丢失检测方法、***、设备及存储介质 | |
CN108090456B (zh) | 识别车道线模型的训练方法、车道线识别方法及装置 | |
CN109977895B (zh) | 一种基于多特征图融合的野生动物视频目标检测方法 | |
CN112926541B (zh) | 一种睡岗检测方法、装置及相关设备 | |
CN111582358B (zh) | 户型识别模型的训练方法及装置、户型判重的方法及装置 | |
CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN112883820A (zh) | 基于激光雷达点云的道路目标3d检测方法及*** | |
CN113688957A (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
CN113949582A (zh) | 一种网络资产的识别方法、装置、电子设备及存储介质 | |
CN113792930A (zh) | 盲人行走轨迹预测方法、电子设备及存储介质 | |
CN115690545B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
CN110290466B (zh) | 楼层判别方法、装置、设备及计算机存储介质 | |
CN115527050A (zh) | 图像特征匹配方法、计算机设备和可读存储介质 | |
CN111695404B (zh) | 行人跌倒检测方法、装置、电子设备及存储介质 | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN116232694A (zh) | 轻量级网络入侵检测方法、装置、电子设备及存储介质 | |
CN113518425B (zh) | 设备定位方法及*** | |
CN113946651B (zh) | 维修知识推荐方法、装置、电子设备、介质及产品 | |
CN115760908A (zh) | 基于胶囊网络感知特征的绝缘子跟踪方法和装置 | |
CN113469176B (zh) | 一种目标检测模型训练方法、目标检测方法及其相关设备 | |
CN114120180A (zh) | 一种时序提名的生成方法、装置、设备及介质 | |
CN116910682B (zh) | 事件的检测方法及装置、电子设备和存储介质 | |
CN113989630B (zh) | 一种基于语义分析的镜头遮挡判别方法 | |
CN113032776B (zh) | 面向特征嵌入中毒攻击的检测方法、装置和*** |
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 |