CN116088503A - 动态障碍物检测方法和机器人 - Google Patents
动态障碍物检测方法和机器人 Download PDFInfo
- Publication number
- CN116088503A CN116088503A CN202211624831.7A CN202211624831A CN116088503A CN 116088503 A CN116088503 A CN 116088503A CN 202211624831 A CN202211624831 A CN 202211624831A CN 116088503 A CN116088503 A CN 116088503A
- Authority
- CN
- China
- Prior art keywords
- map
- target
- obstacle
- grid
- probability
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000001914 filtration Methods 0.000 claims abstract description 177
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000004888 barrier function Effects 0.000 claims abstract description 36
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 230000008447 perception Effects 0.000 claims abstract description 9
- 230000003068 static effect Effects 0.000 claims description 132
- 238000012545 processing Methods 0.000 claims description 30
- 230000001133 acceleration Effects 0.000 claims description 27
- 238000012216 screening Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0251—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 extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种动态障碍物检测方法和机器人。所述方法应用于机器人,机器人上搭载有用于检测环境信息的感知传感器;所述方法包括获取与目标区域对应的初始概率地图,并获取感知传感器对目标区域进行探测得到的点云数据;将点云数据转换为地图掩码,地图掩码中的每个像素点的像素值表征是否存在点云投影;基于地图掩码更新初始概率地图得到目标概率地图;目标概率地图表征目标区域中每个栅格被障碍物占据的概率值;对地图掩码中的像素点进行聚类处理,得到候选障碍物;基于目标概率地图,对候选障碍物进行滤波处理,得到动态障碍物。采用本方法能够提高对动态障碍物的检测准确率。
Description
技术领域
本申请涉及机器人技术领域,特别是涉及一种动态障碍物检测方法和机器人。
背景技术
随着现代生活节奏的加快,科技水平的提高,机器人已覆盖家居、市政、机场及酒店等场景。在机器人的移动中它需要避开障碍物,障碍物可分为静态障碍物和动态障碍物。相比于静态障碍物,动态障碍物的位置不固定、运动状态复杂、危险性较高,如果不识别出动态障碍物,则机器人很容易与动态障碍物发生碰撞。
传统技术中,检测动态障碍物的方法采用相邻帧比较法,通过分析相邻采样周期内同一障碍物绝对位置坐标,区分出静态障碍物和动态障碍物。
然而,基于相邻帧比较法的检测动态障碍物的方法得到的检测结果容易受噪声数据的影响。因此,传统的动态障碍物的检测方法存在检测结果不够准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高检测准确率的动态障碍物检测方法、装置、机器人、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种动态障碍物检测方法,应用于机器人,机器人上搭载有用于检测环境信息的感知传感器。所述方法包括:
获取与目标区域对应的初始概率地图,并获取感知传感器对目标区域进行探测得到的点云数据;
将点云数据转换为地图掩码,地图掩码中的每个像素点的像素值表征是否存在点云投影;
基于地图掩码更新初始概率地图得到目标概率地图;目标概率地图表征目标区域中每个栅格被障碍物占据的概率值;
对地图掩码中的像素点进行聚类处理,得到候选障碍物;
基于目标概率地图,对候选障碍物进行滤波处理,得到动态障碍物。
在其中一个实施例中,将点云数据转换为地图掩码,包括获取与目标区域对应的全局静态地图;对以机器人为中心的预设水平区域进行栅格划分,构建预设栅格地图;将点云数据从机器人坐标系转换至全局静态地图所在的地图坐标系,并将转换后的点云数据投影到预设栅格地图,得到二维点云栅格地图;将二维点云栅格地图中存在点云投影的第一栅格的像素值设置为第一值,并将二维点云栅格地图中不存在点云投影的第二栅格的像素值设置为第二值,得到地图掩码。
在其中一个实施例中,基于地图掩码更新初始概率地图得到目标概率地图,包括确定初始概率地图中与第一栅格对应的第三栅格,并将第三栅格的概率值增加预设值;确定初始概率地图中与第二栅格对应的第四栅格,并将第四栅格的概率值衰减预设值;基于概率值调整后的结果得到目标概率地图。
在其中一个实施例中,基于目标概率地图,对候选障碍物进行滤波处理,得到动态障碍物,包括对候选障碍物进行障碍物形状滤波处理,得到第一滤波结果;基于目标概率地图对第一滤波结果进行概率滤波处理,得到第二滤波结果;对第二滤波结果进行遮挡滤波处理,得到第三滤波结果;基于与目标区域对应的全局静态地图对第三滤波结果进行静态障碍物滤波处理,得到动态障碍物。
在其中一个实施例中,基于目标概率地图对第一滤波结果进行概率滤波处理,得到第二滤波结果,包括对于第一滤波结果中的当前候选障碍物,确定目标概率地图中,与当前候选障碍物中的各像素点所对应的栅格的概率值;根据确定的概率值,确定当前候选障碍物的综合概率值;基于候选障碍物的综合概率值进行筛选,得到第二滤波结果。
在其中一个实施例中,基于与目标区域对应的全局静态地图对第三滤波结果进行静态障碍物滤波处理,得到动态障碍物,包括获取与目标区域对应的全局静态地图;计算第三滤波结果中各候选障碍物的像素点在全局静态地图中出现的比例;剔除第三滤波结果中比例大于预设比例的候选障碍物,得到动态障碍物。
在其中一个实施例中,在对候选障碍物进行滤波处理,得到动态障碍物之后,所述方法还包括获取当前时刻的各动态障碍物的实际位置,并获取当前时刻的历史目标列表中各历史目标的估计位置;历史目标列表为在历史时间段内检测到的动态障碍物的集合;基于实际位置和估计位置,更新历史目标列表;从更新后的历史目标列表中,筛选出满足稳定运动条件的目标动态障碍物以进行跟踪。
在其中一个实施例中,基于实际位置和估计位置,更新历史目标列表,包括对于各动态障碍物中的当前动态障碍物,根据当前动态障碍物的实际位置和各历史目标的估计位置,匹配当前动态障碍物和各历史目标;在匹配成功的情况下,将当前动态障碍物的实际位置作为当前时刻的匹配上的历史目标的实际位置;在匹配失败的情况下,将当前动态障碍物作为新增目标添加至历史目标列表;基于当前时刻的匹配上的历史目标的实际位置或新增目标中的至少一种,得到更新后的历史目标列表。
在其中一个实施例中,从更新后的历史目标列表中,筛选出满足稳定运动条件的目标动态障碍物以进行跟踪,包括根据更新后的历史目标列表中各中间目标在当前时刻的实际位置,计算各中间目标在当前时刻的实际速度和实际加速度;在各中间目标的匹配成功次数、匹配失败次数、实际速度和实际加速度中的至少一个满足预设条件的情况下,从更新后的历史目标列表中筛选出目标动态障碍物以进行跟踪。
第二方面,本申请还提供了一种动态障碍物检测装置,应用于机器人,机器人上搭载有用于检测环境信息的感知传感器。所述装置包括:
获取模块,用于获取与目标区域对应的初始概率地图,并获取感知传感器对目标区域进行探测得到的点云数据;
转换模块,用于将点云数据转换为地图掩码,地图掩码中的每个像素点的像素值表征是否存在点云投影;
更新模块,用于基于地图掩码更新初始概率地图得到目标概率地图;目标概率地图表征目标区域中每个栅格被障碍物占据的概率值;
聚类模块,用于对地图掩码中的像素点进行聚类处理,得到候选障碍物;
滤波模块,用于基于目标概率地图,对候选障碍物进行滤波处理,得到动态障碍物。
第三方面,本申请还提供了一种机器人,机器人上搭载有用于检测环境信息的感知传感器。所述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以下步骤:
获取与目标区域对应的初始概率地图,并获取感知传感器对目标区域进行探测得到的点云数据;
将点云数据转换为地图掩码,地图掩码中的每个像素点的像素值表征是否存在点云投影;
基于地图掩码更新初始概率地图得到目标概率地图;目标概率地图表征目标区域中每个栅格被障碍物占据的概率值;
对地图掩码中的像素点进行聚类处理,得到候选障碍物;
基于目标概率地图,对候选障碍物进行滤波处理,得到动态障碍物。
第四方面,本申请还提供了一种计算机可读存储介质。所述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以下步骤:
获取与目标区域对应的初始概率地图,并获取感知传感器对目标区域进行探测得到的点云数据;
将点云数据转换为地图掩码,地图掩码中的每个像素点的像素值表征是否存在点云投影;
基于地图掩码更新初始概率地图得到目标概率地图;目标概率地图表征目标区域中每个栅格被障碍物占据的概率值;
对地图掩码中的像素点进行聚类处理,得到候选障碍物;
基于目标概率地图,对候选障碍物进行滤波处理,得到动态障碍物。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取与目标区域对应的初始概率地图,并获取感知传感器对目标区域进行探测得到的点云数据;
将点云数据转换为地图掩码,地图掩码中的每个像素点的像素值表征是否存在点云投影;
基于地图掩码更新初始概率地图得到目标概率地图;目标概率地图表征目标区域中每个栅格被障碍物占据的概率值;
对地图掩码中的像素点进行聚类处理,得到候选障碍物;
基于目标概率地图,对候选障碍物进行滤波处理,得到动态障碍物。
上述动态障碍物检测方法、装置、机器人、存储介质和计算机程序产品,获取与目标区域对应的初始概率地图,并获取感知传感器对目标区域进行探测得到的点云数据,点云数据能够准确地表征目标区域中障碍物的位置信息。通过将点云数据转换为地图掩码,地图掩码中的每个像素点的像素值表征是否存在点云投影,基于地图掩码更新初始概率地图得到目标概率地图,并对地图掩码中的像素点进行聚类处理,得到候选障碍物。由于目标概率地图表征目标区域中每个栅格被障碍物占据的概率值,因此,基于目标概率地图对候选障碍物进行滤波处理,就能够将静态障碍物和动态障碍物区分开,从而得到动态障碍物,并且,由于结合了点云数据、初始概率地图和目标概率地图,得到的动态障碍物检测结果具有较高的准确率,因此,能够达到提高对动态障碍物的检测准确率的目的。
附图说明
图1为一个实施例中动态障碍物检测方法的流程示意图;
图2A为一个实施例中与上一时刻对应的地图掩码的示意图;
图2B为一个实施例中与上一时刻对应的目标概率地图的示意图;
图2C为一个实施例中与当前时刻对应的地图掩码的示意图;
图2D为一个实施例中与当前时刻对应的目标概率地图的示意图;
图3为一个实施例中对候选障碍物进行滤波处理步骤的流程示意图;
图4为另一个实施例中动态障碍物检测方法的流程示意图;
图5为一个实施例中动态障碍物检测装置的结构框图;
图6为一个实施例中机器人的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
应当理解的是,本申请实施例中使用的“第一”、“第二”、“第三”、“第四”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。除非上下文另外清楚地指出,否则单数形式的“一个”、“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。
在一个实施例中,如图1所示,提供了一种动态障碍物检测方法,本实施例以该方法应用于机器人进行举例说明,机器人上搭载有用于检测环境信息的感知传感器,可以理解的是,该方法也可以应用于服务器,还可以应用于包括机器人和服务器的***,并通过机器人和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取与目标区域对应的初始概率地图,并获取感知传感器对目标区域进行探测得到的点云数据。
其中,目标区域是机器人的周围环境,目标区域中布置有静态障碍物,例如墙壁、桌子和门。
与目标区域对应的初始概率地图是预先构建的栅格地图(也称二维占据栅格地图),其中,每个栅格被障碍物占据的概率值均为固定初始值,例如,概率值为128。
点云数据用于表征目标区域中障碍物的位置信息,可以用三维坐标(x,y,z)或二维坐标(x,y)来表示点云数据。其中,用字母x表示的水平方向,用字母y表示的垂直方向,用字母z表示的竖直方向。
在一个实施例中,点云数据可以是三维点云,即通过三维坐标表示的点集,例如(x,y,z),通过机器人上搭载的感知传感器对目标区域的环境信息进行检测得到。感知传感器包括深度相机、单线激光雷达或多线激光雷达。例如,三维的点云数据可以通过安装在机器人底盘的深度相机(例如RGBD相机)采集目标区域的环境信息的深度图并将深度图转换为三维点云得到,也可以通过安装在机器人底盘的多线激光雷达(也叫三维激光雷达)采集目标区域的环境信息得到。
深度相机是获取场景中物体与摄像头之间物理距离的相机,通常由多种镜头、光学传感器组成。RGBD相机是在RGB(Red-Green-Blue)普通摄像头的功能上增加了一个深度测量功能。多线激光雷达通过向固定的方向发射激光束,发射出的激光遇到障碍物会被反射,这样就能检测到障碍物,确定机器人与障碍物之间的距离以及障碍物的高度信息。
在另一个实施例中,点云数据也可以是二维点云,即通过二维坐标表示的点集,例如(x,y),通过机器人上搭载的感知传感器对目标区域的环境信息进行检测得到。例如,感知传感器为单线激光雷达。二维的点云数据可以通过安装在机器人底盘的单线激光雷达采集目标区域的环境信息得到。单线激光雷达,也叫二维激光雷达,通过向固定的方向发射激光束,发射出的激光遇到障碍物被反射,这样就能检测到障碍物并确定机器人与障碍物之间的距离。
示例性地,机器人获取与目标区域对应的初始概率地图,在机器人行走时,即开始检测周边环境中的障碍物,通过安装在机器人底盘的感知传感器实时地获取机器人对视场角区域的环境信息进行探测得到的点云数据,并在预设时间段后,得到多组点云数据,从而获取机器人对目标区域进行探测得到的点云数据。其中,视场角(Field of View,简称FOV)区域是机器人前方可扫描到的区域,属于目标区域的一部分。
步骤104,将点云数据转换为地图掩码,地图掩码中的每个像素点的像素值表征是否存在点云投影。
其中,地图掩码是与点云数据对应的二值化图像,地图掩码中每个像素点的像素值为第一值(例如1)或第二值(例如0),并且第一值表征存在点云投影,第二值表征不存在点云投影。
点云投影是点云数据在预设栅格地图中的投影。预设栅格地图是在获取到点云数据的情况下,通过对以机器人为中心的预设水平区域进行栅格划分构建而得到的栅格地图。预设栅格地图中的每个栅格与初始概率地图中的每个栅格之间是一一对应的,均表示预设水平区域中的同一个位置。优选地,预设栅格地图中的每个栅格与初始概率地图中每个栅格的尺寸相同。
预设水平区域是以机器人为中心、在以水平方向和垂直方向为坐标系下的平面区域,属于目标区域的一部分,并且预设水平区域的长度和宽度、以及栅格尺寸均是根据检测需求预先设定的,本申请实施例对此不作限定。例如预设水平区域可以是以机器人为中心,以距离机器人前方0.2m、后方0.2m、左方0.5m、右方0.5m构建得到的长度为1m宽度为0.4m的矩形区域,并且栅格尺寸为0.05m x 0.05m。
示例性地,机器人获取与目标区域对应的全局静态地图;对以机器人为中心的预设水平区域进行栅格划分,构建预设栅格地图;将点云数据从机器人坐标系转换至与目标区域对应的全局静态地图所在的地图坐标系,并将转换后的点云数据投影到预设栅格地图,得到二维点云栅格地图;将二维点云栅格地图中存在点云投影的第一栅格的像素值设置为第一值,并将二维点云栅格地图中不存在点云投影的第二栅格的像素值设置为第二值,得到地图掩码。
其中,与目标区域对应的全局静态地图是预先构建的尺度地图,具有真实的物理尺寸,例如栅格地图。全局静态地图包括目标区域中静态障碍物的平面位置信息,目标区域中的每个静态障碍物的位置都可以用在全局静态地图所在的地图坐标系下的坐标表示,地图坐标系是二维坐标系。
在一个实施例中,预先构建全局静态地图包括在目标区域中不包括动态障碍物的情况下,在一特定时间段内,通过单线激光雷达持续性扫描目标区域,得到全局静态地图。
与目标区域对应的初始概率地图中的每个栅格与全局静态地图中每个位置之间具有一对一的对应关系。例如,在全局静态地图为栅格地图、并且全局静态地图中的每个栅格与初始概率地图中每个栅格的尺寸一样时,初始概率地图中的每个栅格与全局静态地图中的每个栅格是一一对应的,均表示目标区域中的同一个位置,例如对于目标区域中的桌子,其位置在初始概率地图中是第一行第一列的栅格,在全局静态地图中也是第一行第一列的栅格,并且可以用全局静态地图中的第一行第一列的栅格的中心点的坐标表示该桌子的位置。
二维点云栅格地图是转换后的点云数据投影到预设栅格地图后得到的栅格地图,包括第一栅格和第二栅格,即二维点云栅格地图中每个栅格为第一栅格或第二栅格。第一栅格是二维点云栅格地图中存在点云投影的栅格,第二栅格是二维点云栅格地图中不存在点云投影的栅格。
在一个实施例中,点云数据是三维点云,将点云数据从机器人坐标系转换至全局静态地图所在的地图坐标系,并将转换后的点云数据投影到预设栅格地图,得到二维点云栅格地图,包括:舍弃通过三维坐标(x,y,z)表示的点云数据中的表示第三个方向(z,竖直方向)的坐标,第三个方向是与第一个方向(x,水平方向)、第二个方向(y,垂直方向)均垂直的方向,得到通过二维坐标(x,y)表示的二维点云,根据转换矩阵,将二维点云从机器人坐标系转换至全局静态地图所在的地图坐标系,并将转换后的二维点云投影到预设栅格地图,得到二维点云栅格地图。
在一个实施例中,点云数据是二维点云,将点云数据从机器人坐标系转换至全局静态地图所在的地图坐标系,并将转换后的点云数据投影到预设栅格地图,得到二维点云栅格地图,包括:根据转换矩阵,将点云数据从机器人坐标系转换至全局静态地图所在的地图坐标系,并将转换后的点云数据投影到预设栅格地图,得到二维点云栅格地图。
其中,由于点云数据是通过安装在机器人底盘的深度相机、多线激光雷达或单线激光雷达采集得到的,因此,点云数据所表征的位置信息是在机器人坐标系下的,为了得到地图掩码以基于地图掩码更新与目标区域对应的初始概率地图,需要将点云数据从机器人坐标系转换至全局静态地图所在的地图坐标系。
在一个实施例中,将点云数据从机器人坐标系转换至全局静态地图所在的地图坐标系,包括:机器人获取在生成点云数据的时刻下机器人在全局静态地图中的定位信息,定位信息包括机器人的位置和航向角;根据定位信息,确定全局静态地图所在的地图坐标系和机器人坐标系之间的转换矩阵;根据转换矩阵,将点云数据从机器人坐标系转换至地图坐标系。
在一个实施例中,获取在生成点云数据的时刻下机器人在全局静态地图中的定位信息,包括:机器人通过安装在机器人内部的定位模块,获取在生成点云数据的时刻下机器人在全局静态地图中的定位信息;定位模块包括第一定位单元、第二定位单元、第三定位单元或第四定位单元中的至少一种,定位信息通过第一定位信息、第二定位信息、第三定位信息或第四定位信息中的至少一种加权求和得到。
其中,第一定位单元为轮式里程计,第二定位单元为惯性测量单元(InertialMeasurement Unit,简称IMU),第三定位单元为全球定位***(Global PositioningSystem,简称GPS),第四定位单元为实时差分定位(Real-time kinematic,简称RTK)。第一定位信息是通过安装在机器人内部的第一定位单元获取到的机器人在全局静态地图中的定位信息,第二定位信息是通过安装在机器人内部的第二定位单元获取到的机器人在全局静态地图中的定位信息,第三定位信息是通过安装在机器人内部的第三定位单元获取到的机器人在全局静态地图中的定位信息,第四定位信息是通过安装在机器人内部的第四定位单元获取到的机器人在全局静态地图中的定位信息。
本实施例中,通过采用包括轮式里程计、IMU、GPS或RTK中的至少一种确定机器人在全局静态地图中的定位信息,能够得到提高检测到的机器人在全局静态地图中的定位信息的准确性,从而能够达到提高动态障碍物的检测准确率的目的。
步骤106,基于地图掩码更新初始概率地图得到目标概率地图;目标概率地图表征目标区域中每个栅格被障碍物占据的概率值。
其中,目标概率地图是更新后的初始概率地图,其中,每个栅格被障碍物占据的概率值与地图掩码中像素点的像素值为第一值或第二值有关。
示例性地,机器人基于地图掩码更新初始概率地图,得到目标概率地图。
步骤108,对地图掩码中的像素点进行聚类处理,得到候选障碍物。
其中,候选障碍物包括至少一个障碍物,障碍物可以是静态障碍物或动态障碍物,未标记候选障碍物中的各障碍物为静态障碍物或动态障碍物。
示例性地,机器人对地图掩码中具有相同像素值且位置相邻的像素点组成的图像区域进行连通,得到至少一个连通域,每个连通域对应一个候选障碍物。
步骤110,基于目标概率地图,对候选障碍物进行滤波处理,得到动态障碍物。
由于点云数据中包括目标区域中静态障碍物和动态障碍物的位置信息,因此需要对基于点云数据确定的候选障碍物进行滤波处理,将静态障碍物和动态障碍物区分开,以得到动态障碍物。
示例性地,机器人基于目标概率地图,对候选障碍物进行滤波处理,得到动态障碍物。
上述动态障碍物检测方法中,机器人获取与目标区域对应的初始概率地图,并获取感知传感器对目标区域进行探测得到的点云数据,点云数据能够准确地表征目标区域中障碍物的位置信息。通过将点云数据转换为地图掩码,地图掩码中的每个像素点的像素值表征是否存在点云投影,基于地图掩码更新初始概率地图得到目标概率地图,并对地图掩码中的像素点进行聚类处理,得到候选障碍物。由于目标概率地图表征目标区域中每个栅格被障碍物占据的概率值,因此,基于目标概率地图,对候选障碍物进行滤波处理,就能够将静态障碍物和动态障碍物区分开,从而得到动态障碍物,并且,上述动态障碍物检测方法由于结合了点云数据、初始概率地图和目标概率地图,得到的动态障碍物检测结果具有较高的准确率,因此,能够达到提高对动态障碍物的检测准确率的目的。
在一个实施例中,基于地图掩码更新初始概率地图得到目标概率地图,包括确定初始概率地图中与第一栅格对应的第三栅格,并将第三栅格的概率值增加预设值;确定初始概率地图中与第二栅格对应的第四栅格,并将第四栅格的概率值衰减预设值;基于概率值调整后的结果得到目标概率地图。
其中,初始概率地图包括第三栅格和第四栅格,即初始概率地图中每个栅格为第三栅格或第四栅格。第三栅格是初始概率地图中与二维点云栅格地图中存在点云投影的栅格对应的栅格,第四栅格是初始概率地图中与二维点云栅格地图中不存在点云投影的栅格对应的栅格。预设值是根据经验值预先设定的,本申请实施例对此不作限定。
概率值调整后的结果是将第三栅格的概率值增加预设值后的概率值和将第四栅格的概率值衰减预设值后的概率值。目标概率地图是对初始概率地图进行更新后的栅格地图。
示例性地,对于与当前时刻对应的地图掩码,机器人确定初始概率地图中与第一栅格对应的第三栅格,并将第三栅格的概率值增加预设值;确定初始概率地图中与第二栅格对应的第四栅格,并将第四栅格的概率值衰减预设值;基于将第三栅格的概率值增加预设值后的概率值和将第四栅格的概率值衰减预设值后的概率值,得到目标概率地图。
例如,预设值为1,如图2A-2D所示,图2A为与当前时刻的上一时刻对应的地图掩码,地图掩码中每个像素点(对应二维点云栅格地图中的每个栅格)的像素值分别为:1、1、0、0、0、0、0、0、0,图2B为与上一时刻对应的目标概率地图,每个栅格的概率值分别为:128、129、130、128、129、130、128、129、130。图2C为当前时刻对应的地图掩码,地图掩码中每个像素点的像素值分别为:1、1、1、0、0、0、0、0、0,图2D为与当前时刻对应的目标概率地图,每个栅格的概率值分别为:129、130、131、127、128、129、127、128、129。
本实施例中,通过确定初始概率地图中与第一栅格对应的第三栅格、与第二栅格对应的第四栅格,将第三栅格的概率值增加预设值、将第四栅格的概率值衰减预设值,能够达到在地图掩码所对应的二维点云栅格地图中至少有一个栅格的像素值发生变化的情况下,更新初始概率地图得到目标概率地图的目的。
在一个实施例中,如图3所示,基于目标概率地图,对候选障碍物进行滤波处理,得到动态障碍物,包括:对候选障碍物进行障碍物形状滤波处理,得到第一滤波结果;基于目标概率地图对第一滤波结果进行概率滤波处理,得到第二滤波结果;对第二滤波结果进行遮挡滤波处理,得到第三滤波结果;基于与目标区域对应的全局静态地图对第三滤波结果进行静态障碍物滤波处理,得到动态障碍物。
其中,第一滤波结果是经过障碍物形状滤波处理后的候选障碍物,第二滤波结果是依次经过障碍物形状滤波处理和概率滤波处理后的候选障碍物,第三滤波结果是依次经过障碍物形状滤波处理、概率滤波处理和遮挡滤波处理后的候选障碍物,第四滤波结果是依次经过障碍物形状滤波处理、概率滤波处理、遮挡滤波处理和静态障碍物滤波处理后的候选障碍物。
示例性地,机器人对候选障碍物进行障碍物形状滤波处理,得到第一滤波结果;基于目标概率地图对第一滤波结果进行概率滤波处理,得到第二滤波结果;对第二滤波结果进行遮挡滤波处理,得到第三滤波结果;基于全局静态地图对第三滤波结果进行静态障碍物滤波处理,得到动态障碍物。
由于动态障碍物的形状和静态障碍物的形状通常具有一定的区别,因此可以从障碍物形状的角度对候选障碍物进行滤波处理。在一个实施例中,对候选障碍物进行障碍物形状滤波处理,得到第一滤波结果,包括根据候选障碍物的长宽比、候选障碍物的面积或候选障碍物的像素点数量中的至少一种,对候选障碍物进行障碍物形状滤波处理,得到第一滤波结果。
其中,候选障碍物的长宽比是候选障碍物的长度和宽度的比值。候选障碍物的像素点数量是候选障碍物所包括的像素点的数量。
示例性地,机器人对于各候选障碍物中的当前候选障碍物,从候选障碍物中筛选出满足形状滤波条件中的至少一个,作为第一滤波结果;形状滤波条件包括当前候选障碍物的长宽比在第一预设范围内、候选障碍物的面积在第二预设范围内、以及候选障碍物的像素点数量在第三预设范围内,第一预设范围、第二预设范围和第三预设范围是根据检测需求预先设定的,本申请实施例对此不作限定。
由于在机器人视角的任意一个角度方向上,机器人只能看到最近的障碍物,看不到后面的障碍物,因此,在机器人前方的障碍物有多个,且其中的至少一个障碍物被其他的障碍物遮挡的情况下,机器人只需要避开最前面的障碍物,便能够达到避开包括最前面的障碍物、以及被最前面的障碍物遮挡的其他障碍物的目的。
在一个实施例中,对第二滤波结果进行遮挡滤波处理,得到第三滤波结果,包括在第二滤波结果中存在被遮挡的候选障碍物的情况下,将第二滤波结果中被遮挡的候选障碍物剔除,得到第三滤波结果。
示例性地,在第二滤波结果中存在被遮挡的候选障碍物的情况下,机器人将第二滤波结果中被遮挡的候选障碍物剔除,得到第三滤波结果。
本实施例中,通过对候选障碍物依次进行障碍物形状滤波处理、概率滤波处理、遮挡滤波处理和静态障碍物滤波处理,能够达到基于目标概率地图对候选障碍物进行滤波处理,得到动态障碍物的目的。
在一个实施例中,基于目标概率地图对第一滤波结果进行概率滤波处理,得到第二滤波结果,包括对于第一滤波结果中的当前候选障碍物,确定目标概率地图中,与当前候选障碍物中的各像素点所对应的栅格的概率值;根据确定的概率值,确定当前候选障碍物的综合概率值;基于候选障碍物的综合概率值进行筛选,得到第二滤波结果。
其中,当前候选障碍物是第一滤波结果中的任一个候选障碍物。由于动态障碍物在目标区域中是运动的,在预设时间段内每个时刻获取到的动态障碍物所对应的点云投影,往往会出现在二维点云栅格地图中的不同位置的第一栅格中,而很少会出现在二维点云栅格地图中的同一位置的第一栅格中,因此,会增加与不同位置的第一栅格对应的第三栅格的概率值,使得目标概率地图中的不同位置的第三栅格的概率值相应地增加预设值。因此,在经过预设时间段后,目标概率地图中与动态障碍物对应的各第三栅格的概率值不会很大。
反之,由于在预设时间段内,静态障碍物始终在目标区域的同一个位置,在预设时间段内每个时刻获取到的静态障碍物所对应的点云投影,通常会出现在二维点云栅格地图中的同一位置的第一栅格中,因此,会一直增加与该位置的第一栅格对应的第三栅格的概率值,在经过预设时间段后,目标概率地图中的该位置的第三栅格的概率值为多个预设值的叠加结果。因此,经过预设时间段后的目标概率地图中与静态障碍物对应的第三栅格的概率值,大于目标概率地图中与动态障碍物对应的第三栅格的概率值。因此,基于目标概率地图中栅格的概率值能够将动态障碍物和静态障碍物区分开。
示例性地,对于第一滤波结果中的当前候选障碍物,机器人确定目标概率地图中,与当前候选障碍物中的各像素点所对应的栅格的概率值;计算确定的概率值的平均值,得到当前候选障碍物的综合概率值;在当前候选障碍物的综合概率值小于预设概率值的情况下,保留当前候选障碍物;在当前候选障碍物的综合概率值不小于预设概率值的情况下,剔除当前候选障碍物,从而得到第二滤波结果。其中,预设概率值是根据检测需求预先设定的,本申请实施例对此不作限定。
本实施例中,通过目标概率地图中与各候选障碍物的各像素点所对应的栅格的概率值,确定各候选障碍物的综合概率值,并根据综合概率值的大小进行筛选,得到第二滤波结果,能够达到基于目标概率地图,对第一滤波结果进行概率滤波处理,得到第二滤波结果的目的。
由于全局静态地图中包括静态障碍物的位置信息,因此,通过将第三滤波结果中各候选障碍物和全局静态地图进行匹配,当各候选障碍物的像素点的位置和全局静态地图中静态障碍物的位置的重合比例大于预设比例时,表征该候选障碍物为静态障碍物的可能性较大,因此,通过第三滤波结果各候选障碍物的像素点的位置和全局静态地图中静态障碍物的位置的重合比例,能够将动态障碍物和静态障碍物区分开。
在一个实施例中,基于与目标区域对应的全局静态地图对第三滤波结果进行静态障碍物滤波处理,得到动态障碍物,包括:计算第三滤波结果中各候选障碍物的像素点在全局静态地图中出现的比例;剔除第三滤波结果中比例大于预设比例的候选障碍物,得到动态障碍物。
其中,预设比例是根据检测需求预先设定的,本申请实施例对此不作限定。
示例性地,对于第三滤波结果中的当前候选障碍物,机器人确定目标概率地图中,与当前候选障碍物中的各像素点所对应的栅格的栅格位置;基于目标栅格地图中的每个栅格和全局静态地图中每个位置之间的对应关系,确定全局静态地图中与各栅格位置对应的地图位置;判断各地图位置是否为静态障碍物的位置,并计算与静态障碍物的位置对应的地图位置的比例,得到当前候选障碍物的像素点在全局静态地图中出现的比例;在比例小于预设比例的情况下,保留当前候选障碍物,在比例不小于预设比例的情况下,剔除当前候选障碍物,从而得到动态障碍物。
在其中一个实施例中,机器人可直接基于获取的全局静态地图进行滤波处理,也可以基于更新后的全局静态地图进行滤波处理,本申请实施例对此不作限定。
在一些实施例中,机器人可根据目标概率地图对预先获取的全局静态地图进行更新,其中,目标概率地图可以实时更新,全局静态地图更新的频率可以低于目标概率地图。全局静态地图的每个栅格中存储有数值,该数值表征属于静态障碍物的置信度,若置信度大于一定的阈值,则表示该栅格对应静态障碍物。遍历当前的目标概率地图的每个栅格,如果当前栅格的概率值大于设定的阈值,则认为是属于静态障碍物。当目标概率地图中属于静态障碍物的栅格,与全局静态地图中属于静态障碍物的栅格的差异超过一定百分比时触发对全局静态地图的更新。具体的更新方式可以是基于目标概率地图的概率值更新全局静态地图中相对应栅格处的数值。
本实施例中,由于全局静态地图包括目标区域中静态障碍物的位置信息,目标概率地图中的每个栅格与全局静态地图中的每个位置之间具有一对一的对应关系,目标概率地图表征目标区域中每个栅格被障碍物占据的概率值,因此,通过计算第三滤波结果中各候选障碍物的像素点在全局静态地图中出现的比例,并剔除第三滤波结果中比例大于预设比例的候选障碍物,能够达到基于全局静态地图对第三滤波结果进行静态障碍物滤波处理,得到动态障碍物的目的。
在一个实施例中,本申请还可以根据动态障碍物更新全局静态地图,具体如下包括:确定目标概率地图中,与动态障碍物中的各像素点所对应的栅格的栅格位置;基于目标栅格地图中的每个栅格和全局静态地图中每个位置之间的对应关系,确定全局静态地图中与各栅格位置对应的地图位置;判断各地图位置是否为动态障碍物的位置,若是,则将该位置从全局静态地图中删除,若否,则保留该位置,得到更新后的全局静态地图。
本实施例中,通过将检测出的动态障碍物与全局静态地图进行匹配,能够达到根据检测出的动态障碍物更新全局静态地图的目的,更新后的全局静态地图能够更准确的反映目标区域中静态障碍物的位置信息,从而达到了提高动态障碍物检测的准确率的目的。
通过上述实施例中提供的动态障碍物检测方法,实现了基于点云数据得到地图掩码,对地图掩码进行聚类,得到候选障碍物,并通过对候选障碍物依次进行障碍物形状滤波处理、概率滤波处理、遮挡滤波处理和静态障碍物滤波处理,得到动态障碍物。又由于点云数据中是有噪声的,用深度相机、单线激光雷达或多线激光雷达检测障碍物的位置信息时,很难检测到一个准确的数值,如果障碍物与机器人的距离是1.30米,实际上每次检测出的距离均会有细微的波动,例如上一次的检测值为1.41米、这一次的检测值可能是1.35米。因此,为了进一步地提高动态障碍物的检测准确率,实现对稳定运动的动态障碍物的检测,本申请还能够基于动态障碍物的轨迹,对动态障碍物进行更准确地检测。
在一个实施例中,在对候选障碍物进行滤波处理,得到动态障碍物之后,该方法还包括获取当前时刻的各动态障碍物的实际位置,并获取当前时刻的历史目标列表中各历史目标的估计位置;历史目标列表为在历史时间段内检测到的动态障碍物的集合;基于实际位置和估计位置,更新历史目标列表;从更新后的历史目标列表中,筛选出满足稳定运动条件的目标动态障碍物以进行跟踪。
其中,动态障碍物的实际位置是动态障碍物在全局静态地图中的位置。历史目标列表为在历史时间段内检测到的动态障碍物的集合,并将在各历史时刻检测到的各动态障碍物作为一个历史目标。历史目标列表包括每个历史目标的实际位置和实际速度等运动状态量。
目标动态障碍物是基于动态障碍物和历史目标列表确定的待跟踪的动态障碍物,由于将历史目标列表中的各历史目标作为检测动态障碍物的筛选条件,因此目标动态障碍物是在动态障碍物的基础上再增加了一个检测动态障碍物的筛选条件,能够过滤掉动态障碍物中运动状态不稳定的动态障碍物,例如临时出现在目标区域中的动物,对在目标区域中处于稳定地运动状态的动态障碍物进行检测和跟踪,从而达到避障的目的。因此,相比于动态障碍物,目标动态障碍物具有更高的检测准确率。
示例性地,机器人根据地图掩码中各像素点和全局静态地图中的每个位置之间的对应关系,确定当前时刻的各动态障碍物中各像素点在全局静态地图中的位置,从而确定当前时刻的各动态障碍物的实际位置;获取当前时刻的上一时刻的目标列表中各历史目标的实际位置;对上一时刻的各历史目标的实际位置进行滤波处理,得到当前时刻的各历史目标的估计位置;基于当前时刻的各动态障碍物的实际位置和各历史目标的估计位置,更新历史目标列表;从更新后的历史目标列表中,筛选出满足稳定运动条件的目标动态障碍物以进行跟踪。
在一个实施例中,对上一时刻的各历史目标的实际位置进行滤波处理,得到当前时刻的各历史目标的估计位置,包括:获取当前时刻的上一时刻的目标列表中各历史目标的实际速度、和当前时刻与上一时刻之间的时间差;根据上一时刻的各历史目标的实际位置、实际速度和时间差,计算当前时刻的各历史目标的估计位置。
示例性地,机器人获取当前时刻的上一时刻的目标列表中各历史目标的实际速度、和当前时刻与上一时刻之间的时间差;根据上一时刻的各历史目标的实际位置、实际速度和时间差,计算当前时刻的各历史目标的估计位置。具体计算公式如下:
X1e=X0+Vx0*△t,Y1e=Y 0+Vy0*△t,△t=t1-t0。
上述公式中,t1为当前时刻,t0为上一时刻,△t为当前时刻与上一时刻之间的时间差,X0为上一时刻的历史目标在水平方向上的实际位置,Y0为上一时刻的历史目标在垂直方向上的实际位置,Vx0为上一时刻的历史目标在水平方向上的实际速度,Vy0为上一时刻的历史目标在垂直方向上的实际速度,X1e为当前时刻的各历史目标在水平方向上的估计位置,Y1e为当前时刻的各历史目标在垂直方向上的估计位置。
本实施例中,通过获取当前时刻的各动态障碍物的实际位置和当前时刻的历史目标列表中各历史目标的估计位置,并基于这两种位置更新历史目标列表,进而从更新后的历史目标列表中,筛选出满足稳定运动条件的目标动态障碍物以进行跟踪,能够达到基于动态障碍物的运动轨迹,对动态障碍物进行筛选,以得到运动稳定的目标动态障碍物的目的,从而达到进一步地提高动态障碍物的检测准确率和对运动稳定的目标动态障碍物进行跟踪的目的。
在一个实施例中,基于实际位置和估计位置,更新历史目标列表,包括对于各动态障碍物中的当前动态障碍物,根据当前动态障碍物的实际位置和各历史目标的估计位置,匹配当前动态障碍物和各历史目标;在匹配成功的情况下,将当前动态障碍物的实际位置作为当前时刻的匹配上的历史目标的实际位置;在匹配失败的情况下,将当前动态障碍物作为新增目标添加至历史目标列表;基于当前时刻的匹配上的历史目标的实际位置或新增目标中的至少一种,得到更新后的历史目标列表。
其中,新增目标是与历史目标列表中各历史目标不同的目标,更新后的历史目标列表包括各历史目标和新增目标。
示例性地,机器人对于各动态障碍物中的当前动态障碍物,分别计算当前动态障碍物的实际位置和各历史目标的估计位置之间的欧式距离,根据计算的多个欧式距离,确定最小欧式距离,在最小欧式距离小于预设距离的情况下,确定当前动态障碍物与最小欧式距离所对应的历史目标匹配成功,在最小欧式距离不小于预设距离的情况下,确定当前动态障碍物与各历史目标均匹配失败;在匹配成功的情况下,将当前时刻的匹配上的历史目标的估计位置替换为当前动态障碍物的实际位置,得到当前时刻的匹配上的历史目标的实际位置;在匹配失败的情况下,将当前动态障碍物作为新增目标添加至历史目标列表,并将当前动态障碍物的实际位置作为当前时刻的新增目标的实际位置;基于当前时刻的匹配上的历史目标的实际位置或新增目标中的至少一种,得到更新后的历史目标列表。
本实施例中,通过根据当前时刻的各动态障碍物的实际位置和历史目标列表中各历史目标的估计位置,匹配各动态障碍物和各历史目标,根据匹配成功和匹配失败的情况下,分别更新目标历史列表,从而达到基于当前时刻的各动态障碍物的实际位置和历史目标列表中各历史目标的估计位置,更新历史目标列表的目的。
在一个实施例中,从更新后的历史目标列表中,筛选出满足稳定运动条件的目标动态障碍物以进行跟踪,包括根据更新后的历史目标列表中各中间目标在当前时刻的实际位置,计算各中间目标在当前时刻的实际速度和实际加速度;在各中间目标的匹配成功次数、匹配失败次数、实际速度和实际加速度中的至少一个满足预设条件的情况下,从更新后的历史目标列表中筛选出目标动态障碍物以进行跟踪。
其中,中间目标是更新后的历史目标列表中的每个目标。稳定运动条件包括匹配成功次数、匹配失败次数、实际速度和实际加速度中的至少一个条件。
示例性地,机器人根据更新后的历史目标列表中各中间目标在当前时刻的实际位置和当前时刻与上一时刻之间的时间差,计算各中间目标在当前时刻的实际速度和实际加速度,并记录各中间目标所对应的匹配成功的次数或匹配失败的次数。在对各动态障碍物进行跟踪目标时间段后,机器人获取到在目标时间段内各目标时刻的各动态障碍物的多个实际位置和历史目标列表中各历史目标的多个估计位置,记录每个目标时刻各中间目标的匹配成功次数、匹配失败次数、与目标时刻对应的实际速度和实际加速度;在各中间目标的匹配成功次数、匹配失败次数、与目标时刻对应的实际速度和实际加速度中的至少一个满足预设条件的情况下,从更新后的历史目标列表中筛选出目标动态障碍物,以对目标动态障碍物进行跟踪。
在一个实施例中,在各中间目标的匹配成功次数、匹配失败次数、与目标时刻对应的实际速度和实际加速度中的至少一个满足预设条件的情况下,从更新后的历史目标列表中筛选出目标动态障碍物以进行跟踪,包括将匹配成功次数大于第一次数的中间目标或匹配失败次数小于第二次数的中间目标中的至少一种,确定为目标动态障碍物,以对目标动态障碍物进行跟踪。
其中,第一次数和第二次数是根据检测需求预先设定的,本申请实施例对此不作限定。通过将匹配成功次数大于第一次数的中间目标,确定为目标动态障碍物,能够达到避免误检的目的。例如第一次数为2次,在至少有3次都匹配成功的情况下,才认为该中间变量是目标动态障碍物,否则,如果只是有1次或者只有2次匹配成功就将该中间变量认为是目标动态障碍物的情况下,容易出现误检的情况。
通过将匹配失败次数小于第二次数的中间目标,确定为目标动态障碍物,能够达到漏检的目的。例如第二次数为3次,在最多有2次都匹配失败的情况下,才认为该中间变量是目标动态障碍物。
在一个实施例中,在各中间目标的匹配成功次数、匹配失败次数、与目标时刻对应的实际速度和实际加速度中的至少一个满足预设条件的情况下,从更新后的历史目标列表中筛选出目标动态障碍物以进行跟踪,包括将与目标时刻对应的实际速度在预设速度范围内的中间目标、或与目标时刻对应的实际加速度在预设加速度范围内的中间目标中的至少一种,确定为目标动态障碍物,以对目标动态障碍物进行跟踪。
预设速度范围和预设加速度范围是根据检测需求预先设定的,本申请实施例对此不作限定。通过将与目标时刻对应的实际速度在预设速度范围内的中间目标作为目标动态障碍物,将与目标时刻对应的实际加速度在预设加速度范围内的中间目标作为目标动态障碍物,能够达到从中间目标中筛选出稳定运动的目标动态障碍物的目的。
在一个实施例中,该方法还包括根据目标动态障碍物在当前时刻的实际速度和实际加速度,确定目标动态障碍物在后续时间段内的运动轨迹,以使得机器人在后续时间段内避开运动轨迹行驶,从而达到避障的目的。
在一个实施例中,如图4所述,提供了一种动态障碍物检测方法,包括以下步骤:
步骤1、获取输入数据,包括机器人工作区域(即上述实施例中的目标区域)的全局静态地图、点云数据和定位信息(即机器人的位姿,包括机器人的位置和航向角)。
其中,全局静态地图是预先构建的并存储在机器人上,全局静态地图中标识了静态障碍物(例如墙壁、桌子、门)的位置。点云数据的获取可以通过安装在机器人底盘上的RGBD相机或者激光雷达等感知传感器实现。机器人的位姿通过机器人内置的定位模块得到,室内机器人一般用轮式里程计、IMU,室外常用GPS、RTK等。
步骤2、更新概率地图。
在机器人前方FOV(视场角,field angle of view)区域,对于地图掩码上有点云的位置pos(x,y),增加概率地图中与该位置对应的栅格的概率值,得到该栅格的概率值为:p+△p(其中,p是概率地图中栅格的历史概率值,△p是增加的概率值,一般取经验值);对于地图掩码上没有点云的位置pos(x,y),则在概率地图上减小与该位置对应的栅格的概率值,得到该栅格的概率值为:p-△p。可以理解,地图掩码中每个像素点所对应的概率地图中的栅格的概率值是历史帧和当前帧概率值的累加。
步骤3、聚类和滤波。
3.1、聚类:对地图掩码中的像素点进行连通域聚类,得到多个候选障碍物。
3.2、连通域形状滤波:由于动态障碍物的长宽比、面积、与点云数据对应的像素点的数量需要在预设范围内,因此根据候选障碍物的长宽比、候选障碍物的面积和候选障碍物的像素点数量,对候选障碍物进行障碍物形状滤波处理,以剔除不在预设范围内的候选障碍物。
3.3、概率滤波:在概率地图上,动态障碍物中的所有像素点所对应的栅格的概率值的平均值(即上述实施例中的综合概率值)需要小于预设概率值,否则可能是静态障碍物。保留综合概率值小于预设概率值的候选障碍物,剔除综合概率值不小于预设概率值的候选障碍物。
3.4、遮挡滤波:在机器人视角的任意一个角度方向上,机器人只能看到最近的障碍物,看不到后面的东西。因此,保留在机器人视角的任意一个角度方向上,离机器人最近的障碍物,并剔除最近的障碍物后面的物体。
3.5、静态地图滤波:结合全局静态地图,如果候选障碍物有一定比例的点在全局静态地图的静态障碍物上面,则认为候选障碍物属于误检,并剔除该候选障碍物。
步骤4、跟踪。
4.1、关联目标
1)确定当前时刻的待跟踪对象(当前对象),获取当前时刻的当前对象的实际位置;
2)将当前对象和历史目标列表中各历史目标进行匹配,具体包括以下步骤:
21)获取上一时刻的各历史目标的实际位置、实际速度和两个时刻之间的时间差等状态量;22)对上一时刻的各历史目标的状态量进行滤波处理,得到当前时刻的各历史目标的估计位置;23)分别计算当前时刻的当前对象的实际位置与各历史目标的估计位置之间的欧氏距离;24)根据计算得到的与当前对象对应的多个欧式距离,确定最小欧式距离;在最小欧式距离小于预设距离的情况下,确定当前对象与最小欧式距离所对应的历史目标匹配成功。
3)若匹配上,则更新历史目标列表:
将当前时刻的当前对象的实际位置,作为与最小欧式距离所对应的历史目标的当前时刻的实际位置;若未匹配上,则把当前对象作为新的目标***历史目标列表,即:当前对象是当前帧才检测到的,因此将当前对象添加到历史目标列表中。
4)记录更新后的历史目标列表中各目标(跟踪目标)的属性,包括匹配成功次数、匹配失败次数、轨迹。
4.2、状态估计
上述步骤22)中,滤波处理方法可以采用卡尔曼滤波(Kalman filtering,简称KF)、扩展卡尔曼滤波器(Extended Kalman Filter,简称EKF)EKF、无损卡尔曼滤波(Unscented Kalman Filter,简称UKF)或粒子滤波,估计出各历史目标在当前时刻的运动状态,包括估计位置、估计速度、估计加速度。
4.3、条件约束
将满足以下约束条件的目标检测结果(跟踪目标)输出,以得到稳定的动态障碍物检测结果(目标动态障碍物)。
a.匹配成功次数>T1、匹配失败次数<T2;(其中,T1和T2为正整数)
b.根据轨迹计算跟踪目标的运动速度、方向;最近几帧的运动速度和加速度的大小需在一定范围内、且速度和加速度的变化量需要在一定范围内。
动态障碍物检测结果包括:静态障碍物的坐标和动态障碍物列表,其中,每个动态障碍物用一个结构体表示,包含动态障碍物所对应的点云数据、概率地图中与动态障碍物对应的栅格的概率值、当前时间戳、动态障碍物的位姿、运动速度、加速度。
4.4、根据目标的速度、加速度,预测目标在未来一段时间(例如下一秒内)的运动轨迹。
本实施例中,能够检测出机器人前方的动态障碍物,输出鲁棒性高、准确性高的动态障碍物结果,包括动态障碍物的位姿、运动速度、加速度、历史轨迹,并且预测动态障碍物的未来轨迹,从而使得机器人能够提前避开动态障碍物、更好地规划路线、调整机器人运行状态,使机器人安全、高效地工作。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的动态障碍物检测方法的动态障碍物检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个动态障碍物检测装置实施例中的具体限定可以参见上文中对于动态障碍物检测方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种动态障碍物检测装置500,应用于机器人,机器人上搭载有用于检测环境信息的感知传感器,动态障碍物检测装置500包括:获取模块501、转换模块502、更新模块503、聚类模块504和滤波模块505,其中:
获取模块501,用于获取与目标区域对应的初始概率地图,并获取感知传感器对目标区域进行探测得到的点云数据。
转换模块502,用于将点云数据转换为地图掩码,地图掩码中的每个像素点的像素值表征是否存在点云投影。
更新模块503,用于基于地图掩码更新初始概率地图得到目标概率地图;目标概率地图表征目标区域中每个栅格被障碍物占据的概率值。
聚类模块504,用于对地图掩码中的像素点进行聚类处理,得到候选障碍物。
滤波模块505,用于基于目标概率地图,对候选障碍物进行滤波处理,得到动态障碍物。
在一个实施例中,转换模块502还用于获取与目标区域对应的全局静态地图;对以机器人为中心的预设水平区域进行栅格划分,构建预设栅格地图;将点云数据从机器人坐标系转换至全局静态地图所在的地图坐标系,并将转换后的点云数据投影到预设栅格地图,得到二维点云栅格地图;将二维点云栅格地图中存在点云投影的第一栅格的像素值设置为第一值,并将二维点云栅格地图中不存在点云投影的第二栅格的像素值设置为第二值,得到地图掩码。
在一个实施例中,更新模块503还用于确定初始概率地图中与第一栅格对应的第三栅格,并将第三栅格的概率值增加预设值;确定初始概率地图中与第二栅格对应的第四栅格,并将第四栅格的概率值衰减预设值;基于概率值调整后的结果得到目标概率地图。
在一个实施例中,滤波模块505还用于对候选障碍物进行障碍物形状滤波处理,得到第一滤波结果;基于目标概率地图对第一滤波结果进行概率滤波处理,得到第二滤波结果;对第二滤波结果进行遮挡滤波处理,得到第三滤波结果;基于与目标区域对应的全局静态地图对第三滤波结果进行静态障碍物滤波处理,得到动态障碍物。
在一个实施例中,滤波模块505还用于对于第一滤波结果中的当前候选障碍物,确定目标概率地图中,与当前候选障碍物中的各像素点所对应的栅格的概率值;根据确定的概率值,确定当前候选障碍物的综合概率值;基于候选障碍物的综合概率值进行筛选,得到第二滤波结果。
在一个实施例中,滤波模块505还用于获取与目标区域对应的全局静态地图,计算第三滤波结果中各候选障碍物的像素点在全局静态地图中出现的比例;剔除第三滤波结果中比例大于预设比例的候选障碍物,得到动态障碍物。
在一个实施例中,动态障碍物检测装置500还包括跟踪模块,跟踪模块用于获取当前时刻的各动态障碍物的实际位置,并获取当前时刻的历史目标列表中各历史目标的估计位置;历史目标列表为在历史时间段内检测到的动态障碍物的集合;基于实际位置和估计位置,更新历史目标列表;从更新后的历史目标列表中,筛选出满足稳定运动条件的目标动态障碍物以进行跟踪。
在一个实施例中,跟踪模块还用于对于各动态障碍物中的当前动态障碍物,根据当前动态障碍物的实际位置和各历史目标的估计位置,匹配当前动态障碍物和各历史目标;在匹配成功的情况下,将当前动态障碍物的实际位置作为当前时刻的匹配上的历史目标的实际位置;在匹配失败的情况下,将当前动态障碍物作为新增目标添加至历史目标列表;基于当前时刻的匹配上的历史目标的实际位置或新增目标中的至少一种,得到更新后的历史目标列表。
在一个实施例中,跟踪模块还用于根据更新后的历史目标列表中各中间目标在当前时刻的实际位置,计算各中间目标在当前时刻的实际速度和实际加速度;在各中间目标的匹配成功次数、匹配失败次数、实际速度和实际加速度中的至少一个满足预设条件的情况下,从更新后的历史目标列表中筛选出目标动态障碍物以进行跟踪。
上述动态障碍物检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于机器人中的处理器中,也可以以软件形式存储于机器人中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种机器人,其内部结构图可以如图6所示。该机器人包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。其中,该机器人的处理器用于提供计算和控制能力。该机器人的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该机器人的输入/输出接口用于处理器与外部设备之间交换信息。该机器人的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种动态障碍物检测方法。该机器人的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该机器人的输入装置可以是显示屏上覆盖的触摸层,也可以是机器人外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的机器人的限定,具体的机器人可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种机器人,包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上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申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种动态障碍物检测方法,其特征在于,应用于机器人,所述机器人上搭载有用于检测环境信息的感知传感器;
所述方法包括:
获取与目标区域对应的初始概率地图,并获取所述感知传感器对所述目标区域进行探测得到的点云数据;
将所述点云数据转换为地图掩码,所述地图掩码中的每个像素点的像素值表征是否存在点云投影;
基于所述地图掩码更新所述初始概率地图得到目标概率地图;所述目标概率地图表征所述目标区域中每个栅格被障碍物占据的概率值;
对所述地图掩码中的像素点进行聚类处理,得到候选障碍物;
基于所述目标概率地图,对所述候选障碍物进行滤波处理,得到动态障碍物。
2.根据权利要求1所述的方法,其特征在于,所述将所述点云数据转换为地图掩码,包括:
获取与所述目标区域对应的全局静态地图;
对以所述机器人为中心的预设水平区域进行栅格划分,构建预设栅格地图;
将所述点云数据从所述机器人的坐标系转换至所述全局静态地图所在的地图坐标系,并将转换后的点云数据投影到所述预设栅格地图,得到二维点云栅格地图;
将所述二维点云栅格地图中存在点云投影的第一栅格的像素值设置为第一值,并将所述二维点云栅格地图中不存在所述点云投影的第二栅格的像素值设置为第二值,得到地图掩码。
3.根据权利要求2所述的方法,其特征在于,所述基于所述地图掩码更新所述初始概率地图得到目标概率地图,包括:
确定所述初始概率地图中与所述第一栅格对应的第三栅格,并将所述第三栅格的概率值增加预设值;
确定所述初始概率地图中与所述第二栅格对应的第四栅格,并将所述第四栅格的概率值衰减所述预设值;
基于概率值调整后的结果得到目标概率地图。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标概率地图,对所述候选障碍物进行滤波处理,得到动态障碍物,包括:
对所述候选障碍物进行障碍物形状滤波处理,得到第一滤波结果;
基于所述目标概率地图对所述第一滤波结果进行概率滤波处理,得到第二滤波结果;
对所述第二滤波结果进行遮挡滤波处理,得到第三滤波结果;
基于与所述目标区域对应的全局静态地图对所述第三滤波结果进行静态障碍物滤波处理,得到动态障碍物。
5.根据权利要求4所述的方法,其特征在于,所述基于所述目标概率地图对所述第一滤波结果进行概率滤波处理,得到第二滤波结果,包括:
对于第一滤波结果中的当前候选障碍物,确定所述目标概率地图中,与所述当前候选障碍物中的各像素点所对应的栅格的概率值;
根据确定的所述概率值,确定所述当前候选障碍物的综合概率值;
基于所述候选障碍物的综合概率值进行筛选,得到第二滤波结果。
6.根据权利要求4所述的方法,其特征在于,所述基于与所述目标区域对应的全局静态地图对所述第三滤波结果进行静态障碍物滤波处理,得到动态障碍物,包括:
获取与所述目标区域对应的全局静态地图;
计算所述第三滤波结果中各候选障碍物的像素点在所述全局静态地图中出现的比例;
剔除所述第三滤波结果中比例大于预设比例的候选障碍物,得到动态障碍物。
7.根据权利要求1至6任意一项所述的方法,其特征在于,在所述对所述候选障碍物进行滤波处理,得到动态障碍物之后,所述方法还包括:
获取当前时刻的各动态障碍物的实际位置,并获取当前时刻的历史目标列表中各历史目标的估计位置;所述历史目标列表为在历史时间段内检测到的动态障碍物的集合;
基于所述实际位置和所述估计位置,更新所述历史目标列表;
从更新后的历史目标列表中,筛选出满足稳定运动条件的目标动态障碍物以进行跟踪。
8.根据权利要求7所述的方法,其特征在于,所述基于所述实际位置和所述估计位置,更新所述历史目标列表,包括:
对于各动态障碍物中的当前动态障碍物,根据所述当前动态障碍物的实际位置和所述各历史目标的估计位置,匹配所述当前动态障碍物和所述各历史目标;
在匹配成功的情况下,将所述当前动态障碍物的实际位置作为当前时刻的匹配上的历史目标的实际位置;
在匹配失败的情况下,将所述当前动态障碍物作为新增目标添加至所述历史目标列表;
基于所述当前时刻的匹配上的历史目标的实际位置或所述新增目标中的至少一种,得到更新后的历史目标列表。
9.根据权利要求7所述的方法,其特征在于,所述从更新后的历史目标列表中,筛选出满足稳定运动条件的目标动态障碍物以进行跟踪,包括:
根据更新后的历史目标列表中各中间目标在当前时刻的实际位置,计算所述各中间目标在当前时刻的实际速度和实际加速度;
在所述各中间目标的匹配成功次数、匹配失败次数、实际速度和实际加速度中的至少一个满足预设条件的情况下,从所述更新后的历史目标列表中筛选出目标动态障碍物以进行跟踪。
10.一种机器人,包括存储器、处理器以及用于检测环境信息的感知传感器,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至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211624831.7A CN116088503B (zh) | 2022-12-16 | 2022-12-16 | 动态障碍物检测方法和机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211624831.7A CN116088503B (zh) | 2022-12-16 | 2022-12-16 | 动态障碍物检测方法和机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116088503A true CN116088503A (zh) | 2023-05-09 |
CN116088503B CN116088503B (zh) | 2024-06-25 |
Family
ID=86207324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211624831.7A Active CN116088503B (zh) | 2022-12-16 | 2022-12-16 | 动态障碍物检测方法和机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116088503B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116661468A (zh) * | 2023-08-01 | 2023-08-29 | 深圳市普渡科技有限公司 | 障碍物检测方法、机器人及计算机可读存储介质 |
CN117152719A (zh) * | 2023-11-01 | 2023-12-01 | 锐驰激光(深圳)有限公司 | 除草障碍物检测方法、设备、存储介质及装置 |
CN117830143A (zh) * | 2024-03-06 | 2024-04-05 | 江苏航智嘉信息科技有限公司 | 一种基于计算机视觉的机器人工具精确定位的方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190011566A1 (en) * | 2017-07-04 | 2019-01-10 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for identifying laser point cloud data of autonomous vehicle |
US20190286145A1 (en) * | 2018-03-14 | 2019-09-19 | Omron Adept Technologies, Inc. | Method and Apparatus for Dynamic Obstacle Avoidance by Mobile Robots |
US20200074641A1 (en) * | 2018-08-30 | 2020-03-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus, device, and storage medium for calibrating posture of moving obstacle |
US20210035310A1 (en) * | 2019-07-29 | 2021-02-04 | Honda Motor Co., Ltd. | Trajectory prediction |
CN112859859A (zh) * | 2021-01-13 | 2021-05-28 | 中南大学 | 一种基于三维障碍物体素对象映射的动态栅格地图更新方法 |
CN113345008A (zh) * | 2021-05-31 | 2021-09-03 | 湖南大学 | 一种考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法 |
CN114384920A (zh) * | 2022-03-23 | 2022-04-22 | 安徽大学 | 一种基于局部栅格地图实时构建的动态避障方法 |
CN114764252A (zh) * | 2022-05-31 | 2022-07-19 | 广州科语机器人有限公司 | 动态避障方法、装置及移动机器人 |
CN114791936A (zh) * | 2021-01-26 | 2022-07-26 | 北理慧动(北京)教育科技有限公司 | 一种无人车可通行区域的存储、高效编辑和调用方法 |
CN114859938A (zh) * | 2022-06-17 | 2022-08-05 | 深圳市普渡科技有限公司 | 机器人、动态障碍物状态估计方法、装置和计算机设备 |
CN115016507A (zh) * | 2022-07-27 | 2022-09-06 | 深圳市普渡科技有限公司 | 建图方法、定位方法、装置、机器人和存储介质 |
CN115372990A (zh) * | 2022-08-29 | 2022-11-22 | 深圳一清创新科技有限公司 | 一种高精度语义地图的建图方法、装置和无人车 |
-
2022
- 2022-12-16 CN CN202211624831.7A patent/CN116088503B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190011566A1 (en) * | 2017-07-04 | 2019-01-10 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for identifying laser point cloud data of autonomous vehicle |
US20190286145A1 (en) * | 2018-03-14 | 2019-09-19 | Omron Adept Technologies, Inc. | Method and Apparatus for Dynamic Obstacle Avoidance by Mobile Robots |
US20200074641A1 (en) * | 2018-08-30 | 2020-03-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus, device, and storage medium for calibrating posture of moving obstacle |
US20210035310A1 (en) * | 2019-07-29 | 2021-02-04 | Honda Motor Co., Ltd. | Trajectory prediction |
CN112859859A (zh) * | 2021-01-13 | 2021-05-28 | 中南大学 | 一种基于三维障碍物体素对象映射的动态栅格地图更新方法 |
CN114791936A (zh) * | 2021-01-26 | 2022-07-26 | 北理慧动(北京)教育科技有限公司 | 一种无人车可通行区域的存储、高效编辑和调用方法 |
CN113345008A (zh) * | 2021-05-31 | 2021-09-03 | 湖南大学 | 一种考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法 |
CN114384920A (zh) * | 2022-03-23 | 2022-04-22 | 安徽大学 | 一种基于局部栅格地图实时构建的动态避障方法 |
CN114764252A (zh) * | 2022-05-31 | 2022-07-19 | 广州科语机器人有限公司 | 动态避障方法、装置及移动机器人 |
CN114859938A (zh) * | 2022-06-17 | 2022-08-05 | 深圳市普渡科技有限公司 | 机器人、动态障碍物状态估计方法、装置和计算机设备 |
CN115016507A (zh) * | 2022-07-27 | 2022-09-06 | 深圳市普渡科技有限公司 | 建图方法、定位方法、装置、机器人和存储介质 |
CN115372990A (zh) * | 2022-08-29 | 2022-11-22 | 深圳一清创新科技有限公司 | 一种高精度语义地图的建图方法、装置和无人车 |
Non-Patent Citations (8)
Title |
---|
JIAN GU: "Setting Method of Downsampling Factor and Grid Factor for NDT Relocation Algorithm in Dynamic Environment", 《IEEE ACCESS》, 9 December 2022 (2022-12-09) * |
VICTOR VAQUERO: "Improving Map Re-localization with Deep ‘Movable’ Objects Segmentation on 3D LiDAR Point Clouds", 《2019 IEEE INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE (ITSC)》, 28 November 2019 (2019-11-28) * |
姜胤鹏: "面向机器人服务导航的层次化语义地图构建与应用", 《中国优秀硕士学位论文电子全文库 信息科技辑》, 15 June 2022 (2022-06-15) * |
孙自飞: "多传感器的移动机器人可定位性估计与自定位", 智能***学报, no. 04, 25 August 2017 (2017-08-25) * |
张归玲: "RSNA2019中枢影像学", 放射学实践, no. 03, 17 March 2020 (2020-03-17) * |
李侨辉: "基于三维激光雷达的障碍特性分析", 《中国优秀硕士学位论文电子全文库 信息科技辑》, 15 January 2019 (2019-01-15) * |
段建民: "改进贝叶斯推理的栅格地图更新与障碍物检测", 激光杂志, no. 08, 25 August 2017 (2017-08-25) * |
谢德胜: "基于三维激光雷达的无人车障碍物检测与跟踪", 汽车工程, no. 08, 25 August 2018 (2018-08-25) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116661468A (zh) * | 2023-08-01 | 2023-08-29 | 深圳市普渡科技有限公司 | 障碍物检测方法、机器人及计算机可读存储介质 |
CN116661468B (zh) * | 2023-08-01 | 2024-04-12 | 深圳市普渡科技有限公司 | 障碍物检测方法、机器人及计算机可读存储介质 |
CN117152719A (zh) * | 2023-11-01 | 2023-12-01 | 锐驰激光(深圳)有限公司 | 除草障碍物检测方法、设备、存储介质及装置 |
CN117152719B (zh) * | 2023-11-01 | 2024-03-26 | 锐驰激光(深圳)有限公司 | 除草障碍物检测方法、设备、存储介质及装置 |
CN117830143A (zh) * | 2024-03-06 | 2024-04-05 | 江苏航智嘉信息科技有限公司 | 一种基于计算机视觉的机器人工具精确定位的方法 |
CN117830143B (zh) * | 2024-03-06 | 2024-05-03 | 江苏航智嘉信息科技有限公司 | 一种基于计算机视觉的机器人工具精确定位的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116088503B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116088503B (zh) | 动态障碍物检测方法和机器人 | |
CN111708047B (zh) | 机器人定位评估方法、机器人及计算机存储介质 | |
CN111536964B (zh) | 机器人定位方法及装置、存储介质 | |
CN111429574B (zh) | 基于三维点云和视觉融合的移动机器人定位方法和*** | |
US10748061B2 (en) | Simultaneous localization and mapping with reinforcement learning | |
CN111968229B (zh) | 高精度地图制图方法及装置 | |
CN110472553B (zh) | 图像和激光点云融合的目标追踪方法、计算装置和介质 | |
US8199977B2 (en) | System and method for extraction of features from a 3-D point cloud | |
CN108717710A (zh) | 室内环境下的定位方法、装置及*** | |
CN109211277B (zh) | 视觉惯性里程计的状态确定方法、装置和电子设备 | |
RU2656711C2 (ru) | Способ и система обнаружения и сопровождения движущихся объектов на основе данных трехмерного датчика | |
CN110470308B (zh) | 一种避障***及方法 | |
Pan et al. | Gem: online globally consistent dense elevation mapping for unstructured terrain | |
CN110046677B (zh) | 数据预处理方法、地图构建方法、回环检测方法及*** | |
CN110992424B (zh) | 基于双目视觉的定位方法和*** | |
CN111578959A (zh) | 一种基于改进Hector SLAM算法的未知环境自主定位方法 | |
KR20180027242A (ko) | 무인 차량을 위한 주변 환경 매핑 방법 및 장치 | |
CN111739066A (zh) | 一种基于高斯过程的视觉定位方法、***及存储介质 | |
CN114859938A (zh) | 机器人、动态障碍物状态估计方法、装置和计算机设备 | |
WO2020213099A1 (ja) | オブジェクト検出・追跡装置、方法、およびプログラム記録媒体 | |
CN114528941A (zh) | 传感器数据融合方法、装置、电子设备及存储介质 | |
CN113077495B (zh) | 在线多目标跟踪方法、***、计算机设备及可读存储介质 | |
Wang et al. | 4-D SLAM: An efficient dynamic Bayes network-based approach for dynamic scene understanding | |
CN116931583A (zh) | 移动对象的确定方法和避让方法、装置、设备及存储介质 | |
CN110864670B (zh) | 目标障碍物位置的获取方法和*** |
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 |