CN116931557A - 机器人的移动控制方法和装置、存储介质及电子装置 - Google Patents
机器人的移动控制方法和装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN116931557A CN116931557A CN202210366407.0A CN202210366407A CN116931557A CN 116931557 A CN116931557 A CN 116931557A CN 202210366407 A CN202210366407 A CN 202210366407A CN 116931557 A CN116931557 A CN 116931557A
- Authority
- CN
- China
- Prior art keywords
- target
- robot
- point cloud
- cloud data
- 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 61
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000003287 optical effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011065 in-situ storage Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013330 chicken meat Nutrition 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请提供了一种机器人的移动控制方法和装置、存储介质及电子装置,上述方法包括:获取目标机器人所处的空间环境的点云数据,得到目标点云数据,其中,目标点云数据中包含多个目标点;对目标点云数据执行聚类操作,得到一组类簇,其中,一组类簇中的每个类簇包含多个目标点中的至少一个目标点;从一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,其中,目标缺口为允许目标机器人通过的缺口;控制目标机器人向目标缺口的方向进行移动。采用上述技术方案,解决了相关技术中的机器人的移动控制方法存在由于使用全图信息寻找缺口导致的移动控制的耗时长的问题。
Description
【技术领域】
本申请涉及机器人领域,具体而言,涉及一种机器人的移动控制方法和装置、存储介质及电子装置。
【背景技术】
目前,在利用机器人对未知环境进行自主探索时,可以先获取环境数据,根据环境数据生成二维栅格地图,并通过所建的二维栅格地图的边界信息寻找缺口,按照寻找到的缺口进行移动路径规划,进而进行环境探索。
然而,对于上述基于二维栅格地图的边界信息寻找缺口控制机器人移动的方式,由于使用全图信息寻找缺口,随着二维栅格地图的增大,探索的耗时也会相应变长。
由此可见,相关技术中的机器人的移动控制方法,存在由于使用全图信息寻找缺口导致的移动控制的耗时长的问题。
【发明内容】
本申请的目的在于提供一种机器人的移动控制方法和装置、存储介质及电子装置,以至少解决相关技术中的机器人的移动控制方法存在由于使用全图信息寻找缺口导致的移动控制的耗时长的问题。
本申请的目的是通过以下技术方案实现:
根据本申请实施例的一个方面,提供了一种机器人的移动控制方法,包括:获取目标机器人所处的空间环境的点云数据,得到目标点云数据,其中,所述目标点云数据中包含多个目标点;对所述目标点云数据执行聚类操作,得到一组类簇,其中,所述一组类簇中的每个类簇包含所述多个目标点中的至少一个目标点;从所述一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,其中,所述目标缺口为允许所述目标机器人通过的缺口;控制所述目标机器人向所述目标缺口的方向进行移动。
在一个示例性实施例中,所述获取目标机器人所处的空间环境的点云数据,得到目标点云数据,包括:在控制所述目标机器人进行旋转的过程中,通过所述目标机器人上的激光传感器获取所述目标机器人所处的空间环境的点云数据,得到所述目标点云数据。
在一个示例性实施例中,所述对所述目标点云数据执行聚类操作,得到一组类簇,包括:确定所述多个目标点中的每个目标点与一组参考射线中的每个参考射线之间的距离,其中,所述每个参考射线分别对应于一个参考角度;根据所述每个目标点与所述每个参考射线之间的距离,确定与所述每个参考射线匹配的目标点;将与所述每个参考射线匹配的目标点分别确定为一个类簇,得到所述一组类簇。
在一个示例性实施例中,所述确定所述多个目标点中的每个目标点与一组参考射线中的每个参考射线之间的距离,包括:将所述每个目标点分别投射到所述每个参考射线上,得到所述每个目标点与所述每个参考射线之间的距离。
在一个示例性实施例中,所述对所述目标点云数据执行聚类操作,得到一组类簇,包括:将所述目标点云数据降采样到二维栅格地图上,得到与所述多个目标点中的每个目标点对应的二维点;根据所述每个目标点对应的二维点对所述多个目标点执行聚类操作,得到所述一组类簇。
在一个示例性实施例中,所述根据所述每个目标点对应的二维点对所述多个目标点执行聚类操作,得到所述一组类簇,包括:确定所述二维栅格地图中所述每个目标点对应的二维点所属的栅格,得到一组目标栅格,其中,所述一组目标栅格中的每个目标栅格包含与所述多个目标点的至少一个目标点对应的二维点;根据所述每个目标栅格包含的二维点、以及所述每个目标栅格的邻域信息对所述多个目标点执行聚类操作,得到所述一组类簇。
在一个示例性实施例中,所述从所述一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,包括:将所述每个相邻类簇之间的距离,确定为所述每个相邻类簇之间的缺口的尺寸;从所述每个相邻类簇之间的缺口中,选取出尺寸最大的缺口,得到所述目标缺口。
根据本申请实施例的另一个方面,还提供了一种机器人的移动控制装置,包括:获取单元,用于获取目标机器人所处的空间环境的点云数据,得到目标点云数据,其中,所述目标点云数据中包含多个目标点;聚类单元,用于对所述目标点云数据执行聚类操作,得到一组类簇,其中,所述一组类簇中的每个类簇包含所述多个目标点中的至少一个目标点;选取单元,用于从所述一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,其中,所述目标缺口为允许所述目标机器人通过的缺口;控制单元,用于控制所述目标机器人向所述目标缺口的方向进行移动。
在一个示例性实施例中,所述获取单元包括:获取模块,用于在控制所述目标机器人进行旋转的过程中,通过所述目标机器人上的激光传感器获取所述目标机器人所处的空间环境的点云数据,得到所述目标点云数据。
在一个示例性实施例中,所述聚类单元包括:第一确定模块,用于确定所述多个目标点中的每个目标点与一组参考射线中的每个参考射线之间的距离,其中,所述每个参考射线分别对应于一个参考角度;第二确定模块,用于根据所述每个目标点与所述每个参考射线之间的距离,确定与所述每个参考射线匹配的目标点;第三确定模块,用于将与所述每个参考射线匹配的目标点分别确定为一个类簇,得到所述一组类簇。
在一个示例性实施例中,所述第一确定模块包括:投射子模块,用于将所述每个目标点分别投射到所述每个参考射线上,得到所述每个目标点与所述每个参考射线之间的距离。
在一个示例性实施例中,所述聚类单元包括:降采样模块,用于将所述目标点云数据降采样到二维栅格地图上,得到与所述多个目标点中的每个目标点对应的二维点;聚类模块,用于根据所述每个目标点对应的二维点对所述多个目标点执行聚类操作,得到所述一组类簇。
在一个示例性实施例中,所述聚类模块包括:确定子模块,用于确定所述二维栅格地图中所述每个目标点对应的二维点所属的栅格,得到一组目标栅格,其中,所述一组目标栅格中的每个目标栅格包含与所述多个目标点的至少一个目标点对应的二维点;执行子模块,用于根据所述每个目标栅格包含的二维点、以及所述每个目标栅格的邻域信息对所述多个目标点执行聚类操作,得到所述一组类簇。
在一个示例性实施例中,所述选取单元包括:第四确定模块,用于将所述每个相邻类簇之间的距离,确定为所述每个相邻类簇之间的缺口的尺寸;选取模块,用于从所述每个相邻类簇之间的缺口中,选取出尺寸最大的缺口,得到所述目标缺口。
根据本申请实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述机器人的移动控制方法。
根据本申请实施例的又一方面,还提供了一种电子装置,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,其中,上述处理器通过计算机程序执行上述的机器人的移动控制方法。
在本申请实施例中,采用对机器人所处的空间环境的的点云数据进行聚类、并从相邻类簇之间的缺口中选取出允许机器人通过的缺口的方式,通过获取目标机器人所处的空间环境的点云数据,得到目标点云数据,其中,目标点云数据中包含多个目标点;对目标点云数据执行聚类操作,得到一组类簇,其中,一组类簇中的每个类簇包含多个目标点中的至少一个目标点;从一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,其中,目标缺口为允许目标机器人通过的缺口;控制目标机器人向目标缺口的方向进行移动,由于基于机器人所处的空间环境的点云数据进行聚类,从相邻类簇之间的缺口中选取出允许机器人通过的缺口,而不是使用全图信息寻找缺口,可以实现减少机器人搜索范围的目的,达到降低移动控制耗时、提高空间探索效率的技术效果,进而解决了相关技术中的机器人的移动控制方法存在由于使用全图信息寻找缺口导致的移动控制的耗时长的问题。
【附图说明】
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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,对于本领域普通技术人员而言,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是根据本申请实施例的一种可选的机器人的移动控制方法的硬件环境的示意图;
图2是根据本申请实施例的一种可选的机器人的移动控制方法的流程示意图;
图3是根据本申请实施例的另一种可选的机器人的移动控制方法的流程示意图;
图4是根据本申请实施例的一种可选的机器人的移动控制装置的结构框图;
图5是根据本申请实施例的一种可选的电子装置的结构框图。
【具体实施方式】
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
根据本申请实施例的一个方面,提供了一种机器人的移动控制方法。可选地,在本实施例中,上述机器人的移动控制方法可以应用于如图1所示的由机器人102和服务器104所构成的硬件环境中。如图1所示,机器人102可以通过网络与服务器104(例如,物联网平台或者云端服务器)进行连接,以对机器人102进行控制。
上述网络可以包括但不限于以下至少之一:有线网络,无线网络。上述有线网络可以包括但不限于以下至少之一:广域网,城域网,局域网,上述无线网络可以包括但不限于以下至少之一:WIFI(Wireless Fidelity,无线保真),蓝牙,红外。机器人102可以包括但不限于:清洁机器人,例如,扫地机器人、洗地机器人、自动洗拖布机器人、自清洁机器人等,服务器104可以是物联网平台的服务器。
本申请实施例的机器人的移动控制方法可以由机器人102、服务器104单独来执行,也可以由机器人102和服务器104中共同执行。其中,机器人102执行本申请实施例的机器人的移动控制方法也可以是由安装在其上的客户端来执行。
以由机器人102执行本实施例中的机器人的移动控制方法为例,图2是根据本申请实施例的一种可选的机器人的移动控制方法的流程示意图,如图2所示,该方法的流程可以包括以下步骤:
步骤S202,获取目标机器人所处的空间环境的点云数据,得到目标点云数据,其中,所述目标点云数据中包含多个目标点。
本实施例中的机器人的移动控制方法可以应用到通过对机器人进行移动控制,实现对未知环境进行短暂探索的场景中,上述机器人可以是清洁机器人(即,具备清洁功能的机器人,其可以是扫地机器人,也可以是洗地机器人),其对应的未知环境可以是待清扫的区域,可以是飞行机器人,其对应的未知环境可以是待探测的区域,还可以是其他类型的机器人,在此不做限定。上述短暂探索可以是机器人对自身所处的空间环境进行建图操作,以便对障碍物进行规避等。
可选地,机器人中设置有激光雷达,可以是通过发射激光束探测目标的位置、速度等特征量的雷达***,其工作原理是:向目标发射探测信号(激光束),接口目标反射回来的反射信号(目标回波);将接收到的反射信号与发射信号进行比较,在进行适当处理之后,可以获得目标的有关信息,例如,目标距离、方位、高度、速度、姿态、甚至形状等参数,从而对目标进行探测、跟踪和识别。激光雷达可以包括激光发射机、光接收机、转台和信息处理***等,光发射机可以将电脉冲变成光脉冲发射出去,光学接收机可以把从目标反射回来的光脉冲还原成电脉冲,通过对还原的电脉冲进行处理,可以得到目标的点云数据,得到的点云数据可以发送到显示器进行显示(可以是以点云形式显示的)。
在本实施例中,目标机器人可以向所处的空间环境发射激光束,目标机器人上的光接收机可以把从目标反射回来的光脉冲还原成电脉冲,通过对获取的电脉冲进行解析,获取到自身所处的空间环境的点云数据,即,目标点云数据,上述目标点云数据中可以包含多个目标点。
步骤S204,对目标点云数据执行聚类操作,得到一组类簇,其中,一组类簇中的每个类簇包含多个目标点中的至少一个目标点。
在本实施例中,可以对上述目标点云数据执行聚类操作,以得到一组类簇,这里一组类簇中的每个类簇中可以包含多个目标点中的至少一个目标点。可选地,得到的一组类簇可以包含至少两个类簇,每个类簇可以对应于目标机器人所处的空间环境中至少一个障碍物。
对目标点云数据进行聚类操作可以是:基于目标点云数据中的不同目标点之间的距离对多个目标点进行聚类,所采用的聚类方式可以有一种或者多种,可以包括不限于:指定聚类数量的聚类方式(例如,K-means聚类),未指定聚类数量的聚类方式(例如,层次聚类)。
例如,K-means聚类可以针对散落的目标点云数据的点集,选定聚类个数,然后随机初始化中心点,通过迭代计算拉近类内点的距离,增大类间点的距离,从而形成一组类簇。
又例如,层次聚类可以首先将每个目标点作为一个单独的类簇进行处理,如果目标点云数据包含X个目标点,则可以得到X个类簇;然后,在每轮迭代的过程中,根据两个类簇之间的距离,将满足合并条件的两个类簇合并为一个。在满足迭代结束条件时,所得到的多个类簇即为一组类簇。
可选地,上述聚类操作可以是基于网格实现的,可以先将二维空间划分成栅格形式,再将目标点云数据映射到网格中,然后计算每个栅格中点集密度,根据预设的阈值对网格单元的类别作出分类,并与邻近的栅格组形成类。
步骤S206,从一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,其中,目标缺口为允许目标机器人通过的缺口。
在本实施例中,一组类簇中的相邻类簇之间会存在缺口,这里的缺口可以对应于障碍物之间的距离,其可能是空间环境中的一个开放空间中的开口方向处,比如,两个障碍物之间的间隔,一个房间开放的门处等。为了方便进行环境探索,可以从一组类簇中每个相邻类簇之间的缺口中,选择出允许机器人通过的缺口,得到目标缺口,选取的目标缺口为目标机器人待通过的缺口。上述目标缺口可以是目标机器人可通过的所有缺口中最大的缺口,也可以是目标机器人可通过的所有缺口中的任一缺口,还可以是目标机器人未通过的所有缺口中的任一缺口,本实施例中对此不做限定。
例如,机器人可以位于一号房间,在通过自身携带的激光雷达获取到所处的环境空间的点云数据之后,对获取到的点云数据进行聚类,得到一组类簇,选取一组类簇中的任意相邻的两个类簇之间的缺口中的最大缺口,选取的缺口可以是连接一号房间与二号房间的开放房门处。
步骤S208,控制目标机器人向目标缺口的方向进行移动。
在本实施例中,在确定出目标缺口之后,目标机器人可以向目标缺口的方向进行移动。进一步地,在目标机器人移动到目标缺口处之后,可以重新获取目标机器人当前所处的空间环境的点云数据,并对获取的点云数据执行聚类操作等,重新选取缺口控制目标机器人进行移动,进而实现对于全局空间的逐步探索。
例如,机器人位于一号房间内,在确定目标缺口方向为一号房间与二号房间的开放房门处之后,机器人可以计算出移动至目标缺口的移动轨迹,并按照计算出的移动轨迹向目标缺口方向移动。在机器人移动至房门处后,可以根据实际的需求,确定是否开启对于二号房间的探索,若开启,则可以通过激光雷达获取二号房间的点云数据,并重新执行选取缺口的操作,以便对二号房间进行探索。
通过上述步骤S202至步骤S208,获取目标机器人所处的空间环境的点云数据,得到目标点云数据,其中,目标点云数据中包含多个目标点;对目标点云数据执行聚类操作,得到一组类簇,其中,一组类簇中的每个类簇包含多个目标点中的至少一个目标点;从一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,其中,目标缺口为允许目标机器人通过的缺口;控制目标机器人向目标缺口的方向进行移动,解决了相关技术中的机器人的移动控制方法存在由于使用全图信息寻找缺口导致的移动控制的耗时长的问题,降低了移动控制耗时,提高了空间探索效率。
在一个示例性实施例中,获取目标机器人所处的空间环境的点云数据,得到目标点云数据,包括:
S11,在控制目标机器人进行旋转的过程中,通过目标机器人上的激光传感器获取目标机器人所处的空间环境的点云数据,得到目标点云数据。
在本实施例中,可以通过目标机器人上设置的激光传感器获取到目标机器人所处的空间环境的点云数据,上述激光传感器可以是激光雷达。获取点云数据的方式可以是:目标机器人在原地获得所处的空间环境的点云数据。在此情况下,目标机器人的移动速度可以为零,或者,以一个较低的速度进行移动,上述移动可以是前后方向或者左右方向的移动,也可以是原地转动。
目标机器人中对于激光传感器的保护装置可以是柱子,也可以是透明的挡板,在激光传感器采用柱子进行保护时,需要控制目标机器人旋转,在激光传感器采用挡板进行保护时,则不需要控制目标机器人旋转,便可以获取到目标机器人所在空间环境的所有点云数据。
可选地,对于激光传感器的保护装置为柱子的场景,在控制目标机器人进行旋转(例如,原地旋转至少一周,即,至少旋转360度)的过程中,可以按照与前述实施例中类似的方式,通过目标机器人上的激光传感器获取到所处的空间环境的点云数据,进而得到激光传感器在显示器上显示的目标点云数据。
通过本实施例,在机器人进行旋转的过程中,通过激光传感器获取机器人所处的空间环境的点云数据,可以保证点云数据获取的完整性,鸡儿提高对机器人所处空间环境进行探索的准确性。
在一个示例性实施例中,对目标点云数据执行聚类操作,得到一组类簇,包括:
S21,确定多个目标点中的每个目标点与一组参考射线中的每个参考射线之间的距离,其中,每个参考射线分别对应于一个参考角度;
S22,根据每个目标点与每个参考射线之间的距离,确定与每个参考射线匹配的目标点;
S23,将与每个参考射线匹配的目标点分别确定为一个类簇,得到一组类簇。
在本实施例中,可以预先设定一定角度的一组参考射线,不同参考射线可以对应于不同角度,这里,参考射线可以是在以目标机器人上的预设点为坐标原点、预设方向为坐标轴方向的参考坐标系中的射线。在对目标点云数据执行聚类操作时,可以将机器人所处环境的点云对应到每个角度的参考射线上,以角度信息辅助聚类。
可选地,可以先确定多个目标点中的每个目标点与一组参考射线中的每个参考射线之间的距离,这里每个参考射线分别对应于一个参考角度,一组参考射线对应于参考坐标系中的所有预设角度;再根据每个目标点与每个参考射线之间的距离,确定每个目标点匹配的参考射线(与每个目标点匹配的参考射线可以是与每个目标点距离最近的参考射线),进而确定出与每个参考射线匹配的目标点,并将与每个参考射线匹配的目标点分别确定为一个类簇,从而得到一组类簇。
例如,参考坐标系中共计有10个射线(即,10条参考射线),每个射线对应的一个角度,将机器人的激光传感器获取到的点云数据对应到每个角度的射线上,确定每个角度的射线所对应的点,从而确定出多个类簇。这里,如果一个射线没有匹配的点,可以将这类射线移除,不在本次聚类中使用。
通过本实施例,通过将周围点云对应到每个角度的射线上,以角度信息辅助聚类,可以提高对点云数据进行聚类的准确性。
在一个示例性实施例中,确定多个目标点中的每个目标点与一组参考射线中的每个参考射线之间的距离,包括:
S31,将每个目标点分别投射到每个参考射线上,得到每个目标点与每个参考射线之间的距离。
在本实施例中,在确定每个目标点与每个参考射线之间的距离时,可以首先将每个目标点分别投射到每个参考射线上,将每个目标点与对应投射点之间的距离(即,两者之间连线的长度),确定为每个目标点与每个射线之间的距离。
通过本实施例,通过将周围点云对应到每个角度的射线上,基于投射先确定点云数据中的各个点到各个射线的距离,可以提升对点云数据进行聚类的准确性。
在一个示例性实施例中,对目标点云数据执行聚类操作,得到一组类簇,包括:
S41,将目标点云数据降采样到二维栅格地图上,得到与多个目标点中的每个目标点对应的二维点;
S42,根据每个目标点对应的二维点对多个目标点执行聚类操作,得到一组类簇。
一般而言,激光点云地图存储的是激光传感器对环境空间的原始扫描点云,其优点是保留信息完整,缺点是计算量大、不能直接用于导航避障等。激光点云栅格化的核心思想是:将激光雷达所扫描到的区域用网格进行处理,通过将点云数据降采样到二维栅格地图中,使得每个二维栅格点云代表空间的一小块区域,内含一部分点云,点云栅格化处理分为二维栅格化和三维栅格化,二维其实就是将三维点云进行一个投影。
在本实施例中,在对点云数据执行聚类操作时,可以将机器人所处环境的点云降采样到二维栅格地图中,基于二维栅格的信息进行聚类。对于目标点云数据,可以将目标点云数据降采样到二维栅格地图上,比如,将多个目标点中的每个目标点分别降采样到二维栅格地图中的某一栅格中,从而得到每个目标点对应的二维点,可以降低所需处理的点云数量。
在得到每个目标点对应的二维点,可以对每个目标点对应的二维点执行聚类操作,得到多个目标点对应的二维点的聚类结果,聚类结果可以是一组参考类簇,每个参考类簇包含多个目标点中的至少部分目标点对应的二维点,将每个参考类簇包含的二维点所对应的目标点确定为一个类簇,从而得到上述一组类簇。
通过本实施例,将点云数据降采样到二维栅格地图上,可以减少聚类操作所需处理的数据量,从而提高了对点云数据进行聚类的效率,进而提升了后续对机器人进行移动控制的效率。
在一个示例性实施例中,根据每个目标点对应的二维点对多个目标点执行聚类操作,得到一组类簇,包括:
S51,确定二维栅格地图中每个目标点对应的二维点所属的栅格,得到一组目标栅格,其中,一组目标栅格中的每个目标栅格包含与多个目标点的至少一个目标点对应的二维点;
S52,根据每个目标栅格包含的二维点、以及每个目标栅格的邻域信息对多个目标点执行聚类操作,得到一组类簇。
二维栅格地图中可以划分为多个栅格,每个栅格可以具有相邻的栅格,多个栅格中的每个栅格可以包含部分目标点对应的二维点,也可以不包含任何目标点对应的二维点。在本实施例中,在根据每个目标点对应的二维点对多个目标点执行聚类操作时,可以首先确定二维栅格地图中,每个目标点对应的二维点所属的栅格,从而得到一组目标栅格,这里一组目标栅格中的每个目标栅格包含与多个目标点的至少一个目标点对应的二维点。
在得到一组目标栅格之后,可以根据每个目标栅格包含的二维点、以及每个目标栅格的邻域信息对多个目标点执行聚类操作,得到一组类簇。上述邻域信息可以是:在根据每个目标栅格包含的二维点判断出局部密度最大的栅格单位之后,给定邻域半径中其邻域栅格中包含二维点数量及与该网格单位的距离。
示例性地,可以采用邻域网格聚类算法对多个目标点进行聚类,可以先将原始数据(即,目标点云数据)映射至网格子空间(即,二维栅格地图),得到一组目标栅格,以具有最大局部密度的目标栅格为起始点,以给定邻域半径搜索其邻域范围内的目标栅格并标记,以新加入的目标栅格为基础,继续向外扩展搜索可能的目标栅格,直至没有新的目标栅格加入,从而确定属于同一类簇的目标栅格,进而确定出属于同一类簇的目标点,依次选取剩余的具有最大局部密度的目标栅格重复执行上述过程,最终确定出一组类簇。
通过本实施例,通过将点云降采样到栅格中,通过栅格邻域信息聚类,可以提高点云聚类的效率,进而提升后续对机器人进行移动控制的效率。
在一个示例性实施例中,从一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,包括:
S61,将每个相邻类簇之间的距离,确定为每个相邻类簇之间的缺口的尺寸;
S62,从每个相邻类簇之间的缺口中,选取出尺寸最大的缺口,得到目标缺口。
在本实施例中,在得到一组类簇之后,可以将每个相邻类簇之间的距离(即,类间距离),确定为每个相邻类簇之间的缺口的尺寸。在确定出每个相邻类簇之间的缺口的尺寸之后,可以从每个相邻类簇之间的缺口中,选取出最大的缺口(即,类间距离最大的相邻类簇之间的缺口),从而得到目标缺口。
可选地,计算类间距离的方式可以有一种或者多种,例如,可以采用欧式距离计算相邻类簇的类间距离,这里,欧式距离可以是相邻类簇中的一个类簇的最后一个点与相邻类簇的另一个类簇的第一个点之间的距离(可以是以角度信息计算)。
例如,类簇1与类簇2为两相邻类簇,类簇1的最后一个点与类簇2的第一个点之间的距离可以视为类簇1与类簇2之间的距离,若类簇有若干个,对相邻类簇之间的距离依次进行计算,从而获取到一组类间距离(即,缺口尺寸),通过对一组类间距离进行排序,可以确定出最大的类间距离,即,尺寸最大的缺口,进而得到目标缺口。
通过本实施例,基于相邻类簇之间的距离确定邻类簇之间的缺口大小,选取出尺寸最大的缺口作为待通行的缺口,可以提升了机器人移动控制的可行性。
下面结合可选示例对本实施例中的机器人的移动控制方法进行解释说明。在本可选实例中,机器人为LDS机器人(Laser Direct Structuring,激光直接成型技术)。
本可选示例中提供了一种通过局部点云使机器人在室内环境快速进行短暂探索的方案,如图3所示,本可选示例中的机器人的移动控制方法的流程可以包括以下步骤:
步骤S302,获取周围环境点云。
LDS机器人在原地(LDS无柱子无需旋转,有柱子需要旋转)通过激光雷达获取所处周围环境的环境点云(即,点云数据)。
步骤S304,对点云进行聚类。
在得到环境点云之后,LDS机器人可以对得到的环境点云进行聚类,所采用的聚类方式可以是通过将环境点云投射到每个角度的射线上,以角度信息辅助聚类,也可以是首先将环境点云降采样到栅格中,再通过栅格邻域信息进行聚类。
步骤S306,计算聚类后各相邻类簇之间的类间距离。
LDS机器人可以计算聚类后各相邻类簇之间的类间距离,通过类间距离识别缺口,即,将类间距离最大的两相邻类簇间的缺口确定为最优缺口(即,目标缺口)。
步骤S308,控制机器人向最优缺口方向探索。
控制机器人向缺口尺寸最大处方向(即,最优缺口方向)移动。
通过本示例,通过对获取到的周围环境点云进行聚类,从而识别机器人移动的缺口方向,能够提高机器人在室内未知环境进行短暂探索的效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,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,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。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是本申请所必须的。
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根据上述实施例的方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的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,该计算机软件产品存储在一个存储介质(如ROM(Read-Only Memory,只读存储器)/RAM(Random Access Memory,随机存取存储器)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请每个实施例所述的方法。
根据本申请实施例的又一个方面,还提供了一种用于实施上述机器人的移动控制方法的机器人的移动控制装置。图4是根据本申请实施例的一种可选的机器人的移动控制装置的结构框图,如图4所示,该装置可以包括:
获取单元402,用于获取目标机器人所处的空间环境的点云数据,得到目标点云数据,其中,目标点云数据中包含多个目标点;
聚类单元404,与获取单元402相连,用于对目标点云数据执行聚类操作,得到一组类簇,其中,一组类簇中的每个类簇包含多个目标点中的至少一个目标点;
选取单元406,与聚类单元404相连,用于从一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,其中,目标缺口为允许目标机器人通过的缺口;
控制单元408,与选取单元406相连,用于控制目标机器人向目标缺口的方向进行移动。
需要说明的是,该实施例中的获取单元402可以用于执行上述步骤S202,该实施例中的聚类单元404可以用于执行上述步骤S204,该实施例中的选取单元406可以用于执行上述步骤S206,该实施例中的控制单元408可以用于执行上述步骤S208,。
通过上述模块,获取目标机器人所处的空间环境的点云数据,得到目标点云数据,其中,目标点云数据中包含多个目标点;对目标点云数据执行聚类操作,得到一组类簇,其中,一组类簇中的每个类簇包含多个目标点中的至少一个目标点;从一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,其中,目标缺口为允许目标机器人通过的缺口;控制目标机器人向目标缺口的方向进行移动,解决了相关技术中的机器人的移动控制方法存在由于使用全图信息寻找缺口导致的移动控制的耗时长的问题,降低了移动控制耗时,提高了空间探索效率。
在一个示例性实施例中,获取单元包括:
获取模块,用于在控制目标机器人进行旋转的过程中,通过目标机器人上的激光传感器获取目标机器人所处的空间环境的点云数据,得到目标点云数据。
在一个示例性实施例中,聚类单元包括:
第一确定模块,用于确定多个目标点中的每个目标点与一组参考射线中的每个参考射线之间的距离,其中,每个参考射线分别对应于一个参考角度;
第二确定模块,用于根据每个目标点与每个参考射线之间的距离,确定与每个参考射线匹配的目标点;
第三确定模块,用于将与每个参考射线匹配的目标点分别确定为一个类簇,得到一组类簇。
在一个示例性实施例中,第一确定模块包括:
投射子模块,用于将每个目标点分别投射到每个参考射线上,得到每个目标点与每个参考射线之间的距离。
在一个示例性实施例中,聚类单元包括:
降采样模块,用于将目标点云数据降采样到二维栅格地图上,得到与多个目标点中的每个目标点对应的二维点;
聚类模块,用于根据每个目标点对应的二维点对多个目标点执行聚类操作,得到一组类簇。
在一个示例性实施例中,聚类模块包括:
确定子模块,用于确定二维栅格地图中每个目标点对应的二维点所属的栅格,得到一组目标栅格,其中,一组目标栅格中的每个目标栅格包含与多个目标点的至少一个目标点对应的二维点;
执行子模块,用于根据每个目标栅格包含的二维点、以及每个目标栅格的邻域信息对多个目标点执行聚类操作,得到一组类簇。
在一个示例性实施例中,选取单元包括:
第四确定模块,用于将每个相邻类簇之间的距离,确定为每个相邻类簇之间的缺口的尺寸;
选取模块,用于从每个相邻类簇之间的缺口中,选取出尺寸最大的缺口,得到目标缺口。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
根据本申请实施例的又一个方面,还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行本申请实施例中上述任一项机器人的移动控制方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
S1,获取目标机器人所处的空间环境的点云数据,得到目标点云数据,其中,目标点云数据中包含多个目标点;
S2,对目标点云数据执行聚类操作,得到一组类簇,其中,一组类簇中的每个类簇包含多个目标点中的至少一个目标点;
S3,从一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,其中,目标缺口为允许目标机器人通过的缺口;
S4,控制目标机器人向目标缺口的方向进行移动。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例中对此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
根据本申请实施例的又一个方面,还提供了一种用于实施上述机器人的移动控制方法的电子装置,该电子装置可以是服务器、终端、或者其组合。
图5是根据本申请实施例的一种可选的电子装置的结构框图,如图5所示,包括处理器502、通信接口504、存储器506和通信总线508,其中,处理器502、通信接口504和存储器506通过通信总线508完成相互间的通信,其中,
存储器506,用于存储计算机程序;
处理器502,用于执行存储器506上所存放的计算机程序时,实现如下步骤:
S1,获取目标机器人所处的空间环境的点云数据,得到目标点云数据,其中,目标点云数据中包含多个目标点;
S2,对目标点云数据执行聚类操作,得到一组类簇,其中,一组类簇中的每个类簇包含多个目标点中的至少一个目标点;
S3,从一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,其中,目标缺口为允许目标机器人通过的缺口;
S4,控制目标机器人向目标缺口的方向进行移动。
可选地,在本实施例中,通信总线可以是PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线、或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子装置与其他设备之间的通信。
上述的存储器可以包括RAM,也可以包括非易失性存储器(non-volatilememory),例如,至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
作为一种示例,上述存储器506中可以但不限于包括上述设备的控制装置中的获取单元402、聚类单元404、选取单元406以及控制单元408。此外,还可以包括但不限于上述设备的控制装置中的其他模块单元,本示例中不再赘述。
上述处理器可以是通用处理器,可以包含但不限于:CPU(Central ProcessingUnit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(DigitalSignal Processing,数字信号处理器)、ASIC(Application Specific IntegratedCircuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图5所示的结构仅为示意,实施上述机器人的移动控制方法的设备可以是终端设备,该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图5其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图5中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图5所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以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,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本申请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全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请每个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中,对每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,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,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,例如多个单元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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述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,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单元来实现本实施例中所提供的方案的目的。
另外,在本申请每个实施例中的各功能单元可以集成在一个处理单元中,也可以是每个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种机器人的移动控制方法,其特征在于,包括:
获取目标机器人所处的空间环境的点云数据,得到目标点云数据,其中,所述目标点云数据中包含多个目标点;
对所述目标点云数据执行聚类操作,得到一组类簇,其中,所述一组类簇中的每个类簇包含所述多个目标点中的至少一个目标点;
从所述一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,其中,所述目标缺口为允许所述目标机器人通过的缺口;
控制所述目标机器人向所述目标缺口的方向进行移动。
2.根据权利要求1所述的方法,其特征在于,所述获取目标机器人所处的空间环境的点云数据,得到目标点云数据,包括:
在控制所述目标机器人进行旋转的过程中,通过所述目标机器人上的激光传感器获取所述目标机器人所处的空间环境的点云数据,得到所述目标点云数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述目标点云数据执行聚类操作,得到一组类簇,包括:
确定所述多个目标点中的每个目标点与一组参考射线中的每个参考射线之间的距离,其中,所述每个参考射线分别对应于一个参考角度;
根据所述每个目标点与所述每个参考射线之间的距离,确定与所述每个参考射线匹配的目标点;
将与所述每个参考射线匹配的目标点分别确定为一个类簇,得到所述一组类簇。
4.根据权利要求3所述的方法,其特征在于,所述确定所述多个目标点中的每个目标点与一组参考射线中的每个参考射线之间的距离,包括:
将所述每个目标点分别投射到所述每个参考射线上,得到所述每个目标点与所述每个参考射线之间的距离。
5.根据权利要求1所述的方法,其特征在于,所述对所述目标点云数据执行聚类操作,得到一组类簇,包括:
将所述目标点云数据降采样到二维栅格地图上,得到与所述多个目标点中的每个目标点对应的二维点;
根据所述每个目标点对应的二维点对所述多个目标点执行聚类操作,得到所述一组类簇。
6.根据权利要求5所述的方法,其特征在于,所述根据所述每个目标点对应的二维点对所述多个目标点执行聚类操作,得到所述一组类簇,包括:
确定所述二维栅格地图中所述每个目标点对应的二维点所属的栅格,得到一组目标栅格,其中,所述一组目标栅格中的每个目标栅格包含与所述多个目标点的至少一个目标点对应的二维点;
根据所述每个目标栅格包含的二维点、以及所述每个目标栅格的邻域信息对所述多个目标点执行聚类操作,得到所述一组类簇。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述从所述一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,包括:
将所述每个相邻类簇之间的距离,确定为所述每个相邻类簇之间的缺口的尺寸;
从所述每个相邻类簇之间的缺口中,选取出尺寸最大的缺口,得到所述目标缺口。
8.一种机器人的移动控制装置,其特征在于,包括:
获取单元,用于获取目标机器人所处的空间环境的点云数据,得到目标点云数据,其中,所述目标点云数据中包含多个目标点;
聚类单元,用于对所述目标点云数据执行聚类操作,得到一组类簇,其中,所述一组类簇中的每个类簇包含所述多个目标点中的至少一个目标点;
选取单元,用于从所述一组类簇中每个相邻类簇之间的缺口中,选取出目标缺口,其中,所述目标缺口为允许所述目标机器人通过的缺口;
控制单元,用于控制所述目标机器人向所述目标缺口的方向进行移动。
9.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行权利要求1至7中任一项所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行权利要求1至7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210366407.0A CN116931557A (zh) | 2022-04-08 | 2022-04-08 | 机器人的移动控制方法和装置、存储介质及电子装置 |
PCT/CN2023/080705 WO2023193567A1 (zh) | 2022-04-08 | 2023-03-10 | 机器人的移动控制方法和装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210366407.0A CN116931557A (zh) | 2022-04-08 | 2022-04-08 | 机器人的移动控制方法和装置、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116931557A true CN116931557A (zh) | 2023-10-24 |
Family
ID=88243951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210366407.0A Pending CN116931557A (zh) | 2022-04-08 | 2022-04-08 | 机器人的移动控制方法和装置、存储介质及电子装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116931557A (zh) |
WO (1) | WO2023193567A1 (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101907081B1 (ko) * | 2011-08-22 | 2018-10-11 | 삼성전자주식회사 | 3차원 점군의 물체 분리 방법 |
KR102063534B1 (ko) * | 2017-11-30 | 2020-01-09 | 주식회사 모빌테크 | 라이다를 이용한 지도 생성 방법 |
CN109993192A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 目标对象识别方法及装置、电子设备、存储介质 |
CN108460779B (zh) * | 2018-02-12 | 2021-09-24 | 浙江大学 | 一种动态环境下的移动机器人图像视觉定位方法 |
CN110390346A (zh) * | 2018-04-23 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 目标对象识别方法、装置、电子设备及存储介质 |
CN110244743B (zh) * | 2019-07-03 | 2022-02-01 | 浙江大学 | 一种融合多传感器信息的移动机器人自主脱困方法 |
CN111429574B (zh) * | 2020-03-06 | 2022-07-15 | 上海交通大学 | 基于三维点云和视觉融合的移动机器人定位方法和*** |
CN111723866A (zh) * | 2020-06-19 | 2020-09-29 | 新石器慧通(北京)科技有限公司 | 点云聚类的方法及装置、无人车、可读存储介质 |
CN113925390B (zh) * | 2021-10-19 | 2022-09-09 | 珠海一微半导体股份有限公司 | 一种基于地图图像的跨区域通道识别方法、机器人及芯片 |
CN114187425A (zh) * | 2021-12-13 | 2022-03-15 | 河北工业大学 | 基于二进制占用网格的点云聚类与包围方法 |
CN114266801A (zh) * | 2021-12-23 | 2022-04-01 | 内蒙古工业大学 | 基于三维激光雷达的移动机器人越野环境中地面分割方法 |
-
2022
- 2022-04-08 CN CN202210366407.0A patent/CN116931557A/zh active Pending
-
2023
- 2023-03-10 WO PCT/CN2023/080705 patent/WO2023193567A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023193567A1 (zh) | 2023-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109540142B (zh) | 一种机器人定位导航的方法、装置、计算设备 | |
US11328429B2 (en) | Method and apparatus for detecting ground point cloud points | |
CN109059902B (zh) | 相对位姿确定方法、装置、设备和介质 | |
US10710579B2 (en) | Collision prediction system | |
JP7239703B2 (ja) | 領域外コンテキストを用いたオブジェクト分類 | |
CN109521757B (zh) | 静态障碍物识别方法和装置 | |
CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
Sless et al. | Road scene understanding by occupancy grid learning from sparse radar clusters using semantic segmentation | |
EP3624055B1 (en) | Ground detection method, apparatus, electronic device, vehicle and storage medium | |
US10613546B2 (en) | Stochastic map-aware stereo vision sensor model | |
CN111094895A (zh) | 用于在预构建的视觉地图中进行鲁棒自重新定位的***和方法 | |
CN111380510B (zh) | 重定位方法及装置、机器人 | |
CN112171675B (zh) | 一种移动机器人的避障方法、装置、机器人及存储介质 | |
CN115346192A (zh) | 基于多源传感器感知的数据融合方法、***、设备及介质 | |
US11681038B2 (en) | Reducing radar signal interference based on semi-random and random configuration | |
CN112558035B (zh) | 用于估计地面的方法和装置 | |
CN116931557A (zh) | 机器人的移动控制方法和装置、存储介质及电子装置 | |
CN113440054B (zh) | 扫地机器人充电基座范围的确定方法和装置 | |
CN114384911A (zh) | 基于边界导引点的多无人***协同自主探索方法及装置 | |
CN113313654A (zh) | 激光点云滤波去噪方法、***、设备及存储介质 | |
WO2022217522A1 (zh) | 目标感知方法、装置、探测***、可移动平台及存储介质 | |
Danylova et al. | AUTOMATED NAVIGATION FOR UNMANNED GROUND VEHICLES IN LOGISTICS. | |
US20230303084A1 (en) | Systems and methods for multi-modal data augmentation for perception tasks in autonomous driving | |
US20230406360A1 (en) | Trajectory prediction using efficient attention neural networks | |
CN117132879A (zh) | 动态障碍物的识别方法和装置、存储介质及电子装置 |
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 |