CN117008151A - 货架识别方法、机器人及存储介质 - Google Patents

货架识别方法、机器人及存储介质 Download PDF

Info

Publication number
CN117008151A
CN117008151A CN202310798687.7A CN202310798687A CN117008151A CN 117008151 A CN117008151 A CN 117008151A CN 202310798687 A CN202310798687 A CN 202310798687A CN 117008151 A CN117008151 A CN 117008151A
Authority
CN
China
Prior art keywords
point cloud
target
shelf
information
cloud data
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
Application number
CN202310798687.7A
Other languages
English (en)
Inventor
罗文凯
边旭
赵万秋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Youibot Robotics Technology Co ltd
Original Assignee
Shenzhen Youibot Robotics Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Youibot Robotics Technology Co ltd filed Critical Shenzhen Youibot Robotics Technology Co ltd
Priority to CN202310798687.7A priority Critical patent/CN117008151A/zh
Publication of CN117008151A publication Critical patent/CN117008151A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Robotics (AREA)
  • Fuzzy Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本申请涉及一种货架识别方法、机器人及存储介质，应用于搭载有激光雷达的机器人，方法通过获取激光雷达对待识别的货架进行测量的多个点云数据，将多个点云数据分为多个点云块；根据待识别的货架的几何信息，在多个点云块中确定多个目标点云块；根据几何信息从多个目标点云块的重心点中确认属于货架的目标重心点；获取每个目标重心点与激光雷达的位姿信息；根据几何信息构建所述货架的目标点云数据；根据位姿信息将目标点云块与目标点云数据进行匹配，将匹配成功的目标点云块对应的位姿信息确定为货架的位姿信息，完成对货架的识别。进而在无需使用反光贴的情况下兼容较大角度的偏移，简化了货架识别的方法并提高货架腿的识别精确性和快速性。

Description

货架识别方法、机器人及存储介质
技术领域
本申请涉及机器人控制技术领域，尤其涉及一种货架识别方法、机器人及存储介质。
背景技术
目前将机器人应用到货架运输的场景，能大幅节约人力资源并提升货架管理的效率。而为实现对货架的精确搬运，需要机器人对于货架有一个较高精度的识别，以便于机器人能够移动到相对于货架的一个精确的位姿。现有技术通过在货架的货架腿上贴反光贴，从而通过强度信息筛选出对应的货架腿的激光数据后与预设的货架形状的点云进行匹配，然而，由于反光贴自身的物理特性，从正对激光发射器到两边偏移时得到的强度信息或逐渐减小，从而导致在达到一定偏移角度后环境中的某些高反射物体的激光点云强度值和反光贴一致，容易导致误识别的情况。
发明内容
本申请提供了一种货架识别方法、机器人及存储介质，旨在解决在货架的货架腿上贴反光贴在达到一定偏移角度后环境中的某些高反射物体的激光点云强度值和反光贴一致，容易导致误识别的问题。
第一方面，本申请提供了一种货架识别方法，应用于机器人，所述机器人搭载有激光雷达；所述方法包括：
获取所述激光雷达对待识别的货架进行测量的多个点云数据，将多个点云数据分为多个点云块；
获取待识别的货架的几何信息，根据所述几何信息在多个所述点云块中确定多个目标点云块；
获取多个所述目标点云块的重心点，根据所述几何信息从多个所述重心点中确认属于所述货架的目标重心点；
获取每个所述目标重心点与所述激光雷达的位姿信息；根据所述几何信息构建所述货架的目标点云数据；
根据所述位姿信息将所述目标重心点对应的目标点云块与所述目标点云数据进行匹配，将匹配成功的所述目标点云块对应的所述位姿信息确定为所述货架的位姿信息，完成对所述货架的识别。
第二方面，本申请提供了一种机器人，所述机器人还包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，所述存储器存储有策略模型，其中所述计算机程序被所述处理器执行时，实现如本申请任一实施例所提供的货架识别方法的步骤。
第三方面，本申请提供了一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本申请任一实施例所提供的货架识别方法的步骤。
本申请涉及一种货架识别方法、机器人及存储介质，应用于搭载有激光雷达的机器人，所提供的方法通过获取激光雷达对待识别的货架进行测量的多个点云数据，将多个点云数据分为多个点云块；根据待识别的货架的几何信息，在多个所述点云块中确定多个目标点云块；根据几何信息从多个目标点云块的重心点中确认属于货架的目标重心点；获取每个目标重心点与激光雷达的位姿信息；根据几何信息构建所述货架的目标点云数据；根据位姿信息将目标点云块与目标点云数据进行匹配，将匹配成功的目标点云块对应的位姿信息确定为货架的位姿信息，完成对货架的识别。采用所提供的方法在无需使用反光贴的情况下兼容较大角度的偏移，简化了货架识别的方法并提高货架腿的识别精确性和快速性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种货架识别方法的步骤示意流程图；
图2是本申请实施例提供的一种点云块获取方法的步骤流程图；
图3是本申请实施例提供的一种目标点云块获取方法的步骤流程图；
图4是本申请实施例提供的一种目标重心点确认方法的步骤流程图；
图5是本申请实施例提供的另一种目标重心点确认方法的步骤流程图；
图6是本申请实施例提供的一种目标点云块与目标点云数据的匹配方法的步骤流程图；
图7是本申请实施例提供的一种机器人的示意框图。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
为便于理解本申请实施例，下面对本申请实施例中涉及到的一些词汇作简单说明。
1.点云(Point Cloud)：点云也称为激光点云，是利用激光在同一空间参考系下获取物体表面每个采样点的空间坐标，得到的是一系列表达目标空间分布和目标表面特性的海量点的集合，这个点集合就称之为“点云”。
2.德劳内(Delaunay)三角化：Delaunay三角剖分是苏联数学家Delaunay在1934年提出的：对于任意给定的平面点集,只存在着唯一的一种三角剖分方法，满足所谓的“最大—最小角”优化准则，即所有最小内角之和最大，这就是Delaunay三角剖分。这种剖分方法遵循“最小角最大”和“空外接圆”准则。
“最小角最大”准则是在不出现奇异性的情况下，Delaunay三角剖分最小角之和均大于任何非Delaunay剖分所形成三角形最小角之和，三角形的最小内角之和最大，从而使得划分的三角形不会出现某个内角过小的情况，比较有利于有限元的后续计算。
“空外接圆”准则是Delaunay三角剖分中任意三角形的外接圆内不包括其他结点。因此,在各种二维三角剖分中，只有Delaunay三角剖分才同时满足全局和局部最优。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
在现有的基于机器人的货架识别方法中，通过在货架的货架腿上贴反光贴，从而通过强度信息筛选出对应的货架腿的激光数据后与预设的货架形状的点云进行匹配，然而，由于反光贴自身的物理特性，从正对激光发射器到两边偏移时得到的强度信息或逐渐减小，从而导致在达到一定偏移角度后环境中的某些高反射物体的激光点云强度值和反光贴一致，容易导致误识别的情况。
为解决上述问题，请参阅图1，图1是本申请实施例提供的一种货架识别方法的步骤示意流程图。所提供的货架识别方法应用于搭载有激光雷达的机器人。
在一些实施例中，所提供的机器人为移动机器人，例如用于货架搬运的自移动机器人，能够通过所搭载的激光雷达确认待识别的货架的位置，完成对货架的搬运。
在一些实施例中，机器人内部搭载有微控制单元(Microcontroller Unit，MCU)，能够在机器人工作过程中基于激光雷达所采集的点云数据处理后控制机器人完成对目标货架的搬运。
如图1所示，该货架识别方法包括步骤S101至步骤S105。
S101.获取激光雷达对待识别的货架进行测量的多个点云数据，将多个点云数据分为多个点云块。
具体地，机器人在需要对货架进行搬运时，使用搭载的激光雷达对待识别的货架进行测量获取得到测量对象的多个点云数据，通过对点云数据进行处理后划分为多个点云块，目的在于基于货架的几何特征对点云数据进行划分。以针对性选择点云数据确定待识别的货架的位姿信息，最终完成对待识别货架的信息收集，或对货架上的物品的搬运或盘点。
需要说明的是，激光雷达采集点云数据的过程中机器人可以处于相对货架的任意角度，通过采用本申请实施例所提供的货架识别方法能够基于该角度确定货架的位姿信息。
需要说明的是，当机器人的工作场景中包括多个货架时，所提供的货架识别方法能够在点云数据中逐一确定多个货架的位姿信息并根据预设方式，例如优先搬运距离最近的货架，完成对货架的搬运。
在一些实施例中，如图2所示，图2是本申请实施例提供的一种点云块获取方法的步骤流程图。
如图2所示，该点云块获取方法包括步骤S101a至步骤S101b。
S101a.获取多个点云数据中相邻的点云数据间的几何距离。
S101b.根据几何距离生成多个点云块，其中，点云块中的点云数据间的几何距离小于预设距离。
由于激光雷达采集到的点云数据是按照几何距离顺序排列的，而货架的货架腿直接的距离是固定的，因此通过几何距离小于预设距离作为条件将点云数据划分为多个点云块，再通过判断多个点云块是否属于货架腿的点云块，能够快速排除非货架腿的点云数据。
示例性的，由于机器人只要对货架的货架腿能够一一确认，即可锁定该货架对其完成搬运，因此预设距离可以采用货架腿间的距离，例如带有四条货架腿的货架每条货架腿间距离为1m，那么当几何距离小于1m时将点云数据划分在同一个点云块中，当下一个点云数据与上一个的几何距离大于1m时则新建一个点云块进行点云数据的存放。进而能够快速完成对点云数据的处理。
而由于激光雷达采集的点云数据中会存在噪声，例如拖尾点云，因此需要通过滤波的方式滤去点云数据的噪声，避免由于噪声导致货架的误识别。
在一些实施例中，在将多个点云数据分为多个点云块之前，还包括：对多个点云数据进行半径滤波，以滤去点云数据中的拖尾数据。通过半径滤波的方式，对点云数据在邻域范围内的近邻点云数据若少于预设个数，例如5个时，则滤除该点云数据，进而能够有效滤去点云数据中的噪声。
S102.获取待识别的货架的几何信息，根据几何信息在多个点云块中确定多个目标点云块。
具体地，机器人通过获取待识别的货架的几何信息，例如货架的长、宽、高以及货架腿的条数、长度、距离。将货架的几何信息与划分好的点云块进行比对，能够在多个点云块中确定用于表征货架几何特征的点云块作为目标点云块，基于目标点云块进行处理能够对货架的位姿进行精确识别。通过在点云块中根据几何信息确定目标点云块也能进一步减少需要使用的点云数据的数量，提高所提供的货架识别方法的速度。
在一些实施例中，货架包括多条货架腿。如图3所示，图3是本申请实施例提供的一种目标点云块获取方法的步骤流程图。
如图3所示，该目标点云块获取方法包括步骤S102a至步骤S102b。
S102a.获取待识别的货架的货架腿的几何信息。
S102b.根据货架腿的几何信息将属于货架腿的点云块确认为目标点云块。
由于货架一般是规则形状的，获取其几何信息也无需花费过多的时间和精力，只需要根据货架的产品介绍中就可以直接获取。通过在多个点云块中确定属于货架腿的目标点云块通过长度、形状等数据都能快速完成对目标点云块的确认，进而能够对激光雷达采集到的大量点云数据快速筛选出需要使用的，减少机器人在执行所提供的货架识别方法时的数据处理量，提升货架识别方法的处理速度。
S103.获取多个目标点云块的重心点，根据几何信息从多个重心点中确认属于货架的目标重心点。
具体地，通过获取多个目标点云块的重心点，由于货架都是规则图形，因此通过引入重心点能够进一步确认该目标点云块是否能用于表征货架的特征。根据几何信息筛选出的目标重心点，能够用于最终计算货架的位姿，使得本申请所提供的货架识别方法的精确性经过一步步的数据筛选得到大幅提升。
在一些实施例中，货架包括多条货架腿。如图4所示，图4是本申请实施例提供的一种目标重心点确认方法的步骤流程图。
如图4所示，该目标重心点确认方法包括步骤S103a至步骤S103d。
S103a.对多个重心点采用德劳内三角化的方法获取多个三角形，获取三角形的边长信息。
S103b.获取三条货架腿构成的预设三角形的预设边长信息。
S103c.基于边长信息以及预设边长信息获取差值信息，若差值信息符合预设条件，确定三角形为目标三角形。
S103d.将构成目标三角形的所述重心点确定为目标重心点。
通过对目标点云块的重心点采用德劳内三角化的方法，获取多个三角形，通过获取每个三角形的边长信息与三条货架腿构成的预设边长信息进行比较，若目标点云块重心点所构成的三角形与货架腿构成的三角形边长的差值符合预设条件，例如机器人内构建的三角形的各边长均为货架腿构件的各边长的0.1至0.2倍的长度时，此时确定该三角形为目标三角形，构成目标三角形的重心点为目标重心点。
示例性的，基于边长信息以及预设边长信息获取差值信息，可以预先将三角形与预设三角形进行角度匹配，匹配成功后计算三角形与预设三角形对应的各边的差值，以确定三角形是否用于表征货架的三条货架腿。
示例性的，在将构成目标三角形的重心点确定为目标重心点之后，还包括：对目标重心点添加预设标记。由于若场景中放置多个货架，激光雷达扫描到的待识别货架可能不止一个，通过对目标重心点添加预设标记，在后续三角形匹配过程中若待匹配的三角形包括目标重心点，即可跳过对该待匹配的三角形的匹配，进而提升所提供的货架识别方法的快速性。
在一些实施例中，目标三角形的重心点对应的目标点云块为分别属于三条货架腿的点云块。如图5所示，图5是本申请实施例提供的另一种目标重心点确认方法的步骤流程图。与图4所提供的方法不同的是，图5所提供的目标重心点确认方法还包括步骤S103d1至步骤S103d2。
S103d1.基于构成目标三角形的重心点对应的点云块与几何信息在其余的目标点云块中获取子目标点云块，子目标点云块为属于除三条所述货架腿外其他货架腿的点云块。
S103d2.将构成目标三角形的重心点与子目标点云块的重心点确定为目标重心点。
当货架包括四条货架腿时，通过目标三角形以能够锁定目标货架的三条货架腿，此时根据货架的四条货架腿的几何信息，例如货架腿之间的距离，在其余目标点云块中获取用于表征第四条货架腿的子目标点云块，将该子目标点云块的重心点作为目标重心点与目标三角形的三个重心点能够确认四条货架腿的重心点，进而所提供的货架识别方法能够快速完成对目标货架的精确锁定。
S104.获取每个目标重心点与激光雷达的位姿信息；根据几何信息构建货架的目标点云数据。
具体地，由于机器人面对目标货架的角度不同，机器人内部预先构建的货架模型为正视角度，因此根据几何信息获取货架的目标点云数据，例如货架腿的目标点云数。需要通过获取每个目标重心点与激光雷达的位姿信息，确定此时该待识别的货架与激光雷达的角度与距离。
S105.根据位姿信息将目标重心点对应的目标点云块与目标点云数据进行匹配，将匹配成功的目标点云块对应的位姿信息确定为货架的位姿信息，完成对货架的识别。
具体地，由于目标点云数据是基于模型的正视角度进行构建的，需要将目标重心点与激光雷达的位姿信息作为匹配的初始位姿，用于使目标重心点对应的目标点云块与目标点云数据处于同一位姿下进行匹配，例如使用初始位姿对目标点云数据进行修改使其与目标重心点对应的目标点云块相对于激光雷达的位姿相同。进而获取各个目标重心点对应的目标点云块的匹配信息，例如与目标点云数据的相似度，将匹配成功的目标点云块的位姿信息确定为待识别的货架的位姿信息，完成对货架的识别，机器人能够基于该位姿信息进行对货架的搬运。进而在无需使用反光贴的情况下兼容较大角度的偏移，简化了货架识别的方法并提高货架腿的识别精确性和快速性。
在一些实施例中，如图6所示，图6是本申请实施例提供的一种目标点云块与目标点云数据的匹配方法的步骤流程图。
如图6所示，该目标点云块与目标点云数据的匹配方法包括步骤S105a至步骤S105b。
S105a.基于位姿信息对目标点云数据进行位姿调整，将调整后的目标点云数据与目标点云块进行位姿匹配，获取目标点云数据与目标点云块的匹配率。
S105b.根据匹配率与预设匹配率获取目标点云块的匹配结果。
通过根据位姿信息对目标点云数据进行调整，使基于正视角度构建的目标点云数据与目标重心点对应的目标点云块相对于激光雷达的位姿相同，进而能对目标点云数据和目标点云块进行匹配获取匹配率，根据匹配率确定目标点云数据和目标点云块的匹配结果，例如当匹配率大于80％时匹配成功，该目标点云块的位姿信息作为待识别的货架的位姿信息。
在一些实施例中，所提供的方法用于对多个待识别的货架进行识别；在对货架的识别之后，还包括：根据多个货架的位姿信息，确定每个货架与激光雷达的距离信息。获取多个距离信息中最小距离信息，根据最小距离信息对应的位姿信息完成对机器人进行控制。
当机器人的工作环境中包括多个货架时，采用所提供的货架识别方法能够确定多个待识别的目标货架，进而能够优先将与机器人距离最近的货架进行搬运，提升机器人的搬运效率。
示例性的，机器人还能够根据多个货架采用所提供的方法识别后的位姿信息，将与机器人的距离为预设距离的货架的位姿信息完成对机器人进行控制。进而能根据需求优先对目标货架进行搬运。
本申请提供了一种货架识别方法，采用所提供的方法在无需使用反光贴的情况下兼容较大角度的偏移，简化了货架识别的方法并提高货架腿的识别精确性和快速性。
本申请提供了一种终端设备。如图7所示，图7为本申请实施例提供的一种机器人的示意框图。
其中，该机器人可以包括处理器、存储器和网络接口。处理器、存储器和网络接口通过***总线连接，该***总线比如为I2C(Inter-integrated Circuit)总线。
具体地，处理器可以是微控制单元(Micro-controller Unit，MCU)、中央处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital Signal Processor，DSP)等。
具体地，存储器可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图7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控制器的限定，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。
其中，处理器用于运行存储在存储器中的计算机程序，并在执行计算机程序时实现本申请实施例提供的货架识别方法任一项中相应的步骤。
示例性的所提供的机器人用于如下步骤：
获取激光雷达对待识别的货架进行测量的多个点云数据，将多个点云数据分为多个点云块。
获取待识别的货架的几何信息，根据几何信息在多个点云块中确定多个目标点云块。
获取多个目标点云块的重心点，根据几何信息从多个重心点中确认属于货架的目标重心点。
获取每个目标重心点与激光雷达的位姿信息；根据几何信息构建货架的目标点云数据。
根据位姿信息将目标重心点对应的目标点云块与目标点云数据进行匹配，将匹配成功的目标点云块对应的位姿信息确定为货架的位姿信息，完成对货架的识别。
在一些实施例中，所提供的处理器用于实现：获取多个所述点云数据中相邻的所述点云数据间的几何距离；根据所述几何距离生成多个点云块，其中，所述点云块中的点云数据间的几何距离小于预设距离。
在一些实施例中，在将多个点云数据分为多个点云块之前，所提供的处理器还用于实现：对多个所述点云数据进行半径滤波，以滤去所述点云数据中的拖尾数据。
在一些实施例中，货架包括多条货架腿，所提供的处理器用于实现：获取待识别的货架的所述货架腿的几何信息；根据所述货架腿的几何信息将属于所述货架腿的点云块确认为所述目标点云块。
在一些实施例中，货架包括多条货架腿，所提供的处理器用于实现：对多个所述重心点采用德劳内三角化的方法获取多个三角形，获取所述三角形的边长信息；获取三条所述货架腿构成的预设三角形的预设边长信息；基于所述边长信息以及所述预设边长信息获取差值信息，若所述差值信息符合预设条件，确定所述三角形为目标三角形；将构成所述目标三角形的所述重心点确定为所述目标重心点。
在一些实施例中，在所述将构成所述目标三角形的重心点确定为所述目标重心点之后，所提供的处理器还用于实现：对所述目标重心点添加预设标记。
在一些实施例中，目标三角形的重心点对应的所述目标点云块为分别属于三条所述货架腿的点云块，所提供的处理器用于实现：基于构成所述目标三角形的重心点对应的所述点云块与所述几何信息在其余的所述目标点云块中获取子目标点云块，所述子目标点云块为属于除所述三条所述货架腿外其他所述货架腿的点云块；将构成所述目标三角形的重心点与所述子目标点云块的重心点确定为所述目标重心点。
在一些实施例中，所提供的处理器用于实现：基于所述位姿信息对所述目标点云数据进行位姿调整，将调整后的所述目标点云数据与所述目标点云块进行位姿匹配，获取所述目标点云数据与所述目标点云块的匹配率；根据所述匹配率与预设匹配率获取所述目标点云块的匹配结果。
在一些实施例中，所提供的方法用于对多个待识别的所述货架进行识别；在完成对所述货架的识别之后，所提供的处理器还用于实现：根据多个所述货架的位姿信息，确定每个所述货架与所述激光雷达的距离信息；获取多个所述距离信息中最小距离信息，根据所述最小距离信息对应的所述位姿信息完成对所述机器人进行控制。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的计算机设备的具体工作过程，可以参考前述货架识别方法中的对应过程，在此不再赘述。
本申请的实施例中还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序中包括程序指令，处理器执行程序指令，实现上述实施例提供的运行控制方法的步骤。例如，该计算机程序被处理器加载，可以执行如下步骤：
获取激光雷达对待识别的货架进行测量的多个点云数据，将多个点云数据分为多个点云块。
获取待识别的货架的几何信息，根据几何信息在多个点云块中确定多个目标点云块。
获取多个目标点云块的重心点，根据几何信息从多个重心点中确认属于货架的目标重心点。
获取每个目标重心点与激光雷达的位姿信息；根据几何信息构建货架的目标点云数据。
根据位姿信息将目标重心点对应的目标点云块与目标点云数据进行匹配，将匹配成功的目标点云块对应的位姿信息确定为货架的位姿信息，完成对货架的识别。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，计算机可读存储介质可以是前述实施例的计算机设备的内部存储单元，例如计算机设备的硬盘或内存。计算机可读存储介质也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
由于该计算机可读存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种货架识别方法，因此，可以实现本申请实施例所提供的任一种货架识别方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
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。以上，仅是本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种货架识别方法，其特征在于，应用于机器人，所述机器人搭载有激光雷达；所述方法包括：
获取所述激光雷达对待识别的货架进行测量的多个点云数据，将多个点云数据分为多个点云块；
获取待识别的货架的几何信息，根据所述几何信息在多个所述点云块中确定多个目标点云块；
获取多个所述目标点云块的重心点，根据所述几何信息从多个所述重心点中确认属于所述货架的目标重心点；
获取每个所述目标重心点与所述激光雷达的位姿信息；根据所述几何信息构建所述货架的目标点云数据；
根据所述位姿信息将所述目标重心点对应的目标点云块与所述目标点云数据进行匹配，将匹配成功的所述目标点云块对应的所述位姿信息确定为所述货架的位姿信息，完成对所述货架的识别。
2.根据权利要求1所述的方法，其特征在于，所述将多个点云数据分为多个点云块，包括：
获取多个所述点云数据中相邻的所述点云数据间的几何距离；
根据所述几何距离生成多个点云块，其中，所述点云块中的点云数据间的几何距离小于预设距离。
3.根据权利要求1所述的方法，其特征在于，在所述将多个点云数据分为多个点云块之前，还包括：
对多个所述点云数据进行半径滤波，以滤去所述点云数据中的拖尾数据。
4.根据权利要求1所述的方法，其特征在于，所述货架包括多条货架腿；所述获取待识别的货架的几何信息，根据所述几何信息在多个所述点云块中确定多个目标点云块，包括：
获取待识别的货架的所述货架腿的几何信息；
根据所述货架腿的几何信息将属于所述货架腿的点云块确认为所述目标点云块。
5.根据权利要求1所述的方法，其特征在于，所述货架包括多条货架腿；所述根据所述几何信息从多个所述重心点中确认属于所述货架的目标重心点，包括：
对多个所述重心点采用德劳内三角化的方法获取多个三角形，获取所述三角形的边长信息；
获取三条所述货架腿构成的预设三角形的预设边长信息；
基于所述边长信息以及所述预设边长信息获取差值信息，若所述差值信息符合预设条件，确定所述三角形为目标三角形；
将构成所述目标三角形的所述重心点确定为所述目标重心点。
6.根据权利要求5所述的方法，其特征在于，在所述将构成所述目标三角形的重心点确定为所述目标重心点之后，还包括：
对所述目标重心点添加预设标记。
7.根据权利要求5所述的方法，其特征在于，所述目标三角形的重心点对应的所述目标点云块为分别属于三条所述货架腿的点云块；所述将构成所述目标三角形的重心点确定为所述目标重心点，包括：
基于构成所述目标三角形的重心点对应的所述点云块与所述几何信息在其余的所述目标点云块中获取子目标点云块，所述子目标点云块为属于除所述三条所述货架腿外其他所述货架腿的点云块；
将构成所述目标三角形的重心点与所述子目标点云块的重心点确定为所述目标重心点。
8.根据权利要求1所述的方法，其特征在于，所述根据所述位姿信息将所述目标点云块与所述目标点云数据进行匹配，包括：
基于所述位姿信息对所述目标点云数据进行位姿调整，将调整后的所述目标点云数据与所述目标点云块进行位姿匹配，获取所述目标点云数据与所述目标点云块的匹配率；
根据所述匹配率与预设匹配率获取所述目标点云块的匹配结果。
9.根据权利要求1所述的方法，其特征在于，所述方法用于对多个待识别的所述货架进行识别；在完成对所述货架的识别之后，还包括：
根据多个所述货架的位姿信息，确定每个所述货架与所述激光雷达的距离信息；
获取多个所述距离信息中最小距离信息，根据所述最小距离信息对应的所述位姿信息完成对所述机器人进行控制。
10.一种机器人，其特征在于，所述机器人还包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，所述存储器存储有策略模型，其中所述计算机程序被所述处理器执行时，实现如权利要求1至9中任一项所述的货架识别方法的步骤。
11.一种存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至9中任一项所述的货架识别方法的步骤。
CN202310798687.7A 2023-06-30 2023-06-30 货架识别方法、机器人及存储介质 Pending CN117008151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310798687.7A CN117008151A (zh) 2023-06-30 2023-06-30 货架识别方法、机器人及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310798687.7A CN117008151A (zh) 2023-06-30 2023-06-30 货架识别方法、机器人及存储介质

Publications (1)

Publication Number Publication Date
CN117008151A true CN117008151A (zh) 2023-11-07

Family

ID=88561072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310798687.7A Pending CN117008151A (zh) 2023-06-30 2023-06-30 货架识别方法、机器人及存储介质

Country Status (1)

Country Link
CN (1) CN117008151A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117565061A (zh) * 2024-01-16 2024-02-20 山西大学 基于机械臂搬运的速度与重量平衡控制***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117565061A (zh) * 2024-01-16 2024-02-20 山西大学 基于机械臂搬运的速度与重量平衡控制***
CN117565061B (zh) * 2024-01-16 2024-03-29 山西大学 基于机械臂搬运的速度与重量平衡控制***

Similar Documents

Publication Publication Date Title
CN109509210B (zh) 障碍物跟踪方法和装置
CN110307838B (zh) 机器人重定位方法、装置、计算机可读存储介质及机器人
EP3168812B1 (en) System and method for scoring clutter for use in 3d point cloud matching in a vision system
CN110793512A (zh) 位姿识别方法、装置、电子设备和存储介质
CN109446886B (zh) 基于无人车的障碍物检测方法、装置、设备以及存储介质
US11776217B2 (en) Method for planning three-dimensional scanning viewpoint, device for planning three-dimensional scanning viewpoint, and computer readable storage medium
CN111582054B (zh) 点云数据处理方法及装置、障碍物检测方法及装置
CN117008151A (zh) 货架识别方法、机器人及存储介质
CN110766719A (zh) 一种目标跟踪方法、设备及存储介质
CN112017232A (zh) 图像内圆形图案的定位方法、装置及设备
CN113297989B (zh) 充电桩识别方法、装置、机器人及计算机可读存储介质
WO2021072709A1 (zh) 目标检测与跟踪方法、***、设备及存储介质
CN111897906A (zh) 处理地图数据的方法、装置、设备和存储介质
CN112991389A (zh) 一种目标跟踪方法、装置及移动机器人
CN112166457A (zh) 点云分割方法、***和可移动平台
CN111709988A (zh) 一种物体的特征信息的确定方法、装置、电子设备及存储介质
CN113345015A (zh) 一种包裹位置检测方法、装置、设备及可读存储介质
CN115523935A (zh) 点云地面检测方法、装置、车辆及存储介质
JP2010256040A (ja) 車両検出装置
CN110992372B (zh) 物品抓取方法、装置、存储介质及电子装置
CN113838069A (zh) 基于平面度约束的点云分割方法和***
CN111369611A (zh) 图像像素深度值优化方法及其装置、设备和存储介质
CN110060282B (zh) 一种点云配准的方法及装置
CN114627206A (zh) 网格绘制方法、装置、电子设备及计算机可读存储介质
CN113487590B (zh) 分块处理方法、装置、计算设备及存储介质

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