CN117474892A - 货架识别方法、移动机器人及存储介质 - Google Patents
货架识别方法、移动机器人及存储介质 Download PDFInfo
- Publication number
- CN117474892A CN117474892A CN202311526345.6A CN202311526345A CN117474892A CN 117474892 A CN117474892 A CN 117474892A CN 202311526345 A CN202311526345 A CN 202311526345A CN 117474892 A CN117474892 A CN 117474892A
- Authority
- CN
- China
- Prior art keywords
- shelf
- model
- point cloud
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 106
- 238000003032 molecular docking Methods 0.000 claims abstract description 56
- 210000001503 joint Anatomy 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
-
- 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
-
- 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
-
- 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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Warehouses Or Storage Devices (AREA)
Abstract
本申请公开了一种货架识别方法、移动机器人及存储介质。该方法包括:移动机器人利用检测传感器对货架进行检测,得到点云数据集合;其中,移动机器人设有多个检测传感器,点云数据集合中至少包含多个检测传感器在预设范围内对应的点云数据;利用点云数据集合,确定出货架的货架模型信息;将货架模型信息与预设货架模型进行匹配,以确定货架所属的目标货架模型;其中,预设货架模型包含在预设环境中设有的至少两个不同类型货架的货架模型;基于货架所属的目标货架模型,对货架进行对接。上述方案,能够识别多种类型的货架,提高了货架识别的准确度,从而提高对货架对接的准确度。
Description
技术领域
本申请涉及移动机器人技术领域,特别是涉及一种货架识别方法、移动机器人及计算机可读存储介质。
背景技术
近年来,随着移动机器人的飞速发展,移动机器人在越来越多的领域中被运用。例如在物流行业、工业领域等得到越来越广泛的应用。
以仓储物流场景为例,移动机器人可以通过对接货架、搬运货物、卸下货物来实现仓储货物的自动化调度搬运。移动机器人在进行任务操作时,需要识别出货架的位置等相关信息,以便能准确对货架进行相关任务操作。
由于移动机器人所处的环境中可能存在不同类型的货架,在检测货架的现有技术中无法区分不同类型的货架,使得对货架检测的准确度不高,从而不能准确地使移动机器人和货架进行对接。
发明内容
本申请主要解决的技术问题是提供一种货架识别方法、移动机器人及存储介质,能够识别多种类型的货架,提高了货架识别的准确度,从而提高对货架对接的准确度。
为了解决上述问题,本申请第一方面提供了一种货架识别方法,该方法包括:移动机器人利用检测传感器对货架进行检测,得到点云数据集合;其中,移动机器人设有多个检测传感器,点云数据集合中至少包含多个检测传感器在预设范围内对应的点云数据;利用点云数据集合,确定出货架的货架模型信息;将货架模型信息与预设货架模型进行匹配,以确定货架所属的目标货架模型;其中,预设货架模型包含在预设环境中设有的至少两个不同类型货架的货架模型;基于货架所属的目标货架模型,对货架进行对接。
为了解决上述问题,本申请第二方面提供了一种移动机器人,该移动机器人包括相互耦接的存储器和处理器,存储器中存储有程序数据,处理器用于执行程序数据以实现上述货架识别方法的任一步骤。
为了解决上述问题,本申请第三方面提供了一种计算机可读存储介质,该计算机可读存储介质存储有能够被处理器运行的程序数据,程序数据用于实现上述货架识别方法的任一步骤。
上述方案,通过移动机器人利用检测传感器对货架进行检测,得到点云数据集合,利用点云数据集合,确定出货架的货架模型信息,由于移动机器人设有多个检测传感器,且点云数据集合中至少包含多个检测传感器在预设范围内对应的点云数据,可以结合多个检测传感器检测的点云数据获取货架的货架模型信息,提高得到的货架模型信息的准确度,且采用多个检测传感器在预设范围内对应的点云数据进行识别,可以提高识别效率,再将货架模型信息与在预设环境中设有的至少两个不同类型的货架的预设货架模型进行匹配,以确定货架所属的目标货架模型,可以识别多种不同类型的货架,且提高了货架识别的准确度,之后基于识别的货架所属的目标货架模型,对货架进行对接,可以提高对货架对接的准确度。
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,而非限制本申请。
附图说明
为了更清楚地说明本申请中的技术方案,下面将对实施例描述中所需要的附图作简单的介绍,显而易见地,下面描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来说,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。其中:
图1是本申请货架识别方法一实施例的流程示意图;
图2是本申请移动机器人一实施例的结构示意图;
图3是本申请图1中步骤S11一实施例的流程示意图;
图4是本申请图1中步骤S12一实施例的流程示意图;
图5是本申请图1中步骤S13一实施例的流程示意图;
图6是本申请图1中步骤S14一实施例的流程示意图;
图7是本申请货架对接一实施例的实例示意图;
图8是本申请货架识别装置一实施例的结构示意图;
图9是本申请移动机器人另一实施例的结构示意图;
图10是本申请计算机可读存储介质一实施例的结构示意图。
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,所描述的实施例仅是本申请的一部分实施例,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。
本申请中的术语“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。本申请的描述中,“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。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
本申请提供以下实施例,下面对各实施例进行具体说明。
可以理解的是,本申请中的货架识别方法可以由移动机器人或计算器设备执行,该计算器设备可以为具有处理能力的任意设备,可以对移动机器人进行控制,以实现本申请的货架识别方法,计算器设备例如电脑、手机、平板电脑等,本申请对此不做限制。
请参阅图1,图1是本申请货架识别方法一实施例的流程示意图。该方法可以包括以下步骤:
S11:移动机器人利用检测传感器对货架进行检测,得到点云数据集合;其中,移动机器人设有多个检测传感器,点云数据集合中至少包含多个检测传感器在预设范围内对应的点云数据。
移动机器人可以是自动引导运输车(Automated GuidedVehicle,简称AGV),是一种装备有电磁或光学等自动导引装置、能够沿规定的导引路径行驶,并且具有安全保护和搬运功能的运输车,可以代替人工完成货架等容器的托举和搬运。移动机器人还可以是搬运机器人或其他具有移动或搬运等能力的机器人,本申请对此不做限制。
移动机器人设有多个检测传感器。多个检测传感器可以用于对移动机器人所处的周围环境进行检测,各检测传感器的检测角度、检测范围可以相同或不同,各检测传感器可以分别设置在移动机器人的不同位置。检测传感器例如为激光雷达(如2D激光雷达或3D激光雷达)、双目相机、深度相机等,可以用于检测周围环境物体的轮廓信息。以2D激光雷达为例,2D激光雷达可以用于获取二维平面信息的传感器,也即用于检测周围环境物体的轮廓信息。
在一些实施方式中,多个检测传感器可以包含不同类型的传感器,如包含激光雷达、双目相机、深度相机等。多个检测传感器可以包含多个同类型的传感器,多个同类型的传感器可以为不同检测范围、不同检测角度的传感器。可以根据具体的应用场景设置多个检测传感器,本申请对此不做限制。
请参阅图2,图2是本申请移动机器人一实施例的结构示意图。移动机器人包括移动底盘和多个检测传感器(如2D激光雷达),移动底盘内设置有运动控制器、电机、电池、嵌入式计算机和里程计等。移动机器人设有的里程计,可以初步估算出移动机器人角度和距离的变化量,常见的有轮式编码器,如带编码器的主动轮,从而能够根据前后时刻的位姿变化量和前一时刻的位姿来估计出当前时刻机器人的位姿。移动机器人在基于仓储环境下生成的二维栅格先验地图中进行高精度定位并进行高精度的货架对接。该先验地图可以包括货架、工作台、房屋支撑架以及需要搬运的货物等部件。移动机器人在进行任务操作时比如在仓库中进行物体搬运,移动机器人使用里程计估计出机器人运动的该变量,同时使用多个2D激光雷达扫描环境物体轮廓和环境特征,从而在变换的环境中获取在当前环境的位置,以能够准确地执行任务。
移动机器人在执行任务的过程中,通过各激光雷达对周围环境进行扫描,得到各激光雷达检测的点云数据,在预设范围内对检测的点云数据进行筛选,以得到各检测传感器在预设范围内对应的点云数据,也即点云数据集合。点云数据(Point Cloud Data,简称PCD),是指通过激光雷达扫描所取得的一种数据文件,该数据文件以点的型式记录,每一个点除了包含几何位置,可能还有强度信息,该强度信息根据激光雷达采集到的回波强度得到。
在一些实施方式中,多个检测传感器可以分为主检测传感器和辅检测传感器,主检测传感器可以用于主要检测、导航等,辅检测传感器可以用于辅助检测。主检测传感器可以采用相对辅检测传感器而言精度较高的传感器。
在一些实施例中,请参阅图3,可以对上述实施例的步骤S11进一步扩展。移动机器人利用检测传感器对货架进行检测,得到点云数据集合,本实施例可以包括以下步骤:
S111:利用多个检测传感器分别对货架进行检测,以分别得到各检测传感器对应的初始点云数据。
移动机器人在执行任务的过程中,通过各检测传感器对周围环境的货架进行检测,分别得到各检测传感器对应的初始点云数据。
S112:利用预设货架模型的相关尺度信息,确定预设范围,其中,预设范围用于确定检测传感器的点云数据的采集范围。
其中,预设货架模型包含在预设环境中设有的至少两个不同类型货架的货架模型。预设环境可以为移动机器人的工作环境,可以将工作环境中所有类型货架的货架模型作为预设货架模型,将预设货架模型下发给移动机器人的识别库。预设货架模型可以包含货架的类型、相关尺度信息、预设的货架中心、预置对接信息等,本申请对此不做限制。
相关尺度信息可以包括货架的各模型部位之间的尺度信息,可以理解的是,模型部位可以为货架的任一局部部位,如货架腿、货架层等,下述以模型部位为货架腿为例进行说明,本申请对此不做限制。
假设工作环境中有M种类型的货架,货架的预设货架模型记为Mi,Mi包含货架腿之间的长度Li,及货架腿间距,宽Wi,货架腿的类型Ti,货架腿的长legLi和货架腿的宽legWi以及货架类型名字MNi。记下发的所有预设货架模型中货架腿间距最长边为Lmax,最短边为Lmin,最长斜边为Smax。相关尺度信息可以包括货架腿之间的长度Li、货架腿的长legLi和货架腿的宽legWi、货架斜边长等,本申请对此不做限制。
在此步骤之前,可以将预设货架模型、各检测传感器及外参、主检测传感器的相关信息(如id、外参等)、移动机器人的当前位姿等传入移动机器人。在需要进行货架对接、货架识别等操作时,可以将本次对接的货架的相关信息(如货架的预设位置、预置货架中心等)传入移动机器人。
可以根据本次对接的货架的预设位置和预设货架模型的相关尺度信息,确定预设范围。
具体地,可以利用主检测传感器的外参TBL和移动机器人在世界坐标系下的当前位姿TMB,将本次对接的货架的预设位置TMP转换至主检测传感器的主传感器坐标系{L}下,并确定为预设范围的中心TLP。其中,预设范围的中心TLP可以表示为:
TLP=TBL -1*TMB -1*TMP (1)
可以获取预设货架模型中各货架模型的相关尺度信息的预设统计值,以确定预设范围的半径。其中,相关尺度信息至少包括货架斜边长,预设统计值可以为所有预设货架模型中的最大货架斜边长Smax。
从而,可以基于预设范围的中心TLP和预设范围的半径Smax构成圆范围,来确定预设范围。
S113:从各检测传感器对应的初始点云数据中,确定出属于预设范围的初始点云数据,分别作为各检测传感器在预设范围内对应的点云数据,以得到点云数据集合。
为了加速候选货架腿的计算,从各检测传感器对应的初始点云数据中,根据下发的货架的预设位置TMP和最大货架斜边长Smax来限制进行货架识别的点云范围,确定出属于预设范围的初始点云数据,分别作为各检测传感器在预设范围内对应的点云数据。
在一些实施方式中,由于多个检测传感器包括主检测传感器和辅检测传感器,可以将各辅检测传感器的初始点云数据转换至主检测传感器的主传感器坐标系下,得到经过转换后的初始点云数据。
其中,辅检测传感器对应有辅传感器坐标系,检测的点云数据为辅传感器坐标系下的坐标,主检测传感器对应有主传感器坐标系,检测的点云数据为主传感器坐标系的坐标,为了对初始点云数据的坐标进行统一,可以将多个辅激光雷达的初始点云数据,根据各辅激光雷达对应的外参TBLi以及主激光雷达的外参TBL转换到主激光坐标系{L}下。假设辅激光雷达Li坐标系下的第j个点云数据记为Pij,则该点云数据Pij转换到主激光坐标{L}中,得到经过转换后的初始点云数据PL ij,其中,进行坐标转换的方式如下:
PL ij=TBL -1*TBLi*Pij (2)
在一些实施方式中,将各检测传感器的初始点云数据转换到主传感器坐标系下之后,可以将属于各检测传感器的初始点云数据分别保存至单独的容器中。
从主检测传感器和辅检测传感器经过转换后的初始点云数据中,也即可以从各检测传感器对应单独的容器S1中分别筛选出属于预设范围的初始点云数据。例如可以分别对属于各检测传感器的初始点云数据依据TLP和Smax进行筛选,分别得到筛选后的初始点云数据。在一些应用场景中,也可以只对辅激光雷达Li的初始点云数据进行筛选,本申请对此不做限制。
之后,对各检测传感器筛选后的初始点云数据进行聚类,也即可以对预设范围内的初始点云数据进行聚类,得到各检测传感器对应的点云数据,也即得到至少一个簇,每个簇的点云数据可以表示属于同一个货架腿,可以将至少一个簇的组合作为点云数据集合。其中,本申请的聚类的过程可以结合相邻点云的距离和角度约束进行聚类,本申请对聚类方法不做限制。
S12:利用点云数据集合,确定出货架的货架模型信息。
通过上述获取的点云数据集合,可以确定出属于本次对接的货架对应的货架模型信息,货架模型信息如相关尺度信息、货架包含的模型部位、模型部位的位置信息等,本申请对此不做限制。
在一些实施例中,请参阅图4,可以对上述实施例的步骤S12进一步扩展。利用点云数据集合,确定出货架的货架模型信息,本实施例可以包括以下步骤:
S121:利用点云数据集合,确定货架的模型部位对应的候选点云集合。
在点云数据集合中,由于不同激光雷达可能扫描到同一条货架腿,且主激光雷达一般为导航激光雷达,测距精度较高,可以将主激光雷达的点云数据作为基础数据,对同一条货架腿的辅激光雷达的点云数据进行剔除,以得到货架的货架腿对应的候选点云集合。
具体而言,利用主检测传感器的点云数据集合,确定货架的各模型部位的第一中心坐标,该过程中,以模型部位为货架腿为例,可以将主传感器坐标系{L}下的所有货架腿的聚类的点云数据SL i,计算每条腿的中心坐标CL i,作为第一中心坐标。此外,还可以对主检测传感器检测的每条腿的第一中心坐标CL i构建KD-Tree,KD-Tree(也称为K维树)是一种二叉搜索树,其中每个节点中的数据是空间中的K维点。
按照上述第一中心坐标的计算方式,同样利用辅检测传感器的点云数据集合,确定货架的各模型部位的第二中心坐标CLi j。
若在第二中心坐标的筛选距离内存在第一中心坐标,可以表示主激光雷达和辅激光雷达扫描到同一条货架腿,可以剔除在第一中心坐标的筛选距离内的第二中心坐标。具体地,在第一中心坐标构建的KD-Tree中,获取在第一中心坐标的筛选距离h(比如10cm)的范围内的第二中心坐标,也即,也可以在KD-Tree中查询属于第二中心坐标CLi j的筛选距离h的范围内是否存在主激光雷达检测的货架腿,若能查询到,则将第二中心坐标CLi j进行剔除,剔除后辅激光雷达检测的货架腿可以作为候选货架腿。
将剔除后辅检测传感器的各模型部位的第二中心坐标记为{CSLi k},将主检测传感器的各模型部位的第一中心坐标和剔除后辅检测传感器的各模型部位的第二中心坐标{CSLi k}进行组合,组成候选点云集合{S}。
本步骤中,结合主激光雷达的货架腿的点云数据,来剔除辅激光雷达的货架腿的点云数据,可以提高后续对货架识别结果的准确性。
S122:利用候选点云集合,筛选出满足预设条件的模型部位,以得到货架的货架模型信息。
以模型部位为货架腿为例,利用候选点云集合,对候选货架腿进行筛选,筛选出满足预设条件的候选货架腿。
在筛选出满足预设条件的模型部位的过程中,可以将第一数量的模型部位作为一组、预设数量的模型部位作为一组等,分别进行筛选,以选出满足预设条件的模型部位。
在一些实施方式中,在候选点云集合对应的模型部位中,以第一数量的模型部位作为第一模型部位组合,确定出满足第一组合条件的模型部位,作为第一组合部位;其中,第一组合条件包括各模型部位之间的长度在预设阈值范围内,第一数量小于货架模型所包含的模型部位的总和,例如货架包含4条货架腿,第一数量为小于4的数值。预设阈值范围可以为大于第一阈值且小于第二阈值,第一阈值小于第二阈值,也即预设阈值范围为在第一阈值与第二阈值之间。在一些应用场景中,第一阈值可以为所有预设货架模型中货架腿间距的最短边为Lmin,第二阈值可以为所有预设货架模型中货架腿间距最长边为Lmax。
作为一种示例,可以在候选点云集合{S}中任选2条货架腿gi与gj(i不等于j)作为一个第一模型部位组合,利用货架腿gi与货架腿gj的中心坐标计算长度Lgij,若Lgij小于Lmin或者大于Lmax,则确定该货架腿gi与货架腿gj不是同一货架模型上的两条货架腿。若gi与gj的间距Lgij在Lmin和Lmax之间,则确定该两条货架腿属于同一货架模型的两条腿。并将货架腿gi与货架腿gj作为第一组合部位。
在一些实施方式中,若第一模型部位组合满足第一组合条件,则可以进一步在第一组合部位中依次添加第二数量的模型部位作为第二模型部位组合,其中,第二数量小于第一数量,第一组合部位中添加第二数量的模型部位之后,第二模型部位组合中包含的模型部位的数量小于货架模型所包含的模型部位的总和。
在第二模型部位组合中确定出满足第二组合条件的模型部位,作为第二组合部位;其中,第二组合条件包括:各模型部位之间的几何关系符合预设几何关系,预设几何关系为货架包含预设数量的模型部位构成的几何关系,预设数量为第二模型部位组合中包含的模型部位的数量。
其中,预设几何关系与第二模型部位组合中包含的模型部位的数量相关,若预设数量为3,则预设几何关系为三角形的定义关系,若预设数量为4,则预设关系可以为矩形的定义关系,若预设数量为5,则预设关系可以为五边形的定义关系。另外,预设几何关系与货架包含预设数量的模型部位构成的几何关系相关,例如若预设数量为4,预设几何关系可以为矩形中的长方形或正方形等。
通过上述方式,可以在模型部位的组合中逐步添加模型部位进行各组合的筛选,以至货架包含各模型部位为一组进行筛选。
在一些实施方式中,上述各模型部位之间的几何关系可以用模型部位的中心坐标(如上述的第一中心坐标、第二中心坐标)来确定。
作为一种示例,若货架腿gi与货架腿gj的间距Lgij在Lmin和Lmax之间,货架腿gi与货架腿gj作为第一组合部位,则可以继续在候选点云集合{S}中选择第三条货架腿gk(i、j和k都互不相等),添加至第一组合部位中,组成三条货架腿的组合。并判断三个货架腿的中心坐标是否满足三角形的勾股定理,若满足勾股定理,则将这三条货架腿作为包含三条货架腿的第二组合部位。
作为一种示例,在三条货架腿满足第二组合条件的情况下,还可以在继续在候选点云集合{S}中选择第四条货架腿gl(i,j,k,l之间均互不相等),添加至上述三条货架腿的第二组合部位中,组成四条货架腿的组合。判断四条货架腿gi、gj、gk和gl是否满足矩形的定义关系,即利用四个点构成的四条边,判断是否有两组两条货架腿的间距小于第三阈值,换而言之,判断是否有两组两条货架腿的间距接近或等长的要求即可。
若有四条货架腿gi、gj、gk和gl满足矩形的定义关系,将这四条货架腿作为包含四条货架腿的第二组合部位。若一个货架还包含更多数量的货架腿,还可以依次添加更多的货架腿进行组合,确定出满足对应的第二组合条件的货架腿作为第二组合部位,本申请对此不做限制。
利用上述的第二组合部位,得到货架的货架模型信息。若有满足第二组合条件的包含四条货架腿的第二组合部位,则将包含四条腿的第二组合部位作为货架的货架模型信息。若无四条货架腿满足第二组合条件,则可以将包含三条货架腿的第二组合部位作为货架的货架模型信息。在无第二组合部位时,还可以将第一组合部位作为货架的货架模型信息。本申请对此不做限制。
在一些实施方式中,可以将上述筛选过程中不满足第一组合条件的第一模型部位组合以组为单元加入第一组合容器中。例如在两条货架腿的间距Lgij小于Lmin或者大于Lmax的情况下,则认为两条货架腿不是同一货架模型上的两条腿,可以直接忽略,将这两条货架腿gi和gj以组为单元加入第一组合容器S2中,便于后续遍历两条货架腿同时属于第一组合容器S2中的一个单元时,直接忽略,加快搜索速度。
在一些实施方式中,可以将上述筛选过程中不满足第二组合条件的第二模型部位组合以组为单元加入第二组合容器中。
作为一种示例,判断三个货架腿gi、gj和gk的中心坐标不满足三角形的勾股定理,可以忽略这三条腿,将这三条货架腿gi、gj和gk以组为单元加入第二组合容器S3中,在后续遍历三条货架腿gi、gj和gk时,若发现是第二组合容器S3中的一个单元时,可以直接忽略,加快搜索速度。
作为一种示例,判断四条货架腿gi、gj、gk和gl不满足矩形的定义关系时,可以将该四条货架腿gi、gj、gk和gl以组为单元加入第三组合容器S4中,若后续遍历四条货架腿gi、gj、gk和gl是第三组合容器S4中的一个单元,则可以对当前正在遍历的四条货架腿进行忽略,加快搜索速度。
本实施例中,利用多个激光雷达上所有的候选货架腿的点云数据来进行筛选,且利用两个货架腿之间的长度、三个货架腿之间是否符合勾股定理、四个货架腿是否能构成矩形来快速判断是否是下发的预设货架模型中的货架腿,可以提高货架腿筛选的准确度和筛选速度。另外,将遍历过的两条货架腿、三条货架腿以、四条货架腿分别加入容器中,可以加快对货架腿的筛选过程及搜索速度。
S13:将货架模型信息与预设货架模型进行匹配,以确定货架所属的目标货架模型;其中,预设货架模型包含在预设环境中设有的至少两个不同类型货架的货架模型。
将上述筛选出的货架模型信息与预设货架模型进行匹配,以确定出满足预设货架模型的最优的货架模型信息,也即最优的模型部位,如最优的三条货架腿组合或四条货架腿组合。
由于预设货架模型中包含在预设环境中设有的至少两个不同类型货架的货架模型,通过该方式,可以确定出最匹配的预设货架模型,从而确定出货架所属的目标货架模型,也可以确定货架所属的类型。
在一些实施例中,请参阅图5,可以对上述实施例的步骤S13进一步扩展。将货架模型信息与预设货架模型进行匹配,以确定货架的目标类型,本实施例可以包括以下步骤:
S131:获取货架模型信息与预设货架模型之间的误差;其中,误差包含:尺度误差或货架中心误差。
在一些实施方式中,在货架模型包含的第二组合的数量为一组时,可以获取尺度误差。在货架模型包含的第二组合的数量为多组时,可以获取货架中心误差。
在一些实施方式中,在货架模型包含的第二组合的数量为一组时,可以获取尺度误差。在货架模型包含的第二组合的数量为多组时,或者,上述的尺度误差小于预设误差的第二组合的数量为多组时,可以获取货架中心误差。
其中,尺度误差为货架模型信息包含的第二组合部位组成的货架模型的尺度与预设货架模型的尺度之间的误差。例如四条货架腿gi、gj、gk和gl组成的货架模型的长度和宽度,与预设货架模型Mi的长度和宽度的误差。
其中,货架中心误差为利用至少一组第二组合部位进行拟合得到的货架模型的货架中心与预设货架模型的货架中心之间的误差。具体而言,在货架模型包含的第二组合的数量为多组时,若同时存在多组货架腿{gi,gj,gk,gl}满足上述的预设条件,也即满足预设货架模型的要求时,则选择每组的四条货架腿{gi,gj,gk,gl}拟合得到货架模型的货架中心,从而计算出各拟合得到的货架模型的货架中心与预设货架模型的货架中心之间的货架中心误差。
S132:基于误差,确定货架模型信息匹配的预设货架模型,并将匹配的预设货架模型作为目标货架模型。
在误差为尺度误差的情况下,可以选择误差最小的预设货架模型Ms作为本次识别匹配上的货架模型,也即目标货架模型。
在误差为货架中心误差的情况下,可以货架中心误差最小的预设货架模型作为匹配的预设货架模型,也即目标货架模型。可以选出与下发的预设货架模型的货架中心最接近的四条货架腿,作为最优的候选货架腿,进而利用四条货架腿的点云数据进行货架中心的最优估计。
在一些实施例中,当移动机器人扫描不到四条货架腿时,则利用三条货架腿进行预设货架模型的筛选、匹配和货架中心的计算,计算方法与上述利用四条货架腿的组合确定目标货架模型和货架中心计算方法类似,本申请在此不做赘述。
在一些实施例中,在主激光雷达扫描不到货架腿的情况下,可以利用辅激光雷达的上扫描到三条或者四条货架腿的点云数据,确定目标货架模型和货架中心计算。
本实施例中,利用移动机器人的多个激光雷达来自主识别货架类型,不管是单个货架模型还是多个货架尺寸模型都能进行区分进行识别;在移动机器人的车体在货架下方或者货架边缘时,能利用多个激光雷达的信息综合扫描出货架腿,能扫描到更多货架上的货架腿,可以解决单个激光雷达在货架下面或者货架边缘扫描不到货架腿或者扫描不全货架腿的问题,利用更多的货架腿更加精准地区分出货架类型,可以更加精准的计算出货架中心,从而保证移动机器人更加安全地工作。
S14:基于货架所属的目标货架模型,对货架进行对接。
确定出货架所属的目标货架模型之后,则可以得知货架的货架中心、货架腿的位置、货架的尺度等信息,由于上述过程可以更准确地检测到货架腿,再估算出货架中心的真实位置也更准确。在对货架进行对接时,可以根据不同类型的货架的尺寸大小放置在同一个接驳库位的不同相对位置。
对货架进行对接可以为在货架取货,或者,将物品放置在货架中等,可以根据具体的对接操作指令、对接任务确定,本申请对此不做限制。
在一些实施方式中,可以判断当前的对接任务是否为货架对接任务,在判断为是时,则基于货架所属的目标货架模型,确定货架的对接信息,利用货架的对接信息,确定移动机器人相对货架的对接路径,并按照对接路径对货架进行对接。
若判断为否,则进一步判断是否为出货架任务,若判断为是,则利用目标货架模型的货架腿的位置和货架的尺度等信息,规划出避开货架腿的位置的路线,按照该路线完成出货架任务。
在一些实施方式中,当移动机器人在货架下方、卡在两个货架中间、或两条货架腿中间等情况下,可以利用多个激光雷达上的货架腿的点云数据更精确的计算出货架腿相对移动机器人的位置,或者,利用上述目标货架模型的货架腿的点云数据计算出货架腿相对移动机器人的位置,从而,基于货架腿相对移动机器人的位置,移动机器人能规划出避开货架腿的路径完成出货架任务,避免撞击货架。
本实施例中,通过移动机器人利用检测传感器对货架进行检测,得到点云数据集合,利用点云数据集合,确定出货架的货架模型信息,由于移动机器人设有多个检测传感器,且点云数据集合中至少包含多个检测传感器在预设范围内对应的点云数据,可以结合多个检测传感器检测的点云数据获取货架的货架模型信息,提高得到的货架模型信息的准确度,且采用多个检测传感器在预设范围内对应的点云数据进行识别,可以提高识别效率,再将货架模型信息与在预设环境中设有的至少两个不同类型的货架的预设货架模型进行匹配,以确定货架所属的目标货架模型,可以识别多种不同类型的货架,且提高了货架识别的准确度,之后基于识别的货架所属的目标货架模型,对货架进行对接,可以提高对货架对接的准确度。
在一些实施例中,请参阅图6,可以对上述实施例的步骤S14进一步扩展。基于货架所属的目标货架模型,对货架进行对接,本实施例可以包括以下步骤:
S141:基于货架所属的目标货架模型,确定货架的对接信息。
其中,货架的对接信息包括:第一对接位姿、第二对接位姿中至少一者。第一对接位姿为货架的接驳口距离对接板的位姿;第二对接位姿为货架的货架中心距离货架的对接头的位姿。
请参阅图7,第一对接位姿Ai为在对接点位上的货架的接驳口距离对接板的位姿。接驳口为设于反光板一侧的两个接驳台的接驳口组成。对接板可以为反光条、反光柱、反光板等,移动机器人可以识别对接板的位姿。在不同对接点位上,第一对接位姿Ai有可能不同,可以在地图对接点位的属性上配置第一对接位姿Ai,来消除不同对接点位之间的对接位置的差异。
第二对接位姿Bi为货架的货架中心距离货架对接头的位姿。不同货架模型的第二对接位姿Bi有所不同。移动机器人的不同朝向的第二对接位姿Bi可能不同。因此,可以对货架设置四个货架对接头,从而,可以设有四个朝向的第二对接位姿Bi,四个朝向的第二对接位姿可以分别记为Bij,其中,j可以代表0,90,270和360度四个朝向。移动机器人可以根据货架的货架码,来区分出货架相对移动机器人的朝向。
S142:利用货架的对接信息,确定移动机器人相对货架的对接路径,并按照对接路径对货架进行对接。
可以将第一对接位姿Ai与第二对接位姿Bij进行叠加处理,得到叠加位姿TAiBij。叠加位姿可以作为移动机器人最后停下来的对接点相对于对接板的相对位姿。
再利用移动机器人的当前位姿TMB、对接板的位姿TLF、叠加位姿TAiBij,得到目标对接点TMO,也即最后需要到达的对接点。其中,当前位姿TMB是在移动机器人识别出对接板的位姿TLF时所处的位姿TMO。移动机器人的当前位姿TMB为移动机器人在世界坐标系下的位姿,对接板的位姿TLF为检测传感器对应的传感器坐标下位姿,可以利用检测传感器的外参TBL将对接板的位姿转换到世界坐标系下之后,再利用移动机器人的当前位姿TMB、对接板的位姿TLF、叠加位姿TAiBij,得到目标对接点TMO。该过程可以用下述公式表示:
TMO=TMB*TBL*TLF*TAiBij (3)
从而,可以基于移动机器人的当前位姿与目标对接点,确定移动机器人相对货架的对接路径,对货架进行对接。
上述方式,对于多货架模型的场景,需要对接的点位装置可能不同,可以对于不同的对接装置和不同尺寸的货架,获取对应的目标对接点,针对识别出来的目标货架模型,可以对同一个点位上不同类型的货架、不同点位上不同类型的进行更精准的对接,也即一个点位上可以对接多种不同尺寸类型货架,不同点位可以对接多种不同类型尺寸货架。满足一个工作环境里能使用多种尺寸不同类型的货架,不同点位能使用不同尺寸类型货架,甚至一个点位也能使用多种尺寸不同类型的货架,能够解决一个工作环境只能使用一种类型货架的缺陷、一个点位只能使用一种类型的货架的缺陷。
另外,通过在点位上设置接驳口到对接板的相对位姿来消除不同点位的差异,并结合多个激光雷达自主识别出来的目标货架模型及其货架中心到货架对接点的位姿进行叠加获取对接路径,可以使对接更准确。
此外,可以根据移动机器人当前朝向和识别到目标货架模型的货架中心位置,规划出最优路径,对于在货架的取物品的场景,不需要必须保持移动机器人的车头朝前取货架,提高对接效率。同时,对于多个货架,也无需保证移动机器人的车头主激光必须对着货架,可以不朝向货架做更高效的对接。
对于上述实施例,本申请提供一种货架识别装置,可以用于实现上述的货架识别方法。
请参阅图8,图8是本申请货架识别装置一实施例的结构示意图。该货架识别装置20包括检测模块21、识别模块22、匹配模块23和对接模块24。其中,检测模块21、识别模块22、匹配模块23和对接模块24相互连接。
检测模块21用于移动机器人利用检测传感器对货架进行检测,得到点云数据集合;其中,移动机器人设有多个检测传感器,点云数据集合中至少包含多个检测传感器在预设范围内对应的点云数据。
识别模块22用于利用点云数据集合,确定出货架的货架模型信息。
匹配模块23用于将货架模型信息与预设货架模型进行匹配,以确定货架所属的目标货架模型;其中,预设货架模型包含在预设环境中设有的至少两个不同类型货架对应的货架模型。
对接模块24用于基于货架所属的目标货架模型,对货架进行对接。
该实施例的具体实施方式可参考上述实施例的实施过程,在此不再赘述。
对于上述实施例,本申请提供一种移动机器人,请参阅图9,图9是本申请移动机器人另一实施例的结构示意图。该移动机器人30包括存储器31和处理器32,其中,存储器31和处理器32相互耦接,存储器31中存储有程序数据,处理器32用于执行程序数据以实现上述货架识别方法任一实施例的步骤。
在本实施例中,处理器32还可以称为CPU(Central Processing Unit,中央处理单元)。处理器32可能是一种集成电路芯片,具有信号的处理能力。处理器32还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)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。通用处理器可以是微处理器或者该处理器32也可以是任何常规的处理器等。
对于上述实施例的方法,其可以采用计算机程序的形式实现,因而本申请提出一种计算机可读存储介质,请参阅图10,图10是本申请计算机可读存储介质一实施例的结构示意图。该计算机可读存储介质40中存储有能够被处理器运行的程序数据41,程序数据41可被处理器执行以实现上述货架识别方法任一实施例的步骤。
本实施例计算机可读存储介质40可以是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)、磁碟或者光盘等可以存储程序数据41的介质,或者也可以为存储有该程序数据41的服务器,该服务器可将存储的程序数据41发送给其他设备运行,或者也可以自运行该存储的程序数据41。
在本申请所提供的几个实施例中,应该理解的,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,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,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
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单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各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。
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,可以存储在一个计算机可读存储介质中,该计算机可读存储介质是一种计算机可读取存储介质。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一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机可读存储介质中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (13)
1.一种货架识别方法,其特征在于,所述方法包括:
移动机器人利用检测传感器对货架进行检测,得到点云数据集合;其中,所述移动机器人设有多个检测传感器,所述点云数据集合中至少包含多个检测传感器在预设范围内对应的点云数据;
利用所述点云数据集合,确定出货架的货架模型信息;
将所述货架模型信息与预设货架模型进行匹配,以确定所述货架所属的目标货架模型;其中,所述预设货架模型包含在预设环境中设有的至少两个不同类型货架的货架模型;
基于所述货架所属的目标货架模型,对所述货架进行对接。
2.根据权利要求1所述的方法,其特征在于,所述移动机器人利用检测传感器对货架进行检测,得到点云数据集合,包括:
利用多个检测传感器分别对货架进行检测,以分别得到各检测传感器对应的初始点云数据;以及
利用所述预设货架模型的相关尺度信息,确定预设范围,其中,所述预设范围用于确定检测传感器的点云数据的采集范围;
从各检测传感器对应的初始点云数据中,确定出属于所述预设范围的初始点云数据,分别作为各检测传感器在所述预设范围内对应的点云数据,以得到所述点云数据集合。
3.根据权利要求2所述的方法,其特征在于,所述多个检测传感器包括主检测传感器;所述利用所述预设货架模型的相关尺度信息,确定预设范围,包括:
利用所述主检测传感器的外参和所述移动机器人在世界坐标系下的当前位姿,将所述货架的预设位置转换至所述主检测传感器的主传感器坐标系下,并确定为所述预设范围的中心;
获取所述预设货架模型中各货架模型的相关尺度信息的预设统计值,以确定所述预设范围的半径;所述相关尺度信息至少包括货架斜边长;
基于所述预设范围的中心和所述预设范围的半径,确定所述预设范围。
4.根据权利要求2所述的方法,其特征在于,所述多个检测传感器包括主检测传感器和辅检测传感器;所述从各检测传感器对应的初始点云数据中,确定出属于所述预设范围的初始点云数据,分别作为各检测传感器在所述预设范围内对应的点云数据,以得到所述点云数据集合,包括:
将各辅检测传感器的初始点云数据转换至所述主检测传感器的主传感器坐标系下,得到经过转换后的初始点云数据;
从所述主检测传感器和所述辅检测传感器经过转换后的初始点云数据中,筛选出属于所述预设范围的初始点云数据;
对筛选后的初始点云数据进行聚类,得到各检测传感器对应的点云数据,以得到所述点云数据集合。
5.根据权利要求1所述的方法,其特征在于,所述利用所述点云数据集合,确定出货架的货架模型信息,包括:
利用所述点云数据集合,确定所述货架的模型部位对应的候选点云集合;
利用所述候选点云集合,筛选出满足预设条件的模型部位,以得到所述货架的货架模型信息。
6.根据权利要求5所述的方法,其特征在于,所述利用所述点云数据集合,确定所述货架的模型部位对应的候选点云集合,包括:
利用主检测传感器的所述点云数据集合,确定所述货架的各模型部位的第一中心坐标;以及利用辅检测传感器的所述点云数据集合,确定所述货架的各模型部位的第二中心坐标;
剔除在所述第一中心坐标的筛选距离内的所述第二中心坐标;
将所述主检测传感器的各模型部位的第一中心坐标和剔除后所述辅检测传感器的各模型部位的第二中心坐标进行组合,得到所述候选点云集合。
7.根据权利要求5所述的方法,其特征在于,所述利用所述候选点云集合,筛选出满足预设条件的模型部位,以得到所述货架的货架模型信息,包括:
在所述候选点云集合对应的模型部位中,以第一数量的模型部位作为第一模型部位组合,确定出满足第一组合条件的模型部位,作为第一组合部位;其中,所述第一组合条件包括各模型部位之间的长度在预设阈值范围内;
在所述第一组合部位中依次添加第二数量的模型部位作为第二模型部位组合,确定出满足第二组合条件的模型部位,作为第二组合部位;其中,所述第二组合条件包括:各模型部位之间的几何关系符合预设几何关系,所述预设几何关系为所述货架包含预设数量的模型部位构成的几何关系,所述预设数量为所述第二模型部位组合中包含的模型部位的数量;
利用所述第二组合部位,得到所述货架的货架模型信息。
8.根据权利要求7所述的方法,其特征在于,还包括:
将不满足所述第一组合条件的第一模型部位组合以组为单元加入第一组合容器中;
将不满足所述第二组合条件的第二模型部位组合以组为单元加入第二组合容器中。
9.根据权利要求1所述的方法,其特征在于,所述将所述货架模型信息与预设货架模型进行匹配,以确定所述货架的目标类型,包括:
获取所述货架模型信息与所述预设货架模型之间的误差;其中,所述误差包含:尺度误差或货架中心误差,所述尺度误差为所述货架模型信息包含的第二组合部位组成的货架模型的尺度与所述预设货架模型的尺度之间的误差,所述货架中心误差为利用至少一组第二组合部位进行拟合得到的货架模型的货架中心与所述预设货架模型的货架中心之间的误差;
基于所述误差,确定所述货架模型信息匹配的预设货架模型,并将所述匹配的预设货架模型作为目标货架模型。
10.根据权利要求1所述的方法,其特征在于,所述基于所述货架所属的目标货架模型,对所述货架进行对接,包括:
基于所述货架所属的目标货架模型,确定所述货架的对接信息;
利用所述货架的对接信息,确定所述移动机器人相对所述货架的对接路径,并按照所述对接路径对所述货架进行对接。
11.根据权利要求10所述的方法,其特征在于,所述货架的对接信息,包括:第一对接位姿、第二对接位姿中至少一者,其中,所述第一对接位姿为所述货架的接驳口距离对接板的位姿;所述第二对接位姿为所述货架的货架中心距离所述货架的对接头的位姿;
所述利用所述货架的对接信息,确定所述移动机器人相对所述货架的对接路径,包括:
将所述第一对接位姿与所述第二对接位姿进行叠加处理,得到叠加位姿;
利用所述移动机器人的当前位姿、所述对接板的位姿、所述叠加位姿,得到目标对接点;其中,所述当前位姿是在所述移动机器人识别出所述对接板的位姿时所处的位姿;
基于所述移动机器人的当前位姿与所述目标对接点,确定所述移动机器人相对所述货架的对接路径。
12.一种移动机器人,其特征在于,包括相互耦接的存储器和处理器,所述存储器中存储有程序数据,所述处理器用于执行所述程序数据以实现权利要求1至11任一项所述方法的步骤。
13.一种计算机可读存储介质,其特征在于,存储有能够被处理器运行的程序数据,所述程序数据用于实现权利要求1至11任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311526345.6A CN117474892A (zh) | 2023-11-15 | 2023-11-15 | 货架识别方法、移动机器人及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311526345.6A CN117474892A (zh) | 2023-11-15 | 2023-11-15 | 货架识别方法、移动机器人及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117474892A true CN117474892A (zh) | 2024-01-30 |
Family
ID=89637773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311526345.6A Pending CN117474892A (zh) | 2023-11-15 | 2023-11-15 | 货架识别方法、移动机器人及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474892A (zh) |
-
2023
- 2023-11-15 CN CN202311526345.6A patent/CN117474892A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9659217B2 (en) | Systems and methods for scale invariant 3D object detection leveraging processor architecture | |
US9630320B1 (en) | Detection and reconstruction of an environment to facilitate robotic interaction with the environment | |
US9272417B2 (en) | Real-time determination of object metrics for trajectory planning | |
US9205562B1 (en) | Integration of depth points into a height map | |
US9327406B1 (en) | Object segmentation based on detected object-specific visual cues | |
WO2021249568A1 (zh) | 仓储机器人的控制方法、装置、设备及可读存储介质 | |
EP1905548B1 (en) | Workpiece picking apparatus | |
CN111461107A (zh) | 用于识别感兴趣区的材料搬运方法、装置和*** | |
CN108007451B (zh) | 货物承载装置位姿的检测方法、装置、计算机设备和存储介质 | |
CN113253737B (zh) | 货架检测方法及装置、电子设备、存储介质 | |
CN110815202B (zh) | 障碍物检测方法及装置 | |
CN113759906B (zh) | 一种车辆对位方法、装置、计算机设备和存储介质 | |
CN112935703B (zh) | 识别动态托盘终端的移动机器人位姿校正方法及*** | |
Walter et al. | Closed-loop pallet manipulation in unstructured environments | |
CN115308708A (zh) | 一种基于激光雷达的托盘位姿识别方法与*** | |
Molter et al. | Real-time pallet localization with 3d camera technology for forklifts in logistic environments | |
KR20180046361A (ko) | 깊이 센서 기반의 적재 최적화 방법 및 시스템 | |
US20240221350A1 (en) | Method and computing system for generating a safety volume list for object detection | |
CN116128841A (zh) | 托盘位姿检测方法及装置、无人叉车、存储介质 | |
CN114170521B (zh) | 一种叉车托盘对接识别定位方法 | |
CN114332219B (zh) | 一种基于三维点云处理的托盘定位方法及装置 | |
CN117474892A (zh) | 货架识别方法、移动机器人及存储介质 | |
CN116309882A (zh) | 一种面向无人叉车应用的托盘检测和定位方法及*** | |
Fontana et al. | A combinatorial approach to detection of box pallet layouts | |
CN116342695B (zh) | 无人叉车放货检测方法及装置、无人叉车、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 |