CN117630966A - 一种货架检测、货架对接方法、机器人及计算机存储介质 - Google Patents

Abstract

本申请提出一种货架检测方法、货架对接方法、机器人以及计算机存储介质，所述方法包括：机器人获取所述移动机器人所在空间的环境点云，并从所述环境点云中筛选出待检测货架腿点云；获取所述货架的货架模型，和/或所述移动机器人的车体模型；利用所述货架模型，和/或车体模型对所述待检测货架腿点云进行过滤，获取所述货架的目标货架腿点云；利用所述目标货架腿点云确定所述货架的货架中心。通过上述方式，对待检测货架腿点云进行过滤，提高货架检测的精度和准确性，降低误差。

Description

一种货架检测、货架对接方法、机器人及计算机存储介质

技术领域

本申请涉及激光雷达技术领域，特别是涉及一种货架检测方法、货架对接方法、机器人以及计算机存储介质。

背景技术

近年来，移动机器人在工业领域的飞速拓展，有力地推动了工业4.0的进程。移动机器人与工业机器人相比，更具备灵活性，可以在一定的场景环境中自主完成作业，极大地解放了生产力，因此在制造业、物流行业等领域有极高的应用价值。

目前在确定货架位置及位姿的技术方案中，利用货架腿上反射激光的特征点确定是否位于货架腿上，而金属货架腿上往往会有很多干扰离散点，这会被误认为不是货架特征从而误认为未检测到货架腿。由于干扰点的存在，估算的货架中心与实际存在偏差，无法保证移动机器人能准确举起货架实际中心位置，移动机器人无法准确进入货架一侧进行相关作业。

发明内容

本申请提供了一种货架检测方法、货架对接方法、机器人以及计算机可读存储介质。

为解决上述技术问题，本申请提出一种货架检测方法，所述货架检测方法应用于一种移动机器人，所述货架检测方法包括：获取所述移动机器人所在空间的环境点云，并从所述环境点云中筛选出待检测货架腿点云；获取所述货架的货架模型，和/或所述移动机器人的车体模型；利用所述货架模型，和/或车体模型对所述待检测货架腿点云进行过滤，获取所述货架的目标货架腿点云；利用所述目标货架腿点云确定所述货架的货架中心。

其中，所述获取所述移动机器人所在空间的环境点云，并从所述环境点云中筛选出待检测货架腿点云，包括：

通过所述移动机器人上对角设置的至少一个激光雷达获取所述移动机器人所在空间的环境点云，并从所述环境点云中筛选出待检测货架腿点云。

其中，所述利用所述货架模型，和/或车体模型对所述待检测货架腿点云进行过滤，获取所述货架的目标货架腿点云，包括：获取所述车体模型的车体边界；将所述待检测货架腿点云中的每一数据点构建射线，获取所述射线与所述车体边界的交点数量；利用所述交点数量，确定所述待检测货架腿点云中的车体干涉点；将所述车体干涉点从所述待检测货架腿点云删除，得到所述目标货架腿点云。

其中，所述获取所述车体模型的车体边界，包括：按照激光测量精度，确定膨胀系数；按照所述膨胀系数将所述车体模型膨胀；获取膨胀后的车体模型的车体边界。

其中，所述利用所述货架模型，和/或车体模型对所述待检测货架腿点云进行过滤，获取所述货架的目标货架腿点云，包括：获取所述货架模型的预设货架中心；获取所述待检测货架腿点云中的每一数据点与所述预设货架中心的距离；将所述距离大于预设距离阈值的数据点从所述待检测货架腿点云删除，得到所述目标货架腿点云。

其中，所述从所述环境点云中筛选出待检测货架腿点云之后，所述货架检测方法还包括：获取所述待检测货架腿点云的若干相邻数据点组；获取激光原点，以及激光角度分辨率；对于每一相邻数据点组执行：基于所述激光角度分辨率以及所述激光原点，获取所述相邻数据点组的数据点夹角；在所述数据点夹角小于预设角度阈值时，从所述待检测货架腿点云删除所述相邻数据点组中的一个数据点。

其中，所述基于所述激光角度分辨率以及所述激光原点，获取所述相邻数据点组的数据点夹角，包括：获取所述相邻数据点组构成的第一线段；利用所述激光角度分辨率以及所述激光原点，构建所述激光原点与所述相邻数据点组构成的三角形；获取所述激光原点分别与所述相邻数据点组构成的第二线段和第三线段，其中，所述第二线段长于所述第三线段；获取所述第二线段与所述第一线段的夹角，作为所述数据点夹角。

其中，所述利用所述目标货架腿点云确定所述货架的货架中心之后，所述货架检测方法还包括：利用所述货架腿点云确定所述货架的初始朝向；获取所述货架的预设朝向；获取所述初始朝向与所述预设朝向中最接近的朝向，作为所述货架的最终朝向。

其中，所述利用所述货架腿点云确定所述货架的初始朝向，包括：利用所述货架腿点云确定所述货架在激光坐标系下的第一初始朝向；利用激光外参将所述第一初始朝向投影至车体坐标系，获取所述货架在所述车体坐标系下的第二初始朝向；利用所述移动机器人的当前位姿，将所述第二初始朝向投影至地图坐标系，获取所述货架在地图坐标系下的初始朝向。

为解决上述技术问题，本申请提供一种货架对接方法，所述货架对接方法包括：获取所述货架的货架中心，其中，所述货架中心通过上述任一项所述的货架对接方法获取；利用所述货架中心，确定待检测的目标点位置；将所述移动机器人移动至所述目标点位置；在所述目标点位置扫描所述货架的二维码，获取所述移动机器人与所述货架的相对位姿；按照所述相对位姿将所述移动机器人移动至所述货架中心的正下方，完成与所述货架的对接。

其中，所述利用所述货架中心，确定待检测的目标点位置，包括：利用所述货架中心，确定所述货架的最终朝向；利用所述货架中心和所述最终朝向，确定待检测的目标点位置。

为解决上述技术问题，本申请还提出一种移动机器人，所述移动机器人包括处理器和存储器，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上述的货架检测方法和/或上述所述的货架对接方法。

为解决上述技术问题，本申请提出一种计算机可读存储介质，所述计算机可读存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现上述所述的货架检测方法和/或上述所述的货架对接方法。

本申请的有益效果是：机器人获取所述移动机器人所在空间的环境点云，并从所述环境点云中筛选出待检测货架腿点云；获取所述货架的货架模型，和/或所述移动机器人的车体模型；利用所述货架模型，和/或车体模型对所述待检测货架腿点云进行过滤，获取所述货架的目标货架腿点云；利用所述目标货架腿点云确定所述货架的货架中心。通过上述方式，对货架腿点云进行过滤，提高货架检测的精度和准确性，降低误差。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：

图1是本申请提供的货架检测方法的第一实施例的流程示意图；

图2是本申请提供的货架检测方法中移动机器人的结构示意图；

图3是本申请提供的货架检测方法中步骤S13的子步骤的流程示意图；

图4是本申请提供的货架检测方法中利用角度剔除拖尾点云方法的示意图；

图5是本申请提供的货架检测方法的第二实施例的流程示意图；

图6是本申请提供的货架检测方法的第三实施例的流程示意图；

图7是本申请提供的货架对接方法的一实施例的流程示意图；

图8是本申请提供的货架对接方法的整体流程示意图；

图9是本申请机器人一实施例的结构示意图；

图10是本申请提供的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。

术语介绍：

(1)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，移动机器人需要在变换的环境中精确地知道自己在当前环境的位置，从而能够准确地执行任务；

(2)里程计：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，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；

(3)二维激光雷达：用于获取二维平面信息的传感器，用于检测周围环境的二维平面轮廓信息；

(5)货架检测：能通过导航激光准确地检测到货架腿后，估算出货架中心的真实位置，并利用里程计导航方式精确找到货架目标点附近举起货架。来实现。

具体请参阅图1和图2，图1是本申请提供的货架检测方法一实施例的流程示意图，图2是本申请提供的货架检测方法中移动机器人的结构示意图。

其中，本申请的货架检测方法应用于一种机器人，其中，本申请的机器人可以为服务器，也可以为由服务器和终端设备相互配合的***。相应地，机器人包括的各个部分，例如各个单元、子单元、模块、子模块可以全部设置于服务器中，也可以分别设置于服务器和终端设备中。

进一步地，上述服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，例如用来提供分布式服务器的软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。在一些可能的实现方式中，本申请实施例的货架检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式。

具体而言，如图1所示，本申请实施例的货架检测方法具体包括以下步骤：

步骤S11：获取移动机器人所在空间的环境点云，并从环境点云中筛选出待检测货架腿点云。

具体地，如图2所示，在本申请实施例中，移动机器人在对角安装有两个激光雷达，通过激光雷达对所在的空间进行扫描，获取激光点云数据，进一步通过对激光点云数据进行聚类，将激光点云进行聚类分割为若干点云簇，并将满足货架模型的点云簇筛选出若干候选货架腿点云。

请继续参阅图2，如图2所示，本申请中的移动机器人包括移动地盘、对角布置的两个2D激光雷达传感器和上视相机移动地盘包括但不限于运动控制器、电机、电池、嵌入式计算机、里程计等。

在本申请实施例中，移动机器人利用所安装的2D激光雷达扫描车间、仓储等环境中的墙壁、工作机台、货架、建筑支撑物等环境轮廓，构建导航所使用的环境地图。移动机器人使用里程计估计机器人运动的改变量，同时使用至少一个激光雷达扫描环境轮廓与栅格地图匹配进行的定位导航。

由于设备机械结构与安装的限制，激光雷达扫描范围有限，通过设置两个或者多个激光雷达，提高扫描范围和精准度。在本申请一实施例中，可以将两个激光对角布置，在本申请其他实施例中，还可以将四个角均安装激光雷达，则可以获得360度的扫描范围，能够提高定位、导航的精度，提高运行的稳定性。激光雷达布置在车体前方，为了保证准确的识别精度，则要求识别时，激光雷达距离货架前侧腿要有一定的距离以保证至少能扫描到三个货架腿，这个距离会随货架尺寸的增大而增加，而工作环境对识别距离是有一定限制的，不可能无限的增加。

由于激光雷达对角布置，能够扫描到货架前侧靠近雷达的一侧货架腿，以及货架后侧的两个腿，因此货架识别的距离更短，在进入货架下一段距离，仍能够识别到三个货架腿，对于尺寸较大的货架，仍能够保证在较短的识别距离内有效的计算货架中心。由于申请中的激光雷达对角布置，两个雷达均会执行货架识别任务，而涉及到在激光坐标系下的计算方法相同，不同点在于上层下发的地图坐标系下货架中心初始坐标与朝向转换至激光坐标系下，以及激光坐标下计算的货架中心、朝向转换至地图坐标系下时均需使用每个激光雷达的与外参进行转换，因此本文后续设计激光坐标下的货架识别计算流程均指车体前方安装的激光雷达，后置雷达同理。

步骤S12：获取货架的货架模型，和/或移动机器人的车体模型。

具体地，在本申请一实施例中，机器人在货架识别点，接收货架模型，在本申请其他实施例中，机器人接收移动机器人的车体模型，在本申请其他实施例中，机器人同时接收货架的货架模型和移动机器人的车体模型。

在本申请实施例中，货架模型、车体模型为人工预设模型，可以通过拍照或者目标识别由具体实施场景提前储存于机器人中。在本申请其他实施例中，也可以通过预先输入标准模型，根据具体实施场景进行选择。

步骤S13：利用货架模型，和/或车体模型对待检测货架腿点云进行过滤，获取货架的目标货架腿点云。

具体地，由于激光雷达对角布置，激光雷达扫描到车体的概率相对于布置在车体前方的概率增加，且由于识别距离较近，扫描到车体的部分干涉点云距离货架腿较近，若不进行有效的过滤，则被筛选为货架腿的概率较大，货架中心的计算也会产生较大的误差。因此本申请提出步骤S131-步骤S134作为步骤S13的子步骤，用于对待检测货架腿点云进行过滤。具体请参见图3，图3是本申请提供的货架检测方法中步骤S13的子步骤的流程示意图。

如图3所示，具体步骤如下：

步骤S131：获取车体模型的车体边界。

具体地，机器人获取车体模型与激光雷达与车体间的外参，并根据车体干涉情况与激光测量精度确定车体的膨胀系数，按照膨胀系数将车体模型膨胀，将车体模型投影至激光坐标系下，获取膨胀后车体模型的车体边界。

例如，当车体模型的大小为3*3时，其边界为3*3网格大小最边缘的位置，膨胀后的车体模型的大小为4*4，其边界为4*4网格大小最边缘的位置。通过膨胀系数则将有可能为车体边界的点云进行排除、过滤，进一步提高了货架腿点云识别的精准度。

步骤S132：将待检测货架腿点云中的每一数据点构建射线，获取射线与车体边界的交点数量。

在本申请实施例中，机器人对每个点云进行遍历，以每个点云点分为别为原点构建沿激光坐标系x轴方向的射线，获取射线与步骤S131中获取的车体边界的交点数量。

步骤S133：利用交点数量，确定待检测货架腿点云中的车体干涉点。

具体地，机器人通过判断该射线与车体模型的交点个数判断该点是否在车体模型内，若交点个数为奇数，则认为该点为车体内部的干涉点，并将其过滤，若交点个数为偶数，则保留该点。

步骤S134：将车体干涉点从待检测货架腿点云删除，得到目标货架腿点云。

具体地，机器人将车体干涉点从待检测货架腿点云中删除，实现车体内部干涉点的过滤，得到目标货架腿点云。

通过上述方式，本申请一种构造射线的方法过滤车体内部干涉点，机器人利用打在货架腿上的点云，根据点云间距离来聚类并筛选出满足条件的货架点云簇，利用点云间的角度剔除有明显干扰点云的货架点云簇，提高估算货架中心的精度。

进一步地，机器人利用激光点云与预设货架中心的距离进行滤波。对点云进行聚类，通过点云的长度、个数对点云进行初步过滤，所述利用所述货架模型，和/或车体模型对所述待检测货架腿点云进行过滤，获取所述货架的目标货架腿点云，包括：获取所述货架模型的预设货架中心；获取所述待检测货架腿点云中的每一数据点与所述预设货架中心的距离；将所述距离大于预设距离阈值的数据点从所述待检测货架腿点云删除，得到所述目标货架腿点云。

由于激光打在货架腿上会产生很多干扰点，即噪点，此类点云会导致货架腿中心的计算造成偏差，进而影响货架中心的计算精度。此时，通过计算点云簇中相邻点云的夹角进行滤波。具体请参见图4和图5。

图4是本申请提供的货架检测方法中利用角度剔除噪点方法的示意图；

图5是本申请提供的货架检测方法的第二实施例的流程示意图。

如图5所示，其具体步骤如下：

步骤S21：获取待检测货架腿点云的若干相邻数据点组。

请参见图4，在一个点云簇中，记相邻的两个点为A、B，两点构成直线AB，机器人获取待检测货架腿点云的若干相邻数据点组。

步骤S22：获取激光原点，以及激光角度分辨率。

具体地，机器人获取激光原点O，以及激光角度分辨率α。

步骤S23：对于每一相邻数据点组执行。

具体地，获取每一相邻数据点组的激光原点以及激光角度分辨率。

步骤S24：基于激光角度分辨率以及激光原点，获取相邻数据点组的数据点夹角。

激光原点O与两点连线的的距离分别为l1、l2，两直线的夹角为α，两直线中较长边与直线AB的连线的夹角为β为：

请继续参见图4，机器人获取相邻数据点组构成的第一线段；利用激光角度分辨率以及激光原点，构建激光原点与相邻数据点组构成的三角形AOB，获取所述激光原点分别与相邻数据点组构成的第二线段和第三线段。其中，第二线段长于所述第三线段；获取第二线段与第一线段的夹角，作为数据点夹角。

步骤S25：在数据点夹角小于预设角度阈值时，从待检测货架腿点云删除相邻数据点组中的一个数据点。

其中，当β小于一定阈值时，则认为两个点云不属于一个点云簇，则将A点过滤掉。

步骤S14：利用货架腿点云确定货架的货架中心。

在本申请实施例中，机器人利用PCA分解对每个点云簇计算在计算坐标系下的朝向初值，构建残差函数计算点云簇的中心坐标，进而确定货架的货架中心。

为了保证货架的稳定性以及使货架中的货物不会从货架上掉落，本申请提出一实施例，用于确定货架的朝向，具体请参见图6，图6是本申请提供的货架检测方法的第三实施例的流程示意图。

如图6所示，其具体步骤如下：

步骤S31：利用货架腿点云确定货架的初始朝向。

机器人利用货架中心确定所述货架在激光坐标系下的第一初始朝向。利用激光外参将所述第一初始朝向投影至车体坐标系，获取货架在车体坐标系下的第二初始朝向。

利用移动机器人的当前位姿，将第二初始朝向投影至地图坐标系，获取货架在地图坐标系下的初始朝向。

机器人利用PCA分解对每个点云簇计算在计算坐标系下的朝向初值作为货架的初始朝向，在获得货架朝向后，由于该方向γ是激光坐标系下求解，而平台下发的货架朝向是地图坐标下定义，因此首先需要将其通过激光外参投影至车体坐标系，则车体坐标下的货架朝向为：

式中，I为二维单位向量。同理，再将通过机器人当前位姿转换至地图坐标下获得地图坐标系下的货架初始朝向。

在本申请其他实施例中，还可以通过以下方法获取货架的朝向：

机器人在筛选出与货架模型匹配的至少3个货架腿后，利用该至少3个货架腿构建残差函数求解货架的朝向，将打在货架腿上的所有点云的观测构建的误差方差，进行非线优化求解，即可求出货架朝向。

步骤S32：获取所述货架的预设朝向。

具体地，预设朝向为通过实际应用场景设置。例如，为了防止货物掉落，在机器人搬运货架时，货架的预设朝向应当为远离机器人的方向。预设朝向是从外部通过提前设置获取的。而初始朝向是结合货架模型，机器人根据目标货架腿点云判断哪个边为货架的长边，即货架腿较长的一侧，使用长边的方向作为货架的方向。但长边的方向是存在两种可能情况，即正面或反面。本申请利用预设的朝向进行限定，将初始朝向与预设朝向对比，进一步获取初始朝向与预设朝向中最接近的朝向。

步骤S33：获取初始朝向与预设朝向中最接近的朝向，作为货架的最终朝向。

为了进一步提高容错性，本申请实施例中将初始朝向与预设朝向最接近的朝向作为最终的朝向。具体地，在本申请一具体实施例中，机器人比较四个方向哪个方向与下发的货架方向更接近，将该方向转换为全局坐标系下获得最终的对接方向。

通过上述方式，本申请能够准确判断货架朝向的方法，通过将激光坐标下计算的货架朝向，利用激光外参、机器人自身位姿转换至全局坐标系下，并与上层下发的货架朝向对比获得对接朝向。

本申请基于里程计、激光传感器和先验地图估计移动机器人的位姿，而在机器人进入货架前，会在货架识别准备点进行货架识别，检测到货架中心位置，切换成里程计模式走入货架下方，再利用上视相机扫描货架下方的二维码，让移动机器人走到货架正下方成功举起货架。货架下方贴有二维码，其中货架零度方向与有货架背面贴的二维码的方向来决定。本申请还提出一种货架对接方法，具体请参见图7和图8，图7是本申请提供的货架对接方法的一实施例的流程示意图；图8是本申请提供的货架对接方法的整体流程示意图。

如图7所示，其具体步骤如下：

步骤S41：获取货架的货架中心。

其中，所述货架中心通过本申请中任一实施例所述的货架对接方法获取。

步骤S42：利用货架中心，确定待检测的目标点位置。

如图8所示，机器人利用货架中心，确定货架的最终朝向并利用货架中心和最终朝向，确定待检测的目标点位置。在求出货架中心后，将货架中心通过激光外参以及机器人当前位姿转换到世界坐标系下，得到检测的目标点Z，根据目标点的坐标确定待检测的目标点位置。

步骤S43：将移动机器人移动至目标点位置。

具体地，机器人通过驱动控制将移动机器人移动到目标位置。

步骤S44：在目标点位置扫描所述货架的二维码，获取移动机器人与所述货架的相对位姿。

具体地，机器人切换成里程计导航模式进入货架下方，在快要到目标点Z时，打开上视相机寻找货架下方的二维码。

步骤S45：按照相对位姿将移动机器人移动至货架中心的正下方，完成与货架的对接。

由于货架腿一般是金属材质，一般激光打在金属货架腿上时，会有干扰点，导致估算的货架中心有偏差，此时，当上视相机扫到货架背面的二维码时，通过检测相机相对于二维码的相对位姿，调整设备的位置，保证该相对位姿小于一定阈值，停止设备调整并记录该相对位姿，认为设备到达货架中心的正下方，举起货架。在移动机器人背起货架行走的过程中，通过激光导航估计的机器人位姿，叠加上设备相对于二维码相对变化量，保证设备移动过程中能让货架跟巡理想的路线，在放下货架时，也能将货架放在理想的目标点上。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

为实现上述实施例的货架检测方法和/或货架对接方法，本申请还提出了一种机器人，具体请参阅图9，图9是本申请提供的机器人一实施例的结构示意图。

本申请实施例的机器人300包括存储器31和处理器32，其中，存储器31和处理器32耦接。

存储器31用于存储程序数据，处理器32用于执行程序数据以实现上述实施例所述的货架检测方法和/或货架对接方法。

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，Digital Signal Process)、专用集成电路(ASIC，ApplicationSpecific Integrated Circuit)、现场可编程门阵列(FPGA，Field Programmable GateArray)或者其它可编程逻辑器件、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。

为实现上述实施例的货架检测方法和/或货架对接方法，本申请还提供了一种计算机可读存储介质，如图10所示，计算机可读存储介质400用于存储程序数据41，程序数据41在被处理器执行时，用以实现如上述实施例所述的货架检测方法和/或货架对接方法。

本申请还提供一种计算机程序产品，其中，上述计算机程序产品包括计算机程序，上述计算机程序可操作来使计算机执行如本申请实施例所述的货架检测方法。该计算机程序产品可以为一个软件安装包。

本申请上述实施例所述的货架检测方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在装置中，例如一个计算机可读取存储介质中。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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施方式，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)

1.一种货架检测方法，其特征在于，所述货架检测方法应用于一种移动机器人，所述货架检测方法包括：

获取所述移动机器人所在空间的环境点云，并从所述环境点云中筛选出待检测货架腿点云；

获取所述货架的货架模型，和/或所述移动机器人的车体模型；

利用所述货架模型，和/或车体模型对所述待检测货架腿点云进行过滤，获取所述货架的目标货架腿点云；

利用所述目标货架腿点云确定所述货架的货架中心。

2.根据权利要求1所述的货架检测方法，其特征在于，

所述获取所述移动机器人所在空间的环境点云，并从所述环境点云中筛选出待检测货架腿点云，包括：

通过所述移动机器人上对角设置的至少一个激光雷达获取所述移动机器人所在空间的环境点云，并从所述环境点云中筛选出待检测货架腿点云。

3.根据权利要求1所述的货架检测方法，其特征在于，

所述利用所述货架模型，和/或车体模型对所述待检测货架腿点云进行过滤，获取所述货架的目标货架腿点云，包括：

获取所述车体模型的车体边界；

将所述待检测货架腿点云中的每一数据点构建射线，获取所述射线与所述车体边界的交点数量；

利用所述交点数量，确定所述待检测货架腿点云中的车体干涉点；

将所述车体干涉点从所述待检测货架腿点云删除，得到所述目标货架腿点云。

4.根据权利要求3所述的货架检测方法，其特征在于，

所述获取所述车体模型的车体边界，包括：

按照激光测量精度，确定膨胀系数；

按照所述膨胀系数将所述车体模型膨胀；

获取膨胀后的车体模型的车体边界。

5.根据权利要求1所述的货架检测方法，其特征在于，

所述利用所述货架模型，和/或车体模型对所述待检测货架腿点云进行过滤，获取所述货架的目标货架腿点云，包括：

获取所述货架模型的预设货架中心；

获取所述待检测货架腿点云中的每一数据点与所述预设货架中心的距离；

将所述距离大于预设距离阈值的数据点从所述待检测货架腿点云删除，得到所述目标货架腿点云。

6.根据权利要求1所述的货架检测方法，其特征在于，

所述从所述环境点云中筛选出待检测货架腿点云之后，所述货架检测方法还包括：

获取所述待检测货架腿点云的若干相邻数据点组；

获取激光原点，以及激光角度分辨率；

对于每一相邻数据点组执行：

基于所述激光角度分辨率以及所述激光原点，获取所述相邻数据点组的数据点夹角；

在所述数据点夹角小于预设角度阈值时，从所述待检测货架腿点云删除所述相邻数据点组中的一个数据点。

7.根据权利要求6所述的货架检测方法，其特征在于；

所述基于所述激光角度分辨率以及所述激光原点，获取所述相邻数据点组的数据点夹角，包括：

获取所述相邻数据点组构成的第一线段；

利用所述激光角度分辨率以及所述激光原点，构建所述激光原点与所述相邻数据点组构成的三角形；

获取所述激光原点分别与所述相邻数据点组构成的第二线段和第三线段，其中，所述第二线段长于所述第三线段；

获取所述第二线段与所述第一线段的夹角，作为所述数据点夹角。

8.根据权利要求1所述的货架检测方法，其特征在于，

所述利用所述目标货架腿点云确定所述货架的货架中心之后，所述货架检测方法还包括：

利用所述货架腿点云确定所述货架的初始朝向；

获取所述货架的预设朝向；

获取所述初始朝向与所述预设朝向中最接近的朝向，作为所述货架的最终朝向。

9.根据权利要求8所述的货架检测方法，其特征在于，

所述利用所述货架腿点云确定所述货架的初始朝向，包括：

利用所述货架腿点云确定所述货架在激光坐标系下的第一初始朝向；

利用激光外参将所述第一初始朝向投影至车体坐标系，获取所述货架在所述车体坐标系下的第二初始朝向；

利用所述移动机器人的当前位姿，将所述第二初始朝向投影至地图坐标系，获取所述货架在地图坐标系下的初始朝向。

10.一种货架对接方法，其特征在于，所述货架对接方法包括：

获取所述货架的货架中心，其中，所述货架中心通过权利要求1至9任一项所述的货架检测方法获取；

利用所述货架中心，确定待检测的目标点位置；

将所述移动机器人移动至所述目标点位置；

在所述目标点位置扫描所述货架的二维码，获取所述移动机器人与所述货架的相对位姿；

按照所述相对位姿将所述移动机器人移动至所述货架中心的正下方，完成与所述货架的对接。

11.根据权利要求10所述的货架对接方法，其特征在于，

所述利用所述货架中心，确定待检测的目标点位置，包括：

利用所述货架中心，确定所述货架的最终朝向；

利用所述货架中心和所述最终朝向，确定待检测的目标点位置。

12.一种移动机器人，其特征在于，所述移动机器人包括处理器和存储器，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如权利要求1-9任一项所述的货架检测方法和/或权利要求10-11任一项所述的货架对接方法。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现权利要求1-9任一项所述的货架检测方法和/或权利要求10-11任一项所述的货架对接方法。