DE112019004975T5 - Verfahren, system und vorrichtung zur bestimmung einer trägerstrukturtiefe - Google Patents
Verfahren, system und vorrichtung zur bestimmung einer trägerstrukturtiefe Download PDFInfo
- Publication number
- DE112019004975T5 DE112019004975T5 DE112019004975.5T DE112019004975T DE112019004975T5 DE 112019004975 T5 DE112019004975 T5 DE 112019004975T5 DE 112019004975 T DE112019004975 T DE 112019004975T DE 112019004975 T5 DE112019004975 T5 DE 112019004975T5
- Authority
- DE
- Germany
- Prior art keywords
- depth
- support structure
- subset
- unobscured
- depth measurements
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Measurement Of Optical Distance (AREA)
Abstract
Ein Verfahren zum Bestimmen einer Trägerstrukturtiefe einer Trägerstruktur mit einer Vorderseite und einer Rückseite, die durch die Trägerstrukturtiefe getrennt sind, umfasst: das Erhalten einer Punktwolke der Trägerstruktur und einer Maske, die für eine Vielzahl von Abschnitten eines Bildes der Trägerstruktur, das von einer Erfassungsstellung aus erfasst wurde, jeweilige Vertrauensniveaus anzeigt, dass die Abschnitte die Rückseite der Trägerstruktur darstellen; das Auswählen eines Anfangssatzes von Punkten aus der Punktwolke, die sich innerhalb eines Sichtfeldes befinden, das von der Erfassungsstellung ausgeht; das Auswählen einer nicht verdeckten Teilmenge von Tiefenmessungen aus dem Anfangssatz von Punkten, wobei die Tiefenmessungen in der nicht verdeckten Teilmenge mit jeweiligen Bildkoordinaten korrespondieren; das Abrufen eines Vertrauensniveaus für jede der Tiefenmessungen in der nicht verdeckten Teilmenge aus der Maske; und das Bestimmen der Trägerstrukturtiefe basierend auf den Tiefenmessungen in der nicht verdeckten Teilmenge und den abgerufenen Vertrauensniveaus.
Description
- HINTERGRUND
- Umgebungen, in denen Bestände von Objekten verwaltet werden, wie z. B. Produkte zum Kauf in einer Einzelhandelsumgebung, können komplex und flüchtig sein. Zum Beispiel kann eine gegebene Umgebung eine Vielzahl von Objekten mit unterschiedlichen Merkmalen (Größe, Form, Preis und dergleichen) enthalten. Außerdem kann sich die Platzierung und Menge der Objekte in der Umgebung häufig ändern. Darüber hinaus können die Bildgebungsbedingungen, wie z. B. die Beleuchtung, sowohl im Laufe der Zeit als auch an verschiedenen Orten in der Umgebung variabel sein. Diese Faktoren können die Genauigkeit verringern, mit der Informationen über die Objekte in der Umgebung erfasst werden können.
- Figurenliste
- Die beigefügten Figuren, in denen gleiche Bezugszeichen identische oder funktional ähnliche Elemente in den einzelnen Ansichten bezeichnen, sind zusammen mit der nachfolgenden detaillierten Beschreibung in die Offenbarung inkorporiert und bilden einen Bestandteil der Offenbarung und dienen dazu, hierin beschriebene Ausführungsformen von Konzepten, die die beanspruchte Erfindung umfassen, weiter zu veranschaulichen und verschiedene Prinzipien und Vorteile dieser Ausführungsformen zu erklären.
-
1 ist eine schematische Darstellung eines mobilen Automatisierungssystems. -
2A zeigt eine mobile Automatisierungsvorrichtung im System von1 . -
2B ist ein Blockdiagramm bestimmter interner Hardwarekomponenten der mobilen Automatisierungsvorrichtung im System von1 . -
3 ist ein Flussdiagramm eines Verfahrens zum Bestimmen einer Trägerstrukturtiefe. -
4A ist ein Diagramm einer Punktwolke und einer Regalebene, die in Block305 des Verfahrens von3 erhalten wird. -
4B ist ein Diagramm von Beispielbildern, die von der Vorrichtung des Systems von1 erfasst und bei Block310 des Verfahrens von3 erhalten werden. -
5A ist ein Diagramm, das eines der Bilder von4B detaillierter darstellt. -
5B ist ein Diagramm, das eine Beispielrückseite einer Regalmaske zeigt, die mit dem Bild von5A korrespondiert. -
6A ist ein Flussdiagramm eines Verfahrens zur Durchführung von Block315 des Verfahrens von3 . -
6B ist ein Diagramm, das die Durchführung des Verfahrens von6A in Verbindung mit der Punktwolke von4A zeigt. -
7A ist ein Flussdiagramm eines Verfahrens zur Durchführung von Block320 des Verfahrens von3 . -
7B ist ein Diagramm, das die Durchführung des Verfahrens von7A in Verbindung mit dem Bild von5A zeigt. -
8A und8B sind Diagramme, die eine beispielhafte Durchführung von Block325 des Verfahrens von3 zeigen. -
8C ist ein Diagramm, das ein weiteres Ausführungsbeispiel von Block325 des Verfahrens von3 zeigt. -
9 ist ein Diagramm, das eine Trägerstrukturtiefe zeigt, die durch die Durchführung des Verfahrens von3 bestimmt wird. - Fachleute werden erkennen, dass Elemente in den Figuren der Einfachheit und Klarheit halber dargestellt sind und nicht notwendigerweise maßstabsgetreu gezeichnet wurden. Zum Beispiel können die Dimensionen einiger der Elemente in den Figuren relativ zu anderen Elementen übertrieben sein, um das Verständnis von Ausführungsformen der vorliegenden Erfindung zu verbessern.
- Die Vorrichtungs- und Verfahrenskomponenten wurden, wo es angemessen ist, durch herkömmliche Symbole in den Zeichnungen dargestellt, die nur jene spezifischen Details zeigen, die zum Verständnis der Ausführungsformen der vorliegenden Erfindung relevant sind, um somit die Offenbarung nicht mit Einzelheiten zu verdecken, die für die Fachleute auf dem Gebiet, die auf die vorliegende Beschreibung zurückgreifen, ohne weiteres ersichtlich sind.
- DETAILLIERTE BESCHREIBUNG
- Die hierin offenbarten Beispiele beziehen sich auf ein Verfahren zum Bestimmen einer Trägerstrukturtiefe einer Trägerstruktur mit einer Vorderseite und einer Rückseite, die durch die Trägerstrukturtiefe getrennt sind, wobei das Verfahren umfasst: Erhalten (i) einer Punktwolke der Trägerstruktur und (ii) einer Maske, die für eine Vielzahl von Abschnitten eines Bildes der Trägerstruktur, das von einer Erfassungsstellung aus erfasst wurde, jeweilige Vertrauensniveaus anzeigt, dass die Abschnitte die Rückseite der Trägerstruktur darstellen; Auswählen eines Anfangssatzes von Punkten aus der Punktwolke, die sich innerhalb eines Sichtfeldes befinden, das von der Erfassungsstellung ausgeht; Auswählen einer nicht verdeckten Teilmenge von Tiefenmessungen aus dem Anfangssatz von Punkten, wobei die Tiefenmessungen in der nicht verdeckten Teilmenge mit jeweiligen Bildkoordinaten korrespondiert; Abrufen eines Vertrauensniveaus für jede der Tiefenmessungen in der nicht verdeckten Teilmenge aus der Maske; und Bestimmen der Trägerstrukturtiefe basierend auf den Tiefenmessungen in der nicht verdeckten Teilmenge und den abgerufenen Vertrauensniveaus.
- Weitere hierin offenbarte Beispiele sind auf eine Computervorrichtung zum Bestimmen einer Trägerstrukturtiefe einer Trägerstruktur mit einer Vorderseite und einer Rückseite, die durch die Trägerstrukturtiefe getrennt sind, gerichtet, wobei die Computervorrichtung umfasst: einen Speicher, der (i) eine Punktwolke der Trägerstruktur und (ii) eine Maske speichert, die für eine Vielzahl von Abschnitten eines Bildes der Trägerstruktur, das aus einer Erfassungsstellung erfasst wurde, jeweilige Vertrauensniveaus anzeigt, dass die Abschnitte die Rückseite der Trägerstruktur darstellen; eine Bildgebungssteuerung, die mit dem Speicher verbunden ist und konfiguriert ist, um: aus der Punktwolke einen Anfangssatz von Punkten auszuwählen, die sich innerhalb eines Sichtfeldes befinden, das von der Erfassungsstellung ausgeht; aus dem Anfangssatz von Punkten eine nicht verdeckte Teilmenge von Tiefenmessungen auszuwählen, wobei die Tiefenmessungen in der nicht verdeckten Teilmenge mit jeweiligen Bildkoordinaten korrespondiert; aus der Maske ein Vertrauensniveau für jede der Tiefenmessungen in der nicht verdeckten Teilmenge abzurufen; und basierend auf den Tiefenmessungen in der nicht verdeckten Teilmenge und den abgerufenen Vertrauensniveaus die Trägerstrukturtiefe zu bestimmen.
- Weitere hier offenbarte Beispiele sind auf ein computerlesbares Medium gerichtet, das computerlesbare Befehle speichert, die von einem Prozessor eines Servers ausgeführt werden können, wobei die Ausführung der computerlesbaren Befehle den Server veranlasst zum: Erhalten (i) einer Punktwolke der Trägerstruktur und (ii) einer Maske, die für eine Vielzahl von Abschnitten eines Bildes der Trägerstruktur, das von einer Erfassungsstellung aus erfasst wurde, jeweilige Vertrauensniveaus anzeigt, dass die Abschnitte die Rückseite der Trägerstruktur darstellen; Auswählen eines Anfangssatzes von Punkten aus der Punktwolke, die sich innerhalb eines Sichtfeldes befinden, das von der Erfassungsstellung ausgeht; Auswählen einer nicht verdeckten Teilmenge von Tiefenmessungen aus dem Anfangssatz von Punkten, wobei die Tiefenmessungen in der nicht verdeckten Teilmenge mit jeweiligen Bildkoordinaten korrespondieren; Abrufen eines Vertrauensniveaus für jede der Tiefenmessungen in der nicht verdeckten Teilmenge aus der Maske; und Bestimmen der Trägerstrukturtiefe basierend auf den Tiefenmessungen in der nicht verdeckten Teilmenge und den abgerufenen Vertrauensniveaus.
-
1 zeigt ein mobiles Automatisierungssystem100 gemäß den Lehren dieser Offenbarung. Das System100 ist so dargestellt, dass es in einer Einzelhandelsumgebung eingesetzt wird, kann aber in anderen Ausführungsformen in einer Vielzahl anderer Umgebungen eingesetzt werden, einschließlich Lagerhäusern, Krankenhäusern und dergleichen. Das System100 umfasst einen Server101 , der mit mindestens einer mobilen Automatisierungsvorrichtung103 (hier auch einfach als Vorrichtung103 bezeichnet) und mindestens einer Client-Computervorrichtung105 über Kommunikationsverbindungen107 kommuniziert, die im vorliegenden Beispiel drahtlose Verbindungen umfassen. Im vorliegenden Beispiel werden die Verbindungen107 durch ein drahtloses lokales Netzwerk (WLAN) bereitgestellt, das innerhalb der Einzelhandelsumgebung durch einen oder mehrere Zugangspunkte (nicht dargestellt) bereitgestellt wird. In anderen Beispielen befinden sich der Server101 , die Client-Vorrichtung105 oder beide außerhalb der Einzelhandelsumgebung, und die Verbindungen107 umfassen daher Weitbereichsnetzwerke wie das Internet, mobile Netzwerke und dergleichen. Das System100 umfasst im vorliegenden Beispiel auch ein Dock108 für die Vorrichtung103 . Das Dock108 steht mit dem Server101 über eine Verbindung109 in Kommunikation, die im vorliegenden Beispiel eine kabelgebundene Verbindung ist. In anderen Beispielen ist die Verbindung109 jedoch eine drahtlose Verbindung. - Die Client-Computervorrichtung
105 ist in1 als eine mobile Computervorrichtung dargestellt, wie z. B. ein Tablet, Smartphone oder dergleichen. In anderen Beispielen ist die Client-Vorrichtung105 als eine andere Art von Computervorrichtung implementiert, wie z. B. ein Desktop-Computer, ein Laptop-Computer, ein anderer Server, ein Kiosk, ein Monitor und dergleichen. Das System100 kann eine Vielzahl von Client-Vorrichtungen105 umfassen, die über entsprechende Verbindungen107 mit dem Server101 kommunizieren. - Das System
100 wird im gezeigten Beispiel in einer Einzelhandelsumgebung eingesetzt, die eine Vielzahl von Trägerstrukturen wie Regalmodule110-1 ,110-2 ,110-3 usw. umfasst (gemeinsam als Regale110 bezeichnet und allgemein als ein Regal110 bezeichnet - diese Nomenklatur wird auch für andere hier diskutierte Elemente verwendet). In anderen Beispielen können auch zusätzliche Arten von Trägerstrukturen vorhanden sein, wie z. B. Stecktafeln. Jedes Regalmodul110 trägt eine Vielzahl von Produkten112 . Jedes Regalmodul110 umfasst eine Regalrückseite116-1 ,116-2 ,116-3 und eine Trägerfläche (z. B. Trägerfläche117-3 wie in1 dargestellt), die sich von der Regalrückseite116 zu einer Regalkante118-1 ,118-2 ,118-3 erstreckt. - Die Regalmodule
110 sind typischerweise in einer Vielzahl von Gängen angeordnet, von denen jeder eine Vielzahl von Modulen110 enthält, die Ende an Ende ausgerichtet sind. In solchen Anordnungen weisen die Regalkanten118 in die Gänge, durch die sich Kunden in der Einzelhandelsumgebung sowie die Vorrichtung103 bewegen können. Wie aus1 ersichtlich ist, bezieht sich der hier verwendete Begriff „Regalkante“ 118, der auch als Kante einer Trägerfläche (z. B. der Trägerflächen117 ) bezeichnet werden kann, auf eine Fläche, die von benachbarten Flächen mit unterschiedlichen Neigungswinkeln begrenzt wird. In dem in1 dargestellten Beispiel steht die Regalkante118-3 in einem Winkel von etwa neunzig Grad relativ zu jeder der Trägerflächen117-3 und der Unterseite (nicht dargestellt) der Trägerfläche117-3 . In anderen Beispielen betragen die Winkel zwischen der Regalkante118-3 und den angrenzenden Flächen, wie z. B. der Trägerfläche117-3 , mehr oder weniger als neunzig Grad. Die Regalkanten118 definieren eine Vorderseite der Regale110 , die von den Regalrückseiten116 durch eine Regaltiefe getrennt ist. Ein gemeinsamer Referenzrahmen102 ist in1 dargestellt. Im vorliegenden Beispiel ist die Regaltiefe in der Y-Dimension des Referenzrahmens102 definiert, während die Regalrückseiten116 und die Regalkanten118 parallel zur XZ-Ebene dargestellt sind. - Die Vorrichtung
103 wird in der Einzelhandelsumgebung eingesetzt und kommuniziert mit dem Server101 (z. B. über die Verbindung107 ), um autonom oder teilautonom entlang einer Länge119 (in1 als parallel zur X-Achse des Referenzrahmens102 dargestellt) von mindestens einem Teil der Regale110 zu navigieren. Die Vorrichtung103 , autonom oder in Verbindung mit dem Server101 , ist so konfiguriert, dass sie kontinuierlich ihre Position innerhalb der Umgebung bestimmt, beispielsweise in Bezug auf eine Karte der Umgebung. Die Vorrichtung103 kann auch so konfiguriert sein, dass sie die Karte aktualisiert (z. B. über einen Prozess der simultanen Kartierung und Lokalisierung, oder SLAM). - Die Vorrichtung
103 ist mit einer Vielzahl von Navigations- und Datenerfassungssensoren104 ausgestattet, wie z. B. Bildsensoren (z. B. eine oder mehrere Digitalkameras) und Tiefensensoren (z. B. ein oder mehrere LIDAR (Light Detection and Ranging) -Sensoren, eine oder mehrere Tiefenkameras, die strukturierte Lichtmuster verwenden, wie z. B. Infrarotlicht, oder dergleichen). Die Vorrichtung103 kann so konfiguriert werden, dass sie die Sensoren104 einsetzt, um sowohl zwischen den Regalen110 zu navigieren (z. B. gemäß den oben erwähnten Pfaden) als auch um Regaldaten, wie Punktwolken und Bilddaten, während einer solchen Navigation zu erfassen. - Der Server
101 enthält eine spezielle Bildverarbeitungssteuerung, wie z. B. einen Prozessor120 , der speziell dafür ausgelegt ist, die mobile Automatisierungsvorrichtung103 zu steuern und/oder zu unterstützen, um in der Umgebung zu navigieren und Daten zu erfassen. Der Prozessor120 kann ferner so konfiguriert sein, dass er die erfassten Daten über eine Kommunikationsschnittstelle124 abruft, um sie in einem Speicher132 zu speichern und anschließend zu verarbeiten (z. B. um in den erfassten Daten Objekte wie Regalprodukte zu erkennen und mit den Objekten korrespondierende Statusinformationen zu ermitteln). Der Server101 kann auch so konfiguriert sein, dass er Statusmeldungen (z. B. Meldungen, die anzeigen, dass Produkte nicht vorrätig sind, einen niedrigen Lagerbestand haben oder verlegt wurden) an die Client-Vorrichtung105 als Reaktion auf die Ermittlung von Produktstatusdaten sendet. Die Client-Vorrichtung105 enthält eine oder mehrere Steuerungen (z. B. zentrale Prozessoreinheiten (CPUs) und/oder feldprogrammierbare Gate-Arrays (FPGAs) und dergleichen), die so konfiguriert sind, dass sie die vom Server101 empfangenen Meldungen verarbeiten (z. B. anzeigen). - Der Prozessor
120 ist mit einem nicht flüchtigen, computerlesbaren Speichermedium, wie dem oben erwähnten Speicher122 , verbunden, auf dem computerlesbare Befehle zur Durchführung verschiedener Funktionen gespeichert sind, einschließlich der Steuerung der Vorrichtung103 zur Erfassung von Regaldaten, der Nachbearbeitung der Regaldaten und der Erzeugung und Bereitstellung bestimmter Navigationsdaten für die Vorrichtung103 , wie z. B. Zielorte, an denen Regaldaten erfasst werden sollen. Der Speicher122 umfasst eine Kombination aus flüchtigem (z. B. Random Access Memory oder RAM) und nichtflüchtigem Speicher (z. B. Read Only Memory oder ROM, Electrically Erasable Programmable Read Only Memory oder EEPROM, Flash-Speicher). Der Prozessor120 und der Speicher122 umfassen jeweils eine oder mehrere integrierte Schaltungen. In einigen Ausführungsformen ist der Prozessor120 als eine oder mehrere zentrale Prozessoreinheiten (CPUs) und/oder Grafikverarbeitungseinheiten (GPUs) implementiert. - Der Server
101 enthält auch die oben erwähnte Kommunikationsschnittstelle124 , die mit dem Prozessor120 verbunden ist. Die Kommunikationsschnittstelle124 umfasst geeignete Hardware (z. B. Sender, Empfänger, Netzwerkschnittstellen-Steuerungen und dergleichen), die es dem Server101 ermöglicht, über die Verbindungen107 und109 mit anderen Computervorrichtungen - insbesondere der Vorrichtung103 , der Client-Vorrichtung105 und dem Dock108 - zu kommunizieren. Bei den Verbindungen107 und109 kann es sich um direkte Verbindungen oder um Verbindungen handeln, die ein oder mehrere Netzwerke durchqueren, darunter sowohl lokale als auch Weitbereichsnetzwerke. Die spezifischen Komponenten der Kommunikationsschnittstelle124 werden je nach Art des Netzwerks oder anderer Verbindungen ausgewählt, über die der Server101 kommunizieren soll. Im vorliegenden Beispiel wird, wie bereits erwähnt, ein drahtloses lokales Netzwerk in der Einzelhandelsumgebung durch den Einsatz von einem oder mehreren drahtlosen Zugangspunkten implementiert. Die Verbindungen107 umfassen daher entweder oder sowohl drahtlose Verbindungen zwischen der Vorrichtung103 und der mobilen Vorrichtung105 und den oben erwähnten Zugangspunkten als auch eine kabelgebundene Verbindung (z. B. eine Ethernet-basierte Verbindung) zwischen dem Server101 und dem Zugangspunkt. - Der Speicher
122 speichert eine Vielzahl von Anwendungen, die jeweils eine Vielzahl von computerlesbaren Befehlen enthalten, die vom Prozessor120 ausgeführt werden können. Die Ausführung der oben erwähnten Befehle durch den Prozessor120 konfiguriert den Server101 , um verschiedene hierin besprochene Aktionen durchzuführen. Die im Speicher122 gespeicherten Befehle umfassen eine Steuerungsanwendung128 , die auch als eine Folge von logisch unterschiedlichen Anwendungen implementiert sein kann. Im Allgemeinen ist der Prozessor120 so konfiguriert, dass er über die Ausführung der Anwendung128 oder von Teilkomponenten davon und in Verbindung mit den anderen Komponenten des Servers101 verschiedene Funktionen implementiert, die sich auf die Steuerung der Vorrichtung103 beziehen, um zwischen den Regalen110 zu navigieren und Daten zu erfassen, sowie um die erfassten Daten zu erhalten und verschiedene Nachbearbeitungsvorgänge an den erfassten Daten durchzuführen. Im vorliegenden Beispiel, auf das weiter unten näher eingegangen wird, wird der Server101 durch die Ausführung der Anwendung128 so konfiguriert, dass er auf der Grundlage der erfassten Daten (z. B. von der Vorrichtung103 ), einschließlich der Punktwolken- und Bilddaten, die die Regale110 repräsentieren, eine Regaltiefe für ein oder mehrere Regale110 bestimmt. - Der Prozessor
120 , wie er über die Ausführung der Steuerungsanwendung128 konfiguriert ist, wird hier auch als Steuerung120 bezeichnet. Wie nun ersichtlich wird, kann ein Teil oder die gesamte Funktionalität, die durch die unten beschriebene Steuerung120 implementiert wird, auch durch vorkonfigurierte Spezialhardware-Steuerungen (z. B. eine oder mehrere Logikschaltungsanordnungen, die speziell zur Optimierung der Geschwindigkeit der Bildverarbeitung konfiguriert sind, z. B. über FPGAs und/oder anwendungsspezifische integrierte Schaltungen (ASICs), die für diesen Zweck konfiguriert sind) anstatt durch die Ausführung der Steuerungsanwendung128 durch den Prozessor120 ausgeführt werden. - In den
2A und2B ist die mobile Automatisierungsvorrichtung103 detaillierter dargestellt. Die Vorrichtung103 umfasst ein Gestell201 , das einen Antriebsmechanismus203 enthält (z. B. einen oder mehrere Elektromotoren, die Räder, Schienen oder dergleichen antreiben). Die Vorrichtung103 umfasst ferner einen Sensormast205 , der auf dem Gestell201 abgestützt ist und sich im vorliegenden Beispiel vom Gestell201 nach oben (z. B. im Wesentlichen vertikal) erstreckt. Der Mast205 trägt die zuvor erwähnten Sensoren104 . Die Sensoren104 umfassen insbesondere mindestens einen Bildsensor207 , wie z. B. eine Digitalkamera, sowie mindestens einen Tiefensensor209 , wie z. B. eine 3D-Digitalkamera. Die Vorrichtung103 umfasst auch zusätzliche Tiefensensoren, wie z. B. LIDAR-Sensoren211 . In anderen Beispielen umfasst die Vorrichtung103 zusätzliche Sensoren, wie z. B. eine oder mehrere RFID-Lesevorrichtungen, Temperatursensoren und dergleichen. - Im vorliegenden Beispiel trägt der Mast
205 sieben Digitalkameras207-1 bis207-7 und zwei LIDAR-Sensoren211-1 und211-2 . Der Mast205 trägt auch eine Vielzahl von Beleuchtungsbaugruppen213 , die so konfiguriert sind, dass sie die Sichtfelder der jeweiligen Kameras207 beleuchten. Das heißt, die Beleuchtungsbaugruppe213-1 leuchtet das Sichtfeld der Kamera207-1 aus, und so weiter. Die Sensoren207 und211 sind am Mast205 so ausgerichtet, dass die Sichtfelder jedes Sensors einem Regal110 zugewandt sind, entlang dessen Länge119 sich die Vorrichtung103 bewegt. Die Vorrichtung103 ist so konfiguriert, dass sie einen Standort der Vorrichtung103 (z. B. ein Standort des Mittelpunkts des Gestells201 ) in dem gemeinsamen Referenzrahmen102 verfolgt, der zuvor in der Einzelhandelseinrichtung eingerichtet wurde, so dass die von der mobilen Automatisierungsvorrichtung103 erfassten Daten in dem gemeinsamen Referenzrahmen registriert werden können. - Die mobile Automatisierungsvorrichtung
103 umfasst eine Spezialsteuerung, wie z. B. einen Prozessor220 , wie in2B gezeigt, die mit einem nichttransitorischen, computerlesbaren Speichermedium, wie z. B. einem Speicher222 , verbunden ist. Der Speicher222 umfasst eine Kombination aus flüchtigem (z. B. Random Access Memory oder RAM) und nichtflüchtigem Speicher (z. B. Read Only Memory oder ROM, Electrically Erasable Programmable Read Only Memory oder EEPROM, Flash-Speicher). Der Prozessor220 und der Speicher222 umfassen jeweils eine oder mehrere integrierte Schaltungen. Der Speicher222 speichert computerlesbare Befehle zur Ausführung durch den Prozessor220 . Insbesondere speichert der Speicher222 eine Steuerungsanwendung228 , die, wenn sie vom Prozessor220 ausgeführt wird, den Prozessor220 so konfiguriert, dass er verschiedene Funktionen im Zusammenhang mit der Navigation der Vorrichtung103 und der Erfassung von Daten für die nachfolgende Verarbeitung, z. B. durch den Server101 , ausführt. In einigen Ausführungsformen kann eine solche Nachverarbeitung durch die Vorrichtung103 selbst über die Ausführung der Anwendung228 durchgeführt werden. In anderen Beispielen kann die Anwendung228 auch als eine Reihe verschiedener Anwendungen implementiert sein. - Der Prozessor
220 kann, wenn er durch die Ausführung der Anwendung228 so konfiguriert ist, auch als Bildgebungssteuerung220 bezeichnet werden. Fachleute werden erkennen, dass die vom Prozessor220 über die Ausführung der Anwendung228 implementierte Funktionalität auch durch eine oder mehrere speziell entwickelte Hardware- und Firmware-Komponenten implementiert werden kann, einschließlich logischer Schaltungskonfigurationen, die für die Verarbeitung von Bild- und/oder Tiefensensordaten optimiert sind, wie z. B. über speziell konfigurierte FPGAs, ASICs und dergleichen in anderen Ausführungsformen. - Der Speicher
222 kann auch ein Archiv232 speichern, das z. B. eine oder mehrere Karten enthält, die die Umgebung repräsentieren, in der die Vorrichtung103 arbeitet, zur Verwendung während der Ausführung der Anwendung228 . Die Vorrichtung103 kann mit dem Server101 über eine Kommunikationsschnittstelle224 über die in1 gezeigte Verbindung107 kommunizieren, um beispielsweise Anweisungen zur Navigation zu bestimmten Standorten zu erhalten und Datenerfassungsvorgänge einzuleiten. Die Kommunikationsschnittstelle224 ermöglicht es der Vorrichtung103 auch, mit dem Server101 über das Dock108 und die Verbindung109 zu kommunizieren. - Wie in der nachfolgenden Diskussion deutlich wird, können in anderen Beispielen einige oder alle der vom Server
101 durchgeführten Verarbeitungen von der Vorrichtung103 durchgeführt werden, und einige oder alle der von der Vorrichtung103 durchgeführten Verarbeitungen können vom Server101 durchgeführt werden. Das heißt, obwohl sich im dargestellten Beispiel die Anwendung128 im Server101 befindet, können in anderen Ausführungsformen einige oder alle der unten beschriebenen Aktionen zur Bestimmung der Regaltiefe der Regale110 aus erfassten Daten vom Prozessor220 der Vorrichtung103 durchgeführt werden, entweder in Verbindung mit oder unabhängig vom Prozessor120 des Servers101 . Wie Fachleute erkennen werden, kann die Verteilung solcher Berechnungen zwischen dem Server101 und der mobilen Automatisierungsvorrichtung103 von den jeweiligen Verarbeitungsgeschwindigkeiten der Prozessoren120 und220 , der Qualität und Bandbreite der Verbindung107 sowie dem Kritikalitätsgrad der zugrunde liegenden Anweisung(en) abhängen. - Die Funktionalität der Anwendung
128 wird nun näher beschrieben. Insbesondere wird die oben erwähnte Bestimmung der Trägerstrukturtiefe beschrieben, wie sie vom Server101 durchgeführt wird. In3 ist ein Verfahren300 zur Bestimmung der Trägerstrukturtiefe dargestellt. Das Verfahren300 wird im Zusammenhang mit seiner Durchführung durch den Server101 unter Bezugnahme auf die in1 dargestellten Komponenten beschrieben. - In Block
305 ist der Server101 so konfiguriert, dass er eine Punktwolke der Trägerstruktur sowie eine Ebenendefinition erhält, die mit der Vorderseite der Trägerstruktur korrespondiert. Im vorliegenden Beispiel, in dem die Trägerstrukturen Regale wie die in1 gezeigten Regale110 sind, stellt die in Block305 erhaltene Punktwolke daher zumindest einen Teil eines Regalmoduls110 dar (und kann eine Vielzahl von Regalmodulen110 darstellen), und die Ebenendefinition korrespondiert mit einer Regal ebene, die mit der Vorderseite der Regalmodule110 korrespondiert. Mit anderen Worten definiert die Ebenendefinition eine Ebene, die die Regalkanten118 enthält. - Die in Block
305 erhaltene Punktwolke und Ebenendefinition kann aus dem Archiv132 abgerufen werden. Beispielsweise kann der Server101 zuvor erfasste Daten von der Vorrichtung103 empfangen haben, einschließlich einer Vielzahl von Lidar-Abtastungen der Regalmodule110 , und eine Punktwolke aus den Lidar-Abtastungen erzeugt haben. Jeder Punkt in der Punktwolke repräsentiert einen Punkt auf einer Oberfläche der Regale110 , Produkte112 und dergleichen (z. B. einen Punkt, den die Abtastlinie eines Lidarsensors211 getroffen hat) und ist durch einen Satz von Koordinaten (X, Y und Z) im Referenzrahmen102 definiert. Die Ebenendefinition kann auch vorher vom Server101 erzeugt und im Archiv132 gespeichert werden, z. B. aus der oben erwähnten Punktwolke. Der Server101 kann beispielsweise so konfiguriert sein, dass er die Punktwolke, die Lidar-Rohdaten, die von den Kameras207 erfassten Bilddaten oder eine Kombination davon verarbeitet, um die Regalkanten118 gemäß den vordefinierten Eigenschaften der Regalkanten118 zu identifizieren. Beispiele für solche Eigenschaften sind, dass die Regalkanten118 wahrscheinlich im Wesentlichen planar sind und auch wahrscheinlich näher an der Vorrichtung103 sind als andere Objekte (wie die Regalrückseiten116 und Produkte112 ), wenn die Vorrichtung103 die Länge119 eines Regalmoduls110 abfährt. Die Ebenendefinition kann in einer Vielzahl von geeigneten Formaten erhalten werden, wie z. B. einem geeigneten Satz von Parametern, die die Ebene definieren. Ein Beispiel für solche Parameter sind ein Normalenvektor (d. h. ein Vektor, der gemäß dem Referenzrahmen102 definiert ist und der senkrecht zur Ebene steht) und eine Tiefe (die den Abstand entlang des Normalenvektors vom Ursprung des Referenzrahmens102 zur Ebene angibt). - Bezugnehmend auf
4A ist eine Punktwolke400 dargestellt, die das Regalmodul110-3 zeigt. Die Regalrückseite116-3 sowie das Regal117-3 und die Regalkante118-3 sind daher in der Punktwolke400 dargestellt. Ebenfalls in4A dargestellt ist eine Ebenendefinition404 , die mit der Vorderseite des Regalmoduls110-3 korrespondiert (d.h. die Ebenendefinition404 enthält die Regalkanten118-3 ). Die Punktwolke400 und die Ebenendefinition404 müssen nicht in der in4A gezeigten grafischen Form vorliegen. Wie Fachleute erkennen werden, kann die Punktwolke als eine Liste von Koordinaten und die Ebenendefinition404 als die oben erwähnten Parameter erhalten werden. - Zurück zu
3 ist in Block310 der Server101 so konfiguriert, dass er mindestens ein Bild der Trägerstruktur erhält, wie es (z. B. von der Vorrichtung103 ) von einer Erfassungsstellung aus erfasst wurde. Die Erfassungsstellung ist eine Position und Ausrichtung der Erfassungsvorrichtung, wie z. B. einer Kamera207 , innerhalb des Referenzrahmens. Die Vorrichtung103 ist, wie oben erwähnt, so konfiguriert, dass sie ein oder mehrere Regalmodule110 durchfährt und Bilder der Regalmodule110 erfasst. Wie nun ersichtlich wird, erfolgt jede Bilderfassung bei einer bestimmten Position und Ausrichtung der Vorrichtung103 . Darüber hinaus umfasst die Vorrichtung103 eine Vielzahl von Kameras207 , wie in2A gezeigt, die jeweils eine vordefinierte physische Position und Ausrichtung auf der Vorrichtung103 haben. Somit kann bei jeder Stellung (d. h. Position und Ausrichtung) der Vorrichtung103 eine Vielzahl von Bildern erfasst werden, eines für jede Kamera207 . Jedes Bild entspricht somit einer bestimmten Erfassungsstellung, d. h. der physischen Position der Kamera207 gemäß dem Referenzrahmen102 . -
4B veranschaulicht die Erfassung von zwei Beispielbildern408-1 ,408-2 durch die Vorrichtung103 , während die Vorrichtung103 das Regalmodul110-3 in einer Bewegungsrichtung406 durchfährt. Insbesondere steuert die Vorrichtung103 in einer ersten Vorrichtungsstellung412-1 die Kamera207-1 , um das erste Bild408-1 zu erfassen. Die Position und Orientierung der Kamera207-1 zum Zeitpunkt der Erfassung des ersten Bildes408-1 korrespondiert somit mit einer ersten Erfassungsstellung. Später während der Vorbeifahrbewegung am Regalmodul110-3 , in einer zweiten Vorrichtungsstellung412-2 , steuert die Vorrichtung103 die Kamera207-1 zur Erfassung des zweiten Bildes408-2 . Wie nun ersichtlich wird, korrespondiert das zweite Bild408-2 mit einer zweiten Erfassungsstellung, die durch die Vorrichtungsstellung412-2 und die physische Ausrichtung der Kamera207-1 relativ zur Vorrichtung103 definiert ist. Jede der anderen Kameras207 kann auch so gesteuert werden, dass sie Bilder in jeder Vorrichtungsstellung412 erfasst. Die Bilder, die von diesen anderen Kameras207 erfasst werden, korrespondieren mit noch mehr Erfassungspositionen. - Zurück zu
3 ist in Block310 der Server101 auch so konfiguriert, dass er, z. B. durch Abruf aus dem Archiv132 , eine Maske erhält, die auch als BoS (Back of Shelf (Rückseite des Regals)) -Maske oder BoS-Karte bezeichnet wird. Die Maske korrespondiert mit dem mindestens einen oben erwähnten Bild. Das heißt, für jedes Bild, das in Block310 abgerufen wird, kann auch eine korrespondierende Maske abgerufen werden. Die Maske wird aus dem korrespondierenden Bild abgeleitet und zeigt für jeden einer Vielzahl von Abschnitten des Bildes ein Vertrauensniveau an, dass der Abschnitt die Regalrückseite116 darstellt. Die Abschnitte können einzelne Pixel sein, wenn die Maske die gleiche Auflösung wie das Bild hat. In anderen Beispielen hat die Maske eine geringere Auflösung als das Bild, und jedes Vertrauensniveau in der Maske korrespondiert daher mit einem Abschnitt des Bildes, der mehrere Pixel enthält. -
5A veranschaulicht das in4A gezeigte Bild408-1 . Wie in5A gezeigt, stellt ein Abschnitt500 des Bildes408-1 die Regalrückseite116-3 dar. Die Abschnitte504-1 ,504-2 und504-3 zeigen die Produkte112 , und ein Abschnitt508 zeigt die Regalkante118-3 .5B zeigt eine aus dem Bild408-1 abgeleitete Maske512 . Zur Erzeugung der Maske können verschiedene Mechanismen verwendet werden. Beispielsweise kann das Bild408-1 in Felder einer vordefinierten Größe (z. B. 5 × 5 Pixel) zerlegt werden, und jedes Feld kann durch eine geeignete Klassifizierungsoperation klassifiziert werden, um ein Vertrauensniveau zu erzeugen, das einen Grad anzeigt, mit dem das Feld mit einem Referenzbild der Regalrückseite116-3 übereinstimmt. Die Maske512 kann dann durch Kombination der jedem Feld zugewiesenen Vertrauensniveaus konstruiert werden. - In
5B sind die Vertrauensniveaus der Maske512 in Graustufen dargestellt. Dunklere Bereiche der Maske512 zeigen ein geringeres Vertrauen an, dass der korrespondierende Abschnitt des Bildes408-1 die Regalrückseite116-3 darstellt (oder, mit anderen Worten, ein höheres Vertrauen, dass der korrespondierende Abschnitt des Bildes408-1 die Regalrückseite116-3 nicht darstellt) und hellere Bereiche der Maske512 zeigen ein höheres Vertrauen an, dass der korrespondierende Abschnitt des Bildes408-1 die Regalrückseite116-3 darstellt. Zum Beispiel zeigt ein Bereich516 ein Vertrauensniveau von Null an, dass der Abschnitt508 des Bildes408-1 die Regalrückseite116-3 darstellt. Ein anderer Bereich520 der Maske512 zeigt ein maximales Vertrauensniveau (z. B. 100 %) an, dass der korrespondierende Abschnitt des Bildes408-1 die Regalrückseite116-3 darstellt. Andere Bereiche der Maske512 zeigen mittlere Vertrauensniveaus an. Beispielsweise zeigt ein Bereich524 ein Vertrauensniveau von etwa 50 % an, da das Muster auf dem Produkt112 , das im Abschnitt504-3 des Bildes408-1 dargestellt ist, der Regalrückseite116-3 ähnelt. Der Bereich528 der Maske512 zeigt dagegen ein Vertrauensniveau von ca. 30 % an. - Über das in
5B gezeigte Graustufenbild hinaus sind verschiedene andere Mechanismen zum Speichern der Vertrauensniveaus der Maske512 denkbar. Beispielsweise können die Vertrauensniveaus in einer Liste gespeichert werden, mit zugehörigen Sätzen von Bildkoordinaten, die anzeigen, welcher Abschnitt des Bildes408-1 mit dem jeweiligen Vertrauensniveau korrespondiert. - Nachdem die Punktwolke, die Ebenendefinition, das/die Bild(er) und die Maske(n) in den Blöcken
305 und310 erhalten wurden, ist der Server101 dann so konfiguriert, dass er eine Teilmenge der Punkte in der Punktwolke identifiziert, für die korrespondierende Vertrauensniveaus in der Maske512 existieren. Das heißt, der Server101 identifiziert Punkte in der Punktwolke, die zum Zeitpunkt der Erfassung des Bildes für die Kamera207 sichtbar waren. Der Server101 ist dann so konfiguriert, dass er die Tiefen solcher Punkte relativ zur Regalebene in Verbindung mit den korrespondierenden Vertrauensniveaus aus der Maske512 verwendet, um eine Tiefe der Regalrückseite116 relativ zur Regalebene zu bestimmen. Die obige Funktionalität wird weiter unten ausführlicher erläutert. - Zurück zu
3 ist in Block315 der Server101 so konfiguriert, dass er einen Anfangssatz von Punkten aus der Punktwolke auswählt, die in ein Sichtfeld fallen, das durch die oben erwähnte Erfassungsstellung festgelegt wurde. In4B ist das Sichtfeld der Kamera207-2 in jeder Erfassungsstellung412 in gestrichelten Linien dargestellt. Die Erfassungsstellung wird gemäß dem Referenzrahmen102 definiert, und gemäß den vordefinierten Betriebsparametern (z. B. Brennweite) der Kamera207 können auch die Position und das Ausmaß des Sichtfelds innerhalb des Referenzrahmens102 definiert werden. - Der Server
101 kann so konfiguriert sein, dass er in Block315 jeden Punkt der Punktwolke bewertet, um zu bestimmen, ob der Punkt in das Sichtfeld fällt, das mit dem in Block310 erhaltenen Bild korrespondiert. Beispielsweise kann der Server101 so konfiguriert sein, dass er das Sichtfeld als ein Volumen innerhalb des Referenzrahmens102 definiert und bestimmt, ob jeder Punkt der Punktwolke in das definierte Volumen fällt. Punkte, die in das definierte Volumen fallen, werden für den Anfangssatz ausgewählt. In einigen Beispielen ist der Server101 jedoch so konfiguriert, dass er eine baumbasierte Suche durchführt, um den Anfangssatz von Punkten zu erzeugen, wie unten in Verbindung mit6 erläutert. - In
6A wird ein Verfahren600 zum Auswählen des Anfangssatzes von Punkten in Block315 dargestellt. In Block605 ist der Server101 so konfiguriert, dass er eine Baumdatenstruktur erzeugt, z. B. einen k-d (k-dimensionalen) Baum, einen Octree oder dergleichen. Im vorliegenden Beispiel wird in Block605 ein k-d-Baum erzeugt. Die Baumdatenstruktur enthält für jeden Punkt in der Punktwolke Koordinaten der ersten und zweiten Dimension orthogonal zur Tiefe des Punktes. Das heißt, jeder Punkt wird in dem Baum durch seine X- und Z-Koordinaten gemäß dem Referenzrahmen102 dargestellt, wobei die Y-Koordinate für die Auswahl des Anfangssatzes weggelassen wird (die Y-Koordinaten werden später in dem Verfahren300 verwendet, wie weiter unten erläutert wird). - Wie Fachleute verstehen, kann der k-d-Baum durch Bestimmung des Medians einer der beiden oben genannten Dimensionen (z. B. der X-Dimension) aufgebaut werden. Alle Punkte, deren X-Koordinate unter dem Median liegt, werden einem ersten Zweig des Baumes zugeordnet, während die übrigen Punkte einem zweiten Zweig zugeordnet werden. Für jeden Zweig wird der Median der anderen Koordinate (im vorliegenden Beispiel Z) bestimmt und die dem Zweig zugeordneten Punkte werden erneut unterteilt, je nachdem, ob ihre Z-Koordinaten über oder unter dem Z-Median liegen. Dieser Vorgang wird wiederholt, wobei die Punkte zwischen den Zweigpaaren auf der Basis von abwechselnden Dimensionsmedianen weiter unterteilt werden (d. h. eine Unterteilung auf Basis der X-Dimension, gefolgt von einer Unterteilung auf Basis der Z-Dimension, gefolgt von einer weiteren Unterteilung auf Basis der X-Dimension usw.), bis jeder Knoten des Baums einen einzelnen Punkt enthält.
- In Block
610 ist der Server101 so konfiguriert, dass er die Koordinaten eines Sichtfeldzentrums in den zwei im Baum dargestellten Dimensionen bestimmt. Wie oben erwähnt, wird das durch das Sichtfeld definierte Volumen aus den Betriebsparametern der Kamera207 und der Erfassungsstellung bestimmt. In6B ist ein Sichtfeld602 der Kamera207-2 in der Vorrichtungsstellung412-1 dargestellt. Das Sichtfeldzentrum602 wird in drei Dimensionen durch die Linie604 definiert. Um zweidimensionale Koordinaten des Sichtfeldzentrums in zwei Dimensionen (d. h. in der X- und Z-Dimension) zu bestimmen, ist der Server101 so konfiguriert, dass er eine vordefinierte Tiefe auswählt und die Koordinaten bestimmt, bei denen die Mittellinie604 die vordefinierte Tiefe schneidet. Die vordefinierte Tiefe kann im Speicher122 als eine Tiefe gespeichert werden, die zu der in Block305 erhaltenen Tiefe der Regalebene hinzugefügt wird. In anderen Beispielen können die Punktwolke, die Regalebene, die Erfassungsstellungen und dergleichen in einen Referenzrahmen transformiert werden, dessen Ursprung auf der Regalebene selbst liegt (z. B. dessen XZ-Ebene auf der Regalebene liegt), um die hier beschriebenen Berechnungen zu vereinfachen. Wie in6B gezeigt, schneidet die Mittellinie604 die vordefinierte Tiefe in einer FOV (Field of View (Sichtfeld))-Mitte 608. Die vordefinierte Tiefe wird vorzugsweise so gewählt, dass sie die Tiefe der Regalrückseite116 überschreitet (obwohl die Tiefe der Regalrückseite116 möglicherweise nicht genau bekannt ist). - In Block
615 ist der Server101 so konfiguriert, dass er Punkte für den Satz auswählt, indem er Punkte aus dem Baum abruft, die innerhalb eines vordefinierten Radius des Zentrums608 liegen.6B zeigt einen vordefinierten Radius612 , der sich vom Zentrum608 aus erstreckt. Wie nun für Fachleute ersichtlich wird, gibt es verschiedene Mechanismen zur Durchführung von radiusbasierten Suchen in Bäumen wie z. B. k-d-Bäumen. Im vorliegenden Beispiel, wie in6B dargestellt, umfassen die in Block615 abgerufenen Punkte die Beispielpunkte616 , während andere Punkte618 nicht abgerufen werden, da sie weiter vom Zentrum608 entfernt sind als der Radius612 . - In Block
620 kann der Server101 so konfiguriert werden, dass er überprüft, ob die dreidimensionale Position jedes in Block615 abgerufenen Punktes innerhalb des FOV602 liegt, da der vordefinierte Radius612 über die tatsächlichen Grenzen des FOV602 hinausgehen kann. In anderen Beispielen kann der Block620 weggelassen werden. Die Überprüfung in Block620 kann, wenn sie durchgeführt wird, eine Transformationsmatrix verwenden, die auch als Kamerakalibrierungsmatrix bezeichnet wird und so konfiguriert ist, dass sie dreidimensionale Koordinaten aus der Punktwolke in zweidimensionale Koordinaten in einem Bildreferenzrahmen (z. B. Pixelkoordinaten im Bild408-1 ) transformiert. Die Überprüfung in Block620 kann daher für jeden in Block615 abgerufenen Punkt die Erzeugung der entsprechenden Bildkoordinaten und die Bestimmung, ob die Bildkoordinaten innerhalb der Grenzen des Bildes408-1 liegen, beinhalten. - Zurück zu
3 , nachdem der Anfangssatz von Punkten616 innerhalb des FOV602 ausgewählt wurde, ist der Server101 in Block320 so konfiguriert, dass er einen nicht verdeckten Satz von Tiefenmessungen aus den Punkten im Anfangssatz auswählt. Der in Block315 ausgewählte Anfangssatz von Punkten kann, obwohl er innerhalb des FOV602 liegt, dennoch Punkte enthalten, die von der Kamera207 nicht abgebildet wurden, weil sie durch andere Objekte von der Sicht der Kamera207 verdeckt sind. Beispielsweise, mit erneuter Bezugnahme auf6B , korrespondiert der Punkt616a , obwohl er innerhalb des FOV602 liegt, mit einem Abschnitt des Regals117 , den die Kamera207-2 in der in6B gezeigten Erfassungsstellung nicht abbilden kann, weil sich ein Produkt112 zwischen der Kamera207-2 und dem Punkt616a befindet. Der Punkt616a kann in der Punktwolke erscheinen, da ein Lidar-Scanner anders positioniert ist als die Kamera207-2 , weil ein Lidar-Scanner den Punkt616a von einer nachfolgenden Vorrichtungsstellung412 aus erfasst hat, oder dergleichen. Der Punkt616a ist mit anderen Worten ein verdeckter Punkt, für den das Bild408-1 und die Maske512 keine entsprechenden Daten haben. In Block320 ist der Server101 so konfiguriert, dass er solche verdeckten Punkte aus der weiteren Betrachtung entfernt und Daten für nicht verdeckte Punkte, wie z. B. den Punkt616b , beibehält. - Im Allgemeinen geht die Auswahl in Block
320 von der Annahme aus, dass für jeden verdeckten Punkt aus der Punktwolke auch ein nicht verdeckter Punkt in der Punktwolke vorhanden ist, der mit dem für die Verdeckung verantwortlichen Objekt korrespondiert. In Block320 wird weiterhin angenommen, dass der oben erwähnte nicht verdeckte Punkt für die Kamera207 sichtbar ist und daher im Bild408-1 dargestellt wird. In7A ist ein Beispielverfahren700 zur Auswahl der nicht verdeckten Teilmenge von Tiefenmessungen dargestellt. - In Block
705 ist der Server101 so konfiguriert, dass er die Bildkoordinaten für jeden Punkt in dem in Block315 ausgewählten Ausgangssatz bestimmt. Wie oben erwähnt, können die Bildkoordinaten durch Verwendung der Kamerakalibrierungsmatrix in einem Prozess erhalten werden, der auch als Vorwärtsprojektion bezeichnet wird (d. h. Projektion eines Punktes in drei Dimensionen „vorwärts“ in ein erfasstes Bild, im Gegensatz zur Rückprojektion, bei der ein Punkt in einem Bild „zurück“ in die Punktwolke projiziert wird).7B illustriert die Ergebnisse von Block705 für die zuvor besprochenen Punkte616a und616b . Die Punkte616a und616b korrespondieren mit Bildkoordinaten, die gemäß einem Bildreferenzsystem702 definiert sind (das im vorliegenden Beispiel parallel zur XZ-Ebene des Referenzsystems102 liegt). Wie in7B zu sehen ist, werden die Tiefenmessungen im Referenzrahmen102 , die den Punkten616 zugeordnet sind, bei der Durchführung des Verfahrens700 ebenfalls beibehalten, obwohl sie nicht direkt in den Bildkoordinaten (die zweidimensional sind) dargestellt werden. Die Tiefenmessungen können in einer Liste704 oder einem anderen geeigneten Format in Verbindung mit den Bildkoordinaten aufbewahrt werden. Weitere Beispielpunkte706 ,708 ,709 ,712 und714 sind ebenfalls dargestellt. Wie in der Liste704 der Tiefenmessungen dargestellt, befindet sich der Punkt708 auf der Oberfläche eines Produkts, während sich der Punkt709 hinter dem Produkt befindet, z. B. auf der Regalrückseite116 (in einer Tiefe von 528 mm, verglichen mit einer Tiefe von 235 mm für den Punkt708 ). Die Punkte712 und714 befinden sich ebenfalls auf der Regalrückseite116 und haben eine zugehörige Tiefe von 530 mm bzw. 522 mm. - In Block
710 ist der Server101 so konfiguriert, dass er eine Baumdatenstruktur erzeugt, z. B. einen weiteren k-d-Baum, der die in Block705 ermittelten Bildkoordinaten enthält. In Block715 ist der Server101 so konfiguriert, dass er Nachbargruppen von Punkten auswählt. Insbesondere ist der Server101 so konfiguriert, dass er für einen ausgewählten Punkt im Baum die nächstgelegenen Nachbarn dieses Punkts abruft (z. B. eine vordefinierte Anzahl von Nachbarn, Nachbarn innerhalb eines vordefinierten Radius oder eine Kombination der obigen Punkte). Der Server101 ist ferner so konfiguriert, dass er aus den in Block715 abgerufenen nächsten Nachbarn den Nachbarn mit der geringsten Tiefe auswählt. So ist, wieder bezugnehmend auf7B und beginnend mit dem Punkt616a , der nächste Nachbar der Punkt616b , und die geringste Tiefe zwischen den Punkten616a und616b ist die Tiefe, die dem Punkt616b zugeordnet ist. Die Tiefenmessung (sowie die entsprechenden Bildkoordinaten) des Punktes616b wird daher für die Erfassung in die nicht verdeckten Teilmenge von Tiefenmessungen beibehalten, während der Punkt616a verworfen wird. Die Durchführung von Block715 wird für jeden verbleibenden Punkt in dem Anfangssatz wiederholt, bis eine Bestimmung in Block720 anzeigt, dass keine Punkte mehr zu verarbeiten sind. Für die in7B dargestellten Beispielpunkte, - Wenn alle Punkte aus dem Anfangssatz verarbeitet wurden und die Teilmenge der nicht verdeckten Tiefenmessungen ausgewählt wurde, kehrt der Server
101 zu Block325 des Verfahrens300 zurück. In Block325 kann der Server101 optional so konfiguriert werden, dass er eine endgültige Teilmenge von Tiefenmessungen aus der nicht verdeckten Teilmenge von Tiefenmessungen auswählt. Wenn man zum Beispiel die in7B gezeigten Punkte nimmt, wird die daraus erhaltene nicht verdeckte Teilmenge von Tiefenmessungen in8A gezeigt, in der zu sehen ist, dass die Punkte616a und709 aus der nicht verdeckten Teilmenge800 verworfen worden sind. In Block325 kann der Server101 so konfiguriert werden, dass er eine oder mehrere zusätzliche Filteroperationen durchführt, um weitere Punkte aus der nicht verdeckten Teilmenge auszuschließen. - Ein erstes Beispiel für einen Filtervorgang, der in Block
325 angewendet wird, besteht darin, alle Punkte mit einem BoS-Vertrauensniveau aus der Maske512 zu verwerfen, das unter einem vorgegebenen Schwellenwert liegt. Der vorgegebene Schwellenwert beträgt im vorliegenden Beispiel 55 % (es versteht sich jedoch, dass stattdessen auch verschiedene andere Schwellenwerte angewendet werden können).8B zeigt die Maske512 mit den Vertrauensniveaus816b ,806 ,808 ,812 und814 , die mit den Bildkoordinaten der Punkte616b ,706 ,708 ,712 bzw.714 korrespondieren. Im vorliegenden Beispiel wird angenommen, dass die Vertrauensniveaus816b ,806 ,808 ,812 und814 30%, 0%, 50%, 100% bzw. 90% betragen. Die Punkte mit Vertrauensniveaus unter 55 % (d. h. die Punkte616b ,706 und708 ) werden daher verworfen, und die endgültige Teilmenge der Tiefenmessungen umfasst die Tiefenmessungen für die Punkte712 und714 sowie ihre zugehörigen Bildkoordinaten. - Andere Beispiele für die in Block
325 durchgeführte Filterung umfassen das Verwerfen von Punkten mit Tiefenmessungen, die einen vordefinierten maximalen Tiefenschwellenwert überschreiten.8C zeigt ein weiteres Beispielbild818 , das aus einer anderen Vorrichtungsstellung (und damit in einer anderen Erfassungsstellung) erfasst wurde als die Stellung, in der das Bild418-1 erfasst wurde. Im Bild818 ist eine Kante819 des Regalmoduls110-3 sichtbar, und bestimmte Punkte sowohl im Bild818 als auch in der Punktwolke korrespondieren daher mit Bereichen der Einrichtung jenseits des Regalmoduls110-3 . Zum Beispiel kann der Punkt820 eine zugehörige Tiefenmessung von 2500 mm haben. Der oben erwähnte maximale Schwellenwert kann als maximale bekannte Regaltiefe in der gesamten Einrichtung gewählt werden (z. B. 700 mm). Der Punkt820 kann daher in Block325 verworfen werden. - Zurück zu
3 werden in Block330 die Tiefenmessungen der endgültigen Teilmenge gemäß den entsprechenden Vertrauensniveaus aus der Maske512 gewichtet. Im vorliegenden Beispiel werden also die Tiefenmessungen für die Punkte712 und714 gemäß ihrer jeweiligen Vertrauensniveaus (100 % bzw. 90 %) gewichtet. Zum Beispiel können die Tiefen mit ihren jeweiligen Gewichtungen multipliziert werden (z. B. 530 × 1 und 522 × 0,9). In Block335 wird die Regalhöhe aus den gewichteten Tiefen bestimmt. Das heißt, die in Block335 ermittelte Regaltiefe ist ein gewichteter Durchschnitt der Tiefenmessungen in der endgültigen Teilmenge aus Block325 . Im vorliegenden Beispiel wird der gewichtete Durchschnitt der Tiefenmessungen für die Punkte712 und714 durch Summieren der gewichteten Tiefen und Dividieren des Ergebnisses durch die Summe der Gewichte (d.h. 1,9 oder 190%) ermittelt, was ein Ergebnis von 526,2 mm ergibt.9 zeigt die ermittelte Regaltiefe als eine gestrichelte Linie900 , die von der Regalebene404 ausgeht (und senkrecht zur Regalebene404 steht). - In Block
340 ist der Server101 so konfiguriert, dass er bestimmt, ob noch Erfassungsstellungen zu verarbeiten sind (d. h. ob noch weitere Vorrichtungsstellungen für die aktuelle Kamera vorhanden sind oder ob noch weitere Kameras in der aktuellen Vorrichtungsstellung verbleiben). Wenn die Bestimmung in Block340 positiv ist, wird die Durchführung des Verfahrens300 für alle nachfolgenden Bilder und korrespondierenden Masken wiederholt. Wenn die Bestimmung in Block340 negativ ist, wird die Durchführung des Verfahrens300 beendet. In einigen Beispielen wird Block335 nur nach einer negativen Bestimmung in Block340 ausgeführt und verwendet die mehreren gewichteten endgültigen Sätze von Tiefenmessungen aus jeder Ausführung von Block330 , um eine einzelne Regaltiefe für das Regalmodul110 zu bestimmen. Die über die Durchführung des Verfahrens300 ermittelte Regaltiefe kann beispielsweise an eine weitere Anwendung des Servers101 oder an eine anderes Computervorrichtung) zurückgegeben werden, um Lücken in den Regalen110 oder andere Objektzustandsdaten zu identifizieren. - In der vorstehenden Beschreibung wurden spezifische Ausführungsformen beschrieben. Ein Durchschnittsfachmann erkennt jedoch, dass verschiedene Modifikationen und Änderungen vorgenommen werden können, ohne den Schutzumfang der Erfindung, wie sie in den untenstehenden Ansprüchen definiert ist, abzuweichen. Dementsprechend sind die Beschreibung und die Figuren vielmehr in einem illustrativen als in einem einschränkenden Sinne zu betrachten, und alle derartigen Modifikationen sollen im Umfang der vorliegenden Lehren eingeschlossen sein.
- Die Nutzen, Vorteile, Lösungen für Probleme und alle Elemente, die zum Auftreten oder einer Verstärkung eines Nutzens, eines Vorteils, oder einer Lösung führen können, sind nicht als kritische, erforderliche oder wesentliche Merkmale oder Elemente in einigen oder sämtlichen Ansprüchen zu verstehen. Die Erfindung ist lediglich durch die angehängten Ansprüche definiert, einschließlich jeglicher Änderungen, die während der Anhängigkeit dieser Anmeldung vorgenommen wurden und aller Äquivalente der erteilten Ansprüche.
- Darüber hinaus können in diesem Dokument relationale Begriffe wie erster und zweiter, oberer und unterer und dergleichen lediglich verwendet sein, um eine Entität oder Aktion von einer anderen Entität oder Aktion zu unterscheiden, ohne notwendigerweise eine tatsächliche derartige Beziehung oder Reihenfolge zwischen solchen Entitäten oder Aktionen zu erfordern oder zu implizieren. Die Ausdrücke „umfasst“, „umfassend“, „hat”, „haben“, „aufweist“, „aufweisend“, „enthält“, „enthaltend“ oder jede andere Variation davon sollen eine nicht-ausschließliche Einbeziehung abdecken, derart, dass ein Prozess, Verfahren, Produkt oder Vorrichtung, das eine Liste von Elementen umfasst, hat, aufweist, enthält, nicht nur diese Elemente aufweist, sondern auch andere Elemente aufweisen kann, die nicht ausdrücklich aufgelistet sind oder einem solchen Prozess, Verfahren, Produkt oder Vorrichtung inhärent sind. Ein Element, dem „umfasst ... ein“, „hat ... ein”, „aufweist ... ein“ oder „enthält ...ein“ vorausgeht, schließt ohne weitere Einschränkungen die Existenz zusätzlicher identischer Elemente in dem Prozess, dem Verfahren, dem Produkt oder der Vorrichtung, die das Element umfasst, hat, aufweist oder enthält, nicht aus. Die Begriffe „ein“ und „eine“ sind als eine oder mehrere definiert, sofern es hierin nicht ausdrücklich anders angegeben wird. Die Begriffe „im Wesentlichen“, „im Allgemeinen“, „ungefähr“, „etwa“ oder jede andere Version davon sind so definiert, dass sie von einem Fachmann auf diesem Gebiet nahekommend verstanden werden, und in einer nicht-einschränkenden Ausführungsform ist der Ausdruck definiert als innerhalb von 10%, in einer weiteren Ausführungsform als innerhalb von 5%, in einer weiteren Ausführungsform als innerhalb von 1% und in einer weiteren Ausführungsform als innerhalb von 0,5%. Der Ausdruck „gekoppelt“, wie er hierin verwendet wird, ist als verbunden definiert, jedoch nicht notwendigerweise direkt und nicht notwendigerweise mechanisch. Eine Vorrichtung oder eine Struktur, die auf eine bestimmte Art „ausgeführt“ ist, ist zumindest auch so ausgeführt, kann aber auch auf Arten ausgeführt sein, die nicht aufgeführt sind.
- Es versteht sich, dass einige Ausführungsformen von einem oder mehreren generischen oder spezialisierten Prozessoren (oder „Verarbeitungsgeräten“) wie Mikroprozessoren, digitale Signalprozessoren, kundenspezifische Prozessoren und Field-Programmable-Gate-Arrays (FPGAs) und einmalig gespeicherten Programmanweisungen (einschließlich sowohl Software als auch Firmware) umfasst sein können, die den einen oder die mehreren Prozessoren steuern, um in Verbindung mit bestimmten Nicht-Prozessorschaltungen einige, die meisten oder alle der hierin beschriebenen Funktionen des Verfahrens und/oder der Vorrichtung zu implementieren. Alternativ können einige oder alle Funktionen durch eine Zustandsmaschine implementiert sein, die keine gespeicherten Programmanweisungen aufweist, oder in einer oder mehreren anwendungsspezifischen integrierten Schaltungen (ASICs), in denen jede Funktion oder einige Kombinationen von bestimmten Funktionen als benutzerdefinierte Logik implementiert sind. Natürlich kann eine Kombination der beiden Ansätze verwendet werden.
- Darüber hinaus kann eine Ausführungsform als ein computerlesbares Speichermedium implementiert sein, auf dem computerlesbarer Code gespeichert ist, um einen Computer (der zum Beispiel einen Prozessor umfasst) zu programmieren, um ein Verfahren auszuführen, wie es hierin beschrieben und beansprucht ist. Beispiele solcher computerlesbaren Speichermedien weisen eine Festplatte, eine CD-ROM, eine optische Speichervorrichtung, eine magnetische Speichervorrichtung, einen ROM (Nur-Lese-Speicher), einen PROM (programmierbarer Nur-Lese-Speicher), einen EPROM (löschbarer programmierbarer Nur-Lese-Speicher), einen EEPROM (elektrisch löschbarer programmierbarer Nur-Lese-Speicher) und einen Flash-Speicher auf, sind aber nicht hierauf beschränkt auf. Ferner wird davon ausgegangen, dass ein Durchschnittsfachmann, ungeachtet möglicher signifikanter Anstrengungen und vieler Designwahlen, die zum Beispiel durch verfügbare Zeit, aktuelle Technologie und wirtschaftliche Überlegungen motiviert sind, ohne Weiteres in der Lage ist, solche Softwareanweisungen und -programme und ICs mit minimalem Experimentieren zu generieren, wenn er durch die hierin offenbarten Konzepte und Prinzipien angeleitet wird.
- Die Zusammenfassung der Offenbarung wird bereitgestellt, um es dem Leser zu ermöglichen, schnell das Wesen der technischen Offenbarung zu ermitteln. Sie wird mit dem Verständnis bereitgestellt, dass sie nicht zur Auslegung oder Einschränkung des Umfangs oder der Bedeutung der Ansprüche verwendet wird. Ferner kann der vorangehenden detaillierten Beschreibung entnommen werden, dass verschiedene Merkmale in verschiedenen Ausführungsformen zum Zwecke der Verschlankung der Offenbarung zusammengefasst sind. Diese Art der Offenbarung ist nicht so auszulegen, dass sie die Absicht widerspiegelt, dass die beanspruchten Ausführungsformen mehr Merkmale erfordern, als ausdrücklich in jedem Anspruch angegeben sind. Vielmehr ist es so, wie die folgenden Ansprüche zeigen, dass der erfinderische Gegenstand in weniger als allen Merkmalen einer einzigen offenbarten Ausführungsform liegt. Somit werden die folgenden Ansprüche hiermit in die detaillierte Beschreibung inkorporiert, wobei jeder Anspruch für sich als ein separat beanspruchter Gegenstand steht.
Claims (20)
- Verfahren zum Bestimmen einer Trägerstrukturtiefe einer Trägerstruktur mit einer Vorderseite und einer Rückseite, die durch die Trägerstrukturtiefe getrennt sind, wobei das Verfahren umfasst: Erhalten (i) einer Punktwolke der Trägerstruktur, und (ii) einer Maske, die für eine Vielzahl von Abschnitten eines Bildes der Trägerstruktur, das aus einer Erfassungsstellung erfasst wurde, jeweilige Vertrauensniveaus anzeigt, dass die Abschnitte die Rückseite der Trägerstruktur darstellen; Auswählen eines Anfangssatzes von Punkten aus der Punktwolke, die sich innerhalb eines Sichtfeldes befinden, das von der Erfassungsstellung ausgeht; Auswählen einer nicht verdeckten Teilmenge von Tiefenmessungen aus dem Anfangssatz von Punkten, wobei die Tiefenmessungen in der nicht verdeckten Teilmenge mit jeweiligen Bildkoordinaten korrespondieren; Abrufen eines Vertrauensniveaus aus der Maske für jede der Tiefenmessungen in der nicht verdeckten Teilmenge; und Bestimmen der Trägerstrukturtiefe basierend auf den Tiefenmessungen in der nicht verdeckten Teilmenge und den abgerufenen Vertrauensniveaus.
- Verfahren nach
Anspruch 1 , ferner umfassend: Erhalten einer weiteren Maske, die mit einem weiteren Bild der Trägerstruktur korrespondiert, das aus einer weiteren Erfassungsstellung erfasst wurde; Auswählen eines weiteren Anfangssatzes von Punkten; Auswählen eines weiteren nicht verdeckten Satzes von Tiefenmessungen; Abrufen eines weiteren Vertrauensniveaus für jede der Tiefenmessungen in der weiteren nicht verdeckten Teilmenge. - Verfahren nach
Anspruch 2 , ferner umfassend: Bestimmen der Trägerstrukturtiefe basierend auf den Tiefenmessungen in der nicht verdeckten Teilmenge, den Tiefenmessungen in der weiteren nicht verdeckten Teilmenge, den Vertrauensniveaus und den weiteren Vertrauensniveaus. - Verfahren nach
Anspruch 1 , wobei eine Erfassungsstellung eine Kameraposition und -ausrichtung innerhalb eines gemeinsamen Referenzrahmens definiert. - Verfahren nach
Anspruch 1 , wobei das Auswählen des Anfangssatzes von Punkten umfasst: Erzeugen einer Baumdatenstruktur, die für jeden Punkt in der Punktwolke eine erste und eine zweite Dimension orthogonal zur Trägerstrukturtiefe umfasst; Bestimmen eines Sichtfeldzentrums in der ersten und zweiten Dimension; und Abrufen des Anfangssatzes von Punkten innerhalb eines vordefinierten Radius des Sichtfeldzentrums aus der Baumdatenstruktur. - Verfahren nach
Anspruch 1 , wobei das Auswählen der nicht verdeckten Teilmenge von Tiefenmessungen umfasst: Bestimmen von Bildkoordinaten, die mit jedem des Anfangssatzes von Punkten korrespondieren; Identifizieren von Nachbargruppen der Bildkoordinaten; und Auswählen der Bildkoordinate, die mit der kleinsten Tiefenmessung korrespondiert, für jede Nachbargruppe. - Verfahren nach
Anspruch 1 , wobei das Bestimmen der Trägerstrukturtiefe umfasst: Erhalten einer Ebenendefinition, die mit der Vorderseite der Trägerstruktur korrespondiert; Transformieren jeder Tiefenmessung der nicht verdeckten Teilmenge von Tiefenmessungen in eine Tiefe relativ zur Ebenendefinition; Gewichten jeder transformierten Tiefenmessung gemäß den abgerufenen Vertrauensniveaus; und Bestimmen eines Durchschnitts der gewichteten Tiefenmessungen. - Verfahren nach
Anspruch 1 , ferner umfassend: vor dem Bestimmen der Trägerstrukturtiefe, Verwerfen von Tiefenmessungen, für welche die abgerufenen Vertrauensniveaus unterhalb einer minimalen Vertrauensschwelle liegen. - Verfahren nach
Anspruch 1 , ferner umfassend: vor dem Bestimmen der Trägerstrukturtiefe, Verwerfen von Tiefenmessungen, die einen maximalen Tiefenschwellwert überschreiten. - Computervorrichtung zum Bestimmen einer Trägerstrukturtiefe einer Trägerstruktur mit einer Vorderseite und einer Rückseite, die durch die Trägerstrukturtiefe getrennt sind, wobei die Computervorrichtung umfasst: einen Speicher, der (i) eine Punktwolke der Trägerstruktur und (ii) eine Maske speichert, die für eine Vielzahl von Abschnitten eines Bildes der Trägerstruktur, das aus einer Erfassungsstellung erfasst wurde, jeweilige Vertrauensniveaus anzeigt, dass die Abschnitte die Rückseite der Trägerstruktur darstellen; eine Bildgebungssteuerung, die mit dem Speicher verbunden ist und so konfiguriert ist, dass sie: aus der Punktwolke einen Anfangssatz von Punkten auswählt, die sich innerhalb eines Sichtfeldes befinden, das von der Erfassungsstellung ausgeht; aus dem Anfangssatz von Punkten eine nicht verdeckte Teilmenge von Tiefenmessungen auswählt, wobei die Tiefenmessungen in der nicht verdeckten Teilmenge mit jeweiligen Bildkoordinaten korrespondieren; ein Vertrauensniveau aus der Maske für jede der Tiefenmessungen in der nicht verdeckten Teilmenge abruft; und basierend auf den Tiefenmessungen in der nicht verdeckten Teilmenge und den abgerufenen Vertrauensniveaus die Trägerstrukturtiefe bestimmt.
- Computervorrichtung nach
Anspruch 10 , wobei die Bildgebungssteuerung ferner so konfiguriert ist, dass sie: eine weitere Maske erhält, die mit einem weiteren Bild der Trägerstruktur korrespondiert, das aus einer weiteren Erfassungsstellung erfasst wurde; einen weiteren Anfangssatz von Punkten auswählt; einen weiteren nicht verdeckten Satz von Tiefenmessungen auswählt; ein weiteres Vertrauensniveau für jede der Tiefenmessungen in der weiteren nicht verdeckten Teilmenge abruft. - Computervorrichtung nach
Anspruch 11 , wobei die Bildgebungssteuerung ferner so konfiguriert ist, dass sie: die Trägerstrukturtiefe basierend auf den Tiefenmessungen in der nicht verdeckten Teilmenge, den Tiefenmessungen in der weiteren nicht verdeckten Teilmenge, den Vertrauensniveaus und den weiteren Vertrauensniveaus bestimmt. - Computervorrichtung nach
Anspruch 10 , wobei eine Erfassungsstellung eine Kameraposition und -ausrichtung innerhalb eines gemeinsamen Referenzrahmens definiert. - Computervorrichtung nach
Anspruch 10 , wobei die Bildgebungssteuerung ferner so konfiguriert ist, dass sie den Anfangssatz von Punkten auswählt, um: eine Baumdatenstruktur zu erzeugen, die für jeden Punkt in der Punktwolke eine erste und eine zweite Dimension orthogonal zur Trägerstrukturtiefe umfasst; ein Sichtfeldzentrum in der ersten und zweiten Dimension zu bestimmen, und aus der Baumdatenstruktur den Anfangssatz von Punkten innerhalb eines vordefinierten Radius des Sichtfeldzentrums abzurufen. - Computervorrichtung nach
Anspruch 10 , wobei die Bildgebungssteuerung ferner so konfiguriert ist, dass sie die nicht verdeckte Teilmenge von Tiefenmessungen auswählt, um: Bildkoordinaten zu bestimmen, die mit jedem des Anfangssatzes von Punkten korrespondieren; Nachbargruppen der Bildkoordinaten zu identifizieren; und für jede Nachbargruppe die Bildkoordinate auszuwählen, die mit der kleinsten Tiefenmessung korrespondiert. - Computervorrichtung nach
Anspruch 10 , wobei die Bildgebungssteuerung ferner so konfiguriert ist, dass sie die Trägerstrukturtiefe bestimmt, um: eine Ebenendefinition zu erhalten, die mit der Vorderseite der Trägerstruktur korrespondiert; jede Tiefenmessung der nicht verdeckten Teilmenge von Tiefenmessungen in eine Tiefe relativ zur Ebenendefinition zu transformieren; jede transformierte Tiefenmessung gemäß den abgerufenen Vertrauensniveaus zu gewichten; und einen Durchschnitt der gewichteten Tiefenmessungen zu bestimmen. - Computervorrichtung nach
Anspruch 10 , wobei die Bildgebungssteuerung ferner so konfiguriert ist, dass sie: vor dem Bestimmen der Trägerstrukturtiefe Tiefenmessungen verwirft, für welche die abgerufenen Vertrauensniveaus unterhalb einer minimalen Vertrauensschwelle liegen. - Computervorrichtung nach
Anspruch 10 , wobei die Bildgebungssteuerung ferner so konfiguriert ist, dass sie: vor dem Bestimmen der Trägerstrukturtiefe Tiefenmessungen verwirft, die einen maximalen Tiefenschwellwert überschreiten. - Computerlesbares Medium, auf dem computerausführbare Befehle gespeichert sind, wobei die Befehle umfassen: Erhalten (i) einer Punktwolke der Trägerstruktur, und (ii) einer Maske, die für eine Vielzahl von Abschnitten eines Bildes der Trägerstruktur, das aus einer Erfassungsstellung erfasst wurde, jeweilige Vertrauensniveaus anzeigt, dass die Abschnitte die Rückseite der Trägerstruktur darstellen; Auswählen eines Anfangssatzes von Punkten aus der Punktwolke, die sich innerhalb eines Sichtfeldes befinden, das von der Erfassungsstellung ausgeht; Auswählen einer nicht verdeckten Teilmenge von Tiefenmessungen aus dem Anfangssatz von Punkten, wobei die Tiefenmessungen in der nicht verdeckten Teilmenge mit jeweiligen Bildkoordinaten korrespondieren; Abrufen eines Vertrauensniveaus aus der Maske für jede der Tiefenmessungen in der nicht verdeckten Teilmenge; und Bestimmen der Trägerstrukturtiefe basierend auf den Tiefenmessungen in der nicht verdeckten Teilmenge und den abgerufenen Vertrauensniveaus.
- Computerlesbares Medium nach
Anspruch 19 , wobei die Befehle ferner umfassen: Bestimmen der Trägerstrukturtiefe basierend auf den Tiefenmessungen in der nicht verdeckten Teilmenge, den Tiefenmessungen in der weiteren nicht verdeckten Teilmenge, den Vertrauensniveaus und den weiteren Vertrauensniveaus.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/152,986 | 2018-10-05 | ||
US16/152,986 US11506483B2 (en) | 2018-10-05 | 2018-10-05 | Method, system and apparatus for support structure depth determination |
PCT/US2019/049761 WO2020072170A1 (en) | 2018-10-05 | 2019-09-05 | Method, system and apparatus for support structure depth determination |
Publications (1)
Publication Number | Publication Date |
---|---|
DE112019004975T5 true DE112019004975T5 (de) | 2021-07-08 |
Family
ID=70051904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE112019004975.5T Pending DE112019004975T5 (de) | 2018-10-05 | 2019-09-05 | Verfahren, system und vorrichtung zur bestimmung einer trägerstrukturtiefe |
Country Status (5)
Country | Link |
---|---|
US (1) | US11506483B2 (de) |
JP (1) | JP7141525B2 (de) |
CA (1) | CA3113942C (de) |
DE (1) | DE112019004975T5 (de) |
WO (1) | WO2020072170A1 (de) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11836940B2 (en) * | 2020-06-15 | 2023-12-05 | Zebra Technologies Corporation | Three-dimensional sensor acuity recovery assistance |
Family Cites Families (512)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5214615A (en) | 1990-02-26 | 1993-05-25 | Will Bauer | Three-dimensional displacement of a body with computer interface |
US5209712A (en) | 1991-06-24 | 1993-05-11 | Frederic Ferri | Proprioceptive exercise, training and therapy apparatus |
US5704049A (en) | 1992-12-22 | 1997-12-30 | Electronic Retailing Systems International Inc. | Subglobal area addressing for electronic price displays |
US5408322A (en) | 1993-04-26 | 1995-04-18 | Materials Research Corporation | Self aligning in-situ ellipsometer and method of using for process monitoring |
FI941922A (fi) | 1993-04-27 | 1994-10-28 | Csir | Painolaite |
JP3311830B2 (ja) | 1993-09-20 | 2002-08-05 | 株式会社東芝 | 3次元動画作成装置 |
KR100197676B1 (ko) | 1993-09-27 | 1999-06-15 | 윤종용 | 로보트 청소기 |
AU1333895A (en) | 1993-11-30 | 1995-06-19 | Raymond R. Burke | Computer system for allowing a consumer to purchase packaged goods at home |
US5414268A (en) | 1994-02-01 | 1995-05-09 | The Coe Manufacturing Company | Light scanner with interlaced camera fields and parallel light beams |
JPH0996672A (ja) | 1995-09-29 | 1997-04-08 | Sukuuea:Kk | 3次元位置データ生成システムおよび方法 |
US20020014533A1 (en) | 1995-12-18 | 2002-02-07 | Xiaxun Zhu | Automated object dimensioning system employing contour tracing, vertice detection, and forner point detection and reduction methods on 2-d range data maps |
US6034379A (en) | 1996-03-01 | 2000-03-07 | Intermec Ip Corp. | Code reader having replaceable optics assemblies supporting multiple illuminators |
US5831719A (en) | 1996-04-12 | 1998-11-03 | Holometrics, Inc. | Laser scanning system |
US5988862A (en) | 1996-04-24 | 1999-11-23 | Cyra Technologies, Inc. | Integrated system for quickly and accurately imaging and modeling three dimensional objects |
US6075905A (en) | 1996-07-17 | 2000-06-13 | Sarnoff Corporation | Method and apparatus for mosaic image construction |
US5953055A (en) | 1996-08-08 | 1999-09-14 | Ncr Corporation | System and method for detecting and analyzing a queue |
JP3371279B2 (ja) | 1997-03-10 | 2003-01-27 | ペンタックス プレシジョン株式会社 | Tvカメラ用レンズの選択方法および選択装置 |
US6026376A (en) | 1997-04-15 | 2000-02-15 | Kenney; John A. | Interactive electronic shopping system and method |
GB2330265A (en) | 1997-10-10 | 1999-04-14 | Harlequin Group Limited The | Image compositing using camera data |
IL122079A (en) | 1997-10-30 | 2002-02-10 | Netmor Ltd | Ultrasound system for positioning and tracking |
WO1999023600A1 (en) | 1997-11-04 | 1999-05-14 | The Trustees Of Columbia University In The City Of New York | Video signal face region detection |
US6975764B1 (en) | 1997-11-26 | 2005-12-13 | Cognex Technology And Investment Corporation | Fast high-accuracy multi-dimensional pattern inspection |
US7016539B1 (en) | 1998-07-13 | 2006-03-21 | Cognex Corporation | Method for fast, robust, multi-dimensional pattern recognition |
US6332098B2 (en) | 1998-08-07 | 2001-12-18 | Fedex Corporation | Methods for shipping freight |
US6820895B2 (en) | 1998-09-23 | 2004-11-23 | Vehicle Safety Systems, Inc. | Vehicle air bag minimum distance enforcement apparatus, method and system |
US6442507B1 (en) | 1998-12-29 | 2002-08-27 | Wireless Communications, Inc. | System for creating a computer model and measurement database of a wireless communication network |
US6711293B1 (en) | 1999-03-08 | 2004-03-23 | The University Of British Columbia | Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image |
US6388688B1 (en) | 1999-04-06 | 2002-05-14 | Vergics Corporation | Graph-based visual navigation through spatial environments |
US8009348B2 (en) | 1999-05-03 | 2011-08-30 | E Ink Corporation | Machine-readable displays |
US6850946B1 (en) | 1999-05-26 | 2005-02-01 | Wireless Valley Communications, Inc. | Method and system for a building database manipulator |
US6721723B1 (en) | 1999-12-23 | 2004-04-13 | 1St Desk Systems, Inc. | Streaming metatree data structure for indexing information in a data base |
US6687388B2 (en) | 2000-01-28 | 2004-02-03 | Sony Corporation | Picture processing apparatus |
US6711283B1 (en) | 2000-05-03 | 2004-03-23 | Aperio Technologies, Inc. | Fully automatic rapid microscope slide scanner |
US7155067B2 (en) | 2000-07-11 | 2006-12-26 | Eg Technology, Inc. | Adaptive edge detection and enhancement for image processing |
GB0020850D0 (en) | 2000-08-23 | 2000-10-11 | Univ London | A system and method for intelligent modelling of public spaces |
TW512478B (en) | 2000-09-14 | 2002-12-01 | Olympus Optical Co | Alignment apparatus |
US7213023B2 (en) | 2000-10-16 | 2007-05-01 | University Of North Carolina At Charlotte | Incremental clustering classifier and predictor |
US7054509B2 (en) | 2000-10-21 | 2006-05-30 | Cardiff Software, Inc. | Determining form identification through the spatial relationship of input data |
WO2002043034A1 (en) | 2000-11-21 | 2002-05-30 | Michael Stuart Gardner | Tag marking |
US7068852B2 (en) | 2001-01-23 | 2006-06-27 | Zoran Corporation | Edge detection and sharpening process for an image |
JP2002321698A (ja) | 2001-04-27 | 2002-11-05 | Mitsubishi Heavy Ind Ltd | 航空貨物運搬用ボーディング・ブリッジ |
US7277187B2 (en) | 2001-06-29 | 2007-10-02 | Quantronix, Inc. | Overhead dimensioning system and method |
US7046273B2 (en) | 2001-07-02 | 2006-05-16 | Fuji Photo Film Co., Ltd | System and method for collecting image information |
US7499045B2 (en) | 2001-08-01 | 2009-03-03 | International Business Machines Corporation | Graphics image generation |
US6995762B1 (en) | 2001-09-13 | 2006-02-07 | Symbol Technologies, Inc. | Measurement of dimensions of solid objects from two-dimensional image(s) |
US20030154141A1 (en) | 2001-09-18 | 2003-08-14 | Pro Corp Holdings International Ltd. | Image recognition inventory management system |
US6722568B2 (en) | 2001-11-20 | 2004-04-20 | Ncr Corporation | Methods and apparatus for detection and processing of supplemental bar code labels |
US7233699B2 (en) | 2002-03-18 | 2007-06-19 | National Instruments Corporation | Pattern matching using multiple techniques |
US20060106742A1 (en) | 2002-04-29 | 2006-05-18 | Speed Trac Technologies, Inc. | System and method for weighing and tracking freight |
US7149749B2 (en) | 2002-06-03 | 2006-12-12 | International Business Machines Corporation | Method of inserting and deleting leaves in tree table structures |
US10633093B2 (en) | 2017-05-05 | 2020-04-28 | General Electric Company | Three-dimensional robotic inspection system |
US6990406B2 (en) | 2002-07-22 | 2006-01-24 | California Institute Of Technology | Multi-agent autonomous system |
US6928194B2 (en) | 2002-09-19 | 2005-08-09 | M7 Visual Intelligence, Lp | System for mosaicing digital ortho-images |
US6845909B2 (en) | 2002-10-31 | 2005-01-25 | United Parcel Service Of America, Inc. | Systems and methods of inventory management utilizing unattended facilities |
EP1434170A3 (de) | 2002-11-07 | 2006-04-05 | Matsushita Electric Industrial Co., Ltd. | Verfahren und Vorrichtung zum Hinzufügen von Verzierungen an einem Bild einer Person |
JP3862652B2 (ja) | 2002-12-10 | 2006-12-27 | キヤノン株式会社 | 印刷制御方法及び情報処理装置 |
US7098907B2 (en) | 2003-01-30 | 2006-08-29 | Frantic Films Corporation | Method for converting explicitly represented geometric surfaces into accurate level sets |
US20110188759A1 (en) | 2003-06-26 | 2011-08-04 | Irina Filimonova | Method and System of Pre-Analysis and Automated Classification of Documents |
US7248754B2 (en) | 2003-05-05 | 2007-07-24 | International Business Machines Corporation | Apparatus and method for determining whether machine readable information on an item matches the item |
US7137207B2 (en) | 2003-06-23 | 2006-11-21 | Armstrong Timothy D | Measuring arrangement to determine location of corners for a building foundation and a wooden base frame, and the use thereof |
US7090135B2 (en) | 2003-07-07 | 2006-08-15 | Symbol Technologies, Inc. | Imaging arrangement and barcode imager for imaging an optical code or target at a plurality of focal planes |
US7493336B2 (en) | 2003-07-22 | 2009-02-17 | International Business Machines Corporation | System and method of updating planogram information using RFID tags and personal shopping device |
DE10336638A1 (de) | 2003-07-25 | 2005-02-10 | Robert Bosch Gmbh | Vorrichtung zur Klassifizierung wengistens eines Objekts in einem Fahrzeugumfeld |
TWI266035B (en) | 2003-11-11 | 2006-11-11 | Hon Hai Prec Ind Co Ltd | A system and method for measuring point-cloud |
US20050174351A1 (en) | 2004-02-11 | 2005-08-11 | Yuh-Jye Chang | Method and apparatus for large-scale two-dimensional mapping |
SE0400556D0 (sv) | 2004-03-05 | 2004-03-05 | Pricer Ab | Electronic shelf labelling system, electronic label, handheld device and method in an electronic labelling system |
DE112005000738T5 (de) | 2004-03-29 | 2007-04-26 | Evolution Robotics, Inc., Pasadena | Verfahren und Vorrichtung zur Positionsbestimmung unter Verwendung von reflektierten Lichtquellen |
WO2005098475A1 (en) | 2004-03-29 | 2005-10-20 | Evolution Robotics, Inc. | Sensing device and method for measuring position and orientation relative to multiple light sources |
US7885865B2 (en) | 2004-05-11 | 2011-02-08 | The Kroger Co. | System and method for mapping of planograms |
US7245558B2 (en) | 2004-06-18 | 2007-07-17 | Symbol Technologies, Inc. | System and method for detection using ultrasonic waves |
US7168618B2 (en) | 2004-08-12 | 2007-01-30 | International Business Machines Corporation | Retail store method and system |
US7643665B2 (en) | 2004-08-31 | 2010-01-05 | Semiconductor Insights Inc. | Method of design analysis of existing integrated circuits |
US8207964B1 (en) | 2008-02-22 | 2012-06-26 | Meadow William D | Methods and apparatus for generating three-dimensional image data models |
WO2006065563A2 (en) | 2004-12-14 | 2006-06-22 | Sky-Trax Incorporated | Method and apparatus for determining position and rotational orientation of an object |
US7783383B2 (en) | 2004-12-22 | 2010-08-24 | Intelligent Hospital Systems Ltd. | Automated pharmacy admixture system (APAS) |
US20060164682A1 (en) | 2005-01-25 | 2006-07-27 | Dspv, Ltd. | System and method of improving the legibility and applicability of document pictures using form based image enhancement |
US7440903B2 (en) | 2005-01-28 | 2008-10-21 | Target Brands, Inc. | System and method for evaluating and recommending planograms |
DE102005007536A1 (de) | 2005-02-17 | 2007-01-04 | Isra Vision Systems Ag | Verfahren zur Kalibrierung eines Messsystems |
US7751928B1 (en) | 2005-03-11 | 2010-07-06 | Amazon Technologies, Inc. | Method and system for agent exchange-based materials handling |
US9250081B2 (en) | 2005-03-25 | 2016-02-02 | Irobot Corporation | Management of resources for SLAM in large environments |
AU2006236789A1 (en) | 2005-04-13 | 2006-10-26 | Store Eyes, Inc. | System and method for measuring display compliance |
US20080175513A1 (en) | 2005-04-19 | 2008-07-24 | Ming-Jun Lai | Image Edge Detection Systems and Methods |
US8294809B2 (en) | 2005-05-10 | 2012-10-23 | Advanced Scientific Concepts, Inc. | Dimensioning system |
US7590053B2 (en) | 2005-06-21 | 2009-09-15 | Alcatel Lucent | Multiple endpoint protection using SPVCs |
CN101248330B (zh) | 2005-06-28 | 2015-06-17 | 斯甘拉伊斯股份有限公司 | 相对于参考测量和绘制表面的***和方法 |
US7817826B2 (en) | 2005-08-12 | 2010-10-19 | Intelitrac Inc. | Apparatus and method for partial component facial recognition |
US8625854B2 (en) | 2005-09-09 | 2014-01-07 | Industrial Research Limited | 3D scene scanner and a position and orientation system |
WO2007042251A2 (en) | 2005-10-10 | 2007-04-19 | Nordic Bioscience A/S | A method of segmenting an image |
US7605817B2 (en) | 2005-11-09 | 2009-10-20 | 3M Innovative Properties Company | Determining camera motion |
US7508794B2 (en) | 2005-11-29 | 2009-03-24 | Cisco Technology, Inc. | Authorizing an endpoint node for a communication service |
US8577538B2 (en) | 2006-07-14 | 2013-11-05 | Irobot Corporation | Method and system for controlling a remote vehicle |
JP4730121B2 (ja) | 2006-02-07 | 2011-07-20 | ソニー株式会社 | 画像処理装置および方法、記録媒体、並びに、プログラム |
US20070197895A1 (en) | 2006-02-17 | 2007-08-23 | Sdgi Holdings, Inc. | Surgical instrument to assess tissue characteristics |
US8157205B2 (en) | 2006-03-04 | 2012-04-17 | Mcwhirk Bruce Kimberly | Multibody aircrane |
US20100171826A1 (en) | 2006-04-12 | 2010-07-08 | Store Eyes, Inc. | Method for measuring retail display and compliance |
CA2737302C (en) | 2006-04-28 | 2013-06-18 | Global Sensor Systems Inc. | Device for measuring package size |
EP1850270B1 (de) | 2006-04-28 | 2010-06-09 | Toyota Motor Europe NV | Robuster Detektor und Deskriptor für einen Interessenspunkt |
US20070272732A1 (en) | 2006-05-26 | 2007-11-29 | Mettler-Toledo, Inc. | Weighing and dimensioning system and method for weighing and dimensioning |
EP2041516A2 (de) | 2006-06-22 | 2009-04-01 | Roy Sandberg | Verfahren und vorrichtung zur planung, auswahl und visualisierung von roboterwegen |
JP4910507B2 (ja) | 2006-06-29 | 2012-04-04 | コニカミノルタホールディングス株式会社 | 顔認証システム及び顔認証方法 |
US8965578B2 (en) | 2006-07-05 | 2015-02-24 | Battelle Energy Alliance, Llc | Real time explosive hazard information sensing, processing, and communication for autonomous operation |
US7647752B2 (en) | 2006-07-12 | 2010-01-19 | Greg Magnell | System and method for making custom boxes for objects of random size or shape |
US7940955B2 (en) | 2006-07-26 | 2011-05-10 | Delphi Technologies, Inc. | Vision-based method of determining cargo status by boundary detection |
JP5112666B2 (ja) | 2006-09-11 | 2013-01-09 | 株式会社日立製作所 | 移動装置 |
US7693757B2 (en) | 2006-09-21 | 2010-04-06 | International Business Machines Corporation | System and method for performing inventory using a mobile inventory robot |
CA2668364C (en) | 2006-11-02 | 2016-06-14 | Queen's University At Kingston | Method and apparatus for assessing proprioceptive function |
WO2008057504A2 (en) | 2006-11-06 | 2008-05-15 | Aman James A | Load tracking system based on self- tracking forklift |
US8531457B2 (en) | 2006-11-29 | 2013-09-10 | Technion Research And Development Foundation Ltd. | Apparatus and method for finding visible points in a cloud point |
US7474389B2 (en) | 2006-12-19 | 2009-01-06 | Dean Greenberg | Cargo dimensional and weight analyzing system |
US8189926B2 (en) | 2006-12-30 | 2012-05-29 | Videomining Corporation | Method and system for automatically analyzing categories in a physical space based on the visual characterization of people |
US20080164310A1 (en) | 2007-01-09 | 2008-07-10 | Dupuy Charles G | Labeling system |
US9305019B2 (en) | 2007-01-30 | 2016-04-05 | Craxel, Inc. | Method of associating user related data with spatial hierarchy identifiers for efficient location-based processing |
US20100141806A1 (en) | 2007-03-15 | 2010-06-10 | Kansai University | Moving Object Noise Elimination Processing Device and Moving Object Noise Elimination Processing Program |
US7940279B2 (en) | 2007-03-27 | 2011-05-10 | Utah State University | System and method for rendering of texel imagery |
US8132728B2 (en) | 2007-04-04 | 2012-03-13 | Sick, Inc. | Parcel dimensioning measurement system and method |
US8094937B2 (en) | 2007-04-17 | 2012-01-10 | Avago Technologies Ecbu Ip (Singapore) Pte. Ltd. | System and method for labeling feature clusters in frames of image data for optical navigation |
JP4561769B2 (ja) | 2007-04-27 | 2010-10-13 | アイシン・エィ・ダブリュ株式会社 | 経路案内システム及び経路案内方法 |
WO2008134562A2 (en) | 2007-04-27 | 2008-11-06 | Nielsen Media Research, Inc. | Methods and apparatus to monitor in-store media and consumer traffic related to retail environments |
AU2007354731A1 (en) | 2007-06-08 | 2008-12-11 | Tele Atlas B.V. | Method of and apparatus for producing a multi-viewpoint panorama |
EP2165289A4 (de) | 2007-06-11 | 2012-07-04 | Hand Held Prod Inc | Optisches lesesystem zum extrahieren von informationen aus einem digitalen bild |
US7982423B2 (en) | 2007-07-04 | 2011-07-19 | Bossa Nova Concepts, Llc | Statically stable biped robotic mechanism and method of actuating |
JP4661838B2 (ja) | 2007-07-18 | 2011-03-30 | トヨタ自動車株式会社 | 経路計画装置及び方法、コスト評価装置、並びに移動体 |
KR100922494B1 (ko) | 2007-07-19 | 2009-10-20 | 삼성전자주식회사 | 이동 로봇의 자세 측정 방법 및 상기 방법을 이용한 위치측정 방법 및 장치 |
US7726575B2 (en) | 2007-08-10 | 2010-06-01 | Hand Held Products, Inc. | Indicia reading terminal having spatial measurement functionality |
US20100153400A1 (en) | 2007-08-21 | 2010-06-17 | Yoav Namir | Systems and methods for rational selection of context sequences and sequence templates |
US8950673B2 (en) | 2007-08-30 | 2015-02-10 | Symbol Technologies, Inc. | Imaging system for reading target with multiple symbols |
US7949568B2 (en) | 2007-08-31 | 2011-05-24 | Accenture Global Services Limited | Determination of product display parameters based on image processing |
US8630924B2 (en) | 2007-08-31 | 2014-01-14 | Accenture Global Services Limited | Detection of stock out conditions based on image processing |
US8189855B2 (en) | 2007-08-31 | 2012-05-29 | Accenture Global Services Limited | Planogram extraction based on image processing |
US8009864B2 (en) | 2007-08-31 | 2011-08-30 | Accenture Global Services Limited | Determination of inventory conditions based on image processing |
US9135491B2 (en) | 2007-08-31 | 2015-09-15 | Accenture Global Services Limited | Digital point-of-sale analyzer |
US8295590B2 (en) | 2007-09-14 | 2012-10-23 | Abbyy Software Ltd. | Method and system for creating a form template for a form |
JP2009074836A (ja) * | 2007-09-19 | 2009-04-09 | Advanced Telecommunication Research Institute International | 画像処理装置、画像処理方法及び画像処理プログラム |
JP4466705B2 (ja) | 2007-09-21 | 2010-05-26 | ヤマハ株式会社 | ナビゲーション装置 |
US8396284B2 (en) | 2007-10-23 | 2013-03-12 | Leica Geosystems Ag | Smart picking in 3D point clouds |
US8091782B2 (en) | 2007-11-08 | 2012-01-10 | International Business Machines Corporation | Using cameras to monitor actual inventory |
US20090125350A1 (en) | 2007-11-14 | 2009-05-14 | Pieter Lessing | System and method for capturing and storing supply chain and logistics support information in a relational database system |
US20090160975A1 (en) | 2007-12-19 | 2009-06-25 | Ncr Corporation | Methods and Apparatus for Improved Image Processing to Provide Retroactive Image Focusing and Improved Depth of Field in Retail Imaging Systems |
US8423431B1 (en) | 2007-12-20 | 2013-04-16 | Amazon Technologies, Inc. | Light emission guidance |
US20090192921A1 (en) | 2008-01-24 | 2009-07-30 | Michael Alan Hicks | Methods and apparatus to survey a retail environment |
US8353457B2 (en) | 2008-02-12 | 2013-01-15 | Datalogic ADC, Inc. | Systems and methods for forming a composite image of multiple portions of an object from multiple perspectives |
US7971664B2 (en) | 2008-03-18 | 2011-07-05 | Bossa Nova Robotics Ip, Inc. | Efficient actuation and selective engaging and locking clutch mechanisms for reconfiguration and multiple-behavior locomotion of an at least two-appendage robot |
US9766074B2 (en) | 2008-03-28 | 2017-09-19 | Regents Of The University Of Minnesota | Vision-aided inertial navigation |
US8064729B2 (en) | 2008-04-03 | 2011-11-22 | Seiko Epson Corporation | Image skew detection apparatus and methods |
US7707073B2 (en) | 2008-05-15 | 2010-04-27 | Sony Ericsson Mobile Communications, Ab | Systems methods and computer program products for providing augmented shopping information |
US20150170256A1 (en) | 2008-06-05 | 2015-06-18 | Aisle411, Inc. | Systems and Methods for Presenting Information Associated With a Three-Dimensional Location on a Two-Dimensional Display |
JP4720859B2 (ja) | 2008-07-09 | 2011-07-13 | カシオ計算機株式会社 | 画像処理装置、画像処理方法およびプログラム |
JP5259286B2 (ja) | 2008-07-16 | 2013-08-07 | 株式会社日立製作所 | 3次元物体認識システム及びそれを用いた棚卸システム |
US8184196B2 (en) | 2008-08-05 | 2012-05-22 | Qualcomm Incorporated | System and method to generate depth data using edge detection |
CN102356400A (zh) | 2008-08-08 | 2012-02-15 | 实耐宝公司 | 基于图像的库存控制*** |
US9841314B2 (en) | 2008-08-29 | 2017-12-12 | United Parcel Service Of America, Inc. | Systems and methods for freight tracking and monitoring |
WO2010029553A1 (en) | 2008-09-11 | 2010-03-18 | Netanel Hagbi | Method and system for compositing an augmented reality scene |
US20100070365A1 (en) | 2008-09-12 | 2010-03-18 | At&T Intellectual Property I, L.P. | Planogram guided shopping |
EP2332094B1 (de) | 2008-09-14 | 2014-03-12 | Eliezer Magal | Automatisches identifikationssystem für zufällig orientierte objekte |
US20100091094A1 (en) | 2008-10-14 | 2010-04-15 | Marek Sekowski | Mechanism for Directing a Three-Dimensional Camera System |
WO2010048205A1 (en) | 2008-10-20 | 2010-04-29 | Raritan Americas, Inc. | System and method for automatic determination of the physical location of data center equipment |
US8479996B2 (en) | 2008-11-07 | 2013-07-09 | Symbol Technologies, Inc. | Identification of non-barcoded products |
KR101234798B1 (ko) | 2008-11-24 | 2013-02-20 | 삼성전자주식회사 | 이동 로봇의 위치 측정 방법 및 장치 |
US8463079B2 (en) | 2008-12-16 | 2013-06-11 | Intermec Ip Corp. | Method and apparatus for geometrical measurement using an optical device such as a barcode and/or RFID scanner |
US8732139B2 (en) | 2008-12-18 | 2014-05-20 | Sap Ag | Method and system for dynamically partitioning very large database indices on write-once tables |
IL196276A (en) | 2008-12-30 | 2013-04-30 | Elbit Systems Ltd | Independent navigation system and method for maneuverable platform |
US8812226B2 (en) | 2009-01-26 | 2014-08-19 | GM Global Technology Operations LLC | Multiobject fusion module for collision preparation system |
US8265895B2 (en) | 2009-03-27 | 2012-09-11 | Symbol Technologies, Inc. | Interactive sensor systems and methods for dimensioning |
US8260742B2 (en) | 2009-04-03 | 2012-09-04 | International Business Machines Corporation | Data synchronization and consistency across distributed repositories |
US8284988B2 (en) | 2009-05-13 | 2012-10-09 | Applied Vision Corporation | System and method for dimensioning objects using stereoscopic imaging |
US8743176B2 (en) | 2009-05-20 | 2014-06-03 | Advanced Scientific Concepts, Inc. | 3-dimensional hybrid camera and production system |
US8049621B1 (en) | 2009-05-28 | 2011-11-01 | Walgreen Co. | Method and apparatus for remote merchandise planogram auditing and reporting |
US8542252B2 (en) | 2009-05-29 | 2013-09-24 | Microsoft Corporation | Target digitization, extraction, and tracking |
US8933925B2 (en) | 2009-06-15 | 2015-01-13 | Microsoft Corporation | Piecewise planar reconstruction of three-dimensional scenes |
US7997430B2 (en) | 2009-06-30 | 2011-08-16 | Target Brands, Inc. | Display apparatus and method |
US20120019393A1 (en) | 2009-07-31 | 2012-01-26 | Robert Wolinsky | System and method for tracking carts in a retail environment |
CA2712576C (en) | 2009-08-11 | 2012-04-10 | Certusview Technologies, Llc | Systems and methods for complex event processing of vehicle-related information |
WO2011022716A1 (en) | 2009-08-21 | 2011-02-24 | Syngenta Participations Ag | Crop automated relative maturity system |
KR101619076B1 (ko) | 2009-08-25 | 2016-05-10 | 삼성전자 주식회사 | 모바일 플랫폼의 동적 물체 검출 및 추적 방법 |
US8942884B2 (en) | 2010-01-14 | 2015-01-27 | Innovative Transport Solutions, Llc | Transport system |
US8611670B2 (en) | 2010-02-25 | 2013-12-17 | The Board Of Trustees Of The Leland Stanford Junior University | Intelligent part identification for use with scene characterization or motion capture |
US20130278631A1 (en) | 2010-02-28 | 2013-10-24 | Osterhout Group, Inc. | 3d positioning of augmented reality information |
US20110216063A1 (en) | 2010-03-08 | 2011-09-08 | Celartem, Inc. | Lidar triangular network compression |
US8456518B2 (en) | 2010-03-31 | 2013-06-04 | James Cameron & Vincent Pace | Stereoscopic camera with automatic obstruction removal |
US8996563B2 (en) | 2010-04-06 | 2015-03-31 | Tokutek, Inc. | High-performance streaming dictionary |
CA2720217C (en) | 2010-04-08 | 2016-03-29 | Accenture Global Services Limited | Digital point-of-sale analyzer |
US8570343B2 (en) | 2010-04-20 | 2013-10-29 | Dassault Systemes | Automatic generation of 3D models from packaged goods product images |
US9400170B2 (en) | 2010-04-21 | 2016-07-26 | Faro Technologies, Inc. | Automatic measurement of dimensional data within an acceptance region by a laser tracker |
US8619265B2 (en) | 2011-03-14 | 2013-12-31 | Faro Technologies, Inc. | Automatic measurement of dimensional data with a laser tracker |
US8199977B2 (en) | 2010-05-07 | 2012-06-12 | Honeywell International Inc. | System and method for extraction of features from a 3-D point cloud |
US8134717B2 (en) | 2010-05-21 | 2012-03-13 | LTS Scale Company | Dimensional detection system and associated method |
US9109877B2 (en) | 2010-05-21 | 2015-08-18 | Jonathan S. Thierman | Method and apparatus for dimensional measurement |
FI124066B (fi) | 2010-06-01 | 2014-02-28 | Marisense Oy | Järjestely häiriöiden pienentämiseksi elektronisessa hyllylapussa |
US20110310088A1 (en) | 2010-06-17 | 2011-12-22 | Microsoft Corporation | Personalized navigation through virtual 3d environments |
US8756383B2 (en) | 2010-07-13 | 2014-06-17 | Red Hat Israel, Ltd. | Random cache line selection in virtualization systems |
US20120022913A1 (en) | 2010-07-20 | 2012-01-26 | Target Brands, Inc. | Planogram Generation for Peg and Shelf Items |
JP4914528B1 (ja) | 2010-08-31 | 2012-04-11 | 新日鉄ソリューションズ株式会社 | 拡張現実提供システム、情報処理端末、情報処理装置、拡張現実提供方法、情報処理方法、及びプログラム |
US9398205B2 (en) | 2010-09-01 | 2016-07-19 | Apple Inc. | Auto-focus control using image statistics data with coarse and fine auto-focus scores |
US8571314B2 (en) | 2010-09-02 | 2013-10-29 | Samsung Electronics Co., Ltd. | Three-dimensional display system with depth map mechanism and method of operation thereof |
WO2012030357A1 (en) | 2010-09-03 | 2012-03-08 | Arges Imaging, Inc. | Three-dimensional imaging system |
US8872851B2 (en) | 2010-09-24 | 2014-10-28 | Intel Corporation | Augmenting image data based on related 3D point cloud data |
EP2439487B1 (de) | 2010-10-06 | 2012-08-22 | Sick Ag | Volumenmessvorrichtung für bewegte Objekte |
US8174931B2 (en) | 2010-10-08 | 2012-05-08 | HJ Laboratories, LLC | Apparatus and method for providing indoor location, position, or tracking of a mobile computer using building information |
US9171442B2 (en) | 2010-11-19 | 2015-10-27 | Tyco Fire & Security Gmbh | Item identification using video recognition to supplement bar code or RFID information |
US20120133639A1 (en) | 2010-11-30 | 2012-05-31 | Microsoft Corporation | Strip panorama |
US9449233B2 (en) | 2010-12-01 | 2016-09-20 | The Trustees Of The University Of Pennsylvania | Distributed target tracking using self localizing smart camera networks |
SG190730A1 (en) | 2010-12-09 | 2013-07-31 | Univ Nanyang Tech | Method and an apparatus for determining vein patterns from a colour image |
US8773946B2 (en) | 2010-12-30 | 2014-07-08 | Honeywell International Inc. | Portable housings for generation of building maps |
JP5726330B2 (ja) | 2011-01-07 | 2015-05-27 | ユニバーシティー オブ カルカッタ | 3次元物体の保護区域を計算するように構成された方法およびシステム |
US8744644B2 (en) | 2011-01-19 | 2014-06-03 | Electronics And Telecommunications Research Institute | Apparatus and method for detecting location of vehicle |
KR101758058B1 (ko) | 2011-01-20 | 2017-07-17 | 삼성전자주식회사 | 깊이 정보를 이용한 카메라 모션 추정 방법 및 장치, 증강 현실 시스템 |
WO2012103092A2 (en) | 2011-01-24 | 2012-08-02 | Datalogic ADC, Inc. | Exception detection and handling in automated optical code reading systems |
US20120190453A1 (en) | 2011-01-25 | 2012-07-26 | Bossa Nova Robotics Ip, Inc. | System and method for online-offline interactive experience |
US20120191880A1 (en) | 2011-01-26 | 2012-07-26 | Bossa Nova Robotics IP, Inc | System and method for identifying accessories connected to apparatus |
KR102068216B1 (ko) | 2011-01-28 | 2020-01-20 | 인터치 테크놀로지스 인코퍼레이티드 | 이동형 원격현전 로봇과의 인터페이싱 |
WO2012100593A1 (zh) | 2011-01-30 | 2012-08-02 | 浙江省电力公司 | 智能电能表全自动化检定*** |
US8711206B2 (en) | 2011-01-31 | 2014-04-29 | Microsoft Corporation | Mobile camera localization using depth maps |
US8447549B2 (en) | 2011-02-11 | 2013-05-21 | Quality Vision International, Inc. | Tolerance evaluation with reduced measured points |
US8660338B2 (en) | 2011-03-22 | 2014-02-25 | Honeywell International Inc. | Wide baseline feature matching using collobrative navigation and digital terrain elevation data constraints |
WO2012132324A1 (ja) | 2011-03-31 | 2012-10-04 | 日本電気株式会社 | 店舗システム並びにその制御方法及び制御プログラムが格納された非一時的なコンピュータ可読媒体 |
US9854209B2 (en) | 2011-04-19 | 2017-12-26 | Ford Global Technologies, Llc | Display system utilizing vehicle and trailer dynamics |
US8693725B2 (en) | 2011-04-19 | 2014-04-08 | International Business Machines Corporation | Reliability in detecting rail crossing events |
EP2710536A4 (de) | 2011-05-11 | 2015-07-22 | Proiam Llc | Registrierungsvorrichtung, -system und -verfahren mithilfe einer dreidimensionalen kamera |
US20120287249A1 (en) | 2011-05-12 | 2012-11-15 | Electronics And Telecommunications Research Institute | Method for obtaining depth information and apparatus using the same |
US8902353B2 (en) | 2011-05-12 | 2014-12-02 | Symbol Technologies, Inc. | Imaging reader with independently controlled illumination rate |
EP2719168A2 (de) | 2011-06-10 | 2014-04-16 | Flir Systems, Inc. | Systeme und verfahren zur intelligenten überwachung von verkehrsstrassen mittels thermischer bildgebung |
US9785898B2 (en) | 2011-06-20 | 2017-10-10 | Hi-Tech Solutions Ltd. | System and method for identifying retail products and determining retail product arrangements |
US9064394B1 (en) | 2011-06-22 | 2015-06-23 | Alarm.Com Incorporated | Virtual sensors |
US9342928B2 (en) | 2011-06-29 | 2016-05-17 | Honeywell International Inc. | Systems and methods for presenting building information |
US9070285B1 (en) | 2011-07-25 | 2015-06-30 | UtopiaCompression Corporation | Passive camera based cloud detection and avoidance for aircraft systems |
WO2013016518A1 (en) | 2011-07-27 | 2013-01-31 | Mine Safety Appliances Company | Navigational deployment and initialization systems and methods |
KR101907081B1 (ko) | 2011-08-22 | 2018-10-11 | 삼성전자주식회사 | 3차원 점군의 물체 분리 방법 |
US9129277B2 (en) | 2011-08-30 | 2015-09-08 | Digimarc Corporation | Methods and arrangements for identifying objects |
US9367770B2 (en) | 2011-08-30 | 2016-06-14 | Digimarc Corporation | Methods and arrangements for identifying objects |
TWI622540B (zh) | 2011-09-09 | 2018-05-01 | 辛波提克有限責任公司 | 自動化儲存及取放系統 |
US9002099B2 (en) | 2011-09-11 | 2015-04-07 | Apple Inc. | Learning-based estimation of hand and finger pose |
US11074495B2 (en) | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
US10330491B2 (en) | 2011-10-10 | 2019-06-25 | Texas Instruments Incorporated | Robust step detection using low cost MEMS accelerometer in mobile applications, and processing methods, apparatus and systems |
US9159047B2 (en) | 2011-11-11 | 2015-10-13 | James T. Winkel | Projected image planogram system |
US9033239B2 (en) | 2011-11-11 | 2015-05-19 | James T. Winkel | Projected image planogram system |
US8726200B2 (en) | 2011-11-23 | 2014-05-13 | Taiwan Semiconductor Manufacturing Co., Ltd. | Recognition of template patterns with mask information |
US8706293B2 (en) | 2011-11-29 | 2014-04-22 | Cereson Co., Ltd. | Vending machine with automated detection of product position |
US9020838B2 (en) | 2011-11-30 | 2015-04-28 | Ncr Corporation | Augmented reality for assisting consumer transactions |
US9072929B1 (en) | 2011-12-01 | 2015-07-07 | Nebraska Global Investment Company, LLC | Image capture system |
US8793107B2 (en) | 2011-12-01 | 2014-07-29 | Harris Corporation | Accuracy-based significant point derivation from dense 3D point clouds for terrain modeling |
CN103164842A (zh) | 2011-12-14 | 2013-06-19 | 鸿富锦精密工业(深圳)有限公司 | 点云提取***及方法 |
US20130154802A1 (en) | 2011-12-19 | 2013-06-20 | Symbol Technologies, Inc. | Method and apparatus for updating a central plan for an area based on a location of a plurality of radio frequency identification readers |
US20130162806A1 (en) | 2011-12-23 | 2013-06-27 | Mitutoyo Corporation | Enhanced edge focus tool |
RU2596523C2 (ru) | 2012-01-06 | 2016-09-10 | САНРАЙЗ Ар ЭНД Ди ХОЛДИНГЗ, ЭлЭлСи | Модули демонстрационных полок с проекторами для отображения информации о продукте и содержащие их модульные полочные системы |
EP2615580B1 (de) | 2012-01-13 | 2016-08-17 | Softkinetic Software | Automatische Szenenkalibrierung |
US9740937B2 (en) | 2012-01-17 | 2017-08-22 | Avigilon Fortress Corporation | System and method for monitoring a retail environment using video content analysis with depth sensing |
US9037287B1 (en) | 2012-02-17 | 2015-05-19 | National Presort, Inc. | System and method for optimizing a mail document sorting machine |
US8958911B2 (en) | 2012-02-29 | 2015-02-17 | Irobot Corporation | Mobile robot |
ES2535122T3 (es) | 2012-03-01 | 2015-05-05 | Caljan Rite-Hite Aps | Transportador extensible con luz |
US8668136B2 (en) | 2012-03-01 | 2014-03-11 | Trimble Navigation Limited | Method and system for RFID-assisted imaging |
US20130235206A1 (en) | 2012-03-12 | 2013-09-12 | Numerex Corp. | System and Method of On-Shelf Inventory Management |
US9329269B2 (en) | 2012-03-15 | 2016-05-03 | GM Global Technology Operations LLC | Method for registration of range images from multiple LiDARS |
US9659272B2 (en) | 2012-04-05 | 2017-05-23 | Intel Corporation | Method and apparatus for managing product placement on store shelf |
US8989342B2 (en) | 2012-04-18 | 2015-03-24 | The Boeing Company | Methods and systems for volumetric reconstruction using radiography |
US9153061B2 (en) | 2012-05-04 | 2015-10-06 | Qualcomm Incorporated | Segmentation of 3D point clouds for dense 3D modeling |
US9525976B2 (en) | 2012-05-10 | 2016-12-20 | Honeywell International Inc. | BIM-aware location based application |
WO2013170260A1 (en) | 2012-05-11 | 2013-11-14 | Proiam, Llc | Hand held dimension capture apparatus, system, and method |
US8941645B2 (en) | 2012-05-11 | 2015-01-27 | Dassault Systemes | Comparing virtual and real images in a shopping experience |
EP2856395A4 (de) | 2012-05-29 | 2015-11-18 | Ophio Software Inc | Systeme und verfahren mit merkmalen von verkaufspersonalverarbeitung und/oder -produktivität |
US9846960B2 (en) | 2012-05-31 | 2017-12-19 | Microsoft Technology Licensing, Llc | Automated camera array calibration |
US9135543B2 (en) | 2012-06-20 | 2015-09-15 | Apple Inc. | Compression and obfuscation of three-dimensional coding |
US9165463B2 (en) | 2012-06-26 | 2015-10-20 | Microsoft Technology Licensing, Llc | Ambient vehicle and pedestrian state detection for device notification |
US9418352B2 (en) | 2012-06-29 | 2016-08-16 | Intel Corporation | Image-augmented inventory management and wayfinding |
US20140003655A1 (en) | 2012-06-29 | 2014-01-02 | Praveen Gopalakrishnan | Method, apparatus and system for providing image data to represent inventory |
US9420265B2 (en) | 2012-06-29 | 2016-08-16 | Mitsubishi Electric Research Laboratories, Inc. | Tracking poses of 3D camera using points and planes |
US8971637B1 (en) | 2012-07-16 | 2015-03-03 | Matrox Electronic Systems Ltd. | Method and system for identifying an edge in an image |
KR101441187B1 (ko) | 2012-07-19 | 2014-09-18 | 고려대학교 산학협력단 | 자율 보행 로봇 경로 계획 방법 |
EP2877959B1 (de) | 2012-07-24 | 2018-04-18 | Datalogic USA, Inc. | Systeme und verfahren zur vermessung von objekten in einem automatisierten datenleser |
US8757479B2 (en) | 2012-07-31 | 2014-06-24 | Xerox Corporation | Method and system for creating personalized packaging |
ES2545374T3 (es) | 2012-07-31 | 2015-09-10 | Sick Ag | Sistema de detección para el montaje en una cinta transportadora |
US8923893B2 (en) | 2012-08-07 | 2014-12-30 | Symbol Technologies, Inc. | Real-time planogram generation and maintenance |
US20140047342A1 (en) | 2012-08-07 | 2014-02-13 | Advanced Micro Devices, Inc. | System and method for allocating a cluster of nodes for a cloud computing system based on hardware characteristics |
EP2834048B1 (de) | 2012-09-21 | 2017-11-01 | iRobot Corporation | Näherungsmessung auf mobilen robotern |
CN103679164A (zh) | 2012-09-21 | 2014-03-26 | 阿里巴巴集团控股有限公司 | 一种基于移动终端的标志识别处理方法和*** |
US9939259B2 (en) | 2012-10-04 | 2018-04-10 | Hand Held Products, Inc. | Measuring object dimensions using mobile computer |
US9472022B2 (en) | 2012-10-05 | 2016-10-18 | University Of Southern California | Three-dimensional point processing and model generation |
FR2996512B1 (fr) | 2012-10-05 | 2014-11-21 | Renault Sa | Procede d'evaluation du risque de collision a une intersection |
US20140192050A1 (en) | 2012-10-05 | 2014-07-10 | University Of Southern California | Three-dimensional point processing and model generation |
US9841311B2 (en) | 2012-10-16 | 2017-12-12 | Hand Held Products, Inc. | Dimensioning system |
WO2014066422A2 (en) | 2012-10-22 | 2014-05-01 | Bossa Nova Robotics Ip, Inc. | Self-deploying support member, and methods and apparatus using same |
US9020637B2 (en) | 2012-11-02 | 2015-04-28 | Irobot Corporation | Simultaneous localization and mapping for a mobile robot |
US9635606B2 (en) | 2012-11-04 | 2017-04-25 | Kt Corporation | Access point selection and management |
US20150161793A1 (en) | 2012-11-05 | 2015-06-11 | Mitsubishi Electric Corporation | Three-dimensional image capture system and particle beam therapy system |
ITVI20120303A1 (it) | 2012-11-09 | 2014-05-10 | St Microelectronics Srl | Metodo per rilevare una linea retta in un'immagine digitale |
US9562971B2 (en) | 2012-11-22 | 2017-02-07 | Geosim Systems Ltd. | Point-cloud fusion |
US8825258B2 (en) | 2012-11-30 | 2014-09-02 | Google Inc. | Engaging and disengaging for autonomous driving |
US9380222B2 (en) | 2012-12-04 | 2016-06-28 | Symbol Technologies, Llc | Transmission of images for inventory monitoring |
MY172143A (en) | 2012-12-13 | 2019-11-14 | Mimos Berhad | Method for non-static foreground feature extraction and classification |
US10701149B2 (en) | 2012-12-13 | 2020-06-30 | Level 3 Communications, Llc | Content delivery framework having origin services |
CA2895765A1 (en) | 2012-12-21 | 2014-06-26 | Sca Hygiene Products Ab | System and method for assisting in locating and choosing a desired item in a storage location |
US20140195373A1 (en) | 2013-01-10 | 2014-07-10 | International Business Machines Corporation | Systems and methods for managing inventory in a shopping store |
US20140214547A1 (en) | 2013-01-25 | 2014-07-31 | R4 Technologies, Llc | Systems and methods for augmented retail reality |
US20140214600A1 (en) | 2013-01-31 | 2014-07-31 | Wal-Mart Stores, Inc. | Assisting A Consumer In Locating A Product Within A Retail Store |
FR3001567B1 (fr) | 2013-01-31 | 2016-07-22 | Alstom Hydro France | Procede de surveillance d'un site industriel, dispositif de surveillance et systeme de surveillance associes |
DE102013002554A1 (de) | 2013-02-15 | 2014-08-21 | Jungheinrich Aktiengesellschaft | Verfahren zur Erkennung von Objekten in einem Lager und/oder zur räumlichen Orientierung in einem Lager |
JP6108159B2 (ja) | 2013-03-04 | 2017-04-05 | 日本電気株式会社 | 情報処理システム、情報処理装置およびその制御方法と制御プログラム |
US9349238B2 (en) | 2013-03-13 | 2016-05-24 | Pantry Retail, Inc. | Vending kit and method |
US20140279294A1 (en) | 2013-03-14 | 2014-09-18 | Nordstrom, Inc. | System and methods for order fulfillment, inventory management, and providing personalized services to customers |
US8965561B2 (en) | 2013-03-15 | 2015-02-24 | Cybernet Systems Corporation | Automated warehousing using robotic forklifts |
US9154773B2 (en) | 2013-03-15 | 2015-10-06 | Seiko Epson Corporation | 2D/3D localization and pose estimation of harness cables using a configurable structure representation for robot operations |
TWI594933B (zh) | 2013-03-15 | 2017-08-11 | 辛波提克有限責任公司 | 自動化貯藏及取放系統 |
US9558559B2 (en) | 2013-04-05 | 2017-01-31 | Nokia Technologies Oy | Method and apparatus for determining camera location information and/or camera pose information according to a global coordinate system |
WO2014181323A1 (en) | 2013-05-05 | 2014-11-13 | Trax Technology Solutions Pte Ltd. | System and method of retail image analysis |
CA2815156C (en) | 2013-05-06 | 2020-05-05 | Ibm Canada Limited - Ibm Canada Limitee | Document order management via relaxed node indexing |
US9037396B2 (en) | 2013-05-23 | 2015-05-19 | Irobot Corporation | Simultaneous localization and mapping for a mobile robot |
US9676414B2 (en) | 2013-05-29 | 2017-06-13 | Toyota Jidosha Kabushiki Kaisha | Parking assistance device |
US9158988B2 (en) | 2013-06-12 | 2015-10-13 | Symbol Technclogies, LLC | Method for detecting a plurality of instances of an object |
US10268983B2 (en) | 2013-06-26 | 2019-04-23 | Amazon Technologies, Inc. | Detecting item interaction and movement |
US9443297B2 (en) | 2013-07-10 | 2016-09-13 | Cognex Corporation | System and method for selective determination of point clouds |
US10290031B2 (en) | 2013-07-24 | 2019-05-14 | Gregorio Reid | Method and system for automated retail checkout using context recognition |
JP6310202B2 (ja) | 2013-07-24 | 2018-04-11 | 古野電気株式会社 | 状態算出装置、移動体、状態算出方法、および状態算出プログラム |
US9473747B2 (en) | 2013-07-25 | 2016-10-18 | Ncr Corporation | Whole store scanner |
US10349031B2 (en) | 2013-07-28 | 2019-07-09 | Michael J. DeLuca | Augmented reality based user interfacing |
US9015072B2 (en) | 2013-08-19 | 2015-04-21 | Xerox Corporation | Method and apparatus for automated inventory management using depth sensing |
US20150088618A1 (en) | 2013-08-26 | 2015-03-26 | Ims Solutions, Inc. | Road tolling |
US20150088701A1 (en) | 2013-09-23 | 2015-03-26 | Daniel Norwood Desmarais | System and method for improved planogram generation |
US9886678B2 (en) | 2013-09-25 | 2018-02-06 | Sap Se | Graphic representations of planograms |
US9615012B2 (en) | 2013-09-30 | 2017-04-04 | Google Inc. | Using a second camera to adjust settings of first camera |
US9248611B2 (en) | 2013-10-07 | 2016-02-02 | David A. Divine | 3-D printed packaging |
US20150106403A1 (en) | 2013-10-15 | 2015-04-16 | Indooratlas Oy | Generating search database based on sensor measurements |
US10495464B2 (en) | 2013-12-02 | 2019-12-03 | The Regents Of The University Of California | Systems and methods for GNSS SNR probabilistic localization and 3-D mapping |
US9412040B2 (en) | 2013-12-04 | 2016-08-09 | Mitsubishi Electric Research Laboratories, Inc. | Method for extracting planes from 3D point cloud sensor data |
US9349076B1 (en) | 2013-12-20 | 2016-05-24 | Amazon Technologies, Inc. | Template-based target object detection in an image |
US9565400B1 (en) | 2013-12-20 | 2017-02-07 | Amazon Technologies, Inc. | Automatic imaging device selection for video analytics |
US11593821B2 (en) | 2014-02-14 | 2023-02-28 | International Business Machines Corporation | Mobile device based inventory management and sales trends analysis in a retail environment |
EP3108686B1 (de) | 2014-02-21 | 2019-06-19 | Telefonaktiebolaget LM Ericsson (publ) | Wlan-durchsatzvorhersage |
US20150243073A1 (en) | 2014-02-27 | 2015-08-27 | Here Global B.V. | Systems and Methods for Refining an Aerial Image |
MY177646A (en) | 2014-02-28 | 2020-09-23 | Icm Airport Technics Australia Pty Ltd | Luggage processing station and system thereof |
US20150310601A1 (en) | 2014-03-07 | 2015-10-29 | Digimarc Corporation | Methods and arrangements for identifying objects |
US10203762B2 (en) | 2014-03-11 | 2019-02-12 | Magic Leap, Inc. | Methods and systems for creating virtual and augmented reality |
US20150262116A1 (en) | 2014-03-16 | 2015-09-17 | International Business Machines Corporation | Machine vision technology for shelf inventory management |
US9953420B2 (en) | 2014-03-25 | 2018-04-24 | Ford Global Technologies, Llc | Camera calibration |
US9632313B1 (en) | 2014-03-27 | 2017-04-25 | Amazon Technologies, Inc. | Augmented reality user interface facilitating fulfillment |
WO2015160564A2 (en) | 2014-04-15 | 2015-10-22 | 3M Innovative Properties Company | Luminaire for crosswalk, method for making, and method for controlling |
CN103945208B (zh) | 2014-04-24 | 2015-10-28 | 西安交通大学 | 一种针对多视点裸眼3d显示的并行同步缩放引擎及方法 |
US9978019B2 (en) | 2014-04-29 | 2018-05-22 | Technocom Corporation | System and method for improving efficiency of containment determination processing |
US9460524B1 (en) * | 2014-05-30 | 2016-10-04 | Amazon Technologies, Inc. | Estimating available volumes using imaging data |
MX2016015810A (es) | 2014-06-04 | 2017-07-19 | Intelligrated Headquarters Llc | Visualización de un descargador de camiones. |
US9494934B2 (en) | 2014-06-06 | 2016-11-15 | Amazon Technologies, Inc. | Robotic communication with fiber-optics |
CN104023249B (zh) | 2014-06-12 | 2015-10-21 | 腾讯科技(深圳)有限公司 | 电视频道识别方法和装置 |
US9542746B2 (en) | 2014-06-13 | 2017-01-10 | Xerox Corporation | Method and system for spatial characterization of an imaging system |
US9659204B2 (en) | 2014-06-13 | 2017-05-23 | Conduent Business Services, Llc | Image processing methods and systems for barcode and/or product label recognition |
US10176452B2 (en) | 2014-06-13 | 2019-01-08 | Conduent Business Services Llc | Store shelf imaging system and method |
US10453046B2 (en) | 2014-06-13 | 2019-10-22 | Conduent Business Services, Llc | Store shelf imaging system |
BR112016030104A2 (pt) | 2014-06-27 | 2017-08-22 | Crown Equip Corp | veículo de manipulação de materiais, sistema para prover localização global para veículos, e, método para navegar ou rastrear a navegação de um veículo de manipulação de materiais. |
US11051000B2 (en) | 2014-07-14 | 2021-06-29 | Mitsubishi Electric Research Laboratories, Inc. | Method for calibrating cameras with non-overlapping views |
KR102077260B1 (ko) | 2014-08-08 | 2020-02-13 | 삼성전자주식회사 | 확룔 모델에 기반한 신뢰도를 이용하여 얼굴을 인식하는 방법 및 장치 |
DE102014011821A1 (de) | 2014-08-08 | 2016-02-11 | Cargometer Gmbh | Vorrichtung und Verfahren zur Volumenbestimmung eines durch ein Flurförderzeug bewegten Objekts |
US20160044862A1 (en) | 2014-08-14 | 2016-02-18 | Raven Industries, Inc. | Site specific product application device and method |
CN104200086B (zh) | 2014-08-25 | 2017-02-22 | 西北工业大学 | 宽基线可见光相机位姿估计方法 |
US20160061591A1 (en) | 2014-08-28 | 2016-03-03 | Lts Metrology, Llc | Stationary Dimensioning Apparatus |
JP2016057108A (ja) | 2014-09-08 | 2016-04-21 | 株式会社トプコン | 演算装置、演算システム、演算方法およびプログラム |
US10296950B2 (en) | 2014-09-30 | 2019-05-21 | Apple Inc. | Beacon triggered processes |
WO2016050274A1 (en) | 2014-09-30 | 2016-04-07 | Nec Europe Ltd. | Method and system for determining a path of an object for moving from a starting state to an end state set avoiding one or more obstacles |
US9576194B2 (en) | 2014-10-13 | 2017-02-21 | Klink Technologies | Method and system for identity and age verification |
US9706105B2 (en) | 2014-10-20 | 2017-07-11 | Symbol Technologies, Llc | Apparatus and method for specifying and aiming cameras at shelves |
US9796093B2 (en) | 2014-10-24 | 2017-10-24 | Fellow, Inc. | Customer service robot and related systems and methods |
US10373116B2 (en) | 2014-10-24 | 2019-08-06 | Fellow, Inc. | Intelligent inventory management and related systems and methods |
US10311400B2 (en) | 2014-10-24 | 2019-06-04 | Fellow, Inc. | Intelligent service robot and related systems and methods |
US9600892B2 (en) | 2014-11-06 | 2017-03-21 | Symbol Technologies, Llc | Non-parametric method of and system for estimating dimensions of objects of arbitrary shape |
JP5946073B2 (ja) | 2014-11-07 | 2016-07-05 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 推定方法、推定システム、コンピュータ・システムおよびプログラム |
US10022867B2 (en) | 2014-11-11 | 2018-07-17 | X Development Llc | Dynamically maintaining a map of a fleet of robotic devices in an environment to facilitate robotic action |
US10043319B2 (en) | 2014-11-16 | 2018-08-07 | Eonite Perception Inc. | Optimizing head mounted displays for augmented reality |
US9916002B2 (en) | 2014-11-16 | 2018-03-13 | Eonite Perception Inc. | Social applications for augmented reality technologies |
US10154246B2 (en) | 2014-11-20 | 2018-12-11 | Cappasity Inc. | Systems and methods for 3D capturing of objects and motion sequences using multiple range and RGB cameras |
US10248653B2 (en) | 2014-11-25 | 2019-04-02 | Lionbridge Technologies, Inc. | Information technology platform for language translation and task management |
US9396554B2 (en) | 2014-12-05 | 2016-07-19 | Symbol Technologies, Llc | Apparatus for and method of estimating dimensions of an object associated with a code in automatic response to reading the code |
US9483704B2 (en) | 2014-12-10 | 2016-11-01 | Ricoh Co., Ltd. | Realogram scene analysis of images: superpixel scene analysis |
US9928708B2 (en) | 2014-12-12 | 2018-03-27 | Hawxeye, Inc. | Real-time video analysis for security surveillance |
US9996818B1 (en) | 2014-12-19 | 2018-06-12 | Amazon Technologies, Inc. | Counting inventory items using image analysis and depth information |
US9628695B2 (en) | 2014-12-29 | 2017-04-18 | Intel Corporation | Method and system of lens shift correction for a camera array |
US20160253735A1 (en) | 2014-12-30 | 2016-09-01 | Shelfscreen, Llc | Closed-Loop Dynamic Content Display System Utilizing Shopper Proximity and Shopper Context Generated in Response to Wireless Data Triggers |
EP3054404A1 (de) | 2015-02-04 | 2016-08-10 | Hexagon Technology Center GmbH | Arbeitsinformationsmodellierung |
CN105989512A (zh) | 2015-02-10 | 2016-10-05 | 黄金富知识产权咨询(深圳)有限公司 | 一种商品销售***和相应方法 |
CN107535086B (zh) | 2015-02-19 | 2020-08-07 | 迈康尼股份公司 | 用于在表面安装技术***中的载体上布置的显示器上提供信息的方法、***和装置 |
US9524486B2 (en) | 2015-03-04 | 2016-12-20 | Xerox Corporation | System and method for retail store promotional price tag detection and maintenance via heuristic classifiers |
US10287149B2 (en) | 2015-03-06 | 2019-05-14 | Walmart Apollo, Llc | Assignment of a motorized personal assistance apparatus |
US9864371B2 (en) | 2015-03-10 | 2018-01-09 | John Bean Technologies Corporation | Automated guided vehicle system |
US9367831B1 (en) | 2015-03-16 | 2016-06-14 | The Nielsen Company (Us), Llc | Methods and apparatus for inventory determinations using portable devices |
US9630319B2 (en) | 2015-03-18 | 2017-04-25 | Irobot Corporation | Localization and mapping using physical features |
US9232189B2 (en) | 2015-03-18 | 2016-01-05 | Avatar Merger Sub Ii, Llc. | Background modification in video conferencing |
JP2016194834A (ja) | 2015-03-31 | 2016-11-17 | 富士通株式会社 | 整合判定方法、整合判定プログラム、及び整合判定装置 |
US9600731B2 (en) | 2015-04-08 | 2017-03-21 | Toshiba Tec Kabushiki Kaisha | Image processing apparatus, image processing method and computer-readable storage medium |
US9120622B1 (en) | 2015-04-16 | 2015-09-01 | inVia Robotics, LLC | Autonomous order fulfillment and inventory control robots |
US9868443B2 (en) | 2015-04-27 | 2018-01-16 | GM Global Technology Operations LLC | Reactive path planning for autonomous driving |
BR112017023743A2 (pt) | 2015-05-04 | 2018-07-31 | Sunrise R&D Holdings, Llc | sistemas e métodos para controlar unidades de exibição em prateleira e para apresentar de modo gráfico informações nas unidades de exibição em prateleira. |
BR112017025107A2 (pt) | 2015-05-26 | 2018-07-31 | Crown Equipment Corporation | sistema e método para calibrar um dispositivo de captura de imagem para um veículo de manuseamento de materiais, e, veículo de manuseamento de materiais |
US9646410B2 (en) | 2015-06-30 | 2017-05-09 | Microsoft Technology Licensing, Llc | Mixed three dimensional scene reconstruction from plural surface models |
JP6693059B2 (ja) | 2015-07-06 | 2020-05-13 | 日本電気株式会社 | 商品棚認識装置、商品棚認識方法、プログラム及び画像処理装置 |
US10410096B2 (en) | 2015-07-09 | 2019-09-10 | Qualcomm Incorporated | Context-based priors for object detection in images |
US20170011308A1 (en) | 2015-07-09 | 2017-01-12 | SunView Software, Inc. | Methods and Systems for Applying Machine Learning to Automatically Solve Problems |
CN111556253B (zh) | 2015-07-10 | 2022-06-14 | 深圳市大疆创新科技有限公司 | 生成组合图像的方法及***、图像的显示方法及*** |
EP3325371B1 (de) | 2015-07-17 | 2019-08-21 | Société des Produits Nestlé S.A. | Mehrfachbehälter-verbundstoffpackung |
US10455216B2 (en) | 2015-08-19 | 2019-10-22 | Faro Technologies, Inc. | Three-dimensional imager |
US9549125B1 (en) | 2015-09-01 | 2017-01-17 | Amazon Technologies, Inc. | Focus specification and focus stabilization |
GB2542115B (en) | 2015-09-03 | 2017-11-15 | Rail Vision Europe Ltd | Rail track asset survey system |
EP3344952A4 (de) | 2015-09-04 | 2019-05-29 | Crown Equipment Corporation | Industriefahrzeug mit merkmalsbasierter lokalisierung und navigation |
US9684081B2 (en) | 2015-09-16 | 2017-06-20 | Here Global B.V. | Method and apparatus for providing a location data error map |
US9830706B2 (en) | 2015-09-17 | 2017-11-28 | Skycatch, Inc. | Generating georeference information for aerial images |
US10331956B2 (en) | 2015-09-23 | 2019-06-25 | Magna Electronics Inc. | Vehicle vision system with detection enhancement using light control |
US10262466B2 (en) | 2015-10-14 | 2019-04-16 | Qualcomm Incorporated | Systems and methods for adjusting a combined image visualization based on depth information |
US9517767B1 (en) | 2015-11-04 | 2016-12-13 | Zoox, Inc. | Internal safety systems for robotic vehicles |
US9630619B1 (en) | 2015-11-04 | 2017-04-25 | Zoox, Inc. | Robotic vehicle active safety systems and methods |
WO2017083424A1 (en) | 2015-11-09 | 2017-05-18 | Simbe Robotics, Inc. | Method for tracking stock level within a store |
DE102015119501A1 (de) | 2015-11-11 | 2017-05-11 | RobArt GmbH | Unterteilung von Karten für die Roboternavigation |
US20170150129A1 (en) | 2015-11-23 | 2017-05-25 | Chicago Measurement, L.L.C. | Dimensioning Apparatus and Method |
US20170147966A1 (en) | 2015-11-24 | 2017-05-25 | Verizon Patent And Licensing Inc. | Inventory monitoring sensor system |
US10445821B2 (en) | 2015-12-18 | 2019-10-15 | Ricoh Co., Ltd. | Planogram and realogram alignment |
US9984451B2 (en) | 2015-12-18 | 2018-05-29 | Michael Gormish | Linear grouping of recognized items in an image |
US10592854B2 (en) | 2015-12-18 | 2020-03-17 | Ricoh Co., Ltd. | Planogram matching |
US9904990B2 (en) | 2015-12-18 | 2018-02-27 | Ricoh Co., Ltd. | Single image rectification |
US20190025849A1 (en) | 2016-01-08 | 2019-01-24 | 4G Space Genius Inc. | Robot for automated image acquisition |
US10336543B1 (en) | 2016-01-21 | 2019-07-02 | Wing Aviation Llc | Selective encoding of packages |
US10352689B2 (en) | 2016-01-28 | 2019-07-16 | Symbol Technologies, Llc | Methods and systems for high precision locationing with depth values |
US10145955B2 (en) | 2016-02-04 | 2018-12-04 | Symbol Technologies, Llc | Methods and systems for processing point-cloud data with a line scanner |
KR102373926B1 (ko) | 2016-02-05 | 2022-03-14 | 삼성전자주식회사 | 이동체 및 이동체의 위치 인식 방법 |
US10197400B2 (en) | 2016-02-25 | 2019-02-05 | Sharp Laboratories Of America, Inc. | Calibration methods and systems for an autonomous navigation vehicle |
US10229386B2 (en) | 2016-03-03 | 2019-03-12 | Ebay Inc. | Product tags, systems, and methods for crowdsourcing and electronic article surveillance in retail inventory management |
US20170261993A1 (en) | 2016-03-10 | 2017-09-14 | Xerox Corporation | Systems and methods for robot motion control and improved positional accuracy |
US9928438B2 (en) | 2016-03-10 | 2018-03-27 | Conduent Business Services, Llc | High accuracy localization system and method for retail store profiling via product image recognition and its corresponding dimension database |
US10721451B2 (en) | 2016-03-23 | 2020-07-21 | Symbol Technologies, Llc | Arrangement for, and method of, loading freight into a shipping container |
US10262294B1 (en) | 2016-03-28 | 2019-04-16 | Amazon Technologies, Inc. | Location estimation using array of capacitive sensors |
US11087272B2 (en) | 2016-03-29 | 2021-08-10 | Bossa Nova Robotics Ip, Inc. | System and method for locating, identifying and counting items |
JP6605711B2 (ja) | 2016-04-05 | 2019-11-13 | 株式会社日立物流 | 計測システム及び計測方法 |
WO2017180882A1 (en) | 2016-04-14 | 2017-10-19 | Gentex Corporation | Camera based headlight control system |
US9805240B1 (en) | 2016-04-18 | 2017-10-31 | Symbol Technologies, Llc | Barcode scanning and dimensioning |
WO2017183038A1 (en) | 2016-04-20 | 2017-10-26 | Wishelf Ltd. | System and method for monitoring stocking shelves |
US9791862B1 (en) | 2016-04-25 | 2017-10-17 | Thayermahan, Inc. | Systems and method for unmanned undersea sensor position, orientation, and depth keeping |
FR3050677B1 (fr) | 2016-04-29 | 2020-02-21 | Les Companions | Procede de traitement d'une surface, et automate correspondant |
WO2017192868A1 (en) | 2016-05-04 | 2017-11-09 | Wal-Mart Stores, Inc. | Distributed autonomous robot systems and methods |
CN114040153B (zh) | 2016-05-09 | 2024-04-12 | 格拉班谷公司 | 用于在环境内计算机视觉驱动应用的*** |
KR102216498B1 (ko) | 2016-05-19 | 2021-02-17 | 심베 로보틱스 인코포레이션 | 상점의 선반 상의 제품의 배치를 추적하기 위한 방법 |
US10399230B2 (en) | 2016-05-19 | 2019-09-03 | Simbe Robotics, Inc. | Method for automatically generating waypoints for imaging shelves within a store |
US9639935B1 (en) | 2016-05-25 | 2017-05-02 | Gopro, Inc. | Apparatus and methods for camera alignment model calibration |
US10394244B2 (en) | 2016-05-26 | 2019-08-27 | Korea University Research And Business Foundation | Method for controlling mobile robot based on Bayesian network learning |
JP6339633B2 (ja) | 2016-06-28 | 2018-06-06 | 新日鉄住金ソリューションズ株式会社 | システム、情報処理装置、情報処理方法、及び、プログラム |
WO2018005369A1 (en) | 2016-06-30 | 2018-01-04 | Bossa Nova Robotics Ip, Inc. | Multiple camera system for inventory tracking |
US10785418B2 (en) | 2016-07-12 | 2020-09-22 | Bossa Nova Robotics Ip, Inc. | Glare reduction method and system |
WO2018018007A1 (en) | 2016-07-22 | 2018-01-25 | Focal Systems, Inc. | Determining in-store location based on images |
US9827683B1 (en) | 2016-07-28 | 2017-11-28 | X Development Llc | Collaborative inventory monitoring |
US10071856B2 (en) | 2016-07-28 | 2018-09-11 | X Development Llc | Inventory management |
WO2018023492A1 (zh) | 2016-08-03 | 2018-02-08 | 深圳市大疆灵眸科技有限公司 | 一种云台控制方法及*** |
US10054447B2 (en) | 2016-08-17 | 2018-08-21 | Sharp Laboratories Of America, Inc. | Lazier graph-based path planning for autonomous navigation |
US20180053091A1 (en) | 2016-08-17 | 2018-02-22 | Hawxeye, Inc. | System and method for model compression of neural networks for use in embedded platforms |
US10776661B2 (en) | 2016-08-19 | 2020-09-15 | Symbol Technologies, Llc | Methods, systems and apparatus for segmenting and dimensioning objects |
US11314262B2 (en) | 2016-08-29 | 2022-04-26 | Trifo, Inc. | Autonomous platform guidance systems with task planning and obstacle avoidance |
CN107822400B (zh) * | 2016-09-15 | 2020-12-15 | 东芝泰格有限公司 | 库存管理装置及控制方法、终端设备 |
TWI618916B (zh) | 2016-09-23 | 2018-03-21 | 啟碁科技股份有限公司 | 貨架庫存估測方法與系統 |
US20180101813A1 (en) | 2016-10-12 | 2018-04-12 | Bossa Nova Robotics Ip, Inc. | Method and System for Product Data Review |
US10019803B2 (en) | 2016-10-17 | 2018-07-10 | Conduent Business Services, Llc | Store shelf imaging system and method using a vertical LIDAR |
US10289990B2 (en) | 2016-10-17 | 2019-05-14 | Conduent Business Services, Llc | Store shelf imaging system and method |
US10210603B2 (en) | 2016-10-17 | 2019-02-19 | Conduent Business Services Llc | Store shelf imaging system and method |
US20180114183A1 (en) | 2016-10-25 | 2018-04-26 | Wal-Mart Stores, Inc. | Stock Level Determination |
US10133951B1 (en) | 2016-10-27 | 2018-11-20 | A9.Com, Inc. | Fusion of bounding regions |
US10204448B2 (en) | 2016-11-04 | 2019-02-12 | Aquifi, Inc. | System and method for portable active 3D scanning |
US11042161B2 (en) | 2016-11-16 | 2021-06-22 | Symbol Technologies, Llc | Navigation control method and apparatus in a mobile automation system |
US10451405B2 (en) | 2016-11-22 | 2019-10-22 | Symbol Technologies, Llc | Dimensioning system for, and method of, dimensioning freight in motion along an unconstrained path in a venue |
US10354411B2 (en) | 2016-12-20 | 2019-07-16 | Symbol Technologies, Llc | Methods, systems and apparatus for segmenting objects |
US9778388B1 (en) | 2016-12-22 | 2017-10-03 | Thayermahan, Inc. | Systems and methods for autonomous towing of an underwater sensor array |
GB2573438A (en) | 2016-12-30 | 2019-11-06 | Walmart Apollo Llc | Electronic shelf label system |
US10121072B1 (en) | 2016-12-30 | 2018-11-06 | Intuit Inc. | Unsupervised removal of text from form images |
US20180197139A1 (en) | 2017-01-06 | 2018-07-12 | Position Imaging, Inc. | Package delivery sharing systems and methods |
JP6938169B2 (ja) | 2017-03-01 | 2021-09-22 | 東芝テック株式会社 | ラベル生成装置及びプログラム |
WO2018158248A2 (de) | 2017-03-02 | 2018-09-07 | RobArt GmbH | Verfahren zur steuerung eines autonomen,mobilen roboters |
US10643177B2 (en) | 2017-03-21 | 2020-05-05 | Kellogg Company | Determining product placement compliance |
US10699421B1 (en) * | 2017-03-29 | 2020-06-30 | Amazon Technologies, Inc. | Tracking objects in three-dimensional space using calibrated visual cameras and depth cameras |
US10293485B2 (en) | 2017-03-30 | 2019-05-21 | Brain Corporation | Systems and methods for robotic path planning |
US10229322B2 (en) | 2017-04-06 | 2019-03-12 | Ants Technology (Hk) Limited | Apparatus, methods and computer products for video analytics |
CN110709868A (zh) | 2017-04-07 | 2020-01-17 | 思比机器人公司 | 用于跟踪在商店内的库存水平的方法 |
US10534122B2 (en) | 2017-04-19 | 2020-01-14 | Sunrise R&D Holdings, Llc | Fiber optic shelving system |
US10663590B2 (en) | 2017-05-01 | 2020-05-26 | Symbol Technologies, Llc | Device and method for merging lidar data |
WO2018204342A1 (en) | 2017-05-01 | 2018-11-08 | Symbol Technologies, Llc | Product status detection system |
US20180314908A1 (en) | 2017-05-01 | 2018-11-01 | Symbol Technologies, Llc | Method and apparatus for label detection |
US11367092B2 (en) | 2017-05-01 | 2022-06-21 | Symbol Technologies, Llc | Method and apparatus for extracting and processing price text from an image set |
US10591918B2 (en) | 2017-05-01 | 2020-03-17 | Symbol Technologies, Llc | Fixed segmented lattice planning for a mobile automation apparatus |
US10726273B2 (en) | 2017-05-01 | 2020-07-28 | Symbol Technologies, Llc | Method and apparatus for shelf feature and object placement detection from shelf images |
US10949798B2 (en) | 2017-05-01 | 2021-03-16 | Symbol Technologies, Llc | Multimodal localization and mapping for a mobile automation apparatus |
EP3619600A4 (de) | 2017-05-01 | 2020-10-21 | Symbol Technologies, LLC | Verfahren und vorrichtung zur objektzustandserkennung |
US10505057B2 (en) | 2017-05-01 | 2019-12-10 | Symbol Technologies, Llc | Device and method for operating cameras and light sources wherein parasitic reflections from a paired light source are not reflected into the paired camera |
CN107067382A (zh) | 2017-05-11 | 2017-08-18 | 南宁市正祥科技有限公司 | 一种改进的图像边缘检测方法 |
CN206952978U (zh) | 2017-05-23 | 2018-02-02 | 上海全筑建筑装饰集团股份有限公司 | 一种用于建筑装修的画线机器人 |
US20190034864A1 (en) | 2017-07-25 | 2019-01-31 | Bossa Nova Robotics Ip, Inc. | Data Reduction in a Bar Code Reading Robot Shelf Monitoring System |
US10127438B1 (en) | 2017-08-07 | 2018-11-13 | Standard Cognition, Corp | Predicting inventory events using semantic diffing |
US10317905B2 (en) | 2017-08-10 | 2019-06-11 | RavenOPS, Inc. | Autonomous robotic technologies for industrial inspection |
US10861302B2 (en) | 2017-08-17 | 2020-12-08 | Bossa Nova Robotics Ip, Inc. | Robust motion filtering for real-time video surveillance |
US10783379B2 (en) | 2017-08-23 | 2020-09-22 | Bossa Nova Robotics Ip, Inc. | Method for new package detection |
US10489677B2 (en) | 2017-09-07 | 2019-11-26 | Symbol Technologies, Llc | Method and apparatus for shelf edge detection |
US10572763B2 (en) | 2017-09-07 | 2020-02-25 | Symbol Technologies, Llc | Method and apparatus for support surface edge detection |
JP6608890B2 (ja) | 2017-09-12 | 2019-11-20 | ファナック株式会社 | 機械学習装置、ロボットシステム及び機械学習方法 |
JP7019357B2 (ja) | 2017-09-19 | 2022-02-15 | 東芝テック株式会社 | 棚情報推定装置及び情報処理プログラム |
US10386851B2 (en) | 2017-09-22 | 2019-08-20 | Locus Robotics Corp. | Multi-resolution scan matching with exclusion zones |
US11014238B2 (en) | 2017-11-27 | 2021-05-25 | Amazon Technologies, Inc. | Dynamic navigation of autonomous vehicle with safety infrastructure |
US20190180150A1 (en) | 2017-12-13 | 2019-06-13 | Bossa Nova Robotics Ip, Inc. | Color Haar Classifier for Retail Shelf Label Detection |
CN109961162B (zh) | 2017-12-22 | 2023-04-07 | 株式会社日立制作所 | 路径规划方法和路径规划装置 |
JP7081140B2 (ja) | 2017-12-25 | 2022-06-07 | 富士通株式会社 | 物体認識装置、物体認識方法及び物体認識プログラム |
WO2019152279A1 (en) | 2018-01-31 | 2019-08-08 | Walmart Apollo, Llc | Product inventorying using image differences |
EP3757513B1 (de) | 2018-02-20 | 2024-04-10 | Mitsubishi Electric Corporation | Vorrichtung zur messüberwachung und programm zur messüberwachung |
US11049279B2 (en) | 2018-03-27 | 2021-06-29 | Denso Wave Incorporated | Device for detecting positional relationship among objects |
WO2019204296A1 (en) | 2018-04-16 | 2019-10-24 | Ohio University | Obstacle avoidance guidance for ground vehicles |
US10783656B2 (en) * | 2018-05-18 | 2020-09-22 | Zebra Technologies Corporation | System and method of determining a location for placement of a package |
US10429487B1 (en) | 2018-05-18 | 2019-10-01 | Here Global B.V. | Drone localization |
US10726264B2 (en) | 2018-06-25 | 2020-07-28 | Microsoft Technology Licensing, Llc | Object-based localization |
US11960278B2 (en) | 2018-08-05 | 2024-04-16 | Lg Electronics Inc. | Moving robot and controlling method thereof |
US20200049511A1 (en) | 2018-08-07 | 2020-02-13 | Ford Global Technologies, Llc | Sensor fusion |
US11082667B2 (en) | 2018-08-09 | 2021-08-03 | Cobalt Robotics Inc. | Contextual automated surveillance by a mobile robot |
WO2020041734A1 (en) | 2018-08-24 | 2020-02-27 | Bossa Nova Robotics Ip, Inc. | Shelf-viewing camera with multiple focus depths |
US10885721B2 (en) | 2018-09-28 | 2021-01-05 | Jido Inc. | Method for detecting objects and localizing a mobile computing device within an augmented reality experience |
US11003188B2 (en) | 2018-11-13 | 2021-05-11 | Zebra Technologies Corporation | Method, system and apparatus for obstacle handling in navigational path generation |
US10992860B2 (en) | 2019-03-29 | 2021-04-27 | Nio Usa, Inc. | Dynamic seam adjustment of image overlap zones from multi-camera source images |
WO2020263471A1 (en) | 2019-06-26 | 2020-12-30 | Magic Leap, Inc. | Caching and updating of dense 3d reconstruction data |
US10922884B2 (en) | 2019-07-18 | 2021-02-16 | Sony Corporation | Shape-refinement of triangular three-dimensional mesh using a modified shape from shading (SFS) scheme |
US10950034B1 (en) | 2020-01-27 | 2021-03-16 | Facebook Technologies, Llc | Systems, methods, and media for generating visualization of physical environment in artificial reality |
-
2018
- 2018-10-05 US US16/152,986 patent/US11506483B2/en active Active
-
2019
- 2019-09-05 WO PCT/US2019/049761 patent/WO2020072170A1/en active Application Filing
- 2019-09-05 DE DE112019004975.5T patent/DE112019004975T5/de active Pending
- 2019-09-05 JP JP2021518611A patent/JP7141525B2/ja active Active
- 2019-09-05 CA CA3113942A patent/CA3113942C/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20200109939A1 (en) | 2020-04-09 |
WO2020072170A1 (en) | 2020-04-09 |
JP7141525B2 (ja) | 2022-09-22 |
JP2022512604A (ja) | 2022-02-07 |
CA3113942A1 (en) | 2020-04-09 |
CA3113942C (en) | 2023-09-19 |
US11506483B2 (en) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018120487A1 (de) | Verfahren und vorrichtung zur kantenerkennung von auflageflächen | |
DE112019002547B4 (de) | System und verfahren zum bestimmen eines standortes zur platzierung eines pakets | |
DE112018002314T5 (de) | Verfahren und vorrichtung zur erkennung eines objektstatus | |
DE112019001788T5 (de) | Verfahren, system und vorrichtung zum korrigieren von transluzenzartefakten in daten, die eine trägerstruktur darstellen | |
DE102011100927B4 (de) | Objekt- und Fahrzeugdetektion und -verfolgung unter Verwendung von 3-D-Laserentfernungsmesser | |
DE102015121339B4 (de) | Systeme und verfahren zum ermitteln eines zustands einer fahrbahn | |
DE102011106050B4 (de) | Schattenentfernung in einem durch eine fahrzeugbasierte Kamera erfassten Bild zur Detektion eines freien Pfads | |
DE112017005774T5 (de) | Verfahren und vorrichtung zur navigationssteuerung in einem mobilenautomatisierungssystem | |
DE102016124879A1 (de) | Verfahren, Einrichtung und Vorrichtung zum Ermitteln von Fahrspurlinien | |
EP3299995A1 (de) | Bildanalysesystem für landwirtschaftliche arbeitsmaschinen | |
DE102017107626A1 (de) | Detektion verfügbarer parkstellflächen | |
DE112018000335T5 (de) | Systeme und verfahren für einen berechnungsrahmen zur visuellen warnung des fahrers unter verwendung einer "fully convolutional"-architektur | |
DE112010004767T5 (de) | Punktwolkedaten-Verarbeitungsvorrichtung, Punktwolkedaten-Verarbeitungsverfahren und Punktwolkedaten-Verarbeitungsprogramm | |
DE202014010927U1 (de) | Referenzpunktidentifizierung aus Punktwolken, die aus geografischen Bilddaten erstellt werden | |
DE102015207676A1 (de) | Verfahren und Vorrichtung zur Hinderniserkennung auf Basis einer monokularen Kamera | |
DE102018132805A1 (de) | Verfahren für eine verbesserte Objekterfassung | |
DE102016109891A1 (de) | Datenbrowsevorrichtung, Datenbrowseverfahren, Programm und Speichermedium | |
DE112019004488T5 (de) | Doppelmodus-datenerfassungssystem zur kollisionserfassung und objektdimensionierung | |
DE112019006132T5 (de) | Verfahren, system und vorrichtung zur hilfsetikett-erkennung und -zuordnung | |
BE1029791A1 (de) | System und verfahren zum detektieren der kalibrierung eines 3d- sensors | |
DE102020100230A1 (de) | Rekonstruktion von landmarkenpositionen in autonomen maschinenanwendungen | |
EP3663881B1 (de) | Verfahren zur steuerung eines autonomen fahrzeugs auf der grundlage von geschätzten bewegungsvektoren | |
DE112021002050T5 (de) | Verfahren, system und vorrichtung zur datenerfassungsbeleuchtungssteuerung | |
DE112019004975T5 (de) | Verfahren, system und vorrichtung zur bestimmung einer trägerstrukturtiefe | |
DE112020002578T5 (de) | Verfahren, System und Vorrichtung zur dynamischen Aufgabensequenzierung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed |