CN106774312B - 一种为移动机器人确定移动轨迹的方法和装置 - Google Patents
一种为移动机器人确定移动轨迹的方法和装置 Download PDFInfo
- Publication number
- CN106774312B CN106774312B CN201611104944.9A CN201611104944A CN106774312B CN 106774312 B CN106774312 B CN 106774312B CN 201611104944 A CN201611104944 A CN 201611104944A CN 106774312 B CN106774312 B CN 106774312B
- Authority
- CN
- China
- Prior art keywords
- historical
- scene information
- current
- curve
- information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 18
- 230000009471 action Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 206010006895 Cachexia Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种为移动机器人确定移动轨迹的方法，该方法包括：通过计算当前场景信息与历史场景信息之间的相似度，选取与当前场景最为相似的多个历史场景对应的已知移动轨迹作为初始移动轨迹，然后移动机器人可以分别对初始移动轨迹检测在当前环境下是否会发生碰撞，确定出目标移动轨迹。通过本发明实施例提供的方法，相对于预先保存的大量已知移动轨迹来说，移动机器人在当前环境下仅对少量初始移动轨迹检测在当前环境下是否会发生碰撞，针对移动轨迹的计算处理过程得以简化，其耗时得以减小，从而使得移动机器人能够实现快速及时地移动。此外，本发明还公开了一种为移动机器人确定移动轨迹的装置。
Description
技术领域
本发明涉及机器人技术领域，特别是涉及一种为移动机器人确定移动轨迹的方法和装置。
背景技术
随着机器人智能化的发展，目前已经出现了一些能够自动行走的移动机器人。在移动机器人所处的周围环境中通常存在一些需要避开的障碍物，并且，在不同环境下障碍物的分布情况不同。为此，移动机器人可以先确定在当前环境中能够避开所有障碍物的移动轨迹，再按照确定出的移动轨迹进行行走、移动。在现有技术中，移动机器人预先存储了轨迹数据集，该轨迹数据集中包括许多已知的移动轨迹。在移动机器人需要为当前环境确定移动轨迹时，移动机器人在获取到当前环境下障碍物信息的基础上，可以依次选取出轨迹数据集中已知的移动轨迹，检测移动机器人自身按照选取的移动轨迹进行移动时在当前环境下是否会发生碰撞，从而选取出不会发生碰撞的移动轨迹，用于实际控制移动机器人在当前环境下的移动。
发明人经过研究发现，由于移动机器人面对的当前环境有大量可能出现的障碍物情况，轨迹数据集中需要有大量已知的移动轨迹才能保证移动机器人为不同的当前环境下确定出合适的移动轨迹。因此，在面对当前环境时，移动机器人分别对大量不同的移动轨迹检测在当前环境下是否会发生碰撞，这样就会导致移动机器人针对移动轨迹的计算处理过程过于复杂、过于耗时，从而造成移动机器人无法快速及时地移动。
发明内容
本发明所要解决的技术问题是，提供一种为移动机器人确定移动轨迹的方法和装置，以减少在确定移动轨迹的过程中需要在当前环境下检测是否发生碰撞的移动轨迹数量，从而简化导致移动机器人针对移动轨迹的计算处理过程并减少耗时，最终使得移动机器人能够实现快速及时地移动。
为解决上述技术问题，本发明提供了一种为移动机器人确定移动轨迹的方法，该方法包括：
获取当前场景信息并从预先保存的历史场景信息中选取待匹配的历史场景信息，所述当前场景信息用于描述当前环境下的障碍物轮廓，所述历史场景信息用于描述历史环境下的障碍物轮廓；
计算待匹配的历史场景信息与当前场景信息之间的相似度，选取与当前场景信息之间相似度最高的多个历史场景信息作为目标场景信息；
根据预先设置的历史场景信息与已知移动轨迹之间的对应关系，将所述目标场景信息对应的已知移动轨迹确定为初始移动轨迹；
通过分别检测在所述当前环境下所述移动机器人按照各个初始移动轨迹进行移动是否发生碰撞，将检测结果为没有发生碰撞的初始移动轨迹确定为目标移动轨迹。
可选的，
所述当前场景信息包括用于描述当前中轴线的信息和用于描述当前半径曲线的信息，所述当前中轴线是由所述当前环境下与障碍物边缘相切的最大圆的圆心而形成的，所述当前半径曲线是由所述当前环境下与障碍物边缘相切的最大圆的半径值形成的曲线；
所述历史场景信息包括用于描述历史中轴线的信息和用于描述历史半径曲线的信息，所述历史中轴线是由所述历史环境下与障碍物边缘相切的最大圆的圆心而形成的曲线，所述历史半径曲线是由所述当前环境下与障碍物边缘相切的最大圆的半径值形成的曲线；
所述计算待匹配的历史场景信息与当前场景信息之间的相似度，包括：计算所述当前曲率曲线与所述历史曲率曲线之间的相似度，计算所述当前半径曲线与所述历史半径曲线之间的相似度；其中，所述当前曲率曲线为所述当前中轴线的曲率值形成的曲线，所述历史曲率曲线为所述历史中轴线的曲率值形成的曲线。
可选的，
所述计算所述当前曲率曲线与所述历史曲率曲线之间的相似度，具体为：通过动态时间规整算法，计算所述当前曲率曲线与所述历史曲率曲线之间的相似度；
所述计算所述当前半径曲线与所述历史半径曲线之间的相似度，具体为：通过动态时间规整算法，计算所述当前半径曲线与所述历史半径曲线之间的相似度。
可选的，所述选取与当前场景信息之间相似度最高的多个历史场景信息作为目标场景信息，包括：
在所述历史场景信息中，选取历史曲率曲线与所述当前曲率曲线相似度最高的M个历史场景信息，作为初始场景信息；
在所述初始场景信息中，选取历史半径曲线与所述当前半径曲线相似度最高的N个初始场景信息，作为目标场景信息；
其中，M大于N。
可选的，
所述历史场景信息是预先按照最小外接矩形进行分类保存，一个分类对应一个最小外接矩形，所述分类下所有历史场景信息均包含在所述分类对应的最小外接矩形中；
所述从预先保存的历史场景信息中选取待匹配的历史场景信息，包括：
在所有分类中查找与所述当前场景信息相匹配的目标分类，其中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形相匹配；
将所述目标分类下的历史场景信息确定为待匹配的历史场景信息。
可选的，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形相匹配，具体为：在所有分类中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形在距离上最接近。
可选的，所述历史场景信息保存在R树结构中，所述R树结构的叶子节点为历史场景信息，所述R树结构的非叶子节点为历史场景信息的分类。
可选的，所述历史场景信息具体为由完整的历史场景分割出的一个场景片段的信息，所述当前场景信息具体为由完整的当前场景分割出的一个场景片段的信息。
此外，本发明还提供了一种为移动机器恶人确定移动轨迹的装置，包括：
获取单元，用于获取当前场景信息，所述当前场景信息用于描述所述当前环境下的障碍物轮廓；
第一选取单元，用于从待匹配的历史场景信息中选取待匹配的历史场景信息，所述历史场景信息用于描述所述历史环境下的障碍物轮廓；
计算单元，用于计算待匹配的历史场景信息与当前场景信息之间的相似度；
第二选取单元，用于选取与当前场景信息之间相似度最高的多个历史场景信息作为目标场景信息；
第一确定单元，用于根据预先设置的历史场景信息与已知移动轨迹之间的对应关系，将所述目标场景信息对应的已知移动轨迹确定为初始移动轨迹；
第二确定单元，用于通过分别检测在所述当前环境下所述移动机器人按照各个初始移动轨迹进行移动是否发生碰撞，将检测结果为没有发生碰撞的初始移动轨迹确定为目标移动轨迹。
可选的，
所述当前场景信息包括用于描述当前中轴线的信息和用于描述当前半径曲线的信息，所述当前中轴线是由所述当前环境下与障碍物边缘相切的最大圆的圆心而形成的，所述当前半径曲线是由所述当前环境下与障碍物边缘相切的最大圆的半径值形成的曲线；
所述历史场景信息包括用于描述历史中轴线的信息和用于描述历史半径曲线的信息，所述历史中轴线是由所述历史环境下与障碍物边缘相切的最大圆的圆心而形成的曲线，所述历史半径曲线是由所述当前环境下与障碍物边缘相切的最大圆的半径值形成的曲线；
所述计算单元包括：
第一计算子单元，用于计算所述当前曲率曲线与所述历史曲率曲线之间的相似度；所述当前曲率曲线为所述当前中轴线的曲率值形成的曲线；
第二计算子单元，用于计算所述当前半径曲线与所述历史半径曲线之间的相似度；所述历史曲率曲线为所述历史中轴线的曲率值形成的曲线。
可选的，
所述第一计算子单元，具体用于：通过动态时间规整算法，计算所述当前曲率曲线与所述历史曲率曲线之间的相似度；
所述第二计算子单元，具体用于：通过动态时间规整算法，计算所述当前半径曲线与所述历史半径曲线之间的相似度。
可选的，所述第二选取单元包括：
第一选取子单元，用于在所述历史场景信息中，选取历史曲率曲线与所述当前曲率曲线相似度最高的M个历史场景信息，作为初始场景信息；
第二选取子单元，用于在所述初始场景信息中，选取历史半径曲线与所述当前半径曲线相似度最高的N个初始场景信息，作为目标场景信息；
其中，M大于N。
可选的，
所述历史场景信息是预先按照最小外接矩形进行分类保存，一个分类对应一个最小外接矩形，所述分类下所有历史场景信息均包含在所述分类对应的最小外接矩形中；
所述第一选取单元包括：
查找子单元，用于在所有分类中查找与所述当前场景信息相匹配的目标分类，其中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形相匹配；
确定子单元，用于将所述目标分类下的历史场景信息确定为待匹配的历史场景信息。
可选的，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形相匹配，具体为：在所有分类中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形在距离上最接近。
可选的，所述历史场景信息保存在R树结构中，所述R树结构的叶子节点为历史场景信息，所述R树结构的非叶子节点为历史场景信息的分类。
可选的，所述历史场景信息具体为由完整的历史场景分割出的一个场景片段的信息，所述当前场景信息具体为由完整的当前场景分割出的一个场景片段的信息。
与现有技术相比，本发明具有以下优点：
在本发明实施例中，在预先保存了历史场景信息与已知移动轨迹之间的对应关系的基础上，通过计算用于描述当前场景下障碍物轮廓的当前场景信息与用于历史场景下障碍物轮廓的历史场景信息之间的相似度，可以选取与当前场景最为相似的多个历史场景下的已知移动轨迹作为初始移动轨迹，然后移动机器人可以分别对初始移动轨迹检测在当前环境下是否会发生碰撞，就可以从初始移动轨迹中确定出目标移动轨迹。由此可见，在为移动机器人确定移动轨迹的过程中，相对于预先保存的大量已知移动轨迹来说，移动机器人在面对当前环境时可以仅对少量初始移动轨迹检测在当前环境下是否会发生碰撞，因此，需要在当前环境下检测是否发生碰撞的移动轨迹数量得以减少，移动机器人针对移动轨迹的计算处理过程得以简化，其耗时得以减小，从而使得移动机器人能够实现快速及时地移动。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一个示例性应用场景的框架示意图；
图2为本发明实施例中一种为移动机器人确定移动轨迹的方法的流程示意图；
图3为本发明实施例中一种为移动机器人确定移动轨迹的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
发明人经过研究发现，现有技术中，在当前环境需要移动机器人确定移动轨迹时，移动机器人获取当前环境下障碍物的信息后，可以在其预先存储的包含有许多已知移动轨迹的轨迹数据集中依次选取已知的移动轨迹，利用检测移动机器人在当前环境下按选取的已知的移动轨迹移动过程中是否会发生碰撞的方式，确定出不会发生碰撞的移动轨迹。但是对于有大量可能的障碍物的当前环境，为了确保移动机器人所述当前环境下不发生碰撞地移动，轨迹数据集中需要有大量的已知的移动轨迹，此时，移动机器人需要对大量的已知移动轨迹进行碰撞检测，碰撞检测计算过程过于复杂、耗时，因此，移动机器人无法快速及时地移动。
基于此，在本发明实施例中，在预先保存了历史场景信息与已知移动轨迹之间的对应关系的基础上，通过计算用于描述当前场景下障碍物轮廓的当前场景信息与用于历史场景下障碍物轮廓的历史场景信息之间的相似度，可以选取与当前场景最为相似的多个历史场景下的已知移动轨迹作为初始移动轨迹，然后移动机器人可以分别对初始移动轨迹检测在当前环境下是否会发生碰撞，就可以从初始移动轨迹中确定出目标移动轨迹。由此可见，在为移动机器人确定移动轨迹的过程中，相对于预先保存的大量已知移动轨迹来说，移动机器人在面对当前环境时可以仅对少量初始移动轨迹检测在当前环境下是否会发生碰撞，因此，需要在当前环境下检测是否发生碰撞的移动轨迹数量得以减少，移动机器人针对移动轨迹的计算处理过程得以简化，其耗时得以减小，从而使得移动机器人能够实现快速及时地移动。
举例来说，本发明实施例的场景之一，可以是应用到如图1所示的场景。在该场景中，移动机器人中有传感器101、处理器102以及驱动器103，其中，传感器101和处理器102可以交互，处理器和驱动器103可以交互。处理器102获取传感器101发送的当前场景信息并从预先保存的历史场景信息中选取待匹配的历史场景信息，所述当前场景信息用于描述当前环境下的障碍物轮廓，所述历史场景信息用于描述历史环境下的障碍物轮廓。处理器102计算待匹配的历史场景信息与当前场景信息之间的相似度，选取与当前场景信息之间相似度最高的多个历史场景信息作为目标场景信息。处理器102根据预先设置的历史场景信息与已知移动轨迹之间的对应关系，将所述目标场景信息对应的已知移动轨迹确定为初始移动轨迹。处理器102通过分别检测在所述当前环境下所述移动机器人按照各个初始移动轨迹进行移动是否发生碰撞，将检测结果为没有发生碰撞的初始移动轨迹确定为目标移动轨迹。处理器102将目标移动轨迹发送给驱动器103，驱动器103在接收到目标移动轨迹后，驱动移动机器人按照目标移动轨迹执行移动。
可以理解的是，在上述应用场景中，虽然将本发明实施方式的动作描述由处理器102执行，但是本发明在执行主体方面不受限制，只要执行了本发明实施方式所公开的动作即可。
可以理解的是，上述场景仅是本发明实施例提供的一个场景示例，本发明实施例并不限于此场景。
下面结合附图，通过实施例来详细说明本发明实施例中为移动机器人确定移动轨迹的方法和装置的具体实现方式。
示例性方法
参见图2，示出了本发明实施例中一种为移动机器人确定移动轨迹的方法的流程示意图。在本实施例中，所述方法例如可以包括以下步骤：
步骤201：获取当前场景信息并从预先保存的历史场景信息中选取待匹配的历史场景信息，所述当前场景信息用于描述当前环境下的障碍物轮廓，所述历史场景信息用于描述历史环境下的障碍物轮廓。
可以理解的是，当前场景表示移动机器人将要进行移动的当前环境的场景，历史场景表示移动机器人过去曾经实际或者模拟移动过的环境的场景。作为一种示例，移动机器人的移动环境可以是二维空间，所述场景可以是二维空间中排除障碍物所占据的剩余空间，其拓扑结构是剩余空间的中轴线(英文：medial axis)，其拓扑信息可以包含通过与环境障碍物边缘相切的最大圆圆心所形成的中轴线和所述最大圆半径值所形成的曲线的信息。基于这样的拓扑信息，在本实施例的一些实施方式中，所述当前场景信息可以包括用于描述当前中轴线的信息和用于描述当前半径曲线的信息，所述当前中轴线是由所述当前环境下与障碍物边缘相切的最大圆的圆心而形成的，所述当前半径曲线是由所述当前环境下与障碍物边缘相切的最大圆的半径值形成的曲线。所述历史场景信息可以包括用于描述历史中轴线的信息和用于描述历史半径曲线的信息，所述历史中轴线是由所述历史环境下与障碍物边缘相切的最大圆的圆心而形成的曲线，所述历史半径曲线是由所述当前环境下与障碍物边缘相切的最大圆的半径值形成的曲线。
需要说明的是，对于一个环境来说，其障碍物边缘相切的最大圆例如可以通过选取该环境中任意点，利用所述点到其最近障碍物边沿的垂线，进行简单的向量变换获得。若不考虑该环境的障碍物而生成轨迹，该环境的中轴线例如可以通过计算移动机器人沿该轨迹扫过的面积形成的包络(swept volume)的中轴线而获得。
可以理解的是，移动机器人处于的环境可能存在狭窄的通道，因此该环境下的最大圆的半径值会由大变小再由小变大。通过计算该环境下的半径曲线的曲率的拐点，可以将环境分割成不同的片段，不同的环境片段也对应着机器人穿过此环境片段时的轨迹片段。在本实施例中，所述历史场景信息具体可以为由完整的历史环境分割出的一个环境片段对应的信息，所述当前场景信息具体可以为由完整的当前环境分割出的一个环境片段对应的信息。
可以理解的是，为了保证移动机器人对于各种不同的当前环境都能够匹配到合适的历史环境，，移动机器人中通常预先保存有大量的历史场景信息。为了避免当前场景信息与大量的历史场景信息都进行相似度计算而导致的计算处理量过大，在本实施例的一些实施方式中，可以预先将历史场景信息进行分类保存，针对当前场景信息选取待匹配的历史场景信息时，可以选取与当前场景信息属于同一分类的历史场景信息，以用于与当前场景信息进行相似度计算。这样，当前场景信息可以仅与同一分类的历史场景信息进行相似度计算，需要处理的相似度计算更少，从而计算处理量得以减少。具体地，所述历史场景信息例如可以是预先按照最小外接矩形(英文：minimum bounding rectangle，MBR)进行分类保存，一个分类对应一个最小外接矩形，所述分类下所有历史场景信息均包含在所述分类对应的最小外接矩形中。所述待匹配的历史场景信息的选取方式，例如可以包括：在所有分类中查找与所述当前场景信息相匹配的目标分类；将所述目标分类下的历史场景信息确定为待匹配的历史场景信息。其中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形相匹配。具体地，
进一步而言，R树技术可以被用于对历史场景信息进行分类保存。具体地，所述历史场景信息例如可以保存在R树结构中，所述R树结构的叶子节点为历史场景信息，所述R树结构的非叶子节点为历史场景信息的分类。其中，所述叶子节点又称叶结点，是指R树当中没有子结点(即度为0，所述度为一个结点的子树的个数)的结点，用于记录数据库中历史场景信息；所述非叶子节点用于记录最小的可以在空间上覆盖其子节点所包含的所有历史场景信息的最小外接矩形。当然，本发明实施例并不仅仅限于R树技术，也可以采用其他技术对历史场景信息进行分类保存。
需要说明的是，进一步地，在本实施例的一些实施方式中，在当前环境下的移动轨迹最终被确定出来之后，还可以将当前场景信息作为历史场景信息保存在所述目标分类对应的R树结构的叶子节点中，更新R树。
可以理解的是，最小外接矩形之间的匹配程度，例如可以通过最小外接矩形之间的距离来确定。因此，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形相匹配，例如具体可以为：在所有分类中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形在距离上最接近。所述当前场景信息对应的最小外界矩形与所述历史场景信息的分类对应的最小外接矩形，例如都可以通过逐段聚焦近似(简称：PAA，英文：piecewise aggregate approximation)方法获得。所述历史场景信息的分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形的距离可以用欧几里得距离法(euclidean distance)计算得到。
步骤202：计算待匹配的历史场景信息与当前场景信息之间的相似度，选取与当前场景信息之间相似度最高的多个历史场景信息作为目标场景信息。
可以理解的是，环境的拓扑结构与机器人的运动轨迹之间存在着一定的相关性，即如果某条已知移动轨迹可以无碰撞地运行于第一环境中，同时第一环境与第二环境的拓扑结构的相似性达到一定的程度，则所述已知移动轨迹也极有可能无碰撞地运行于第二环境中。因此，历史场景信息与当前场景信息相似度越高，移动机器人在当前环境下采用历史场景信息对应的已知移动轨迹越有可能不发生碰撞。
可以理解的是，当前场景信息和历史场景信息之间的相似性，例如可以是体现为两个场景信息各自的曲率曲线之间的相似度和/或两个场景信息各自的半径曲线之间的相似度。具体地，在本实施例的一些实施方式中，所述计算预先存储的历史场景信息与当前场景信息之间的相似度的步骤，例如可以包括：计算所述当前曲率曲线与所述历史曲率曲线之间的相似度，计算所述当前半径曲线与所述历史半径曲线之间的相似度；其中，所述当前曲率曲线为所述当前中轴线的曲率值形成的曲线，所述历史曲率曲线为所述历史中轴线的曲率值形成的曲线。
可以理解的是，上述曲率曲线和半径曲线均是一维曲线，计算两条一维曲率曲线或半径曲线间的相似度可以采用动态时间规整(DTW，dynamic time warping)算法。具体地，在本实施例的一些实施方式中，所述计算所述当前曲率曲线与所述历史曲率曲线之间的相似度步骤，例如可以为：通过动态时间规整算法，计算所述当前曲率曲线与所述历史曲率曲线之间的相似度；所述计算所述当前半径曲线与所述历史半径曲线之间的相似度步骤，例如可以为：通过动态时间规整算法，计算所述当前半径曲线与所述历史半径曲线之间的相似度。
需要说明的是，在对两条曲线利用所述动态时间规整算法进行计算时，需要将两条曲线取样成序列。为了确保计算的精确性，两条曲线段可以均被取样成具有相同数量节点的序列。所述动态时间规整算法能够计算出两条曲线间的一个距离值，该距离值越大，说明两条曲线的相似性越低；该距离值越小，则说明两条曲线的相似性越高。
可以理解的是，对于一个环境来说，其曲率曲线相对于半径曲线更能反映拓扑结构的变化，因此，在根据相似度选取目标场景信息时，可以先在待匹配的历史场景信息中根据曲率曲线的相似度选取初始场景信息，再在初始场景信息中根据半径曲线的相似度选取目标场景信息。具体地，所述选取与当前场景信息之间相似度最高的多个历史场景信息作为目标场景信息的步骤，例如可以包括：在所述历史场景信息中，选取历史曲率曲线与所述当前曲率曲线相似度最高的M个历史场景信息，作为初始场景信息；在所述初始场景信息中，选取历史半径曲线与所述当前半径曲线相似度最高的N个初始场景信息，作为目标场景信息；其中，M大于N。
步骤203：根据预先设置的历史场景信息与已知移动轨迹之间的对应关系，将所述目标场景信息对应的已知移动轨迹确定为初始移动轨迹。
需要说明的是，历史场景信息与已知移动轨迹之间存在预先设置的对应关系。对于具有对应关系的历史场景信息与已知移动轨迹来说，移动机器人在所述历史场景信息对应的历史环境下按照所述已知移动轨迹移动不会发生碰撞。因此，所述已知移动轨迹可以是移动机器人在所述历史环境中真实运行过且确定不会发生碰撞的轨迹，也可以是在所述历史环境中仿真运行过且确定不会发生碰撞的轨迹。其中，用于在历史环境中真实运行或仿真运行的已知移动轨迹，可以是根据移动机器人的运动学和动力学特征而生成的。
步骤204：通过分别检测在所述当前环境下所述移动机器人按照各个初始移动轨迹进行移动是否发生碰撞，将检测结果为没有发生碰撞的初始移动轨迹确定为目标移动轨迹。
需要说明的是，对初始移动轨迹进行碰撞检测是为了排除与环境障碍物发生碰撞的轨迹。如果检测结果到存在不发生碰撞的初始移动轨迹，则对不发生碰撞的初始移动轨迹进行修正，使机器人从当前状态运动至与该初始移动轨迹上的状态重合的过程；如果检测到不存在不发生碰撞的初始移动轨迹，此时可能预先设置的已知移动轨迹没有覆盖到适合于当前环境的移动轨迹或者当前环境不适合机器人通过，移动机器人可以退回当前环境的前一环境或者做方向调整，之后，再基于新的当前环境确定目标移动轨迹。
通过本实施例提供的各种实施方式，在预先保存了历史场景信息与已知移动轨迹之间的对应关系的基础上，通过计算用于描述当前场景下障碍物轮廓的当前场景信息与用于历史场景下障碍物轮廓的历史场景信息之间的相似度，可以选取与当前场景最为相似的多个历史场景下的已知移动轨迹作为初始移动轨迹，然后移动机器人可以分别对初始移动轨迹检测在当前环境下是否会发生碰撞，就可以从初始移动轨迹中确定出目标移动轨迹。由此可见，在为移动机器人确定移动轨迹的过程中，相对于预先保存的大量已知移动轨迹来说，移动机器人在面对当前环境时可以仅对少量初始移动轨迹检测在当前环境下是否会发生碰撞，因此，需要在当前环境下检测是否发生碰撞的移动轨迹数量得以减少，移动机器人针对移动轨迹的计算处理过程得以简化，其耗时得以减小，从而使得移动机器人能够实现快速及时地移动。
示例性设备
参见图3，示出了本发明实施例中一种为移动机器恶人确定移动轨迹的装置的结构示意图。在本实施例中，所述装置例如具体可以包括：
获取单元301，用于获取当前场景信息，所述当前场景信息用于描述所述当前环境下的障碍物轮廓；
第一选取单元302，用于从预先保存的历史场景信息中选取待匹配的历史场景信息，所述历史场景信息用于描述所述历史环境下的障碍物轮廓；
计算单元303，用于计算预先保存的历史场景信息与当前场景信息之间的相似度；
第二选取单元304，用于选取与当前场景信息之间相似度最高的多个历史场景信息作为目标场景信息；
第一确定单元305，用于根据预先设置的历史场景信息与已知移动轨迹之间的对应关系，将所述目标场景信息对应的已知移动轨迹确定为初始移动轨迹；
第二确定单元306，用于通过分别检测在所述当前环境下所述移动机器人按照各个初始移动轨迹进行移动是否发生碰撞，将检测结果为没有发生碰撞的初始移动轨迹确定为目标移动轨迹。
可选的，在本实施例的一些实施方式中，所述当前场景信息例如可以包括包括用于描述当前中轴线的信息和用于描述当前半径曲线的信息，所述当前中轴线是由所述当前环境下与障碍物边缘相切的最大圆的圆心而形成的，所述当前半径曲线是由所述当前环境下与障碍物边缘相切的最大圆的半径值形成的曲线；
所述历史场景信息例如可以包括用于描述历史中轴线的信息和用于描述历史半径曲线的信息，所述历史中轴线是由所述历史环境下与障碍物边缘相切的最大圆的圆心而形成的曲线，所述历史半径曲线是由所述当前环境下与障碍物边缘相切的最大圆的半径值形成的曲线；
所述计算单元303例如可以包括：
第一计算子单元，用于计算所述当前曲率曲线与所述历史曲率曲线之间的相似度；所述当前曲率曲线为所述当前中轴线的曲率值形成的曲线；
第二计算子单元，用于计算所述当前半径曲线与所述历史半径曲线之间的相似度；所述历史曲率曲线为所述历史中轴线的曲率值形成的曲线。
可选的，在本实施例的另一些实施方式中，所述第一计算子单元，例如具体可以用于：通过动态时间规整算法，计算所述当前曲率曲线与所述历史曲率曲线之间的相似度；
所述第二计算子单元，例如具体可以用于：通过动态时间规整算法，计算所述当前半径曲线与所述历史半径曲线之间的相似度。
可选的，在本实施例的另一些实施方式中，所述第二选取单元304例如可以包括：
第一选取子单元，用于在所述历史场景信息中，选取历史曲率曲线与所述当前曲率曲线相似度最高的M个历史场景信息，作为初始场景信息；
第二选取子单元，用于在所述初始场景信息中，选取历史半径曲线与所述当前半径曲线相似度最高的N个初始场景信息，作为目标场景信息；
其中，M大于N。
可选的，在本实施例的再一些实施方式中，所述历史场景信息例如可以是预先按照最小外接矩形进行分类保存，一个分类对应一个最小外接矩形，所述分类下所有历史场景信息均包含在所述分类对应的最小外接矩形中；
所述第一选取单元例如可以包括：
查找子单元，用于在所有分类中查找与所述当前场景信息相匹配的目标分类，其中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形相匹配；
确定子单元，用于将所述目标分类下的历史场景信息确定为待匹配的历史场景信息。
可选的，在本实施例的又再一些实施方式中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形相匹配，例如具体可以为：在所有分类中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形在距离上最接近。
可选的，在本实施例的又再一些实施方式中，所述历史场景信息例如可以保存在R树结构中，所述R树结构的叶子节点为历史场景信息，所述R树结构的非叶子节点为历史场景信息的分类。
可选的，在本实施例的又再一些实施方式中，所述历史场景信息例如具体可以为由完整的历史场景分割出的一个场景片段的信息，所述当前场景信息例如具体可以为由完整的当前场景分割出的一个场景片段的信息。
通过本实施例提供的各种实施方式，在预先保存了历史场景信息与已知移动轨迹之间的对应关系的基础上，通过计算用于描述当前场景下障碍物轮廓的当前场景信息与用于历史场景下障碍物轮廓的历史场景信息之间的相似度，可以选取与当前场景最为相似的多个历史场景下的已知移动轨迹作为初始移动轨迹，然后移动机器人可以分别对初始移动轨迹检测在当前环境下是否会发生碰撞，就可以从初始移动轨迹中确定出目标移动轨迹。由此可见，在为移动机器人确定移动轨迹的过程中，相对于预先保存的大量已知移动轨迹来说，移动机器人在面对当前环境时可以仅对少量初始移动轨迹检测在当前环境下是否会发生碰撞，因此，需要在当前环境下检测是否发生碰撞的移动轨迹数量得以减少，移动机器人针对移动轨迹的计算处理过程得以简化，其耗时得以减小，从而使得移动机器人能够实现快速及时地移动。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (16)
1.一种为移动机器人确定移动轨迹的方法，其特征在于，包括：
获取当前场景信息并从预先保存的历史场景信息中选取待匹配的历史场景信息，所述当前场景信息用于描述当前环境下的障碍物轮廓，所述历史场景信息用于描述历史环境下的障碍物轮廓；
计算待匹配的历史场景信息与当前场景信息之间的相似度，选取与当前场景信息之间相似度最高的多个历史场景信息作为目标场景信息；
根据预先设置的历史场景信息与已知移动轨迹之间的对应关系，将所述目标场景信息对应的已知移动轨迹确定为初始移动轨迹；
通过分别检测在所述当前环境下所述移动机器人按照各个初始移动轨迹进行移动是否发生碰撞，将检测结果为没有发生碰撞的初始移动轨迹确定为目标移动轨迹。
2.根据权利要求1所述的方法，其特征在于，
所述当前场景信息包括用于描述当前中轴线的信息和用于描述当前半径曲线的信息，所述当前中轴线是由所述当前环境下与障碍物边缘相切的最大圆的圆心而形成的，所述当前半径曲线是由所述当前环境下与障碍物边缘相切的最大圆的半径值形成的曲线；
所述历史场景信息包括用于描述历史中轴线的信息和用于描述历史半径曲线的信息，所述历史中轴线是由所述历史环境下与障碍物边缘相切的最大圆的圆心而形成的曲线，所述历史半径曲线是由所述历史环境下与障碍物边缘相切的最大圆的半径值形成的曲线；
所述计算待匹配的历史场景信息与当前场景信息之间的相似度，包括：计算当前曲率曲线与历史曲率曲线之间的相似度，计算所述当前半径曲线与所述历史半径曲线之间的相似度；其中，所述当前曲率曲线为所述当前中轴线的曲率值形成的曲线，所述历史曲率曲线为所述历史中轴线的曲率值形成的曲线。
3.根据权利要求2所述的方法，其特征在于，
所述计算所述当前曲率曲线与所述历史曲率曲线之间的相似度，具体为：通过动态时间规整算法，计算所述当前曲率曲线与所述历史曲率曲线之间的相似度；
所述计算所述当前半径曲线与所述历史半径曲线之间的相似度，具体为：通过动态时间规整算法，计算所述当前半径曲线与所述历史半径曲线之间的相似度。
4.根据权利要求2所述的方法，其特征在于，所述选取与当前场景信息之间相似度最高的多个历史场景信息作为目标场景信息，包括：
在所述历史场景信息中，选取历史曲率曲线与所述当前曲率曲线相似度最高的M个历史场景信息，作为初始场景信息；
在所述初始场景信息中，选取历史半径曲线与所述当前半径曲线相似度最高的N个初始场景信息，作为目标场景信息；
其中，M大于N。
5.根据权利要求1所述的方法，其特征在于，
所述历史场景信息是预先按照最小外接矩形进行分类保存，一个分类对应一个最小外接矩形，所述分类下所有历史场景信息均包含在所述分类对应的最小外接矩形中；
所述从预先保存的历史场景信息中选取待匹配的历史场景信息，包括：
在所有分类中查找与所述当前场景信息相匹配的目标分类，其中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形相匹配；
将所述目标分类下的历史场景信息确定为待匹配的历史场景信息。
6.根据权利要求5所述的方法，其特征在于，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形相匹配，具体为：在所有分类中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形在距离上最接近。
7.根据权利要求5所述的方法，其特征在于，所述历史场景信息保存在R树结构中，所述R树结构的叶子节点为历史场景信息，所述R树结构的非叶子节点为历史场景信息的分类。
8.根据权利要求1所述的方法，其特征在于，所述历史场景信息具体为由完整的历史场景分割出的一个场景片段的信息，所述当前场景信息具体为由完整的当前场景分割出的一个场景片段的信息。
9.一种为移动机器人确定移动轨迹的装置，其特征在于，包括：
获取单元，用于获取当前场景信息，所述当前场景信息用于描述当前环境下的障碍物轮廓；
第一选取单元，用于从待匹配的历史场景信息中选取待匹配的历史场景信息，所述历史场景信息用于描述历史环境下的障碍物轮廓；
计算单元，用于计算待匹配的历史场景信息与当前场景信息之间的相似度；
第二选取单元，用于选取与当前场景信息之间相似度最高的多个历史场景信息作为目标场景信息；
第一确定单元，用于根据预先设置的历史场景信息与已知移动轨迹之间的对应关系，将所述目标场景信息对应的已知移动轨迹确定为初始移动轨迹；
第二确定单元，用于通过分别检测在所述当前环境下所述移动机器人按照各个初始移动轨迹进行移动是否发生碰撞，将检测结果为没有发生碰撞的初始移动轨迹确定为目标移动轨迹。
10.根据权利要求9所述的装置，其特征在于，
所述当前场景信息包括用于描述当前中轴线的信息和用于描述当前半径曲线的信息，所述当前中轴线是由所述当前环境下与障碍物边缘相切的最大圆的圆心而形成的，所述当前半径曲线是由所述当前环境下与障碍物边缘相切的最大圆的半径值形成的曲线；
所述历史场景信息包括用于描述历史中轴线的信息和用于描述历史半径曲线的信息，所述历史中轴线是由所述历史环境下与障碍物边缘相切的最大圆的圆心而形成的曲线，所述历史半径曲线是由所述历史环境下与障碍物边缘相切的最大圆的半径值形成的曲线；
所述计算单元包括：
第一计算子单元，用于计算当前曲率曲线与历史曲率曲线之间的相似度；所述当前曲率曲线为所述当前中轴线的曲率值形成的曲线；
第二计算子单元，用于计算所述当前半径曲线与所述历史半径曲线之间的相似度；所述历史曲率曲线为所述历史中轴线的曲率值形成的曲线。
11.根据权利要求10所述的装置，其特征在于，
所述第一计算子单元，具体用于：通过动态时间规整算法，计算所述当前曲率曲线与所述历史曲率曲线之间的相似度；
所述第二计算子单元，具体用于：通过动态时间规整算法，计算所述当前半径曲线与所述历史半径曲线之间的相似度。
12.根据权利要求10所述的装置，其特征在于，所述第二选取单元包括：
第一选取子单元，用于在所述历史场景信息中，选取历史曲率曲线与所述当前曲率曲线相似度最高的M个历史场景信息，作为初始场景信息；
第二选取子单元，用于在所述初始场景信息中，选取历史半径曲线与所述当前半径曲线相似度最高的N个初始场景信息，作为目标场景信息；
其中，M大于N。
13.根据权利要求9所述的装置，其特征在于，
所述历史场景信息是预先按照最小外接矩形进行分类保存，一个分类对应一个最小外接矩形，所述分类下所有历史场景信息均包含在所述分类对应的最小外接矩形中；
所述第一选取单元包括：
查找子单元，用于在所有分类中查找与所述当前场景信息相匹配的目标分类，其中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形相匹配；
确定子单元，用于将所述目标分类下的历史场景信息确定为待匹配的历史场景信息。
14.根据权利要求13所述的装置，其特征在于，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形相匹配，具体为：在所有分类中，所述目标分类对应的最小外接矩形与所述当前场景信息对应的最小外接矩形在距离上最接近。
15.根据权利要求13所述的装置，其特征在于，所述历史场景信息保存在R树结构中，所述R树结构的叶子节点为历史场景信息，所述R树结构的非叶子节点为历史场景信息的分类。
16.根据权利要求9所述的装置，其特征在于，所述历史场景信息具体为由完整的历史场景分割出的一个场景片段的信息，所述当前场景信息具体为由完整的当前场景分割出的一个场景片段的信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611104944.9A CN106774312B (zh) | 2016-12-05 | 2016-12-05 | 一种为移动机器人确定移动轨迹的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611104944.9A CN106774312B (zh) | 2016-12-05 | 2016-12-05 | 一种为移动机器人确定移动轨迹的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106774312A CN106774312A (zh) | 2017-05-31 |
| CN106774312B true CN106774312B (zh) | 2020-04-28 |
Family
ID=58874046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611104944.9A Active CN106774312B (zh) | 2016-12-05 | 2016-12-05 | 一种为移动机器人确定移动轨迹的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106774312B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107742304B (zh) * | 2017-10-10 | 2020-04-21 | 广州视源电子科技股份有限公司 | 移动轨迹的确定方法及装置、移动机器人及存储介质 |
| CN109242016B (zh) * | 2018-08-30 | 2019-09-17 | 天津理工大学 | 一种空间曲线的相似性判断方法 |
| CN109961106B (zh) * | 2019-04-18 | 2022-03-18 | 北京百度网讯科技有限公司 | 轨迹分类模型的训练方法和装置、电子设备 |
| CN110202570B (zh) * | 2019-05-13 | 2022-07-05 | 深圳创动科技有限公司 | 机器人及其运动控制方法以及存储介质 |
| CN110609554B (zh) * | 2019-09-17 | 2023-01-17 | 重庆特斯联智慧科技股份有限公司 | 一种机器人移动控制方法及装置 |
| CN111427357A (zh) * | 2020-04-14 | 2020-07-17 | 北京石头世纪科技股份有限公司 | 一种机器人避障方法、装置和存储介质 |
| CN113552867B (zh) * | 2020-04-20 | 2023-07-18 | 华为技术有限公司 | 一种运动轨迹的规划方法及轮式移动设备 |
| CN113280814B (zh) * | 2021-06-11 | 2023-04-25 | 山东京博控股集团有限公司 | 一种园区作业人员的安全监测方法及设备 |
| CN116300918A (zh) * | 2023-03-07 | 2023-06-23 | 广东隆崎机器人有限公司 | 六轴机器人的路径规划、装置、机器人及可读存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8050863B2 (en) * | 2006-03-16 | 2011-11-01 | Gray & Company, Inc. | Navigation and control system for autonomous vehicles |
| KR20130065126A (ko) * | 2011-12-09 | 2013-06-19 | 한국전자통신연구원 | 이동체의 경로 설정 장치 및 방법 |
| GB201202344D0 (en) * | 2012-02-10 | 2012-03-28 | Isis Innovation | Method of locating a sensor and related apparatus |
| CN103901885B (zh) * | 2012-12-28 | 2016-10-05 | 联想(北京)有限公司 | 信息处理方法和信息处理设备 |
| CN104200702B (zh) * | 2014-09-01 | 2017-04-19 | 陈凯明 | 一种查找车位系统及其方法 |
-
2016
- 2016-12-05 CN CN201611104944.9A patent/CN106774312B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106774312A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106774312B (zh) | 一种为移动机器人确定移动轨迹的方法和装置 | |
| Farahi et al. | Probabilistic Kalman filter for moving object tracking | |
| CN109521757B (zh) | 静态障碍物识别方法和装置 | |
| CN103415825B (zh) | 用于手势识别的系统和方法 | |
| JP5838901B2 (ja) | 物体識別装置及び物体識別方法 | |
| CN110660082A (zh) | 一种基于图卷积与轨迹卷积网络学习的目标跟踪方法 | |
| CN112847343A (zh) | 动态目标跟踪定位方法、装置、设备和存储介质 | |
| KR102462934B1 (ko) | 디지털 트윈 기술을 위한 영상 분석 시스템 | |
| KR102339727B1 (ko) | 신뢰도 추정을 통한 글로벌 및 로컬 검색을 기반으로 한 견고한 시각적 물체 추적 | |
| US11562524B2 (en) | Mobile robots to generate occupancy maps | |
| CN112052802A (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
| Granström et al. | A tutorial on multiple extended object tracking | |
| CN113454640A (zh) | 用于利用在线学习进行对象跟踪的方法及系统 | |
| Qing et al. | A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation | |
| CN106598856B (zh) | 一种路径检测方法及装置 | |
| de Alcantara et al. | Action identification using a descriptor with autonomous fragments in a multilevel prediction scheme | |
| CN117011378A (zh) | 一种移动机器人目标定位、跟踪方法及相关设备 | |
| Xue et al. | Tracking multiple visual targets via particle-based belief propagation | |
| Farazi et al. | Real-time visual tracking and identification for a team of homogeneous humanoid robots | |
| KR102462733B1 (ko) | 샴 네트워크를 활용하는 강인한 다중 객체 검출 장치 및 방법 | |
| Mandischer et al. | Radar tracker for human legs based on geometric and intensity features | |
| ZHOU et al. | Background subtraction based on co-occurrence pixel-block pairs for robust object detection in dynamic scenes | |
| Nateghinia et al. | Video-based multiple vehicle tracking at intersections | |
| Zhang et al. | Online social behavior modeling for multi-target tracking | |
| Oh et al. | Upper body gesture recognition for human-robot interaction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 407, building 5, yard 98, lianshihu West Road, Mentougou District, Beijing 102300 Patentee after: AUBO (Beijing) Intelligent Technology Co.,Ltd. Address before: Floor 3, Shilong Sunshine Building, No. 98, Lianshihu West Road, Mentougou District, Beijing, 102300 Patentee before: AUBO (BEIJING) ROBOTICS TECHNOLOGY Co.,Ltd. |