CN102297692B - 用于智能轮椅在转角区域的自定位方法 - Google Patents

用于智能轮椅在转角区域的自定位方法 Download PDF

Info

Publication number
CN102297692B
CN102297692B CN 201110193304 CN201110193304A CN102297692B CN 102297692 B CN102297692 B CN 102297692B CN 201110193304 CN201110193304 CN 201110193304 CN 201110193304 A CN201110193304 A CN 201110193304A CN 102297692 B CN102297692 B CN 102297692B
Authority
CN
China
Prior art keywords
wheelchair
camera
value
kalman filter
sonar
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
Application number
CN 201110193304
Other languages
English (en)
Other versions
CN102297692A (zh
Inventor
罗元
张毅
邵帅
李敏
胡章芳
徐晓东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN 201110193304 priority Critical patent/CN102297692B/zh
Publication of CN102297692A publication Critical patent/CN102297692A/zh
Application granted granted Critical
Publication of CN102297692B publication Critical patent/CN102297692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

一种用于智能轮椅在转角区域的自定位方法，它包括有摄像头、声纳传感器、第一卡尔曼滤波器和第二卡尔曼滤波器，通过传感器采集环境信息，两次卡尔曼估算，得到各传感器的相应权值，再监控拐角位置，算出轮椅与拐角之间的精准距离，完成自定位。

Description

用于智能轮椅在转角区域的自定位方法
技术领域
本发明涉及一种定位方法，特别是一种多传感器信息融合定位方法。
背景技术
随着科学的发展，人们对于轮椅的智能化要求越来越高，传统智能轮椅包括有轮椅本体、人工手动操作界面和操作系统，使用者根据使用场地控制操作界面，对轮椅运气路线进行控制，目前还没有轮椅本身根据现场情况自行设计运行路线，并运行的智能机器人式轮椅，智能机器人式轮椅的实现难点在于轮椅的自定位，特别是在需要转角的地方，轮椅需要精确测量出轮椅本身与转角之间的距离和位置关系，处理器再根据距离和位置关系制定相应的路线规划，由于轮椅一直保持运行状态，仅通过传感器采集轮椅与转角之间的距离不够精确，不足以使处理器规划出正确的转角路线。
发明内容
本发明的目的就是提供一种用于智能轮椅在转角区域的自定位方法，它通过卡尔曼滤波器对传感器所测得的数据进行融合，使测得的轮椅与转角之间的距离更精准，完成轮椅在转角区域的精确自定位。
本发明的目的是通过这样的技术方案实现的，它包括有摄像头、声纳传感器、第一卡尔曼滤波器和第二卡尔曼滤波器，其步骤如下：
1）摄像头和声纳传感器对轮椅附近的环境信息进行采集，并分别记录探测位置与轮椅之间的距离为Lc和Ls；
2）第一卡尔曼滤波器对摄像头采集到的Lc进行分析处理，对摄像头探测值进行矫正，得到摄像头探测距离估算值Lck；
3）比对Lck与Ls的值，排除误差大的声纳探测错误数据Ls，对声纳探测值进行矫正，得到声纳传感器探测距离估算值Lsk；
4）将Lck与Lsk统一坐标系对准，再通过第二卡尔曼滤波器进行处理，经多次迭代后卡尔曼滤波器会给各传感器分配相应权值，得出每个时刻的最优状态估计值L；
5）监控声纳传感器探测值，声纳传感器探测值跳变时，表明探测到转角，此时第二卡尔曼滤空器得到的最优状态估计值L为轮椅与转角的精准距离，完成轮椅自定位。
进一步，摄像头采集到的数据和卡尔曼滤波器处理后的数据逐帧传送至上位机处理器进行图像处理，进行模拟成像。
进一步，上位机处理器通过无线网卡接收数据。
进一步，卡尔曼滤波器是这样进行数据处理的：
在卡尔曼滤波器中建立跟踪对象的线性系统的状态方程和观测方程为：
状态方程：                                                
Figure 2011101933040100002DEST_PATH_IMAGE001
，  
观测方程： 
Figure 2011101933040100002DEST_PATH_IMAGE002
  ， 
式中，
Figure 2011101933040100002DEST_PATH_IMAGE003
 ，是在时刻
Figure 2011101933040100002DEST_PATH_IMAGE005
，
Figure 2011101933040100002DEST_PATH_IMAGE006
的系统状态向量，
Figure 2011101933040100002DEST_PATH_IMAGE007
是在时刻
Figure 927609DEST_PATH_IMAGE005
的系统状态向量，
Figure 2011101933040100002DEST_PATH_IMAGE008
，
Figure 2011101933040100002DEST_PATH_IMAGE009
分别为正态分布的运动向量和测量噪声向量，a为状态传递矩阵，
Figure 2011101933040100002DEST_PATH_IMAGE010
为测量矩阵；
卡尔曼滤波器中根据当前的状态估计后来的随机模型状态其定义是：
预测状态：
Figure 2011101933040100002DEST_PATH_IMAGE011
  ，                                 
先验错误估计相关矩阵：
Figure 2011101933040100002DEST_PATH_IMAGE012
  ，                    
式中，是预测状态，
Figure 343284DEST_PATH_IMAGE004
是前一步的正确状态，
Figure 2011101933040100002DEST_PATH_IMAGE014
是先验误差相关矩阵，
Figure DEST_PATH_IMAGE015
是前一步的后验误差相关矩阵，为运动噪声的协方差矩阵；
在给定模型状态的测量参数的基础上，调节随机模型状态，其定义为
预测增益矩阵：   ，                        
矫正状态：
Figure 2011101933040100002DEST_PATH_IMAGE018
       ，                        
后验错误估计相关矩阵：
Figure DEST_PATH_IMAGE019
     ，                        
式中，
Figure 2011101933040100002DEST_PATH_IMAGE020
为卡尔曼增益矩阵，
Figure DEST_PATH_IMAGE021
为测量噪声相关矩阵；
滤波器收到预测对象运动状态，调用状态方程建立运动模型对预测对象在
Figure 2011101933040100002DEST_PATH_IMAGE022
时刻的运动状态进行估计，得到一个先验估计值
Figure 746190DEST_PATH_IMAGE013
，然后对先验估计值进行校正，得到校正后的
Figure 79083DEST_PATH_IMAGE003
的估计值，从而达到预测的目的。
由于采用了上述技术方案，本发明具有如下的优点：
卡尔曼算法是采用信号与噪声的状态空间模型，利用前一时刻地估计值和当前时刻的观测值来更新对状态变量的估计，第一卡尔曼处理器对摄像头采集到的Lc进行分析处理，其目的是为了使摄像头探测到的距离数据更加准确，并且可以减小摄像头所测数据受光线强弱变化的影响，提高鲁棒性。
由于将处理后的数据样本与声纳所测得的数据进行比对，排除声纳因镜面反射所采集到的错误数据，使声纳传感器所测得的数据更加精确，并且卡尔曼滤波器对声纳传感器和摄像头的数据进行融合，显著提高数据准确性。
附图说明
本发明的附图说明如下。
图1为本发明工作状态示意图。
图2为声纳自定位观测模型示意图。
图3摄像头自定位观测模型示意图。
图4为摄像头小孔成像模型示意图。
图5为卡尔曼运算方法示意图。
图6为本发明的工作原理图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
一种用于智能轮椅在转角区域的自定位方法，它包括有摄像头、声纳传感器、第一卡尔曼滤波器和第二卡尔曼滤波器，其步骤如下：
1）摄像头和声纳传感器对轮椅附近的环境信息进行采集，并分别记录探测位置与轮椅之间的距离为Lc和Ls；
2）第一卡尔曼滤波器对摄像头采集到的Lc进行分析处理，对摄像头探测值进行矫正，得到摄像头探测距离估算值Lck；
3）比对Lck与Ls的值，排除误差大的声纳探测错误数据Ls，对声纳探测值进行矫正，得到声纳传感器探测距离估算值Lsk；
4）将Lck与Lsk统一坐标系对准，再通过第二卡尔曼滤波器进行处理，经多次迭代后卡尔曼滤波器会给各传感器分配相应权值，得出每个时刻的最优状态估计值L；
5）监控声纳传感器探测值，声纳传感器探测值跳变时，表明探测到转角，此时第二卡尔曼滤空器得到的最优状态估计值L为轮椅与转角的精准距离，完成轮椅自定位。
摄像头和声纳传感器均为传感器，用于采集初始数据，摄像头和声纳传感器采集转角距离之外还负责采集轮椅四周的数据，包括有摄像头采集的图像数据，用于处理器模拟成像，声纳传感器采集的四周障碍物距离数据。
卡尔曼算法是采用信号与噪声的状态空间模型，利用前一时刻地估计值和当前时刻的观测值来更新对状态变量的估计，第一卡尔曼处理器对摄像头采集到的Lc进行分析处理，其目的是为了使摄像头探测到的距离数据更加准确，并且可以减小摄像头所测数据受光线强弱变化的影响，提高鲁棒性。
将处理后的数据样本与声纳所测得的数据进行比对，排除声纳因镜面反射所采集到的错误数据，使声纳传感器所测得的数据更加精确。
由于摄像头和声纳传感器所测得数据是基于不同坐标系得到的结果，在融合之前需要进行对准，统一坐标系，第二卡尔曼处理器对两个传感器经过处理器后的准确数据进行融合，得到最后估算值，对比两个传感器所测值于估算值，测出它们的误差，并根据多次的上述处理对误差进行统计，得出每个传感器应分配的权值，传感器所测得数据乘以权值再相加得到最优估算值，即轮椅与所测处置的距离估算值，完成轮椅相对于所测位置处的自定位，该估算值通过多次处理并多次迭代后精确性显著提高，适用于处理器进行轨道规划。
本发明用于智能轮椅在转角区域的位置自定位，只需测出轮椅距离转角之间的距离，当声纳传感器扫描到转角时，其所测距离数据必然进行跳变，监控声纳所测数据，当发生跳变时，即证明目前所测位置为转角，此时第二卡尔曼处理器处理后的距离数据为轮椅与转角的精确距离，再发送至处理器，处理器即可进行轨道规划，处理器根据所接收的数据可以进行无数种轨道规划。
为了便于使用者直观的察看轮椅的运行状态，摄像头采集到的数据和卡尔曼滤波器处理后的数据逐帧传送至上位机处理器进行图像处理，进行模拟成像。可以在上位机处理器处置处或轮椅上安装显示屏，将模拟成像传送至需要观看的地方。
上位机处理器通过无线网卡接收数据。使操控者可以远程控制轮椅，若轮椅的使用者无行动控制能力，操控者可以通过模拟成像进行远程控制，方便安全。
卡尔曼滤波器是这样进行数据处理的：
在卡尔曼滤波器中建立跟踪对象的线性系统的状态方程和观测方程为：
状态方程：
Figure 80406DEST_PATH_IMAGE001
 ，  
观测方程： 
Figure 840551DEST_PATH_IMAGE002
  ， 
式中， ，
Figure 431118DEST_PATH_IMAGE004
是在时刻
Figure 286948DEST_PATH_IMAGE005
，
Figure 217995DEST_PATH_IMAGE006
的系统状态向量，是在时刻
Figure 833970DEST_PATH_IMAGE005
的系统状态向量，
Figure 544306DEST_PATH_IMAGE008
，分别为正态分布的运动向量和测量噪声向量，a为状态传递矩阵，
Figure 340409DEST_PATH_IMAGE010
为测量矩阵；
卡尔曼滤波器中根据当前的状态估计后来的随机模型状态其定义是：
预测状态：  ，                                 
先验错误估计相关矩阵：
Figure 383638DEST_PATH_IMAGE012
  ，                    
式中，
Figure 656487DEST_PATH_IMAGE013
是预测状态，
Figure 572359DEST_PATH_IMAGE004
是前一步的正确状态，
Figure 588857DEST_PATH_IMAGE014
是先验误差相关矩阵，
Figure 273785DEST_PATH_IMAGE015
是前一步的后验误差相关矩阵，
Figure 983115DEST_PATH_IMAGE016
为运动噪声的协方差矩阵；
在给定模型状态的测量参数的基础上，调节随机模型状态，其定义为
预测增益矩阵：
Figure 120704DEST_PATH_IMAGE017
   ，                        
矫正状态：
Figure 940893DEST_PATH_IMAGE018
       ，                        
后验错误估计相关矩阵：
Figure 480327DEST_PATH_IMAGE019
     ，                        
式中，
Figure 360559DEST_PATH_IMAGE020
为卡尔曼增益矩阵，
Figure 985444DEST_PATH_IMAGE021
为测量噪声相关矩阵；
滤波器收到预测对象运动状态，调用状态方程建立运动模型对预测对象在
Figure 343744DEST_PATH_IMAGE022
时刻的运动状态进行估计，得到一个先验估计值
Figure 3264DEST_PATH_IMAGE013
，然后对先验估计值进行校正，得到校正后的
Figure 54397DEST_PATH_IMAGE003
的估计值，从而达到预测的目的。根据卡尔曼算法可以计算出上位机所需准确数值。
Lc和Ls是这样计算得出的，如图2所示，以门型为例,使用安装在和门所在墙壁同侧的声纳A和声纳B对环境信息进行获取。在移动机器人向前运动的过程中应首先调整机器人的位姿使其和侧面墙壁保持平行，当A声纳测得的距离
Figure DEST_PATH_IMAGE023
保持不变即确定机器人和墙壁的平行关系。调整过位姿以后，机器人继续向前行进，当声纳B发出的超声波扫过门的前沿时，所采集到的距离信息会产生一个跳变。且B声纳发出的超声波和机器人自身坐标系x轴的夹角
Figure 2011101933040100002DEST_PATH_IMAGE024
以及B声纳在机器人上的坐标
Figure DEST_PATH_IMAGE025
都是已知的。所以当声纳B检测到距离的跳变时，通过
Figure 228895DEST_PATH_IMAGE023
和
Figure 640154DEST_PATH_IMAGE024
便能唯一的确定机器人和门之间的位置关系如式（1）、（2）所示：
                         
Figure 2011101933040100002DEST_PATH_IMAGE026
                        （1）
                      
Figure DEST_PATH_IMAGE027
                   （2）
如图3所示，首先对摄像头C采集到的图像进行边缘检测，从而对门的边缘进行识别，然后计算出门的边缘在摄像头视野内所处的角度
Figure 950918DEST_PATH_IMAGE024
，从而判断出轮椅和门之间的位置关系： 
                        
Figure 2011101933040100002DEST_PATH_IMAGE028
                 （3）
式中
Figure 2011101933040100002DEST_PATH_IMAGE029
为摄像头朝向和机器人自身坐标系
Figure DEST_PATH_IMAGE030
轴的夹角，
Figure DEST_PATH_IMAGE031
为摄像头的水平视角。
如图4所示，摄像头是这样小孔模拟成像的，调整摄像头的朝向，使
                        
Figure DEST_PATH_IMAGE032
                                （4）
则可以根据摄像头的小孔成像模型计算出
Figure 609171DEST_PATH_IMAGE024
的大小；
                                                  （5）
式中
Figure DEST_PATH_IMAGE034
为摄像头采集到的图像宽度，
Figure DEST_PATH_IMAGE035
为门的边缘在图像中所处的位置。
根据（3）—（5）式对摄像头采集到的数据进行对准，得到摄像头的观测值。然后设计一个卡尔曼滤波器
Figure DEST_PATH_IMAGE037
对检测到的边缘进行跟踪，式（13）和式（14）分别为 的卡尔曼状态方程和观测方程。
                    
Figure DEST_PATH_IMAGE038
                       (13)
                      
Figure DEST_PATH_IMAGE039
                             (14)
其中
Figure DEST_PATH_IMAGE040
为
Figure DEST_PATH_IMAGE041
时刻的
Figure DEST_PATH_IMAGE042
维状态向量；
Figure DEST_PATH_IMAGE043
为时刻
Figure DEST_PATH_IMAGE044
维观测向量；为
Figure DEST_PATH_IMAGE046
时刻到
Figure 376420DEST_PATH_IMAGE041
时刻的
Figure DEST_PATH_IMAGE047
维状态转移矩阵；为
Figure 628410DEST_PATH_IMAGE041
时刻的维观测矩阵；
Figure DEST_PATH_IMAGE049
为
Figure 405928DEST_PATH_IMAGE046
时刻状态的
Figure 645280DEST_PATH_IMAGE042
维随机干扰噪声向量；
Figure DEST_PATH_IMAGE050
为
Figure 130488DEST_PATH_IMAGE041
时刻的
Figure 704557DEST_PATH_IMAGE044
维观测噪声向量。
通过卡尔曼滤波器可以得到状态的估计值
Figure DEST_PATH_IMAGE051
，进而对声纳B的数据进行预测，依据（15）式选择可靠的声纳数据
Figure DEST_PATH_IMAGE052
。
                      
Figure DEST_PATH_IMAGE053
                     (15)
当
Figure 338856DEST_PATH_IMAGE052
发生跳变时，将
Figure 73593DEST_PATH_IMAGE037
得到的状态估计值
Figure 869380DEST_PATH_IMAGE051
作为摄像头的观测值。同样声纳的观测数据根据（1）和（2）式进行对准，得到依据声纳的观测值，然后将两者的观测值输入卡尔曼滤波器
Figure DEST_PATH_IMAGE056
进行融合，
Figure 292140DEST_PATH_IMAGE056
的卡尔曼状态方程和观测方程分别为（16）、（17）式：
                          
Figure 240504DEST_PATH_IMAGE038
                      (16)
                             
Figure DEST_PATH_IMAGE057
                       (17)
其中
Figure DEST_PATH_IMAGE058
为
Figure 520045DEST_PATH_IMAGE041
时刻
Figure 553860DEST_PATH_IMAGE042
维观测向量；
Figure DEST_PATH_IMAGE059
为时刻的
Figure 442236DEST_PATH_IMAGE047
维观测矩阵。
在卡尔曼滤波的算法过程中，有误差协方差矩阵校正方程（18）式，提供误差协方差矩阵作为融合的加权因子：
                           
Figure DEST_PATH_IMAGE060
                              (18)
其中
Figure DEST_PATH_IMAGE061
为上一次计算出的误差协方差；
Figure DEST_PATH_IMAGE062
为校正后的结果，这里的每个阵对角线上元素分别为各个状态向量的方差
Figure DEST_PATH_IMAGE064
，取每个
Figure DEST_PATH_IMAGE065
，就可方便的得到加权因子；
Figure 79629DEST_PATH_IMAGE010
为
Figure 600740DEST_PATH_IMAGE047
维观测矩阵；
Figure DEST_PATH_IMAGE066
为卡尔曼增益矩阵，计算公式如式（19）。
                             
Figure DEST_PATH_IMAGE067
                   (19)
Figure 162040DEST_PATH_IMAGE021
为测量噪声方差矩阵，代表了测量数据的可信度。若越大，则测量值越不可靠。
经过多次迭代之后，卡尔曼滤波器会给各传感器分配相应的权值，从而得到最优的状态估计值
Figure 581706DEST_PATH_IMAGE051
。而且不要求知道传感器测量数据的先验知识，只是靠传感器所提供的测量数据，就可融合出最优的状态估计值。

Claims (3)

1. 一种用于智能轮椅在转角区域的自定位方法，其特征在于，它包括有摄像头、声纳传感器、第一卡尔曼滤波器和第二卡尔曼滤波器，其步骤如下：
1）摄像头和声纳传感器对轮椅附近的环境信息进行采集，并分别记录探测位置与轮椅之间的距离为Lc和Ls；
2）第一卡尔曼滤波器对摄像头采集到的Lc进行分析处理，对摄像头探测值进行矫正，得到摄像头探测距离估算值Lck；
3）比对Lck与Ls的值，排除误差大的声纳探测错误数据Ls，对声纳探测值进行矫正，得到声纳传感器探测距离估算值Lsk；
4）将Lck与Lsk统一坐标系对准，再通过第二卡尔曼滤波器进行处理，经多次迭代后卡尔曼滤波器会给各传感器分配相应权值，得出每个时刻的最优状态估计值L；
5）监控声纳传感器探测值，声纳传感器探测值跳变时，表明探测到转角，此时第二卡尔曼滤空器得到的最优状态估计值L为轮椅与转角的精准距离，完成轮椅自定位。
2. 如权利要求1所述的用于智能轮椅在转角区域的自定位方法，其特征在于：摄像头采集到的数据和卡尔曼滤波器处理后的数据逐帧传送至上位机处理器进行图像处理，进行模拟成像。
3. 如权利要求2所述的用于智能轮椅在转角区域的自定位方法，其特征在于：上位机处理器通过无线网卡接收数据。
CN 201110193304 2011-07-12 2011-07-12 用于智能轮椅在转角区域的自定位方法 Active CN102297692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110193304 CN102297692B (zh) 2011-07-12 2011-07-12 用于智能轮椅在转角区域的自定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110193304 CN102297692B (zh) 2011-07-12 2011-07-12 用于智能轮椅在转角区域的自定位方法

Publications (2)

Publication Number Publication Date
CN102297692A CN102297692A (zh) 2011-12-28
CN102297692B true CN102297692B (zh) 2013-05-08

Family

ID=45358268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110193304 Active CN102297692B (zh) 2011-07-12 2011-07-12 用于智能轮椅在转角区域的自定位方法

Country Status (1)

Country Link
CN (1) CN102297692B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106153043B (zh) * 2015-04-13 2019-09-10 Tcl集团股份有限公司 一种基于红外测距传感器的机器人室内定位方法及系统
CN106851095B (zh) * 2017-01-13 2019-12-24 深圳拓邦股份有限公司 一种定位方法、装置及系统
CN107782304B (zh) * 2017-10-26 2021-03-09 广州视源电子科技股份有限公司 移动机器人的定位方法及装置、移动机器人及存储介质
CN110955263A (zh) * 2019-12-31 2020-04-03 中国电子科技集团公司信息科学研究院 移动机器人的主动感知与自主趋近方法及移动机器人系统
CN111736185B (zh) * 2020-05-28 2021-03-23 腾讯科技（深圳）有限公司 终端定位方法、装置及计算机可读存储介质和终端设备
CN111966130B (zh) * 2020-06-28 2023-06-27 上海伊涵家居饰品有限公司 座椅自动归位控制方法、系统及其存储介质
CN116237947B (zh) * 2023-03-22 2024-05-07 北京瓦特曼智能科技有限公司 机器人控制方法、系统、表面处理设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100883792B1 (ko) * 2005-12-29 2009-02-18 한국생산기술연구원 이동 로봇의 위치 추정 시스템 및 그 방법
KR100877072B1 (ko) * 2007-06-28 2009-01-07 삼성전자주식회사 이동 로봇을 위한 맵 생성 및 청소를 동시에 수행하는 방법및 장치
CN101285686B (zh) * 2008-05-29 2010-11-10 中国农业大学 一种农业机械导航分级定位的方法和系统
CN101576384B (zh) * 2009-06-18 2011-01-05 北京航空航天大学 一种基于视觉信息校正的室内移动机器人实时导航方法

Also Published As

Publication number Publication date
CN102297692A (zh) 2011-12-28

Similar Documents

Publication Publication Date Title
CN102297692B (zh) 用于智能轮椅在转角区域的自定位方法
EP3825903A1 (en) Method, apparatus and storage medium for detecting small obstacles
US7627447B2 (en) Method and apparatus for localizing and mapping the position of a set of points on a digital model
KR100823739B1 (ko) 주변 환경 변화에 신속하게 적응하여 환경 지도를 작성할수 있는 이동체의 환경 지도 작성 장치 및 그 방법
CN111337018B (zh) 定位方法及装置、智能机器人及计算机可读存储介质
CN108876822A (zh) 一种行为危险度评估方法及家庭安防看护系统
TWI481980B (zh) 電子裝置及其導航方法
JP5873864B2 (ja) オブジェクト追跡及び認識方法及び装置
CN102499687B (zh) 一种基于机器视觉的猪的呼吸频率检测方法及装置
CN110568515B (zh) 基于红外阵列的人体存在检测方法、装置、存储介质
CN103298156A (zh) 基于无线传感器网络的无源多目标检测跟踪方法
CN109805936B (zh) 基于地面振动信号的人体摔倒检测系统
Zhao PIPE VIBRATION DETECTION ALGORITHM USING COMPUTER VISION TECHNOLOGY
CN103810472B (zh) 基于运动相关性的瞳孔位置滤波方法
US20120051600A1 (en) Distance Estimation from Image Motion for Moving Obstacle Detection
WO2020163611A1 (en) Indoor occupancy estimation, trajectory tracking and event monitoring and tracking system
CN104346606B (zh) 异常步态分析方法及系统
CN113190005B (zh) 一种模块化小型侦察机器人
Uddin et al. SmartSpaghetti: Accurate and robust tracking of Human's location
Yang et al. Image analyses for video-based remote structure vibration monitoring system
TWI712724B (zh) 自動跟蹤尿液的方法及裝置
CN110340882A (zh) 机器人避障方法、装置、计算机设备及存储介质
KR102121458B1 (ko) 자동 충전을 위한 로봇 청소기의 경로 추정 방법 및 이를 이용한 로봇 청소기
CN112215146A (zh) 基于随机有限集的弱小目标联合检测与跟踪系统及方法
US8922648B2 (en) Rotation cancellation for moving obstacle detection

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant