CN107742304B - 移动轨迹的确定方法及装置、移动机器人及存储介质 - Google Patents
移动轨迹的确定方法及装置、移动机器人及存储介质 Download PDFInfo
- Publication number
- CN107742304B CN107742304B CN201710935553.XA CN201710935553A CN107742304B CN 107742304 B CN107742304 B CN 107742304B CN 201710935553 A CN201710935553 A CN 201710935553A CN 107742304 B CN107742304 B CN 107742304B
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- narrow channel
- position information
- relative position
- determining
- 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 52
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种移动轨迹的确定方法及装置、移动机器人及存储介质。该方法包括：获取移动机器人设定距离范围内的扫描信息；根据所述扫描信息确定窄通道边界与所述移动机器人的当前相对位置信息，所述窄通道与所述移动机器人的宽度差小于设定宽度阈值；根据所述当前相对位置信息确定所述移动机器人的移动轨迹，以使所述移动机器人通过所述窄通道。本发明实施例通过采用上述技术方案，根据移动机器人与窄通道边界的相对位置确定移动机器人的移动轨迹，可以提高移动轨迹的规划精度，避免移动机器人通过窄通道时会左右抖动的情况的出现，保证移动机器人可以安全通过窄通道。
Description
技术领域
本发明涉及机器人定位技术领域，尤其涉及一种移动轨迹的确定方法及装置、移动机器人及存储介质。
背景技术
随着自动控制技术的发展，移动机器人也越来越多的被应用到了生产、军事和服务等领域，以取代人力执行作业强度较高、作业繁琐度较高或危险性较高等的劳动或任务。
目前，在实现移动机器人的自动作业时，通常会首先通过粒子滤波技术，采用当前时刻与移动机器人对应的最大粒子团位置坐标的平均值作为移动机器人的当前位置，然后基于该当前位置规划移动机器人在下一周期或未来几个周期的移动轨迹，并控制移动机器人按照所规划的移动轨迹进行移动。
但是，发明人在实现本发明的过程中发现现有技术存在如下缺陷：现有技术中，基于粒子滤波技术所确定的移动机器人定位数据的准确度较低，导致其所规划的移动轨迹的精度较低，移动机器人按照该移动轨迹运动时会出现左右抖动的情况，无法安全通过与移动机器人宽度相差较少的窄通道。
发明内容
有鉴于此，本发明实施例提供一种移动轨迹的确定方法及装置、移动机器人及存储介质，以解决现有技术中移动机器人移动轨迹的精度较低、移动机器人无法安全通过窄通道的技术问题。
第一方面，本发明实施例提供了一种移动轨迹的确定方法，包括：
获取移动机器人设定距离范围内的扫描信息；
根据所述扫描信息确定窄通道边界与所述移动机器人的当前相对位置信息，所述窄通道与所述移动机器人的宽度差小于设定宽度阈值；
根据所述当前相对位置信息确定所述移动机器人的移动轨迹，以使所述移动机器人通过所述窄通道。
第二方面，本发明实施例提供了一种移动轨迹的确定装置，包括：
扫描信息获取模块，用于获取移动机器人设定距离范围内的扫描信息；
当前位置确定模块，用于根据所述扫描信息确定窄通道边界与所述移动机器人的当前相对位置信息，所述窄通道与所述移动机器人的宽度差小于设定宽度阈值；
移动轨迹确定模块，用于根据所述当前相对位置信息确定所述移动机器人的移动轨迹，以使所述移动机器人通过所述窄通道。
第三方面，本发明实施例提供了一种移动机器人，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例所述的移动轨迹的确定方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所述的移动轨迹的确定方法。
在上述确定移动轨迹的技术方案中，获取移动机器人设定距离范围内的扫描信息，根据该扫描信息确定窄通道边界与移动机器人的当前相对位置信息，根据该当前相对位置信息确定移动机器人的移动轨迹，从而控制移动机器人通过该窄通道。上述确定移动轨迹的技术方案，根据移动机器人与窄通道边界的相对位置确定移动机器人的移动轨迹，可以提高移动轨迹的规划精度，避免移动机器人通过窄通道时左右抖动的情况的出现，进而避免移动机器人与窄通道边界出现碰撞的情况，保证移动机器人可以安全通过窄通道，提高移动机器人的使用寿命并消除反复碰撞对窄通道边界造成的损伤。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例一提供的一种移动轨迹的确定方法的流程示意图；
图2为本发明实施例二提供的一种移动轨迹的确定方法的流程示意图；
图3A为本发明实施例二提供的一种扫描图像示意图；
图3B为本发明实施例二提供的一种窄通道位置的标注方式示意图；
图3C为本发明实施例二提供的一种距离变换图像示意图；
图3D为本发明实施例二提供的一种网络模型示意图；
图3E为本发明实施例二提供的一种目标像素区域的确定方式示意图；
图4为本发明实施例三提供的一种移动轨迹的确定方法的流程示意图；
图5为本发明实施例四提供的一种移动轨迹的确定装置的结构框图；
图6为本发明实施例五提供的一种移动机器人的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
实施例一
本发明实施例一提供一种移动轨迹的确定方法。该方法可以由移动轨迹的确定装置执行，其中，该装置可由软件和/或硬件实现，一般可集成在移动机器人中。图1是本发明实施例一提供的移动轨迹的确定方法的流程示意图，如图1 所示，该方法包括：
S101、获取移动机器人设定距离范围内的扫描信息。
其中，扫描信息可以为移动机器人与障碍物的相对位置信息，其可以包括障碍物同移动机器人之间的方向和距离等信息。设定距离范围可以根据需要进行设置，其可以大于、等于或小于移动机器人的最大扫描范围。考虑到扫描信息的准确性以及后续操作步骤的实用性，可选的，设定距离范围可以为某一小于移动机器人最大扫描范围的距离范围，例如，可以将设定距离范围设置为与移动机器人的距离小于或等于3m的距离范围，从而在保证后续可以及时为移动机器人规划其通过窄通道的移动轨迹的同时，提高窄通道识别以及移动轨迹规划的准确性，减少在移动轨迹规划不准确时反复修正移动轨迹所需的计算量。此时，在移动机器人对障碍物进行扫描后，可以将同移动机器人的距离处于设定距离范围之内的障碍物与移动机器人的相对位置信息确定为移动机器人设定距离范围内的扫描信息。
本实施例中，可以通过安装在移动机器人上的激光距离传感器、红外距离传感器或雷达等测距装置进行扫描以得到扫描信息。以测距装置为激光距离传感器为例，可以控制激光距离传感器按照设定激光密度向同移动机器人前进方向呈一定夹角(如45°、90°或135°等角度)的角度范围内发射激光(此时，激光扫描区域可以为以移动机器人前进方向为中心线且顶角为90°、180°或 270°等角度的扇形)，记录发射激光与接收到反射回的激光的时间差，并根据该时间差确定激光反射点(即障碍物)与移动机器人之间的距离，进而根据各激光反射点与移动机器人的距离确定移动机器人设定距离范围内的扫描信息。其中，激光距离传感器发射激光的激光密度可以根据需要进行设置，如激光距离传感器可以间隔1°或2°等角度发射一束激光光线；所确定的扫描信息可以以图像、表格或其他形式进行存储与处理，此处不作限制。
S102、根据所述扫描信息确定窄通道边界与所述移动机器人的当前相对位置信息，所述窄通道与所述移动机器人的宽度差小于设定宽度阈值。
其中，窄通道可以为与移动机器人的宽度差小于设定宽度阈值的门或其他通道；当前相对位置信息可以包括同一窄通道的两个窄通道边界与移动机器人的相对方向信息和距离信息等，其可以以表格、图像或其他形式进行呈现或存储。
本实施例中，在确定当前相对位置信息时，需确定同一窄通道的两个窄通道边界与移动机器人的当前相对位置信息，其可以同时确定或按照设定顺序确定。如，在确定当前相对位置信息时，可以首先根据扫描信息确定移动机器人设定距离范围内是否存在窄通道，若存在，则进一步根据该扫描信息确定窄通道边界与移动机器人的当前相对位置信息；若不存在，则可以将窄通道边界与移动机器人的当前位置信息设置为预先设定的默认信息。其中，该默认信息可以根据需要进行设置，优选的，可以将其设置为不会与存在窄通道时的当前相对位置信息重合的数值或信息，例如，可以在不存在窄通道时将窄通道边界与移动机器人的距离设置为无穷大的数值或将当前相对位置信息设置为空；也可以将同一窄通道的两个窄通道边界的坐标设置为无法在当前相对位置信息对应的图像中进行显示的数值，如假设当前位置信息对应的图像的x轴和y轴坐标均为正值，则可以将窄通道边界在该图像中的x轴和/或y轴坐标设置为负值或 0，以与存在窄通道的情况相区分。
示例性的，可以直接通过移动机器人扫描获取的扫描信息将不存在障碍物的具有一定宽度的区域确定为通道并将与移动机器人宽度差小于设定宽度阈值的通道确定为窄通道，根据该扫描信息计算得到窄通道的两个边界与移动机器人的距离，以确定窄通道边界与移动机器人的当前相对位置信息；也可以预先训练用于确定窄通道边界与移动机器人的当前相对位置信息的窄通道边界模型，并在获取到扫描信息之后，基于该窄通道边界模型确定窄通道边界与移动机器人的当前相对位置信息，此处不作限制。其中，设定宽度阈值可以根据需要设置，如可以设置为10cm或15cm等宽度值，以设定宽度阈值为10cm为例，此时，相应的，若某一通道与移动机器人的宽度差小于10cm，则可以将该通道确定为窄通道。为了提高所确定的当前相对位置信息的准确性，优选的，所述根据所述扫描信息确定窄通道边界与所述移动机器人的当前相对位置信息，包括：根据所述扫描信息和预先设定的窄通道边界模型确定窄通道边界与所述移动机器人的当前相对位置信息。
S103、根据所述当前相对位置信息确定所述移动机器人的移动轨迹，以使所述移动机器人通过所述窄通道。
本实施例中，所确定的移动轨迹可以是控制移动机器人通过该窄通道的移动轨迹，也可以是移动机器人在后续的设定扫描周期或设定距离范围内的移动轨迹，此处不作限制。
示例性的，如果所确定的移动轨迹为移动机器人通过该窄通道的移动轨迹，则可以在首次扫描发现设定距离范围内存在窄通道时即为移动机器人规划通过该窄通道的移动轨迹，然后在后续扫描过程中根据移动机器人确定的其与该窄通道两窄通道边界的当前相对位置关系判定该窄通道的宽度和/或方向是否发生变化并在发生变化导致设定的移动轨迹不准确时对移动轨迹进行修正，以及，在移动轨迹无需修正时，根据移动机器人确定的其与该窄通道两窄通道边界的当前相对位置关系判定移动机器人的当前位置是否处于该移动轨迹上，若是，则控制移动机器人继续按照该移动轨迹通过该窄通道；若否，则按照预先设定的纠偏策略对移动机器人的移动路线进行纠偏处理，从而将移动机器人的移动路线重新修正到该移动轨迹上。
如果该移动轨迹为移动机器人在后续的设定扫描周期或设定距离范围内的移动轨迹，则可以在获取到当前相对位置信息后，即根据该当前位置信息规划移动机器人在后续设定周期或设定距离范围内的移动轨迹，并在后续扫描周期重新扫描获取到当前相对位置信息时，采用该当前相对位置信息对已规划的移动轨迹进行修正和延长，例如，假设设定周期为两个周期，则可以在初次扫描确定当前相对位置信息时，对移动机器人在第一个和第二个扫描周期内的移动轨迹a进行规划，并按照该移动轨迹控制移动机器人移动，在第二次扫描确定当前相对位置信息时，规划移动机器人在第二个和第三个扫描周期的移动轨迹b，并在相同扫描周期的移动轨迹(如两次规划的两个第二周期的移动轨迹) 不重合时，采用该相同周期的移动轨迹(此处为b中第二周期的移动轨迹)对已规划的第一个和第二个扫描周期内的移动轨迹a进行修正，以使移动轨迹a 和移动轨迹b合成为一条完整的移动轨迹(此时，合成后的移动轨迹包含第三周期的移动轨迹)，以此类推，直至移动机器人通过窄通道为止。其中，设定扫描周期的个数或设定距离范围的大小可以根据需要设置。
在此，需要指出的是，为减少移动机器人反复停止和移动对移动机器人使用寿命的影响以及所造成的时间上的浪费，本实施例中上述各步骤优选在移动机器人的移动过程中完成，即在获取扫描信息、确定当前相对位置信息以及规划移动路径时控制移动机器人继续按照当前的移动轨迹进行移动，不对移动机器人进行停止移动处理。
本发明实施例一提供的移动轨迹的确定方法，获取移动机器人设定距离范围内的扫描信息，根据该扫描信息确定窄通道边界与移动机器人的当前相对位置信息，根据该当前相对位置信息确定移动机器人的移动轨迹，从而控制移动机器人通过该窄通道。本实施例通过采用上述技术方案，根据移动机器人与窄通道边界的相对位置确定移动机器人的移动轨迹，而不再根据对移动机器人的定位信息确定移动机器人的移动轨迹，可以提高移动轨迹的规划精度，避免移动机器人通过窄通道时左右抖动的情况的出现，进而避免移动机器人与窄通道边界出现碰撞的情况，保证移动机器人可以安全通过窄通道，提高移动机器人的使用寿命并消除反复碰撞对窄通道边界造成的损伤，提高用户的使用体验。
实施例二
图2为本发明实施例二提供的一种移动轨迹的确定方法的流程示意图。本实施例在上述实施例的基础上进行优化，在本实施例中，将“根据所述扫描信息和预先设定的窄通道边界模型确定窄通道边界与所述移动机器人的当前相对位置信息”进一步优化为：将所述扫描信息输入到预先设定的窄通道边界模型中，并获取所述窄通道边界模型输出的相对位置图像；如果所述相对位置图像中包含像素颜色为非背景色的非背景像素点，则分别选取由所述非背景像素点组成的各目标像素区域中表征窄通道边界的真实显示位置具有最大出现概率值的非背景像素点作为所述窄通道边界的真实显示位置，所述非背景像素点的图像特征表征所述窄通道边界的真实显示位置在相应非背景像素点出现的出现概率值；基于所述真实显示位置和所述移动机器人在所述相对位置图像中的设定显示位置确定窄通道边界与所述移动机器人的当前相对位置信息。
进一步地，本实施例提供的移动轨迹的确定方法还可以包括：控制移动机器人多次通过窄通道以获取多个扫描信息样本，并在所述扫描信息样本中标注所述移动机器人与所述窄通道的当前相对位置信息；基于所述多个扫描信息样本训练形成所述窄通道对应的窄通道边界模型。
相应的，如图2所示，本实施例提供的移动轨迹的确定方法包括：
S201、控制移动机器人多次通过窄通道以获取多个扫描信息样本，并在所述扫描信息样本中标注所述移动机器人与所述窄通道的当前相对位置信息。
其中，获取扫描信息样本的窄通道可以为相同或不相同的窄通道，为了提高窄通道模型的准确性，优选首先基于同一窄通道获取扫描信息样本以生成该窄通道对应的窄通道边界模型。扫描信息样本可以理解为用于训练生成窄通道边界模型的扫描信息，所获取的扫描信息样本的数量不宜过少(如扫描信息样本的数量可以为3000、5000或更多)以保证后续训练得到的窄通道边界模型的准确性，扫描信息样本可以是表格或图像等形式的扫描信息样本，考虑到后续标注当前相对位置信息的便利性以及扫描信息样本的直观性，如图3A所示，扫描信息样本优选以图像形式进行显示(即扫描图像)，图中以白色像素点代表移动机器人(椭圆内的白色像素点)30和障碍物31的显示位置。此时，示例性的，在获取扫描信息样本之前，可以预先根据需要设定移动机器人31的默认显示位置(图3A中以移动机器人31的默认在图像中心显示为例)，并基于图像的分辨率预先设定图像中一个像素点宽度与真实距离的对应关系(即图像的比例尺)，在获取扫描信息样本时，基于激光发射与反射的时间确定障碍物31与移动机器人30的相对位置，并进一步根据移动机器人30在图像中的默认显示位置和图像的比例尺确定设定距离范围(如3m)内的障碍物31在图像中的显示位置并进行显示即可。
以扫描信息样本以图像的形式显示为例，在标注当前相对位置信息时，可以预先在窄通道边界上设置移动机器人可以识别的标记(如在窄通道边界上粘贴反射率较高的物质)以使移动机器人可以自动识别到窄通道边界并在以图像形式显示的扫描信息样本中标注窄通道边界的显示位置，从而实现对当前相对位置信息的标注；也可以直接获取用户在以图像形式显示的扫描信息样本中标注的窄通道边界位置信息或窄通道位置信息(如图3B所示，此时可以将用户标注线32的两端点确定为用户标注的窄通道的边界位置)，并根据该窄通道边界位置信息或窄通道位置信息确定窄通道边界与移动机器人的当前相对位置信息。
本实施例中，考虑到用户的操作或移动机器人的检测结果存在误差的情况，用户标注的边界点或移动机器人检测的边界点可能会在窄通道边界的展示显示位置附近呈高斯分布，因此，为了进一步提高后续生成的窄通道边界模型的准确性，优选的，在确定用户或移动机器人标注的窄通道边界的显示位置后，可以将该显示位置作为均值对窄通道边界在图像中的显示位置进行高斯变换，以得到代表窄通道边界在图像中的显示位置且概率值呈高斯分布的像素区域，从而确定窄通道边界与移动机器人的当前相对位置信息。此时，为避免在进行高斯变换时将窄通道的两个边界当做同一高斯变换中的数值来处理并保证窄通道两边界的数据互相之间不会产生影响，可以将两窄通道边界的数据在两不同的图像通道中进行处理。其中，该概率值代表窄通道边界的真实显示位置在相应像素点出现的概率，图像中各像素点对应的概率值可以单独存储在与该图像对应的概率列表中，也可以直接在图像中以各像素点的图像特征(如各像素点的颜色或灰度值等)表征该概率值的大小；进行高斯变换时的标准差σ可以根据需要设定，一般的，当标注的误差较大时，可以将标准差设置为较大的数值，当标注的误差较小时，可以将标准差设置为较小的数值，举例而言，当图像的比例尺为一个像素宽度对应真实1cm的距离时，高斯变换时的标准差可以设置为10、15或20个像素宽度等数值。
S202、基于所述多个扫描信息样本训练形成所述窄通道对应的窄通道边界模型。
本实施例中，可以直接基于标注有当前相对位置信息的扫描信息样本训练形成窄通道边界模型，也可以对扫描信息样本进行一定处理后再基于处理后的扫描信息样本训练生成窄通道边界模型，此处不作限制。由于扫描信息样本中的激光反射点的数量较少，分布较稀疏，为了保留和扩展扫描信息中各激光反射点的信息，优选的，可以优先对以图像形式显示的扫描信息(如图3A所示) 进行距离变换，并基于距离变换后的距离变换图像(如图3C所示)训练得到该窄通道的窄通道边界模型。在进行距离变换时，应以代表移动机器人显示位置和障碍物显示位置的像素点为非背景像素点对其他背景像素点进行距离变换，其中，非背景像素点颜色可以为白色或黑色，相应的，背景像素点的颜色可以为黑色或白色，此处不作限制。
示例性的，基于扫描信息样本生成窄通道边界模型的过程可以为：对各扫描信息样本进行距离变换以得到多个距离变换图像；按照设定比例(如8:2或 7:3等比例)将各距离变换图像随机划分为训练样本集和测试样本集；采用设定的网络对训练样本集中的各训练样本(距离变换图像)进行训练以生成待检测模型，并采用测试样本集中的各测试样本(距离变换图像)测试该待检测模型的准确率(或误差)；如果该准确率大于或等于设定的准确率阈值(或误差小于或等于设定误差阈值)，则结束训练操作；否侧，则重新划分训练样本集和测试样本集，并对重新划分后的训练样本进行训练直至所得到的待检测模型的准确率大于或等于设定的准确率阈值为止；将结束训练时的检测模型标记为该窄通道对应的窄通道边界模型。其中，用于对训练样本进行训练以生成待检测模型的网络可以为卷积神经网络，其网络的类型可以根据需要设定。举例而言，假设所采用的网络为如图3D所示的多目标网络模型，该网络中的损失函数1和损失函数2均为63×63的矩阵，此时，在训练窄通道边界模型时，可以首先将各个距离变换图像转换为分辨率为63×63样本图像，然后将训练样本集中的样本图像输入到该网络模型中以得到待检测模型，并可以在测试待检测模型时采用公式Final loss＝loss1+3×loss2计算待检测模型的损失函数Final loss以确定待检测模型的误差，其中，loss1代表损失函数1，loss2代表损失函数2。
需要说明的是，根据某一窄通道的扫描信息样本生成的窄通道边界模型可以不仅仅只适用于该窄通道，其也可以适用于其他窄通道，实际应用中，当移动机器人首次通过一个窄通道时，可以优先基于移动机器人中已存储的窄通道边界模型对该窄通道的边界进行识别，若识别成功，则直接基于已存储的窄通道边界模型控制机器人通过该窄通道；若识别失败，则可以执行S201～S202，以得到该窄通道对应的窄通道边界模型。
S203、获取移动机器人设定距离范围内的扫描信息。
S204、将所述扫描信息输入到预先设定的窄通道边界模型中，并获取所述窄通道边界模型输出的相对位置图像。
本实施例中，可以直接将扫描信息样本输入到窄通道边界模型中，也可以将扫描信息进行一定处理后再输入到窄通道边界模型中，此处不作限制。考虑到后续确定窄通道边界与移动机器人的当前相对位置信息的准确性，优选的，所述将所述扫描信息输入到预先设定的窄通道边界模型中，包括：按照设定变换规则对所述扫描信息中的障碍物扫描图像(如图3A所示)进行距离变换以形成距离变换图像(如图3C所示)；将所述距离变换图像输入到预先设定的窄通道边界模型中。其中，对障碍物扫描图像进行距离变换的变换规则(如像素宽度与灰度值的对应关系等)可以根据需要设定，此处不作限制。示例性的，若某一背景像素点与距离最近的代表障碍物或移动机器人的非背景像素点的距离为1个像素点，则可以将该背景像素点设置为与非背景像素点灰度值之差的绝对值为1的灰度值，即，如果非背景像素点的灰度值为0，则可以将该背景像素点的灰度值设置为1；如果非背景像素点的灰度值为255，则可以将该背景像素点的灰度值设置为254。
S205、如果所述相对位置图像中包含像素颜色为非背景色的非背景像素点，则分别选取由所述非背景像素点组成的各目标像素区域中表征窄通道边界的真实显示位置具有最大出现概率值的非背景像素点作为所述窄通道边界的真实显示位置，所述非背景像素点的图像特征表征所述窄通道边界的真实显示位置在相应非背景像素点出现的出现概率值。
示例性的，在确定相对位置图像中包含非背景像素点(如图3E所示)时，可以首先按照各非背景像素点的位置关系确定像素区域，如将由非背景像素点组成的连续区域确定为目标像素区域(如图3E中的第一目标像素区域33和第二目标像素区域34)；然后根据非背景像素点的图像特征与其表征的窄通道边界的真实显示位置在相应非背景像素点出现的概率值的对应关系选取所表征的该概率值最大的非背景像素点作为窄通道边界的真实显示位置，例如，假设以非背景像素点的灰度值表征窄通道边界的真实显示位置在相应非背景像素点出现概率值，且灰度值随该概率值的增大而增大，则可以直接在第一目标像素区域 33中选取灰度值最大的非背景像素点作为该窄通道的第一窄通道边界的真实显示位置，并在第二目标像素区域33中选取灰度值最大的非背景像素点作为该窄通道的第二窄通道边界的真实显示位置。
S206、基于所述真实显示位置和所述移动机器人在所述相对位置图像中的设定显示位置确定窄通道边界与所述移动机器人的当前相对位置信息。
本实施例中，相对位置图像中可以不显示移动机器人的显示位置或将移动机器人的显示颜色设置为背景色，从而保证移动机器人确定目标区域的准确性。此时，可以预先设置并记录移动机器人的设定显示位置，如移动机器人的设定显示位置可以为相对位置图像的中心或其他位置，此处不作限制。示例性的，在确定当前相对位置信息时，可以首先根据移动机器人的设定显示位置以及窄通道边界在相对位置图像中的真实显示位置确定移动机器人与窄通道边界在相对位置图像中的相对位置，然后根据相对位置图像的比例尺确定移动机器人与窄通道边界的真实相对位置，从而确定窄通道边界与移动机器人的当前相对位置信息。
相应的，如果所述相对位置图像中不包含非背景像素点，则可以确定窄通道边界与所述移动机器人的当前相对位置信息为空，或者，判定所述当前相对位置信息中窄通道边界与移动机器人的距离为无限大，即判定设定距离范围内不存在窄通道。
S207、根据所述当前相对位置信息确定所述移动机器人的移动轨迹，以使所述移动机器人通过所述窄通道。
在此，需要指出的是，本实施例中虽然以白色像素点代表移动机器人和障碍物(激光反射点)的显示位置并以黑色像素点代表图像的背景像素点进行举例，但是，本领域技术人员可以理解的是，本实施例中各图像同样可以以黑色像素点代表移动机器人和障碍物的显示位置，并以白色像素点代表图像的背景像素点，此处不再赘述。
本发明实施例二提供的移动轨迹的确定方法，预先根据移动机器人多次通过窄通道时的扫描信息样本训练生成窄通道边界模型，在实际使用时，获取移动机器人设定距离范围内的扫描信息，将该扫描信息输入到窄通道边界模型中并获取窄通道边界模型输出的相对位置图像，如果该相对位置图像中包含非背景像素点，则选取各目标像素区域中表征窄通道边界的真实显示位置具有最大出现概率值的非背景像素点作为窄通道边界的真实显示位置，根据该真实显示位置和移动机器人的设定显示位置确定窄通道边界与移动机器人的当前位置信息，并根据该当前位置信息确定移动机器人的移动轨迹。本实施例通过采用上述技术方案，基于窄通道边界模型确定窄通道与移动机器人的当前相对位置信息，不但可以提高移动轨迹的规划精度，避免移动机器人通过窄通道时左右抖动的情况的出现，进而避免移动机器人与窄通道边界出现碰撞的情况，保证移动机器人可以安全通过窄通道，提高移动机器人的使用寿命并消除反复碰撞对窄通道边界造成的损伤；还可以提高所确定的当前相对位置信息的准确性，进而提高所规划的移动轨迹的准确性，提高用户的使用体验。
实施例三
图4为本发明实施例三提供的一种移动轨迹的确定方法的流程示意图。本实施例在上述实施例的基础上进行优化，进一步地，在在所述根据所述当前相对位置信息确定所述移动机器人的移动轨迹之前，还包括：确定所述窄通道为所述移动机器人到达终点位置需通过的目标窄通道。
进一步地，在所述根据所述当前相对位置信息确定所述移动机器人的移动轨迹之前，还包括：根据移动机器人的位移信息和所述移动机器人的上一相对位置信息确定本次扫描时所述移动机器人与所述窄通道边界的校验位置信息；如果所述校验位置信息与所述当前相对位置信息不相同，则对所述校验位置信息和所述当前相对位置信息进行贝叶斯滤波处理，以得到处理后的修正位置信息，并将所述当前相对位置信息修正为所述修正位置信息。
相应的，如图4所示，本实施例提供的移动轨迹的确定方法包括：
S401、获取移动机器人设定距离范围内的扫描信息。
S402、根据所述扫描信息确定窄通道边界与所述移动机器人的当前相对位置信息，所述窄通道与所述移动机器人的宽度差小于设定宽度阈值。
S403、确定所述窄通道为所述移动机器人到达终点位置需通过的目标窄通道。
其中，目标窄通道可以理解为移动机器人从起点位置移动到终点位置需通过的窄通道，即，移动机器人需要通过该窄通道才能进一步移动到终点位置。本实施例中，确定窄通道为目标窄通道的方法可以根据需要灵活选取，示例性的，可以根据从起点位置到终点位置的全局路径确定所检测到的窄通道是否为目标窄通道，例如，可以判断该窄通道是否位于预先规划的全局路径中，或者，基于预先规划的全局路径以及移动机器人的当前位置判断移动机器人当前或一定距离(即移动机器人当前与窄通道的距离)后是否需要通过一个窄通道，若是，则确定该窄通道为移动机器人的目标窄通道；也可以预先对移动机器人需要通过的窄通道进行标记，相应的，在确定窄通道边界与移动机器人的当前相对位置信息后，可以首先通过图像处理等技术确定该窄通道是否具有预先设定的标记，若是，则判定该窄通道为移动机器人的目标窄通道，等等。
S404、根据移动机器人的位移信息和所述移动机器人的上一相对位置信息确定本次扫描时所述移动机器人与所述窄通道边界的校验位置信息。
本实施例中，可以通过安装在移动机器人内的陀螺仪和加速度传感器等装置检测移动机器人的速度、加速度等信息，并进一步计算获得移动机器人从上次扫描到本次扫描期间的位移信息，然后根据该位移信息和移动机器人上次扫描的上一相对位置信息计算确定本次扫描时移动机器人与窄通道边界的相对位置以得到移动机器人与窄通道边界的校验位置信息。
S405、如果所述校验位置信息与所述当前相对位置信息不相同，则对所述校验位置信息和所述当前相对位置信息进行贝叶斯滤波处理，以得到处理后的修正位置信息，并将所述当前相对位置信息修正为所述修正位置信息。
相应的，如果所述校验位置信息与所述当前相对位置信息相同，则可以直接根据所述当前相对位置信息进行后续操作。
本实施例中，可以基于贝叶斯滤波或卡尔曼滤波对校验位置信息和通过窄通道边界模型得到的当前相对位置信息进行融合处理，并将用于确定移动机器人的移动轨迹的当前相对位置信息修正为融合处理得到的修正位置信息，从而去除修正前当前相对位置信息中的离群点，提高当前相对位置信息的准确性。其中，校验位置信息与当前相对位置信息的融合处理规则可以根据需要灵活设定，此处不作限制。
S406、根据所述当前相对位置信息确定所述移动机器人的移动轨迹，以使所述移动机器人通过所述窄通道。
本发明实施例三提供的移动轨迹的确定方法，确定窄通道为移动机器人的目标窄通道，并采用贝叶斯滤波对通过窄通道边界模型得到的当前位置信息进行修正，可以避免移动机器人基于非目标窄通道规划移动路线的情况，减少移动机器人的计算量，并可以进一步提高用于规划移动机器人的移动轨迹的当前相对位置的准确性，从而进一步提高所规划的移动轨迹的准确性，提高用户的使用体验。
实施例四
本发明实施例四提供一种移动轨迹的确定装置。该装置可以由软件和/或硬件实现，一般可集成在移动机器人中，可通过执行移动轨迹的确定方法确定移动机器人的移动轨迹。图5为本发明实施例四提供的移动轨迹的确定装置的机构框图，如图5所示，该装置包括：
扫描信息获取模块501，用于获取移动机器人设定距离范围内的扫描信息；
当前位置确定模块502，用于根据所述扫描信息确定窄通道边界与所述移动机器人的当前相对位置信息，所述窄通道与所述移动机器人的宽度差小于设定宽度阈值；
移动轨迹确定模块503，用于根据所述当前相对位置信息确定所述移动机器人的移动轨迹，以使所述移动机器人通过所述窄通道。
本发明实施例四提供的移动轨迹的确定装置，通过扫描信息获取模块获取移动机器人设定距离范围内的扫描信息，通过当前位置确定模块根据该扫描信息确定窄通道边界与移动机器人的当前相对位置信息，通过移动轨迹确定模块根据该当前相对位置信息确定移动机器人的移动轨迹，从而控制移动机器人通过该窄通道。本实施例通过采用上述技术方案，根据移动机器人与窄通道边界的相对位置确定移动机器人的移动轨迹，可以提高移动轨迹的规划精度，避免移动机器人通过窄通道时左右抖动的情况的出现，进而避免移动机器人与窄通道边界出现碰撞的情况，保证移动机器人可以安全通过窄通道，提高移动机器人的使用寿命并消除反复碰撞对窄通道边界造成的损伤，提高用户的使用体验。
在上述方案中，所述当前位置确定模块502具体可用于：根据所述扫描信息和预先设定的窄通道边界模型确定窄通道边界与所述移动机器人的当前相对位置信息。
进一步地，所述当前位置确定模块502可以包括：位置图像获取单元，将所述扫描信息输入到预先设定的窄通道边界模型中，并获取所述窄通道边界模型输出的相对位置图像；窄通道确定单元，用于在所述相对位置图像中包含像素颜色为非背景色的非背景像素点时，分别选取由非背景像素点组成的各目标像素区域中表征窄通道边界的真实显示位置具有最大出现概率值的非背景像素点作为所述窄通道边界的真实显示位置，所述非背景像素点的图像特征表征所述窄通道边界的真实显示位置在相应非背景像素点出现的出现概率值；当前位置确定单元，用于基于所述真实显示位置和所述移动机器人在所述相对位置图像中的设定显示位置确定窄通道边界与所述移动机器人的当前相对位置信息。
在上述方案中，所述置图像获取单元可以包括：距离变换子单元，用于按照设定变换规则对所述扫描信息中的障碍物扫描图像进行距离变换以形成距离变换图像；位置图像获取子单元，用于将所述距离变换图像输入到预先设定的窄通道边界模型中，并获取所述窄通道边界模型输出的相对位置图像。
进一步地，本实施例提供的移动轨迹的确定装置还可以包括：目标窄通道确定模块，在所述据所述当前相对位置信息确定所述移动机器人的移动轨迹之前，确定所述窄通道为所述移动机器人到达终点位置需通过的目标窄通道。
进一步地，本实施例提供的移动轨迹的确定装置还可以包括：校验位置确定模块，用于在所述根据所述当前相对位置信息确定所述移动机器人的移动轨迹之前，根据移动机器人的位移信息和所述移动机器人的上一相对位置信息确定本次扫描时所述移动机器人与所述窄通道边界的校验位置信息；当前位置修正模块，用于在所述校验位置信息与所述当前相对位置信息不相同时，对所述校验位置信息和所述当前相对位置信息进行贝叶斯滤波处理，以得到处理后的修正位置信息，并将所述当前相对位置信息修正为所述修正位置信息。
进一步地，本实施例提供的移动轨迹的确定装置还可以包括：样本获取模块，用于控制移动机器人多次通过窄通道以获取多个扫描信息样本，并在所述扫描信息样本中标注所述移动机器人与所述窄通道的当前相对位置信息；模型训练模块，用于基于所述多个扫描信息样本训练形成所述窄通道对应的窄通道边界模型。
本发明实施例四提供的移动轨迹的确定装置可执行本发明任意实施例提供的移动轨迹的确定方法，具备执行移动轨迹的确定方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的移动轨迹的确定方法。
实施例五
图6为本发明实施例五提供的一种移动机器人的结构示意图，如图6所示，该移动机器人包括处理器60和存储器61，还可以包括输入装置62和输出装置 63；移动机器人中处理器60的数量可以是一个或多个，图6中以一个处理器60 为例；移动机器人中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接，图6中以通过总线连接为例。
存储器61作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的移动轨迹的确定方法对应的程序指令/ 模块(例如，移动轨迹的确定装置中的扫描信息获取模块501、当前位置确定模块502和移动轨迹确定模块503)。处理器60通过运行存储在存储器61中的软件程序、指令以及模块，从而执行移动机器人的各种功能应用以及数据处理，即实现上述的移动轨迹的确定方法。
存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器61可进一步包括相对于处理器60远程设置的存储器，这些远程存储器可以通过网络连接至移动机器人。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或字符信息，以及产生与移动机器人的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种移动轨迹的确定方法，该方法包括：
获取移动机器人设定距离范围内的扫描信息；
根据所述扫描信息确定窄通道边界与所述移动机器人的当前相对位置信息，所述窄通道与所述移动机器人的宽度差小于设定宽度阈值；
根据所述当前相对位置信息确定所述移动机器人的移动轨迹，以使所述移动机器人通过所述窄通道。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的移动轨迹的确定方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器 (Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种移动轨迹的确定方法，其特征在于，包括：
获取移动机器人设定距离范围内的扫描信息；
根据所述扫描信息确定窄通道边界与所述移动机器人的当前相对位置信息，所述窄通道与所述移动机器人的宽度差小于设定宽度阈值；
基于预先规划的从起点位置到终点位置的全局路径确定所述窄通道为所述移动机器人到达所述终点位置需通过的目标窄通道；
根据移动机器人的位移信息和所述移动机器人的上一相对位置信息确定本次扫描时所述移动机器人与所述窄通道边界的校验位置信息；
如果所述校验位置信息与所述当前相对位置信息不相同，则对所述校验位置信息和所述当前相对位置信息进行贝叶斯滤波处理，以得到处理后的修正位置信息，并将所述当前相对位置信息修正为所述修正位置信息；
根据所述当前相对位置信息确定所述移动机器人的移动轨迹，以使所述移动机器人通过所述窄通道。
2.根据权利要求1所述的方法，其特征在于，所述根据所述扫描信息确定窄通道边界与所述移动机器人的当前相对位置信息，包括：
根据所述扫描信息和预先设定的窄通道边界模型确定窄通道边界与所述移动机器人的当前相对位置信息。
3.根据权利要求2所述的方法，其特征在于，所述根据所述扫描信息和预先设定的窄通道边界模型确定窄通道边界与所述移动机器人的当前相对位置信息，包括：
将所述扫描信息输入到预先设定的窄通道边界模型中，并获取所述窄通道边界模型输出的相对位置图像；
如果所述相对位置图像中包含像素颜色为非背景色的非背景像素点，则分别选取由所述非背景像素点组成的各目标像素区域中表征窄通道边界的真实显示位置具有最大出现概率值的非背景像素点作为所述窄通道边界的真实显示位置，所述非背景像素点的图像特征表征所述窄通道边界的真实显示位置在相应非背景像素点出现的出现概率值；
基于所述真实显示位置和所述移动机器人在所述相对位置图像中的设定显示位置确定窄通道边界与所述移动机器人的当前相对位置信息。
4.根据权利要求3所述的方法，其特征在于，所述将所述扫描信息输入到预先设定的窄通道边界模型中，包括：
按照设定变换规则对所述扫描信息中的障碍物扫描图像进行距离变换以形成距离变换图像；
将所述距离变换图像输入到预先设定的窄通道边界模型中。
5.根据权利要求2所述的方法，其特征在于，还包括：
控制移动机器人多次通过窄通道以获取多个扫描信息样本，并在所述扫描信息样本中标注所述移动机器人与所述窄通道的当前相对位置信息；
基于所述多个扫描信息样本训练形成所述窄通道对应的窄通道边界模型。
6.一种移动轨迹的确定装置，其特征在于，包括：
扫描信息获取模块，用于获取移动机器人设定距离范围内的扫描信息；
当前位置确定模块，用于根据所述扫描信息确定窄通道边界与所述移动机器人的当前相对位置信息，所述窄通道与所述移动机器人的宽度差小于设定宽度阈值；
目标窄通道确定模块，用于基于预先规划的从起点位置到终点位置的全局路径确定所述窄通道为所述移动机器人到达所述终点位置需通过的目标窄通道；
校验位置确定模块，用于根据移动机器人的位移信息和所述移动机器人的上一相对位置信息确定本次扫描时所述移动机器人与所述窄通道边界的校验位置信息；
当前位置修正模块，用于在所述校验位置信息与所述当前相对位置信息不相同时，对所述校验位置信息和所述当前相对位置信息进行贝叶斯滤波处理，以得到处理后的修正位置信息，并将所述当前相对位置信息修正为所述修正位置信息；
移动轨迹确定模块，用于根据所述当前相对位置信息确定所述移动机器人的移动轨迹，以使所述移动机器人通过所述窄通道。
7.一种移动机器人，其特征在于，所述移动机器人包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的移动轨迹的确定方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的移动轨迹的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710935553.XA CN107742304B (zh) | 2017-10-10 | 2017-10-10 | 移动轨迹的确定方法及装置、移动机器人及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710935553.XA CN107742304B (zh) | 2017-10-10 | 2017-10-10 | 移动轨迹的确定方法及装置、移动机器人及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107742304A CN107742304A (zh) | 2018-02-27 |
| CN107742304B true CN107742304B (zh) | 2020-04-21 |
Family
ID=61237219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710935553.XA Active CN107742304B (zh) | 2017-10-10 | 2017-10-10 | 移动轨迹的确定方法及装置、移动机器人及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107742304B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111044011A (zh) * | 2018-10-15 | 2020-04-21 | 深圳班翟机器人有限公司 | 一种移动辅助系统和工程机械、移动方法 |
| CN109976350B (zh) * | 2019-04-15 | 2021-11-19 | 上海钛米机器人科技有限公司 | 多机器人调度方法、装置、服务器及计算机可读存储介质 |
| CN110244734B (zh) * | 2019-06-20 | 2021-02-05 | 中山大学 | 一种基于深度卷积神经网络的自动驾驶车辆路径规划方法 |
| CN110456802B (zh) * | 2019-08-30 | 2020-08-25 | 上海有个机器人有限公司 | 一种移动机器人安全快速过闸机的方法 |
| CN110948486A (zh) * | 2019-11-20 | 2020-04-03 | 北京国电富通科技发展有限责任公司 | 带电机器人的作业方法、装置及控制器 |
| CN111103886B (zh) * | 2020-01-02 | 2024-05-03 | 深圳拓邦股份有限公司 | 通行窄道的识别方法、装置、设备及计算机可读存储介质 |
| CN112947490B (zh) * | 2021-04-09 | 2023-05-30 | 京东科技信息技术有限公司 | 路径平滑方法、装置、设备、存储介质及产品 |
| CN113435355A (zh) * | 2021-06-30 | 2021-09-24 | 中国农业大学 | 多目标奶牛身份识别方法及系统 |
| CN113573232B (zh) * | 2021-07-13 | 2024-04-19 | 深圳优地科技有限公司 | 机器人巷道定位方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102216957A (zh) * | 2008-10-09 | 2011-10-12 | 埃西斯创新有限公司 | 图像中对象的视觉跟踪以及图像分割 |
| CN102682292A (zh) * | 2012-05-10 | 2012-09-19 | 清华大学 | 基于单目视觉的道路边缘检测及粗定位方法 |
| CN103631262A (zh) * | 2012-08-29 | 2014-03-12 | 科沃斯机器人科技(苏州)有限公司 | 自移动机器人行走范围限制系统及其限制方法 |
| CN106774312A (zh) * | 2016-12-05 | 2017-05-31 | 遨博（北京）智能科技有限公司 | 一种为移动机器人确定移动轨迹的方法和装置 |
| CN106863308A (zh) * | 2017-04-14 | 2017-06-20 | 清研华宇智能机器人（天津）有限责任公司 | 一种移动机器人轨迹修正控制算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8670611B2 (en) * | 2011-10-24 | 2014-03-11 | International Business Machines Corporation | Background understanding in video data |
-
2017
- 2017-10-10 CN CN201710935553.XA patent/CN107742304B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102216957A (zh) * | 2008-10-09 | 2011-10-12 | 埃西斯创新有限公司 | 图像中对象的视觉跟踪以及图像分割 |
| CN102682292A (zh) * | 2012-05-10 | 2012-09-19 | 清华大学 | 基于单目视觉的道路边缘检测及粗定位方法 |
| CN103631262A (zh) * | 2012-08-29 | 2014-03-12 | 科沃斯机器人科技(苏州)有限公司 | 自移动机器人行走范围限制系统及其限制方法 |
| CN106774312A (zh) * | 2016-12-05 | 2017-05-31 | 遨博（北京）智能科技有限公司 | 一种为移动机器人确定移动轨迹的方法和装置 |
| CN106863308A (zh) * | 2017-04-14 | 2017-06-20 | 清研华宇智能机器人（天津）有限责任公司 | 一种移动机器人轨迹修正控制算法 |
Non-Patent Citations (1)
| Title |
|---|
| 移动机器人系统设计及控制研究;刘隐明;《中国优秀硕士学位论文全文数据库信息科技辑》;20120315(第03期);第32-35页、第38-43页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107742304A (zh) | 2018-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107742304B (zh) | 移动轨迹的确定方法及装置、移动机器人及存储介质 | |
| CN110850872A (zh) | 机器人巡检方法、装置、计算机可读存储介质及机器人 | |
| CN110749901B (zh) | 自主移动机器人及其地图拼接方法、装置和可读存储介质 | |
| CN108638062B (zh) | 机器人定位方法、装置、定位设备及存储介质 | |
| CN111563450B (zh) | 数据处理方法、装置、设备及存储介质 | |
| US20200233061A1 (en) | Method and system for creating an inverse sensor model and method for detecting obstacles | |
| CN111380510B (zh) | 重定位方法及装置、机器人 | |
| CN111066064A (zh) | 使用误差范围分布的网格占用建图 | |
| US11441900B2 (en) | Movable marking system, controlling method for movable marking apparatus, and computer readable recording medium | |
| CN110850859B (zh) | 一种机器人及其避障方法和避障系统 | |
| CN112060079B (zh) | 机器人及其碰撞检测方法和装置 | |
| LU500407B1 (en) | Real-time positioning method for inspection robot | |
| JP2017083663A (ja) | 一致性評価装置および一致性評価方法 | |
| CN115810133B (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
| JP2017004228A (ja) | 軌跡推定方法、軌跡推定装置及び軌跡推定プログラム | |
| CN113850280A (zh) | 一种智能飞机零件喷码标识方法、装置、存储介质及设备 | |
| CN110291771B (zh) | 一种目标对象的深度信息获取方法及可移动平台 | |
| CN114819135A (zh) | 检测模型的训练方法、目标检测方法、装置和存储介质 | |
| CN113776520B (zh) | 地图构建、使用方法、装置、机器人和介质 | |
| CN115290066A (zh) | 一种误差校正方法、装置及移动设备 | |
| US11386675B2 (en) | Device and method for generating vehicle data, and system | |
| CN111414804B (zh) | 识别框确定方法、装置、计算机设备、车辆和存储介质 | |
| CN115035359A (zh) | 一种点云数据处理方法、训练数据处理方法及装置 | |
| CN109959935B (zh) | 一种地图建立方法、地图建立装置及机器人 | |
| US11393185B2 (en) | Monitoring device |
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 |