CN108171796A - 一种基于三维点云的巡检机器人视觉系统及控制方法 - Google Patents
一种基于三维点云的巡检机器人视觉系统及控制方法 Download PDFInfo
- Publication number
- CN108171796A CN108171796A CN201711422433.6A CN201711422433A CN108171796A CN 108171796 A CN108171796 A CN 108171796A CN 201711422433 A CN201711422433 A CN 201711422433A CN 108171796 A CN108171796 A CN 108171796A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- inspection
- data
- target object
- layer
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
-
- 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
Abstract
本发明涉及一种基于三维点云的巡检机器人视觉系统及控制方法,所述系统采用RGBD摄像机采集巡检环境点云数据,基于点云融合技术构建巡检环境的立体地图;基于人工势场法进行避障和最优路径规划;基于卷积神经网络识别算法,融合物体的三维特征,识别巡检环境中的目标物体,根据目标物体与相机的映射关系,准确定位目标物体的三维坐标;基于无线网络系统,将巡检机器人获取的实时数据实时快速地传输到控制终端;操作人员可通过控制终端实时监控或者回放巡检状况,并且可通过终端控制机器人执行巡检任务。所述系统的控制方法,可使巡检机器人的工作环境不受环境光线变化的影响,可以在黑暗的光线条件下完成巡检任务。
Description
技术领域
本发明涉及一种基于三维点云的巡检机器人视觉系统及方法。
背景技术
随着机器人技术的日益成熟,利用机器人进行巡检的需求应运而生,如:电力巡检、消防巡检、隧道巡检、地下矿井巡检以及未知环境和地形探测等。人工巡检存在工作效率低、劳动强度高、管理成本高等问题,并且在一些环境恶劣、情况复杂危险的工作中,难以保障巡检人员生命安全,如雨雪天气、高温、高寒、地下矿井以及高压电力设备等。使用机器人代替工人巡检,在一些危险环境可以有效保障巡检人员的生命安全,并且能成功解决上述人工巡检的弊端。
传统巡检机器人的视觉系统大多依靠RGB图像采集设备进行环境感知、构建地图、规划路径以及目标识别,其工作严重受到环境光线变化的影响,在黑暗环境中几乎不能工作,例如地下矿井、隧道的巡检以及夜间巡检等,其巡检工作质量都受到严重影响。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于三维点云的巡检机器人视觉系统及控制方法,该系统基于三维点云融合技术构建巡检环境的立体地图,能够自主规划路径、避障,提出基于卷积神经网络融合三维特征的目标物体识别和定位方法,可用于环境地形探测、电力巡检、隧道巡检以及地下矿井巡检等应用中,其工作环境不受光照变化的影响,可在光线较暗或者夜间环境中有效地工作。
为了实现上述目的,本发明采用以下技术方案:
一种基于三维点云的巡检机器人视觉系统,包括数据采集模块、地图构建模块、路径规划模块、目标识别和定位模块、无线网络传输装置以及控制终端;
所述数据采集模块,由RGBD摄像机构成,用于采集巡检环境的点云数据;所述RGBD摄像机可通过控制上下左右的旋转角度,采集360°视角的点云数据,并能够同时采集RGB图像数据和深度数据;
所述地图构建模块,接收数据采集模块获取的点云数据,用于构建巡检环境的立体地图;
所述路径规划模块,接收数据采集模块获取的点云数据,用于计算与障碍物之间的距离,并规划到达目标位置的最佳路径;
所述目标识别与定位模块,接收数据采集模块获取的点云数据,用于对目标物体进行识别定位,并将定位信息反馈到立体地图中;
所述无线网络传输装置,其通过无线网络进行数据传输,用于数据采集模块、地图构建模块、路径规划模块、目标识别与定位模块和控制终端之间进行数据传输;
所述控制终端,通过无线网络传输装置接收各个模块的数据,用于显示及控制各个模块的工作执行。
所述一种基于三维点云的巡检机器人视觉系统的控制方法,其内容包括以下步骤:
步骤1:数据采集模块通过RGBD摄像机采集巡检环境的点云数据;并将所采集的点云数据传输给地图构建模块和路径规划模块;
步骤2:地图构建模块利用点云数据,通过点云融合技术,根据每个点云数据的关键点特征,对各个点云数据进行逐个匹配,构建巡检环境的立体地图;
步骤3:路径规划模块根据采集到的点云数据,获取深度信息,判断障碍物的位置,计算机器人与障碍物之间的实际距离,基于人工势场法进行避障以及最优路径规划;
步骤4:目标识别与定位模块采用基于卷积神经网络融合三维特征的物体识别算法,以目标物体的三维特征为输入,训练待识别目标物体的模型特征,以Softmax分类器作为输出,识别巡检过程中的待检测对象,并根据目标物体与机器人摄像机之间的映射关系,精确定位目标物体相对于摄像机的三维坐标,并通过匹配目标物体与立体地图两者关键点的特征,确定的目标物体在立体地图中的位置,在立体地图中高亮显示目标物体;所述三维特征,是指根据目标物体关键点的几何特征,提取目标物体的三维特征;
步骤5:无线网络传输装置,基于一种改进的TCP协议,通过分析无线网络传输速率的相对延迟,判断网络传输的拥塞程度,自动调节拥塞窗口的大小,提高网络的信道利用率和吞吐量,实时快速地将巡检机器人构建的立体地图、RGB图像数据、点云数据以及目标物体的位置坐标实时地传输到控制终端;
控制终端接收巡检机器人采集的巡检场景的点云数据,将其保存到磁盘文件之中,供操作人员实时监控或者回调巡检状况,操作人员可在控制终端通过立体地图查看巡检环境的各个细节,命令巡检机器人到达指定地点进行巡检,控制数据采集模块RGBD摄像机的旋转角度,查看不同的视角。
在步骤2中,所述构建巡检环境的立体地图,其内容包括以下步骤:
(1)提取两个点云数据的关键点,并描述关键点的几何特征;
(2)根据两个点云数据中关键点的几何特征描述,匹配相互对应的关键点,确定数据的重叠部分;
(3)使用随机采样一致性算法剔除错误的对应关系,提高匹配精度;
(4)估计变换矩阵,逐个配准多个点云数据,获取整个巡检环境的立体地图。
在步骤⑴中,所述关键点的几何特征,是指点云数据中关键点周围几何特性的局部特征描述,通过计算点云数据中关键点处法线与其k邻域内邻域点法线之间方向的差异,捕获关键点周围的几何信息,创建一个多维的直方图对关键点邻域的几何属性进行描述,其计算步骤如下:
(i)对于关键点与其邻域点组成的每对三维点(Pc,Pi),计算它们的表面法线(nc,ni),并在关键点处定义一个固定的局部坐标系(u,v,w),其中:
u=nc
w=u·v
(ii)通过三个角度(α,φ,θ)来分别计算关键点Pc和邻域点Pi的法线nc和ni之间的相对偏差,如下式:
α=v·nj
θ=arctan(w·ni,u·nc)
这里||Pi-Pc||2是Pc和Pi之间的欧氏距离;
(iii)将步骤(ii)中计算得到的角度(α,φ,θ)统计放入直方图中,得到关键点处的特征描述。
在步骤3中,所述基于人工势场法进行避障以及最优路径规划,其实现过程如下:
假设障碍物对机器人产生一个排斥势场U1,对机器人的排斥力为F1,目标产生一个吸引势场U2,对机器人的吸引力为F2,机器人在势场中位置坐标为p(x,y),则机器人受到的合力场为:
U=U1(p)+U2(p) (3)
机器人受到的合力为:
其中▽U为U的微分导数;这样机器人基于受到的障碍物的排斥力和目标的吸引力,实现实时规划运动路径,避开障碍物,获取达到目标的最优路径。
在步骤4中,所述基于卷积神经网络融合三维特征的物体识别算法,其中卷积神经网络是一种结合前向传播和后向传播的人工神经网络,其是在传统神经网络的基础上加入卷积操作和池化操作的层结构;
所述前向传播过程,其主要结构为输入层——卷积层——卷积层——全连层——输出层;输入层是以目标物体的三维形状特征作为输入,在两个卷积层之间以及第二个卷积层到全连层之间包括激活层、池化层和归一化层,激活层的激活函数选择采用RELU(RectifiedLinear Units)函数,选取线性阈值神经元,其对应的输出表达式为:
其中n表示神经元个数;池化层操作的目的是使提取的特征具有旋转和平移不变性;归一化层的设计目的是抑制隐藏层输出大的激励,提升模型的泛化能力,采用对相邻特征图中的激励进行归一化的方式,假设最大池化层产生的第i个特征图为则归一化响应的计算公式为:
其中m为同一位置相邻特征图的个数,M为特征图总数;全连层的实现将各个底层特征统计到一起,输出层采用Softmax分类器,假设一个训练集{(x(1),y(1)},(x(2),y(2)),…(x(k),y(k))},x(i)为输出的特征向量,y(i)为训练数据的真实标签,k为每次训练总计的训练数量,则输出可以表示为:
其中wi是第i个输出神经元与分类器链接的权重参数;
所述反向传播过程,采用梯度下降算法,目的是学习最优的权重参数(W,b),其对参数(W,b)的更新过程如下:
表示l+1层与l层中的两个神经元连接的权值,表示第l+1中第i个神经元的偏置项。α表示学习效率,值越大,训练速度越快。
本发明与现有的基于RGB图像的巡检机器人相比,本发明具有以下有益效果:
1、基于三维点云融合技术构建巡检环境的立体地图,对于未知环境探测等巡检任务,操作人员可以通过立体地图,更加直观地查看巡检环境的各个细节;
2、基于三维特征表示目标物体特征,融合卷积神经网络,能够更有效的理解目标物体,进而更准确的识别目标物体;
3、机器人基于三维点云执行各项巡检任务,巡检环境不受光线变化的影响,可在黑暗环境或者夜间执行巡检任务。
附图说明
图1是本发明系统的结构框图;
图2是本发明立体地图构建流程图;
图3是本发明关键点特征计算示意图;
图4是本发明路径规划流程图;
图5是本发明卷积神经网络结构图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细描述。
参照图1,本发明的一种基于三维点云的巡检机器人视觉系统,包括数据采集模块、地图构建模块、路径规划模块、目标识别和定位模块、无线网络传输装置以及控制终端。
所述数据采集模块,由RGBD摄像机构成,用于采集巡检环境的点云数据。所述RGBD摄像机可通过控制上下左右的旋转角度,采集360o视角的点云数据,并能够同时采集RGB图像数据和深度数据;
所述地图构建模块,接收数据采集模块获取的点云数据,用于构建巡检环境的立体地图。
所述路径规划模块,接收数据采集模块获取的点云数据,用于计算与障碍物之间的距离,并规划到达目标位置的最佳路径。
所述目标识别与定位模块,接收数据采集模块获取的点云数据,用于对目标物体进行识别定位,并将定位信息反馈到立体地图中。
所述无线网络传输装置,其通过无线网络进行数据传输,用于数据采集模块、地图构建模块、路径规划模块、目标识别与定位模块和控制终端之间进行数据传输。
所述控制终端,通过无线网络传输装置接收各个模块的数据,用于显示及控制各个模块的工作执行。
所述的一种基于三维点云的巡检机器人视觉系统的控制方法,其实现过程主要分为以下步骤:
步骤1:数据采集模块通过RGBD摄像机采集巡检环境的点云数据;并将所采集的点云数据传输给地图构建模块和路径规划模块。
步骤2:地图构建模块利用点云数据,通过点云融合技术,根据每个点云数据的关键点特征,对各个点云数据进行逐个匹配,构建巡检环境的立体地图。
参照图2,立体地图构建基于点云融合技术,根据每个点云数据的关键点的特征,对各个点云数据进行逐个匹配,构建整个巡检环境的立体地图,主要步骤如下:
(1)提取两个点云数据的关键,并描述关键点的几何特征;
参照图3,关键点的几何特征是指点云数据中关键点周围几何特性的局部特征描述。通过计算点云数据中关键点处法线与其k邻域内邻域点法线之间方向的差异,捕获关键点周围的几何信息,创建一个多维的直方图对关键点邻域的几何属性进行描述。其计算步骤如下:
(i)对于关键点与其邻域点组成的每对三维点(Pc,Pi),计算它们的表面法线(nc,ni),并在关键点处定义一个固定的局部坐标系(u,v,w),其中,
u=nc
w=u·v
(ii)通过三个角度(α,φ,θ)来计算关键点Pc和邻域点Pi它们的法线nc和ni之间的相对偏差,如下所示:
α=v·nj
θ=arctan(w·ni,u·nc)
这里||Pi-Pc||2是Pc和Pi之间的欧氏距离。
(iii)将上一步计算得到的角度(α,φ,θ)统计放入直方图中,得到关键点处的特征描述。
(2)根据两个点云数据中关键点的几何特征描述,匹配相互对应的关键点,确定数据的重叠部分;
(3)使用随机采样一致性算法剔除错误的对应关系,提高匹配精度;
(4)估计变换矩阵,逐个配准多个点云数据,获取整个巡检环境的立体地图。
步骤3:路径规划模块根据采集到的点云数据,获取深度信息,判断障碍物的位置,计算机器人与障碍物之间的实际距离,基于人工势场法进行避障以及最优路径规划。
所述基于人工势场法进行避障以及最优路径规划,其实现过程如下:
假设障碍物对机器人产生一个排斥势场U1,对机器人的排斥力为F1,目标产生一个吸引势场U2,对机器人的吸引力为F2,机器人在势场中位置坐标为p(x,y),则机器人受到的合力场为:
U=U1(p)+U2(p) (12)
机器人受到的合力为:
其中▽U为U的微分导数;这样机器人基于受到的障碍物的排斥力和目标的吸引力,实现实时规划运动路径,避开障碍物,获取达到目标的最优路径。
步骤4:目标识别与定位模块采用基于卷积神经网络融合三维特征的物体识别算法,以目标物体的三维特征为输入,训练待识别目标物体的模型特征,以Softmax分类器作为输出,识别巡检过程中的待检测对象,并根据目标物体与机器人摄像机之间的映射关系,精确定位目标物体相对于摄像机的三维坐标,并通过匹配目标物体与立体地图两者关键点的特征,确定的目标物体在立体地图中的位置,在立体地图中高亮显示目标物体;
参照图4,路径规划实现过程如下:根据采集到的深度数据,判断障碍物的位置,计算机器人与障碍物之间的实际距离,基于人工势场法进行避障以及最优路径规划。假设障碍物对产生一个排斥势场U1,对机器人的排斥力为F1,目标产生一个吸引势场U2,对机器人的吸引力为F2,机器人在势场中位置坐标为p(x,y),则在机器人受到的合力场为:
U=U1(p)+U2(p) (14)
机器人受到的合力为:
其中▽U为U的微分导数。这样机器人基于受到的障碍物的排斥力和目标的吸引力,机器人实时规划运动路径,避开障碍物,获取达到目标的最优路径。
步骤5:无线网络传输装置,基于一种改进的TCP协议,通过分析无线网络传输速率的相对延迟,判断网络传输的拥塞程度,自动调节拥塞窗口的大小,提高网络的信道利用率和吞吐量,实时快速地将巡检机器人构建的立体地图、RGB图像数据、点云数据以及目标物体的位置坐标实时地传输到控制终端。
参照图5,卷积神经网络是一种结合前向传播和后向传播的人工神经网络,其在传统神经网络的基础上加入卷积操作和池化操作的层结构。所述的前向传播过程,主要结构为输入层——卷积层——卷积层——全连层——输出层。输入层以目标物体的三维形状特征作为输入。在两个卷积层之间以及第二个卷积层到全连层之间包括激活层、池化层、归一化层,激活层的激活函数选用采用RELU(RectifiedLinear Units)函数,选取线性阈值神经元,其对应的输出表达式为:
其中n表示神经元个数;池化层操作的目的是使提取的特征具有旋转和平移不变性;归一化层的设计目的是抑制隐藏层输出大的激励,提升模型的泛化能力,采用对相邻特征图中的激励进行归一化的方式,假设最大池化层产生的第i个特征图为则归一化响应的计算公式为:
其中m为同一位置相邻特征图的个数,M为特征图总数。全连层的实现将各个底层特征统计到一起。输出层采用Softmax分类器,假设一个训练集{(x(1),y(1)},(x(2),y(2)),…(x(k),y(k))},x(i)为输出的特征向量,y(i)为训练数据的真实标签,k为每次训练总共的训练数量,则输出可以表示为:
其中wi是第i个输出神经元与分类器链接的权重参数。所述的反向传播过程,采用梯度下降算法,目的是学习最优的权重参数(W,b),其对参数(W,b)的更新过程如下:
表示l+1层与l层中的两个神经元连接的权值,表示第l+1中第i个神经元的偏置项。α表示学习效率,值越大,训练速度越快。
步骤6:控制终端接收巡检机器人采集的巡检场景的点云数据,可保存到磁盘文件之中,供操作人员实时监控或者回调巡检状况,操作人员可在控制终端通过立体地图查看巡检环境的各个细节,命令巡检机器人到达指定地点进行巡检,控制数据采集模块RGBD摄像机的旋转角度,查看不同的视角。
Claims (6)
1.一种基于三维点云的巡检机器人视觉系统,其特征在于:所述系统包括数据采集模块、地图构建模块、路径规划模块、目标识别和定位模块、无线网络传输装置以及控制终端;
所述数据采集模块,由RGBD摄像机构成,用于采集巡检环境的点云数据;所述RGBD摄像机可通过控制上下左右的旋转角度,采集360°视角的点云数据,并能够同时采集RGB图像数据和深度数据;
所述地图构建模块,接收数据采集模块获取的点云数据,用于构建巡检环境的立体地图;
所述路径规划模块,接收数据采集模块获取的点云数据,用于计算与障碍物之间的距离,并规划到达目标位置的最佳路径;
所述目标识别与定位模块,接收数据采集模块获取的点云数据,用于对目标物体进行识别定位,并将定位信息反馈到立体地图中;
所述无线网络传输装置,其通过无线网络进行数据传输,用于数据采集模块、地图构建模块、路径规划模块、目标识别与定位模块和控制终端之间进行数据传输;
所述控制终端,通过无线网络传输装置接收各个模块的数据,用于显示及控制各个模块的工作执行。
2.根据权利要求1所述一种基于三维点云的巡检机器人视觉系统的控制方法,其特征在于:该方法内容包括以下步骤:
步骤1:数据采集模块通过RGBD摄像机采集巡检环境的点云数据;并将所采集的点云数据传输给地图构建模块和路径规划模块;
步骤2:地图构建模块利用点云数据,通过点云融合技术,根据每个点云数据的关键点特征,对各个点云数据进行逐个匹配,构建巡检环境的立体地图;
步骤3:路径规划模块根据采集到的点云数据,获取深度信息,判断障碍物的位置,计算机器人与障碍物之间的实际距离,基于人工势场法进行避障以及最优路径规划;
步骤4:目标识别与定位模块采用基于卷积神经网络融合三维特征的物体识别算法,以目标物体的三维特征为输入,训练待识别目标物体的模型特征,以Softmax分类器作为输出,识别巡检过程中的待检测对象,并根据目标物体与机器人摄像机之间的映射关系,精确定位目标物体相对于摄像机的三维坐标,并通过匹配目标物体与立体地图两者关键点的特征,确定的目标物体在立体地图中的位置,在立体地图中高亮显示目标物体;所述三维特征,是指根据目标物体关键点的几何特征,提取目标物体的三维特征;
步骤5:无线网络传输装置,基于一种改进的TCP协议,通过分析无线网络传输速率的相对延迟,判断网络传输的拥塞程度,自动调节拥塞窗口的大小,提高网络的信道利用率和吞吐量,实时快速地将巡检机器人构建的立体地图、RGB图像数据、点云数据以及目标物体的位置坐标实时地传输到控制终端;
控制终端接收巡检机器人采集的巡检场景的点云数据,将其保存到磁盘文件之中,供操作人员实时监控或者回调巡检状况,操作人员可在控制终端通过立体地图查看巡检环境的各个细节,命令巡检机器人到达指定地点进行巡检,控制数据采集模块RGBD摄像机的旋转角度,查看不同的视角。
3.根据权利要求2所述的一种基于三维点云的巡检机器人视觉系统的控制方法,其特征在于:在步骤2中,所述构建巡检环境的立体地图,其内容包括以下步骤:
(1)提取两个点云数据的关键点,并描述关键点的几何特征;
(2)根据两个点云数据中关键点的几何特征描述,匹配相互对应的关键点,确定数据的重叠部分;
(3)使用随机采样一致性算法剔除错误的对应关系,提高匹配精度;
(4)估计变换矩阵,逐个配准多个点云数据,获取整个巡检环境的立体地图。
4.根据权利要求3所述的一种基于三维点云的巡检机器人视觉系统的控制方法,其特征在于:在步骤⑴中,所述关键点的几何特征,是指点云数据中关键点周围几何特性的局部特征描述,通过计算点云数据中关键点处法线与其k邻域内邻域点法线之间方向的差异,捕获关键点周围的几何信息,创建一个多维的直方图对关键点邻域的几何属性进行描述,其计算步骤如下:
(i)对于关键点与其邻域点组成的每对三维点(Pc,Pi),计算它们的表面法线(nc,ni),并在关键点处定义一个固定的局部坐标系(u,v,w),其中:
(ii)通过三个角度(α,φ,θ)来分别计算关键点Pc和邻域点Pi的法线nc和ni之间的相对偏差,如下式:
这里||Pi-Pc||2是Pc和Pi之间的欧氏距离;
(iii)将步骤(ii)中计算得到的角度(α,φ,θ)统计放入直方图中,得到关键点处的特征描述。
5.根据权利要求2所述的一种基于三维点云的巡检机器人视觉系统的控制方法,其特征在于:在步骤3中,所述基于人工势场法进行避障以及最优路径规划,其实现过程如下:
假设障碍物对机器人产生一个排斥势场U1,对机器人的排斥力为F1,目标产生一个吸引势场U2,对机器人的吸引力为F2,机器人在势场中位置坐标为p(x,y),则机器人受到的合力场为:
U=U1(p)+U2(p) (3)
机器人受到的合力为:
其中为U的微分导数;这样机器人基于受到的障碍物的排斥力和目标的吸引力,实现实时规划运动路径,避开障碍物,获取达到目标的最优路径。
6.根据权利要求2所述的一种基于三维点云的巡检机器人视觉系统的控制方法,其特征在于:在步骤4中,所述基于卷积神经网络融合三维特征的物体识别算法,其中卷积神经网络是一种结合前向传播和后向传播的人工神经网络,其是在传统神经网络的基础上加入卷积操作和池化操作的层结构;
所述前向传播过程,其主要结构为输入层——卷积层——卷积层——全连层——输出层;输入层是以目标物体的三维形状特征作为输入,在两个卷积层之间以及第二个卷积层到全连层之间包括激活层、池化层和归一化层,激活层的激活函数选择采用RELU函数,选取线性阈值神经元,其对应的输出表达式为:
其中n表示神经元个数;池化层操作的目的是使提取的特征具有旋转和平移不变性;归一化层的设计目的是抑制隐藏层输出大的激励,提升模型的泛化能力,采用对相邻特征图中的激励进行归一化的方式,假设最大池化层产生的第i个特征图为则归一化响应的计算公式为:
其中m为同一位置相邻特征图的个数,M为特征图总数;全连层的实现将各个底层特征统计到一起,输出层采用Softmax分类器,假设一个训练集{(x(1),y(1)},(x(2),y(2)),…(x(k),y(k))},x(i)为输出的特征向量,y(i)为训练数据的真实标签,k为每次训练总计的训练数量,则输出可以表示为:
其中wi是第i个输出神经元与分类器链接的权重参数;
所述反向传播过程,采用梯度下降算法,目的是学习最优的权重参数(W,b),其对参数(W,b)的更新过程如下:
表示l+1层与l层中的两个神经元连接的权值,表示第l+1中第i个神经元的偏置项。α表示学习效率,值越大,训练速度越快。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711422433.6A CN108171796A (zh) | 2017-12-25 | 2017-12-25 | 一种基于三维点云的巡检机器人视觉系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711422433.6A CN108171796A (zh) | 2017-12-25 | 2017-12-25 | 一种基于三维点云的巡检机器人视觉系统及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108171796A true CN108171796A (zh) | 2018-06-15 |
Family
ID=62520417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711422433.6A Pending CN108171796A (zh) | 2017-12-25 | 2017-12-25 | 一种基于三维点云的巡检机器人视觉系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171796A (zh) |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986162A (zh) * | 2018-06-28 | 2018-12-11 | 四川斐讯信息技术有限公司 | 基于惯性测量单元和视觉信息的菜品和背景分割方法 |
CN109141364A (zh) * | 2018-08-01 | 2019-01-04 | 北京进化者机器人科技有限公司 | 障碍物检测方法、系统及机器人 |
CN109582032A (zh) * | 2018-10-11 | 2019-04-05 | 天津大学 | 多旋翼无人机在复杂环境下的快速实时避障路径选择方法 |
CN109613557A (zh) * | 2018-11-28 | 2019-04-12 | 南京莱斯信息技术股份有限公司 | 一种补全激光雷达三维点云目标的系统及方法 |
CN109737967A (zh) * | 2019-02-28 | 2019-05-10 | 中国科学院深圳先进技术研究院 | 无人机路径规划方法、装置、存储介质及计算机设备 |
CN109752300A (zh) * | 2019-01-02 | 2019-05-14 | 五邑大学 | 一种涂料生产安全智能巡检机器人、系统及方法 |
CN110108292A (zh) * | 2019-06-12 | 2019-08-09 | 山东师范大学 | 车辆导航路径规划方法、系统、设备及介质 |
CN110148164A (zh) * | 2019-05-29 | 2019-08-20 | 北京百度网讯科技有限公司 | 转换矩阵生成方法及装置、服务器及计算机可读介质 |
CN110232315A (zh) * | 2019-04-29 | 2019-09-13 | 华为技术有限公司 | 目标检测方法和装置 |
CN110263384A (zh) * | 2019-05-28 | 2019-09-20 | 南京理工大学 | 基于Laplacian微分域变形的三维网格曲面变厚度偏置造型方法 |
CN110253570A (zh) * | 2019-05-27 | 2019-09-20 | 浙江工业大学 | 基于视觉的工业机械臂人机安全系统 |
CN110297491A (zh) * | 2019-07-02 | 2019-10-01 | 湖南海森格诺信息技术有限公司 | 基于多个结构光双目ir相机的语义导航方法及其系统 |
CN110370287A (zh) * | 2019-08-16 | 2019-10-25 | 中铁第一勘察设计院集团有限公司 | 基于视觉引导的地铁列检机器人路径规划系统及方法 |
CN110598239A (zh) * | 2019-07-19 | 2019-12-20 | 中建安装集团有限公司 | 基于轨行区点云大数据的应用方法 |
CN110858328A (zh) * | 2018-08-06 | 2020-03-03 | 纳恩博(北京)科技有限公司 | 用于模仿学习的数据采集方法、装置及存储介质 |
CN110909585A (zh) * | 2019-08-15 | 2020-03-24 | 北京致行慕远科技有限公司 | 一种路线确定方法、可行进设备、和存储介质 |
CN110909653A (zh) * | 2019-11-18 | 2020-03-24 | 南京七宝机器人技术有限公司 | 一种室内机器人自动标定配电室屏柜的方法 |
CN110942514A (zh) * | 2019-11-26 | 2020-03-31 | 三一重工股份有限公司 | 一种生成点云数据和全景图像的方法、系统及装置 |
CN111047703A (zh) * | 2019-12-23 | 2020-04-21 | 杭州电力设备制造有限公司 | 一种用户高压配电设备识别与空间重建方法 |
CN111090565A (zh) * | 2019-12-20 | 2020-05-01 | 上海有个机器人有限公司 | 一种机器人历史行为回放方法和系统 |
CN111192363A (zh) * | 2019-12-23 | 2020-05-22 | 杭州电力设备制造有限公司 | 一种基于云计算的用户配电房设计生成方法 |
CN111230888A (zh) * | 2020-03-23 | 2020-06-05 | 江苏科技大学 | 一种基于rgbd相机的上肢外骨骼机器人避障方法 |
CN111797938A (zh) * | 2020-07-15 | 2020-10-20 | 燕山大学 | 用于扫地机器人的语义信息与vslam融合方法 |
WO2020237693A1 (zh) * | 2019-05-31 | 2020-12-03 | 华南理工大学 | 一种水面无人装备多源感知方法及系统 |
CN112287833A (zh) * | 2020-10-29 | 2021-01-29 | 上海高仙自动化科技发展有限公司 | 机器人的巡检清洁方法、装置、机器人和存储介质 |
CN112461227A (zh) * | 2020-10-22 | 2021-03-09 | 新兴际华集团有限公司 | 轮式底盘机器人巡检智能化自主导航方法 |
WO2021046716A1 (zh) * | 2019-09-10 | 2021-03-18 | 深圳市大疆创新科技有限公司 | 目标对象的检测方法、系统、设备及存储介质 |
CN112528979A (zh) * | 2021-02-10 | 2021-03-19 | 成都信息工程大学 | 变电站巡检机器人障碍物判别方法及系统 |
CN112589809A (zh) * | 2020-12-03 | 2021-04-02 | 武汉理工大学 | 基于机器双目视觉和人工势场避障法的倒茶机器人 |
CN113359859A (zh) * | 2021-07-16 | 2021-09-07 | 广东电网有限责任公司 | 一种组合导航避障方法、系统、终端设备及存储介质 |
CN113752267A (zh) * | 2021-11-10 | 2021-12-07 | 山东捷瑞数字科技股份有限公司 | 一种机械臂路径规划方法及系统 |
WO2021248636A1 (zh) * | 2020-06-12 | 2021-12-16 | 东莞市普灵思智能电子有限公司 | 一种自动驾驶对象探测和定位系统及方法 |
CN114266326A (zh) * | 2022-01-21 | 2022-04-01 | 北京微链道爱科技有限公司 | 一种基于机器人双目三维视觉的物体识别方法 |
CN114722998A (zh) * | 2022-03-09 | 2022-07-08 | 三峡大学 | 一种基于cnn-ppo的兵棋推演智能体构建方法 |
CN114814877A (zh) * | 2022-06-21 | 2022-07-29 | 山东金宇信息科技集团有限公司 | 一种基于巡检机器人的隧道数据采集方法、设备及介质 |
CN114918928A (zh) * | 2022-07-22 | 2022-08-19 | 杭州柳叶刀机器人有限公司 | 手术机械臂精准定位方法、装置、控制终端及存储介质 |
CN115609595A (zh) * | 2022-12-16 | 2023-01-17 | 北京中海兴达建设有限公司 | 一种机械臂的轨迹规划方法、装置、设备及可读存储介质 |
CN117557931A (zh) * | 2024-01-11 | 2024-02-13 | 速度科技股份有限公司 | 一种基于三维场景的表计最优巡检点的规划方法 |
CN117565065A (zh) * | 2023-03-28 | 2024-02-20 | 仲恺农业工程学院 | 一种名优茶采摘机器人 |
CN117565065B (zh) * | 2023-03-28 | 2024-04-19 | 仲恺农业工程学院 | 一种名优茶采摘机器人 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100215254A1 (en) * | 2009-02-25 | 2010-08-26 | Toyota Motor Engineering & Manufacturing North America | Self-Learning Object Detection and Classification Systems and Methods |
CN103092204A (zh) * | 2013-01-18 | 2013-05-08 | 浙江大学 | 一种混合的机器人动态路径规划方法 |
US8503760B2 (en) * | 2008-01-25 | 2013-08-06 | Sungkyunkwan University Foundation For Corporate Collaboration | System and method for real-time object recognition and pose estimation using in-situ monitoring |
CN104157290A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于深度学习的说话人识别方法 |
CN104392426A (zh) * | 2014-10-23 | 2015-03-04 | 华中科技大学 | 一种自适应的无标志点三维点云自动拼接方法 |
CN104573731A (zh) * | 2015-02-06 | 2015-04-29 | 厦门大学 | 基于卷积神经网络的快速目标检测方法 |
CN106599797A (zh) * | 2016-11-24 | 2017-04-26 | 北京航空航天大学 | 一种基于局部并行神经网络的红外人脸识别方法 |
CN106708054A (zh) * | 2017-01-24 | 2017-05-24 | 贵州电网有限责任公司电力科学研究院 | 结合地图栅格与势场法避障的巡检机器人路径规划方法 |
CN106951825A (zh) * | 2017-02-13 | 2017-07-14 | 北京飞搜科技有限公司 | 一种人脸图像质量评估系统以及实现方法 |
CN106990777A (zh) * | 2017-03-10 | 2017-07-28 | 江苏物联网研究发展中心 | 机器人局部路径规划方法 |
CN107123161A (zh) * | 2017-06-14 | 2017-09-01 | 西南交通大学 | 一种基于narf和fpfh的接触网零全网三维重建方法 |
CN107167139A (zh) * | 2017-05-24 | 2017-09-15 | 广东工业大学 | 一种变电站巡检机器人视觉定位导航方法及系统 |
CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
-
2017
- 2017-12-25 CN CN201711422433.6A patent/CN108171796A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8503760B2 (en) * | 2008-01-25 | 2013-08-06 | Sungkyunkwan University Foundation For Corporate Collaboration | System and method for real-time object recognition and pose estimation using in-situ monitoring |
US20100215254A1 (en) * | 2009-02-25 | 2010-08-26 | Toyota Motor Engineering & Manufacturing North America | Self-Learning Object Detection and Classification Systems and Methods |
CN103092204A (zh) * | 2013-01-18 | 2013-05-08 | 浙江大学 | 一种混合的机器人动态路径规划方法 |
CN104157290A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于深度学习的说话人识别方法 |
CN104392426A (zh) * | 2014-10-23 | 2015-03-04 | 华中科技大学 | 一种自适应的无标志点三维点云自动拼接方法 |
CN104573731A (zh) * | 2015-02-06 | 2015-04-29 | 厦门大学 | 基于卷积神经网络的快速目标检测方法 |
CN106599797A (zh) * | 2016-11-24 | 2017-04-26 | 北京航空航天大学 | 一种基于局部并行神经网络的红外人脸识别方法 |
CN106708054A (zh) * | 2017-01-24 | 2017-05-24 | 贵州电网有限责任公司电力科学研究院 | 结合地图栅格与势场法避障的巡检机器人路径规划方法 |
CN106951825A (zh) * | 2017-02-13 | 2017-07-14 | 北京飞搜科技有限公司 | 一种人脸图像质量评估系统以及实现方法 |
CN106990777A (zh) * | 2017-03-10 | 2017-07-28 | 江苏物联网研究发展中心 | 机器人局部路径规划方法 |
CN107167139A (zh) * | 2017-05-24 | 2017-09-15 | 广东工业大学 | 一种变电站巡检机器人视觉定位导航方法及系统 |
CN107123161A (zh) * | 2017-06-14 | 2017-09-01 | 西南交通大学 | 一种基于narf和fpfh的接触网零全网三维重建方法 |
CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
Cited By (58)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986162B (zh) * | 2018-06-28 | 2022-02-22 | 杭州吉吉知识产权运营有限公司 | 基于惯性测量单元和视觉信息的菜品和背景分割方法 |
CN108986162A (zh) * | 2018-06-28 | 2018-12-11 | 四川斐讯信息技术有限公司 | 基于惯性测量单元和视觉信息的菜品和背景分割方法 |
CN109141364A (zh) * | 2018-08-01 | 2019-01-04 | 北京进化者机器人科技有限公司 | 障碍物检测方法、系统及机器人 |
CN109141364B (zh) * | 2018-08-01 | 2020-11-03 | 北京进化者机器人科技有限公司 | 障碍物检测方法、系统及机器人 |
CN110858328A (zh) * | 2018-08-06 | 2020-03-03 | 纳恩博(北京)科技有限公司 | 用于模仿学习的数据采集方法、装置及存储介质 |
CN110858328B (zh) * | 2018-08-06 | 2022-06-14 | 纳恩博(北京)科技有限公司 | 用于模仿学习的数据采集方法、装置及存储介质 |
CN109582032B (zh) * | 2018-10-11 | 2021-10-12 | 天津大学 | 多旋翼无人机在复杂环境下的快速实时避障路径选择方法 |
CN109582032A (zh) * | 2018-10-11 | 2019-04-05 | 天津大学 | 多旋翼无人机在复杂环境下的快速实时避障路径选择方法 |
CN109613557A (zh) * | 2018-11-28 | 2019-04-12 | 南京莱斯信息技术股份有限公司 | 一种补全激光雷达三维点云目标的系统及方法 |
CN109752300A (zh) * | 2019-01-02 | 2019-05-14 | 五邑大学 | 一种涂料生产安全智能巡检机器人、系统及方法 |
WO2020140316A1 (zh) * | 2019-01-02 | 2020-07-09 | 五邑大学 | 一种涂料生产安全智能巡检机器人、系统及方法 |
CN109737967A (zh) * | 2019-02-28 | 2019-05-10 | 中国科学院深圳先进技术研究院 | 无人机路径规划方法、装置、存储介质及计算机设备 |
CN110232315A (zh) * | 2019-04-29 | 2019-09-13 | 华为技术有限公司 | 目标检测方法和装置 |
CN110253570A (zh) * | 2019-05-27 | 2019-09-20 | 浙江工业大学 | 基于视觉的工业机械臂人机安全系统 |
CN110263384A (zh) * | 2019-05-28 | 2019-09-20 | 南京理工大学 | 基于Laplacian微分域变形的三维网格曲面变厚度偏置造型方法 |
CN110263384B (zh) * | 2019-05-28 | 2020-02-21 | 南京理工大学 | 基于Laplacian微分域变形的三维网格曲面变厚度偏置造型方法 |
CN110148164A (zh) * | 2019-05-29 | 2019-08-20 | 北京百度网讯科技有限公司 | 转换矩阵生成方法及装置、服务器及计算机可读介质 |
WO2020237693A1 (zh) * | 2019-05-31 | 2020-12-03 | 华南理工大学 | 一种水面无人装备多源感知方法及系统 |
CN110108292A (zh) * | 2019-06-12 | 2019-08-09 | 山东师范大学 | 车辆导航路径规划方法、系统、设备及介质 |
CN110297491A (zh) * | 2019-07-02 | 2019-10-01 | 湖南海森格诺信息技术有限公司 | 基于多个结构光双目ir相机的语义导航方法及其系统 |
CN110598239B (zh) * | 2019-07-19 | 2023-11-17 | 中国建设基础设施有限公司 | 基于轨行区点云大数据的应用方法 |
CN110598239A (zh) * | 2019-07-19 | 2019-12-20 | 中建安装集团有限公司 | 基于轨行区点云大数据的应用方法 |
CN110909585A (zh) * | 2019-08-15 | 2020-03-24 | 北京致行慕远科技有限公司 | 一种路线确定方法、可行进设备、和存储介质 |
CN110370287A (zh) * | 2019-08-16 | 2019-10-25 | 中铁第一勘察设计院集团有限公司 | 基于视觉引导的地铁列检机器人路径规划系统及方法 |
WO2021046716A1 (zh) * | 2019-09-10 | 2021-03-18 | 深圳市大疆创新科技有限公司 | 目标对象的检测方法、系统、设备及存储介质 |
CN110909653B (zh) * | 2019-11-18 | 2022-03-15 | 南京七宝机器人技术有限公司 | 一种室内机器人自动标定配电室屏柜的方法 |
CN110909653A (zh) * | 2019-11-18 | 2020-03-24 | 南京七宝机器人技术有限公司 | 一种室内机器人自动标定配电室屏柜的方法 |
CN110942514A (zh) * | 2019-11-26 | 2020-03-31 | 三一重工股份有限公司 | 一种生成点云数据和全景图像的方法、系统及装置 |
CN111090565A (zh) * | 2019-12-20 | 2020-05-01 | 上海有个机器人有限公司 | 一种机器人历史行为回放方法和系统 |
CN111090565B (zh) * | 2019-12-20 | 2021-09-28 | 上海有个机器人有限公司 | 一种机器人历史行为回放方法和系统 |
CN111047703A (zh) * | 2019-12-23 | 2020-04-21 | 杭州电力设备制造有限公司 | 一种用户高压配电设备识别与空间重建方法 |
CN111192363B (zh) * | 2019-12-23 | 2023-09-29 | 杭州电力设备制造有限公司 | 一种基于云计算的用户配电房设计生成方法 |
CN111047703B (zh) * | 2019-12-23 | 2023-09-26 | 杭州电力设备制造有限公司 | 一种用户高压配电设备识别与空间重建方法 |
CN111192363A (zh) * | 2019-12-23 | 2020-05-22 | 杭州电力设备制造有限公司 | 一种基于云计算的用户配电房设计生成方法 |
CN111230888A (zh) * | 2020-03-23 | 2020-06-05 | 江苏科技大学 | 一种基于rgbd相机的上肢外骨骼机器人避障方法 |
WO2021248636A1 (zh) * | 2020-06-12 | 2021-12-16 | 东莞市普灵思智能电子有限公司 | 一种自动驾驶对象探测和定位系统及方法 |
CN111797938A (zh) * | 2020-07-15 | 2020-10-20 | 燕山大学 | 用于扫地机器人的语义信息与vslam融合方法 |
CN111797938B (zh) * | 2020-07-15 | 2022-03-15 | 燕山大学 | 用于扫地机器人的语义信息与vslam融合方法 |
CN112461227A (zh) * | 2020-10-22 | 2021-03-09 | 新兴际华集团有限公司 | 轮式底盘机器人巡检智能化自主导航方法 |
CN112461227B (zh) * | 2020-10-22 | 2023-07-21 | 新兴际华集团有限公司 | 轮式底盘机器人巡检智能化自主导航方法 |
CN112287833A (zh) * | 2020-10-29 | 2021-01-29 | 上海高仙自动化科技发展有限公司 | 机器人的巡检清洁方法、装置、机器人和存储介质 |
CN112589809A (zh) * | 2020-12-03 | 2021-04-02 | 武汉理工大学 | 基于机器双目视觉和人工势场避障法的倒茶机器人 |
CN112528979B (zh) * | 2021-02-10 | 2021-05-11 | 成都信息工程大学 | 变电站巡检机器人障碍物判别方法及系统 |
CN112528979A (zh) * | 2021-02-10 | 2021-03-19 | 成都信息工程大学 | 变电站巡检机器人障碍物判别方法及系统 |
CN113359859A (zh) * | 2021-07-16 | 2021-09-07 | 广东电网有限责任公司 | 一种组合导航避障方法、系统、终端设备及存储介质 |
CN113359859B (zh) * | 2021-07-16 | 2023-09-08 | 广东电网有限责任公司 | 一种组合导航避障方法、系统、终端设备及存储介质 |
CN113752267A (zh) * | 2021-11-10 | 2021-12-07 | 山东捷瑞数字科技股份有限公司 | 一种机械臂路径规划方法及系统 |
CN114266326A (zh) * | 2022-01-21 | 2022-04-01 | 北京微链道爱科技有限公司 | 一种基于机器人双目三维视觉的物体识别方法 |
CN114722998A (zh) * | 2022-03-09 | 2022-07-08 | 三峡大学 | 一种基于cnn-ppo的兵棋推演智能体构建方法 |
CN114722998B (zh) * | 2022-03-09 | 2024-02-02 | 三峡大学 | 一种基于cnn-ppo的兵棋推演智能体构建方法 |
CN114814877B (zh) * | 2022-06-21 | 2022-09-06 | 山东金宇信息科技集团有限公司 | 一种基于巡检机器人的隧道数据采集方法、设备及介质 |
CN114814877A (zh) * | 2022-06-21 | 2022-07-29 | 山东金宇信息科技集团有限公司 | 一种基于巡检机器人的隧道数据采集方法、设备及介质 |
CN114918928A (zh) * | 2022-07-22 | 2022-08-19 | 杭州柳叶刀机器人有限公司 | 手术机械臂精准定位方法、装置、控制终端及存储介质 |
CN115609595A (zh) * | 2022-12-16 | 2023-01-17 | 北京中海兴达建设有限公司 | 一种机械臂的轨迹规划方法、装置、设备及可读存储介质 |
CN117565065A (zh) * | 2023-03-28 | 2024-02-20 | 仲恺农业工程学院 | 一种名优茶采摘机器人 |
CN117565065B (zh) * | 2023-03-28 | 2024-04-19 | 仲恺农业工程学院 | 一种名优茶采摘机器人 |
CN117557931A (zh) * | 2024-01-11 | 2024-02-13 | 速度科技股份有限公司 | 一种基于三维场景的表计最优巡检点的规划方法 |
CN117557931B (zh) * | 2024-01-11 | 2024-04-02 | 速度科技股份有限公司 | 一种基于三维场景的表计最优巡检点的规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171796A (zh) | 一种基于三维点云的巡检机器人视觉系统及控制方法 | |
Yang et al. | Visual perception enabled industry intelligence: state of the art, challenges and prospects | |
WO2021142902A1 (zh) | 基于DANet的无人机海岸线漂浮垃圾巡检系统 | |
CN111898514B (zh) | 一种基于目标检测与动作识别的多目标视觉监管方法 | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
Schilling et al. | Geometric and visual terrain classification for autonomous mobile navigation | |
CN107808133B (zh) | 基于无人机巡线的油气管道安全监测方法、系统及软件存储器 | |
CN110244322A (zh) | 基于多源传感器的路面施工机器人环境感知系统及方法 | |
CN107817798A (zh) | 一种基于深度学习系统的农用机械避障方法 | |
CN110097553A (zh) | 基于即时定位建图与三维语义分割的语义建图系统 | |
CN106808482B (zh) | 一种巡检机器人多传感器系统及巡检方法 | |
CN108037770A (zh) | 基于人工智能的无人机输电线路巡检系统和方法 | |
CN107145851A (zh) | 建筑作业区危险源智能识别系统 | |
Somaldo et al. | Developing smart COVID-19 social distancing surveillance drone using YOLO implemented in robot operating system simulation environment | |
Achar et al. | Self-supervised segmentation of river scenes | |
CN104400265B (zh) | 一种激光视觉引导的焊接机器人角接焊缝特征的提取方法 | |
CN109753081A (zh) | 一种基于机器视觉的巷道巡检无人机系统及导航方法 | |
CN112434669B (zh) | 一种多信息融合的人体行为检测方法及系统 | |
CN110516723B (zh) | 一种基于深度张量融合的多模态地基云图识别方法 | |
CN106846375A (zh) | 一种应用于自主灭火机器人的火焰检测方法 | |
Huertas et al. | Stereo-based tree traversability analysis for autonomous off-road navigation | |
CN109764869A (zh) | 一种双目相机和惯导融合的自主巡检机器人定位与三维地图构建方法 | |
CN115115859A (zh) | 基于无人机航拍的长线性工程施工进度智能识别与分析方法 | |
CN108871409A (zh) | 一种故障检测方法和系统 | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180615 |
|
WD01 | Invention patent application deemed withdrawn after publication |