CN108334080A - 一种针对机器人导航的虚拟墙自动生成方法 - Google Patents

一种针对机器人导航的虚拟墙自动生成方法 Download PDF

Info

Publication number
CN108334080A
CN108334080A CN201810047468.4A CN201810047468A CN108334080A CN 108334080 A CN108334080 A CN 108334080A CN 201810047468 A CN201810047468 A CN 201810047468A CN 108334080 A CN108334080 A CN 108334080A
Authority
CN
China
Prior art keywords
matrix
arc
laser point
virtual wall
triangulation network
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.)
Granted
Application number
CN201810047468.4A
Other languages
English (en)
Other versions
CN108334080B (zh
Inventor
庄严
王栎斐
闫飞
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201810047468.4A priority Critical patent/CN108334080B/zh
Publication of CN108334080A publication Critical patent/CN108334080A/zh
Application granted granted Critical
Publication of CN108334080B publication Critical patent/CN108334080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • 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
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种针对机器人导航的虚拟墙自动生成方法，属于移动机器人自主导航技术领域。该虚拟墙自动生成方法先获取障碍物密集区域的激光点；对激光点进行栅格化处理，并对栅格化后的激光点构建德洛内三角网，生成邻接矩阵；对德洛内三角网进行初始化：生成长度矩阵、属性矩阵和邻接三角形矩阵；基于虚拟墙构建算法与矩阵信息，剔除德洛内三角网中长度大于阈值的边界边，进而获取到虚拟墙的几何图形。本发明能够针对先验地图中的障碍物密集区域，自动生成将该区域包围的虚拟墙，一方面提升机器人的导航工作效率，另一方面保留障碍物密集场景中有利于定位的丰富的环境特征，可用于移动机器人非结构化场景下导航等领域。

Description

一种针对机器人导航的虚拟墙自动生成方法
技术领域
本发明属于移动机器人自主导航技术领域，涉及到移动机器人导航地图的 优化处理，特别涉及到一种针对机器人导航的虚拟墙自动生成方法。
背景技术
自主导航是移动机器人自主环境适应的核心技术。当机器人工作在狭窄且 障碍物密集的局部场景中时，这种环境条件会对机器人导航产生不同的影响。 一方面，这种环境富含可用于定位的环境特征，有利于提高定位精度，另一方 面，机器人工作在复杂场景所生成的导航路径复杂度也显著上升，降低了导航 的工作效率，此外，障碍物密集场景会提升碰撞发生的概率，甚至导致导航失 败。因此如何既保留局部场景中多样化的环境特征，又避免机器人进入狭窄且 障碍物密集的局部场景，是提高机器人自主环境适应能力所需要解决的一个关 键问题。
为了保证无人车行驶在道路中的合理区域，文献(D.Ferguson and M.Likhachev,“Efficiently using costmaps for planning complex maneuvers,”inProceedings of the ICRA 2008 Workshop on Planning With Costmaps,2008)使用了限制代价地图，以提升导航的合理性。限制代价地图是在路网描述文件的基础 上，对行驶路径之外的场景添加软约束，该约束确保无人车始终在合理的道路 区域行驶，但此种方法仅适用于处理具有明确道路区域的室外环境，在移动机 器人应用领域中，其工作环境并无明确道路区域的划分，而且该方法人为根据 道路区域来添加约束条件，无法满足移动机器人的自主导航需求。
文献(Hao Zhu，“A Path Planning Algorithm Based on Fusing Lane andObstacle Map,”IEEE 17th International Conference on IntelligentTransportation Systems(ITSC),2014)提出了一种针对障碍物进行二次膨胀的方法，以避免机器 人在执行转弯操作时与障碍物过近。该方法对环境中所有物体均进行二次膨胀，对没有必要二次膨胀的场景(如长直的走廊)也进行了二次膨胀。
发明内容
为了既保留障碍物密集场景中丰富的环境特征，又避免此类场景降低导航工 作效率，本文提出了一种针对机器人导航的虚拟墙生成方法。该方法首先以原 始激光点云为存储方式对二维场景进行建模，然后圈选出障碍物密集区域，通 过栅格化对障碍物密集区域内的激光点云进行精简，并对精简后的激光点云以 多边形的形式包围起来。为了保证机器人导航效率，将上述多边形区域定义为 导航时的不可通行区域，同时将包围上述区域的多边形定义为虚拟墙。
本发明的具体技术方案如下：
一种针对机器人导航的虚拟墙自动生成方法，该虚拟墙自动生成方法先获 取障碍物密集区域的激光点；对激光点进行栅格化处理，并对栅格化后的激光 点构建德洛内三角网，生成邻接矩阵；对德洛内三角网进行初始化：生成长度 矩阵、属性矩阵和邻接三角形矩阵；基于虚拟墙构建算法与矩阵信息，剔除德 洛内三角网中长度大于阈值的边界边，进而获取到虚拟墙的几何图形，具体包 以下步骤：
第一步，生成先验地图
移动机器人通过SLAM算法进行360度的全局激光点云扫描，由于激光点 云的采集频率较高，若对每一时刻的激光数据都进行存储会导致点云数据量过 大，因此每隔一定时间间隔存储一次激光点云，最终得到以原始激光点云为存 储方式的先验地图。
第二步，对先验地图中的障碍物密集区域进行圈选
观察先验地图的密集区域，选取密集区域的中心处的某点为圆心，如图1 所示，圆心点与O点的距离为length，夹角为θ，圆的半径为R，其中O点为激 光点云原点。
遍历先验地图中的原始激光点云，若当前被遍历的激光点坐标(x,y)不满足 公式(1)，不在圈选范围内，则直接舍弃；若当前被遍历的激光点坐标(x,y)满 足公式(1)，位于圈选范围内，则保留该激光点，并将保留的激光点存入局部 激光点云，图中黑色激光点为保留激光点。
(x-length×cosθ)2+(y-length×sinθ)2<＝R (1)
第三步，激光点云栅格化
为提高虚拟墙构建效率，需通过栅格化对保留激光点云进行精简。设定栅 格精度为s，遍历激光点云，通过公式(2)，计算每一个被遍历的激光点坐标(x,y) 所在的栅格坐标(Gx,Gy)。若该栅格坐标没有激光点对应，则将由公式得到的栅 格坐标存入栅格点云；若该栅格坐标已有激光点对应，则不再重复向栅格点云 添加栅格坐标。原始点云示意图如图2所示，栅格点云示意图如图3所示。
第四步，构建德洛内三角网
由第三步得到的栅格点云，通过逐点插入法将栅格点云中的点连接成一定 大小的三角形，构建德洛内三角网。所述的德洛内三角网是一系列相连的但不 重叠的三角形的集合,而且这些三角形的外接圆不包含这个点集中除三角形顶 点外的任何一个点。德洛内三角网构建示意图如图4所示。
德洛内三角网采用图的邻接矩阵方式进行存储，图的邻接矩阵存储方式是 用两个数组来表示图：一个一维数组存储三角网中顶点信息，作为顶点数组； 一个二维数组存储图中的边的信息，作为变数组，又称邻接矩阵。
若栅格点云有n个顶点，即德洛内三角网内有n个顶点，则存在两个数组， 顶点数组为vertex[n]＝{v0,v1,v2,...,vn}，边数组(德洛内三角网的邻接矩阵)arc[n][n] 为：
其中，i≤n，j≤n；E为德洛内三角网内中边的集合，(vi,vj)表示顶点vi到 顶点vj的边。
第五步，对德洛内三角网进行初始化
根据第四步得到的德洛内三角网的邻接矩阵，对德洛内三角网进行初始化， 初始化包含三部分：求取三角网的长度矩阵、属性矩阵和邻接三角形矩阵。
1)长度矩阵定义
长度矩阵Lth[n][n]，用于存储边的长度，定义为：
其中，vi的二维坐标为(xi,yi)，vj的二维坐标为(xj,yj)；
基于上述定义，可得到德洛内三角网的长度矩阵。
2)属性矩阵定义
属性矩阵为Pty[n][n]，用于存储边的属性。如图5所示，黑色边的邻接三角 形只有一个，称其为边界边；灰色边的邻接三角形有两个，称其为内部边。
根据邻接矩阵arc[n][n]，对属性矩阵进行定义：若arc[i][j]＝1，且只存在一个k值，满足arc[i][k]＝1且arc[j][k]＝1，则Pty[i][j]＝1，表示(vi,vj)为边界边。若 arc[i][j]＝1，且存在两个k值，满足arc[i][k]＝1且arc[j][k]＝1，则Pty[i][j]＝2，表示(vi,vj)为内部边。若arc[i][j]＝0，则Pty[i][j]＝0。
基于上述定义，可以得到德洛内三角网的属性矩阵。
3)邻接三角形矩阵定义
邻接三角形矩阵为Adj[n][n]，用于存储每条边的邻接三角形。
根据邻接矩阵arc[n][n]，对邻接三角形矩阵进行定义：若arc[i][j]＝1，且只存在一个k值，满足arc[i][k]＝1且arc[j][k]＝1，则Pty[i][j]＝vk，表示边(vi,vj)含有一个邻接三角形，且三角形顶点为vi,vj和vk。若arc[i][j]＝1，且存在两个k值，满足 arc[i][k]＝1且arc[j][k]＝1，存在的两个k值用m和n表示，则Pty[i][j]＝vm,vn，表示 边(vi,vj)含有两个邻接三角形，且三角形顶点分别为vi,vj,vm和vi,vj,vn。若 arc[i][j]＝0，则Pty[i][j]＝0。
基于上述定义，可以得到德洛内三角网的邻接三角形矩阵。
第六步，虚拟墙提取
由于我们想要求取的虚拟墙就是德洛内三角网的子集，所以只需要从德洛 内三角网的最外层边开始向内不断地删去超过长度限制R的边，当这个过程结束 时，就能够得到一个大致符合预期形状的多边形，即虚拟墙。
从德洛内三角网的最外层边开始向内不断地删去超过长度限制R的边，最终 得到虚拟墙的几何图形。算法示意图(如图6所示)，黑色边表示边界边，灰 色边表示内部边。通过如下步骤进行虚拟墙提取：
1)遍历属性矩阵，查找出德洛内三角网中所有的边界边。
2)初始化队列，从长度矩阵中查找出所有长度大于R的边界边，并将其压 入队列。
3)若队列为空，则执行步骤8)；若队列非空，则执行步骤4)。
4)从队列顶部弹出一条边(vi,vj)，通过查找邻接三角形矩阵的Adj[i][j]元素，得到边(vi,vj)的邻接三角形T的其他顶点vk，执行步骤5)。
5)找到T中另外两条边(vi,vk)和(vj,vk)，将属性矩阵中Pty[i][k]和Pty[j][k]置为1，即将他们设定为新的边界边。为了使他们符合边界边只有一个邻接三角形 条件，再将邻接三角形矩阵的Adj[i][k]中的元素vj和Adj[j][k]中的元素vi删除，执 行步骤6)。
6)查找长度矩阵，将(vi,vk)和(vj,vk)中长度大于R的边压入队列，执行步骤 7)。
7)将边(vi,vj)对应的属性矩阵中的元素Pty[i][j]置为0，即剔除边(vi,vj)作为边界边的属性，执行步骤3)。
8)遍历属性矩阵，提取所有边界边，形成虚拟墙。
本发明针对先验地图中的障碍物密集区域影响导航工作效率的问题，对该 区域构建虚拟墙，提升了机器人的导航工作效率；同时保留了该区域丰富的环 境特征，提高了机器人的定位效果；由于仅对障碍物密集区域进行处理，从而 提升了机器人导航地图的构建效率。
附图说明
图1为圈选激光点示意图。
图2为激光点示意图。
图3为栅格化后的激光点示意图。
图4为德洛内三角网构建示意图。
图5为边界边与内部边示意图。
图6为虚拟墙构建示意图。
图7为由原始激光点构成的先验地图。
图8为圈选激光点范围示意图。
图9为圈选后的激光点。
图10为栅格化后的激光点。
图11为对激光点的德洛内三角网构建图。
图12为生成的虚拟墙。
图13为虚拟墙在多层次代价地图中的应用。
具体实施方式
以下结合技术方案详细叙述本发明的具体实施方式。
本发明可应用于移动机器人平台的二维场景导航，移动机器人平台以 poineer3移动机器人为运动载体，以Hokuyo UTM-30LX激光测距传感器为测量 装置(平面扫描角度为270度，角分辨率为0.25度)，以车载计算机为数据收 集及处理平台。利用移动机器人平台完成先验地图的构建，场地的选取要能保 证环境中有狭窄且障碍物密集的场景，以保证先验地图中包含可构建虚拟墙的 区域。依据移动机器人平台获取的先验地图生成虚拟墙，并将生成的虚拟墙融 合进多层次代价地图，以避免机器人进入障碍物密集场景。
第一步，对二维场景进行先验地图构建。遥控机器人行走，并通过SLAM 算法进行360度的全局激光点云扫描，每间隔5s存储一次激光点云，最终得到 以原始激光点云为存储方式的先验地图，如图7所示。地图长8.6m,宽6m，面 积51.6m2，点云的激光点个数为4324。
第二步，对先验地图中欲构建虚拟墙的区域进行圈选。圆心点选定为与O 点距离为1.52m，夹角-7.6°的点，半径为0.75m。遍历激光点云，根据公式1， 得到圈选出的激光点云，激光点个数为62，如图8，9所示。
第三步，对圈选激光点云进行栅格化处理。栅格大小选定为30cm，根据公 式2，得到处理后的栅格点云，精简后的激光点个数为7，如图10所示。
第四步，对栅格点云构建德洛内三角网，构建结果如图11所示，得到德洛 内三角网的邻接矩阵如下所示。
第五步，求取德洛内三角网的长度矩阵、属性矩阵和邻接三角形矩阵。
第六步，求取虚拟墙。设定长度限制为1m,根据技术方案(6)中的提取算 法，由于边(v1,v7)长度为1.24m，大于1m，因此会将边(v1,v7)存入队列，并将边 (v1,v7)的邻接三角形的另外两条边(v1,v3)和(v3,v7)设定为新的边界边。由于这两条 边的长度小于1m，且队列为空，因此得到最终的虚拟墙由边(v1,v2)、(v2,v4)、 (v4,v6)、(v6,v7)、(v7,v3)和(v3,v1)组成，如图12所示。
根据先验地图与实时激光数据构建用于导航及定位的多层次代价地图，如 图13所示，多层次代价地图包含静态层、虚拟墙层、膨胀层等。静态层为黑色 激光点区域，虚拟墙层为图片中心的黑色多边形区域，膨胀层由深灰色和浅灰 色区域组成。
静态层与虚拟墙层均在机器人导航算法执行前生成，且无需在导航过程中 更新。其中静态层由先验地图构成，利用其丰富的环境特征与实时激光数据匹 配完成导航时的定位功能；虚拟墙层由将障碍物密集区域包围的虚拟墙构成， 负责提高机器人导航工作效率，防止机器人进入杂乱区域导致导航失败，如图 13所示，移动机器人在路径规划时，生成的路径将不会规划入虚拟墙内。

Claims (2)

1.一种针对机器人导航的虚拟墙自动生成方法，其特征在于，该虚拟墙自动生成方法先获取障碍物密集区域的激光点；对激光点进行栅格化处理，并对栅格化后的激光点构建德洛内三角网，生成邻接矩阵；对德洛内三角网进行初始化，生成长度矩阵、属性矩阵和邻接三角形矩阵；基于虚拟墙构建算法与矩阵信息，剔除德洛内三角网中长度大于阈值的边界边，得到虚拟墙的几何图形；具体包括以下步骤：
第一步，移动机器人通过SLAM算法进行360度的全局激光点云扫描，得到以原始激光点云为存储方式的先验地图；
第二步，对先验地图中的障碍物密集区域进行圈选
观察先验地图的密集区域，选取密集区域的中心处的某点为圆心，圆心点与O点的距离为length，夹角为θ，圆的半径为R，其中O点为激光点云原点；
遍历先验地图中的原始激光点云，若当前被遍历的激光点坐标(x,y)位于圈选范围内，满足公式(1)，则保留该激光点，并将保留的激光点存入局部激光点云；若当前被遍历的激光点坐标(x,y)不在圈选范围内，则直接舍弃；
(x-length×cosθ)2+(y-length×sinθ)2<＝R (1)
第三步，通过栅格化对保留激光点云进行精简，得到栅格点云；
第四步，对栅格点云中的点构建德洛内三角网，德洛内三角网存储采用图的邻接矩阵方式存储，采用两个数组表示图：一个一维数组存储三角网中顶点信息，，作为顶点数组；一个二维数组存储图中的边的信息，二维数组称为邻接矩阵；
若德洛内三角网内有n个顶点，则存在两个数组，顶点数组为vertex[n]＝{v0,v1,v2,...,vn}，邻接矩阵arc[n][n]为：
其中，i≤n，j≤n；E为德洛内三角网内中边的集合，(vi,vj)表示顶点vi到顶点vj的边；
第五步，根据第四步得到的德洛内三角网的邻接矩阵，对德洛内三角网进行初始化，求取德洛内三角网的长度矩阵、属性矩阵和邻接三角形矩阵；定义如下：
1)长度矩阵定义
长度矩阵Lth[n][n]，用于存储边的长度，定义为：
其中，vi的二维坐标为(xi,yi)，vj的二维坐标为(xj,yj)；
2)属性矩阵定义
属性矩阵为Pty[n][n]，用于存储边的属性；根据邻接矩阵arc[n][n]，对属性矩阵进行定义：若arc[i][j]＝1，且只存在一个k值，满足arc[i][k]＝1且arc[j][k]＝1，则Pty[i][j]＝1，表示(vi,vj)为边界边；若arc[i][j]＝1，且存在两个k值，满足arc[i][k]＝1且arc[j][k]＝1，则Pty[i][j]＝2，表示(vi,vj)为内部边；若arc[i][j]＝0，则Pty[i][j]＝0；
3)邻接三角形矩阵定义
邻接三角形矩阵为Adj[n][n]，用于存储每条边的邻接三角形；根据邻接矩阵arc[n][n]，对邻接三角形矩阵进行定义：若arc[i][j]＝1，且只存在一个k值，满足arc[i][k]＝1且arc[j][k]＝1，则Pty[i][j]＝vk，表示边(vi,vj)含有一个邻接三角形，且三角形顶点为vi,vj和vk；若arc[i][j]＝1，且存在两个k值，满足arc[i][k]＝1且arc[j][k]＝1，存在的两个k值用m和n表示，则Pty[i][j]＝vm,vn，表示边(vi,vj)含有两个邻接三角形，且三角形顶点分别为vi,vj,vm和vi,vj,vn；若arc[i][j]＝0，则Pty[i][j]＝0；
第六步，从德洛内三角网的最外层边开始向内不断地删去超过长度限制R的边，最终得到虚拟墙的几何图形；通过如下步骤进行虚拟墙提取：
1)遍历属性矩阵，查找出德洛内三角网中所有的边界边；
2)初始化队列，从长度矩阵中查找出所有长度大于R的边界边，并将其压入队列；
3)若队列为空，则执行步骤8)；若队列非空，则执行步骤4)；
4)从队列顶部弹出一条边(vi,vj)，通过查找邻接三角形矩阵的Adj[i][j]元素，得到边(vi,vj)的邻接三角形T的其他顶点vk，执行步骤5)；
5)找到T中另外两条边(vi,vk)和(vj,vk)，将属性矩阵中Pty[i][k]和Pty[j][k]置为1，即将他们设定为新的边界边；为了使他们符合边界边只有一个邻接三角形条件，再将邻接三角形矩阵的Adj[i][k]中的元素vj和Adj[j][k]中的元素vi删除，执行步骤6)；
6)查找长度矩阵，将(vi,vk)和(vj,vk)中长度大于R的边压入队列，执行步骤7)；
7)将边(vi,vj)对应的属性矩阵中的元素Pty[i][j]置为0，即剔除边(vi,vj)作为边界边的属性，执行步骤3)；
8)遍历属性矩阵，提取所有边界边，形成虚拟墙。
2.根据权利要求1所述的一种针对机器人导航的虚拟墙自动生成方法，其特征在于，第四步中构建德洛内三角的方法为逐点插入法。
CN201810047468.4A 2018-01-18 2018-01-18 一种针对机器人导航的虚拟墙自动生成方法 Active CN108334080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810047468.4A CN108334080B (zh) 2018-01-18 2018-01-18 一种针对机器人导航的虚拟墙自动生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810047468.4A CN108334080B (zh) 2018-01-18 2018-01-18 一种针对机器人导航的虚拟墙自动生成方法

Publications (2)

Publication Number Publication Date
CN108334080A true CN108334080A (zh) 2018-07-27
CN108334080B CN108334080B (zh) 2021-01-05

Family

ID=62925267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810047468.4A Active CN108334080B (zh) 2018-01-18 2018-01-18 一种针对机器人导航的虚拟墙自动生成方法

Country Status (1)

Country Link
CN (1) CN108334080B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109855626A (zh) * 2019-02-14 2019-06-07 上海赛图计算机科技股份有限公司 一种基于扫描线的室内地图路网生成方法
CN110174112A (zh) * 2019-07-01 2019-08-27 北京洛必德科技有限公司 一种用于移动机器人自动建图任务的路径优化方法
CN111026136A (zh) * 2020-03-11 2020-04-17 广州赛特智能科技有限公司 基于监控设备的港口无人驾驶清扫车智能调度方法及装置
CN111060104A (zh) * 2019-12-13 2020-04-24 杭州昕华信息科技有限公司 一种机器人巡视区域确定方法、装置、介质及设备
CN111358360A (zh) * 2018-12-26 2020-07-03 珠海市一微半导体有限公司 机器人避免线缠绕的方法、装置和芯片及扫地机器人
CN111839360A (zh) * 2020-06-22 2020-10-30 珠海格力电器股份有限公司 扫地机数据处理方法、装置、设备及计算机可读介质
CN112002011A (zh) * 2020-08-14 2020-11-27 广州掌淘网络科技有限公司 确定商圈边界的方法及设备
CN113465588A (zh) * 2021-06-09 2021-10-01 丰疆智能科技股份有限公司 导航虚拟墙的自动生成方法、装置、电子设备及存储介质
CN114545938A (zh) * 2022-02-17 2022-05-27 上海擎朗智能科技有限公司 一种路径规划方法、装置、机器人及存储介质
CN116841300A (zh) * 2023-08-31 2023-10-03 未岚大陆(北京)科技有限公司 工作地图生成方法、作业方法、控制方法和相关装置

Citations (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266694A (zh) * 2008-04-28 2008-09-17 武汉大学 一种单站地面激光扫描点云的构网方法
WO2009148672A1 (en) * 2008-03-13 2009-12-10 Battelle Energy Alliance, Llc System and method for seamless task-directed autonomy for robots
CN101833699A (zh) * 2009-03-12 2010-09-15 北京博懋易通科技有限公司 一种用于船舶航线设计的启发式航段寻径方法
KR20100110144A (ko) * 2009-04-02 2010-10-12 이한영 가상벽 생성 시스템
CN102053249A (zh) * 2009-10-30 2011-05-11 吴立新 基于激光扫描和序列编码图形的地下空间高精度定位方法
CN102880178A (zh) * 2012-08-23 2013-01-16 群耀光电科技（苏州）有限公司 虚拟墙系统
CN103076802A (zh) * 2012-10-09 2013-05-01 江苏大学 机器人虚拟边界建立与识别方法及系统
CN103389103A (zh) * 2013-07-03 2013-11-13 北京理工大学 一种基于数据挖掘的地理环境特征地图构建与导航方法
CN103400416A (zh) * 2013-08-15 2013-11-20 东南大学 一种基于概率多层地形的城市环境机器人导航方法
CN103558856A (zh) * 2013-11-21 2014-02-05 东南大学 动态环境下服务动机器人导航方法
CN103576680A (zh) * 2012-07-25 2014-02-12 中国原子能科学研究院 一种机器人路径规划方法及装置
US20140063232A1 (en) * 2012-09-05 2014-03-06 Google Inc. Construction Zone Sign Detection
CN103884330A (zh) * 2012-12-21 2014-06-25 联想(北京)有限公司 信息处理方法、可移动电子设备、引导设备和服务器
US20140324249A1 (en) * 2013-03-19 2014-10-30 Alberto Daniel Lacaze Delayed Telop Aid
CN104318622A (zh) * 2014-10-25 2015-01-28 大连理工大学 一种室内场景非均匀三维点云数据的三角网格建模方法
CN104484522A (zh) * 2014-12-11 2015-04-01 西南科技大学 一种基于现实场景的机器人模拟演练系统的构建方法
CN104657981A (zh) * 2015-01-07 2015-05-27 大连理工大学 一种移动机器人运动中三维激光测距数据动态补偿方法
CN104898660A (zh) * 2015-03-27 2015-09-09 中国科学技术大学 一种提高机器人路径规划效率的室内地图构建方法
CN104914863A (zh) * 2015-05-13 2015-09-16 北京理工大学 一种一体式无人运动平台环境理解系统及其工作方法
WO2015165266A1 (zh) * 2014-04-29 2015-11-05 百度在线网络技术（北京）有限公司 自主导航方法及系统和地图建模方法及系统
US20160030122A1 (en) * 2007-03-01 2016-02-04 Titan Medical Inc. Methods, systems and devices for three dimensional input and control methods and systems based thereon
CN105509748A (zh) * 2015-12-29 2016-04-20 深圳先进技术研究院 机器人的导航方法及装置
CN105606103A (zh) * 2016-02-22 2016-05-25 江苏信息职业技术学院 一种机器人矿井作业路径规划方法
WO2016138567A1 (en) * 2015-03-05 2016-09-09 Commonwealth Scientific And Industrial Research Organisation Structure modelling
US20160271795A1 (en) * 2015-03-18 2016-09-22 Irobot Corporation Localization and Mapping Using Physical Features
CN106052674A (zh) * 2016-05-20 2016-10-26 青岛克路德机器人有限公司 一种室内机器人的slam方法和系统
CN106092104A (zh) * 2016-08-26 2016-11-09 深圳微服机器人科技有限公司 一种室内机器人的重定位方法及装置
CN106199558A (zh) * 2016-08-18 2016-12-07 宁波傲视智绘光电科技有限公司 障碍物快速检测方法
CN106289232A (zh) * 2016-07-24 2017-01-04 广东大仓机器人科技有限公司 一种基于深度传感器的机器人避障方法
CN106406338A (zh) * 2016-04-14 2017-02-15 中山大学 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法
CN106600697A (zh) * 2016-12-13 2017-04-26 东北大学 一种面向3d场景的导航网格地图表示方法
CN106598039A (zh) * 2015-10-14 2017-04-26 山东鲁能智能技术有限公司 一种基于激光雷达的变电站巡检机器人避障方法
CN106650640A (zh) * 2016-12-05 2017-05-10 浙江大学 一种基于激光雷达点云局部结构特征的负障碍物检测方法
CN106679671A (zh) * 2017-01-05 2017-05-17 大连理工大学 一种基于激光数据的导航标识图识别方法
CN106708043A (zh) * 2016-12-13 2017-05-24 北京航空航天大学 一种在复杂地图下改进Visual Graph的方法
CN106767820A (zh) * 2016-12-08 2017-05-31 立得空间信息技术股份有限公司 一种室内移动定位与制图方法
CN106719551A (zh) * 2016-12-30 2017-05-31 浙江科技学院 一种自动规划路径农药喷洒无人机系统及其控制方法
CN106774294A (zh) * 2015-11-20 2017-05-31 沈阳新松机器人自动化股份有限公司 一种移动机器人虚拟墙设计方法
CN106846484A (zh) * 2017-02-20 2017-06-13 深圳市唯特视科技有限公司 一种基于双视图三维重建的食物体积估计方法
CN106908052A (zh) * 2017-02-09 2017-06-30 北京光年无限科技有限公司 用于智能机器人的路径规划方法及装置
CN106918819A (zh) * 2017-03-28 2017-07-04 奇瑞汽车股份有限公司 一种激光雷达点云数据障碍检测算法
CN106949893A (zh) * 2017-03-24 2017-07-14 华中科技大学 一种三维避障的室内机器人导航方法和系统
CN107065872A (zh) * 2017-04-11 2017-08-18 珠海市微半导体有限公司 智能机器人的栅格地图创建方法
US20170344015A1 (en) * 2016-05-24 2017-11-30 Baidu Online Network Technology (Beijing) Co., Ltd. Driverless vehicle, method, apparatus and system for positioning driverless vehicle
CN107436148A (zh) * 2016-05-25 2017-12-05 深圳市朗驰欣创科技股份有限公司 一种基于多地图的机器人导航方法及装置

Patent Citations (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160030122A1 (en) * 2007-03-01 2016-02-04 Titan Medical Inc. Methods, systems and devices for three dimensional input and control methods and systems based thereon
WO2009148672A1 (en) * 2008-03-13 2009-12-10 Battelle Energy Alliance, Llc System and method for seamless task-directed autonomy for robots
CN101266694A (zh) * 2008-04-28 2008-09-17 武汉大学 一种单站地面激光扫描点云的构网方法
CN101833699A (zh) * 2009-03-12 2010-09-15 北京博懋易通科技有限公司 一种用于船舶航线设计的启发式航段寻径方法
KR20100110144A (ko) * 2009-04-02 2010-10-12 이한영 가상벽 생성 시스템
CN102053249A (zh) * 2009-10-30 2011-05-11 吴立新 基于激光扫描和序列编码图形的地下空间高精度定位方法
CN103576680A (zh) * 2012-07-25 2014-02-12 中国原子能科学研究院 一种机器人路径规划方法及装置
CN102880178A (zh) * 2012-08-23 2013-01-16 群耀光电科技（苏州）有限公司 虚拟墙系统
US20140063232A1 (en) * 2012-09-05 2014-03-06 Google Inc. Construction Zone Sign Detection
CN103076802A (zh) * 2012-10-09 2013-05-01 江苏大学 机器人虚拟边界建立与识别方法及系统
CN103884330A (zh) * 2012-12-21 2014-06-25 联想(北京)有限公司 信息处理方法、可移动电子设备、引导设备和服务器
US20140324249A1 (en) * 2013-03-19 2014-10-30 Alberto Daniel Lacaze Delayed Telop Aid
CN103389103A (zh) * 2013-07-03 2013-11-13 北京理工大学 一种基于数据挖掘的地理环境特征地图构建与导航方法
CN103400416A (zh) * 2013-08-15 2013-11-20 东南大学 一种基于概率多层地形的城市环境机器人导航方法
CN103558856A (zh) * 2013-11-21 2014-02-05 东南大学 动态环境下服务动机器人导航方法
WO2015165266A1 (zh) * 2014-04-29 2015-11-05 百度在线网络技术（北京）有限公司 自主导航方法及系统和地图建模方法及系统
CN104318622A (zh) * 2014-10-25 2015-01-28 大连理工大学 一种室内场景非均匀三维点云数据的三角网格建模方法
CN104484522A (zh) * 2014-12-11 2015-04-01 西南科技大学 一种基于现实场景的机器人模拟演练系统的构建方法
CN104657981A (zh) * 2015-01-07 2015-05-27 大连理工大学 一种移动机器人运动中三维激光测距数据动态补偿方法
WO2016138567A1 (en) * 2015-03-05 2016-09-09 Commonwealth Scientific And Industrial Research Organisation Structure modelling
US20160271795A1 (en) * 2015-03-18 2016-09-22 Irobot Corporation Localization and Mapping Using Physical Features
CN104898660A (zh) * 2015-03-27 2015-09-09 中国科学技术大学 一种提高机器人路径规划效率的室内地图构建方法
CN104914863A (zh) * 2015-05-13 2015-09-16 北京理工大学 一种一体式无人运动平台环境理解系统及其工作方法
CN106598039A (zh) * 2015-10-14 2017-04-26 山东鲁能智能技术有限公司 一种基于激光雷达的变电站巡检机器人避障方法
CN106774294A (zh) * 2015-11-20 2017-05-31 沈阳新松机器人自动化股份有限公司 一种移动机器人虚拟墙设计方法
CN105509748A (zh) * 2015-12-29 2016-04-20 深圳先进技术研究院 机器人的导航方法及装置
CN105606103A (zh) * 2016-02-22 2016-05-25 江苏信息职业技术学院 一种机器人矿井作业路径规划方法
CN106406338A (zh) * 2016-04-14 2017-02-15 中山大学 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法
CN106052674A (zh) * 2016-05-20 2016-10-26 青岛克路德机器人有限公司 一种室内机器人的slam方法和系统
US20170344015A1 (en) * 2016-05-24 2017-11-30 Baidu Online Network Technology (Beijing) Co., Ltd. Driverless vehicle, method, apparatus and system for positioning driverless vehicle
CN107436148A (zh) * 2016-05-25 2017-12-05 深圳市朗驰欣创科技股份有限公司 一种基于多地图的机器人导航方法及装置
CN106289232A (zh) * 2016-07-24 2017-01-04 广东大仓机器人科技有限公司 一种基于深度传感器的机器人避障方法
CN106199558A (zh) * 2016-08-18 2016-12-07 宁波傲视智绘光电科技有限公司 障碍物快速检测方法
CN106092104A (zh) * 2016-08-26 2016-11-09 深圳微服机器人科技有限公司 一种室内机器人的重定位方法及装置
CN106650640A (zh) * 2016-12-05 2017-05-10 浙江大学 一种基于激光雷达点云局部结构特征的负障碍物检测方法
CN106767820A (zh) * 2016-12-08 2017-05-31 立得空间信息技术股份有限公司 一种室内移动定位与制图方法
CN106708043A (zh) * 2016-12-13 2017-05-24 北京航空航天大学 一种在复杂地图下改进Visual Graph的方法
CN106600697A (zh) * 2016-12-13 2017-04-26 东北大学 一种面向3d场景的导航网格地图表示方法
CN106719551A (zh) * 2016-12-30 2017-05-31 浙江科技学院 一种自动规划路径农药喷洒无人机系统及其控制方法
CN106679671A (zh) * 2017-01-05 2017-05-17 大连理工大学 一种基于激光数据的导航标识图识别方法
CN106908052A (zh) * 2017-02-09 2017-06-30 北京光年无限科技有限公司 用于智能机器人的路径规划方法及装置
CN106846484A (zh) * 2017-02-20 2017-06-13 深圳市唯特视科技有限公司 一种基于双视图三维重建的食物体积估计方法
CN106949893A (zh) * 2017-03-24 2017-07-14 华中科技大学 一种三维避障的室内机器人导航方法和系统
CN106918819A (zh) * 2017-03-28 2017-07-04 奇瑞汽车股份有限公司 一种激光雷达点云数据障碍检测算法
CN107065872A (zh) * 2017-04-11 2017-08-18 珠海市微半导体有限公司 智能机器人的栅格地图创建方法

Non-Patent Citations (15)

* Cited by examiner, † Cited by third party
Title
ERIK EINHORN ETAL: "Generic NDT mapping in dynamic environments and its application for lifelong SLAM", 《ROBOTICS AND AUTONOMOUS SYSTEMS》 *
P CIGNONIT, C MONTANIT AND R SCOPIGNO: "DeWall: A fast divide and conquer Delaunay triangulation algorithm in Ed", 《COMPUTER-AIDED DESIGN》 *
PARK M G ETAL: "obstacle avoidance for mobile robots using artificial potential field approach with simulated annealing", 《INDUSTRIAL ELECTRONICS》 *
TREVOR GEE ETAL: "Lidar guided stereo simultaneous localization and mapping (SLAM) for UAV outdoor 3-D scene reconstruction", 《2016 INTERNATIONAL CONFERENCE ON IMAGE AND VISION COMPUTING NEW ZEALAND》 *
YUKI TARUTOKO ETAL: "Topological Map Generation based on Delaunay Triangulation for Mobile Robot", 《SICE-ICASE INTERNATIONAL JOINT CONFERENCE 2006》 *
刘丽等: "移动机器人的智能导航研究", 《计算机仿真》 *
吕琼琼: "激光雷达点云数据的三维建模技术", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
啜国明: "无人驾驶智能车三维环境建模与地图构建", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
孙康: "三维激光彩色扫描测距系统设计与三维点云模型重建", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
庄严等: "移动机器人基于三维激光测距的室内场景认知", 《自动化学报》 *
张勤: "基于信息融合的移动机器人三维环境建模技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *
王方建等: "基于地面激光扫描数据的建筑物边界规则化方法研究", 《红外与毫米波学报》 *
罗胜等: "机载LiDAＲ点云的Delaunay三角网快速生成算法", 《海洋测绘》 *
薛金林等: "基于激光雷达的农业机器人导航控制研究", 《农用机械学报》 *
闫飞等: "基于拓扑高程模型的室外三维环境建模与路径规划", 《自动化学报》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111358360A (zh) * 2018-12-26 2020-07-03 珠海市一微半导体有限公司 机器人避免线缠绕的方法、装置和芯片及扫地机器人
CN111358360B (zh) * 2018-12-26 2021-08-24 珠海市一微半导体有限公司 机器人避免线缠绕的方法、装置和芯片及扫地机器人
CN109855626A (zh) * 2019-02-14 2019-06-07 上海赛图计算机科技股份有限公司 一种基于扫描线的室内地图路网生成方法
CN110174112A (zh) * 2019-07-01 2019-08-27 北京洛必德科技有限公司 一种用于移动机器人自动建图任务的路径优化方法
CN110174112B (zh) * 2019-07-01 2020-03-06 北京洛必德科技有限公司 一种用于移动机器人自动建图任务的路径优化方法
CN111060104A (zh) * 2019-12-13 2020-04-24 杭州昕华信息科技有限公司 一种机器人巡视区域确定方法、装置、介质及设备
CN111026136A (zh) * 2020-03-11 2020-04-17 广州赛特智能科技有限公司 基于监控设备的港口无人驾驶清扫车智能调度方法及装置
CN111839360A (zh) * 2020-06-22 2020-10-30 珠海格力电器股份有限公司 扫地机数据处理方法、装置、设备及计算机可读介质
CN111839360B (zh) * 2020-06-22 2021-09-14 珠海格力电器股份有限公司 扫地机数据处理方法、装置、设备及计算机可读介质
WO2021258698A1 (zh) * 2020-06-22 2021-12-30 珠海格力电器股份有限公司 扫地机数据处理方法、装置、设备及计算机可读介质
CN112002011A (zh) * 2020-08-14 2020-11-27 广州掌淘网络科技有限公司 确定商圈边界的方法及设备
CN113465588A (zh) * 2021-06-09 2021-10-01 丰疆智能科技股份有限公司 导航虚拟墙的自动生成方法、装置、电子设备及存储介质
WO2022257809A1 (zh) * 2021-06-09 2022-12-15 丰疆智能科技股份有限公司 导航虚拟墙的自动生成方法、装置、电子设备及存储介质
CN114545938A (zh) * 2022-02-17 2022-05-27 上海擎朗智能科技有限公司 一种路径规划方法、装置、机器人及存储介质
CN116841300A (zh) * 2023-08-31 2023-10-03 未岚大陆(北京)科技有限公司 工作地图生成方法、作业方法、控制方法和相关装置
CN116841300B (zh) * 2023-08-31 2023-12-19 未岚大陆(北京)科技有限公司 工作地图生成方法、作业方法、控制方法和相关装置

Also Published As

Publication number Publication date
CN108334080B (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN108334080A (zh) 一种针对机器人导航的虚拟墙自动生成方法
CN109541634B (zh) 一种路径规划方法、装置和移动设备
CN109828607B (zh) 一种面向不规则障碍物的无人机路径规划方法及系统
CN110531760B (zh) 基于曲线拟合和目标点邻域规划的边界探索自主建图方法
US11880208B2 (en) Method for drivable area detection and autonomous obstacle avoidance of unmanned haulage equipment in deep confined spaces
Schwesinger et al. Automated valet parking and charging for e-mobility
CN108763287A (zh) 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法
CN106017472A (zh) 全局路线规划方法、全局路线规划系统及无人机
Johns et al. Autonomous dry stone: On-site planning and assembly of stone walls with a robotic excavator
Jaspers et al. Multi-modal local terrain maps from vision and lidar
De Gregorio et al. Skimap: An efficient mapping framework for robot navigation
Guo et al. An improved a-star algorithm for complete coverage path planning of unmanned ships
CN112184736A (zh) 一种基于欧式聚类的多平面提取方法
Liu et al. Real-time 6d lidar slam in large scale natural terrains for ugv
CN112987749A (zh) 一种智能割草机器人混合路径规划方法
CN113345008A (zh) 一种考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法
CN110244716A (zh) 一种基于波前算法的机器人探索的方法
JP6810432B2 (ja) 物体の条件に応じてモードを切り換えることができるｃｎｎ基盤で軍事目的、スマートフォン又は仮想走行に使用される疑似３ｄバウンディングボックスを検出する方法及びこれを利用した装置
CN108387240B (zh) 一种多层次六边形网格地图的构建方法
Li et al. Improving autonomous exploration using reduced approximated generalized voronoi graphs
Han et al. Fully convolutional neural networks for road detection with multiple cues integration
Ma et al. Mobile robot multi-resolution full coverage path planning algorithm
Hongbo et al. Relay navigation strategy study on intelligent drive on urban roads
CN111580563B (zh) 一种基于种子搜索的无人机自主避障飞行方法
CN114839975A (zh) 一种自主探索式语义地图构建方法及系统

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