CN109190704A - 障碍物检测的方法及机器人 - Google Patents

Abstract

本申请公开了一种障碍物检测的方法及机器人，其中障碍物检测的方法包括：采集机器人当前所处周围环境的点云；在周围环境的点云中分割出障碍物点云；将障碍物点云进行聚类而得到对应于不同障碍物的障碍物子点云；根据不同障碍物各自的障碍物子点云确定周围环境中的障碍物信息，通过上述方法，能够实时地完成对障碍物的检测。

Description

障碍物检测的方法及机器人

技术领域

本申请涉及机器人技术领域，特别是涉及一种障碍物检测的方法及机器人。

背景技术

下肢外骨骼机器人的主要应用对象是下肢失能人群和负重作业人群。目前，我国就存在着数以百万计的下肢失能人群，并且随着老龄化程度的加剧，这个群体的数量仍在快速增加。而下肢外骨骼机器人可以有效地帮助下肢失能人群恢复行走能力，同时也能够避免负重作业人员的运动损伤，其不仅拥有强烈的应用需求，也具有重要的经济意义和社会意义。

目前对下肢外骨骼机器人样机本身的研究已经比较成熟，下肢外骨骼机器人的机械结构、驱动控制系统都在日渐完善。但是，通过计算机视觉技术来进行周围环境的障碍物检测，以辅助下肢外骨骼机器人执行步态规划、轨迹规划的研究并不多，但是障碍物检测功能对于实现下肢外骨骼机器人的自主决策又是一个必不可少的环节。

本申请的发明人在长期的研究中发现，现有采用立体视觉进行环境建模的方法计算开销大、实时性差，采用视差图的方法精度低、噪声大，采用特征点匹配的方法建出的三维模型过于稀疏、信息损失严重，并且对于纹理信息不够丰富的环境，不论是特征点匹配还是视差图计算，都会失效。而使用激光雷达的方法，首先成本很高，二是激光雷达并不适用于下肢外骨骼机器人这种存在明显的高低起伏、倾角变化的运动模式下的障碍物检测任务，而多线激光扫描雷达造价昂贵，且体积大、笨重，所以采用激光雷达的方案也不适用于下肢外骨骼机器人的障碍物检测任务。因此采用传统的立体视觉系统或者激光雷达检测障碍物并不适用于下肢外骨骼机器人的应用场景和应用需求。

发明内容

有鉴于此，本申请提供一种障碍物检测的方法及机器人，能够实时地完成对障碍物的检测。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种障碍物检测的方法，包括：

采集机器人当前所处周围环境的点云；

在所述周围环境的点云中分割出障碍物点云；

将所述障碍物点云进行聚类而得到对应于不同障碍物的障碍物子点云；

根据所述不同障碍物各自的障碍物子点云确定所述周围环境中的障碍物信息。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种机器人，包括：传感器以及处理器，所述传感器耦接所述处理器；

所述传感器用于采集机器人周围环境的点云；

所述处理器用于在所述周围环境的点云中分割出障碍物点云，并将所述障碍物点云进行聚类而得到对应于不同障碍物的障碍物子点云，进一步根据所述不同障碍物各自的障碍物子点云确定所述周围环境中的障碍物信息。

有益效果是：本申请中障碍物检测的方法包括：采集机器人当前所处周围环境的点云；在周围环境的点云中分割出障碍物点云；将障碍物点云进行聚类而得到对应于不同障碍物的障碍物子点云；根据不同障碍物各自的障碍物子点云确定周围环境中的障碍物信息，上述方法通过得到对应于不同障碍物的障碍物子点云而确定周围环境中的障碍物信息，能够实时地完成对障碍物的检测。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：

图1是本申请障碍物检测的方法一实施方式的流程示意图；

图2是本申请障碍物检测的方法另一实施方式中步骤S110的流程示意图；

图3是图2中步骤S111在一应用场景中的流程示意图；

图4是本申请障碍物检测的方法另一实施方式中步骤S120的流程示意图；

图5是图4中步骤S124在一应用场景中的流程示意图；

图6是本申请障碍物检测的方法另一实施方式中步骤S130的流程示意图；

图7是本申请机器人一实施方式的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参阅图1，图1是本申请障碍物检测的方法一实施方式的流程示意图，该方法包括：

S100：采集机器人当前所处周围环境的点云。

采集机器人所处周围环境中物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为点云，具体地，拍摄机器人当前所处周围环境的照片后而采集当前所处环境的点云，其中机器人可以是下肢外骨骼机器人、扫地机器人等设备。其中，在某些应用场景中，点云除了包括采样点的三维坐标信息外，还包括颜色信息和/或反射强度信息。

其中，由于机器人所处周围环境中的点云较多，为了减少计算量，在一应用场景中，可以只采集机器人前进方向上的点云，或者结合机器人自身的处理能力而采集机器人前进方向上部分空间内的点云。

S110：在周围环境的点云中分割出障碍物点云。

机器人所处的环境中一般包括地面和凸出地面的障碍物，在步骤S100中得到周围环境的点云后，可根据各个点之间的距离分割出属于障碍物的点云，以便后续根据障碍物的点云检测障碍物。

其中，可以将周围环境的点云具体分为地面点云以及障碍物点云。

S120：将障碍物点云进行聚类而得到对应于不同障碍物的障碍物子点云。

不同的障碍物在空间上具有不连续性，其形成不同的团簇，所以将障碍物点云进行聚类能够得到对应于不同障碍物的障碍物子点云。

S130：根据不同障碍物各自的障碍物子点云确定周围环境中的障碍物信息。

障碍物信息包括障碍物的数量、障碍物与机器人的距离、障碍物的方位等信息。由于点云中包括采样点的三维坐标信息，因此能够通过障碍物各自的障碍物子点云确定周围环境中的障碍物信息，以便后续为机器人的步幅及路径规划提供实时的参考信息。

从上述内容可以看出，通过采集机器人所处周围环境的点云，能够实时地检测出障碍物。

其中，在一应用场景中，使用深度相机采集机器人当前所处周围环境的点云，其中该深度相机可以安装在机器人上。当然其他应用场景中还可以采用其他传感器采集点云，例如双目相机或者三维激光雷达等。

参阅图2，图2是本申请障碍物检测的方法另一实施方式中步骤S110的流程示意图，在该实施方式中，步骤S110包括：

S111：根据周围环境的点云建立地面模型。

在本实施方式中，假设地面是平坦的，通过周围环境的点云拟合出地面模型。

S112：将到地面模型的欧式距离大于第一距离阈值的点确定为障碍物点云中的点，从而实现在周围环境的点云中确定障碍物点云。

在得到地面模型后，地面模型中的点构成地面点云，此时计算不属于地面点云中的点到地面模型的欧式距离，并将欧式距离大于第一距离阈值的点确定为障碍物点云中的点，也就是说，通过简单的距离阈值分割，就可以得到地面凸起的障碍物的点云，其中第一距离阈值可由设计人员根据实际进行设置，在此不做限制。

在一应用场景中，步骤S111使用随机抽样一致性算法根据周围环境的点云而建立地面模型，如图3所示，图3是该应用场景中步骤S111的流程示意图，步骤S111中使用随机抽样一致性算法根据周围环境的点云而建立地面模型，包括：

S1111：从周围环境的点云中随机抽取一点云子集，并利用点云子集计算一平面模型。

S1112：将点云子集以外且到平面模型的欧式距离小于第二距离阈值的点添加到点云子集内，并在点云子集内的点数量大于预设的数量阈值后利用点云子集更新平面模型。

S1113：计算点云子集内的点到平面模型的平均距离，并获取已存储的平面模型和平均距离。

S1114：若计算获得的平均距离小于已保存的平均距离，则利用计算获得的平面模型和平均距离替代已存储的平面模型和平均距离，否则，则保留已存储的平面模型和平均距离，随后返回从周围环境的点云中随机抽取一点云子集，并利用点云子集计算一平面模型的步骤，直至满足迭代条件，并将已保存的平面模型作为地面模型。

具体地，将步骤S100中采集到的周围环境的点云表示为：P＝{P₁P₂…P_H*W}，其中H为拍摄的图像的高度，W为拍摄的图像的宽度，其中，P_i＝(x_iy_iz_i)^T,i＝1,2,…W*H表示的是点云中的一点。

在步骤S1111中，从点云P中随机抽取一个由n个点组成的点云子集P_sub＝(P₁P₂…P_n)，利用该点云子集P_sub建立一平面模型L，其中，可使用最小二乘法拟合出平面模型L。

在步骤S1112中，计算差集Q＝P-P_sub中的每一个点距离平面模型L的距离，即计算点云子集P_sub以外的点到平面L的距离，如果一个点P距离平面L的欧式距离小于第二距离阈值D_thresh，则将P添加到P_sub中而得到新的集合P′_sub，如果新集合P′_sub中的点数量(势)大于预设的数量阈值N_thresh，则更新平面模型，即重新以新的集合P′_sub计算出新的平面模型L’，其中可使用最小二乘法建立新的集合P′_sub。

在步骤S1113中，计算集合P′_sub内的点到平面模型L’的平均距离，记作D_AvgErr，并获取已存储的平面模型L_fit和平均距离D_fit。

在步骤S1114中，如果未获取到存储的平面模型L_fit和平均距离D_fit，即如果是第一次计算D_AvgErr，则记D_fit＝D_AvgErr，L_fit＝L’；如果不是第一次计算D_AvgErr，即已经有存储的平面模型L_fit和平均距离D_fit，则比较D_AvgErr与D_fit的大小关系，如果D_AvgErr<D_fit，则更新D_fit＝D_AvgErr，L_fit＝L’，即利用计算获得的平面模型L’和平均距离D_AvgErr替代已存储的平面模型L_fit和平均距离D_fit，否则不更新D_fit和L_fit，即保留已存储的平面模型L_fit和平均距离D_fit。

回到步骤S1111，即循环执行步骤S1111～S1114直至满足迭代条件，最后将已保存的平面模型L_fit作为地面模型，即将最新的平面模型L_fit作为地面模型，其中满足迭代条件可以是满足迭代次数，即循环执行步骤S1111～S1114的次数满足预设的次数阈值。

参阅图4，图4是本申请障碍物检测的方法另一实施方式中步骤S120的流程示意图，在该实施方式中，步骤S120以欧式距离作为聚类度量，使用层次聚类算法将障碍物点云进行聚类，从而得到不同障碍物各自的障碍物子点云，具体地，步骤S120包括：

S121：使用KD树表示障碍物点云。

KD树是K-dimension tree的缩写，是对数据点在多维空间划分的一种数据结构，应用于多维空间内关键数据的搜索，能够加快查找数据的速度。

S122：在障碍物点云中随机确定一个未经聚类的点。

S123：在障碍物点云的KD树中查找距离未经聚类的点最近的第一预设数量的点。

S124：在第一预设数量的点中查找与未经聚类的点之间的欧式距离满足预设要求的点，并基于满足预设要求的点进行层次聚类，从而形成对应的障碍物子点云。

S125：返回障碍物点云中随机确定一个未经聚类的点的步骤，直至障碍物点云中不存在未经聚类的点，从而得到不同障碍物各自的障碍物子点云。

具体地，将障碍物点云记作B＝{b₁b₂…b_t}，在障碍物点云B中随机确定一个未经聚类的点b₁₀，利用KD树的邻近点查找功能，查找距离未经聚类的点b₁₀最近的n个点，即最近的第一预设数量的点，在该n个点中查找与未经聚类的点b₁₀之间的欧式距离满足要求的点，其中满足要求可以指的是与未经聚类的点b₁₀的欧式距离小于预设的第三距离阈值，从而基于满足预设要求的点进行层次聚类而形成对应的障碍物子点云，也就是说，此时形成了对应一个障碍物的障碍物子点云。

返回步骤S122，即多次执行步骤S122至步骤S125直至障碍物点云中不存在未经聚类的点，最终得到不同障碍物各自的障碍物子点云，也就是说，此时完成了对障碍物点云的聚类而得到不同障碍物的障碍物子点云。

参阅图5，图5是图4中步骤S124在一应用场景中的流程示意图，在该应用场景中，步骤S124包括：

S1241：将满足预设要求的点添加对应的障碍物子点云。

S1242：在障碍物点云的KD树中查找距离障碍物子点云内的添加点最近的第二预设数量的点。

S1243：在第二预设数量的点中查找与添加点之间的欧式距离满足预设要求的点，并返回将满足预设要求的点添加对应的障碍物点云子的步骤，直至在对应的障碍物点云子中无法再添加新的添加点。

具体地，当步骤S124在n个点中找到与未经聚类的点b₁₀之间的欧式距离满足要求的点后，将该满足要求的点加入障碍物子点云Q，在Q/b₁₀中取一个点b₂₀，即取一个添加点，利用KD树的查找功能在距离b₂₀最近的m个点(即最近的第二预设数量的点)中查找与添加点b₂₀之间的欧式距离满足预设要求的点(该预设要求可以是与b₂₀之间的距离小于第四距离阈值，其中第四距离阈值可与第三距离阈值相等)，并将满足预设要求的点加入障碍物子点云Q，在集合Q/{b₁₀，b₂₀}中取一个点b₃₀，即取一个添加点，利用KD树的查找功能在距离b₂₀最近的m个点(即最近的第二预设数量的点)中查找与添加点b₂₀之间的欧式距离满足预设要求的点，并将满足预设要求的点加入障碍物子点云Q，在集合Q/{b₁₀，b₂₀，b₃₀}中取一个点b₄₀，……，在集合Q/{b₁₀，b₂₀，b₃₀，b₄₀}中取一个点b₅₀，……，即重新执行步骤S1242以及S1243，直至障碍物子点云Q无法再添加新的添加点，从而得到对应一个障碍物的障碍物子点云Q，其中第二预设数量可与第一预设数量相同，即m＝n。

参阅图6，图6是本申请障碍物检测的方法另一实施方式中步骤S130的流程示意图，在该实施方式中，步骤S130包括：

S131：在障碍物各自的障碍物子点云中查找与机器人距离最近的点。

S132：根据与机器人距离最近的点确定周围环境中的障碍物信息。

具体地，以距离机器人最近的点相对机器人的位置作为障碍物相对机器人的位置，例如，以最近的点距离机器人的距离作为该点所属障碍物距离机器人的距离，以最近的点相对机器人的角度作为该点所属障碍物相对机器人的角度，以便后续为机器人的步幅及路径规划提供实时的参考信息。

参阅图7，图7是本申请机器人一实施方式的结构示意图，在该实施方式中，机器人20包括：传感器21以及处理器22。

处理器22耦接传感器21，传感器21用于采集机器人20周围环境的点云。

处理器22用于在周围环境的点云中分割出障碍物点云，并将障碍物点云进行聚类而得到对应于不同障碍物的障碍物子点云，进一步根据不同障碍物各自的障碍物子点云确定周围环境中的障碍物信息。

本实施方式中的机器人可以是下肢外骨骼机器人、扫地机器人等设备，在此不做限制，具体地，机器人20可采用上述任一项实施方式中障碍物检测的方法实时检测所处周围环境中的障碍物，以便为机器人20的步幅以及路径规划提供实时的参考信息，其中障碍物检测的方法可参见上述实施方式，在此不做赘述。

总而言之，区别于现有技术的情况，本申请中障碍物检测的方法通过得到对应于不同障碍物的障碍物子点云而确定周围环境中的障碍物信息，能够实时地完成对障碍物的检测。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种障碍物检测的方法，其特征在于，所述方法包括：

采集机器人当前所处周围环境的点云；

在所述周围环境的点云中分割出障碍物点云；

将所述障碍物点云进行聚类而得到对应于不同障碍物的障碍物子点云；

根据所述不同障碍物各自的障碍物子点云确定所述周围环境中的障碍物信息。

2.根据权利要求1所述的方法，其特征在于，所述采集机器人当前所处周围环境的点云的步骤包括：

使用深度相机采集所述机器人当前所处周围环境的点云。

3.根据权利要求1所述的方法，其特征在于，所述在所述周围环境的点云中分割出障碍物点云的步骤包括：

根据所述周围环境的点云建立地面模型；

将到所述地面模型的欧式距离大于第一距离阈值的点确定为障碍物点云中的点，从而实现在所述周围环境的点云中确定障碍物点云。

4.根据权利要求3所述的方法，其特征在于，所述根据所述周围环境的点云建立地面模型的步骤包括：

使用随机抽样一致性算法根据所述周围环境的点云而建立所述地面模型。

5.根据权利要求4所述的方法，其特征在于，所述使用随机抽样一致性算法根据所述周围环境的点云而建立所述地面模型的步骤包括：

从所述周围环境的点云中随机抽取一点云子集，并利用所述点云子集计算一平面模型；

将所述点云子集以外且到所述平面模型的欧式距离小于第二距离阈值的点添加到所述点云子集内，并在所述点云子集内的点数量大于预设的数量阈值后利用所述点云子集更新所述平面模型；

计算所述点云子集内的点到所述平面模型的平均距离，并获取已存储的平面模型和平均距离；

若计算获得的平均距离小于已保存的平均距离，则利用计算获得的平面模型和平均距离替代已存储的平面模型和平均距离，否则，则保留所述已存储的平面模型和平均距离，随后返回所述从所述周围环境的点云中随机抽取一点云子集，并利用所述点云子集计算一平面模型的步骤，直至满足迭代条件，并将已保存的平面模型作为所述地面模型。

6.根据权利要求1所述的方法，其特征在于，所述将所述障碍物点云进行聚类而得到对应于不同障碍物的障碍物子点云的步骤包括：

以欧式距离作为聚类度量，使用层次聚类算法将所述障碍物点云进行聚类，从而得到不同障碍物各自的障碍物子点云。

7.根据权利要求6所述的方法，其特征在于，所述以欧式距离作为聚类度量，使用层次聚类算法将所述障碍物点云进行聚类，从而得到不同障碍物各自的障碍物子点云的步骤包括：

使用KD树表示所述障碍物点云；

在所述障碍物点云中随机确定一个未经聚类的点；

在所述障碍物点云的所述KD树中查找距离所述未经聚类的点最近的第一预设数量的点；

在所述第一预设数量的点中查找与所述未经聚类的点之间的欧式距离满足预设要求的点，并基于所述满足预设要求的点进行层次聚类，从而形成对应的障碍物子点云；

返回在所述障碍物点云中随机确定一个未经聚类的点的步骤，直至所述障碍物点云中不存在未经聚类的点，从而得到不同障碍物各自的障碍物子点云。

8.根据权利要求7所述的方法，其特征在于，所述在所述第一预设数量的点中查找与所述未经聚类的点之间的欧式距离满足预设要求的点，并基于所述满足预设要求的点进行层次聚类，从而形成对应的障碍物子点云的步骤包括：

将满足所述预设要求的点添加对应的障碍物子点云；

在所述障碍物点云的所述KD树中查找距离所述障碍物子点云内的添加点最近的第二预设数量的点；

在所述第二预设数量的点中查找与所述添加点之间的欧式距离满足所述预设要求的点，并返回所述将满足预设要求的点添加对应的障碍物点云子的步骤，直至在所述对应的障碍物点云子中无法再添加新的添加点。

9.根据权利要求1所述的方法，其特征在于，所述根据所述不同障碍物各自的障碍物子点云确定所述周围环境中的障碍物信息的步骤包括：

在所述障碍物各自的障碍物子点云中查找与所述机器人距离最近的点；

根据所述与所述机器人距离最近的点确定所述周围环境中的障碍物信息。

10.一种机器人，其特征在于，所述机器人包括：传感器以及处理器，所述传感器耦接所述处理器；

所述传感器用于采集机器人周围环境的点云；

所述处理器用于在所述周围环境的点云中分割出障碍物点云，并将所述障碍物点云进行聚类而得到对应于不同障碍物的障碍物子点云，进一步根据所述不同障碍物各自的障碍物子点云确定所述周围环境中的障碍物信息。