CN109579848A - 一种保持全局路径下机器人的中间规划方法 - Google Patents
一种保持全局路径下机器人的中间规划方法 Download PDFInfo
- Publication number
- CN109579848A CN109579848A CN201811612622.4A CN201811612622A CN109579848A CN 109579848 A CN109579848 A CN 109579848A CN 201811612622 A CN201811612622 A CN 201811612622A CN 109579848 A CN109579848 A CN 109579848A
- Authority
- CN
- China
- Prior art keywords
- path
- patrol
- point
- planning
- return
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Abstract
本发明涉及一种保持全局路径下机器人的中间规划方法。采用单镜头多盒检测器(SSD)和核相关滤波器(KCF)跟踪算法进行工作路径规划,具体是巡逻机器人延全局规划层规划的巡逻路径进行巡逻,为了对周边目标进行探测和跟踪,会偏离巡逻路径进行巡逻,在返回到巡逻路径之前所走的路径包括两个部分,包含遍历路径(也称为工作路径)和返回路径,本发明利用ROS中间规划层,在不偏离全局规划路径的情况下,可以在不增加成本的情况下更快速获取语义信息,并规划出与机器人行为一致的工作路径,在工作路径上对目标对象进行相关处理后还能返回巡逻路径。能够规划出一条工作路径满足既不偏离全局路径又能尽可能多逼近多个目标的巡逻要求。
Description
技术领域
本发明属于人工智能机器人领域,尤其涉及一种保持全局路径下的机器人目标语义巡逻规划方法。
背景技术
随着人工智能机器人的发展,对机器人的需求也在不断增多。机器人巡逻的基本功能是进行路径规划。ROS的全局规划和局部规划功能已很成熟。全局规划负责在已知地图上进行整体路径规划,局部规划负责规划具体行动路径。目前,普通机器人在巡逻时遇到如行人或者汽车之类的障碍物时只能避障或绕行。无法快速获取目标语义,也无法规划出实时识别跟踪目标对象的工作路径,更不能在跟踪处理后再次返回到巡逻路径。不能满足有效识别跟踪目标对象的要求。
发明内容
本发明针对普通机器人在遇到障碍物时只能避障和绕行等不足之处,提供一种在机器人操作系统ROS的全局规划与局部规划模块之中建立的,用于机器人实时识别全局路径附近目标语义、逼近目标且不偏离全局路径的中间规划方法。该方法使机器人在不偏离全局规划路径的条件下,基于单镜头多盒检测器(SSD)和核相关滤波器(KCF)跟踪算法并将两者组合在嵌入式系统中,能够获取目标语义,实现目标快速识别并标记为特定点,通过A-star算法找到一条工作路径,并能返回最初的巡逻路径。当全局路径周边出现多个目标时,本方法可以根据连续多个目标的位置与全局路径的位置关系,进行动态调整;当个别目标偏离全局路径太远时,本方法会根据目标位置和全局路径的位置关系,放弃该目标的巡逻,从而规划处一条工作路径以达到既不偏离全局路径又能尽可能多接近多个目标的巡逻效果。
本发明目的在于提出机器人操作系统ROS中间规划层,基于单镜头多盒检测器(SSD)和核相关滤波器(KCF)跟踪算法两者融合,实现快速获取目标语义并标记为特定点,根据特定点重新规划不偏离全局路径的工作路径,以实现机器人实时识别跟踪目标对象。最后基于A-star算法得到返回路径,实现机器人在识别跟踪目标对象后继续返到全局规划层给出的巡逻路径上。
本发明采用如下技术方案:
一种保持全局路径下机器人的中间规划方法,其特征在于,采用单镜头多盒检测器(SSD)和核相关滤波器(KCF)跟踪算法进行工作路径规划,具体是巡逻机器人延全局规划层规划的巡逻路径进行巡逻,为了对周边目标进行探测和跟踪,会偏离巡逻路径进行巡逻,在返回到巡逻路径之前所走的路径包括两个部分,包含遍历路径(也称为工作路径)和返回路径,并基于以下定义:
定义1:我们需要通过检测器所发现的点被定义为特定点(SP);
定义2:由全局规划产生的或预设路径被定义为巡逻路径PR;
定义3:我们的中间规划层生成的路径分为两个部分;遍历所有特定点的路径定义为遍历路径,返回到最初巡逻路径的路径被定义为返回路径;
定义4:遍历路径的终点被定义为末尾特定点(LSP);
定义5:假设巡逻路径具有磁性,特定点是小铁球,在巡逻路径上,特定点最快降落所在点被定义为降落点(DP),如图3所示(中间);
定义6:被选为返回路径目的地的降落点被定义为返回点(RP),如图3所示(右);
定义7:地图上相机的有效扫描区域被定义为max_return;
其中:
获取遍历路径:通过SSD目标检测法获取各个目标位置点SP,并在一系列的特定点上运行A-star算法,每一个前面的终点将是下一个的起点,这样规划出一条按一定顺序覆盖各个目标的最短路径(工作路径);
获取返回路径:对SP和max-return区域内巡逻路径上的所有特定点,运行A-star算法,得到相应的降落点DP,根据末尾特定点LSP和巡逻路径上选择一个返回点DP,再次使用A-star算法得到返回路径。
在上述的一种保持全局路径下机器人的中间规划方法,获取遍历路径的具体方法是:
首先快速识别物体,SSD和KCF是机器视觉中通用的用于目标检测和跟踪算法,与其他检测方法相比,SSD输入检测的图像尺寸更小,因此SSD可以达到更快的检测速度;KCF是一种基于核相关滤波器的目标识别跟踪实时算法,其核心在于用循环矩阵加快运算并利用核函数求解非线性空间中的回归问题;运用KCF在跟踪的过程中训练目标检测器,用目标检测器检测下一帧是否为预测目标,然后通过新的测试结果更新训练集,从而更新目标检测器;岭回归训练目标检测器,线性空间的岭回归被核函数映射到非线性空间,这样简化了计算,从而提高跟踪速度;基于单镜头多盒检测器(SSD)和核相关滤波器(KCF)跟踪算法,并将两者组合在嵌入式系统中,增加了语义信息的更新频率,从而通过获取目标对象语义信息实现快速识别物体,具体基于
path=Astarseq(SP,costmap) ①
对检测到的特定点进行完整排列后,把机器人添加到起始检测点,把末尾检测点添加到每个排列的末端生成新序列的二次多项式内插SoPi,然后执行有序A-star算法并对所有结果进行比较,获取遍历路径,函数如下:
pathtraversal=minlength(Astarseq(SoPi,costmap)) ②。
在上述的一种保持全局路径下机器人的中间规划方法,获取返回路径具体方法是:首先需要得到降落点,对SP和max-return区域内巡逻路径上的所有特定点,运行A-star算法,得到相应的降落点DP,函数如下所示:
根据末尾特定点LSP和巡逻路径上选择一个返回点DP,再次使用A-star算法得到返回路径;因为从LSP直接返回到RP的路径比从LSP返回到DP再运行到RP的路径更短,LengthA是由A-star算法在LSP和DP之间算出的长度,LengthB和返回路径由以下函数计算得出:
lengthB=max_return/2>lengthA||lengthA>max_return?lengthA:max_return–lengthA ④
pathreturn=Astar(LSP,RP,costmap) ⑤。
在上述的一种保持全局路径下机器人的中间规划方法,获取遍历路径时,当全局路径周边出现多个目标时,根据连续多个目标的位置与全局路径的位置关系,每次发现新的特定点时就调用一次规划算法,算法根据机器人当前的位置和新观测到的特定点的序列输出新的规划路径,从而动态调整遍历路径。
在上述的一种保持全局路径下机器人的中间规划方法,在发现新目标时,就会判断这个目标是否偏离全局路径,根据目标位置和全局路径的位置关系做出如下判断:
判断1.完全放弃该特定点,即今后不再巡逻或者处理该点;
判断2.不纳入本次规划,即可能在未来的某次规划中纳入规划;
判断3.纳入本次规划;根据更新的遍历路径更新LSP,并计算其对应的DP,根据DP判断当前SP是否纳入本次路径规划,是否更合适作为LSP,确定LSP后,就能规划出一条工作路径以达到既不偏离全局路径又能接近多个目标的巡逻路径。
采用本发明所述方法,与普通机器人相比,利用ROS中间规划层,在不偏离全局规划路径的情况下,可以在不增加成本的情况下更快速获取语义信息,并规划出与机器人行为一致的工作路径,在工作路径上对目标对象进行相关处理后还能返回巡逻路径。能够规划出一条工作路径满足既不偏离全局路径又能尽可能多逼近多个目标的巡逻要求。
附图说明:
图1是完整流程图。
图2是获取特定点SP的ROS节点。
图3a是给定定义的示意图,包括巡逻路径,遍历路径,特定点和末尾特定点示意图。
图3b是给定定义降落点的示意图。
图3c是给定定义返回路径和返回点的示意图。
图4是ROS数据流。
图5是目标检测三种情况的实例。
图6a是案例1中间规划层如何处理密集特定点。
图6b是案例2处理被忽略的特定点的情况。
图6c是案例3发现障碍物和新的特定点(第一部分)。
图6d是案例4发现障碍物和新的特定点(第二部分)。
图6e是案例5特定点被遗弃的情况。
图6f是图例说明。
图7是20组实验的误差条形图。
图8是实验所用机器人示意图。
图9a是MATLAB仿真过程中模拟机器人的路径规划开始时的规划情况。
图9b是MATLAB仿真过程中模拟机器人的路径规划快结束时的规划情况。
图9c是MATLAB仿真过程中模拟机器人的路径规划中间时的规划情况。
图10是栅格地图中路径规划图。
图11是平面布置图中路径规划图。
具体实施方式
本发明定义了ROS中间规划层,中间规划帮助机器人实现在不偏离全局规划路径的条件下,能够按照重新规划的工作路径识别跟踪目标对象,并返回最初的巡逻路径,而不是在巡逻时遇到目标对象进行避障和绕行。
第一步:定义ROS中间规划层,基于单镜头多盒检测器(SSD)和核相关滤波器(KCF)跟踪算法并将两者融合并打包到ROS节点,在不增加成本情况下增加了语义信息的更新频率,从而通过获取目标语义实现快速识别目标对象。
第二步:通过SSD检测相机图像获取特定点SP,并在其上运行A-star算法,找出按一定顺序覆盖特定点的最短路径(即工作路径)。
第三步:对SP和max-return区域内巡逻路径上的所有特定点,运行A-star算法,得到相应的降落点DP,即SP到巡逻路径上的垂直距离点。根据末尾特定点LSP和巡逻路径上选择一个返回点DP,再次使用A-star算法得到返回路径;
具体包括:
采用单镜头多盒检测器(SSD)和核相关滤波器(KCF)跟踪算法进行工作路径规划,具体是巡逻机器人延全局规划层规划的巡逻路径进行巡逻,为了对周边目标进行探测和跟踪,会偏离巡逻路径进行巡逻,在返回到巡逻路径之前所走的路径包括两个部分,包含遍历路径(也称为工作路径)和返回路径,并基于以下定义:
定义1:我们需要通过检测器所发现的点被定义为特定点(SP);
定义2:由全局规划产生的或预设路径被定义为巡逻路径PR;
定义3:我们的中间规划层生成的路径分为两个部分;遍历所有特定点的路径定义为遍历路径,返回到最初巡逻路径的路径被定义为返回路径;
定义4:遍历路径的终点被定义为末尾特定点(LSP);
定义5:假设巡逻路径具有磁性,特定点是小铁球,在巡逻路径上,特定点最快降落所在点被定义为降落点(DP),如图3所示(中间);
定义6:被选为返回路径目的地的降落点被定义为返回点(RP),如图3所示(右);
定义7:地图上相机的有效扫描区域被定义为max_return;
其中:
获取遍历路径:通过SSD目标检测法获取各个目标位置点SP,并在一系列的特定点上运行A-star算法,每一个前面的终点将是下一个的起点,这样规划出一条按一定顺序覆盖各个目标的最短路径(工作路径);
获取返回路径:对SP和max-return区域内巡逻路径上的所有特定点,运行A-star算法,得到相应的降落点DP,根据末尾特定点LSP和巡逻路径上选择一个返回点DP,再次使用A-star算法得到返回路径。
获取遍历路径的具体方法是:
首先快速识别物体,SSD和KCF是机器视觉中通用的用于目标检测和跟踪算法,与其他检测方法相比,SSD输入检测的图像尺寸更小,因此SSD可以达到更快的检测速度;KCF是一种基于核相关滤波器的目标识别跟踪实时算法,其核心在于用循环矩阵加快运算并利用核函数求解非线性空间中的回归问题;运用KCF在跟踪的过程中训练目标检测器,用目标检测器检测下一帧是否为预测目标,然后通过新的测试结果更新训练集,从而更新目标检测器;岭回归训练目标检测器,线性空间的岭回归被核函数映射到非线性空间,这样简化了计算,从而提高跟踪速度;基于单镜头多盒检测器(SSD)和核相关滤波器(KCF)跟踪算法,并将两者组合在嵌入式系统中,增加了语义信息的更新频率,从而通过获取目标对象语义信息实现快速识别物体,具体基于
path=Astarseq(SP,costmap) ①
对检测到的特定点进行完整排列后,把机器人添加到起始检测点,把末尾检测点添加到每个排列的末端生成新序列的二次多项式内插SoPi,然后执行有序A-star算法并对所有结果进行比较,获取遍历路径,函数如下:
pathtraversal=minlength(Astarseq(SoPi,costmap)) ②。
获取返回路径具体方法是:首先需要得到降落点,对SP和max-return区域内巡逻路径上的所有特定点,运行A-star算法,得到相应的降落点DP,函数如下所示:
根据末尾特定点LSP和巡逻路径上选择一个返回点DP,再次使用A-star算法得到返回路径;因为从LSP直接返回到RP的路径比从LSP返回到DP再运行到RP的路径更短,LengthA是由A-star算法在LSP和DP之间算出的长度,LengthB和返回路径由以下函数计算得出:
lengthB=max_return/2>lengthA||lengthA>max_return?lengthA:max_return–lengthA ④
pathreturn=Astar(LSP,RP,costmap) ⑤。
获取遍历路径时,当全局路径周边出现多个目标时,根据连续多个目标的位置与全局路径的位置关系,每次发现新的特定点时就调用一次规划算法,算法根据机器人当前的位置和新观测到的特定点的序列输出新的规划路径,从而动态调整遍历路径。
在发现新目标时,就会判断这个目标是否偏离全局路径,根据目标位置和全局路径的位置关系做出如下判断:
判断1.完全放弃该特定点,即今后不再巡逻或者处理该点;
判断2.不纳入本次规划,即可能在未来的某次规划中纳入规划;
判断3.纳入本次规划;根据更新的遍历路径更新LSP,并计算其对应的DP,根据DP判断当前SP是否纳入本次路径规划,是否更合适作为LSP,确定LSP后,就能规划出一条工作路径以达到既不偏离全局路径又能接近多个目标的巡逻路径。
下面是具体案例。
对提出的“一种保持全局路径下的机器人目标语义巡逻规划方法”进行了仿真实验。实验过程和结果如下:
1.仿真情况设定:
假设某小区的局部区域有一条圆形环路,道路上分布着若干车辆,现需要对这些车辆进行巡逻调查,检查并记录是否有违停乱停现象。
一条既定的巡逻路线会提供给机器人,机器人在沿这条巡逻路线给该区域巡逻时,需要用摄像头视觉检测到车辆,并且规划路径前去拍照,再返回原巡逻路径,整个过程要保证一定的效率。
2.实验过程:
使用MATLAB编写仿真环境。首先根据设定情况生成栅格地图,既定巡逻路线和车辆位置。仿真环境每一次循环中,使机器人沿着巡逻路线向前移动一栅格,并且进行一次视觉检测和规划算法的调用,并将结果图形化输出。视觉功能由仿真环境直接提供,即在设定好的一个范围以内,如果有车辆在机器人的附近,将由仿真环境将车辆位置信息直接提供给机器人规划算法。如此单步模拟到巡逻路线最后一栅格时,停止模拟并输出相关数据。
实验共重复进行了20组,分别对应场景中出现1辆到20辆车的情况,每组实验重复100次,且车辆在合理的区域内每次都随机分布。我们记录每次实验中车辆偏移巡逻路线所产生的额外行进距离,除以检测到的车辆数,得到平均每辆车的检测所花费的额外距离,以此作为指标判断算法的运行情况。
3.实验结果:
首先抽样查看了某几次实验的最终路径输出图,算法有效地舍弃了过远的车辆,没有重复多次返回原始路径,且尽量保证不走回头路,做出了人类目测合理的规划;从数据结果上来看,随着车辆数的增加,平均检测耗费呈下降趋势,且总体稳定,证明算法有相当的稳定性。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种保持全局路径下机器人的中间规划方法,其特征在于,采用单镜头多盒检测器(SSD)和核相关滤波器(KCF)跟踪算法进行工作路径规划,具体是巡逻机器人延全局规划层规划的巡逻路径进行巡逻,为了对周边目标进行探测和跟踪,会偏离巡逻路径进行巡逻,在返回到巡逻路径之前所走的路径包括两个部分,包含遍历路径和返回路径,并基于以下定义:
定义1:我们需要通过检测器所发现的点被定义为特定点(SP);
定义2:由全局规划产生的或预设路径被定义为巡逻路径PR;
定义3:我们的中间规划层生成的路径分为两个部分;遍历所有特定点的路径定义为遍历路径,返回到最初巡逻路径的路径被定义为返回路径;
定义4:遍历路径的终点被定义为末尾特定点(LSP);
定义5:假设巡逻路径具有磁性,特定点是小铁球,在巡逻路径上,特定点最快降落所在点被定义为降落点(DP);
定义6:被选为返回路径目的地的降落点被定义为返回点(RP);
定义7:地图上相机的有效扫描区域被定义为max_return;
其中:
获取遍历路径:通过SSD目标检测法获取各个目标位置点SP,并在一系列的特定点上运行A-star算法,每一个前面的终点将是下一个的起点,这样规划出一条按一定顺序覆盖各个目标的最短路径;
获取返回路径:对SP和max-return区域内巡逻路径上的所有特定点,运行A-star算法,得到相应的降落点DP,根据末尾特定点LSP和巡逻路径上选择一个返回点DP,再次使用A-star算法得到返回路径。
2.根据权利要求1所述的一种保持全局路径下机器人的中间规划方法,其特征在于,获取遍历路径的具体方法是:
首先快速识别物体,SSD和KCF是机器视觉中通用的用于目标检测和跟踪算法,与其他检测方法相比,SSD输入检测的图像尺寸更小,因此SSD可以达到更快的检测速度;KCF是一种基于核相关滤波器的目标识别跟踪实时算法,其核心在于用循环矩阵加快运算并利用核函数求解非线性空间中的回归问题;运用KCF在跟踪的过程中训练目标检测器,用目标检测器检测下一帧是否为预测目标,然后通过新的测试结果更新训练集,从而更新目标检测器;岭回归训练目标检测器,线性空间的岭回归被核函数映射到非线性空间,这样简化了计算,从而提高跟踪速度;基于单镜头多盒检测器(SSD)和核相关滤波器(KCF)跟踪算法,并将两者组合在嵌入式系统中,增加了语义信息的更新频率,从而通过获取目标对象语义信息实现快速识别物体,具体基于
path=Astarseq(SP,costmap) ①
对检测到的特定点进行完整排列后,把机器人添加到起始检测点,把末尾检测点添加到每个排列的末端生成新序列的二次多项式内插SoPi,然后执行有序A-star算法并对所有结果进行比较,获取遍历路径,函数如下:
pathtraversal=minlength(Astarseq(SoPi,costmap)) ②。
3.根据权利要求1所述的一种保持全局路径下机器人的中间规划方法,其特征在于,获取返回路径具体方法是:首先需要得到降落点,对SP和max-return区域内巡逻路径上的所有特定点,运行A-star算法,得到相应的降落点DP,函数如下所示:
根据末尾特定点LSP和巡逻路径上选择一个返回点DP,再次使用A-star算法得到返回路径;因为从LSP直接返回到RP的路径比从LSP返回到DP再运行到RP的路径更短,LengthA是由A-star算法在LSP和DP之间算出的长度,LengthB和返回路径由以下函数计算得出:
lengthB=max_return/2>lengthA||lengthA>max_return?lengthA:max_return–lengthA ④
pathreturn=Astar(LSP,RP,costmap) ⑤。
4.根据权利要求1所述的一种保持全局路径下机器人的中间规划方法,其特征在于,获取遍历路径时,当全局路径周边出现多个目标时,根据连续多个目标的位置与全局路径的位置关系,每次发现新的特定点时就调用一次规划算法,算法根据机器人当前的位置和新观测到的特定点的序列输出新的规划路径,从而动态调整遍历路径。
5.根据权利要求1所述的一种保持全局路径下机器人的中间规划方法,其特征在于,在发现新目标时,就会判断这个目标是否偏离全局路径,根据目标位置和全局路径的位置关系做出如下判断:
判断1.完全放弃该特定点,即今后不再巡逻或者处理该点;
判断2.不纳入本次规划,即可能在未来的某次规划中纳入规划;
判断3.纳入本次规划;根据更新的遍历路径更新LSP,并计算其对应的DP,根据DP判断当前SP是否纳入本次路径规划,是否更合适作为LSP,确定LSP后,就能规划出一条工作路径以达到既不偏离全局路径又能接近多个目标的巡逻路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811612622.4A CN109579848B (zh) | 2018-12-27 | 2018-12-27 | 一种保持全局路径下机器人的中间规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811612622.4A CN109579848B (zh) | 2018-12-27 | 2018-12-27 | 一种保持全局路径下机器人的中间规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109579848A true CN109579848A (zh) | 2019-04-05 |
CN109579848B CN109579848B (zh) | 2020-03-10 |
Family
ID=65933085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811612622.4A Active CN109579848B (zh) | 2018-12-27 | 2018-12-27 | 一种保持全局路径下机器人的中间规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109579848B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706252A (zh) * | 2019-09-09 | 2020-01-17 | 西安理工大学 | 运动模型引导下的机器人核相关滤波跟踪算法 |
CN111982127A (zh) * | 2020-08-31 | 2020-11-24 | 华通科技有限公司 | LightWeight-3D避障方法 |
CN112925318A (zh) * | 2021-01-25 | 2021-06-08 | 西南交通大学 | 一种应用于智能机器人移动路径的计算方法 |
US20230128018A1 (en) * | 2021-10-27 | 2023-04-27 | Kabushiki Kaisha Toshiba | Mobile body management device, mobile body management method, mobile body management computer program product, and mobile body management system |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008013568A2 (en) * | 2005-12-30 | 2008-01-31 | Irobot Corporation | Autonomous mobile robot |
CN104914870A (zh) * | 2015-07-08 | 2015-09-16 | 中南大学 | 基于岭回归超限学习机的户外机器人局部路径规划方法 |
CN105955254A (zh) * | 2016-04-25 | 2016-09-21 | 广西大学 | 一种适用于机器人路径搜索的改进的a*算法 |
CN106020189A (zh) * | 2016-05-24 | 2016-10-12 | 武汉科技大学 | 基于邻域约束的空地异构机器人系统路径规划方法 |
CN107992052A (zh) * | 2017-12-27 | 2018-05-04 | 纳恩博(北京)科技有限公司 | 目标跟踪方法及装置、移动设备及存储介质 |
CN108908361A (zh) * | 2018-07-19 | 2018-11-30 | 安徽共生物流科技有限公司 | 一种仓库巡逻机器人系统及其巡视方法 |
CN108917747A (zh) * | 2018-08-22 | 2018-11-30 | 深圳市优博讯科技股份有限公司 | 用于移动机器人的导航系统及导航方法 |
CN108958256A (zh) * | 2018-07-23 | 2018-12-07 | 浙江优迈德智能装备有限公司 | 一种基于ssd物体检测模型的移动机器人视觉导航方法 |
CN109087331A (zh) * | 2018-08-02 | 2018-12-25 | 阿依瓦(北京)技术有限公司 | 一种基于kcf算法的运动预测方法 |
-
2018
- 2018-12-27 CN CN201811612622.4A patent/CN109579848B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008013568A2 (en) * | 2005-12-30 | 2008-01-31 | Irobot Corporation | Autonomous mobile robot |
CN104914870A (zh) * | 2015-07-08 | 2015-09-16 | 中南大学 | 基于岭回归超限学习机的户外机器人局部路径规划方法 |
CN105955254A (zh) * | 2016-04-25 | 2016-09-21 | 广西大学 | 一种适用于机器人路径搜索的改进的a*算法 |
CN106020189A (zh) * | 2016-05-24 | 2016-10-12 | 武汉科技大学 | 基于邻域约束的空地异构机器人系统路径规划方法 |
CN107992052A (zh) * | 2017-12-27 | 2018-05-04 | 纳恩博(北京)科技有限公司 | 目标跟踪方法及装置、移动设备及存储介质 |
CN108908361A (zh) * | 2018-07-19 | 2018-11-30 | 安徽共生物流科技有限公司 | 一种仓库巡逻机器人系统及其巡视方法 |
CN108958256A (zh) * | 2018-07-23 | 2018-12-07 | 浙江优迈德智能装备有限公司 | 一种基于ssd物体检测模型的移动机器人视觉导航方法 |
CN109087331A (zh) * | 2018-08-02 | 2018-12-25 | 阿依瓦(北京)技术有限公司 | 一种基于kcf算法的运动预测方法 |
CN108917747A (zh) * | 2018-08-22 | 2018-11-30 | 深圳市优博讯科技股份有限公司 | 用于移动机器人的导航系统及导航方法 |
Non-Patent Citations (1)
Title |
---|
YUJIE DU 等,: ""A Target Detection System for Mobile Robot Based On Single Shot Multibox Detector Neural Network"", 《2018 IEEE 4TH INTERNATIONAL CONFERENCE ON CONTROL SCIENCE AND SYSTEMS ENGINEERING》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706252A (zh) * | 2019-09-09 | 2020-01-17 | 西安理工大学 | 运动模型引导下的机器人核相关滤波跟踪算法 |
CN111982127A (zh) * | 2020-08-31 | 2020-11-24 | 华通科技有限公司 | LightWeight-3D避障方法 |
CN112925318A (zh) * | 2021-01-25 | 2021-06-08 | 西南交通大学 | 一种应用于智能机器人移动路径的计算方法 |
US20230128018A1 (en) * | 2021-10-27 | 2023-04-27 | Kabushiki Kaisha Toshiba | Mobile body management device, mobile body management method, mobile body management computer program product, and mobile body management system |
Also Published As
Publication number | Publication date |
---|---|
CN109579848B (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109579848A (zh) | 一种保持全局路径下机器人的中间规划方法 | |
Chen et al. | AI-empowered speed extraction via port-like videos for vehicular trajectory analysis | |
JP2020052694A (ja) | 物体検出装置、物体検出方法及び物体検出用コンピュータプログラム | |
Völz et al. | Feature relevance estimation for learning pedestrian behavior at crosswalks | |
CN107310550B (zh) | 道路交通工具行驶控制方法和装置 | |
JP7078021B2 (ja) | 物体検出装置、物体検出方法及び物体検出用コンピュータプログラム | |
Paz et al. | Probabilistic semantic mapping for urban autonomous driving applications | |
CN111762519B (zh) | 引导拣选机器人作业的方法、系统和调度装置 | |
Yang et al. | All in one network for driver attention monitoring | |
Chong et al. | Integrated real-time vision-based preceding vehicle detection in urban roads | |
Niranjan et al. | Deep learning based object detection model for autonomous driving research using carla simulator | |
Liu et al. | RGB-D inertial odometry for a resource-restricted robot in dynamic environments | |
CN110379168A (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN112710317A (zh) | 自动驾驶地图的生成方法、自动驾驶方法及相关产品 | |
Tang et al. | Multiple-kernel based vehicle tracking using 3D deformable model and camera self-calibration | |
Filatov et al. | Any motion detector: Learning class-agnostic scene dynamics from a sequence of lidar point clouds | |
CN105469052A (zh) | 一种车辆检测跟踪方法和装置 | |
Kühnl et al. | Visual ego-vehicle lane assignment using spatial ray features | |
Xing et al. | Improved yolov5-based uav pavement crack detection | |
CN111460879B (zh) | 利用网格生成器的神经网络运算方法及使用该方法的装置 | |
Zhang et al. | Real-time lane detection by using biologically inspired attention mechanism to learn contextual information | |
CN116563341A (zh) | 一种处理复杂环境下动态物体的视觉定位与建图方法 | |
Miah et al. | Multi-object tracking and segmentation with a space-time memory network | |
CN115690717A (zh) | 红绿灯检测方法、装置、计算设备和存储介质 | |
Roberts et al. | Optical flow templates for superpixel labeling in autonomous robot navigation |
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 |