CN109665464A - 一种移动式叉车自动跟踪的方法及系统 - Google Patents
一种移动式叉车自动跟踪的方法及系统 Download PDFInfo
- Publication number
- CN109665464A CN109665464A CN201811585152.7A CN201811585152A CN109665464A CN 109665464 A CN109665464 A CN 109665464A CN 201811585152 A CN201811585152 A CN 201811585152A CN 109665464 A CN109665464 A CN 109665464A
- Authority
- CN
- China
- Prior art keywords
- default
- positioning label
- information
- fork truck
- data information
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66F—HOISTING, LIFTING, HAULING OR PUSHING, NOT OTHERWISE PROVIDED FOR, e.g. DEVICES WHICH APPLY A LIFTING OR PUSHING FORCE DIRECTLY TO THE SURFACE OF A LOAD
- B66F9/00—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes
- B66F9/06—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes movable, with their loads, on wheels or the like, e.g. fork-lift trucks
- B66F9/075—Constructional features or details
- B66F9/07504—Accessories, e.g. for towing, charging, locking
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66F—HOISTING, LIFTING, HAULING OR PUSHING, NOT OTHERWISE PROVIDED FOR, e.g. DEVICES WHICH APPLY A LIFTING OR PUSHING FORCE DIRECTLY TO THE SURFACE OF A LOAD
- B66F9/00—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes
- B66F9/06—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes movable, with their loads, on wheels or the like, e.g. fork-lift trucks
- B66F9/075—Constructional features or details
- B66F9/0755—Position control; Position detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
Landscapes
- Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Civil Engineering (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Forklifts And Lifting Vehicles (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种移动式叉车自动跟踪的方法,用以解决叉车工作环境人员较多、环境复杂,叉车无法精准和唯一跟踪的问题,本方法包括步骤:S1:通过无线定位传感器获取预设定位标签精确位置信息;S2:通过激光传感器获取预设激光扫描范围内多个障碍物的预设数据信息,并按照预设聚类分析算法,获取与预设跟踪特征相对应的多个障碍物的预设位置数据信息;S3:将预设定位标签精确位置信息与多个预设位置数据信息按照预设匹配算法匹配;获取和预设定位标签位置信息相匹配的唯一预设位置数据信息,将该预设位置数据信息上的障碍物作为唯一跟踪对象。采用本方法,能够保证叉车跟踪的精确性和唯一性。
Description
技术领域
本发明涉及叉车控制技术领域,尤其涉及一种移动式叉车自动跟踪的方法及系统。
背景技术
随着智能技术的发展,移动式叉车以其方便灵活的运动方式、低廉的价格及成本,近年成为了研究的热点,其应用领域也十分广泛,在制造业以及社会服务业均有着强劲的需求。
移动式叉车集合了机械、控制及电子学、人工智能及仿生学等领域的成果,具有很强的研究意义和价值,目前移动叉车的主要研究内容是如何利用多传感器信息实现叉车在环境中准确定位,以及通过传感器获取环境信息,准确做出运动控制决策,躲避障碍物以及寻找最优路径等问题。
近年来,由于叉车的发展,叉车为人类服务已成为十分现实的问题,叉车跟随人运动的场景已十分普遍,例如工厂车间需要叉车自动跟随人运动并替人类搬运拣选的仓库货物,超市和商场需要叉车自动跟随人,辅助搬运拣选的商品,机场火车站等需要具有自动跟随功能的行李箱等等。
然而现有的叉车跟随方案要么采用单一的传感器,例如无线传感器进行定位,其定位精度不高,通常在10cm-20cm左右;要么采用视觉传感器等实现,而视觉传感器很容易受到环境光线的影响,如果仅仅采用激光传感器,仅仅是实现全方位距离检测,无法确定具体的跟踪对象,缺乏唯一性,很难从大量的人群中区分出被跟随的人,容易导致叉车迷航。
因此,综上所述,需要提出一种精确并能唯一选择跟踪对象的移动式叉车跟踪方法及系统来解决上述问题。
发明内容
为了解决背景技术中提出的问题,本发明提供了一种基于无线定位传感器和激光传感器的移动式叉车自动跟踪的方法及系统。
为了达到上述目的,本发明采用以下技术方案,
一种移动式叉车自动跟踪的方法,包括步骤:
S1:通过无线定位传感器获取预设定位标签精确位置信息;
S2:通过激光传感器获取预设激光扫描范围内多个障碍物的预设数据信息,并按照预设聚类分析算法,获取与预设跟踪特征相对应的多个障碍物的预设位置数据信息;
S3:将预设定位标签精确位置信息与多个预设位置数据信息按照预设匹配算法匹配;获取和预设定位标签位置信息相匹配的唯一预设位置数据信息,将该预设位置数据信息上的障碍物作为唯一跟踪对象。
进一步地,步骤S1包括:
S11:通过无线定位传感器获取预设定位标签位置信息;
S12:将获取的预设定位标签位置按照预设滤波算法,获取预设定位标签精确位置信息。
进一步地,步骤S12包括:
S121:将获取的预设定位标签位置信息按照预设存储方法存储到预设位置上,并对存储的数据量进行统计;
S122:判断统计的存储数据量是否小于预设数据量;
S123:若统计的存储数据量小于预设数据量,则对存储的预设定位标签位置信息按照预设第一算法进行处理分析,并输出预设定位标签精确位置信息;
S124:若统计的存储数据量大于预设数据量,则对存储的预设定位标签位置信息按照预设第二算法进行处理分析,并输出预设定位标签精确位置信息。
进一步地,步骤S123包括:
S1231:若统计的存储数据量小于预设数据量,则对存储的预设定位标签位置信息按照预设大小顺序进行排序;
S1232:获取排序后预设数据量中间值对应的预设定位标签位置信息;
S1233:将该排序后中间值对应的预设定位标签位置信息作为预设定位标签精确位置信息并输出。
进一步地,步骤S124包括:
S1241:若统计的存储数据量大于预设数据量,去除最早获取的预设定位标签位置信息;
S1242:则对存储的预设定位标签位置信息按照预设大小顺序进行排序;
S1243:将该排序后中间值对应的预设定位标签位置信息作为预设定位标签精确位置信息并输出。
进一步地,步骤S2包括:
S21:通过激光传感器获取预设激光扫描范围内多个障碍物的预设数据信息,
S22:将多个障碍物的预设数据信息按照预设距离滤波算法,滤除障碍物至激光传感器距离大于预设距离的障碍物预设数据信息;
S23:对滤除后的多个障碍物的预设数据信息按照预设聚类分析算法进行聚类分析;获取与预设跟踪特征相对应的多个障碍物的预设位置数据信息。
进一步地,步骤S23包括:
S231:将获取的多个障碍物预设位置数据信息,按照预设聚类算法,进行聚类;
S232:按照预设分析算法,获取聚类中与预设跟踪特征相对应的多个障碍物的预设位置数据信息。
进一步地,步骤S3包括:
S31:将获取的预设定位标签精确位置信息按照预设转换方式转换为对应的预设定位标签位置坐标数据信息;
S32:将获取的多个障碍物的预设位置数据信息按照预设转换方式转换为多个对应的预设障碍物位置坐标数据信息;
S33:按照预设匹配算法,获取多个预设障碍物位置坐标数据信息中至预设定位标签位置坐标数据信息距离最小的预设障碍物位置坐标数据信息;
S34:将获取的至预设定位标签位置坐标数据信息距离最小的预设障碍物位置坐标数据信息上的障碍物作为唯一跟踪对象。
一种移动式叉车自动跟踪的系统,包括无线定位传感器、激光传感器和运算模块;
所述无线定位传感器,用于获取预设定位标签精确位置信息;
所述激光传感器,用于获取预设激光扫描范围内多个障碍物的预设数据信息,并按照预设聚类分析算法,获取与预设跟踪特征相对应的多个障碍物的预设位置数据信息;
所述运算模块,用于将预设定位标签精确位置信息与多个预设位置数据信息按照预设匹配算法匹配,获取和预设定位标签位置信息相匹配的唯一预设位置数据信息并将该预设位置数据信息上的障碍物作为唯一跟踪对象。
进一步地,无线定位传感器包括无线信号发射器和无线信号接收器;
所述无线信号接收器,设置于预设定位标签上,用于获取所述预设定位标签的位置信息;
所述无线信号发射器,设置于叉车上,用于定位叉车的位置信息以及接收无线信号接收器获取的预设定位标签位置信息。
本发明有如下优点:
结合无线定位传感器和激光传感器,保证了定位的精确性以及保证了被跟踪对象的唯一性。
附图说明
图1是本移动式叉车自动跟踪的方法流程图一;
图2是本移动式叉车自动跟踪的无线定位传感器定位的方法流程图;
图3是本移动式叉车自动跟踪的激光传感器定位的方法流程图;
图4是本移动式叉车自动跟踪的系统结构图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
实施例一
本实施例提供了一种移动式叉车自动跟踪的方法,如图1至图3所示,本方法包括:
S1:通过无线定位传感器获取预设定位标签精确位置信息;
S2:通过激光传感器获取预设激光扫描范围内多个障碍物的预设数据信息,并按照预设聚类分析算法,获取与预设跟踪特征相对应的多个障碍物的预设位置数据信息;
S3:将预设定位标签精确位置信息与多个预设位置数据信息按照预设匹配算法匹配;获取和预设定位标签位置信息相匹配的唯一预设位置数据信息,将该预设位置数据信息上的障碍物作为唯一跟踪对象。
首先通过无线定位传感器获得携带预设定位标签的行人精确位置信息;
其次通过激光传感器获得所有环境中预设激光扫描范围内的障碍物预设数据信息,然后对激光传感器获取预设激光扫描范围内的障碍物预设数据信息进行聚类分析,找出预设激光扫描范围内与预设跟踪特征即人体或者人腿特征相似的聚类;
最后,进行聚类匹配,计算出所有障碍物预设数据信息的聚类中心位置,选取每个聚类中心距离无线传感器获得的行人位置最近的聚类进行匹配
将最终选择出的距离无线传感器获得的行人位置最近的聚类与无线传感器定位的行人精确位置信息进行加权平均,将该行人作为唯一跟踪对象进行跟踪。
进一步地,本实施例中的激光传感器获取的多个障碍物预设数据信息还可以用做叉车的障碍物避障对比信息。当障碍物离叉车距离较近时,叉车可选择减速或更改路径的方法来避障。
进一步地,步骤S1包括:
S11:通过无线定位传感器获取预设定位标签位置信息;
S12:将获取的预设定位标签位置按照预设滤波算法,获取预设定位标签精确位置信息。
进一步地,步骤S12包括:
S121:将获取的预设定位标签位置信息按照预设存储方法存储到预设位置上,并对存储的数据量进行统计;
S122:判断统计的存储数据量是否小于预设数据量;
S123:若统计的存储数据量小于预设数据量,则对存储的预设定位标签位置信息按照预设第一算法进行处理分析,并输出预设定位标签精确位置信息;
S124:若统计的存储数据量大于预设数据量,则对存储的预设定位标签位置信息按照预设第二算法进行处理分析,并输出预设定位标签精确位置信息。
进一步地,步骤S123包括:
S1231:若统计的存储数据量小于预设数据量,则对存储的预设定位标签位置信息按照预设大小顺序进行排序;
S1232:获取排序后预设数据量中间值对应的预设定位标签位置信息;
S1233:将该排序后中间值对应的预设定位标签位置信息作为预设定位标签精确位置信息并输出。
进一步地,步骤S124包括:
S1241:若统计的存储数据量大于预设数据量,去除最早获取的预设定位标签位置信息;
S1242:则对存储的预设定位标签位置信息按照预设大小顺序进行排序;
S1243:将该排序后中间值对应的预设定位标签位置信息作为预设定位标签精确位置信息并输出。
本实施例中,通过无线定位传感器获取预设定位标签精确位置信息,具体实施方式为:
读取无线定位传感器的信息,采用滑动平均中值滤波方法对无线定位传感器进行滤波处理,获取叉车的位置信息。
本实施例中提供的无线定位传感器包括无线信号发射装置和无线信号接收装置,所述无线信号发射和无线接收装置采用UWB(超宽带)信号定位方法。
无线发射装置通过RS232协议将所获得的定位数据传输给上位机(工控机),尚未及的通讯格式采用自定义通讯格式:其中SOF为帧头,Length为帧长度,Type为帧类型,Data为数据内容,CRC16为校验位,EOF为结束标志符。本发明选用的传感器为定制的UWB超宽带定位传感器,其中通讯协议为本发明指定方式,但不限于此方式,Data数据中包含了无线信号发射装置所获得的定位的距离和角度信息。
在计算机中开辟一定数量的内存,在内存中每隔一段时间读取一个位置或者角度信息并存储,当数据量小于N时,系统按照大小排序,并将中间值输出,当数据量大于N时,系统每一时刻都读取一个新的数据,并且去掉一个最早的数据,并且将剩下的数据按照大小排序,将最大值和最小值去掉,然后取剩下的中间值作为输出。
本无线定位传感器定位预设定位标签位置信息的方法,具有计算量小,计算速度快的优势。
进一步地,步骤S2包括:
S21:通过激光传感器获取预设激光扫描范围内多个障碍物的预设数据信息,
S22:将多个障碍物的预设数据信息按照预设距离滤波算法,滤除障碍物至激光传感器距离大于预设距离的障碍物预设数据信息;
S23:对滤除后的多个障碍物的预设数据信息按照预设聚类分析算法进行聚类分析;获取与预设跟踪特征相对应的多个障碍物的预设位置数据信息。
进一步地,步骤S23包括:
S231:将获取的多个障碍物预设位置数据信息,按照预设聚类算法,进行聚类;
S232:按照预设分析算法,获取聚类中与预设跟踪特征相对应的多个障碍物的预设位置数据信息。
首先通过激光传感器预设激光扫描范围的角度信息和至障碍物距离信息,然后去除距离障碍物距离较大(大于设定最远距离,例如4m)的距离信息,保留激光传感器前方较近的障碍物预设数据信息;
其次在满足数据要求的数据中,通过聚类分割算法找出环境中存在的人体腿部特征,聚类分割方法为,计算激光传感器经上述处理后的依次相邻的数据的点的距离,采用极坐标方法的距离计算公式如下:
从激光数据点的第1点开始计算,依次计算,如果距离小于设定阈值,例如0.01m,则认为当前两个数据点属于同一个聚类,该方法的主要特征是需要进行动态的距离计算,当实际障碍物离机器人较远时,设定的阈值需要乘以一个相对的系数ρ,以保证聚类分割的准确性。
在将所有激光数据分割成不同聚类以后,计算聚类中心长度,选取聚类长度与人腿的特征相似的聚类(例如聚类最大长度在0.2-0.3m之间),作为聚类的输出,即获取聚类中与预设跟踪特征相对应的多个障碍物的预设位置数据信息。
进一步地,步骤S3包括:
S31:将获取的预设定位标签精确位置信息按照预设转换方式转换为对应的预设定位标签位置坐标数据信息;
S32:将获取的多个障碍物的预设位置数据信息按照预设转换方式转换为多个对应的预设障碍物位置坐标数据信息;
S33:按照预设匹配算法,获取多个预设障碍物位置坐标数据信息中至预设定位标签位置坐标数据信息距离最小的预设障碍物位置坐标数据信息;
S34:将获取的至预设定位标签位置坐标数据信息距离最小的预设障碍物位置坐标数据信息上的障碍物作为唯一跟踪对象。
首先,无线传感器获取的预设定位标签精确位置的输出的坐标与激光传感器输出的与预设跟踪特征聚类的障碍物预设位置的输出坐标均需要经过坐标转换,由极坐标方式,转换为直角坐标方式,并转换到同一坐标系下,在同一坐标系下,进行无线传感器与激光传感器的数据匹配处理,数据匹配的算法为:
在上述从激光传感器选取的聚类中,计算聚类的平均坐标,计算聚类平均坐标的方法为:
计算由激光传感器所获得的每个聚类的坐标到无线传感器获得的坐标的距离,选取距离最小激光聚类坐标,认为该激光传感器的聚类所表示的位置即是携带无线传感器接收装置的人。
将上述的无线传感器获得的坐标与利用匹配法计算出来的激光聚类坐标采用加权方法进行坐标融合,采用此种方法的好处是可以通过调整权值来优化输出效果,由于激光输出的精度较高,因此通常选取激光的加权因子稍大,加权计算方法为:
其中,Xout,Yout为输出的行人坐标数据,为无线传感器输出滤波后的坐标,是激光传感器经过匹配后的数据。
因此可以确认为Xout,Yout对应的行人为被唯一跟踪对象。
本移动式叉车自动跟踪的方法,结合无线定位传感器和激光传感器,保证了定位的精确性以及保证了被跟踪对象的唯一性。
实施例二
本实施例提供了一种移动式叉车自动跟踪的系统,如图4所示,本系统包括无线定位传感器、激光传感器和运算模块;
所述无线定位传感器,用于获取预设定位标签精确位置信息;
所述激光传感器,用于获取预设激光扫描范围内多个障碍物的预设数据信息,并按照预设聚类分析算法,获取与预设跟踪特征相对应的多个障碍物的预设位置数据信息;
所述运算模块,用于将预设定位标签精确位置信息与多个预设位置数据信息按照预设匹配算法匹配,获取和预设定位标签位置信息相匹配的唯一预设位置数据信息并将该预设位置数据信息上的障碍物作为唯一跟踪对象。
进一步地,无线定位传感器包括无线信号发射器和无线信号接收器;
所述无线信号接收器,设置于预设定位标签上,用于获取所述预设定位标签的位置信息;
所述无线信号发射器,设置于叉车上,用于定位叉车的位置信息以及接收无线信号接收器获取的预设定位标签位置信息。
首先通过无线定位传感器获得携带定位标签的行人位置;
其次通过激光传感器获取预设激光扫描范围内多个障碍物的预设数据信息,并按照预设聚类分析算法,获取与预设跟踪特征相对应的多个障碍物的预设位置数据信息;并对激光传感器进行聚类分析,找出环境中与人体或者人腿特征相似的聚类,即计算出所有障碍物的预设数据信息聚类中心位置,选取聚类中心离无线传感器获得的行人位置最近的聚类进行匹配,将最终选择出的无线传感器获得的行人位置与激光传感器寻找出的行人位置进行加权平均,从而获得较为精确的被跟随行人的位置,实施智能跟随行为。
此外该发明中的激光传感器数据还可以用做周围的障碍物避障。当障碍物离机器人距离较近时,机器人可选择减速或更改路径的方法来避障。
首先读取激光传感器所有的障碍物点的距离和角度数据,其次,将获得的数据进行聚类分析前的滤波处理,保证数据在0-4m范围内(该范围可以认为设定),随后对数据进行单位化处理和坐标变换,变换到机器人坐标系下,最后通过动态快速聚类方法,进行聚类分析获得与人体或者人体腿部类似的激光聚类数据,其它聚类则滤除。
首先将所有无线传感器数据及激光数据传感器数据进行坐标变换变换到同一坐标系下(该变换需要用到激光传感器及无线传感器的安装位置信息),其次计算无线传感器所获得的被跟随行人的位置与激光传感器聚类中心最近的激光传感器数据聚类,最后将二者所所获得的行人位置数据进行加权平均,由于激光传感器数据的精度较高,因此在设置加权平均时,可以将激光传感器的加权因子设置为较大。可以通过实验来测定获得加权因子值,提高系统的输出数据的精度。
本系统,结合无线定位传感器和激光传感器,保证了定位的精确性以及保证了被跟踪对象的唯一性。
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 (10)
1.一种移动式叉车自动跟踪的方法,其特征在于,包括步骤:
S1:通过无线定位传感器获取预设定位标签精确位置信息;
S2:通过激光传感器获取预设激光扫描范围内多个障碍物的预设数据信息,并按照预设聚类分析算法,获取与预设跟踪特征相对应的多个障碍物的预设位置数据信息;
S3:将预设定位标签精确位置信息与多个预设位置数据信息按照预设匹配算法匹配;获取和预设定位标签位置信息相匹配的唯一预设位置数据信息,将该预设位置数据信息上的障碍物作为唯一跟踪对象。
2.根据权利要求1所述的一种移动式叉车自动跟踪的方法,其特征在于,步骤S1包括:
S11:通过无线定位传感器获取预设定位标签位置信息;
S12:将获取的预设定位标签位置按照预设滤波算法,获取预设定位标签精确位置信息。
3.根据权利要求1所述的一种移动式叉车自动跟踪的方法,其特征在于,步骤S12包括:
S121:将获取的预设定位标签位置信息按照预设存储方法存储到预设位置上,并对存储的数据量进行统计;
S122:判断统计的存储数据量是否小于预设数据量;
S123:若统计的存储数据量小于预设数据量,则对存储的预设定位标签位置信息按照预设第一算法进行处理分析,并输出预设定位标签精确位置信息;
S124:若统计的存储数据量大于预设数据量,则对存储的预设定位标签位置信息按照预设第二算法进行处理分析,并输出预设定位标签精确位置信息。
4.根据权利要求3所述的一种移动式叉车自动跟踪的方法,其特征在于,步骤S123包括:
S1231:若统计的存储数据量小于预设数据量,则对存储的预设定位标签位置信息按照预设大小顺序进行排序;
S1232:获取排序后预设数据量中间值对应的预设定位标签位置信息;
S1233:将该排序后中间值对应的预设定位标签位置信息作为预设定位标签精确位置信息并输出。
5.根据权利要求3所述的一种移动式叉车自动跟踪的方法,其特征在于,步骤S124包括:
S1241:若统计的存储数据量大于预设数据量,去除最早获取的预设定位标签位置信息;
S1242:则对存储的预设定位标签位置信息按照预设大小顺序进行排序;
S1243:将该排序后中间值对应的预设定位标签位置信息作为预设定位标签精确位置信息并输出。
6.根据权利要求1所述的一种移动式叉车自动跟踪的方法,其特征在于,步骤S2包括:
S21:通过激光传感器获取预设激光扫描范围内多个障碍物的预设数据信息,
S22:将多个障碍物的预设数据信息按照预设距离滤波算法,滤除障碍物至激光传感器距离大于预设距离的障碍物预设数据信息;
S23:对滤除后的多个障碍物的预设数据信息按照预设聚类分析算法进行聚类分析;获取与预设跟踪特征相对应的多个障碍物的预设位置数据信息。
7.根据权利要求6所述的一种移动式叉车自动跟踪的方法,其特征在于,步骤S23包括:
S231:将获取的多个障碍物预设位置数据信息,按照预设聚类算法,进行聚类;
S232:按照预设分析算法,获取聚类中与预设跟踪特征相对应的多个障碍物的预设位置数据信息。
8.根据权利要求1所述的一种移动式叉车自动跟踪的方法,其特征在于,步骤S3包括:
S31:将获取的预设定位标签精确位置信息按照预设转换方式转换为对应的预设定位标签位置坐标数据信息;
S32:将获取的多个障碍物的预设位置数据信息按照预设转换方式转换为多个对应的预设障碍物位置坐标数据信息;
S33:按照预设匹配算法,获取多个预设障碍物位置坐标数据信息中至预设定位标签位置坐标数据信息距离最小的预设障碍物位置坐标数据信息;
S34:将获取的至预设定位标签位置坐标数据信息距离最小的预设障碍物位置坐标数据信息上的障碍物作为唯一跟踪对象。
9.一种移动式叉车自动跟踪的系统,其特征在于,包括无线定位传感器、激光传感器和运算模块;
所述无线定位传感器,用于获取预设定位标签精确位置信息;
所述激光传感器,用于获取预设激光扫描范围内多个障碍物的预设数据信息,并按照预设聚类分析算法,获取与预设跟踪特征相对应的多个障碍物的预设位置数据信息;
所述运算模块,用于将预设定位标签精确位置信息与多个预设位置数据信息按照预设匹配算法匹配,获取和预设定位标签位置信息相匹配的唯一预设位置数据信息并将该预设位置数据信息上的障碍物作为唯一跟踪对象。
10.根据权利要求9所述的一种移动式叉车自动跟踪的系统,其特征在于,无线定位传感器包括无线信号发射器和无线信号接收器;
所述无线信号接收器,设置于预设定位标签上,用于获取所述预设定位标签的位置信息;
所述无线信号发射器,设置于叉车上,用于定位叉车的位置信息以及接收无线信号接收器获取的预设定位标签位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811585152.7A CN109665464B (zh) | 2018-12-24 | 2018-12-24 | 一种移动式叉车自动跟踪的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811585152.7A CN109665464B (zh) | 2018-12-24 | 2018-12-24 | 一种移动式叉车自动跟踪的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109665464A true CN109665464A (zh) | 2019-04-23 |
CN109665464B CN109665464B (zh) | 2020-12-25 |
Family
ID=66146023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811585152.7A Active CN109665464B (zh) | 2018-12-24 | 2018-12-24 | 一种移动式叉车自动跟踪的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109665464B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110963445A (zh) * | 2019-11-21 | 2020-04-07 | 宁波如意股份有限公司 | 一种移动叉车 |
CN111017805A (zh) * | 2019-11-21 | 2020-04-17 | 宁波如意股份有限公司 | 一种移动叉车自动跟随方法及装置 |
CN112179332A (zh) * | 2020-09-30 | 2021-01-05 | 劢微机器人科技(深圳)有限公司 | 无人叉车混合定位方法及系统 |
CN117152197A (zh) * | 2023-10-30 | 2023-12-01 | 成都睿芯行科技有限公司 | 一种跟踪对象的确定方法、系统及跟踪方法、系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907861A (zh) * | 2017-11-07 | 2018-04-13 | 河北科技大学 | 一种室内地面运输车超声波定位控制系统及其控制方法 |
CN207240184U (zh) * | 2017-09-06 | 2018-04-17 | 郑州科亚自动化设备有限公司 | 移动物体追踪机器人 |
CN207881714U (zh) * | 2018-03-11 | 2018-09-18 | 青岛芯优讯自动化系统有限公司 | 一种基于uwb定位的自动跟随机器人 |
CN208061024U (zh) * | 2018-02-08 | 2018-11-06 | 苏州纳秒机器人有限公司 | 一种电商分拣自动跟随机器人 |
CN108741531A (zh) * | 2018-08-24 | 2018-11-06 | 佛山市坦斯盯科技有限公司 | 一种智能行李箱 |
-
2018
- 2018-12-24 CN CN201811585152.7A patent/CN109665464B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207240184U (zh) * | 2017-09-06 | 2018-04-17 | 郑州科亚自动化设备有限公司 | 移动物体追踪机器人 |
CN107907861A (zh) * | 2017-11-07 | 2018-04-13 | 河北科技大学 | 一种室内地面运输车超声波定位控制系统及其控制方法 |
CN208061024U (zh) * | 2018-02-08 | 2018-11-06 | 苏州纳秒机器人有限公司 | 一种电商分拣自动跟随机器人 |
CN207881714U (zh) * | 2018-03-11 | 2018-09-18 | 青岛芯优讯自动化系统有限公司 | 一种基于uwb定位的自动跟随机器人 |
CN108741531A (zh) * | 2018-08-24 | 2018-11-06 | 佛山市坦斯盯科技有限公司 | 一种智能行李箱 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110963445A (zh) * | 2019-11-21 | 2020-04-07 | 宁波如意股份有限公司 | 一种移动叉车 |
CN111017805A (zh) * | 2019-11-21 | 2020-04-17 | 宁波如意股份有限公司 | 一种移动叉车自动跟随方法及装置 |
CN112179332A (zh) * | 2020-09-30 | 2021-01-05 | 劢微机器人科技(深圳)有限公司 | 无人叉车混合定位方法及系统 |
CN117152197A (zh) * | 2023-10-30 | 2023-12-01 | 成都睿芯行科技有限公司 | 一种跟踪对象的确定方法、系统及跟踪方法、系统 |
CN117152197B (zh) * | 2023-10-30 | 2024-01-23 | 成都睿芯行科技有限公司 | 一种跟踪对象的确定方法、系统及跟踪方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109665464B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109665464A (zh) | 一种移动式叉车自动跟踪的方法及系统 | |
Nessa et al. | A survey of machine learning for indoor positioning | |
CN109947119B (zh) | 一种基于多传感器融合的移动机器人自主跟随方法 | |
CN109671119A (zh) | 一种基于slam的室内定位方法及装置 | |
CN107516127A (zh) | 服务机器人自主获取人穿携物品归属语义的方法及系统 | |
CN103049772A (zh) | 基于无源射频识别技术的室内定位跟踪系统和方法 | |
CN113705376B (zh) | 一种基于rfid和摄像机的人员定位方法及系统 | |
CN112580479A (zh) | 一种基于空洞卷积神经网络的地磁式室内定位系统 | |
Xu et al. | Neural network-based accuracy enhancement method for WLAN indoor positioning | |
CN112833876A (zh) | 一种融合里程计与uwb的多机器人协作定位方法 | |
CN115205891A (zh) | 人员行为识别模型训练方法、行为识别方法及装置 | |
Yuan et al. | Research on indoor position fingerprint location based on machine learning combined particle filter | |
Du et al. | A passive target recognition method based on LED lighting for industrial internet of things | |
Shen et al. | Smart lighting control system based on fusion of monocular depth estimation and multi-object detection | |
Chan et al. | Utilizing lighting design software for simulation and planning of machine learning based angle-of-arrival (AOA) visible light positioning (VLP) systems | |
CN117055004A (zh) | 一种基于毫米波雷达稀疏点云的三维人体骨架估计方法 | |
Regus et al. | Indoor positioning and navigation system for autonomous vehicles based on RFID technology | |
Taser et al. | Machine learning techniques for IoT-based indoor tracking and localization | |
Yin et al. | Robust RFID-based multi-object identification and tracking with visual aids | |
CN112766233B (zh) | 一种基于激光雷达和rfid的人体行为识别方法 | |
Tiku et al. | A Scalable Framework for Indoor Localization Using Convolutional Neural Networks | |
Al-Khater et al. | A review on radio frequency identification methods | |
CN110794365A (zh) | 一种融合计算机视觉的提高WiFi室内定位精度的方法 | |
Rawat et al. | Robotic System Configuration with Localization, Path Planning, and Computer Vision | |
Wu et al. | Gesture Recognition System Based on Neural Networks by Using COTS RFID Tag Array |
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 |