CN110253579B - 基于圆弧特征提取的机器人定位方法、装置、设备及介质 - Google Patents
基于圆弧特征提取的机器人定位方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110253579B CN110253579B CN201910547230.2A CN201910547230A CN110253579B CN 110253579 B CN110253579 B CN 110253579B CN 201910547230 A CN201910547230 A CN 201910547230A CN 110253579 B CN110253579 B CN 110253579B
- Authority
- CN
- China
- Prior art keywords
- preset
- point
- target
- arc
- robot
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于圆弧特征提取的机器人定位方法、装置、设备及介质。所述方法包括:对点云数据帧进行区域分割,得到目标区块;在每个目标区块中,筛选出满足预设条件的连续相邻的扫描点,组成数据段;筛选出每个数据段中与预设初始位置距离最近的扫描点,并连接该扫描点和预设初始位置,得到目标直线;将每两条目标直线之间的交点作为目标点;根据每个目标点的坐标,使用预设的霍夫变换算法确定圆心坐标,并结合预设初始位置的坐标,计算圆弧半径;若数据段与以圆心坐标和圆弧半径组成的圆形相吻合,则提取该数据段作为圆弧特征,并使用该圆弧特征进行机器人定位。本发明的技术方案提高了圆弧特征提取的效率和机器人定位的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于圆弧特征提取的机器人定位方法、装置、设备及介质。
背景技术
定位是自主移动机器人的基本能力,自主移动机器人在定位时都需要通过自身携带的传感器感知环境,并通过对传感器采集到的数据进行分析运算,确定当前的位置。
完成定位功能首先需要对测距传感器采集到的数据进行特征提取。常见的测距传感器有红外传感器、超声波传感器、激光雷达传感器、视觉传感器等。其中,激光雷达传感器由于速度快,精度高,量程大,抗光、电干扰能力强等优点被广泛使用。以激光雷达传感器为例,在激光雷达传感器采集到的数据中,有几类重要的特征:直线、角点(Corner)、撕裂点(breakPoint)、圆弧等。
目前,对于圆弧特征的提取主要采用传统的霍夫(Hough)变换算法,但传统的霍夫变换算法计算量大,对内存需求量过大,导致圆弧特征提取的效率低,难以实时应用到机器人定位当中,进而影响机器人定位的准确性。
发明内容
本发明实施例提供一种基于圆弧特征提取的机器人定位方法、装置、设备及介质,以解决现有技术中采用传统霍夫变换进行圆弧特征提取的效率低,难以实时应用到机器人定位中,导致机器人定位的准确性不高的问题。
一种基于圆弧特征提取的机器人定位方法,包括:
获取点云数据帧;
对所述点云数据帧进行区域分割,得到包含扫描点的目标区块;
在每个所述目标区块中,根据每个所述扫描点的数据信息,筛选出满足预设条件的连续相邻的所述扫描点,组成数据段,得到M个所述数据段,其中,M为正整数;
针对每个所述数据段,筛选出该数据段中与预设初始位置距离最近的所述扫描点,并连接筛选出的所述扫描点和所述预设初始位置,得到目标直线;
在M条所述目标直线中,将每两条所述目标直线之间的交点作为目标点,获取每个所述目标点的坐标;
根据每个所述目标点的坐标,使用预设的霍夫变换算法确定圆心坐标,并结合所述预设初始位置的坐标,计算圆弧半径;
若所述数据段与以所述圆心坐标和所述圆弧半径组成的圆形相吻合,则提取该数据段作为圆弧特征;
使用所述圆弧特征进行机器人自主定位。
一种基于圆弧特征提取的机器人定位装置,包括:
数据帧获取模块,用于获取点云数据帧;
区域分割模块,用于对所述点云数据帧进行区域分割,得到包含扫描点的目标区块;
数据段获取模块,用于在每个所述目标区块中,根据每个所述扫描点的数据信息,筛选出满足预设条件的连续相邻的所述扫描点,组成数据段,得到M个所述数据段,其中,M为正整数;
直线获取模块,用于针对每个所述数据段,筛选出该数据段中与预设初始位置距离最近的所述扫描点,并连接筛选出的所述扫描点和所述预设初始位置,得到目标直线;
目标点获取模块,用于在M条所述目标直线中,将每两条所述目标直线之间的交点作为目标点,获取每个所述目标点的坐标;
属性计算模块,用于根据每个所述目标点的坐标,使用预设的霍夫变换算法确定圆心坐标,并结合所述预设初始位置的坐标,计算圆弧半径;
特征提取模块,用于若所述数据段与以所述圆心坐标和所述圆弧半径组成的圆形相吻合,则提取该数据段作为圆弧特征;
自主定位模块,用于使用所述圆弧特征进行机器人自主定位。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于圆弧特征提取的机器人定位方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于圆弧特征提取的机器人定位方法的步骤。
上述基于圆弧特征提取的机器人定位方法、装置、设备及介质中,在对获取到的点云数据帧进行区域分割,得到包含扫描点的目标区块之后,在每个目标区块中,根据每个扫描点的数据信息,筛选出满足预设条件的连续相邻的扫描点,组成数据段,并在每个数据段中,筛选出与预设初始位置距离最近的扫描点,连接筛选出的扫描点和预设初始位置,得到目标直线,然后将每两条目标直线之间的交点作为目标点,针对目标点使用霍夫变换算法确定圆心坐标,并结合预设初始位置的坐标,计算圆弧半径,最后将以圆心坐标和圆弧半径组成的圆形相吻合的数据段提取为圆弧特征,从而减少进行霍夫变换算法的数据量,降低计算量,实现了快速高效的圆弧特征提取,提高圆弧特征提取的效率,进而使用实时提取到的圆弧特征进行机器人自主定位,能够有效提高机器人定位的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于圆弧特征提取的机器人定位方法的一流程图;
图2是本发明一实施例中基于圆弧特征提取的机器人定位方法中步骤S2的一流程图;
图3是本发明一实施例中基于圆弧特征提取的机器人定位方法中对目标区块进行去噪处理的一流程图;
图4是本发明一实施例中基于圆弧特征提取的机器人定位装置的一示意图;
图5是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请提供的基于圆弧特征提取的机器人定位方法,可应用在自主定位的机器人设备中,该机器人设备包含有测距传感器,通过对测距传感器采集的数据进行分析,实现圆弧特征的提取和机器人的自主定位。
在一实施例中,如图1所示,提供一种基于圆弧特征提取的机器人定位方法,具体包括步骤S1至步骤S8,详述如下:
S1:获取点云数据帧。
具体地,点云数据帧为传感器采集到的每一帧点云数据,点云数据以扫描点的形式记录,点云数据帧中包含有每一个扫描点的数据信息。
优选地,获取激光雷达传感器返回的点云数据帧。
S2:对点云数据帧进行区域分割,得到包含扫描点的目标区块。
具体地,对每一帧点云数据帧,根据扫描点之间的距离进行区域分割,得到包含扫描点的目标区块,使得每个目标区块中的相邻两个扫描点之间的距离均较小,而不同目标区块中包含的扫描点之间的距离均较大。
一帧点云数据帧被分割为N个目标区块,每个目标可以用Ri(i=1,…,N)表示,其中,i=1,…,N,N为目标区块的数量。
S3:在每个目标区块中,根据每个扫描点的数据信息,筛选出满足预设条件的连续相邻的扫描点,组成数据段,得到M个数据段,其中,M为正整数。
具体地,扫描点的数据信息可以包括但不限于扫描点的位置坐标、反射强度信息(Intensity),以及颜色信息(RGB)等。其中,反射强度信息可以转化为与障碍物的距离信息。
根据圆弧的特点,预设条件可以是连续相邻的扫描点对应的障碍物距离先减小再增大,或者,连续相邻的扫描点对应的障碍物距离先增大再减小,其中,障碍物距离减小的连续相邻扫描点的数量和障碍物距离增大的连续相邻扫描点的数量均达到预设的点数阈值。
在每个目标区块中,若找到满足预设条件的连续相邻的扫描点,则将找到的连续相邻的扫描点筛选出来组成数据段。
可以理解的是,在一个目标区块中可能会筛选出多个数据段,也可能一个数据段也筛选不到,最终在每个目标区块筛选完成后,共得到M个数据段。
S4:针对每个数据段,筛选出该数据段中与预设初始位置距离最近的扫描点,并连接筛选出的扫描点和预设初始位置,得到目标直线。
具体地,在每个数据段中,根据该数据段包含的每个扫描点的位置坐标和预设初始位置的坐标,计算每个扫描点与预设初始位置之间的距离,从得到的每个距离中选取最小距离,将最小距离对应的扫描点作为与预设初始位置距离最近的扫描点筛选出来,并将筛选出的扫描点和预设初始位置确定的直线作为目标直线。
其中,预设初始位置具体可以是机器人的当前位置。
由于每个数据段筛选出一个扫描点,因此,M个数据段筛选出M个扫描点,最终得到M条目标直线。
S5:在M条目标直线中,将每两条目标直线之间的交点作为目标点,获取每个目标点的坐标。
具体地,每条目标直线均对应一个二元一次函数,可以通过解二元一次方程组的方式,计算每两条目标直线之间的交点的位置坐标,即目标点的坐标。
S6:根据每个目标点的坐标,使用预设的霍夫变换算法确定圆心坐标,并结合预设初始位置的坐标,计算圆弧半径。
在本实施例中,预设的霍夫变换算法的基本思想是将图像从原图像空间变换到参数空间,在参数空间中,使用大多数边界点都满足的某种参数形式作为图像中的曲线的描述,它通过设置累加器采用投标机制对参数进行票数累积,其峰值对应的点就是所需要的信息。
具体地,根据每个目标点的坐标,通过霍夫变换算法统计出目标点的峰值,该峰值即为圆心坐标。根据圆心坐标和预设初始位置的坐标,计算圆弧半径,由圆心坐标和圆弧半径可以得到对应的圆的数学表达式。
S7:若数据段与以圆心坐标和圆弧半径组成的圆形相吻合,则提取该数据段作为圆弧特征。
具体地,由步骤S6得到的圆心坐标和圆弧半径可以得到对应的圆的数学表达式,将数据段中包含的每个扫描点的位置坐标代入该数学表达式进行验证,判断扫描点是否存在于在以圆心坐标和圆弧半径组成的圆形上。
若该数据段的每个扫描点均存在于在以圆心坐标和圆弧半径组成的圆形上,则确认该数据段与该圆形相吻合,提取该数据段作为圆弧特征。
其中,圆弧特征可以包含该数据段中每个扫描点的数据信息。
进一步地,在对数据段进行验证时,也可以是当数据段的预设数量的扫描点均存在于在以圆心坐标和圆弧半径组成的圆形上时,确认该数据段与该圆形相吻合。
其中,预设数量可以根据数据段包含的扫描点的数量进行设置,例如,预设数量可以是扫描点的数量的95%,其具体可以根据实际应用的需要进行设置,此处不做限制。
S8:使用圆弧特征进行机器人自主定位。
具体地,由于圆弧特征的独特性,当检测到圆弧特征时,使用圆弧特征进行机器人自主定位,能够有效提高定位精准度。
进一步地,将圆弧特征输入预设的即时定位与地图构建SLAM模型,进行机器人自主定位。
具体地,预设的即时定位与地图构建(simultaneous localization andmapping,SLAM)模型能够实现当机器人在未知环境中的未知位置时,通过一边移动一边逐步描绘环境地图的方式,递增地建立环境地图,同时,利用已建立的地图来同步刷新自身的位置。在SLAM模型中,机器人的位置和地图两者的估算是高度相关的,任何一方都无法独立获取,形成了一种相辅相生、不断迭代的过程。
在初始时刻,原始的环境地图中并没有任何的特征。当检测到圆弧特征后,将圆弧特征输入SLAM模型,SLAM模型可以根据机器人的位姿,以及圆弧特征在机器人坐标系下的位姿,计算出圆弧特征在世界坐标系下的位姿,此时将圆弧特征加入到环境地图中,实现环境地图的更新;当机器人的位姿改变时,若再次观测到圆弧特征,则根据圆弧特征在世界坐标系下的位姿和圆弧特征在机器人坐标系下的位姿,解算出机器人的当前位姿,实现机器人定位。当机器人继续运动时,将观测到更多的圆弧特征,根据上述方式继续进行环境地图的更新和机器人的定位。
将圆弧特征输入预设的SLAM模型,利用圆弧特征的独特性,进行机器人自主定位,能够提高机器人自主定位的准确性,同时也使得建立的环境地图更加准确。
进一步地,除了圆弧特征,SLAM模型还可以综合直线特征、角点特征、撕裂点特征,以及圆弧特征等多种特征完成机器人自主定位。
本实施例中,在对获取到的点云数据帧进行区域分割,得到包含扫描点的目标区块之后,在每个目标区块中,根据每个扫描点的数据信息,筛选出满足预设条件的连续相邻的扫描点,组成数据段,并在每个数据段中,筛选出与预设初始位置距离最近的扫描点,连接筛选出的扫描点和预设初始位置,得到目标直线,然后将每两条目标直线之间的交点作为目标点,针对目标点使用霍夫变换算法确定圆心坐标,并结合预设初始位置的坐标,计算圆弧半径,最后将以圆心坐标和圆弧半径组成的圆形相吻合的数据段提取为圆弧特征,从而减少进行霍夫变换算法的数据量,降低计算量,实现了快速高效的圆弧特征提取,提高圆弧特征提取的效率,进而使用实时提取到的圆弧特征进行机器人自主定位,能够有效提高机器人定位的准确性。
在一实施例中,如图2所示,在步骤S2中,对云点数据帧进行区域分割,得到包含扫描点的目标区块,具体包括步骤S21至步骤S24,详述如下:
S21:计算云点数据帧中相邻两个扫描点之间的距离。
具体地,根据云点数据帧中每两个相邻的扫描点的位置坐标,计算该相邻的两个扫描点之间的距离。
S22:获取预设的分割阈值。
具体地,预设的分割阈值可以是预先设置的固定阈值,也可以是跟随扫描点变化的自适应分割阈值。
通常情况下,离传感器近的扫描点密度大一些,而远离传感器的扫描点密度小一些。因此在进行区域分割时,可以采用自适应分割阈值进行分割,对不同的扫描点选用不同的分割阈值,使得分割后的目标区块能够更好地与实际环境特征模型一致。例如,当某个扫描点离传感器中心的距离为D时,分割阈值可以设置为d,当扫描点离传感器中心的距离3D时,分割阈值可以设置为3d。
进一步地,获取预设的分割阈值具体可以包括:
根据预设的自适应阈值定义函数,计算相邻两个扫描点对应的分割阈值。
具体地,预设的自适应阈值定义函数用于定义自适应分割阈值的获取方式。其可以是采用线性或非线性的函数来定义自适应分割阈值。
例如,如果激光的有效测距距离为10米,并且角度分辨率为0.25度,则相邻扫描点之间的距离最小为:2×10m×sin(0.125°)=0.0436m,可以以该值为系数,设置自适应阈值定义函数,计算合适的分割阈值。
S23:若距离小于预设的分割阈值,则将该距离对应的两个扫描点归类到同一个目标区块中。
具体地,将步骤S21得到的距离与步骤S22得到的分割阈值进行比较,若距离小于分割阈值,则可以确认该距离涉及的两个相邻的扫描点属于同一个目标区块。
S24:若距离大于或等于预设的分割阈值,则将该距离对应的两个扫描点作为分割点,分别归类到不同的目标区块中。
具体地,将步骤S21得到的距离与步骤S22得到的分割阈值进行比较,若距离大于或等于分割阈值,则可以确认该距离涉及的两个相邻的扫描点分别属于不同的目标区块,即从这两个相邻的扫描点开始分割,将这两个相邻的扫描点分别归类到两个目标区块中。
本实施例中,通过计算点云数据帧中相邻两个扫描点之间的距离,并与预设的分割阈值进行比较,确定相邻两个扫描点是否属于同一个目标区块,快速完成对云点数据帧的区域分割,并进一步采用自适应阈值定义函数,计算相邻两个扫描点对应的分割阈值,实现自适应变阈值分割方式完成区域分割,使得区域分割的结果更加准确合理。
在一实施例中,如图3所示,在步骤S2之后,并且在步骤S3之前,即在对点云数据帧进行区域分割,得到包含扫描点的目标区块之后,并且在在每个目标区块中,根据每个扫描点的数据信息,筛选出满足预设条件的连续相邻的扫描点,组成数据段,得到M个数据段之前,还可以对目标区块进行去噪处理,具体包括步骤S91至步骤S92,详述如下:
S91:获取每个目标区块中包含的扫描点的数量。
具体地,根据步骤S3得到的目标区块,分别统计每个目标区块中包含的扫描点的数量。
S92:若目标区块对应的数量小于预设的最低数量阈值,则丢弃该目标区块。
具体地,若目标区块中包含的扫描点的数量小于预设的最低数量阈值,则该目标区块被认定为噪声区域,该目标区块中的扫描点作为噪声点被舍弃,即该目标区块被丢弃。
需要说明的是,预设的最低数量阈值可以设置为3,但并不限于此,其可以根据实际应用的需要进行设置,此处不做限制。
本实施例中,通过对每个目标区块中包含的扫描点的数量与预设的最低数量阈值进行比较,筛选出噪声区域并舍弃,实现对目标区块的去噪处理,提高数据准确性,为后续进行特征提取提供准确的基础数据,从而提高特征提取的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种基于圆弧特征提取的机器人定位装置,该基于圆弧特征提取的机器人定位装置与上述实施例中基于圆弧特征提取的机器人定位方法一一对应。如图4所示,该基于圆弧特征提取的机器人定位装置包括:数据帧获取模块41、区域分割模块42、数据段获取模块43、直线获取模块44、目标点获取模块45、属性计算模块46、特征提取模块47和自主定位模块48。各功能模块详细说明如下:
数据帧获取模块41,用于获取点云数据帧;
区域分割模块42,用于对点云数据帧进行区域分割,得到包含扫描点的目标区块;
数据段获取模块43,用于在每个目标区块中,根据每个扫描点的数据信息,筛选出满足预设条件的连续相邻的扫描点,组成数据段,得到M个数据段,其中,M为正整数;
直线获取模块44,用于针对每个数据段,筛选出该数据段中与预设初始位置距离最近的扫描点,并连接筛选出的扫描点和预设初始位置,得到目标直线;
目标点获取模块45,用于在M条目标直线中,将每两条目标直线之间的交点作为目标点,获取每个目标点的坐标;
属性计算模块46,用于根据每个目标点的坐标,使用预设的霍夫变换算法确定圆心坐标,并结合预设初始位置的坐标,计算圆弧半径;
特征提取模块47,用于若数据段与以圆心坐标和圆弧半径组成的圆形相吻合,则提取该数据段作为圆弧特征;
自主定位模块48,用于使用圆弧特征进行机器人自主定位。
进一步地,区域分割模块42包括:
距离计算子模块421,用于计算点云数据帧中相邻两个扫描点之间的距离;
阈值获取子模块422,用于获取预设的分割阈值;
第一判断子模块423,用于若距离小于预设的分割阈值,则将该距离对应的两个扫描点归类到同一个目标区块中;
第二判断子模块424,用于若距离大于或等于预设的分割阈值,则将该距离对应的两个扫描点作为分割点,分别归类到不同的目标区块中。
进一步地,阈值获取子模块422,还用于:
根据预设的自适应阈值定义函数,计算相邻两个扫描点对应的分割阈值。
进一步地,该基于圆弧特征提取的机器人定位装置还包括:
点数获取模块491,用于获取每个目标区块中包含的扫描点的数量;
区块筛选模块492,用于若目标区块对应的数量小于预设的最低数量阈值,则丢弃该目标区块。
进一步地,自主定位模块48,还用于:
将圆弧特征输入预设的即时定位与地图构建SLAM模型,进行机器人自主定位。
关于基于圆弧特征提取的机器人定位装置的具体限定可以参见上文中对于基于圆弧特征提取的机器人定位方法的限定,在此不再赘述。上述基于圆弧特征提取的机器人定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是机器人设备,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种基于圆弧特征提取的机器人定位方法。
在一实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中基于圆弧特征提取的机器人定位方法的步骤,例如图1所示的步骤S1至步骤S8。或者,处理器执行计算机程序时实现上述实施例中基于圆弧特征提取的机器人定位装置的各模块/单元的功能,例如图4所示模块41至模块48的功能。为避免重复,此处不再赘述。
在一实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例中基于圆弧特征提取的机器人定位方法,或者,该计算机程序被处理器执行时实现上述装置实施例中基于圆弧特征提取的机器人定位装置中各模块/单元的功能。为避免重复,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于圆弧特征提取的机器人定位方法,其特征在于,所述基于圆弧特征提取的机器人定位方法包括:
获取点云数据帧;
对所述点云数据帧进行区域分割,得到包含扫描点的目标区块;
在每个所述目标区块中,根据每个所述扫描点的数据信息,筛选出满足预设条件的连续相邻的所述扫描点,组成数据段,得到M个所述数据段,其中,M为正整数;
针对每个所述数据段,筛选出该数据段中与对应的预设初始位置距离最近的所述扫描点,并连接筛选出的所述扫描点和所述预设初始位置,得到目标直线,其中,所述预设初始位置为机器人的当前位置;
在M条所述目标直线中,将每两条所述目标直线之间的交点作为目标点,获取每个所述目标点的坐标;
根据每个所述目标点的坐标,使用预设的霍夫变换算法确定圆心坐标,并结合所述预设初始位置的坐标,计算圆弧半径;
若所述数据段与以所述圆心坐标和所述圆弧半径组成的圆形相吻合,则提取该数据段作为圆弧特征;
使用所述圆弧特征进行机器人自主定位。
2.如权利要求1所述的基于圆弧特征提取的机器人定位方法,其特征在于,所述对所述点云数据帧进行区域分割,得到包含扫描点的目标区块包括:
计算所述点云数据帧中相邻两个所述扫描点之间的距离;
获取预设的分割阈值;
若所述距离小于所述预设的分割阈值,则将该距离对应的两个所述扫描点归类到同一个所述目标区块中;
若所述距离大于或等于所述预设的分割阈值,则将该距离对应的两个所述扫描点作为分割点,分别归类到不同的所述目标区块中。
3.如权利要求2所述的基于圆弧特征提取的机器人定位方法,其特征在于,所述获取预设的分割阈值包括:
根据预设的自适应阈值定义函数,计算相邻两个所述扫描点对应的所述分割阈值。
4.如权利要求1所述的基于圆弧特征提取的机器人定位方法,其特征在于,在所述对所述点云数据帧进行区域分割,得到包含扫描点的目标区块之后,并且在所述在每个所述目标区块中,根据每个所述扫描点的数据信息,筛选出满足预设条件的连续相邻的所述扫描点,组成数据段,得到M个所述数据段之前,所述基于圆弧特征提取的机器人定位方法还包括:
获取每个所述目标区块中包含的所述扫描点的数量;
若所述目标区块对应的所述数量小于预设的最低数量阈值,则丢弃该目标区块。
5.如权利要求1至4任一项所述的基于圆弧特征提取的机器人定位方法,其特征在于,所述使用所述圆弧特征进行机器人自主定位包括:
将所述圆弧特征输入预设的即时定位与地图构建SLAM模型,进行机器人自主定位。
6.一种基于圆弧特征提取的机器人定位装置,其特征在于,所述基于圆弧特征提取的机器人定位装置包括:
数据帧获取模块,用于获取点云数据帧;
区域分割模块,用于对所述点云数据帧进行区域分割,得到包含扫描点的目标区块;
数据段获取模块,用于在每个所述目标区块中,根据每个所述扫描点的数据信息,筛选出满足预设条件的连续相邻的所述扫描点,组成数据段,得到M个所述数据段,其中,M为正整数;
直线获取模块,用于针对每个所述数据段,筛选出该数据段中与对应的预设初始位置距离最近的所述扫描点,并连接筛选出的所述扫描点和所述预设初始位置,得到目标直线,其中,所述预设初始位置为机器人的当前位置;
目标点获取模块,用于在M条所述目标直线中,将每两条所述目标直线之间的交点作为目标点,获取每个所述目标点的坐标;
属性计算模块,用于根据每个所述目标点的坐标,使用预设的霍夫变换算法确定圆心坐标,并结合所述预设初始位置的坐标,计算圆弧半径;
特征提取模块,用于若所述数据段与以所述圆心坐标和所述圆弧半径组成的圆形相吻合,则提取该数据段作为圆弧特征;
自主定位模块,用于使用所述圆弧特征进行机器人自主定位。
7.如权利要求6所述的基于圆弧特征提取的机器人定位装置,其特征在于,所述区域分割模块包括:
距离计算子模块,用于计算所述点云数据帧中相邻两个所述扫描点之间的距离;
阈值获取子模块,用于获取预设的分割阈值;
第一判断子模块,用于若所述距离小于所述预设的分割阈值,则将该距离对应的两个所述扫描点归类到同一个所述目标区块中;
第二判断子模块,用于若所述距离大于或等于所述预设的分割阈值,则将该距离对应的两个所述扫描点作为分割点,分别归类到不同的所述目标区块中。
8.如权利要求7所述的基于圆弧特征提取的机器人定位装置,其特征在于,所述阈值获取子模块,还用于:
根据预设的自适应阈值定义函数,计算相邻两个所述扫描点对应的所述分割阈值。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于圆弧特征提取的机器人定位方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于圆弧特征提取的机器人定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910547230.2A CN110253579B (zh) | 2019-06-24 | 2019-06-24 | 基于圆弧特征提取的机器人定位方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910547230.2A CN110253579B (zh) | 2019-06-24 | 2019-06-24 | 基于圆弧特征提取的机器人定位方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110253579A CN110253579A (zh) | 2019-09-20 |
CN110253579B true CN110253579B (zh) | 2021-11-19 |
Family
ID=67920643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910547230.2A Active CN110253579B (zh) | 2019-06-24 | 2019-06-24 | 基于圆弧特征提取的机器人定位方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110253579B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280815B (zh) * | 2018-02-26 | 2021-10-22 | 安徽新闻出版职业技术学院 | 一种面向监控场景结构的几何校正方法 |
CN111178315B (zh) * | 2020-01-03 | 2023-03-14 | 深圳市无限动力发展有限公司 | 识别墙角的方法、装置和计算机设备 |
CN112060077B (zh) * | 2020-07-22 | 2022-02-22 | 深圳市优必选科技股份有限公司 | 机器人控制方法、装置、计算机可读存储介质及机器人 |
CN113221755A (zh) * | 2021-05-14 | 2021-08-06 | 深圳中智永浩机器人有限公司 | 机器人底盘防压脚方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007219767A (ja) * | 2006-02-15 | 2007-08-30 | National Institute Of Advanced Industrial & Technology | 車線検出方法および装置 |
CN105243664A (zh) * | 2015-10-08 | 2016-01-13 | 东南大学 | 一种基于视觉的轮式移动机器人快速目标跟踪方法 |
CN106514657A (zh) * | 2016-12-30 | 2017-03-22 | 杭州电子科技大学 | 一种基于机器人运动规划的密封圈抓取和放置方法 |
CN107063242A (zh) * | 2017-03-24 | 2017-08-18 | 上海思岚科技有限公司 | 具虚拟墙功能的定位导航装置和机器人 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6856897B1 (en) * | 2003-09-22 | 2005-02-15 | Navteq North America, Llc | Method and system for computing road grade data |
WO2008013568A2 (en) * | 2005-12-30 | 2008-01-31 | Irobot Corporation | Autonomous mobile robot |
US9987743B2 (en) * | 2014-03-13 | 2018-06-05 | Brain Corporation | Trainable modular robotic apparatus and methods |
-
2019
- 2019-06-24 CN CN201910547230.2A patent/CN110253579B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007219767A (ja) * | 2006-02-15 | 2007-08-30 | National Institute Of Advanced Industrial & Technology | 車線検出方法および装置 |
CN105243664A (zh) * | 2015-10-08 | 2016-01-13 | 东南大学 | 一种基于视觉的轮式移动机器人快速目标跟踪方法 |
CN106514657A (zh) * | 2016-12-30 | 2017-03-22 | 杭州电子科技大学 | 一种基于机器人运动规划的密封圈抓取和放置方法 |
CN107063242A (zh) * | 2017-03-24 | 2017-08-18 | 上海思岚科技有限公司 | 具虚拟墙功能的定位导航装置和机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN110253579A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110253579B (zh) | 基于圆弧特征提取的机器人定位方法、装置、设备及介质 | |
CN108446585B (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
JP6031554B2 (ja) | 単眼カメラに基づく障害物検知方法及び装置 | |
CN109035299B (zh) | 目标跟踪方法、装置、计算机设备及存储介质 | |
CN110307838B (zh) | 机器人重定位方法、装置、计算机可读存储介质及机器人 | |
WO2022099511A1 (zh) | 基于点云数据的地面分割方法、装置和计算机设备 | |
CN111368639B (zh) | 车辆越线判定方法、装置、计算机设备和存储介质 | |
CN108381549B (zh) | 一种双目视觉引导机器人快速抓取方法、装置及存储介质 | |
CN110197109B (zh) | 神经网络模型训练、人脸识别方法、装置、设备及介质 | |
WO2021134285A1 (zh) | 图像跟踪处理方法、装置、计算机设备和存储介质 | |
CN109492688B (zh) | 焊缝跟踪方法、装置及计算机可读存储介质 | |
CN114529837A (zh) | 建筑物轮廓提取方法、系统、计算机设备及存储介质 | |
WO2022099528A1 (zh) | 点云法向量计算方法、装置、计算机设备和存储介质 | |
CN112862730B (zh) | 点云特征增强方法、装置、计算机设备和存储介质 | |
CN110271006A (zh) | 机械臂视觉引导方法及装置 | |
CN116681730A (zh) | 一种目标物追踪方法、装置、计算机设备和存储介质 | |
CN111967484B (zh) | 点云聚类方法、装置、计算机设备和存储介质 | |
CN114998276A (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
CN105389800A (zh) | 行参数对象估计 | |
CN110689556A (zh) | 跟踪方法、装置及智能设备 | |
CN113724383A (zh) | 机器人拓扑地图生成系统、方法、计算机设备及存储介质 | |
CN111968102B (zh) | 一种目标设备检测方法、系统、介质及电子终端 | |
CN112381034A (zh) | 一种车道线检测方法、装置、设备及存储介质 | |
CN117372536A (zh) | 激光雷达与相机标定方法、系统、设备和存储介质 | |
CN109493301B (zh) | 一种地图图像处理方法、装置和机器人 |
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 |