CN110389588A - 一种移动机器人 - Google Patents
一种移动机器人 Download PDFInfo
- Publication number
- CN110389588A CN110389588A CN201910646725.0A CN201910646725A CN110389588A CN 110389588 A CN110389588 A CN 110389588A CN 201910646725 A CN201910646725 A CN 201910646725A CN 110389588 A CN110389588 A CN 110389588A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- mobile robot
- processing unit
- road surface
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000000034 method Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 4
- 230000033001 locomotion Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Acoustics & Sound (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及机器人技术领域,具体公开了一种移动机器人,包括底盘、视觉检测模块和控制模块,视觉检测模块包括图像采集单元和处理单元;图像采集单元用于采集图像,并将采集的图像灰度化后发送至处理单元;处理单元对图像进行预处理,在预处理之后提取路面信息,然后将路面信息发送至控制模块;控制模块基于路面信息控制底盘移动。采用本发明的技术方案为此能实现中小型移动机器人的自动巡航。
Description
技术领域
本发明涉及机器人技术领域,特别涉及一种移动机器人。
背景技术
技术的进步推动了人们对智能化的需求,自动驾驶技术不断发展,智能车的技术也开始进入人们的视野,将相关的技术运用于自主移动的移动机器人,即可实现机器人的自动巡航,规划路线自动行驶,极大程度减少了人工操作的必要性。移动机器人的运用范围非常广泛,包括物流领域、仓库存储领域和安保领域等。
所以发展移动机器人是大势所趋,而路面检测技术是其关键技术。路面检测技术是指通过多传感器,视觉系统等方式采集路面信息为车辆的行驶提供参考,减少甚至替代车辆行驶过程中的人工干预。目前路面识别技术主要有两大类:(1)基于构建模型的道路检测系统;(2)基于图像特征的道路检测技术。而基于图像特征的道路检测技术主要是提取图像中的关键信息如交通标示、边缘特征、障碍信息和路面交通线信息。现在已经成熟的道路识别技术大多需要依附与有着强大性能的PC或者其他大型平台,而普通的中小型移动机器人一般不具备搭载这些平台的能力,甚至某些小型机器人在路径的识别时还需要对路径进行非常繁琐的布置、成本高、效果差。
为此,需要一种能实现自动巡航的中小型移动机器人。
发明内容
为解决上述技术问题,本发明提供一种移动机器人。
本发明技术方案如下:
一种移动机器人,包括底盘、视觉检测模块和控制模块,视觉检测模块包括图像采集单元和处理单元;
图像采集单元用于采集图像,并将采集的图像灰度化后发送至处理单元;处理单元对图像进行预处理,在预处理之后提取路面信息,然后将路面信息发送至控制模块;
控制模块基于路面信息控制底盘移动。
基础方案原理及有益效果如下:
通过视觉检测模块采集图像并进行处理,为移动机器人的运动控制提供依据,与传统的PC或者其他大型平台相比,在实现自动巡航功能的前提下,做到了更小的体积,便于应用到中小型移动机器人中。
进一步,所述预处理时,处理单元先对图像进行压缩,再统计图像中的信息,最后消除图像的噪点。
一帧完整的图像分辨率较高。例如480*752,在处理单元处理时需要逐一像素对比,一帧图像转存就需要大约2毫秒,再经过反复处理转存,完成一次图像计算会消耗50毫秒以上,每秒钟最多只能处理10帧图像,占用了大量资源,且不能流畅输出,通过对图像进行压缩,能有效提高处理单元的处理能力,同时也降低了对处理单元的运算能力要求,使处理单元能小型化,以应用到中小型移动机器人中。
进一步,所述提取路面信息时,处理单元将图像二值化,再基于颜色特征提取路线,最后计算道路偏差。
通过将图像二值化,便于快速区分路面和路线。
进一步,所述统计图像中的信息时,处理单元采用最大类间方差法通过统计整个图像的直方图特性来实现全局阈值的自动选取。
最大类间方差法有如下优点,1、运算速度适中,相对最大熵阈值法,最大类间方差法处理一帧图像只需要大约三分之一的时间;2、准确率高,在处理实验环境的路面识别过程中,只有该算法能稳定计算出清晰分割图像的阈值。
进一步,所述采用最大类间方差法时,处理单元的处理步骤为:
(1)计算图像的直方图,将图像所有的像素点按照0~255共256个bin,统计落在每个bin的像素点数量;
(2)归一化直方图,将每个bin中像素点数量除以总的像素点;
(3)i表示分类的阈值,从0开始迭代;
(4)通过归一化的直方图,统计0~i灰度级的像素所占整幅图像的比例w0,将像素值在此范围的像素叫做前景像素,并统计前景像素的平均灰度u0;统计i~255灰度级的像素所占整幅图像的比例w1,将像素值在此范围的像素叫做背景像素,并统计背景像素的平均灰度u1;
(5)计算前景像素和背景像素的方差g=w0*w1*(u0-u1)(u0-u1);
(6)i++;转到4),直到i为256时结束迭代;
(7)将最大g相应的i值作为图像的全局阈值;
(8)获取的全局阈值为Threshold。
通过获取Threshold,便于后续的图像二值化处理。
进一步,所述图像二值化时,处理单元将每个像素的灰度值与Threshold对比,若小于Threshold则该像素值为0,若大于Threshold则该像素值为255。
通过将每个像素的灰度值与Threshold对比,能快速的进行二值化。
进一步,所述底盘包括车体和车轮;车轮数量为四,车体的左右两侧各安装两个;车轮至少包括两个轮毂电机。
轮廓电机操控性好,能使移动机器人灵活移动。
进一步,所述控制模块包括控制芯片、驱动器、角度传感器和超声波传感器;控制芯片基于接收的路面信息传输控制信号至驱动器,驱动器基于控制信号调整轮毂电机的电流大小和方向。
通过驱动器能实现轮毂电机的精确控制。
进一步,在提取路面信息中,当图像的像素值为255的像素点的个数与像素值为0像素点个数之比超过数值α时,处理单元判定路面信息不正常;处理单元减小图像远处的比例,放大图像近处的比例。
处理单元减小图像远处的比例,放大图像近处的比例能减少图像的白色区域,降低干扰。
进一步,所述超声波传感器的数量为4-8个。
设置多个超声波传感器,能更好的检测突发状况,便于及时应对。
附图说明
图1为一种移动机器人实施例一的逻辑框图;
图2为一种移动机器人实施例一灰度化后的图像;
图3为一种移动机器人实施例一压缩后的图像;
图4为一种移动机器人实施例一消除噪点前后的对比图;
图5为一种移动机器人实施例一二值化后的图像;
图6为一种移动机器人实施例一构建出直角三角形的图像。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
一种移动机器人,包括底盘、视觉检测模块和控制模块。移动机器人行驶在有行车线的路面上。本实施例中,用黄色油漆刷出行车线。
底盘包括车体和车轮;车轮数量为四个,车体的左右两侧各安装两个。车轮可以采用两个前置轮毂电机和两个后置万向轮,也可以采用四个轮毂电机。本实施中采用两个前置轮毂电机和两个后置万向轮。两个轮毂电机前置实现驱动,后置万向轮可以使其转向时更加灵活,相较于四轮结构差速转向时由于万向轮较少的滑移使得机器人的运动更容易控制。
如图1所示,视觉检测模块包括图像采集单元和处理单元。
图像采集单元用于采集图像;图像采集单元安装在底盘的正前方。本实施例,图像采集单元采用MT9V034型摄像头。该摄像头的硬件特点是全局快门,宽动态。全局快门是指每一次摄像头采集的图像为一整张,对比以往如OV7725的线阵传感器逐行采集,全局快门虽然输出速度不如前者,但是动态图像畸变小,整体照片采集的速度是要远高于OV7725的。MT9V034的最大输出分辨率为752*480,可以设置曝光时间,为了在动态监测中能够获得更好的稳定性以及畸变更小更流畅,曝光时间需要调小。这样的设置之后,该摄像头在运动时对于道路的动态拍摄,图像不模糊,没有拖尾,能够增加路面视觉检测时的稳定性和准确性。
如图2所示,图像采集单元还用于将采集的图像灰度化,将灰度化后的图像发送至处理单元。灰度化是指图像由彩色,转化为黑白。本实施例中,图像的像素格式设置为8位,即0~255灰度图像,分辨率设置为120*188,每秒输出60帧。本实施例中,处理单元采用IMXRT1052单片机。这是一款NXP推出的基于Cortex-M7架构的高性能单片机,超500MB主频让它处理逻辑非常迅速,同时兼顾实时性,非常适合视觉系统的设计。该单片机的应用环境是基于汽车电子的标准,具有相当高的可靠性和稳定性。
处理单元对图像进行预处理,在预处理之后提取路面信息,然后将路面信息发送至控制模块。
预处理
在预处理中,处理单元先对图像进行压缩,以缩小图像的尺寸;再统计图像中的信息,最后消除图像的噪点。
其中,对图像进行压缩时,隔行隔列提取像素,使图像压缩为四分之一大小,如图3所示,即60*94的分辨率。
统计图像中的信息时,可以采用双峰法、最大熵阈值法或最大类间方差法获取阈值,本实施例中采用最大类间方差法获取阈值;最大类间方差法运算速度适中,相对最大熵阈值法,最大类间方差法处理一帧图像只需要大约三分之一的时间;而且准确率高。
最大类间方差法通过统计整个图像的直方图特性来实现全局阈值(Threshold)的自动选取,其算法步骤为:
(1)先计算图像的直方图,即将图像所有的像素点按照0~255共256个bin,统计落在每个bin的像素点数量;
(2)归一化直方图,即将每个bin中像素点数量除以总的像素点;
(3)i表示分类的阈值,也即一个灰度级,从0开始迭代;
(4)通过归一化的直方图,统计0~i灰度级的像素(假设像素值在此范围的像素叫做前景像素)所占整幅图像的比例w0,并统计前景像素的平均灰度u0;统计i~255灰度级的像素(假设像素值在此范围的像素叫做背景像素)所占整幅图像的比例w1,并统计背景像素的平均灰度u1;
(5)计算前景像素和背景像素的方差g=w0*w1*(u0-u1)(u0-u1);
(6)i++;转到4),直到i为256时结束迭代;i++是C和C++语言里的自增运算符,i++是指使用i之后再对i+1。
(7)将最大g相应的i值作为图像的全局阈值;
(8)获取的全局阈值为Threshold。
如图4所示,消除图像的噪点时,基于最底部行像素由下及上对每一个像素进行搜索,随后搜索其周围相邻其他三个像素点,若是超过两个与这个像素相反,则将该像素翻转。
在实际运行环境中,图像越下部越接近车体,图像的识别会更加准确不容易出错;通过上述方式可以滤除大部分的噪点,对于大片的噪点块也会有减少的效果。
提取路面信息
在提取路面信息中,处理单元将图像二值化,再基于颜色特征提取路线,最后计算道路偏差。
其中,如图5所示,图像二值化时,处理单元将每个像素的灰度值GreyLevel与Threshold对比,若小于则该像素值为0(黑),反之则为255(白)。可以提取出图像的主体为白色,背景为黑色。本实施中,也就是行车线显示为白色,路面显示为黑色。
基于颜色特征提取行车线时,处理单元建立以图像左下角为起始的二维数组,将一帧二值化图像的像素进行由上及下,由左及右的逐行比对,记录所有白色像素的x轴位置,即可得到一个只关于行车线的数组。建立一个二维坐标系,可以将行车线位置全部标出,然后加以计算。
数组中记录下其x轴位置X0并求和,赋值给X0,然后除以白色像素数,可以得到该行白色像素的中间位置。全部60行数据计算完成后可以绘制出该帧图像中道路的中线位置。
计算道路偏差时,处理单元对理论中值与实际行车线中值进行比较计算出偏差值,基于图像远近分别加以不同权重,最后求和,再除以全部有效像素行,能得到总体偏差值,再将该偏差值于理论中值对比,得到偏差方向。处理单元还对行车线类型进行判断,本实施例中,行车线类型包括直道和弯道。如图6所示,处理单元取得最近端路线中点向远端延伸成为a边,取得最远端路径中点连接最近端中点作为b点,构建出直角三角形。计算出a边与b边夹角,当夹角(此处夹角并非角度)大于一定数值时判断为弯道。
路面信息发送
路面信息发送时,每计算出一组参数就按照制定的协议,通过串口发送给控制模块。本实施例中,协议为“‘:’+偏移量低字节+偏移量高字节+偏移量正负+角度制偏移角+偏移角正负+当前道路类型+前方道路类型+突发状况类型+回车”并且200ms发送一次。由于偏移量不做运算而图像像素可能超过255,所以采用两个字节表示偏移量,而偏移可能是左偏或者右偏,所以需要正负,偏移角同理,通过当前道路类型和前方道路类型来实现加减速,突发状况可用做紧急停止还是减速慢行或者避让等。
协议表
串口数据示例
控制模块包括控制芯片、驱动器、角度传感器和超声波传感器。控制芯片基于接收的路面信息发送控制信号给驱动器,进而让驱动器改变轮毂电机的电流大小、方向等来实现移动机器人的运动。移动机器人的方向变换是由两个轮子差速实现的,因此每个轮毂电机都需要搭配一个驱动器。
本实施例中,控制芯片采用plc54606单片机;角度传感器采用MPU6050陀螺仪芯片,可以读取绝对方向、角速度、角加速度等数据;LPC54606单片机与MPU6050陀螺仪传芯片的通讯方式采用IIC协议。
在方向控制上,单纯的进行调整每个轮毂电机的转速进行差速转弯是没有闭环控制的,容易造成控制不准确。通过安装角度传感器能实时检测方向,将方向信号发送至控制芯片,形成闭环。便于控制芯片进行实时调整。
超声波传感器的数量为4-8个;本实施例中为8个,分别安装在底盘前、后、左上、左中、左下、右上、右中、右下八个方向。本实施例中,超声波传感器采用AJ-SR04M收发一体化超声波模块。超声波传感器用于探测物体距离移动机器人的距离,探头范围为0.2m~8m;当物体距离移动机器人的距离低于警戒值时,控制芯片控制移动机器人停止运动。本实施例中,警戒值为0.2m,在其他实施例中,可以根据实际情况进行设定。
在移动机器人运动过程中,如果遭遇突发状况,例如有动物或者非法者闯入行驶路线内;超声波传感器能探测到物体距离移动机器人的距离,当距离低于警戒值时,控制芯片控制移动机器人停止运动,安全性高。
实施例二
一种移动机器人,与实施例一的区别之处在于:车轮采用四个轮毂电机。
实施例三
在逆光环境下,由于路面的漫反射,路面实际反射亮度并不比黄色的行车线少,导致图像识别模糊,这样的情况下无法正常识别。对于该情况,现有的平台无法完全避免光照不均匀的影响。所以本实施例的移动机器人,与实施例一的区别之处在于:在提取路面信息时,当图像的白色像素点个数远超黑色像素点个数时,也就是当图像的像素值为255的像素点的个数与像素值为0像素点个数之比超过数值α时,处理单元判定路面信息不正常;处理单元减小图像远处的比例,放大图像近处的比例,由于远处受干扰可能性大,减小图像远处的比例可以降低影响。最后,处理单元再次消除图像的噪点。引入预处理中消除图像噪点的算法,能减少图像白色区域,降低干扰。α为1.5-5,本实施例中,α为3。
实施例四
一种移动机器人,与实施例三的区别之处在于,还包括存储模块、定位模块和通信模块。定位模块用于获取移动机器人的位置信息,将位置信息发送至处理单元;定位模块采用GPS定位模块或者北斗定位模块,本实施例中,定位模块采用GPS定位模块,位置信息为坐标。通信模块用于一移动机器人与另一移动机器人之间的信息传输,换句话说,两移动机器人的通信模块之间相互通信,从而实现信息的传输。本实施例中,通信模块采用WIFI通信模块。存储模块用于存储位置信息和路面信息。当处理单元提取路面信息过程中,判定路面信息不正常或判断为弯道或提取行车线时出现交叉的两条行车线;处理单元记录此处的位置信息,在随后的路面信息发送时,每计算出一组参数就按照制定的协议,通过本移动机器人的通信模块发送至相邻的移动机器人的通信模块,通信模块发送路面信息的同时,还发送此处的位置信息。本实施例中,相邻是指相距20m以内。距离的计算是处理单元基于本移动机器人当前的位置信息和另一移动机器人当前的位置信息进行计算的,位置信息的发送以及距离的计算属于现有技术,这里不再赘述。
当相邻的移动机器人移动到同一的位置时,处理单元将自身得到的路面信息与外部获取的路面信息进行比对,判断差异度,如果差异度小于20%,将自身得到的路面信息发送至控制芯片,当差异度大于20%时,将外部获取的路面信息发送至控制芯片。
由于处理单元计算能力有限,当遇到复杂路况,例如路面信息不正常、弯道和出现交叉的两条行车线时容易出现计算错误的情况,本方案中处理单元将自身得到的路面信息与外部获取的路面信息进行比对,判断差异度,可以有效评估是否出现较大的计算误差。误差较小时,按自身得到的路面信息移动不容易出现错误;误差较大时,由于外部获取的路面信息已经被验证过,按外部获取的路面信息移动更安全。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种移动机器人,包括底盘、视觉检测模块和控制模块,其特征在于,视觉检测模块包括图像采集单元和处理单元;
图像采集单元用于采集图像,并将采集的图像灰度化后发送至处理单元;处理单元对图像进行预处理,在预处理之后提取路面信息,然后将路面信息发送至控制模块;
控制模块基于路面信息控制底盘移动。
2.根据权利要求1所述的移动机器人,其特征在于:所述预处理时,处理单元先对图像进行压缩,再统计图像中的信息,最后消除图像的噪点。
3.根据权利要求2所述的移动机器人,其特征在于:所述提取路面信息时,处理单元将图像二值化,再基于颜色特征提取路线,最后计算道路偏差。
4.根据权利要求3所述的移动机器人,其特征在于:所述统计图像中的信息时,处理单元采用最大类间方差法通过统计整个图像的直方图特性来实现全局阈值的自动选取。
5.根据权利要求4所述的移动机器人,其特征在于:所述采用最大类间方差法时,处理单元的处理步骤为:
(1)计算图像的直方图,将图像所有的像素点按照0~255共256个bin,统计落在每个bin的像素点数量;
(2)归一化直方图,将每个bin中像素点数量除以总的像素点;
(3)i表示分类的阈值,从0开始迭代;
(4)通过归一化的直方图,统计0~i灰度级的像素所占整幅图像的比例w0,将像素值在此范围的像素叫做前景像素,并统计前景像素的平均灰度u0;统计i~255灰度级的像素所占整幅图像的比例w1,将像素值在此范围的像素叫做背景像素,并统计背景像素的平均灰度u1;
(5)计算前景像素和背景像素的方差g=w0*w1*(u0-u1)(u0-u1);
(6)i++;转到4),直到i为256时结束迭代;
(7)将最大g相应的i值作为图像的全局阈值;
(8)获取的全局阈值为Threshold。
6.根据权利要求5所述的移动机器人,其特征在于:所述图像二值化时,处理单元将每个像素的灰度值与Threshold对比,若小于Threshold则该像素值为0,若大于Threshold则该像素值为255。
7.根据权利要求1所述的移动机器人,其特征在于:所述底盘包括车体和车轮;车轮数量为四,车体的左右两侧各安装两个;车轮至少包括两个轮毂电机。
8.根据权利要求7所述的移动机器人,其特征在于:所述控制模块包括控制芯片、驱动器、角度传感器和超声波传感器;控制芯片基于接收的路面信息传输控制信号至驱动器,驱动器基于控制信号调整轮毂电机的电流大小和方向。
9.根据权利要求3所述的移动机器人,其特征在于:在提取路面信息中,当图像的像素值为255的像素点的个数与像素值为0像素点个数之比超过数值α时,处理单元判定路面信息不正常;处理单元减小图像远处的比例,放大图像近处的比例。
10.根据权利要求8所述的移动机器人,其特征在于:所述超声波传感器的数量为4-8个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910646725.0A CN110389588A (zh) | 2019-07-17 | 2019-07-17 | 一种移动机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910646725.0A CN110389588A (zh) | 2019-07-17 | 2019-07-17 | 一种移动机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110389588A true CN110389588A (zh) | 2019-10-29 |
Family
ID=68285013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910646725.0A Pending CN110389588A (zh) | 2019-07-17 | 2019-07-17 | 一种移动机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110389588A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111896012A (zh) * | 2020-03-15 | 2020-11-06 | 上海谕培汽车科技有限公司 | 一种基于机器视觉的车载导航方法 |
CN112884850A (zh) * | 2021-03-22 | 2021-06-01 | 上海易教科技股份有限公司 | 一种赛道识别用图片获取方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009114967A1 (zh) * | 2008-03-19 | 2009-09-24 | 东莞市步步高教育电子产品有限公司 | 基于移动扫描的图像处理方法及装置 |
CN103577828A (zh) * | 2013-11-22 | 2014-02-12 | 中国科学院自动化研究所 | 一种基于边缘特征的道路检测方法 |
CN105844614A (zh) * | 2016-03-15 | 2016-08-10 | 广东工业大学 | 一种基于校对机器人角度的视觉指北方法 |
CN106821694A (zh) * | 2017-01-18 | 2017-06-13 | 西南大学 | 一种基于智能手机的移动导盲系统 |
CN107421540A (zh) * | 2017-05-05 | 2017-12-01 | 华南理工大学 | 一种基于视觉的移动机器人导航方法及系统 |
CN108074251A (zh) * | 2016-11-14 | 2018-05-25 | 广东技术师范学院 | 基于单目视觉的移动机器人导航控制方法 |
CN109903340A (zh) * | 2017-12-07 | 2019-06-18 | 广州映博智能科技有限公司 | 一种车载机器人视觉处理方法 |
-
2019
- 2019-07-17 CN CN201910646725.0A patent/CN110389588A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009114967A1 (zh) * | 2008-03-19 | 2009-09-24 | 东莞市步步高教育电子产品有限公司 | 基于移动扫描的图像处理方法及装置 |
CN103577828A (zh) * | 2013-11-22 | 2014-02-12 | 中国科学院自动化研究所 | 一种基于边缘特征的道路检测方法 |
CN105844614A (zh) * | 2016-03-15 | 2016-08-10 | 广东工业大学 | 一种基于校对机器人角度的视觉指北方法 |
CN108074251A (zh) * | 2016-11-14 | 2018-05-25 | 广东技术师范学院 | 基于单目视觉的移动机器人导航控制方法 |
CN106821694A (zh) * | 2017-01-18 | 2017-06-13 | 西南大学 | 一种基于智能手机的移动导盲系统 |
CN107421540A (zh) * | 2017-05-05 | 2017-12-01 | 华南理工大学 | 一种基于视觉的移动机器人导航方法及系统 |
CN109903340A (zh) * | 2017-12-07 | 2019-06-18 | 广州映博智能科技有限公司 | 一种车载机器人视觉处理方法 |
Non-Patent Citations (2)
Title |
---|
卢卫娜: "车辆视觉导航方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
鲁威威等: "基于单目视觉的前方车辆检测与测距方法研究", 《电视技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111896012A (zh) * | 2020-03-15 | 2020-11-06 | 上海谕培汽车科技有限公司 | 一种基于机器视觉的车载导航方法 |
CN112884850A (zh) * | 2021-03-22 | 2021-06-01 | 上海易教科技股份有限公司 | 一种赛道识别用图片获取方法及装置 |
CN112884850B (zh) * | 2021-03-22 | 2024-02-13 | 上海易教科技股份有限公司 | 一种赛道识别用图片获取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932736B (zh) | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 | |
CN105711597B (zh) | 前方局部行驶环境感知系统及方法 | |
CN109797691B (zh) | 一种无人清扫车及其行车方法 | |
CN101458871B (zh) | 一种智能交通分析系统及其应用系统 | |
CN108596129A (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN109435942A (zh) | 一种基于信息融合的车位线车位识别方法及装置 | |
CN100435160C (zh) | 一种用于交通信息实时采集的视频图像处理方法及系统 | |
US20010024514A1 (en) | Image processing device, singular spot detection method, and recording medium upon which singular spot detection program is recorded | |
CN110371565B (zh) | 智能仓储系统 | |
CN103034843B (zh) | 一种基于单目视觉的夜间车辆检测方法 | |
CN106774296A (zh) | 一种基于激光雷达和ccd摄像机信息融合的障碍检测方法 | |
CN110334678A (zh) | 一种基于视觉融合的行人检测方法 | |
CN105059190B (zh) | 基于视觉的汽车开门碰撞预警装置及方法 | |
CN105205785A (zh) | 一种可定位的大型车辆运行管理系统及其运行方法 | |
CN104751119A (zh) | 基于信息融合的行人快速检测跟踪方法 | |
CN110389588A (zh) | 一种移动机器人 | |
CN105740804A (zh) | 一种基于图像处理的车辆自动跟踪驾驶方法 | |
CN111968132A (zh) | 一种基于全景视觉的无线充电对位的相对位姿解算方法 | |
CN109947115A (zh) | 一种割草机控制系统及其控制方法 | |
CN114119955A (zh) | 一种潜在危险目标检测方法及装置 | |
CN114905512A (zh) | 一种智能巡检机器人全景追踪及避障方法及系统 | |
CN112720408B (zh) | 一种全地形机器人视觉导航控制方法 | |
CN114495066A (zh) | 一种辅助倒车的方法 | |
Shen et al. | Lane line detection and recognition based on dynamic ROI and modified firefly algorithm | |
CN108615365A (zh) | 一种基于车辆检测和跟踪的车流量统计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |