CN110542421A - 机器人定位方法、定位装置、机器人及存储介质 - Google Patents
机器人定位方法、定位装置、机器人及存储介质 Download PDFInfo
- Publication number
- CN110542421A CN110542421A CN201910959522.7A CN201910959522A CN110542421A CN 110542421 A CN110542421 A CN 110542421A CN 201910959522 A CN201910959522 A CN 201910959522A CN 110542421 A CN110542421 A CN 110542421A
- Authority
- CN
- China
- Prior art keywords
- robot
- elevator
- plane
- clustering
- coordinate system
- 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
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
-
- 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
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明实施例公开了一种机器人定位方法,包括:获取电梯内的目标反射率数据,得到反射率数据集;对反射率数据集中的数据按照数据点的位置进行聚类,根据聚类结果确定机器人在电梯内的位置。本发明实施例通过对电梯内的目标反射率数据按照数据点的位置信息进行聚类,当聚类结果满足设定要求时,根据聚类后聚类子集的质心位置确定机器人相对电梯内壁的距离和偏转角度,基于机器人相对电梯内壁的距离和偏转角度进行坐标转换,得到机器人在第一电梯坐标系中的位置,从而实现机器人在电梯内的定位。本实施例中机器人不需要其他复杂的定位辅助或者使用专用电梯,通过目标反射率数据计算得到机器人的位置,具有部署简单和定位效率高的优点。
Description
技术领域
本发明实施例涉及机器人定位技术,尤其涉及一种机器人定位方法、装置、机器人及存储介质。
背景技术
随着机器人越来越普及,机器人被越来越广泛的应用在各种场景中,在机器人的实际工作中,需要让机器人自动上下电梯,所以机器人在电梯内的精准定位就尤为重要。
当前为了让机器人获得准确的位置信息,需要为机器人配置独立的定位信息或专门的电梯,不仅效率低,而且部署成本高,影响了机器人的普及和运行。
发明内容
本发明实施例提供一种机器人定位方法、装置、机器人及存储介质,以实现根据部署在电梯内的反光标贴进行计算确定机器人在电梯中的位置。
第一方面,本发明实施例提供了一种机器人定位方法,包括:
获取电梯内的目标反射率数据,得到反射率数据集;
对所述反射率数据集中的数据按照数据点的位置进行聚类;
若聚类结果满足设定要求,则根据聚类结果确定所述机器人在电梯内的位置。
第二方面,本发明实施例还提供了一种机器人定位装置,包括:
反射率数据获取模块,用于获取电梯内的目标反射率数据,得到反射率数据集;
反射率聚类模块,用于对所述反射率数据集中的数据按照数据点的位置进行聚类;
位置确定模块,用于若聚类结果满足设定要求,则根据聚类结果确定所述机器人在电梯内的位置。
第三方面,本发明实施例还提供了一种机器人,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
传感器,用于采集预设的目标二维码的二维码信息;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任一实施例所述的机器人定位方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任一实施例所述的机器人定位方法。
本发明实施例通过对电梯内的目标反射率数据按照数据点的位置信息进行聚类,当聚类结果满足设定要求时,根据聚类后聚类子集的质心位置确定机器人相对电梯内壁的距离和偏转角度,基于机器人相对电梯内壁的距离和偏转角度进行坐标转换,得到机器人在第一电梯坐标系中的位置,从而实现机器人在电梯内的定位。本实施例中机器人不需要其他复杂的定位辅助或者使用专用电梯,通过目标反射率数据计算得到机器人的位置,具有部署简单和定位效率高的优点。
附图说明
图1是本发明实施例一中的一种机器人定位方法的流程图;
图2是本发明实施例二中的一种机器人定位方法的流程图;
图3是本发明实施例三中的一种机器人定位方法的流程图;
图4是本发明实施例四中的一种机器人定位装置的结构框图;
图5是本发明实施例五中的一种机器人的结构框图;
图6是本发明实施例五中的传感器单元的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种机器人定位方法的流程图,本实施例可适用于机器人独立乘坐电梯进行定位的情况,例如,当医疗机器人通过乘坐电梯上下楼时,医疗机器人通过扫描预设的反光标贴来确定机器人在电梯中的位置。该本方法可以由机器人来执行,例如,由配置有激光雷达的机器人来执行。如图1所示,该方法具体包括如下步骤:
S110、获取电梯内的目标反射率数据,得到反射率数据集。
其中,反射率是指物体反射的辐射能量占总辐射能量的百分比,不同物体具有不同的反射率参数。目标反射率数据是指按照预设标准确定的反射率数据。
可选的,获取目标反射率数据,得到反射率数据集的过程具体包括:
通过设置在机器人上的传感器获取所述机器人在电梯内的点云数据,所述点云数据包含有反射率信息;
从所述点云数据中获取反射率为(γ±Δγ)范围内的数据点,得到反射率数据集,其中,所述γ为设定反射率,所述Δγ为设定反射率容差,所述设定反射率为目标反光标贴的反射率,所述目标反光标贴包括对称设置在所述电梯内壁的中心线两侧的两个反光标贴。
其中,传感器可以为激光雷达,通过激光雷达可以获取到电梯内的点云数据,且这些点云数据中包含有各个点的位置信息和反光率信息。考虑到机器人从不同的角度或者在不同的光线强度下所获取到目标反光标贴的反光率值与理论值会有一定的偏差,因而可以通过设置反射率容差获取到包含设定反射率数据的点云数据,通过在设定反光率γ的基础上,设置容差参数Δγ,对获取的点云数据进行筛选,得到反射率在(γ-Δγ)~(γ+Δγ)范围内的反射率数据,即为反射率数据集。
考虑到机器人在进入电梯后,通常都是面向电梯的内壁站立,因而本实施例中选取电梯的内壁作为确定机器人在电梯内位置的参考基准。预设在电梯内的目标反光标贴设置在电梯的内壁上,具体地,该目标反光标贴对称设置在电梯内壁中心线的两侧,且这两个反光标贴设置在同一高度处,该中心线为电梯内壁的纵向中心线。将这两个反光标贴对称设置,使得这两个反光标贴的中间位置位于该中心线上。可选的,可以将这两个反光标贴张贴在电梯内壁的左右三分之一的位置。
S120、对所述反射率数据集中的数据按照数据点的位置进行聚类。
其中,通过传感器获取到的点云数据中,每个数据点都具有确定的位置信息,例如,当以机器人的坐标系为基准坐标系时,所获取到的点云数据中的各个数据点便具有了确定的坐标信息,相应地,便可以以数据点的坐标为聚类基准对反射率数据集中的数据点进行聚类处理。本实施例中,为了计算和实施方便,将各个数据点在机器人坐标系中的坐标作为各个数据点的位置信息进行聚类。其中,机器人坐标系为以机器人的几何中心为坐标原点的右手坐标系,且机器人坐标系的x轴正向朝向机器人的正前方。
聚类的过程是一个迭代计算的过程,具体地,先确定两个初始位置作为聚类质心,然后将反射率数据集中的各个数据点的位置分别与这两个初始聚类质心的位置进行比较,并将该点计入与该点的位置较近的初始聚类质心所属的聚类群,这样经过一次聚类后,可以得到两个聚类群,然后对这两个聚类群按照相同的方法再次进行聚类计算,以此类推,直到所得到的聚类群的质心位置不再改变,聚类结束,此时得到的聚类群即为相应的聚类子集。
S130、若聚类结果满足设定要求,则根据聚类结果确定所述机器人在电梯内的位置。
其中,聚类子集的数量一方面与目标反光标贴的数量有关,另一方面还与目标反光标贴是否被遮挡有关。本实施例中目标反光标贴的数量为两个,因而所得到的聚类子集的数量仅与目标反光标贴是否被遮挡有关。可选的,当两个预设的目标反光标贴都可以被机器人获取时,因为目标反光标贴被预设在电梯内壁的不同位置,因而这两个反光标贴对应的数据点具有不同的坐标值,因而按照坐标信息对反射率数据集中的数据进行聚类后,便可以得到两个聚类结果,且两个聚类结果的聚类质心的坐标即为目标反光标贴的坐标。根据这两个聚类子集确定机器人在电梯内的位置的方法具体为:
若聚类后得到两个聚类子集,则根据这两个聚类子集的质心在机器人坐标系中的坐标,确定第一直线函数;
根据所述第一直线函数确定所述机器人坐标系的坐标原点与电梯内壁的距离,以及所述机器人坐标系的x轴与电梯内壁法线的夹角;
根据所述机器人坐标系的坐标原点与电梯内壁的距离,以及所述机器人坐标系的x轴与电梯内壁法线的夹角,确定所述机器人在所述第一电梯坐标系中的位置,其中,所述第一电梯坐标系为以两个反光标贴的连线中点为坐标原点的右手坐标系,且所述第一电梯坐标系的x轴正向为所述第一电梯平面的法线方向。
其中,若得到两个聚类子集,表明两个反光标贴均没有被遮挡,此时得到的两个聚类质心的坐标即为两个反光标贴的坐标。
根据这两个聚类质心确定的第一直线函数可以得到该第一直线函数与机器人坐标系的x轴的交点至坐标原点的距离。
再根据这两个聚类质心的坐标可以计算出这两个聚类质心与机器人坐标系的坐标原点间的距离,然后通过三角函数计算,便可以计算出机器人坐标系的坐标原点至第一直线函数的距离,以及机器人坐标系的x轴与电梯内壁法线的夹角,其中,机器人坐标系的坐标原点至第一直线函数的距离即为机器人于电梯内壁的相对距离,机器人坐标系的x轴与电梯内壁法线的夹角确定了机器人相对电梯内壁的偏转角度。
考虑到机器人在电梯内的移动只是进行前后左右四个方向的移动,而不需要进行纵向上的移动,因而在确定了机器人相对电梯内壁的距离以及机器人相对电梯内壁的偏转角度后,此时,若以第一直线函数与电梯内壁中心线的交点作为坐标原点建立的右手坐标系作为第一电梯坐标系,则可以确定第一电梯坐标系与机器人坐标系间的转换关系,进而通过坐标转换,便可以得到机器人在所确定的第一电梯坐标系中的位置信息,从而实现机器人在电梯内的定位,为机器人在电梯内的移动或调整提供准确的位置信息。
该机器人定位方法的工作原理为:通过在电梯内预先配置具有设定反射率的标贴,当机器人对获取到的反光率数据按照位置信息进行聚类后,得到的聚类子集的数量与预设的标贴的数量相同时,根据所得到的聚类子集确定机器人相对电梯的位置关系,基于该相对位置关系进行基础的坐标转换,得到机器人在电梯中的位置信息,实现机器人在电梯内的定位。
本实施例的技术方案,通过在电梯内壁对称设置两个具有设定反射率的反光标贴,通过设置在机器人上的传感器获取这两个反光标贴的反射率数据,通过对获取到的反射率数据按照位置信息进行聚类,当得到两个聚类子集时,两个聚类子集的质心位置即对应着两个反光标贴的位置,进而根据这两个聚类子集的质心位置确定机器人相对电梯内壁的距离和偏转角度,基于机器人相对电梯内壁的距离和偏转角度进行坐标转换,得到机器人在第一电梯坐标系中的位置,实现机器人在电梯内的定位。本实施例中机器人实现定位的外部条件仅为布设好两个反光标贴,不需要其他复杂的定位辅助或者使用专门的电梯,具有部署简单,部署效率高和定位效率高的优点。
实施例二
图2为本发明实施例二提供的一种机器人定位方法的流程图,本实施例在上述实施例的基础上针对机器人无法获取到目标二维码的情况进行了优化,该定位方法具体包括:
S210、若聚类后无法得到两个聚类子集,则获取所述电梯内的平面特征,得到平面特征集,其中,所述平面特征包括平面的法向量和平面的面积。
其中,有上述分析可以知道,若预先布设的两个反光标贴被遮挡(包括一个反光标贴被遮挡和两个反光标贴都被遮挡),此时聚类后便无法得到两个聚类子集,因而无法获取到机器人相对电梯内壁的距离和角度,进而无法得到机器人在电梯内的位置信息。此时,机器人获取电梯内的平面特征,其中,平面的面积用于确定聚类后得到的大平面。平面特征还包括平面的重心位置信息和平面的法向量,根据平面的重心位置和平面的法向量这两个信息可以唯一确定一个平面。本实施例中,可以通过设置在机器人上的传感器获取关于电梯的环境参数,并生成点云数据,通过对生成的点云数据进行平面特征提取,得到各个平面信息。
为了方便计算,本实施例中,以机器人坐标系为基准坐标系进行平面特征提取,其中,机器人坐标系是以机器人的几何中心为坐标原点的右手坐标系,且该机器人坐标系的x轴的正向朝向机器人的正前方。以机器人坐标系为基准坐标系,通过现有的平面特征提取算法对机器人的前方以及机器人的两侧进行平面特征提取,获取相应的平面信息。
本实施例中,为了消除平面特征集中的噪点信息影响聚类过程,在提取平面特征后,需要对这些噪点信息进行滤波处理,该过程具体包括:
比较所述平面特征集中的每一平面的面积;
若所述平面特征集中的任一平面的面积小于预设面积阈值,则将该平面从所述平面特征集中删除。
其中,面积阈值用于删除平面特征集中的干扰平面特征。面积阈值可以根据电梯的尺寸以及电梯内是否有人进行确定。例如,当电梯内有人或者电梯的尺寸较大时,该面积阈值可以相对较大;相反,可以减小该面积阈值,以保证能够滤除噪点信息且不会对聚类过程产生影响。
S220、对所述平面特征集中的平面特征按照所述平面的法向量进行聚类,得到k个平面聚类子集,其中,k≥2。
其中,考虑到机器人在进入电梯后,通常是面向电梯内壁站立,因而可以知道的是,电梯内壁应该接近平行于机器人坐标系的y轴,电梯的两个侧壁应该接近平行于机器人坐标系的x轴,因而可以通过所提取到的平面信息的法向量对各个平面进行聚类处理,具体地,该聚类过程包括:
S221、以所述平面特征集中平面的法向量朝向所述机器人正面的任一法向量作为第一初始聚类质心,法向量朝向所述机器人的第一侧面的任一法向量作为第二初始聚类质心,以及法向量朝向所述机器人的第二侧面的任一法向量作为第三初始聚类质心,其中,所述机器人的第一侧面和第二侧面平行于所述机器人坐标系的坐标纵轴。
其中,根据电梯内壁接近平行于机器人坐标系的y轴,电梯的两个侧壁接近平行于机器人坐标系的x轴,这个先验信息,通过选取朝向机器人正面的某一法向量作为第一初始聚类质心,以朝向机器人的两侧侧部的任意法向量作为第二初始聚类质心和第三初始聚类质心,可以减少循环计算的工作量,能够快速得到聚类结果。
S222、将所述平面特征集中的每个平面的法向量分别与所述第一初始聚类质心、所述第二初始聚类质心,和所述第三初始聚类质心进行比较;其中,
若所述平面的法向量与所述第一法向量之间的夹角最小,则将该平面的法向量对应的平面特征计入第一初始聚类集;
若所述平面的法向量与所述第二法向量之间的夹角最小,则将该平面的法向量对应的平面特征计入第二初始聚类集;
若所述平面的法向量与所述第三法向量之间的夹角最小,则将该平面的法向量对应的平面特征计入第三初始聚类集。
其中,平面的法向量与某一聚类质心的夹角最小,表明该法向量的方向与该聚类质心的方向更接近,通过将每个平面特征的法向量分别与第一初始聚类质心、第二初始聚类质心和第三初始聚类质心进行比较,实现对平面特征集中的平面特征进行了初始归类。
S223、分别以每个初始聚类集中平面的法向量的均值作为新的聚类质心,将所述平面特征集中每个平面的法向量分别与所述新的聚类质心进行比较,得到三个二次聚类集;
重复所述二次聚类集的聚类过程,直至得到的聚类集的聚类质心不再改变,得到k个平面聚类子集。
其中,对每次聚类的结果通过求取法向量的平均值的方法重新确定聚类质心,并将每个平面的法向量分别与重新确定的聚类质心进行比较,实现对那些与多个聚类质心都比较接近的法向量进行重新归类,通过这样的迭代计算,最终当得到的聚类集的聚类质心不再改变时,表明每个归类集群的平面特征的法向量是相同或相近的,此时得到的聚类集为最终的平面聚类子集。
S230、根据k个所述平面聚类子集的质心位置确定所述机器人在电梯内的第一位置。
其中,机器人在进入电梯后的初始方向决定了最终的聚类结果,当机器人相对电梯的倾斜角度较大,导致电梯的三个墙壁的法向量中的任意两个较为接近时,那么经过聚类后,便无法得到三个聚类子集;而当机器人进入电梯后的初始方向与电梯的倾斜角度较小时,根据上述方法聚类后便可以得到电梯内壁处的平面聚类子集和电梯的两个侧壁处的平面聚类子集,即得到三个平面聚类子集。
若k=3,即得到三个平面聚类子集,通过求取三个平面的相交线的中点在机器人坐标系中的位置,进而可以得到电梯内壁平面的中心位置与机器人的距离,以及机器人相对电梯内壁平面的偏移角度,根据所得到的距离和偏移角度,确定坐标变换关系,得到机器人在第二电梯坐标系中的坐标位置,其中,第二电梯坐标系为以电梯内壁的中心为坐标原点的右手坐标系,且第二电梯坐标系的x轴正向为电梯内壁的法线方向。具体地,根据三个平面聚类子集的质心位置确定机器人在电梯内的位置包括:
S231、根据所述三个平面聚类子集确定第一平面,第二平面和第三平面,其中,所述第一平面和所述第二平面分别位于所述机器人的两侧,所述第三平面位于所述机器人的前方;所述第一平面、第二平面和第三平面的面积为对应聚类子集中各个平面的面积之和,所述第一平面、第二平面和第三平面的法向量为对应平面聚类子集的聚类质心。
其中,第一平面为第一平面聚类子集中各个平面特征中的平面所组成的一个大平面,该大平面的面积为第一平面聚类子集中各个平面特征的平面的面积之和,因而此过程中所确定的大平面并不是完整的电梯平面,同样地,第二平面和第三平面也不是完整的电梯平面。例如,对于第三平面,其并不是完整的电梯内壁,而是电梯内壁的部分平面。同样地,第一平面和第二平面分别为电梯的两个侧壁的部分平面。
S232、计算所述第一平面、第二平面和所述第三平面的重心在所述机器人坐标系中的坐标。
其中,第一平面的重心坐标为第一平面聚类子集中各个平面特征的重心坐标均值。示例性的,第一平面、第二平面和第三平面可分别用其几何中心、法向量及面积来表示:
其中,[x1,y1,z1]为第一平面的几何中心坐标,[a1,b1,c1]为第一平面的法向量,size1为第一平面的面积;
[x2,y2,z2]为第二平面的几何中心坐标,[a2,b2,c2]为第二平面的法向量,size2为第二平面的面积;
[x3,y3,z3]为第三平面的几何中心坐标,[a3,b3,c3]为第三平面的法向量,size3为第三平面的面积。
S233、根据所述重心在所述机器人坐标系中的坐标确定所述第三平面所属的第三电梯平面的中心在所述第二电梯坐标系中的坐标。
其中,在已知平面的法向量和平面上任意一点的坐标后,便可以确定出该平面。因而根据所述第一平面的法向量以及第一平面的重心坐标,便可以确定出该第一平面所属的第一电梯平面;同样地,可以确定出电梯的两个侧壁所属的第二电梯平面和第三电梯平面。
通过第一电梯平面与第三电梯平面的交线,以及第二电梯平面与第三电梯平面的交线,可以确定出这两个交线的中点位置的坐标,进而可以得到第三电梯平面的中心位置的坐标。
示例性的,若第三电梯平面的中心位置的坐标记为则第三电梯平面的中心位置的坐标与上述第一平面、第二平面以及第三平面的重心坐标具有如下关系:
S234、对所述第三电梯平面的中心在所述机器人坐标系中的坐标进行坐标转换,得到所述机器人在第二电梯坐标系中的第一坐标。
其中,根据第一平面、第二平面和第三平面的重心在机器人坐标系中的坐标,通过几何关系计算,可得到机器人与其所面对的平面的法向量的夹角,即与第三电梯平面的夹角同时根据第三电梯平面的中心位置的坐标,可计算出机器人到第三电梯平面即电梯内壁的距离为根据机器人与第三电梯平面的夹角,以及机器人到第三电梯平面的距离,便可以得到坐标转换公式,这样经过坐标转换后,便可以得到机器人在第二电梯坐标系中的坐标P1,其中,P1=[y4·sinθ-x4·cosθ,-x4·sinθ-y4·cosθ,0]。
本发明实施例中机器人定位方法的原理是:通过平面特征提取和聚类处理,得到三个关于电梯壁的平面信息,然后通过所得到的平面信息确定电梯内壁的中心位置的坐标,再通过几何关系计算,得到机器人坐标系与第二电梯坐标系的转换关系,进而得到机器人在第二电梯坐标系中的坐标,实现机器人在电梯中的精准定位。
本实施例的技术方案,通过设置在机器人上的传感器采集电梯内的环境参数,并生成点云数据,通过对点云数据进行平面特征提取,得到平面特征集,再根据平面特征集中的各个平面特征的法向量对各个平面特征进行聚类,得到多个平面聚类子集,当平面聚类子集的数量为三个时,表明机器人在电梯中的角度偏移相对较小,此时得到的三个聚类子集分别代表了三个电梯壁,再通过这三个聚类子集确定出三个大平面,根据这三个大平面的重心坐标和法向量确定三个电梯平面,进而通过机器人与电梯内壁的距离和偏转角度,进行坐标转换,得到机器人在以电梯内壁的中心为坐标原点的坐标系中的坐标。本实施例通过对电梯内的环境参数进行平面特征提取,通过聚类处理和几何关系计算,得到机器人在电梯内的坐标,实现在无法获取电梯内的目标二维码时,不依赖外界的定位信标进行精准定位,不仅降低了部署成本,且能有效规避电梯内乘客的干扰,保证定位精度,具有定位精度高和适用性强的优点。
实施例三
图3为本发明实施例三提供的一种机器人定位方法的流程图,本实施例在上述实施例的基础上进行了优化,通过引进二维点云数据确定机器人在电梯中的位置,实现对机器人的更加精确的定位,如图3所示,该定位方法具体包括如下步骤:
S310、获取所述电梯内的直线特征,得到第一直线特征集,其中,所述直线特征包括线段的起始端点位置和结束端点位置。
其中,机器人周围环境是指机器人前方和侧方的环境,例如,当机器人位于电梯内时,此时的周围环境即为位于机器人前方的电梯内壁方向和位于机器人两侧的电梯侧壁方向的环境,其中,电梯内壁是指正对电梯门的电梯墙壁,侧壁是指电梯门两侧的电梯墙壁。直线特征即为机器人周围环境的线段特征,该直线特征包括线段的起始端点位置和结束端点位置,直线特征可以通过直线特征提取算法得到,例如,可以通过霍夫变换特征提取算法进行直线特征提取。本实施例中,直线特征可以通过设置在机器人上的传感器来获取,例如,通过在机器上设置单线激光雷达,可以获取到机器人周围环境的点云数据,且在一个确定的基准坐标系中,这些点云数据带有坐标信息,从而通过直线特征提取算法从点云数据中提取的直线特征具有在该基准坐标系下的坐标信息,即直线特征包括线段的起始端点坐标和结束端点坐标。
考虑到机器人具有确定的坐标系,本实施例可选用机器人坐标系作为基准坐标系进行直线特征提取。本实施例中,机器人坐标系以机器人的几何中心为坐标原点,以机器人的正前方为机器人坐标系的x轴正向,以机器人的左侧朝向作为机器人坐标系的y轴正向,建立直角坐标系,且满足该机器人坐标系的坐标平面平行于水平面。
同时,因为激光雷达与机器人的几何中心之间具有确定的相对位置关系,因而根据激光雷达与机器人几何中心的相对位置关系可以确定激光雷达坐标系与机器人坐标系之间的坐标变换关系,通过该坐标变换关系,可以将激光雷达生成的点云数据映射到机器人坐标系中。
可选的,可以先在激光雷达坐标系中对点云数据进行直线特征提取,然后将这些直线特征转换到机器人坐标系中,得到第一直线特征集;或者,可以先将点云数据进行坐标转换,在机器人坐标系中进行直线特征提取,得到第一直线特征集。
本实施例中,通过单线激光雷达生成的点云数据为二维的点云数据,因而当以机器人坐标系为基准坐标系时,所提取的直线特征反映了在机器人坐标平面内电梯中的直线特征。
为了消除噪点对直线特征提取的影响,本实施例中,在进行直线特征提取之前,先对激光雷达生成的点云数据进行低通滤波,再对经过低通滤波后的点云数据使用直线特征提取算法,得到第一直线特征集。通过对点云数据进行低通滤波,可以有效消除电梯内的人员以及因为电梯内壁的反射而生成的点对激光雷达的影响。
考虑到小尺寸线段会对聚类过程产生干扰,因而在对直线特征进行聚类之前,需要先剃除这些小尺寸线段,以减少计算量和能够得到准确的聚类结果,该过程具体包括:
计算所述第一直线特征集中每个所述直线特征所对应线段的长度;
若所述线段的长度小于预设长度阈值,则将该线段对应的直线特征从所述第一直线特征集中删除。
其中,长度阈值用于删除第一直线特征集中的干扰直线特征。长度阈值可以根据电梯内是否有人和电梯的尺寸进行具体设置,其中,当电梯内有人时,该长度阈值相对较小,而当电梯内没有人时,该长度阈值可以相对较大。同样地,当电梯的尺寸较大时,该长度阈值可以相对较大,而当电梯的尺寸较小时,可以减小该长度阈值,以保证聚类后得到相对准确的直线特征集合。在本实施例的一个可选实施方式中,如果电梯的使用环境中人员较多,长度阈值可设为0.2m;如果电梯为机器人专用电梯或使用人员较少,长度阈值可设为0.5m。
S320、对所述第一直线特征集中的直线特征进行均值聚类,得到多个聚类子集。
其中,对第一直线特征集中的直线特征进行均值聚类可以包括:将第一直线特征集中的直线特征按倾斜角进行均值聚类,其中,倾斜角为直线特征对应的线段与机器人坐标系的x轴之间的夹角。在确定了基准坐标系后,第一直线特征集中的每个直线特征便具有确定的倾斜角。例如,以机器人坐标系为基准,考虑到机器人在进入电梯后基本是朝向电梯内壁站立,当机器人与电梯内壁之间没有人时,此时所提取的直线特征对应的线段与电梯内壁平行或者接近平行,即这些直线特征的倾斜角在π/2附近;而当机器人与电梯内壁之间有人时,因为人的遮挡,激光雷达便无法采集到电梯内壁的信息,而只能采集到人的信息,从而生成具有不同x坐标值的点云数据,因而基于该点云数据所提取的直线特征的倾斜角不同,且部分直线特征的倾斜角会与π/2相差较大。
考虑到机器人在进入电梯后基本是朝向电梯内壁站立,因而可以知道的是,平行于电梯内壁的线段的倾斜角应该在范围内,而平行于电梯侧壁的线段的倾斜角应该在(0±δ)范围内,其中δ为可配置参数,可选的,δ的取值范围可以为0~45°。因而,按照直线特征的倾斜角对第一直线特征集中的线段进行聚类后,最终可以得到平行于电梯内壁的线段的集合,和平行于电梯侧壁的线段的集合。可选的,在机器人坐标系中,该聚类的过程具体包括如下步骤:
S321、从所述第一直线特征集中,选取直线特征的倾斜角在-δ~+δ中的任一倾斜角为第一初始聚类质心,以及选取直线特征的倾斜角在中的任一倾斜角为第二初始聚类质心,其中,δ为预设的容差参数,直线特征的倾斜角为直线特征与单位向量(1,0,0)之间的夹角。
其中,直线特征的倾斜角为该直线特征与机器人坐标系中的单位向量(1,0,0)之间的夹角。考虑到机器人在进入电梯后,基本是面向电梯内壁的,即电梯内壁与机器人坐标系的坐标纵轴应该是接近平行的,而电梯的两个侧壁应该是接近平行于机器人坐标系的坐标横轴的,因而可以以直线的倾斜角为0和倾斜角为π/2为两个初始聚类质心,对第一直线特征集中的直线特征进行聚类,在考虑容差参数的情况下,初始聚类质心可以确定为-δ~+δ中的某一倾斜角为第一初始聚类质心,中的某一倾斜角为第二初始聚类质心。
S322、将各所述直线特征的倾斜角分别与第一初始聚类质心和第二初始聚类质心进行比较,若所述直线特征的倾斜角与所述第一初始聚类质心的差值小于该直线特征的倾斜角与所述第二初始聚类质心的差值,则将该直线特征计入第一聚类群;否则,将该直线特征计入第二聚类群。
其中,直线特征的倾斜角与初始聚类质心的差值是指差值的绝对值,即该差值反映了直线特征的倾斜角与聚类质心的接近程度。第一聚类群为直线特征的倾斜角与第一初始聚类质心更接近的直线特征的集合,第二聚类群为直线特征的倾斜角与第二初始聚类质心更接近的直线特征的集合。
例如,若某一直线特征的倾斜角与第一初始聚类质心的差值小于该直线特征的倾斜角与第二初始聚类质心的差值,表明该直线特征的倾斜角更接近0,即该直线特征更接近平行于机器人坐标系的坐标横轴,因而需要将该直线计入第一聚类群;相反,若某一直线特征的倾斜角与第一初始聚类质心的差值大于该直线特征的倾斜角与第二初始聚类质心的差值,表明该直线特征的倾斜角更接近π/2,即该直线特征更接近平行于机器人坐标系的坐标纵轴,因而需要将该直线特征计入第二聚类群。
S323、将所述第一聚类群中直线特征的平均倾斜角作为第三聚类质心,以及所述第二聚类群中直线特征的平均倾斜角作为第四聚类质心,将所述直线特征的倾斜角分别与所述第三聚类质心和所述第四聚类质心进行比较,若所述直线特征的倾斜角与所述第三聚类质心的差值小于该直线特征的倾斜角与所述第四聚类质心的差值,则将该直线特征计入第三聚类群,否则,将该直线特征计入第四聚类群。
S324、重复所述第三聚类群和所述第四聚类群的聚类过程,直至所述第一直线特征集中各直线特征经过聚类后得到的聚类质心不再改变,得到第二直线特征集和第三直线特征集。
其中,将所述第一聚类群中直线特征的平均倾斜角作为第三聚类质心是指对第一聚类群求取新的聚类质心,同样地,将所述第二聚类群中直线特征的平均倾斜角作为第四聚类质心是指对第二聚类群求取新的聚类质心,通过对初次聚类后的两个聚类群求取新的聚类中心,再将第一直线特征集中的每个直线特征的倾斜角与新得到的两个聚类中心进行比较,将那些直线特征的倾斜角介于0~π/2的直线特征的划分通过再次的聚类处理,进行修正,通过这样的循环迭代,最终当聚类群的质心不再改变的时候,表明经过聚类处理后的所有的直线特征的倾斜角都已经被正确的归类,因而所得到的第二直线特征集中的直线特征应该为平行于电梯侧壁的直线特征的集合,第三直线特征集中的直线特征应该为平行于电梯内壁的直线特征的集合。
S330、对各个所述聚类子集分别进行直线拟合,根据直线拟合的结果确定所述机器人在电梯内的第二位置。
其中,直线拟合是指对聚类后的直线特征集合中的直线特征使用拟合算法得到直线函数,例如,可以采用最小二乘法对各个直线特征进行拟合得到直线函数。考虑到电梯的两个侧壁位于机器人的两侧,因而经过聚类后得到的平行于电梯侧壁的直线特征的集合应该包括位于机器人左侧的直线特征集合,和位于机器人右侧的直线特征集合,因而可以对这两个直线特征集合分别进行直线拟合得到三个直线函数L1,L2和L3,其中,L1为平行于电梯内壁的聚类子集拟合得到的直线,L2和L3为机器人两侧的聚类子集分别拟合得到的直线。
当经过直线拟合得到三个直线函数后,便可以得到机器人相对电梯内壁以及电梯侧壁的距离和方向,实现机器人在电梯内的精准定位。例如,三个直线函数可分别对应第一直线、第二直线和第三直线,其中,第一直线位于电梯内壁上,第二直线和第三直线分别位于电梯的两个侧壁上,通过三个直线函数,可以求取第一直线与第二直线的交点的坐标,以及第一直线与第三直线的交点的坐标,进而得到这两个交点间的距离,以及这两个交点与机器人之间的距离,通过两个交点的距离以及两个交点与机器人之间的距离可以计算得到机器人与电梯内壁的距离;同时,通过第一直线可以确定机器人相对电梯内壁的角度;根据以上机器人相对电梯的角度和距离信息,便可以建立机器人与电梯的相对位置关系,实现在电梯内的定位,使得机器人能够根据电梯的环境自行调整在电梯内的位置。在机器人坐标系中,该直线拟合的过程具体包括以下步骤:
S331、对所述第三直线特征集中的直线特征进行直线拟合,得到第二直线函数;对所述第二直线特征集中位于所述机器人坐标系的一二象限的直线特征进行直线拟合,得到第三直线函数,以及对所述第二直线特征集中位于所述机器人坐标系的三四象限的直线特征进行直线拟合,得到第四直线函数。
其中,因为第二直线特征集为平行于电梯侧壁的直线特征的集合,而由上述分析可以知道,平行于电梯侧壁的直线特征包括位于机器人左侧的直线特征和位于机器人右侧的直线特征,在机器人坐标系中,因为位于机器人左侧的直线处于机器人坐标系的第一二象限,位于机器人右侧的直线处于机器人坐标系的第三四象限,因而通过按照一二象限和三四象限对第二直线特征集中的直线特征进行二次分类,再对二次分类后的直线特征集分别进行直线拟合,得到位于机器人两侧的两条直线函数。
S332、根据所述第二直线函数、所述第三直线函数和所述第四直线函数,确定所述机器人在第三电梯坐标系中的第二坐标,其中,所述第三电梯坐标系的原点为第二直线函数与电梯内壁纵向中心线的交点,所述第三电梯坐标系的横轴与电梯内壁的法线平行,所述第三电梯坐标系的纵轴与电梯内壁的切平面平行,所述电梯内壁正对电梯门。
其中,第一直线与第二直线的交点和第一直线与第三直线的交点,即为机器人坐标平面内电梯内壁与电梯的两个侧壁的交点,通过三个直线函数可以得到这两个交点,进而计算得到机器人到这两个交点的距离,以及通过计算可以得到机器人到电三电梯坐标系的坐标原点的距离,即相当于机器人到电梯内壁的垂直距离;
再通过第二直线函数可以确定机器人与电梯内壁的夹角;
根据机器人到电梯内壁的垂直距离和机器人与电梯内壁的夹角,可以得到第三电梯坐标系与机器人坐标系之间的变换关系;
根据该变换关系进行坐标转换,即可得到机器人在第三电梯坐标系中的第二坐标,从而为机器人在电梯内的移动提供可靠的定位数据。
S340、获取电梯内的平面特征,得到平面特征集,其中,所述平面特征包括平面的法向量和平面的面积。
S350、对所述平面特征集中的平面特征按照所述平面的法向量进行聚类,得到k个平面聚类子集,其中,k≥2。
S360、根据k个所述平面聚类子集的质心位置确定所述机器人在电梯内的位置。
其中,当得到三个平面聚类子集时,通过求取三个平面的相交线的中点在机器人坐标系中的位置,进而可以得到电梯内壁平面的中心位置与机器人的距离,以及机器人相对电梯内壁平面的偏移角度,根据所得到的距离和偏移角度,确定坐标变换关系,得到机器人在第二电梯坐标系中的第一坐标,其中,第二电梯坐标系为以第一电梯平面的中心为坐标原点的右手坐标系,且第二电梯坐标系的x轴正向为第一电梯平面的法线方向。
S370、按照如下公式对所述第一坐标和第二坐标进行加权计算,确定所述机器人在第二电梯坐标系中的最终坐标:
p2=ap0+bp1 (1)
其中,p0为第一坐标,p1为第二坐标,p2为最终坐标;a、b为权重,且a+b=1。
其中,因为第一坐标为第二电梯坐标系下的坐标,第二坐标为第三坐标系下的坐标,需要将这两个坐标转换到同一个坐标系中,再进行加权计算。本实施例中,因为第二电梯坐标系和第三电梯坐标系都是根据机器人相对电梯内壁的距离和角度信息,由机器人坐标系转换得到的,且第三电梯坐标系为平面坐标系,其可以看作是第二电梯坐标系沿z轴移动得到的,因而可以将机器人在第三电梯坐标系中的x坐标和y坐标直接使用到第二电梯坐标系中,即第三电梯坐标系和第二电梯坐标系中的x坐标和y坐标可以等价使用。
长度阈值用于删除第一直线特征集中的干扰直线特征,面积阈值用于删除平面特征集中的干扰平面特征。通过调整a和b的值,可以实现对通过直线特征得到的定位坐标和通过面积特征得到的定位坐标在加权计算中的占比,从而得到更加精确的坐标信息。例如,当实际中,通过直线特征得到的定位坐标更准确时,可以增加b的权重占比;若通过面积特征得到的定位坐标更加准确,可以增加a的权重占比。最终得到更加精确的定位结果。
在本实施例的某一可选实施方式中,权重a和b按照如下方式确定:如果通过三个平面聚类子集确定的第一平面,第二平面和第三平面的面积之和大于2平方米,即size1+size2+size3>2.0m2,则认为通过三维点云拟合平面得到的坐标可信度很高,此时权重a和b的分配关系为:a=0.7,b=0.3,即给第二坐标更高的权重。相反,若通过三个平面聚类子集确定的第一平面,第二平面和第三平面的面积之和小于1平方米,即size1+size2+size3<1.0m2,则认为通过二维点云拟合直线得到的坐标可信度更高,此时权重a和b的分配关系为:a=0.3,b=0.7,即给第一坐标较低的权重。其他情况下,可以对两个权重进行平均分配,即a=0.5,b=0.5。
S380、若所述平面聚类子集的数量不为三个,则将所述第二坐标作为所述机器人在第二电梯坐标系中的最终坐标。
其中,根据前述分析,当机器人在电梯中的方向与电梯间具有较大的偏移量时,此时会导致无法得到三个平面聚类子集,因而就无法基于平面特征聚类得到机器人在电梯中的第一坐标。此时,以通过直线特征得到的第二坐标作为机器人在电梯中的最终坐标。
本实施例通过提取直线特征,以及基于均值聚类得到机器人在电梯内的第二坐标;再通过提取面积特征,以及均值聚类处理,得到机器人在电梯内的第一坐标,并对得到的两个坐标进行加权计算,得到机器人在电梯内的最终坐标。同时,当因为机器人与电梯间的偏移较大导致通过面积特征无法得到机器人在电梯中的位置信息时,直接以通过直线特征得到的第一坐标作为最终机器人在电梯中的坐标。本实施例通过直线特征和平面特征分别获取机器人在电梯中的位置信息,实现在机器人无法获取目标二维码时,根据直线特征和平面特征进行精准定位;通过合理分配两个坐标的权重,进行加权计算得到更加精确的定位坐标。本实施例定位方法不依赖额外定位信标,省去了为机器人部署额外的定位信标而需要的部署成本,具有定位效率高和适应性强的优点。
实施例四
本实施例可适用于机器人乘坐电梯上下楼梯时,通过获取预设在电梯内的二维码进行定位的情况,该装置可以配置于机器人中。
如图4所示,本发明实施例机器人定位装置可以包括:反射率数据获取模块410,反射率聚类模块420和位置确定模块430,其中,反射率数据获取模块410,用于获取电梯内的目标反射率数据,得到反射率数据集;反射率聚类模块420,用于对所述反射率数据集中的数据按照数据点的位置进行聚类;位置确定模块430,用于根据聚类结果确定所述机器人在电梯内的位置。
可选的,反射率数据获取模块410具体包括:
点云数据获取单元,用于通过设置在机器人上的传感器获取所述机器人在电梯内的点云数据,所述点云数据包含有反射率信息;
点云数据筛选单元,用于从所述点云数据中获取反射率为(γ±Δγ)范围内的数据点,得到反射率数据集,其中,所述γ为设定反射率,所述Δγ为设定反射率容差,所述设定反射率为目标反光标贴的反射率,所述目标反光标贴包括对称设置在所述电梯内壁的中心线两侧的两个反光标贴。
可选的,位置确定模块430具体包括:
第一直线函数确定单元,用于若聚类后得到两个聚类子集,则根据这两个聚类子集的质心在机器人坐标系中的坐标,确定第一直线函数,其中,所述机器人坐标系为以机器人的几何中心为坐标原点的右手坐标系,且所述机器人坐标系的x轴正向朝向所述机器人的正前方;
转换关系确定单元,用于根据所述第一直线函数确定所述机器人坐标系的坐标原点与电梯内壁的距离,以及所述机器人坐标系的x轴与电梯内壁法线的夹角;
位置确定单元,用于根据所述机器人坐标系的坐标原点与电梯内壁的距离,以及所述机器人坐标系的x轴与电梯内壁法线的夹角,确定所述机器人在所述第一电梯坐标系中的位置,其中,所述第一电梯坐标系为以两个反光标贴的连线中点为坐标原点的右手坐标系,,且所述第一电梯坐标系的x轴正向为所述第一电梯平面的法线方向。
在上述技术方案的基础上,可选的,该机器人定位装置还包括:
平面特征提取模块,用于若聚类后无法得到两个聚类子集,则获取电梯内的平面特征,得到平面特征集,其中,所述平面特征包括平面的法向量和平面的面积;
平面特征聚类模块,用于对所述平面特征集中的平面特征按照所述平面的法向量进行聚类,得到k个平面聚类子集,其中,k≥2;
第一位置确定模块,用于根据k个所述平面聚类子集的质心位置确定所述机器人在电梯内的位置。
可选的,该机器人定位装置还包括直线特征提取模块,直线特征聚类模块和第二位置确定模块,其中,
直线特征提取模块,用于获取所述电梯内的直线特征,得到直线特征集,其中,所述直线特征包括线段的起始端点位置和结束端点位置;
直线特征聚类模块,用于对所述直线特征集中的直线特征进行均值聚类,得到多个聚类子集;
第二位置确定模块,用于对各个所述聚类子集分别进行直线拟合,根据直线拟合的结果确定所述机器人在电梯内的第二位置。
可选的,该机器人定位装置还包括加权计算模块,用于按照如下公式对所述第一坐标和第二坐标进行加权计算,确定所述机器人在第二电梯坐标系中的最终坐标:
p2=ap0+bp1 (1)
其中,p0为所述第一坐标,p1为所述第二坐标,p2为所述最终坐标;
所述a、b为权重,且a+b=1。
在上述技术方案的基础上,若通过平面特征聚类模块无法得到三个平面聚类子集,则将所述第二坐标作为所述机器人在第二电梯坐标系中的最终坐标。
本发明实施例所提供的机器人定位装置可执行本发明任意实施例所提供的机器人定位方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。
实施例五
图5为本发明实施例五提供的一种机器人的结构框图。图5示出了适于用来实现本发明实施方式的示例性机器人512的框图。图5显示的机器人512仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,机器人512的组件可以包括但不限于:传感器单元526,一个或者多个处理器或者处理单元516,系统存储器528,连接不同系统组件(包括系统存储器528和处理单元516)的总线518。
传感器单元526,用于采集机器人在电梯内的环境参数,并生成环境参数的点云数据。作为示例,本实施例中的传感器单元的结构框图如图6所示,其中传感器单元526包括第一传感器527和第二传感器529,其中第一传感器527可以为单线激光雷达,用于采集环境参数并生成二维点云数据;第二传感器529可以采用深度摄像头或者多线激光雷达,通过第二传感器529可以生成对于环境参数的三维点云数据。
总线518表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
机器人512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被机器人512访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器528可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)530和/或高速缓存存储器532。机器人512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540,可以存储在例如存储器528中,这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
机器人512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信,还可与一个或者多个使得用户能与该机器人512交互的设备通信,和/或与使得该机器人512能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且,机器人512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器520通过总线518与机器人512的其它模块通信。应当明白,尽管图中未示出,可以结合机器人512使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元516通过运行存储在系统存储器528中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的机器人定位方法,该方法包括:获取电梯内的目标反射率数据,得到反射率数据集;对所述反射率数据集中的数据按照数据点的位置进行聚类;若聚类结果满足设定要求,则根据聚类结果确定所述机器人在电梯内的位置。
实施例六
本发明实施例六还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例提供的机器人定位方法,该方法包括:获取电梯内的目标反射率数据,得到反射率数据集;对所述反射率数据集中的数据按照数据点的位置进行聚类;若聚类结果满足设定要求,则根据聚类结果确定所述机器人在电梯内的位置。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种机器人定位方法,其特征在于,包括:
获取电梯内的目标反射率数据,得到反射率数据集;
对所述反射率数据集中的数据按照数据点的位置进行聚类;
若聚类结果满足设定要求,则根据聚类结果确定所述机器人在电梯内的位置。
2.根据权利要求1所述的方法,其特征在于,所述获取电梯内的目标反射率数据,得到反射率数据集,包括:
通过设置在机器人上的传感器获取所述机器人在电梯内的点云数据,所述点云数据包含有反射率信息;
从所述点云数据中获取反射率为(γ±Δγ)范围内的数据点,得到反射率数据集,其中,所述γ为设定反射率,所述Δγ为设定反射率容差,所述设定反射率为目标反光标贴的反射率,所述目标反光标贴包括对称设置在所述电梯内壁的中心线两侧的两个反光标贴。
3.根据权利要求2所述的方法,其特征在于,所述若聚类结果满足设定要求,则根据聚类结果确定所述机器人在电梯内的位置,包括:
若聚类后得到;
根据所述第一直线函数确定所述机器人坐标系的坐标原点与电梯内壁的距离,以及所述机器人坐标系的x轴与电梯内壁法线的夹角;
根据所述机器人坐标系的坐标原点与电梯内壁的距离,以及所述机器人坐标系的x轴与电梯内壁法线的夹角,确定所述机器人在所述第一电梯坐标系中的位置,其中,所述第一电梯坐标系为以两个反光标贴的连线中点为坐标原点的右手坐标系,且所述第一电梯坐标系的x轴正向为所述第一电梯平面的法线方向。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若聚类后无法得到两个聚类子集,则获取所述电梯内的平面特征,得到平面特征集,其中,所述平面特征包括平面的法向量和平面的面积;
对所述平面特征集中的平面特征按照所述平面的法向量进行聚类,得到平面聚类子集;
若所述平面聚类子集的数量为k个,则根据k个所述平面聚类子集的质心位置确定所述机器人在电梯内的第一位置。
5.根据权利要求4所述的方法,其特征在于,在所述获取电梯内的平面特征,得到平面特征集之前,还包括:
获取所述电梯内的直线特征,得到直线特征集,其中,所述直线特征包括线段的起始端点位置和结束端点位置;
对所述直线特征集中的直线特征进行均值聚类,得到多个聚类子集;
对各个所述聚类子集分别进行直线拟合,根据直线拟合的结果确定所述机器人在电梯内的第二位置。
6.根据根据权利要求5所述的方法,其特征在于,所述方法还包括:
按照如下公式对所述第一位置和所述第二位置进行加权计算,将加权计算的结果作为所述机器人在所述电梯内的最终位置:
p2=ap0+bp1 (1)
其中,p2为所述第一位置,p1为所述第二位置,p2为所述最终位置;
所述a、b为权重,且a+b=1。
7.一种机器人定位装置,其特征在于,包括:
反射率数据获取模块,用于获取电梯内的目标反射率数据,得到反射率数据集;
反射率聚类模块,用于对所述反射率数据集中的数据按照数据点的位置进行聚类;
位置确定模块,用于根据聚类结果确定所述机器人在电梯内的位置。
8.一种机器人,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
传感器,用于采集预设的目标二维码的二维码信息;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的机器人定位方法。
9.根据权利要求8所述的机器人,其特征在于,所述传感器为单线激光雷达。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的机器人定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959522.7A CN110542421B (zh) | 2019-10-10 | 2019-10-10 | 机器人定位方法、定位装置、机器人及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959522.7A CN110542421B (zh) | 2019-10-10 | 2019-10-10 | 机器人定位方法、定位装置、机器人及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110542421A true CN110542421A (zh) | 2019-12-06 |
CN110542421B CN110542421B (zh) | 2021-04-13 |
Family
ID=68715567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910959522.7A Active CN110542421B (zh) | 2019-10-10 | 2019-10-10 | 机器人定位方法、定位装置、机器人及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110542421B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986258A (zh) * | 2020-08-24 | 2020-11-24 | 华中科技大学 | 基于点云法矢方向聚类伺服的机器人定位控制方法及系统 |
CN112179353A (zh) * | 2020-09-30 | 2021-01-05 | 深圳市银星智能科技股份有限公司 | 自移动机器人的定位方法、装置、机器人及可读存储介质 |
CN112927322A (zh) * | 2021-01-20 | 2021-06-08 | 上海高仙自动化科技发展有限公司 | 一种定位初始化方法、装置和机器人 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530899A (zh) * | 2013-10-10 | 2014-01-22 | 浙江万里学院 | 基于几何特征性的点云简化方法 |
CN103645480A (zh) * | 2013-12-04 | 2014-03-19 | 北京理工大学 | 基于激光雷达和图像数据融合的地形地貌特征构建方法 |
US20140095062A1 (en) * | 2012-09-28 | 2014-04-03 | Hewlett-Packard Development Company, L.P. | Road Maps from Clusters of Line Segments of Multiple Sources |
CN104807460A (zh) * | 2015-05-04 | 2015-07-29 | 深圳大学 | 无人机室内定位方法及系统 |
CN106327558A (zh) * | 2015-07-08 | 2017-01-11 | 深圳市腾讯计算机系统有限公司 | 点云立面提取方法和装置 |
CN107564059A (zh) * | 2017-07-11 | 2018-01-09 | 北京联合大学 | 基于rgb‑d信息的物体定位方法、装置以及机器视觉系统 |
CN108920765A (zh) * | 2018-06-06 | 2018-11-30 | 东南大学 | 一种基于建筑物三维线段模型的假设平面拟合方法 |
CN109101967A (zh) * | 2018-08-02 | 2018-12-28 | 苏州中德睿博智能科技有限公司 | 基于视觉的目标对象识别与定位方法、终端以及存储介质 |
-
2019
- 2019-10-10 CN CN201910959522.7A patent/CN110542421B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140095062A1 (en) * | 2012-09-28 | 2014-04-03 | Hewlett-Packard Development Company, L.P. | Road Maps from Clusters of Line Segments of Multiple Sources |
CN103530899A (zh) * | 2013-10-10 | 2014-01-22 | 浙江万里学院 | 基于几何特征性的点云简化方法 |
CN103645480A (zh) * | 2013-12-04 | 2014-03-19 | 北京理工大学 | 基于激光雷达和图像数据融合的地形地貌特征构建方法 |
CN104807460A (zh) * | 2015-05-04 | 2015-07-29 | 深圳大学 | 无人机室内定位方法及系统 |
CN106327558A (zh) * | 2015-07-08 | 2017-01-11 | 深圳市腾讯计算机系统有限公司 | 点云立面提取方法和装置 |
CN107564059A (zh) * | 2017-07-11 | 2018-01-09 | 北京联合大学 | 基于rgb‑d信息的物体定位方法、装置以及机器视觉系统 |
CN108920765A (zh) * | 2018-06-06 | 2018-11-30 | 东南大学 | 一种基于建筑物三维线段模型的假设平面拟合方法 |
CN109101967A (zh) * | 2018-08-02 | 2018-12-28 | 苏州中德睿博智能科技有限公司 | 基于视觉的目标对象识别与定位方法、终端以及存储介质 |
Non-Patent Citations (1)
Title |
---|
韦邦国 等: "遗传算法在双激光雷达位姿标定中的应用", 《计量与测试技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986258A (zh) * | 2020-08-24 | 2020-11-24 | 华中科技大学 | 基于点云法矢方向聚类伺服的机器人定位控制方法及系统 |
CN111986258B (zh) * | 2020-08-24 | 2022-05-31 | 华中科技大学 | 基于点云法矢方向聚类伺服的机器人定位控制方法及系统 |
CN112179353A (zh) * | 2020-09-30 | 2021-01-05 | 深圳市银星智能科技股份有限公司 | 自移动机器人的定位方法、装置、机器人及可读存储介质 |
CN112179353B (zh) * | 2020-09-30 | 2023-07-18 | 深圳银星智能集团股份有限公司 | 自移动机器人的定位方法、装置、机器人及可读存储介质 |
CN112927322A (zh) * | 2021-01-20 | 2021-06-08 | 上海高仙自动化科技发展有限公司 | 一种定位初始化方法、装置和机器人 |
CN112927322B (zh) * | 2021-01-20 | 2024-01-23 | 上海高仙自动化科技发展有限公司 | 一种定位初始化方法、装置和机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN110542421B (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7112993B2 (ja) | レーザレーダの内部パラメータ精度検証方法とその装置、機器及び媒体 | |
CN110542421B (zh) | 机器人定位方法、定位装置、机器人及存储介质 | |
CN109059902B (zh) | 相对位姿确定方法、装置、设备和介质 | |
CN109270545B (zh) | 一种定位真值校验方法、装置、设备及存储介质 | |
CN109190573B (zh) | 应用于无人驾驶车辆的地面检测方法、电子设备、车辆 | |
CN112513679B (zh) | 一种目标识别的方法和装置 | |
WO2019237319A1 (en) | Incremental segmentation of point cloud | |
CN109949306B (zh) | 反射面角度偏差检测方法、终端设备及存储介质 | |
CN112991511B (zh) | 一种点云数据的展示方法 | |
CN110542422B (zh) | 机器人定位方法、装置、机器人及存储介质 | |
CN110530375B (zh) | 机器人自适应定位方法、定位装置、机器人及存储介质 | |
CN110530376B (zh) | 机器人定位方法、装置、机器人及存储介质 | |
CN115406457A (zh) | 一种可行驶区域检测方法、系统、设备及存储介质 | |
CN112465908B (zh) | 一种物体定位方法、装置、终端设备及存储介质 | |
CN115346020A (zh) | 点云处理方法、避障方法、装置、机器人和存储介质 | |
CN116642490A (zh) | 基于混合地图的视觉定位导航方法、机器人及存储介质 | |
CN114910892A (zh) | 一种激光雷达的标定方法、装置、电子设备及存储介质 | |
CN113763457B (zh) | 落差地形的标定方法、装置、电子设备和存储介质 | |
CN114662600A (zh) | 一种车道线的检测方法、装置和存储介质 | |
CN114266876A (zh) | 定位方法、视觉地图的生成方法及其装置 | |
CN114384486A (zh) | 一种数据处理方法及装置 | |
CN113129361B (zh) | 一种可移动设备的位姿确定方法及装置 | |
CN115294234B (zh) | 图像的生成方法、装置、电子设备和存储介质 | |
CN116577762B (zh) | 仿真雷达数据生成方法、装置、设备及存储介质 | |
CN115222692A (zh) | 一种识别地面点云的方法和装置 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: Room 513-517, building 1, No. 351, GuoShouJing Road, Pudong New Area, Shanghai, 201203 Patentee after: Shanghai TIMI robot Co.,Ltd. Address before: Room 513-517, building 1, No. 351, GuoShouJing Road, Pudong New Area, Shanghai, 201203 Patentee before: SHANGHAI TMI ROBOT TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |