CN110561423A - 位姿变换的方法、机器人及存储介质 - Google Patents
位姿变换的方法、机器人及存储介质 Download PDFInfo
- Publication number
- CN110561423A CN110561423A CN201910759342.4A CN201910759342A CN110561423A CN 110561423 A CN110561423 A CN 110561423A CN 201910759342 A CN201910759342 A CN 201910759342A CN 110561423 A CN110561423 A CN 110561423A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- map
- data
- local
- local point
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请适用于机器人定位导航技术领域,提供了位姿变换的方法、机器人及存储介质,包括:确定第一地图与第二地图的交接区域;获取所述第一地图中所述交接区域的第一局部点云数据和所述第二地图中所述交接区域的第二局部点云数据;在所述交接区域获取目标物在所述第一地图中的第一位姿;根据所述第一局部点云数据和所述第二局部点云数据获得位姿变换矩阵;所述位姿变换矩阵用于将所述目标物在第一地图中交接区域的第一位姿变换成在所述第二地图中交接区域的第二位姿。本申请提供的机器人重定位方法,通过获取交接区域局部点云数据的方式可以为点云匹配计算提供较佳的初值;获得的初值更加适于点云匹配计算,提高了匹配的效率和成功率。
Description
技术领域
本申请属于机器人定位导航技术领域,尤其涉及一种位姿变换的方法、机器人及存储介质。
背景技术
机器人在进行跨楼层场景、大范围场景或长距离场景定位导航时,需要对多个不同范围的地图进行关联处理,以使机器人根据新地图导航定位。现有技术中一般是对多个地图进行拼接,但是地图拼接的计算量大,导致机器人导航定位效率低。
发明内容
有鉴于此,本申请实施例提供了一种位姿变换的方法、机器人及存储介质,以解决现有技术中目标物在切换地图后重新定位的问题。
本申请实施例的第一方面提供了一种位姿变换的方法,包括:
确定第一地图与第二地图的交接区域;获取所述第一地图中所述交接区域的第一局部点云数据和所述第二地图中所述交接区域的第二局部点云数据;在所述交接区域获取目标物在所述第一地图中的第一位姿;根据所述第一局部点云数据和所述第二局部点云数据获得位姿变换矩阵;利用所述位姿变换矩阵将所述目标物的所述第一位姿变换成所述目标物在所述第二地图中交接区域的第二位姿。一方面,本申请提供的机器人重定位方法相对于计算机视觉或激光雷达重定位的方法,克服机器视觉和激光雷达不准确、效率低的缺陷,通过直接读取第一地图和第二地图并计算点云变换矩阵,提高了机器人重定位的准确性,同时也提高了机器人重定位效率。另一方面,目前的点云匹配算法对初值的依赖较高,本申请提供的机器人重定位方法,通过获取交接区域局部点云数据的方式可以为点云匹配计算提供较佳的初值;获得的初值更加适于点云匹配计算,提高了匹配的效率和成功率。
本申请实施例的第二方面提供了一种机器人重定位的方法,包括:
以所述机器人为目标物;获取目标位置,根据所述目标位置确定第二地图;获取包含当前位置的第一地图;获取包含目标位置的第二地图;确定所述第一地图与所述第二地图的交接区域;获取所述第一地图中所述交接区域的第一局部点云数据和所述第二地图中所述交接区域的第二局部点云数据;根据所述第一局部点云数据和所述第二局部点云数据获得位姿变换矩阵;检测到所述目标物到达所述交接区域,在所述交接区域获取所述目标物在所述第一地图中的第一位姿;利用所述位姿变换矩阵将所述目标物的所述第一位姿变换成所述目标物在所述第二地图中交接区域的第二位姿;所述目标物根据所述第二位姿和所述第二地图重定位。
本申请实施例的第三方面提供了一种机器人,包括:
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的方法步骤
本申请实施例的第四方面提供了一种计算机可读存储介质,包括: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的方法步骤。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述的方法步骤。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术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申请的一些实施例,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是本申请实施例的一种应用场景示意图;
图2是本申请实施例的另一种应用场景示意图;
图3是本申请实施例的另一种应用场景示意图;
图4是本申请实施例提供的一种位姿变换的方法的实现流程示意图;
图5是本申请实施例提供的一种机器人重定位方法的实现流程示意图;
图6是本申请实施例提供的另一种位姿变换的方法的实现流程示意图;
图7是本申请实施例提供的获取局部点云数据示意图;
图8是本申请实施例提供的另一种位姿变换的方法的实现流程示意图;
图9是本申请实施例提供的点云数据平移变换示意图;
图10是本申请实施例提供的另一个点云数据平移变换示意图;
图11是本申请实施例提供的一种位姿变换的装置的示意图;
图12是本申请实施例提供的一种机器人重定位装置的示意图;
图13是本申请实施例提供的一种机器人/电子装置的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1示出了本申请实施例的一种应用场景。如图1所示,在跨楼层环境中,机器人001在第一地图110中的起始位置111收到前往第二地图210中的目标位置211的指令。机器人001到达第一地图110和第二地图210的交接位置,第一电梯间112和第二电梯间212,通过电梯从第一地图位置前往第二地图位置。当机器人到达第二地图的交接位置第二电梯间212时,开始采用第二地图 210导航定位。需要说明的是,图1中的电梯也可以为楼梯等两地图的连接区域。
图2示出了本申请实施例的另一种应用场景。如图2所示,在大范围环境中,机器人001在第一地图310中的起始位置311收到前往第二地图410中的目标位置411的指令。机器人001到达第一地图310和第二地图410交接位置 100,机器人开始采用第二地图410导航定位。
图3示出了本申请实施例的另一种应用场景。如图3所示,在长距离环境中,机器人001在第一地图510中的起始位置511收到前往第二地图610中的目标位置611的指令。机器人001到达第一地图510和第二地图610交接位置 200,机器人开始采用第二地图610导航定位。
本申请的实施例着重结合图1中的场景进行阐述,但是本领域技术人员应该明白,本申请中的实施例均适用于图2或图3中的应用场景,或与上述应用场景近似的需要机器人在不同地图中进行导航定位的场景。
如图1、图2和图3所示,机器人在进行跨楼层场景、大范围场景或长距离场景定位导航时,需要对多个不同范围的地图进行关联处理,以使机器人根据地图导航定位。现有技术中一般是对多个地图进行拼接,但是地图拼接的计算量大,导致机器人导航定位效率低。本申请实施例提供一种位姿变换的方法,以及在此位姿变换的方法的基础上的机器人重定位方法,以解决机器人通过多幅地图导航的问题;本申请实施例提供的方法不需要对多个地图进行拼接处理,只需要获取机器人当前起始位置的第一地图和目标位置的第二地图,获取两地图交接区域的两地图的局部点云数据,并根据两地图的局部点云数据的匹配,获得点云变换矩阵,根据点云变换矩阵和机器人在第一地图的交接区域的第一位姿获得到机器人在第二地图的交接区域的第二位姿,通过第二位姿重定位机器人在第二地图中的坐标,进而机器人可以使用第二地图进行导航定位前往目标位置。一方面,本申请提供的机器人重定位方法相对于计算机视觉或激光雷达重定位的方法,克服机器视觉和激光雷达不准确、效率低的缺陷,通过直接读取第一地图和第二地图并计算点云变换矩阵,提高了机器人重定位的准确性,同时也提高了机器人重定位效率。另一方面,目前的点云匹配算法对初值的依赖较高,本申请提供的机器人重定位方法,通过获取交接区域局部点云数据的方式可以为点云匹配计算提供较佳的初值;通过获取合适大小的局部地图点云数据,获得的初值更加适于点云匹配计算,提高了匹配的效率和成功率。
图4示出是的本申请实施例提供的一种位姿变换的方法,应用于上述图1、图2、图3所示的机器人,可由所述机器人的软件/硬件实现。如图4所示,该方法包括步骤S110~S150。各步骤的实现原理如下:
S110,确定第一地图与第二地图的交接区域;
其中,所述第一地图与第二地图的交接区域为机器人从第一地图起始位置移动到第二地图目标位置过程中经过的两地图重合位置附近的区域。该区域包括但不限于预先确定几何形状的区域,例如一个预先确定的正方形区域,圆形区域;或通过预设算法计算确定的区域。因两地图的交接区域具有相似性,有利于提高后续步骤中点云匹配的效率和成功率,并且可以提高计算效率,更有利于机器人快速获得匹配结果。
在一个非限定性的示例中,在图1的跨楼层场景中,所述交接区域为机器人经过的第一地图和第二地图有重合区域的第一电梯间和第二电梯间,可以将第一电梯间和第二电梯间边界确定的区域作为交接区域;当然也可在第一电梯间和第二电梯间确定一个圆形或矩形区域;也可以在电梯间中选定一个位置,在此位置基础上通过预定算法确定一个区域,使得该区域中两地图相似性较高,可以进一步提高点云匹配的效率和成功率。
在一个非限定性的示例中,在图2或图3的场景中,所述交接区域为机器人经过的第一地图和第二地图边界重合的区域,可以在该区域确定一个几何形状区域,或者通过预设算法确定一个区域,使得该区域中两地图相似性较高。
S120,获取所述第一地图中所述交接区域的第一局部点云数据和所述第二地图中所述交接区域的第二局部点云数据;
在一个非限定性的示例中,所述第一地图和所述第二地图均为点云地图,可以直接通过确定的交接的点云数据获得第一局部点云数据和第二局部点云数据。
在一个非限定性的示例中,所述第一地图和所述第二地图均为栅格地图,通过将交接区域的栅格地图的栅格位置转换为点云位置获得点云数据,从而获得第一局部点云数据和第二局部点云数据。
本领域技术人员在以上示例的教导下可以根据实际电子地图的类型获得第一局部点云数据和第二局部点云数据。
S130,在所述交接区域获取目标物在所述第一地图中的第一位姿;
其中,所述目标物可以为机器人、无人机、无人车等自动设备,也可以为计算机中的虚拟目标物。
在一个非限定性的示例中,所述第一位姿可以为预存的位姿数据。
在一个非限定性的示例中,所述第一位置可以为机器人到达所述预设区域根据位置和方向获得的位姿数据,Posea=(x,y,θ),其中x,y为机器人在地图中的位置,θ为机器人的朝向。
S140,根据所述第一局部点云数据和所述第二局部点云数据获得位姿变换矩阵;
S150,利用所述位姿变换矩阵将所述目标物的所述第一位姿变换成所述目标物在所述第二地图中交接区域的第二位姿。
在一个非限定性示例中,对所述第一局部点云数据和所述第二局部点云数据采用迭代就近点(Iterative Closest Point,ICP)算法进行点云匹配计算得到位姿变换矩阵Tab通过位姿变换矩阵即可以获得机器人在第二地图中的第二位姿 Poseb=Posea·Tab。
在一个非限定性示例中,对所述第一局部点云数据和/或第二局部点云数据进行几何变换后进行ICP点云匹配计算得到位姿变换矩阵Tab,通过位姿变换矩阵即可以获得机器人在第二地图中的第二位姿。
其中,根据所述第一局部点云数据和所述第二局部点云数据获得位姿变换矩阵所采用的点云匹配算法包括但不限于以下对初值的依赖较高的算法:迭代最近邻法、采样一致性初始配准、四点快速匹配方法和正态分布变换算法。
可以看出,获取第一位姿的步骤S130可以是在根据变换矩阵将第一位姿变换为第二位姿前的任意时刻进行。
在上述图4所示的实施例中,通过获取两地图交接区域的两地图的局部点云数据,并根据两地图的局部点云数据的匹配,获得点云变换矩阵,根据点云变换矩阵和机器人在第一地图的交接区域的第一位姿获得到机器人在第二地图的交接区域的第二位姿,进而机器人可以通过第二位姿重定位机器人,在第二地图中的坐标系中使用第二地图进行导航定位前往目标位置。一方面,本申请提供的机器人重定位方法相对于计算机视觉或激光雷达重定位的方法,克服机器视觉和激光雷达不准确、效率低的缺陷,通过直接读取第一地图和第二地图并计算点云变换矩阵,提高了机器人重定位的准确性,同时也提高了机器人重定位效率。另一方面,目前的点云匹配算法对初值的依赖较高,本申请实施例提供的机器人重定位方法,因第一地图和第二地图在交接区域的环境相似,使得在交接区域获取的两幅地图的点云数据具有相近的特征;通过获取第一地图与第二地图在交接区域的第一地图的第一局部点云数据和第二地图的第二局部点云数据,可以为点云匹配算法,例如ICP算法,提供较为接近的特征数据,通过获取交接区域局部点云数据的方式可以为点云匹配计算提供较佳的初值,获得的初值更加适于点云匹配计算,提高了匹配的效率和成功率。
在上述图4所示的位姿变换方法的基础上,图5示出了本申请实施例提供的一种机器人重定位方法,应用于上述图1、图2、图3所示的机器人,可由所述机器人的软件/硬件实现。如图5所示,该方法包括步骤S210~S280。各步骤的实现原理如下:
S210,获取目标位置,根据所述目标位置确定第二地图;
在一个非限定性的示例中,机器人通过无线通信网络获得控制设备发送的目标位置信息,所述目标位置信息包括目标位置的经纬度和海拔高度,目标位置对应的地图,机器人根据目标位置信息确定目标位置对应的第二地图。
在一个非限定性的示例中,机器人通过人机交互指令获得目标位置信息。并根据目标位置确定存储于机器人内部或者存储于网络存储介质中的第二地图。
S220,获取包含当前位置的第一地图;获取包含目标位置的第二地图;
在一个非限定性的示例中,机器人通过内置的全球定位导航装置或者通过网络定位装置获得当前位置,并根据当前位置获得存储于机器人内部或者存储于网络存储介质中的第一地图和第二地图。
S230,确定所述第一地图与所述第二地图的交接区域;
S240,获取所述第一地图中所述交接区域的第一局部点云数据和所述第二地图中所述交接区域的第二局部点云数据;
S250,根据所述第一局部点云数据和所述第二局部点云数据获得位姿变换矩阵;
S260,检测到所述目标物到达所述交接区域,在所述交接区域获取所述目标物在所述第一地图中的第一位姿;
在一个非限定性的示例中,机器人通过内置的全球定位导航装置或者通过网络定位装置检测是否到达交接区域。
S270,利用所述位姿变换矩阵将所述目标物的所述第一位姿变换成所述目标物在所述第二地图中交接区域的第二位姿。
在一个非限定性的示例中,机器人对所述第一局部点云数据和所述第二局部点云数据进行ICP点云匹配计算得到位姿变换矩阵Tab通过位姿变换矩阵即可以获得机器人在第二地图中的第二位姿,Poseb=Posea·Tab。
S280所述目标物根据所述第二位姿和所述第二地图重定位。
在一个非限定性的示例中,机器人获得了在第二地图中的第二位姿,第二位姿在第二地图的坐标参考系内,即获得了在第二地图坐标系中的位置信息,从而在此位姿基础上即可根据第二地图进行导航定位。
在上述图5所示的实施方式中可以看出,本申请实施例提供的方法不需要对多个地图进行拼接处理,只需要获取机器人当前起始位置的第一地图和目标位置的第二地图,获取两地图交接区域的两地图的局部点云数据,并根据两地图的局部点云数据的匹配,获得点云变换矩阵,根据点云变换矩阵和机器人在第一地图的交接区域的第一位姿获得到机器人在第二地图的交接区域的第二位姿,通过第二位姿重定位机器人在第二地图中的坐标,进而机器人可以使用第二地图进行导航定位前往目标位置。一方面,本申请提供的机器人重定位方法相对于计算机视觉或激光雷达重定位的方法,克服机器视觉和激光雷达不准确、效率低的缺陷,通过直接读取第一地图和第二地图并计算点云变换矩阵,提高了机器人重定位的准确性,同时也提高了机器人重定位效率。另一方面,目前的点云匹配算法对初值的依赖较高,本申请提供的机器人重定位方法,通过获取交接区域局部点云数据的方式可以为点云匹配计算提供较佳的初值;获得的初值更加适于点云匹配计算,提高了匹配的效率和成功率。
本申请的各个非限定的实施示例提供的优选方案着重结合图4提供的位姿变换方法进行阐述,但是本领域技术人员应该明白,图5所示实施提供的机器人重定位方法是在图4所示实施例基础上在机器人领域的应用;因此本申请中的各个非限定性的实施示例均适用于图5所示实施例提供的机器人重定位方法。
在上述图4所示的实施例的基础上,图6示出的是本申请实施例提供另一种位姿变换的方法。步骤S120,获取所述第一地图中所述交接区域的第一局部点云数据和所述第二地图中所述交接区域的第二局部点云数据,包括:
S121,以预设方法获取所述交接区域在所述第一地图中的第一局部地图,以及在所述第二地图的第二局部地图。
S122,根据所述第一局部地图获得所述第一局部点云数据;根据所述第二局部地图获得所述第二局部点云数据。
在一个非限定性的示例中,以所述交接区域中选定位置为中心点,计算所述中心点与其周围预设角度范围内障碍物的距离值,根据所述距离值确定所述第一局部地图和所述第二局部地图的范围;其中,所述障碍物为从所述中心点出发在一个方向首次遇到的障碍物。
通过中心点周围障碍物的距离确定地图的大小,因为交接区域环境相似,以中心点附近的障碍物的距离确定地图的大小可以使得两个局部点云数据的相近特征,并且地图的大小合适,避免地图范围过大带来的不必要的计算量,或者地图范围过小,特征值数量不足造成匹配失败。
在一个优选的非限定性的示例中,计算所述中心点与其周围预设角度范围内障碍点的距离值,根据所述距离值确定局部地图的范围,包括:
以第一预设角度间隔,计算所述中心点与其预设角度范围内的障碍点的距离值,根据所述距离值确定距离值数据集;
根据所述距离值数据集中的距离值的均值获得第一参数;
统计步骤:统计小于所述第一参数的距离值的数量;
若所述数量小于等于第一预设值,则以预设步长增大所述第一参数,返回所述统计步骤;
若所述数量大于第一预设值,则以所述第一参数确定所述第一局部地图和所述第二局部地图的范围。
其中,所述第一预设角度间隔可以为0~360度间任意角度间隔,本领域技术人员可以在本申请实施例的教导下选取计算效率和计算精度最佳的预设角度间隔,例如5度,10度,15度等预设角度间隔。
通过第一预设角度间隔获取所述中心点周围360度范围内的障碍点的距离,根据所述距离的长度确定长度数据集;对角度的采样处理,使得处理数据的数据量降低,提高系统的实时处理性能;通过对第一参数的自适应调整,保证获取到的局部地图范围中,存在大于第一预设值的有效局部地图数据,保证截取的局部地图可参考的障碍点较多,以增加点云匹配的可靠性。
进一步的,在一个优选的非限定性的示例中,在根据所述距离值数据集中的距离值的平均值获得第一参数前,还包括:
过滤所述距离值数据集中的异常数据;
所述异常数据为距离值数据集中的M个最大距离值和/或N个最小距离值。通过过滤异常数据,可以排除过长或过短的数据对点云匹配过程的干扰,增加点云匹配过程的可靠性。
如图7所示,在一个优选的非限定性的示例中,获取局部地图点云数据的方法为,机器人到达交接区域,例如图1中电梯间112;机器人任意选择一个位置或电梯间的中央位置作为中心点1121,以地图中的中心点为起点,在地图中向中心点周围360度范围发散探索线,图7中有箭头的实线代表探索线;探索线沿一个方向探索,直到遇到地图中标识为障碍物的点,例如墙壁等固定物的标记点,则此时获取到探索线L1,此时L1中包含线段角度信息及长度信息;重复以上获得L1的步骤,由此获得L1-L360条探索线段信息。针对L1-L360 探索线段进行过滤筛选,去除最长及最短线段后,将获取当前探索线段的平均长度Laver,统计长度小于等于Laver的探索线段集合,若长度小于等于Laver的探索线段集合大于270条,意味着270度的此平均长度下能获取的3/4的有效局部数据,若小于270条则加大Laver继续筛选,直到小于等于Laver的探索线大于等于 270条后获取最终的选取范围长度。依据上述获取的有效长度信息Laver,及中心坐标即可获取圆形或Laver·Laver矩形范围内的局部地图数据。如果地图为点云地图,则可直接获得该局部地图内的点云数据。如果地图为栅格地图,则首先获得局部栅格地图数据,将栅格地图数据以中心点为参考系原点,其余栅格地图点为点云的(x,y)坐标的集合,即为获取到一定大小有效的局部点云地图数据。通过自动获取到固定点周围大小范围适当且有效的局部特征地图信息,有利于减少数据量,有效性能保证提取的局部特征地图信息较为完备,为后续的匹配提供有效可靠的信息。
在上述图4所示的实施例的基础上,图8示出的是本申请实施例提供另一种位姿变换的方法。包括:多次重复执行图8所示的步骤A,和步骤B至步骤 D中与步骤A中点云数据几何变换对应的步骤至少之一,选择点云匹配计算中结果误差最小的几何变换矩阵和点云匹配矩阵确定所述位姿变换矩阵。本领域技术人员应当明白,所述对应的步骤是指可以应用步骤A中变换结果的步骤。
其中,步骤A,对所述第一局部点云数据进行几何变换得到第一局部点云变换数据;和/或,对所述第二局部点云数据进行几何变换得到第二局部点云变换数据;
步骤B,根据所述第一局部点云变换数据和所述第二局部点云变换数据进行点云数据匹配计算;
步骤C,根据所述第一局部点云变换数据和所述第二局部点云数据进行点云匹配计算;
步骤D,根据所述第一局部点云数据和所述第二局部点云变换数据进行点云匹配计算;
其中,所述几何变换包括平移变换和旋转变换中的至少之一。
在一个非限定性的示例中,对第一局部点云数据和第二局部点云数据进行平移变换,对第二局部点云数据进行旋转变换,获得较为接近的两组点云数据,以提高点云匹配的计算效率。
在一个非限定性的示例中,仅对第一局部点云数据或仅对第二局部点云数据进行平移或旋转变换,获得较为接近的两组点云数据,以提高点云匹配的计算效率。
可以看出,本领域技术人员可以在以上示例的教导下选择对某一或者两组点云数据进行平移变换和/或旋转变换以达到获得较为接近的两组点云数据,以提高点云匹配的计算效率的目的。
在一个优选的非限定性示的例中,当所述几何变换为旋转变换时,
所述旋转变换为,每隔第二预设角度间隔进行一次旋转变换,其中第二预设角度间隔可以为0~360度间任意角度间隔,例如,每隔10度进行一次旋转变换;通过设置第二预设角度间隔可以减少计算量,提高计算速度,降低设备成本。当然,本领域技术人员可以在本申请的教导下对角度间隔作出适合实际实现的选择以达到减少计算量、提高计算速度、降低设备成本的目的。
在一个优选的非限定性的示例中,对所述第一局部点云数据进行几何变换得到第一局部点云变换数据;和/或,对所述第二局部点云数据进行几何变换得到第二局部点云变换数据,包括:对所述第一局部点云数据进行平移变换得到第一局部点云变换数据,和第二局部点云数据进行平移变换得到第二局部点云变换数据;所述第一局部点云变换数据与所述第二局部点云变换数据在同一参考系。如果第一局部地图和第二局部地图在第一地图和第二地图各自参考系中相对位置差异较大的话,第一局部点云数据和第二局部点云数据的差异相应的也会较大;有可能会造成点云匹配的效率降低或者匹配失败;通过将第一局部点云数据和第二局部点云数据平移到统一参考系,例如,将第一局部点云数据平移到第一地图的坐标原点,即第一地图的左下角位置,将第二局部点云数据平移到第二地图的坐标原点,及第二地图的左下角位置;此后再进行点云匹配计算,因两组点云数据的差异减小,从而可以提高点云匹配的计算效率和匹配成功率。当然本领域技术人员应该明白,在本申请的教导下,可以选择第一地图和第二地图的合适位置作为两组点云数据的合适参考点进行平移处理,以获得上述技术效果。
在一个非限定性的示例中,根据一地图的经所述几何变换后的局部点云数据和另一地图的经所述几何变换后的局部点云数据进行点云数据匹配计算;或,根据一地图的经所述几何变换后的局部点云数据和另一地图的未经几何变换的点云数据进行点云匹配计算。
在一个非限定性的示例中,对第一局部点云数据和第二局部点云数据进行平移变换,对第二局部点云数据进行旋转变换,将对两组变换后的点云数据进行点云匹配计算。
在一个非限定性的示例中,仅对第一局部点云数据或仅对第二局部点云数据进行平移或旋转变换;例如,将几何变换后的第二局部点云数据与未经几何变换的第一局部点云数据进行点云匹配计算;又例如,将几何变换后的第一局部点云数据与未经几何变换的第二局部点云数据进行点云匹配计算。
在一个非限定性示例中,对第一局部点云数据和第二局部点云数据进行多次平移变换和/或旋转变换,并对变换后的第一局部点云数据和第二局部点云数据进行点云匹配计算,选择一组点云匹配计算结果误差最小的几何变换矩阵和点云匹配矩阵确位姿变换矩阵。
在一个非限定性的示例中,机器人依据上述方法获取的第一地图和第二地图的局部地图点云数据进行匹配获取到变换关系,机器人依据变换关系进行重定位
获得机器人的第一位姿为MapA0为第一局部点云数据 {Pa0,Pa1,...Pan},MapB0为第二局部点云数据{Pb0,Pb1,...Pbn}。
如图9a和图9b所示,以第一地图的左下角作为坐标原点,将第一局部点云数据MapA0平移到第一地图的坐标原点的参考系下;如图10a和图10b所示,以第二地图的左下角为坐标原点,将第二局部点云数据MapB0平移到第二地图的坐标原点的参考系下;MapA0变换到MapA1平移变换关系为Ta_origin,MapB0 变换到MapB1平移变换关系为Tb_origin;这样第一局部点云数据和第二局部点云数据在以地图左下角为原点的参考系下的距离接近,从而提高了后续点云匹配计算的成功率和计算效率。
将MapB1局部地图点云数据进行以一定的角度分辨率进行旋转变换,例如 10°,间隔进行采样,获得36帧不同角度的MapB10-i(i∈[0,35])特征数据,获得转换关系Tb_angle_0~Tb_angle_35。
将36帧经过旋转变换的MapB10-35点云数据与MapA1点云数据进行 ICP/PL-ICP点云匹配获得两帧特征点云的匹配变换关系,并选取其中匹配误差最小变换关系Ta_b_best;现有技术中的点云特征匹配方法,例如ICP/PL-ICP,对数据初值特别敏感,若2帧点云数据的特征数据偏差过大,会造成最终迭代后局部最优的错误情况,获得错误的匹配关系;通过一开始进行旋转采样后能保证其中存在至少一个较好的初值的特征数据进行匹配,最后获得36帧中匹配得分最高,误差最小的特征数据,即可获得有效的MapA1与MapB1i的变换关系Ta_b_best,即为最佳点云匹配矩阵。
通过上述获得的已知条件,即可计算MapA0与MapB0的变换关系,依据此变换关系即可推算机器人在第二地图下的真实坐标位姿Poseb,即, Poseb=Posea·Tab。
其中,
机器人依据获得的Poseb基础上即可根据第二地图进行导航定位。
在进行ICP点云匹配计算时,如果用于匹配的点云数据初值差异较大的情况下,搜索迭代计算的计算量增大,同时可能产生错误的对应点,造成错误匹配,从而得到错误的点云变换矩阵;通过以第二预设角度旋转变换采样结合ICP点云匹配获取点云变换关系,可以至少获得一组较优的初值,从而有效规避ICP点云匹配方法对点云特征点集的初值依赖以及匹配出的转换关系存在错误的情况。
实施例二
对应于上述图4所示的实施例提供的位姿变换方法,图11示出的是本申请实施例提供的一种位姿变换装置,包括:
确定交接区域模块M110,用于确定第一地图与第二地图的交接区域;
获取点云数据模块M120,用于获取所述第一地图中所述交接区域的第一局部点云数据和所述第二地图中所述交接区域的第二局部点云数据;
获取第一位姿模块M130,用于在所述交接区域获取目标物在所述第一地图中的第一位姿;
获取变换矩阵模块M140,用于根据所述第一局部点云数据和所述第二局部点云数据获得位姿变换矩阵;
获取第二位姿模块M150,利用所述位姿变换矩阵将所述目标物的所述第一位姿变换成所述目标物在所述第二地图中交接区域的第二位姿。
可以理解的是,以上实施例中的各种实施方式和实施方式组合及其有益效果同样适用于本实施例,这里不再赘述。
对应于上述图5所示的实施例提供的机器人重定位方法,图12示出的是本申请实施例提供的一种机器人重定位装置,包括:以所述机器人为目标物;
获取目标位置模块M210,用于获取目标位置,根据所述目标位置确定第二地图;
获取地图模块M220,用于获取包含当前位置的第一地图;获取包含目标位置的第二地图;
确定交接区域模块M230,用于确定所述第一地图与所述第二地图的交接区域;
获取点云数据模块M240,用于获取所述第一地图中所述交接区域的第一局部点云数据和所述第二地图中所述交接区域的第二局部点云数据;
获取变换矩阵模块M250,用于根据所述第一局部点云数据和所述第二局部点云数据获得位姿变换矩阵;
获取第一位姿模块M260,用于检测到所述目标物到达所述交接区域,在所述交接区域获取所述目标物在所述第一地图中的第一位姿;
获取第二位姿模块M270,利用所述位姿变换矩阵将所述目标物的所述第一位姿变换成所述目标物在所述第二地图中交接区域的第二位姿;
重定位模块M280,用于所述目标物根据所述第二位姿和所述第二地图重定位。
可以理解的是,以上实施例中的各种实施方式和实施方式组合及其有益效果同样适用于本实施例,这里不再赘述。
实施例三
图13是本申请一实施例提供的机器人/电子设备的示意图。如图13所示,该实施例的机器人/电子设备D13包括:处理器D130、存储器D131以及存储在所述存储器D131中并可在所述处理器D130上运行的计算机程序D132。所述处理器D130执行所述计算机程序D132时实现上述各个方法实施例中的步骤。或者,所述处理器D130执行所述计算机程序D132时实现上述各装置实施例中各模块/单元的功能,例如图11、图12所示模块的功能。
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,而不应对本申请实施例的实施过程构成任何限定。
示例性的,所述计算机程序D132可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器D131中,并由所述处理器D130 执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序D132在所述电子设备D13中的执行过程。例如,所述计算机程序D132可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块),各模块具体功能如下:
所述电子设备D13可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括,但不仅限于,处理器D130、存储器D131。本领域技术人员可以理解,图D13仅仅是电子设备D13的示例,并不构成对电子设备D13的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器D130可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D131可以是所述电子设备D13的内部存储单元,例如电子设备D13的硬盘或内存。所述存储器D131也可以是所述电子设备D13的外部存储设备,例如所述电子设备D13上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器D131还可以既包括所述电子设备D13的内部存储单元也包括外部存储设备。所述存储器D131用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器D131还可以用于暂时地存储已经输出或者将要输出的数据。
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。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本申请实施例还提供了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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子装置运行时,使得机器人/电子装置执行时实现可实现上述各个方法实施例中的步骤。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种位姿变换的方法,其特征在于,包括:
确定第一地图与第二地图的交接区域;
获取所述第一地图中所述交接区域的第一局部点云数据和所述第二地图中所述交接区域的第二局部点云数据;
在所述交接区域获取目标物在所述第一地图中的第一位姿;
根据所述第一局部点云数据和所述第二局部点云数据获得位姿变换矩阵;
利用所述位姿变换矩阵将所述目标物的所述第一位姿变换成所述目标物在所述第二地图中交接区域的第二位姿。
2.一种机器人重定位的方法,其特征在于,包括:以所述机器人为目标物;
获取目标位置,根据所述目标位置确定第二地图;
获取包含当前位置的第一地图;获取包含目标位置的第二地图;
确定所述第一地图与所述第二地图的交接区域;
获取所述第一地图中所述交接区域的第一局部点云数据和所述第二地图中所述交接区域的第二局部点云数据;
根据所述第一局部点云数据和所述第二局部点云数据获得位姿变换矩阵;
检测到所述目标物到达所述交接区域,在所述交接区域获取所述目标物在所述第一地图中的第一位姿;
利用所述位姿变换矩阵将所述目标物的所述第一位姿变换成所述目标物在所述第二地图中交接区域的第二位姿;
根据所述第二位姿和所述第二地图重定位。
3.如权利要求1或2所述的方法,其特征在于,获取所述第一地图中所述交接区域的第一局部点云数据和所述第二地图中所述交接区域的第二局部点云数据,包括:
以预设方法获取所述交接区域在所述第一地图中的第一局部地图,以及在所述第二地图的第二局部地图;
根据所述第一局部地图获得所述第一局部点云数据;
根据所述第二局部地图获得所述第二局部点云数据;
所述预设方法为,以所述交接区域中选定位置为中心点,计算所述中心点与其周围预设角度范围内障碍物的距离值,根据所述距离值确定所述第一局部地图和所述第二局部地图的范围;
其中,所述障碍物为从所述中心点出发在一个方向首次遇到的障碍物。
4.如权利要求3所述的方法,其特征在于,计算所述中心点与其周围预设角度范围内障碍物的距离值,根据所述距离值确定所述第一局部地图和所述第二局部地图的范围,包括:
以第一预设角度间隔,计算所述中心点与其预设角度范围内的障碍点的距离值,根据所述距离值确定距离值数据集;
根据所述距离值数据集中的距离值的均值获得第一参数;
统计步骤:统计小于所述第一参数的距离值的数量;
若所述数量小于等于第一预设值,则以预设步长增大所述第一参数,返回所述统计步骤;
若所述数量大于第一预设值,则以所述第一参数确定所述第一局部地图和所述第二局部地图的范围。
5.如权利要求4所述的方法,其特征在于,在根据所述距离值数据集中的距离值的平均值获得第一参数前,还包括:
过滤所述距离值数据集中的异常数据;
所述异常数据为距离值数据集中的M个最大距离值和/或N个最小距离值。
6.如权利要求1或2所述的方法,其特征在于,根据所述第一局部点云数据和所述第二局部点云数据获得位姿变换矩阵,包括:
多次重复执行步骤A,和步骤B至步骤D至少之一,选择点云匹配计算中结果误差最小的几何变换矩阵和点云匹配矩阵确定所述位姿变换矩阵;
其中,步骤A,对所述第一局部点云数据进行几何变换得到第一局部点云变换数据;和/或,对所述第二局部点云数据进行几何变换得到第二局部点云变换数据;
步骤B,根据所述第一局部点云变换数据和所述第二局部点云变换数据进行点云数据匹配计算;
步骤C,根据所述第一局部点云变换数据和所述第二局部点云数据进行点云匹配计算;
步骤D,根据所述第一局部点云数据和所述第二局部点云变换数据进行点云匹配计算;
其中,所述几何变换包括平移变换和旋转变换中的至少之一。
7.如权利要求6所述的方法,其特征在于,当所述几何变换为旋转变换时,
所述旋转变换为,每隔第二预设角度间隔进行一次旋转变换。
8.如权利要求6所述的方法,其特征在于,对所述第一局部点云数据进行几何变换得到第一局部点云变换数据;和/或,对所述第二局部点云数据进行几何变换得到第二局部点云变换数据,包括:
对所述第一局部点云数据进行平移变换得到第一局部点云变换数据,和第二局部点云数据进行平移变换得到第二局部点云变换数据;
其中,所述第一局部点云变换数据与所述第二局部点云变换数据在同一参考系。
9.一种机器人,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8任一项所述方法的步骤。
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8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910759342.4A CN110561423B (zh) | 2019-08-16 | 2019-08-16 | 位姿变换的方法、机器人及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910759342.4A CN110561423B (zh) | 2019-08-16 | 2019-08-16 | 位姿变换的方法、机器人及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110561423A true CN110561423A (zh) | 2019-12-13 |
CN110561423B CN110561423B (zh) | 2021-05-07 |
Family
ID=68775559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910759342.4A Active CN110561423B (zh) | 2019-08-16 | 2019-08-16 | 位姿变换的方法、机器人及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110561423B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110928312A (zh) * | 2019-12-16 | 2020-03-27 | 深圳市银星智能科技股份有限公司 | 机器人位置确定方法、非易失性计算机可读存储介质及机器人 |
CN111121753A (zh) * | 2019-12-30 | 2020-05-08 | 炬星科技(深圳)有限公司 | 机器人联合建图方法、设备及计算机可读存储介质 |
CN111553844A (zh) * | 2020-04-29 | 2020-08-18 | 北京百度网讯科技有限公司 | 用于更新点云的方法及装置 |
CN111780775A (zh) * | 2020-06-17 | 2020-10-16 | 深圳优地科技有限公司 | 路径规划的方法、装置、机器人及存储介质 |
CN111949816A (zh) * | 2020-06-22 | 2020-11-17 | 北京百度网讯科技有限公司 | 定位处理方法、装置、电子设备和存储介质 |
CN112045655A (zh) * | 2020-08-14 | 2020-12-08 | 华中科技大学 | 用于大尺度多站点场景的移动机器人位姿测量方法及系统 |
CN112269386A (zh) * | 2020-10-28 | 2021-01-26 | 深圳拓邦股份有限公司 | 对称环境重定位方法、装置及机器人 |
CN112484729A (zh) * | 2020-11-11 | 2021-03-12 | 深圳市优必选科技股份有限公司 | 导航地图切换方法、装置、终端设备及存储介质 |
CN112611371A (zh) * | 2020-11-27 | 2021-04-06 | 上海智蕙林医疗科技有限公司 | 一种多场景二维地图的位姿转换方法及系统 |
CN113112478A (zh) * | 2021-04-15 | 2021-07-13 | 深圳市优必选科技股份有限公司 | 一种位姿的识别方法及终端设备 |
CN113205560A (zh) * | 2021-05-06 | 2021-08-03 | Oppo广东移动通信有限公司 | 多深度相机的标定方法、装置、设备及存储介质 |
CN113252022A (zh) * | 2020-02-11 | 2021-08-13 | 北京图森智途科技有限公司 | 一种地图数据处理方法及装置 |
CN117705125A (zh) * | 2024-02-05 | 2024-03-15 | 安徽蔚来智驾科技有限公司 | 定位方法、可读存储介质及智能设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110046876A1 (en) * | 2009-08-23 | 2011-02-24 | Li Pan | System of Finding Objects and Information on a Map View and Routes on the Map View |
CN101984463A (zh) * | 2010-11-02 | 2011-03-09 | 中兴通讯股份有限公司 | 全景图合成方法及装置 |
CN103900583A (zh) * | 2012-12-25 | 2014-07-02 | 联想(北京)有限公司 | 用于即时定位与地图构建的设备和方法 |
CN104268846A (zh) * | 2014-09-22 | 2015-01-07 | 上海联影医疗科技有限公司 | 图像拼接方法及装置 |
CN105374011A (zh) * | 2015-12-09 | 2016-03-02 | 中电科信息产业有限公司 | 基于全景图像的点云数据拼接方法及装置 |
CN105806344A (zh) * | 2016-05-17 | 2016-07-27 | 杭州申昊科技股份有限公司 | 一种基于局部地图拼接的栅格地图创建方法 |
CN106991645A (zh) * | 2017-03-22 | 2017-07-28 | 腾讯科技(深圳)有限公司 | 图像拼接方法及装置 |
CN107203986A (zh) * | 2017-05-26 | 2017-09-26 | 努比亚技术有限公司 | 一种图像融合方法、装置及计算机可读存储介质 |
CN108072370A (zh) * | 2016-11-18 | 2018-05-25 | 中国科学院电子学研究所 | 基于全局地图的机器人导航方法及用该方法导航的机器人 |
CN109087393A (zh) * | 2018-07-23 | 2018-12-25 | 汕头大学 | 一种构建三维地图的方法 |
CN110110021A (zh) * | 2019-03-22 | 2019-08-09 | 纵目科技(上海)股份有限公司 | 一种高精度局部地图间的坐标转换方法、终端和存储介质 |
-
2019
- 2019-08-16 CN CN201910759342.4A patent/CN110561423B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110046876A1 (en) * | 2009-08-23 | 2011-02-24 | Li Pan | System of Finding Objects and Information on a Map View and Routes on the Map View |
CN101984463A (zh) * | 2010-11-02 | 2011-03-09 | 中兴通讯股份有限公司 | 全景图合成方法及装置 |
CN103900583A (zh) * | 2012-12-25 | 2014-07-02 | 联想(北京)有限公司 | 用于即时定位与地图构建的设备和方法 |
CN104268846A (zh) * | 2014-09-22 | 2015-01-07 | 上海联影医疗科技有限公司 | 图像拼接方法及装置 |
CN105374011A (zh) * | 2015-12-09 | 2016-03-02 | 中电科信息产业有限公司 | 基于全景图像的点云数据拼接方法及装置 |
CN105806344A (zh) * | 2016-05-17 | 2016-07-27 | 杭州申昊科技股份有限公司 | 一种基于局部地图拼接的栅格地图创建方法 |
CN108072370A (zh) * | 2016-11-18 | 2018-05-25 | 中国科学院电子学研究所 | 基于全局地图的机器人导航方法及用该方法导航的机器人 |
CN106991645A (zh) * | 2017-03-22 | 2017-07-28 | 腾讯科技(深圳)有限公司 | 图像拼接方法及装置 |
CN107203986A (zh) * | 2017-05-26 | 2017-09-26 | 努比亚技术有限公司 | 一种图像融合方法、装置及计算机可读存储介质 |
CN109087393A (zh) * | 2018-07-23 | 2018-12-25 | 汕头大学 | 一种构建三维地图的方法 |
CN110110021A (zh) * | 2019-03-22 | 2019-08-09 | 纵目科技(上海)股份有限公司 | 一种高精度局部地图间的坐标转换方法、终端和存储介质 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110928312A (zh) * | 2019-12-16 | 2020-03-27 | 深圳市银星智能科技股份有限公司 | 机器人位置确定方法、非易失性计算机可读存储介质及机器人 |
CN110928312B (zh) * | 2019-12-16 | 2021-06-29 | 深圳市银星智能科技股份有限公司 | 机器人位置确定方法、非易失性计算机可读存储介质及机器人 |
CN111121753A (zh) * | 2019-12-30 | 2020-05-08 | 炬星科技(深圳)有限公司 | 机器人联合建图方法、设备及计算机可读存储介质 |
CN113252022A (zh) * | 2020-02-11 | 2021-08-13 | 北京图森智途科技有限公司 | 一种地图数据处理方法及装置 |
CN111553844A (zh) * | 2020-04-29 | 2020-08-18 | 北京百度网讯科技有限公司 | 用于更新点云的方法及装置 |
US11828606B2 (en) | 2020-04-29 | 2023-11-28 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for updating point cloud |
CN111553844B (zh) * | 2020-04-29 | 2023-08-29 | 阿波罗智能技术(北京)有限公司 | 用于更新点云的方法及装置 |
CN111780775A (zh) * | 2020-06-17 | 2020-10-16 | 深圳优地科技有限公司 | 路径规划的方法、装置、机器人及存储介质 |
CN111949816A (zh) * | 2020-06-22 | 2020-11-17 | 北京百度网讯科技有限公司 | 定位处理方法、装置、电子设备和存储介质 |
CN111949816B (zh) * | 2020-06-22 | 2023-09-26 | 北京百度网讯科技有限公司 | 定位处理方法、装置、电子设备和存储介质 |
CN112045655A (zh) * | 2020-08-14 | 2020-12-08 | 华中科技大学 | 用于大尺度多站点场景的移动机器人位姿测量方法及系统 |
CN112269386A (zh) * | 2020-10-28 | 2021-01-26 | 深圳拓邦股份有限公司 | 对称环境重定位方法、装置及机器人 |
CN112269386B (zh) * | 2020-10-28 | 2024-04-02 | 深圳拓邦股份有限公司 | 对称环境重定位方法、装置及机器人 |
CN112484729A (zh) * | 2020-11-11 | 2021-03-12 | 深圳市优必选科技股份有限公司 | 导航地图切换方法、装置、终端设备及存储介质 |
CN112611371A (zh) * | 2020-11-27 | 2021-04-06 | 上海智蕙林医疗科技有限公司 | 一种多场景二维地图的位姿转换方法及系统 |
CN113112478A (zh) * | 2021-04-15 | 2021-07-13 | 深圳市优必选科技股份有限公司 | 一种位姿的识别方法及终端设备 |
CN113112478B (zh) * | 2021-04-15 | 2023-12-15 | 深圳市优必选科技股份有限公司 | 一种位姿的识别方法及终端设备 |
CN113205560A (zh) * | 2021-05-06 | 2021-08-03 | Oppo广东移动通信有限公司 | 多深度相机的标定方法、装置、设备及存储介质 |
CN113205560B (zh) * | 2021-05-06 | 2024-02-23 | Oppo广东移动通信有限公司 | 多深度相机的标定方法、装置、设备及存储介质 |
CN117705125A (zh) * | 2024-02-05 | 2024-03-15 | 安徽蔚来智驾科技有限公司 | 定位方法、可读存储介质及智能设备 |
CN117705125B (zh) * | 2024-02-05 | 2024-04-30 | 安徽蔚来智驾科技有限公司 | 定位方法、可读存储介质及智能设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110561423B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110561423B (zh) | 位姿变换的方法、机器人及存储介质 | |
US11422261B2 (en) | Robot relocalization method and apparatus and robot using the same | |
CN109974727B (zh) | 一种机器人充电方法、装置及机器人 | |
WO2022121018A1 (zh) | 机器人及其建图方法和装置 | |
CN109118542A (zh) | 激光雷达与相机之间的标定方法、装置、设备及存储介质 | |
US11776217B2 (en) | Method for planning three-dimensional scanning viewpoint, device for planning three-dimensional scanning viewpoint, and computer readable storage medium | |
CN110471409B (zh) | 机器人巡检方法、装置、计算机可读存储介质及机器人 | |
WO2021016854A1 (zh) | 一种标定方法、设备、可移动平台及存储介质 | |
CN111461113B (zh) | 一种基于变形平面物体检测网络的大角度车牌检测方法 | |
CN110986969A (zh) | 地图融合方法及装置、设备、存储介质 | |
CN111177295A (zh) | 建图重影消除方法、装置、计算机可读存储介质及机器人 | |
US11367204B1 (en) | Multi-sensor spatial data auto-synchronization system and method | |
CN112198878B (zh) | 一种即时地图构建方法、装置、机器人及存储介质 | |
KR102247879B1 (ko) | 로봇 및 재충전 위치 확정 방법과 장치 | |
CN113391305B (zh) | 多雷达融合的虚假目标抑制方法、装置及终端设备 | |
CN111145634B (zh) | 一种校正地图的方法及装置 | |
US20210008730A1 (en) | Pose determining method for mobile robot and apparatus and mobile robot thereof | |
CN113459088B (zh) | 地图调整方法、电子设备及存储介质 | |
CN112212851B (zh) | 一种位姿确定方法、装置、存储介质及移动机器人 | |
CN109489658B (zh) | 一种运动目标定位方法、装置及终端设备 | |
WO2023005020A1 (zh) | 反光板定位方法、机器人及计算机可读存储介质 | |
CN113686333B (zh) | 一种针对雷达阵面旋转的捷联惯导全姿态表示方法 | |
JPH07146121A (ja) | 視覚に基く三次元位置および姿勢の認識方法ならびに視覚に基く三次元位置および姿勢の認識装置 | |
CN115290066A (zh) | 一种误差校正方法、装置及移动设备 | |
CN113255405A (zh) | 车位线识别方法及其系统、车位线识别设备、存储介质 |
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 |