CN110850856A - 一种数据处理方法、装置及机器人 - Google Patents
一种数据处理方法、装置及机器人 Download PDFInfo
- Publication number
- CN110850856A CN110850856A CN201810829521.6A CN201810829521A CN110850856A CN 110850856 A CN110850856 A CN 110850856A CN 201810829521 A CN201810829521 A CN 201810829521A CN 110850856 A CN110850856 A CN 110850856A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- laser
- map
- data
- detection value
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 92
- 238000010276 construction Methods 0.000 claims abstract description 24
- 230000002093 peripheral effect Effects 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims description 426
- 238000000034 method Methods 0.000 claims description 59
- 101150112439 SMAP gene Proteins 0.000 claims description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 13
- 238000002604 ultrasonography Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims 5
- 238000010586 diagram Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000004888 barrier function Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Acoustics & Sound (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种数据处理方法、装置及机器人,涉及机器人技术领域。在本发明实施例中,通过设置多个超声波传感器和一个激光传感器,可以获取更多的周边环境信息,且获取的信息也更加准确和可靠。并且,通过本发明实施例提供的数据处理方法,在确定周围环境中的障碍物信息时,可以准确地确定出障碍物的位置,使得在复杂环境下,依然可以实现准确有效地避障,同时使得构建的环境地图,可以对周边环境表达更为精确,从而在复杂环境下,同时实现实时避障和环境地图的构建。
Description
技术领域
本发明涉及机器人技术领域,尤指一种数据处理方法、装置及机器人。
背景技术
随着技术的发展,各种机器人应运而生,且应用到了生活和工作中的多种场景中。机器人的移动一般是基于已知环境地图或预设路径实现行走,并且在遇到障碍物时,需要进行避障,以免对机器人本身和周边物品造成损坏。因此,这就需要机器人能够获取周边环境信息,检测障碍物的位置信息,在实现避障的同时,还可以构建环境地图。
在目前的技术中,用于机器人避障或构建环境地图的传感器一般包括:激光传感器、超声波传感器和视觉传感器等;然而,激光传感器可用于实时避障,也可以用于构建环境地图,但在复杂环境下会出现较大的感应误差,降低实时避障的效果。超声波传感器虽然常用于实时避障,但在构建环境地图方面应用较少,并且超声波传感器的有效感应距离短,难以实现远距离的检测。视觉传感器虽然可用于环境地图的构建,但在用于实时避障时需要采用图像检测技术,使得计算量大,处理过程复杂。
基于此,如何在实现有效避障的同时,还可以实现环境地图的构建,是本领域技术人员亟待解决的技术问题。
发明内容
本发明实施例提供了一种数据处理方法、装置及机器人,用以实现有效避障的同时,还可以实现环境地图的构建。
本发明实施例提供了一种数据处理方法,包括:
利用设置于机器人机身的多个超声波传感器,获得超声波检测数据;
利用设置于所述机器人机身的激光传感器,获得激光检测数据;其中,所述超声波检测数据和所述激光检测数据均用于表示所述机器人周边的障碍物信息;
按照预设的第一数据处理规则,根据所述超声波检测数据和所述激光检测数据,确定所述机器人周边的障碍物信息;
按照预设的第二数据处理规则,根据所述超声波检测数据和所述激光检测数据,构建所述机器人周边的环境地图。
通过设置多个超声波传感器和一个激光传感器,可以获取更多的周边环境信息,且获取的信息也更加准确和可靠。并且,通过本发明实施例提供的数据处理方法,在确定周围环境中的障碍物信息时,可以准确地确定出障碍物的位置,使得在复杂环境下,依然可以实现准确有效地避障,同时使得构建的环境地图,可以对周边环境表达更为精确,从而在复杂环境下,同时实现实时避障和环境地图的构建。
可选地,在获得超声波检测数据之后,还包括:
对所述超声波检测数据进行筛选和滤波处理;
在获得激光检测数据之后,还包括:
对所述激光检测数据进行筛选和滤波处理。
从而,可以为后续的数据处理提供稳定精确的数据。
可选地,在按照预设的第一数据处理规则,根据所述超声波检测数据和所述激光检测数据,确定所述机器人周边的障碍物信息之前,还包括:
将所述激光检测数据转换为激光检测值;
根据所述激光检测值的格式要求,将所述超声波检测数据转换为类激光检测值;其中,所述类激光检测值与所述激光检测值具有相同格式。
从而,便于后续的运算和处理。
可选地,按照预设的第一数据处理规则,根据所述超声波检测数据和所述激光检测数据,确定所述机器人周边的障碍物信息,具体包括:
在确定所述类激光检测值和所述激光检测值均有效时,将所述类激光检测值与所述激光检测值中的较小者对应的检测数据确定为待选数据;
在确定所述类激光检测值有效,且所述激光检测值无效时,将所述类激光检测值对应的检测数据确定为待选数据;
在确定所述类激光检测值无效,且所述激光检测值有效时,将所述激光检测值对应的检测数据确定为待选数据;
根据确定出的所述待选数据,确定所述机器人周边的障碍物信息。
从而,可以准确地确定出机器人周边的障碍物信息,以便于控制机器人进行实时有效地避障。
可选地,确定所述类激光检测值是否有效,具体包括:
确定所述类激光检测值是否属于第一预设范围;
在确定所述类激光检测值属于第一预设范围时,则确定所述类激光检测值有效;
在确定所述类激光检测值不属于第一预设范围时,则确定所述类激光检测值无效;
确定所述激光检测值是否有效,具体包括:
确定所述激光检测值是否属于第二预设范围;
在确定所述激光检测值属于第二预设范围时,则确定所述激光检测值有效;
在确定所述激光检测值不属于第二预设范围时,则确定所述激光检测值无效。
其中,第一预设范围可以是前述内容中提及的超声波的测试范围,当然,还可以是根据实际情况而设置的范围,在此并不限定。同理,第二预设范围同样可以是前述内容中提及的激光的测试范围,当然,也还可以是根据实际情况而设置的范围,在此并不限定。
可选地,按照预设的第二数据处理规则,根据所述超声波检测数据和所述激光检测数据,构建所述机器人周边的环境地图,具体包括:
根据所述超声波检测数据,以及预设的第一算法,构建超声波地图;
根据所述激光检测数据,以及预设的第二算法,构建激光地图;
按照所述第二数据处理规则,根据所述超声波地图和所述激光地图,构建所述机器人周边的环境地图。
从而,通过决策层级融合,可以形成对环境表达更为准确的导航地图。
可选地,所述超声波地图和激光地图均为由所述机器人在移动过程中周边障碍物的分布概率组成的二维矩阵;
按照所述第二数据处理规则,根据所述超声波地图和所述激光地图,构建所述机器人周边的环境地图,具体包括:
对所述超声波地图中的概率数值进行映射处理;
采用如下公式,根据映射处理后的所述超声波地图,以及所述激光地图,构建所述环境地图:
Map(xm,yn)=min(SMap(xm,yn),LMap(xm,yn))
若SMap(xm,yn)<a,且LMap(xm,yn)<a;
或,Map(xm,yn)=max(SMap(xm,yn),LMap(xm,yn))
若SMap(xm,yn)≥a,或LMap(xm,yn)≥a;
其中,Map(xm,yn)表示所述环境地图中处于第m行第n列的概率数值,SMap(xm,yn)表示映射处理后的所述超声波地图中处于第m行第n列的概率数值,LMap(xm,yn)表示所述激光地图中处于第m行第n列的概率数值,a表示预设阈值。
从而,在确定环境地图时,遍历超声波地图和激光地图中的所有数值,将相同位置的数值进行比较,然后根据上述公式确定环境地图中的相应位置的数值,从而确定出准确的环境地图。
可选地,根据所述超声波检测数据,以及预设的第一算法,构建超声波地图,具体包括:
根据所述激光检测值的格式要求,将所述超声波检测数据转换为类激光检测值;
根据所述类激光检测值,以及slam第一算法,确定第一待选超声波地图和第二待选超声波地图;其中,所述第一待选超声波地图为由所述机器人在移动过程中周边障碍物的占用概率组成的二维矩阵,所述第二待选超声波地图为由所述机器人在移动过程中周边障碍物的空置概率组成的二维矩阵;
根据所述第一待选超声波地图与所述第二待选超声波地图,构建所述超声波地图。
可选地,根据所述第一待选超声波地图与所述第二待选超声波地图,构建所述超声波地图,具体包括:
采用如下公式构建所述超声波地图:
SMap(xm,yn)=Po(xm,yn),Po(xm,yn)>=Pe(xm,yn);
或,SMap(xm,yn)=-Pe(xm,yn),Po(xm,yn)<Pe(xm,yn);
其中,SMap(xm,yn)表示所述超声波地图中处于第m行第n列的值,Po(xm,yn)表示所述第一待选超声波地图中处于第m行第n列的占用概率数值,Pe(xm,yn)表示所述第二待选超声波地图中处于第m行第n列的空置概率数值。
从而,在确定超声波地图时,遍历第一待选超声波地图和第二待选超声波地图中的所有数值,将相同位置的数值进行比较,然后根据上述公式确定超声波地图中的相应位置的数值,从而确定出准确的超声波地图。
第二方面,本发明实施例还提供了一种数据处理装置,包括:
获取单元,用于利用设置于机器人机身的多个超声波传感器,获得超声波检测数据;利用设置于所述机器人机身的激光传感器,获得激光检测数据;其中,所述超声波检测数据和所述激光检测数据均用于表示所述机器人周边的障碍物信息;
确定单元,用于按照预设的第一数据处理规则,根据所述超声波检测数据和所述激光检测数据,确定所述机器人周边的障碍物信息;
构建单元,用于按照预设的第二数据处理规则,根据所述超声波检测数据和所述激光检测数据,构建所述机器人周边的环境地图。
可选地,还包括:处理单元;
所述处理单元,用于在获得超声波检测数据之后,对所述超声波检测数据进行筛选和滤波处理;在获得激光检测数据之后,对所述激光检测数据进行筛选和滤波处理。
可选地,所述确定单元,还用于在按照预设的第一数据处理规则,根据所述超声波检测数据和所述激光检测数据,确定所述机器人周边的障碍物信息之前,将所述激光检测数据转换为激光检测值;根据所述激光检测值的格式要求,将所述超声波检测数据转换为类激光检测值;其中,所述类激光检测值与所述激光检测值具有相同格式。
可选地,所述确定单元,具体用于在确定所述类激光检测值和所述激光检测值均有效时,将所述类激光检测值与所述激光检测值中的较小者对应的检测数据确定为待选数据;在确定所述类激光检测值有效,且所述激光检测值无效时,将所述类激光检测值对应的检测数据确定为待选数据;在确定所述类激光检测值无效,且所述激光检测值有效时,将所述激光检测值对应的检测数据确定为待选数据;根据确定出的所述待选数据,确定所述机器人周边的障碍物信息。
可选地,所述确定单元,具体用于确定所述类激光检测值是否属于第一预设范围;在确定所述类激光检测值属于第一预设范围时,则确定所述类激光检测值有效;在确定所述类激光检测值不属于第一预设范围时,则确定所述类激光检测值无效;确定所述激光检测值是否属于第二预设范围;在确定所述激光检测值属于第二预设范围时,则确定所述激光检测值有效;在确定所述激光检测值不属于第二预设范围时,则确定所述激光检测值无效。
可选地,所述构建单元,具体用于根据所述超声波检测数据,以及预设的第一算法,构建超声波地图;根据所述激光检测数据,以及预设的第二算法,构建激光地图;按照所述第二数据处理规则,根据所述超声波地图和所述激光地图,构建所述机器人周边的环境地图。
可选地,所述超声波地图和激光地图均为由所述机器人在移动过程中周边障碍物的分布概率组成的二维矩阵;
所述构建单元,具体用于对所述超声波地图中的概率数值进行映射处理;采用如下公式,根据映射处理后的所述超声波地图,以及所述激光地图,构建所述环境地图:
Map(xm,yn)=min(SMap(xm,yn),LMap(xm,yn))
若SMap(xm,yn)<a,且LMap(xm,yn)<a;
或,Map(xm,yn)=max(SMap(xm,yn),LMap(xm,yn))
若SMap(xm,yn)≥a,或LMap(xm,yn)≥a;
其中,Map(xm,yn)表示所述环境地图中处于第m行第n列的概率数值,SMap(xm,yn)表示映射处理后的所述超声波地图中处于第m行第n列的概率数值,LMap(xm,yn)表示所述激光地图中处于第m行第n列的概率数值,a表示预设阈值。
可选地,所述构建单元,具体用于根据所述激光检测值的格式要求,将所述超声波检测数据转换为类激光检测值;根据所述类激光检测值,以及slam第一算法,确定第一待选超声波地图和第二待选超声波地图;其中,所述第一待选超声波地图为由所述机器人在移动过程中周边障碍物的占用概率组成的二维矩阵,所述第二待选超声波地图为由所述机器人在移动过程中周边障碍物的空置概率组成的二维矩阵;根据所述第一待选超声波地图与所述第二待选超声波地图,构建所述超声波地图。
可选地,所述构建单元,具体用于采用如下公式构建所述超声波地图:
SMap(xm,yn)=Po(xm,yn),Po(xm,yn)>=Pe(xm,yn);
或,SMap(xm,yn)=-Pe(xm,yn),Po(xm,yn)<Pe(xm,yn);
其中,SMap(xm,yn)表示所述超声波地图中处于第m行第n列的值,Po(xm,yn)表示所述第一待选超声波地图中处于第m行第n列的占用概率数值,Pe(xm,yn)表示所述第二待选超声波地图中处于第m行第n列的空置概率数值。
第三方面,本发明实施例还提供了一种机器人,包括:如本发明实施例提供的上述数据处理装置,多个超声波传感器以及一个激光传感器;
所述超声波传感器,用于采集超声波检测数据,并发送至所述数据处理装置;
所述激光传感器,用于采集激光检测数据,并发送至所述数据处理装置;
所述数据处理装置,用于按照预设的第一数据处理规则,根据所述超声波检测数据和所述激光检测数据,确定所述机器人周边的障碍物信息;按照预设的第二数据处理规则,根据所述超声波检测数据和所述激光检测数据,构建所述机器人周边的环境地图。
通过设置多个超声波传感器和一个激光传感器,可以获取更多的周边环境信息,且获取的信息也更加准确和可靠。并且,数据处理装置可以在根据获取的超声波检测数据和激光检测数据,确定周围环境中的障碍物信息时,可以准确地确定出障碍物的位置,使得在复杂环境下,依然可以控制机器人实现准确有效地避障,同时使得构建的环境地图,可以对周边环境表达更为精确,从而在复杂环境下,同时实现实时避障和环境地图的构建。
可选地,所述超声波传感器的设置数量在二十至三十之间,且各所述超声波传感器均匀地分布于所述机器人机身周围的同一水平面内;
所述激光传感器与各所述超声波传感器位于不同水平面内。
从而,使得超声波传感器能够全面检测位于机器人四周的障碍物的位置信息,为准确地确定障碍物信息提供了有利的依据,并且为构建精确地环境地图提供了参考。
可选地,所述超声波传感器的设置数量为二十四个。
从而,既可以保证超声波传感器可以检测到机器人四周的障碍物信息,还可以有利于降低制作成本。
本发明有益效果如下:
本发明实施例提供的一种数据处理方法、装置及机器人,通过设置多个超声波传感器和一个激光传感器,可以获取更多的周边环境信息,且获取的信息也更加准确和可靠。并且,通过本发明实施例提供的数据处理方法,在确定周围环境中的障碍物信息时,可以准确地确定出障碍物的位置,使得在复杂环境下,依然可以实现准确有效地避障,同时使得构建的环境地图,可以对周边环境表达更为精确,从而在复杂环境下,同时实现实时避障和环境地图的构建。
附图说明
图1为本发明实施例中提供的机器人的结构示意图;
图2为图1中沿着X-X’所示的剖视图之一;
图3为图1中沿着X-X’所示的剖视图之二;
图4为本发明实施例中提供的数据处理方法的流程图;
图5为本发明实施例中提供的超声波地图的结构示意图;
图6为本发明实施例中提供的环境地图的结构示意图;
图7为实施例一的方法流程图;
图8为本发明实施例中提供的数据处理装置的结构示意图。
具体实施方式
下面将结合附图,对本发明实施例提供的一种数据处理方法、装置及机器人的具体实施方式进行详细地说明。需要说明的是,所描述的实施例仅仅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做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。
发明人在研究中发现,激光传感器的检测数据较为精确,只是在复杂环境下(如透明物体),会出现较大的检测误差。超声波传感器能够应对复杂环境下周围障碍物的检测,其中,超声波传感器有效检测距离有限,一般在几cm至4米之间,检测距离相对可靠。若将多个超声波传感器的检测数据与激光传感器的检测数据进行融合处理,通过简单的计算和处理过程,既能够克服复杂环境下检测误差大的问题,还可以解决检测距离有限的问题,从而获得的数据比单一传感器获得的数据更为可靠,为机器人避障,以及构建环境地图提供有利的数据参考。
而对于视觉传感器,同样也可以实现实时避障,以及环境地图的构建,但对于视觉传感器,是基于视觉slam的解决方案,在实施过程中,涉及到图像处理技术,如图像检测、图像识别、3D点云生成、以及地图构建等算法,这些算法较复杂繁琐,计算资源需求大,终端实现代价较高。
因此,本发明实施例提供了一种机器人,用于获得更为可靠准确地检测数据,从而实现有效避障的同时,还可以实现环境地图的构建。
具体地,本发明实施例提供的上述机器人,如图1至图3所示,其中,图1为机器人的侧面结构示意图,图2和图3分别为沿着图1中的X-X’所示的剖视图。机器人可以包括:数据处理装置10,多个超声波传感器20以及一个激光传感器30;
超声波传感器20,用于采集超声波检测数据,并发送至数据处理装置10;
激光传感器30,用于采集激光检测数据,并发送至数据处理装置10;
数据处理装置10,用于按照预设的第一数据处理规则,根据超声波检测数据和激光检测数据,确定机器人周边的障碍物信息;按照预设的第二数据处理规则,根据超声波检测数据和激光检测数据,构建机器人周边的环境地图。其中,对于数据处理装置10的具体工作过程,可参见下述内容。
在本发明实施例中,通过设置多个超声波传感器20和一个激光传感器30,可以获取更多的周边环境信息,且获取的信息也更加准确和可靠。并且,数据处理装置10可以在根据获取的超声波检测数据和激光检测数据,确定周围环境中的障碍物信息时,可以准确地确定出障碍物的位置,使得在复杂环境下,依然可以控制机器人实现准确有效地避障,同时使得构建的环境地图,可以对周边环境表达更为精确,从而在复杂环境下,同时实现实时避障和环境地图的构建。
在具体实施时,由于一个超声波传感器20的检测角度一般在15°至30°之间,所以为了能够对机器人四周的障碍物情况进行检测,在本发明实施例中,如图2和图3所示的剖视图,超声波传感器20的设置数量一般在二十至三十之间,如图2所示的24个,图3所示的20个,且各超声波传感器20均匀地分布于机器人机身周围的同一水平面内,激光传感器30与各超声波传感器20位于不同水平面内。
从而,使得超声波传感器20能够全面检测位于机器人四周的障碍物的位置信息,为准确地确定障碍物信息提供了有利的依据,并且为构建精确地环境地图提供了参考。
可选地,如图2所示,超声波传感器20的设置数量可以为二十四个。其中,以一个超声波传感器20的检测角度为15°为例,为了能够对机器人四周的障碍物进行检测,即检测角度应达到360°,根据计算则需要设置24个超声波传感器20即可实现全面检测,并且还可以保证每个超声波传感器20均可以发挥作用,有利于降低制作成本。
具体地,激光传感器30的检测角度一般为270°,所以只需设置一个激光传感器30,即可在机器人移动过程中实现对四周的障碍物进行检测。此外,由于激光传感器30的制作成本较高,在只设置一个激光传感器30时,既能够保证确定出精确地障碍物信息,还可以有利于降低制作成本。
对于激光传感器30的设置位置,可以设置为与超声波传感器20位于不同平面,如图1所示,并且,在垂直于超声波传感器20所在水平面的方向上,即图1中的Y方向,激光传感器30设置在超声波传感器20远离地面的一侧。此外,激光传感器30靠近其中一个超声波传感器20设置,并且,激光传感器30与该超声波传感器20之间的间距L,控制在10cm至30cm之间。如此,可以将激光传感器30检测到的激光检测数据与超声波传感器20检测到的数据相结合,得到精确的障碍物信息。
基于上述机器人,为了能够实现实时避障和环境地图的构建,本发明实施例还提供了一种数据处理方法,如图4所示,可以包括:
S401、利用设置于机器人机身的多个超声波传感器,获得超声波检测数据;
其中,超声波检测数据用于表示机器人周边的障碍物信息,以便于根据超声波检测数据,确定机器人周边的障碍物信息。需要说明的是,在机器人的移动过程中,利用超声波传感器获得超声波检测数据时,每次获得的超声波检测数据为:机器人周边所有位置(在超声波传感器检测范围内)处的数据。
S402、利用设置于机器人机身的激光传感器,获得激光检测数据;
其中,激光检测数据用于表示机器人周边的障碍物信息,以便于根据激光检测数据,确定机器人周边的障碍物信息。并且,步骤S402与步骤S401可以同时进行,即同时获得超声波检测数据和激光检测数据。
同样地,在机器人的移动过程中,利用激光传感器获得激光检测数据时,每次获得的激光检测数据为:机器人周边所有位置(在激光传感器检测范围内)处的数据。
S403、按照预设的第一数据处理规则,根据超声波检测数据和激光检测数据,确定机器人周边的障碍物信息;
从而,使得根据超声波检测数据和激光检测数据确定出的障碍物信息更加准确,以使机器人实现实时有效地避障。此外,对于此步骤中涉及的数据处理方式,可以称之为数据层级融合,即将超声波检测数据与激光检测数据相融合,从而得到准确的障碍物信息。
S404、按照预设的第二数据处理规则,根据超声波检测数据和激光检测数据,构建机器人周边的环境地图。
其中,对于此步骤中涉及的数据处理方式,可以称之为决策层级融合,即将超声波检测数据与激光检测数据相融合,从而构建准确的环境地图。并且,步骤S403和步骤S404这两个步骤,可以是同时进行,当然也可以是先后进行,在此并不限定。
在本发明实施例中,在机器人的机身周围不仅设置了多个超声波传感器20,还设置了一个激光传感器30,通过多个超声波传感器20和激光传感器30的组合使用,不仅可以实现短距离的有效检测,对于远距离的检测同样可以实现,以获取更多的周边环境信息,从而在复杂的环境下,可以精确地确定出位于机器人周边的障碍物信息,实时有效地实现避障的同时,还可以构建环境地图,便于机器人对行进路线的规划。
在具体实施时,通过超声波传感器检测到的超声波检测数据,以及通过激光传感器检测到的激光检测数据,可能并不是稳定的,精确的,所以需要对获得的超声波检测数据和激光检测数据进行预处理,以便于提高确定出的障碍物信息的准确性。
因此,在本发明实施例中的步骤S401获得超声波检测数据之后,还可以包括:对超声波检测数据进行筛选和滤波处理;在本发明实施例中的步骤S402获得激光检测数据之后,还可以包括:对激光检测数据进行筛选和滤波处理。从而,可以为后续的数据处理提供稳定精确的数据。
具体地,在本发明实施例中的步骤S403按照预设的第一数据处理规则,根据超声波检测数据和激光检测数据,确定机器人周边的障碍物信息之前,还可以包括:
将激光检测数据转换为激光检测值;
根据激光检测值的格式要求,将超声波检测数据转换为类激光检测值;其中,类激光检测值与激光检测值具有相同格式。
需要说明的是,此处选择将超声波检测数据转换为类激光检测值的原因为:在构建环境地图时,需要首先构建超声波地图和激光地图,然后再根据超声波地图和激光地图构建环境地图。但是在构建超声波地图时,需要采用第一算法,在构建激光地图需要采用第二算法;其中,在第一算法和第二算法均为slam算法时,只能采用激光检测值的格式的数据进行计算处理,所以需要将超声波检测数据转换为类激光检测值,以使超声波检测数据具有激光检测值的格式,以便于后续环境地图的构建。
具体地,在本发明实施例中,对于数据层级融合的具体实现方式,可以具体包括:
在确定类激光检测值和激光检测值均有效时,将类激光检测值与激光检测值中的较小者对应的检测数据确定为待选数据;
在确定类激光检测值有效,且激光检测值无效时,将类激光检测值对应的检测数据确定为待选数据;
在确定类激光检测值无效,且激光检测值有效时,将激光检测值对应的检测数据确定为待选数据;
根据确定出的待选数据,确定机器人周边的障碍物信息。
需要指出的是,在本发明实施例中,在确定类激光检测值和激光检测值均有效时,将类激光检测值与激光检测值中的较小者对应的检测数据确定为待选数据的原因为:
由于要实现实时有效地避障,所以对于障碍物的位置判断要尽可能地准确;若是将类激光检测值与激光检测值中的较大者对应的检测数据确定为待选数据时,可能确定出的障碍物的位置与实际障碍物的位置存在大偏差的几率较大,如此,在机器人的移动过程中,很有可能由于确定的障碍物信息不准确而与障碍物发生碰撞,如此不仅损坏机器人,还会损坏障碍物。若要将类激光检测值与激光检测值中的较小者对应的检测数据确定为待选数据时,说明确定出的障碍物的位置与实际障碍物的位置较接近,如此机器人可以及时发现障碍物并及时处理,从而实现有效避障。
此外,由于已经将激光检测数据转换为激光检测值,将超声波检测数据转换为类激光检测值,且激光的测试范围(如2cm至30m),以及超声波的测试范围(如30cm至4m)均已知,所以可以依据激光的测试范围来判断激光检测值是否有效,依据超声波的测试范围,来判断类激光检测值是否有效。
因此,在本发明实施例中,在确定类激光检测值是否有效时,可以具体包括:
确定类激光检测值是否属于第一预设范围;
在确定类激光检测值属于第一预设范围时,则确定类激光检测值有效;
在确定类激光检测值不属于第一预设范围时,则确定类激光检测值无效;
在确定激光检测值是否有效时,可以具体包括:
确定激光检测值是否属于第二预设范围;
在确定激光检测值属于第二预设范围时,则确定激光检测值有效;
在确定激光检测值不属于第二预设范围时,则确定激光检测值无效。
并且,第一预设范围可以是前述内容中提及的超声波的测试范围,当然,还可以是根据实际情况而设置的范围,在此并不限定。同理,第二预设范围同样可以是前述内容中提及的激光的测试范围,当然,也还可以是根据实际情况而设置的范围,在此并不限定。
需要说明的是,第一数据处理规则可以理解为:数据有效性的筛选规则,即根据激光检测值和类激光检测值的有效性,来确定出机器人周边的障碍物信息。
在具体实施时,对于决策层级的融合,即在本发明实施例中的步骤S404按照预设的第二数据处理规则,根据超声波检测数据和激光检测数据,构建机器人周边的环境地图,可以具体包括:
根据超声波检测数据,以及预设的第一算法,构建超声波地图;
根据激光检测数据,以及预设的第二算法,构建激光地图;
按照第二数据处理规则,根据超声波地图和激光地图,构建机器人周边的环境地图。
具体地,在构建超声波地图时采用的第一算法可以是slam第一算法,在构建激光地图时,采用的第二算法可以是slam第二算法。当然,第一算法和第二算法并不限于上述的slam算法,还可以是其他算法,在此并不限定。
可选地,为了构建超声波地图,在预设第一算法为slam第一算法时,在本发明实施例中,根据超声波检测数据,以及预设的第一算法,构建超声波地图,可以具体包括:
根据激光检测值的格式要求,将超声波检测数据转换为类激光检测值;
根据类激光检测值,以及slam第一算法,确定第一待选超声波地图和第二待选超声波地图;其中,第一待选超声波地图为由机器人在移动过程中周边障碍物的占用概率组成的二维矩阵(如Po(X,Y)),第二待选超声波地图为由机器人在移动过程中周边障碍物的空置概率组成的二维矩阵(如Pe(X,Y));
根据第一待选超声波地图与第二待选超声波地图,构建超声波地图。
在确定第一待选超声波地图和第二待选超声波地图时,首先构建两个二维矩阵,然后对两个二维矩阵进行包括初始化和更新处理;其中,在初始化步骤中,将两个二维矩阵中的数值全部设置为0,以便于在更新过程中对各数值进行更新。在更新步骤中,将初始化后的两个二维矩阵,分别记为第一待选超声波地图和第二待选超声波地图,需要根据超声波传感器检测到的超声波数据,对第一待选超声波地图和第二待选超声波地图中的数值进行实时更新,直至获取不到超声波检测数据为止,即完成更新步骤。
例如,用Pe(xm,yn)表示第二待选超声波地图中处于第m行第n列的空置概率数值时,对于第二待选超声波地图,更新过程为:将上一次更新后的xm和yn位置处的数值与本次获取到的xm和yn位置处的超声波检测数据对应的类激光检测值的加和,减去上一次更新后的xm和yn位置处的数值与本次获取到的xm和yn位置处的超声波检测数据对应的类激光检测值的乘积。
若Pe1(xb,yc)表示超声波传感器第一次获取到的xb和yc位置处的超声波检测数据对应的类激光检测值,那么更新后的Pe1’(xb,yc)=Pe0’(xb,yc)+Pe1(xb,yc)-Pe0’(xb,yc)×Pe1(xb,yc),在Pe0’(xb,yc)表示第0次更新后的数值时,由于该次为第一次获取到数据,所以Pe0’(xb,yc)为0,因此Pe1’(xb,yc)=Pe1(xb,yc)。
若Pe2(xb,yc)表示超声波传感器第二次获取到的xb和yc位置处的超声波检测数据对应的类激光检测值,那么更新后的Pe2’(xb,yc)=Pe1’(xb,yc)+Pe2(xb,yc)-Pe1’(xb,yc)×Pe2(xb,yc),由于该次为第二次获取到数据,且第一次获取到数据后已经对数值进行了更新,所以可以根据第一次更新后的数值Pe1’(xb,yc),以及第二次获取到的数据Pe2(xb,yc),确定出第二次更新后数值Pe2’(xb,yc)。
同理,若Pek(xb,yc)表示超声波传感器第k次获取到的xb和yc位置处的超声波检测数据对应的类激光检测值,那么更新后的Pek’(xb,yc)=Pek-1’(xb,yc)+Pek(xb,yc)-Pek-1’(xb,yc)×Pek(xb,yc),由于该次为第k次获取到的数据,且第k-1次获取到数据后已经对数值进行了更新,所以可以根据第k-1次更新后的数值Pek-1’(xb,yc),以及第k次获取到的数据Pek(xb,yc),确定出第k次更新后数值Pek’(xb,yc)。
在实际过程中,在获取不到超声波检测数据时,即更新结束,由更新的所有数据组成的二维矩阵即为最终的第二待选超声波地图。
又例如,用Po(xm,yn)表示第一待选超声波地图中处于第m行第n列的占用概率数值时,对于第一待选超声波地图,更新过程与第二待选超声波地图的更新过程相比较复杂。
若Pok(xs,ye)表示超声波传感器第k次获取到的xs和ye位置处的超声波检测数据对应的类激光检测值,Pek-1’(xs,ye)表示第二待选超声波地图中第k-1次更新后的xs和ye位置处的数值,且Po表示占用概率,Pe表示空置概率,那么首先确定第一中间值Pok1’(xs,ye)=Pok(xs,ye)×[1-Pek-1’(xs,ye)]。然后再确定第二中间值Pok2’(xs,ye)=Pok1’(xs,ye)/∑Pok,其中,∑Pok表示第k次获取到的所有位置的超声波检测数据对应的类激光检测值之和。最后确定第k次更新后的数值Pok’(xs,ye)=Pok-1’(xs,ye)+Pok2’(xs,ye)-Pok-1’(xs,ye)×Pok2’(xs,ye)。
在实际过程中,在获取不到超声波检测数据时,即更新结束,由更新的所有数据组成的二维矩阵即为最终的第一待选超声波地图。
可选地,在根据第一待选超声波地图与第二待选超声波地图,构建超声波地图时,可以采用如下公式进行构建:
SMap(xm,yn)=Po(xm,yn),Po(xm,yn)>=Pe(xm,yn);
或,SMap(xm,yn)=-Pe(xm,yn),Po(xm,yn)<Pe(xm,yn);
其中,SMap(xm,yn)表示超声波地图中处于第m行第n列的值,Po(xm,yn)表示第一待选超声波地图中处于第m行第n列的占用概率数值,Pe(xm,yn)表示第二待选超声波地图中处于第m行第n列的空置概率数值。
例如,若第一待选超声波地图中的Po(x1,y1)为Po1,第二待选超声波地图中的Pe(x1,y1)为Pe1,且Po1大于Pe1时,超声波地图中的SMap(x1,y1)则为Po(x1,y1),即为Po1,参见图5中所示的二维矩阵。
若第一待选超声波地图中的Po(x1,y2)为Po2,第二待选超声波地图中的Pe(x1,y2)为Pe2,且Po2等于Pe2时,超声波地图中的SMap(x1,y2)则为Po(x1,y2),即为Po2,参见图5中所示的二维矩阵。
若第一待选超声波地图中的Po(x1,y3)为Po3,第二待选超声波地图中的Pe(x1,y3)为Pe3,且Po3小于Pe3时,超声波地图中的SMap(x1,y3)则为-Pe(x1,y3),即为-Pe3,参见图5中所示的二维矩阵。
同理,通过上述方式,可以得到整个二维矩阵,如图5所示,即得到了超声波地图。当然,二维矩阵的大小并不限于图5所示。
因此,在确定超声波地图时,遍历第一待选超声波地图和第二待选超声波地图中的所有数值,将相同位置的数值进行比较,然后根据上述公式确定超声波地图中的相应位置的数值,从而确定出准确的超声波地图。
具体地,为了构建超声波地图,在本发明实施例中,在超声波地图和激光地图均为由机器人在移动过程中周边障碍物的分布概率组成的二维矩阵时,按照第二数据处理规则,根据超声波地图和激光地图,构建机器人周边的环境地图,可以具体包括以下两个步骤:
步骤一,对超声波地图中的概率数值进行映射处理;
由于构建的超声波地图中的数值在[-1,1]之间,而激光地图中的数值在[0,1]之间,所以可以对超声波地图进行线性压缩映射处理,以使超声波地图中的数值在[0,1]之间,从而有利于根据超声波地图和激光地图,构建最终的环境地图。
步骤二,采用如下公式,根据映射处理后的超声波地图,以及激光地图,构建环境地图:
Map(xm,yn)=min(SMap(xm,yn),LMap(xm,yn))
若SMap(xm,yn)<a,且LMap(xm,yn)<a;
或,Map(xm,yn)=max(SMap(xm,yn),LMap(xm,yn))
若SMap(xm,yn)≥a,或LMap(xm,yn)≥a;
其中,Map(xm,yn)表示环境地图中处于第m行第n列的概率数值,SMap(xm,yn)表示映射处理后的超声波地图中处于第m行第n列的概率数值,LMap(xm,yn)表示激光地图中处于第m行第n列的概率数值,a表示预设阈值。
例如,若超声波地图中的SMap(x1,y1)为S1,激光地图中的LMap(x1,y1)为L1,S1小于L1,且S1和L1均小于a时,环境地图中的Map(x1,y1)则为S1和L1中的较小者,即为S1,参见图6中所示的二维矩阵。
若超声波地图中的SMap(x1,y2)为S2,激光地图中的LMap(x1,y2)为L2,S2小于L2,且S2小于a,L2等于a时,环境地图中的Map(x1,y2)则为S2和L2中的较大者,即为L2,参见图6中所示的二维矩阵。
若超声波地图中的SMap(x1,y3)为S3,激光地图中的LMap(x1,y3)为L3,S3大于L3,且S3等于a,L3大于a时,环境地图中的Map(x1,y3)则为S3和L3中的较大者,即为S3,参见图6中所示的二维矩阵。
同理,通过上述方式,可以得到整个二维矩阵,如图6所示,即得到了环境地图。当然,二维矩阵的大小并不限于图6所示。
因此,在确定环境地图时,遍历超声波地图和激光地图中的所有数值,将相同位置的数值进行比较,然后根据上述公式确定环境地图中的相应位置的数值,从而确定出准确的环境地图。
需要说明的是,a表示预设阈值,在实际的数据处理过程中,对于预设阈值的设置,可以按实际超声波传感器的精度来调节,如将a设置为0.5或0.45等数值。
此外,第二数据处理规则可以理解为:数据准确性的筛选规则,即根据超声波地图与激光地图中的概率数值的大小,确定环境地图中的每个概率数值,从而构建出环境地图。
下面结合具体实施例,对本发明实施例提供的数据处理方法进行详细说明。
实施例一:结合图7所示的方法流程图。
S701、利用设置于机器人机身的多个超声波传感器,获得超声波检测数据;执行步骤S703;
S702、利用设置于机器人机身的激光传感器,获得激光检测数据;
S703、分别对超声波检测数据和激光检测数据进行筛选和滤波处理;
S704、将激光检测数据转换为激光检测值;分别执行步骤S705和S708;
S705、根据激光检测值的格式要求,将超声波检测数据转换为类激光检测值;分别执行步骤S706和S707;
S706、按照预设的第一数据处理规则,根据类激光检测值和激光检测值,确定机器人周边的障碍物信息;结束数据层级融合过程;
S707、根据类激光检测值,以及slam第一算法,构建超声波地图;执行步骤S709;
S708、根据激光检测值,以及slam第二算法,构建激光地图;
S709、按照第二数据处理规则,根据超声波地图和激光地图,构建机器人周边的环境地图;结束决策层级融合过程。
基于同一发明构思,本发明实施例还提供了一种数据处理装置,由于该装置的工作原理与前述一种数据处理方法的工作原理相似,因此,该装置的具体实施方式可参见前述数据处理方法的实施例,重复之处不再赘述。
具体地,本发明实施例提供的一种数据处理装置,如图8所示,可以包括:
获取单元801,用于利用设置于机器人机身的多个超声波传感器,获得超声波检测数据;利用设置于机器人机身的激光传感器,获得激光检测数据;其中,超声波检测数据和激光检测数据均用于表示机器人周边的障碍物信息;
确定单元802,用于按照预设的第一数据处理规则,根据超声波检测数据和激光检测数据,确定机器人周边的障碍物信息;
构建单元803,用于按照预设的第二数据处理规则,根据超声波检测数据和激光检测数据,构建机器人周边的环境地图。
在具体实施时,在本发明实施例中,如图8所示,还可以包括:处理单元804;
处理单元804,用于在获得超声波检测数据之后,对超声波检测数据进行筛选和滤波处理;在获得激光检测数据之后,对激光检测数据进行筛选和滤波处理。
具体地,确定单元802,还用于在按照预设的第一数据处理规则,根据超声波检测数据和激光检测数据,确定机器人周边的障碍物信息之前,将激光检测数据转换为激光检测值;根据激光检测值的格式要求,将超声波检测数据转换为类激光检测值;其中,类激光检测值与激光检测值具有相同格式。
具体地,确定单元802,具体用于在确定类激光检测值和激光检测值均有效时,将类激光检测值与激光检测值中的较小者对应的检测数据确定为待选数据;在确定类激光检测值有效,且激光检测值无效时,将类激光检测值对应的检测数据确定为待选数据;在确定类激光检测值无效,且激光检测值有效时,将激光检测值对应的检测数据确定为待选数据;根据确定出的待选数据,确定机器人周边的障碍物信息。
具体地,确定单元802,具体用于确定类激光检测值是否属于第一预设范围;在确定类激光检测值属于第一预设范围时,则确定类激光检测值有效;在确定类激光检测值不属于第一预设范围时,则确定类激光检测值无效;确定激光检测值是否属于第二预设范围;在确定激光检测值属于第二预设范围时,则确定激光检测值有效;在确定激光检测值不属于第二预设范围时,则确定激光检测值无效。
在具体实施时,构建单元803,具体用于根据超声波检测数据,以及预设的第一算法,构建超声波地图;根据激光检测数据,以及预设的第二算法,构建激光地图;按照第二数据处理规则,根据超声波地图和激光地图,构建机器人周边的环境地图。
具体地,超声波地图和激光地图均为由机器人在移动过程中周边障碍物的分布概率组成的二维矩阵;
构建单元803,具体用于对超声波地图中的概率数值进行映射处理;采用如下公式,根据映射处理后的超声波地图,以及激光地图,构建环境地图:
Map(xm,yn)=min(SMap(xm,yn),LMap(xm,yn))
若SMap(xm,yn)<a,且LMap(xm,yn)<a;
或,Map(xm,yn)=max(SMap(xm,yn),LMap(xm,yn))
若SMap(xm,yn)≥a,或LMap(xm,yn)≥a;
其中,Map(xm,yn)表示环境地图中处于第m行第n列的概率数值,SMap(xm,yn)表示映射处理后的超声波地图中处于第m行第n列的概率数值,LMap(xm,yn)表示激光地图中处于第m行第n列的概率数值,a表示预设阈值。
具体地,构建单元803,具体用于根据激光检测值的格式要求,将超声波检测数据转换为类激光检测值;根据类激光检测值,以及slam第一算法,确定第一待选超声波地图和第二待选超声波地图;其中,第一待选超声波地图为由机器人在移动过程中周边障碍物的占用概率组成的二维矩阵,第二待选超声波地图为由机器人在移动过程中周边障碍物的空置概率组成的二维矩阵;根据第一待选超声波地图与第二待选超声波地图,构建超声波地图。
具体地,构建单元803,具体用于采用如下公式构建超声波地图:
SMap(xm,yn)=Po(xm,yn),Po(xm,yn)>=Pe(xm,yn);
或,SMap(xm,yn)=-Pe(xm,yn),Po(xm,yn)<Pe(xm,yn);
其中,SMap(xm,yn)表示超声波地图中处于第m行第n列的值,Po(xm,yn)表示第一待选超声波地图中处于第m行第n列的占用概率数值,Pe(xm,yn)表示第二待选超声波地图中处于第m行第n列的空置概率数值。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
本发明实施例提供了一种数据处理方法、装置及机器人,通过设置多个超声波传感器和一个激光传感器,可以获取更多的周边环境信息,且获取的信息也更加准确和可靠。并且,通过本发明实施例提供的数据处理方法,在确定周围环境中的障碍物信息时,可以准确地确定出障碍物的位置,使得在复杂环境下,依然可以实现准确有效地避障,同时使得构建的环境地图,可以对周边环境表达更为精确,从而在复杂环境下,同时实现实时避障和环境地图的构建。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (21)
1.一种数据处理方法,其特征在于,包括:
利用设置于机器人机身的多个超声波传感器,获得超声波检测数据;
利用设置于所述机器人机身的激光传感器,获得激光检测数据;其中,所述超声波检测数据和所述激光检测数据均用于表示所述机器人周边的障碍物信息;
按照预设的第一数据处理规则,根据所述超声波检测数据和所述激光检测数据,确定所述机器人周边的障碍物信息;
按照预设的第二数据处理规则,根据所述超声波检测数据和所述激光检测数据,构建所述机器人周边的环境地图。
2.如权利要求1所述的方法,其特征在于,在获得超声波检测数据之后,还包括:
对所述超声波检测数据进行筛选和滤波处理;
在获得激光检测数据之后,还包括:
对所述激光检测数据进行筛选和滤波处理。
3.如权利要求1或2所述的方法,其特征在于,在按照预设的第一数据处理规则,根据所述超声波检测数据和所述激光检测数据,确定所述机器人周边的障碍物信息之前,还包括:
将所述激光检测数据转换为激光检测值;
根据所述激光检测值的格式要求,将所述超声波检测数据转换为类激光检测值;其中,所述类激光检测值与所述激光检测值具有相同格式。
4.如权利要求3所述的方法,其特征在于,按照预设的第一数据处理规则,根据所述超声波检测数据和所述激光检测数据,确定所述机器人周边的障碍物信息,具体包括:
在确定所述类激光检测值和所述激光检测值均有效时,将所述类激光检测值与所述激光检测值中的较小者对应的检测数据确定为待选数据;
在确定所述类激光检测值有效,且所述激光检测值无效时,将所述类激光检测值对应的检测数据确定为待选数据;
在确定所述类激光检测值无效,且所述激光检测值有效时,将所述激光检测值对应的检测数据确定为待选数据;
根据确定出的所述待选数据,确定所述机器人周边的障碍物信息。
5.如权利要求4所述的方法,其特征在于,确定所述类激光检测值是否有效,具体包括:
确定所述类激光检测值是否属于第一预设范围;
在确定所述类激光检测值属于第一预设范围时,则确定所述类激光检测值有效;
在确定所述类激光检测值不属于第一预设范围时,则确定所述类激光检测值无效;
确定所述激光检测值是否有效,具体包括:
确定所述激光检测值是否属于第二预设范围;
在确定所述激光检测值属于第二预设范围时,则确定所述激光检测值有效;
在确定所述激光检测值不属于第二预设范围时,则确定所述激光检测值无效。
6.如权利要求1或2所述的方法,其特征在于,按照预设的第二数据处理规则,根据所述超声波检测数据和所述激光检测数据,构建所述机器人周边的环境地图,具体包括:
根据所述超声波检测数据,以及预设的第一算法,构建超声波地图;
根据所述激光检测数据,以及预设的第二算法,构建激光地图;
按照所述第二数据处理规则,根据所述超声波地图和所述激光地图,构建所述机器人周边的环境地图。
7.如权利要求6所述的方法,其特征在于,所述超声波地图和激光地图均为由所述机器人在移动过程中周边障碍物的分布概率组成的二维矩阵;
按照所述第二数据处理规则,根据所述超声波地图和所述激光地图,构建所述机器人周边的环境地图,具体包括:
对所述超声波地图中的概率数值进行映射处理;
采用如下公式,根据映射处理后的所述超声波地图,以及所述激光地图,构建所述环境地图:
Map(xm,yn)=min(SMap(xm,yn),LMap(xm,yn))
若SMap(xm,yn)<a,且LMap(xm,yn)<a;
或,Map(xm,yn)=max(SMap(xm,yn),LMap(xm,yn))
若SMap(xm,yn)≥a,或LMap(xm,yn)≥a;
其中,Map(xm,yn)表示所述环境地图中处于第m行第n列的概率数值,SMap(xm,yn)表示映射处理后的所述超声波地图中处于第m行第n列的概率数值,LMap(xm,yn)表示所述激光地图中处于第m行第n列的概率数值,a表示预设阈值。
8.如权利要求6所述的方法,其特征在于,根据所述超声波检测数据,以及预设的第一算法,构建超声波地图,具体包括:
根据所述激光检测值的格式要求,将所述超声波检测数据转换为类激光检测值;
根据所述类激光检测值,以及slam第一算法,确定第一待选超声波地图和第二待选超声波地图;其中,所述第一待选超声波地图为由所述机器人在移动过程中周边障碍物的占用概率组成的二维矩阵,所述第二待选超声波地图为由所述机器人在移动过程中周边障碍物的空置概率组成的二维矩阵;
根据所述第一待选超声波地图与所述第二待选超声波地图,构建所述超声波地图。
9.如权利要求8所述的方法,其特征在于,根据所述第一待选超声波地图与所述第二待选超声波地图,构建所述超声波地图,具体包括:
采用如下公式构建所述超声波地图:
SMap(xm,yn)=Po(xm,yn),Po(xm,yn)>=Pe(xm,yn);
或,SMap(xm,yn)=-Pe(xm,yn),Po(xm,yn)<Pe(xm,yn);
其中,SMap(xm,yn)表示所述超声波地图中处于第m行第n列的值,Po(xm,yn)表示所述第一待选超声波地图中处于第m行第n列的占用概率数值,Pe(xm,yn)表示所述第二待选超声波地图中处于第m行第n列的空置概率数值。
10.一种数据处理装置,其特征在于,包括:
获取单元,用于利用设置于机器人机身的多个超声波传感器,获得超声波检测数据;利用设置于所述机器人机身的激光传感器,获得激光检测数据;其中,所述超声波检测数据和所述激光检测数据均用于表示所述机器人周边的障碍物信息;
确定单元,用于按照预设的第一数据处理规则,根据所述超声波检测数据和所述激光检测数据,确定所述机器人周边的障碍物信息;
构建单元,用于按照预设的第二数据处理规则,根据所述超声波检测数据和所述激光检测数据,构建所述机器人周边的环境地图。
11.如权利要求10所述的装置,其特征在于,还包括:处理单元;
所述处理单元,用于在获得超声波检测数据之后,对所述超声波检测数据进行筛选和滤波处理;在获得激光检测数据之后,对所述激光检测数据进行筛选和滤波处理。
12.如权利要求10或11所述的装置,其特征在于,所述确定单元,还用于在按照预设的第一数据处理规则,根据所述超声波检测数据和所述激光检测数据,确定所述机器人周边的障碍物信息之前,将所述激光检测数据转换为激光检测值;根据所述激光检测值的格式要求,将所述超声波检测数据转换为类激光检测值;其中,所述类激光检测值与所述激光检测值具有相同格式。
13.如权利要求12所述的装置,其特征在于,所述确定单元,具体用于在确定所述类激光检测值和所述激光检测值均有效时,将所述类激光检测值与所述激光检测值中的较小者对应的检测数据确定为待选数据;在确定所述类激光检测值有效,且所述激光检测值无效时,将所述类激光检测值对应的检测数据确定为待选数据;在确定所述类激光检测值无效,且所述激光检测值有效时,将所述激光检测值对应的检测数据确定为待选数据;根据确定出的所述待选数据,确定所述机器人周边的障碍物信息。
14.如权利要求13所述的装置,其特征在于,所述确定单元,具体用于确定所述类激光检测值是否属于第一预设范围;在确定所述类激光检测值属于第一预设范围时,则确定所述类激光检测值有效;在确定所述类激光检测值不属于第一预设范围时,则确定所述类激光检测值无效;确定所述激光检测值是否属于第二预设范围;在确定所述激光检测值属于第二预设范围时,则确定所述激光检测值有效;在确定所述激光检测值不属于第二预设范围时,则确定所述激光检测值无效。
15.如权利要求10或11所述的装置,其特征在于,所述构建单元,具体用于根据所述超声波检测数据,以及预设的第一算法,构建超声波地图;根据所述激光检测数据,以及预设的第二算法,构建激光地图;按照所述第二数据处理规则,根据所述超声波地图和所述激光地图,构建所述机器人周边的环境地图。
16.如权利要求15所述的装置,其特征在于,所述超声波地图和激光地图均为由所述机器人在移动过程中周边障碍物的分布概率组成的二维矩阵;
所述构建单元,具体用于对所述超声波地图中的概率数值进行映射处理;采用如下公式,根据映射处理后的所述超声波地图,以及所述激光地图,构建所述环境地图:
Map(xm,yn)=min(SMap(xm,yn),LMap(xm,yn))
若SMap(xm,yn)<a,且LMap(xm,yn)<a;
或,Map(xm,yn)=max(SMap(xm,yn),LMap(xm,yn))
若SMap(xm,yn)≥a,或LMap(xm,yn)≥a;
其中,Map(xm,yn)表示所述环境地图中处于第m行第n列的概率数值,SMap(xm,yn)表示映射处理后的所述超声波地图中处于第m行第n列的概率数值,LMap(xm,yn)表示所述激光地图中处于第m行第n列的概率数值,a表示预设阈值。
17.如权利要求15所述的装置,其特征在于,所述构建单元,具体用于根据所述激光检测值的格式要求,将所述超声波检测数据转换为类激光检测值;根据所述类激光检测值,以及slam第一算法,确定第一待选超声波地图和第二待选超声波地图;其中,所述第一待选超声波地图为由所述机器人在移动过程中周边障碍物的占用概率组成的二维矩阵,所述第二待选超声波地图为由所述机器人在移动过程中周边障碍物的空置概率组成的二维矩阵;根据所述第一待选超声波地图与所述第二待选超声波地图,构建所述超声波地图。
18.如权利要求17所述的装置,其特征在于,所述构建单元,具体用于采用如下公式构建所述超声波地图:
SMap(xm,yn)=Po(xm,yn),Po(xm,yn)>=Pe(xm,yn);
或,SMap(xm,yn)=-Pe(xm,yn),Po(xm,yn)<Pe(xm,yn);
其中,SMap(xm,yn)表示所述超声波地图中处于第m行第n列的值,Po(xm,yn)表示所述第一待选超声波地图中处于第m行第n列的占用概率数值,Pe(xm,yn)表示所述第二待选超声波地图中处于第m行第n列的空置概率数值。
19.一种机器人,其特征在于,包括:如权利要求10-18任一项所述数据处理装置,多个超声波传感器以及一个激光传感器;
所述超声波传感器,用于采集超声波检测数据,并发送至所述数据处理装置;
所述激光传感器,用于采集激光检测数据,并发送至所述数据处理装置;
所述数据处理装置,用于按照预设的第一数据处理规则,根据所述超声波检测数据和所述激光检测数据,确定所述机器人周边的障碍物信息;按照预设的第二数据处理规则,根据所述超声波检测数据和所述激光检测数据,构建所述机器人周边的环境地图。
20.如权利要求19所述的机器人,其特征在于,所述超声波传感器的设置数量在二十至三十之间,且各所述超声波传感器均匀地分布于所述机器人机身周围的同一水平面内;
所述激光传感器与各所述超声波传感器位于不同水平面内。
21.如权利要求20所述的机器人,其特征在于,所述超声波传感器的设置数量为二十四个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810829521.6A CN110850856B (zh) | 2018-07-25 | 2018-07-25 | 一种数据处理方法、装置及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810829521.6A CN110850856B (zh) | 2018-07-25 | 2018-07-25 | 一种数据处理方法、装置及机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110850856A true CN110850856A (zh) | 2020-02-28 |
CN110850856B CN110850856B (zh) | 2022-11-25 |
Family
ID=69594474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810829521.6A Active CN110850856B (zh) | 2018-07-25 | 2018-07-25 | 一种数据处理方法、装置及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110850856B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975951A (zh) * | 2010-06-09 | 2011-02-16 | 北京理工大学 | 一种融合距离和图像信息的野外环境障碍检测方法 |
CN103512579A (zh) * | 2013-10-22 | 2014-01-15 | 武汉科技大学 | 一种基于热红外摄像机和激光测距仪的地图构建方法 |
CN105823478A (zh) * | 2016-03-14 | 2016-08-03 | 武汉卓拔科技有限公司 | 一种自主避障导航信息共享和使用方法 |
CN105955266A (zh) * | 2016-05-11 | 2016-09-21 | 深圳乐行天下科技有限公司 | 一种地图构建装置及方法 |
CN107480638A (zh) * | 2017-08-16 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 车辆避障方法、控制器、装置和车辆 |
CN206833244U (zh) * | 2017-04-21 | 2018-01-02 | 山东大学 | 一种基于云平台的医院服务机器人 |
CN107831765A (zh) * | 2017-10-23 | 2018-03-23 | 广州视源电子科技股份有限公司 | 定位方法、装置、设备及存储介质 |
CN107917712A (zh) * | 2017-11-16 | 2018-04-17 | 苏州艾吉威机器人有限公司 | 一种同步定位与地图构建方法及设备 |
CN108161886A (zh) * | 2018-01-22 | 2018-06-15 | 东莞理工学院 | 基于激光扫描与卡尔曼滤波技术的地图构建机器人 |
-
2018
- 2018-07-25 CN CN201810829521.6A patent/CN110850856B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975951A (zh) * | 2010-06-09 | 2011-02-16 | 北京理工大学 | 一种融合距离和图像信息的野外环境障碍检测方法 |
CN103512579A (zh) * | 2013-10-22 | 2014-01-15 | 武汉科技大学 | 一种基于热红外摄像机和激光测距仪的地图构建方法 |
CN105823478A (zh) * | 2016-03-14 | 2016-08-03 | 武汉卓拔科技有限公司 | 一种自主避障导航信息共享和使用方法 |
CN105955266A (zh) * | 2016-05-11 | 2016-09-21 | 深圳乐行天下科技有限公司 | 一种地图构建装置及方法 |
CN206833244U (zh) * | 2017-04-21 | 2018-01-02 | 山东大学 | 一种基于云平台的医院服务机器人 |
CN107480638A (zh) * | 2017-08-16 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 车辆避障方法、控制器、装置和车辆 |
CN107831765A (zh) * | 2017-10-23 | 2018-03-23 | 广州视源电子科技股份有限公司 | 定位方法、装置、设备及存储介质 |
CN107917712A (zh) * | 2017-11-16 | 2018-04-17 | 苏州艾吉威机器人有限公司 | 一种同步定位与地图构建方法及设备 |
CN108161886A (zh) * | 2018-01-22 | 2018-06-15 | 东莞理工学院 | 基于激光扫描与卡尔曼滤波技术的地图构建机器人 |
Non-Patent Citations (2)
Title |
---|
孙红新: "基于超声波的移动机器人的同时定位和地图构建", 《计算机测量与控制》 * |
洪伟等: "移动机器人的障碍物群检测方法", 《吉林大学学报(信息科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110850856B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3384360B1 (en) | Simultaneous mapping and planning by a robot | |
CN109509210B (zh) | 障碍物跟踪方法和装置 | |
CN112734852B (zh) | 一种机器人建图方法、装置及计算设备 | |
US11300964B2 (en) | Method and system for updating occupancy map for a robotic system | |
CN110587597B (zh) | 一种基于激光雷达的slam闭环检测方法及检测系统 | |
CN105910604A (zh) | 一种基于多传感器的自主避障导航系统 | |
JP7042905B2 (ja) | 逆センサモデルを生成する方法および装置、ならびに障害物を検出するための方法 | |
JP6682508B2 (ja) | 位置特定およびマッピングの装置ならびに方法 | |
CN110850859B (zh) | 一种机器人及其避障方法和避障系统 | |
US11880931B2 (en) | High-definition city mapping | |
CN107504917B (zh) | 一种三维尺寸测量方法及装置 | |
WO2016067640A1 (ja) | 自律移動装置 | |
CN111487960A (zh) | 一种基于定位能力估计的移动机器人路径规划方法 | |
CN114549738A (zh) | 无人车室内实时稠密点云重建方法、系统、设备及介质 | |
EP3703008A1 (en) | Object detection and 3d box fitting | |
CN112561859A (zh) | 基于单目视觉的锚护用钢带钻孔与锚网识别方法及装置 | |
CN114943952A (zh) | 多相机重叠视域下障碍物融合方法、系统、设备和介质 | |
CN113378694A (zh) | 生成目标检测和定位系统及目标检测和定位的方法及装置 | |
CN117389305A (zh) | 一种无人机巡检路径规划方法、系统、设备及介质 | |
CN110850856B (zh) | 一种数据处理方法、装置及机器人 | |
CN113935946B (zh) | 实时检测地下障碍物的方法及装置 | |
Spampinato et al. | An embedded stereo vision module for industrial vehicles automation | |
CN113503883B (zh) | 采集用于构建地图的数据的方法、存储介质及电子设备 | |
CN113203424B (zh) | 多传感器的数据融合方法、装置及相关设备 | |
CN114511590A (zh) | 基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |