CN111429520B - 负障碍物检测方法、装置、终端设备和存储介质 - Google Patents

负障碍物检测方法、装置、终端设备和存储介质 Download PDF

Info

Publication number
CN111429520B
CN111429520B CN202010137285.9A CN202010137285A CN111429520B CN 111429520 B CN111429520 B CN 111429520B CN 202010137285 A CN202010137285 A CN 202010137285A CN 111429520 B CN111429520 B CN 111429520B
Authority
CN
China
Prior art keywords
grid
grids
negative
points
robot
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010137285.9A
Other languages
English (en)
Other versions
CN111429520A (zh
Inventor
吴华勃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN202010137285.9A priority Critical patent/CN111429520B/zh
Publication of CN111429520A publication Critical patent/CN111429520A/zh
Application granted granted Critical
Publication of CN111429520B publication Critical patent/CN111429520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/77Determining position or orientation of objects or cameras using statistical methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/06Topological mapping of higher dimensional structures onto lower dimensional surfaces
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10028Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明实施例公开了一种负障碍物检测方法、装置、终端设备和存储介质。该方法包括:通过将激光雷达点云数据投射到机器人所在的水平坐标系形成平面坐标点;统计目标检测区域中每个基础栅格内不同高度的平面坐标点的个数,所述目标检测区域位于所述水平坐标系,所述基础栅格组成的网格覆盖所述目标检测区域;根据不同高度的所述平面坐标点的个数对所述基础栅格进行状态分类;当一组连续设定个数的基础栅格的状态分类满足设定的负障碍判定序列时,确认该组基础栅格对应的区域为负障碍区域。通过融合多帧数据从原始点云分割出负障碍的方法,可以避免用单帧数据处理精度较低的问题,并且通过排列特性检测负障碍,可以有效节省计算资源。

Description

负障碍物检测方法、装置、终端设备和存储介质
技术领域
本发明实施例涉及机器人技术领域,尤其涉及负障碍物检测方法、装置、终端设备和存储介质。
背景技术
随着电子技术的不断发展,机器人技术开始应用于社会生产生活的各个方面。与机器人使用范围扩大同步的是外部障碍检测技术的快速发展,应对于各种外部障碍检测需求,红外图像采集检测、光学图像采集检测、激光雷达检测等技术不断在机器人领域进行整合开发应用,以求获得快速而准确的障碍检测结果。
一种利用激光检测负障碍(一般低于地面高度的不可通行障碍,例如坑、沟壑、断崖等)的方法主要是基于激光的安装高度,测量换算出地面的高度,通过设置Z轴阈值的方法,将低于这个高度的激光点当做负障碍点,缺点是误检率高和漏检率高。
另外还有基于3d激光的单帧数据内相邻环线之间的距离,检测是否有径向距离跳变来对其做识别,缺点是单帧点云的精度往往受限于雷达的分辨率,相邻环线的间隔通常较大,导致点的数量比较稀疏,容易造成漏检,所以这种方法对雷达要求比较高,相应成本也高。也有一些方法将3d激光垂直安装,以此来提高纵向的分辨率,缺点是会牺牲水平方向的识别范围,虽然可以通过增加激光雷达的数量来弥补的识别范围的不足,但这也会大大增加成本。
发明人在实现负障碍检测时发现,一些基于多帧数据融合处理的方法,也都是在单帧处理的基础上做叠加,很多时候为了做聚类提取一些其他特征,可以减少误检但是不能解决漏检的问题,假如单帧无法识别出负障碍,多帧同样无法识别正障碍。
发明内容
本发明提供了一种负障碍物检测方法、装置、终端设备和存储介质,以解决现有技术多方远程语音交互进行音频传输时,服务器和客户端进行大量无效数据管理造成资源浪费的技术问题。
第一方面,本发明实施例提供了一种负障碍物检测方法,包括:
将激光雷达点云数据投射到机器人所在的水平坐标系形成平面坐标点;
统计目标检测区域中每个基础栅格内不同高度的平面坐标点的个数,所述目标检测区域位于所述水平坐标系,所述基础栅格组成的网格覆盖所述目标检测区域;
根据不同高度的所述平面坐标点的个数对所述基础栅格进行状态分类;
当一组连续设定个数的基础栅格的状态分类满足设定的负障碍判定序列时,确认该组基础栅格对应的区域为负障碍区域。
其中,所述统计目标检测区域中每个基础栅格内不同高度的平面坐标点的个数,具体为:
遍历基础栅格中的平面坐标点,将高度在平地高度范围内的平面坐标点统计为平面点,将高度在负障碍高度范围内的平面坐标点统计为负向点。
其中,所述根据不同高度的所述平面坐标点的个数对所述基础栅格进行状态分类,包括:
将所述负向点的个数大于第一数量阈值的基础栅格分类为负栅格;
将所述平面点的个数大于第二数量阈值的基础栅格分类的平面栅格;
将剩余的基础栅格分类为空栅格。
其中,所述当一组连续设定个数的基础栅格的状态分类满足设定的负障碍判定序列时,确认该组基础栅格对应的区域为负障碍区域,具体为:
当所述机器人前进方向上一组连续至少三个基础栅格中,近端栅格为平面栅格,远端栅格为负栅格,近端栅格和远端栅格之间的栅格为空栅格,则确认该组基础栅格对应的区域为负障碍区域。
其中,所述将激光雷达点云数据投射到机器人所在的水平坐标系形成平面坐标点,包括:
将激光雷达点云数据映射到机器人坐标系得到环境点云数据,所述激光雷达点云数据以机器人携载的激光雷达所在位置为原点,所述机器人坐标系以所述机器人所在位置为原点;
提取所述环境点云数据的X坐标和Y坐标得到对应的平面坐标点。
第二方面,本发明实施例还提供了一种负障碍物检测装置,包括:
坐标投射单元,用于将激光雷达点云数据投射到机器人所在的水平坐标系形成平面坐标点;
数量统计单元,用于统计目标检测区域中每个基础栅格内不同高度的平面坐标点的个数,所述目标检测区域位于所述水平坐标系,所述基础栅格组成的网格覆盖所述目标检测区域;
栅格分类单元,用于根据不同高度的所述平面坐标点的个数对所述基础栅格进行状态分类;
序列判断单元,用于当一组连续设定个数的基础栅格的状态分类满足设定的负障碍判定序列时,确认该组基础栅格对应的区域为负障碍区域。
其中,所述数量统计单元,具体用于:
遍历基础栅格中的平面坐标点,将高度在平地高度范围内的平面坐标点统计为平面点,将高度在负障碍高度范围内的平面坐标点统计为负向点。
其中,所述栅格分类单元,包括:
第一分类模块,用于将所述负向点的个数大于第一数量阈值的基础栅格分类为负栅格;
第二分类模块,用于将所述平面点的个数大于第二数量阈值的基础栅格分类的平面栅格;
第三分类模块,用于将剩余的基础栅格分类为空栅格。
其中,所述序列判断单元,具体用于:
当所述机器人前进方向上一组连续至少三个基础栅格中,近端栅格为平面栅格,远端栅格为负栅格,近端栅格和远端栅格之间的栅格为空栅格,则确认该组基础栅格对应的区域为负障碍区域。
其中,所述坐标投射单元,包括:
坐标系转换模块,用于将激光雷达点云数据映射到机器人坐标系得到环境点云数据,所述激光雷达点云数据以机器人携载的激光雷达所在位置为原点,所述机器人坐标系以所述机器人所在位置为原点;
坐标提取模块,用于提取所述环境点云数据的X坐标和Y坐标得到对应的平面坐标点。
第三方面,本发明实施例还提供一种终端设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
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第一方面任一所述的负障碍物检测方法。
第四方面,本发明实施例还提供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如第一方面任一所述的负障碍物检测方法。
上述负障碍物检测方法、装置、终端设备和存储介质,通过将激光雷达点云数据投射到机器人所在的水平坐标系形成平面坐标点;统计目标检测区域中每个基础栅格内不同高度的平面坐标点的个数,所述目标检测区域位于所述水平坐标系,所述基础栅格组成的网格覆盖所述目标检测区域;根据不同高度的所述平面坐标点的个数对所述基础栅格进行状态分类;当一组连续设定个数的基础栅格的状态分类满足设定的负障碍判定序列时,确认该组基础栅格对应的区域为负障碍区域。通过融合多帧数据从原始点云分割出负障碍的方法,可以避免用单帧数据处理精度较低的问题,并且通过栅格的排列特性检测分割出负障碍,降低了处理量,可以有效节省计算资源。
附图说明
图1为本发明实施例一提供的一种负障碍物检测方法的流程图;
图2为机器人激光雷达对平地检测的示意图;
图3为机器人激光雷达对负障碍检测的示意图;
图4为本发明实施例二提供的一种负障碍物检测方法的流程图;
图5为本发明实施例二提供的一种负障碍区域的序列示意图;
图6为本发明实施例三提供的一种负障碍物检测装置的结构示意图;
图7为本发明实施例四提供的一种终端设备的结构示意图。
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。
需要注意的是,由于篇幅所限,本申请说明书没有穷举所有可选的实施方式,本领域技术人员在阅读本申请说明书后,应该能够想到,只要技术特征不互相矛盾,那么技术特征的任意组合均可以构成可选的实施方式。
下面对各实施例进行详细说明。
实施例一
图2为本发明实施例一提供的一种负障碍物检测方法的流程图。实施例中提供的负障碍物检测方法可以由音频传输设备执行,该音频传输设备可以通过软件和/或硬件的方式实现,该音频传输设备可以是两个或多个物理实体构成,也可以是一个物理实体构成。例如,音频传输设备可以是手机、工业控制计算机等。
步骤S110:将激光雷达点云数据投射到机器人所在的水平坐标系形成平面坐标点。
激光雷达检测到的点云数据为三维坐标数据,每个点云数据通过与原点在三个两两垂直的维度(例如前进方向、垂直于前进方向的侧向和竖直方向)上的距离,表征在环境中检测到的点在空间中的位置。原点和维度的设定不同,三维坐标数据不同,在机器人运行过程中,直接获得的是以激光雷达为参考的点云数据,而对于机器人运行而言,需要获得的是行走部件(轮式或拟真足)将要通过的路面状态,其直接对应的是以机器人底部的某个参考点为参考的坐标系,尤其对于路面凹凸状态的判断而言,需要通过机器人所在的水平坐标系对机器人所在的空间进行描述,激光雷达点云数据投射到水平坐标系,在透射得到的平面坐标点的基础上执行后续的分布方式的分析,即可实现本方案既定的负障碍物检测目标。
步骤S120:统计目标检测区域中每个基础栅格内不同高度的平面坐标点的个数。
所述目标检测区域位于所述水平坐标系,所述基础栅格组成的网格覆盖所述目标检测区域。在解析几何的概念上,平面可以无限延伸,在本方案中,在一个抽象出来的平面(即水平坐标系)中,只有机器人周围的区域,甚至是只有机器人前进方向上一定角度范围和一定距离范围内的区域才有障碍检测的必要,基于此,根据机器人的行进速度、制动参数以及尺寸等,对机器人的路径规划可能产生影响的区域进行负障碍物判断。在具体判断时,需要将目标检测区域划分为多个大小相同的矩形区域,每个矩形区域即为一个基础栅格,所有基础栅格的组合可以视为一个网格。当然,基础栅格和网格并不是向用户呈现进行区域划分的视觉效果,其仅用作描述负障碍检测时对目标检测区域进行底层数据处理的过程。
每个平面坐标点对应有高程,一般说来,以水平坐标系(即地面)为参考,高程越高,相对于地面越高;高程越低,相对于地面越低,如果高度为负,则表明存在凹陷。对于所有平面坐标点的高度,根据机器人可通行的高度范围,对每个基础栅格中的坐标点进行数量统计,例如某款机器人的可通行高度范围在[-0.2m,0.3m],那么对于每个基础栅格,将该高度范围内的平面坐标点的个数进行统计,将小于-0.2m的平面坐标点的个数进行统计。
步骤S130:根据不同高度的所述平面坐标点的个数对所述基础栅格进行状态分类。
请参考图2和图3,其分别呈现了机器人激光雷达对平地检测和负障碍检测的示意图。对于平地而言,每束激光对应的反射点均匀分布;对于负障碍而言,从水平方向上,发射到负障碍的激光的反射点会远离机器人近端的平地反射点,同时靠近机器人远端的平地反射点。也就是说,有负障碍存在时,激光雷达点云数据在平地时的均匀分布状态会被打破(例如图3中本来位于Pc′和PD′的平地反射点因为负障碍的存在分别出现到Pc和PD),对新的点云分布通过基于基础栅格的分布特征分析,即可获得新的分布状态。
步骤S140:当一组连续设定个数的基础栅格的状态分类满足设定的负障碍判定序列时,确认该组基础栅格对应的区域为负障碍区域。
在本方案中,为提高分辨精度和计算效率,不是基于单个基础栅格的状态分类确认负障碍的区域,而是基于多个连续基础栅格的状态分类的序列特征判定对应的区域是否为负障碍区域,尽可能将一个连续的负障碍区域作为一个整体进行识别和标记。
另外需要说明的是,负障碍只是不可通行障碍的一部分,分离掉负障碍后,从点云中分割出地面得到正障碍有很多方法,有通过相邻点高度差,平面拟合等很多方法可以得到地面点,在此不做过多描述。
上述,通过将激光雷达点云数据投射到机器人所在的水平坐标系形成平面坐标点;统计目标检测区域中每个基础栅格内不同高度的平面坐标点的个数,所述目标检测区域位于所述水平坐标系,所述基础栅格组成的网格覆盖所述目标检测区域;根据不同高度的所述平面坐标点的个数对所述基础栅格进行状态分类;当一组连续设定个数的基础栅格的状态分类满足设定的负障碍判定序列时,确认该组基础栅格对应的区域为负障碍区域。通过融合多帧数据从原始点云分割出负障碍的方法,可以避免用单帧数据处理精度较低的问题,并且通过栅格的排列特性检测分割出负障碍,降低了处理量,可以有效节省计算资源。
实施例二
图4为本发明实施例二提供的一种负障碍物检测方法的流程图。本实施例是在上述实施例的基础上进行具体化。
具体的,参考图4,本实施例提供的负障碍物检测方法具体包括:
步骤S201:将激光雷达点云数据映射到机器人坐标系得到环境点云数据。
以激光雷达为坐标原点建立激光雷达坐标系,激光雷达输出的一般都是在激光雷达坐标系下的点云数据,已知激光雷达在机器人上的安装位置,可以计算得到基于机器人坐标系的环境点云数据。一般来说,激光雷达的朝向与水平方向呈一定夹角,夹角的设计使得机器人既能识别自身高度以下的障碍,避免碰撞,也可以更大程度地增加对负障碍的识别。将激光雷达坐标系做对应于该夹角的旋转,实现激光雷达的朝向与水平方向平行,再根据激光雷达与机器人坐标系的原点的高度差修正Z坐标,即可得到机器人坐标系下的环境点云数据。
步骤S202:提取所述环境点云数据的X坐标和Y坐标得到对应的平面坐标点。
提取环境点云数据的X坐标和Y坐标,相当于建立环境点云数据在平面坐标系中的投影点。本方案中负障碍检测的基础是在平地本应均匀分布的环境点云数据在受到地面起伏变化的影响时发生的分布状态的变化,这种变化的判断基础是每个环境点云数据对应的投影点的坐标,即X坐标和Y坐标。
步骤S203:遍历基础栅格中的平面坐标点,将高度在平地高度范围内的平面坐标点统计为平面点,将高度在负障碍高度范围内的平面坐标点统计为负向点。
对于机器人而言,并不是高程(即Y坐标)为0的环境点云数据才是平地,而是将其可正常通行的高度均统计为平地,例如某机器人可以爬上0.2m的垂直陡坡,那么对于该机器人,高程为[-0.2m,0.2m]的环境点云数据均可视为平面点,与之相适应的,高程小于-0.2m的环境点云数据统计为负向点。
步骤S204:将所述负向点的个数大于第一数量阈值的基础栅格分类为负栅格。
步骤S205:将所述平面点的个数大于第二数量阈值的基础栅格分类的平面栅格。
步骤S206:将剩余的基础栅格分类为空栅格。
步骤S204-步骤S206是对基础栅格进行分类的过程,三个步骤的文字顺序不代表步骤的执行顺序。其详细的处理过程可以是先统计出所有栅格分别对应的不同分类的点的个数,然后判断该栅格是哪种栅格;也可以是在统计完一个栅格对应的不同分类的点的个数之后马上判断该栅格是哪种栅格。基于数量统计的分类过程可以灵活实现,最终完成的是基于步骤S204-步骤S206描述的分类的标准的分类过程。另外需要说明的是,第一数量阈值和第二数量阈值只是各自独立对应负栅格和平面栅格的判断参数,二者之间并无数量上的参考关系,具体根据机器人的通过能力和激光雷达的分辨率确定,并且可以根据实际的判断效果进行重新设置。
步骤S207:当所述机器人前进方向上一组连续至少三个基础栅格中,近端栅格为平面栅格,远端栅格为负栅格,近端栅格和远端栅格之间的栅格为空栅格,则确认该组基础栅格对应的区域为负障碍区域。
如图5所示,在机器人坐标系中,以机器人的前进方向为X轴的正方向,水平垂直于X轴定义为Y轴,其中“☆”表示为平面栅格,“□”表示为负栅格,其余为空栅格,其中带有负栅格的一列最下方三个从下往上依次为平面栅格、空栅格和负栅格(分别记为A栅格、B栅格和C栅格),则表明在这三个基础栅格对应的区域存在负障碍。进一步可以结合图2和图3进行理解,如果是图2所示的平地状态下,A栅格、B栅格和C栅格都有数量相同或接近的平面点,进而可以判断A栅格、B栅格和C栅格都是平面栅格,连续三个基础栅格对应的区域均是平地;如果是图3所示的负障碍状态下,A栅格有数量正常的平面点,本应落在B栅格的平面点,因为负障碍的存在向前延伸落入C栅格并成为负向点,B栅格的点减少,C栅格中负向点增加,基于这一分布变化,可以确认图5中A栅格、B栅格和C栅格所覆盖的区域为负障碍区域。
如果是连续多于3个基础栅格,只要第一个是平面栅格,最后一个是负栅格,其余是空栅格,均可视为负障碍区域,例如连续五个基础栅格,从近到远依次是平面栅格、空栅格、空栅格、空栅格和负栅格,则这五个基础栅格对应的区域为负障碍区域,并且这种是较深较大的负障碍。此外,因为下水道入口的格栅会对激光的反射光路产生影响,导致在下水道入口对应的区域没有点云数据,下水道入口对应的区域也会被检测为负障碍区域,并通知绕行。
此外,如果出现平面栅格、负栅格(1个或连续多个)、平面栅格的排列序列,也可以判定为负障碍区域,但是这种负障碍区域的深度较浅,其中负栅格的个数越多,负障碍区域的范围越大。对于较浅的负障碍区域,可以根据机器人的通行性能选择绕行或通过。
实施例三
图6为本发明实施例三提供的一种负障碍物检测装置的结构示意图。参考图6,该负障碍物检测装置包括:坐标投射单元310、数量统计单元320、栅格分类单元330和序列判断单元340。
坐标投射单元310,用于将激光雷达点云数据投射到机器人所在的水平坐标系形成平面坐标点;数量统计单元320,用于统计目标检测区域中每个基础栅格内不同高度的平面坐标点的个数,所述目标检测区域位于所述水平坐标系,所述基础栅格组成的网格覆盖所述目标检测区域;栅格分类单元330,用于根据不同高度的所述平面坐标点的个数对所述基础栅格进行状态分类;序列判断单元340,用于当一组连续设定个数的基础栅格的状态分类满足设定的负障碍判定序列时,确认该组基础栅格对应的区域为负障碍区域。
在上述实施例的基础上,所述数量统计单元320,具体用于:
遍历基础栅格中的平面坐标点,将高度在平地高度范围内的平面坐标点统计为平面点,将高度在负障碍高度范围内的平面坐标点统计为负向点。
在上述实施例的基础上,所述栅格分类单元330,包括:
第一分类模块,用于将所述负向点的个数大于第一数量阈值的基础栅格分类为负栅格;
第二分类模块,用于将所述平面点的个数大于第二数量阈值的基础栅格分类的平面栅格;
第三分类模块,用于将剩余的基础栅格分类为空栅格。
在上述实施例的基础上,所述序列判断单元340,具体用于:
当所述机器人前进方向上一组连续至少三个基础栅格中,近端栅格为平面栅格,远端栅格为负栅格,近端栅格和远端栅格之间的栅格为空栅格,则确认该组基础栅格对应的区域为负障碍区域。
在上述实施例的基础上,所述坐标投射单元310,包括:
坐标系转换模块,用于将激光雷达点云数据映射到机器人坐标系得到环境点云数据,所述激光雷达点云数据以机器人携载的激光雷达所在位置为原点,所述机器人坐标系以所述机器人所在位置为原点;
坐标提取模块,用于提取所述环境点云数据的X坐标和Y坐标得到对应的平面坐标点。
本发明实施例提供的负障碍物检测装置包含在负障碍物检测设备中,且可用于执行上述实施例一和实施例二中提供的任一负障碍物检测方法,具备相应的功能和有益效果。
实施例四
图7为本发明实施例四提供的一种终端设备的结构示意图,该终端设备是前文所述负障碍物检测设备的一种具体的硬件呈现方案。如图7所示,该终端设备包括处理器410、存储器420、输入装置430、输出装置440以及通信装置450;终端设备中处理器410的数量可以是一个或多个,图7中以一个处理器410为例;终端设备中的处理器410、存储器420、输入装置430、输出装置440以及通信装置450可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器420作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的负障碍物检测方法对应的程序指令/模块(例如,负障碍物检测装置中的坐标投射单元310、数量统计单元320、栅格分类单元330和序列判断单元340)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块,从而执行终端设备的各种功能应用以及数据处理,即实现上述的负障碍物检测方法。
存储器420可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器420可进一步包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息,以及产生与终端设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
上述终端设备包含负障碍物检测装置,可以用于执行任意负障碍物检测方法,具备相应的功能和有益效果。
实施例五
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本申请任意实施例中提供的负障碍物检测方法中的相关操作,且具备相应的功能和有益效果。
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、CD-ROM、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
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 (6)

1.一种负障碍物检测方法,其特征在于,包括:
将激光雷达点云数据投射到机器人所在的水平坐标系形成平面坐标点;
统计目标检测区域中每个基础栅格内不同高度的平面坐标点的个数,所述目标检测区域位于所述水平坐标系,所述基础栅格组成的网格覆盖所述目标检测区域;
根据不同高度的所述平面坐标点的个数对所述基础栅格进行状态分类;
当一组连续设定个数的基础栅格的状态分类满足设定的负障碍判定序列时,确认该组基础栅格对应的区域为负障碍区域;
其中,所述统计目标检测区域中每个基础栅格内不同高度的平面坐标点的个数,具体为:
遍历基础栅格中的平面坐标点,将高度在平地高度范围内的平面坐标点统计为平面点,将高度在负障碍高度范围内的平面坐标点统计为负向点;
其中,所述根据不同高度的所述平面坐标点的个数对所述基础栅格进行状态分类,包括:
将所述负向点的个数大于第一数量阈值的基础栅格分类为负栅格;
将所述平面点的个数大于第二数量阈值的基础栅格分类为平面栅格;
将剩余的基础栅格分类为空栅格;
所述平地高度范围根据机器人的可通行的高度范围确定。
2.根据权利要求1所述的方法,其特征在于,所述当一组连续设定个数的基础栅格的状态分类满足设定的负障碍判定序列时,确认该组基础栅格对应的区域为负障碍区域,具体为:
当所述机器人前进方向上一组连续至少三个基础栅格中,近端栅格为平面栅格,远端栅格为负栅格,近端栅格和远端栅格之间的栅格为空栅格,则确认该组基础栅格对应的区域为负障碍区域。
3.根据权利要求1所述的方法,其特征在于,所述将激光雷达点云数据投射到机器人所在的水平坐标系形成平面坐标点,包括:
将激光雷达点云数据映射到机器人坐标系得到环境点云数据,所述激光雷达点云数据以机器人携载的激光雷达所在位置为原点,所述机器人坐标系以所述机器人所在位置为原点;
提取所述环境点云数据的X坐标和Y坐标得到对应的平面坐标点。
4.一种负障碍物检测装置,其特征在于,包括:
坐标投射单元,用于将激光雷达点云数据投射到机器人所在的水平坐标系形成平面坐标点;
数量统计单元,用于统计目标检测区域中每个基础栅格内不同高度的平面坐标点的个数,所述目标检测区域位于所述水平坐标系,所述基础栅格组成的网格覆盖所述目标检测区域;
栅格分类单元,用于根据不同高度的所述平面坐标点的个数对所述基础栅格进行状态分类;
序列判断单元,用于当一组连续设定个数的基础栅格的状态分类满足设定的负障碍判定序列时,确认该组基础栅格对应的区域为负障碍区域;
其中,所述数量统计单元,具体用于:
遍历基础栅格中的平面坐标点,将高度在平地高度范围内的平面坐标点统计为平面点,将高度在负障碍高度范围内的平面坐标点统计为负向点;
其中,所述栅格分类单元,包括:
第一分类模块,用于将所述负向点的个数大于第一数量阈值的基础栅格分类为负栅格;
第二分类模块,用于将所述平面点的个数大于第二数量阈值的基础栅格分类为平面栅格;
第三分类模块,用于将剩余的基础栅格分类为空栅格;
所述平地高度范围根据机器人的可通行的高度范围确定。
5.一种终端设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
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1-3任一所述的负障碍物检测方法。
6.一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1-3任一所述的负障碍物检测方法。
CN202010137285.9A 2020-03-02 2020-03-02 负障碍物检测方法、装置、终端设备和存储介质 Active CN111429520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010137285.9A CN111429520B (zh) 2020-03-02 2020-03-02 负障碍物检测方法、装置、终端设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010137285.9A CN111429520B (zh) 2020-03-02 2020-03-02 负障碍物检测方法、装置、终端设备和存储介质

Publications (2)

Publication Number Publication Date
CN111429520A CN111429520A (zh) 2020-07-17
CN111429520B true CN111429520B (zh) 2023-11-03

Family

ID=71547386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010137285.9A Active CN111429520B (zh) 2020-03-02 2020-03-02 负障碍物检测方法、装置、终端设备和存储介质

Country Status (1)

Country Link
CN (1) CN111429520B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111928811B (zh) * 2020-09-22 2021-01-08 上海钛米机器人股份有限公司 地面检测方法、装置、设备及存储介质
CN112183393A (zh) * 2020-09-30 2021-01-05 深兰人工智能(深圳)有限公司 激光雷达点云目标检测方法、系统及装置
WO2022099511A1 (zh) * 2020-11-11 2022-05-19 深圳元戎启行科技有限公司 基于点云数据的地面分割方法、装置和计算机设备
CN112505724A (zh) * 2020-11-24 2021-03-16 上海交通大学 道路负障碍检测方法及系统
CN112711012B (zh) * 2020-12-18 2022-10-11 上海蔚建科技有限公司 一种激光雷达定位系统的全局位置初始化方法及系统
CN112711034B (zh) * 2020-12-22 2022-10-14 中国第一汽车股份有限公司 物体检测方法、装置及设备
CN113393423A (zh) * 2021-05-18 2021-09-14 深圳拓邦股份有限公司 一种基于点云的悬崖检测方法、装置及移动机器人
CN113432610B (zh) * 2021-06-15 2024-07-02 云鲸智能(深圳)有限公司 机器人通行规划方法、装置、机器人及存储介质
CN113420698B (zh) * 2021-06-18 2024-08-02 北京盈迪曼德科技有限公司 一种基于机器人的环境识别方法及装置
CN113935425B (zh) * 2021-10-21 2024-08-16 中国船舶集团有限公司第七一一研究所 物体识别方法、装置、终端和存储介质
CN118314214A (zh) * 2023-09-27 2024-07-09 元橡科技(北京)有限公司 适用于双目相机的外参动态自纠正方法、系统及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104374376A (zh) * 2014-11-05 2015-02-25 北京大学 一种车载三维测量系统装置及其应用
WO2017025521A1 (fr) * 2015-08-07 2017-02-16 Institut De Recherche Technologique Jules Verne Dispositif et procédé pour la détection d'obstacles adaptés à un robot mobile
CN106650640A (zh) * 2016-12-05 2017-05-10 浙江大学 一种基于激光雷达点云局部结构特征的负障碍物检测方法
CN108628318A (zh) * 2018-06-28 2018-10-09 广州视源电子科技股份有限公司 拥堵环境检测方法、装置、机器人及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145680B (zh) * 2017-06-16 2022-05-27 阿波罗智能技术(北京)有限公司 一种获取障碍物信息的方法、装置、设备和计算机存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104374376A (zh) * 2014-11-05 2015-02-25 北京大学 一种车载三维测量系统装置及其应用
WO2017025521A1 (fr) * 2015-08-07 2017-02-16 Institut De Recherche Technologique Jules Verne Dispositif et procédé pour la détection d'obstacles adaptés à un robot mobile
CN106650640A (zh) * 2016-12-05 2017-05-10 浙江大学 一种基于激光雷达点云局部结构特征的负障碍物检测方法
CN108628318A (zh) * 2018-06-28 2018-10-09 广州视源电子科技股份有限公司 拥堵环境检测方法、装置、机器人及存储介质

Also Published As

Publication number Publication date
CN111429520A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN111429520B (zh) 负障碍物检测方法、装置、终端设备和存储介质
CN109144097B (zh) 障碍物或地面识别及飞行控制方法、装置、设备及介质
CN112526993B (zh) 栅格地图更新方法、装置、机器人及存储介质
US20210333108A1 (en) Path Planning Method And Device And Mobile Device
CN110286389B (zh) 一种用于障碍物识别的栅格管理方法
CN113341397B (zh) 反射值地图构建方法和装置
CN102930509B (zh) 一种机载激光点云数据的智能化滤波方法
Aljumaily et al. Urban point cloud mining based on density clustering and MapReduce
CN113570665B (zh) 路沿提取的方法、装置及电子设备
KR101822373B1 (ko) 물체 탐지 장치 및 방법
CN103017655B (zh) 一种多楼层房屋建筑面积的提取方法及系统
CN113475976B (zh) 机器人可通行区域确定方法、装置、存储介质及机器人
CN114842450A (zh) 一种可行驶区域检测方法、装置及设备
CN111308500A (zh) 基于单线激光雷达的障碍物感知方法、装置和计算机终端
US20230182743A1 (en) Method and system for extracting road data and method and system for controlling self-driving car
CN114387293A (zh) 道路边缘检测方法、装置、电子设备及车辆
US8483478B1 (en) Grammar-based, cueing method of object recognition, and a system for performing same
CN114219917A (zh) 一种激光雷达点云数据的漏洞修复方法
WO2022099620A1 (zh) 三维点云分割方法和装置、可移动平台
CN110174115B (zh) 一种基于感知数据自动生成高精度定位地图的方法及装置
CN111583406A (zh) 杆塔脚基点坐标计算方法、装置及终端设备
CN115457496B (zh) 自动驾驶的挡墙检测方法、装置及车辆
CN113031010B (zh) 检测天气的方法、装置、计算机可读存储介质与处理器
CN114638848A (zh) 车道边缘线变化的检测方法、装置、设备及存储介质
CN114219871A (zh) 一种基于深度图像的障碍物检测方法、装置和移动机器人

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant