CN111458699A - 一种基于激光里程计算的激光数据验证方法及装置 - Google Patents

一种基于激光里程计算的激光数据验证方法及装置 Download PDF

Info

Publication number
CN111458699A
CN111458699A CN202010551218.1A CN202010551218A CN111458699A CN 111458699 A CN111458699 A CN 111458699A CN 202010551218 A CN202010551218 A CN 202010551218A CN 111458699 A CN111458699 A CN 111458699A
Authority
CN
China
Prior art keywords
laser
laser data
real
mileage
data
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
Application number
CN202010551218.1A
Other languages
English (en)
Other versions
CN111458699B (zh
Inventor
李梦男
支涛
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.)
Beijing Yunji Technology Co Ltd
Original Assignee
Beijing Yunji Technology 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 Beijing Yunji Technology Co Ltd filed Critical Beijing Yunji Technology Co Ltd
Priority to CN202010551218.1A priority Critical patent/CN111458699B/zh
Publication of CN111458699A publication Critical patent/CN111458699A/zh
Application granted granted Critical
Publication of CN111458699B publication Critical patent/CN111458699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/12—Systems for determining distance or velocity not using reflection or reradiation using electromagnetic waves other than radio waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请实施例提供一种基于激光里程计算的激光数据验证方法及装置，涉及智能测距领域，该方法包括：获取实时激光数据；根据预设的人工智能模型对实时激光数据进行特征提取处理，得到激光特征集合；将激光特征集合输入至预设的支持向量机分类器中进行分类验证，得到分类验证结果；分类验证结果用于表示实时激光数据是否能够计算激光里程。可见，实施这种实施方式，能够根据激光数据确定激光里程计是否可以正常使用，从而保证了激光里程的准确获取，避免智能机器人的定位失准的问题。

Description

一种基于激光里程计算的激光数据验证方法及装置
技术领域
本申请涉及智能测距领域，具体而言，涉及一种基于激光里程计算的激光数据验证方法及装置。
背景技术
目前，智能机器人技术发展地十分迅速，较多智能机器人的投入使用已经为人们的工作发展带来了极大的便利。在实践中发现，智能机器人通常需要根据自身位置进行相应工作，而该位置的确定则通常是通过激光里程计进行计算得到。然而，该种激光里程计有一定的应用场景限制，这就使得在某些特殊情况下智能机器人的定位将会失准，从而降低激光里程的获取精度。
发明内容
本申请实施例的目的在于提供一种基于激光里程计算的激光数据验证方法及装置，能够根据激光数据确定激光里程计是否可以正常使用，从而保证了激光里程的准确获取，避免智能机器人的定位失准的问题。
本申请实施例第一方面提供了一种基于激光里程计算的激光数据验证方法，包括：
获取实时激光数据；
根据预设的人工智能模型对所述实时激光数据进行特征提取处理，得到激光特征集合；
将所述激光特征集合输入至预设的支持向量机分类器中进行分类验证，得到分类验证结果；所述分类验证结果用于表示所述实时激光数据是否能够计算激光里程。
在上述实现过程中，该方法可以优先获取实时激光数据；再根据预设的人工智能模型对实时激光数据进行特征提取处理，得到激光特征集合；然后再将激光特征集合输入至预设的支持向量机分类器中进行分类验证，得到分类验证结果；分类验证结果用于表示实时激光数据是否能够计算激光里程。可见，实施这种实施方式，能够对实时激光数据进行识别与验证，从而获取激光数据是否真实有效的结果，进而便于后续机器人可以基于真实有效的激光数据进行定位，使得机器人定位的精准程度大大提高。
进一步地，所述方法还包括：
获取多个历史激光数据；
将所述多个历史激光数据输入至预设的帧间计算模型中进行计算，得到与所述多个历史激光数据一一对应的多个计算结果；
根据所述多个计算结果对所述多个历史激光数据标注相对应的标签，得到数据样本集合；
将所述数据样本集合输入至预设的神经网络模型进行训练，得到预设的人工智能模型。
在上述实现过程中，该方法还可以优先获取多个历史激光数据；然后将多个历史激光数据输入至预设的帧间计算模型中进行计算，得到与多个历史激光数据一一对应的多个计算结果；然后再根据多个计算结果对多个历史激光数据标注相对应的标签，得到数据样本集合；并将该数据样本集合输入至预设的神经网络模型进行训练，得到预设的人工智能模型。可见，实施这种实施方式，能够实时获取人工智能模型，使得人工智能模型应用的精准度得以提高，同时该种方式获取的人工智能模型可以更准确地获取有效的激光特征，从而有利于提高激光数据验证的准确性。
进一步地，预设的神经网络模型至少依次包括：输入层、第一卷积层、池化层、第二卷积层、第三卷积层、dropout层以及全连接层。
在上述实现过程中，预设的神经网络模型至少依次包括的输入层用于对输入的激光数据进行预处理，然后再通过第一卷积层对输入数据进行滑动卷积运算得到卷积矩阵，然后再通过池化层对卷积矩阵进行处理，以使第二卷积层和第三卷积层可以对处理后的数据进行更高层次的特征提取，在此之后使用dropout层进行随机性处理，提高神经网络模型的稳定性和适用性，并通过最后的全连接层输出相应的特征。可见，实施这种实施方式，该神经网络模型架构能够更适用于对激光特征的提取，从而得到更可靠的验证结果。
进一步地，所述根据预设的人工智能模型对所述实时激光数据进行特征提取处理，得到激光特征集合的步骤包括：
根据预设的人工智能模型对所述实时激光数据进行特征提取处理，得到第一特征集合；
根据预设的特征提取方式对所述实时激光数据进行特征提取处理，得到第二特征集合；
组合所述第一特征集合和所述第二特征集合，得到激光特征集合。
在上述实现过程中，该方法在根据预设的人工智能模型对实时激光数据进行特征提取处理，得到激光特征集合的过程中可以优先根据预设的人工智能模型对实时激光数据进行特征提取处理，得到第一特征集合；然后再根据预设的特征提取方式对实时激光数据进行特征提取处理，得到第二特征集合；最后组合第一特征集合和第二特征集合，得到激光特征集合。可见，实施这种实施方式，能够在通过人工智能模型提取激光特征的同时额外提取特定方面的激光特征，从而得到具有多方面特征的激光特征集合，以使后续的步骤可以根据该多方面特征的激光特征集合进行特征验证，从而得到更加准确的验证结果。
进一步地，所述方法还包括：
当所述分类验证结果表示所述实时激光数据能够计算激光里程时，根据所述实时激光数据计算实时激光里程；
获取脉冲计算里程；所述脉冲计算里程是根据机器人移动时产生的电子脉冲所计算得到的；
根据所述脉冲计算里程和所述实时激光里程进行定位，得到所述机器人的位置信息。
在上述实现过程中，该方法还可以在分类验证结果表示实时激光数据能够计算激光里程时，根据实时激光数据计算实时激光里程；同时，该方法获取根据机器人移动时产生的电子脉冲所计算得到的脉冲计算里程；并进一步地根据脉冲计算里程和实时激光里程进行定位，得到机器人的位置信息。可见，实施这种实施方式，可以在激光数据准确的情况下对机器人的位置进行准确定位，较传统定位方式而言，该方法可以提供更高的定位精度，从而有利于机器人的其他各类活动。
本申请实施例第二方面提供了一种激光数据验证装置，所述激光数据验证装置包括：
获取单元，用于获取实时激光数据；
提取单元，用于根据预设的人工智能模型对所述实时激光数据进行特征提取处理，得到激光特征集合；
验证单元，用于将所述激光特征集合输入至预设的支持向量机分类器中进行分类验证，得到分类验证结果；所述分类验证结果用于表示所述实时激光数据是否能够计算激光里程。
在上述实现过程中，激光数据验证装置可以通过获取单元来获取实时激光数据；再通过提取单元来根据预设的人工智能模型对实时激光数据进行特征提取处理，得到激光特征集合；最后，通过验证单元将激光特征集合输入至预设的支持向量机分类器中进行分类验证，得到分类验证结果；分类验证结果用于表示实时激光数据是否能够计算激光里程。可见，实施这种实施方式，该激光数据验证装置能够通过多个单元的组合协同工作来提高各部分的分工工作效率和指令；同时，还能够对实时激光数据进行识别与验证，从而获取激光数据是否真实有效的结果，进而便于后续机器人可以基于真实有效的激光数据进行定位，使得机器人定位的精准程度大大提高。
进一步地，激光数据验证装置还包括：
所述获取单元，用于获取多个历史激光数据；
计算单元，用于将所述多个历史激光数据输入至预设的帧间计算模型中进行计算，得到与所述多个历史激光数据一一对应的多个计算结果；
标注单元，用于根据所述多个计算结果对所述多个历史激光数据标注相对应的标签，得到数据样本集合；
训练单元，用于将所述数据样本集合输入至预设的神经网络模型进行训练，得到预设的人工智能模型。
在上述实现过程中，激光数据验证装置可以通过获取单元来获取多个历史激光数据；再通过计算单元将多个历史激光数据输入至预设的帧间计算模型中进行计算，得到与多个历史激光数据一一对应的多个计算结果；然后再通过标注单元来根据多个计算结果对多个历史激光数据标注相对应的标签，得到数据样本集合；最后通过训练单元来将数据样本集合输入至预设的神经网络模型进行训练，得到预设的人工智能模型。可见，实施这种实施方式，能够实时获取人工智能模型，使得人工智能模型应用的精准度得以提高，同时该种方式获取的人工智能模型可以更准确地获取有效的激光特征，从而有利于提高激光数据验证的准确性。
进一步地，提取单元包括：
第一子单元，用于根据预设的人工智能模型对所述实时激光数据进行特征提取处理，得到第一特征集合；
第二子单元，用于根据预设的特征提取方式对所述实时激光数据进行特征提取处理，得到第二特征集合；
第三子单元，用于组合所述第一特征集合和所述第二特征集合，得到激光特征集合。
在上述实现过程中，上述提取单元可以通过第一子单元来根据预设的人工智能模型对实时激光数据进行特征提取处理，得到第一特征集合；然后通过第二子单元来根据预设的特征提取方式对实时激光数据进行特征提取处理，得到第二特征集合；并在最后通过第三子单元来组合第一特征集合和第二特征集合，得到激光特征集合。可见，实施这种实施方式，能够在通过人工智能模型提取激光特征的同时额外提取特定方面的激光特征，从而得到具有多方面特征的激光特征集合，以使后续的步骤可以根据该多方面特征的激光特征集合进行特征验证，从而得到更加准确的验证结果。
本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的基于激光里程计算的激光数据验证方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的基于激光里程计算的激光数据验证方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于激光里程计算的激光数据验证方法的流程示意图；
图2为本申请实施例提供的另一种基于激光里程计算的激光数据验证方法的流程示意图；
图3为本申请实施例提供的一种基于激光里程计算的激光数据验证装置的结构示意图；
图4为本申请实施例提供的另一种基于激光里程计算的激光数据验证装置的结构示意图；
图5为本申请实施例提供的一种预设的神经网络模型的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本申请实施例提供了一种基于激光里程计算的激光数据验证方法的流程示意图。该方法应用于机器人使用步数与激光综合定位场景当中，具体地，该方法应用于机器人在使用激光定位之前，以起到提高定位准确性的效果。其中，该基于激光里程计算的激光数据验证方法包括：
S101、获取实时激光数据。
本实施例中，实时激光数据用于表示激光发射器发射出的激光的图像数据。
举例来说，在激光发射器发射激光打到墙面，此时记录墙面上所呈现的激光画面，记录的结果则为实时激光数据。
在本实施例中，激光发射器的发射方向不做限定。
举例来说，激光的发射方向可以是机器人的移动方向。
在本实施例中，激光发射器发射出的激光可以呈现到墙面、玻璃、镜面等各种光载体之上，对此本实施例中的方法可以通过人工智能的方式作出相应的判断，并在此基础上进行激光数据有效性的判断。
在本实施例中，激光发射器发射出的激光通常发射的静态的刚体上。
作为一种可选的实施方式，获取实时激光数据可以包括：
获取包括多个方向上激光数据的实时激光数据。
实施这种实施方式，该方法可以获取到多个方向的激光数据，以使激光数据可以相互佐证比对。从而能够提高机器人定位的精准度。
举例来说，在同一位置上激光发射器对0°、90°、180°、270°四个方向发射激光并获取四个方向上的激光数据，从而将该四个激光数据组成上述的实时激光数据。其中，上述角度还可以包括0°~360°之间每间隔15°~30°的角度，对此本实施例中不再多加赘述。
作为一种可选的实施方式，获取实时激光数据可以包括：
在预设时间段内获取多帧激光数据，以组成实时激光数据。
实施这种实施方式，能够比较同一方向、同一位置的多帧激光数据，以使激光数据的变化更加显而易见，从而更容易判断激光数据的有效性。
S102、根据预设的人工智能模型对实时激光数据进行特征提取处理，得到激光特征集合。
本实施例中，预设的神经网络模型至少依次包括：输入层、第一卷积层、池化层、第二卷积层、第三卷积层、dropout层以及全连接层。
本实施例中，预设的人工智能模型用于提取激光数据包括的各种特征。
在本实施例中，上述激光数据的特征可以理解为，激光发射到光载体的时候，光载体上所形成的光点被放大无数倍之后所能观察到的所有特征。即，人工智能模型用于获取更准确的、更全面的、用于表示激光承载情况的特征集合。
在本实施例中，激光特征集合用于表示机器人所承载的激光发射器发射出的激光特征。
举例来说，激光发射到光载体的时候，光载体会呈现激光光点，该光点所包括的特征可以称之为激光特征。其中，当激光发射角度与光载体相同时（如激光发射器在走廊直线运动时），激光特征相同，此时激光里程计不能确定出机器人的位置，从而导致定位失准。
S103、将激光特征集合输入至预设的支持向量机分类器中进行分类验证，得到分类验证结果；分类验证结果用于表示实时激光数据是否能够计算激光里程。
本实施例中，支持向量机分类器为SVM分类器。
本实施例中，对于计算激光里程的方法，可以通过优先计算激光里程计（激光发射器）的移动速度在确定激光里程。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体还可以为智能手机和平板等智能设备，对此本实施例中不作任何限定。
可见，实施图1所描述的基于激光里程计算的激光数据验证方法，能够优先获取实时激光数据；再根据预设的人工智能模型对实时激光数据进行特征提取处理，得到激光特征集合；然后再将激光特征集合输入至预设的支持向量机分类器中进行分类验证，得到分类验证结果；分类验证结果用于表示实时激光数据是否能够计算激光里程。可见，实施这种实施方式，能够对实时激光数据进行识别与验证，从而获取激光数据是否真实有效的结果，进而便于后续机器人可以基于真实有效的激光数据进行定位，使得机器人定位的精准程度大大提高。
实施例2
请参看图2，图2为本申请实施例提供的另一种基于激光里程计算的激光数据验证方法的流程示意图。图2所描述的基于激光里程计算的激光数据验证方法的流程示意图是根据图1所描述的基于激光里程计算的激光数据验证方法的流程示意图进行改进得到的。其中，该基于激光里程计算的激光数据验证方法包括：
S201、获取多个历史激光数据。
作为一种可选的实施方式，获取多个历史激光数据可以包括：
获取机器人历史任务ros bag数据。
实施这种实施方式，可以确定历史激光数据的具体信息。
本实施例中，历史激光数据为激光数据的历史记录，其中相对应的该方法还可以获取到历史激光数据相关的机器人位置信息等。
S202、将多个历史激光数据输入至预设的帧间计算模型中进行计算，得到与多个历史激光数据一一对应的多个计算结果。
作为一种可选的实施方式，该方法通过帧间计算模型计算帧间对应激光数据（激光点）坐标的均方差。
其中，上述激光数据坐标的均方差为上述的计算结果。
S203、根据多个计算结果对多个历史激光数据标注相对应的标签，得到数据样本集合。
举例来说，当上述均方差（即上述计算结果）大于预先设定的阈值，则表示该激光数据可以用于计算激光里程，并添加相应的标签（如标签0）；相反，当上述均方差（即上述计算结果）小于预先设定的阈值，则表示该激光数据不可以用于计算激光里程，并添加相应的标签（如标签1）。同时，在添加上述标签的基础上，该方法还将每一帧激光数据的X、Y坐标和对应的标签值进行文本保存，得到数据样本集合，并用作后续的训练、测试。
S204、将数据样本集合输入至预设的神经网络模型进行训练，得到预设的人工智能模型。
本实施例中，预设的神经网络模型至少依次包括：输入层、第一卷积层、池化层、第二卷积层、第三卷积层、dropout层以及全连接层。
如图5所示，预设的神经网络模型可以呈该图所示的结构。
S205、获取实时激光数据。
本实施例中，实时激光数据用于表示激光发射器发射出的激光的图像数据。
举例来说，在激光发射器发射激光打到墙面，此时记录墙面上所呈现的激光画面，记录的结果则为实时激光数据。
在本实施例中，激光发射器的发射方向不做限定。
举例来说，激光的发射方向可以是机器人的移动方向。
在本实施例中，激光发射器发射出的激光可以呈现到墙面、玻璃、镜面等各种光载体之上，对此本实施例中的方法可以通过人工智能的方式作出相应的判断，并在此基础上进行激光数据有效性的判断。
在本实施例中，激光发射器发射出的激光通常发射的静态的刚体上。
作为一种可选的实施方式，获取实时激光数据可以包括：
获取包括多个方向上激光数据的实时激光数据。
实施这种实施方式，该方法可以获取到多个方向的激光数据，以使激光数据可以相互佐证比对。从而能够提高机器人定位的精准度。
举例来说，在同一位置上激光发射器对0°、90°、180°、270°四个方向发射激光并获取四个方向上的激光数据，从而将该四个激光数据组成上述的实时激光数据。其中，上述角度还可以包括0°~360°之间每间隔15°~30°的角度，对此本实施例中不再多加赘述。
作为一种可选的实施方式，获取实时激光数据可以包括：
在预设时间段内获取多帧激光数据，以组成实时激光数据。
实施这种实施方式，能够比较同一方向、同一位置的多帧激光数据，以使激光数据的变化更加显而易见，从而更容易判断激光数据的有效性。
S206、根据预设的人工智能模型对实时激光数据进行特征提取处理，得到第一特征集合。
本实施例中，该方法在预设的人工智能模型中，通过1D卷积核提取激光数据的曲线特征。
举例来说，类似传统的2D卷积核对图像数据进行特征提取，本方法采用1D卷积核对激光X轴、Y轴的1维数据进行梯度特征提取。
举例来说，输入层用于对输入的激光数据进行预处理，一帧激光为N个点，提取基于激光坐标系的X、Y坐标信息，进行一维展开得到2*N个数据；第一卷积层用于定义50个N/20大小的卷积核，对输入数据进行滑动卷积运算，得到（N-N/20）*50的矩阵，该矩阵的每一列都包含一个滤波器的权值；池化层用于使用最大池化层，为了减少输出的复杂度以及防止过拟合；第二卷基层和第三卷积层用于学习更高层的特征；dropout层用于在训练的过程中随机为网络中的神经元清零，降低数据噪声对训练结果的影响；而使用Relu激活的全连接层用于将上面提取的特征向量缩将为长度为3的向量，用于后续机器学习分类的特征选项。
S207、根据预设的特征提取方式对实时激光数据进行特征提取处理，得到第二特征集合。
本实施例中，第二特征集合包括：以激光数据帧在XY轴上最大最下值为边长构建的矩形面积；激光数据沿X轴向前平移10个像素，移动前后像素个数的比值；以及激光数据点距离激光的距离信息。
S208、组合第一特征集合和第二特征集合，得到激光特征集合。
本实施例中，激光特征集合包括所有上述特征集合。
S209、将激光特征集合输入至预设的支持向量机分类器中进行分类验证，得到分类验证结果；分类验证结果用于表示实时激光数据是否能够计算激光里程。
本实施例中，该方法可以出构建SVM分类器，并输入输入由上述特征集合构成的特征矩阵进行训练分类。
实施这种实施方式，能够实时将激光数据热编码为0和1，0表示可用于计算里程计，1表示不可以用来计算里程计。
S210、当分类验证结果表示实时激光数据能够计算激光里程时，根据实时激光数据计算实时激光里程。
本实施例中，根据实时激光数据计算机器人移动速度，再根据该移动速度计算机实时激光里程。
S211、获取脉冲计算里程；脉冲计算里程是根据机器人移动时产生的电子脉冲所计算得到的。
本实施例中，脉冲计算里程可以是通过机器人底盘的电机编码器获取脉冲数，通过积分获取转动的圈数，从而计算得到机器人的里程信息。
S212、根据脉冲计算里程和实时激光里程进行定位，得到机器人的位置信息。
本实施例中，定位过程可以结合机器人使用地图进行。
本实施例中，该方法对激光数据能够针对能否用于计算激光里程进行分类，提高激光里程计的置信度；并在具体实施中通过帧间匹配对激光数据进行标注，判断激光数据是否可用于计算激光里程；同时，该方法使用人工设计的特征与神经网络提取的特征进行组合，来从数据的隐含层面和表征层面全方位表达激光数据，提高数据精度；最后，该方法还可以通过机器学习分类器构建激光数据是否可用与计算激光里程的二分类模型。
可见，实施图2所描述的基于激光里程计算的激光数据验证方法，能够对实时激光数据进行识别与验证，从而获取激光数据是否真实有效的结果，进而便于后续机器人可以基于真实有效的激光数据进行定位，使得机器人定位的精准程度大大提高。
实施例3
请参看图3，图3为本申请实施例提供的一种基于激光里程计算的激光数据验证装置的结构示意图。其中，该基于激光里程计算的激光数据验证装置包括：
获取单元310，用于获取实时激光数据；
提取单元320，用于根据预设的人工智能模型对实时激光数据进行特征提取处理，得到激光特征集合；
验证单元330，用于将激光特征集合输入至预设的支持向量机分类器中进行分类验证，得到分类验证结果；分类验证结果用于表示实时激光数据是否能够计算激光里程。
本实施例中，对于基于激光里程计算的激光数据验证装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施图3所描述的基于激光里程计算的激光数据验证装置，能够通过多个单元的组合协同工作来提高各部分的分工工作效率和指令；同时，还能够对实时激光数据进行识别与验证，从而获取激光数据是否真实有效的结果，进而便于后续机器人可以基于真实有效的激光数据进行定位，使得机器人定位的精准程度大大提高。
实施例4
请参看图4，图4为本申请实施例提供的另一种基于激光里程计算的激光数据验证装置的结构示意图。图4所描述的基于激光里程计算的激光数据验证装置的结构示意图是根据图3所描述的基于激光里程计算的激光数据验证装置的结构示意图进行改进得到的。其中，该激光数据验证装置还包括：
获取单元310，用于获取多个历史激光数据；
计算单元340，用于将多个历史激光数据输入至预设的帧间计算模型中进行计算，得到与多个历史激光数据一一对应的多个计算结果；
标注单元350，用于根据多个计算结果对多个历史激光数据标注相对应的标签，得到数据样本集合；
训练单元360，用于将数据样本集合输入至预设的神经网络模型进行训练，得到预设的人工智能模型。
作为一种可选的实施方式，预设的神经网络模型至少依次包括：输入层、第一卷积层、池化层、第二卷积层、第三卷积层、dropout层以及全连接层。
作为一种可选的实施方式，提取单元320包括：
第一子单元321，用于根据预设的人工智能模型对实时激光数据进行特征提取处理，得到第一特征集合；
第二子单元322，用于根据预设的特征提取方式对实时激光数据进行特征提取处理，得到第二特征集合；
第三子单元323，用于组合第一特征集合和第二特征集合，得到激光特征集合。
作为一种可选的实施方式，
计算单元340，用于在分类验证结果表示实时激光数据能够计算激光里程时，根据实时激光数据计算实时激光里程；
获取单元310，用于获取脉冲计算里程；该脉冲计算里程是根据机器人移动时产生的电子脉冲所计算得到的；
定位单元370，用于根据脉冲计算里程和实时激光里程进行定位，得到机器人的位置信息。
本实施例中，对于基于激光里程计算的激光数据验证装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施图4所描述的基于激光里程计算的激光数据验证装置，能够通过多个单元的组合协同工作来提高各部分的分工工作效率和指令；同时，还能够对实时激光数据进行识别与验证，从而获取激光数据是否真实有效的结果，进而便于后续机器人可以基于真实有效的激光数据进行定位，使得机器人定位的精准程度大大提高。
本申请实施例提供了一种电子设备，包括存储器以及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行本申请实施例1或实施例2中任一项基于激光里程计算的激光数据验证方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例1或实施例2中任一项基于激光里程计算的激光数据验证方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种基于激光里程计算的激光数据验证方法，其特征在于，包括：
获取实时激光数据；
根据预设的人工智能模型对所述实时激光数据进行特征提取处理，得到激光特征集合；
将所述激光特征集合输入至预设的支持向量机分类器中进行分类验证，得到分类验证结果；所述分类验证结果用于表示所述实时激光数据是否能够计算激光里程。
2.根据权利要求1所述的基于激光里程计算的激光数据验证方法，其特征在于，所述方法还包括：
获取多个历史激光数据；
将所述多个历史激光数据输入至预设的帧间计算模型中进行计算，得到与所述多个历史激光数据一一对应的多个计算结果；
根据所述多个计算结果对所述多个历史激光数据标注相对应的标签，得到数据样本集合；
将所述数据样本集合输入至预设的神经网络模型进行训练，得到预设的人工智能模型。
3.根据权利要求2所述的基于激光里程计算的激光数据验证方法，其特征在于，所述预设的神经网络模型至少依次包括：输入层、第一卷积层、池化层、第二卷积层、第三卷积层、dropout层以及全连接层。
4.根据权利要求1所述的基于激光里程计算的激光数据验证方法，其特征在于，所述根据预设的人工智能模型对所述实时激光数据进行特征提取处理，得到激光特征集合的步骤包括：
根据预设的人工智能模型对所述实时激光数据进行特征提取处理，得到第一特征集合；
根据预设的特征提取方式对所述实时激光数据进行特征提取处理，得到第二特征集合；
组合所述第一特征集合和所述第二特征集合，得到激光特征集合。
5.根据权利要求1所述的基于激光里程计算的激光数据验证方法，其特征在于，所述方法还包括：
当所述分类验证结果表示所述实时激光数据能够计算激光里程时，根据所述实时激光数据计算实时激光里程；
获取脉冲计算里程；所述脉冲计算里程是根据机器人移动时产生的电子脉冲所计算得到的；
根据所述脉冲计算里程和所述实时激光里程进行定位，得到所述机器人的位置信息。
6.一种基于激光里程计算的激光数据验证装置，其特征在于，所述激光数据验证装置包括：
获取单元，用于获取实时激光数据；
提取单元，用于根据预设的人工智能模型对所述实时激光数据进行特征提取处理，得到激光特征集合；
验证单元，用于将所述激光特征集合输入至预设的支持向量机分类器中进行分类验证，得到分类验证结果；所述分类验证结果用于表示所述实时激光数据是否能够计算激光里程。
7.根据权利要求6所述的基于激光里程计算的激光数据验证装置，其特征在于，所述激光数据验证装置还包括：
所述获取单元，用于获取多个历史激光数据；
计算单元，用于将所述多个历史激光数据输入至预设的帧间计算模型中进行计算，得到与所述多个历史激光数据一一对应的多个计算结果；
标注单元，用于根据所述多个计算结果对所述多个历史激光数据标注相对应的标签，得到数据样本集合；
训练单元，用于将所述数据样本集合输入至预设的神经网络模型进行训练，得到预设的人工智能模型。
8.根据权利要求6所述的基于激光里程计算的激光数据验证装置，其特征在于，所述提取单元包括：
第一子单元，用于根据预设的人工智能模型对所述实时激光数据进行特征提取处理，得到第一特征集合；
第二子单元，用于根据预设的特征提取方式对所述实时激光数据进行特征提取处理，得到第二特征集合；
第三子单元，用于组合所述第一特征集合和所述第二特征集合，得到激光特征集合。
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的基于激光里程计算的激光数据验证方法。
10.一种可读存储介质，其特征在于，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至5任一项所述的基于激光里程计算的激光数据验证方法。
CN202010551218.1A 2020-06-17 2020-06-17 一种基于激光里程计算的激光数据验证方法及装置 Active CN111458699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010551218.1A CN111458699B (zh) 2020-06-17 2020-06-17 一种基于激光里程计算的激光数据验证方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010551218.1A CN111458699B (zh) 2020-06-17 2020-06-17 一种基于激光里程计算的激光数据验证方法及装置

Publications (2)

Publication Number Publication Date
CN111458699A true CN111458699A (zh) 2020-07-28
CN111458699B CN111458699B (zh) 2020-12-04

Family

ID=71683923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010551218.1A Active CN111458699B (zh) 2020-06-17 2020-06-17 一种基于激光里程计算的激光数据验证方法及装置

Country Status (1)

Country Link
CN (1) CN111458699B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100280765A1 (en) * 2007-11-01 2010-11-04 Lockheed Martin Coherent Technologies, Inc. Sensing using polarization diversity and wavelength dependent backscatter
CN106338266A (zh) * 2016-08-29 2017-01-18 孟玲 基于二维位置敏感传感器的空间六自由度物体定位系统
CN109375228A (zh) * 2018-10-31 2019-02-22 歌尔股份有限公司 激光雷达的异常帧点云数据的确定方法、处理方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100280765A1 (en) * 2007-11-01 2010-11-04 Lockheed Martin Coherent Technologies, Inc. Sensing using polarization diversity and wavelength dependent backscatter
CN106338266A (zh) * 2016-08-29 2017-01-18 孟玲 基于二维位置敏感传感器的空间六自由度物体定位系统
CN109375228A (zh) * 2018-10-31 2019-02-22 歌尔股份有限公司 激光雷达的异常帧点云数据的确定方法、处理方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何鹏程: "改进的卷积神经网络模型及其应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
梁修荣 等: "基于改进支持向量机的激光测距干扰数据分类", 《激光杂志》 *

Also Published As

Publication number Publication date
CN111458699B (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN108352072B (zh) 物体跟踪方法、物体跟踪装置以及记录介质
US11544869B2 (en) Interacted object detection neural network
KR20210020945A (ko) 창고 환경에서의 차량 추적
CN112446919A (zh) 物体位姿估计方法、装置、电子设备及计算机存储介质
CN112085789B (zh) 位姿估计方法、装置、设备及介质
CN109977824B (zh) 物品取放识别方法、装置及设备
CN110533699B (zh) 基于光流法的像素变化的动态多帧测速方法
CN116654022B (zh) 基于多重交互的行人轨迹预测方法、系统、设备和介质
US20230245476A1 (en) Location discovery
Viraktamath et al. Comparison of YOLOv3 and SSD algorithms
CN112926462A (zh) 训练方法、装置、动作识别方法、装置及电子设备
Sharif et al. An accurate and efficient 1-D barcode detector for medium of deployment in IoT systems
CN115265545A (zh) 基于决策分析的地图匹配导航方法、装置、设备及存储介质
Xia et al. [Retracted] Gesture Tracking and Recognition Algorithm for Dynamic Human Motion Using Multimodal Deep Learning
CN111458699B (zh) 一种基于激光里程计算的激光数据验证方法及装置
CN110728172B (zh) 基于点云的人脸关键点检测方法、装置、系统及存储介质
CN116403062A (zh) 一种点云目标检测方法、系统、设备及介质
US11983242B2 (en) Learning data generation device, learning data generation method, and learning data generation program
WO2023129483A1 (en) Optimizing placement of an asset array in a loading area
CN113916223B (zh) 定位方法及装置、设备、存储介质
Aulia et al. A new CNN-BASED object detection system for autonomous mobile robots based on real-world vehicle datasets
CN111368624A (zh) 基于生成对抗网络的回环检测方法和装置
US11922667B2 (en) Object region identification device, object region identification method, and object region identification program
Haque et al. Deep Learning Based Crowd Monitoring And Person Identification System
Chng et al. Symbiotic Artificial Intelligence: Order Picking And Ambient Sensing

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 201, building 4, courtyard 8, Dongbeiwang West Road, Haidian District, Beijing

Patentee after: Beijing Yunji Technology Co.,Ltd.

Address before: Room 201, building 4, courtyard 8, Dongbeiwang West Road, Haidian District, Beijing

Patentee before: BEIJING YUNJI TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder