CN111523441B - 水下机器人复杂水下环境自主探测方法 - Google Patents

水下机器人复杂水下环境自主探测方法 Download PDF

Info

Publication number
CN111523441B
CN111523441B CN202010315682.0A CN202010315682A CN111523441B CN 111523441 B CN111523441 B CN 111523441B CN 202010315682 A CN202010315682 A CN 202010315682A CN 111523441 B CN111523441 B CN 111523441B
Authority
CN
China
Prior art keywords
underwater robot
underwater
complex
data
scanning
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
CN202010315682.0A
Other languages
English (en)
Other versions
CN111523441A (zh
Inventor
陈国军
陈丝雨
陈巍
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202010315682.0A priority Critical patent/CN111523441B/zh
Publication of CN111523441A publication Critical patent/CN111523441A/zh
Application granted granted Critical
Publication of CN111523441B publication Critical patent/CN111523441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Abstract

本发明提供了一种水下机器人复杂水下环境自主探测方法，包括以下步骤：获取水下机器人当前位置的扫描数据；根据扫描数据进行扫描配准，其中，每个新的扫描数据与之前的扫描数据相结合；根据扫描配准结果进行数据采样以得到候选视点；采用八叉树算法计算候选视点的可视图；采用概率分析根据可视图得到最佳候选视点；采用RRT算法计算水下机器人从当前位置运动到最佳候选视点的无障碍路径。本发明能够在没有先验模型的情况下实现路径规划以自主探测复杂水下环境，并能够提高水下机器人的定位准确性和复杂水下环境表示的一致性。

Description

水下机器人复杂水下环境自主探测方法
技术领域
本发明涉及水下机器人自动控制技术领域，具体涉及一种水下机器人复杂水下环境自主探测方法。
背景技术
目前，水下机器人已经被广泛应用于水下环境探测和海底地图绘制，具体地，水下机器人主要从声纳传感方法或摄像机获取数据，然后将获取的数据经过处理，生成2D或者2.5D地形地图。但是，对于海上钻井平台、水坝、港口、海上风力发电机等设施，由于其水下结构复杂，并且水下环境多变，因此对这些复杂水下环境的测绘、检查等工作仍由专业潜水员或遥控水下机器人进行。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的目的在于提出一种水下机器人复杂水下环境自主探测方法，能够在没有先验模型的情况下实现路径规划以自主探测复杂水下环境，并能够提高水下机器人的定位准确性和复杂水下环境表示的一致性。
为达到上述目的，本发明实施例提出了一种水下机器人复杂水下环境自主探测方法，包括以下步骤：获取水下机器人当前位置的扫描数据；根据所述扫描数据进行扫描配准，其中，每个新的所述扫描数据与之前的所述扫描数据相结合；根据所述扫描配准结果进行数据采样以得到候选视点；采用八叉树算法计算所述候选视点的可视图；采用概率分析根据所述可视图得到最佳候选视点；采用RRT算法计算所述水下机器人从当前位置运动到所述最佳候选视点的无障碍路径。
根据本发明实施例提出的水下机器人复杂水下环境自主探测方法，通过获取水下机器人当前位置的扫描数据，并根据扫描数据进行扫描配准，进而根据扫描配准结果进行数据采样以得到候选视点，然后采用八叉树算法计算候选视点的可视图，并采用概率分析根据可视图得到最佳候选视点，最后采用RRT算法计算水下机器人从当前位置运动到最佳候选视点的无障碍路径，由此，能够在没有先验模型的情况下实现路径规划，并能够提高水下机器人的定位准确性和复杂水下环境表示的一致性。
另外，根据本发明上述实施例提出的水下机器人复杂水下环境自主探测方法还可以具有如下附加的技术特征：
进一步地，所述的水下机器人复杂水下环境自主探测方法，还包括：设置终止算法；若触发所述终止算法，则停止所述水下机器人复杂水下环境自主探测，并采用所述RRT算法计算所述水下机器人从当前位置运动到初始位置的无障碍路径；若未触发所述终止算法，则根据所述无障碍路径运动到所述最佳候选视点，以继续所述水下机器人复杂水下环境自主探测。
进一步地，所述终止算法包括第一终止条件或第二终止条件，其中，所述第一终止条件为所述水下机器人是否达到最大扫描次数，若所述水下机器人达到最大扫描次数，则停止所述水下机器人复杂水下环境自主探测；所述第一终止条件为根据所述最佳候选视点得到的表面增益是否小于设定阈值，若所述最佳候选视点得到的表面增益小于所述设定阈值，则所述水下机器人扩大扫描范围，若仍没有视点的表面增益超过所述设定阈值，则停止所述水下机器人复杂水下环境自主探测。
根据本发明的一个实施例，通过多波束声纳从不同角度迭代扫描所述水下机器人当前位置的周边区域生成所述扫描数据。
根据本发明的一个实施例，采用迭代最近点算法以增量方式将每个新的所述扫描数据与之前的所述扫描数据相结合。
根据本发明的一个实施例，根据所述扫描配准结果进行数据采样以得到候选视点，包括：根据所述扫描配准结果定位所述水下机器人的位置；在所述水下机器人所在位置的周边区域设置固定数量的随机样本；扫描所述水下机器人所在位置的周边区域以得到样本数据；采用四个筛选器判断所述样本数据是否有效；若所述样本数据通过所述四个筛选器的判决，则将所述样本数据的采样点设为候选视点。
进一步地，所述四个筛选器包括第一筛选器、第二筛选器、第三筛选器和第四筛选器，其中，所述第一筛选器判断所述样本数据是否在所述水下机器人安全限制内；所述第二筛选器移除所有不在自由体素内的所述样本数据；所述第三筛选器移除所述样本数据的采样点中与前一个采样点或其他候选视点所在的采样点位置相同的采样点；所述第四筛选器检测每个所述样本数据的采样点相对于其他所述样本数据的采样点的距离是否小于设定的安全距离参数。
根据本发明的一个实施例，采用概率分析根据所述可视图得到最佳候选视点，包括：根据所述可视图得到覆盖所述水下机器人将到达的区域的样本；计算所述样本的效用；平均每个所述样本的效用；选择其中平均效用最大的所述样本对应的采样点作为所述最佳候选视点。
附图说明
图1为本发明实施例的水下机器人复杂水下环境自主探测方法的流程图；
图2为本发明一个实施例的水下机器人复杂水下环境自主探测方法的流程图；
图3为本发明一个具体实施例的模拟防波堤中获得的扫描和轨迹图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。
图1为本发明实施例的水下机器人复杂水下环境自主探测方法的流程图。
如图1所示，本发明实施例的水下机器人复杂水下环境自主探测方法，包括以下步骤：
S1，获取水下机器人当前位置的扫描数据。
具体地，可通过多波束声纳从不同角度迭代扫描水下机器人当前位置周边区域得到扫描数据，并且多波束声纳可通过保持相对静止来扫描水下机器人当前位置周边区域。通过多波束声纳能够避免能见度对扫描过程的影响，并且能够获得较多的噪声数据，此外，通过保持相对静止能够有效降低水下机器人的导航漂移对扫描过程的影响，从而能够实现高度的扫描一致性。
进一步地，当水下机器人从一个扫描视点运动到下一个扫描视点时，上述通过多波束声纳获得的扫描数据可被合并到基于八叉树结构的概率占据图中，进一步，如果扫描数据被合并到基于八叉树结构的概率占据图中得到的概率，即p(vi)<0.45或p(vi)>0.55时，那么在八叉树中的每个体素vi都有相关的自由概率。
在本发明的一个实施例中，可将水下机器人最初的探测区域中所有体素设置为未知，即p(vi)＝0.5，并可将水下机器人当前位置的所有体素设置为随机数，由此构成的八叉树的结构的概率特性有助于噪声声学测量数据处理。此外，该八叉树的分辨率可取决于每个体素的大小，并可通过下列公式计算：
其中，l是每个体素边缘的长度，fov是多波束声纳视场，range是多波束声纳范围，b是等于或小于多波束声纳中光束数的值，对于固定的视场和范围，b越低，体素就越大，即地图分辨率越低，算法运行得越快。
S2，根据扫描数据进行扫描配准，其中，每个新的扫描数据与之前的扫描数据相结合。
具体地，可采用概率架构，即采用迭代最近点算法以增量方式将每个新的扫描数据与之前的扫描数据相结合，进一步通过水下机器人得到新的扫描数据和之前的扫描数据时两个扫描视点之间的距离，以及使用图形优化架构在每对扫描之间获得的ICP寄存器来定位水下机器人每次扫描的位置。通过采用概率架构对水下机器人进行定位，能够避免产生累积漂移，从而保证定位的准确性。
需要进一步说明的是，当水下机器人进行准确定位时，每个新的扫描数据可直接添加到八叉树中与之前的扫描数据相结合，并且对于每个多波束声纳波束，都会产生一条射线，该射线的起点位于多波束声纳位置，长度等于多波束声纳的扫描范围。其中，当多波束声纳波束范围等于多波束声纳的扫描范围，即没有检测物体时，最后一个被射线穿透的体素的占用率将降低，当多波束声纳波束范围小于多波束声纳的扫描范围，即检测物体时，最后一个被射线穿透的体素的占用率增加。
S3，根据扫描配准结果进行数据采样以生成多个候选视点。
具体地，步骤S3包括：根据扫描配准结果定位水下机器人的位置；在水下机器人所在位置的周边区域设置固定数量的随机样本；扫描水下机器人所在位置的周边区域以得到样本数据；采用四个筛选器判断样本数据是否有效；若样本数据通过四个筛选器的判决，则将样本数据的采样点设为候选视点。
更具体地，可根据多波束声纳的扫描范围确定水下机器人所在位置的周边区域的最大距离，然后在水下机器人所在位置的周边区域设置固定数量的随机样本，从而优先扫描水下机器人所在位置的周边区域以得到对应的样本数据，进一步可根据得到的样本数据的可见未知体素的数量乘以每个体素面的曲面来计算该样本数据的表面增益，若得到的样本数据的表面增益低于设定阈值，则扩大扫描范围对其他区域进行扫描。
进一步地，可采用四个筛选器，例如第一筛选器、第二筛选器、第三筛选器和第四筛选器判断样本数据是否有效，其中，可通过第一筛选器判断所有得到的样本数据是否在水下机器人安全限制内；可通过第二筛选器移除所有不在自由体素内的样本数据；可通过第三筛选器移除样本数据的采样点中与前一个采样点或其他候选视点所在的采样点位置相同的采样点，具体可通过公差移除样本数据的采样点中与前一个采样点或其他候选视点所在的采样点位置相同的采样点；可通过第四筛选器检测每个样本数据的采样点相对于其他样本数据的采样点的距离是否小于设定的安全距离参数。其中，若有样本数据满足上述四个筛选器的判决，则可将该样本数据的采样点设为候选视点；若无法得到满足上述四个筛选器判决的最小百分比样本，则数据采样算法触发错误，并重新开始。
S4，采用八叉树算法计算多个候选视点的可视图。
具体地，可为之前的八叉树中的所有未知体素添加体素vi，并且该体素vi至少与个自由体素和一个占用体素接触，进一步可通过水下机器人主体与多波束声纳之间的空间变换得到多波束声纳的位置，然后可从多波束声纳所在位置产生一组覆盖整个多波束声纳视场的射线，最后可计算得到之前的八叉树中的已占用体素或未知体素。
更具体地，可通过效用评价函数根据每个候选视点在扫描过程中的预期贡献对其进行排序，进一步通过下列表达式对每个候选视点的实用程序进行评估：
其中，di是根据水下机器人当前位置和样本数据之间的距离，即最远的为0，最近的为1，在0和1之间的因子，wd、wf和wct是效用评估函数中涉及的每个元素的权重，wd+wf+wct＝1。
其中，若wf比wct大得多，则可将水下机器人运动到未知区域前面，以尽可能快地探索环境，即可基于边界探索环境；若如果wct比wf大得多，则可将自主水下机器人沿着已经看到的结构边缘运动，即可基于轮廓跟踪探索环境；若根据本发明实施例提出的水下机器人复杂水下环境自主探测方法，则可引入另一个考虑到扫描之间重叠的权重因子oli，当超过重叠区域时，可取值1，否则取值0.01，以保证每对扫描数据之间的正确配准，其中重叠是新扫描和当前八叉树之间的最小重叠面。
S5，采用概率分析根据可视图得到最佳候选视点。
具体地，步骤S5包括：根据可视图得到覆盖水下机器人将到达的区域的样本；计算样本的效用；平均每个样本的效用；选择其中平均效用最大的样本对应的采样点作为最佳候选视点。通过概率分析，能够充分考虑到候选视点位置的不确定性，以提高水下机器人的定位精度。
需要进一步说明的是，对于每个新的样本数据，以其对应的候选视点为中心，其方差与其位置和水下机器人当前位置之间的距离可构成比例。
S6，采用RRT算法计算水下机器人从当前位置运动到最佳候选视点的无障碍路径。
进一步地，本发明实施例的水下机器人复杂水下环境自主探测方法，还包括：设置终止算法；若触发终止算法，则停止水下机器人复杂水下环境自主探测，并采用RRT算法计算水下机器人从当前位置运动到初始位置的无障碍路径；若未触发终止算法，则根据无障碍路径运动到最佳候选视点，以继续水下机器人复杂水下环境自主探测。
其中，终止算法包括第一终止条件或第二终止条件，其中，第一终止条件为水下机器人是否达到最大扫描次数，若水下机器人达到最大扫描次数，则停止水下机器人复杂水下环境自主探测；第一终止条件为根据最佳候选视点得到的表面增益是否小于设定阈值，若最佳候选视点得到的表面增益小于设定阈值，则水下机器人扩大扫描范围，若仍没有视点的表面增益超过设定阈值，则停止水下机器人复杂水下环境自主探测。
下面将以水下机器人运动到初始点为例，结合终止算法进一步说明本发明实施例的水下机器人复杂水下环境自主探测方法的流程。
具体地，如图2所示，包括以下步骤：
S100，运动到初始点；
S200，通过扫描传感器探测感知初始点周边区域；
S300，将上述步骤S200的扫描数据与之前的扫描数据进行扫描配准；
S401，通过数据采样以生成多个候选视点；
S402，采用八叉树计算上述步骤S401生成的多个候选视点的可见性；
S403，采用概率分析得到最佳候选视点；
S404，采用RRT算法计算水下机器人从当前位置运动到最佳候选视点的无障碍路径；
S500，判断是否触发终止算法，若是，则执行步骤S600，反之，则执行步骤S700；
S600，水下机器人回到初始点；
S700，水下机器人运动到下一个观测点，并执行步骤S200。
进一步地，结合上述图2所示的水下机器人复杂水下环境自主探测方法，以下列图3所示的防波堤为例，进一步说明本发明实施例的水下机器人复杂水下环境自主探测方法的实用性。
在本发明的一个具体实施例中，水下机器人可采用真实动态模型，扫描传感器可采用多波束声纳，120束分布在120°弧内，并定义探测和水下机器人区域、水下机器人初始视角、传感器，即多波束声纳参数、安全距离、使用的随机样本数、探测参数，即最小扫描次数、表面增益阈值以及乘法器L，概率分析参数，即被分析的候选视点数量和每个候选视点的样本数，效用评估权重，即wd、wf和wct，和终止准则，即最大扫描次数和最小表面增益阈值。其中，传感器，即多波束声纳参数设置为水平120°和垂直125°，每个候选视点数和样本数分别为5和10，在实验中，当轮廓勘探比边界勘探更为重要，即wct>wf时，取得了较好的效果
进一步地，如图3所示，防波堤a可由3个12×12×8m的混凝土块组成，并且彼此相隔6m，同时还显示了探测期间生成的八叉树。
进一步地，水下机器人通过25分钟和27次扫描可完成整个探测，如图3所示，水下机器人可通过探测路径b完成整个探测，由此，可知本发明实施例的水下机器人复杂水下环境自主探测方法能够完成到最小曲面准则的探索。
根据本发明实施例提出的水下机器人复杂水下环境自主探测方法，通过获取水下机器人当前位置的扫描数据，并根据扫描数据进行扫描配准，进而根据扫描配准结果进行数据采样以得到候选视点，然后采用八叉树算法计算候选视点的可视图，并采用概率分析根据可视图得到最佳候选视点，最后采用RRT算法计算水下机器人从当前位置运动到最佳候选视点的无障碍路径，由此，能够在没有先验模型的情况下实现路径规划以自主探测复杂水下环境，并能够提高水下机器人的定位准确性和复杂水下环境表示的一致性。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种水下机器人复杂水下环境自主探测方法，其特征在于，包括以下步骤：
获取水下机器人当前位置的扫描数据；
根据所述扫描数据进行扫描配准，其中，每个新的所述扫描数据与之前的所述扫描数据相结合；
根据所述扫描配准结果进行数据采样以得到候选视点；
采用八叉树算法计算所述候选视点的可视图；
采用概率分析根据所述可视图得到最佳候选视点；
采用RRT算法计算所述水下机器人从当前位置运动到所述最佳候选视点的无障碍路径，
其中，根据所述扫描配准结果进行数据采样以得到候选视点，包括：根据所述扫描配准结果定位所述水下机器人的位置；在所述水下机器人所在位置的周边区域设置固定数量的随机样本；扫描所述水下机器人所在位置的周边区域以得到样本数据；采用四个筛选器判断所述样本数据是否有效；若所述样本数据通过所述四个筛选器的判决，则将所述样本数据的采样点设为候选视点，
所述四个筛选器包括第一筛选器、第二筛选器、第三筛选器和第四筛选器，其中，所述第一筛选器判断所述样本数据是否在所述水下机器人安全限制内；所述第二筛选器移除所有不在自由体素内的所述样本数据；所述第三筛选器移除所述样本数据的采样点中与前一个采样点或其他候选视点所在的采样点位置相同的采样点；所述第四筛选器检测每个所述样本数据的采样点相对于其他所述样本数据的采样点的距离是否小于设定的安全距离参数。
2.根据权利要求1所述的水下机器人复杂水下环境自主探测方法，其特征在于，还包括：
设置终止算法；
若触发所述终止算法，则停止所述水下机器人复杂水下环境自主探测，并采用所述RRT算法计算所述水下机器人从当前位置运动到初始位置的无障碍路径；
若未触发所述终止算法，则根据所述无障碍路径运动到所述最佳候选视点，以继续所述水下机器人复杂水下环境自主探测。
3.根据权利要求2所述的水下机器人复杂水下环境自主探测方法，其特征在于，其中，所述终止算法包括第一终止条件或第二终止条件，其中，
所述第一终止条件为所述水下机器人是否达到最大扫描次数，若所述水下机器人达到最大扫描次数，则停止所述水下机器人复杂水下环境自主探测；
所述第一终止条件为根据所述最佳候选视点得到的表面增益是否小于设定阈值，若所述最佳候选视点得到的表面增益小于所述设定阈值，则所述水下机器人扩大扫描范围，若仍没有视点的表面增益超过所述设定阈值，则停止所述水下机器人复杂水下环境自主探测。
4.根据权利要求3所述的水下机器人复杂水下环境自主探测方法，其特征在于，其中，通过多波束声纳从不同角度迭代扫描所述水下机器人当前位置的周边区域生成所述扫描数据。
5.根据权利要求4所述的水下机器人复杂水下环境自主探测方法，其特征在于，其中，采用迭代最近点算法以增量方式将每个新的所述扫描数据与之前的所述扫描数据相结合。
6.根据权利要求5所述的水下机器人复杂水下环境自主探测方法，其特征在于，采用概率分析根据所述可视图得到最佳候选视点，包括：
根据所述可视图得到覆盖所述水下机器人将到达的区域的样本；
计算所述样本的效用；
平均每个所述样本的效用；
选择其中平均效用最大的所述样本对应的采样点作为所述最佳候选视点。
CN202010315682.0A 2020-04-21 2020-04-21 水下机器人复杂水下环境自主探测方法 Active CN111523441B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010315682.0A CN111523441B (zh) 2020-04-21 2020-04-21 水下机器人复杂水下环境自主探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010315682.0A CN111523441B (zh) 2020-04-21 2020-04-21 水下机器人复杂水下环境自主探测方法

Publications (2)

Publication Number Publication Date
CN111523441A CN111523441A (zh) 2020-08-11
CN111523441B true CN111523441B (zh) 2023-09-26

Family

ID=71902275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010315682.0A Active CN111523441B (zh) 2020-04-21 2020-04-21 水下机器人复杂水下环境自主探测方法

Country Status (1)

Country Link
CN (1) CN111523441B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023010262A1 (zh) * 2021-08-03 2023-02-09 广东高驰运动科技有限公司 水下环境探测装置、探测方法、鱼竿及存储介质
CN117029922A (zh) * 2023-08-09 2023-11-10 同济大学 一种水下环境的智能判定方法及装置、水下电子设备及计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278164A (zh) * 2013-06-13 2013-09-04 北京大学深圳研究生院 一种复杂动态场景下机器人仿生路径规划方法及仿真平台
CN104063894A (zh) * 2014-06-13 2014-09-24 中国科学院深圳先进技术研究院 点云三维模型重建方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101441187B1 (ko) * 2012-07-19 2014-09-18 고려대학교 산학협력단 자율 보행 로봇 경로 계획 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278164A (zh) * 2013-06-13 2013-09-04 北京大学深圳研究生院 一种复杂动态场景下机器人仿生路径规划方法及仿真平台
CN104063894A (zh) * 2014-06-13 2014-09-24 中国科学院深圳先进技术研究院 点云三维模型重建方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于RRT*算法的水下机器人全局路径规划方法;丁帅;《舰船科学技术》;全文 *
基于八叉树模型的水下机器人三维全局路径规划研究;高涛;《中国优秀硕士学位论文全文数据库（硕士） 信息科技辑》;全文 *

Also Published As

Publication number Publication date
CN111523441A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
Peel et al. Localisation of a mobile robot for bridge bearing inspection
CN106997049B (zh) 一种基于激光点云数据的检测障碍物的方法和装置
Palomeras et al. Autonomous exploration of complex underwater environments using a probabilistic next-best-view planner
CN111523441B (zh) 水下机器人复杂水下环境自主探测方法
US7228254B2 (en) Shape model generation method and shape model generation system
CN105404844B (zh) 一种基于多线激光雷达的道路边界检测方法
CN111476286A (zh) 一种移动机器人构建地图方法
Park et al. Radar localization and mapping for indoor disaster environments via multi-modal registration to prior LiDAR map
EP2894600B1 (en) Method of processing 3D sensor data to provide terrain segmentation
Kwon et al. A stochastic map building method for mobile robot using 2-d laser range finder
Roman et al. Consistency based error evaluation for deep sea bathymetric mapping with robotic vehicles
Mohammadloo et al. Correcting multibeam echosounder bathymetric measurements for errors induced by inaccurate water column sound speeds
Li et al. Automatic detection of pipelines from sub-bottom profiler sonar images
Shi et al. An adaptive grid search algorithm for fitting spherical target of terrestrial LiDAR
Bagnitckii et al. A survey of underwater areas using a group of AUVs
Roman Self consistent bathymetric mapping from robotic vehicles in the deep ocean
Hernández et al. Probabilistic sonar scan matching for an AUV
Yamashita et al. 3-d measurement of objects in unknown aquatic environments with a laser range finder
TWI719711B (zh) 水下地形淤泥量探測方法
Kim et al. Optimal strategy for seabed 3D mapping of AUV based on imaging sonar
Nunes et al. Occupancy grid mapping from 2d sonar data for underwater scenes
D'Emilia et al. Extraction of a floor plan from a points cloud: some metrological considerations
CN114994705A (zh) 一种基于激光雷达角度校正的无人艇避障方法
CN111007518A (zh) 基于声纳图像处理的水下机器人水下定位和路径规划方法
Huang et al. Seafloor obstacle detection by sidescan sonar scanlines for submarine cable construction

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