CN112083434A - 一种基于激光的机器人检测方法以及装置 - Google Patents
一种基于激光的机器人检测方法以及装置 Download PDFInfo
- Publication number
- CN112083434A CN112083434A CN202010939100.6A CN202010939100A CN112083434A CN 112083434 A CN112083434 A CN 112083434A CN 202010939100 A CN202010939100 A CN 202010939100A CN 112083434 A CN112083434 A CN 112083434A
- Authority
- CN
- China
- Prior art keywords
- robot
- curve
- contour
- curves
- laser
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- 239000002356 single layer Substances 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请公开了一种基于激光的机器人检测方法以及装置,包括如下步骤:第一机器人对目标区域进行多帧激光扫描,获取所述多帧激光扫描以便收集所述多个部位点反射的激光的信息,形成轮廓曲线;获取第二机器人正样本;将所述轮廓曲线输入预设的分类模型中确定每个所述轮廓曲线的类别标签,得到分类信息;根据所述轮廓曲线和第二机器人正样本轮廓曲线确定第二机器人对应的多个目标曲线;获取所有所述目标曲线的质心,分析所有所述目标曲线的质心,得出第二机器人的位置,获取正确的多个目标曲线,获得所有目标曲线的质心,分析所有所述目标曲线的质心,得出第二机器人的位置,可以更加准确的得出机器人的位置。
Description
技术领域
本申请涉及机器人技术领域,特别是涉及一种基于激光的机器人检测方法以及装置。
背景技术
在机器人配送业务的场景中为满足用户对效率的要求,同一场景中配置多个机器人并行执行配送任务已成为一种必要的解决方案。而为确保多机器人在配送过程中彼此能够安全避障,机器人需要具备感知其他机器人的位置、速度的能力,使机器人在导航过程中能够安全绕开周围的机器人。通常的方案是:多机依靠某种通信机制互相告知彼此SLAM的定位信息,而这种方法存在两个问题:1、机器人在执行任务中是处于运动状态,导致定位数据存在一定的延时;2、机器人自身的SLAM定位一旦发生较大的误差,会导致多机间的位置发生误判进而引发多机相撞。对此,在多机共存的配送业务场景中,如何准确感知到其他机器人的位置成为了一项关键任务。
VSLAM主要是通过摄像头来采集数据信息,跟激光雷达一对比,摄像头的成本显然要低很多。但激光雷达能更高精度的测出障碍点的角度和距离,方便定位导航。
从应用场景来说,VSLAM的应用场景要丰富很多。VSLAM在室内外环境下均能开展工作,但是对光的依赖程度高,在暗处或者一些无纹理区域是无法进行工作的。而激光SLAM目前主要被应用在室内,用来进行地图构建和导航工作。
发明内容
本发明的目的之一在于,准确检测机器人的位置。
为了实现上述目标,本申请提供了一种基于激光的机器人检测方法,包括如下步骤:
第一机器人对目标区域进行多帧激光扫描,获取所述多帧激光扫描以便收集所述多个部位点反射的激光的信息,形成轮廓曲线;
获取第二机器人正样本,其中,所述第一机器人和第二机器人处于相对运动或相对静止状态;
将所述轮廓曲线输入预设的分类模型中确定每个所述轮廓曲线的类别标签,得到分类信息;
根据所述轮廓曲线和第二机器人正样本轮廓曲线确定第二机器人对应的多个目标曲线;
获取所有所述目标曲线的质心,分析所有所述目标曲线的质心,得出第二机器人的位置。
进一步地,获取多帧激光数据具体步骤包括:
取预设基准定位方式所发布的第一帧激光反射数据;
获取有别于所述基准定位方式的至少一种其余定位方式所发布的第二第二帧激光反射数据;
其中,所述多帧激光扫描至少为两帧,通过设定不同基准定位方式,获得多帧激光反射数据。
进一步地,所述目标曲线获取质心的具体步骤包括:
对所述目标曲线进行多段分割,得到多个曲线数据段,其中,多个所述数据段包括若干个采样点的反射点;
求出每个曲线数据段上的所有点的曲率平均值作为该曲线段的代表曲线,采用该曲线段的质心作为该目标曲线的基准点;
以基准点为中心参考点,以所述基准点和发射点方向的直线的垂直线,截取所述垂直线为基准线;
将所述基准线等分为基准线多段,取所述曲线段中的所有反射点到基准线上的平均距离作为对应基准线曲线片段的特征,其中,所述基准线段内对应的反射点包括基准线段两端点作垂线,所截取到的曲线段内的反射点。
进一步地,以所述基准点和激光反射点方向为水平方向,基准线为垂直方向建立虚拟二维坐标;
确定多个部位点在二维虚拟坐标中的对应位置坐标,描绘多个部位点的轮廓曲线,基于多个部位点的轮廓曲线找出与目标特征对应的目标曲线部;
基于目标曲线在二维虚拟坐标系中的坐标确定被车辆的线在二维虚拟坐标系中的位置。
进一步地,所述每帧激光扫描区域包括多个第二机器人时所述轮廓曲线为多个和多个背景轮廓曲线;
需要分别对每帧激光数据分别进行处理;
基于每帧激光数据需要对轮廓曲线进行分类分别进行检测处理;
基于第二机器人正样本模型对轮廓曲线进行分类处理,确定多个所述第二机器人的轮廓曲线和区别多个背景轮廓曲线;
根据多个所述第二机器人的轮廓曲线分别获取多个目标曲线,其中,所述第二机器人的正样本模型包括机器人的的整体外型结构轮廓和具有局部明显特征的结构轮廓。
进一步地,基于所述第二机器人整体外型结构轮廓设置第一置信度,基于所述第二机器人的具有局部明显特征的结构轮廓设置第二置信度;
轮廓曲线获取第一置信度后才能获取第二置信度;
其中,所述第一置信度来衡量轮廓曲线和第二机器人的整体外型结构轮廓的相似度,所述第二置信度来衡量轮廓曲线和第二机器人具有局部明显特征的结构轮廓的相似度。
进一步地,预设所述第一置信度的不同段的取值范围;
根据预设的上段第一取信度的值,确定出多个所述轮廓曲线没有重合;
或者根据预设中间段的第一取信度的值,确定出有所述轮廓曲线重合;
或者根据预设下段的第一取信度的值,确定出所述轮廓为背景轮廓曲线。
进一步地,当多个轮廓曲线没有重合,分割出多个轮廓曲线;
所述轮廓曲线为多个;需要分别获取到多个第一取信度。
基于确定的所述第一取信度;
获取所述目标曲线多个;
需要同时获取到多个第二取信度;
确定多个第二取信度后获取多个目标曲线的质心进而分析出任一所述第二机器人的位置。
进一步地,确定出有轮廓曲线重合;
获取所述目标曲线多个;
需要同时获取到多个第二取信度;
确定多个第二取信度后获取多个目标曲线的质心进而分析出任多个所述第二机器人的共同位置。
进一步地,,所述第一机器人包括:
具备激光雷达,用于发射多帧激光;
具备核心计算处理器,进行反射点的质心的计算;
移动装置,用于多角度的多帧激光的扫描;
轮廓处理设备包括:
轮廓曲线确定模块,用于区别多个第二机器人轮廓曲线和背景的轮廓曲线;
目标曲线确定模块,用于分割出第二机器人的曲线特征曲线;
第二机器人质心确定模块,用来确定目标曲线的质心以及第二机器人的质心。
与现有技术相比,本申请具有如下技术效果:
(1)获取多帧激光数据,通过对比不同帧激光数据可以判断机器人运动状态,这样保证了即使机器人与正样本物体处于相对运动状态下,也可以很好对正样品进行定位;用第二机器人的正样品曲线轮廓模型和获取到的模型轮廓进行对比和分类,可以排出背景对定位的干扰;获取正确的多个目标曲线,获得所有目标曲线的质心,分析所有所述目标曲线的质心,得出第二机器人的位置,可以更加准确的得出机器人的位置;
(2)用对所述目标曲线进行多段分割,得到多个曲线数据段,其中,多个所述数据段包括若干个采样点的反射点;求出每个曲线数据段上的所有点的曲率平均值作为该曲线段的代表曲线,采用该曲线段的质心作为该目标曲线的基准点;以基准点为中心参考点,以所述基准点和发射点方向的直线的垂直线,截取预设值的垂直线为基准线;将所述基准线等分为基准线多段,取所述曲线段中的所有反射点到基准线上的平均距离作为对应基准线曲线片段的特征,其中,所述基准线段内对应的反射点包括基准线段两端点作垂线,所截取到的曲线段内的反射点的方法得到的质心,可以增加质心的准确度;
(3)通过预设不同的第一置信度段可以判断多个轮廓曲线没有重合适,以确定多个重合轮廓曲曲线的共同质心和不同轮廓曲线的不同质心点。
附图说明
图1是本申请提供的一种基于激光检测的流程图;
图2是本申请提供的一种获取特征的示意图;
图3是本申请提供的一种基于激光检测的流程图;
图4是本申请提供的一种激光检测结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。这里将详细地对示例行实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或者相似的要素。以下示例性实施例中所述描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与所述附图权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
本申请实施例提供了一种基于激光的机器人检测方法,在图1中所示,包括如下步骤:
101、第一机器人对目标区域进行多帧激光扫描,获取所述多帧激光扫描以便收集所述多个部位点反射的激光的信息,形成轮廓曲线,获取多帧点云数据,通过对比不同帧点云数据可以判断机器人运动状态,这样保证了即使机器人与正样本物体处于相对运动状态下,也可以很好对正样品进行定位;
201、获取第二机器人正样本,其中,所述第一机器人和第二机器人处于相对运动或相对静止状态,用第二机器人的正样品曲线轮廓模型和获取到的模型轮廓进行对比和分类,可以排出背景对定位的干扰;
301、将所述轮廓曲线输入预设的分类模型中确定每个所述轮廓曲线的类别标签,得到分类信息,在处理目标区域的轮廓曲线时要排除掉背景轮廓曲线,其中,常见的图像分类方式是采用机器学习的方法对输入图像进行特征提取,然后通过分类器获取预测结果,得到输入图像对应的对象类型,也即得到输入图像包括的对象所属的对象类型。
401、根据所述轮廓曲线和第二机器人正样本轮廓曲线确定第二机器人对应的多个目标曲线,获取正确的多个目标曲线,获得所有目标曲线的质心,分析所有所述目标曲线的质心,得出第二机器人的位置,可以更加准确的得出机器人的位置;
501、获取所有所述目标曲线的质心,分析所有所述目标曲线的质心,得出第二机器人的位置。
在机器人配送业务的场景中为满足用户对效率的要求,同一场景中配置多个机器人并行执行配送任务已成为一种必要的解决方案。而为确保多机器人在配送过程中彼此能够安全避障,机器人需要具备感知其他机器人的位置、速度的能力,使机器人在导航过程中能够安全绕开周围的机器人。其中,通过一帧激光扫描的数据可以大致判断第二机器人的位置,但这样并不能判断机器人的移动速度和方向,通过多帧激光的扫描处理可以预测机器人的运动方向和速度,从而在配送业务中即时改变运动方向避开和其他机器人的碰撞。
在本实施例中,提供了获取多帧激光数据具体步骤包括:
取预设基准定位方式所发布的第一帧激光反射数据;
获取有别于所述基准定位方式的至少一种其余定位方式所发布的第二第二帧激光反射数据;
其中,所述多帧激光扫描至少为两帧,通过设定不同基准定位方式,获得多帧激光反射数据。
本实施例优先的方案为,其中,所述多帧激光数据为九帧,相同方向三帧,有三个方向,获取第一帧激光反射数据和第二帧激光反射数据基准定位方式的角度为ɑ1,第二帧激光反射数据和第三帧激光反射数据基准定位方式的角度为ɑ2,其中,ɑ1=0°,ɑ2=0°,另外,所述第一机器人处于静止状态,所述第二机器人处于运动状态,在进行激光扫描的过程中,记录第一帧激光数据反射时间t1、第二帧激光数据反射时间t2和第二帧激光数据反射时间t3,根据t1、t2和t3之间的差值以及定位的距离判断所述第二机器人的运动的速度,根据建立的二维虚拟坐标判断其运动方向,所述二维虚拟坐标的建立如下面实施例所述,另外所述第一机器人激光扫描设备具有360°旋转功能,所述第二机器人在运动过程中,所述第一机器人需要通过旋转激光扫描设备来重新捕捉到第二机器人的的方向,具体地,旋转激光扫描设备自动旋转预设角度ɑo,其中,当ɑo=120°,可以扫描三次,得到三帧激光数据,进行处理轮廓曲线处理,找出所述激光帧数第一置信度值高的作为所述第二机器人的第一运动状态,如果第一机器人捕捉到多个所述第二机器人,所述第一机器人将根据多个所述机器人的距离远近,选择距离最近的第二机器人的方向,开始捕捉第一机器人的第二运动状态,分析出机器人的第二运动状态,调整所述机器人的运动方向,依次类推可以分析出不同方向不同第二机器人的方向以及速度,进而找出所述第一机器人的运动方向,而避免第一机器人的和第二机器人之间发生碰撞。
在本实施例中,所述多帧激光数据为三帧,获取第一帧激光反射数据和第二帧激光反射数据基准定位方式的角度为ɑ1,第二帧激光反射数据和第三帧激光反射数据基准定位方式的角度为ɑ2,其中,ɑ1=120°,ɑ2=120°,另外,所述第一机器人和第二机器人在进行三帧激光扫描时,第一机器人是以第二机器人为圆心,以两者的距离为半径做圆周运动,运动角度为120°,依次类推完成第三帧激光的扫描;在三帧激光扫描的过程中第一机器人和第二机器人在距离上并没有变化。
本实施例优先的方案为,所述第一机器人在以均匀的速度,按一定方向运动,预设一定时间,自动旋转设备旋转一定角度,实现360°的扫描。
在一些实施例中,提供了所述目标曲线获取质心的具体步骤包括:
对所述目标曲线进行多段分割,得到多个曲线数据段,其中,多个所述数据段包括若干个采样点的反射点,具体地,在图2中所示,经过数据分割后得到N个数据段seg1,seg2…segN,求出每个曲线数据段上的所有点的曲率平均值作为该曲线段的代表曲线,采用该曲线段的质心作为该目标曲线的基准点;以基准点为中心参考点,以所述基准点和发射点方向的直线的垂直线,截取预设值的垂直线为基准线;
在本实施例中,将所述基准线等分为基准线多段,取所述曲线段中的所有反射点到基准线上的平均距离作为对应基准线曲线片段的特征,其中,所述基准线段内对应的反射点包括基准线段两端点作垂线,所截取到的曲线段内的反射点,以此得到激光数据段seg1的GDIF特征:F=(f1,f2,···,fN)。
本实施例优先的方案为,以所述基准点和激光反射点方向为水平方向,基准线为垂直方向建立虚拟二维坐标;确定多个部位点在二维虚拟坐标中的对应位置坐标,描绘多个部位点的轮廓曲线,基于多个部位点的轮廓曲线找出与目标特征对应的目标曲线部;基于目标曲线在二维虚拟坐标系中的坐标确定被车辆的线在二维虚拟坐标系中的位置。
本实施例通过对反射曲线轮廓的分段和基于反射曲线轮廓的分段的再次对基准线的分段处理,求取平均值为特征值,这样可以更加精确地测量机器人的质心点,另外也提供了一种建立二维虚拟坐标的方法,两者结合可以使检测更加可靠。
进一步地,在本实施例中的优先方案为,可对F特征中每个子fN特征进行截取,预设截取数据段[-d/2,d/2],其中,截取的公式如下:
其中,d/2为截取的y轴方向的垂直距离,这样可以将一些无法统计的反射点去除掉,当fi属于[d/2,+∞),时可以截取d/2作为特征;当fi属于(-d/2,d/2)时可以截取fi作为特征;当fi属于(-∞,-d/2]时可以截取-d/2作为特征。
本申请实施例提供了具体地轮廓曲线的具体分类步骤,所述每帧激光扫描区域包括多个第二机器人时所述轮廓曲线为多个和多个背景轮廓曲线;
需要分别对每帧激光数据分别进行处理;基于每帧激光数据需要对轮廓曲线进行分类分别进行检测处理;基于第二机器人正样本模型对轮廓曲线进行分类处理,确定多个所述第二机器人的轮廓曲线和区别多个背景轮廓曲线,具体地,其中,所述建立分类器办法采用基于AdaBoost机器学习框架结合弱分类器单层树桩构建强分类器,通过不同的第二机器人的整体正样品和第二机器人的局部正样本分别建立第一置信度的强分类器和第二置信度的强分类,具体地,在图3中所示,
102、获取多帧激光数据;
202、获取正样品轮廓曲线;
203、获取正样品目标曲线
302、基于AdaBoost机器学习框架结合弱分类器单层树桩构建第一置信度强分类器;
402、基于AdaBoost机器学习框架结合弱分类器单层树桩构建第一置信度强分类器;
303、预设第一置信度值;
403、预设第二置信度值,图像的相似度只有达到预设的第一置信度值,才可以获取第二置信度值;
502、质心分析。
具体地,根据多个所述第二机器人的轮廓曲线分别获取多个目标曲线,其中,所述第二机器人的正样本模型包括机器人的整体外型结构轮廓和具有局部明显特征的结构轮廓,整体外型结构轮廓和轮廓曲线相比较,具有局部明显特征的结构轮廓和目标曲线相比较,例如目标特征为机器人的头部,目标曲线可能为方型,圆形,针对不同种类的机器人在外部轮廓上具有不同的外部特征。
在本实施例中,基于所述第二机器人整体外型结构轮廓设置第一置信度,基于所述第二机器人的具有局部明显特征的结构轮廓设置第二置信度,第一置信度从整体上可以确定所述第二机器人的是否和第二机器人样本在外型轮廓上是否相同,第二置信度在细节上和明显特征上看是否所述第二机器人是否和样本相同,和只用第二置信度来衡量相似度相比,两者结合可以提高检测的准确度;
轮廓曲线获取第一置信度后才能获取第二置信度,如果没有获取第一置信度或者第一置信度的处于下段,那么说明扫描区域没有机器人,相应的激光扫描设备将停止工作,机器人在扫描区域将不受到活动的限制;
其中,所述第一置信度来衡量轮廓曲线和第二机器人的整体外型结构轮廓的相似度,所述第二置信度来衡量轮廓曲线和第二机器人具有局部明显特征的结构轮廓的相似度,相似度越高说明捕捉到机器人的可能性越大。
在本实施例中的优先技术方案为,预设所述第一置信度的不同段的取值范围,其中,预设上段第一取信度的值[8.5,10],确定出多个所述轮廓曲线没有重合,可以分割出多个轮廓曲线;
预设中间段的第一取信度的值(8.5,5),确定出有所述轮廓曲线重合,无法分割,出现这种情况的主要原因是在进行扫描时多个机器人在垂直投影上具有部分重合造成的;
预设下段的第一取信度的值[0,5],确定出所述轮廓为背景轮廓曲线,扫描的过程中捕捉不到第二机器人的的位置,这说明所述第二机器人不在扫描区域内,根据轮廓曲线落在第一取信度的值,分析出数据处理应该如何处理,对于一般而言扫描出现的[8.5,10]和[0,5]的可能性比较大,出现值(8.5,5)段的可能性比较小,这主要是因为,机器人通过扫描确定自己的运动方向,在一定程度上减小了出现轮廓曲线重合的可能性。
当多个轮廓曲线没有重合,分割出多个轮廓曲线;
所述轮廓曲线为多个;需要分别获取到多个第一取信度。
基于确定的所述第一取信度;
获取所述目标曲线多个;
需要同时获取到多个第二取信度;
确定多个第二取信度后获取多个目标曲线的质心进而分析出任一所述第二机器人的位置。
确定出有轮廓曲线重合;
获取所述目标曲线多个;
需要同时获取到多个第二取信度;
确定多个第二取信度后获取多个目标曲线的质心进而分析出任多个所述第二机器人的共同位置,如果多个机器人在水平投影上完全重合,则将多个机器人默认为一个机器人。
本实施例通过分段设置第一置信度,可以判断轮廓曲线的重合度以及区别背景轮廓曲线,激光扫描区域有多少个机器人,及其机器人在水平方向的投影的重合度,设置多个第二置信度,可以分类出多个目标曲线,通过确定目标曲线的质心,分析出多个所述机器人质心的具体位置或者水平投影方向上多个机器人重合后的质心。
本实施例提供了一种基于激光的机器人检测装置,在图3中所示,所述第一机器人包括:
激光雷达10,用于发射多帧激光;
核心计算处理器20,进行反射点的质心的计算;
移动装置30,用于多角度的多帧激光的扫描;
轮廓处理设备40包括:
轮廓曲线确定模块41,用于区别多个第二机器人轮廓曲线和背景的轮廓曲线;
目标曲线确定模块42,用于分割出第二机器人的曲线特征曲线;
第二机器人质心确定模块43,用来确定目标曲线的质心以及第二机器人的质心。
在实际使用的过程中,进行多帧激光扫描时,需要激光雷达进行多角度的扫描,优先地,所述激光雷达为2d激光雷达,所述2d激光雷达具有360°旋转功能,每次进行一帧扫描时都旋转一定的角度,实现激光对第一机器人周围区域的360°扫描,移动设备可以控制机器人的运动方向,具体地,所述第一机器人静止或运动对某一方进行激光扫描,完成一帧激光扫描后,将数据保存起来,传给轮廓处理设备进行处理,其中,轮廓曲线确定模块41会对获得的轮廓曲线进行分割,将背景和第二机器人的轮廓分割开来,分割后的图形会通过强分类器进行处理产生第一置信度值;判断第一置信度值的范围落到了什么预设段位,根据预设进行下一步的处理。
容易理解地,基于AdaBoost机器学习框架结合弱分类器单层树桩构建强分类器的方法包括对每次迭代:利用build_stump()函数找到最佳的单层决策树,将最佳单层决策树加入到单层决策树数组,计算alpha,计算新的权重向量,更新累计类别估计值,如果错误率等于0.0,则退出循环,用此方法可以建立正确的强分类器,对于检测机器人而言,可以获得足够的标准的模型样本建立第一置信度的强分类器和第二置信度的强分类器,鉴于此,检测装置还包括用于储存执行该程序的介质或者执行该程序的计算机。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做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申请实施例范围的所有变更和修改。
最后,还需要说明的是,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种机器人检测方法以及装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于激光的机器人检测方法,其特征在于,包括如下步骤:
第一机器人对目标区域进行多帧激光扫描,获取所述多帧激光扫描以便收集所述多个部位点反射的激光的信息,形成轮廓曲线;
获取第二机器人正样本,其中,所述第一机器人和第二机器人处于相对运动或相对静止状态;
将所述轮廓曲线输入预设的分类模型中确定每个所述轮廓曲线的类别标签,得到分类信息;
根据所述轮廓曲线和第二机器人正样本轮廓曲线确定第二机器人对应的多个目标曲线;
获取所有所述目标曲线的质心,分析所有所述目标曲线的质心,得出第二机器人的位置。
2.根据权利要求1所述的基于激光的机器人检测方法,其特征在于,获取多帧激光数据具体步骤包括:
取预设基准定位方式所发布的第一帧激光反射数据;
获取有别于所述基准定位方式的至少一种其余定位方式所发布的第二第二帧激光反射数据;
其中,所述多帧激光扫描至少为两帧,通过设定不同基准定位方式,获得多帧激光反射数据。
3.根据权利要求1所述的基于激光的机器人检测方法,其特征在于,所述目标曲线获取质心的具体步骤包括:
对所述目标曲线进行多段分割,得到多个曲线数据段,其中,多个所述数据段包括若干个采样点的反射点;
求出每个曲线数据段上的所有点的曲率平均值作为该曲线段的代表曲线,采用该曲线段的质心作为该目标曲线的基准点;
以基准点为中心参考点,以所述基准点和发射点方向的直线为垂直线,截取所述垂直线为基准线;
将所述基准线等分为基准线多段,取所述曲线段中的所有反射点到基准线上的平均距离作为对应基准线曲线片段的特征,其中,所述基准线段内对应的反射点包括基准线段两端点作垂线,所截取到所述曲线段内的反射点。
4.根据权利要求3所述的基于激光的机器人检测方法,其特征在于,
以所述基准点和激光反射点方向为水平方向,以所述基准线为垂直方向建立虚拟二维坐标;
确定多个部位点在二维虚拟坐标中的对应位置坐标,描绘多个部位点的轮廓曲线,基于多个部位点的轮廓曲线找出与目标特征对应的目标曲线部;
基于目标曲线在二维虚拟坐标系中的坐标确定机器人在二维虚拟坐标系中的位置。
5.根据权利要求1所述的基于激光的机器人检测方法,其特征在于,
所述每帧激光扫描区域包括多个第二机器人时所述轮廓曲线为多个背景轮廓曲线;
需要分别对每帧激光数据分别进行处理;
基于每帧激光数据需要对轮廓曲线进行分类分别进行检测处理;
基于第二机器人正样本模型对轮廓曲线进行分类处理,确定多个所述第二机器人的轮廓曲线和区别多个背景轮廓曲线;
根据多个所述第二机器人的轮廓曲线分别获取多个目标曲线,其中,所述第二机器人的正样本模型包括机器人的的整体外型结构轮廓和具有局部明显特征的结构轮廓。
6.根据权利要求5所述的基于激光的机器人检测方法,其特征在于,
基于所述第二机器人整体外型结构轮廓设置第一置信度,基于所述第二机器人的具有局部明显特征的结构轮廓设置第二置信度;
轮廓曲线获取第一置信度后才能获取第二置信度;
其中,所述第一置信度来衡量轮廓曲线和第二机器人的整体外型结构轮廓的相似度,所述第二置信度来衡量轮廓曲线和第二机器人具有局部明显特征的结构轮廓的相似度。
7.根据权利要求6所述的基于激光的机器人检测方法,其特征在于,预设所述第一置信度的不同段的取值范围;
根据预设的上段第一取信度的值,确定出多个所述轮廓曲线没有重合;
或者根据预设中间段的第一取信度的值,确定出有所述轮廓曲线重合;
或者根据预设下段的第一取信度的值,确定出所述轮廓为背景轮廓曲线。
8.根据权利要求6所述的基于激光的机器人检测方法,其特征在于,
当多个轮廓曲线没有重合,分割出多个轮廓曲线;
所述轮廓曲线为多个;需要分别获取到多个第一取信度。
基于确定的所述第一取信度;
获取所述目标曲线多个;
需要同时获取到多个第二取信度;
确定多个第二取信度后获取多个目标曲线的质心进而分析出任一所述第二机器人的位置。
9.根据权利要求6所述的基于激光的机器人检测方法,其特征在于,
确定出有轮廓曲线重合;
获取所述目标曲线多个;
需要同时获取到多个第二取信度;
确定多个第二取信度后获取多个目标曲线的质心进而分析出多个所述第二机器人的共同位置。
10.一种基于激光的机器人检测装置,其特征在于,所述第一机器人包括:
激光雷达,用于发射多帧激光;
核心计算处理器,进行反射点的质心的计算;
移动装置,用于多角度的多帧激光的扫描;
轮廓处理设备包括:
轮廓曲线确定模块,用于区别多个第二机器人轮廓曲线和背景的轮廓曲线;
目标曲线确定模块,用于分割出第二机器人的曲线特征曲线;
第二机器人质心确定模块,用来确定目标曲线的质心以及第二机器人的质心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010939100.6A CN112083434B (zh) | 2020-09-09 | 2020-09-09 | 一种基于激光的机器人检测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010939100.6A CN112083434B (zh) | 2020-09-09 | 2020-09-09 | 一种基于激光的机器人检测方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112083434A true CN112083434A (zh) | 2020-12-15 |
CN112083434B CN112083434B (zh) | 2023-12-29 |
Family
ID=73733179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010939100.6A Active CN112083434B (zh) | 2020-09-09 | 2020-09-09 | 一种基于激光的机器人检测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112083434B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5644386A (en) * | 1995-01-11 | 1997-07-01 | Loral Vought Systems Corp. | Visual recognition system for LADAR sensors |
CN102270301A (zh) * | 2011-06-07 | 2011-12-07 | 南京理工大学 | 一种svm与激光雷达结合检测非结构化道路边界的方法 |
JP2012073683A (ja) * | 2010-09-27 | 2012-04-12 | Fujitsu Ltd | 人物検出装置、人物検出方法及びプログラム |
KR101392222B1 (ko) * | 2013-11-12 | 2014-05-08 | 국방과학연구소 | 표적 윤곽을 추출하는 레이저 레이더, 그것의 표적 윤곽 추출 방법 |
CN104463217A (zh) * | 2014-12-15 | 2015-03-25 | 长春理工大学 | 基于激光雷达的路面类型识别方法及装置 |
JP2015114261A (ja) * | 2013-12-13 | 2015-06-22 | 株式会社デンソーアイティーラボラトリ | 対象物検出装置、対象物検出方法およびプログラム |
CN106023155A (zh) * | 2016-05-10 | 2016-10-12 | 电子科技大学 | 基于水平集的在线目标轮廓跟踪方法 |
US20190086548A1 (en) * | 2017-09-19 | 2019-03-21 | Topcon Corporation | Data processing device, data processing method, and data processing program |
CN109815975A (zh) * | 2018-12-14 | 2019-05-28 | 中国科学院深圳先进技术研究院 | 一种基于机器人的目标分类方法及相关装置 |
US20190265100A1 (en) * | 2016-11-11 | 2019-08-29 | Trumpf Laser- Und Systemtechnik Gmbh | Determining a beam profile of a laser beam |
CN110320523A (zh) * | 2019-07-05 | 2019-10-11 | 齐鲁工业大学 | 跟随机器人的目标定位装置及方法 |
CN111352123A (zh) * | 2019-10-30 | 2020-06-30 | 清华大学 | 用于车辆检查的机器人和方法、确定车辆底盘中线的方法 |
-
2020
- 2020-09-09 CN CN202010939100.6A patent/CN112083434B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5644386A (en) * | 1995-01-11 | 1997-07-01 | Loral Vought Systems Corp. | Visual recognition system for LADAR sensors |
JP2012073683A (ja) * | 2010-09-27 | 2012-04-12 | Fujitsu Ltd | 人物検出装置、人物検出方法及びプログラム |
CN102270301A (zh) * | 2011-06-07 | 2011-12-07 | 南京理工大学 | 一种svm与激光雷达结合检测非结构化道路边界的方法 |
KR101392222B1 (ko) * | 2013-11-12 | 2014-05-08 | 국방과학연구소 | 표적 윤곽을 추출하는 레이저 레이더, 그것의 표적 윤곽 추출 방법 |
JP2015114261A (ja) * | 2013-12-13 | 2015-06-22 | 株式会社デンソーアイティーラボラトリ | 対象物検出装置、対象物検出方法およびプログラム |
CN104463217A (zh) * | 2014-12-15 | 2015-03-25 | 长春理工大学 | 基于激光雷达的路面类型识别方法及装置 |
CN106023155A (zh) * | 2016-05-10 | 2016-10-12 | 电子科技大学 | 基于水平集的在线目标轮廓跟踪方法 |
US20190265100A1 (en) * | 2016-11-11 | 2019-08-29 | Trumpf Laser- Und Systemtechnik Gmbh | Determining a beam profile of a laser beam |
US20190086548A1 (en) * | 2017-09-19 | 2019-03-21 | Topcon Corporation | Data processing device, data processing method, and data processing program |
CN109815975A (zh) * | 2018-12-14 | 2019-05-28 | 中国科学院深圳先进技术研究院 | 一种基于机器人的目标分类方法及相关装置 |
CN110320523A (zh) * | 2019-07-05 | 2019-10-11 | 齐鲁工业大学 | 跟随机器人的目标定位装置及方法 |
CN111352123A (zh) * | 2019-10-30 | 2020-06-30 | 清华大学 | 用于车辆检查的机器人和方法、确定车辆底盘中线的方法 |
Non-Patent Citations (1)
Title |
---|
李晗等: "基于改进几何活动轮廓模型和Kalman滤波的目标跟踪方法", 长安大学学报(自然科学版), no. 03, pages 90 - 94 * |
Also Published As
Publication number | Publication date |
---|---|
CN112083434B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949326B (zh) | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 | |
CN111627072B (zh) | 一种对多传感器进行标定的方法、装置和存储介质 | |
US9165190B2 (en) | 3D human pose and shape modeling | |
CN101271333B (zh) | 移动机器人的定位方法 | |
US8705795B2 (en) | Information processing apparatus, information processing method, and program | |
US20210274358A1 (en) | Method, apparatus and computer program for performing three dimensional radio model construction | |
CN111814752B (zh) | 室内定位实现方法、服务器、智能移动设备、存储介质 | |
CN111815707A (zh) | 点云确定方法、点云筛选方法、装置、计算机设备 | |
CN112085003A (zh) | 公共场所异常行为自动识别方法及装置、摄像机设备 | |
CN111935641B (zh) | 一种室内自定位的实现方法、智能移动设备和存储介质 | |
JP2015002547A (ja) | 画像処理装置、プログラム、および画像処理方法 | |
Kim et al. | Robotic sensing and object recognition from thermal-mapped point clouds | |
CN115376109B (zh) | 障碍物检测方法、障碍物检测装置以及存储介质 | |
Ruotsalainen et al. | Heading change detection for indoor navigation with a smartphone camera | |
CN110851978B (zh) | 一种基于可见性的摄像机位置优化方法 | |
WO2023284358A1 (zh) | 相机标定方法、装置、电子设备及存储介质 | |
CN110044358B (zh) | 基于现场场线特征的移动机器人定位方法 | |
Springer et al. | Evaluation of Orientation Ambiguity and Detection Rate in April Tag and WhyCode | |
CN113313765A (zh) | 定位方法、装置、电子设备和存储介质 | |
An et al. | Image-based positioning system using LED Beacon based on IoT central management | |
CN115808170B (zh) | 一种融合蓝牙与视频分析的室内实时定位方法 | |
CN112083434B (zh) | 一种基于激光的机器人检测方法以及装置 | |
CN116862832A (zh) | 一种基于三维实景模型的作业人员定位方法 | |
CN113295142B (zh) | 一种基于faro扫描仪和点云的地形扫描分析方法和装置 | |
CN115767424A (zh) | 一种基于rss与csi融合的视频定位方法 |
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 |