CN112327879A - 一种基于深度信息的沿边避障方法 - Google Patents
一种基于深度信息的沿边避障方法 Download PDFInfo
- Publication number
- CN112327879A CN112327879A CN202011336292.8A CN202011336292A CN112327879A CN 112327879 A CN112327879 A CN 112327879A CN 202011336292 A CN202011336292 A CN 202011336292A CN 112327879 A CN112327879 A CN 112327879A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- robot
- preset
- target
- walking
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 37
- 230000004888 barrier function Effects 0.000 claims abstract description 33
- 238000012896 Statistical algorithm Methods 0.000 claims abstract description 12
- 238000004804 winding Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 description 15
- 230000006399 behavior Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000010408 sweeping Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003116 impacting effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002023 wood Substances 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Abstract
本发明公开一种基于深度信息的沿边避障方法,包括:步骤1、当机器人移动到长廊区域或发生碰撞时,机器人的行走模式调整为全局沿边行走,其中,长廊区域包括墙类型障碍物、用于分隔室内空间的家具;步骤2、结合TOF摄像头采集到的目标障碍物的深度信息和TOF摄像头的内外参数,计算获取目标障碍物的纵向高度信息,并基于数据稳定度统计算法将目标障碍物识别分类处理;步骤3、根据步骤2的分类结果以及对应类型下的目标障碍物的纵向高度信息,控制移动机器人在全局沿边行走的过程中减速避障或减速绕障,再回到原来的全局沿边路径上;其中,目标障碍物是在TOF摄像头当前的视场区域内。
Description
技术领域
本发明涉及智能机器人沿边路径规划的技术领域,特别是一种基于深度信息的沿边避障方法。
背景技术
目前基于惯性导航、视觉、激光的SLAM机器人越来越普及,代表性比较强的是家庭扫地清洁机器人,结合视觉、激光、陀螺仪、加速度跟轮子里程计的数据,实现室内环境即时定位跟建图,再根据建立的地图实现定位导航。但是目前的痛点是,机器人在复杂的障碍物环境中,地面上经常存在玩具、电线等可以移动的障碍物,等机器人碰撞到这种类型的障碍物的时候,要么会推着障碍物,要么被电线类型的障碍物缠绕住,家庭环境还存在沙发类型的障碍物,如果沙发底下的高度刚好低于机器顶面的高度,机器进入的时候就可能卡住。
目前扫地机器人在全局沿边清扫的过程中,使用单线激光去探测沿边路径上的障碍物,但无法探测到这种类型的障碍物,视觉摄像头一般也是使用单一摄像头实现,没法在沿边行走的过程中及时准确进行距离运算,因此也在沿边行走的过程中不容易避开或绕过上述的各种类型障碍物,特别是沙发、桌子底下的中空部位,容易频繁碰撞。2019年12月27日申请公开的中国专利CN110622085A也没有针对机器人沿边行走场景下的不同类型障碍物的避障提出具体的路径规划方式。
发明内容
为了解决上述技术问题,本发明公开的一种基于深度信息的沿边避障方法,在全局沿边行走过程中减与各种类型障碍物少碰撞,甚至无碰撞地避开危险障碍物,具体的技术方案如下:
一种基于深度信息的沿边避障方法,包括:步骤1、当移动机器人移动到长廊区域或发生碰撞时,移动机器人的行走模式调整为全局沿边行为,其中,长廊区域包括墙类型障碍物、长度满足预设尺寸阈值的家具;步骤2、结合TOF摄像头采集到的目标障碍物的深度信息和TOF摄像头的内外参数,计算获取目标障碍物的纵向高度信息,并基于数据稳定度统计算法将目标障碍物识别分类为墙类型障碍物、玩具类型障碍物、门槛类型障碍物、沙发类型障碍物、电线类型障碍物;步骤3、根据步骤2的分类结果以及对应类型下的目标障碍物的纵向高度信息,控制移动机器人在全局沿边行走的过程中减速避障或减速绕障,再回到原来的全局沿边路径上;其中,所述沿边避障方法的执行主体是机身前端装配有TOF摄像头和红外传感器的机器人,目标障碍物是在TOF摄像头当前的视场区域内。
与现有技术相比,本技术方案根据障碍物的类型特性与其对应的高度信息采取灵活有效的沿边避障方式,实现利用减速沿边避障或减速绕障的方式来控制机器人不出现高速撞击障碍物的现象,适应机器人在各种高度类型的障碍物前方无碰撞甚至是少碰撞行走,不需额外碰撞警告信号和预警区域提示,降低障碍物对正常沿边行为的干扰。
进一步地,所述步骤3包括:在所述目标障碍物被分类为玩具类型障碍物且计算获得所述目标障碍物的纵向高度是大于第一预设玩具高度后,控制机器人保持当前沿边方向减速行走,并基于红外传感器的探测信息避开当前沿边方向上所探测到的障碍物;在所述目标障碍物被分类为玩具类型障碍物且计算获得所述目标障碍物的纵向高度是小于第一预设玩具高度后,若机器人当前执行全局沿边行走,则控制机器人减速行走,直到机器人与所述目标障碍物的深度距离为第二玩具安全距离时,朝第二预设时针方向旋转90 度,再前进第二预设距离,然后朝第二预设时针方向的逆方向旋转90度,再前进第三预设距离;然后通过旋转一个观察角度来检测所述当前沿边方向上是否存在其他障碍物,是则通过绕障行走的方式以第一预设移动弧度绕过检测到的障碍物,再回到原来的全局沿边路径上,否则以第二预设移动弧度绕过所述目标障碍物再回到原来的全局沿边路径上;其中,机器人在执行弓字形行走过程中和执行全局沿边行走过程中,机器人上的红外传感器实时探测障碍物;其中,第二预设距离和第三预设距离都与TOF摄像头实时采集获取的同一目标障碍物的轮廓宽度相关,这个轮廓宽度是:在TOF摄像头的实时视场区域内,目标障碍物的最左侧与其最右侧的水平距离;第二玩具安全距离是与机器人执行全局沿边行走过程中测得的深度信息相关。本实施例在机器人识别出较矮较小的玩具障碍物后,通过直角掉头和绕障行走来避免机器人在沿边行走过程中与这一类较为矮小的玩具障碍物发生碰撞,但能保证机器人在避障或绕障之后回到原先规划的全局沿边路径上,降低障碍物对机器人沿边行为的干扰。
进一步地,所述第一预设玩具高度设置为65mm;其中,玩具类型障碍物包括孤岛类型的障碍物。符合实际家具环境下配置的小部件的高度特征,使得禁止接触的障碍物得到有效的检测识别。
进一步地,所述步骤3还包括:在所述目标障碍物被分类为门槛类型障碍物后,控制机器人减速行走以跨过门槛;其中,门槛类型障碍物包括可供机器人跨越的障碍物。该技术方案在沿边过程中识别出门槛后,减速前进以跨过门槛,避免机器人高速撞击门槛,起到保护门槛的作用。
进一步地,所述步骤3还包括:在所述目标障碍物被分类为墙类型障碍物后,控制机器人保持原来的沿边行走模式,继续执行全局沿边行走,以实现沿墙行走。该技术方案控制机器人在沿墙行走过程中不执行红外避障,从而将障碍物对机器人在室内家居环境移动和工作行为的干扰降低。也起到保护墙体类型的较高家具的作用。
进一步地,在所述目标障碍物被分类为沙发类型障碍物,且计算获得所述目标障碍物的纵向高度是小于或等于第三预设沙发高度时,控制机器人沿着所述目标障碍物的轮廓减速行走,以使得机器人与所述目标障碍物发生碰撞但不被所述目标障碍物卡住;在所述目标障碍物被分类为沙发类型障碍物,且计算获得所述目标障碍物的纵向高度是大于第三预设沙发高度时,控制机器人减速沿边行走,并允许机器人在沿边行走过程中碰撞所述目标障碍物,以使得机器人通过碰撞确定所述目标障碍物的占地位置,且在沿边进入沙发类型障碍物的底部后不被这个沙发类型障碍物卡住;其中,所述第三预设沙发高度大于所述第一预设沙发高度,所述第二预设沙发高度大于所述第三预设沙发高度。
与现有技术相比,该技术方案在机器人的沿边方向上识别出沙发这一可穿越类型的障碍物后,根据沙发的纵向高度值大小范围,决策机器人在沿边行走过程中是否进入沙发底部和减速避障的方式,无论沙发高度是较小(机器人进不去沙发底部)、还是沙发高度适中(机器人的一部分能进入沙发底部)、还是沙发高度较大(机器人能完全进入沙发底部),都是减速沿边行走并允许偶尔有目的性碰撞沙发,避免频繁高速撞击沙发,提高机器人在可穿越的家具底下的沿边避障的有效性。
进一步地,所述第三预设沙发高度设置为110mm,所述第二预设沙发高度设置为90mm,所述第一预设沙发高度设置为50mm;其中,沙发类型障碍物包括供机器人穿越的家具障碍物。从而识别出允许机器人在绕着家具底部的支撑柱沿边行走过程中发生碰触,甚至穿越的大型障碍物。
进一步地,所述步骤3还包括:在所述目标障碍物被分类为电线类型障碍物且计算获得所述目标障碍物的纵向高度是大于第一预设电线高度后,控制机器人减速行走,直到机器人与所述目标障碍物的深度距离为第二电线安全距离时,朝第二预设时针方向旋转90度,再前进第五预设距离,然后朝第二预设时针方向的逆方向旋转90度,再前进第六预设距离;然后通过旋转一个第二观察角度来检测原来全局沿边行走的路径上是否存在其他障碍物,是则通过绕障行走的方式以第三预设移动弧度绕过检测到的障碍物,再回到原来全局沿边行走的路径上,否则以第四预设移动弧度绕过所述目标障碍物再回到原来全局沿边行走的路径上;其中,移动机器人在执行弓字形行走过程中和执行全局沿边行走过程中,移动机器人上的红外传感器实时探测障碍物;其中,第五预设距离和第六预设距离都与TOF摄像头采集获取的目标障碍物的轮廓宽度相关,这个轮廓宽度是:在TOF摄像头的视角范围和有效测距范围的重叠区域内,目标障碍物的最左侧与其最右侧的水平距离。
该技术方案在机器人的当前沿边行走的方向上识别出电线这一类缠绕障碍物后,沿边减速行走一段安全距离后通过绕障行走的方式绕开电线,从而禁止机器人碰触电线甚至跨越电线,且保证机器人在远离电线后继续回到原来的沿边行走模式,降低电线这一类障碍物对机器人正常工作的影响。
进一步地,所述第一预设电线高度设置为5mm,其中,电线类型障碍物包括缠绕物。有效地识别出低矮且能被机器人跨越的缠绕物。
进一步地,所述数据稳定度统计算法是基于滤波与统计算法对目标障碍物的深度信息及其纵向高度信息进行分类处理,以构建出目标障碍物的三维轮廓,进而将目标障碍物分类为墙模型、玩具模型、门槛模型、沙发模型和电线模型。该技术方案在采集TOF摄像头输出的深度信息基础上分析出目标障碍物的形状跟范围,也从而可以定位到机器人前方的障碍物情况,减少使用拟合运算。提高障碍物类型识别的准确度。
附图说明
图1是本发明实施例一提供一种基于深度信息的沿边避障方法流程图。
图2是本发明实施例二提供一种基于深度信息的沿边避障方法流程图。
图3是本发明实施例三提供一种基于深度信息的沿边避障方法流程图。
图4是本发明实施例四提供一种基于深度信息的沿边避障方法流程图。
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详细描述。
需要说明的是,本申请将中国专利CN111624997A的全文引入本申请的文本中,完成从TOF摄像头采集的深度图像中计算出TOF摄像头的参数、目标障碍物的位置、目标障碍物与机器人的相对位置关系、沿边路径的规划,以及地图校准标记方法的说明。
所述深度图像也被称为距离影像,是指深度图像的各像素点到所拍摄的对应障碍物实际测量点之间的距离作为像素值的图像。其中,各像素点与对应测量点的偏角基于摄像装置的设定参数而确定。所述深度图像直接反映所拍摄的物理场景中各障碍物的可见表面的几何形状轮廓,所述深度图像经过坐标转换可以转换为空间点云数据。其中,所述深度图像中利用深度数据描述的各障碍物均可作为待识别的障碍物的图像,以供后续步骤处理。其中,所述障碍物应被为泛指包含临时放置在行进平面上的物体和不易移动的物体。根据实际应用环境,机器人的行进平面包括但不限于以下几类:水泥地面、涂漆的地面、铺设复合地板的地面、铺设实木地板的地面、铺设地毯的地面、桌面、玻璃面等。临时放置在行进平面上的物体举例包括:门槛(可以跨越)、玩具(禁止碰撞)、电线(禁止跨越)等物体;不易移动的物体举例包括:沙发 (沙发底的高度低于机器的高度的时候,就控制机器不能进去)、墙壁等。
作为实施例一,公开一种基于深度信息的沿边避障方法,所述沿边避障方法的执行主体是机身前端装配有TOF摄像头和红外传感器的机器人,包括但不限于扫地机器人,如图1所示,所述基于深度信息的沿边避障方法包括:
步骤S1、当机器人移动到长廊区域或发生碰撞时,机器人的行走模式调整为全局沿边行走,然后进入步骤S2;其中,长廊区域包括墙类型障碍物、用于分隔室内空间的家具,比如机器人行走至用于分割空间以形成不同功能空间的一类分隔类型障碍物,如墙壁、门、窗、衣柜、屏风、沙发、床等,开始将当前行走模式调整为全局沿边行走,在一些具体的实施场景中,分隔类型障碍物可以是由多个分隔类型障碍物组合而成,一个分隔类型障碍物的附件放置有玩具类型障碍物、门槛类型障碍物、沙发类型障碍物、电线类型障碍物等。
步骤S2、结合TOF摄像头采集到的目标障碍物的深度信息和TOF摄像头的内外参数,计算获取目标障碍物的纵向高度信息,并基于数据稳定度统计算法将目标障碍物识别分类为墙类型障碍物、玩具类型障碍物、门槛类型障碍物、沙发类型障碍物、电线类型障碍物,然后进入步骤S3。其中,采集到的目标障碍物是在TOF摄像头当前的视场区域内,且位于机器人的前方;在该步骤S2中具体先对TOF摄像头采集到的深度图像信息进行滤波与连通域分析以分割出目标障碍物的图像轮廓,包括目标障碍物的空间轮廓特征和目标障碍物的形状特征,从而分析出障碍物的形状跟范围;然后结合TOF摄像头采集到的目标障碍物的深度信息和TOF摄像头的内外参数求取出目标障碍物的实际物理尺寸,包括目标障碍物的纵向高度信息。在求取出目标障碍物的实际物理尺寸之后,基于数据稳定度统计算法将目标障碍物识别分类为墙类型障碍物、玩具类型障碍物、门槛类型障碍物、沙发类型障碍物、电线类型障碍物,具体是基于滤波与统计算法对目标障碍物的深度信息及其纵向高度信息进行分类处理,在一些实施例中还需利用目标障碍物的轮廓形状的灰度数据去识别障碍物类型,以构建出目标障碍物的三维轮廓,进而将目标障碍物分类为墙模型、玩具模型、门槛模型、沙发模型和电线模型。可以探测出周围的3维坐标信息,从而可以定位到机器人前方的障碍物或组合障碍物的情况。
其中,涉及的深度图像数据的滤波算法包括中值滤波、高斯滤波、导向滤波、双边滤波、均值滤波、时域中值滤波、统计滤波、直通滤波、半径滤波、体素滤波;连通域分析包括Two-pass和seed-filling 两种。
需要说明的是,TOF是飞行时间(Time of Flight)技术的缩写,即传感器发出经调制的近红外光,遇物体后反射,传感器通过计算光线发射和反射时间差或相位差,来换算被拍摄景物的距离,以产生深度信息,此外再结合传统的相机拍摄,就能将物体的三维轮廓以不同颜色代表不同距离的地形图像方式呈现出来,从而得到一个立体的三维轮廓模型,TOF摄像头是采用TOF技术进行数据采集的摄像头。
步骤S3、根据前述步骤S2的分类结果及其对应类型下的目标障碍物的纵向高度信息,控制移动机器人在全局沿边行走的过程中减速避障或减速绕障,再回到原来的全局沿边路径上;其中,所述沿边避障方法的执行主体是机身前端装配有TOF摄像头和红外传感器的机器人,目标障碍物是在TOF摄像头当前的视场区域内。其中,机器人当前的行走模式包括全局沿边行走或对应的组合沿边路径。在步骤S3中,还需要结合机器人的沿边行走模式、机身前方或当前行走方向上识别出的目标障碍物的类型特征和所占高度空间,去决策机器人的减速避障方式或减速绕障方式,以实现:当机器人沿边靠近障碍物时,利用当前的沿边模式的优势便利提前绕开障碍物,再往前走;也可以避免机器在检测到危险障碍物时及时避开这个危险障碍物,遇到家具、墙等大物体的时候及时减速以避免高速撞击,起到保护家具跟墙体的作用。
需要说明的是,目标障碍物是在TOF摄像头当前的视场区域内,TOF摄像头的视角范围和有效测距范围的重叠区域是TOF摄像头当前的视场区域。
与现有技术相比,本实施例根据障碍物的类型特性与其对应的高度信息采取灵活有效的沿边避障方式,实现利用减速沿边避障或减速绕障的方式来控制机器人不出现高速撞击障碍物的现象,适应机器人在各种高度类型的障碍物前方无碰撞甚至是少碰撞行走,不需额外碰撞警告信号和预警区域提示,降低障碍物对正常沿边行为的干扰。
实施例二公开一种基于深度信息的沿边避障方法,如图2所示,具体包括:
步骤S201、机器人当前执行全局沿边行走过程中,检测到机体前方的目标障碍物被分类为玩具类型障碍物后,进入步骤S202。这里的机体前方是机器人的行走方向上或处于TOF摄像头的视角范围和有效测距范围的重叠区域内。
步骤S202、判断所述目标障碍物的纵向高度是否大于第一预设玩具高度,是则进入步骤S203,否则进入步骤S204。优选地,所述第一预设玩具高度设置为65mm;其中,玩具类型障碍物包括孤岛类型的障碍物,也可能矮于机器人的机体高度,容易在机器人沿边行走过程中被跨越过。
步骤S203、控制机器人沿着当前沿边方向上的减速行走,使得机器人减速直行以更加接近玩具类型障碍物而不用考虑机器人会跨域这个玩具类型障碍物的因素,同时利用红外传感器的探测信息避开当前沿边方向上所探测到的障碍物,因为机器人继续沿着当前沿边方向行走会碰撞到所述目标障碍物,所以机器人通过红外避障的模式无碰撞地避开所述目标障碍物,有利于后续恢复原来的沿边行走模式。
步骤S204、控制机器人减速行走,且是沿着全局沿边路径减速行走,从而不会较快地逼近所述目标障碍物,同时判断机器人与所述目标障碍物的深度距离是否减小为第二玩具安全距离,或判断机器人与所述目标障碍物的深度距离是否为第二玩具安全距离或第二玩具安全距离的误差数值范围之内,是则进入步骤 S205,否则继续维持减速沿边行走直到机器人与所述目标障碍物的深度距离减小为第二玩具安全距离。其中,第二玩具安全距离是与机器人执行沿边行走过程中测得的深度信息相关,可以是基于所述目标障碍物的轮廓形状设置的安全门限值,限制机器人减速为零之前不能碰撞上所述目标障碍物,起到保护目标障碍物的作用。
步骤S205、控制机器人朝第二预设时针方向旋转90度,再前进第二预设距离,即沿着当前行走方向直行第二预设距离,然后朝第二预设时针方向的逆方向旋转90度,再前进第三预设距离,即沿着当前行走方向直行第三预设距离,然后进入步骤S306。值得注意的是,在步骤S205中,机器人可以减速沿边行走,也可以不用减速,因为机器人与所述目标障碍物的深度距离为第二玩具安全距离后,机器人已经开始改变行走方向,可能不再趋向于碰撞所述目标障碍物。其中,第三预设距离与弓字形路径上的机器人的TOF 摄像头采集的同一目标障碍物的轮廓宽度相关,这个轮廓宽度是:在TOF摄像头的视场区域内,同一目标障碍物的最左侧及其最右侧的水平距离,在本实施例中是步骤S301和步骤S302计算获得的,同时也测得同一目标障碍物的深度数据。在TOF摄像头的视角范围内,当同一玩具类型障碍物的最左侧与机器人的机体中心的水平距离越大,则机器人向左转动后再直行的第二预设距离越大;在TOF摄像头的视角范围内,当同一玩具类型障碍物的最右侧与机器人的机体中心的水平距离越大,则机器人向右转动后再直行的第二预设距离越大;反之第二预设距离设置得越小。无论机器人向右转动还是向左转动,若同一玩具类型障碍物的深度数据越大,第三预设距离也设置得越大,反之第三预设距离越小。
步骤S206、控制机器人旋转一个第一观察角度,然后进入步骤S207。该步骤中的机器人旋转方向可以是第二预设时针方向或其逆方向,使得机器人由步骤S205前进第三预设距离的行走方向转向检测步骤 S201中全局沿边路径上是否存在障碍物,比如原先的全局沿边行走所沿的墙体的前方是否存在障碍物。
步骤S207、检测步骤S201所述全局沿边路径上是否存在其它障碍物,是则进入步骤S209,否则进入步骤S208。这里的其它障碍物是除了前述的目标障碍物之外,在机器人的TOF摄像头的当前视场区域内的障碍物。
步骤S209、通过绕障行走的方式以第一预设移动弧度绕过检测到的障碍物,再回到原来的全局沿边路径上,使得机器人恢复原来的全局沿边行走。该步骤的障碍物包括步骤S207检测到的障碍物和前述的目标障碍物。
步骤S208、以第二预设移动弧度绕过所述目标障碍物,再回到原来的全局沿边路径上,其中,第二预设移动弧度小于所述第一预设移动弧度。
实施例二本实施例在机器人识别出较矮较小的玩具障碍物后,通过直角掉头和绕障行走来避免机器人在沿边行走过程中与这一类较为矮小的玩具障碍物发生碰撞,但能保证机器人在避障或绕障之后回到原先规划的全局沿边路径上,降低障碍物对机器人沿边行为的干扰。
作为一种实施例,所述步骤S3还包括:若机器人当前执行全局沿边行走,则控制机器人减速行走以跨过门槛,且是沿着全局沿边路径行走;其中,门槛类型障碍物包括可供机器人跨越的障碍物。本实施例在识别出门槛后,减速前进以跨过门槛,避免机器人高速撞击门槛,起到保护门槛的作用。
作为一种实施例,所述步骤S3还包括:若机器人当前执行全局沿边行走,则控制机器人保持执行原来的沿边行走模式,以实现沿墙行走,不需红外避障。有利于控制机器人调整出最佳沿边方向,以使机器人调整当前的沿边模式,但是机器人在沿边行走的过程中不能碰撞墙体。本实施例控制机器人在沿墙行走过程中不执行红外避障,而在不沿墙行走的情况下则选择红外避障的方式,避免机器人频繁碰撞墙体,从而起到保护墙体类型的较高家具的作用。
实施例三,公开的识别出沙发障碍物的沿边避障实施例,如图3所示,具体包括:
步骤S301、机器人当前执行全局沿边行走过程中,检测到机体前方的目标障碍物被分类为沙发类型障碍物后,进入步骤S302。这里的机体前方是机器人的行走方向上或处于TOF摄像头的视角范围和有效测距范围的重叠区域内。即确认机器人当前执行的行走模式是全局沿边行走后,开始执行以下减速避障方式。
步骤S302、判断所述目标障碍物的纵向高度是否小于或等于第三预设沙发高度,是则进入步骤S304,否则进入步骤S303。
步骤S303、控制机器人沿着所述目标障碍物的轮廓减速行走,以使得机器人与所述目标障碍物发生碰撞时不被所述目标障碍物卡住,本实施例允许机器偶尔碰撞沙发,但是不允许卡死。
在一些实施场景中,机器人通过沿边行走的方式穿越沙发家具的底部的过程中,机器人可能会绕沙发类型障碍物底部的支撑部位做沿边行走,这时允许机器人碰撞沙发以进行沿边行走,而且机器人进入家具底部的中空部分并与其支撑部位发生物理碰撞后,可以纠正沙发类型障碍物的位置检测结果或障碍物类型识别结果。
步骤S304、控制机器人减速沿边行走,同时控制机器人通过物理碰撞确定所述目标障碍物的占地位置区域,以使得机器人与所述目标障碍物发生碰撞时不被所述目标障碍物卡住,从而在一些实施场景下允许机器偶尔碰撞沙发,但是不允许卡死;其中,所述第三预设沙发高度大于所述第一预设沙发高度,所述第二预设沙发高度大于所述第三预设沙发高度。优选地,所述第二预设沙发高度设置为90mm。
与现有技术相比,本实施例在机器人的沿边方向上识别出沙发这一可穿越类型的障碍物后,根据沙发的纵向高度值大小范围,决策机器人在沿边行走过程中是否进入沙发底部和减速避障的方式,无论沙发高度是较小(机器人进不去沙发底部)、还是沙发高度适中(机器人的一部分能进入沙发底部)、还是沙发高度较大(机器人能完全进入沙发底部),都是减速沿边行走并允许偶尔有目的性碰撞沙发,避免频繁高速撞击沙发,提高机器人在可穿越的家具底下的沿边避障的有效性。
实施例四:如图4所示,所述基于深度信息的沿边避障方法的具体步骤包括:
步骤S401、机器人当前执行全局沿边行走过程中,检测到机体前方的目标障碍物被分类为电线类型障碍物后,进入步骤S402。这里的机体前方是机器人的行走方向上或处于TOF摄像头的视角范围和有效测距范围的重叠区域内。
步骤S402、判断所述目标障碍物的纵向高度是否大于所述第一预设电线高度,是则进入步骤S403。优选地,所述第一预设电线高度设置为5mm,其中,电线类型障碍物包括缠绕物。有效地识别出低矮且能被机器人跨越的缠绕物。值得注意的是这些缠绕物的高度比较小,一般小于机器人的机体高度,容易在误判条件下引导机器人跨越这个电线类型障碍物。
步骤S403、在检测到电线类型障碍物的高度高得足够明显时,控制机器人减速行走,且是沿着全局沿边路径减速行走以避免高速跨越电线类型障碍物,然后进入步骤S404。
步骤S404、判断机器人与所述目标障碍物的深度距离是否减小为第二电线安全距离,或判断机器人与所述目标障碍物的深度距离是否为第二电线安全距离或第二电线安全距离的误差数值范围之内,是则进入步骤S405,否则返回步骤S403继续沿着全局沿边路径减速行走。值得注意的是,在步骤S404中,机器人可以减速行走,也可以不用减速,因为机器人与所述目标障碍物的深度距离为第二电线安全距离后,机器人已经开始改变行走方向,可能不再趋向于碰撞所述目标障碍物,所以允许机器人不减速行走。其中,第二电线安全距离是与机器人执行全局沿边行走过程中测得的深度信息相关,可以是基于电线类型障碍物的轮廓形状设置的安全门限值,限制机器人减速为零之前不能碰撞上所述电线类型障碍物,而不需要绕着缠绕物行走以致于在误检测缠绕物的相对位置的情况下容易被卡住。
步骤S405、控制机器人朝第二预设时针方向旋转90度,再前进第五预设距离(即沿着当前行走方向直行第五预设距离),然后朝第二预设时针方向的逆方向旋转90度,再前进第六预设距离(即沿着当前行走方向直行第六预设距离),实现开始绕障行走,然后进入步骤S406。其中,在机器人全局沿边行走的场景下,第五预设距离与TOF摄像头采集的同一电线类型障碍物的轮廓宽度相关,这个轮廓宽度是:在TOF 摄像头的视场区域内,同一电线类型障碍物的最左侧及其最右侧的水平距离,在本实施例中是步骤S401 和步骤S402计算获得的,同时也测得同一目标障碍物的深度数据。在TOF摄像头的视角范围内,当同一电线类型障碍物的最左侧与机器人的机体中心的水平距离越大,则机器人向左转动后再直行的第五预设距离越大;在TOF摄像头的视角范围内,当同一电线类型障碍物的最右侧与机器人的机体中心的水平距离越大,则机器人向右转动后再直行的第五预设距离越大;反之第五预设距离设置得越小。无论机器人向右转动还是向左转动,若同一电线类型障碍物的深度数据越大,第六预设距离也设置得越大,反之第六预设距离越小。以满足电线类型障碍物的避障需要。
步骤S406、控制机器人旋转一个第二观察角度,然后进入步骤S407。该步骤中的机器人旋转方向可以是第二预设时针方向或其逆方向,使得机器人由步骤S405执行前进第六预设距离的行走方向转向检测步骤S401所述全局沿边路径上是否存在障碍物,比如原先的全局沿边行走所沿的墙体的前方是否存在障碍物。
步骤S407、检测步骤S401所述全局沿边路径上是否存在其它障碍物,是则进入步骤S408,否则进入步骤S409。这里的其它障碍物是在机器人的TOF摄像头的当前视场区域内,除了原来沿边路径上识别出电线类型障碍物之外的障碍物。
步骤S408、通过绕障行走的方式以第三预设移动弧度绕过检测到的障碍物,再回到原来的全局沿边路径上,使得机器人恢复原来的全局沿边行走。该步骤的障碍物包括步骤S407检测到的障碍物和前述的电线类型障碍物。
步骤S409、以第四预设移动弧度绕过所述目标障碍物,再回到原来的全局沿边路径上,其中,第四预设移动弧度小于所述第三预设移动弧度。其中,第四预设距离和第五预设距离都用于限制机器人在沿边行走的过程或减速行走过程中不会与所述目标障碍物碰触,第四预设移动弧度和所述第三预设移动弧度用于限制机器人在绕障行走的过程中不会与所述目标障碍物碰触,本实施例在接近视角范围内已识别的目标障碍物之前,通过设置不同的安全距离来满足匹配类型的障碍物对碰撞避障的要求,以预判出无障碍物可通行区域,方便后续规划出有效的避障路径。
本实施例在机器人的当前沿边行走的方向上识别出电线这一类缠绕障碍物后,沿边减速行走一段安全距离后通过绕障行走的方式绕开电线,从而禁止机器人碰触电线甚至跨越电线,且保证机器人在远离电线后继续回到原来的沿边行走模式,降低电线这一类障碍物对机器人正常工作的影响。
需要说明的是,前述实施例中,所述数据稳定度统计算法是基于滤波与统计算法对目标障碍物的深度信息及其纵向高度信息进行分类处理,以构建出目标障碍物的三维轮廓,进而将目标障碍物分类为墙模型、玩具模型、门槛模型、沙发模型和电线模型。本实施例通过采集TOF摄像头输出的深度信息来分析出目标障碍物的形状跟范围,也从而可以定位到机器人前方的障碍物情况。减少使用拟合运算。提高障碍物类型识别的准确度。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于深度信息的沿边避障方法,其特征在于,包括:
步骤1、当机器人移动到长廊区域或发生碰撞时,机器人的行走模式调整为全局沿边行走,其中,长廊区域包括墙类型障碍物、用于分隔室内空间的家具;
步骤2、结合TOF摄像头采集到的目标障碍物的深度信息和TOF摄像头的内外参数,计算获取目标障碍物的纵向高度信息,并基于数据稳定度统计算法将目标障碍物识别分类为墙类型障碍物、玩具类型障碍物、门槛类型障碍物、沙发类型障碍物、电线类型障碍物;
步骤3、根据步骤2的分类结果以及对应类型下的目标障碍物的纵向高度信息,控制移动机器人在全局沿边行走的过程中减速避障或减速绕障,再回到原来的全局沿边路径上;
其中,所述沿边避障方法的执行主体是机身前端装配有TOF摄像头和红外传感器的机器人,目标障碍物是在TOF摄像头当前的视场区域内。
2.根据权利要求1所述沿边避障方法,其特征在于,所述步骤3包括:
在所述目标障碍物被分类为玩具类型障碍物且计算获得所述目标障碍物的纵向高度是大于第一预设玩具高度后,控制机器人保持当前沿边方向减速行走,并基于红外传感器的探测信息避开当前沿边方向上所探测到的障碍物;
在所述目标障碍物被分类为玩具类型障碍物且计算获得所述目标障碍物的纵向高度是小于或等于第一预设玩具高度后,控制机器人减速行走,直到机器人与所述目标障碍物的深度距离为第二玩具安全距离时,朝第二预设时针方向旋转90度,再前进第二预设距离,然后朝第二预设时针方向的逆方向旋转90度,再前进第三预设距离;然后通过旋转一个第一观察角度来检测原来的全局沿边行走的路径上是否存在其他障碍物,是则通过绕障行走的方式以第一预设移动弧度绕过检测到的障碍物,再回到原来的全局沿边路径上,否则以第二预设移动弧度绕过所述目标障碍物再回到原来的全局沿边行走的路径上;
其中,机器人在执行弓字形行走过程中和执行全局沿边行走过程中,机器人上的红外传感器实时探测障碍物;
其中,第二预设距离和第三预设距离都与TOF摄像头实时采集获取的同一目标障碍物的轮廓宽度相关,这个轮廓宽度是:在TOF摄像头的实时视场区域内,目标障碍物的最左侧与其最右侧的水平距离;第二玩具安全距离是与机器人执行全局沿边行走过程中测得的深度信息相关。
3.根据权利要求2所述沿边避障方法,其特征在于,所述第一预设玩具高度设置为65mm;其中,玩具类型障碍物包括孤岛类型的障碍物。
4.根据权利要求2所述沿边避障方法,其特征在于,所述步骤3还包括:
在所述目标障碍物被分类为门槛类型障碍物后,控制机器人减速行走以跨过门槛;
其中,门槛类型障碍物包括可供机器人跨越的障碍物。
5.根据权利要求4所述沿边避障方法,其特征在于,所述步骤3还包括:
在所述目标障碍物被分类为墙类型障碍物后,控制机器人保持原来的沿边行走模式,继续执行全局沿边行走。
6.根据权利要求5所述沿边避障方法,其特征在于,所述步骤3还包括:
在所述目标障碍物被分类为沙发类型障碍物,且计算获得所述目标障碍物的纵向高度是小于或等于第三预设沙发高度时,控制机器人沿着所述目标障碍物的轮廓减速行走,以使得机器人与所述目标障碍物发生碰撞但不被所述目标障碍物卡住;
在所述目标障碍物被分类为沙发类型障碍物,且计算获得所述目标障碍物的纵向高度是大于第三预设沙发高度时,控制机器人减速沿边行走,并允许机器人在沿边行走过程中碰撞所述目标障碍物,以使得机器人通过碰撞确定所述目标障碍物的占地位置,且在沿边进入沙发类型障碍物的底部后不被这个沙发类型障碍物卡住;
其中,所述第三预设沙发高度大于所述第一预设沙发高度,所述第二预设沙发高度大于所述第三预设沙发高度。
7.根据权利要求6所述沿边避障方法,其特征在于,所述第三预设沙发高度设置为110mm,所述第二预设沙发高度设置为90mm,所述第一预设沙发高度设置为50mm;其中,沙发类型障碍物包括供机器人穿越的家具障碍物。
8.根据权利要求6所述沿边避障方法,其特征在于,所述步骤3还包括:
在所述目标障碍物被分类为电线类型障碍物且计算获得所述目标障碍物的纵向高度是大于第一预设电线高度后,控制机器人减速行走,直到机器人与所述目标障碍物的深度距离为第二电线安全距离时,朝第二预设时针方向旋转90度,再前进第五预设距离,然后朝第二预设时针方向的逆方向旋转90度,再前进第六预设距离;然后通过旋转一个第二观察角度来检测原来全局沿边行走的路径上是否存在其他障碍物,是则通过绕障行走的方式以第三预设移动弧度绕过检测到的障碍物,再回到原来全局沿边行走的路径上,否则以第四预设移动弧度绕过所述目标障碍物再回到原来全局沿边行走的路径上;
其中,移动机器人在执行弓字形行走过程中和执行全局沿边行走过程中,移动机器人上的红外传感器实时探测障碍物;
其中,第五预设距离和第六预设距离都与TOF摄像头采集获取的目标障碍物的轮廓宽度相关,这个轮廓宽度是:在TOF摄像头的视角范围和有效测距范围的重叠区域内,目标障碍物的最左侧与其最右侧的水平距离。
9.根据权利要求8所述沿边避障方法,其特征在于,所述第一预设电线高度设置为5mm,其中,电线类型障碍物包括缠绕物。
10.根据权利要求1至9任一项所述沿边避障方法,其特征在于,所述数据稳定度统计算法是基于滤波与统计算法对目标障碍物的深度信息及其纵向高度信息进行分类处理,以构建出目标障碍物的三维轮廓,进而将目标障碍物分类为墙模型、玩具模型、门槛模型、沙发模型和电线模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011336292.8A CN112327879A (zh) | 2020-11-25 | 2020-11-25 | 一种基于深度信息的沿边避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011336292.8A CN112327879A (zh) | 2020-11-25 | 2020-11-25 | 一种基于深度信息的沿边避障方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112327879A true CN112327879A (zh) | 2021-02-05 |
Family
ID=74307834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011336292.8A Withdrawn CN112327879A (zh) | 2020-11-25 | 2020-11-25 | 一种基于深度信息的沿边避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327879A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311836A (zh) * | 2021-05-25 | 2021-08-27 | 上海高仙自动化科技发展有限公司 | 一种控制方法、装置、设备及存储介质 |
CN113433935A (zh) * | 2021-05-31 | 2021-09-24 | 惠州市宇林源科技有限公司 | 一种机器人自动寻路方法、机器人、设备及介质 |
CN114253255A (zh) * | 2021-11-05 | 2022-03-29 | 深圳拓邦股份有限公司 | 一种室内机器人障碍物处理策略及室内机器人 |
WO2022233183A1 (zh) * | 2021-05-06 | 2022-11-10 | 北京石头世纪科技股份有限公司 | 自行走设备避障方法、装置、介质和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110393482A (zh) * | 2019-09-03 | 2019-11-01 | 深圳飞科机器人有限公司 | 地图处理方法以及清洁机器人 |
CN110622085A (zh) * | 2019-08-14 | 2019-12-27 | 珊口(深圳)智能科技有限公司 | 移动机器人及其控制方法和控制系统 |
CN111067440A (zh) * | 2019-12-31 | 2020-04-28 | 深圳飞科机器人有限公司 | 一种清洁机器人控制方法以及清洁机器人 |
CN111067439A (zh) * | 2019-12-31 | 2020-04-28 | 深圳飞科机器人有限公司 | 障碍物处理方法以及清洁机器人 |
US20200341479A1 (en) * | 2017-10-25 | 2020-10-29 | Lg Electronics Inc. | Ai mobile robot for learning obstacle and method of controlling the same |
CN111857155A (zh) * | 2020-08-02 | 2020-10-30 | 珠海市一微半导体有限公司 | 一种机器人控制方法 |
CN111938519A (zh) * | 2020-08-19 | 2020-11-17 | 南京工程学院 | 一种扫拖一体机器人清洁路径规划方法 |
-
2020
- 2020-11-25 CN CN202011336292.8A patent/CN112327879A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200341479A1 (en) * | 2017-10-25 | 2020-10-29 | Lg Electronics Inc. | Ai mobile robot for learning obstacle and method of controlling the same |
CN110622085A (zh) * | 2019-08-14 | 2019-12-27 | 珊口(深圳)智能科技有限公司 | 移动机器人及其控制方法和控制系统 |
CN110393482A (zh) * | 2019-09-03 | 2019-11-01 | 深圳飞科机器人有限公司 | 地图处理方法以及清洁机器人 |
CN111067440A (zh) * | 2019-12-31 | 2020-04-28 | 深圳飞科机器人有限公司 | 一种清洁机器人控制方法以及清洁机器人 |
CN111067439A (zh) * | 2019-12-31 | 2020-04-28 | 深圳飞科机器人有限公司 | 障碍物处理方法以及清洁机器人 |
CN111857155A (zh) * | 2020-08-02 | 2020-10-30 | 珠海市一微半导体有限公司 | 一种机器人控制方法 |
CN111938519A (zh) * | 2020-08-19 | 2020-11-17 | 南京工程学院 | 一种扫拖一体机器人清洁路径规划方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022233183A1 (zh) * | 2021-05-06 | 2022-11-10 | 北京石头世纪科技股份有限公司 | 自行走设备避障方法、装置、介质和电子设备 |
CN113311836A (zh) * | 2021-05-25 | 2021-08-27 | 上海高仙自动化科技发展有限公司 | 一种控制方法、装置、设备及存储介质 |
CN113433935A (zh) * | 2021-05-31 | 2021-09-24 | 惠州市宇林源科技有限公司 | 一种机器人自动寻路方法、机器人、设备及介质 |
CN114253255A (zh) * | 2021-11-05 | 2022-03-29 | 深圳拓邦股份有限公司 | 一种室内机器人障碍物处理策略及室内机器人 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327878B (zh) | 一种基于tof摄像头的障碍物分类避障控制方法 | |
CN112327879A (zh) | 一种基于深度信息的沿边避障方法 | |
CN112363513A (zh) | 一种基于深度信息的障碍物分类避障控制方法 | |
CN112415998A (zh) | 一种基于tof摄像头的障碍物分类避障控制系统 | |
CN111067439B (zh) | 障碍物处理方法以及清洁机器人 | |
EP3349041B1 (en) | Object detection system | |
CN107041718B (zh) | 清洁机器人及其控制方法 | |
EP3271784B1 (en) | Localization and mapping using physical features | |
US9164512B2 (en) | Autonomous moving body and control method thereof | |
CN112004645A (zh) | 智能清洁机器人 | |
CN110031002B (zh) | 侦测阻碍物的方法、系统以及其传感器子系统 | |
KR20220029824A (ko) | 청소 로봇 및 그 제어 방법 | |
GB2313971A (en) | Obstacle tracking by moving vehicle | |
CN111538338B (zh) | 一种机器人贴边运动控制系统及方法 | |
CN111897335A (zh) | 一种机器人弓字型行走时的避障控制方法及其控制系统 | |
CN111240310A (zh) | 机器人避障处理的方法、装置及电子设备 | |
CN112347876B (zh) | 一种基于tof摄像头的障碍物识别方法、清洁机器人 | |
EP3842885A1 (en) | Autonomous movement device, control method and storage medium | |
Eberst et al. | Vision-based door-traversal for autonomous mobile robots | |
CN114594482A (zh) | 基于超声波数据的障碍物材质检测方法及机器人控制方法 | |
CN112308033B (zh) | 一种基于深度数据的障碍物碰撞警告方法及视觉芯片 | |
US20220100197A1 (en) | Self-propelled device and method for controlling the same | |
CN110916562A (zh) | 自主移动设备、控制方法及存储介质 | |
CN114489050A (zh) | 沿直线行驶的避障路线控制方法、装置、设备及存储介质 | |
CN114212106B (zh) | 一种车辆的可行驶区域内安全概率的确定方法及装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 519000 2706, No. 3000, Huandao East Road, Hengqin new area, Zhuhai, Guangdong Applicant after: Zhuhai Yiwei Semiconductor Co.,Ltd. Address before: Room 105-514, No.6 Baohua Road, Hengqin New District, Zhuhai City, Guangdong Province Applicant before: AMICRO SEMICONDUCTOR Co.,Ltd. |
|
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210205 |