CN112418316B - 机器人重定位方法、装置、激光机器人及可读存储介质 - Google Patents
机器人重定位方法、装置、激光机器人及可读存储介质 Download PDFInfo
- Publication number
- CN112418316B CN112418316B CN202011325624.2A CN202011325624A CN112418316B CN 112418316 B CN112418316 B CN 112418316B CN 202011325624 A CN202011325624 A CN 202011325624A CN 112418316 B CN112418316 B CN 112418316B
- Authority
- CN
- China
- Prior art keywords
- robot
- laser
- repositioning
- sub
- map
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请提供一种机器人重定位方法、装置、激光机器人及可读存储介质,涉及机器人技术领域。本申请通过从基于激光子图点云绘制出的地图中提取目标子图区域,并确定该目标子图区域在不同视角下的表征激光点与机器人的相对位置关系的位置模板,接着从预存定位地图中提取包括重定位初始位置的局部地图,将各位置模板分别与该局部地图进行模板匹配,并将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中进行位置聚类,然后对得到的每个聚类中心位置进行位置分布合理性评估,根据评估结果确定机器人的重定位位置,从而提升重定位功能的适用范围、精准度及实现效率,并降低重定位功能的计算资源损耗。
Description
技术领域
本申请涉及机器人技术领域,具体而言,涉及一种机器人重定位方法、装置、激光机器人及可读存储介质。
背景技术
随着科学技术的不断发展,机器人技术因具有极大的研究价值及应用价值受到了各行各业的广泛重视。其中,机器人在执行任务的过程中通常需要根据已有的地图数据对自身位置姿态进行定位,进而实现自主导航功能。在导航过程中,机器人也会相应地感知自身周边环境信息,并结合已有的地图数据确认当前是否存在导航错误的问题,接着在确认存在导航错误的情况下,根据感知的环境信息配合已有的地图数据对当前导航位置进行调整,即实现机器人重定位的功能。而对机器人重定位功能来说,如何降低重定位性能受环境变化的影响程度,提高重定位的适用范围、精准度及实现效率,并同步降低重定位的计算资源损耗,对本领域技术人员而言便是为提升机器人重定位效果所需解决的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种机器人重定位方法、装置、激光机器人及可读存储介质,能够削弱定位环境变化对重定位性能的影响,提升重定位功能的适用范围、精准度及实现效率,并同步降低重定位功能的计算资源损耗,从而提升机器人重定位的整体效果。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请提供一种机器人重定位方法,所述方法包括:
获取机器人当前的激光子图点云,并在基于所述激光子图点云绘制出的地图中确定目标子图区域,其中所述目标子图区域的激光点数占比大于或等于预设占比阈值;
确定所述目标子图区域在不同视角下的位置模板,其中每个所述位置模板包括所述目标子图区域中各激光点在对应视角下与机器人之间的相对位置关系;
获取机器人的重定位初始位置,并从预存定位地图中提取包括所述重定位初始位置的局部地图;
将得到的各位置模板分别与所述局部地图进行模板匹配,得到对应的匹配候选结果,其中所述匹配候选结果包括对应位置模板在所述局部地图中映射出的各机器人疑似位置及其可信度;
将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中进行位置聚类,得到对应的聚类中心位置;
对所述局部地图中的每个聚类中心位置进行位置分布合理性评估,并根据评估结果确定所述机器人的重定位位置。
在可选的实施方式中,所述将得到的各位置模板分别与所述局部地图进行模板匹配,得到对应的匹配候选结果的步骤,包括:
针对每个位置模板,对所述局部地图中的各障碍物边界点分别按照该位置模板包括的每条相对位置关系进行机器人位置预测,得到所述局部地图包括的各机器人疑似位置;
对每个机器人疑似位置的位置重叠次数进行统计,并根据统计结果计算对应机器人疑似位置的可信度,其中位置重叠次数越多则可信度越高。
在可选的实施方式中,所述将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中进行位置聚类的步骤,包括:
将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中,得到位置验证候选图;
从所述位置验证候选图中提取包括所述重定位初始位置的重定位子图,其中所述重定位子图的尺寸小于所述位置验证候选图的尺寸;
对所述重定位子图中汇聚的各机器人疑似位置进行位置聚类。
在可选的实施方式中,所述根据评估结果确定所述机器人的重定位位置的步骤,包括:
降序地对得到的所有聚类中心位置的位置分布合理评分进行排序,得到对应的合理评分排序结果;
将所述合理评分排序结果中排名第一的聚类中心位置,作为所述机器人的重定位位置。
第二方面,本申请提供一种机器人重定位装置,所述装置包括:
激光子图确定模块,用于获取机器人当前的激光子图点云,并在基于所述激光子图点云绘制出的地图中确定目标子图区域,其中所述目标子图区域的激光点数占比大于或等于预设占比阈值;
位置模板确定模块,用于确定所述目标子图区域在不同视角下的位置模板,其中每个所述位置模板包括所述目标子图区域中各激光点在对应视角下与机器人之间的相对位置关系;
局部地图提取模块,用于获取机器人的重定位初始位置,并从预存定位地图中提取包括所述重定位初始位置的局部地图;
地图模板匹配模块,用于将得到的各位置模板分别与所述局部地图进行模板匹配,得到对应的匹配候选结果,其中所述匹配候选结果包括对应位置模板在所述局部地图中映射出的各机器人疑似位置及其可信度;
汇聚位置聚类模块,用于将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中进行位置聚类,得到对应的聚类中心位置;
位置评估定位模块,用于对所述局部地图中的每个聚类中心位置进行位置分布合理性评估,并根据评估结果确定所述机器人的重定位位置。
在可选的实施方式中,所述地图模板匹配模块包括:
疑似位置预测子模块,用于针对每个位置模板,对所述局部地图中的各障碍物边界点分别按照该位置模板包括的每条相对位置关系进行机器人位置预测,得到所述局部地图包括的各机器人疑似位置;
位置可信计算子模块,用于对每个机器人疑似位置的位置重叠次数进行统计,并根据统计结果计算对应机器人疑似位置的可信度,其中位置重叠次数越多则可信度越高。
在可选的实施方式中,所述汇聚位置聚类模块包括:
疑似位置汇聚子模块,用于将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中,得到位置验证候选图;
定位子图提取子模块,用于从所述位置验证候选图中提取包括所述重定位初始位置的重定位子图,其中所述重定位子图的尺寸小于所述位置验证候选图的尺寸;
疑似位置聚类子模块,用于对所述重定位子图中汇聚的各机器人疑似位置进行位置聚类。
在可选的实施方式中,所述位置评估定位模块包括:
合理评分排序子模块,用于降序地对得到的所有聚类中心位置的位置分布合理评分进行排序,得到对应的合理评分排序结果;
重定位输出子模块,用于将所述合理评分排序结果中排名第一的聚类中心位置,作为所述机器人的重定位位置。
第三方面,本申请提供一种激光机器人,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序,以实现前述实施方式中任意一项所述的机器人重定位方法。
第四方面,本申请提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现前述实施方式中任意一项所述的机器人重定位方法。
本申请实施例的有益效果包括如下内容:
本申请通过从基于激光子图点云绘制出的地图中提取目标子图区域,并确定该目标子图区域在不同视角下的表征激光点与机器人的相对位置关系的位置模板,接着从预存定位地图中提取包括重定位初始位置的局部地图,而后将各位置模板分别与该局部地图进行模板匹配,并将匹配得到的每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中进行位置聚类,得到对应的聚类中心位置,然后对该局部地图中的每个聚类中心位置进行位置分布合理性评估,根据评估结果确定机器人的重定位位置,从而得以通过将不同视角下的激光点和机器人的相对位置关系,应用到已有地图数据中的局部地图上进行机器人位置预测,并最终确定出最佳定位结果,以削弱定位环境变化对重定位性能的影响,提升重定位功能的适用范围、精准度及实现效率,并同步降低重定位功能的计算资源损耗,提升机器人重定位的整体效果。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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激光机器人的组成示意图;
图2为本申请实施例提供的机器人重定位方法的流程示意图;
图3为图2中的步骤S240包括的子步骤的流程示意图;
图4为图2中的步骤S250包括的子步骤的流程示意图;
图5为图2中的步骤S260包括的子步骤的流程示意图;
图6为本申请实施例提供的机器人重定位装置的组成示意图;
图7为图6中的地图模板匹配模块的组成示意图;
图8为图6中的汇聚位置聚类模块的组成示意图;
图9为图6中的位置评估定位模块的组成示意图。
图标:10-激光机器人;11-存储器;12-处理器;13-通信单元;14-激光扫描单元;15-驱动单元;100-机器人重定位装置;110-激光子图确定模块;120-位置模板确定模块;130-局部地图提取模块;140-地图模板匹配模块;150-汇聚位置聚类模块;160-位置评估定位模块;141-疑似位置预测子模块;142-位置可信计算子模块;151-疑似位置汇聚子模块;152-定位子图提取子模块;153-疑似位置聚类子模块;161-合理评分排序子模块;162-重定位输出子模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
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。
在本申请的描述中,需要理解的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,术语“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。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
申请人通过辛苦调研发现,现有的机器人重定位方法通常是基于AMCL(AdaptiveMonte Carlo Localization,自适应蒙特卡洛定位)方法实现的,该重定位方法通过在用户给定初始估计位置的基础上,以概率模型生成很多位置猜测,再实时获取机器人激光雷达数据,与已知地图的边界点进行匹配、评价,得出最优位置猜测,再以最优位置猜测为下一次循环的初始估计位置,重复上述过程,直到最优位置猜测满足判断条件,将最优位置猜测作为最终重定位结果。其中,这种重定位方法在确定最终重定位结果的过程中需要反复获取机器人周边环境信息来确定下一次循环的初始估计位置,因此这种重定位方法所表现出的重定位性能易受到定位环境变化的影响,整体的定位精准度及定位效率不高,在实现时存在较大的计算资源损耗,该方法更适用于环境不变且特征明显的场景下,整体的适用范围较小。也就是说,这种重定位方法整体存在重定位效果不佳的问题。
在此情况下,为提升机器人重定位效果,本申请实施例通过提供一种机器人重定位方法、装置、激光机器人及可读存储介质,改善现有重定位性能受定位环境变化的影响大的现象,提升重定位功能的适用范围、精准度及实现效率,并同步降低重定位功能的计算资源损耗,从而最终提升机器人重定位的整体效果。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互结合。
请参照图1,图1是本申请实施例提供的激光机器人10的组成示意图。在本申请实施例中,所述激光机器人10能够在导航过程中对该激光机器人10所处环境进行激光扫描,并直接根据自身与扫描得到的各激光点之间的相对位置关系在已有地图数据中进行机器人位置预测,最终确定出最佳重定位位置,从而削弱定位环境变化对重定位性能的影响,提升重定位功能的适用范围、精准度及实现效率,并同步降低重定位功能的计算资源损耗,提升机器人重定位的整体效果。其中,所述激光机器人10可以是,但不限于,具有激光扫描功能的仿人机器人、履带机器人、航拍机器人等。
在本实施例中,所述激光机器人10可以包括存储器11、处理器12、通信单元13、激光扫描单元14、驱动单元15以及机器人重定位装置100。其中,所述存储器11、所述处理器12、所述通信单元13、所述激光扫描单元14及所述驱动单元15各个元件相互之间接或间接地电性连接,以实现数据的传输或交互。例如,所述存储器11、所述处理器12、所述通信单元13、所述激光扫描单元14及所述驱动单元15这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
在本实施例中,所述存储器11可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,所述存储器11用于存储计算机程序,所述处理器12在接收到执行指令后,可相应地执行所述计算机程序。所述存储器11还用于对预存定位地图进行存储,其中所述预存定位地图为预先构建出的用于实现机器人定位的完整激光地图。同时,所述存储器11还用于存储多种机器人位置分布合理性评判标准,例如机器人在预存定位地图中的重定位位置应当处于自由空间(机器人可以自由通行的区域)内、机器人发出的激光射线不能穿过障碍物、由机器人采集到的激光点在不同方向上的梯度值预设范围等。
在本实施例中,所述处理器12可以是一种具有信号的处理能力的集成电路芯片。所述处理器12可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、图形处理器(Graphics Processing Unit,GPU)及网络处理器(Network Processor,NP)、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件中的至少一种。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
在本实施例中,所述通信单元13用于通过网络建立所述激光机器人10与其他电子设备之间的通信连接,并通过所述网络收发数据,其中所述网络包括有线通信网络及无线通信网络。例如,所述激光机器人10通过所述通信单元13从其他电子设备处获取当前重定位过程中所使用的预存定位地图进行存储,并同步接收用户在该预存地图上选定的重定位初始位置,其中所述重定位初始位置用于表示由用户选定的该激光机器人10可能所在的重定位区域范围。
在本实施例中,所述激光扫描单元14用于实现所述激光机器人10的激光扫描功能。其中,所述激光扫描单元14可以包括激光发射器及图像采集模块,所述激光扫描单元14通过所述激光发射器向目标物体表面投射结构光,并通过图像采集模块对目标物体表面的结构光分布状况进行图像采集,以实现对应的激光扫描功能。
在本实施例中,所述驱动单元15用于调整所述激光机器人10的运动状态,其中所述驱动单元15可以使所述激光机器人10调整当前位置,也可以使所述激光机器人10在当前位置进行旋转,以调整激光扫描单元14的激光扫描方向。
在本实施例中,所述机器人重定位装置100包括至少一个能够以软件或固件的形式存储于所述存储器11中或固化在所述激光机器人10的操作系统中的软件功能模块。所述处理器12可用于执行所述存储器11存储的可执行模块,例如所述机器人重定位装置100所包括的软件功能模块及计算机程序等。所述激光机器人10通过所述机器人重定位装置100削弱定位环境变化对重定位性能的影响,提升重定位功能的适用范围、精准度及实现效率,并同步降低重定位功能的计算资源损耗,进而提升机器人重定位的整体效果。
在本申请中,为确保所述激光机器人10能够有效提升重定位功能的适用范围、精准度及实现效率,并同步降低重定位功能的计算资源损耗,本申请通过提供可应用于上述激光机器人10的机器人重定位方法实现前述功能。下面对本申请提供的机器人重定位方法进行详细描述。
请参照图2,图2是本申请实施例提供的机器人重定位方法的流程示意图。在本申请实施例中,所述机器人重定位方法的具体流程和步骤如下文所示。
步骤S210,获取机器人当前的激光子图点云,并在基于激光子图点云绘制出的地图中确定目标子图区域,其中目标子图区域的激光点数占比大于或等于预设占比阈值。
在本实施例中,所述激光子图点云为机器人在其当前位置旋转一周通过激光扫描生成的激光地图边界点云,所述激光子图点云包括多个激光点,所述多个激光点分布在所述激光子图点云中的不同位置处,每个激光点代表一个激光地图边界点。所述激光机器人10在接收到用户发出的位置重定位指示后,可通过激光扫描单元14获取到自身在当前位置处的激光子图点云,而后通过对获取到的激光子图点云进行拼接,并根据激光子图点云中的各个激光点的角度和距离信息绘制出所有激光点形成的地图。此时,所述激光机器人10会从绘制出的所述地图中提取出涵盖大量激光点的区域,得到对应的目标子图区域。其中,所述目标子图区域所涵盖的激光点数目与整个地图中的激光点数目之间的激光点数占比,需大于或等于所述预设占比阈值,以确保所述目标子图区域涵盖了所述激光子图点云中的主要激光点,能够通过该目标子图区域代表机器人周边环境的边界分布状况,并在利用该目标子图区域进行机器人重定位时能够减少一定计算量,并确保定位精准度。
在本实施例的一种实施方式中,所述目标子图区域为在绘制出的地图中涵盖了95%激光点的最小矩形区域。
步骤S220,确定目标子图区域在不同视角下的位置模板,其中每个位置模板包括目标子图区域中各激光点在对应视角下与机器人之间的相对位置关系。
在本实施例中,所述位置模板用于表示机器人与机器人周边环境各物体在对应视角观测下的相对位置关系。所述激光机器人10可按照不同旋转角度以目标子图区域内的机器人位置为旋转中心对该目标子图区域进行旋转,并在每次完成区域旋转操作后的目标子图区域内,以水平方向或竖直方向为基准确定每个激光点相对于机器人位置的偏转角以及每个激光点相对于机器人位置的距离信息,得到该目标子图区域中各激光点在对应旋转视角下与机器人之间的相对位置关系,并综合该旋转视角所对应的所有相对位置关系生成对应的位置模板。在本实施例的一种实施方式中,所述位置模板可采用表格的方式对目标子图区域中各激光点与机器人之间的相对位置关系进行记录,其中每个位置模板可以分别对应一个表格,也可以采用同一表格对各位置模板进行记录。
步骤S230,获取机器人的重定位初始位置,并从预存定位地图中提取包括重定位初始位置的局部地图。
在本实施例中,所述重定位初始位置用于表示用户在所述预存定位地图中指出的机器人当前可能所在大致位置。所述激光机器人10在获取到所述重定位初始位置后,会在所述预存定位地图中按照一个预设尺寸比例截取一个涵盖所述重定位初始位置的地图区域,作为所述局部地图,以通过该局部地图参与后续的机器人重定位过程中,减少重定位所需的计算资源损耗。
步骤S240,将得到的各位置模板分别与局部地图进行模板匹配,得到对应的匹配候选结果,其中匹配候选结果包括对应位置模板在局部地图中映射出的各机器人疑似位置及其可信度。
在本实施例中,所述激光机器人10在确定出当前对应的局部地图及各位置模板后,会将每个位置模板与该局部地图中的各障碍物边界点进行激光点特征匹配,以在该局部地图中针对该位置模板映射出各机器人疑似位置,并计算每个机器人疑似位置的可信度。其中,针对同一位置模板映射出的各机器人疑似位置来说,必定在所述局部地图中存在一个障碍物边界点与某个机器人疑似位置之间的相对位置关系,满足该位置模板中的某条相对位置关系。
可选地,请参照图3,图3是图2中的步骤S240包括的子步骤的流程示意图。在本实施例中,所述步骤S240可以包括子步骤S241~子步骤S242。
子步骤S241,针对每个位置模板,对局部地图中的各障碍物边界点分别按照该位置模板包括的每条相对位置关系进行机器人位置预测,得到局部地图包括的各机器人疑似位置。
在本实施例中,针对单个位置模板来说,可将所述局部地图中的每个障碍物边界点作为参考位置,并以水平方向或竖直方向为基准在所述局部地图中反向搜索可能的机器人疑似位置,其中该参考位置相对于搜索出的一个机器人疑似位置之间的相对位置关系需满足该位置模板中的一条相对位置信息,即基于同一参考位置搜索出的机器人疑似位置的数目与位置模板中的相对位置信息数目相同。
子步骤S242,对每个机器人疑似位置的位置重叠次数进行统计,并根据统计结果计算对应机器人疑似位置的可信度,其中位置重叠次数越多则可信度越高。
在本实施例中,因所述目标子图区域中仅存在一个真实机器人位置,对应确定出的位置模板记录有该目标子图区域中各激光点相对于该真实机器人位置的相对位置关系,假设机器人真的存在于局部地图范围内,那么针对该局部地图范围中的每个障碍物边界点按照单个位置模板中的各项相对位置关系反向搜索出的各个机器人疑似位置必定存在位置重叠现象,位置重叠现象越严重的位置即代表越可能贴近机器人的真实位置。因此,可通过对单个位置模板对应预测出的各机器人疑似位置进行位置重叠次数统计,以确定各机器人疑似位置的可信度。在本实施例的一种实施方式中,可直接将位置重叠次数作为位置可信度进行表达。
由此,所述激光机器人10可通过执行上述子步骤S241及子步骤S242,直接将不同视角下的激光点和机器人的相对位置关系,应用到已有地图数据中的局部地图上进行机器人位置预测,得到机器人重定位候选结果,从而从整体上削弱了定位环境变化时的环境特征对重定位性能的影响,并在一定程度上提升了重定位功能的适用范围及实现效率,同时降低了重定位功能的计算资源损耗。
步骤S250,将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中进行位置聚类,得到对应的聚类中心位置。
在本实施例中,所述激光机器人10在确定出每个位置模板在所述局部地图中匹配的匹配候选结果后,可针对每个匹配候选结果选取该匹配候选结果中可信度最高的一个或多个机器人疑似位置,而后在同一个局部地图中对选取到的所有机器人疑似位置进行位置标注,接着对完成位置标注的该局部地图中的各机器人疑似位置进行位置聚类,以确定该局部地图中的各聚类中心位置。在本实施例的一种实施方式中,为最大化降低重定位功能的计算资源损耗,可采用非极大值抑制算法直接选取每个匹配候选结果中可信度最高的机器人疑似位置汇聚到同一局部地图中进行位置聚类。
可选地,请参照图4,图4是图2中的步骤S250包括的子步骤的流程示意图。在本实施例中,为进一步降低重定位功能的计算资源损耗,提升重定位功能的实现效率,所述步骤S250还可以包括子步骤S251~子步骤S253来实现前述效果。
子步骤S251,将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中,得到位置验证候选图。
子步骤S252,从位置验证候选图中提取包括重定位初始位置的重定位子图,其中重定位子图的尺寸小于位置验证候选图的尺寸。
子步骤S253,对重定位子图中汇聚的各机器人疑似位置进行位置聚类。
在本实施例的一种实施方式中,为最大化降低重定位功能的计算资源损耗,可采用非极大值抑制算法直接选取每个匹配候选结果中可信度最高的机器人疑似位置用以形成所述位置验证候选图。其中,可采用区域生成的方法对各机器人疑似位置进行位置聚类。
由此,所述激光机器人10可通过执行上述子步骤S251~子步骤S253,从预测出的多个机器人疑似位置中筛查出有效的位置信息进行后续操作,从而进一步降低了重定位功能的计算资源损耗,提升了重定位功能的实现效率。
步骤S260,对所述局部地图中的每个聚类中心位置进行位置分布合理性评估,并根据评估结果确定所述机器人的重定位位置。
在本实施例中,当激光机器人10确定出位于所述局部地图内的各聚类中心位置后,可将每个聚类中心位置当作一个重定位位置,并参照预存的机器人位置分布合理性评判标准,对该重定位位置的合理性进行评估,得到每个聚类中心位置的位置分布合理评分。其中,所述位置分布合理评分越高,则表明对应聚类中心位置越有可能是真实的重定位位置。
由此,所述激光机器人10可以根据各聚类中心位置的位置分布合理评分,确定出精准度最高的重定位位置。其中,所述激光机器人10可以根据各聚类中心位置的位置分布合理评分,对位置分布合理评分超过预设评分阈值的多个聚类中心位置进行聚类,以将此次得到的聚类中心位置作为所述机器人的重定位位置;所述激光机器人10也可根据各聚类中心位置的位置分布合理评分,以及各聚类中心位置的位置分布状况,对位置分布合理评分最高的聚类中心位置进行位置优化,而后将位置优化后的聚类中心位置直接作为所述机器人的重定位位置。
可选地,请参照图5,图5是图2中的步骤S260包括的子步骤的流程示意图。在本实施例中,所述步骤S260中根据评估结果确定机器人的重定位位置的步骤可以包括子步骤S261及子步骤S262。
子步骤S261,降序地对得到的所有聚类中心位置的位置分布合理评分进行排序,得到对应的合理评分排序结果。
子步骤S262,将合理评分排序结果中排名第一的聚类中心位置,作为机器人的重定位位置。
由此,所述激光机器人10能够通过执行上述子步骤S261及子步骤S262,简化最终确定重定位位置的操作流程,提升了重定位功能的实现效率。
因此,所述激光机器人10能够通过执行上述机器人重定位方法,在机器人重定位过程中削弱定位环境变化对重定位性能的影响,提升重定位功能的适用范围、精准度及实现效率,并同步降低重定位功能的计算资源损耗,进而提升机器人重定位的整体效果。
在本申请中,为确保上述机器人重定位方法能够在所述激光机器人10上正常实施,本申请通过对所述激光机器人10所包括的机器人重定位装置100进行功能模块划分的方式实现前述效果。下面对本申请提供的机器人重定位装置100的具体组成进行相应描述。
请参照图6,图6是本申请实施例提供的机器人重定位装置100的组成示意图。在本申请实施例中,所述机器人重定位装置100包括激光子图确定模块110、位置模板确定模块120、局部地图提取模块130、地图模板匹配模块140、汇聚位置聚类模块150及位置评估定位模块160。
激光子图确定模块110,用于获取机器人当前的激光子图点云,并在基于所述激光子图点云绘制出的地图中确定目标子图区域,其中所述目标子图区域的激光点数占比大于或等于预设占比阈值。
位置模板确定模块120,用于确定所述目标子图区域在不同视角下的位置模板,其中每个所述位置模板包括所述目标子图区域中各激光点在对应视角下与机器人之间的相对位置关系。
局部地图提取模块130,用于获取机器人的重定位初始位置,并从预存定位地图中提取包括所述重定位初始位置的局部地图。
地图模板匹配模块140,用于将得到的各位置模板分别与所述局部地图进行模板匹配,得到对应的匹配候选结果,其中所述匹配候选结果包括对应位置模板在所述局部地图中映射出的各机器人疑似位置及其可信度。
汇聚位置聚类模块150,用于将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中进行位置聚类,得到对应的聚类中心位置。
位置评估定位模块160,用于对所述局部地图中的每个聚类中心位置进行位置分布合理性评估,并根据评估结果确定所述机器人的重定位位置。
可选地,请参照图7,图7是图6中的地图模板匹配模块140的组成示意图。在本实施例中,所述地图模板匹配模块140可以包括疑似位置预测子模块141及位置可信计算子模块142。
疑似位置预测子模块141,用于针对每个位置模板,对所述局部地图中的各障碍物边界点分别按照该位置模板包括的每条相对位置关系进行机器人位置预测,得到所述局部地图包括的各机器人疑似位置。
位置可信计算子模块142,用于对每个机器人疑似位置的位置重叠次数进行统计,并根据统计结果计算对应机器人疑似位置的可信度,其中位置重叠次数越多则可信度越高。
可选地,请参照图8,图8是图6中的汇聚位置聚类模块150的组成示意图。在本实施例中,所述汇聚位置聚类模块150可以包括疑似位置汇聚子模块151、定位子图提取子模块152及疑似位置聚类子模块153。
疑似位置汇聚子模块151,用于将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中,得到位置验证候选图。
定位子图提取子模块152,用于从所述位置验证候选图中提取包括所述重定位初始位置的重定位子图,其中所述重定位子图的尺寸小于所述位置验证候选图的尺寸。
疑似位置聚类子模块153,用于对所述重定位子图中汇聚的各机器人疑似位置进行位置聚类。
可选地,请参照图9,图9是图6中的位置评估定位模块160的组成示意图。在本实施例中,所述位置评估定位模块160可以包括合理评分排序子模块161及重定位输出子模块162。
合理评分排序子模块161,用于降序地对得到的所有聚类中心位置的位置分布合理评分进行排序,得到对应的合理评分排序结果。
重定位输出子模块162,用于将所述合理评分排序结果中排名第一的聚类中心位置,作为所述机器人的重定位位置。
需要说明的是,本申请实施例所提供的机器人重定位装置100,其基本原理及产生的技术效果与前述的机器人重定位方法相同,为简要描述,本实施例部分未提及之处,可参考上述的针对机器人重定位方法的描述内容。
在本申请所提供的实施例中,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,可以存储在一个可读存储介质中。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可读存储介质中,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。而前述的可读存储介质包括: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。
综上所述,在本申请提供的一种机器人重定位方法、装置、激光机器人及可读存储介质中,本申请通过从基于激光子图点云绘制出的地图中提取目标子图区域,并确定该目标子图区域在不同视角下的表征激光点与机器人的相对位置关系的位置模板,接着从预存定位地图中提取包括重定位初始位置的局部地图,而后将各位置模板分别与该局部地图进行模板匹配,并将匹配得到的每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中进行位置聚类,得到对应的聚类中心位置,然后对该局部地图中的每个聚类中心位置进行位置分布合理性评估,根据评估结果确定机器人的重定位位置,从而得以通过将不同视角下的激光点和机器人的相对位置关系,应用到已有地图数据中的局部地图上进行机器人位置预测,并最终确定出最佳定位结果,以削弱定位环境变化对重定位性能的影响,提升重定位功能的适用范围、精准度及实现效率,并同步降低重定位功能的计算资源损耗,提升机器人重定位的整体效果。
以上所述,仅为本申请的各种实施方式,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当以权利要求的保护范围为准。
Claims (8)
1.一种机器人重定位方法,其特征在于,所述方法包括:
获取机器人当前的激光子图点云,并在基于所述激光子图点云绘制出的地图中确定目标子图区域,其中所述目标子图区域的激光点数占比大于或等于预设占比阈值,所述激光子图点云为机器人在其当前位置旋转一周通过激光扫描生成的激光地图边界点云,所述激光子图点云包括多个激光点,所述多个激光点分布在所述激光子图点云中的不同位置处,每个激光点代表一个激光地图边界点,此时所述基于所述激光子图点云绘制出的地图为通过对获取到的所述激光子图点云进行拼接,并根据所述激光子图点云中的各个激光点的角度和距离信息绘制出所有激光点形成的地图;
确定所述目标子图区域在不同视角下的位置模板,其中每个所述位置模板包括所述目标子图区域中各激光点在对应视角下与机器人之间的相对位置关系;
获取机器人的重定位初始位置,并从预存定位地图中提取包括所述重定位初始位置的局部地图;
将得到的各位置模板分别与所述局部地图进行模板匹配,得到对应的匹配候选结果,其中所述匹配候选结果包括对应位置模板在所述局部地图中映射出的各机器人疑似位置及其可信度;
将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中进行位置聚类,得到对应的聚类中心位置;
对所述局部地图中的每个聚类中心位置进行位置分布合理性评估,并根据评估结果确定所述机器人的重定位位置;
其中,所述将得到的各位置模板分别与所述局部地图进行模板匹配,得到对应的匹配候选结果的步骤,包括:
针对每个位置模板,对所述局部地图中的各障碍物边界点分别按照该位置模板包括的每条相对位置关系进行机器人位置预测,得到所述局部地图包括的各机器人疑似位置;
对每个机器人疑似位置的位置重叠次数进行统计,并根据统计结果计算对应机器人疑似位置的可信度,其中位置重叠次数越多则可信度越高。
2.根据权利要求1所述的方法,其特征在于,所述将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中进行位置聚类的步骤,包括:
将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中,得到位置验证候选图;
从所述位置验证候选图中提取包括所述重定位初始位置的重定位子图,其中所述重定位子图的尺寸小于所述位置验证候选图的尺寸;
对所述重定位子图中汇聚的各机器人疑似位置进行位置聚类。
3.根据权利要求1或2所述的方法,其特征在于,所述根据评估结果确定所述机器人的重定位位置的步骤,包括:
降序地对得到的所有聚类中心位置的位置分布合理评分进行排序,得到对应的合理评分排序结果;
将所述合理评分排序结果中排名第一的聚类中心位置,作为所述机器人的重定位位置。
4.一种机器人重定位装置,其特征在于,所述装置包括:
激光子图确定模块,用于获取机器人当前的激光子图点云,并在基于所述激光子图点云绘制出的地图中确定目标子图区域,其中所述目标子图区域的激光点数占比大于或等于预设占比阈值所述激光子图点云为机器人在其当前位置旋转一周通过激光扫描生成的激光地图边界点云,所述激光子图点云包括多个激光点,所述多个激光点分布在所述激光子图点云中的不同位置处,每个激光点代表一个激光地图边界点,此时所述基于所述激光子图点云绘制出的地图为通过对获取到的所述激光子图点云进行拼接,并根据所述激光子图点云中的各个激光点的角度和距离信息绘制出所有激光点形成的地图;
位置模板确定模块,用于确定所述目标子图区域在不同视角下的位置模板,其中每个所述位置模板包括所述目标子图区域中各激光点在对应视角下与机器人之间的相对位置关系;
局部地图提取模块,用于获取机器人的重定位初始位置,并从预存定位地图中提取包括所述重定位初始位置的局部地图;
地图模板匹配模块,用于将得到的各位置模板分别与所述局部地图进行模板匹配,得到对应的匹配候选结果,其中所述匹配候选结果包括对应位置模板在所述局部地图中映射出的各机器人疑似位置及其可信度;
汇聚位置聚类模块,用于将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中进行位置聚类,得到对应的聚类中心位置;
位置评估定位模块,用于对所述局部地图中的每个聚类中心位置进行位置分布合理性评估,并根据评估结果确定所述机器人的重定位位置;
其中,所述地图模板匹配模块包括:
疑似位置预测子模块,用于针对每个位置模板,对所述局部地图中的各障碍物边界点分别按照该位置模板包括的每条相对位置关系进行机器人位置预测,得到所述局部地图包括的各机器人疑似位置;
位置可信计算子模块,用于对每个机器人疑似位置的位置重叠次数进行统计,并根据统计结果计算对应机器人疑似位置的可信度,其中位置重叠次数越多则可信度越高。
5.根据权利要求4所述的装置,其特征在于,所述汇聚位置聚类模块包括:
疑似位置汇聚子模块,用于将每个匹配候选结果中可信度排名靠前的至少一个机器人疑似位置汇聚到同一局部地图中,得到位置验证候选图;
定位子图提取子模块,用于从所述位置验证候选图中提取包括所述重定位初始位置的重定位子图,其中所述重定位子图的尺寸小于所述位置验证候选图的尺寸;
疑似位置聚类子模块,用于对所述重定位子图中汇聚的各机器人疑似位置进行位置聚类。
6.根据权利要求4或5所述的装置,其特征在于,所述位置评估定位模块包括:
合理评分排序子模块,用于降序地对得到的所有聚类中心位置的位置分布合理评分进行排序,得到对应的合理评分排序结果;
重定位输出子模块,用于将所述合理评分排序结果中排名第一的聚类中心位置,作为所述机器人的重定位位置。
7.一种激光机器人,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序,以实现权利要求1-3中任意一项所述的机器人重定位方法。
8.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-3中任意一项所述的机器人重定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011325624.2A CN112418316B (zh) | 2020-11-24 | 2020-11-24 | 机器人重定位方法、装置、激光机器人及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011325624.2A CN112418316B (zh) | 2020-11-24 | 2020-11-24 | 机器人重定位方法、装置、激光机器人及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418316A CN112418316A (zh) | 2021-02-26 |
CN112418316B true CN112418316B (zh) | 2023-09-29 |
Family
ID=74778001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011325624.2A Active CN112418316B (zh) | 2020-11-24 | 2020-11-24 | 机器人重定位方法、装置、激光机器人及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418316B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115446834B (zh) * | 2022-09-01 | 2024-05-28 | 西南交通大学 | 一种基于占据栅格配准的车底巡检机器人单轴重定位方法 |
CN115685223B (zh) * | 2022-12-15 | 2023-03-21 | 深圳市智绘科技有限公司 | 位置识别方法、装置、电子设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103711050A (zh) * | 2013-12-31 | 2014-04-09 | 中交第二公路勘察设计研究院有限公司 | 一种激光雷达道路改扩建勘测设计方法 |
CN107765694A (zh) * | 2017-11-06 | 2018-03-06 | 深圳市杉川机器人有限公司 | 一种重定位方法、装置及计算机可读取存储介质 |
CN109410282A (zh) * | 2018-11-08 | 2019-03-01 | 上海木木聚枞机器人科技有限公司 | 一种输液杆的检测跟踪方法和装置 |
CN110307838A (zh) * | 2019-08-26 | 2019-10-08 | 深圳市优必选科技股份有限公司 | 机器人重定位方法、装置、计算机可读存储介质及机器人 |
CN110823171A (zh) * | 2019-11-15 | 2020-02-21 | 北京云迹科技有限公司 | 一种机器人定位方法、装置及存储介质 |
CN111024100A (zh) * | 2019-12-20 | 2020-04-17 | 深圳市优必选科技股份有限公司 | 一种导航地图更新方法、装置、可读存储介质及机器人 |
CN111380510A (zh) * | 2018-12-29 | 2020-07-07 | 深圳市优必选科技有限公司 | 重定位方法及装置、机器人 |
CN111397594A (zh) * | 2020-03-20 | 2020-07-10 | 广东博智林机器人有限公司 | 一种全局初始化定位方法、装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012167110A2 (en) * | 2011-06-02 | 2012-12-06 | Honda Motor Co., Ltd. | Target recognition and localization methods using a laser sensor for wheeled mobile robots |
CN111486842B (zh) * | 2019-01-29 | 2022-04-15 | 深圳市优必选科技有限公司 | 重定位方法及装置、机器人 |
-
2020
- 2020-11-24 CN CN202011325624.2A patent/CN112418316B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103711050A (zh) * | 2013-12-31 | 2014-04-09 | 中交第二公路勘察设计研究院有限公司 | 一种激光雷达道路改扩建勘测设计方法 |
CN107765694A (zh) * | 2017-11-06 | 2018-03-06 | 深圳市杉川机器人有限公司 | 一种重定位方法、装置及计算机可读取存储介质 |
CN109410282A (zh) * | 2018-11-08 | 2019-03-01 | 上海木木聚枞机器人科技有限公司 | 一种输液杆的检测跟踪方法和装置 |
CN111380510A (zh) * | 2018-12-29 | 2020-07-07 | 深圳市优必选科技有限公司 | 重定位方法及装置、机器人 |
CN110307838A (zh) * | 2019-08-26 | 2019-10-08 | 深圳市优必选科技股份有限公司 | 机器人重定位方法、装置、计算机可读存储介质及机器人 |
CN110823171A (zh) * | 2019-11-15 | 2020-02-21 | 北京云迹科技有限公司 | 一种机器人定位方法、装置及存储介质 |
CN111024100A (zh) * | 2019-12-20 | 2020-04-17 | 深圳市优必选科技股份有限公司 | 一种导航地图更新方法、装置、可读存储介质及机器人 |
CN111397594A (zh) * | 2020-03-20 | 2020-07-10 | 广东博智林机器人有限公司 | 一种全局初始化定位方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
动态环境下无人地面车辆点云地图快速重定位方法;郑壮壮 等;《兵工学报》;第41卷(第8期);第1581-1589页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112418316A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11816907B2 (en) | Systems and methods for extracting information about objects from scene information | |
CN109521757B (zh) | 静态障碍物识别方法和装置 | |
CN108801268B (zh) | 目标对象的定位方法、装置及机器人 | |
US9157757B1 (en) | Methods and systems for mobile-agent navigation | |
EP3624055B1 (en) | Ground detection method, apparatus, electronic device, vehicle and storage medium | |
US20180267166A1 (en) | Obstacle detecting method and apparatus, device and storage medium | |
CN111932943B (zh) | 动态目标的检测方法、装置、存储介质及路基监测设备 | |
US20110274343A1 (en) | System and method for extraction of features from a 3-d point cloud | |
CN112418316B (zh) | 机器人重定位方法、装置、激光机器人及可读存储介质 | |
CN111380510B (zh) | 重定位方法及装置、机器人 | |
CN112904369B (zh) | 机器人重定位方法、装置、机器人和计算机可读存储介质 | |
JP6255944B2 (ja) | 画像解析装置、画像解析方法及び画像解析プログラム | |
CN114859938A (zh) | 机器人、动态障碍物状态估计方法、装置和计算机设备 | |
CN113627298A (zh) | 目标检测模型的训练方法及检测目标对象的方法、装置 | |
CN112597946A (zh) | 障碍物表示方法、装置、电子设备及可读存储介质 | |
CN112558035B (zh) | 用于估计地面的方法和装置 | |
CN116642490A (zh) | 基于混合地图的视觉定位导航方法、机器人及存储介质 | |
CN116434181A (zh) | 地面点检测方法、装置、电子设备和介质 | |
Vu et al. | Adaptive ground segmentation method for real-time mobile robot control | |
CN116012624B (zh) | 定位方法、装置、电子设备、介质以及自动驾驶设备 | |
CN112654883B (zh) | 一种雷达目标聚类方法及装置 | |
CN112614181B (zh) | 一种基于高亮目标的机器人定位方法及装置 | |
EP3944137A1 (en) | Positioning method and positioning apparatus | |
CN117889855A (zh) | 移动机器人定位方法、装置、设备以及存储介质 | |
CN115761815A (zh) | 人体检测模型的训练方法及人体检测方法、设备、介质 |
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 |