CN112539756A - 一种长通道识别方法及机器人 - Google Patents

一种长通道识别方法及机器人 Download PDF

Info

Publication number
CN112539756A
CN112539756A CN202011381563.1A CN202011381563A CN112539756A CN 112539756 A CN112539756 A CN 112539756A CN 202011381563 A CN202011381563 A CN 202011381563A CN 112539756 A CN112539756 A CN 112539756A
Authority
CN
China
Prior art keywords
laser
points
coordinates
robot
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
CN202011381563.1A
Other languages
English (en)
Other versions
CN112539756B (zh
Inventor
钱先桃
闫瑞君
叶力荣
雷力
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.)
Shenzhen Silver Star Intelligent Technology Co Ltd
Original Assignee
Shenzhen Silver Star Intelligent 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 Shenzhen Silver Star Intelligent Technology Co Ltd filed Critical Shenzhen Silver Star Intelligent Technology Co Ltd
Priority to CN202011381563.1A priority Critical patent/CN112539756B/zh
Publication of CN112539756A publication Critical patent/CN112539756A/zh
Application granted granted Critical
Publication of CN112539756B publication Critical patent/CN112539756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/18—Stabilised platforms, e.g. by gyroscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明实施例涉及领域，公开了一种长通道识别方法，应用于机器人，该方法首先获取包括至少两个激光点的激光数据，然后确定所述至少两个激光点中各个激光点的方向，最后，判断所述激光数据中，是否存在预设比例和/或预设数量的激光点的方向相同，若是，则确定所述机器人位于长通道环境中，本发明实施例采用的长通道识别方法，仅通过激光点的方向即可确定机器人是否位于长通道环境中，方法简单且有效。

Description

一种长通道识别方法及机器人
技术领域
本发明实施例涉及人工智能技术领域，特别涉及一种长通道识别方法及机器人。
背景技术
在采用激光作为工具进行定位和地图构建(SLAM)的工作过程中，由于激光数据信息单一，不擅长在类似的几何环境中工作，在遇到特征单一，纹理相似的环境如长通道等，会产生较大的测量误差。单一的定位方案很难同时适应特征丰富、几何形状明显的环境和长通道环境，为了保证能够在长通道场景中建出有效的地图。
目前采用较多的方法是通过随机抽样一致性算法(RANSAC)等直线提取算法，通过提取当前帧的激光数据，拟合场景中的直线特征，准确识别出长通道环境，然后再在这种场景下辅助特殊的定位手段，例如加大其他传感器数据在定位中的匹配权重，减少激光传感器在其中参与的占比。
通过直线提取算法虽然可以解决上述出现的激光数据会产生较大的误差的问题，但是需要额外引入复杂的判断逻辑，在一些场景中，可能提取出的直线并不准确，例如当沿着墙的墙面放置了一些障碍物，可能导致提取出的直线与墙面不平行，或者也有可能会拟合出多条直线，还需要判断多条直线的关系，从而可能导致识别通道环境失败，造成定位不准确或建图不准确。且场景中存在超过两条拟合出的直线时，还需要判断这些直线之间的关系，原则上拟合提取到的直线越多，需要判断的逻辑就越复杂，而能提取到多条直线的场景又是普遍存在的。采取直线提取算法的方式无疑会增加运行时间，同时在激光点缺少的场景下不能有效的提取直线。
发明内容
针对现有技术的上述缺陷，本发明实施例的目的是提供一种方式简单且有效的长通道识别方法及机器人。
本发明实施例的目的是通过如下技术方案实现的：
为解决上述技术问题，第一方面，本发明实施例中提供了一种长通道识别方法，应用于机器人，所述方法包括：
获取激光数据，所述激光数据包括至少两个激光点的数据；
确定所述至少两个激光点中各个激光点的方向；
判断所述激光数据中，是否存在预设比例和/或预设数量的激光点的方向相同；
若是，则确定所述机器人位于长通道环境中。
在一些实施例中，在确定所述机器人位于长通道环境中之后，所述方法还包括：
增加所述机器人中除了激光探测器以外的其他定位传感器所采集的定位数据在综合定位数据的权重，其中，所述综合定位数据包括所述激光数据和所述其他定位传感器所采集的定位数据。
在一些实施例中，所述机器人中除了所述激光探测器以外的所述其他定位传感器包括：里程计和/或姿态传感器。
在一些实施例中，所述判断所述激光数据中，是否存在预设数量比例的激光点的方向相同，进一步包括：
根据所述各个激光点的方向，将所述各个激光点进行聚类，以得到具有相同方向的至少一个激光点点集；
计算激光点数量最多的激光点点集中激光点的数量在所述激光数据中所有激光点的数量的占比；
判断所述占比是否大于所述预设比例，和/或，判断所述激光点数量最多的激光点点集中激光点的数量是否大于所述预设数量；
若是，则确定所述机器人位于长通道环境中。
在一些实施例中，所述根据所述激光数据，确定各个激光点的方向的步骤，进一步包括：
通过高斯函数对每一所述激光点预设范围内的激光点的集合进行拟合，以得到所述激光点坐标的协方差；
通过奇异值分解法，对所述激光点坐标的协方差进行分解，以得到矩阵的特征值；
计算最小特征值对应的特征向量，作为所述激光点的法向量，也即是所述激光点的方向。
在一些实施例中，所述激光数据包含所述各个激光点的世界坐标，
所述通过高斯函数对每一所述激光点预设范围内的激光点的集合进行拟合，以得到所述激光点坐标的协方差的步骤，进一步包括：
获取任一所述激光点在预设半径范围内的各个激光点的世界坐标；
根据所述预设半径范围内的各个激光点的世界坐标，计算所述激光点坐标的均值；
根据所述预设半径范围内的各个激光点的世界坐标和所述激光点坐标的均值，计算所述激光点坐标的协方差。
在一些实施例中，所述计算激光点坐标的均值的计算公式如下：
Figure BDA0002808608460000031
其中，u(ux,uy)表示所述激光点坐标的均值，(xn,yn)表示各个所述预设半径范围内的激光点的世界坐标，n表示所述激光点在预设半径范围内的激光点的数量。
在一些实施例中，所述激光点坐标的协方差的计算公式如下：
Figure BDA0002808608460000041
Figure BDA0002808608460000042
其中，∑(∑x,∑y)表示所述激光点坐标的协方差，u(ux,uy)表示所述激光点坐标的均值，(xn,yn)表示各个所述预设半径范围内的激光点的世界坐标，n表示所述激光点在预设半径范围内的激光点的数量。
在一些实施例中，所述对所述激光点坐标的协方差进行分解的步骤，进一步可得到如下的所述矩阵：
A＝U∑VT
其中，A表示所述矩阵，∑表示所述激光点坐标的协方差，且所述激光点坐标的协方差∑为m*n的矩阵，U表示m*m的矩阵，V表示n*n的矩阵。
在一些实施例中，所述计算最小特征值对应的特征向量的计算公式如下：
AX＝λX
其中，A表示所述矩阵，λ表示所述矩阵A的特征值，X表示特征值λ对应的特征向量，
且有，取最小的所述特征值λ对应的特征向量X即为所述激光点的法向量。
在一些实施例中，所述获取激光数据的步骤，进一步包括：
通过激光雷达或激光探测器采集所述激光数据，并选取其中至少一帧所述激光数据。
为解决上述技术问题，第二方面，本发明实施例提供了一种机器人，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上第一方面所述的方法。
为解决上述技术问题，第三方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上第一方面所述的方法。
为解决上述技术问题，第四方面，本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如上第一方面所述的方法。
本发明实施例中提供了一种长通道识别方法，应用于机器人，该方法首先获取包括至少两个激光点的激光数据，然后确定所述至少两个激光点中各个激光点的方向，最后，判断所述激光数据中，是否存在预设比例和/或预设数量的激光点的方向相同，若是，则确定所述机器人位于长通道环境中，本发明实施例采用的长通道识别方法，仅通过激光点的方向即可确定机器人是否位于长通道环境中，方法简单且有效。
附图说明
一个或多个实施例中通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件/模块和步骤表示为类似的元件/模块和步骤，除非有特别申明，附图中的图不构成比例限制。
图1是本发明实施例提供的长通道识别方法的其中一种应用环境的示意图；
图2是本发明实施例一提供的一种长通道识别方法的流程示意图；
图3是本发明实施例一提供的另一种长通道识别方法的流程示意图；
图4是图2所示方法中步骤130的一子流程示意图；
图5是图2所示方法中步骤120的一子流程示意图；
图6是图5所示方法中步骤121的一子流程示意图；
图7是本发明实施例二提供的一种机器人的硬件结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本申请的保护范围之内。另外，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于流程图中的顺序执行所示出或描述的步骤。
除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为了解决在长通道环境中，激光数据会产生较大的测量误差的问题，本发明实施例提供了一种长通道识别方法，该方法利用激光检测的方向性来判断机器人所在当前环境是否为长通道，区别于现有技术中采用直线提取算法的方式，本发明实施例提供的判断识别方法更加简单，且十分有效。
图1为本发明实施例提供的长通道识别方法的其中一种应用环境的示意图，如图1所示，该应用环境中包括：机器人10和简化的环境中的墙壁A。优选地，所述机器人10身上安装如激光雷达等激光探测器，能够出射激光并接收回返光以确定各束激光打到什么位置上，也即是位置信息，以及各所述位置与所述机器人10的距离，也即是距离/深度信息，所述位置信息可以用世界坐标表示，进一步地，根据所述位置信息还可以确定各相邻激光点之间的角度数据。
所述机器人10可以是专门用于定位和地图构建的机器人，也可以是具备激光探测功能的其他类型的机器人；所述机器人10可以是具备计算功能的智能机器人，也可以是能够与(云)服务器进行通信，能够将所述激光数据发送至(云)服务器，通过(云)服务器执行本发明实施例提供的长通道识别方法以确定机器人是否处于长通道环境的机器人，具体地，可根据实际需要进行设置。
需要说明的是图1中所示的墙壁A为简化的环境中的墙壁，在实际情况下，所述墙壁A可以是更为复杂的环境，且有，所述机器人10所出射的激光也可以不只是图1中所示的数量和方向，具体地，可根据实际情况进行设置。
其中，图1(a)示出了所述机器人10模拟普通环境(指的是非长通道环境)中采用激光进行扫描检测的场景，所述图1(b)示出了所述机器人10模拟长通道环境中采用激光进行扫描检测的场景，所述机器人10出射的激光分别打到所述机器人10前方墙壁A上点有五个(a、b、c、d、e)，打到所述机器人10右侧墙壁A上的点有三个(f、g、h)，打到所述机器人10左侧墙壁A上的点有三个(i、j、k)，其中，b为a和c的中点，d为c和e的中点，f为e和g的中点，k为a和j的中点，比对图1(a)和图1(b)不难发现，对于在所述机器人前方范围内墙壁A上相同位置的点(a、b、c、d、e)，长通道的(图1(b)L长度更长)环境下，相邻两点之间的夹角更小(θ2小于θ1)。不难得出，当所述机器人10前方和/或后方，或者左侧和/或右侧的墙壁A距离所述机器人10越远(即长通道环境中)，打在距离最远的墙壁A上的任意两个相邻的激光点之间的夹角越小，方向越相似。基于此，本发明实施例提供的长通道识别方法利用该特性，通过确定所述机器人10所采集的激光数据中是否存在预设比例和/或预设数量的激光点的方向相同，来确定所述机器人10是否在长通道环境中，其中，所述方向相同可以是将在一定度数偏差范围内的视为相同，例如，在图1(b)中，将角度偏差范围在θ2内(包括θ2)的视为方向相同，则图1(b)中至少存在c和d两个激光点可视为方向相同。
具体地，下面结合附图，对本发明实施例作进一步阐述。
实施例一
本发明实施例提供了一种长通道识别方法，可应用于如上所述的机器人10中，请参见图2，其示出了本发明实施例提供的一种长通道识别方法的流程，所述方法包括但不限于以下步骤：
步骤110：获取激光数据，所述激光数据包括至少两个激光点的数据；
在本发明实施例中，可以通过激光雷达或激光探测器等利用激光实现探测功能的装置或仪器来采集所述激光数据，并选取其中至少一帧所述激光数据，用于进行长通道识别。其中，所述极光数据应当包括至少两个激光点的数据，优选地，在所述机器人的前、后、左、右四个大方向上每个方向至少包含两个激光点的数据，以用于进一步识别各个方向是否为长通道，确定所述机器人所在环境在长通道的方向和位置。
步骤120：确定所述至少两个激光点中各个激光点的方向；
在本发明实施例中，如上述应用场景所述的，需确定所述激光数据中所包含的各个激光点的方向，其中，所述确认各个激光点的方向，第一种方式是，通过各个激光点的坐标信息和深度信息，确定各个激光点与所述机器人的偏角，以上述图1为例，可通过打在墙壁A上的激光点c和d的坐标信息以及深度信息L来确定角度θ2或θ1；第二种方式则是，仅通过各个激光点的坐标信息来确定各个激光点的方向，具体地，请参照如下述图5及图6及其对应实施例所示的方法，其相比于第一种方式，不需要另外获取所述各个激光点的深度信息，能够有效减少数据的采集、存储和处理，加快处理速度，尤其在需要采集的激光点的数量越多的时候，效果越明显。
步骤130：判断所述激光数据中，是否存在预设比例和/或预设数量的激光点的方向相同；若是，跳转至步骤140；若否，跳转至步骤150；
步骤140：确定所述机器人位于长通道环境中；
步骤150：确定所述机器人位于普通环境中。
在本发明实施例中，在确定每个激光点的方向后，进一步地，判断是否存在预设比例和/或预设数量的激光点的方向相同，以确定机器人是否位于长通道环境中。需要说明的是，所述方向相同可以是将在一定角度或坐标或距离偏差范围内的激光点视为相同，所述普通环境指的是非长通道的环境。
如上所述，本发明实施例提供了一种长通道识别方法，应用于机器人，该方法首先获取包括至少两个激光点的激光数据，然后确定所述至少两个激光点中各个激光点的方向，最后，判断所述激光数据中，是否存在预设比例和/或预设数量的激光点的方向相同，若是，则确定所述机器人位于长通道环境中，本发明实施例采用的长通道识别方法，仅通过激光点的方向即可确定机器人是否位于长通道环境中，方法简单且有效。
进一步地，请参见图3，其示出了本发明实施例提供的另一种长通道识别方法的流程，在确定所述机器人位于长通道环境中之后，所述方法还包括：
步骤160：增加所述机器人中除了激光探测器以外的其他定位传感器所采集的定位数据在综合定位数据的权重。
其中，所述综合定位数据包括所述激光数据和所述其他定位传感器所采集的定位数据。在本发明实施例中，在确定所述机器人处于长通道的环境中之后，为了避免使用激光数据作为综合定位数据会带来的较大的测量误差，因此，可减少所述激光数据在所述综合定位数据中的权重，以减少激光数据对最终地图构建或模型构建的影响。
进一步地，所述机器人中除了所述激光探测器以外的所述其他定位传感器包括：里程计和/或姿态传感器。其中，所述激光探测器可以是激光雷达等，所述姿态传感器(IMU)可以是速度计、陀螺仪和磁力仪等，所述里程计可以是视觉里程计、轮式里程计等。
在一些实施例中，请参见图4，其示出了图2所示方法中步骤130的一子流程，所述步骤130进一步包括：
步骤131：根据所述各个激光点的方向，将所述各个激光点进行聚类，以得到具有相同方向的至少一个激光点点集；
由于实际情况中，各个激光点只要不是打在同一个位置，任意两个激光点的方向多少都会有细微的不同，因此，在本发明实施例中，还需要将方向在一定偏差范围内的的激光点进行聚类，以得到具有相同方向的至少一个激光点点集。优选地，可采用K-MEANS算法、birch算法、KNN算法等常用于基于坐标位置的聚类算法，或者，也可以根据实际需要进行设置，不需要拘泥于本发明实施例的限定。
步骤132：计算激光点数量最多的激光点点集中激光点的数量在所述激光数据中所有激光点的数量的占比；
进一步地，统计所述激光点数量最多的激光点点集中激光点的数量，以及所述极光数据中所有激光点的数量，并将两者做除法，从而得到所述激光点数量最多的激光点点集中激光点的数量在所述激光数据中所有激光点的数量的占比。
步骤133：判断所述占比是否大于所述预设比例，和/或，判断所述激光点数量最多的激光点点集中激光点的数量是否大于所述预设数量；若是，跳转至所述步骤140：确定所述机器人位于长通道环境中。
其中，当所述机器人朝着其周围各个方向均匀出射激光点时，优选地，可以设定为通过判断是否存在预设比例的激光点的方向相同来确定机器人是否位于长通道环境中，以图1为例，若机器人均匀地朝前、后、左、右四个方向各出射相同数量个激光点，则所述预设比例可设置为25％，假设存在方向相同的激光点在所采集的激光点中的占比超过所述预设比例，则可以确定所述机器人所在环境中存在至少一个方向为长通道。进一步地，还可以根据占比超过所述预设比例的激光点点集的数量来确定长通道的数量，依旧以上述为例，假设存在两组激光点点集占比超过25％，则可以确定机器人所在环境中存在两个方向为长通道。
或者，当所述机器人朝着某一个方向出射激光点时，优选地，可以设定为通过判断所述激光点数量最多的激光点点集中激光点的数量是否大于所述预设数量来确定机器人是否位于长通道环境中，依旧以图1为例，假设所述机器人仅仅只朝其前方180度的范围内出射激光点，且出射100个激光点，则可以设定预设数量为80，若所述激光点数量最多的激光点点集中激光点的数量大于所述预设数量，则说明该方向存在长通道。
且进一步地，还可以根据占比超过所述预设比例的激光点点集相对于所述机器人的方位确定长通道在所述机器人的哪一侧，例如，通过激光点点集中的激光点的坐标确定该激光点点为所述机器人前方和/或后方时，可确定所述机器人的前方和/或后方存在长通道。或者，进一步地，根据所述激光点点集的边界确定所述长通道的具体位置，例如，根据所述激光点点集的边界上的激光点的坐标，确定所述激光点具体位于所述机器人前方的多少度范围内。
需要说明的是，关于所述预设比例和/或预设数量的设定可根据实际需要进行设定，可以是仅通过预设比例或预设数量判断是否存在长通道，也可以是结合预设比例和预设数量判断是否存在长通道，具体地，可根据实际应用场景进行设置，不需要拘泥于本发明实施例的限定。
在一些实施例中，请参见图5，其示出了图2所示方法中步骤120的一子流程，所述步骤120进一步包括：
步骤121：通过高斯函数对每一所述激光点预设范围内的激光点的集合进行拟合，以得到所述激光点坐标的协方差；
具体地，所述激光数据包含所述各个激光点的世界坐标，请参见图6，其示出了图5所示方法中步骤121的一子流程，所述步骤121进一步包括：
步骤1211：获取任一所述激光点在预设半径范围内的各个激光点的世界坐标；
步骤1212：根据所述预设半径范围内的各个激光点的世界坐标，计算所述激光点坐标的均值；
所述计算激光点坐标的均值的计算公式如下：
Figure BDA0002808608460000131
其中，u(ux,uy)表示所述激光点坐标的均值，(xn,yn)表示各个所述预设半径范围内的激光点的世界坐标，n表示所述激光点在预设半径范围内的激光点的数量。
步骤1213：根据所述预设半径范围内的各个激光点的世界坐标和所述激光点坐标的均值，计算所述激光点坐标的协方差。
所述激光点坐标的协方差的计算公式如下：
Figure BDA0002808608460000141
Figure BDA0002808608460000142
其中，∑(∑x,∑y)表示所述激光点坐标的协方差，u(ux,uy)表示所述激光点坐标的均值，(xn,yn)表示各个所述预设半径范围内的激光点的世界坐标，n表示所述激光点在预设半径范围内的激光点的数量。
步骤122：通过奇异值分解法，对所述激光点坐标的协方差进行分解，以得到矩阵的特征值；
所述对所述激光点坐标的协方差进行分解的步骤，进一步可得到如下的所述矩阵：
A＝U∑VT
其中，A表示所述矩阵，∑表示所述激光点坐标的协方差，且所述激光点坐标的协方差∑为m*n的矩阵，U表示m*m的矩阵，V表示n*n的矩阵。
步骤123：计算最小特征值对应的特征向量，作为所述激光点的法向量，也即是所述激光点的方向。
所述计算最小特征值对应的特征向量的计算公式如下：
AX＝λX
其中，A表示所述矩阵，λ表示所述矩阵A的特征值，X表示特征值λ对应的特征向量，
且有，取最小的所述特征值λ对应的特征向量X即为所述激光点的法向量。
实施例二
本发明实施例还提供了一种机器人，请参见图7，其示出了能够执行图2至图6所述长通道识别方法的机器人的硬件结构。所述机器人10可以是图1所示的机器人10。
所述机器人10包括：至少一个处理器11；以及，与所述至少一个处理器11通信连接的存储器12，图7中以一个处理器11为例。所述存储器12存储有可被所述至少一个处理器11执行的指令，所述指令被所述至少一个处理器11执行，以使所述至少一个处理器11能够执行上述图2至图6所述的长通道识别方法。所述处理器11和所述存储器12可以通过总线或者其他方式连接，图7中以通过总线连接为例。
存储器12作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的长通道识别方法对应的程序指令/模块。处理器11通过运行存储在存储器12中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例长通道识别方法。
存储器12可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据长通道识别装置的使用所创建的数据等。此外，存储器12可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器12可选包括相对于处理器11远程设置的存储器，这些远程存储器可以通过网络连接至长通道识别装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器12中，当被所述一个或者多个处理器11执行时，执行上述任意方法实施例中的长通道识别方法，例如，执行以上描述的图2至图6的方法步骤。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本申请实施例还提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图2至图6的方法步骤。
本申请实施例还提供了一种计算机程序产品，包括存储在非易失性计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时时，使所述计算机执行上述任意方法实施例中的长通道识别方法，例如，执行以上描述的图2至图6的方法步骤。
本发明实施例中提供了一种长通道识别方法，应用于机器人，该方法首先获取包括至少两个激光点的激光数据，然后确定所述至少两个激光点中各个激光点的方向，最后，判断所述激光数据中，是否存在预设比例和/或预设数量的激光点的方向相同，若是，则确定所述机器人位于长通道环境中，本发明实施例采用的长通道识别方法，仅通过激光点的方向即可确定机器人是否位于长通道环境中，方法简单且有效。
需要说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (12)

1.一种长通道识别方法，其特征在于，应用于机器人，所述方法包括：
获取激光数据，所述激光数据包括至少两个激光点的数据；
确定所述至少两个激光点中各个激光点的方向；
判断所述激光数据中，是否存在预设比例和/或预设数量的激光点的方向相同；
若是，则确定所述机器人位于长通道环境中。
2.根据权利要求1所述的长通道识别方法，其特征在于，在确定所述机器人位于长通道环境中之后，所述方法还包括：
增加所述机器人中除了激光探测器以外的其他定位传感器所采集的定位数据在综合定位数据的权重，其中，所述综合定位数据包括所述激光数据和所述其他定位传感器所采集的定位数据。
3.根据权利要求2所述的长通道识别方法，其特征在于，
所述机器人中除了所述激光探测器以外的所述其他定位传感器包括：里程计和/或姿态传感器。
4.根据权利要求1-3任一项所述的长通道识别方法，其特征在于，
所述判断所述激光数据中，是否存在预设数量比例的激光点的方向相同，进一步包括：
根据所述各个激光点的方向，将所述各个激光点进行聚类，以得到具有相同方向的至少一个激光点点集；
计算激光点数量最多的激光点点集中激光点的数量在所述激光数据中所有激光点的数量的占比；
判断所述占比是否大于所述预设比例，和/或，判断所述激光点数量最多的激光点点集中激光点的数量是否大于所述预设数量；
若是，则确定所述机器人位于长通道环境中。
5.根据权利要求1-3任一项所述的长通道识别方法，其特征在于，
所述根据所述激光数据，确定各个激光点的方向的步骤，进一步包括：
通过高斯函数对每一所述激光点预设范围内的激光点的集合进行拟合，以得到所述激光点坐标的协方差；
通过奇异值分解法，对所述激光点坐标的协方差进行分解，以得到矩阵的特征值；
计算最小特征值对应的特征向量，作为所述激光点的法向量，也即是所述激光点的方向。
6.根据权利要求5所述的长通道识别方法，其特征在于，所述激光数据包含所述各个激光点的世界坐标，
所述通过高斯函数对每一所述激光点预设范围内的激光点的集合进行拟合，以得到所述激光点坐标的协方差的步骤，进一步包括：
获取任一所述激光点在预设半径范围内的各个激光点的世界坐标；
根据所述预设半径范围内的各个激光点的世界坐标，计算所述激光点坐标的均值；
根据所述预设半径范围内的各个激光点的世界坐标和所述激光点坐标的均值，计算所述激光点坐标的协方差。
7.根据权利要求6所述的长通道识别方法，其特征在于，所述计算激光点坐标的均值的计算公式如下：
Figure FDA0002808608450000031
其中，u(ux,uy)表示所述激光点坐标的均值，(xn,yn)表示各个所述预设半径范围内的激光点的世界坐标，n表示所述激光点在预设半径范围内的激光点的数量。
8.根据权利要求7所述的长通道识别方法，其特征在于，所述激光点坐标的协方差的计算公式如下：
Figure FDA0002808608450000032
Figure FDA0002808608450000033
其中，∑(∑x,∑y)表示所述激光点坐标的协方差，u(ux,uy)表示所述激光点坐标的均值，(xn,yn)表示各个所述预设半径范围内的激光点的世界坐标，n表示所述激光点在预设半径范围内的激光点的数量。
9.根据权利要求8所述的长通道识别方法，其特征在于，
所述对所述激光点坐标的协方差进行分解的步骤，进一步可得到如下的所述矩阵：
A＝U∑VT
其中，A表示所述矩阵，∑表示所述激光点坐标的协方差，且所述激光点坐标的协方差∑为m*n的矩阵，U表示m*m的矩阵，V表示n*n的矩阵。
10.根据权利要求9所述的长通道识别方法，其特征在于，
所述计算最小特征值对应的特征向量的计算公式如下：
AX＝λX
其中，A表示所述矩阵，λ表示所述矩阵A的特征值，X表示特征值λ对应的特征向量，
且有，取最小的所述特征值λ对应的特征向量X即为所述激光点的法向量。
11.根据权利要求1所述的长通道识别方法，其特征在于，所述获取激光数据的步骤，进一步包括：
通过激光雷达或激光探测器采集所述激光数据，并选取其中至少一帧所述激光数据。
12.一种机器人，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-11任一项所述的长通道识别方法。
CN202011381563.1A 2020-11-30 2020-11-30 一种长通道识别方法及机器人 Active CN112539756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011381563.1A CN112539756B (zh) 2020-11-30 2020-11-30 一种长通道识别方法及机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011381563.1A CN112539756B (zh) 2020-11-30 2020-11-30 一种长通道识别方法及机器人

Publications (2)

Publication Number Publication Date
CN112539756A true CN112539756A (zh) 2021-03-23
CN112539756B CN112539756B (zh) 2023-06-20

Family

ID=75016716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011381563.1A Active CN112539756B (zh) 2020-11-30 2020-11-30 一种长通道识别方法及机器人

Country Status (1)

Country Link
CN (1) CN112539756B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102338867A (zh) * 2011-07-01 2012-02-01 上海海事大学 一种适用于移动机器人导航的激光束匹配误差估计方法
CN104615138A (zh) * 2015-01-14 2015-05-13 上海物景智能科技有限公司 一种划分移动机器人室内区域动态覆盖方法及其装置
WO2015092040A1 (fr) * 2013-12-20 2015-06-25 Thales Procédé d'estimation du nombre de personnes et/ou d'objets dans un espace
CN106772421A (zh) * 2015-11-25 2017-05-31 小米科技有限责任公司 室内非墙体障碍物确定方法及装置
CN108303096A (zh) * 2018-02-12 2018-07-20 杭州蓝芯科技有限公司 一种视觉辅助激光定位系统及方法
CN108875804A (zh) * 2018-05-31 2018-11-23 腾讯科技（深圳）有限公司 一种基于激光点云数据的数据处理方法和相关装置
CN109828280A (zh) * 2018-11-29 2019-05-31 亿嘉和科技股份有限公司 一种基于三维激光栅格的定位方法以及机器人自主充电方法
CN110333495A (zh) * 2019-07-03 2019-10-15 深圳市杉川机器人有限公司 利用激光slam在长走廊建图的方法、装置、系统、存储介质
CN111324121A (zh) * 2020-02-27 2020-06-23 四川阿泰因机器人智能装备有限公司 一种基于激光雷达的移动机器人自动充电方法
CN111765882A (zh) * 2020-06-18 2020-10-13 浙江大华技术股份有限公司 激光雷达定位方法及其相关装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102338867A (zh) * 2011-07-01 2012-02-01 上海海事大学 一种适用于移动机器人导航的激光束匹配误差估计方法
WO2015092040A1 (fr) * 2013-12-20 2015-06-25 Thales Procédé d'estimation du nombre de personnes et/ou d'objets dans un espace
CN104615138A (zh) * 2015-01-14 2015-05-13 上海物景智能科技有限公司 一种划分移动机器人室内区域动态覆盖方法及其装置
CN106772421A (zh) * 2015-11-25 2017-05-31 小米科技有限责任公司 室内非墙体障碍物确定方法及装置
CN108303096A (zh) * 2018-02-12 2018-07-20 杭州蓝芯科技有限公司 一种视觉辅助激光定位系统及方法
CN108875804A (zh) * 2018-05-31 2018-11-23 腾讯科技（深圳）有限公司 一种基于激光点云数据的数据处理方法和相关装置
CN109828280A (zh) * 2018-11-29 2019-05-31 亿嘉和科技股份有限公司 一种基于三维激光栅格的定位方法以及机器人自主充电方法
CN110333495A (zh) * 2019-07-03 2019-10-15 深圳市杉川机器人有限公司 利用激光slam在长走廊建图的方法、装置、系统、存储介质
CN111324121A (zh) * 2020-02-27 2020-06-23 四川阿泰因机器人智能装备有限公司 一种基于激光雷达的移动机器人自动充电方法
CN111765882A (zh) * 2020-06-18 2020-10-13 浙江大华技术股份有限公司 激光雷达定位方法及其相关装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
康国华等: "基于点云中心的激光雷达与相机联合标定方法研究", 《仪器仪表学报》 *
武玉伟等: "《深度学习基础与应用》", 30 April 2020, 北京理工大学出版社 *
王张飞等: "基于深度投影的三维点云目标分割和碰撞检测", 《光学精密工程》 *
王玉孝等: "《概率论、随机过程与数理统计》", 30 September 2010, 北京邮电大学出版社 *

Also Published As

Publication number Publication date
CN112539756B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN108629231B (zh) 障碍物检测方法、装置、设备及存储介质
US10217005B2 (en) Method, apparatus and device for generating target detection information
CN109509210B (zh) 障碍物跟踪方法和装置
CN109901567B (zh) 用于输出障碍物信息的方法和装置
CN110674705B (zh) 基于多线激光雷达的小型障碍物检测方法及装置
CN109059902A (zh) 相对位姿确定方法、装置、设备和介质
Zhou et al. T-loam: truncated least squares lidar-only odometry and mapping in real time
CN110470333B (zh) 传感器参数的标定方法及装置、存储介质和电子装置
CN109870698B (zh) 一种超声波阵列障碍物检测结果处理方法及系统
CN109229109B (zh) 判断车辆行驶方向的方法、装置、设备和计算机存储介质
CN113264066A (zh) 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备
CN112949366B (zh) 障碍物识别方法和装置
CN112880694B (zh) 确定车辆的位置的方法
CN113137968B (zh) 基于多传感器融合的重定位方法、重定位装置和电子设备
CN114485698B (zh) 一种交叉路口引导线生成方法及系统
CN112166457A (zh) 点云分割方法、系统和可移动平台
US20230251097A1 (en) Efficient map matching method for autonomous driving and apparatus thereof
Wen et al. Research on 3D point cloud de-distortion algorithm and its application on Euclidean clustering
CN111736167B (zh) 一种获取激光点云密度的方法和装置
US20210033706A1 (en) Methods and systems for automatically labeling point cloud data
CN114241448A (zh) 障碍物航向角的获取方法、装置、电子设备及车辆
CN113759928B (zh) 用于复杂大尺度室内场景的移动机器人高精度定位方法
Oishi et al. ND voxel localization using large-scale 3D environmental map and RGB-D camera
EP4148599A1 (en) Systems and methods for providing and using confidence estimations for semantic labeling
CN112539756B (zh) 一种长通道识别方法及机器人

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: 518000 1701, building 2, Yinxing Zhijie, No. 1301-72, sightseeing Road, Xinlan community, Guanlan street, Longhua District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Yinxing Intelligent Group Co.,Ltd.

Address before: 518000 building A1, Yinxing hi tech Industrial Park, Guanlan street, Longhua District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen Silver Star Intelligent Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant