CN112699734B - 门槛检测方法、移动机器人及存储介质 - Google Patents
门槛检测方法、移动机器人及存储介质 Download PDFInfo
- Publication number
- CN112699734B CN112699734B CN202011436706.4A CN202011436706A CN112699734B CN 112699734 B CN112699734 B CN 112699734B CN 202011436706 A CN202011436706 A CN 202011436706A CN 112699734 B CN112699734 B CN 112699734B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- cloud identification
- threshold
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000009434 installation Methods 0.000 claims description 15
- 238000005520 cutting process Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 11
- 238000010845 search algorithm Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 238000012937 correction Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及机器人领域，公开了一种门槛检测方法、移动机器人及存储介质，通过对获取到点云数据进行平面拟合处理，得到至少两个点云识别面，判断至少两个点云识别面中是否存在目标点云识别面，在判断存在目标点云识别面时，从至少两个点云识别面中获取门槛边缘点云识别面；基于对点云数据形成识别面后，从中识别出门槛边缘，从而实现了门槛的提前识别，基于提前识别的结果，对移动机器人的驱动动力进行适当的调整，辅助翻越门槛，这样不仅避免了控制延时的问题，还提高了对移动机器人翻越门槛的控制精度，同时也减少了移动机器人控制异常现象的发生，提升了智能性。
Description
技术领域
本发明涉及机器人领域，尤其涉及一种门槛检测方法、移动机器人及存储介质。
背景技术
随着人工智能技术的发展，机器人的应用已越来越多，尤其是可以实现自由行走的移动机器人，在移动机器人的控制中，对于障碍物或者门槛的检测和跨越，则实现自由行走的实现难点之一。
目前，实现移动机器人识别门槛的方式大多是结合惯性测量单元(interialmeasurement unit，IMU)的角度来判断，但该方法只能在机器到达门槛的时候才能判断，无法提前识别，使得机器在越过门槛时无法提供足够的动力而出现异常。
发明内容
本发明的主要目的在于解决现有的门槛识别方案中无法提前识别判断门槛边缘，而导致机器人控制延时的技术问题。
本发明第一方面提供了一种门槛检测方法，应用于移动机器人，所述门槛检测方法包括：
获取点云数据；
对所述点云数据中的点数据进行平面拟合，得到至少两个点云识别面；
判断所述至少两个点云识别面中，是否存在目标点云识别面，其中，所述目标点云识别面距离所述移动机器人所处地面的高度小于或等于所述移动机器人的预设可跨越的最高高度；
当判断存在所述目标点云识别面时，根据所述目标点云识别面从所述至少两个点云识别面中获取门槛边缘点云识别面。
可选的，在本发明第一方面的第一种实现方式中，在所述对所述点云数据中的点数据进行平面拟合，得到至少两个点云识别面之前，还包括：
计算所述点云数据中的每个点数据在垂直所述移动机器人所处地面的方向上的坐标值；
根据所述坐标值，从所述点云数据中筛选出坐标值等于地面的坐标值的点数据，得到地面点云数据；
根据所述地面点云数据从所述点云数据中获取非地面点云数据。
可选的，在本发明第一方面的第二种实现方式中，所述对所述点云数据中的点数据进行平面拟合，得到至少两个点云识别面包括：
根据所述移动机器人的预设可识别高度，从所述非地面点云数据中筛选出所述坐标值大于所述预设可识别高度的点数据，得到第一点云数据，其中，所述第一点云数据为非门槛点云数据；
将所述第一点云数据从所述非地面点云数据中剔除，得到第二点云数据，其中，所述第二点云数据为包括坐标值小于所述预设可识别高度且不小于地面的坐标值的点数据的点云数据；
利用预设的平面模型对所述第二点云数据进行平面拟合处理，得到至少两个点云识别面。
可选的，在本发明第一方面的第三种实现方式中，所述判断所述至少两个点云识别面中，是否存在目标点云识别面包括：
计算各所述点云识别面的每个点数据在垂直所述地面的方向上的坐标值，并筛选所述坐标值中的最大坐标值和最小坐标值；
根据各点云识别面的最大坐标值和最小坐标值，确定各点云识别面的坐标区间；
判断各所述点云识别面的坐标区间与预设坐标区间是否存在重叠，其中，所述预设坐标区间的区间上限值等于所述最高高度，区间下限值等于所述地面的坐标值；
若是，则确定所述至少两个点云识别面中存在目标点云识别面，并提取各点云识别面中重叠部分的点数据，得到目标点云识别面；
若否，则确定所述至少两个点云识别面中不存在目标点云识别面。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述目标点云识别面从所述至少两个点云识别面中获取门槛边缘点云识别面包括：
根据所述目标点云识别面，对所述至少两个点云识别面中的每个点云识别面进行裁剪处理，得到至少两个目标面，其中所述裁剪处理为将不属于所述目标点云识别面的点数据从所述点云识别面中删除；
统计各所述目标面中的点数据的数量，并按照降序法对所述至少两个目标面进行排序，得到面序列；
计算各所述目标面的法向量，并确定各所述目标面的法向量与所述地面的法向量的相对角度关系；
判断各所述相对角度关系是否位于预设的角度范围内，得到判断结果；
根据所述判断结果，从所述至少两个目标面中确定门槛平面；
基于所述门槛平面，从所述至少两个目标面中获取门槛边缘点云识别面。
可选的，在本发明第一方面的第五种实现方式中，所述基于所述门槛平面，从所述至少两个目标面中获取门槛边缘点云识别面包括：
以所述门槛平面为分割平面，对所述至少两个目标面中除所述门槛平面之外目标面进行分割处理，得到下边缘点云识别面和上边缘点云识别面；
利用kd-tree近领域搜索算法，对所述下边缘点云识别面和所述上边缘点云识别面中的点数据进行近领域搜索，得到门槛边缘点云识别面。
可选的，在本发明第一方面的第六种实现方式中，所述利用kd-tree近领域搜索算法，对所述下边缘点云识别面和所述上边缘点云识别面中的点数据进行近领域搜索，得到门槛边缘点云识别面包括：
以所述上边缘点云识别面中的每个点数据作为种子点，对所述下边缘点云识别面中的点数据进行kd-tree近领域搜索，得到邻近点数据集；
根据所述邻近点数据集，对所述下边缘点云识别面进行点数据的剔除，得到门槛边缘点云识别面。
可选的，在本发明第一方面的第七种实现方式中，在所述获取点云数据之前，还包括：
获取所述移动机器人中用于采集点云数据的采集模块的配置信息，并基于所述配置信息确定所述采集模块的安装高度；
利用所述采集模块采集已知的门槛环境中的门槛点云数据；
根据所述安装高度对所述门槛点云数据进行裁剪，得到地面点云数据；
根据预设的平面模型，对所述地面点云数据进行平面拟合，得到地面的法向量；
计算所述地面的法向量与所述平面模型的法向量之间的角度关系，并基于所述角度关系确定旋转矩阵，其中，所述旋转矩阵为将所述地面点数据调整至与所述平面模型对应的平面方向一致的点数据矩阵。
可选的，在本发明第一方面的第八种实现方式中，在所述获取点云数据之后，还包括：
判断所述点云数据中每个点数据的法向量方向是否与所述平面模型的法向量的方向一致；
若否，则根据所述旋转矩阵对所述点云数据进行转换处理，得到矫正后的点云数据。
本发明第二方面提供了一种移动机器人，其特征在于，所述移动机器人包括：
采集模块，用于获取点云数据；
平面拟合模块，用于对所述点云数据中的点数据进行平面拟合，得到至少两个点云识别面；
判断模块，用于判断所述至少两个点云识别面中，是否存在目标点云识别面，其中，所述目标点云识别面距离所述移动机器人所处地面的高度小于或等于所述移动机器人的预设可跨越的最高高度；
识别模块，用于在判断存在所述目标点云识别面时，根据所述目标点云识别面从所述至少两个点云识别面中获取门槛边缘点云识别面。
可选的，在本发明第二方面的第一种实现方式中，所述移动机器人还包括提取模块，其具体用于：
计算所述点云数据中的每个点数据在垂直所述移动机器人所处地面的方向上的坐标值；
根据所述坐标值，从所述点云数据中筛选出坐标值等于地面的坐标值的点数据，得到地面点云数据；
根据所述地面点云数据从所述点云数据中获取非地面点云数据。
可选的，在本发明第二方面的第二种实现方式中，所述平面拟合模块包括：
筛选单元，用于根据所述移动机器人的预设可识别高度，从所述非地面点云数据中筛选出所述坐标值大于所述预设可识别高度的点数据，得到第一点云数据，其中，所述第一点云数据为非门槛点云数据；
剔除单元，用于将所述第一点云数据从所述非地面点云数据中剔除，得到第二点云数据，其中，所述第二点云数据为包括坐标值小于所述预设可识别高度且不小于地面的坐标值的点数据的点云数据；
拟合单元，用于利用预设的平面模型对所述第二点云数据进行平面拟合处理，得到至少两个点云识别面。
可选的，在本发明第二方面的第三种实现方式中，所述判断模块具体用于：
计算各所述点云识别面的每个点数据在垂直所述地面的方向上的坐标值，并筛选所述坐标值中的最大坐标值和最小坐标值；
根据各点云识别面的最大坐标值和最小坐标值，确定各点云识别面的坐标区间；
判断各所述点云识别面的坐标区间与预设坐标区间是否存在重叠，其中，所述预设坐标区间的区间上限值等于所述最高高度，区间下限值等于所述地面的坐标值；
若是，则确定所述至少两个点云识别面中存在目标点云识别面，并提取各点云识别面中重叠部分的点数据，得到目标点云识别面；
若否，则确定所述至少两个点云识别面中不存在目标点云识别面。
可选的，在本发明第二方面的第四种实现方式中，所述识别模块包括：
裁剪单元，用于根据所述目标点云识别面，对所述至少两个点云识别面中的每个点云识别面进行裁剪处理，得到至少两个目标面，其中所述裁剪处理为将不属于所述目标点云识别面的点数据从所述点云识别面中删除；
排序单元，用于统计各所述目标面中的点数据的数量，并按照降序法对所述至少两个目标面进行排序，得到面序列；
计算单元，用于计算各所述目标面的法向量，并确定各所述目标面的法向量与所述地面的法向量的相对角度关系；
识别单元，用于判断各所述相对角度关系是否位于预设的角度范围内，得到判断结果；根据所述判断结果，从所述至少两个目标面中确定门槛平面；基于所述门槛平面，从所述至少两个目标面中获取门槛边缘点云识别面。
可选的，在本发明第二方面的第五种实现方式中，所述识别单元包括：
分割子单元，用于以所述门槛平面为分割平面，对所述至少两个目标面中除所述门槛平面之外目标面进行分割处理，得到下边缘点云识别面和上边缘点云识别面；
搜索子单元，用于利用kd-tree近领域搜索算法，对所述下边缘点云识别面和所述上边缘点云识别面中的点数据进行近领域搜索，得到门槛边缘点云识别面。
可选的，在本发明第二方面的第六种实现方式中，所述搜索子单元具体用于：
以所述上边缘点云识别面中的每个点数据作为种子点，对所述下边缘点云识别面中的点数据进行kd-tree近领域搜索，得到邻近点数据集；
根据所述邻近点数据集，对所述下边缘点云识别面进行点数据的剔除，得到门槛边缘点云识别面。
可选的，在本发明第二方面的第七种实现方式中，所述移动机器人还包括配置模块，其具体用于：
获取所述移动机器人中用于采集点云数据的采集模块的配置信息，并基于所述配置信息确定所述采集模块的安装高度；
利用所述采集模块采集已知的门槛环境中的门槛点云数据；
根据所述安装高度对所述门槛点云数据进行裁剪，得到地面点云数据；
根据预设的平面模型，对所述地面点云数据进行平面拟合，得到地面的法向量；
计算所述地面的法向量与所述平面模型的法向量之间的角度关系，并基于所述角度关系确定旋转矩阵，其中，所述旋转矩阵为将所述地面点数据调整至与所述平面模型对应的平面方向一致的点数据矩阵。
可选的，在本发明第二方面的第八种实现方式中，所述移动机器人还包括校正模块，其具体用于：
判断所述点云数据中每个点数据的法向量方向是否与所述平面模型的法向量的方向一致；
若否，则根据所述旋转矩阵对所述点云数据进行转换处理，得到矫正后的点云数据。
本发明第三方面提供了一种移动机器人，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互联；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述移动机器人执行上述的门槛检测方法的步骤。
本发明的第四方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述的门槛检测方法的步骤。
本发明提供的技术方案中，通过对获取到点云数据进行平面拟合处理，得到至少两个点云识别面，判断至少两个点云识别面中是否存在目标点云识别面，在判断存在目标点云识别面时，从至少两个点云识别面中获取门槛边缘点云识别面；基于对点云数据形成识别面后，从中识别出门槛边缘，从而实现了门槛的提前识别，基于提前识别的结果，对移动机器人的驱动动力进行适当的调整，辅助翻越门槛，这样不仅避免了控制延时的问题，还提高了对移动机器人翻越门槛的控制精度，同时也减少了移动机器人控制异常现象的发生，提升了智能性。
附图说明
图1为本发明第一个实施例提供的门槛检测方法的流程图；
图2为本发明第二个实施例提供的门槛检测方法的流程图；
图3为本发明第三个实施例提供的门槛检测方法的流程图；
图4为本发明第四个实施例提供的门槛检测方法的流程图；
图5为本发明矫正后的点云数据图；
图6为本发明去除地面的点云数据图；
图7为本发明去除不能识别的点数据后的点云数据图；
图8为本发明上边缘点云识别面；
图9为本发明下边缘点云识别面；
图10为本发明门槛边缘点云识别面；
图11为本发明实施例中移动机器人的一个结构示意图；
图12为本发明实施例中移动机器人的另一个结构示意图；
图13为本发明实施例中移动机器人的一个实施例示意图。
具体实施方式
本发明实施例提供了一种门槛检测方法、移动机器人及存储介质，具体是通过获取移动机器人上的视觉传感器实时采集到的点云数据，对点云数据进行平面拟合处理以及通过kd-tree近领域搜索算法对拟合后的点云识别面进行点数据搜索剔除，得到门槛边缘点云识别面；基于对点云数据形成识别面后，从中识别出门槛边缘，从而实现了门槛的提前识别，基于提前识别的结果，对移动机器人的驱动动力进行适当的调整，辅助翻越门槛，这样不仅避免了控制延时的问题，还提高了对移动机器人翻越门槛的控制精度，同时也减少了移动机器人控制异常现象的发生，提升了智能性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中门槛检测方法的一个实施例包括：
101、获取点云数据；
可以理解的是，本发明的执行主体可以为移动机器人，具体是哪种类型的移动机器人此处不做限定。本发明实施例以自移动机器人作为执行主体为例进行说明，该自移动机器人包括行驶驱动装置、若干组传感器，其中若干组感器分别设置在子移动机器人的前端和后端，进一步的，该传感器优选的为视觉传感器。
在本实施例中，移动机器人在移动过程中，通过开启所述移动机器人上的视觉传感器处于工作状态，每个视觉传感器实时采集移动机器人前方或者周边的环境数据，并将环境数据处理成点云数据，每个视觉传感器将采集到的点云数据返回给移动机器人的处理器，由处理器将所有的点云数据按照视觉传感器的采集顺序进行组合形成3D点云图像。
在实际应用中，对于获取所述移动机器人在移动过程中的环境数据，具体还可以通过多线激光雷达来实现，通过激光雷达主动对当前环境进发射激光脉冲信号，并获取反射回来的脉冲信号，根据发射信号和接收信号之间的时间差计算出环境中反射信号的门槛的深度信息，并确定发射方向，获得门槛相对激光雷达的角度信息，结合前述深度信息和角度信息得到海量的激光点(称为点云)，得到点云数据。
进一步的，还通过视觉传感器获取门槛的三维数据，结合激光雷达获取的点云数据综合计算，得到待识别的门槛障碍物的识别面数据。
在本实施例中，为了便于后面步骤从点云识别面中识别出门槛边缘点云识别面，在该步骤之前，还包括：
获取所述视觉传感器的配置信息，并基于所述配置信息确定所述视觉传感器的安装高度；
利用所述视觉传感器采集已知的门槛环境中的门槛点云数据；
根据所述安装高度对所述门槛点云数据进行裁剪，得到地面点云数据；
根据预设的平面模型，利用平面拟合算法对所述地面点云数据进行平面拟合计算，得到地面的第一法向量；
计算所述第一法向量与所述平面模型的第二法向量之间的角度关系，并基于所述角度关系确定旋转矩阵，其中，所述旋转矩阵为将所述地面点数据调整至与所述平面模型对应的平面方向一致的点数据矩阵。
在实际应用中，对于移动机器人上的视觉传感器采集到点云数据并不是所有的都是满足正向三维空间的要求，这时则需要进行适当的调整，而这里通过预先计算得到的点数据矩阵来确定
102、对点云数据中的点数据进行平面拟合，得到至少两个点云识别面；
该步骤中，所述平面拟合可以理解为是将点云数据中的所有点数据进行相互关联，形成平面的处理动作。
在本实施例中，在对点数据进行平面拟合时，首先计算每个视觉传感器采集的点云数据进行分类，这里的分类具体是通过计算每个点数据的法向量，将法向量相同的点数据归类一类，然后对每一类的点数据进行关联，从而形成点云识别面，最后将所有点云识别面进行拼接，得到包含至少两个点云识别面的门槛图像。
在该步骤之后，还包括对拟合得到的点云识别面进行裁剪处理，具体是将拟合得到的点云识别面中与地面相同的点云数据进行剔除，得到障碍点识面，将该障碍点识别面作为门槛边缘提取的点云识别面。
103、判断至少两个点云识别面中，是否存在目标点云识别面；
该步骤中，该判断具体是以所述移动机器人可跨越的高度作为分界线进行判断，其中，所述目标点云识别面距离所述移动机器人所处地面的高度小于或等于所述移动机器人的预设可跨越的最高高度。
在实际应用中，通过计算每个点云识别面中的点数据的在垂直地面方向的最大坐标值和最小坐标值，基于最大坐标值和最小坐标值得到每个点云识别面的坐标值区间，然后确定所述预设可跨越的最高高度是否在该坐标值区间中或者是大于最大坐标值，若是，则确定该点云识别面中存在目标点云识别面，该目标点云识别面指的是包含门槛边缘的点云识别面。
若所述预设可跨越的最高高度小于最小坐标值时，则继续比较该最小坐标值是否大于移动机器人所在的地面的坐标值，若是，则确定该点云识别面中也存在目标点云识别面，反之则不存在。
104、当判断存在目标点云识别面时，根据目标点云识别面从至少两个点云识别面中获取门槛边缘点云识别面。
该步骤中，从点云识别面中获取门槛边缘点云识别面具体通过以预设可跨越的最高高度为分界线，将大于预设可跨越的最高高度的点云数据从对应的点云识别面中剔除，得到目标点云识别面；
然后，对目标点云识别面进行二次裁剪处理，其中，该二次裁剪处理包括计算每个目标点云识别面的法向量，基于法向量从目标点云识别面中选择门槛平面和门槛边缘平面，对门槛边缘平面中获取门槛边缘点云识别面。
本发明实施例中，通过中3d点云数据中识别出门槛边缘，从而实现了门槛的提前识别，基于提前识别的结果，对移动机器人的驱动动力进行适当的调整，辅助翻越门槛，这样不仅避免了控制延时的问题，还提高了对移动机器人翻越门槛的控制精度，同时也减少了移动机器人控制异常现象的发生，提升了智能性。
请参阅图2，本发明实施例中门槛检测方法的第二个实施例，该门槛检测方法，该方法具体包括以下步骤：
201、获取点云数据；
202、计算点云数据中的每个点数据在垂直移动机器人所处地面的方向上的坐标值；
该步骤中，在计算坐标值之前，还包括基于所述移动机器人所在的位置的空间坐标值构建三维坐标系，而该三维坐标系中以移动机器人所在地面为零点，计算获取到的点云数据中的每个点数据相对于该零点的坐标，并提取其中垂直与地面方向的一个坐标值作为该点数据的坐标值。
203、根据坐标值，从点云数据中筛选出坐标值等于地面的坐标值的点数据，得到地面点云数据；
在本实施例中，将所有的点数据的坐标值与移动机器人所在的地面对应的坐标值进行比对，将坐标值相等的点数据提取出来，形成地面点云数据。
204、根据地面点云数据从点云数据中获取非地面点云数据；
205、根据移动机器人的预设可识别高度，从非地面点云数据中筛选出所述坐标值大于预设可识别高度的点数据，得到第一点云数据；
该步骤中，所述第一点云数据为非门槛点云数据，所述预设可识别高度为移动机器人上的视觉传感器的采集范围，该预设可识别高度具体可以通过从视觉传感器的安装高度以及视觉传感器的配置参数来计算得到。
基于该高度从非地面点云数据中筛选出满足条件的点数据。
206、将第一点云数据从非地面点云数据中剔除，得到第二点云数据；
其中，所述第二点云数据为包括坐标值小于所述预设可识别高度且不小于地面的坐标值的点数据的点云数据；
207、利用预设的平面模型对第二点云数据进行平面拟合处理，得到至少两个点云识别面；
在本实施例中，其平面模型具体为Ax+By+Cz+D＝0，基于该平面模型的函数对非地面点云数据进行平面拟合，得到对应的点云识别面。
208、判断至少两个点云识别面中，是否存在目标点云识别面；
在本实施例中，在检测点云识别面中是否存在目标点云识别面，具体是通过计算各所述点云识别面的每个点数据在垂直所述地面的方向上的坐标值，并筛选所述坐标值中的最大坐标值和最小坐标值；
根据各点云识别面的最大坐标值和最小坐标值，确定各点云识别面的坐标区间；
判断各所述点云识别面的坐标区间与预设坐标区间是否存在重叠，其中，所述预设坐标区间的区间上限值等于所述最高高度，区间下限值等于所述地面的坐标值；
若是，则确定所述至少两个点云识别面中存在目标点云识别面，并提取各点云识别面中重叠部分的点数据，得到目标点云识别面；
若否，则确定所述至少两个点云识别面中不存在目标点云识别面。
209、若是，则根据目标点云识别面从至少两个点云识别面中获取门槛边缘点云识别面。
该步骤中，具体可以通过kd-tree近领域搜索的方式从点云识别面中搜索各个点数据，并从中提取出门槛边缘点，以形成门槛边缘点云识别面。
本发明实施例中，通过对获取到点云数据进行平面拟合处理，得到至少两个点云识别面，判断至少两个点云识别面中是否存在目标点云识别面，在判断存在目标点云识别面时，从至少两个点云识别面中获取门槛边缘点云识别面；基于对点云数据形成识别面后，从中识别出门槛边缘，从而实现了门槛的提前识别，基于提前识别的结果，对移动机器人的驱动动力进行适当的调整，辅助翻越门槛，这样不仅避免了控制延时的问题。
请参阅图3，本发明实施例中门槛检测方法的第三个实施例，该门槛检测方法，该方法具体包括以下步骤：
301、获取点云数据；
该步骤中，所述移动机器人上设置有至少一个视觉传感器，通过所述视觉传感器实时采集到移动机器人所经过的每个地方的前方的点云数据。在实际应用中，获取点云数据除了单独使用视觉传感器之外，还可以通过激光雷达或者激光雷达和三维视觉传感器来实现。
在本实施例中，为了提高识别的效率和精准度，该步骤还包括：剔除地面点云数据，具体的实现步骤如下：
计算所述点云数据中的每个点数据在垂直所述移动机器人所处地面的方向上的坐标值；
根据所述坐标值，从所述点云数据中筛选出坐标值等于地面的坐标值的点数据，得到地面点云数据；
根据所述地面点云数据从所述点云数据中获取非地面点云数据。
进一步的，在该步骤之前还包括：
获取所述移动机器人中用于采集点云数据的采集模块的配置信息，并基于所述配置信息确定所述采集模块的安装高度；
利用所述采集模块采集已知的门槛环境中的门槛点云数据；
根据所述安装高度对所述门槛点云数据进行裁剪，得到地面点云数据；
根据预设的平面模型，对所述地面点云数据进行平面拟合，得到地面的法向量；
计算所述地面的法向量与所述平面模型的法向量之间的角度关系，并基于所述角度关系确定旋转矩阵，其中，所述旋转矩阵为将所述地面点数据调整至与所述平面模型对应的平面方向一致的点数据矩阵。
302、对点云数据中的点数据进行平面拟合，得到至少两个点云识别面；
具体是用平面模型Ax+By+Cz+D＝0对地面点数据进行平面拟合，将所有的点云数据形成点云识别面。
303、判断至少两个点云识别面中，是否存在目标点云识别面；
其中，目标点云识别面距离移动机器人所处地面的高度小于或等于移动机器人的预设可跨越的最高高度；
在本实施例中，在判断点云识别面中是否存在目标点云识别面时，具体可以通过计算点云识别面中的点数据相对于地面的高度，然后基于移动机器人的可跨越高度进行比较，从而得到目标点数据，并将目标点数据所在的平面确定为目标点云识别面。
具体的，通过计算各所述点云识别面的每个点数据在垂直所述地面的方向上的坐标值，并筛选所述坐标值中的最大坐标值和最小坐标值；
根据各点云识别面的最大坐标值和最小坐标值，确定各点云识别面的坐标区间；
判断各所述点云识别面的坐标区间与预设坐标区间是否存在重叠，其中，所述预设坐标区间的区间上限值等于所述最高高度，区间下限值等于所述地面的坐标值；
若是，则确定所述至少两个点云识别面中存在目标点云识别面，并提取各点云识别面中重叠部分的点数据，得到目标点云识别面；
若否，则确定所述至少两个点云识别面中不存在目标点云识别面。
304、当判断存在目标点云识别面时，根据目标点云识别面，对至少两个点云识别面中的每个点云识别面进行裁剪处理，得到至少两个目标面；
其中，所述裁剪处理为将不属于目标点云识别面的点数据从点云识别面中删除；
该步骤中，具体是根据移动机器人上安装的视觉传感器的安装高度作为裁剪面对点云识别面进行裁剪，得到目标面。
305、统计各目标面中的点数据的数量，并按照降序法对至少两个目标面进行排序，得到面序列；
306、计算各目标面的法向量，并确定各目标面的法向量与地面的法向量的相对角度关系；
307、判断各相对角度关系是否位于预设的角度范围内，得到判断结果；
308、根据判断结果，从至少两个目标面中确定门槛平面；
309、以门槛平面为分割平面，对至少两个目标面中除门槛平面之外目标面进行分割处理，得到下边缘点云识别面和上边缘点云识别面；
310、利用kd-tree近领域搜索算法，对下边缘点云识别面和上边缘点云识别面中的点数据进行近领域搜索，得到门槛边缘点云识别面。
在本实施例中，在进行领域搜索时，具体是以所述上边缘点云识别面中的每个点数据作为种子点，对所述下边缘点云识别面中的点数据进行kd-tree近领域搜索，得到邻近点数据集；
根据所述邻近点数据集，对所述下边缘点云识别面进行点数据的剔除，得到门槛边缘点云识别面。
综上，通过3d点云数据，可提前识别门槛的边缘，可让机器提前做出增大动力等操作，辅助翻越门槛，这样既减少异常发生，又显得智能。
请参阅图4-10，本发明实施例中门槛检测方法的第四个实施例，该门槛检测方法，该实施例结合具体实现操作对该方法进行详细的说明，该实施例使用的移动机器人包括至少两个视觉传感器，该视觉传感器在移动机器人上的安装高度为h2，门槛高度为h3，移动机器人的可检测高度为h1，该方法具体包括以下步骤：
401、对移动机器人中的视觉传感器的采集图像进行矫正；
在实际应用中，由于视觉传感器在安装时无法保证相对地面完全水平安装，所以需要先进行水平矫正，以便提高后续点云数据的准确性，其水平矫正原理为：先对当前点云数据根据传感器安装高度进行大体的裁剪，使得裁剪后的点云能包含大量的地面点数据；使用平面模型Ax+By+Cz+D＝0对地面点数据进行平面拟合，即可得到当前地面的法向量Ng，然后根据理想平面的法向量和Ng相对角度关系可以得到一个旋转矩阵R；最后针对每一帧输入的点云数据通过旋转矩阵R进行转换，即可得到矫正后的点云数据；
402、利用矫正后的视觉传感器采集移动机器人当前环境下的点云数据；
该步骤中，在获取到点云数据后，视觉传感器将其发送给移动机器人的图像处理器，由图形处理器进行矫正处理，得到矫正后的点云数据，具体如图5所示。
进一步的，基于矫正后的点云，把点云数据中y方向的高度大于地面h2的点云识别出来，并去除，保存剩下的非地面点云数据，其中y方向指的是垂直与地面的方向。
403、识别点云数据中的地面点云数据，并将其剔除，得到非地面点云数据；
在该步骤中，具体是根据门槛最高高度h1，把点云数据中y方向的高度大于h1的点云数据去除，保存剩下的带门槛点云数据，如图6所示。
404、对带门槛点云数据进行平面分割，并提取出门槛平面；
在实际应用中，对于图6中的点云数据中有两种点云，一种是门槛平面的点云，另一种是非门槛平面点云。
通过平面分割的方式进行提取，具体的，也可以使用平面提取方法对图5中的点云数据进行拟合并提取，此时可能提取到多个平面，其中有门槛平面，可能也有其他的非门槛平面，通过把提取到的所有平面根据点的数量进行降序排序，从中选择点数最大的平面，接着根据当前平面的法向量(A,B,C)和地面法向量的相对关系，可以得到当前平面的角度，如果角度在设定范围0度附近，则当前平面为门槛平面，如果超出范围，则继续提取下一个平面，直到没有平面，最终经过迭代判断，可得到门槛平面点云，如图7所示。
405、对门槛平面点云进行分割，得到下边缘点云识别面和上边缘点云识别面；
该步骤中，具体是图7中的门槛平面作为分割面进行分割，得到下边缘点云识别面和上边缘点云识别面，具体如图8-9所示。
406、利用kd-tree近领域搜索算法，对下边缘点云识别面和上边缘点云识别面中的点数据进行近领域搜索，得到门槛边缘点云识别面。
在本实施例中，图中门槛平面部分为实际移动机器人能通过的部分，所以需要去除门槛平面之外的部分；此时以图8中的点云的每一个点作为种子点，对图9中的每一个点对边缘点进行kd-tree近领域搜索，最终可检索到点云中所有和点云邻近的黑色点，去除后可得到真正的门槛边缘点，如图10所示。
在应用中，通过kd-tree近领域搜索的方式得到门槛边缘点具体为：
以所述上边缘点云识别面中的每个点数据作为种子点，对所述下边缘点云识别面中的点数据进行kd-tree近领域搜索，得到邻近点数据集；
根据所述邻近点数据集，对所述下边缘点云识别面进行点数据的剔除，得到门槛边缘点云识别面。
综上，通过对获取到点云数据进行平面拟合处理，得到至少两个点云识别面，判断至少两个点云识别面中是否存在目标点云识别面，在判断存在目标点云识别面时，从至少两个点云识别面中获取门槛边缘点云识别面；基于对点云数据形成识别面后，从中识别出门槛边缘，从而实现了门槛的提前识别，基于提前识别的结果，对移动机器人的驱动动力进行适当的调整，辅助翻越门槛，这样不仅避免了控制延时的问题，还提高了对移动机器人翻越门槛的控制精度，同时也减少了移动机器人控制异常现象的发生，提升了智能性。
上面对本发明实施例中门槛检测方法进行了描述，下面对本发明实施例中移动机器人进行描述，请参阅图11，本发明实施例中移动机器人一个实施例包括：
采集模块501，用于获取点云数据；
平面拟合模块502，用于对所述点云数据中的点数据进行平面拟合，得到至少两个点云识别面；
判断模块503，用于判断所述至少两个点云识别面中，是否存在目标点云识别面，其中，所述目标点云识别面距离所述移动机器人所处地面的高度小于或等于所述移动机器人的预设可跨越的最高高度；
识别模块504，用于在判断存在所述目标点云识别面时，根据所述目标点云识别面从所述至少两个点云识别面中获取门槛边缘点云识别面。
本发明实施例中，过获取所述视觉传感器实时采集到的点云数据，对所述点云数据中的点数据进行聚类处理，得到多个点数据集，其中，所述点数据集包括至少一个点数据，基于多个所述点数据集构建对应的点云识别面，并根据所述视觉传感器的配置信息对所述点云识别面进行裁剪处理，得到目标点云识别面，通过平面拟合算法和kd-tree近领域搜索算法，对所述障碍物平面中的点数据进行门槛识别处理，得到门槛边缘点云识别面；基于对点云数据形成识别面后，从中识别出门槛边缘，从而实现了门槛的提前识别，基于提前识别的结果，对移动机器人的驱动动力进行适当的调整，辅助翻越门槛，这样不仅避免了控制延时的问题，还提高了对移动机器人翻越门槛的控制精度，同时也减少了移动机器人控制异常现象的发生，提升了智能性。
请参阅图12，本发明实施例中移动机器人的另一个实施例包括：
采集模块501，用于获取点云数据；
平面拟合模块502，用于对所述点云数据中的点数据进行平面拟合，得到至少两个点云识别面；
判断模块503，用于判断所述至少两个点云识别面中，是否存在目标点云识别面，其中，所述目标点云识别面距离所述移动机器人所处地面的高度小于或等于所述移动机器人的预设可跨越的最高高度；
识别模块504，用于在判断存在所述目标点云识别面时，根据所述目标点云识别面从所述至少两个点云识别面中获取门槛边缘点云识别面。
在本实施例中，所述移动机器人还包括提取模块505，其具体用于：
计算所述点云数据中的每个点数据在垂直所述移动机器人所处地面的方向上的坐标值；
根据所述坐标值，从所述点云数据中筛选出坐标值等于地面的坐标值的点数据，得到地面点云数据；
根据所述地面点云数据从所述点云数据中获取非地面点云数据。
其中，所述平面拟合模块502包括：
筛选单元5021，用于根据所述移动机器人的预设可识别高度，从所述非地面点云数据中筛选出所述坐标值大于所述预设可识别高度的点数据，得到第一点云数据，其中，所述第一点云数据为非门槛点云数据；
剔除单元5022，用于将所述第一点云数据从所述非地面点云数据中剔除，得到第二点云数据，其中，所述第二点云数据为包括坐标值小于所述预设可识别高度且不小于地面的坐标值的点数据的点云数据；
拟合单元5023，用于利用预设的平面模型对所述第二点云数据进行平面拟合处理，得到至少两个点云识别面。
可选的，所述判断模块503具体用于：
计算各所述点云识别面的每个点数据在垂直所述地面的方向上的坐标值，并筛选所述坐标值中的最大坐标值和最小坐标值；
根据各点云识别面的最大坐标值和最小坐标值，确定各点云识别面的坐标区间；
判断各所述点云识别面的坐标区间与预设坐标区间是否存在重叠，其中，所述预设坐标区间的区间上限值等于所述最高高度，区间下限值等于所述地面的坐标值；
若是，则确定所述至少两个点云识别面中存在目标点云识别面，并提取各点云识别面中重叠部分的点数据，得到目标点云识别面；
若否，则确定所述至少两个点云识别面中不存在目标点云识别面。
在本实施例中，所述识别模块504包括：
裁剪单元5041，用于根据所述目标点云识别面，对所述至少两个点云识别面中的每个点云识别面进行裁剪处理，得到至少两个目标面，其中所述裁剪处理为将不属于所述目标点云识别面的点数据从所述点云识别面中删除；
排序单元5042，用于统计各所述目标面中的点数据的数量，并按照降序法对所述至少两个目标面进行排序，得到面序列；
计算单元5043，用于计算各所述目标面的法向量，并确定各所述目标面的法向量与所述地面的法向量的相对角度关系；
识别单元5044，用于判断各所述相对角度关系是否位于预设的角度范围内，得到判断结果；根据所述判断结果，从所述至少两个目标面中确定门槛平面；基于所述门槛平面，从所述至少两个目标面中获取门槛边缘点云识别面。
在本实施例中，所述识别单元5044包括：
分割子单元，用于以所述门槛平面为分割平面，对所述至少两个目标面中除所述门槛平面之外目标面进行分割处理，得到下边缘点云识别面和上边缘点云识别面；
搜索子单元，用于利用kd-tree近领域搜索算法，对所述下边缘点云识别面和所述上边缘点云识别面中的点数据进行近领域搜索，得到门槛边缘点云识别面。
可选的，所述搜索子单元具体用于：
以所述上边缘点云识别面中的每个点数据作为种子点，对所述下边缘点云识别面中的点数据进行kd-tree近领域搜索，得到邻近点数据集；
根据所述邻近点数据集，对所述下边缘点云识别面进行点数据的剔除，得到门槛边缘点云识别面。
在本实施例中，所述移动机器人还包括配置模块506，其具体用于：
获取所述移动机器人中用于采集点云数据的采集模块的配置信息，并基于所述配置信息确定所述采集模块的安装高度；
利用所述采集模块采集已知的门槛环境中的门槛点云数据；
根据所述安装高度对所述门槛点云数据进行裁剪，得到地面点云数据；
根据预设的平面模型，对所述地面点云数据进行平面拟合，得到地面的法向量；
计算所述地面的法向量与所述平面模型的法向量之间的角度关系，并基于所述角度关系确定旋转矩阵，其中，所述旋转矩阵为将所述地面点数据调整至与所述平面模型对应的平面方向一致的点数据矩阵。
在本实施例中，所述移动机器人还包括校正模块507，其具体用于：
判断所述点云数据中每个点数据的法向量方向是否与所述平面模型的法向量的方向一致；
若否，则根据所述旋转矩阵对所述点云数据进行转换处理，得到矫正后的点云数据。
上面图11和图12从模块化功能实体的角度对本发明实施例中的移动机器人进行详细描述，下面从硬件处理的角度对本发明实施例中移动机器人进行详细描述。
图13是本发明实施例提供的一种移动机器人的结构示意图，该移动机器人900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)910(例如，一个或一个以上处理器)和存储器920，一个或一个以上存储应用程序933或数据932的存储介质930(例如一个或一个以上海量存储设备)。其中，存储器920和存储介质930可以是短暂存储或持久存储。存储在存储介质930的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对移动机器人900中的一系列指令操作。更进一步地，处理器910可以设置为与存储介质930通信，在移动机器人900上执行存储介质930中的一系列指令操作。
移动机器人900还可以包括一个或一个以上电源940，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口960，和/或，一个或一个以上操作系统931，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图13示出移动机器人结构并不构成对移动机器人的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种移动机器人，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述门槛检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述门槛检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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全部或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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；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精神和范围。
Claims (11)
1.一种门槛检测方法，应用于移动机器人，其特征在于，所述门槛检测方法包括：
获取点云数据；
对所述点云数据中的点数据进行平面拟合，得到至少两个点云识别面；
判断所述至少两个点云识别面中，是否存在目标点云识别面，其中，所述目标点云识别面距离所述移动机器人所处地面的高度小于或等于所述移动机器人的预设可跨越的最高高度；
当判断存在所述目标点云识别面时，根据所述目标点云识别面从所述至少两个点云识别面中获取门槛边缘点云识别面；
所述根据所述目标点云识别面从所述至少两个点云识别面中获取门槛边缘点云识别面包括：
根据所述目标点云识别面，对所述至少两个点云识别面中的每个点云识别面进行裁剪处理，得到至少两个目标面，其中所述裁剪处理为将不属于所述目标点云识别面的点数据从所述点云识别面中删除；
统计各所述目标面中的点数据的数量，并按照降序法对所述至少两个目标面进行排序，得到面序列；
将所述面序列中位置最靠前的目标面确定为当前目标面；
计算所述当前目标面的法向量，并确定所述当前目标面的法向量与所述地面的法向量的相对角度关系；
判断所述相对角度关系是否位于预设的角度范围内；
若所述相对角度关系在预设的角度范围内，则确定所述当前目标面为门槛平面；
若所述相对角度关系不在预设的角度范围内，则将所述面序列中所述当前目标面的下一个目标面确定为新的当前目标面；
基于所述门槛平面，从所述至少两个目标面中获取门槛边缘点云识别面。
2.根据权利要求1所述的门槛检测方法，其特征在于，在所述对所述点云数据中的点数据进行平面拟合，得到至少两个点云识别面之前，还包括：
计算所述点云数据中的每个点数据在垂直所述移动机器人所处地面的方向上的坐标值；
根据所述坐标值，从所述点云数据中筛选出坐标值等于地面的坐标值的点数据，得到地面点云数据；
根据所述地面点云数据从所述点云数据中获取非地面点云数据。
3.根据权利要求2所述的门槛检测方法，其特征在于，所述对所述点云数据中的点数据进行平面拟合，得到至少两个点云识别面包括：
根据所述移动机器人的预设可识别高度，从所述非地面点云数据中筛选出所述坐标值大于所述预设可识别高度的点数据，得到第一点云数据，其中，所述第一点云数据为非门槛点云数据；
将所述第一点云数据从所述非地面点云数据中剔除，得到第二点云数据，其中，所述第二点云数据为包括坐标值小于所述预设可识别高度且不小于地面的坐标值的点数据的点云数据；
利用预设的平面模型对所述第二点云数据进行平面拟合处理，得到至少两个点云识别面。
4.根据权利要求3所述的门槛检测方法，其特征在于，所述判断所述至少两个点云识别面中，是否存在目标点云识别面包括：
计算各所述点云识别面的每个点数据在垂直所述地面的方向上的坐标值，并筛选所述坐标值中的最大坐标值和最小坐标值；
根据各点云识别面的最大坐标值和最小坐标值，确定各点云识别面的坐标区间；
判断各所述点云识别面的坐标区间与预设坐标区间是否存在重叠，其中，所述预设坐标区间的区间上限值等于所述最高高度，区间下限值等于所述地面的坐标值；
若是，则确定所述至少两个点云识别面中存在目标点云识别面，并提取各点云识别面中重叠部分的点数据，得到目标点云识别面；
若否，则确定所述至少两个点云识别面中不存在目标点云识别面。
5.根据权利要求1所述的门槛检测方法，其特征在于，所述基于所述门槛平面，从所述至少两个目标面中获取门槛边缘点云识别面包括：
以所述门槛平面为分割平面，对所述至少两个目标面中除所述门槛平面之外目标面进行分割处理，得到下边缘点云识别面和上边缘点云识别面；
利用kd-tree近领域搜索算法，对所述下边缘点云识别面和所述上边缘点云识别面中的点数据进行近领域搜索，得到门槛边缘点云识别面。
6.根据权利要求5所述的门槛检测方法，其特征在于，所述利用kd-tree近领域搜索算法，对所述下边缘点云识别面和所述上边缘点云识别面中的点数据进行近领域搜索，得到门槛边缘点云识别面包括：
以所述上边缘点云识别面中的每个点数据作为种子点，对所述下边缘点云识别面中的点数据进行kd-tree近领域搜索，得到邻近点数据集；
根据所述邻近点数据集，对所述下边缘点云识别面进行点数据的剔除，得到门槛边缘点云识别面。
7.根据权利要求1-4中任一项所述的门槛检测方法，其特征在于，在所述获取点云数据之前，还包括：
获取所述移动机器人中用于采集点云数据的采集模块的配置信息，并基于所述配置信息确定所述采集模块的安装高度；
利用所述采集模块采集已知的门槛环境中的门槛点云数据；
根据所述安装高度对所述门槛点云数据进行裁剪，得到地面点云数据；
根据预设的平面模型，对所述地面点云数据进行平面拟合，得到地面的法向量；
计算所述地面的法向量与所述平面模型的法向量之间的角度关系，并基于所述角度关系确定旋转矩阵，其中，所述旋转矩阵为将所述地面点数据调整至与所述平面模型对应的平面方向一致的点数据矩阵。
8.根据权利要求7所述的门槛检测方法，其特征在于，在所述获取点云数据之后，还包括：
判断所述点云数据中每个点数据的法向量方向是否与所述平面模型的法向量的方向一致；
若否，则根据所述旋转矩阵对所述点云数据进行转换处理，得到矫正后的点云数据。
9.一种移动机器人，其特征在于，所述移动机器人包括：
采集模块，用于获取点云数据；
平面拟合模块，用于对所述点云数据中的点数据进行平面拟合，得到至少两个点云识别面；
判断模块，用于判断所述至少两个点云识别面中，是否存在目标点云识别面，其中，所述目标点云识别面距离所述移动机器人所处地面的高度小于或等于所述移动机器人的预设可跨越的最高高度；
识别模块，用于在判断存在所述目标点云识别面时，根据所述目标点云识别面从所述至少两个点云识别面中获取门槛边缘点云识别面；
所述根据所述目标点云识别面从所述至少两个点云识别面中获取门槛边缘点云识别面包括：
根据所述目标点云识别面，对所述至少两个点云识别面中的每个点云识别面进行裁剪处理，得到至少两个目标面，其中所述裁剪处理为将不属于所述目标点云识别面的点数据从所述点云识别面中删除；
统计各所述目标面中的点数据的数量，并按照降序法对所述至少两个目标面进行排序，得到面序列；
将所述面序列中位置最靠前的目标面确定为当前目标面；
计算所述当前目标面的法向量，并确定所述当前目标面的法向量与所述地面的法向量的相对角度关系；
判断所述相对角度关系是否位于预设的角度范围内；
若所述相对角度关系在预设的角度范围内，则确定所述当前目标面为门槛平面；
若所述相对角度关系不在预设的角度范围内，则将所述面序列中所述当前目标面的下一个目标面确定为新的当前目标面；
基于所述门槛平面，从所述至少两个目标面中获取门槛边缘点云识别面。
10.一种移动机器人，其特征在于，所述移动机器人包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互联；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述移动机器人执行如权利要求1-8中任一项所述的门槛检测方法的步骤。
11.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-8中任一项所述的门槛检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011436706.4A CN112699734B (zh) | 2020-12-11 | 2020-12-11 | 门槛检测方法、移动机器人及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011436706.4A CN112699734B (zh) | 2020-12-11 | 2020-12-11 | 门槛检测方法、移动机器人及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112699734A CN112699734A (zh) | 2021-04-23 |
| CN112699734B true CN112699734B (zh) | 2024-04-16 |
Family
ID=75507188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011436706.4A Active CN112699734B (zh) | 2020-12-11 | 2020-12-11 | 门槛检测方法、移动机器人及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112699734B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113334431B (zh) * | 2021-05-31 | 2023-10-13 | 上海诺亚木木机器人科技有限公司 | 一种识别电梯门内外高度差方法和装置 |
| CN113492405B (zh) * | 2021-06-17 | 2022-08-02 | 达闼机器人股份有限公司 | 机器人开门方法、装置、存储介质及电子设备 |
| CN113269897B (zh) * | 2021-07-19 | 2021-11-09 | 深圳市信润富联数字科技有限公司 | 表面点云的获取方法、装置、设备及存储介质 |
| CN114425774B (zh) * | 2022-01-21 | 2023-11-03 | 深圳优地科技有限公司 | 机器人行走道路的识别方法、识别设备以及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005087452A1 (ja) * | 2004-03-17 | 2005-09-22 | Sony Corporation | ロボット装置、及びその動作制御方法、並びに移動装置 |
| CN107179768A (zh) * | 2017-05-15 | 2017-09-19 | 上海木爷机器人技术有限公司 | 一种障碍物识别方法及装置 |
| CN107609520A (zh) * | 2017-09-15 | 2018-01-19 | 四川大学 | 障碍物识别方法、装置及电子设备 |
| CN109635700A (zh) * | 2018-12-05 | 2019-04-16 | 深圳市易成自动驾驶技术有限公司 | 障碍物识别方法、设备、系统及存储介质 |
| CN109872324A (zh) * | 2019-03-20 | 2019-06-11 | 苏州博众机器人有限公司 | 地面障碍物检测方法、装置、设备和存储介质 |
| CN110133744A (zh) * | 2018-02-09 | 2019-08-16 | 北京康力优蓝机器人科技有限公司 | 一种移动机器人路面路况检测方法 |
| CN110269550A (zh) * | 2019-06-13 | 2019-09-24 | 深圳市银星智能科技股份有限公司 | 一种门位置识别方法以及移动机器人 |
| CN110441791A (zh) * | 2019-08-14 | 2019-11-12 | 深圳无境智能机器人有限公司 | 一种基于前倾2d激光雷达的地面障碍物检测方法 |
| CN110799989A (zh) * | 2019-04-20 | 2020-02-14 | 深圳市大疆创新科技有限公司 | 一种障碍物检测方法、设备、可移动平台及存储介质 |
| CN110989630A (zh) * | 2019-12-30 | 2020-04-10 | 科沃斯机器人股份有限公司 | 自移动机器人控制方法、装置、自移动机器人和存储介质 |
| CN111142526A (zh) * | 2019-12-30 | 2020-05-12 | 科沃斯机器人股份有限公司 | 越障与作业方法、设备及存储介质 |
| CN111985322A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
-
2020
- 2020-12-11 CN CN202011436706.4A patent/CN112699734B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005087452A1 (ja) * | 2004-03-17 | 2005-09-22 | Sony Corporation | ロボット装置、及びその動作制御方法、並びに移動装置 |
| CN107179768A (zh) * | 2017-05-15 | 2017-09-19 | 上海木爷机器人技术有限公司 | 一种障碍物识别方法及装置 |
| CN107609520A (zh) * | 2017-09-15 | 2018-01-19 | 四川大学 | 障碍物识别方法、装置及电子设备 |
| CN110133744A (zh) * | 2018-02-09 | 2019-08-16 | 北京康力优蓝机器人科技有限公司 | 一种移动机器人路面路况检测方法 |
| CN109635700A (zh) * | 2018-12-05 | 2019-04-16 | 深圳市易成自动驾驶技术有限公司 | 障碍物识别方法、设备、系统及存储介质 |
| CN109872324A (zh) * | 2019-03-20 | 2019-06-11 | 苏州博众机器人有限公司 | 地面障碍物检测方法、装置、设备和存储介质 |
| CN110799989A (zh) * | 2019-04-20 | 2020-02-14 | 深圳市大疆创新科技有限公司 | 一种障碍物检测方法、设备、可移动平台及存储介质 |
| CN110269550A (zh) * | 2019-06-13 | 2019-09-24 | 深圳市银星智能科技股份有限公司 | 一种门位置识别方法以及移动机器人 |
| CN110441791A (zh) * | 2019-08-14 | 2019-11-12 | 深圳无境智能机器人有限公司 | 一种基于前倾2d激光雷达的地面障碍物检测方法 |
| CN110989630A (zh) * | 2019-12-30 | 2020-04-10 | 科沃斯机器人股份有限公司 | 自移动机器人控制方法、装置、自移动机器人和存储介质 |
| CN111142526A (zh) * | 2019-12-30 | 2020-05-12 | 科沃斯机器人股份有限公司 | 越障与作业方法、设备及存储介质 |
| CN111985322A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
Non-Patent Citations (3)
| Title |
|---|
| An Algorithm for Generating Convex Obstacle-free Regions Based on Stereographic Projection;Sergei Savin;《2017 International Siberian Conference on Control and Communications (SIBCON)》;第1-6页 * |
| 基于 RealSense 的深度信息的障碍物检测 与避障方法;周雄才;《万方数据》;全文 * |
| 基于 ROS 及深度摄像机的智能避障机器人 的研究与实现;田凯乔;《万方数据》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112699734A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112699734B (zh) | 门槛检测方法、移动机器人及存储介质 | |
| CN110781827B (zh) | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 | |
| CN110674705B (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
| CN111445517B (zh) | 机器人视觉末端定位方法、装置及计算机可读存储介质 | |
| WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
| CN111487641A (zh) | 一种利用激光雷达检测物体的方法、装置、电子设备及存储介质 | |
| CN104880160A (zh) | 一种工件表面轮廓的二维激光实时探测方法 | |
| CN105224947A (zh) | 分类器训练方法和系统 | |
| CN112561941A (zh) | 一种悬崖检测方法、装置和机器人 | |
| CN113744315A (zh) | 一种基于双目视觉的半直接视觉里程计 | |
| Wen et al. | Research on 3D point cloud de-distortion algorithm and its application on Euclidean clustering | |
| CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
| Manurung et al. | Custom pallet detection using yolov5 deep learning architecture | |
| CN112508970B (zh) | 一种点云数据分割方法及装置 | |
| CN115144828B (zh) | 一种智能汽车多传感器时空融合的自动在线标定方法 | |
| CN111240195A (zh) | 基于机器视觉的自动控制模型训练、目标物回收方法及装置 | |
| CN116206286A (zh) | 高速路况下的障碍物检测方法、装置、设备和介质 | |
| Yang et al. | Method for building recognition from FLIR images | |
| CN116524219A (zh) | 一种基于激光雷达点云聚类的障碍物检测方法 | |
| CN115063760A (zh) | 车辆可行驶区域检测方法、装置、设备及存储介质 | |
| Makhmalbaf et al. | 2D vision tracking methods' performance comparison for 3D tracking of construction resources | |
| CN114419428A (zh) | 一种目标检测方法、目标检测装置和计算机可读存储介质 | |
| WO2023062407A1 (en) | Method and system for determining and selecting rock breaking target poses for a rock breaker | |
| CN112163471A (zh) | 一种拥堵检测的方法和装置 | |
| Feng et al. | Research on information fusion method of millimetre wave radar and monocular camera for intelligent vehicle |
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 |
Address after: 518110 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: 518110 Building A1, Yinxing Hi-tech Industrial Park, Guanlan Street Sightseeing Road, Longhua District, Shenzhen City, Guangdong Province Applicant before: Shenzhen Silver Star Intelligent Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |