CN112833890A - 地图构建方法、装置、设备、机器人及存储介质 - Google Patents

地图构建方法、装置、设备、机器人及存储介质 Download PDF

Info

Publication number
CN112833890A
CN112833890A CN202011630684.5A CN202011630684A CN112833890A CN 112833890 A CN112833890 A CN 112833890A CN 202011630684 A CN202011630684 A CN 202011630684A CN 112833890 A CN112833890 A CN 112833890A
Authority
CN
China
Prior art keywords
robot
environment map
sensor
map
detection 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
CN202011630684.5A
Other languages
English (en)
Other versions
CN112833890B (zh
Inventor
陈宇奇
林翰
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.)
Hai Robotics Co Ltd
Original Assignee
Shenzhen Hairou Innovation 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 Hairou Innovation Technology Co Ltd filed Critical Shenzhen Hairou Innovation Technology Co Ltd
Priority to CN202011630684.5A priority Critical patent/CN112833890B/zh
Publication of CN112833890A publication Critical patent/CN112833890A/zh
Application granted granted Critical
Publication of CN112833890B publication Critical patent/CN112833890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28Navigation; 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
    • G01C21/30Map- or contour-matching
    • G01C21/32Structuring or formatting of map data

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本公开提供一种地图构建方法、装置、设备、机器人及存储介质,该地图构建方法应用于机器人,该机器人上设置有第一传感器和第二传感器,第一传感器的检测区域包括机器人周围的地面区域,第二传感器的检测区域包括机器人的上方区域,该方法包括:得到第一传感器的第一检测数据;得到第二传感器的第二检测数据;根据第一检测数据和第二检测数据,构建环境地图,实现了基于机器人上设置的两个传感器采集的周边地面和机器人上方的检测数据,进行地图构建的方法,从而基于该地图进行机器人导航,无需在地面铺设标记物,降低了导航成本,且基于地面和上方的检测数据综合构图,地图包含更丰富的特征信息,提高了导航效率和精度。

Description

地图构建方法、装置、设备、机器人及存储介质
技术领域
本公开涉及智能仓储技术领域,尤其涉及一种地图构建方法、装置、设备、机器人及存储介质。
背景技术
基于机器人的智能仓储系统采用智能操作系统,通过系统指令实现货物的自动提取和存放,同时可以24小时不间断运行,代替了人工管理和操作,提高了仓储的效率,受到了广泛的应用和青睐。
对于智能仓储系统,机器人执行相应的取放货任务,需要基于传感器确定自身所处的位置,即对机器人进行定位,进而基于机器人的定位进行路径规划和导航,从而到达指定位置进行作业。
现有的机器人定位导航方式包括磁条导航、色带导航、二维码导航等方式。上述导航方式,均需要在地面铺设标记物,增加了部署和维护成本。
发明内容
本公开提供一种地图构建方法、装置、设备、机器人及存储介质,无需在地面铺设任何标记物,通过构建环境的地图,实现了对机器人的可靠定位导航,导航成本低、精度高。
第一方面,本公开实施例提供了一种地图构建方法,该方法应用于机器人,所述机器人包括第一传感器和第二传感器,所述第一传感器用于检测所述机器人的第一区域,所述第二传感器用于检测所述机器人的第二区域,所述第一区域包括所述机器人周围的地面区域,所述第二区域包括所述机器人的上方区域,该方法包括:得到第一传感器的第一检测数据;得到第二传感器的第二检测数据;根据所述第一检测数据和第二检测数据,构建环境地图。
可选地,根据所述第一检测数据和第二检测数据,构建环境地图,包括:根据所述第一检测数据,构建以机器人位置为地图参考点的第一环境地图;根据所述第二检测数据,构建以机器人位置为地图参考点的第二环境地图;根据所述第一环境地图和第二环境地图,构建所述环境地图。
可选地,根据所述第一检测数据,构建以机器人位置为地图参考点的第一环境地图,包括:基于第一特征提取算法,根据所述第一检测数据确定所述机器人第一区域的第一特征信息;根据所述第一特征信息,构建所述第一环境地图;根据所述第二检测数据,构建以机器人位置为地图参考点的第二环境地图,包括:基于第二特征提取算法,根据所述第二检测数据确定所述机器人的第二区域的第二特征信息;根据所述第二特征信息,构建所述第二环境地图。
可选地,根据所述第一环境地图和第二环境地图,构建所述环境地图,包括:获取预先存储的所述第一传感器和所述第二传感器的校准参数;根据所述校准参数对所述第一环境地图和第二环境地图进行融合,以得到所述环境地图。
可选地,当所述环境地图为二维地图时,所述环境地图中的所述第一特征信息对应的图像采用第一标记,所述环境地图中的所述第二特征信息对应的图像采用第二标记。
可选地,当所述环境地图为三维地图时,在得到所述环境地图之后,还包括:根据所述第一特征信息和第二特征信息,对所述环境地图在预设高度范围内进行区块填补。
可选地,根据所述第一特征信息和第二特征信息,对所述环境地图在预设高度范围内进行区块填补,包括:根据特征信息的特征轮廓和/或特征位置,判断所述第一特征信息和第二特征信息是否匹配;若是,则根据匹配的所述第一特征信息和第二特征信息的特征位置确定所述预设高度范围,并对所述环境地图在预设高度范围内进行区块填补。
可选地,根据所述第一检测数据和第二检测数据,构建环境地图,包括:获取预先存储的所述第一传感器和所述第二传感器的校准参数;根据所述校准参数,对所述第一检测数据和第二检测数据进行数据融合,以得到融合检测数据;根据所述融合检测数据,构建所述环境地图。
可选地,根据所述第一环境地图和第二环境地图,构建所述环境地图,包括:分别获取所述机器人在所述第一环境地图中的第一坐标和在所述第二环境地图的第二坐标;根据所述第一坐标和第二坐标,确定所述第一环境地图和第二环境地图的映射关系;根据所述映射关系,调整所述第一环境地图和/或所述第二环境地图,以得到所述环境地图。
可选地,根据所述第一坐标和第二坐标,确定所述第一环境地图和第二环境地图的映射关系,包括:根据所述第一坐标和第二坐标,确定所述第一环境地图和第二环境地图的坐标误差;获取所述机器人的里程计的里程数据以及姿态传感器的姿态数据;根据所述坐标误差、里程数据以及姿态数据中的一项或多项,确定所述第一环境地图和第二环境地图的映射关系。
可选地,根据所述第一坐标和第二坐标,确定所述第一环境地图和第二环境地图的映射关系,包括:获取所述第一环境地图在所述第一坐标的第一预设范围内的第一特征点;获取所述第二环境地图在所述第二坐标的第二预设范围内的第二特征点,其中,所述第一特征点与所述第二特征点为属于同一个障碍物的特征点;根据所述第一坐标、第二坐标、所述第一特征点的坐标以及所述第二特征点的坐标,确定所述第一环境地图和第二环境地图的映射关系。
可选地,在根据所述第一检测数据和第二检测数据,构建环境地图之前,还包括:分别获取所述第一传感器和所述第二传感器在初始位置采集的第一初始地图和第二初始地图;根据所述第一传感器的安装位置、所述第二传感器的安装位置、所述机器人的预设点在所述第一初始地图和在所述第二初始地图的初始坐标,确定所述第一传感器和所述第二传感器的校准参数。
可选地,根据所述第一检测数据和第二检测数据,构建环境地图,包括:针对每个检测周期,根据上一检测周期对应的环境地图、所述检测周期对应的所述第一检测数据和第二检测数据,构建所述检测周期对应的环境地图。
可选地,在构建所述环境地图之前,还包括:根据所述第一检测数据对应的预设数量的相邻帧的数据、里程计的里程数据以及姿态传感器的姿态数据中的一项或多项,对所述第一检测数据进行数据优化;和/或,根据所述第二检测数据对应的预设数量的相邻帧的数据、里程计的里程数据以及姿态传感器的姿态数据中的一项或多项,对所述第二检测数据进行数据优化。
可选地,在构建环境地图之后,还包括:根据所述环境地图以及任务指令,对目标机器人进行路径规划,其中,所述目标机器人为执行所述任务指令的机器人。
可选地,所述机器人包括移动底盘、存储货架、升降组件与搬运装置中的一项或多项;所述第一传感器与所述第二传感器设置于所述移动底盘、所述存储货架、所述升降组件与所述搬运装置中的一项或多项上。
可选地,所述存储货架设置于所述移动底盘上,所述升降组件设置于所述移动底盘上,所述搬运装置设置于所述升降组件;所述第一传感器与所述第二传感器所述设置于升降组件和/或所述搬运装置时,通过所述升降组件的升降运作而调整所述第一传感器和/或所述第二传感器的高度。
可选地,所述第二传感器通过轴转结构设置于所述本体上,通过所述轴转结构的转动,所述第二传感器朝向所述机器人上方的多方向进行往复式或定向式的检测,在得到第二传感器的第二检测数据之前,所述方法还包括:
确定所述轴转结构的转动角度,以根据所述转动角度调整所述第二传感器的朝向。
可选地,所述第二传感器的朝向是依据所述轴转结构的转动角度而被带动调整。
可选地,所述第二传感器被带动轴转而形成的检测范围等同或近似于扇形或圆形。
可选地,所述第二传感器的数量为多个,且朝向不同方向进行检测,至少一个所述第二传感器的检测范围包括和/或组成所述机器人的上方区域。
可选地,至少两个所述第二传感器的检测范围的包括重叠区域或互不重叠。
可选地,所述第一传感器具有多个,分别的配置于所述移动底盘的前端以及以下的一项或多项:侧边与后端,至少一个所述第一传感器的检测范围包括和/或组成所述机器人的地面区域,各所述第一传感器的检测范围的边界为交集或分隔。
可选地,所述第一传感器和所述第二传感器为相同类型或相异类型的传感器。
可选地,所述第一传感器和所述第二传感器的传感器类型为以下一种或多种:2D相机、3D相机、激光雷达。
第二方面,本公开实施例还提供了一种地图构建装置,该装置包括:第一数据获取模块,用于得到第一传感器的第一检测数据;第二数据获取模块,用于得到第二传感器的第二检测数据;地图构建模块,用于根据所述第一检测数据和第二检测数据,构建环境地图。
第三方面,本公开实施例还提供了一种地图构建设备,包括:存储器和至少一个处理器;所述存储器存储计算机执行指令;所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行本公开第一方面对应的任意实施例提供的地图构建方法。
第四方面,本公开实施例还提供了一种机器人,包括第一传感器、第二传感器和数据处理模块,其中,所述第一传感器用于检测所述机器人的第一区域,所述第一区域包括所述机器人周围的地面区域;所述第二传感器用于检测所述机器人的第二区域,所述第二区域包括所述机器人的上方区域;所述数据处理模块用于执行本公开第一方面对应的任意实施例提供的地图构建方法。
第五方面,本公开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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如本公开第一方面对应的任意实施例提供的地图构建方法。
第六方面,本公开实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如本公开第一方面对应的任意实施例提供的地图构建方法。
本公开实施例提供的地图构建方法、装置、设备、机器人及存储介质,通过机器人上设置第一传感器和第二传感器,分别检测环境的第一区域和第二区域,从而得到包含机器人周围的地面区域的第一检测数据和包含机器人上方区域的第二检测数据,基于该第一检测数据和第二检测数据,自动构建环境地图,以基于该地图进行机器人导航,无需铺设标记物,基于环境自身特征便可实现机器人导航,降低了导航成本;且通过两个检测区域不同的传感器的数据构建地图,提高了地图信息的丰富程度,进而提高了机器人定位的可靠性和准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本公开实施例提供的地图构建方法的一种应用场景图;
图2A为本公开一个实施例提供的机器人的结构示意图;
图2B为本公开一个实施例中的一种机器人及其搬运装置的结构;
图2C为本公开图2A所示实施例中的一种传感器配置示意图;
图2D为本公开图2A所示实施例中的另一种传感器配置示意图;
图2E为本公开图2A所示实施例中的另一种传感器配置示意图;
图2F为本公开图2A所示实施例中的另一种传感器配置示意图;
图3A为本公开一个实施例提供的地图构建方法的流程图;
图3B是本公开图3A所示实施例中一种机器人的结构示意图;
图3C为本公开图3A所示实施例中另一种机器人的结构示意图;
图3D为本公开图3A所示实施例中另一种机器人的结构示意图;
图3E为本公开图3A所示实施例中另一种机器人的结构示意图;
图3F为本公开图3A所示实施例中另一种机器人的结构示意图;
图4A为本公开另一个实施例提供的地图构建方法的流程图;
图4B为本公开图4A所示实施例中第一环境地图的示意图;
图4C为本公开图4A所示实施例中第二环境地图的示意图;
图5为本公开图4A所示实施例中步骤S406的流程图;
图6A为本公开另一个实施例提供的地图构建方法的流程图;
图6B为本公开图6A所示实施例中融合后的环境地图的示意图;
图6C为本公开图6A所示实施例中机器人视野范围内的实际环境的示意图;
图6D为本公开图6C所示实施例中融合后的三维环境地图的示意图;
图6E为本公开图6D所示实施例中填补后的三维环境地图的示意图;
图7为本公开另一个实施例提供的地图构建方法的流程图;
图8为本公开一个实施例提供的地图构建装置的结构示意图;
图9为本公开一个实施例提供的地图构建设备的结构示意图;
图10为本公开一个实施例提供的机器人的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本公开的实施例进行描述。
下面对本公开实施例的应用场景进行解释:
图1为本公开实施例提供的地图构建方法的一种应用场景图,如图1所示,本公开实施例提供的地图构建方法可以由机器人或地图构建设备执行,该机器人可以是仓储机器人、扫地机器人或者其他作业机器人。为了实现机器人110在密闭环境或者半开放环境中的自动导航,如在仓库、料房等建筑物内,需要对机器人110进行定位,具体可以根据环境120中的特征点,如地面纹理,确定机器人110的位置。
为了可以可靠定位机器人110,现有技术往往在环境120的地面上铺设标记物121,如二维码、磁条等,从而机器人110可以通过识别地面的各个标记物121确定自身位置,并根据当前位置以及路径规划进行移动,从而实现机器人110的导航。
通过在地面增加标记物的方式进行机器人定位和导航,成本较高,且标记物易于损坏,增加了维护成本。为了降低机器人导航的成本,本公开实施例提供了一种地图构建方法,无需在地面设置任何标记物,而是通过机器人上设置的第一传感器和第二传感器采集的数据,构建环境地图,进而基于该地图进行机器人定位和导航。
图2A为本公开一个实施例提供的机器人的结构示意图,如图2A所示,机器人80包括移动底盘83,存储货架82,搬运装置84,升降组件81。其中,存储货架82、搬运装置84以及升降组件81均安装于所述移动底盘83,以及在存储货架82上设置若干存储单元。升降组件81用于驱动搬运装置84进行升降移动,使搬运装置84对准存储货架82上的任意一个存储单元,或者对准货架和/或货物。搬运装置84能以竖直方向为轴进行旋转而调整朝向,以对准至存储单元,或者对准货架和/或货物。搬运装置84用于执行货物的装载或卸除,以在货架与存储单元之间进行货物的搬运。
示例性的,存储货架82可以选择性的配置或不配置,在不配置存储货架82时,机器人80在搬运货物期间,货物是存放在搬运装置84的容置空间内。
上述实施例中的机器人80可以执行本公开任意实施例提供的地图构建方法中涉及料箱搬运的步骤,以实现货架、缓存区以及操作平台之间的货物搬运。
在机器人80执行存放货物任务的过程中,机器人80移动至货物被指定的存放空间的位置,通过调节组件,如旋转机构,配合搬运装置84,将目标物从机器人本体81的存储单元搬运至货架上。
图2B为本公开一个实施例中的一种机器人及其搬运装置的结构。配合图2A和图2B可知,搬运装置84安装于托架86。可以通过增加旋转机构使得搬运装置84相对于托架86绕一竖直轴线旋转,以对准储单元,或者对准货架和/或货物。可以理解的是,根据实际情况,旋转机构可以省略,例如,搬运机器人80以固定的轨道移动,在移动至货架附近后,搬运装置84始终对准货架和/或货物,而货物配置在搬运装置84的取货方向上即可。
所述机器人包括本体、运算组件、第一传感器与第二传感器。所述本体即如前述的图2A或图2B的机器人结构。所述第一传感器310与所述第二传感器320设置于所述本体上。所述第二传感器320的检测范围至少包括所述机器人的上方区域,所述第一传感器310的检测范围至少包括所述机器人的地面区域。运算组件(图中未示出)设置于所述本体内且电性耦接所述第一传感器310与所述第二传感器320,依据所述第一传感器310与所述第二传感器320的检测数据建构环境地图。
在一些实施例中,机器人的本体包括移动底盘、存储货架、升降组件与搬运装置中的一项或多项,存储货架设置于移动底盘上,升降组件设置于移动底盘上,搬运装置设置于升降组件;第一传感器310与第二传感器320可以设置于移动底盘、存储货架、升降组件与搬运装置中的一项或多项上。
示例性的,第一传感器310可以设置在移动底盘上,第二传感器320可以设置在存储货架、升降组件或者搬运装置上。或者第一传感器310和第二传感器320均可以设置在搬运装置或升降组件上。
图2C为本公开图2A所示实施例中的一种传感器配置示意图。结合图2A至2C可知,本实施例中的机器人的本体包括移动底盘与存储货架,存储货架设置于移动底盘上;第一传感器310与第二传感器320选择性的设置于移动底盘和/或存储货架。图2C中以第一传感器310配置于移动底盘的前端、第二传感器320配置于存储货架的上端为例。
图2D为本公开图2A所示实施例中的另一种传感器配置示意图。结合图2A至图2D可知,本实施例中的机器人还包括搬运装置和升降组件,升降组件配置在存储货架的立柱内侧,用于驱动搬运装置进行升降移动,第一传感器310与第二传感器320可以设置于升降组件和/或搬运装置上,通过升降组件的升降运作而调整第一传感器310和/或第二传感器320的高度。在图2D中,将第一传感器310配置在移动底盘上,将第二传感器320配置于升降组件上,通过升降组件的升降运作可以调整第二传感器320的高度。
图2E为本公开图2A所示实施例中的另一种传感器配置示意图。结合图2A至图2C以及图2E可知,本实施例中的机器人还包括轴转结构321,第二传感器320通过轴转结构321设置于机器人上,通过轴转结构321的转动,第二传感器320朝向机器人上方的多方向进行往复式或定向式的检测。
示例的,第二传感器320的朝向是依据轴转结构321的转动角度而被带动调整,该转动角度可以是默认值,也可以根据需求进行自定义,或者可以根据现场情况自适应确定。
示例的,第二传感器320被带动轴转而形成的检测范围等同或近似于扇形或圆形。
在一些实施例中,第二传感器320的数量为多个,且朝向不同方向进行检测,至少一个第二传感器320的检测范围包括和/或组成所述机器人的上方区域。
具体的,第二传感器320的数量可以为2、3、4或者其他值,其中一个或多个第二传感器320可以用于检测机器人的上方区域,或者多个第二传感器320的检测范围的并集为上述上方区域。不同的第二传感器320可以朝向不同的方向,如机器人的前上方、后上方、左上方、右上方等方向。
图2F为本公开图2A所示实施例中的另一种传感器配置示意图。结合图2A至图2C以及图2F可知,本实施例中的第二传感器320的数量为2个,分别朝向机器人的前上方和后上方两个方向进行检测。
具体的,至少两个第二传感器320的检测范围包括重叠区域或互不重叠。
示例性的,相邻两个第二传感器320的检测范围可以包括重叠区域,也可以互不重叠。
在一些实施例中,第一传感器310的数量为多个,分别的配置于移动底盘的前端以及以下的一项或多项:侧边与后端,至少一个第一传感器310的检测范围包括和/或组成机器人的地面区域,至少两个所述第一传感器310的检测范围包括重叠区域或互不重叠。
具体的,第一传感器310的数量可以为2、3、4或者其他值。相邻两个第一传感器310的检测范围包括重叠区域或互不重叠。
在一些实施例中,第一传感器310和第二传感器320可以为相同类型或相异类型的传感器。
在一些实施例中,第一传感器310和第二传感器320的传感器类型为以下一种或多种:2D相机、3D相机、激光雷达。
图3A为本公开一个实施例提供的地图构建方法的流程图,如图3A所示,该地图构建方法可以机器人或地图构建设备执行,该机器人具体可以是仓储机器人、扫地机器人、物料机器人等在封闭或者半开放环境中作业的机器人,该地图构建设备可以为计算机、服务器或者其他数据处理设备。该机器人上设置有第一传感器和第二传感器,第一传感器用于检测机器人的第一区域,第二传感器用于检测机器人的第二区域,第一区域包括机器人周围的地面区域,第二区域包括机器人的上方区域。本实施例提供的地图构建方法包括以下步骤:
步骤S301,得到第一传感器的第一检测数据。
步骤S302,得到第二传感器的第二检测数据。
其中,第一传感器的数量可以是一个,也可以是多个。第一传感器可以设置在机器人的下半区域上,以采集第一区域的第一检测数据。第二传感器的数量可以是一个,也可以是多个。第二传感器可以设置在机器人的上半区域上,以采集第二区域的第二检测数据。第一区域为第一传感器的视野范围,可以包括机器人所处位置预设范围内的地面以及地面设定高度内对应的区域。第二区域为第二传感器的视野范围,可以包括机器人上方的区域,如天花板。
具体的,第一传感器和第二传感器可以是同一类型的传感器,如可以是2D相机、3D相机、激光雷达中的任意一种。当然,也可以采用不同类型的传感器作为第一传感器和第二传感器,本公开对第一传感器和第二传感器的具体类型以及数量均不进行限定。
具体的,第一传感器的检测区域,即第一区域,的角度范围可以是180°或者360°,从而检测机器人的前方或者四周的环境。第一传感器也可以称为地面传感器,主要用于检测地面的特征信息,还可以检测地面至其设定高度的特征信息。
示例性的,第一传感器可以设置在机器人的移动底盘的前后左右四个方位、或者设置在移动底盘的左右两个方位,以向外感知机器人周边的环境,本公开对第一传感器的安装位置不进行限定
具体的,第二传感器可以为一个向上感知的广角传感器,或者为多个向上感知的普通传感器,以感知机器人上方较大范围的环境的特征信息。第二传感器可以称为上方传感器或者天空传感器。第二传感器的检测区域,即第二区域,的角度范围可以是90°、120°、150°或者其他角度。
示例性的,第二传感器可以设置在机器人的顶端,如机器人的存储货架的顶端,或者机器人的顶部外边框上,本公开对第二传感器的安装位置不进行限定。
具体的,第一检测数据可以包括机器人所处环境预设范围内的地面的检测数据,还可以距离地面设定高度的检测数据,如10cm、30cm等。第二检测数据可以包括机器人上方一定范围内的天花板的检测数据。
具体的,第一传感器和第二传感器可以实时检测和上传其检测的数据,或者可以按照检测周期上传该在检测周期内采集的数据。从而使得机器人的数据处理模块、处理器或者其他电子设备,接收其上传的第一检测数据和第二检测数据。
进一步地,在得到第一检测数据和第二检测数据之后,还可以对第一检测数据和第二检测数据进行预处理,如降噪处理、校准处理等。从而基于处理后的第一检测数据和处理后的第二检测数据见环境地图的构建。
本公开所提及的机器人可以通过在图2A-图2B对应的任意一个实施例提供的机器人的基础上增加上述第一传感器和第二传感器实现。
示例性的,图3B是本公开图3A所示实施例中一种机器人的结构示意图,如图3B所示,第一传感器310的数量为两个,分别设置在机器人300的移动底盘330的前后两个侧面,以检测机器人前后两个方位的地面。第二传感器320的数量为一个,设置在机器人300的顶端,第二传感器320为一个广角传感器,其向上感知,以检测机器人的上方区域,如天花板。图中采用虚线表示各个传感器的检测范围。
示例性的,图3C为本公开图3A所示实施例中另一种机器人的结构示意图,结合图3B和3C可知,本实施例中的第二传感器320的数量为两个,设置在机器人300的顶部的前后两个侧面,分别感知机器人前后两个方位的上方区域,以获取机器人上方区域的检测数据。
示例性的,图3D为本公开图3A所示实施例中另一种机器人的结构示意图,如图3D所示,机器人300的第一传感器310和第二传感器320的数量均为一个,分别用于感知机器人300行进方向,即前方,视野范围内的地面和上方区域。
示例性的,图3E为本公开图3A所示实施例中另一种机器人的结构示意图,结合图3D和3E可知,本实施例的第一传感器310数量为多个,图3E中以4个为例,分别设置在机器人底部的前后左右四个方位,四个第一传感器的总的视野范围为360°。
示例性的,第一传感器310可以为多个,分别配置于移动底盘的前端以及以下的一项或多项:侧边与后端,至少一个第一传感器310的检测范围包括和/或组成机器人的地面区域,各第一传感器310的检测范围包括重叠区域或互不重叠。
示例性的,图3F为本公开图3A所示实施例中另一种机器人的结构示意图,结合图3F和3E可知,本实施例的第一传感器310数量4个,分别设置在机器人底部的前后左右四个方位,每个第一传感器310的视野范围大于90°,具体可以是广角传感器,从而使得相邻设置的第一传感器310的视野范围存在重叠,通过后续的数据处理,可以基于该重叠区域对数据进行配准,从而得到360°的地面的环境地图。
步骤S303,根据所述第一检测数据和第二检测数据,构建环境地图。
其中,该环境地图可以是拓扑图、三维地图或者其他形式的地图。该环境地图包括机器人所处环境的地面的特征以及天花板的特征。
其中,该环境地图可以是以机器人当前位置为起点或原点,将机器人周边环境的特征数据化之后,得到的周边环境的地图。还可以是机器人所经过的环境的环境地图。
具体的,可以基于预设构图模型,接收各个第一检测数据和第二检测数据,从而得到机器人所处环境的环境地图。
进一步地,该预设构图模型可以为视觉SLAM(Simultaneous Localization AndMapping,同步定位与建图)的构图模型,如ORB(Oriented FAST and Rotated BRIEF,特征检测与描述算法)-SLAM系统、LSD Large-Scale Direct Monocular,基于直接法的大范围单目算法)-SLAM(系统。
其中,ORB是基于FAST(Features From Accelerated Segment Test,快速特征提取和描述算法)和BRIEF(Binary Robust Independent Elementary Features,基于二进制鲁棒独立基本特征描述算法)的算法,具体为基于FAST算法快速检测提取特征或者快速确定关键点,基于BRIEF算法计算各个特征或者关键点的描述子,从而进行特征匹配和重定位。
具体的,该环境地图可以由每个检测周期对应的局部栅格地图组成,该局部栅格地图为根据相应检测周期的第一检测数据和第二检测数据生成的,以机器人当前位置为起点的局部地图。
进一步地,在根据各个局部栅格地图构建环境地图时,可以加入回环检测或者闭环检测,以优化环境地图。
可选地,根据所述第一检测数据和第二检测数据,构建环境地图,包括:
针对每个检测周期,根据上一检测周期对应的环境地图、所述检测周期对应的所述第一检测数据和第二检测数据,构建所述检测周期对应的环境地图。
具体的,随着机器人的不断移动,得到各个检测周期对应的第一检测数据和第二检测数据,在后续的检测周期进行构图时,会结合上一检测周期已构建的环境地图进行,基于后一检测周期的数据,对前一检测周期的环境地图进行更新和补充,从而逐步完善机器人所处环境的环境地图。
具体的,根据每个检测周期的第一检测数据和第二检测数据可以得到每帧局部栅格地图,将相邻帧的局部栅格地图进行对比,从而根据对比结果对当前帧的局部栅格地图进行优化,进而结合历史时间获取的各帧局部栅格地图,得到当前检测周期对应的环境地图。随着机器人的不断移动,得到新的局部栅格地图,对该环境地图进行扩充或更新,从而得到符合所检测的环境实况的导航地图。
具体的,可以在获取一连串的连续帧的局部栅格地图之后,如5帧、10帧或者其他数量,从而对该连续帧进行对比,根据对比结果对连续帧的各帧的局部栅格地图进行优化。或者可以基于相邻帧以及连续帧的对比结果进行优化。
可选地,根据所述第一检测数据和第二检测数据,构建环境地图,包括:
根据所述第一检测数据,构建以机器人位置为地图参考点的第一环境地图;根据所述第二检测数据,构建以机器人位置为地图参考点的第二环境地图;根据所述第一环境地图和第二环境地图,构建所述环境地图。
具体的,可以根据第一检测数据和第二检测数据分别构图,从而得到第一环境地图和第二环境地图,从而基于这两张地图,构建机器人所述环境的环境地图。
进一步地,可以基于上述预设构图模型,分别建立第一环境地图和第二环境地图。
可选地,在构建环境地图之后,还包括:
根据所述环境地图以及任务指令,对目标机器人进行路径规划,其中,所述目标机器人为执行所述任务指令的机器人。
其中,该任务指令可以是取货指令、放货指令、理库指令、检查指令或者其他作业指令。
具体的,可以根据任务指令所涉及的一个或多个目标位置,以及预先建立的环境地图,对目标机器人进行路径规划,以使目标机器人顺利、高效地移动至各个目标位置,进行相应的任务。
进一步地,在得到第一检测数据和第二检测数据之后,还可以判断该第一检测数据和第二检测数据中有效数据的数据量,该有效数据可以是稳定的特征点或点云数据,若其中一个检测数据的有效数据的数据量较少时,即一个传感器采集的有效数据较少时,则可以仅基于另一个检测数据进行环境地图的构建,当该传感器采集的有效数据长期较少,如少于预设数据量,则上报该传感器异常,以便于及时进行传感器维护。
可选地,当第二传感器通过轴转结构设置于所述本体上时,在得到第二传感器的第二检测数据之前,所述方法还包括:
确定所述轴转结构的转动角度,以根据所述转动角度调整所述第二传感器的朝向。
具体的,可以根据环境的类型和/或第二传感器的视野范围,确定转动角度。其中,环境类型可以由环境的特征的密集程度确定。
示例性的,当环境类型为特征稀疏类型,该第二传感器的视野范围为90°时,该转动角度可以是30°,从而将第二传感器的视野范围调整为120°,以使第二传感器可以检测较大的第二区域,从而获取更多地有效信息用于地图的构建。
本公开实施例提供的地图构建方法,通过机器人上设置第一传感器和第二传感器,分别检测环境的第一区域和第二区域,从而得到包含机器人周围的地面区域的第一检测数据和包含机器人上方区域的第二检测数据,基于该第一检测数据和第二检测数据,自动构建环境地图,以基于该地图进行机器人导航,无需铺设标记物,基于环境自身特征便可实现机器人导航,降低了导航成本;且通过两个检测区域不同的传感器的数据构建地图,提高了地图信息的丰富程度,进而提高了机器人定位的可靠性和准确度。
图4A为本公开另一个实施例提供的地图构建方法的流程图,本实施例提供的地图构建方法是在图3A所示实施例的基础上,对步骤S303的进一步细化,如图4A所示,本实施例提供的地图构建方法包括以下步骤:
步骤S401,得到第一传感器的第一检测数据和第二传感器的第二检测数据。
步骤S402,对所述第一检测数据和第二检测数据进行数据优化。
具体的,可以根据所述第一检测数据对应的预设数量的相邻帧的数据、里程计的里程数据以及姿态传感器的姿态数据中的一项或多项,对所述第一检测数据进行数据优化。根据所述第二检测数据对应的预设数量的相邻帧的数据、里程计的里程数据以及姿态传感器的姿态数据中的一项或多项,对第二检测数据进行数据优化。
其中,预设数量可以是1、5、10或者其他数值。里程计可以用于测量机器人移动的行程。姿态传感器又称为惯性测量单元(Inertial Measurement Unit,IMU),包括加速度计、陀螺仪和磁力仪三种传感器,以测量机器人的速度、加速度、方向、重力等参数。
进一步地,可以基于一个或者多个相邻帧的检测数据或者局部栅格地图,对当前帧的第一检测数据和第二检测数据进行对比,确定变化的特征,进而根据该变化的特征与机器人的距离,对第一检测数据和第二检测数据进行优化。
进一步地,可以根据机器人上设置的里程计和惯性测量单元,确定机器人的状态参数,如移动行程、位姿、重力加速度等,从而基于机器人的状态参数对第一检测数据和第二检测数据进行优化。
步骤S403,根据所述第一检测数据,构建以机器人位置为地图参考点的第一环境地图。
具体的,基于优化后的第一检测数据,以机器人当前位置为地图原点的第一环境地图,该第一环境地图中包括机器人在当前位置所感知的地面的特征信息。
步骤S404,根据所述第二检测数据,构建以机器人位置为地图参考点的第二环境地图。
具体的,基于优化后的第二检测数据,以机器人当前位置为地图原点的第二环境地图,该第二环境地图中包括机器人在当前位置所感知的上方区域的特征信息。
具体的,第一环境地图和第二环境地图在构图时,可以采用相同的地图坐标系,也可以采用不同的地图坐标系。
示例性的,图4B为本公开图4A所示实施例中第一环境地图的示意图,图4C为本公开图4A所示实施例中第二环境地图的示意图,结合图4B和4C可知,环境地图,第一环境地图或第二环境地图,中包括实际环境中的各个物体对应的特征信息,还通过特定标记410,标识机器人数值化后在该环境地图中的位置,以标记该环境地图以机器人为原点。
需要了解的是,步骤S403和步骤S404可以同步并行执行,或者先执行步骤S404再执行步骤S403。
步骤S405,分别获取所述机器人在所述第一环境地图中的第一坐标和在所述第二环境地图的第二坐标。
其中,第一坐标和第一坐标可以是同一坐标系下的两个坐标,也可以是不同坐标系下对应的两个坐标。
步骤S406,根据所述第一坐标和第二坐标,确定所述第一环境地图和第二环境地图的映射关系。
其中,该映射关系用于描述同一检测周期对应的第一环境地图和第二环境地图的关联关系。
具体的,由于同一检测周期的检测数据是由机器人的不同朝向的第一传感器和第二传感器,在同一位置采集的环境的不同区域的特征信息,两者之间在空间位置上的关联关系。
可选地,图5为本公开图4A所示实施例中步骤S406的流程图,如图5所示,步骤S406包括以下步骤:
步骤S4061,根据所述第一坐标和第二坐标,确定所述第一环境地图和第二环境地图的坐标误差。
具体的,若第一坐标和第二坐标对应的坐标系是不同的坐标系,则可以通过坐标转换,将两者转换为同一坐标系下的坐标。
具体的,在理想情况下,转换为同一坐标系下之后的第一坐标和第二坐标的坐标值应相同,均代表机器人在该坐标系下的坐标。然而,由于第一传感器和第二传感器自身的误差、后续构图时的数据误差等,导致第一坐标和第二坐标之间存在偏差。第一坐标和第二坐标的偏差,可以用于描述第一环境地图和第二环境地图的坐标误差。
步骤S4062,获取所述机器人的里程计的里程数据以及姿态传感器的姿态数据。
步骤S4063,根据所述坐标误差、里程数据以及姿态数据中的一项或多项,确定所述第一环境地图和第二环境地图的映射关系。
具体的,可以根据里程数据和姿态数据确定第一环境地图和第二环境地图的修正参数,以将两张地图转化为具有相同变化条件的地图,进而结合坐标误差和上述修正参数,确定第一环境地图和第二环境地图的映射关系,以使两张地图可以融合成一张环境地图,或者使得两张相应的点匹配。
可选地,根据所述第一坐标和第二坐标,确定所述第一环境地图和第二环境地图的映射关系,包括:
获取所述第一环境地图在所述第一坐标的第一预设范围内的第一特征点;获取所述第二环境地图在所述第二坐标的第二预设范围内的第二特征点,其中,所述第一特征点与所述第二特征点为属于同一个障碍物的特征点;根据所述第一坐标、第二坐标、所述第一特征点的坐标以及所述第二特征点的坐标,确定所述第一环境地图和第二环境地图的映射关系。
其中,第一预设范围内的第一特征点的数量可以至少为3个,如5个,第二预设范围内的第二特征点的数量可以至少为2个,具体可以是3个。第一特征点和第二特征点为同一障碍物不同位置点对应的环境地图中的点。该障碍物可以是环境中较高的物体,如货架、柱子等。
具体的,通过在第一环境地图和第二环境地图中,获取机器人邻近的属于同一障碍物的特征点,从而基于第一环境地图中的机器人的第一坐标以及各个第一特征点的坐标组成第一坐标集合,基于第二环境地图中机器人的第二坐标以及各个第二特征点的坐标组成第二坐标集合,进而计算第一坐标集合和第二坐标集合的映射集合,使得两个坐标集合相互收敛,得到上述映射关系。
步骤S407,根据所述映射关系,调整所述第一环境地图和/或所述第二环境地图,以得到所述环境地图。
具体的,可以根据该映射关系对第一环境地图和第二环境地图分别进行调整,从而得到匹配的第一环境地图和第二环境地图。
具体的,可以根据该映射关系,以其中一个环境地图为基准,对另一个环境地图进行调整,从而得到环境地图,该环境地图包括一组第一环境地图和第二环境地图。
进一步地,在后续使用过程中,机器人还可以仅根据第一环境地图或第二环境地图进行导航。具体可以根据采集第一环境地图和第二环境地图时,机器人的状态,如重力方向的加速度、位姿等,计算第一环境地图和第二环境地图的置信度,从而当一方置信度较低时,仅根据另一方对应的环境地图进行导航。
示例性的,可以以第一环境地图为基准,基于映射关系对第二环境地图进行调整。
进一步地,在基于映射关系进行调整之后,还可以将第一环境地图和第二环境融合或者拼接,得到一张较为完整的环境地图。
本实施例,通过机器人上设置第一传感器和第二传感器,分别感知环境的地面区域和天花板区域,得到第一环境地图和第二环境地图,并基于机器人在两张地图上的坐标确定其映射关系,基于该映射关系进行地图调整,以得到匹配的第一环境地图和第二环境地图,使得两张地图的表示同一位置的点的坐标保持一致,提高了所构建的环境地图的一致性,从而提高导航的精确度;同时,通过两个检测区域不同的传感器的数据构建地图,提高了地图信息的丰富程度,进而提高了机器人定位的可靠性和准确度。
图6A为本公开另一个实施例提供的地图构建方法的流程图,本实施例提供的地图构建方法是在图3A所示实施例的基础上,对步骤S303的进一步细化,如图6A所示,本实施例提供的地图构建方法包括以下步骤:
步骤S601,得到第一传感器的第一检测数据和第二传感器的第二检测数据。
步骤S602,基于第一特征提取算法,根据所述第一检测数据确定所述机器人第一区域的第一特征信息。
步骤S603,根据所述第一特征信息,构建所述第一环境地图。
步骤S604,基于第二特征提取算法,根据所述第二检测数据确定所述机器人的第二区域的第二特征信息。
步骤S605,根据所述第二特征信息,构建所述第二环境地图。
其中,第一特征提取算法和第二特征提取算法可以是上述ORB算法、LSD算法。当然也可以采用其他特征提取算法,本公开对此不进行限定。
具体的,在得到特征信息之后,可以基于相应的构图模型进行相应地图的构建。
步骤S606,获取预先存储的所述第一传感器和所述第二传感器的校准参数。
其中,校准参数是预先存储在机器人中的参数,校准参数用于对第二传感器或第一传感器采集的数据进行校准。
可选地,在构建环境地图之前,该方法还包括校准参数的确定过程,具体为:
分别获取所述第一传感器和所述第二传感器在初始位置采集的第一初始地图和第二初始地图;根据所述第一传感器的安装位置、所述第二传感器的安装位置、所述机器人的预设点在所述第一初始地图和在所述第二初始地图的初始坐标,确定所述第一传感器和所述第二传感器的校准参数。
其中,初始位置可以是机器人在进行环境地图构建的初始点对应的位置,或者可以是第一传感器和第二传感器安装完毕后,进入初始化阶段时,机器人的位置。
具体的,在第一传感器和第二传感器初始化时,通过第一传感器和第二传感器在初始位置采集第一初始地图和第二初始地图,并基于机器人数值化后在该第一初始地图和第二初始地图的初始坐标和两个传感器的安装位置,确定两个传感器之间的偏差,从而以一个传感器为基准,如第一传感器,计算另一个传感器的校准参数。
步骤S607,根据所述校准参数对所述第一环境地图和第二环境地图进行融合,以得到所述环境地图。
具体的,在得到校准参数之后,对后续获取的每帧第一环境地图或第二环境地图进行校准,进而在校准之后,将第一环境地图和第二环境地图融合,将两张分立的环境地图融合为一个整体,得到所需的环境地图。
进一步地,可以基于预设融合算法,对第一环境地图和第二环境地图进行融合。该预设融合算法可以为Quasi-Newton优化,Levenberg–Marquardt优化或者其他非线性数值优化方法。
进一步地,在第一环境地图和第二环境地图融合时,还可以结合机器人上设置的里程计的里程数据和IMU的位姿数据,进行图像融合。
可选地,当所述环境地图为二维地图时,所述环境地图中的所述第一特征信息对应的图像采用第一标记,所述环境地图中的所述第二特征信息对应的图像采用第二标记。
具体的,采用不同的标记描述第一环境地图和第二环境地图中的各个特征信息,以区分来自两个地图的特征信息,从而使得环境地图携带更多维度的信息,使得二维地图可以达到三维地图的效果,从而可以更好地定位机器人和进行机器人导航。
示例性的,第一标记和第二标记可以是颜色不同的标记,还可以是填充方式不同的标记。
示例性的,图6B为本公开图6A所示实施例中融合后的环境地图的示意图,图6B以二维地图为例,如图6B所示,融合后的环境地图包括第一环境地图的第一特征信息610、第二环境地图的第二特征信息620和机器人的特定标识630,其中,第一特征信息610对应的第一标记的填充方式为无填充,而第二特征信息620对应的第二标记的填充方式为斜线填充,从而可以轻易区分融合后的环境地图中各个特征信息的归属,使得2D地图可以具备3D地图的效果。
可选地,当所述环境地图为三维地图时,在得到所述环境地图之后,还包括:
根据所述第一特征信息和第二特征信息,对所述环境地图在预设高度范围内进行区块填补。
具体的,填补主要是针对由于第一传感器和第二传感器的视野范围在高度方向上并未包括机器人所处环境的全部高度,从而导致部分高度范围的特征信息无法采集,因此需要对该高度范围的特征信息进行填补。
进一步地,可以基于属于同一障碍物的第一特征信息和第二特征信息,对环境地图中描述该障碍物的区域进行特征填补。
可选地,据所述第一特征信息和第二特征信息,对所述环境地图在预设高度范围内进行区块填补,包括:
根据特征信息的特征轮廓和/或特征位置,判断所述第一特征信息和第二特征信息是否匹配;若是,则根据匹配的所述第一特征信息和第二特征信息的特征位置确定所述预设高度范围,并对所述环境地图在预设高度范围内进行区块填补。
具体的,根据特征信息的特征轮廓以及特征位置,可以判断第一特征信息和第二特征信息是否属于同一障碍物,若是,则基于第一特征信息和第二特征信息的特征位置确定需要进行填补的预设高度范围,并在环境地图的该预设高度范围内对该障碍物对应的区域进行特征填补,以得到该障碍物对应的完整的三维图像。
示例性的,图6C为本公开图6A所示实施例中机器人视野范围内的实际环境的示意图,如图6C所示,机器人640上设置有第一传感器641和第二传感器642,以分别感知机器人640所处的实际环境的地面和天花板的特征信息,在机器人640的当前位置处,其对应的实际环境中包括两个障碍物,分别为障碍物651和障碍物652,其中,障碍物651为天花板上安装图的照明装置,障碍物652为货架。图6D为本公开图6C所示实施例中融合后的三维环境地图的示意图,如图6D所示,在机器人640的当前位置处所形成的融合后的环境地图中,包括这两个障碍物的特征信息,其中,特征661和特征662为障碍物652对应的特征信息,特征663为障碍物651对应的特征信息,特征661为第一传感器对应的特征信息,特征662和特征663为第二传感器对应的特征信息。图6E为本公开图6D所示实施例中填补后的三维环境地图的示意图,结合图6D和图6E可知,图6E是在图6E的基础上,对障碍物652对应的特征信息进行了填补,即对特征661和特征662之间的空白部分,即障碍物652的预设高度范围,图6E中的特征填补区域653,进行了特征填补,从而得到了障碍物652对应的完整的特征信息。
通过特征填补可以生成实际环境中各个物体完成的图像,从而使得所构建的环境地图可以包括各个物体完整的信息,以提高环境地图的完整度,从而提高基于该环境地图的导航方式的导航效率和精准度。
本实施例,通过对第一传感器对应的第一环境地图和第二传感器对应的第二环境地图进行参数校准和地图融合,得到准确度较高且包含地面和天花板两个维度的特征信息的环境地图,提高了环境地图与实际环境的相符程度以及环境地图上信息的丰富程度,从而使得基于该环境地图的机器人导航方式,具有较高的导航效率和精准度,提高了机器人工作效率。
图7为本公开另一个实施例提供的地图构建方法的流程图,本实施例提供的地图构建方法是在图3A所示实施例的基础上,对步骤S303的进一步细化,如图7所示,本实施例提供的地图构建方法包括以下步骤:
步骤S701,得到第一传感器的第一检测数据和第二传感器的第二检测数据数。
步骤S702,获取预先存储的所述第一传感器和所述第二传感器的校准参数。
步骤S703,根据所述校准参数,对所述第一检测数据和第二检测数据进行数据融合,以得到融合检测数据。
其中,融合检测数据中的每个数据对应的坐标为三维坐标。
具体的,基于初始化时确定的校准参数对第一检测数据或第二检测数据进行数据校准,进而基于预设数据融合算法,对校准后的第一检测数据和第二检测数据进行数据融合,得到上述融合检测数据。
具体的,在本实施例中第一检测数据和第二检测数据作为数据输入,实时输入数据处理模块,该数据处理模块基于预先存储的校准参数,对第一检测数据或第二检测数据进行数据校准,以消除两个传感器由于安装位置等因素而带来的误差,提高数据准确度,进而将两组检测数据进行融合,得到三维检测数据。
进一步地,可以基于数据融合方程式,对校准后的第一检测数据和第二检测数据进行数据融合。其中,该数据融合方程式可以是基于Quasi-Newton优化,Levenberg–Marquardt优化或者其他非线性数值优化方法得到的关系式。当然,在数据融合时,还可以结合机器人上设置里程计的里程数据和IMU的位姿数据。
具体的,在机器人的行走期间,各个检测周期采集的第一检测数据和第二检测数据不断作为输入,输入该数据处理模块,对各个检测周期对应的两组数据进行校准和融合,得到各个检测周期的融合检测数据。
步骤S704,根据所述融合检测数据,构建所述环境地图。
具体的,根据各个融合检测数据的数据值和坐标,构建所述环境的三维环境地图。
具体的,可以根据各个检测周期对应的融合检测数据,构建该检测周期对应的三维局部栅格地图,进而基于该三维局部栅格地图更新上一检测周期构建的环境地图。
进一步地,还可以根据上一帧三维局部栅格地图与当前帧三维栅格地图的比对结果,对当前帧的三维栅格地图进行优化。或者基于连续多帧的历史三维局部栅格地图对当前三维栅格地图进行优化。
在本实施例中,通过对第一检测数据和第二检测数据进行校准和融合,得到准确度高的融合检测数据,从而基于该融合检测数据进行三维环境地图的构建,提高了三维环境地图与真实环境的贴合度,同时使得所构建的三维环境地图包括地面和天花板两个维度的特征信息,丰富了环境地图所包含的信息,进而加快了机器人定位的速度,提高了机器人导航的效率和准确度。
图8为本公开一个实施例提供的地图构建装置的结构示意图,如图8所述,该地图构建装置包括:第一数据获取模块810、第二数据获取模块820和地图构建模块830。
其中,第一数据获取模块810,用于得到第一传感器的第一检测数据;第二数据获取模块820,用于得到第二传感器的第二检测数据;地图构建模块830,用于根据所述第一检测数据和第二检测数据,构建环境地图。
可选地,地图构建模块830,包括:第一构图单元,用于根据所述第一检测数据,构建以机器人位置为地图参考点的第一环境地图;第二构图单元,用于根据所述第二检测数据,构建以机器人位置为地图参考点的第二环境地图;环境地图构建单元,用于根据所述第一环境地图和第二环境地图,构建所述环境地图。
可选地,第一构图单元,具体用于:基于第一特征提取算法,根据所述第一检测数据确定所述机器人第一区域的第一特征信息;根据所述第一特征信息,构建所述第一环境地图;第二构图单元,具体用于:基于第二特征提取算法,根据所述第二检测数据确定所述机器人的第二区域的第二特征信息;根据所述第二特征信息,构建所述第二环境地图。
可选地,环境地图构建单元,具体用于:获取预先存储的所述第一传感器和所述第二传感器的校准参数;根据所述校准参数对所述第一环境地图和第二环境地图进行融合,以得到所述环境地图。
可选地,当所述环境地图为二维地图时,所述环境地图中的所述第一特征信息对应的图像采用第一标记,所述环境地图中的所述第二特征信息对应的图像采用第二标记。
可选地,当所述环境地图为三维地图时,所述装置还包括:特征填补模块,用于在得到所述环境地图之后,根据所述第一特征信息和第二特征信息,对所述环境地图在预设高度范围内进行区块填补。
可选地,特征填补模块,具体用于:在得到所述环境地图之后,根据特征信息的特征轮廓和/或特征位置,判断所述第一特征信息和第二特征信息是否匹配;若是,则根据匹配的所述第一特征信息和第二特征信息的特征位置确定所述预设高度范围,并对所述环境地图在预设高度范围内进行区块填补。
可选地,环境地图构建单元,具体用于:获取预先存储的所述第一传感器和所述第二传感器的校准参数;根据所述校准参数,对所述第一检测数据和第二检测数据进行数据融合,以得到融合检测数据;根据所述融合检测数据,构建所述环境地图。
可选地,环境地图构建单元,包括:机器人坐标获取子单元,用于分别获取所述机器人在所述第一环境地图中的第一坐标和在所述第二环境地图的第二坐标;映射关系确定子单元,用于根据所述第一坐标和第二坐标,确定所述第一环境地图和第二环境地图的映射关系;环境地图获取子单元,用于根据所述映射关系,调整所述第一环境地图和/或所述第二环境地图,以得到所述环境地图。
可选地,映射关系确定子单元,具体用于:根据所述第一坐标和第二坐标,确定所述第一环境地图和第二环境地图的坐标误差;获取所述机器人的里程计的里程数据以及姿态传感器的姿态数据;根据所述坐标误差、里程数据以及姿态数据中的一项或多项,确定所述第一环境地图和第二环境地图的映射关系。
可选地,映射关系确定子单元,具体用于:获取所述第一环境地图在所述第一坐标的第一预设范围内的第一特征点;获取所述第二环境地图在所述第二坐标的第二预设范围内的第二特征点,其中,所述第一特征点与所述第二特征点为属于同一个障碍物的特征点;根据所述第一坐标、第二坐标、所述第一特征点的坐标以及所述第二特征点的坐标,确定所述第一环境地图和第二环境地图的映射关系。
可选地,所述装置还包括:校准参数确定模块,用于在根据所述第一检测数据和第二检测数据,构建环境地图之前,分别获取所述第一传感器和所述第二传感器在初始位置采集的第一初始地图和第二初始地图;根据所述第一传感器的安装位置、所述第二传感器的安装位置、所述机器人的预设点在所述第一初始地图和在所述第二初始地图的初始坐标,确定所述第一传感器和所述第二传感器的校准参数。
可选地,地图构建模块,具体用于:针对每个检测周期,根据上一检测周期对应的环境地图、所述检测周期对应的所述第一检测数据和第二检测数据,构建所述检测周期对应的环境地图。
可选地,所述装置还包括:数据优化模块,用于在构建所述环境地图之前,根据所述第一检测数据对应的预设数量的相邻帧的数据、里程计的里程数据以及姿态传感器的姿态数据中的一项或多项,对所述第一检测数据进行数据优化;和/或,根据所述第二检测数据对应的预设数量的相邻帧的数据、里程计的里程数据以及姿态传感器的姿态数据中的一项或多项,对所述第二检测数据进行数据优化。
可选地,所述装置还包括:路径规划模块,用于在构建环境地图之后,根据所述环境地图以及任务指令,对目标机器人进行路径规划,其中,所述目标机器人为执行所述任务指令的机器人。
可选地,所述装置还包括:转动角度确定模块,用于在得到第二传感器的第二检测数据之前,确定所述轴转结构的转动角度,以根据所述转动角度调整所述第二传感器的朝向,其中,所述第二传感器通过轴转结构设置于所述本体上,通过所述轴转结构的转动,所述第二传感器朝向所述机器人上方的多方向进行往复式或定向式的检测。
本公开实施例所提供的地图构建装置可执行本公开任意实施例所提供的地图构建方法,具备执行方法相应的功能模块和有益效果。
图9为本公开一个实施例提供的地图构建设备的结构示意图,如图9所示,该地图构建设备包括:存储器910,处理器920以及计算机程序。
其中,计算机程序存储在存储器910中,并被配置为由处理器920执行以实现本公开图3A-图7所对应的实施例中任一实施例提供的地图构建方法。
其中,存储器910和处理器920通过总线930连接。
相关说明可以对应参见图3A-图7的步骤所对应的相关描述和效果进行理解,此处不做过多赘述。
图10为本公开一个实施例提供的机器人的架构示意图,如图10所示,该机器人包括:机器人主体1010、第一传感器1020、第二传感器1030和数据处理模块1030。
其中,第一传感器1020用于检测所述机器人的第一区域,所述第一区域包括所述机器人周围的地面区域;第二传感器1030用于检测所述机器人的第二区域,所述第二区域包括所述机器人的上方区域;数据处理模块1030用于执行本公开任意实施例提供的地图构建方法。
在一些实施例中,该数据处理模块1030可以为一个单独的设备,如计算机、服务器等。
本公开一个实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现本公开图3A-图7所对应的实施例中任一实施例提供的地图构建方法。
其中,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本公开还提供一种程序产品,该程序产品包括可执行计算机程序,该可执行计算机程序存储在可读存储介质中。地图构建设备或机器人的至少一个处理器可以从可读存储介质读取该计算机程序,至少一个处理器执行该计算机程序使得地图构建装置实施上述各种实施方式提供的地图构建方法。
在本公开所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本公开各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器(英文:processor)执行本公开各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。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。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本公开附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,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,或者对其中部分或者全部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公开各实施例技术方案的范围。

Claims (10)

1.一种地图构建方法,其特征在于,所述方法应用于机器人,所述机器人包括第一传感器和第二传感器,所述第一传感器用于检测所述机器人的第一区域,所述第二传感器用于检测所述机器人的第二区域,所述第一区域包括所述机器人周围的地面区域,所述第二区域包括所述机器人的上方区域,所述方法包括:
得到第一传感器的第一检测数据;
得到第二传感器的第二检测数据;
根据所述第一检测数据和第二检测数据,构建环境地图。
2.根据权利要求1所述的方法,其特征在于,根据所述第一检测数据和第二检测数据,构建环境地图,包括:
根据所述第一检测数据,构建以机器人位置为地图参考点的第一环境地图;
根据所述第二检测数据,构建以机器人位置为地图参考点的第二环境地图;
根据所述第一环境地图和第二环境地图,构建所述环境地图。
3.根据权利要求1所述的方法,其特征在于,根据所述第一检测数据和第二检测数据,构建环境地图,包括:
获取预先存储的所述第一传感器和所述第二传感器的校准参数;
根据所述校准参数,对所述第一检测数据和第二检测数据进行数据融合,以得到融合检测数据;
根据所述融合检测数据,构建所述环境地图。
4.根据权利要求2所述的方法,其特征在于,根据所述第一环境地图和第二环境地图,构建所述环境地图,包括:
分别获取所述机器人在所述第一环境地图中的第一坐标和在所述第二环境地图的第二坐标;
根据所述第一坐标和第二坐标,确定所述第一环境地图和第二环境地图的映射关系;
根据所述映射关系,调整所述第一环境地图和/或所述第二环境地图,以得到所述环境地图。
5.根据权利要求4所述的方法,其特征在于,根据所述第一坐标和第二坐标,确定所述第一环境地图和第二环境地图的映射关系,包括:
根据所述第一坐标和第二坐标,确定所述第一环境地图和第二环境地图的坐标误差;
获取所述机器人的里程计的里程数据以及姿态传感器的姿态数据;
根据所述坐标误差、里程数据以及姿态数据中的一项或多项,确定所述第一环境地图和第二环境地图的映射关系。
6.一种地图构建装置,其特征在于,包括:
第一数据获取模块,用于得到第一传感器的第一检测数据;
第二数据获取模块,用于得到第二传感器的第二检测数据;
地图构建模块,用于根据所述第一检测数据和第二检测数据,构建环境地图。
7.一种地图构建设备,其特征在于,包括:
存储器和至少一个处理器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-5任一项所述的地图构建方法。
8.一种机器人,其特征在于,包括:第一传感器、第二传感器和数据处理模块;
其中,所述第一传感器用于检测所述机器人的第一区域,所述第一区域包括所述机器人周围的地面区域;
所述第二传感器用于检测所述机器人的第二区域,所述第二区域包括所述机器人的上方区域;
所述数据处理模块用于执行如权利要求1-5任一项所述的地图构建方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至5任一项所述的地图构建方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的地图构建方法。
CN202011630684.5A 2020-12-30 2020-12-30 地图构建方法、装置、设备、机器人及存储介质 Active CN112833890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011630684.5A CN112833890B (zh) 2020-12-30 2020-12-30 地图构建方法、装置、设备、机器人及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011630684.5A CN112833890B (zh) 2020-12-30 2020-12-30 地图构建方法、装置、设备、机器人及存储介质

Publications (2)

Publication Number Publication Date
CN112833890A true CN112833890A (zh) 2021-05-25
CN112833890B CN112833890B (zh) 2024-08-13

Family

ID=75924895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011630684.5A Active CN112833890B (zh) 2020-12-30 2020-12-30 地图构建方法、装置、设备、机器人及存储介质

Country Status (1)

Country Link
CN (1) CN112833890B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113387099A (zh) * 2021-06-30 2021-09-14 深圳市海柔创新科技有限公司 地图构建方法、装置、设备、仓储系统及存储介质
CN115586511A (zh) * 2022-11-25 2023-01-10 唐山百川工业服务有限公司 一种基于阵列立柱的激光雷达二维定位方法
CN117086868A (zh) * 2023-08-09 2023-11-21 北京小米机器人技术有限公司 机器人及其控制方法、装置、存储介质
CN117129990A (zh) * 2022-11-02 2023-11-28 神顶科技(南京)有限公司 栅格地图检测方法和系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090154791A1 (en) * 2007-12-17 2009-06-18 Samsung Electronics Co., Ltd. Simultaneous localization and map building method and medium for moving robot
CN105492985A (zh) * 2014-09-05 2016-04-13 深圳市大疆创新科技有限公司 多传感器环境地图构建
CN107169595A (zh) * 2017-04-25 2017-09-15 北京小米移动软件有限公司 房间布局图的绘制方法及装置
CN108759844A (zh) * 2018-06-07 2018-11-06 科沃斯商用机器人有限公司 机器人重定位与环境地图构建方法、机器人及存储介质
US20190035100A1 (en) * 2017-07-27 2019-01-31 AI Incorporated Method and apparatus for combining data to construct a floor plan
CN109682368A (zh) * 2018-11-30 2019-04-26 上海肇观电子科技有限公司 机器人及地图构建方法、定位方法、电子设备、存储介质
CN109900280A (zh) * 2019-03-27 2019-06-18 浙江大学 一种基于自主导航的畜禽信息感知机器人与地图构建方法
US20190323845A1 (en) * 2016-11-09 2019-10-24 The Texas A&M University System Method and System for Accurate Long Term Simultaneous Localization and Mapping with Absolute Orientation Sensing
CN110570465A (zh) * 2018-06-05 2019-12-13 杭州海康机器人技术有限公司 实时定位与地图构建方法、装置及计算机可读存储介质
CN110567467A (zh) * 2019-09-11 2019-12-13 北京云迹科技有限公司 基于多传感器的地图构建方法、装置及存储介质
US20200050208A1 (en) * 2018-08-08 2020-02-13 The Toro Company Autonomous machine navigation and training using vision system
CN210643922U (zh) * 2019-01-15 2020-06-02 尚科宁家(中国)科技有限公司 一种全景摄像模组及基于该摄像模组的扫地机器人
CN111272183A (zh) * 2020-03-16 2020-06-12 达闼科技成都有限公司 一种地图创建方法、装置、电子设备及存储介质
CN111409070A (zh) * 2020-03-25 2020-07-14 上海高仙自动化科技发展有限公司 检测方法及装置、智能机器人及存储介质
CN111427360A (zh) * 2020-04-20 2020-07-17 珠海市一微半导体有限公司 基于地标定位的地图构建方法、机器人及机器人导航系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090154791A1 (en) * 2007-12-17 2009-06-18 Samsung Electronics Co., Ltd. Simultaneous localization and map building method and medium for moving robot
CN105492985A (zh) * 2014-09-05 2016-04-13 深圳市大疆创新科技有限公司 多传感器环境地图构建
US20190323845A1 (en) * 2016-11-09 2019-10-24 The Texas A&M University System Method and System for Accurate Long Term Simultaneous Localization and Mapping with Absolute Orientation Sensing
CN107169595A (zh) * 2017-04-25 2017-09-15 北京小米移动软件有限公司 房间布局图的绘制方法及装置
US20190035100A1 (en) * 2017-07-27 2019-01-31 AI Incorporated Method and apparatus for combining data to construct a floor plan
CN110570465A (zh) * 2018-06-05 2019-12-13 杭州海康机器人技术有限公司 实时定位与地图构建方法、装置及计算机可读存储介质
CN108759844A (zh) * 2018-06-07 2018-11-06 科沃斯商用机器人有限公司 机器人重定位与环境地图构建方法、机器人及存储介质
US20200050208A1 (en) * 2018-08-08 2020-02-13 The Toro Company Autonomous machine navigation and training using vision system
CN109682368A (zh) * 2018-11-30 2019-04-26 上海肇观电子科技有限公司 机器人及地图构建方法、定位方法、电子设备、存储介质
CN210643922U (zh) * 2019-01-15 2020-06-02 尚科宁家(中国)科技有限公司 一种全景摄像模组及基于该摄像模组的扫地机器人
CN109900280A (zh) * 2019-03-27 2019-06-18 浙江大学 一种基于自主导航的畜禽信息感知机器人与地图构建方法
CN110567467A (zh) * 2019-09-11 2019-12-13 北京云迹科技有限公司 基于多传感器的地图构建方法、装置及存储介质
CN111272183A (zh) * 2020-03-16 2020-06-12 达闼科技成都有限公司 一种地图创建方法、装置、电子设备及存储介质
CN111409070A (zh) * 2020-03-25 2020-07-14 上海高仙自动化科技发展有限公司 检测方法及装置、智能机器人及存储介质
CN111427360A (zh) * 2020-04-20 2020-07-17 珠海市一微半导体有限公司 基于地标定位的地图构建方法、机器人及机器人导航系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113387099A (zh) * 2021-06-30 2021-09-14 深圳市海柔创新科技有限公司 地图构建方法、装置、设备、仓储系统及存储介质
WO2023274177A1 (zh) * 2021-06-30 2023-01-05 深圳市海柔创新科技有限公司 地图构建方法、装置、设备、仓储系统及存储介质
CN117129990A (zh) * 2022-11-02 2023-11-28 神顶科技(南京)有限公司 栅格地图检测方法和系统
WO2024093991A1 (zh) * 2022-11-02 2024-05-10 神顶科技(南京)有限公司 栅格地图检测方法和系统
CN115586511A (zh) * 2022-11-25 2023-01-10 唐山百川工业服务有限公司 一种基于阵列立柱的激光雷达二维定位方法
CN115586511B (zh) * 2022-11-25 2023-03-03 唐山百川工业服务有限公司 一种基于阵列立柱的激光雷达二维定位方法
CN117086868A (zh) * 2023-08-09 2023-11-21 北京小米机器人技术有限公司 机器人及其控制方法、装置、存储介质
CN117086868B (zh) * 2023-08-09 2024-04-09 北京小米机器人技术有限公司 机器人及其控制方法、装置、存储介质

Also Published As

Publication number Publication date
CN112833890B (zh) 2024-08-13

Similar Documents

Publication Publication Date Title
CN214398389U (zh) 一种机器人
CN112833890B (zh) 地图构建方法、装置、设备、机器人及存储介质
JP6896077B2 (ja) 車両自動パーキングシステム及び方法
CN108290294B (zh) 移动机器人及其控制方法
CN110967711A (zh) 数据采集方法和系统
KR101003168B1 (ko) 다차원 에비던스 그리드 및 그를 적용한 시스템 및 방법
JP6977921B2 (ja) マッピング方法、画像収集処理システム及び測位方法
CN112363158B (zh) 机器人的位姿估计方法、机器人和计算机存储介质
US20230286750A1 (en) Method and device for storing goods, robot, warehousing system and storage medium
EP3062066A1 (en) Determination of object data by template-based UAV control
CN105324729B (zh) 用于模型化车辆的周围环境的方法
CN104484648A (zh) 基于轮廓识别的机器人可变视角障碍物检测方法
CN109322345A (zh) 工作机器及用于控制和确定关联器具的位置的方法和系统
CN113387099B (zh) 地图构建方法、装置、设备、仓储系统及存储介质
CN112669389B (zh) 一种基于视觉引导的自动化标定系统
KR102115004B1 (ko) 항공사진을 이용하여 3차원 지도를 생성하는 장치 및 방법
CN101802738A (zh) 用来检测环境的系统
CN114565726A (zh) 一种非结构化动态环境下的同时定位与建图方法
US11620846B2 (en) Data processing method for multi-sensor fusion, positioning apparatus and virtual reality device
EP3757299A1 (en) Apparatus for generating environment data around construction equipment and construction equipment including the same
KR102589296B1 (ko) 항공사진을 이용하여 3차원 지도를 생성하는 장치 및 방법
US12105519B2 (en) Method for estimating positioning of moving object by using big cell grid map, recording medium in which program for implementing same is stored, and computer program stored in medium in order to implement same
CN116429121A (zh) 基于多传感器的定位方法、装置、自移动设备及存储介质
KR102626574B1 (ko) 카메라 및 라이다의 캘리브레이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
KR102618951B1 (ko) 시각적 매핑 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

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