CN112883128A - 一种封闭环境下机器人自主建图方法 - Google Patents

一种封闭环境下机器人自主建图方法 Download PDF

Info

Publication number
CN112883128A
CN112883128A CN202011608422.9A CN202011608422A CN112883128A CN 112883128 A CN112883128 A CN 112883128A CN 202011608422 A CN202011608422 A CN 202011608422A CN 112883128 A CN112883128 A CN 112883128A
Authority
CN
China
Prior art keywords
point
search
new
point set
robot
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.)
Pending
Application number
CN202011608422.9A
Other languages
English (en)
Inventor
华璟
俞庭
彭浩宇
胡峥
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.)
Hangzhou Tuge Technology Co ltd
Original Assignee
Hangzhou Tuge 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 Hangzhou Tuge Technology Co ltd filed Critical Hangzhou Tuge Technology Co ltd
Priority to CN202011608422.9A priority Critical patent/CN112883128A/zh
Publication of CN112883128A publication Critical patent/CN112883128A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及机器人建图技术领域，公开了一种封闭环境下机器人自主建图方法，包括以下步骤：获得超参数与初始地图视野；确定搜索点集；删除搜索点集中多余搜索点；标记执行点集；执行机器人要去的目标点，若在指定时间内到达则标记为已经到达的点，否则取消动作并标记为超时点，已到达点和超时点放入完成点集；重复前述步骤直至建图完毕。本发明能更快完成未知区域搜索；使机器人建图速度更快；并在较复杂环境下完成地图自动构建。

Description

一种封闭环境下机器人自主建图方法
【技术领域】
本发明涉及机器人建图技术领域，是一种对slam(Simultaneous Localizationand Mapping)的补充。
【背景技术】
slam技术作为移动式机器人的核心技术问题，它试图解决这样一个问题：一个机器人在未知的环境中运动，如何通过对环境的观测确定自身的运动轨迹，同时构建出环境的地图。其具体的实现为：将环境中各个位置传感器数据(激光雷达或者图像)，转换为点云数据，然后将各个位置的点云数据拼接为一张地图。现在通常的获得传感器数据的方法有两种：1、手持传感器与相对应的处理器，在环境中不断移动以获得传感器数据；2、将传感器固定在机器人上，通过遥控器指挥机器人到达各个位置。我们发现，在这个过程中，机器人并没有做到全自主的构建地图，而这个方面的研究，也相对较少。而在商业应用中，机器人全自主建图还是非常有必要的，如扫地机器人，用户需要只对机器人发出一些简单的指令而不必进行复杂的操作。机器人自动建图技术，可以简化为两部分：1、确定机器人需要去采集传感器数据的地点；2、对已经确定的需要探索的地点排序，以确保机器人以较短的时间遍历这些地点。而考虑到现在传感器探测的范围比较大，我们一般会对已经得到的探索地点稀疏。
【发明内容】
为解决前述问题，本发明提供了一种封闭环境下机器人自主建图方法，包括以下步骤：
步骤1：启动机器人的导航模块以及启动建图模块，之后启动自动建图模块，获得超参数与初始地图视野；
步骤2：使用随机搜索算法确定搜索点集；
步骤3：根据过滤策略删除搜索点集中的多余搜索点；
步骤4：根据动态坐标系策略标记从搜索点集中挑选出执行点集；
步骤5：根据距离信息确定执行点集中机器人当前需要去的执行点，所述执行点为目标点；
步骤6：控制机器人到达目标点，记录下时间信息，等待机器人到达目标点，若机器人在指定时间内到达目标点，则标记为已经到达的点，否则，取消
此次动作，并标记该点为超时的点，已经到达的点和超时的点放入完成点集；
步骤7：重复步骤2-6,当建图率到达手动设置阈值时，建图完毕。
进一步的，所述步骤1获得超参数与初始地图视野,其步骤如下：
(1)在自动建图模块中创建新的栅格地图，并读自动取建图模块中的超参数配置文件，确定各个超参数的值，所述超参数包括：地图长度Rx、地图宽度Ry，阈值th，微调系数fine，过滤半径rfilter，过滤阈值thfilter，完成辐射半径rradiation以及建图结束阈值thend；
(2)打开开源算法gmapping的建图程序，向建图程序传输激光雷达点云数据和机器人运动里程计信息数据，控制机器人原地旋转，直到建图程序初始化新的栅格地图成功，更新里程计信息的时，所述机器人不碰撞障碍物；
(3)在自动建图模块中创建搜索树，创建搜索点集，创建完成点集；
进一步的，所述随机搜索算法步骤如下：
获取地图中心点的位置，如果搜索树中没有保存中心点的位置的节点，将该中心点的位置保存至搜索树中；
(1)生成0-1范围内的第一随机数X和第二随机数Y，
(2)计算出第一随机数和第二随机数所对应的像素点的坐标位置(u,v)：u＝Rx*X，v＝Ry*Y；
(3)在搜索树各个节点中找到与所述像素点距离最近的位置点(xn-1，yn-1)，计算所述像素点和位置点之间的斜率k，如果所述像素点和位置点之间的距离超出阈值th，则生成新的位置点(xnew，ynew)＝(xn-1+dx，yn-1+k*dx)，其中，dx＝(th2/(1+k2))1/2,如果小于阈值th，则生成新的位置点(xnew，ynew)＝(u，v)；
(4)读取gmapping程序更新的栅格地图，将新的位置点投影在栅格地图中，所述新的位置点在栅格地图中的状态包括：
free状态，所述free状态是位置点投影在栅格地图的状态为已知，且没有障碍物，在free状态下，将该位置点保存至搜索树；
obstacle状态，所述obstacle状态是位置点投影在栅格地图的状态为已知，且存在障碍物，在obstacle状态下，循环更新(xnew，ynew)＝(xnew+dxf，ynew+k*dxf)，其中dxf＝(fine2/(1+k2))1/2，当(xnew，ynew)在栅格地图上的状态为free状态时，循环结束，将该位置保存至搜索树；
unknown状态，所述unknown状态是位置点投影在栅格地图的状态为未知，在所述unknown状态下，循环更新(xnew，ynew)＝(xnew+dxf，ynew+k*dxf)，其中dxf＝(fine2/(1+k2))1/2，当(xnew，ynew)在栅格地图上的状态为free时，循环结束，将该位置保存至搜索树，并且，将该位置保存至搜索点集中。
进一步的，所述方法步骤3中根据过滤策略删除搜索点集中多余搜索点，其步骤如下：
(1)遍历搜索点集，计算搜索点集中各个搜索点的探索分数Sdetect＝Sunknown/Sfree，Sunknown＝nunknown，遍历搜索点半径rfilter内所有位置点，nunknown为映射在栅格地图上状态为unknown状态的；Sfree＝nfree，遍历搜索点半径rfilter内所有位置点，nfree为映射在栅格地图上状态为free的点；
(2)删除搜索点集中Sdetect<thfilter的搜索点，或删除完成点集中所有点以及它们半径rradiation范围内所有搜索点。
进一步的，所述方法步骤4根据动态坐标系策略标记从搜索点集中挑选出执行点集中，其步骤如下：
(1)在自动建图模块中建立一个动态坐标系，确定动态坐标系方向为地图坐标系所在方向，确定动态坐标系和搜索点所在的地图坐标系的旋转变换关系R保持不变，所述地图坐标系为栅格地图的固有属性；
(2)根据机器人当前位置和地图的中点确定位置变换关系t；
(3)确定搜索点集下所有搜索点Xdetect在动态坐标系下的位置：Xexe＝R*Xdetect+t；
(4)创建执行点集，并按照如下策略更新：
1、遍历Xexe；
2、将位于第一象限的Xexe放入执行点集中，若执行点集执行点个数大于0，直接进入步骤5；
3、将位于第二象限的Xexe放入执行点集中，若执行点集执行点个数大于0，直接进入步骤5；
4、将位于第三象限的Xexe放入执行点集中，若执行点集执行点个数大于0，直接进入步骤5；
5、将位于第四象限的Xexe放入执行点集中，若执行点集执行点个数大于0，直接进入步骤5；
进一步的，所述方法步骤5根据距离信息确定执行点集中机器人当前需要去的执行点，其步骤如下：
1)计算执行点集中所有执行点与机器人之间的二维欧式距离点集D12＝((x1-X2)2+(y1-Y2)2)1/2,其中(x1，y1)为机器人当前的位置，(X2,Y2)为执行点集
2)选择二维欧式距离点集D12中距离最小的执行点，标记为目标点。
本发明具有如下优点：
1、相对传统遍历算法，本发明使用随机搜索算法能更快地完成未知区域的搜索；
2、本方法可保护机器人对未知区域过于深入；
3、按照动态坐标系的划分策略，解决机器人在随机搜索随机性问题，使机器人建图的速度更快；
4、本方法能够在较复杂的环境下完成地图的自动构建；
本发明的这些特点和优点将会在下面的具体实施方式中进行详细的揭露，但并非是对本发明技术方案的限制。
【具体实施方式】
下面结合本发明实施例对本发明的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。
在本说明书中引用的“一个实施例”或“实例”或“例子”意指结合实施例本身描述的特定特征、结构或特性可被包括在本专利公开的至少一个实施例中。短语“在一个实施例中”在说明书中的各位置的出现不必都是指同一个实施例。
实施例：
在封闭的机器人20m*20m运行环境中(室内)，清除一些比较矮的小盒子和一些电源线，机器人移动底盘，单线激光雷达，设定自动建图的范围为25m*25m。
机器人执行步骤如图1所示：
步骤1：启动机器人的导航模块以及启动建图模块，之后启动自动建图模块，获得超参数与初始地图视野，其具体步骤如下：
步骤1-1：在自动建图模块中创建新的栅格地图，并读自动取建图模块中的超参数配置文件，确定各个超参数的值，所述超参数包括：地图长度Rx＝25、地图宽度Ry＝25，阈值th＝0.05，微调系数fine＝0.01，过滤半径rfilter＝0.1，过滤阈值thfilter＝1，完成辐射半径rradiation＝0.1，建图结束阈值thend＝0.6；
步骤1-2：打开开源算法gmapping的建图程序，向建图程序传输激光雷达所采集的点云数据和机器人运动里程计信息数据，控制机器人原地旋转，直到建图程序初始化新的栅格地图成功，在更新里程计信息数据时，所述机器人不碰撞障碍物；
步骤1-3：在自动建图模块中创建搜索树，创建搜索点集队列，创建完成点集队列；
步骤2：使用随机搜索算法确定搜索点集，其具体步骤如下：
步骤2-1：获取地图中心点的位置，如果搜索树中没有保存中心点的位置的节点，将该中心点的位置保存至搜索树中；
步骤2-2：生成0-1范围内的第一随机数X和第二随机数Y，；
步骤2-3：计算出第一随机数和第二随机数所对应的像素点的坐标位置(u,v)：u＝Rx*X，v＝Ry*Y；
步骤2-4：在搜索树各个节点中找到与所述像素点距离最近的位置点(xn-1，yn-1)，计算所述像素点和位置点之间的斜率k，如果所述像素点和位置点之间的距离，超出阈值th，则生成新的位置点(xnew，ynew)＝(xn-1+dx，yn-1+k*dx)，其中，dx＝(th2/(1+k2))1/2 ,如果小于阈值th，则生成新的位置点(xnew，ynew)＝(u，v)；步骤2-5：读取gmapping程序更新的栅格地图，将新的位置点投影在栅格地图中，所述新的位置点在栅格地图中的状态包括：
free状态，即位置点投影在栅格地图的状态为已知，且没有障碍物，在free状态下，将该位置点保存至搜索树；
obstacle状态，即位置点投影在栅格地图的状态为已知，且存在障碍物，在obstacle状态下，循环更新(xnew，ynew)＝(xnew+dxf，ynew+k*dxf)，其中dxf＝(fine2/(1+k2))1/2，当(xnew，ynew)在栅格地图上的状态为free状态时，循环结束，将该位置保存至搜索树；
unknown状态，即位置点投影在栅格地图的状态为未知，在所述unknown状态下，循环更新(xnew，ynew)＝(xnew+dxf，ynew+k*dxf)，其中dxf＝(fine2/(1+k2))1/2，当(xnew，ynew)在栅格地图上的状态为free时，循环结束，将该位置保存至搜索树，并且，将该位置保存至搜索点集中。
步骤3：根据过滤策略删除搜索点集中多余搜索点，其具体步骤如下：
步骤3-1：遍历搜索点集，计算搜索点集中各个搜索点的探索分数Sdetect＝Sunknown/Sfree，Sunknown＝nunknown，遍历搜索点半径rfilter内所有位置点，nunknown为映射在栅格地图上状态为unknown的；Sfree＝nfree，遍历搜索点半径rfilter内所有位置点，nfree为映射在栅格地图上状态为free状态的点；
步骤3-2：删除搜索点集中Sdetect<thfilter的搜索点，或删除完成点集中所有点以及它们半径rradiation范围内所有搜索点。
步骤4：根据动态坐标系策略标记从搜索点集中挑选出执行点集，其具体步骤如下：
步骤4-1：在自动建图模块中建立一个动态坐标系，确定动态坐标系方向为地图坐标系所在方向，确定动态坐标系和搜索点所在的地图坐标系的旋转变换关系R保持不变，所述地图坐标系为栅格地图的固有属性；
步骤4-2：根据机器人当前位置和地图的中点确定位置变换关系t；
步骤4-3：确定搜索点集下所有搜索点Xdetect在动态坐标系下的位置：Xexe＝R*Xdetect+t；
步骤4-4：创建执行点集，并按照如下策略更新：
1、遍历Xexe；
2、将位于第一象限的Xexe放入执行点集中，若执行点集执行点个数大于0，直接进入步骤5；
3、将位于第二象限的Xexe放入执行点集中，若执行点集执行点个数大于0，直接进入步骤5；
4、将位于第三象限的Xexe放入执行点集中，若执行点集执行点个数大于0，直接进入步骤5；
5、将位于第四象限的Xexe放入执行点集中，若执行点集执行点个数大于0，直接进入步骤5；
步骤5：根据距离信息确定执行点集中机器人当前需要去的执行点，即目标点，其具体步骤如下：
步骤5-1：计算执行点集中所有执行点与机器人之间的二维欧式距离点集，D12＝((x1-X2)2+(y1-Y2)2)1/2,其中(x1，y1)为机器人当前的位置，(X2,Y2)为执行点集；
步骤5-2：选择二维欧式距离点集D12中距离最小的执行点，标记为目标点。
步骤6：控制机器人到达目标点，记录下时间信息，等待机器人到达目标点，若机器人在指定时间内到达目标点，则标记为已经到达的点，否则，取消此次动作，并标记该点为超时的点，已经到达的点和超时的点放入完成点集；
步骤7：重复步骤2-6,当建图率到达手动设置阈值时，建图完毕。
测试结果表明，机器人在25m*25m范围内自动建图的建图完整率在90％以上，其时间在15分钟以内。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。

Claims (6)

1.一种封闭环境下机器人自主建图方法，其特征在于：包括以下步骤：
步骤1：启动机器人的导航模块以及启动建图模块，之后启动自动建图模块，获得超参数与初始地图视野；
步骤2：使用随机搜索算法确定搜索点集；
步骤3：根据过滤策略删除搜索点集中的多余搜索点；
步骤4：根据动态坐标系策略标记从搜索点集中挑选出执行点集；
步骤5：根据距离信息确定执行点集中机器人当前需要去的执行点，所述执行点为目标点；
步骤6：控制机器人到达目标点，记录下时间信息，等待机器人到达目标点，若机器人在指定时间内到达目标点，则标记为已经到达的点，否则，取消此次动作，并标记该点为超时的点，已经到达的点和超时的点放入完成点集；
步骤7：重复步骤2-6,当建图率到达手动设置阈值时，建图完毕。
2.根据权利要求1所述的封闭环境下机器人自主建图方法，其特征在于：所述步骤1获得超参数与初始地图视野,其步骤如下：
1)在自动建图模块中创建新的栅格地图，并读取自动建图模块中的超参数配置文件，确定各个超参数的值，所述超参数包括：地图长度Rx、地图宽度Ry，阈值th，微调系数fine，过滤半径rfilter，过滤阈值thfilter，完成辐射半径rradiation以及建图结束阈值thend；
2)打开开源算法gmapping的建图程序，向建图程序传输激光雷达点云数据和机器人运动里程计信息数据，控制机器人原地旋转，直到建图程序初始化新的栅格地图成功，更新里程计信息数据时，所述机器人不碰撞障碍物；
3)在自动建图模块中创建搜索树，创建搜索点集，创建完成点集；
3.根据权利要求1所述的封闭环境下机器人自主建图方法，其特征在于：所述随机搜索算法步骤如下：
1)获取地图中心点的位置，如果搜索树中没有保存中心点的位置的节点，将该中心点的位置保存至搜索树中；
2)生成0-1范围内的第一随机数X和第二随机数Y，
3)计算出第一随机数和第二随机数所对应的像素点的坐标位置(u,v)：u＝Rx*X，v＝Ry*Y；
4)在搜索树各个节点中找到与所述像素点距离最近的位置点(xn-1，yn-1)，计算所述像素点和位置点之间的斜率k，如果所述像素点和位置点之间的距离超出阈值th，则生成新的位置点(xnew，ynew)＝(xn-1+dx，yn-1+k*dx)，其中，dx＝(th2/(1+k2))1/2,如果小于阈值th，则生成新的位置点(xnew，ynew)＝(u，v)；
5)读取gmapping程序更新的栅格地图，将新的位置点投影在栅格地图中，所述新的位置点在栅格地图中的状态包括：
free状态，所述free状态是位置点投影在栅格地图的状态为已知，且没有障碍物，在free状态下，将该位置点保存至搜索树；
obstacle状态，所述obstacle状态是位置点投影在栅格地图的状态为已知，且存在障碍物，在obstacle状态下，循环更新(xnew，ynew)＝(xnew+dxf，ynew+k*dxf)，其中dxf＝(fine2/(1+k2))1/2，当(xnew，ynew)在栅格地图上的状态为free状态时，循环结束，将该位置保存至搜索树；
unknown状态，所述unknown状态是位置点投影在栅格地图的状态为未知，在所述unknown状态下，循环更新(xnew，ynew)＝(xnew+dxf，ynew+k*dxf)，其中dxf＝(fine2/(1+k2))1/2，当(xnew，ynew)在栅格地图上的状态为free时，循环结束，将该位置保存至搜索树，并且，将该位置保存至搜索点集中。
4.根据权利要求1所述的封闭环境下机器人自主建图方法，其特征在于：所述方法步骤3中根据过滤策略删除搜索点集中多余搜索点，其步骤如下：
1)遍历搜索点集，计算搜索点集中各个搜索点的探索分数Sdetect＝Sunknown/Sfree，Sunknown＝nunknown，遍历搜索点半径rfilter内所有位置点，nunknown为映射在栅格地图上状态为unknown状态的；Sfree＝nfree，遍历搜索点半径rfilter内所有位置点，nfree为映射在栅格地图上状态为free状态的点；
2)删除搜索点集中Sdetect<thfilter的搜索点，或删除完成点集中所有点以及它们半径rradiation范围内所有搜索点。
5.根据权利要求1所述的封闭环境下机器人自主建图方法，其特征在于：所述方法步骤4根据动态坐标系策略标记从搜索点集中挑选出执行点集中，其步骤如下：
1)在自动建图模块中建立一个动态坐标系，确定动态坐标系方向为地图坐标系所在方向，确定动态坐标系和搜索点所在的地图坐标系的旋转变换关系R保持不变，所述地图坐标系为栅格地图的固有属性；
2)根据机器人当前位置和地图的中点确定位置变换关系t；
3)确定搜索点集下所有搜索点Xdetect在动态坐标系下的位置：Xexe＝R*Xdetect+t；
4)创建执行点集，并按照如下策略更新：
1、遍历Xexe；
2、将位于第一象限的Xexe放入执行点集中，若执行点集执行点个数大于0，直接进入步骤5；
3、将位于第二象限的Xexe放入执行点集中，若执行点集执行点个数大于0，直接进入步骤5；
4、将位于第三象限的Xexe放入执行点集中，若执行点集执行点个数大于0，直接进入步骤5；
5、将位于第四象限的Xexe放入执行点集中，若执行点集执行点个数大于0，直接进入步骤5；
6.根据权利要求1所述的封闭环境下机器人自主建图方法，其特征在于：所述方法步骤5根据距离信息确定执行点集中机器人当前需要去的执行点，其步骤如下：
1)计算执行点集中所有执行点与机器人之间的二维欧式距离点集D12＝((x1-X2)2+(y1-Y2)2)1/2,其中(x1，y1)为机器人当前的位置，(X2,Y2)为执行点集；
2)选择二维欧式距离点集D12中距离最小的执行点，标记为目标点。
CN202011608422.9A 2020-12-30 2020-12-30 一种封闭环境下机器人自主建图方法 Pending CN112883128A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011608422.9A CN112883128A (zh) 2020-12-30 2020-12-30 一种封闭环境下机器人自主建图方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011608422.9A CN112883128A (zh) 2020-12-30 2020-12-30 一种封闭环境下机器人自主建图方法

Publications (1)

Publication Number Publication Date
CN112883128A true CN112883128A (zh) 2021-06-01

Family

ID=76047880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011608422.9A Pending CN112883128A (zh) 2020-12-30 2020-12-30 一种封闭环境下机器人自主建图方法

Country Status (1)

Country Link
CN (1) CN112883128A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024114330A1 (zh) * 2022-12-02 2024-06-06 速感科技（北京）有限公司 自主移动设备、操作自主移动设备的方法和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140145033A (ko) * 2013-06-12 2014-12-22 건국대학교 산학협력단 탐색 알고리즘을 이용한 미지 환경에서의 경로 매핑 및 영역 탐색방법
US20190145775A1 (en) * 2017-11-10 2019-05-16 Ankobot (Shanghai) Smart Technologies Co., Ltd. Localization system and method, and robot using the same
US20200198139A1 (en) * 2017-09-27 2020-06-25 Guangdong Bona Robot Co., Ltd. Map creation method of mobile robot and mobile robot
CN111638526A (zh) * 2020-05-20 2020-09-08 电子科技大学 一种陌生环境下机器人自主建图的方法
CN112000754A (zh) * 2020-08-11 2020-11-27 珠海格力电器股份有限公司 地图构建方法、装置、存储介质及计算机设备
CN111990929A (zh) * 2020-08-26 2020-11-27 北京石头世纪科技股份有限公司 一种障碍物探测方法、装置、自行走机器人和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140145033A (ko) * 2013-06-12 2014-12-22 건국대학교 산학협력단 탐색 알고리즘을 이용한 미지 환경에서의 경로 매핑 및 영역 탐색방법
US20200198139A1 (en) * 2017-09-27 2020-06-25 Guangdong Bona Robot Co., Ltd. Map creation method of mobile robot and mobile robot
US20190145775A1 (en) * 2017-11-10 2019-05-16 Ankobot (Shanghai) Smart Technologies Co., Ltd. Localization system and method, and robot using the same
CN111638526A (zh) * 2020-05-20 2020-09-08 电子科技大学 一种陌生环境下机器人自主建图的方法
CN112000754A (zh) * 2020-08-11 2020-11-27 珠海格力电器股份有限公司 地图构建方法、装置、存储介质及计算机设备
CN111990929A (zh) * 2020-08-26 2020-11-27 北京石头世纪科技股份有限公司 一种障碍物探测方法、装置、自行走机器人和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孟祥天: "陌生环境下机器人自主建图的研究与实现", 中国优秀硕士学位论文全文数据库, no. 2020, 15 July 2020 (2020-07-15), pages 28 - 33 *
孟祥天: "陌生环境下机器人自主建图的研究与实现", 硕士学位论文, no. 2020, 20 March 2020 (2020-03-20), pages 28 - 44 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024114330A1 (zh) * 2022-12-02 2024-06-06 速感科技（北京）有限公司 自主移动设备、操作自主移动设备的方法和存储介质

Similar Documents

Publication Publication Date Title
CN113110457B (zh) 在室内复杂动态环境中智能机器人的自主覆盖巡检方法
JP6632173B1 (ja) ロボットの地図構築及び位置推定
CN110531760B (zh) 基于曲线拟合和目标点邻域规划的边界探索自主建图方法
CN109509210B (zh) 障碍物跟踪方法和装置
CN113467456B (zh) 一种未知环境下用于特定目标搜索的路径规划方法
CN108334080B (zh) 一种针对机器人导航的虚拟墙自动生成方法
US10611028B1 (en) Map building and positioning of robot
CN110986953B (zh) 路径规划方法、机器人及计算机可读存储介质
US20180106628A1 (en) Method, computer program and system for controlling a movement of a moving agent within a networked environment
CN106643721B (zh) 一种环境拓扑地图的构建方法
CN116263335A (zh) 一种基于视觉与雷达信息融合与强化学习的室内导航方法
Quan et al. AGV localization based on odometry and LiDAR
CN112947591A (zh) 基于改进蚁群算法的路径规划方法、装置、介质及无人机
CN115222808B (zh) 基于无人机的定位方法、装置、存储介质和电子设备
CN112066976B (zh) 一种自适应膨胀处理方法、系统、机器人及存储介质
WO2022222490A1 (zh) 一种机器人的控制方法及机器人
CN111679664A (zh) 基于深度相机的三维地图构建方法及扫地机器人
WO2023160698A1 (zh) 动态全覆盖路径规划方法及装置、清洁设备、存储介质
CN111609853A (zh) 三维地图构建方法、扫地机器人及电子设备
CN107728612A (zh) 识别不同人群进行广告推送的方法、存储装置及移动终端
CN112883128A (zh) 一种封闭环境下机器人自主建图方法
CN116673968B (zh) 基于强化学习的机械臂轨迹规划要素选择方法及系统
CN110716547A (zh) 一种基于波前算法的3d探索的方法
CN115855086A (zh) 基于自旋转的室内场景自主重建方法、系统及介质
Rezanejad et al. Robust environment mapping using flux skeletons

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