CN113110466A - 一种用于agv机器人的高灵敏度避障系统及方法 - Google Patents

一种用于agv机器人的高灵敏度避障系统及方法 Download PDF

Info

Publication number
CN113110466A
CN113110466A CN202110436778.7A CN202110436778A CN113110466A CN 113110466 A CN113110466 A CN 113110466A CN 202110436778 A CN202110436778 A CN 202110436778A CN 113110466 A CN113110466 A CN 113110466A
Authority
CN
China
Prior art keywords
road
coordinates
obstacle
model
area
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
CN202110436778.7A
Other languages
English (en)
Other versions
CN113110466B (zh
Inventor
彭银华
李晋
许永彬
夏仕平
张红卫
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 Wellwit Robotics Co ltd
Original Assignee
Shenzhen Wellwit Robotics 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 Wellwit Robotics Co ltd filed Critical Shenzhen Wellwit Robotics Co ltd
Priority to CN202110436778.7A priority Critical patent/CN113110466B/zh
Publication of CN113110466A publication Critical patent/CN113110466A/zh
Application granted granted Critical
Publication of CN113110466B publication Critical patent/CN113110466B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models

Abstract

本发明公开了一种用于AGV机器人的高灵敏度避障系统及方法，通过获取AGV机器人的运行安全宽度以及道路基点与障碍物模型最近距离；当道路基点与障碍物模型最近距离小于运行安全宽度时，挑选第N+1道路进行避障；当道路基点与障碍物模型最近距离大于或等于运行安全宽度时，将道路基点为行驶边界点进行避障，可以精确的另AGV机器人进行避障，解决现在避障系统均为动态避障，一点出现传感器失灵，便无法避障；本发明通过将预先建立的三维模型地图加载至AGV机器人内，避免数据数据传输造成的信息延迟，同时通过对三维模型地图道路边界的定位，使得即使避障传感器失灵时，也可以通过三维模型地图内的坐标点进行避障。

Description

一种用于AGV机器人的高灵敏度避障系统及方法
技术领域
本发明属于AGV机器人领域，涉及高灵敏度避障技术，具体是一种用于AGV机器人的高灵敏度避障系统及方法。
背景技术
AGV即：Automated Guided Vehicle 简称AGV，当前最常见的应用如：AGV搬运机器人或AGV小车，主要功用集中在自动物流搬转运，AGV搬运机器人是通过特殊地标导航自动将物品运输至指定地点，最常见的引导方式为磁条引导，激光引导，磁钉导航、惯性导航；
制造业：市面上的AGV搬运机器人主要还集中应用在制造业物料搬运上，AGV在制造业应用中以其高效、准确、灵活地完成物料的搬运任务。并且可多台AGV组成柔性的物流搬运系统，搬运路线可以随着生产工艺流程的调整而及时调整，使一条生产线上能够制造出十几种产品，大大提高了生产的柔性和企业的竞争力。AGV作为基础搬运工具，AGV的应用深入到机械加工、家电生产、微电子制造、卷烟等多个行业，生产加工领域成为AGV应用最广泛的领域。
特种行业：在军事上以AGV的自动驾驶为基础集成其他探测和拆卸设备，可用于战场排雷和阵地侦察，英国军方正在研制的MINDER Recce是一辆侦察车，具有地雷探测、销毁及航路验证能力的自动型侦察车。在钢铁厂，AGV用于炉料运送，减轻了工人的劳动强度。在核电站和利用核辐射进行保鲜储存的场所，AGV用于物品的运送，避免了危险的辐射。在胶卷和胶片仓库，AGV可以在黑暗的环境中，准确可靠的运送物料和半成品。米克力美开发的AGV搬运机器人已经投入兵器维护和矿山实际应用。
餐饮服务业：未来在服务业AGV小车也有望大展身手，如餐厅传菜上菜端茶递水等基础劳动都可以有由AGV搬运机器人来实现。
食品医药业：对于搬运作业有清洁、安全、无排放污染等特殊要求的医药、食品、化工等行业中，AGV的应用也受到重视。
发明内容
本发明的目的在于提供一种用于AGV机器人的高灵敏度避障系统及方法，用于解决现有AGV机器人避障系统避障传感器失灵后无法避障的问题。
本发明的目的可以通过以下技术方案实现：
一种用于AGV机器人的高灵敏度避障系统，包括地图生成模块、线路规划模块、定位模块、障碍判断模块以及避障模块；
所述避障模块获取到调整指令后对AGV机器人进行调整避障，具体包括以下步骤：
步骤一：获取AGV机器人的运行安全宽度以及道路基点与障碍物模型最近距离；
步骤二：当道路基点与障碍物模型最近距离小于运行安全宽度时，挑选第N+1道路进行避障；
步骤三:当道路基点与障碍物模型最近距离大于或等于运行安全宽度时，将道路基点为行驶边界点进行避障；
所述地图生成模块用于生成AGV机器人运动区域的三维模型地图，具体的，地图生成模块包括BIM建模单元、地图建模单元以及物品建模单元；
所述BIM建模单元用于对运动区域内的建筑场景进行建模，具体为，获取运动区域内的建筑坐标以及建筑投影获取建筑的占地面积以及建筑层高，在通过BIM建模软件进行建模，获得建筑模型；
所述物品建模单元用于对运动区域内的实体物品进行物品建模，并获取物品建模对应的实体物品坐标；
所述地图建模单元通过获取运动区域的坐标进而确定运动区域范围，并生成对应的地图模型，具体包括以下步骤：
A1：获取运动区域，将运动区域放置在突出显示模板内；
A2：获取突出模板内的突出区域；
A3：选取突出区域的最值点，并连接最值点获得范围区域圈；
A4：获取范围区域圈内详细位置坐标，并在范围区域圈内进行标记；
A5：获取物品建模单元内的实体物品坐标与建筑坐标，并将实体物品坐标与建筑坐标与范围区域圈内详细位置坐标进行重合，并将重合后的坐标对应的仿真模型代入范围区域圈内得到三维模型地图；
其中，所述仿真模型包括物品建模与建筑模型。
进一步地，所述BIM建模软件包括 Revit、鸿业 Bimspace、 Magicad、 Navisworks软件。
进一步地，所述突出显示模板包括输入层、二维平面层、边缘采集层、人工学习层以及输出层；
所述输入层用于获取运动区域的全部位置坐标，具体为，通过市政地图获取运动区域内的全部位置坐标，具体包括道路基准点坐标、路牌坐标、建筑基准点坐标以及物品基准点；
所述二维平面层用于建立二维坐标系，并将运动区域的全部位置坐标代入二维坐标系内，具体为，与内置CAD软件建立数据连接，在CAD内调制出二维坐标系，并将运动区域的全部位置坐标与CAD内调制出的二维坐标系内坐标进行重合；
重合后将运动区域的全部位置坐标与CAD内调制出的二维坐标系原点相连，并选取出区域原点；具体的，将位置坐标与CAD内调制出的二维坐标系原点通过直线相连，并选取相连直线最短对应的位置坐标为区域原点；
获取到区域原点后，将CAD内调制出的二维坐标系对应进行移动，并得出突出区域，具体为，将CAD内调制出的二维坐标系原点与选取出的区域原点进行重合，对应的运动区域的全部位置坐标也随之变换，既产生突出区域；
所述边缘采集层用于获取突出区域内横坐标最大值、横坐标最小值、纵坐标最大值以及纵坐标最小值所对应的位置坐标，并标记为预选最值点；
所述人工学习层通过人工智能算法，对预选最值点进行迭代，获得最值点；
所述输出层用于对最值点进行输出。
进一步地，所述线路规划模块用于获取AGV机器人运动区域的三维模型地图，并获取三维模型地图内的道路模型，所述道路模型通过物品建模单元获取；
选取AGV机器人运行起点坐标与终点坐标，并选取起点坐标与终点坐标对应的全部道路模型，并根据道路模型的路程由低到高依次标记为第一道路、第二道路、第三道路……第N道路。
进一步地，所述定位模块用于实时获取AGV机器人的位置，具体为，接收AGV机器人的GPS坐标，并经过转换模型转化为区级坐标；
所述转换模型包括接收层、转换层、投影层以及输出层；
所述接收层用于接收AGV机器人的GPS坐标；
所述转换层用于将GPS坐标转化为ECEF坐标，具体为，将GPS卫星数据内的信息进行解码获得WGS-84坐标，通过对WGS-84坐标的平移、旋转以及缩放转化为ECEF坐标；
所述投影层通过高斯投影将ECEF坐标转化为平面直角坐标，并经过平移与旋转转换为地区坐标；
所述输出层用于将地区坐标进行输出。
进一步地，所述障碍判断模块用于判断前方是否出现障碍，具体包括如下步骤：
B1：获取第一道路、第二道路、第三道路……第N道路相对应的实体物品坐标；
B2：通过采集第一道路、第二道路、第三道路……第N道路的实时图像，获取第一道路、第二道路、第三道路……第N道路相对应的实时障碍物坐标；
B3：当实时障碍物坐标与实体物品坐标不相同时，获取对应实时图像进行图形分析，并生成调整指令。
进一步地，所述通过采集第一道路、第二道路、第三道路……第N道路的实时图像，具体为，通过若干无人机、摄像头以及高分卫星进行实时拍摄。
进一步地，所述获取对应实时图像进行图形分析，具体为，对实时图像进行图形识别，并将障碍物与背景图片进行分离；
将分离后的障碍物进行建模，生成障碍物模型，获取障碍物坐标并将障碍物模型代入三维模型地图内；
所述障碍物模型只具备X轴与Y轴矢量；
所述道路基点，具体为，道路模型的两边界坐标；
所述道路基点与障碍物模型最近距离，具体为，道路基点做垂直于障碍物模型的线段最短段。
一种用于AGV机器人的高灵敏度避障方法，所述高灵敏度避障方法具体包括以下步骤:
Q1：建立AGV机器人运动区域的三维模型地图；
Q2：对三维模型地图内道路进行划分；
Q3：实时监测道路信息；
Q4：获取到调整指令后对AGV机器人进行调整避障。
与现有技术相比，本发明的有益效果是：
（1）通过获取AGV机器人的运行安全宽度以及道路基点与障碍物模型最近距离；当道路基点与障碍物模型最近距离小于运行安全宽度时，挑选第N+1道路进行避障；当道路基点与障碍物模型最近距离大于或等于运行安全宽度时，将道路基点为行驶边界点进行避障，可以精确的另AGV机器人进行避障，解决现在避障系统均为动态避障，一点出现传感器失灵，便无法避障；本发明通过将预先建立的三维模型地图加载至AGV机器人内，避免数据数据传输造成的信息延迟，同时通过对三维模型地图道路边界的定位，使得即使避障传感器失灵时，也可以通过三维模型地图内的坐标点进行避障；
（2）通过BIM建模单元用于对运动区域内的建筑场景进行建模，具体为，获取运动区域内的建筑坐标以及建筑投影获取建筑的占地面积以及建筑层高，在通过BIM建模软件进行建模，获得建筑模型；物品建模单元用于对运动区域内的实体物品进行物品建模，并获取物品建模对应的实体物品坐标；地图建模单元通过获取运动区域的坐标进而确定运动区域范围，并生成对应的地图模型，具体包括以下步骤：获取运动区域，将运动区域放置在突出显示模板内；获取突出模板内的突出区域；选取突出区域的最值点，并连接最值点获得范围区域圈；获取范围区域圈内详细位置坐标，并在范围区域圈内进行标记；获取物品建模单元内的实体物品坐标与建筑坐标，并将实体物品坐标与建筑坐标与范围区域圈内详细位置坐标进行重合，并将重合后的坐标对应的仿真模型代入范围区域圈内得到三维模型地图；其中，仿真模型包括物品建模与建筑模型，预先建立的三维模型地图加载至AGV机器人内，避免数据数据传输造成的信息延迟，造成机器故障；
（3）通过定位模块用于实时获取AGV机器人的位置，具体为，接收AGV机器人的GPS坐标，并经过转换模型转化为区级坐标；转换模型包括接收层、转换层、投影层以及输出层；接收层用于接收AGV机器人的GPS坐标；转换层用于将GPS坐标转化为ECEF坐标，具体为，将GPS卫星数据内的信息进行解码获得WGS-84坐标，通过对WGS-84坐标的平移、旋转以及缩放转化为ECEF坐标；投影层通过高斯投影将ECEF坐标转化为平面直角坐标，并经过平移与旋转转换为地区坐标；输出层用于将地区坐标进行输出，更加精准的定位AGV机器人的移动坐标，避免GPS坐标不兼容；
（4）通过突出显示模板包括输入层、二维平面层、边缘采集层、人工学习层以及输出层；输入层用于获取运动区域的全部位置坐标，具体为，通过市政地图获取运动区域内的全部位置坐标，具体包括道路基准点坐标、路牌坐标、建筑基准点坐标以及物品基准点；二维平面层用于建立二维坐标系，并将运动区域的全部位置坐标代入二维坐标系内，具体为，与内置CAD软件建立数据连接，在CAD内调制出二维坐标系，并将运动区域的全部位置坐标与CAD内调制出的二维坐标系内坐标进行重合；重合后将运动区域的全部位置坐标与CAD内调制出的二维坐标系原点相连，并选取出区域原点；具体的，将位置坐标与CAD内调制出的二维坐标系原点通过直线相连，并选取相连直线最短对应的位置坐标为区域原点；获取到区域原点后，将CAD内调制出的二维坐标系对应进行移动，并得出突出区域，具体为，将CAD内调制出的二维坐标系原点与选取出的区域原点进行重合，对应的运动区域的全部位置坐标也随之变换，既产生突出区域；边缘采集层用于获取突出区域内横坐标最大值、横坐标最小值、纵坐标最大值以及纵坐标最小值所对应的位置坐标，并标记为预选最值点；人工学习层通过人工智能算法，对预选最值点进行迭代，获得最值点；输出层用于对最值点进行输出，使得运动区域的位置坐标更加精准，避免出现缺失的问题，同时通过坐标转换，使得本发明AGV机器人使用的坐标唯一性，提高使用稳定性与抗干扰性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明原理框图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，在下述附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。
如图1所示，一种用于AGV机器人的高灵敏度避障方法，，高灵敏度避障方法具体包括以下步骤:
Q1：建立AGV机器人运动区域的三维模型地图；
Q2：对三维模型地图内道路进行划分；
Q3：实时监测道路信息；
Q4：获取到调整指令后对AGV机器人进行调整避障。
一种用于AGV机器人的高灵敏度避障系统，包括地图生成模块、线路规划模块、定位模块、障碍判断模块以及避障模块；
具体的，地图生成模块用于生成AGV机器人运动区域的三维模型地图，具体的，地图生成模块包括BIM建模单元、地图建模单元以及物品建模单元；
BIM建模单元用于对运动区域内的建筑场景进行建模，具体为，获取运动区域内的建筑坐标以及建筑投影获取建筑的占地面积以及建筑层高，在通过BIM建模软件进行建模，获得建筑模型；
物品建模单元用于对运动区域内的实体物品进行物品建模，并获取物品建模对应的实体物品坐标；
地图建模单元通过获取运动区域的坐标进而确定运动区域范围，并生成对应的地图模型，具体包括以下步骤：
A1：获取运动区域，将运动区域放置在突出显示模板内；
A2：获取突出模板内的突出区域；
A3：选取突出区域的最值点，并连接最值点获得范围区域圈；
A4：获取范围区域圈内详细位置坐标，并在范围区域圈内进行标记；
A5：获取物品建模单元内的实体物品坐标与建筑坐标，并将实体物品坐标与建筑坐标与范围区域圈内详细位置坐标进行重合，并将重合后的坐标对应的仿真模型代入范围区域圈内得到三维模型地图；
优选的，仿真模型包括物品建模与建筑模型。
再本发明具体实施时，BIM建模软件可选取 Revit、鸿业 Bimspace、 Magicad、Navi sworks软件中任一种；
更加优选地，突出显示模板包括输入层、二维平面层、边缘采集层、人工学习层以及输出层；
具体的，输入层用于获取运动区域的全部位置坐标，具体为，通过市政地图获取运动区域内的全部位置坐标，具体包括道路基准点坐标、路牌坐标、建筑基准点坐标以及物品基准点；
具体的，二维平面层用于建立二维坐标系，并将运动区域的全部位置坐标代入二维坐标系内，具体为，与内置CAD软件建立数据连接，在CAD内调制出二维坐标系，并将运动区域的全部位置坐标与CAD内调制出的二维坐标系内坐标进行重合；
重合后将运动区域的全部位置坐标与CAD内调制出的二维坐标系原点相连，并选取出区域原点；具体的，将位置坐标与CAD内调制出的二维坐标系原点通过直线相连，并选取相连直线最短对应的位置坐标为区域原点；
获取到区域原点后，将CAD内调制出的二维坐标系对应进行移动，并得出突出区域，具体为，将CAD内调制出的二维坐标系原点与选取出的区域原点进行重合，对应的运动区域的全部位置坐标也随之变换，既产生突出区域；
具体的，边缘采集层用于获取突出区域内横坐标最大值、横坐标最小值、纵坐标最大值以及纵坐标最小值所对应的位置坐标，并标记为预选最值点；
具体的，人工学习层通过人工智能算法，对预选最值点进行迭代，获得最值点；
具体的，输出层用于对最值点进行输出。
具体的，人工智能算法可选用卷积人工智能算法。
优选地，线路规划模块用于获取AGV机器人运动区域的三维模型地图，并获取三维模型地图内的道路模型，道路模型通过物品建模单元获取；
选取AGV机器人运行起点坐标与终点坐标，并选取起点坐标与终点坐标对应的全部道路模型，并根据道路模型的路程由低到高依次标记为第一道路、第二道路、第三道路……第N道路。
定位模块用于实时获取AGV机器人的位置，具体为，接收AGV机器人的GPS坐标，并经过转换模型转化为区级坐标；
转换模型包括接收层、转换层、投影层以及输出层；
具体的，接收层用于接收AGV机器人的GPS坐标；
具体的，转换层用于将GPS坐标转化为ECEF坐标，具体为，将GPS卫星数据内的信息进行解码获得WGS-84坐标，通过对WGS-84坐标的平移、旋转以及缩放转化为ECEF坐标；
具体的，投影层通过高斯投影将ECEF坐标转化为平面直角坐标，并经过平移与旋转转换为地区坐标；
具体的，输出层用于将地区坐标进行输出。
优选地，障碍判断模块用于判断前方是否出现障碍，具体包括如下步骤：
B1：获取第一道路、第二道路、第三道路……第N道路相对应的实体物品坐标；
B2：通过采集第一道路、第二道路、第三道路……第N道路的实时图像，获取第一道路、第二道路、第三道路……第N道路相对应的实时障碍物坐标；
B3：当实时障碍物坐标与实体物品坐标不相同时，获取对应实时图像进行图形分析，并生成调整指令。
优选地，通过采集第一道路、第二道路、第三道路……第N道路的实时图像，具体为，通过若干无人机、摄像头以及高分卫星进行实时拍摄。
优选地，获取对应实时图像进行图形分析，具体为，对实时图像进行图形识别，并将障碍物与背景图片进行分离；
将分离后的障碍物进行建模，生成障碍物模型，获取障碍物坐标并将障碍物模型代入三维模型地图内；
优选地，障碍物模型只具备X轴与Y轴矢量；
优选地，道路基点，具体为，道路模型的两边界坐标；
优选地，道路基点与障碍物模型最近距离，具体为，道路基点做垂直于障碍物模型的线段最短段。
避障模块获取到调整指令后对AGV机器人进行调整避障，具体包括以下步骤：
步骤一：获取AGV机器人的运行安全宽度以及道路基点与障碍物模型最近距离；
步骤二：当道路基点与障碍物模型最近距离小于运行安全宽度时，挑选第N+1道路进行避障；
步骤三:当道路基点与障碍物模型最近距离大于或等于运行安全宽度时，将道路基点为行驶边界点进行避障。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本发明所提供的实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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；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法的目的。
另对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (9)

1.一种用于AGV机器人的高灵敏度避障系统，其特征在于，包括地图生成模块、线路规划模块、定位模块、障碍判断模块以及避障模块；
所述避障模块获取到调整指令后对AGV机器人进行调整避障，具体包括以下步骤：
步骤一：获取AGV机器人的运行安全宽度以及道路基点与障碍物模型最近距离；
步骤二：当道路基点与障碍物模型最近距离小于运行安全宽度时，挑选第N+1道路进行避障；
步骤三:当道路基点与障碍物模型最近距离大于或等于运行安全宽度时，将道路基点为行驶边界点进行避障；
所述地图生成模块用于生成AGV机器人运动区域的三维模型地图，具体的，地图生成模块包括BIM建模单元、地图建模单元以及物品建模单元；
所述BIM建模单元用于对运动区域内的建筑场景进行建模，具体为，获取运动区域内的建筑坐标以及建筑投影获取建筑的占地面积以及建筑层高，在通过BIM建模软件进行建模，获得建筑模型；
所述物品建模单元用于对运动区域内的实体物品进行物品建模，并获取物品建模对应的实体物品坐标；
所述地图建模单元通过获取运动区域的坐标进而确定运动区域范围，并生成对应的地图模型，具体包括以下步骤：
A1：获取运动区域，将运动区域放置在突出显示模板内；
A2：获取突出模板内的突出区域；
A3：选取突出区域的最值点，并连接最值点获得范围区域圈；
A4：获取范围区域圈内详细位置坐标，并在范围区域圈内进行标记；
A5：获取物品建模单元内的实体物品坐标与建筑坐标，并将实体物品坐标与建筑坐标与范围区域圈内详细位置坐标进行重合，并将重合后的坐标对应的仿真模型代入范围区域圈内得到三维模型地图；
其中，所述仿真模型包括物品建模与建筑模型。
2.根据权利要求1所述的一种用于AGV机器人的高灵敏度避障系统，其特征在于，所述BIM建模软件包括 Revit、鸿业 Bimspace、 Magicad、 Navi sworks软件。
3.根据权利要求1所述的一种用于AGV机器人的高灵敏度避障系统，其特征在于，所述突出显示模板包括输入层、二维平面层、边缘采集层、人工学习层以及输出层；
所述输入层用于获取运动区域的全部位置坐标，具体为，通过市政地图获取运动区域内的全部位置坐标，具体包括道路基准点坐标、路牌坐标、建筑基准点坐标以及物品基准点；
所述二维平面层用于建立二维坐标系，并将运动区域的全部位置坐标代入二维坐标系内，具体为，与内置CAD软件建立数据连接，在CAD内调制出二维坐标系，并将运动区域的全部位置坐标与CAD内调制出的二维坐标系内坐标进行重合；
重合后将运动区域的全部位置坐标与CAD内调制出的二维坐标系原点相连，并选取出区域原点；具体的，将位置坐标与CAD内调制出的二维坐标系原点通过直线相连，并选取相连直线最短对应的位置坐标为区域原点；
获取到区域原点后，将CAD内调制出的二维坐标系对应进行移动，并得出突出区域，具体为，将CAD内调制出的二维坐标系原点与选取出的区域原点进行重合，对应的运动区域的全部位置坐标也随之变换，既产生突出区域；
所述边缘采集层用于获取突出区域内横坐标最大值、横坐标最小值、纵坐标最大值以及纵坐标最小值所对应的位置坐标，并标记为预选最值点；
所述人工学习层通过人工智能算法，对预选最值点进行迭代，获得最值点；
所述输出层用于对最值点进行输出。
4.根据权利要求1所述的一种用于AGV机器人的高灵敏度避障系统，其特征在于，所述线路规划模块用于获取AGV机器人运动区域的三维模型地图，并获取三维模型地图内的道路模型，所述道路模型通过物品建模单元获取；
选取AGV机器人运行起点坐标与终点坐标，并选取起点坐标与终点坐标对应的全部道路模型，并根据道路模型的路程由低到高依次标记为第一道路、第二道路、第三道路……第N道路。
5.根据权利要求1所述的一种用于AGV机器人的高灵敏度避障系统，其特征在于，所述定位模块用于实时获取AGV机器人的位置，具体为，接收AGV机器人的GPS坐标，并经过转换模型转化为区级坐标；
所述转换模型包括接收层、转换层、投影层以及输出层；
所述接收层用于接收AGV机器人的GPS坐标；
所述转换层用于将GPS坐标转化为ECEF坐标，具体为，将GPS卫星数据内的信息进行解码获得WGS-84坐标，通过对WGS-84坐标的平移、旋转以及缩放转化为ECEF坐标；
所述投影层通过高斯投影将ECEF坐标转化为平面直角坐标，并经过平移与旋转转换为地区坐标；
所述输出层用于将地区坐标进行输出。
6.根据权利要求1所述的一种用于AGV机器人的高灵敏度避障系统，其特征在于，所述障碍判断模块用于判断前方是否出现障碍，具体包括如下步骤：
B1：获取第一道路、第二道路、第三道路……第N道路相对应的实体物品坐标；
B2：通过采集第一道路、第二道路、第三道路……第N道路的实时图像，获取第一道路、第二道路、第三道路……第N道路相对应的实时障碍物坐标；
B3：当实时障碍物坐标与实体物品坐标不相同时，获取对应实时图像进行图形分析，并生成调整指令。
7.根据权利要求6所述的一种用于AGV机器人的高灵敏度避障系统，其特征在于，所述通过采集第一道路、第二道路、第三道路……第N道路的实时图像，具体为，通过若干无人机、摄像头以及高分卫星进行实时拍摄。
8.根据权利要求7所述的一种用于AGV机器人的高灵敏度避障系统，其特征在于，所述获取对应实时图像进行图形分析，具体为，对实时图像进行图形识别，并将障碍物与背景图片进行分离；
将分离后的障碍物进行建模，生成障碍物模型，获取障碍物坐标并将障碍物模型代入三维模型地图内；
所述障碍物模型只具备X轴与Y轴矢量；
所述道路基点，具体为，道路模型的两边界坐标；
所述道路基点与障碍物模型最近距离，具体为，道路基点做垂直于障碍物模型的线段最短段。
9.一种用于AGV机器人的高灵敏度避障方法，其特征在于，所述高灵敏度避障方法具体包括以下步骤:
Q1：建立AGV机器人运动区域的三维模型地图；
Q2：对三维模型地图内道路进行划分；
Q3：实时监测道路信息；
Q4：获取到调整指令后对AGV机器人进行调整避障。
CN202110436778.7A 2021-04-22 2021-04-22 一种用于agv机器人的高灵敏度避障系统及方法 Active CN113110466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110436778.7A CN113110466B (zh) 2021-04-22 2021-04-22 一种用于agv机器人的高灵敏度避障系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110436778.7A CN113110466B (zh) 2021-04-22 2021-04-22 一种用于agv机器人的高灵敏度避障系统及方法

Publications (2)

Publication Number Publication Date
CN113110466A true CN113110466A (zh) 2021-07-13
CN113110466B CN113110466B (zh) 2021-12-21

Family

ID=76719583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110436778.7A Active CN113110466B (zh) 2021-04-22 2021-04-22 一种用于agv机器人的高灵敏度避障系统及方法

Country Status (1)

Country Link
CN (1) CN113110466B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114343398A (zh) * 2021-12-31 2022-04-15 深圳星迹国际餐饮管理有限公司 一种自动传菜餐厅

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646136A (zh) * 2013-12-02 2014-03-19 北京航空航天大学 基于gis的飞行校验方法
CN105700533A (zh) * 2016-04-22 2016-06-22 扬州大学 基于北斗导航的农业机械自动驾驶控制系统及方法
US20160196654A1 (en) * 2015-01-07 2016-07-07 Ricoh Company, Ltd. Map creation apparatus, map creation method, and computer-readable recording medium
CN105893544A (zh) * 2016-03-31 2016-08-24 东南大学 一种基于poi业态数据生成城市空间大数据地图的方法
US20170010616A1 (en) * 2015-02-10 2017-01-12 Mobileye Vision Technologies Ltd. Sparse map for autonomous vehicle navigation
US20170181383A1 (en) * 2014-05-26 2017-06-29 Institute Of Automation Chinese Academy Of Sciences Pruning Robot System
CN107153723A (zh) * 2017-04-17 2017-09-12 盈嘉互联（北京）科技有限公司 一种三维数字园区的数据组织和管理方法及系统
CN107807375A (zh) * 2017-09-18 2018-03-16 南京邮电大学 一种基于多gps接收机的无人机姿态追踪方法及系统
CN108195378A (zh) * 2017-12-25 2018-06-22 北京航天晨信科技有限责任公司 一种基于环视相机的智能视觉导航系统
CN108537890A (zh) * 2018-04-04 2018-09-14 悉地（苏州）勘察设计顾问有限公司 一种融合bim建模和实景建模的全景图片移动终端展示方法
CN108873908A (zh) * 2018-07-12 2018-11-23 重庆大学 基于视觉slam和网络地图结合的机器人城市导航系统
CN109445440A (zh) * 2018-12-13 2019-03-08 重庆邮电大学 基于传感器融合与改进q学习算法的动态避障方法
CN109446717A (zh) * 2018-11-15 2019-03-08 中铁第六勘察设计院集团有限公司 基于bim加3dgis线性工程二三维联动展示方法
CN110031011A (zh) * 2019-04-17 2019-07-19 首都师范大学 集成时空邻近与改进权重圆的车载实时地图匹配计算方法
CN110715671A (zh) * 2019-12-12 2020-01-21 中智行科技有限公司 三维地图生成方法、装置、车辆导航设备和无人驾驶车辆
CN110738596A (zh) * 2019-10-10 2020-01-31 成都考拉悠然科技有限公司 一种将cad工程图元素导入三维地图的方法
CN111469836A (zh) * 2020-02-28 2020-07-31 广东中科臻恒信息技术有限公司 基于车载单元和路侧单元的避障方法、设备、存储介质
CN111813117A (zh) * 2020-07-09 2020-10-23 北京布科思科技有限公司 一种机器人巡线优先导航方法、装置和设备
US20200356102A1 (en) * 2019-05-06 2020-11-12 Rugged Robotics Inc. Mobility platform for autonomous navigation of construction sites
CN111982127A (zh) * 2020-08-31 2020-11-24 华通科技有限公司 LightWeight-3D避障方法
CN112272236A (zh) * 2020-10-26 2021-01-26 通号工程局集团有限公司 一种基于bim的巡检系统及方法

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646136A (zh) * 2013-12-02 2014-03-19 北京航空航天大学 基于gis的飞行校验方法
US20170181383A1 (en) * 2014-05-26 2017-06-29 Institute Of Automation Chinese Academy Of Sciences Pruning Robot System
US20160196654A1 (en) * 2015-01-07 2016-07-07 Ricoh Company, Ltd. Map creation apparatus, map creation method, and computer-readable recording medium
US20170010616A1 (en) * 2015-02-10 2017-01-12 Mobileye Vision Technologies Ltd. Sparse map for autonomous vehicle navigation
US20170010115A1 (en) * 2015-02-10 2017-01-12 Mobileye Vision Technologies Ltd. Autonomous navigation based on road signatures
US20170364082A1 (en) * 2015-02-10 2017-12-21 Mobileye Vision Technologies Ltd. Determining lane assignment based on recognized landmark location
CN105893544A (zh) * 2016-03-31 2016-08-24 东南大学 一种基于poi业态数据生成城市空间大数据地图的方法
CN105700533A (zh) * 2016-04-22 2016-06-22 扬州大学 基于北斗导航的农业机械自动驾驶控制系统及方法
CN107153723A (zh) * 2017-04-17 2017-09-12 盈嘉互联（北京）科技有限公司 一种三维数字园区的数据组织和管理方法及系统
CN107807375A (zh) * 2017-09-18 2018-03-16 南京邮电大学 一种基于多gps接收机的无人机姿态追踪方法及系统
CN108195378A (zh) * 2017-12-25 2018-06-22 北京航天晨信科技有限责任公司 一种基于环视相机的智能视觉导航系统
CN108537890A (zh) * 2018-04-04 2018-09-14 悉地（苏州）勘察设计顾问有限公司 一种融合bim建模和实景建模的全景图片移动终端展示方法
CN108873908A (zh) * 2018-07-12 2018-11-23 重庆大学 基于视觉slam和网络地图结合的机器人城市导航系统
CN109446717A (zh) * 2018-11-15 2019-03-08 中铁第六勘察设计院集团有限公司 基于bim加3dgis线性工程二三维联动展示方法
CN109445440A (zh) * 2018-12-13 2019-03-08 重庆邮电大学 基于传感器融合与改进q学习算法的动态避障方法
CN110031011A (zh) * 2019-04-17 2019-07-19 首都师范大学 集成时空邻近与改进权重圆的车载实时地图匹配计算方法
US20200356102A1 (en) * 2019-05-06 2020-11-12 Rugged Robotics Inc. Mobility platform for autonomous navigation of construction sites
CN110738596A (zh) * 2019-10-10 2020-01-31 成都考拉悠然科技有限公司 一种将cad工程图元素导入三维地图的方法
CN110715671A (zh) * 2019-12-12 2020-01-21 中智行科技有限公司 三维地图生成方法、装置、车辆导航设备和无人驾驶车辆
CN111469836A (zh) * 2020-02-28 2020-07-31 广东中科臻恒信息技术有限公司 基于车载单元和路侧单元的避障方法、设备、存储介质
CN111813117A (zh) * 2020-07-09 2020-10-23 北京布科思科技有限公司 一种机器人巡线优先导航方法、装置和设备
CN111982127A (zh) * 2020-08-31 2020-11-24 华通科技有限公司 LightWeight-3D避障方法
CN112272236A (zh) * 2020-10-26 2021-01-26 通号工程局集团有限公司 一种基于bim的巡检系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DIAKITE ABDOULAYE A等: "Automatic geo-referencing of BIM in GIS environments using building footprints", 《COMPUTERS & URBAN SOCIETY》 *
王凡等: "基于BIM的建筑机器人自主路径规划及避障研究", 《计算机工程与应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114343398A (zh) * 2021-12-31 2022-04-15 深圳星迹国际餐饮管理有限公司 一种自动传菜餐厅

Also Published As

Publication number Publication date
CN113110466B (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN111537515B (zh) 基于三维实景模型的铁塔螺栓缺陷展示方法和系统
WO2021208143A1 (zh) 人机共融环境中移动型机器人路径规划采样方法及系统
Woo et al. Localization for autonomous driving
US20190228573A1 (en) Automated and adaptive three-dimensional robotic site surveying
JP6023831B2 (ja) 仮想参照画像を用いた位置及び向きの検出のための方法
Kim et al. UAV-UGV cooperative 3D environmental mapping
Winkvist et al. Towards an autonomous indoor aerial inspection vehicle
Pestana et al. Overview obstacle maps for obstacle‐aware navigation of autonomous drones
Moemen et al. 3-D reconstruction and measurement system based on multimobile robot machine vision
CN113110466B (zh) 一种用于agv机器人的高灵敏度避障系统及方法
Zhu et al. Indoor multi-robot cooperative mapping based on geometric features
CN114200920A (zh) 路径规划方法、装置及控制系统
Shipitko et al. Edge detection based mobile robot indoor localization
CN112747752B (zh) 基于激光里程计的车辆定位方法、装置、设备和存储介质
Shao et al. Estimation of scale and slope information for structure from motion-based 3D map
Herbert et al. Sensor-based interior modeling
Paton et al. Eyes in the back of your head: Robust visual teach & repeat using multiple stereo cameras
Lieret et al. Automated exploration, capture and photogrammetric reconstruction of interiors using an autonomous unmanned aircraft
CN111708046A (zh) 一种障碍物的平面数据的处理方法、装置、电子设备及存储介质
Zhou et al. Three dimensional fully autonomous inspection method for wind power employing unmanned aerial vehicle based on 5G wireless communication and artificial intelligence
Shimoda et al. Autonomous motion control of a mobile robot using marker recognition via deep learning in gps-denied environments
Lee et al. Aerial online mapping on‐board system by real‐time object detection for UGV path generation in unstructured outdoor environments
Yamaji et al. Point Cloud Mapping Using Only Onboard Lidar in GNSS Denied and Dynamic Environments
Chung et al. Autonomous operation of a robot dog for point cloud data acquisition of scaffolds
CN111735433B (zh) 建立二维地图的方法和装置

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