CN113158779A - 一种行走方法、装置和计算机存储介质 - Google Patents
一种行走方法、装置和计算机存储介质 Download PDFInfo
- Publication number
- CN113158779A CN113158779A CN202110256084.5A CN202110256084A CN113158779A CN 113158779 A CN113158779 A CN 113158779A CN 202110256084 A CN202110256084 A CN 202110256084A CN 113158779 A CN113158779 A CN 113158779A
- Authority
- CN
- China
- Prior art keywords
- path
- image
- target
- determining
- walking
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000004140 cleaning Methods 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000003709 image segmentation Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 5
- 239000000523 sample Substances 0.000 description 32
- 238000010586 diagram Methods 0.000 description 9
- 238000010408 sweeping Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241001417527 Pempheridae Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种行走方法、装置和计算机存储介质。所述方法包括：获取目标图像；对所述目标图像进行分割，得到至少一个分割图像；对所述至少一个分割图像进行图像识别，确定第一分割图像；所述第一分割图像至少包括可行走路径的目标区域；确定所述目标区域的目标点，基于所述目标点确定行走路径。
Description
技术领域
本发明涉及家电控制技术，具体涉及一种行走方法、装置和计算机存储介质。
背景技术
自主清洁装置为现代生活提供巨大的便利，降低了劳动强度。家用扫地机器人为常见自主清洁设备，这样的机器人能在家庭房间内自行地行进的同时吸入周边的灰尘或杂质从而完成地面清洁。随着扫地机器人智能化程度的不断发展，自主建图和清扫规划已经成为扫地机器人必不可少的功能。
随着近年来人工智能(AI，Artificial Intelligence)的快速发展，解决机器人感知问题的同时定位和构建地图(SLAM，simultaneous localization andmapping)技术在诸如自动驾驶、机器人导航、增强现实(AR，Augmented Reality)等领域有着广泛的应用。由于全球定位系统(GPS，Global Positioning System)定位精度差，目前，主流的SLAM主要分为基于激光传感器的SLAM和基于视觉传感器的SLAM。基于激光传感器的SLAM是最稳定的定位技术，已经被成功商用化在如扫地机器人等产品上，构建的地图鲁棒性高和精度很高。
但是目前的视觉SLAM只包含图像中很少一部分信息，而诸如图片中包含什么物体，当前处于哪个场景中等高级语义信息完全没有利用。感知环境中的内容信息，让机器从几何和语义两个方面去理解周围环境，并执行相应的规避动作是视觉路径规划的重要发展方向。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种行走方法、装置和计算机存储介质。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种行走方法，应用于清洁设备，所述方法包括：
获取目标图像；
对所述目标图像进行分割，得到至少一个分割图像；
对所述至少一个分割图像进行图像识别，确定第一分割图像；所述第一分割图像至少包括可行走路径的目标区域；
确定所述目标区域的目标点，基于所述目标点确定行走路径。
上述方案中，所述对所述目标图像进行分割，得到至少一个分割图像，包括：
运用图像分割方法，对所述目标图像进行分割，得到至少一个分割图像；
所述图像分割方法基于预设的分割模型实现。
上述方案中，所述对所述至少一个分割图像进行图像识别，确定第一分割图像，包括：
运用预设的图像识别模型对所述至少一个分割图像中每个分割图像进行图像识别，确定包括有可行走路径的目标区域的分割图像，作为所述第一分割图像；
所述图像识别模型运用训练样本集对预设神经网络训练得到；所述训练样本集包括：至少一个训练样本和每个所述训练样本对应的标签；所述标签表征相应训练样本是否具有可行走路径的目标区域。
上述方案中，所述目标点为所述目标区域的质心；
所述确定所述目标区域的目标点，包括：
将所述目标区域转换为二值图像；
运用连通组件标记算法，确定所述二值图像中的至少一个连通区域；
运用几何距算法，根据所述至少一个连通区域，确定所述目标区域的质心。
上述方案中，所述基于所述目标点确定行走路径，包括：
确定清洁设备的第一位置到目标点的方向，作为第一行走方向；
将所述清洁设备的直线方向调整为所述第一行走方向；
按照所述第一行走方向从所述第一位置运行到所述目标点。
上述方案中，所述方法还包括：获取全局规划的路径；所述全局规划的路径，包括：至少一个子路径和每个所述子路径对应的代价值；所述子路径至少包括：第二行走方向；
所述基于所述目标点确定行走路径，包括：
确定清洁设备从第一位置到目标点的方向，作为第一行走方向；
确定所述清洁设备从第一位置到目标点的局部路径，作为参考路径；根据所述参考路径查询所述全局规划的路径，确定所述参考路径对应的参考子路径；
根据所述参考子路径对应的参考第二行走方向和所述第一行走方向，确定目标行走方向；
将所述清洁设备的直线方向调整为所述目标行走方向；
按照所述目标行走方向从所述第一位置运行到所述目标点。
上述方案中，所述根据所述参考子路径对应的参考第二行走方向和所述第一行走方向，确定目标行走方向，包括：
获取预设的权重集；所述权重集至少包括：局部路径对应的第一权重、全局规划的路径对应的第二权重；
根据所述第一权重和所述第二权重对所述参考第二行走方向和所述第一行走方向进行加权处理，得到目标行走方向。
上述方案中，所述方法还包括：
获取预设的权重集表；所述权重集表至少包括：不同距离对应的不同权重集；
确定所述第一位置到障碍物的参考距离，根据所述参考距离查询所述预设的权重集表，得到所述参考距离对应的权重集。
本发明实施例提供了一种行走装置，应用于清洁设备，所述装置包括：第一处理模块、第二处理模块和第三处理模块；其中，
所述第一处理模块，用于获取目标图像；对所述目标图像进行分割，得到至少一个分割图像；
所述第二处理模块，用于对所述至少一个分割图像进行图像识别，确定第一分割图像；所述第一分割图像至少包括可行走路径的目标区域；
所述第三处理模块，用于确定所述目标区域的目标点，基于所述目标点确定行走路径。
上述方案中，所述第一处理模块，用于运用图像分割方法，对所述目标图像进行分割，得到至少一个分割图像；
所述图像分割方法基于预设的分割模型实现。
上述方案中，所述第二处理模块，用于运用预设的图像识别模型对所述至少一个分割图像中每个分割图像进行图像识别，确定包括有可行走路径的目标区域的分割图像，作为所述第一分割图像；
所述图像识别模型运用训练样本集对预设神经网络训练得到；所述训练样本集包括：至少一个训练样本和每个所述训练样本对应的标签；所述标签表征相应训练样本是否具有可行走路径的目标区域。
上述方案中，所述目标点为所述目标区域的质心；
所述第三处理模块，用于将所述目标区域转换为二值图像；
运用连通组件标记算法，确定所述二值图像中的至少一个连通区域；
运用几何距算法，根据所述至少一个连通区域，确定所述目标区域的质心。
上述方案中，所述第三处理模块，用于确定清洁设备的第一位置到目标点的方向，作为第一行走方向；
将所述清洁设备的直线方向调整为所述第一行走方向；
按照所述第一行走方向从所述第一位置运行到所述目标点。
上述方案中，所述第三处理模块，还用于获取全局规划的路径；所述全局规划的路径，包括：至少一个子路径和每个所述子路径对应的代价值；所述子路径至少包括：第二行走方向；
相应的，所述第三处理模块，具体用于确定清洁设备从第一位置到目标点的方向，作为第一行走方向；
确定所述清洁设备从第一位置到目标点的局部路径，作为参考路径；根据所述参考路径查询所述全局规划的路径，确定所述参考路径对应的参考子路径；
根据所述参考子路径对应的参考第二行走方向和所述第一行走方向，确定目标行走方向；
将所述清洁设备的直线方向调整为所述目标行走方向；
按照所述目标行走方向从所述第一位置运行到所述目标点。
上述方案中，所述第三处理模块，用于获取预设的权重集；所述权重集至少包括：局部路径对应的第一权重、全局规划的路径对应的第二权重；
根据所述第一权重和所述第二权重对所述参考第二行走方向和所述第一行走方向进行加权处理，得到目标行走方向。
本发明实施例还提供了一种行走装置，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行以上任一项所述行走方法的步骤。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现以上任一项所述行走方法的步骤。
本发明实施例提供的行走方法、装置和计算机存储介质，所述方法包括：获取目标图像；对所述目标图像进行分割，得到至少一个分割图像；对所述至少一个分割图像进行图像识别，确定第一分割图像；所述第一分割图像至少包括可行走路径的目标区域；确定所述目标区域的目标点，基于所述目标点确定行走路径。采用本发明实施例的技术方案，可以快速实现避障，提高避障效率，且应用的避障场景广。
附图说明
图1为一种路径规划系统的示意图；
图2为本发明实施例的一种行走方法的流程示意图；
图3为本发明实施例的另一种行走方法的流程示意图；
图4为本发明实施例提供的一种图像分割的示意图；
图5为本发明实施例提供的一种基于质心行走的示意图；
图6为本发明实施例的一种行走装置的结构示意图；
图7为本发明实施例的另一种行走装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请实施例方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。
本申请的说明书实施例和权利要求书及上述附图中的术语“第一”、“第二”、和“第三”等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。此外，术语“包括”和“具有”以及他们的任何变形，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。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。
在结合实施例对本发明再作进一步详细的说明，先对相关技术进行说明。
图1为一种路径规划系统框架示意图；如图1所示，所述路径规划系统包括以下模块：Sensing模块、Localization模块、Mapping模块、Planning模块、Control模块；其中，
Sensing模块融合有多个传感器，至少包括激光雷达、里程计、陀螺仪和加速度计等；
Localization模块，用于根据传感器采集的数据和地图，确定当前位置；
Mapping模块，用于根据当前位置、雷达数据和清洁设备(如扫地机器人)状态，创建地图；
Planning模块，用于规划运动方式和目标；
Control模块，用于控制运动，包括直线行走、旋转掉头、沿边和动态避障等。
现有Planning模块采用的方法，包括：全局规划(global planner)和局部规划(local planner)；全局规划常采用A*(A-Star)算法，是一种静态路网中求解最短路径最有效的直接搜索方法，也是许多其他问题的常用启发式算法；当完成区域分割后，如何逐个覆盖所有区域，其中关键为：如何从一个区域去到另一个区域，并寻找下一个未覆盖区域，这便是局部规划，现在解决方案如深度优先遍历(DFS，Depth First Search)如下：
首先以一个未被访问过的顶点作为起始顶点，沿当前顶点的边走到未访问过的顶点；当没有未访问过的顶点时，则回到上一个顶点，继续试探别的顶点，直至所有的顶点都被访问过。
当区域内存在障碍物，尤其是动态障碍物时，不仅要躲避障碍物，还要快速有效完成局部规划，成为一个难题，则需要检测障碍物的传感器，并根据传感器数据执行规避动作，现在解决方案如下：
基于陀螺仪的局部路径规划，靠红外检测到前方障碍物，以绕障碍物碰撞方法规避(配有碰撞检测开关)；
基于激光直接成型技术(LDS，Laser Direct Structuring)的局部路径规划，通过雷达识别前方障碍物，以激光线束采样的动态窗口方法避障。
上述方法存在以下问题：
红外避障：受物体形状大小、颜色影响大，识别不准确，且需持续碰撞检测，效率低，反应慢；
激光避障：控制方式复杂，且因安装高度限制，无法识别较矮障碍物(如鞋带、线束等)，使用范围有限。
基于此，在本发明的各种实施例中，获取目标图像；对所述目标图像进行分割，得到至少一个分割图像；对所述至少一个分割图像进行图像识别，确定第一分割图像；所述第一分割图像至少包括可行走路径的目标区域；确定所述目标区域的目标点，基于所述目标点确定行走路径。
下面结合附图及具体实施例对本发明作进一步详细的说明。
图2为本发明实施例提供的一种行走方法的流程示意图；如图2所示，应用于清洁设备，所述方法包括：
步骤201、获取目标图像；
步骤202、对所述目标图像进行分割，得到至少一个分割图像；
步骤203、对所述至少一个分割图像进行图像识别，确定第一分割图像；所述第一分割图像至少包括可行走路径的目标区域；
步骤204、确定所述目标区域的目标点，基于所述目标点确定行走路径。
在一实施例中，所述获取目标图像，包括：
清洁设备通过自身具有或连接的拍摄模块，获取周围环境的图像，作为目标图像。
在一实施例中，所述对所述目标图像进行分割，得到至少一个分割图像，包括：
运用图像分割方法，对所述目标图像进行分割，得到至少一个分割图像；
所述图像分割方法基于预设的分割模型实现。
即可以预先训练对神经网络进行训练，得打一个分割模型，以实现对目标图像的分割。这里可以采用任意方式进行模型训练，以得到分割模型；当然，还可以采用其他图像分割方法，以获得至少一个分割图像即可，这里不做限定。
在一实施例中，所述对所述至少一个分割图像进行图像识别，确定第一分割图像，包括：
运用预设的图像识别模型对所述至少一个分割图像中每个分割图像进行图像识别，确定包括有可行走路径的目标区域的分割图像，作为所述第一分割图像；
所述图像识别模型运用训练样本集对预设神经网络训练得到；
所述训练样本集包括：至少一个训练样本和每个所述训练样本对应的标签；所述标签表征相应训练样本是否具有可行走路径的目标区域。
所述训练样本集可以由开发人员预先筛选得到。
在一实施例中，所述目标点为所述目标区域的质心；
所述确定所述目标区域的目标点，包括：
将所述目标区域转换为二值图像；
运用连通组件标记算法，确定所述二值图像中的至少一个连通区域；
运用几何距算法，根据所述至少一个连通区域，确定所述目标区域的质心。
实际应用时，可以仅基于局部路径进行控制，即仅根据确定的质心确定行走方向。
在一实施例中，所述基于所述目标点确定行走路径，包括：
确定清洁设备的第一位置到目标点的方向，作为第一行走方向；
将所述清洁设备的直线方向调整为所述第一行走方向；
按照所述第一行走方向从所述第一位置运行到所述目标点。
这里，所述第一位置指清洁设备自身当前的位置，可以通过自身具有的定位功能确定。
所述直线方向指清洁设备的行走方向(具体可以理解为调整之前的前进方向、行驶方向)。
实际应用时，除了局部路径，还可以结合预设的全局规划的路径一同进行控制，以避免局部路径的错误计算，提高准确性。
在一实施例中，所述方法还包括：获取全局规划的路径；所述全局规划的路径，包括：至少一个子路径和每个所述子路径对应的代价值；所述子路径至少包括：第二行走方向；
相应的，所述基于所述目标点确定行走路径，包括：
确定清洁设备从第一位置到目标点的方向，作为第一行走方向；
确定所述清洁设备从第一位置到目标点的局部路径，作为参考路径；根据所述参考路径查询所述全局规划的路径，确定所述参考路径对应的参考子路径；
根据所述参考子路径对应的参考第二行走方向和所述第一行走方向，确定目标行走方向；
将所述清洁设备的直线方向调整为所述目标行走方向；
按照所述目标行走方向从所述第一位置运行到所述目标点。
其中，所述根据所述参考子路径对应的参考第二行走方向和所述第一行走方向，确定目标行走方向，包括：
获取预设的权重集；所述权重集至少包括：局部路径对应的第一权重、全局规划的路径对应的第二权重；
根据所述第一权重和所述第二权重对所述参考第二行走方向和所述第一行走方向进行加权处理，得到目标行走方向。
所述加权处理指，第一权重乘以第一角度、与第二权重乘以第二角度之和。
第一角度指第一行走方向与当前时刻的行走方向的角度差；
第二角度指参考第二行走方向和当前时刻的行走方向的角度差。
这里，当前时刻的行走方向是指获取目标图像时清洁设备当前行走的方向，也即未调整前的行走方向。
当然，行走时还需参考其他控制参数(如行驶方向与机器人当前位姿及终点位姿连线的角度差值，机器人前进速度与最高速度的差值，障碍物与安全减速最小制动距离的差值等)，不同控制参数对应不同比例积分；因此，还可以在确定目标行走方向后再结合其他控制参数和对应的比例积分，进行相应计算(如加权)，得到最终的行走方向、行走速度、行走路径等。
具体地，所述方法还包括：
获取预设的权重集表；所述权重集表至少包括：不同距离对应的不同权重集；
确定所述第一位置到障碍物的参考距离，根据所述参考距离查询所述预设的权重集表，得到所述参考距离对应的权重集。
具体来说，所述全局规划的路径，包括：至少一段参考子路径。所述全局规划的路径，可以是预先确定的，如采用A-star算法、Djst等方法，所述地图可以是清洁设备预先行走一遍区域得到的，或者是用户通过其他终端确定并发送给清洁设备的。
这里，对于权重集表的设定是考虑到与障碍物的远近关系与实现精准控制相关，因此，在确定第一位置到障碍物的参考距离后，确定参考距离的权重集，在不同距离的情况下使用不同权重，以影响最终目标行走方向，实现更为精准的控制。
所述权重集表、其中的权重集及对应的参考距离，由开发人员预先设定并保存在清洁设备中。
这里，所述方法可以应用于清洁设备；例如：扫地机器人、智能扫地机、扫地机等。
所述清洁设备具有拍摄模块，如摄像头。所述摄像头可以为单摄像头或双摄像头；所述单摄像头或双摄像头用于拍摄目标图像，以得到待清扫区域的周围环境的图像，进而在运行过程中确定避障。还可以对待清扫区域进行标记，举例来说，待清扫区域可以用房间名进行标记，如，主卧、次卧、房间一、房间二等。
需要说明的是，所述清洁设备可以具有处理模块、摄像头、定位模块等，用于执行上述步骤。例如，摄像头用于获取环境信息，处理模块用于划分区间并执行清洁操作；定位模块用于确定清洁设备所在位置。以上对处理模块、摄像头、定位模块的功能划分仅一种示例，而不是对具体功能模块的划分的限定，实际应用时可以根据需要设定不同的模块，以实现上述方法即可。
图3为本发明实施例提供的另一种行走方法的流程示意图；如图3所示，所述方法可以应用于清洁设备，如扫地机器人；所述方法包括：
步骤301、通过摄像头获取周围环境信息；
这里，所述周围环境信息至少包括：周围环境的图像；
步骤302、运用深度学习的图像分割方法，根据周围环境信息确定第一分割图像；所述第一分割图像包括：可行走的没有障碍物的第一图像区域；
这里，具体可以运用深度学习预先训练一个分割模型，通过分割模型识别周围环境的图像；其中，所述分割模型可以采用点云分割，对周围环境的图像分割后采用不同颜色或不同标记表示不同区块。
然后，利用一个图像识别模型识别每个区块，确定出可行走没有障碍物的第一图像区域。图像识别模型的训练方法已在图2所示方法中说明，这里不再赘述。
图4为本发明实施例提供的一种图像分割的示意图；如图4所示，对左侧的周围环境的图像进行分割并识别，确定出可行走没有障碍物的第一图像区域。
步骤303、确定所述第一图像区域的质心(相当于上述目标点)；
所述步骤303，包括：
将第一图像区域转换为二值图像；
通过连通组件标记算法，确定所述二值图像中所有的连通区域，并分别标记；
运用计算几何距算法，根据每个连通区域，得到第一图像区域的质心；
用不同颜色绘制连通区域与质心，输出处理后图像。
图5为本发明实施例提供的一种基于质心行走的示意图；如图5所示，对第一图像区域进行处理，确定质心；然后，沿着质心方向(指自身到质心的方向)行走，将质心方向与图像中心线对齐；行走过程中，每隔一定时间计算下质心、即针对新的周围环境的图像并确定新的可行走区域的质心，并输出轮系控制，保证行走方向。
这里，从清洁设备角度来说，图像中心线代表行走方向(也可称直线方向、行驶方向)；
而从图像角度来说，图像中心线可以理解为当前图像中心为起点指向图像像素正前方的一条直线。
上述将质心方向与图像中心线对齐，表示，以质心方向为准调整图像中心线，也即将行走方向调整为质心方向。
需要说明的是，图中的2号位姿摄像头(Camera)是一个示例，清洁设备可以具有多个Camera。
步骤304、基于第一图像区域的质心，将直线方向调整与当前观察图像的图像中心线对齐，调整后实现避开障碍物前行。
具体结合图5来说，确定出第一图像区域的质心后，将直线方向(即行走方向)调整为与当前观察的图像中心线(当前观察的图像中心线为与质心方向对齐后的图像中心线)对齐，作为第一行走方向。也就是说，以质心方向作为行走方向。
具体地，所述步骤304还可以包括：计算质心方向与当前行走方向的偏角，做为轮系控制输入条件之一；
还可以通过全局规划的路径给出朝向的代价值，加权后给到控制器进行方向驱动，以避开障碍物规避障碍物。
其中，所述全局规划可以是已经给出的路径(使用Astar、Djst等)，计算当前局部规划路径与全局路径的矢量角度差值，确定最终目标(如以某个角度直行到某一点、即质心)，基于最终目标指引清洁设备前进。例如，可以是：第一权重乘以第一角度、与第二权重乘以第二角度之和。
其中，第一角度指局部规划的路径(即第一行走方向)与当前时刻的行走方向的角度差；
第二角度指全局规划的路径(即参考第二行走方向)和当前时刻的行走方向的角度差。
这里，当前时刻的行走方向是指获取目标图像时清洁设备当前行走的方向，也即未调整前的行走方向。
具体过程已在图2所示方法中说明，这里不多赘述。
需要说明的是，控制器内部可以保存有控制器输入参数(如距离障碍物距离、行驶方向与机器人当前位姿及终点位姿连线的角度差值、机器人前进速度与最高速度的差值、障碍物与安全减速最小制动距离的差值)，对应比例积分(加权结果，给到这个结果的积分项)等，在这些参数上进行加权。
图6为本发明实施例提供的一种行走装置的结果示意图；所述装置应用于清洁设备，如图6所示，所述装置包括：第一处理模块、第二处理模块和第三处理模块；其中，
所述第一处理模块，用于获取目标图像；对所述目标图像进行分割，得到至少一个分割图像；
所述第二处理模块，用于对所述至少一个分割图像进行图像识别，确定第一分割图像；所述第一分割图像至少包括可行走路径的目标区域；
所述第三处理模块，用于确定所述目标区域的目标点，基于所述目标点确定行走路径。
具体地，所述第一处理模块，用于运用图像分割方法，对所述目标图像进行分割，得到至少一个分割图像；
所述图像分割方法基于预设的分割模型实现。
具体地，所述第二处理模块，用于运用预设的图像识别模型对所述至少一个分割图像中每个分割图像进行图像识别，确定包括有可行走路径的目标区域的分割图像，作为所述第一分割图像；
所述图像识别模型运用训练样本集对预设神经网络训练得到；所述训练样本集包括：至少一个训练样本和每个所述训练样本对应的标签；所述标签表征相应训练样本是否具有可行走路径的目标区域。
具体地，所述目标点为所述目标区域的质心；
所述第三处理模块，用于将所述目标区域转换为二值图像；
运用连通组件标记算法，确定所述二值图像中的至少一个连通区域；
运用几何距算法，根据所述至少一个连通区域，确定所述目标区域的质心。
具体地，所述第三处理模块，用于确定清洁设备的第一位置到目标点的方向，作为第一行走方向；
将所述清洁设备的直线方向调整为所述第一行走方向；
按照所述第一行走方向从所述第一位置运行到所述目标点。
具体地，所述第三处理模块，还用于获取全局规划的路径；所述全局规划的路径，包括：至少一个子路径和每个所述子路径对应的代价值；所述子路径至少包括：第二行走方向；
相应的，所述第三处理模块，具体用于确定清洁设备从第一位置到目标点的方向，作为第一行走方向；
确定所述清洁设备从第一位置到目标点的局部路径，作为参考路径；根据所述参考路径查询所述全局规划的路径，确定所述参考路径对应的参考子路径；
根据所述参考子路径对应的参考第二行走方向和所述第一行走方向，确定目标行走方向；
将所述清洁设备的直线方向调整为所述目标行走方向；
按照所述目标行走方向从所述第一位置运行到所述目标点。
具体地，所述第三处理模块，用于获取预设的权重集；所述权重集至少包括：局部路径对应的第一权重、全局规划的路径对应的第二权重；
根据所述第一权重和所述第二权重对所述参考第二行走方向和所述第一行走方向进行加权处理，得到目标行走方向。
需要说明的是：上述实施例提供的行走装置在实现相应行走方法时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将服务器的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的装置与相应方法的实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图7为本发明实施例提供的另一种行走装置的结果示意图；如图7所示，所述装置70应用于服务器，包括：处理器701和用于存储能够在所述处理器上运行的计算机程序的存储器702；其中，所述处理器701用于运行所述计算机程序时，执行：获取目标图像；对所述目标图像进行分割，得到至少一个分割图像；对所述至少一个分割图像进行图像识别，确定第一分割图像；所述第一分割图像至少包括可行走路径的目标区域；确定所述目标区域的目标点，基于所述目标点确定行走路径。
在一实施例中，所述处理器701还用于运行所述计算机程序时，执行：运用图像分割方法，对所述目标图像进行分割，得到至少一个分割图像；所述图像分割方法基于预设的分割模型实现。
在一实施例中，所述处理器701还用于运行所述计算机程序时，执行：运用预设的图像识别模型对所述至少一个分割图像中每个分割图像进行图像识别，确定包括有可行走路径的目标区域的分割图像，作为所述第一分割图像；
所述图像识别模型运用训练样本集对预设神经网络训练得到；所述训练样本集包括：至少一个训练样本和每个所述训练样本对应的标签；所述标签表征相应训练样本是否具有可行走路径的目标区域。
在一实施例中，所述处理器701还用于运行所述计算机程序时，执行：将所述目标区域转换为二值图像；
运用连通组件标记算法，确定所述二值图像中的至少一个连通区域；
运用几何距算法，根据所述至少一个连通区域，确定所述目标区域的质心。
在一实施例中，所述处理器701还用于运行所述计算机程序时，执行：确定清洁设备的第一位置到目标点的方向，作为第一行走方向；
将所述清洁设备的直线方向调整为所述第一行走方向；
按照所述第一行走方向从所述第一位置运行到所述目标点。
在一实施例中，所述处理器701还用于运行所述计算机程序时，执行：获取全局规划的路径；所述全局规划的路径，包括：至少一个子路径和每个所述子路径对应的代价值；所述子路径至少包括：第二行走方向；
以及，确定清洁设备从第一位置到目标点的方向，作为第一行走方向；
确定所述清洁设备从第一位置到目标点的局部路径，作为参考路径；根据所述参考路径查询所述全局规划的路径，确定所述参考路径对应的参考子路径；
根据所述参考子路径对应的参考第二行走方向和所述第一行走方向，确定目标行走方向；
将所述清洁设备的直线方向调整为所述目标行走方向；
按照所述目标行走方向从所述第一位置运行到所述目标点。
在一实施例中，所述处理器701还用于运行所述计算机程序时，执行：获取预设的权重集；所述权重集至少包括：局部路径对应的第一权重、全局规划的路径对应的第二权重；
根据所述第一权重和所述第二权重对所述参考第二行走方向和所述第一行走方向进行加权处理，得到目标行走方向。
在一实施例中，所述处理器701还用于运行所述计算机程序时，执行：获取预设的权重集表；所述权重集表至少包括：不同距离对应的不同权重集；
确定所述第一位置到障碍物的参考距离，根据所述参考距离查询所述预设的权重集表，得到所述参考距离对应的权重集。
需要说明的是：上述实施例提供的行走装置与行走方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
实际应用时，所述装置70还可以包括：至少一个网络接口703。装置70中的各个组件通过总线系统704耦合在一起。可理解，总线系统704用于实现这些组件之间的连接通信。总线系统704除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统704。其中，所述处理器701的个数可以为至少一个。网络接口703用于装置70与其他设备之间有线或无线方式的通信。
本发明实施例中的存储器702用于存储各种类型的数据以支持装置70的操作。
上述本发明实施例揭示的方法可以应用于处理器701中，或者由处理器701实现。处理器701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字信号处理器(DSP，DiGital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器701可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器702，处理器701读取存储器702中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，装置70可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行：获取目标图像；对所述目标图像进行分割，得到至少一个分割图像；对所述至少一个分割图像进行图像识别，确定第一分割图像；所述第一分割图像至少包括可行走路径的目标区域；确定所述目标区域的目标点，基于所述目标点确定行走路径。
在一实施例中，所述计算机程序被处理器运行时，执行：运用图像分割方法，对所述目标图像进行分割，得到至少一个分割图像；所述图像分割方法基于预设的分割模型实现。
在一实施例中，所述计算机程序被处理器运行时，执行：运用预设的图像识别模型对所述至少一个分割图像中每个分割图像进行图像识别，确定包括有可行走路径的目标区域的分割图像，作为所述第一分割图像；
所述图像识别模型运用训练样本集对预设神经网络训练得到；所述训练样本集包括：至少一个训练样本和每个所述训练样本对应的标签；所述标签表征相应训练样本是否具有可行走路径的目标区域。
在一实施例中，所述计算机程序被处理器运行时，执行：将所述目标区域转换为二值图像；
运用连通组件标记算法，确定所述二值图像中的至少一个连通区域；
运用几何距算法，根据所述至少一个连通区域，确定所述目标区域的质心。
在一实施例中，所述计算机程序被处理器运行时，执行：确定清洁设备的第一位置到目标点的方向，作为第一行走方向；
将所述清洁设备的直线方向调整为所述第一行走方向；
按照所述第一行走方向从所述第一位置运行到所述目标点。
在一实施例中，所述计算机程序被处理器运行时，执行：获取全局规划的路径；所述全局规划的路径，包括：至少一个子路径和每个所述子路径对应的代价值；所述子路径至少包括：第二行走方向；
以及，确定清洁设备从第一位置到目标点的方向，作为第一行走方向；
确定所述清洁设备从第一位置到目标点的局部路径，作为参考路径；根据所述参考路径查询所述全局规划的路径，确定所述参考路径对应的参考子路径；
根据所述参考子路径对应的参考第二行走方向和所述第一行走方向，确定目标行走方向；
将所述清洁设备的直线方向调整为所述目标行走方向；
按照所述目标行走方向从所述第一位置运行到所述目标点。
在一实施例中，所述计算机程序被处理器运行时，执行：获取预设的权重集；所述权重集至少包括：局部路径对应的第一权重、全局规划的路径对应的第二权重；
根据所述第一权重和所述第二权重对所述参考第二行走方向和所述第一行走方向进行加权处理，得到目标行走方向。
在一实施例中，所述计算机程序被处理器运行时，执行：获取预设的权重集表；所述权重集表至少包括：不同距离对应的不同权重集；
确定所述第一位置到障碍物的参考距离，根据所述参考距离查询所述预设的权重集表，得到所述参考距离对应的权重集。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集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。
本领域普通技术人员可以理解：实现上述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，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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。而前述的存储介质包括：移动存储设备、ROM、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，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，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (17)
1.一种行走方法，其特征在于，应用于清洁设备，所述方法包括：
获取目标图像；
对所述目标图像进行分割，得到至少一个分割图像；
对所述至少一个分割图像进行图像识别，确定第一分割图像；所述第一分割图像至少包括可行走路径的目标区域；
确定所述目标区域的目标点，基于所述目标点确定行走路径。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行分割，得到至少一个分割图像，包括：
运用图像分割方法，对所述目标图像进行分割，得到至少一个分割图像；
所述图像分割方法基于预设的分割模型实现。
3.根据权利要求1所述的方法，其特征在于，所述对所述至少一个分割图像进行图像识别，确定第一分割图像，包括：
运用预设的图像识别模型对所述至少一个分割图像中每个分割图像进行图像识别，确定包括有可行走路径的目标区域的分割图像，作为所述第一分割图像；
所述图像识别模型运用训练样本集对预设神经网络训练得到；所述训练样本集包括：至少一个训练样本和每个所述训练样本对应的标签；所述标签表征相应训练样本是否具有可行走路径的目标区域。
4.根据权利要求1所述的方法，其特征在于，所述目标点为所述目标区域的质心；
所述确定所述目标区域的目标点，包括：
将所述目标区域转换为二值图像；
运用连通组件标记算法，确定所述二值图像中的至少一个连通区域；
运用几何距算法，根据所述至少一个连通区域，确定所述目标区域的质心。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述基于所述目标点确定行走路径，包括：
确定清洁设备的第一位置到目标点的方向，作为第一行走方向；
将所述清洁设备的直线方向调整为所述第一行走方向；
按照所述第一行走方向从所述第一位置运行到所述目标点。
6.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：获取全局规划的路径；所述全局规划的路径，包括：至少一个子路径和每个所述子路径对应的代价值；所述子路径至少包括：第二行走方向；
所述基于所述目标点确定行走路径，包括：
确定清洁设备从第一位置到目标点的方向，作为第一行走方向；
确定所述清洁设备从第一位置到目标点的局部路径，作为参考路径；根据所述参考路径查询所述全局规划的路径，确定所述参考路径对应的参考子路径；
根据所述参考子路径对应的参考第二行走方向和所述第一行走方向，确定目标行走方向；
将所述清洁设备的直线方向调整为所述目标行走方向；
按照所述目标行走方向从所述第一位置运行到所述目标点。
7.根据权利要求6所述的方法，其特征在于，所述根据所述参考子路径对应的参考第二行走方向和所述第一行走方向，确定目标行走方向，包括：
获取预设的权重集；所述权重集至少包括：局部路径对应的第一权重、全局规划的路径对应的第二权重；
根据所述第一权重和所述第二权重对所述参考第二行走方向和所述第一行走方向进行加权处理，得到目标行走方向。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
获取预设的权重集表；所述权重集表至少包括：不同距离对应的不同权重集；
确定所述第一位置到障碍物的参考距离，根据所述参考距离查询所述预设的权重集表，得到所述参考距离对应的权重集。
9.一种行走装置，其特征在于，应用于清洁设备，所述装置包括：第一处理模块、第二处理模块和第三处理模块；其中，
所述第一处理模块，用于获取目标图像；对所述目标图像进行分割，得到至少一个分割图像；
所述第二处理模块，用于对所述至少一个分割图像进行图像识别，确定第一分割图像；所述第一分割图像至少包括可行走路径的目标区域；
所述第三处理模块，用于确定所述目标区域的目标点，基于所述目标点确定行走路径。
10.根据权利要求9所述的装置，其特征在于，所述第一处理模块，用于运用图像分割方法，对所述目标图像进行分割，得到至少一个分割图像；
所述图像分割方法基于预设的分割模型实现。
11.根据权利要求9所述的装置，其特征在于，所述第二处理模块，用于运用预设的图像识别模型对所述至少一个分割图像中每个分割图像进行图像识别，确定包括有可行走路径的目标区域的分割图像，作为所述第一分割图像；
所述图像识别模型运用训练样本集对预设神经网络训练得到；所述训练样本集包括：至少一个训练样本和每个所述训练样本对应的标签；所述标签表征相应训练样本是否具有可行走路径的目标区域。
12.根据权利要求9所述的装置，其特征在于，所述目标点为所述目标区域的质心；
所述第三处理模块，用于将所述目标区域转换为二值图像；
运用连通组件标记算法，确定所述二值图像中的至少一个连通区域；
运用几何距算法，根据所述至少一个连通区域，确定所述目标区域的质心。
13.根据权利要求9至12任一项所述的装置，其特征在于，所述第三处理模块，用于确定清洁设备的第一位置到目标点的方向，作为第一行走方向；
将所述清洁设备的直线方向调整为所述第一行走方向；
按照所述第一行走方向从所述第一位置运行到所述目标点。
14.根据权利要求9至12任一项所述的装置，其特征在于，所述第三处理模块，还用于获取全局规划的路径；所述全局规划的路径，包括：至少一个子路径和每个所述子路径对应的代价值；所述子路径至少包括：第二行走方向；
相应的，所述第三处理模块，具体用于确定清洁设备从第一位置到目标点的方向，作为第一行走方向；
确定所述清洁设备从第一位置到目标点的局部路径，作为参考路径；根据所述参考路径查询所述全局规划的路径，确定所述参考路径对应的参考子路径；
根据所述参考子路径对应的参考第二行走方向和所述第一行走方向，确定目标行走方向；
将所述清洁设备的直线方向调整为所述目标行走方向；
按照所述目标行走方向从所述第一位置运行到所述目标点。
15.根据权利要求14所述的装置，其特征在于，所述第三处理模块，用于获取预设的权重集；所述权重集至少包括：局部路径对应的第一权重、全局规划的路径对应的第二权重；
根据所述第一权重和所述第二权重对所述参考第二行走方向和所述第一行走方向进行加权处理，得到目标行走方向。
16.一种行走装置，其特征在于，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
所述处理器用于运行所述计算机程序时，执行权利要求1至8任一项所述方法的步骤。
17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110256084.5A CN113158779B (zh) | 2021-03-09 | 一种行走方法、装置和计算机存储介质 | |
| PCT/CN2021/107607 WO2022188333A1 (zh) | 2021-03-09 | 2021-07-21 | 一种行走方法、装置和计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110256084.5A CN113158779B (zh) | 2021-03-09 | 一种行走方法、装置和计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113158779A true CN113158779A (zh) | 2021-07-23 |
| CN113158779B CN113158779B (zh) | 2024-06-07 |
Family
ID=
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180182105A1 (en) * | 2016-12-22 | 2018-06-28 | TCL Research America Inc. | Method and system for sharing-oriented personalized route planning via a customizable multimedia approach |
| CN109746909A (zh) * | 2017-11-08 | 2019-05-14 | 深圳先进技术研究院 | 一种机器人运动控制方法及设备 |
| CN111158365A (zh) * | 2019-12-31 | 2020-05-15 | 深圳优地科技有限公司 | 一种路径规划方法、装置、机器人及存储介质 |
| CN112183476A (zh) * | 2020-10-28 | 2021-01-05 | 深圳市商汤科技有限公司 | 一种障碍检测方法、装置、电子设备以及存储介质 |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180182105A1 (en) * | 2016-12-22 | 2018-06-28 | TCL Research America Inc. | Method and system for sharing-oriented personalized route planning via a customizable multimedia approach |
| CN109746909A (zh) * | 2017-11-08 | 2019-05-14 | 深圳先进技术研究院 | 一种机器人运动控制方法及设备 |
| CN111158365A (zh) * | 2019-12-31 | 2020-05-15 | 深圳优地科技有限公司 | 一种路径规划方法、装置、机器人及存储介质 |
| CN112183476A (zh) * | 2020-10-28 | 2021-01-05 | 深圳市商汤科技有限公司 | 一种障碍检测方法、装置、电子设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022188333A1 (zh) | 2022-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Martin-Martin et al. | Jrdb: A dataset and benchmark of egocentric robot visual perception of humans in built environments | |
| Barth et al. | Estimating the driving state of oncoming vehicles from a moving platform using stereo vision | |
| JP5023186B2 (ja) | ３ｄワーピング手法と固有対象物運動（ｐｏｍ）の検出の組み合わせに基づく対象物の動き検出システム | |
| Chatterjee et al. | Vision based autonomous robot navigation: algorithms and implementations | |
| CN112740274A (zh) | 在机器人设备上使用光流传感器进行vslam比例估计的系统和方法 | |
| CN113741438A (zh) | 路径规划方法、装置、存储介质、芯片及机器人 | |
| CN110986945B (zh) | 基于语义高度地图的局部导航方法和系统 | |
| Maier et al. | Vision-based humanoid navigation using self-supervised obstacle detection | |
| CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
| WO2022188333A1 (zh) | 一种行走方法、装置和计算机存储介质 | |
| CN108544494A (zh) | 一种基于惯性和视觉特征的定位装置、方法及机器人 | |
| CN115205391A (zh) | 一种三维激光雷达和视觉融合的目标预测方法 | |
| CN118020038A (zh) | 两轮自平衡机器人 | |
| Miyagusuku et al. | Toward autonomous garbage collection robots in terrains with different elevations | |
| CN112907625B (zh) | 应用于四足仿生机器人的目标跟随方法及系统 | |
| Valente et al. | Evidential SLAM fusing 2D laser scanner and stereo camera | |
| Kohlbrecher et al. | Grid-based occupancy mapping and automatic gaze control for soccer playing humanoid robots | |
| Silva et al. | Towards a grid based sensor fusion for visually impaired navigation using sonar and vision measurements | |
| Chikhalikar et al. | An object-oriented navigation strategy for service robots leveraging semantic information | |
| CN113158779B (zh) | 一种行走方法、装置和计算机存储介质 | |
| CN114663754A (zh) | 检测方法、装置、多足机器人及存储介质 | |
| Tas et al. | High-definition map update framework for intelligent autonomous transfer vehicles | |
| CN109901589B (zh) | 移动机器人控制方法和装置 | |
| Wang et al. | Agv navigation based on apriltags2 auxiliary positioning | |
| Sun et al. | Detection and state estimation of moving objects on a moving base for indoor navigation |
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 |