CN113191412A - 设备重定位方法、装置、计算机设备和存储介质 - Google Patents
设备重定位方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113191412A CN113191412A CN202110446766.2A CN202110446766A CN113191412A CN 113191412 A CN113191412 A CN 113191412A CN 202110446766 A CN202110446766 A CN 202110446766A CN 113191412 A CN113191412 A CN 113191412A
- Authority
- CN
- China
- Prior art keywords
- local map
- image data
- feature matching
- target point
- map
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims description 64
- 238000004590 computer program Methods 0.000 claims description 25
- 230000035772 mutation Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 238000011065 in-situ storage Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000000449 premovement Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000010408 sweeping Methods 0.000 description 34
- 238000010586 diagram Methods 0.000 description 6
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
- A47L11/24—Floor-sweeping machines, motor-driven
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
- A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种设备重定位方法、装置、计算机设备和存储介质,在需要重定位时,采集环境图像数据,构建基于当前所处位置的局部地图,将局部地图与全局地图进行特征匹配,当匹配失败时,表明本次重定位失败,此时在局部地图的边界上选择下一步移动的目标点,移动至该目标点再次采集环境图像数据,以更新局部地图,返回再次进行特征匹配直至特征匹配成功,即表明重定位成功,重定位设备位置。整个过程中,在发生重定位失败时合理寻找下一步移动的目标点,进行局部地图更新和再次特征匹配,提高了设备重定位的成功率。
Description
技术领域
本申请涉及定位技术领域,特别是涉及一种设备重定位方法、装置、计算机设备和存储介质。
背景技术
重定位是指重新定位,在实际应用中,基于定位作业的设备在进入到一个全新的作业环境是需要重新定位,确认自身位置才能准确进行作业。以扫地机器人为例,在扫地机器人受困或进入违反用户清扫意愿区域时,将产生人为搬动而造成扫地机器人的定位丢失情况。此外,当扫地机器人二次清扫导入历史地图时,也需要确认自身在历史地图中的定位才能继续使用地图并做合理的路径规划。针对其他基于定位作业的设备其对定位的需求亦相同,在此不再赘述。
以上两种确认定位的需求均要设备具有重定位技术才能继续使用已构建地图,否则,设备将会重新建图和对已清扫部分重复清扫,这将降低设备的工作效率。
然而,传统的设备重定位方法在面对局部地图特征点不足和当前环境中存在物品变化情况,往往存在重定位失败的问题。因此,目前急需一种高成功率
发明内容
基于此,有必要针对上述技术问题,提供一种高成功率的设备重定位方法、装置、计算机设备和存储介质。
一种设备重定位方法,方法包括:
采集环境图像数据,构建基于当前所处位置的局部地图;
将局部地图与移动前的全局地图进行特征匹配;
当特征匹配失败时,在局部地图的边界上选择目标点;
移动至目标点再次采集环境图像数据,根据再次采集的环境图像数据更新局部地图;
返回将局部地图与移动前的全局地图进行特征匹配的步骤,直至特征匹配成功,确定设备位置。
在其中一个实施例中,上述设备重定位方法还包括:
计数特征匹配失败次数;
当特征匹配失败次数达到预设次数阈值时,删除已构建的局部地图;
返回采集环境图像数据,构建基于当前所处位置的局部地图的步骤。
在其中一个实施例中,当特征匹配失败时,在局部地图的边界上选择目标点包括:
当特征匹配失败时,确定局部地图的边界;
筛选边界上未占用的边界点;
获取设备外形尺寸参数,根据设备外形尺寸参数选取未占用的边界点中支持支持设备到达的候选目标点;
选取候选目标点中与当前所处位置最远的点,得到目标点。
在其中一个实施例中,移动至目标点再次采集环境图像数据,根据再次采集的环境图像数据更新局部地图包括:
移动至目标点再次采集环境图像数据;
根据再次采集的环境图像对局部地图进行增量扩展;
采用角点特征识别算法提取与统计增量扩展后的局部地图中角点特征数量;
当角点特征数量大于预设阈值时,停止增量扩展更新局部地图。
在其中一个实施例中,采集环境图像数据,构建基于当前所处位置的局部地图包括:
原地旋转采集环境图像数据,构建基于当前所处位置的局部地图。
在其中一个实施例中,将局部地图与移动前的全局地图进行特征匹配包括:
根据局部地图中角点特征,在移动前的全局地图中进行角点特征相似度计算;
判断角点特征相似度计算结果是否大于预设相似度阈值。
在其中一个实施例中,上述设备重定位方法还包括:
接收作业请求;
提取作业请求中携带的作业参数;
根据作业参数开始作业,并侦听是否发生位置突变事件;
当发生位置突变事件时,启动重定位功能。
一种设备重定位装置,装置包括:
图像采集模块,用于采集环境图像数据,构建基于当前所处位置的局部地图;
特征匹配模块,用于将局部地图与移动前的全局地图进行特征匹配;
目标点选取模块,用于当特征匹配失败时,在局部地图的边界上选择目标点;
局部地图更新模块,用于移动至目标点再次采集环境图像数据,根据再次采集的环境图像数据更新局部地图;
迭代定位模块,用于控制特征匹配模块重新执行将局部地图与移动前的全局地图进行特征匹配的操作,直至特征匹配成功,确定设备位置。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
采集环境图像数据,构建基于当前所处位置的局部地图;
将局部地图与移动前的全局地图进行特征匹配;
当特征匹配失败时,在局部地图的边界上选择目标点;
移动至目标点再次采集环境图像数据,根据再次采集的环境图像数据更新局部地图;
返回将局部地图与移动前的全局地图进行特征匹配的步骤,直至特征匹配成功,确定设备位置。
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时实现以下步骤:
采集环境图像数据,构建基于当前所处位置的局部地图;
将局部地图与移动前的全局地图进行特征匹配;
当特征匹配失败时,在局部地图的边界上选择目标点;
移动至目标点再次采集环境图像数据,根据再次采集的环境图像数据更新局部地图;
返回将局部地图与移动前的全局地图进行特征匹配的步骤,直至特征匹配成功,确定设备位置。
上述设备重定位方法、装置、计算机设备和存储介质,在需要重定位时,采集环境图像数据,构建基于当前所处位置的局部地图,将局部地图与全局地图进行特征匹配,当匹配失败时,表明本次重定位失败,此时在局部地图的边界上选择下一步移动的目标点,移动至该目标点再次采集环境图像数据,以更新局部地图,返回再次进行特征匹配直至特征匹配成功,即表明重定位成功,重定位设备位置。整个过程中,在发生重定位失败时合理寻找下一步移动的目标点,进行局部地图更新和再次特征匹配,提高了设备重定位的成功率。
附图说明
图1为传统设备重定位方案示意图;
图2为一个实施例中设备重定位方法的流程示意图;
图3为设备重定位过程中位置移动示意图;
图4为设备重定位过程中局部地图构建示意图;
图5为另一个实施例中设备重定位方法的流程示意图;
图6为一个具体应用实例中设备重定位方法的流程示意图;
图7为一个实施例中设备重定位装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
为了详细说明本申请设备重定位的技术原理及其相较于传统重定位技术的显著技术优势,下面将首先针对传统重定位方案展开介绍。
传统重定位方案主要包括以下4种:
1、如图1(1)所示,设备(机器人)原地不动,仅依靠激光雷达转动获取构图数据;
2、如图1(2)所示,设备(机器人)原地旋转360°,并配合激光雷达转动获取构图数据;
3、如图1(3)所示,设备(机器人)原地旋转360°,然后移动一段短距离(约0.5m),并配合激光雷达转动获取构图数据;
4、如图1(4)所示,设备(机器人)在小区域内多点巡航移动,并配合激光雷达转动获取构图数据。
基于上述4中重定位方案的重定位功能,在面对局部地图特征点不足和/或当前环境中存在物品变化情况时,往往存在重定位成功率较低的缺陷。
基于传统技术中存在的上述缺陷,本申请提出一种成功率搞的设备重定位方法。具体如图2所示,本申请设备重定位方法包括以下步骤:
S100:采集环境图像数据,构建基于当前所处位置的局部地图。
当设备发生位置突变需要重定位时,设备开始采集所处位置(新位置)的环境图像数据,基于采集到的这个数据,构建基于当前所处位置的具体地图。以扫地机器人为例,如图3所示,扫地机器人从位置1被用户搬动至位置2,当在位置2平稳后扫地机器人为了后续可以继续开展清扫,需要重定位,扫地机器人启动重定位功能,采集位置2周围环境图像数据,构建基于位置2的局部地图。非必要的,采集环境图像可以是原地不动或逆时针360°的原地旋转动作来进行。
S200:将局部地图与移动前的全局地图进行特征匹配。
设备为了重定位自身在全局作业区域内的位置,将局部地图与移动前的全局地图进行特征匹配。移动前是指触发重定位功能的移动前,即获取设备被移动(搬动)到新位置之前的全局地图,一般来说,该全局地图是设备在正常作业时生成的针对整个作业区域生成的地图,将局部地图与全局地图进行特征匹配以确定当前处于整个作业区域中的位置。继续以扫地机器人为例,如图3所示,扫地机器人从位置1搬动到位置2,则全局地图是指在位置1时对应的全局清扫地图,将位置2的局部地图与全局清扫地图进行特征匹配,确定位置2在全屋中的位置,即定位扫地机器人当前处于全屋中的位置。
S300:当特征匹配失败时,在局部地图的边界上选择目标点。
当特征匹配失败时,表明本次特征匹配失败,设备无法基于当前所处位置构建的局部地图在全局地图中确定准确的位置,此时在局部地图的边界上选择目标点,准备移动至新的位置构成新的局部地图。具体来说,当设备到达陌生位置需要重定位时,经过之前的处理已经构建得到局部地图了,在该局部地图范围内属于设备已知部分,而在局部地图外的属于未知部分,局部地图的边界即为已知部分与未知部分的交界,为在后续更新局部地图,提高重定位成功率,需要在局部地图的边界上选择目标点。继续以扫地机器人为例,如图4所示,在位置2构建局部地图,该局部地图如图4中虚线框部分所示,在该局部地图的边界上选择合适的目标点,在图4中寻找了目标点为位置3。具体来说,目标点需要选择未被占用的点以及设备可以到达的点,即该点位置无障碍物、该点位置支持容纳下设备。优选的,在上述候选目标点中还进一步选择距离最远的点作为目标点。
S400:移动至目标点再次采集环境图像数据,根据再次采集的环境图像数据更新局部地图。
设备移动至目标点再次采集环境图像数据,基于再次采集的环境图像数据更新局部地图。具体来说,设备在移动至目标点再次采集环境数据来更新局部地图可以是对原局部地图进行增量式扩展,即在原局部地图的基础上增加一个位置点(目标点)局部地图。另外,设备也可以选择在移动至目标点后删除原位置点构建的局部地图,基于目标点采集的环境图像数据构建新的局部地图,即直接替换原局部地图,完成局部地图的更新。继续以扫地机器人为例,参见图4,扫地机器人在移动至位置3,再次采集环境图像数据,具体可以是在移动至位置3的过程就开始采集环境图像数据,将该采集环境图像数据对位置2构建的局部地图进行增量式扩展,以更新、扩展局部地图。进一步的,在增量扩展过程中,可以提取和统计实时更新局部地图中角点特征数量,当角点特征数据大于预设角点特征数量阈值时,停止增量式扩展,得到更新的局部地图,返回S200进行特征匹配。
S500:返回S200,直至特征匹配成功,确定设备位置。
在局部地图完成更新之后,返回S200再次与全局地图进行特征匹配,由于在更新后的局部地图中调整/增加了新的角点特征,其与全局地图的特征匹配成功率提升,即重定位成功率增加,若特征匹配成功,则表明设备重定位成功,确定设备位置;若特征匹配再次失败,则继续上述S300~S400处理。
上述设备重定位方法,在需要重定位时,采集环境图像数据,构建基于当前所处位置的局部地图,将局部地图与全局地图进行特征匹配,当匹配失败时,表明本次重定位失败,此时在局部地图的边界上选择下一步移动的目标点,移动至该目标点再次采集环境图像数据,以更新局部地图,返回再次进行特征匹配直至特征匹配成功,即表明重定位成功,重定位设备位置。整个过程中,在发生重定位失败时合理寻找下一步移动的目标点,进行局部地图更新和再次特征匹配,提高了设备重定位的成功率。
在其中一个实施例中,上述设备重定位方法还包括:
计数特征匹配失败次数;当特征匹配失败次数达到预设次数阈值时,删除已构建的局部地图;返回采集环境图像数据,构建基于当前所处位置的局部地图的步骤。
计数特征匹配失败次数,当特征匹配失败次数达到预设次数阈值时,表明构建的局部地图难以与原全局地图特征匹配,为进一步提高重定位成功率,删除已构建的局部地图,重新采集环境图像数据,构建基于当前所处位置的局部地图。继续以扫地机器人为例,预设次数阈值预先设置为2次,参见图3,扫地机器人由位置1搬动到位置2触发重定位,在位置2处采集周围环境图像数据,构建位置2的局部地图-2;将局部地图-2与位置1存储的全局地图进行特征匹配,特征匹配失败,计数重定位累计失败1次,在局部地图-2的边界上寻找目标点,寻找到位置3,扫地机器人移动至位置3采集周围环境图像数据,对局部地图-2进行增量扩容,以更新局部地图-2,生成局部地图-23,将局部地图-23与全局地图进行特征匹配,特征匹配失败,计数重定位累计失败次数2次,已经达到预设次数阈值,此时删除局部地图-23,重新采集位置3的周围环境图像数据,基于位置3的周围环境图像数据构建全新的局部地图3,再次将该局部地图3与全局地图匹配,循环上述处理直至特征匹配成功,即重定位成功。
如图5所示,在其中一个实施例中,S300包括:
S320:当特征匹配失败时,确定局部地图的边界;
S340:筛选边界上未占用的边界点;
S360:获取设备外形尺寸参数,根据设备外形尺寸参数选取未占用的边界点中支持支持设备到达的候选目标点;
S380:选取候选目标点中与当前所处位置最远的点,得到目标点。
当特征匹配失败时,确定局部地图的边界,即确定当前位置探测到的已知部分和未知部分的边界,在该边界上筛选未占用的边界点,在获取设备外形尺寸参数,这部分参数可以是预先存储在设备内存中的,属于设备性能(铭牌)参数的一部分,根据设备外形尺寸参数选取未占用的边界点中周围可以容纳下设备的候选目标点,例如某些未占用边界点处于一个角落或者犄角位置,设备由于自身外形尺寸过大根本无法到达这个位置,那么这种未占用边界点显然需要剔除,得到候选目标点,再从候选目标点中选取最远的点,得到目标点,以最大限度更新之前错误的局部地图,提高下一步重定位成功的可能性。
在其中一个实施例中,移动至目标点再次采集环境图像数据,根据再次采集的环境图像数据更新局部地图包括:
移动至目标点再次采集环境图像数据;根据再次采集的环境图像对局部地图进行增量扩展;采用角点特征识别算法提取与统计增量扩展后的局部地图中角点特征数量;当角点特征数量大于预设阈值时,停止增量扩展更新局部地图。
继续以扫地机器人为例,参见图3,若扫地机器人在位置2特征匹配失败,从特征匹配的角度分析,有可能是局部地图的角点特征不足所造成,因此扫地机器人可由位置2向位置3方向移动,以位置2为原点构建的局部地图为虚线框部分,虚线框边界是该局部地图的已知部分和未知部分的交界,若想实现远距离移动换景,需在该交界上选取目标点,即位置3,在向位置3移动过程中,以位置2为原点开始构建的地图将产生增量式扩展,对扩展地图,采用角点识别算法进行提取和统计,直至该地图的角点特征数量达到预设角点特征数量阈值时,再采用该局部地图与已有全局地图进行特征匹配。
在其中一个实施例中,采集环境图像数据,构建基于当前所处位置的局部地图包括:
原地旋转采集环境图像数据,构建基于当前所处位置的局部地图。
扫地机器人可以通过原地旋转的方式来采集环境图像数据,以使环境图像数据采集更加全面、完整,从而构建得到更加全面、准确的局部地图。
在其中一个实施例中,将局部地图与移动前的全局地图进行特征匹配包括:
根据局部地图中角点特征,在移动前的全局地图中进行角点特征相似度计算;判断角点特征相似度计算结果是否大于预设相似度阈值。
局部地图与全局地图的特征匹配具体是来说是通过计算角点特征相似度,若角点特征相似度超过预设相似度阈值,则特征匹配成功,即重定位成功;若叫特征相似度未超过预设相似度阈值,则特征匹配失败,需要继续移动位置更新局部地图,再次进行特征匹配。
在其中一个实施例中,上述设备重定位方法还包括:
接收作业请求;提取作业请求中携带的作业参数;根据作业参数开始作业,并侦听是否发生位置突变事件;当发生位置突变事件时,启动重定位功能。
继续以扫地机器人为例,扫地机器人接收用户的清扫请求,提取清扫请求中携带的清扫参数——标准模式清扫全屋,扫地机器人开始按照标准模式对全屋进行清扫,并且保持位置突变事件侦听状态,当发现自身被搬动时,判定发生位置突变事件,启动重定位功能。
在实际应用中,本申请设备重定位方法在应用于扫地机器人重定位时,其具体包括如图6所示的流程。
应该理解的是,虽然上述各流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
如图7所示,本申请还提供一种设备重定位装置,装置包括:
图像采集模块100,用于采集环境图像数据,构建基于当前所处位置的局部地图;
特征匹配模块200,用于将局部地图与移动前的全局地图进行特征匹配;
目标点选取模块300,用于当特征匹配失败时,在局部地图的边界上选择目标点;
局部地图更新模块400,用于移动至目标点再次采集环境图像数据,根据再次采集的环境图像数据更新局部地图;
迭代定位模块500,用于控制特征匹配模块200重新执行将局部地图与移动前的全局地图进行特征匹配的操作,直至特征匹配成功,确定设备位置。
上述设备重定位装置,在需要重定位时,采集环境图像数据,构建基于当前所处位置的局部地图,将局部地图与全局地图进行特征匹配,当匹配失败时,表明本次重定位失败,此时在局部地图的边界上选择下一步移动的目标点,移动至该目标点再次采集环境图像数据,以更新局部地图,返回再次进行特征匹配直至特征匹配成功,即表明重定位成功,重定位设备位置。整个过程中,在发生重定位失败时合理寻找下一步移动的目标点,进行局部地图更新和再次特征匹配,提高了设备重定位的成功率。
在其中一个实施例中,上述设备重定位装置还包括定位失败计数模块,用于计数特征匹配失败次数;当特征匹配失败次数达到预设次数阈值时,删除已构建的局部地图;控制图像采集模块100重新执行采集环境图像数据,构建基于当前所处位置的局部地图的操作。
在其中一个实施例中,目标点选取模块300还用于当特征匹配失败时,确定局部地图的边界;筛选边界上未占用的边界点;获取设备外形尺寸参数,根据设备外形尺寸参数选取未占用的边界点中支持支持设备到达的候选目标点;选取候选目标点中与当前所处位置最远的点,得到目标点。
在其中一个实施例中,局部地图更新模块400还用于移动至目标点再次采集环境图像数据;根据再次采集的环境图像对局部地图进行增量扩展;采用角点特征识别算法提取与统计增量扩展后的局部地图中角点特征数量;当角点特征数量大于预设阈值时,停止增量扩展更新局部地图。
在其中一个实施例中,图像采集模块100关于原地旋转采集环境图像数据,构建基于当前所处位置的局部地图。
在其中一个实施例中,特征匹配模块200还用于根据局部地图中角点特征,在移动前的全局地图中进行角点特征相似度计算;判断角点特征相似度计算结果是否大于预设相似度阈值。
在其中一个实施例中,上述设备重定位装置还包括重定位启动模块,用于接收作业请求;提取作业请求中携带的作业参数;根据作业参数开始作业,并侦听是否发生位置突变事件;当发生位置突变事件时,启动重定位功能。
关于设备重定位装置的具体实施例可以参见上文中对于设备重定位方法的实施例,在此不再赘述。上述设备重定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储设备性能参数以及作业区的全局地图数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备重定位方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
采集环境图像数据,构建基于当前所处位置的局部地图;
将局部地图与移动前的全局地图进行特征匹配;
当特征匹配失败时,在局部地图的边界上选择目标点;
移动至目标点再次采集环境图像数据,根据再次采集的环境图像数据更新局部地图;
返回将局部地图与移动前的全局地图进行特征匹配的步骤,直至特征匹配成功,确定设备位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
计数特征匹配失败次数;当特征匹配失败次数达到预设次数阈值时,删除已构建的局部地图;返回采集环境图像数据,构建基于当前所处位置的局部地图的步骤。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当特征匹配失败时,确定局部地图的边界;筛选边界上未占用的边界点;获取设备外形尺寸参数,根据设备外形尺寸参数选取未占用的边界点中支持支持设备到达的候选目标点;选取候选目标点中与当前所处位置最远的点,得到目标点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
移动至目标点再次采集环境图像数据;根据再次采集的环境图像对局部地图进行增量扩展;采用角点特征识别算法提取与统计增量扩展后的局部地图中角点特征数量;当角点特征数量大于预设阈值时,停止增量扩展更新局部地图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
原地旋转采集环境图像数据,构建基于当前所处位置的局部地图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据局部地图中角点特征,在移动前的全局地图中进行角点特征相似度计算;判断角点特征相似度计算结果是否大于预设相似度阈值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
接收作业请求;提取作业请求中携带的作业参数;根据作业参数开始作业,并侦听是否发生位置突变事件;当发生位置突变事件时,启动重定位功能。
在一个实施例中,提供了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时实现以下步骤:
采集环境图像数据,构建基于当前所处位置的局部地图;
将局部地图与移动前的全局地图进行特征匹配;
当特征匹配失败时,在局部地图的边界上选择目标点;
移动至目标点再次采集环境图像数据,根据再次采集的环境图像数据更新局部地图;
返回将局部地图与移动前的全局地图进行特征匹配的步骤,直至特征匹配成功,确定设备位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
计数特征匹配失败次数;当特征匹配失败次数达到预设次数阈值时,删除已构建的局部地图;返回采集环境图像数据,构建基于当前所处位置的局部地图的步骤。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当特征匹配失败时,确定局部地图的边界;筛选边界上未占用的边界点;获取设备外形尺寸参数,根据设备外形尺寸参数选取未占用的边界点中支持支持设备到达的候选目标点;选取候选目标点中与当前所处位置最远的点,得到目标点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
移动至目标点再次采集环境图像数据;根据再次采集的环境图像对局部地图进行增量扩展;采用角点特征识别算法提取与统计增量扩展后的局部地图中角点特征数量;当角点特征数量大于预设阈值时,停止增量扩展更新局部地图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
原地旋转采集环境图像数据,构建基于当前所处位置的局部地图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据局部地图中角点特征,在移动前的全局地图中进行角点特征相似度计算;判断角点特征相似度计算结果是否大于预设相似度阈值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
接收作业请求;提取作业请求中携带的作业参数;根据作业参数开始作业,并侦听是否发生位置突变事件;当发生位置突变事件时,启动重定位功能。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种设备重定位方法,其特征在于,所述方法包括:
采集环境图像数据,构建基于当前所处位置的局部地图;
将所述局部地图与移动前的全局地图进行特征匹配;
当特征匹配失败时,在所述局部地图的边界上选择目标点;
移动至所述目标点再次采集环境图像数据,根据再次采集的环境图像数据更新所述局部地图;
返回所述将所述局部地图与移动前的全局地图进行特征匹配的步骤,直至特征匹配成功,确定设备位置。
2.根据权利要求1所述的方法,其特征在于,还包括:
计数特征匹配失败次数;
当所述特征匹配失败次数达到预设次数阈值时,删除已构建的局部地图;
返回所述采集环境图像数据,构建基于当前所处位置的局部地图的步骤。
3.根据权利要求1所述的方法,其特征在于,所述当特征匹配失败时,在所述局部地图的边界上选择目标点包括:
当特征匹配失败时,确定所述局部地图的边界;
筛选所述边界上未占用的边界点;
获取设备外形尺寸参数,根据所述设备外形尺寸参数选取所述未占用的边界点中支持支持设备到达的候选目标点;
选取所述候选目标点中与所述当前所处位置最远的点,得到目标点。
4.根据权利要求1所述的方法,其特征在于,所述移动至所述目标点再次采集环境图像数据,根据再次采集的环境图像数据更新所述局部地图包括:
移动至所述目标点再次采集环境图像数据;
根据再次采集的环境图像所述对所述局部地图进行增量扩展;
采用角点特征识别算法提取与统计增量扩展后的所述局部地图中角点特征数量;
当所述角点特征数量大于预设阈值时,停止增量扩展更新所述局部地图。
5.根据权利要求1所述的方法,其特征在于,所述采集环境图像数据,构建基于当前所处位置的局部地图包括:
原地旋转采集环境图像数据,构建基于当前所处位置的局部地图。
6.根据权利要求1所述的方法,其特征在于,所述将所述局部地图与移动前的全局地图进行特征匹配包括:
根据所述局部地图中角点特征,在移动前的全局地图中进行角点特征相似度计算;
判断角点特征相似度计算结果是否大于预设相似度阈值。
7.根据权利要求1所述的方法,其特征在于,还包括:
接收作业请求;
提取所述作业请求中携带的作业参数;
根据所述作业参数开始作业,并侦听是否发生位置突变事件;
当发生位置突变事件时,启动重定位功能。
8.一种设备重定位装置,其特征在于,所述装置包括:
图像采集模块,用于采集环境图像数据,构建基于当前所处位置的局部地图;
特征匹配模块,用于将所述局部地图与移动前的全局地图进行特征匹配;
目标点选取模块,用于当特征匹配失败时,在所述局部地图的边界上选择目标点;
局部地图更新模块,用于移动至所述目标点再次采集环境图像数据,根据再次采集的环境图像数据更新所述局部地图;
迭代定位模块,用于控制所述特征匹配模块重新执行所述将所述局部地图与移动前的全局地图进行特征匹配的操作,直至特征匹配成功,确定设备位置。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110446766.2A CN113191412A (zh) | 2021-04-25 | 2021-04-25 | 设备重定位方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110446766.2A CN113191412A (zh) | 2021-04-25 | 2021-04-25 | 设备重定位方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191412A true CN113191412A (zh) | 2021-07-30 |
Family
ID=76978490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110446766.2A Pending CN113191412A (zh) | 2021-04-25 | 2021-04-25 | 设备重定位方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191412A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108519772A (zh) * | 2018-03-01 | 2018-09-11 | Ai机器人株式会社 | 用于搬运设备的定位方法、装置、搬运设备及存储介质 |
CN114012725A (zh) * | 2021-11-05 | 2022-02-08 | 深圳拓邦股份有限公司 | 机器人重定位方法、系统、机器人及存储介质 |
CN115375869A (zh) * | 2022-10-25 | 2022-11-22 | 杭州华橙软件技术有限公司 | 一种机器人重定位方法、机器人和计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107677279A (zh) * | 2017-09-26 | 2018-02-09 | 上海思岚科技有限公司 | 一种定位建图的方法及系统 |
WO2018112926A1 (zh) * | 2016-12-23 | 2018-06-28 | 深圳前海达闼云端智能科技有限公司 | 定位方法、终端和服务器 |
CN108303721A (zh) * | 2018-02-12 | 2018-07-20 | 北京经纬恒润科技有限公司 | 一种车辆定位方法及系统 |
CN109141437A (zh) * | 2018-09-30 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 一种机器人全局重定位方法 |
CN109703607A (zh) * | 2017-10-25 | 2019-05-03 | 北京眸视科技有限公司 | 一种智能行李车 |
CN110148170A (zh) * | 2018-08-31 | 2019-08-20 | 北京初速度科技有限公司 | 一种应用于车辆定位的定位初始化方法及车载终端 |
CN111179162A (zh) * | 2018-11-12 | 2020-05-19 | 北京初速度科技有限公司 | 一种特殊环境下的定位初始化方法及车载终端 |
CN111932451A (zh) * | 2020-06-17 | 2020-11-13 | 珠海格力电器股份有限公司 | 重定位效果的评价方法、装置、电子设备和存储介质 |
-
2021
- 2021-04-25 CN CN202110446766.2A patent/CN113191412A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018112926A1 (zh) * | 2016-12-23 | 2018-06-28 | 深圳前海达闼云端智能科技有限公司 | 定位方法、终端和服务器 |
CN107677279A (zh) * | 2017-09-26 | 2018-02-09 | 上海思岚科技有限公司 | 一种定位建图的方法及系统 |
CN109703607A (zh) * | 2017-10-25 | 2019-05-03 | 北京眸视科技有限公司 | 一种智能行李车 |
CN108303721A (zh) * | 2018-02-12 | 2018-07-20 | 北京经纬恒润科技有限公司 | 一种车辆定位方法及系统 |
CN110148170A (zh) * | 2018-08-31 | 2019-08-20 | 北京初速度科技有限公司 | 一种应用于车辆定位的定位初始化方法及车载终端 |
CN109141437A (zh) * | 2018-09-30 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 一种机器人全局重定位方法 |
CN111179162A (zh) * | 2018-11-12 | 2020-05-19 | 北京初速度科技有限公司 | 一种特殊环境下的定位初始化方法及车载终端 |
CN111932451A (zh) * | 2020-06-17 | 2020-11-13 | 珠海格力电器股份有限公司 | 重定位效果的评价方法、装置、电子设备和存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108519772A (zh) * | 2018-03-01 | 2018-09-11 | Ai机器人株式会社 | 用于搬运设备的定位方法、装置、搬运设备及存储介质 |
CN108519772B (zh) * | 2018-03-01 | 2022-06-03 | Ai机器人株式会社 | 用于搬运设备的定位方法、装置、搬运设备及存储介质 |
CN114012725A (zh) * | 2021-11-05 | 2022-02-08 | 深圳拓邦股份有限公司 | 机器人重定位方法、系统、机器人及存储介质 |
CN114012725B (zh) * | 2021-11-05 | 2023-08-08 | 深圳拓邦股份有限公司 | 机器人重定位方法、系统、机器人及存储介质 |
CN115375869A (zh) * | 2022-10-25 | 2022-11-22 | 杭州华橙软件技术有限公司 | 一种机器人重定位方法、机器人和计算机可读存储介质 |
CN115375869B (zh) * | 2022-10-25 | 2023-02-10 | 杭州华橙软件技术有限公司 | 一种机器人重定位方法、机器人和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191412A (zh) | 设备重定位方法、装置、计算机设备和存储介质 | |
CN109814572B (zh) | 移动机器人定位建图方法、装置、移动机器人和存储介质 | |
CN113701760B (zh) | 基于滑动窗口位姿图优化的机器人抗干扰定位方法及装置 | |
CN111536964A (zh) | 机器人定位方法及装置、存储介质 | |
CN111199346B (zh) | 综合管廊监理方法、装置、计算机设备以及存储介质 | |
CN111245912B (zh) | 智能楼宇信息监控方法、装置、服务器及智能楼宇系统 | |
CN111609852A (zh) | 语义地图构建方法、扫地机器人及电子设备 | |
CN112168066B (zh) | 清洁机器人的控制方法、装置、清洁机器人及存储介质 | |
CN113180558B (zh) | 复杂区域深度作业方法、装置、计算机设备和存储介质 | |
CN113534822A (zh) | 扫地机器人的路径控制方法、装置及扫地机器人 | |
EP4080455A1 (en) | Alignment of map segments | |
CN113520233B (zh) | 多打扫模式的扫地机器人的控制方法、装置及扫地机器人 | |
CN113609097B (zh) | 指纹库的生成方法、装置、计算机设备和存储介质 | |
JP2015158799A (ja) | 時空間クラスタリング処理装置、方法及びプログラム | |
CN113190380A (zh) | 设备重定位错误恢复方法、装置、计算机设备和存储介质 | |
CN111258968B (zh) | 企业冗余数据清理方法、装置及大数据平台 | |
CN114463429B (zh) | 机器人、地图创建方法、定位方法及介质 | |
CN112506182B (zh) | 扫地机器人定位方法、装置、计算机设备和存储介质 | |
KR102376921B1 (ko) | 토지현황 분석을 위한 데이터베이스 구축 장치 및 방법 | |
CN114536326A (zh) | 一种路标数据处理方法、装置及存储介质 | |
CN112200907B (zh) | 扫地机器人地图数据生成方法、装置、计算机设备和介质 | |
CN112683273A (zh) | 一种自适应增量建图方法、系统、计算机设备及存储介质 | |
CN114580044A (zh) | 建筑物外表面数据获取方法、装置、计算机设备和介质 | |
CN111061423A (zh) | 一种数据处理方法、装置和管理节点 | |
CN116182840B (zh) | 地图构建方法、装置、设备及存储介质 |
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 |