CN113761255A - 机器人室内定位方法、装置、设备及存储介质 - Google Patents
机器人室内定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113761255A CN113761255A CN202110958653.0A CN202110958653A CN113761255A CN 113761255 A CN113761255 A CN 113761255A CN 202110958653 A CN202110958653 A CN 202110958653A CN 113761255 A CN113761255 A CN 113761255A
- Authority
- CN
- China
- Prior art keywords
- image
- robot
- current
- position information
- characteristic
- 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 58
- 238000012545 processing Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 15
- 239000003550 marker Substances 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种机器人室内定位方法、装置、设备及存储介质,该方法包括获取机器人采集的当前定位图像;其中,当前定位图像包括至少两个可识别特征图像;对当前定位图像进行识别处理,获得多个可识别特征图像之间的当前图像位置信息;利用预存的图像位置地图,匹配当前图像位置信息对应的特征图像,以获得机器人的当前位置坐标;其中,预存的图像位置地图存储有多个特征图像在预设行走空间内的图像位置信息。本发明通过获取目标机器人的当前定位图像,根据当前定位图像中多个可识别特征图像的图像位置信息,匹配图像位置地图中对应的特征图像,以此获得目标机器人的位置坐标,提高了机器人室内定位的准确率和效率。
Description
技术领域
本发明涉及视觉导航技术领域,尤其涉及到一种机器人室内定位方法、装置、设备及存储介质。
背景技术
随着智能工业和智能物流的发展,仓库管理越来越趋向于无人化,智能机器人、无人叉车使用也越来越多,其中定位算法在无人叉车系统中占据了重要地位,现在无人叉车定位大多分为两种,激光导航和视觉导航,有些激光导航会在室内放置反光板,视觉导航则会放置二维码来辅助定位。
然而,现有的室内定位方法中,激光导航的反光板可能会被遮挡,视觉导航的二维码会随着距离的增加降低识别率。目前的机器人室内定位方法识别准确率和效率不高。因此,如何提高机器人室内定位的准确率和效率,是一个亟需解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种机器人室内定位方法、装置、设备及存储介质,旨在解决机器人室内定位的准确率和效率不高的技术问题。
为实现上述目的,本发明提供一种机器人室内定位方法,所述机器人在预设行走空间内移动,且所述预设行走空间内固定设置有多个特征图像;所述机器人室内定位方法包括以下步骤:
获取机器人采集的当前定位图像;其中,所述当前定位图像包括至少两个可识别特征图像,所述可识别特征图像为所述当前定位图像中能识别出位置信息和角度信息的特征图像;
对所述当前定位图像进行识别处理,获得多个所述可识别特征图像之间的当前图像位置信息;
利用预存的图像位置地图,匹配所述当前图像位置信息对应的特征图像,以获得所述机器人的当前位置坐标;其中,所述预存的图像位置地图存储有多个所述特征图像在所述预设行走空间内的图像位置信息。
可选的,所述对所述当前定位图像进行识别处理,获得多个所述可识别特征图像之间的当前图像位置信息步骤,具体包括:
对所述当前定位图像进行梯度计算,以获得所述当前定位图像的像素梯度值;
根据所述像素梯度值,提取所述当前定位图像中的轮廓点;
确定所述轮廓点对应的可识别特征图像在所述当前定位图像中的位置信息和角度信息,获得多个所述可识别特征图像之间的当前图像位置信息。
可选的,所述可识别特征图像为多边形图像;
所述确定所述轮廓点对应的可识别特征图像在所述当前定位图像中的位置信息和角度信息,获得多个所述可识别特征图像之间的当前图像位置信息步骤,具体包括:
对所述轮廓点进行线性回归拟合,以获得拟合的特征图像线条;
根据所述特征图像线条,匹配特征图像线条对应的多边形图像;
根据所述多边形图像在所述当前定位图像中的位置信息和角度信息,获得多个所述可识别特征图像之间的图像位置信息。
可选的,所述利用预存的图像位置地图,匹配所述当前图像位置信息对应的特征图像,以获得所述机器人的当前位置坐标步骤之前,所述方法还包括:
获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的多个所述特征图像的图像位置信息;
根据所述位置坐标和多个所述特征图像的图像位置信息,建立图像位置地图。
可选的,所述获取机器人在预设行走空间内采集的位置坐标和位置坐标对应的多个所述特征图像的图像位置信息步骤,具体包括:
获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息;
根据所述位置信息和角度信息,获得所述位置坐标对应的多个所述特征图像之间的图像位置信息;
调整所述机器人在预设行走空间内的位置,并判断所述位置的位置坐标是否未采集,若是,执行步骤获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息。
可选的,所述获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息步骤,具体包括:
获取机器人在预设行走空间内采集的位置坐标;
根据图像坐标与位置坐标的转换关系,获得所述位置坐标的每个所述特征图像的位置信息和角度信息。
可选的,所述图像坐标与位置坐标的转换关系的表达式为:
s×Px=K×RT×Pw;
其中,s为所述机器人的图像获取设备的深度,Px为图像坐标,K为所述机器人的图像获取设备的内参,RT为所述机器人的图像获取设备的外参,Pw为位置坐标。
此外,为了实现上述目的,本发明还提供一种机器人室内定位装置,所述机器人室内定位装置包括:
获取模块,用于获取机器人采集的当前定位图像;其中,所述当前定位图像包括至少两个可识别特征图像,所述可识别特征图像为所述当前定位图像中能识别出位置信息和角度信息的特征图像;
识别模块,用于对所述当前定位图像进行识别处理,获得多个所述可识别特征图像之间的当前图像位置信息;
匹配模块,用于利用预存的图像位置地图,匹配所述当前图像位置信息对应的特征图像,以获得所述机器人的当前位置坐标;其中,所述预存的图像位置地图存储有多个所述特征图像在所述预设行走空间内的图像位置信息。
可选的,所述识别模块还用于对所述当前定位图像进行梯度计算,以获得所述当前定位图像的像素梯度值;根据所述像素梯度值,提取所述当前定位图像中的轮廓点;确定所述轮廓点对应的可识别特征图像在所述当前定位图像中的位置信息和角度信息,获得多个所述可识别特征图像之间的当前图像位置信息。
可选的,所述识别模块还用于对所述轮廓点进行线性回归拟合,以获得拟合的特征图像线条;根据所述特征图像线条,匹配特征图像线条对应的多边形图像;根据所述多边形图像在所述当前定位图像中的位置信息和角度信息,获得多个所述可识别特征图像之间的图像位置信息。
可选的,所述机器人室内定位装置还包括建立模块,所述建立模块还用于获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的多个所述特征图像的图像位置信息;根据所述位置坐标和多个所述特征图像的图像位置信息,建立图像位置地图。
可选的,所述建立模块还用于获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息;根据所述位置信息和角度信息,获得所述位置坐标对应的多个所述特征图像之间的图像位置信息;调整所述机器人在预设行走空间内的位置,并判断所述位置的位置坐标是否未采集,若是,执行步骤获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息。
可选的,所述建立模块还用于获取机器人在预设行走空间内采集的位置坐标;根据图像坐标与位置坐标的转换关系,获得所述位置坐标的每个所述特征图像的位置信息和角度信息。
可选的,所述图像坐标与位置坐标的转换关系的表达式为:
s×Px=K×RT×Pw;
其中,s为所述机器人的图像获取设备的深度,Px为图像坐标,K为所述机器人的图像获取设备的内参,RT为所述机器人的图像获取设备的外参,Pw为位置坐标。
此外,为了实现上述目的,本发明还提供了一种机器人室内定位设备,所述机器人室内定位设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机器人室内定位程序,所述机器人室内定位程序配置为实现如前述的机器人室内定位方法的步骤。
此外,为了实现上述目的,本发明还提供了一种存储介质,所述存储介质上存储有机器人室内定位程序,所述机器人室内定位程序被处理器执行时实现如前所述的机器人室内定位方法的步骤。
本发明实施例提出的一种机器人室内定位方法、装置、机器人及存储介质,该方法包括获取机器人采集的当前定位图像;其中,当前定位图像包括至少两个可识别特征图像;对当前定位图像进行识别处理,获得多个可识别特征图像之间的当前图像位置信息;利用预存的图像位置地图,匹配当前图像位置信息对应的特征图像,以获得机器人的当前位置坐标;其中,预存的图像位置地图存储有多个特征图像在预设行走空间内的图像位置信息。本发明实施例通过获取目标机器人的当前定位图像,根据当前定位图像中多个可识别特征图像的图像位置信息,匹配图像位置地图中对应的特征图像,以此获得目标机器人的位置坐标,提高了机器人室内定位的准确率和效率。
附图说明
图1为本发明实施例中一种机器人室内定位设备的结构示意图;
图2为本发明机器人室内定位方法的第一实施例的流程示意图;
图3为本发明机器人室内定位方法的第二实施例的流程示意图;
图4为本发明机器人室内定位方法的第三实施例的流程示意图;
图5为本发明实施例中一种机器人室内定位装置的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
随着智能工业和智能物流的发展,仓库管理越来越趋向于无人化,智能机器人、无人叉车使用也越来越多,其中定位算法在无人叉车系统中占据了重要地位,现在无人叉车定位大多分为两种,激光导航和视觉导航,有些激光导航会在室内放置反光板,视觉导航则会放置二维码来辅助定位。然而,现有的室内定位方法中,激光导航的反光板可能会被遮挡,视觉导航的二维码会随着距离的增加降低识别率。目前的机器人室内定位方法识别准确率和效率不高。因此,如何提高机器人室内定位的准确率和效率,是一个亟需解决的技术问题。
为了解决这一问题,提出本发明的机器人室内定位方法的各个实施例。本发明提供的机器人室内定位方法基于获取目标机器人的当前定位图像,根据当前定位图像中多个可识别特征图像的图像位置信息,匹配图像位置地图中对应的特征图像,以此获得目标机器人的位置坐标。
参照图1,图1为本发明实施例方案涉及的机器人室内定位设备的结构示意图。
设备可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(User Equipment,UE)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobile station,MS)等。设备可能被称为用户终端、便携式终端、台式终端等。
通常,设备包括:至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的机器人室内定位程序,所述机器人室内定位程序配置为实现如前所述的机器人室内定位方法的步骤。
处理器301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器人室内定位操作,使得机器人室内定位模型可以自主训练学习,提高效率和准确度。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的机器人室内定位方法。
在一些实施例中,终端还可选包括有:通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地,外围设备包括:射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。通信接口303通过外围设备用于接收用户上传的多个移动终端的移动轨迹以及其他数据。在一些实施例中,处理器301、存储器302和通信接口303被集成在同一芯片或电路板上;在一些其他实施例中,处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信,从而可获取多个移动终端的移动轨迹以及其他数据。射频电路304将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路304包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(WirelessFidelity,无线保真)网络。在一些实施例中,射频电路304还可以包括NFC(Near FieldCommunication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏305用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时,显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时,显示屏305还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏305可以为一个,电子设备的前面板;在另一些实施例中,显示屏305可以为至少两个,分别设置在电子设备的不同表面或呈折叠设计;在再一些实施例中,显示屏305可以是柔性显示屏,设置在电子设备的弯曲表面上或折叠面上。甚至,显示屏305还可以设置成非矩形的不规则图形,也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解,图1中示出的结构并不构成对机器人室内定位设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明实施例提供了一种机器人室内定位方法,参照图2,图2为本发明机器人室内定位方法的第一实施例的流程示意图。
本实施例中,所述机器人室内定位方法包括以下步骤:
步骤S100,获取机器人采集的当前定位图像;其中,所述当前定位图像包括至少两个可识别特征图像,所述可识别特征图像为所述当前定位图像中能识别出位置信息和角度信息的特征图像。
在实际应用中,机器人可以为智能机器人或无人叉车等可以在预设行走空间内移动的机器人,预设行走空间可以为仓库或工厂等机器人执行对应任务所需的行走空间,本实施例对此并不限制。
具体而言,获取机器人在预设行走空间内移动时采集的当前定位图像,当前定位图像为机器人在当前位置采集的预设方向的定位图像,定位图像中包括至少两个可识别特征图像,其中,在机器人的预设方向设置有多个特征图像,该特征图像为用于机器人定位的标志物的图像信息,可识别特征图像为机器人采集的特征图像中能够识别出位置信息和角度信息的特征图像。
为了便于理解,本实施例对获取机器人采集的当前定位图像举例进行具体说明。
例如,在智能物流仓库的自动化运行中,机器人可用于根据订单信息调取仓库中对应的货物,通常在获取订单信息后,根据系统内存储的订单信息对应货物存放位置的坐标,驱动控制机器人前往对应坐标位置调取货物。此时,可利用本实施例机器人室内定位方法,获取机器人采集的当前定位图像,当前定位图像可以为机器人采集的仓库顶部的图像,在该仓库顶部设置有多个用于机器人定位的标志物,在获取的当前定位图像中,还包括了标志物的特征图像。通过对当前定位图像进行分析处理,能够获得机器人的当前位置坐标,实现机器人在仓库内的定位,完成智能物流仓库的自动化运行。
另外,在机器人采集预设方向的当前定位图像时,限制于机器人的图像获取设备的视觉角度,往往不能将所有的特征图像采集,此时,选取能够识别出位置信息和角度信息的特征图像作为可识别特征图像,利用该可识别特征图像来获取机器人的位置坐标。
容易理解的,机器人在预设行走空间内移动时采集预设方向设置的标记物的特征图像,获得可识别特征图像,通过可识别特征图像对机器人进行定位,利用视觉导航原理,简化室内定位装置,降低了机器人实现定位的成本。
步骤S200,对所述当前定位图像进行识别处理,获得多个所述可识别特征图像之间的当前图像位置信息。
具体而言,在获取机器人采集的当前定位图像后,为了获得当前定位图像中的可识别特征图像,以定位机器人的位置坐标,需要对当前定位图像进行识别处理,获得当前定位图像中的所有可识别特征图像之间的当前图像位置信息,利用当前图像位置信息即可获得机器人的当前位置坐标。
需要说明的是,对当前定位图像进行识别处理,即识别当前定位图像中的特征图像,该特征图像为设置于预设行走空间内预设方向的标记物的特征图像,通过识别当前定位图像中的所有特征图像,在利用所有特征图像,获得多个可识别特征图像之间的当前图像位置信息。
其中,识别当前定位图像中的特征图像可通过图像识别技术,若在获取的当前定位图像中具有特征图像,利用预先存储的特征图像的特征信息,提取特征图像在当前定位图像中的位置信息和角度信息。在获得当前定位图像中所有特征图像的位置信息和角度信息后,根据每一特征图像的位置信息和角度信息,获得多个可识别特征图像之间的当前图像位置信息。
容易理解的,在对机器人进行定位时,在获得多个可识别特征图像之间的当前图像位置信息后,利用当前图像位置信息和预存的所有特征图像之间的图像位置信息,可匹配得到当前机器人在图像位置信息中的当前图像位置信息,进而根据在图像位置信息中的当前图像位置信息,获得机器人的当前位置坐标。
步骤S300,利用预存的图像位置地图,匹配所述当前图像位置信息对应的特征图像,以获得所述机器人的当前位置坐标;其中,所述预存的图像位置地图存储有多个所述特征图像在所述预设行走空间内的图像位置信息。
需要说明的是,在获得多个可识别特征图像之间的当前图像位置信息后,利用当前位置处采集的当前定位图像包含的可识别特征图像之间的当前图像位置信息,将当前图像位置信息放入预存的图像位置地图中进行匹配查找,获得当前图像位置信息对应的特征图像,该特征图像对应的位置坐标即为机器人当前的位置坐标。
具体而言,图像位置地图中存储有整个预设行走空间内所有的特征图像的图像位置信息,若采集到当前图像位置信息,便可将当前图像位置信息在所有特征图像的图像位置信息中进行位置定位,获得当前机器人在预设行走空间内的位置坐标,实现机器人的精确定位。
其中,图像位置地图中的存储的整个预设行走空间内所有的特征图像的图像位置信息,为在进行机器人室内定位之前,利用机器人在预设行走空间内移动采集的每个位置坐标的图像位置信息,在经过足够大数量的图像位置信息采集后,将相邻坐标位置采集的重复图像位置信息剔除,即可获得整个预设行走空间内所有特征图像的图像位置信息,即图像位置地图。在建立图像位置地图后,若获得任意位置的图像位置信息,通过匹配图像位置地图中的图像位置信息,可获得对应位置的位置坐标,实现室内机器人移动作业时的精确定位。
在本实施例中,通过获取目标机器人的当前定位图像,根据当前定位图像中多个可识别特征图像的图像位置信息,匹配图像位置地图中对应的特征图像,以此获得目标机器人的位置坐标,提高了机器人室内定位的准确率和效率。
为了便于理解,参阅图3,图3为本发明机器人室内定位方法的第二实施例的流程示意图。基于如图2所示的机器人室内定位方法的第一实施例,本实施例给出一种对所述当前定位图像进行识别处理,获得多个所述可识别特征图像之间的当前图像位置信息的具体实现方案,具体如下:
步骤S201,对所述当前定位图像进行梯度计算,以获得所述当前定位图像的像素梯度值。
具体而言,在本实施例中,提供了一种对所述当前定位图像进行识别处理,获得多个所述可识别特征图像之间的当前图像位置信息的方法。在对当前定位图像中的特征图像进行识别时,采用图像处理及识别技术,通过对获取的当前定位图像进行梯度计算,获得当前定位图像的像素梯度值,根据像素梯度值来识别当前定位图像中当前图像位置信息。
需要说明的,在预设方向设置的标志物可采用与背景颜色差异较大的物体,通过采集当前定位图像能够较容易识别到多个标志物的特征图像。因此,本实施例中,利用获取的当前定位图像进行梯度计算,获得当前定位图像的像素梯度值,进而可根据像素梯度值,对当前定位图像中颜色差异较大的标志物的特征图像进行提取。
在一些实施例中,对当前定位图像进行梯度计算前,可通过高斯模糊来对获取的当前定位图像进行噪声处理,以提高定位准确率。
步骤S202,根据所述像素梯度值,提取所述当前定位图像中的轮廓点。
具体而言,在本实施例中,在获得当前定位图像的像素梯度值后,鉴于标志物与背景颜色差异较大,可通过提取像素梯度值中梯度较大的像素点作为标志物的轮廓点,利用标志物的轮廓点来判断当前定位图像中特征图像的位置信息和角度信息。
容易理解的,在获得每个像素点对应的轮廓点后,可根据所有轮廓点生成识别出的形状,判断该形状是否为标志物预设的形状,即可是被处当前定位图像中的所有特征图像,进而实现对机器人的位置定位。
在一些实施例中,在提取当前定位图像中的轮廓点后,可对相邻点进行聚类处理,以获得形状更规则的特征图像,提高定位准确率。
步骤S203,确定所述轮廓点对应的可识别特征图像在所述当前定位图像中的位置信息和角度信息,获得多个所述可识别特征图像之间的当前图像位置信息。
具体而言,在提取当前定位图像中的轮廓点后,利用所有轮廓点生成识别出的形状,判断识别出的形状是否为标志物预设的形状,若是,该轮廓点构成的形状即为特征图像,此时,确定该特征图像的位置,以获得每个特征图像的位置信息和角度信息。在获得当前定位图像中所有特征图像的位置信息和角度信息后,根据每一特征图像的位置信息和角度信息,获得多个可识别特征图像之间的当前图像位置信息。
在一些实施例中,可识别特征图像可设置为多边形图像,因此,在提取所述当前定位图像中的轮廓点后,可对获取的轮廓点进行线性回归拟合,获得拟合的特征图像线条,再根据特征图像线条匹配特征图像线条对应的多边形图像,最后根据多边形图像在当前定位图像中的位置信息和角度信息,获得多个所述可识别特征图像之间的图像位置信息。
在本实施例中,提供了一种对所述当前定位图像进行识别处理,获得多个所述可识别特征图像之间的当前图像位置信息的方法。通过图像处理及图像识别技术,将当前定位图像中的特征图像进行识别提取,并获得多个可识别特征图像之间的当前图像位置信息,进而定位机器人的当前位置坐标。
为了便于理解,参阅图4,图4为本发明机器人室内定位方法的第三实施例的流程示意图。基于如图3所示的机器人室内定位方法的第二实施例,本实施例给出一种在利用预存的图像位置地图,匹配所述当前图像位置信息对应的特征图像,以获得所述机器人的当前位置坐标步骤之前,建立图像位置地图的具体实现方案,具体如下:
步骤S001,获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的多个所述特征图像的图像位置信息。
在本实施例中,提供了一种在利用预存的图像位置地图,匹配所述当前图像位置信息对应的特征图像,以获得所述机器人的当前位置坐标之前,建立图像位置地图的方法。具体而言,建立图像位置地图需要采集整个预设行走空间内每个位置坐标对应的多个特征图像的图像位置信息,因此,建立图像位置地图所需的信息为获取的机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的多个所述特征图像的图像位置信息。
容易理解的,为了保证机器人对预设行走空间的所有位置坐标采集得到对应的图像位置信息,在采集过程中,获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息;根据所述位置信息和角度信息,获得所述位置坐标对应的多个所述特征图像之间的图像位置信息;调整所述机器人在预设行走空间内的位置,并判断所述位置的位置坐标是否未采集,若是,执行步骤获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息。
需要说明的是,在获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息时,先获取机器人在预设行走空间内采集的位置坐标,再根据图像坐标与位置坐标的转换关系,获得所述位置坐标的每个所述特征图像的位置信息和角度信息。其中,图像坐标与位置坐标的转换关系的表达式为:
s×Px=K×RT×Pw;
其中, s为所述机器人的图像获取设备的深度,Px为图像坐标,u为特征图像点的水平坐标,v为特征图像点的垂直坐标,K为所述机器人的图像获取设备的内参,u0为特征图像的中心点的水平坐标,v0为特征图像的中心点的垂直坐标,f为机器人的图像获取设备的焦距,RT为所述机器人的图像获取设备的外参,ri为外参旋转参数,其中i=(1,...,9),tj为外参平移参数,其中j=(1,...,3),Pw为位置坐标。
容易理解的,在获得预设行走空间内的所有位置坐标的每个特征图像的位置信息和角度信息后,即可获得预设行走空间内的每个位置坐标的图像位置信息。
步骤S002,根据所述位置坐标和多个所述特征图像的图像位置信息,建立图像位置地图。
具体而言,在获得预设行走空间内的所有位置坐标的每个特征图像的位置信息和角度信息后,即可获得预设行走空间内的每个位置坐标的图像位置信息,进而建立存储有多个所述特征图像在所述预设行走空间内的图像位置信息的图像位置地图。
容易理解的,图像位置地图中的存储的整个预设行走空间内所有的特征图像的图像位置信息,为在进行机器人室内定位之前,利用机器人在预设行走空间内移动采集的每个位置坐标的图像位置信息,在经过足够大数量的图像位置信息采集后,将相邻坐标位置采集的重复图像位置信息剔除,即可获得整个预设行走空间内所有特征图像的图像位置信息,即图像位置地图。在建立图像位置地图后,若获得任意位置的图像位置信息,通过匹配图像位置地图中的图像位置信息,可获得对应位置的位置坐标,实现室内机器人移动作业时的精确定位。
在本实施例中,提供了一种在利用预存的图像位置地图,匹配所述当前图像位置信息对应的特征图像,以获得所述机器人的当前位置坐标之前,建立图像位置地图的方法。本实施例在机器人室内定位之前,采集预设行走空间内的位置坐标及每个位置坐标对应的图像位置信息,构建存储有多个所述特征图像在所述预设行走空间内的图像位置信息的图像位置地图,在机器人执行任务时能够通过当前位置获取的当前定位图像,提取当前定位图像中的当前图像位置信息,用以在图像位置地图中查找对应的位置坐标,实现机器人的室内定位。
参照图5,图5为本发明机器人室内定位装置第一实施例的结构框图。
如图5所示,本发明实施例提出的机器人室内定位装置包括:
获取模块10,用于获取机器人采集的当前定位图像;其中,所述当前定位图像包括至少两个可识别特征图像,所述可识别特征图像为所述当前定位图像中能识别出位置信息和角度信息的特征图像;
识别模块20,用于对所述当前定位图像进行识别处理,获得多个所述可识别特征图像之间的当前图像位置信息;
匹配模块30,用于利用预存的图像位置地图,匹配所述当前图像位置信息对应的特征图像,以获得所述机器人的当前位置坐标;其中,所述预存的图像位置地图存储有多个所述特征图像在所述预设行走空间内的图像位置信息。
本实施例提供的机器人室内定位装置,通过获取目标机器人的当前定位图像,根据当前定位图像中多个可识别特征图像的图像位置信息,匹配图像位置地图中对应的特征图像,以此获得目标机器人的位置坐标,提高了机器人室内定位的准确率和效率。
基于本发明上述机器人室内定位装置第一实施例,提出本发明机器人室内定位装置的第二实施例。在本实施例中,所述识别模块20还用于对所述当前定位图像进行梯度计算,以获得所述当前定位图像的像素梯度值;根据所述像素梯度值,提取所述当前定位图像中的轮廓点;确定所述轮廓点对应的可识别特征图像在所述当前定位图像中的位置信息和角度信息,获得多个所述可识别特征图像之间的当前图像位置信息。
作为一种实施方式,识别模块20还用于对所述轮廓点进行线性回归拟合,以获得拟合的特征图像线条;根据所述特征图像线条,匹配特征图像线条对应的多边形图像;根据所述多边形图像在所述当前定位图像中的位置信息和角度信息,获得多个所述可识别特征图像之间的图像位置信息。
基于本发明上述机器人室内定位装置的第一实施例和第二实施例,提出本发明机器人室内定位装置的第三实施例。本实施例中,所述所述机器人室内定位装置还包括建立模块40,所述建立模块40还用于获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的多个所述特征图像的图像位置信息;根据所述位置坐标和多个所述特征图像的图像位置信息,建立图像位置地图。
作为一种实施方式,建立模块40还用于获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息;根据所述位置信息和角度信息,获得所述位置坐标对应的多个所述特征图像之间的图像位置信息;调整所述机器人在预设行走空间内的位置,并判断所述位置的位置坐标是否未采集,若是,执行步骤获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息。
作为一种实施方式,建立模块40还用于获取机器人在预设行走空间内采集的位置坐标;根据图像坐标与位置坐标的转换关系,获得所述位置坐标的每个所述特征图像的位置信息和角度信息。
本发明机器人室内定位装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有机器人室内定位程序,所述机器人室内定位程序被处理器执行时实现如上文所述的机器人室内定位方法的步骤。因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。确定为示例,程序指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
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,上述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本发明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可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等,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的方法。
Claims (10)
1.一种机器人室内定位方法,其特征在于,所述机器人在预设行走空间内移动,且所述预设行走空间内固定设置有多个特征图像;所述机器人室内定位方法包括以下步骤:
获取机器人采集的当前定位图像;其中,所述当前定位图像包括至少两个可识别特征图像,所述可识别特征图像为所述当前定位图像中能识别出位置信息和角度信息的特征图像;
对所述当前定位图像进行识别处理,获得多个所述可识别特征图像之间的当前图像位置信息;
利用预存的图像位置地图,匹配所述当前图像位置信息对应的特征图像,以获得所述机器人的当前位置坐标;其中,所述预存的图像位置地图存储有多个所述特征图像在所述预设行走空间内的图像位置信息。
2.如权利要求1所述的机器人室内定位方法,其特征在于,所述对所述当前定位图像进行识别处理,获得多个所述可识别特征图像之间的当前图像位置信息步骤,具体包括:
对所述当前定位图像进行梯度计算,以获得所述当前定位图像的像素梯度值;
根据所述像素梯度值,提取所述当前定位图像中的轮廓点;
确定所述轮廓点对应的可识别特征图像在所述当前定位图像中的位置信息和角度信息,获得多个所述可识别特征图像之间的当前图像位置信息。
3.如权利要求2所述的机器人室内定位方法,其特征在于,所述可识别特征图像为多边形图像;
所述确定所述轮廓点对应的可识别特征图像在所述当前定位图像中的位置信息和角度信息,获得多个所述可识别特征图像之间的当前图像位置信息步骤,具体包括:
对所述轮廓点进行线性回归拟合,以获得拟合的特征图像线条;
根据所述特征图像线条,匹配特征图像线条对应的多边形图像;
根据所述多边形图像在所述当前定位图像中的位置信息和角度信息,获得多个所述可识别特征图像之间的图像位置信息。
4.如权利要求1所述的机器人室内定位方法,其特征在于,所述利用预存的图像位置地图,匹配所述当前图像位置信息对应的特征图像,以获得所述机器人的当前位置坐标步骤之前,所述方法还包括:
获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的多个所述特征图像的图像位置信息;
根据所述位置坐标和多个所述特征图像的图像位置信息,建立图像位置地图。
5.如权利要求4所述的机器人室内定位方法,其特征在于,所述获取机器人在预设行走空间内采集的位置坐标和位置坐标对应的多个所述特征图像的图像位置信息步骤,具体包括:
获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息;
根据所述位置信息和角度信息,获得所述位置坐标对应的多个所述特征图像之间的图像位置信息;
调整所述机器人在预设行走空间内的位置,并判断所述位置的位置坐标是否未采集,若是,执行步骤获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息。
6.如权利要求5所述的机器人室内定位方法,其特征在于,所述获取机器人在预设行走空间内采集的位置坐标和所述位置坐标对应的每个所述特征图像的位置信息和角度信息步骤,具体包括:
获取机器人在预设行走空间内采集的位置坐标;
根据图像坐标与位置坐标的转换关系,获得所述位置坐标的每个所述特征图像的位置信息和角度信息。
7.如权利要求6所述的机器人室内定位方法,其特征在于,所述图像坐标与位置坐标的转换关系的表达式为:
s×Px=K×RT×Pw;
其中,s为所述机器人的图像获取设备的深度,Px为图像坐标,K为所述机器人的图像获取设备的内参,RT为所述机器人的图像获取设备的外参,Pw为位置坐标。
8.一种机器人室内定位装置,其特征在于,所述机器人室内定位装置包括:
获取模块,用于获取机器人采集的当前定位图像;其中,所述当前定位图像包括至少两个可识别特征图像,所述可识别特征图像为所述当前定位图像中能识别出位置信息和角度信息的特征图像;
识别模块,用于对所述当前定位图像进行识别处理,获得多个所述可识别特征图像之间的当前图像位置信息;
匹配模块,用于利用预存的图像位置地图,匹配所述当前图像位置信息对应的特征图像,以获得所述机器人的当前位置坐标;其中,所述预存的图像位置地图存储有多个所述特征图像在所述预设行走空间内的图像位置信息。
9.一种机器人室内定位设备,其特征在于,所述机器人室内定位设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机器人室内定位程序,所述机器人室内定位程序被所述处理器执行时实现如权利要求1至7中任一项所述的机器人室内定位方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有机器人室内定位程序,所述机器人室内定位程序被处理器执行时实现如权利要求1至7中任一项所述的机器人室内定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110958653.0A CN113761255B (zh) | 2021-08-19 | 2021-08-19 | 机器人室内定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110958653.0A CN113761255B (zh) | 2021-08-19 | 2021-08-19 | 机器人室内定位方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113761255A true CN113761255A (zh) | 2021-12-07 |
CN113761255B CN113761255B (zh) | 2024-02-09 |
Family
ID=78790566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110958653.0A Active CN113761255B (zh) | 2021-08-19 | 2021-08-19 | 机器人室内定位方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761255B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114348579A (zh) * | 2021-12-31 | 2022-04-15 | 深圳云天励飞技术股份有限公司 | 搬运机器人的控制方法及相关设备 |
WO2023198088A1 (zh) * | 2022-04-12 | 2023-10-19 | 深圳市普渡科技有限公司 | 机器人的位姿确定方法、装置、机器人以及存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103826103A (zh) * | 2014-02-27 | 2014-05-28 | 浙江宇视科技有限公司 | 云台摄像机巡航控制方法 |
CN105841687A (zh) * | 2015-01-14 | 2016-08-10 | 上海智乘网络科技有限公司 | 室内定位方法和系统 |
CN107766859A (zh) * | 2017-10-31 | 2018-03-06 | 广东美的智能机器人有限公司 | 移动机器人定位方法、装置及移动机器人 |
CN108406731A (zh) * | 2018-06-06 | 2018-08-17 | 珠海市微半导体有限公司 | 一种基于深度视觉的定位装置、方法及机器人 |
CN109506658A (zh) * | 2018-12-26 | 2019-03-22 | 广州市申迪计算机系统有限公司 | 机器人自主定位方法和系统 |
CN110017841A (zh) * | 2019-05-13 | 2019-07-16 | 大有智能科技(嘉兴)有限公司 | 视觉定位方法及其导航方法 |
CN110377015A (zh) * | 2018-04-13 | 2019-10-25 | 北京三快在线科技有限公司 | 机器人定位方法和机器人定位装置 |
CN110660113A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 特征地图的建立方法、装置、采集设备和存储介质 |
CN111060118A (zh) * | 2019-12-27 | 2020-04-24 | 炬星科技(深圳)有限公司 | 场景地图建立方法、设备及存储介质 |
CN111105459A (zh) * | 2019-12-24 | 2020-05-05 | 广州视源电子科技股份有限公司 | 描述子地图生成方法、定位方法、装置、设备和存储介质 |
CN111220148A (zh) * | 2020-01-21 | 2020-06-02 | 珊口(深圳)智能科技有限公司 | 移动机器人的定位方法、系统、装置及移动机器人 |
CN111507342A (zh) * | 2020-04-21 | 2020-08-07 | 浙江大华技术股份有限公司 | 一种图像处理方法、装置、系统及存储介质 |
CN111508258A (zh) * | 2020-04-17 | 2020-08-07 | 北京三快在线科技有限公司 | 一种定位方法及装置 |
CN112051596A (zh) * | 2020-07-29 | 2020-12-08 | 武汉威图传视科技有限公司 | 一种基于节点编码的室内定位方法及装置 |
CN112686951A (zh) * | 2020-12-07 | 2021-04-20 | 深圳乐动机器人有限公司 | 用于确定机器人位置的方法、装置、终端及存储介质 |
CN112720464A (zh) * | 2020-12-09 | 2021-04-30 | 深圳先进技术研究院 | 基于机器人系统的目标拾取方法、电子设备、存储介质 |
CN113221696A (zh) * | 2021-04-29 | 2021-08-06 | 四川大学华西医院 | 一种图像识别方法、系统、设备及存储介质 |
-
2021
- 2021-08-19 CN CN202110958653.0A patent/CN113761255B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103826103A (zh) * | 2014-02-27 | 2014-05-28 | 浙江宇视科技有限公司 | 云台摄像机巡航控制方法 |
CN105841687A (zh) * | 2015-01-14 | 2016-08-10 | 上海智乘网络科技有限公司 | 室内定位方法和系统 |
CN107766859A (zh) * | 2017-10-31 | 2018-03-06 | 广东美的智能机器人有限公司 | 移动机器人定位方法、装置及移动机器人 |
CN110377015A (zh) * | 2018-04-13 | 2019-10-25 | 北京三快在线科技有限公司 | 机器人定位方法和机器人定位装置 |
CN108406731A (zh) * | 2018-06-06 | 2018-08-17 | 珠海市微半导体有限公司 | 一种基于深度视觉的定位装置、方法及机器人 |
CN110660113A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 特征地图的建立方法、装置、采集设备和存储介质 |
CN109506658A (zh) * | 2018-12-26 | 2019-03-22 | 广州市申迪计算机系统有限公司 | 机器人自主定位方法和系统 |
CN110017841A (zh) * | 2019-05-13 | 2019-07-16 | 大有智能科技(嘉兴)有限公司 | 视觉定位方法及其导航方法 |
CN111105459A (zh) * | 2019-12-24 | 2020-05-05 | 广州视源电子科技股份有限公司 | 描述子地图生成方法、定位方法、装置、设备和存储介质 |
CN111060118A (zh) * | 2019-12-27 | 2020-04-24 | 炬星科技(深圳)有限公司 | 场景地图建立方法、设备及存储介质 |
CN111220148A (zh) * | 2020-01-21 | 2020-06-02 | 珊口(深圳)智能科技有限公司 | 移动机器人的定位方法、系统、装置及移动机器人 |
CN111508258A (zh) * | 2020-04-17 | 2020-08-07 | 北京三快在线科技有限公司 | 一种定位方法及装置 |
CN111507342A (zh) * | 2020-04-21 | 2020-08-07 | 浙江大华技术股份有限公司 | 一种图像处理方法、装置、系统及存储介质 |
CN112051596A (zh) * | 2020-07-29 | 2020-12-08 | 武汉威图传视科技有限公司 | 一种基于节点编码的室内定位方法及装置 |
CN112686951A (zh) * | 2020-12-07 | 2021-04-20 | 深圳乐动机器人有限公司 | 用于确定机器人位置的方法、装置、终端及存储介质 |
CN112720464A (zh) * | 2020-12-09 | 2021-04-30 | 深圳先进技术研究院 | 基于机器人系统的目标拾取方法、电子设备、存储介质 |
CN113221696A (zh) * | 2021-04-29 | 2021-08-06 | 四川大学华西医院 | 一种图像识别方法、系统、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114348579A (zh) * | 2021-12-31 | 2022-04-15 | 深圳云天励飞技术股份有限公司 | 搬运机器人的控制方法及相关设备 |
WO2023198088A1 (zh) * | 2022-04-12 | 2023-10-19 | 深圳市普渡科技有限公司 | 机器人的位姿确定方法、装置、机器人以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113761255B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11275931B2 (en) | Human pose prediction method and apparatus, device, and storage medium | |
CN112987764B (zh) | 降落方法、装置、无人机以及计算机可读存储介质 | |
CN113761255B (zh) | 机器人室内定位方法、装置、设备及存储介质 | |
CN110942479B (zh) | 虚拟对象控制方法、存储介质及电子设备 | |
US10599913B2 (en) | Face model matrix training method and apparatus, and storage medium | |
CN112215227B (zh) | 图像目标检测模型攻击方法、装置、终端设备及存储介质 | |
CN111125283A (zh) | 电子地图构建方法、装置、计算机设备和存储介质 | |
US20230230318A1 (en) | Method for updating 3-dimensional map using image, and electronic device for supporting same | |
CN110954114B (zh) | 电子地图的生成方法、装置、终端及存储介质 | |
CN115410274A (zh) | 一种手势识别方法、装置及存储介质 | |
US20210156697A1 (en) | Method and device for image processing and mobile apparatus | |
CN109741365A (zh) | 目标跟踪方法、无人机、终端设备及存储介质 | |
CN114973006B (zh) | 花椒采摘方法、装置、系统及存储介质 | |
CN116580211A (zh) | 关键点检测方法、装置、计算机设备及存储介质 | |
CN115035313B (zh) | 黑颈鹤识别方法、装置、设备及存储介质 | |
CN113888669A (zh) | 绕线版图绘制方法、装置、设备及存储介质 | |
CN114926807A (zh) | 车辆事件识别方法、装置、设备及存储介质 | |
CN114494795A (zh) | 基于底盘检测的停车检测方法、装置、设备及存储介质 | |
CN114187349A (zh) | 产品加工方法、装置、终端设备以及存储介质 | |
CN114648745A (zh) | 基于深度学习的道路检测方法、装置、设备及存储介质 | |
CN113741215B (zh) | 基于关联特征数据的设备控制方法及装置 | |
CN114356133B (zh) | 触控物体的尺寸分析方法、装置、终端设备以及存储介质 | |
CN113223048B (zh) | 手眼标定精度确定方法、装置、终端设备以及存储介质 | |
CN115047008B (zh) | 基于Faster R-CNN的道路裂纹检测系统 | |
CN114494412A (zh) | 室内监控方法、装置、系统及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |