CN113894786B - 一种基于深度学习双目相机的双轮差速机器人避障方法 - Google Patents

一种基于深度学习双目相机的双轮差速机器人避障方法 Download PDF

Info

Publication number
CN113894786B
CN113894786B CN202111260478.4A CN202111260478A CN113894786B CN 113894786 B CN113894786 B CN 113894786B CN 202111260478 A CN202111260478 A CN 202111260478A CN 113894786 B CN113894786 B CN 113894786B
Authority
CN
China
Prior art keywords
robot
point
delta
distance
deep learning
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.)
Active
Application number
CN202111260478.4A
Other languages
English (en)
Other versions
CN113894786A (zh
Inventor
蒋莉滨
陈旭
钟晓泉
李密
李家维
林雅婷
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.)
Fujian Strait Zhihui Technology Co ltd
Original Assignee
Fujian Strait Zhihui Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujian Strait Zhihui Technology Co ltd filed Critical Fujian Strait Zhihui Technology Co ltd
Priority to CN202111260478.4A priority Critical patent/CN113894786B/zh
Publication of CN113894786A publication Critical patent/CN113894786A/zh
Application granted granted Critical
Publication of CN113894786B publication Critical patent/CN113894786B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B25J9/1666—Avoiding collision or forbidden zones
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种基于深度学习双目相机的双轮差速机器人避障方法，涉及人工智能领域。该基于深度学习双目相机的双轮差速机器人避障方法，在机器人活动的区域内，建立绝对坐标系，并确定机器人的位置原点O和选定目标点，以就近的原则规划路线，机器人从相机拍摄的图片、视频进行识别，判别遮挡物，获得遮挡物位置并重新规划路线，并在遮挡物上选取标记点M，标记点M选取多组，测算机器人在O位置相对标记点M的距离L，以及标记点M高度H，设机器人在路线上预计到达的位置P，获得偏差值(ΔX，ΔY，ΔZ)。机器人以渐进的方式到达目标点，并通过标记点计算修正实际移动误差。

Description

一种基于深度学习双目相机的双轮差速机器人避障方法
技术领域
本发明涉及人工智能技术领域，具体为一种基于深度学习双目相机的双轮差速机器人避障方法。
背景技术
双轮差速机器人因结构简单、控制方便，是目前大多数轮式机器人采用的一种形式，通常通过不同的电机控制左、右轮转动实现机器人的移动。机器人移动定位的方式有里程计法、惯性导航法、卫星导航法、磁导航法。
里程计法通过计算自身位移，但此方法定位为航位推算法，是一个累加过程，没有参考物，其测量误差与车辆行驶路程长度有关，随着移动距离的增加，定位精度逐渐下降。卫星定位的方式有受信号的影响，不适合在遮挡物多的地方使用。
以及在实际机器人移动过程中，滚轮和地面也打滑的问题，使得机器人实际到达的位置和预设到达的位置不同。在里程计法又无法进行消除该误差。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于深度学习双目相机的双轮差速机器人避障方法，解决了现有的机器人脱离导航移动精度低问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习双目相机的双轮差速机器人避障方法，包括以下步骤：
步骤一：在机器人活动的区域内，建立绝对坐标系，并确定机器人的位置原点O和选定目标点，以就近的原则规划路线；
步骤二：机器人从相机拍摄的图片、视频进行识别，判别遮挡物，获得遮挡物位置并重新规划路线，并在遮挡物上选取标记点M，标记点M选取多组，测算机器人在O位置相对标记点M的距离L，以及标记点M高度H；
步骤三：预设机器人在路线上预计到达的位置P，机器人移动到达实际位置O1，并继续测量相对标记点M的距离L，以及标记点M高度H，结合步骤二测量的数据，在位置原点O计算出实际位置O1，并和预计到达的位置P进行计算，获得偏差值(ΔX，ΔY，ΔZ)；
步骤四：机器人继续移动，并将当前位置作为位置原点O，重新选取标记点M，在前往下一个预计到达的位置P的过程中，使用步骤三所获得的偏差值(ΔX，ΔY，ΔZ)修正机器人移动路线，机器人到达下一个实际位置O1后，再次计算重新选取标记点M相对与现在位置的偏差值(ΔX2，ΔY2，ΔZ2)；
步骤五：重复步骤三和四，直至机器人到达目标点。
优选的，所述步骤三中，标记点M高度H测量方式为，获取相机水平角度图像中心点Q，以及标记点M相机图像中的位置Q1，计算得出图像中心点Q和标记点M相机图像中的位置Q1的距离l，获得相机的焦距以及相机和标记点M之间的距离L，利于相似三角形原理，计算出标记点M高度H。
优选的，所述步骤三中利用O、O1与标记点M距离、高度H，计算出O1的坐标值。
优选的，以所述机器人设定半径R为安全距离，当标记点M和机器人之间的距离L满足|L-R|＜C，C为预设安全等级距离，则重新规划线路。
优选的，所述步骤一中机器人的活动区域还设置有校准点G，机器人可以根据校准点G更新相对于绝对坐标轴的位置。
优选的，所述校准点G设置有多个。
(三)有益效果
本发明提供了一种基于深度学习双目相机的双轮差速机器人避障方法。
具备以下有益效果：
1、本发明，采用渐进的方式到达目标点，并通过标记点计算修正实际移动误差。
2、本发明，由于通过标记点计算，也可以消除机器人自身移动过程中，滚轮和地面也打滑造成的误差。
附图说明
图1为本发明的水平距离计算模型；
图2为本发明的高度计算模型示意图。
图1中：O、机器人原点；P、机器人预计到达的位置；O1、机器人实际到达的位置；M、标记点的位置；L、O相对与M的距离；L1、O1相对与M的距离；G、校准点；
图2中：M、标记点的位置；Q、相机水平角度图像中心点；Q1、M相机图像中的位置；f、焦点；l、Q和Q1的距离，H、标记点的高度。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
本发明实施例提供一种基于深度学习双目相机的双轮差速机器人避障方法，包括以下步骤：
步骤一：在机器人活动的区域内，建立绝对坐标系，采用笛卡尔坐标系Oxyz，方便确定机器人的绝对位置，同时利于目标点的给定，并确定机器人的位置原点O和选定目标点，以就近的原则规划路线，通常两点之间直线最短，但是预先规划的路线存在遮挡物，故进行遇到遮挡物时，需要再次使用就近原则进行规划路线，机器人的活动区域还设置有校准点G，机器人可以根据校准点G更新相对于绝对坐标轴的位置，用于消除机器人移动过程中的累积的误差，校准点G设置有多个，其形式和AGV智能平板车一样，通过地标获取当前位置，但是于AGV智能平板车不同的是，AGV智能平板车移动过程中至少有一个地标被读取，本方案中校准点G仅在机器人遇到后，进行被动更新位置；
步骤二：机器人从相机拍摄的图片、视频进行识别，判别遮挡物，获得遮挡物位置并重新规划路线，并在遮挡物上选取标记点M，标记点M选取多组，测算机器人在O位置相对标记点M的距离L，如图1所示，利用双目相机，直接得出距离标记点M的距离L，以及标记点M高度H，标记点M高度H测量方式为，如图2所示，获取相机水平角度图像中心点Q，以及标记点M相机图像中的位置Q1，计算得出图像中心点Q和标记点M相机图像中的位置Q1的距离l，通常为图像的像素距离，获得相机的焦距以及相机和标记点M之间的距离L，利于相似三角形原理，计算出标记点M高度H；
步骤三：预设机器人在路线上预计到达的位置P，机器人移动到达实际位置O1，并继续测量相对标记点M的距离L，以及标记点M高度H，结合步骤二测量的数据，在位置原点O计算出实际位置O1，所计算出的实际位置O1有多组，通过计算三个坐标的数值的平均数作为实际位置O1，即利用O、O1与标记点M距离、高度H，计算出O1的坐标值，并和预计到达的位置P进行计算，预计到达的位置P和实际位置O1对应坐标进行差值计算，获得偏差值(ΔX，ΔY，ΔZ)；
步骤四：机器人继续移动，并将当前位置作为位置原点O，重新选取标记点M，在前往下一个预计到达的位置P的过程中，使用步骤三所获得的偏差值(ΔX，ΔY，ΔZ)修正机器人移动路线，即将偏差值加权值预设的位置P中，机器人到达下一个实际位置O1后，再次计算重新选取标记点M相对与现在位置的偏差值(ΔX2，ΔY2，ΔZ2)，多次选取的标记点M可以为同一个，可降低重新选取标记点误差，提高在不同的位置的计算精度；
步骤五：重复步骤三和四，直至机器人到达目标点。
机器人设定半径R为安全距离，当标记点M和机器人之间的距离L满足|L-R|＜C，C为预设安全等级距离，则重新规划线路，C可以人为设定，C值越大，即机器人发生碰撞的可能性越小，机器人运行的安全性越高。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于深度学习双目相机的双轮差速机器人避障方法，其特征在于，包括以下步骤：
步骤一：在机器人活动的区域内，建立绝对坐标系，并确定机器人的位置原点O和选定目标点，以就近的原则规划路线；
步骤二：机器人从相机拍摄的图片、视频进行识别，判别遮挡物，获得遮挡物位置并重新规划路线，并在遮挡物上选取标记点M，标记点M选取多组，测算机器人在O位置相对标记点M的距离L，以及标记点M高度H；
步骤三：预设机器人在路线上预计到达的位置P，机器人移动到达实际位置O1，并继续测量相对标记点M的距离L，以及标记点M高度H，结合步骤二测量的数据，在位置原点O计算出实际位置O1，并和预计到达的位置P进行计算，获得偏差值(ΔX，ΔY，ΔZ)；
步骤四：机器人继续移动，并将当前位置作为位置原点O，重新选取标记点M，在前往下一个预计到达的位置P的过程中，使用步骤三所获得的偏差值(ΔX，ΔY，ΔZ)修正机器人移动路线，机器人到达下一个实际位置O1后，再次计算重新选取标记点M相对与现在位置的偏差值(ΔX2，ΔY2，ΔZ2)；
步骤五：重复步骤三和四，直至机器人到达目标点。
2.根据权利要求1所述的一种基于深度学习双目相机的双轮差速机器人避障方法，其特征在于：所述步骤三中，标记点M高度H测量方式为，获取相机水平角度图像中心点Q，以及标记点M相机图像中的位置Q1，计算得出图像中心点Q和标记点M相机图像中的位置Q1的距离l，获得相机的焦距以及相机和标记点M之间的距离L，利于相似三角形原理，计算出标记点M高度H。
3.根据权利要求2所述的一种基于深度学习双目相机的双轮差速机器人避障方法，其特征在于：所述步骤三中利用O、O1与标记点M距离、高度H，计算出O1的坐标值。
4.根据权利要求1所述的一种基于深度学习双目相机的双轮差速机器人避障方法，其特征在于：以所述机器人设定半径R为安全距离，当标记点M和机器人之间的距离L满足|L-R|＜C，C为预设安全等级距离，则重新规划线路。
5.根据权利要求1所述的一种基于深度学习双目相机的双轮差速机器人避障方法，其特征在于：所述步骤一中机器人的活动区域还设置有校准点G，机器人可以根据校准点G更新相对于绝对坐标轴的位置。
6.根据权利要求5所述的一种基于深度学习双目相机的双轮差速机器人避障方法，其特征在于：所述校准点G设置有多个。
CN202111260478.4A 2021-10-28 2021-10-28 一种基于深度学习双目相机的双轮差速机器人避障方法 Active CN113894786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111260478.4A CN113894786B (zh) 2021-10-28 2021-10-28 一种基于深度学习双目相机的双轮差速机器人避障方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111260478.4A CN113894786B (zh) 2021-10-28 2021-10-28 一种基于深度学习双目相机的双轮差速机器人避障方法

Publications (2)

Publication Number Publication Date
CN113894786A CN113894786A (zh) 2022-01-07
CN113894786B true CN113894786B (zh) 2023-02-07

Family

ID=79026647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111260478.4A Active CN113894786B (zh) 2021-10-28 2021-10-28 一种基于深度学习双目相机的双轮差速机器人避障方法

Country Status (1)

Country Link
CN (1) CN113894786B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114639163B (zh) * 2022-02-25 2024-06-07 纯米科技(上海)股份有限公司 行走程序的打分方法、系统、电子装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106541404A (zh) * 2016-11-03 2017-03-29 四川阿泰因机器人智能装备有限公司 一种机器人视觉定位导航方法
CN109074083A (zh) * 2018-06-08 2018-12-21 珊口（深圳）智能科技有限公司 移动控制方法、移动机器人及计算机存储介质
CN109940603A (zh) * 2019-01-21 2019-06-28 浙江大学滨海产业技术研究院 一种巡检机器人的到点误差补偿控制方法
WO2020252632A1 (zh) * 2019-06-17 2020-12-24 西门子（中国）有限公司 一种坐标系校准方法、装置和计算机可读介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109655024B (zh) * 2019-01-24 2020-05-19 大连理工大学 采用空间变换技术的位移传感器外部参数标定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106541404A (zh) * 2016-11-03 2017-03-29 四川阿泰因机器人智能装备有限公司 一种机器人视觉定位导航方法
CN109074083A (zh) * 2018-06-08 2018-12-21 珊口（深圳）智能科技有限公司 移动控制方法、移动机器人及计算机存储介质
CN109940603A (zh) * 2019-01-21 2019-06-28 浙江大学滨海产业技术研究院 一种巡检机器人的到点误差补偿控制方法
WO2020252632A1 (zh) * 2019-06-17 2020-12-24 西门子（中国）有限公司 一种坐标系校准方法、装置和计算机可读介质

Also Published As

Publication number Publication date
CN113894786A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
CN108088439B (zh) 一种融合电子地图、二维码和色带的agv复合导航系统及方法
CN106681320A (zh) 一种基于激光数据的移动机器人导航控制方法
CN109141427B (zh) 在非视距环境下基于距离和角度概率模型的ekf定位方法
CN112347205B (zh) 一种车辆误差状态的更新方法和装置
CN113155098B (zh) 基于无人机多视角影像的既有铁路轨道线高精度三维重建方法
CN110702091A (zh) 一种沿地铁轨道移动机器人的高精度定位方法
CN112882053B (zh) 一种主动标定激光雷达和编码器外参的方法
CN102116625A (zh) 巡线机器人gis-gps导航方法
CN111039231B (zh) 智能叉车转弯路径规划方法
CN109813305B (zh) 基于激光slam的无人叉车
CN113894786B (zh) 一种基于深度学习双目相机的双轮差速机器人避障方法
CN111044073A (zh) 基于双目激光高精度agv位置感知方法
CN109506650B (zh) 基于bp网络的agv导航行程偏差修正方法
CN109387194B (zh) 一种移动机器人定位方法和定位系统
CN113110496B (zh) 一种移动机器人的建图方法和系统
CN115435816B (zh) 在线双舵轮agv内外参标定方法、系统、介质及设备
CN110749895B (zh) 一种基于激光雷达点云数据的定位方法
Maddahi et al. Calibration of omnidirectional wheeled mobile robots: method and experiments
CN108196538B (zh) 基于三维点云模型的田间农业机器人自主导航系统及方法
CN107943026B (zh) Mecanum轮巡视机器人及其巡视方法
CN108710371B (zh) 一种采用测距激光扫描建图的机器人室内定位方法
CN112945266A (zh) 激光导航机器人及其机器人的里程计校准方法
CN215494708U (zh) 一种智能地坪划线机器人
CN114115275B (zh) 一种无人车自主导航纠偏方法
CN114578821A (zh) 移动机器人的脱困方法、移动机器人及存储介质

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