CN114003035A - 一种机器人自主导航的方法、装置、设备及介质 - Google Patents
一种机器人自主导航的方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114003035A CN114003035A CN202111263178.1A CN202111263178A CN114003035A CN 114003035 A CN114003035 A CN 114003035A CN 202111263178 A CN202111263178 A CN 202111263178A CN 114003035 A CN114003035 A CN 114003035A
- Authority
- CN
- China
- Prior art keywords
- robot
- path
- current
- global
- point
- 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 46
- 238000006243 chemical reaction Methods 0.000 claims abstract description 37
- 230000009471 action Effects 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本说明书实施例公开了一种机器人自主导航的方法,方法包括:通过激光雷达构建机器人作业区域的点云地图,将点云地图转换为全局几何拓扑地图;基于机器人的当前导航任务,对全局几何拓扑图进行全局路径规划,获得与当前导航任务对应的符合预设要求的全局路径;若根据机器人的当前局部环境确定对机器人进行路径更改,则在符合要求的全局路径上选取当前的局部目标点;将当前的局部目标点、机器人的当前局部环境以及机器人的当前位置信息输入预设的路径转换模型,以对符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径;根据局部路径控制机器人的行动轨迹,以完成机器人的自主导航。
Description
技术领域
本说明书涉及机器人应用的技术领域,尤其涉及一种机器人自主导航的方法、装置、设备及介质。
背景技术
随着计算机技术、传感器技术和人工智能等技术的快速发展,机器人技术也变得日趋成熟,而其中的移动机器人类型应用最为广泛,在家用服务、航天、工业等众多的行业中扮演着越来越重要的角色,这些各种各样的机器人能够在特定环境下很好地完成工作。而如何保证移动机器人在复杂场景中的自主导航以及自主环境适应能力,则一直是机器人应用领域中需要解决的重要的问题之一。
目前作业机器人大多按固定的路径规划方式进行路径规划,从而导致现有的作业机器人在工作时,只能按固定的路径行进,当环境发生变化时如出现障碍物时,再按照固定的路径进行前进会导致碰撞等安全事故造成经济损失。
因此,现需要一种灵活度高的机器人自主导航的方法。
发明内容
本说明书一个或多个实施例提供了一种机器人自主导航的方法、装置、设备及介质,用于解决如下技术问题:如何提供一种灵活度高的机器人自主导航的方法。
本说明书一个或多个实施例采用下述技术方案:
本说明书一个或多个实施例提供一种机器人自主导航的方法,方法包括:
通过激光雷达构建机器人作业区域的点云地图;
将所述点云地图转换为全局几何拓扑地图;
基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径;
若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点;
将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型,以对所述符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径;
根据所述局部路径控制所述机器人的行动轨迹,以完成所述机器人的自主导航。
可选地,本说明书一个或多个实施例中,所述通过激光雷达构建机器人作业区域的点云地图,具体包括:
通过激光雷达扫描获取机器人作业区域的原始点云数据;
对所述原始云数据进行滤波处理,以去除所述原始点云数据中的离群点,获得处理后的点云数据;
对所述处理后的点云数据进行关键点的提取,并对所述处理后的点云数据进行相邻时间帧的关键点关联,完成所述机器人的运动估计;
基于所述机器人的运动估计对所述处理后的点云数据进行分析获得所述激光雷达相邻时间帧的位姿转换关系;
根据所述激光雷达相邻时间帧的位姿转换关系将所述处理后的点云数据进行拼接,以构建机器人作业区域的点云地图。
可选地,本说明书一个或多个实施例中,所述对所述原始云数据进行滤波处理,以去除所述原始点云数据中的离群点,获得处理后的点云数据,具体包括:
计算原始点云数据中各个点到对应邻域的距离;
基于所述距离获得各个点到对应邻域的平均距离与标准差;
根据所述平均距离与所述标准差获得所述原始点云数据基于高斯分布的最大阈值;
将所述原始点云数据中超过所述最大阈值的点进行过滤,以去除所述原始点云数据中的离群点,获得处理后的点云数据。
可选地,本说明书中一个或多个实施例中,所述将所述点云地图转换为全局几何拓扑地图,具体包括:
根据预先设置的机器人导航任务,获得所述机器人的当前导航任务点;
根据所述当前导航任务点和所述点云地图中的交叉路口,将所述机器人作业区域的点云地图转换为全局几何拓扑地图。
可选地,本说明书中一个或多个实施例中,所述基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径,具体包括:
根据所述机器人的当前导航任务,获得所述机器人的出发点与所述机器人的目标点;
将所述机器人的出发点加入预设列表,并从所述出发点出发探索所述出发点的邻域节点;
将所述邻域节点中待探索的节点加入预设列表,以在预设列表中根据A*算法选取评估代价最小的节点作为下一个探索的点;
若所述下一个探索的点为所述目标点,则回溯所述探索路径获得当前导航任务的符合预设要求的全局路径。
可选地,本说明书一个或多个实施例中,所述若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点,具体包括:
控制所述机器人基于所述符合预设要求的全局路径进行行驶,并收集所述机器人实时拍摄的图像以对所述机器人的局部环境图像进行实时更新;
若根据所述局部环境图像确定当前路径存在障碍物,则获取所述局部环境图像预设时间内的连续图像;
根据所述连续图像获取所述障碍物的相关数据以获得所述机器人的碰撞风险;其中,所述相关数据包括:所述障碍物的体积、所述障碍物的运动方向、所述障碍物的运动速度;
当所述碰撞风险大于预设阈值时,在所述符合预设要求的全局路径中选择代价最小的任务点作为当前的局部目标点。
可选地,本说明书一个或多个实施例中,所述将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型之前,所述方法还包括:
根据所述机器人的导航任务对应的环境特征,在所述机器人的作业区域中设置多个与所述环境特征相符合的障碍物;
控制所述机器人在作业区域中按照预设的符合预设要求的全局路径进行行驶,收集所述机器人的局部环境图片与所述机器人的运动姿态;其中,所述运动姿态包括:所述机器人的运动方向、所述机器人的运动速度、所述机器人的旋转角度;
将所述机器人的局部环境图片与所述机器人当前位置信息作为输入,并将所述机器人的运动姿态作为输出输入神经网络模型中进行学习,以获得符合要求的路径转换模型中。
本说明书一个或多个实施例提供一种机器人自主导航的装置,所述装置包括:
构建模块,用于通过激光雷达构建机器人作业区域的点云地图;
转换模块,用于将所述点云地图转换为全局几何拓扑地图;
全局规划模块,用于基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径;
选取模块,用于若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点;
局部规划模块,用于将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型,以对所述符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径;
控制模块,用于根据所述局部路径控制所述机器人的行动轨迹,以完成所述机器人的自主导航。
本说明书一个或多个实施例提供一种机器人自主导航的设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
通过激光雷达构建机器人作业区域的点云地图;
将所述点云地图转换为全局几何拓扑地图;
基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径;
若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点;
将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型,以对所述符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径;
根据所述局部路径控制所述机器人的行动轨迹,以完成所述机器人的自主导航。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
通过激光雷达构建机器人作业区域的点云地图;
将所述点云地图转换为全局几何拓扑地图;
基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径;
若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点;
将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型,以对所述符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径;
根据所述局部路径控制所述机器人的行动轨迹,以完成所述机器人的自主导航。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:本说明书实施例利用激光雷达构建工作区域的点云地图,并转化为全局几何拓扑地图进行后续的路径规划。将点云地图简化为全局几何拓扑图,在保留了地图精确度的同时,避免了后续的路径规划时的复杂计算过程。通过全局路径规划在工作区域中对机器人进行导向,从而对机器人行驶区域起到了限制作用,同时结合局部路径规划使得机器人的安全得到了保障,使得机器人行驶过程的突发状况是可以自主进行导航,在保证机器人低成本形式的前提下,实现了局部路径灵活调整的自主导航过程。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书实施例提供的一种机器人自主导航的设备流程图;
图2为本说明书实施例提供的一种应用场景下的全局几何拓扑图;
图3为本说明书实施例提供的一种机器人自主导航的装置的内部结构示意图;
图4为本说明书实施例提供的一种机器人自主导航的设备的内部结构示意图;
图5为本说明书实施例提供的一种非易失性存储介质的内部结构示意图。
具体实施方式
本说明书实施例提供一种机器人自主导航的方法、装置、设备及介质。
随着现代化生产的快速发展,机器协助或代替人工完成很多枯燥、繁琐和危险的工作。在机器人工作时,需要机器人按照正确的轨迹运动实现自主导航,从而完成指定的工作。在科学技术快速发展的今天,机器人的自主导航是机器人技术的一个重要组成部分。
目前,机器人的定位导航方式主要分为有轨式和无轨式。有轨式包括磁导轨和悬轨导航,这两种方式定位精度高,但是需要提前铺设轨道,变换导航路线困难,灵活性差。而无轨式的定位导航方式则无需提前铺设导轨,可灵活变换巡检路线。在无轨式定位导航方法中,传统采用的是GPS或者北斗等全球定位卫星来获得机器人的位置,这种方法定位精度较低,并且在一些环境下易受电磁干扰而出现信号丢失无法定位的情况。此外,现有技术中利用全局路径规划控制机器人进行自主导航时,无法应对机器人实际行驶环境中的各类障碍物的阻挡,且容易发生安全事故,造成不可避免的经济损失。而利用局部路径控制机器人进行自主导航时无法基于全局对机器人行驶路径进行控制,使得机器人在导航任务中的消耗过高,容易出现成本的浪费问题。
为了解决上述问题,本说明书实施例提供了一种机器人自主导航的方法,通过激光雷达构建机器人作业区域的点云地图,提高了机器人自主导航的精确度,而将点云地图转换为全局几何拓扑图在保证了高精确度的同时,减少了机器人对数据进行处理的过程。此外通过全局路径规划融合局部路径规划,在保证了机器人在作业区域中完成导航任务的前提下,避免了机器人出现安全故障的问题,提高了机器人自主导航过程的灵活度。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,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例,都应当属于本说明书保护的范围。
如图1所示,本说明书一个或多个实施例中,提供了一种机器人自主导航的方法流程图。
由图1可知,方法包括:
S101:通过激光雷达构建机器人作业区域的点云地图。
本说明书一个或多个实施例中,可以先通过激光雷达扫描获取机器人作业区域的原始点云数据。再对所述原始云数据进行滤波处理,以去除所述原始点云数据中的离群点,获得处理后的点云数据。之后对所述处理后的点云数据进行关键点的提取,并对所述处理后的点云数据进行相邻时间帧的关键点关联,完成所述机器人的运动估计。然后基于所述机器人的运动估计对所述处理后的点云数据进行分析获得所述激光雷达相邻时间帧的位姿转换关系。最后根据所述激光雷达相邻时间帧的位姿转换关系将所述处理后的点云数据进行拼接,以构建机器人作业区域的点云地图。
在本说明书一个或多个实施例中,获得处理后的点云数据时,可以先计算原始点云数据中各个点到对应邻域的距离。再基于所述距离获得各个点到对应邻域的平均距离与标准差。之后根据所述平均距离与所述标准差获得所述原始点云数据基于高斯分布的最大阈值。最后将所述原始点云数据中超过所述最大阈值的点进行过滤,以去除所述原始点云数据中的离群点,获得处理后的点云数据。
本说明书实施例中通过激光雷达对机器人的作业区域进行扫描获得原始的点云数据。由于激光雷达扫描过程中可能会受到不同设备的采集、光线强度的影响以及设备移动,操作不当等因素影响,导致激光雷达所接收的点云数据不可避免的出现误差、非采集点以及噪点等情况,会对点云多种特性计算产生影响进而导致后续处理出现错误。
所以在获得原始点云数据后,只有在滤波过程中将点云中的离群点以及早点进行去除才能对后续点云数据进行更好的处理。其中对原始点云数据进行滤波的过程,具体包括:对原始点数数据中的说有点进行邻域计算,计算每个点与对应的邻域之间的距离集合。在获得距离集合之后,计算所有点到对应的邻域距离的均值与标准差,以获得所述点云数据的距离阈值。将原始点云数据中每个点的平均距离和距离阈值的大小,将超过阈值的点定位离群点即噪声进行去除,以确保后续导航过程的可靠性。
在对原始点云数据进行过滤后,获得处理后的点云数据,在处理后的点云数据中选择道路转折点及任务点作为关键点进行提取,将处理后的点云数据相邻时间帧内的关键点进行关联,根据关键点的关联处理完成对机器人的运动估计,从而根据机器人的运动估计获得激光雷达相邻时间帧之间的位姿转换关系。在根据获得的位姿转换关系将在工作区域中获得的处理后的点云数据进行拼接,获得机器人作业区域的点云地图。
S102:将所述点云地图转换为全局几何拓扑地图。
在本说明书一个或多个实施例中,首先根据预先设置的机器人导航任务,获得机器人的当前导航任务点。再根据当前导航任务点和点云地图中的交叉路口,将所机器人作业区域的点云地图转换为全局几何拓扑地图。
如图2所示为本说明书提供的一种应用场景下的全局几何拓扑图。
为了简化机器人自主导航过程中对点云数据的复杂处理过程,将机器人工作区域的点云数据根据机器人当前导航任务点和交叉路口,将点云地图抽象为如图2所示的包含点和边的全局几何拓扑地图。其中点的多少可以根据导航任务的需求进行适应性的增减,而边则是根据激光雷达扫描结果,将可以通行的两点以便来连接,如图2中A点和B点连接则说明A和B之间是可以通行的。
S103:基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径。
在本说明书一个或多个实施例中,首先根据所述机器人的当前导航任务,获得所述机器人的出发点与所述机器人的目标点。再将机器人的出发点加入到预设列表,并从出发点出发探索出发点的邻域节点。将邻域节点中待探索的节点加入预设列表,以在预设列表中根据A*算法选取评估代价最小的节点作为下一个探索的点。此时,如果下一个探索的点为所述目标点,则回溯探索过的路径获得当前导航任务的符合预设要求的全局路径。
如图2中的全局几何拓扑图假设机器人当前导航任务为从A点到H点,则出发点为A点而目标点为H点。将机器人的出发点加入预设列表并从出发点开始对出发点的邻域节点进行探索,如果该邻域节点已经探索过则加入已探索列表,若未经过探索则加入预设列表中,并在预设列表中序曲评估代价最小的节点作为下一个需要探索的点,直到发现目标点后,从目标点向起始点进行回溯得到符合预设要求的全局路径。
S104:若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点。
在本说明书一个或多个实施例中,需要控制所述机器人基于所述符合预设要求的全局路径进行行驶,并收集所述机器人实时拍摄的图像以对所述机器人的局部环境图像进行实时更新。如果根据局部环境图像确定当前路径存在障碍物,则获取局部环境图像预设时间内的连续图像。再根据连续图像获取障碍物的相关数据以获得机器人的碰撞风险;其中,相关数据包括:障碍物的体积、障碍物的运动方向、障碍物的运动速度。当碰撞风险大于预设阈值时,在符合预设要求的全局路径中选择代价最小的任务点作为当前的局部目标点。
根据上述步骤S103获得符合预设要求的全局路径后,控制机器人根据该全局路径进行行驶。因为机器人不同的工作区域以及不同的工作类型,在按照全局路径进行运动的过程中,可能会遇到不可跨越的障碍物。例如:园区防护机器人或者安防机器人,在根据全局路径进行运动行驶的过程中不可避免的会遇到运动的行人,而工作区域为小区室外环境时,由于部分不规范停车以及公共设施维修时大型机械占路,使得机器人无法通过时,就需要对机器人的运行路径进行局部的规划以使机器人完成导航任务。具体的局部路径规划过程如下:
控制机器人按照步骤S103获得的全局路径进行行驶,并实时获取机器人拍摄的图像作为当前局部环境图像进行分析,如果当前局部环境图像中存在障碍物则需要获取连续时间内获得的连续图像,根据连续图像中障碍物的位置变化,确定该障碍物为静态障碍物或动态障碍物。如果确定为静态障碍物,则获取该障碍物的体积信息,通过对比该障碍物的体积信息与机器人的体积信息确定出机器人的碰撞风险,若存在碰撞风险且大于预设阈值,那么就需要从符合要求的全局路径中选择出一个代价最小的任务点作为当前的局部目标点,使得机器人先以当前的局部目标点作为任务点进行路径规划。若碰撞风险小于预设阈值例如:在当前路径存在一个体积为机器人1%的纸盒,则此时该机器人可以按照全局路径继续行驶。
如果经过对连续图像的分析后确定该障碍物为运动物体,则根据机器人的运动方向、运动速度以及障碍物的运动方向运动时间,确定出机器人的碰撞风险。例如:在当前全局路径下存在运动的行人,且该行人与机器人的运动方向相反,即机器人继续行驶时会碰撞到行人,则此时需要从符合要求的全局路径中选择出一个代价最小的任务点作为当前的局部目标点,使得机器人先以当前的局部目标点作为任务点进行路径规划。如果该行人与机器人的运动方向同向且运动速度远大于机器人,则此时不需要更改路径。
通过对机器人当前局部环境图像的实时分析,可以避免机器人在行驶过程中发生碰撞事件,使得机器人的自助导航过程具有灵活性。
S105:将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型,以对所述符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径。
在本说明书一个或多个实施例中,所述将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型之前,所述方法还包括:
根据所述机器人的导航任务对应的环境特征,在所述机器人的作业区域中设置多个与所述环境特征相符合的障碍物;
控制所述机器人在作业区域中按照预设的符合预设要求的全局路径进行行驶,收集所述机器人的局部环境图片与所述机器人的运动姿态;其中,所述运动姿态包括:所述机器人的运动方向、所述机器人的运动速度、所述机器人的旋转角度;
将所述机器人的局部环境图片与所述机器人当前位置信息作为输入,并将所述机器人的运动姿态作为输出输入神经网络模型中进行学习,以获得符合要求的路径转换模型中。
在机器人进行自主导航之前,对机器人的工作区域进行环境部署,以还原工作区域中可能存在的障碍物以及障碍物的运动状态。控制机器人在该工作区域中按照符合预设要求的全局路径进行行驶,收集机器人行驶过程中的局部环境图像以及机器人在遇到障碍物之后的运动姿态。例如:机器人在遇到障碍物之前以2m/s的速度按北偏东10度的方向进行行驶,而遇到障碍物后以速度为1m/s的速度按北偏东60度的方向进行行驶,则需要记录遇到障碍物后机器人的运动速度、机器人的旋转角度和机器人的运动方向作为训练样本。
将收集到的机器人的局部环境图片与所述机器人当前位置信息作为输入样本,将机器人的运动姿态作为输出样本输入到神经网络模型中进行学习训练,从而获得符合要求的路径转换模型。使得机器人在输入当前的局部环境图片与当前的位置信息后,可以基于路径转换模型获得机器人下一时刻的局部路径,从而有效避免可能出现的碰撞问题以及安全隐患问题。
S106:根据所述局部路径控制所述机器人的行动轨迹,以完成所述机器人的自主导航。
根据上述步骤S105获得的局部路径控制机器人的行动轨迹,完成机器人在工作区域内从出发点到目标点的自主导航。通过全局路径与局部路径的融合使得机器人在行驶路线的限制范围内,灵活调整局部路径,保证了机器人的行驶安全。
如图3所示,本说明书实施例提供了一种机器人自主导航的装置的内部结构示意图。
由图3可知,装置包括:
构建模块301,用于通过激光雷达构建机器人作业区域的点云地图;
转换模块302,用于将所述点云地图转换为全局几何拓扑地图;
全局规划模块303,用于基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径;
选取模块304,用于若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点;
局部规划模块305,用于将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型,以对所述符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径;
控制模块306,用于根据所述局部路径控制所述机器人的行动轨迹,以完成所述机器人的自主导航。
在本说明书一个或多个实施例中,所述构建模块具体包括:扫描模块、过滤模块、提取模块、分析模块、拼接模块;
所述扫描模块用于通过激光雷达扫描获取机器人作业区域的原始点云数据;
所述过滤模块用于对所述原始云数据进行滤波处理,以去除所述原始点云数据中的离群点,获得处理后的点云数据;
所述提取模块用于对所述处理后的点云数据进行关键点的提取,并对所述处理后的点云数据进行相邻时间帧的关键点关联,完成所述机器人的运动估计;
所述分析模块用于基于所述机器人的运动估计对所述处理后的点云数据进行分析获得所述激光雷达相邻时间帧的位姿转换关系;
所述拼接模块用于根据所述激光雷达相邻时间帧的位姿转换关系将所述处理后的点云数据进行拼接,以构建机器人作业区域的点云地图。
在本说明书一个或多个实施例中,所述过滤模块具体包括:计算模块、平均模块、阈值获取模块、对比模块;
所述计算模块用于计算原始点云数据中各个点到对应邻域的距离;
所述平均模块用于基于所述距离获得各个点到对应邻域的平均距离与标准差;
所述阈值获取模块用于根据所述平均距离与所述标准差获得所述原始点云数据基于高斯分布的最大阈值;
所述对比模块用于将所述原始点云数据中超过所述最大阈值的点进行过滤,以去除所述原始点云数据中的离群点,获得处理后的点云数据。
在本说明书一个或多个实施例中,所述转换模块具体包括:获取模块、地图转换模块;
所述获取模块用于根据预先设置的机器人导航任务,获得所述机器人的当前导航任务点;
所述地图转换模块用于根据所述当前导航任务点和所述点云地图中的交叉路口,将所述机器人作业区域的点云地图转换为全局几何拓扑地图。
在本说明书一个或多个实施例中,所述全局规划模块具体包括:起始点获取模块、列表设置模块、探索模块、回溯模块;
所述起始点获取模块用于根据所述机器人的当前导航任务,获得所述机器人的出发点与所述机器人的目标点;
所述列表设置模块用于将所述机器人的出发点加入预设列表,并从所述出发点出发探索所述出发点的邻域节点;
所述探索模块用于将所述邻域节点中待探索的节点加入预设列表,以在预设列表中根据A*算法选取评估代价最小的节点作为下一个探索的点;
所述回溯模块用于若所述下一个探索的点为所述目标点,则回溯所述探索路径获得当前导航任务的符合预设要求的全局路径。
在本说明书一个或多个实施例中,所述选取模块具体包括:收集模块、图像获取模块、风险分析模块、选择模块;
所述收集模块用于控制所述机器人基于所述符合预设要求的全局路径进行行驶,并收集所述机器人实时拍摄的图像以对所述机器人的局部环境图像进行实时更新;
所述图像获取模块用于若根据所述局部环境图像确定当前路径存在障碍物,则获取所述局部环境图像预设时间内的连续图像;
所述风险分析模块用于根据所述连续图像获取所述障碍物的相关数据以获得所述机器人的碰撞风险;其中,所述相关数据包括:所述障碍物的体积、所述障碍物的运动方向、所述障碍物的运动速度;
所述选择模块用于当所述碰撞风险大于预设阈值时,在所述符合预设要求的全局路径中选择代价最小的任务点作为当前的局部目标点。
在本说明书一个或多个实施例中,所述装置还包括:
训练模块,用于根据所述机器人的导航任务对应的环境特征,在所述机器人的作业区域中设置多个与所述环境特征相符合的障碍物;控制所述机器人在作业区域中按照预设的符合预设要求的全局路径进行行驶,收集所述机器人的局部环境图像与所述机器人的运动姿态;其中,所述运动姿态包括:所述机器人的运动方向、所述机器人的运动速度、所述机器人的旋转角度;将所述机器人的局部环境图片与所述机器人当前位置信息作为输入,并将所述机器人的运动姿态作为输出输入神经网络模型中进行学习,以获得符合要求的路径转换模型中。
如图4所示,本说明书实施例提供了一种机器人自主导航的设备的内部结构示意图。
由图4可知,所述设备包括:
至少一个处理器401;以及,
与所述至少一个处理器401通信连接的存储器402;其中,
所述存储器402存储有可被所述至少一个处理器401执行的指令,所述指令被所述至少一个处理器401执行,以使所述至少一个处理器401能够:
通过激光雷达构建机器人作业区域的点云地图;
将所述点云地图转换为全局几何拓扑地图;
基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径;
若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点;
将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型,以对所述符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径;
根据所述局部路径控制所述机器人的行动轨迹,以完成所述机器人的自主导航。
如图5所示,本说明书实施例提供了一种非易失性存储介质的内部结构示意图。
由图5可知,本说明书一个或多个实施例中提供了一种非易失性存储介质,存储有计算机的可执行指令501,所述可执行指令501包括:
通过激光雷达构建机器人作业区域的点云地图;
将所述点云地图转换为全局几何拓扑地图;
基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径;
若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点;
将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型,以对所述符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径;
根据所述局部路径控制所述机器人的行动轨迹,以完成所述机器人的自主导航。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种机器人自主导航的方法,其特征在于,所述方法包括:
通过激光雷达构建机器人作业区域的点云地图;
将所述点云地图转换为全局几何拓扑地图;
基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径;
若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点;
将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型,以对所述符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径;
根据所述局部路径控制所述机器人的行动轨迹,以完成所述机器人的自主导航。
2.根据权利要求1所述的一种机器人自主导航的方法,其特征在于,所述通过激光雷达构建机器人作业区域的点云地图,具体包括:
通过激光雷达扫描获取机器人作业区域的原始点云数据;
对所述原始云数据进行滤波处理,以去除所述原始点云数据中的离群点,获得处理后的点云数据;
对所述处理后的点云数据进行关键点的提取,并对所述处理后的点云数据进行相邻时间帧的关键点关联,完成所述机器人的运动估计;
基于所述机器人的运动估计对所述处理后的点云数据进行分析获得所述激光雷达相邻时间帧的位姿转换关系;
根据所述激光雷达相邻时间帧的位姿转换关系将所述处理后的点云数据进行拼接,以构建机器人作业区域的点云地图。
3.根据权利要求2所述的一种机器人自主导航的方法,其特征在于,所述对所述原始云数据进行滤波处理,以去除所述原始点云数据中的离群点,获得处理后的点云数据,具体包括:
计算原始点云数据中各个点到对应邻域的距离;
基于所述距离获得各个点到对应邻域的平均距离与标准差;
根据所述平均距离与所述标准差获得所述原始点云数据基于高斯分布的最大阈值;
将所述原始点云数据中超过所述最大阈值的点进行过滤,以去除所述原始点云数据中的离群点,获得处理后的点云数据。
4.根据权利要求1所述的一种机器人自主导航的方法,其特征在于,所述将所述点云地图转换为全局几何拓扑地图,具体包括:
根据预先设置的机器人导航任务,获得所述机器人的当前导航任务点;
根据所述当前导航任务点和所述点云地图中的交叉路口,将所述机器人作业区域的点云地图转换为全局几何拓扑地图。
5.根据权利要求1所述的一种机器人自主导航的方法,其特征在于,所述基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径,具体包括:
根据所述机器人的当前导航任务,获得所述机器人的出发点与所述机器人的目标点;
将所述机器人的出发点加入预设列表,并从所述出发点出发探索所述出发点的邻域节点;
将所述邻域节点中待探索的节点加入预设列表,以在预设列表中根据A*算法选取评估代价最小的节点作为下一个探索的点;
若所述下一个探索的点为所述目标点,则回溯所述探索路径获得当前导航任务的符合预设要求的全局路径。
6.根据权利要求1所述的一种机器人自主导航的方法,其特征在于,所述若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点,具体包括:
控制所述机器人基于所述符合预设要求的全局路径进行行驶,并收集所述机器人实时拍摄的图像以对所述机器人的局部环境图像进行实时更新;
若根据所述局部环境图像确定当前路径存在障碍物,则获取所述局部环境图像预设时间内的连续图像;
根据所述连续图像获取所述障碍物的相关数据以获得所述机器人的碰撞风险;其中,所述相关数据包括:所述障碍物的体积、所述障碍物的运动方向、所述障碍物的运动速度;
当所述碰撞风险大于预设阈值时,在所述符合预设要求的全局路径中选择代价最小的任务点作为当前的局部目标点。
7.根据权利要求6所述的一种机器人自主导航的方法,其特征在于,所述将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型之前,所述方法还包括:
根据所述机器人的导航任务对应的环境特征,在所述机器人的作业区域中设置多个与所述环境特征相符合的障碍物;
控制所述机器人在作业区域中按照预设的符合预设要求的全局路径进行行驶,收集所述机器人的局部环境图像与所述机器人的运动姿态;其中,所述运动姿态包括:所述机器人的运动方向、所述机器人的运动速度、所述机器人的旋转角度;
将所述机器人的局部环境图片与所述机器人当前位置信息作为输入,并将所述机器人的运动姿态作为输出输入神经网络模型中进行学习,以获得符合要求的路径转换模型中。
8.根据权利要求1所述的一种机器人自主导航的装置,其特征在于,所述装置包括:
构建模块,用于通过激光雷达构建机器人作业区域的点云地图;
转换模块,用于将所述点云地图转换为全局几何拓扑地图;
全局规划模块,用于基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径;
选取模块,用于若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点;
局部规划模块,用于将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型,以对所述符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径;
控制模块,用于根据所述局部路径控制所述机器人的行动轨迹,以完成所述机器人的自主导航。
9.一种机器人自主导航的设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
通过激光雷达构建机器人作业区域的点云地图;
将所述点云地图转换为全局几何拓扑地图;
基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径;
若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点;
将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型,以对所述符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径;
根据所述局部路径控制所述机器人的行动轨迹,以完成所述机器人的自主导航。
10.一种非易失性存储介质,存储有计算机的可执行指令,所述可执行指令包括:
通过激光雷达构建机器人作业区域的点云地图;
将所述点云地图转换为全局几何拓扑地图;
基于所述机器人的当前导航任务,对所述全局几何拓扑图进行全局路径规划,获得与所述当前导航任务对应的符合预设要求的全局路径;
若根据所述机器人的当前局部环境确定对所述机器人进行路径更改,则在所述符合预设要求的全局路径上选取当前的局部目标点;
将所述当前的局部目标点、所述机器人的当前局部环境及所述机器人的当前位置信息输入预设的路径转换模型,以对所述符合预设要求的全局路径进行局部路径规划,获得符合预设要求的局部路径;
根据所述局部路径控制所述机器人的行动轨迹,以完成所述机器人的自主导航。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111263178.1A CN114003035A (zh) | 2021-10-28 | 2021-10-28 | 一种机器人自主导航的方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111263178.1A CN114003035A (zh) | 2021-10-28 | 2021-10-28 | 一种机器人自主导航的方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114003035A true CN114003035A (zh) | 2022-02-01 |
Family
ID=79924561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111263178.1A Pending CN114003035A (zh) | 2021-10-28 | 2021-10-28 | 一种机器人自主导航的方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114003035A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114571460A (zh) * | 2022-03-22 | 2022-06-03 | 达闼机器人股份有限公司 | 机器人控制方法、装置及存储介质 |
CN116448118A (zh) * | 2023-04-17 | 2023-07-18 | 深圳市华辰信科电子有限公司 | 一种扫地机器人的工作路径优化方法和装置 |
CN117091608A (zh) * | 2023-10-17 | 2023-11-21 | 山东怀思人工智能科技有限公司 | 一种教育机器人的路径规划方法、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549378A (zh) * | 2018-05-02 | 2018-09-18 | 长沙学院 | 一种基于栅格地图的混合路径规划方法和系统 |
CN110262518A (zh) * | 2019-07-22 | 2019-09-20 | 上海交通大学 | 基于轨迹拓扑地图和避障的车辆导航方法、系统及介质 |
WO2019190395A1 (en) * | 2018-03-28 | 2019-10-03 | Agency For Science, Technology And Research | Method and system for returning a displaced autonomous mobile robot to its navigational path |
CN111650934A (zh) * | 2020-05-26 | 2020-09-11 | 坤泰车辆系统(常州)有限公司 | 自动驾驶系统局部路径规划的方法 |
CN111949032A (zh) * | 2020-08-18 | 2020-11-17 | 中国科学技术大学 | 一种基于强化学习的3d避障导航系统及方法 |
CN112014857A (zh) * | 2020-08-31 | 2020-12-01 | 上海宇航系统工程研究所 | 用于智能巡检的三维激光雷达定位导航方法及巡检机器人 |
CN113160405A (zh) * | 2021-04-26 | 2021-07-23 | 深圳市慧鲤科技有限公司 | 点云地图的生成方法、装置、计算机设备及存储介质 |
-
2021
- 2021-10-28 CN CN202111263178.1A patent/CN114003035A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019190395A1 (en) * | 2018-03-28 | 2019-10-03 | Agency For Science, Technology And Research | Method and system for returning a displaced autonomous mobile robot to its navigational path |
CN108549378A (zh) * | 2018-05-02 | 2018-09-18 | 长沙学院 | 一种基于栅格地图的混合路径规划方法和系统 |
CN110262518A (zh) * | 2019-07-22 | 2019-09-20 | 上海交通大学 | 基于轨迹拓扑地图和避障的车辆导航方法、系统及介质 |
CN111650934A (zh) * | 2020-05-26 | 2020-09-11 | 坤泰车辆系统(常州)有限公司 | 自动驾驶系统局部路径规划的方法 |
CN111949032A (zh) * | 2020-08-18 | 2020-11-17 | 中国科学技术大学 | 一种基于强化学习的3d避障导航系统及方法 |
CN112014857A (zh) * | 2020-08-31 | 2020-12-01 | 上海宇航系统工程研究所 | 用于智能巡检的三维激光雷达定位导航方法及巡检机器人 |
CN113160405A (zh) * | 2021-04-26 | 2021-07-23 | 深圳市慧鲤科技有限公司 | 点云地图的生成方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
席庆彪;苏鹏;刘慧霞;: "基于A~*算法的无人机航路规划算法", 火力与指挥控制, no. 11 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114571460A (zh) * | 2022-03-22 | 2022-06-03 | 达闼机器人股份有限公司 | 机器人控制方法、装置及存储介质 |
CN116448118A (zh) * | 2023-04-17 | 2023-07-18 | 深圳市华辰信科电子有限公司 | 一种扫地机器人的工作路径优化方法和装置 |
CN116448118B (zh) * | 2023-04-17 | 2023-10-31 | 深圳市华辰信科电子有限公司 | 一种扫地机器人的工作路径优化方法和装置 |
CN117091608A (zh) * | 2023-10-17 | 2023-11-21 | 山东怀思人工智能科技有限公司 | 一种教育机器人的路径规划方法、设备及介质 |
CN117091608B (zh) * | 2023-10-17 | 2023-12-29 | 山东怀思人工智能科技有限公司 | 一种教育机器人的路径规划方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108983781B (zh) | 一种无人车目标搜索系统中的环境探测方法 | |
Stahl et al. | Multilayer graph-based trajectory planning for race vehicles in dynamic scenarios | |
CN114003035A (zh) | 一种机器人自主导航的方法、装置、设备及介质 | |
CN110009718B (zh) | 一种三维高精度地图生成方法及装置 | |
CN113110457B (zh) | 在室内复杂动态环境中智能机器人的自主覆盖巡检方法 | |
Sales et al. | Adaptive finite state machine based visual autonomous navigation system | |
Artuñedo et al. | A decision-making architecture for automated driving without detailed prior maps | |
CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
CN112171675B (zh) | 一种移动机器人的避障方法、装置、机器人及存储介质 | |
EP4046058A1 (en) | Prediction and planning for mobile robots | |
CN109508003A (zh) | 一种无人驾驶道路机械机群动态避让方法 | |
CN116576857A (zh) | 一种基于单线激光雷达的多障碍物预测导航避障方法 | |
CN115609594B (zh) | 机械臂路径的规划方法、装置、上位控制端及存储介质 | |
Beinschob et al. | Advances in 3d data acquisition, mapping and localization in modern large-scale warehouses | |
Kak et al. | Experiments in the integration of world knowledge with sensory information for mobile robots | |
CN115909815A (zh) | 基于多元数据的融合检测方法、装置、设备及存储介质 | |
CN114511590A (zh) | 基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法 | |
CN115755888A (zh) | 多传感器数据融合的agv障碍物检测系统及避障方法 | |
JP3200062B2 (ja) | 移動路データに対する評価方法 | |
CN113741550B (zh) | 移动机器人跟随方法和系统 | |
Ekinci et al. | Knowledge-based navigation for autonomous road vehicles | |
Yang et al. | Improved Cartographer Algorithm Based on Map-to-Map Loopback Detection | |
Xu et al. | End-to-end autonomous driving based on image plane waypoint prediction | |
CN109901589A (zh) | 移动机器人控制方法和装置 | |
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 |