CN114035584A - 机器人检测障碍物的方法、机器人以及机器人系统 - Google Patents
机器人检测障碍物的方法、机器人以及机器人系统 Download PDFInfo
- Publication number
- CN114035584A CN114035584A CN202111366542.7A CN202111366542A CN114035584A CN 114035584 A CN114035584 A CN 114035584A CN 202111366542 A CN202111366542 A CN 202111366542A CN 114035584 A CN114035584 A CN 114035584A
- Authority
- CN
- China
- Prior art keywords
- robot
- grid
- point cloud
- obstacle
- height
- 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 44
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 description 10
- 238000009434 installation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003592 biomimetic effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- 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)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Multimedia (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种机器人检测障碍物的方法,包括:获取所述机器人周围环境的点云信息;将所述点云信息与栅格地图对应;获取所述栅格地图中各栅格的占用高度;比较相邻栅格的占用高度,将高度差大于第一阈值的相邻栅格或相邻栅格中的点作为障碍物进行标记。本发明通过获取并分析机器人周围环境的点云信息,基于相对差值检测标记并存储障碍物区域,避免绝对差值检测带来的累积误差,提高识别障碍物的效率,并且保证了多次测量同一目标时的障碍物边界的稳定性,有助于路径规划和躲避障碍物等后续处理。
Description
技术领域
本公开涉及机器人技术领域,尤其涉及一种机器人检测障碍物的方法、一种机器人以及一种机器人系统。
背景技术
随着机器人技术的迅速发展,机器人应用越来越广泛,例如,迎宾机器人、送餐机器人以及教育机器人、仿生机器人等等。但是在实际应用中发现,机器人在运动的过程中不可避免的遇到高低错落的情况,常遇到的一种情形是机器人走到楼梯附近,可能会跌落楼梯,或者压到人脚。现有的方案常用的是用悬崖传感器测出地面的坡度,判断是否有地面不平整的情况,从而采取避障策略,但是误差极大,效果并不是很好,
图1示出了包括两级台面的运行场景示意图。例如机器人在平地上,测得第一台面A的高度为5cm,假设第一台面A的实际高度为6cm。由于误差累积,在测量实际高度为10cm的第二台面B时,测得第二台面B的高度为11cm,则机器人运行至第二台面B上后得到的测量高度都会因为累积了高度测量误差而至少增加了1cm,此时再计算当前测量的结果与高度绝对值比较就会产生很大误差。同时,在面对坡道、楼梯、台面或者复杂运行环境时,会多次引入复杂的相互连接关系和不同测量位置带来的累计误差,不能保证多次测量同一目标时带来的障碍物边界的稳定性。
背景技术部分的内容仅仅是公开发明人所知晓的技术,并不当然代表本领域的现有技术。
发明内容
有鉴于现有的一个或多个缺陷,本发明涉及一种机器人检测障碍物的方法,包括:
获取所述机器人周围环境的点云信息;
将所述点云信息与栅格地图对应;
获取所述栅格地图中各栅格的占用高度;
比较相邻栅格的占用高度,将高度差大于第一阈值的相邻栅格或相邻栅格中的点作为障碍物进行标记。
根据本发明的一个方面,所述机器人包括深度传感器,其中所述获取机器人周围环境的点云信息的步骤包括:基于所述深度传感器获取所述机器人周围环境的点云信息。
根据本发明的一个方面,所述机器人包括多个深度传感器,其中所述获取机器人周围环境的点云信息的步骤包括:基于所述多个深度传感器获取不同探测范围的点云,并融合为一帧点云。
根据本发明的一个方面,其中所述获取机器人周围环境的点云信息的步骤包括:滤除所述点云中的噪点。
根据本发明的一个方面,其中所述将三维点云与栅格地图对应的步骤包括:基于上一时刻的地平面,构建所述栅格地图,并将所述点云信息与所述栅格地图对应。
根据本发明的一个方面,其中所述获取栅格地图中各栅格的占用高度的步骤包括:将所述点云中的点与所述栅格地图中的栅格对应,以所述上一时刻的地平面为基准,将每个栅格中的点的最大高度值或最小高度值作为该栅格的占用高度。
根据本发明的一个方面,其中所述比较相邻栅格的占用高度并将高度差大于第一阈值的相邻栅格或相邻栅格中的点作为障碍物进行标记的步骤还包括:将处于所述机器人视场范围边缘位置的栅格的占用高度与所述上一时刻的地平面的高度做比较,将高度差大于第二阈值的栅格或栅格中的点作为障碍物进行标记。
根据本发明的一个方面,所述方法还包括:将第一距离范围内的作为障碍物标记的栅格或栅格中的点进行存储,并基于多个时刻的存储数据进行避障处理。
根据本发明的一个方面,所述方法还包括:基于所述三维点云提取地平面信息,拟合成当前时刻的测量平面。
根据本发明的一个方面,所述方法还包括:基于所述测量平面与所述上一时刻的地平面的偏差,确定当前时刻的地平面。
本发明还涉及一种机器人,包括:
至少一个深度传感器,配置为获取所述机器人周围环境的点云信息;存储器,配置为存储第一视野范围内的作为障碍物标记的栅格或栅格中的点;和
处理器,与所述至少一个深度传感器和所述存储器耦接,配置为实施如上所述的方法,以检测障碍物并进行避障处理。
本发明还涉及一种机器人系统,包括:
至少一个机器人,所述机器人包括至少一个深度传感器,所述至少一个深度传感器配置为获取所述机器人周围环境的点云信息;和
调度服务器,与所述至少一个机器人通信,并配置成实施如上所述的方法,以检测障碍物并进行避障处理。
本发明通过获取并分析机器人周围环境的点云信息,基于差值检测标记并存储障碍物区域,提高障碍物识别的准确度,有助于路径规划和躲避障碍物等后续处理。并且,现有技术中用绝对高度差来计算两点之间的坡度,会累积两点的绝对高度的误差,从而带来对障碍物的误判,而本发明的技术方案可以避免绝对差值检测带来的累积误差,准确度更高,并且保证了多次测量同一目标时的障碍物边界的稳定性。
附图说明
构成本公开的一部分的附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。在附图中:
图1示出了包括两级台面的运行场景示意图;
图2示出了本发明一个实施例的机器人检测障碍物的方法流程图;
图3示出了本发明一个实施例的栅格地图和机器人的俯视图;
图4A示出了本发明一个实施例的传感器坐标系和机器人坐标系的侧视图;
图4B示出了图4A的俯视图;
图5示出了本发明一个实施例的机器人系统的示意图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
在本发明的描述中,需要理解的是,术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语"第一"、"第二"仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,"多个"的含义是两个或两个以上,除非另有明确具体的限定。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语"安装"、"相连"、"连接"应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接:可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之"上"或之"下"可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征"之上"、"上方"和"上面"包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征"之下"、"下方"和"下面"包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本发明提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图2示出了本发明一个实施例的机器人检测障碍物的方法流程图,方法10包括步骤S11-S14,在对各步骤进行介绍前,首先对上下文出现的各平面进行说明:测量平面——为确定当前时刻的地平面而基于三维点云拟合出的平面,该平面可能为正确的地平面,也可能为错误的地平面,需要进一步判断;上一时刻的地平面——初始时刻机器人站立的地面或者在上一时刻基于测量平面确定的地平面,作为当前时刻的参考平面以判断当前时刻的测量平面是否正确;当前时刻的地平面——基于当前时刻的测量平面确定的当前时刻的地平面,可作为下一时刻的参考平面。继续参考图2,方法10包括以下步骤:
在步骤S11获取机器人周围环境的点云信息。所述点云信息对应于周围环境中的采样点的三维坐标集合。
根据本发明的一个优选实施例,机器人包括深度传感器,其中获取机器人周围环境的点云信息的步骤包括:基于深度传感器获取机器人周围环境的三维点云。其中,深度传感器可以采集机器人周围环境的三维点云数据。所述深度传感器例如为RGB-D相机,用于拍摄彩色图像(RGB图像)和红外测距得到深度图像(D图像),或者为TOF相机、结构光深度相机、双目相机或者激光雷达等,本发明不对深度传感器的类型做限定。以安装有激光雷达的机器人为例,在采集周围环境的点云数据时,以激光雷达为中心进行扫描,获取视场范围内的一帧点云。
根据本发明的一个优选实施例,机器人包括多个深度传感器,其中获取机器人周围环境的点云信息的步骤包括:基于多个深度传感器获取不同探测范围的点云,并融合为一帧点云。以安装有两个激光雷达的机器人为例,两个激光雷达分别用于探测较近的距离范围和较远的距离范围,或者一个用于探测机器人左侧的视野范围,另一个用于探测机器人右侧的视野范围,将分别获取的不同探测范围的点云进行融合,形成一帧点云。本发明不对融合方法进行限定。
根据本发明的一个优选实施例,方法10中获取机器人周围环境的点云信息的步骤包括:滤除所述点云中的噪点。对采集的点云数据进行滤波处理,滤除噪点,以减少运算量。优选地,记录深度传感器可能有误差的像素点,在后续计算中标记或移除误差像素点。
在步骤S12将点云信息与栅格地图对应。
根据本发明的一个优选实施例,方法10中将点云信息与栅格地图对应的步骤包括:基于上一时刻的地平面,构建栅格地图,并将点云信息与栅格地图对应。其中,上一时刻的地平面为人工指定的初始地平面,或者基于测量确定的地平面。图3示出了本发明一个实施例的栅格地图和机器人的俯视图,将机器人站立的地平面划分为相互关联的栅格,栅格的大小即栅格地图的精确度,可以根据运行环境、机器人或调度服务器的运算能力等进行设定。例如,地图分辨率为0.05,则1米的深度被划分为20个栅格。其中,两条虚线所框出的范围为机器人的视场范围。虚线穿过的栅格为处于视场范围边缘的栅格。
根据本发明的一个优选实施例,方法10中将点云信息与栅格地图对应的步骤还包括:基于传感器的安装高度和安装角度,构建传感器坐标系;基于上一时刻的地平面构建机器人坐标系,然后将点云从传感器坐标系转换至机器人坐标系。
图4A示出了本发明一个实施例的传感器坐标系和机器人坐标系的侧视图。在机器人的正面安装一个深度传感器,基于传感器的安装位置和安装角度构建传感器坐标系。其中,深度传感器的安装角度包括俯仰角、偏航角以及横滚角。具体地,以深度传感器的中心为传感器坐标系的原点O’,以深度传感器的朝向机器人前方的中心轴作为Y’轴,在俯仰方向上与Y’轴垂直的方向作为Z’轴,在横滚方向上与Y’轴垂直的方向作为X’轴(垂直纸面向外的方向),则传感器坐标系的X’轴、Y’轴和Z’轴形成左手坐标系。机器人通过深度传感器对视场范围进行扫描,获取点云信息。其中,点云信息包括若干扫描点的信息(例如高度和方位)。
图4B示出了图4A的俯视图,根据上一时刻的地平面和机器人的站立方向,构建机器人坐标系。具体地,参考图4A,以机器人底部与地面接触的中心点作为机器人坐标系的原点O,以机器人的站立方向作为Z轴,以机器人正前方为Y轴,建立左手坐标系,则X轴为垂直纸面向外的方向。其中,XOY平面对应地平面,XOY平面上的栅格划分即为栅格地图。计算深度传感器当前位置的栅格坐标,基于深度传感器的当前位置和位姿(例如航向角),将点云从传感器坐标系映射至机器人坐标系,从而将当前时刻的点云与栅格地图对应。
根据本发明的一个优选实施例,根据机器人的当前速度,将点云与栅格地图对应。因为机器人行进时,不同时刻的位置一直在变化,将传感器坐标系转化为机器人坐标系时,还需要考虑机器人的行进速度。因此,根据机器人的当前速度,将不同时刻的点云与栅格地图对应,以保证后续步骤的准确性。
在步骤S13获取栅格地图中各栅格的占用高度。
根据本发明的一个优选实施例,方法10中获取栅格地图中各栅格的占用高度的步骤包括:将点云中的点与栅格地图中的栅格对应,以所述上一时刻的地平面为基准,将每个栅格中的点的最大高度值或最小高度值作为该栅格的占用高度。其中,所述高度值和占用高度对应点云中点的高度信息。如果对应到坐标系中,可以对应机器人坐标系中Z轴的坐标值,也可以对应传感器坐标系中Z轴的坐标值。只要具有相同的参考基准,就都在本发明的保护范围内。以其对应机器人坐标系中Z轴的坐标值为例,点云中点的密度跟分布与深度传感器的性能参数和障碍物的方位信息相关,将点云中的点与栅格地图中的栅格对应,可能存在以下三种对应关系:(1)对应一个点的栅格,则该栅格的占用高度为该点的高度值;(2)对应多个点的栅格,如果多个点均位于地平面的上方,即Z轴坐标均为正值,则将多个点的高度值中的最大高度值作为该栅格的占用高度;如果多个点均位于地平面的下方,即Z轴坐标均为负值,则将多个点的高度值中的最小高度值作为该栅格的占用高度;如果多个点分布在地平面的上下两侧,则将多个点的高度值的绝对值的最大值作为该栅格的占用高度。(3)没有对应点的栅格,则该栅格的占用高度为0。此外,栅格的状态可以分为被占用、未被占用以及未测量三种。如果栅格中有对应点云的点,则该栅格的状态为被占用;如果没有对应点云中的点,则该栅格的状态为未被占用,如果超出视野范围而未探测,则该栅格的状态为未测量。忽略状态为未测量的栅格,或者将其占用高度设为0。
在步骤S14比较相邻栅格的占用高度,将高度差大于第一阈值的相邻栅格或相邻栅格中的点作为障碍物进行标记。例如,将点云与栅格地图对应并确定每个栅格的占用高度后,将相邻栅格的占用高度作比较,如果高度差大于第一阈值,则将两个栅格都作为障碍物进行标记;如果高度差小于等于第一阈值,则忽略。遍历机器人视野范围内的栅格或者全部栅格,直至满足条件的栅格均作为障碍物进行了标记。为了提高检测障碍物的效率,在该步骤仅标记出障碍物的边缘或轮廓所占用的栅格,机器人即可做相应的避障操作。又例如,可以将满足条件的栅格中的点全部作为障碍物标记,即可更细致的标记出障碍物的轮廓,提高检测障碍物的精度。其中,第一阈值与与机器人的越障能力相关。机器人的越障能力越强,可越过的障碍物尺寸越高,第一距离阈值即可设置越大的数值。所述越障能力为机器人越过障碍的能力。以室内机器人为例,常见障碍物例如为深沟(电梯缝隙)、门槛(移动门轨道)、杂物(小石子)、台阶、斜坡、积水等,当机器人遇到上述障碍时,是直接越过障碍物行进还是进行避障操作,取决于障碍物的尺寸和机器人的越障能力。
根据本发明的一个优选实施例,方法10中比较相邻栅格的占用高度并将高度差大于第一阈值的相邻栅格或相邻栅格中的点作为障碍物进行标记的步骤还包括:将处于机器人视场范围边缘位置的栅格的占用高度与上一时刻的地平面的高度做比较,将高度差大于第二阈值的栅格或栅格中的点作为障碍物进行标记。参考图3,例如将虚线框穿过的栅格作为边缘栅格,将边缘栅格的占用高度与上一时刻的地平面的高度做比较。如果高度差大于第二阈值,则将该栅格作为障碍物进行标记;如果高度差小于等于第二阈值,则忽略。遍历视野范围内的边缘栅格,直至满足条件的栅格均作为障碍物进行了标记。该步骤是为了识别可通行区域的边缘,例如墙壁,以便于后续避障处理。又例如,可以将满足条件的栅格中的点全部作为障碍标记,即可更细致的标记出障碍物的轮廓,提高检测障碍物的精度。其中,在机器人坐标系中,地平面的高度为0。此外,可以基于深度传感器的有效探测距离确定处于机器人视场范围边缘位置的栅格。
根据本发明的一个优选实施例,方法10还包括:将第一距离范围内的作为障碍物标记的栅格或栅格中的点进行存储,并基于多个时刻的存储数据进行避障处理。其中,第一距离范围小于机器人的视野范围,可根据机器人的运行速度、数据处理速度或者实际需要进行设置。例如,机器人的视野范围为5米,当机器人以较慢速度运行时,可以将第一距离范围设定为4米,仅将该范围的标记为障碍物的栅格或栅格中的点作为避障策略的依据,可提高运算和避障的效率。并且,基于多个时刻存储的障碍物数据,对于机器人运行区域的可移动和不可移动障碍物可相应采取不同的避障策略。
综上所述,方法10通过分析点云数据,基于相对差值检测标记并存储障碍物区域,提高识别障碍物的效率,有助于路径规划和躲避障碍物等后续处理。现有技术中用绝对高度差来计算两点之间的坡度,会累积两点的绝对高度的误差,从而带来对障碍物的误判,而方法10可以避免绝对差值检测带来的累积误差,准确度更高,并且保证了多次测量同一目标时的障碍物边界的稳定性。此外,本领域技术人员可以理解,步骤S11-S14的编号并不构成对方法10中各步骤执行的先后顺序的限定。
根据本发明的一个优选实施例,方法10还包括:基于所述三维点云提取地平面信息,拟合成当前时刻的测量平面。
根据本发明的一个优选实施例,方法10还包括:基于所述测量平面与所述上一时刻的地平面的偏差,确定当前时刻的地平面。如果测量平面和上一时刻的地平面存在偏差,为减少通过障碍物时抖动产生的误差,可以适当调整测量平面,再将调整后的测量平面作为当前时刻的地平面。基于该偏差值进行的调整量,可以基于运行场景进行设置或训练。
根据本发明的一个优选实施例,其中调整测量平面包括:将测量平面旋转预设角度和/或平移预设距离,并将旋转和/或平移后的测量平面作为当前时刻的地平面。如果基于偏差判断测量平面相对于上一时刻的地平面有一定旋转时,可以将测量平面旋转预设角度,再将旋转后的测量平面作为当前时刻的地平面;如果基于偏差判断测量平面相对于上一时刻的地平面有一定平移时,可以将测量平面平移预设距离后,再将平移后的测量平面作为当前时刻的地平面;如果测量平面相对于上一时刻的地平面同时旋转并平移,可以旋转预设角度并平移预设距离后,作为当前时刻的地平面,以减少障碍物变化(例如地面变化)带来的误差。其中,所述预设角度和预设距离与所述偏差相关,可根据应用场景进行训练或根据机器人越障能力进行设置。例如,机器人通行区域有一个较厚的地毯,机器人上下地毯时,在地毯边缘所产生的抖动引起的传感器数据抖动也是固定的,可以通过多次测量,获取一个预设角度或预设距离,以消除地面变化带来的影响。
根据本发明的一个优选实施例,方法10还包括:当所述测量平面与所述上一时刻的地平面的偏差小于等于阈值时,基于所述偏差校正所述点云信息。例如,机器人在行进过程中遇到障碍物(比如凸起或者凹坑等)而产生小抖动,基于点云信息拟合的测量平面相对于上一时刻的地平面存在偏差值,基于点云信息确定的各栅格的占用高度也会存在误差,因此,基于所述偏差值对所述点云信息进行校正,从而校正各栅格的占用高度,可以提高识别障碍物的准确度。其中,所述阈值可以基于运行场景进行设定或训练。
根据本发明的一个优选实施例,方法10还包括:当所述测量平面与所述上一时刻的地平面的偏差大于阈值时,重新规划路径或者上报错误信息。例如,机器人在行进过程中遇到台阶,基于点云信息拟合的测量平面为台阶平面,则该平面与上一时刻的地平面存在较大偏差,此时机器人无法行进,只能基于上一时刻的地平面重新规划路径或者上报错误信息。
以上通过优选实施例介绍了基于测量平面和上一时刻的地平面的偏差对当前时刻的地平面或者当前时刻的点云信息进行校正,以提高识别障碍物的准确度,有助于后续的路径规划和避障处理。以下对本发明涉及的机器人20和机器人系统30进行介绍。
本发明还涉及一种机器人20,参考图5,包括:
至少一个深度传感器21,配置为获取所述机器人周围环境的三维点云;
存储器22,配置为存储第一视野范围内的作为障碍物标记的栅格或栅格中的点;和
处理器23,与所述至少一个深度传感器21和所述存储器22耦接,配置为实施如上所述的方法10,以检测障碍物并进行避障处理。
本发明还涉及一种机器人系统30,参考图5,包括:
至少一个机器人20,所述机器人20包括至少一个深度传感器21,所述至少一个深度传感器21配置为获取所述机器人20周围环境的三维点云;和
调度服务器31,与所述至少一个机器人20通信,并配置成实施如上所述的方法10,以检测障碍物并进行避障处理。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种机器人检测障碍物的方法,包括:
获取所述机器人周围环境的点云信息;
将所述点云信息与栅格地图对应;
获取所述栅格地图中各栅格的占用高度;
比较相邻栅格的占用高度,将高度差大于第一阈值的相邻栅格或相邻栅格中的点作为障碍物进行标记。
2.根据权利要求1所述的方法,所述机器人包括深度传感器,其中所述获取机器人周围环境的点云信息的步骤包括:基于所述深度传感器获取所述机器人周围环境的点云信息。
3.根据权利要求1所述的方法,所述机器人包括多个深度传感器,其中所述获取机器人周围环境的点云信息的步骤包括:基于所述多个深度传感器获取不同探测范围的点云,并融合为一帧点云。
4.根据权利要求1所述的方法,其中所述获取机器人周围环境的点云信息的步骤包括:滤除所述点云中的噪点。
5.根据权利要求1所述的方法,其中所述将点云信息与栅格地图对应的步骤包括:基于上一时刻的地平面,构建所述栅格地图,并将所述点云信息与所述栅格地图对应。
6.根据权利要求5所述的方法,其中所述获取栅格地图中各栅格的占用高度的步骤包括:将所述点云中的点与所述栅格地图中的栅格对应,以所述上一时刻的地平面为基准,将每个栅格中的点的最大高度值或最小高度值作为该栅格的占用高度。
7.根据权利要求1-6中任一项所述的方法,其中所述比较相邻栅格的占用高度并将高度差大于第一阈值的相邻栅格或相邻栅格中的点作为障碍物进行标记的步骤还包括:将处于所述机器人视场范围边缘位置的栅格的占用高度与所述上一时刻的地平面的高度做比较,将高度差大于第二阈值的栅格或栅格中的点作为障碍物进行标记。
8.根据权利要求7所述的方法,所述方法还包括:将第一距离范围内的作为障碍物标记的栅格或栅格中的点进行存储,并基于多个时刻的存储数据进行避障处理。
9.根据权利要求8所述的方法,所述方法还包括:基于所述三维点云提取地平面信息,拟合成当前时刻的测量平面。
10.根据权利要求9所述的方法,所述方法还包括:基于所述测量平面与所述上一时刻的地平面的偏差,确定当前时刻的地平面。
11.一种机器人,包括:
至少一个深度传感器,配置为获取所述机器人周围环境的点云信息;存储器,配置为存储第一视野范围内的作为障碍物标记的栅格或栅格中的点;和
处理器,与所述至少一个深度传感器和所述存储器耦接,配置为实施如权利要求1-10中任一项所述的方法,以检测障碍物并进行避障处理。
12.一种机器人系统,包括:
至少一个机器人,所述机器人包括至少一个深度传感器,所述至少一个深度传感器配置为获取所述机器人周围环境的点云信息;和
调度服务器,与所述至少一个机器人通信,并配置成实施如权利要求1-10中任一项所述的方法,以检测障碍物并进行避障处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111366542.7A CN114035584B (zh) | 2021-11-18 | 2021-11-18 | 机器人检测障碍物的方法、机器人以及机器人系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111366542.7A CN114035584B (zh) | 2021-11-18 | 2021-11-18 | 机器人检测障碍物的方法、机器人以及机器人系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114035584A true CN114035584A (zh) | 2022-02-11 |
CN114035584B CN114035584B (zh) | 2024-03-29 |
Family
ID=80144791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111366542.7A Active CN114035584B (zh) | 2021-11-18 | 2021-11-18 | 机器人检测障碍物的方法、机器人以及机器人系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114035584B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114474065A (zh) * | 2022-03-04 | 2022-05-13 | 美智纵横科技有限责任公司 | 机器人控制方法及其装置、机器人和存储介质 |
CN114663526A (zh) * | 2022-03-17 | 2022-06-24 | 深圳市优必选科技股份有限公司 | 障碍物检测方法、装置、机器人及计算机可读存储介质 |
CN115574803A (zh) * | 2022-11-16 | 2023-01-06 | 深圳市信润富联数字科技有限公司 | 移动路线确定方法、装置、设备及存储介质 |
CN116400740A (zh) * | 2023-06-06 | 2023-07-07 | 成都时代星光科技有限公司 | 全盲区环境下智能无人机趋向处理方法、系统和介质 |
CN117629147A (zh) * | 2024-01-25 | 2024-03-01 | 北京易控智驾科技有限公司 | 一种障碍物的检测方法、云控平台及无人车 |
WO2024125318A1 (zh) * | 2022-12-16 | 2024-06-20 | 珠海一微半导体股份有限公司 | 一种机器人检测地毯的方法、避障方法、机器人和芯片 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104374376A (zh) * | 2014-11-05 | 2015-02-25 | 北京大学 | 一种车载三维测量系统装置及其应用 |
CN104933708A (zh) * | 2015-06-07 | 2015-09-23 | 浙江大学 | 一种基于多谱三维特征融合的植被环境中障碍物检测方法 |
CN106530380A (zh) * | 2016-09-20 | 2017-03-22 | 长安大学 | 一种基于三维激光雷达的地面点云分割方法 |
CN106997049A (zh) * | 2017-03-14 | 2017-08-01 | 奇瑞汽车股份有限公司 | 一种基于激光点云数据的检测障碍物的方法和装置 |
CN110928301A (zh) * | 2019-11-19 | 2020-03-27 | 北京小米智能科技有限公司 | 一种检测微小障碍的方法、装置及介质 |
CN112219225A (zh) * | 2019-09-26 | 2021-01-12 | 深圳市大疆创新科技有限公司 | 定位方法、系统及可移动平台 |
WO2021128777A1 (en) * | 2019-12-23 | 2021-07-01 | Suzhou Zhijia Science & Technologies Co., Ltd. | Method, apparatus, device, and storage medium for detecting travelable region |
-
2021
- 2021-11-18 CN CN202111366542.7A patent/CN114035584B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104374376A (zh) * | 2014-11-05 | 2015-02-25 | 北京大学 | 一种车载三维测量系统装置及其应用 |
CN104933708A (zh) * | 2015-06-07 | 2015-09-23 | 浙江大学 | 一种基于多谱三维特征融合的植被环境中障碍物检测方法 |
CN106530380A (zh) * | 2016-09-20 | 2017-03-22 | 长安大学 | 一种基于三维激光雷达的地面点云分割方法 |
CN106997049A (zh) * | 2017-03-14 | 2017-08-01 | 奇瑞汽车股份有限公司 | 一种基于激光点云数据的检测障碍物的方法和装置 |
CN112219225A (zh) * | 2019-09-26 | 2021-01-12 | 深圳市大疆创新科技有限公司 | 定位方法、系统及可移动平台 |
CN110928301A (zh) * | 2019-11-19 | 2020-03-27 | 北京小米智能科技有限公司 | 一种检测微小障碍的方法、装置及介质 |
WO2021128777A1 (en) * | 2019-12-23 | 2021-07-01 | Suzhou Zhijia Science & Technologies Co., Ltd. | Method, apparatus, device, and storage medium for detecting travelable region |
Non-Patent Citations (1)
Title |
---|
鲁小伟: "《矿山道路边界线实时检测与跟踪》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, pages 22 - 23 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114474065A (zh) * | 2022-03-04 | 2022-05-13 | 美智纵横科技有限责任公司 | 机器人控制方法及其装置、机器人和存储介质 |
CN114663526A (zh) * | 2022-03-17 | 2022-06-24 | 深圳市优必选科技股份有限公司 | 障碍物检测方法、装置、机器人及计算机可读存储介质 |
CN115574803A (zh) * | 2022-11-16 | 2023-01-06 | 深圳市信润富联数字科技有限公司 | 移动路线确定方法、装置、设备及存储介质 |
WO2024125318A1 (zh) * | 2022-12-16 | 2024-06-20 | 珠海一微半导体股份有限公司 | 一种机器人检测地毯的方法、避障方法、机器人和芯片 |
CN116400740A (zh) * | 2023-06-06 | 2023-07-07 | 成都时代星光科技有限公司 | 全盲区环境下智能无人机趋向处理方法、系统和介质 |
CN116400740B (zh) * | 2023-06-06 | 2023-09-08 | 成都时代星光科技有限公司 | 全盲区环境下智能无人机趋向处理方法、系统和介质 |
CN117629147A (zh) * | 2024-01-25 | 2024-03-01 | 北京易控智驾科技有限公司 | 一种障碍物的检测方法、云控平台及无人车 |
CN117629147B (zh) * | 2024-01-25 | 2024-03-26 | 北京易控智驾科技有限公司 | 一种障碍物的检测方法、云控平台及无人车 |
Also Published As
Publication number | Publication date |
---|---|
CN114035584B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114035584B (zh) | 机器人检测障碍物的方法、机器人以及机器人系统 | |
Hata et al. | Road marking detection using LIDAR reflective intensity data and its application to vehicle localization | |
CN106997049B (zh) | 一种基于激光点云数据的检测障碍物的方法和装置 | |
KR101762504B1 (ko) | 레이저 거리 센서를 이용한 바닥 장애물 검출 방법 | |
US8588471B2 (en) | Method and device of mapping and localization method using the same | |
US8508527B2 (en) | Apparatus and method of building map for mobile robot | |
CN112346463B (zh) | 一种基于速度采样的无人车路径规划方法 | |
CN112464812B (zh) | 一种基于车辆的凹陷类障碍物检测方法 | |
CN111538338B (zh) | 一种机器人贴边运动控制系统及方法 | |
CN103487034A (zh) | 一种基于立式标靶的车载单目摄像头测距测高方法 | |
CN110361717B (zh) | 激光雷达-摄像机联合标定靶和联合标定方法 | |
CN103324936A (zh) | 一种基于多传感器融合的车辆下边界检测方法 | |
KR102010823B1 (ko) | 고정형 단일 카메라를 이용한 차량 속도 감지 방법 및 장치 | |
CN103499337A (zh) | 一种基于立式标靶的车载单目摄像头测距测高装置 | |
CN112486172A (zh) | 道路边缘检测方法及机器人 | |
CN114029953B (zh) | 基于深度传感器确定地平面的方法、机器人及机器人系统 | |
CN114355894A (zh) | 数据处理方法、机器人以及机器人系统 | |
Murarka et al. | A stereo vision based mapping algorithm for detecting inclines, drop-offs, and obstacles for safe local navigation | |
CN115930946A (zh) | 室内外交变环境下动态障碍物多特征描述的方法 | |
Zheng et al. | Vision-based autonomous navigation in indoor environments | |
CN115205397A (zh) | 一种基于计算机视觉和位姿估计的车辆时空信息识别方法 | |
CN114911223B (zh) | 一种机器人导航方法、装置、机器人及存储介质 | |
EP2796402A1 (en) | System and control procedure for the positioning of bridge cranes | |
CN118128432A (zh) | 一种电缆沟智能打孔机器人行走导航纠偏方法 | |
CN116699577B (zh) | 一种2d激光定位质量评估方法及系统、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 |