CN114137953A - 基于三维激光雷达的电力巡检机器人系统及建图方法 - Google Patents
基于三维激光雷达的电力巡检机器人系统及建图方法 Download PDFInfo
- Publication number
- CN114137953A CN114137953A CN202111188065.XA CN202111188065A CN114137953A CN 114137953 A CN114137953 A CN 114137953A CN 202111188065 A CN202111188065 A CN 202111188065A CN 114137953 A CN114137953 A CN 114137953A
- Authority
- CN
- China
- Prior art keywords
- data
- robot
- point cloud
- cloud data
- power inspection
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000033001 locomotion Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Optics & Photonics (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于三维激光雷达的电力巡检机器人系统及建图方法，本发明的系统架构，包括硬件控制层、硬件驱动层、建图与定位算法层，该方法包括：获取所述三维激光雷达扫描得到的3D点云数据、将3D点云进行2D化数据处理；获取所述2D化点云数据、通过轮式里程计得到的机器人的位置数据和通过惯性测量单元得到的机器人的姿态数据，既机器人的预测位姿、通过2D点云反向确定出的机器人的位置数据和姿态数据，既机器人的观测位姿；通过CSM方法匹配机器人的观测位姿和预测位姿求得机器人的真实位置、姿态数据，获取所述2D点云数据中的各个激光点的实际坐标；基于所述2D点云数据中的各个激光点的实际坐标，生成第一地图。
Description
技术领域
本发明涉及巡检机器人设备技术领域，具体而言，涉及一种基于三维激光雷达的电力巡检机器人系统及建图方法。
背景技术
随经济发展和人民生活水平的提高，社会用电量不断提升，对电网运行稳定性提出更高挑战，变电、输电、配电等电力系统各环节的巡检需求进一步提高。电力变电站面临着高可靠性、高负荷密度和高电能质量的需求。对停电的要求变得越来越严格，关键变电设备的离线运维机会越来越少。因此，电力变电站迫切需要先进的现场维修操作技术。但是，由于高压、站设备密集、体积大、重量大的特点，开展人工带电作业很困难，因此机器人技术的应用可以有效地解决上述问题。
单线激光传感器广泛应用于电力巡检，相对于多线激光传感器，价格便宜，数据量小，易于处理和建图，对硬件配置要求低，但是只能适用于室内场景，抗光线干扰能力差，测量范围小，在感知方面存在无法回避的缺陷。通过多线激光雷达，可获得周围环境的点云数据，实现高精度建图。同时，多线激光雷达抗光线干扰能力强，测量范围为40cm至150m，能够很好的适用于室外大型变电站的巡检工作。但随着激光传感器测量精度的不断提高，点云数据正在以惊人的速度增长，多者可达百兆秒，导致地图重建时间长，计算机处理的负担增加，对硬件要求增高。
目前，机器人构建地图的方法有很多，SLAM(Simultaneous Localization AndMapping，即时定位与地图构建)为最常用的方法，其通常是指在机器人上，通过对各种传感器数据进行采集和计算，生成对其自身位置姿态的定位和场景地图信息的系统。而目前最常见的SLAM为激光SLAM。激光SLAM的核心是通过不同时刻激光雷达扫描得到的两片点云数据的匹配与比对，计算激光雷达相对运动的距离和姿态的改变，以实现对机器人自身的定位，进而完成定位与地图的构建。但是该方式，存在以下缺点：1.在强光环境下，通过点云数据所得到的机器人的定位数据不准确。2.在环境中存在的动态障碍物较多时，定位与建图效果差。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于三维激光雷达的电力巡检机器人系统架构设计及建图方法，采用分层控制的方法来提高控制效率与控制精度，专业的控制框架可以改善系统逻辑、解决三维激光雷达数据量大，处理算法复杂，建图时间长的问题、解决基于激光SLAM的建图方式，在强光环境下，得到的机器人的定位数据不准确，在环境动态障碍物较多时，定位与建图不稳定的问题。
为解决上述技术问题，本发明提供了一种基于三维激光雷达的电力巡检机器人系统，硬件控制层获取电力巡检机器人的运动速度和姿态信息，并通过ros serial协议与硬件驱动层通信；
硬件驱动层通过底盘通信节点、IMU数据节点、雷达数据节点依次获得轮式里程计信息、IMU数据信息、3D点云数据；
建图与定位算法层通过将轮式里程计（odom）信息和IMU信息进行位姿估计，获得电力巡检机器人的预测位姿，3D点云数据转换为2D点云后获得电力巡检机器人的观测位姿，通过Scan Matching匹配获得Submaps；
电力巡检机器人依照Submaps前往下一个观测点。
作为本发明的一种改进，所述硬件控制层，包括：手柄发送控制信号到电力巡检机器人，通过PID算法进行调速，进而控制电力巡检机器人的运动；
采用编码器和IMU获得电力巡检机器人的速度与姿态，通过ros serial协议将电力巡检机器人的速度与姿态数据发送到硬件驱动层。
作为本发明的一种改进，所述硬件驱动层，通过底盘通信节点获取轮式里程计（odom）信息、IMU数据信息，通过雷达数据节点获取3D点云数据。
作为本发明的一种改进，所述建图与定位算法层，通过将轮式里程计（odom）信息和IMU信息进行位姿估计，获得电力巡检机器人的预测位姿；
3D点云数据转换为2D点云数据后获得电力巡检机器人的观测位姿，接着通过ScanMatching匹配获得Submaps。
相应的，本发明还提供一种基于三维激光雷达的电力巡检机器人建图方法，包括以下步骤：
1）获取所述三维激光雷达扫描得到的3D点云数据；将3D点云数据进行2D化数据处理；
2）获取所述2D化点云数据、通过轮式里程计得到的机器人的位置数据和通过惯性测量单元得到的机器人的姿态数据，既机器人的预测位姿、通过2D点云数据反向确定出的机器人的位置数据和姿态数据，既机器人的观测位姿；
3) 通过CSM方法匹配机器人的观测位姿和预测位姿求得机器人的真实位置、姿态数据，获取所述2D点云数据中的各个激光点的实际坐标；
4）基于所述2D点云数据中的各个激光点的实际坐标，生成第一地图。
作为本发明的一种改进，所述3D点云数据的处理，通过将多条扫描线合成一条2D雷达扫描线，使用pointcloud_to_laserscan功能包实现将三维激光雷达输出的3D点云数据转换为2D点云数据。
实现流程为：以三维激光雷达扫描到的3D点云数据作为输入，并对所选的局部区域进行数据的筛选；采用滑动窗口滤波算法，对筛选数据中的误差进行滤除；选定一个固定角度对3D点云数据数据的所有层进行扫描，减少点云的数据量；将缩减采样完的点云投影映射2D平面，获得2D点云数据。
作为本发明的一种改进，所述2D点云数据中的各个激光点的坐标是以所述激光雷达的位置作为坐标原点所生成的第一空间坐标系中的坐标；将所述第一空间坐标系中的各个激光点的坐标转换到以所述机器人作为坐标原点的本体空间坐标系中；其中，坐标转换是基于所述激光雷达在所述机器人上的设置位置进行的转换；将所述轮式里程计的位置数据转换到第二空间坐标系中，所述第二空间坐标系以所述轮式里程计的位置作为坐标原点。
作为本发明的一种改进，所述轮式里程计得到的机器人的位置数据以及所述惯性测量单元得到的机器人的姿态数据，所述2D点云数据反向确定出的机器人的位置数据和姿态数据；由轮式里程计和惯性测量单元通过互补滤波的方式预测初始的位姿，建立匹配机制，通过非线性最小二乘进行优化求解得到最优匹配，算法中通过调用Ceres库执行，非线性最小二乘问题为：
其中为根据扫描位姿将从扫描帧转换为子图帧。
将所述2D点云数据反向确定出的机器人的位置数据和姿态数据既位姿看作一个节点，且2D点云数据会经由体素滤波器去除冗余的点云数据，然后与轮式里程计、惯性测量单元预测的位姿子图进行匹配，获取所述2D点云数据中的各个激光点的实际坐标。
作为本发明的一种改进，所述基于投影后的各个激光点的投影坐标，生成所述第一地图之后，所述方法还包括：
5）在优化位姿的同时不断插入数据帧使得子图更新，将所述第一地图导入到现实场景图上，以使所述第一地图的原点位于所述场景图的原点上；其中，所述场景图为基于cartographer算法所构建的地图的原始图像；
6）创建下一个子图，得出的最优位姿用作下一次的初始位姿，通过cartographer算法在所述场景图上进行地图构建，进而在所述场景图上生成与所述第一地图连接的第二地图，循环过程，通过cartographer算法创建大量的子图来实现场景建图。
与现有技术相比，本发明所达到的有益效果是：
1）本发明的系统架构设计，独立的运动控制器能够提高控制精度、分层控制能够提高控制效率、专业的控制框架可以改善系统逻辑；
2）本发明的建图方法，将三维激光雷达扫描得到的3D点云进行2D化数据处理，然后通过CSM方法匹配机器人的观测位姿和预测位姿求得机器人的真实位置、姿态数据，获取所述2D点云数据中的各个激光点的实际坐标，进而生成高精度地图。在建图过程中重复多次进行电力巡检机器人的定位，根据多组数据综合对比，论证了该方法实现了室外相对定位精度小于0.05m，构建地图无错乱、结构特征清晰，cartographer算法的回环检测和后端优化能够消除累计误差，修正局部地图的偏差，具有有较好的鲁棒性。同时，建图过程中CPU负载率低、计算压力小、实时性高。
附图说明
图1为本申请实施例提供的电力巡检机器人装置的系统架构示意图。
图2为本申请实施例提供的电力巡检机器人建图方法的步骤流程图。
图3为本申请实施例提供的一种步骤S3的子步骤的流程图。
具体实施方式
下面结合附图对本发明的实施例进行说明本实施例在以本技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。
实施例1：
本发明的一种基于三维激光雷达的电力巡检机器人系统，参见图1所示，本发明中所述的系统架构，包括硬件控制层、硬件驱动层、建图与定位算法层。
所述硬件控制层，有PS2手柄发送控制信号到电力巡检机器人，通过电机驱动的电机的工作状态并采用PID算法进行调速，进而控制电力巡检机器人的运动。同时，采用编码器、IMU获得电力巡检机器人的速度与姿态，通过ros serial协议将速度与姿态数据发送到硬件驱动层，所述硬件驱动层，通过底盘通信节点获取轮式里程计（odom）信息、IMU数据信息，通过雷达数据节点获取3D点云数据，所述建图与定位算法层，通过将轮式里程计（odom）信息和IMU信息进行位姿估计，获得电力巡检机器人的预测位姿，3D点云数据转换为2D点云后获得电力巡检机器人的观测位姿，接着通过Scan Matching匹配获得Submaps。
本发明的系统架构设计，独立的运动控制器能够提高控制精度、分层控制能够提高控制效率、专业的控制框架可以改善系统逻辑。
本发明的一种基于三维激光雷达的电力巡检机器人建图方法，参见图2所示，该方法包括：步骤S1-步骤S4。
步骤S1：获取所述三维激光雷达扫描得到的3D点云数据、将3D点云进行2D化数据处理；
步骤S2：获取所述2D化点云数据、通过轮式里程计得到的机器人的位置数据和通过惯性测量单元得到的机器人的姿态数据，既机器人的预测位姿、通过2D点云数据反向确定出的机器人的位置数据和姿态数据，既机器人的观测位姿；
步骤S3：通过CSM方法匹配机器人的观测位姿和预测位姿求得机器人的真实位置、姿态数据，获取所述2D点云数据中的各个激光点的实际坐标；
步骤S4：基于所述2D点云数据中的各个激光点的实际坐标，生成第一地图。
本申请实施例所提供的基于三维激光雷达的电力巡检机器人建图方法，通过将输入的3D点云数据转换为2D点云，不仅能够获得比传统单线激光雷达更多的有效信息、抗光能力强，有效的应用于室外场景建图，而且还能过滤掉大量冗余，建图过程中CPU负载率低、计算压力小、实时性高。
同时，基于轮式里程计得到的机器人的位置数据和通过惯性测量单元得到的机器人的姿态数据，既机器人的预测位姿、通过2D点云数据反向确定出的机器人的位置数据和姿态数据，既机器人的观测位姿，然后通过CSM方法匹配机器人的观测位姿和预测位姿求得机器人的真实位置、姿态数据，获取所述2D点云数据中的各个激光点的实际坐标，进而生成高精度地图。
与现有技术相比，相较于直接通过点云数据反向确定出的机器人的位置数据和姿态数据更加准确，进而使得所构建的地图更加准确，并且cartographer算法的回环检测和后端优化能够消除累计误差，修正局部地图的偏差，具有有较好的鲁棒性。
本发明的一种基于三维激光雷达的电力巡检机器人建图方法中步骤S3的具体实施流程参见图3所示，该方法包括：步骤T1-步骤T3。
步骤T1：由轮式里程计和惯性测量单元通过互补滤波的方式预测初始的位姿，建立匹配机制。
通过轮式里程计的获取机器人位置，对于两轮差速驱动式机器人，假设t时刻机器人在水平面二维坐标系下位置为（x，y），通过惯性测量单元获取航向为θ（与x轴夹角），以间隔∆t读取一次里程计数值，获得左右轮的运动距离分别为∆SL和∆SR 。考虑到∆t通常很小，可以将此时间段内机器人的运动近似考虑为直线，若机器人两驱动轮间距为a，那么可以推导出该时间内机器人位置航向的变化量（∆x，∆y，∆θ）：
基于此增量即可计算出机器人当前的预测位姿。
步骤T2：将2D点云数据会经由体素滤波器去除冗余的点云数据。
步骤T3：点云数据与轮式里程计、惯性测量单元预测的位姿子图进行匹配，获取所述2D点云数据中的各个激光点的实际坐标。
里程计航迹推算方法以递归推算的方式计算机器人定位值，由于里程计本身测量值存在一定误差，并且误差值会有累加，其推算值不能作为精确的定位值使用，但是可以作为CSM匹配算法的初始估计值辅助算法加快收敛，将2D点云数据反向确定出的机器人的位置数据和姿态数据既位姿看作一个节点，且2D点云数据会经由体素滤波器去除冗余的点云数据，然后与轮式里程计、惯性测量单元预测的位姿子图进行匹配，获取所述2D点云数据中的各个激光点的实际坐标。。相较于仅使用激光传感器情况下的初始估计设置方法，此方法在巡检机器人运行速度相对较快的情况下，鲁棒性更高。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (9)
1.基于三维激光雷达的电力巡检机器人系统，其特征在于，硬件控制层获取电力巡检机器人的运动速度和姿态信息，并通过ros serial协议与硬件驱动层通信；
硬件驱动层通过底盘通信节点、IMU数据节点、雷达数据节点依次获得轮式里程计信息、IMU数据信息和3D点云数据；
建图与定位算法层通过将轮式里程计（odom）信息和IMU信息进行位姿估计，获得电力巡检机器人的预测位姿，3D点云数据转换为2D点云数据后获得电力巡检机器人的观测位姿，接着通过Scan Matching匹配获得Submaps；
电力巡检机器人依照Submaps前往下一个观测点。
2.根据权利要求1所述的基于三维激光雷达的电力巡检机器人系统，其特征在于，所述硬件控制层，包括：
手柄发送控制信号到电力巡检机器人，通过PID算法进行调速，进而控制电力巡检机器人的运动；
采用编码器和IMU获得电力巡检机器人的速度与姿态，通过ros serial协议将电力巡检机器人的速度与姿态数据发送到硬件驱动层。
3.根据权利要求1所述的基于三维激光雷达的电力巡检机器人系统，其特征在于，所述硬件驱动层，通过底盘通信节点获取轮式里程计（odom）信息和IMU数据信息，通过雷达数据节点获取3D点云数据。
4.根据权利要求1所述的基于三维激光雷达的电力巡检机器人系统，其特征在于，所述建图与定位算法层，通过将轮式里程计（odom）信息和IMU信息进行位姿估计，获得电力巡检机器人的预测位姿；
3D点云数据转换为2D点云数据后获得电力巡检机器人的观测位姿，接着通过ScanMatching匹配获得Submaps。
5.基于三维激光雷达的电力巡检机器人建图方法，适用于如权利要求1所述的基于三维激光雷达的电力巡检机器人系统，其特征在于，所述机器人上设置有三维激光雷达、轮式里程计和惯性测量单元，包括以下步骤：
1）获取所述三维激光雷达扫描得到的3D点云数据；将3D点云数据进行2D化数据处理；
2）通过轮式里程计得到的机器人的位置数据和通过惯性测量单元得到的机器人的姿态数据；获取所述2D化点云数据，通过2D点云数据反向确定出的机器人的位置数据和姿态数据；
3) 通过CSM方法匹配机器人的观测位姿和预测位姿求得机器人的真实位置和姿态数据，获取所述2D点云数据中的各个激光点的实际坐标；
4）基于所述2D点云数据中的各个激光点的实际坐标，生成第一地图。
6.根据权利要求5所述的基于三维激光雷达的电力巡检机器人建图方法，其特征在于，将若干条扫描线合成一条2D雷达扫描线，使用pointcloud_to_laserscan功能包将三维激光雷达输出的3D点云转换为2D点云。
7.根据权利要求5所述的基于三维激光雷达的电力巡检机器人建图方法，其特征在于，所述2D点云数据中的各个激光点的坐标是以所述激光雷达的位置作为坐标原点所生成的第一空间坐标系中的坐标；
将所述第一空间坐标系中的各个激光点的坐标转换到以所述机器人作为坐标原点的本体空间坐标系中；其中，坐标转换是基于所述激光雷达在所述机器人上的设置位置进行的转换；
将所述轮式里程计的位置数据转换到第二空间坐标系中，所述第二空间坐标系以所述轮式里程计的位置作为坐标原点。
8.根据权利要求5所述的基于三维激光雷达的电力巡检机器人建图方法，其特征在于，所述轮式里程计得到的机器人的位置数据以及所述惯性测量单元得到的机器人的姿态数据，所述2D点云数据反向确定出的机器人的位置数据和姿态数据；
由轮式里程计和惯性测量单元通过互补滤波的方式预测初始的位姿，建立匹配机制，通过非线性最小二乘进行优化求解得到最优匹配，算法中通过调用Ceres库执行，非线性最小二乘问题为：
其中为根据扫描位姿将从扫描帧转换为子图帧；
将所述2D点云数据反向确定出的机器人的位置数据和姿态数据既位姿看作一个节点，且2D点云数据会经由体素滤波器去除冗余的点云数据，然后与轮式里程计和惯性测量单元预测的位姿子图进行匹配，获取所述2D点云数据中的各个激光点的实际坐标。
9.根据权利要求5所述的基于三维激光雷达的电力巡检机器人建图方法，其特征在于，所述基于投影后的各个激光点的投影坐标，生成所述第一地图之后，所述方法还包括：
5）在优化位姿的同时不断插入数据帧使得子图更新，将所述第一地图导入到现实场景图上，以使所述第一地图的原点位于所述场景图的原点上；其中，所述场景图为基于cartographer算法所构建的地图的原始图像；
6）创建下一个子图，得出的最优位姿用作下一次的初始位姿，通过cartographer算法在所述场景图上进行地图构建，进而在所述场景图上生成与所述第一地图连接的第二地图，循环过程，通过cartographer算法创建大量的子图来实现场景建图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111188065.XA CN114137953A (zh) | 2021-10-12 | 2021-10-12 | 基于三维激光雷达的电力巡检机器人系统及建图方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111188065.XA CN114137953A (zh) | 2021-10-12 | 2021-10-12 | 基于三维激光雷达的电力巡检机器人系统及建图方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114137953A true CN114137953A (zh) | 2022-03-04 |
Family
ID=80394873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111188065.XA Pending CN114137953A (zh) | 2021-10-12 | 2021-10-12 | 基于三维激光雷达的电力巡检机器人系统及建图方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114137953A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015881A (zh) * | 2022-05-30 | 2022-09-06 | 西安电子科技大学 | 一种全向旋转的单线激光雷达装置及组网点云配准方法 |
| CN115683107A (zh) * | 2022-09-27 | 2023-02-03 | 深圳市智莱科技股份有限公司 | 自动导航方法、装置、无人车及存储介质 |
| CN116931005A (zh) * | 2023-09-19 | 2023-10-24 | 之江实验室 | 一种基于v2x辅助的车辆高精度定位方法、装置和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111427061A (zh) * | 2020-06-15 | 2020-07-17 | 北京云迹科技有限公司 | 一种机器人建图方法、装置，机器人及存储介质 |
| CN112785702A (zh) * | 2020-12-31 | 2021-05-11 | 华南理工大学 | 一种基于2d激光雷达和双目相机紧耦合的slam方法 |
| WO2021128297A1 (zh) * | 2019-12-27 | 2021-07-01 | 深圳市大疆创新科技有限公司 | 三维点云地图构建方法、系统和设备 |
-
2021
- 2021-10-12 CN CN202111188065.XA patent/CN114137953A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021128297A1 (zh) * | 2019-12-27 | 2021-07-01 | 深圳市大疆创新科技有限公司 | 三维点云地图构建方法、系统和设备 |
| CN111427061A (zh) * | 2020-06-15 | 2020-07-17 | 北京云迹科技有限公司 | 一种机器人建图方法、装置，机器人及存储介质 |
| CN112785702A (zh) * | 2020-12-31 | 2021-05-11 | 华南理工大学 | 一种基于2d激光雷达和双目相机紧耦合的slam方法 |
Non-Patent Citations (2)
| Title |
|---|
| 尹政 等: "一种优化的ＳＬＡＭ 变电站复杂环境地图构建", 山东科技大学学报（自然科学版）, 31 December 2020 (2020-12-31), pages 126 * |
| 韩明瑞 等: "基于激光雷达的室外移动机器人三维定位和建图", 华中科技大学学报（自然科学版）, 31 December 2015 (2015-12-31), pages 328 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015881A (zh) * | 2022-05-30 | 2022-09-06 | 西安电子科技大学 | 一种全向旋转的单线激光雷达装置及组网点云配准方法 |
| CN115683107A (zh) * | 2022-09-27 | 2023-02-03 | 深圳市智莱科技股份有限公司 | 自动导航方法、装置、无人车及存储介质 |
| CN116931005A (zh) * | 2023-09-19 | 2023-10-24 | 之江实验室 | 一种基于v2x辅助的车辆高精度定位方法、装置和存储介质 |
| CN116931005B (zh) * | 2023-09-19 | 2023-12-22 | 之江实验室 | 一种基于v2x辅助的车辆高精度定位方法、装置和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111045017A (zh) | 一种激光和视觉融合的巡检机器人变电站地图构建方法 | |
| CN114137953A (zh) | 基于三维激光雷达的电力巡检机器人系统及建图方法 | |
| Whitty et al. | Autonomous navigation using a real-time 3d point cloud | |
| CN111899280B (zh) | 采用深度学习和混合型位姿估计的单目视觉里程计方法 | |
| CN114018248B (zh) | 一种融合码盘和激光雷达的里程计方法与建图方法 | |
| CN113269837A (zh) | 一种适用于复杂三维环境的定位导航方法 | |
| CN113075686B (zh) | 一种基于多传感器融合的电缆沟智能巡检机器人建图方法 | |
| CN103412565A (zh) | 一种具有全局位置快速估计能力的机器人及其定位方法 | |
| CN113269878B (zh) | 一种基于多传感器的建图方法及系统 | |
| CN111260751B (zh) | 基于多传感器移动机器人的建图方法 | |
| CN115479598A (zh) | 基于多传感器融合的定位与建图方法及紧耦合系统 | |
| CN114383611A (zh) | 一种移动机器人的多机协同激光slam方法、装置及系统 | |
| CN113031597A (zh) | 一种基于深度学习和立体视觉的自主避障方法 | |
| CN111207753A (zh) | 一种多玻璃隔断环境下的同时定位与建图的方法 | |
| CN107941167B (zh) | 一种基于无人机载具和结构光扫描技术的空间扫描系统及其工作方法 | |
| CN115540850A (zh) | 一种激光雷达与加速度传感器结合的无人车建图方法 | |
| CN118020038A (zh) | 两轮自平衡机器人 | |
| CN112580428A (zh) | 一种配电网设计方法及装置 | |
| CN114299160A (zh) | 基于视觉与激光雷达融合的受电弓运行状态动态检测方法 | |
| CN115167413A (zh) | 一种基于概率栅格的多源不确定性模型建立方法及系统 | |
| Kloeker et al. | Framework for quality evaluation of smart roadside infrastructure sensors for automated driving applications | |
| Sheng et al. | Mobile robot localization and map building based on laser ranging and PTAM | |
| CN112414444B (zh) | 一种数据标定方法、计算机设备、存储介质 | |
| Bai et al. | Research on key technologies of meal delivery robot based on the fusion of lidar and machine vision | |
| CN112419461A (zh) | 一种协同无人系统联合语义建图方法 |
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 |