CN114224241A - 一种商用清洁机器人工作区域自动生成方法 - Google Patents
一种商用清洁机器人工作区域自动生成方法 Download PDFInfo
- Publication number
- CN114224241A CN114224241A CN202210144130.7A CN202210144130A CN114224241A CN 114224241 A CN114224241 A CN 114224241A CN 202210144130 A CN202210144130 A CN 202210144130A CN 114224241 A CN114224241 A CN 114224241A
- Authority
- CN
- China
- Prior art keywords
- area
- full
- coverage
- robot
- algorithm
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
- A47L11/24—Floor-sweeping machines, motor-driven
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
- A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
- A47L11/4002—Installations of electric equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L2201/00—Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L2201/00—Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
- A47L2201/06—Control of the cleaning action for autonomous devices; Automatic detection of the surface condition before, during or after cleaning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种商用清洁机器人工作区域自动生成方法,它包括:步骤S1、获取机器人工作区域的三维点云地图,通过octomap将三维点云地图转化为栅格地图;步骤S2、将所述栅格地图进行图像二值化,对栅格地图中的障碍区域和清扫区域进行区分;步骤S3、对进行二值化图像进行开运算,过滤掉清扫区域中机器人无法到达的死角区域,保留清扫区域中机器人可以到达的最终清扫区域。本发明提供一种商用清洁机器人工作区域自动生成方法,先对现场平面图进行opencv分区,分区后根据提取的区域图形属性来决定用回型全覆盖或平铺全覆盖,从而弥补单区域单覆盖方式的局限性,从而利于移动机人高效简洁地完成任务。
Description
技术领域
本发明涉及一种商用清洁机器人工作区域自动生成方法。
背景技术
目前,随着技术地快速发展,移动机器人常用于清洁,服务,巡检等领域以替代人工,移动机器人移动需要遵循一定的轨迹,能否合理的规划轨迹对于移动机器人的移动来说至关重要。目前,移动机器人常规做法是根据所选定的区域来决定采用回型全覆盖的方法还是平铺全覆盖的方法,但是这个仅适用于简单的场景,是理想化的场景,而我们实际运用场景中并不会或者很少有这么简单的场景,因此在实际使用的过程中存在一定的缺陷。
目前,移动机器人常规做法是根据所选定的区域来决定采用回型全覆盖的方法还是平铺全覆盖的方法,整个区域仅采用一种模式进行轨迹规划,因此仅适用于简单的场景,是理想化的场景,对于复杂化的场景,规划的轨迹会存在冗余,效率偏低下。而我们实际运用场景中并不会或者很少有这么简单的场景,因此在实际使用的过程中存在一定的缺陷。
发明内容
本发明所要解决的技术问题是,克服现有技术的不足,提供一种商用清洁机器人工作区域自动生成方法,先对现场平面图进行opencv分区,分区后根据提取的区域图形属性来决定用回型全覆盖或平铺全覆盖,从而弥补单区域单覆盖方式的局限性,从而利于移动机人高效简洁地完成任务。
为了解决上述技术问题,本发明的技术方案是:
一种商用清洁机器人工作区域自动生成方法,它包括:
步骤S1、获取机器人工作区域的三维点云地图,通过octomap将三维点云地图转化为栅格地图;
步骤S2、将所述栅格地图进行图像二值化,对栅格地图中的障碍区域和清扫区域进行区分;
步骤S3、对进行二值化图像进行开运算,过滤掉清扫区域中机器人无法到达的死角区域,保留清扫区域中机器人可以到达的最终清扫区域;
步骤S4、根据清扫区域中机器人可以到达的最终清扫区域的所有轮廓集合,计算出轮廓的质心,通过质心提取出对应的轮廓图形;
步骤S5、根据清扫区域中机器人可以到达的最终清扫区域的轮廓图形,以机器人在所述轮廓图形中移动的路径最短为标准,选择采用回字形全覆盖算法或平铺型全覆盖算法来进行轮廓图形全覆盖。
进一步,所述轮廓图形为圆形或矩形。
进一步,所述步骤S1中,通过octomap将三维点云地图转化为栅格地图,包括:
使用octomap中的octomap_server功能包将三维点云地图转换为栅格地图。
进一步,所述步骤S2中,将所述栅格地图进行图像二值化,包括:
使用函数cvtColor(image,cv.COLOR_RGB2GRAY)对栅格地图进行灰度处理,得到所述栅格地图的二值化图像。
进一步,所述步骤S2中,对栅格地图中的障碍区域和清扫区域进行区分,包括:
设定阈值X,所述二值化图像中低于阈值X的区域视为0,所述二值化图像中高于X的区域视为1;
所述二值化图像中低于阈值X的区域为障碍区域,所述二值化图像中高于X的区域为清扫区域。
进一步,所述步骤S3中,对二值化图像进行开运算,包括:
对所述栅格地图的二值化图像,先进行腐蚀,再进行膨胀,过滤掉所述二值化图像轮廓的尖端,得到所述二值化图像的圆滑轮廓。
进一步,所述开运算的算法表达式为:
morphologyEx(A,MORPH_OPEN,核结构元素);
其中,A为栅格地图的二值化图像。
进一步,所述步骤S4中,根据清扫区域中机器人可以到达的最终清扫区域的所有轮廓集合,计算出轮廓的质心,通过质心提取出对应的轮廓图形,包括:
步骤S41、计算出清扫区域中机器人可以到达的最终清扫区域的所有轮廓总数findContours;
步骤S42、提取每个所述轮廓moments(contours[0]);
步骤S43、使用函数circle计算每个所述轮廓的质心。
进一步,所述步骤S5中,根据清扫区域中机器人可以到达的最终清扫区域的轮廓图形,以机器人在所述轮廓图形中移动的路径最短为标准,选择采用回字形全覆盖算法还是平铺型全覆盖算法来进行轮廓图形全覆盖,包括:
设清扫区域中机器人可以到达的最终清扫区域的轮廓图形为圆形区域A、圆形区域B和矩形区域C,所述矩形区域C连接在圆形区域A和圆形区域B之间;
对圆形区域A分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出回字形全覆盖算法的路径最短;
对圆形区域B分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出回字形全覆盖算法的路径最短;
对矩形区域C分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出平铺型全覆盖算法的路径最短;
最后,对于圆形区域A和圆形区域B采用回字形全覆盖算法,对于矩形区域C采用平铺型全覆盖算法。
进一步,所述步骤S5中,根据清扫区域中机器人可以到达的最终清扫区域的轮廓图形,以机器人在所述轮廓图形中移动的路径最短为标准,选择采用回字形全覆盖算法还是平铺型全覆盖算法来进行轮廓图形全覆盖,包括:
设清扫区域中机器人可以到达的最终清扫区域的轮廓图形为矩形区域D、矩形区域E和矩形区域F,所述矩形区域F连接在矩形区域D和矩形区域E之间;
对矩形区域D分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出平铺型全覆盖算法的路径最短;
对矩形区域E分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出平铺型全覆盖算法的路径最短;
对矩形区域F分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出平铺型全覆盖算法的路径最短;
最后,对于矩形区域D、矩形区域E和矩形区域F均采用平铺型全覆盖算法。
采用了上述技术方案,本发明先将选中的需要规划轨迹的不规则区域通过opencv来分区,分区后提取每个区域的近似圆形或矩形的轮廓,然后再对每个分区进行覆盖区域,可以去除一些已知的狭窄区域,可以简化区域覆盖算法的计算过程。分区后以机器人在所述轮廓图形中移动的路径最短为标准,根据区域不同判断采用回型全覆盖还是平铺全覆盖,这样规划出来的轨迹不是单一的,对于机器人的运动来说会更友善,而不同区域之间只需要再规划一条点对点轨迹,就可以实现同地图的不同区域切换。可以更高效合理的规划路径,从而达到复杂场景简单化的效果。
附图说明
图1为本发明的一种商用清洁机器人工作区域自动生成方法的流程图;
图2为本发明的清洁机器人在矩形双子楼外加连廊的最终清扫区域中的最优路径图;
图3为本发明的清洁机器人在圆形双子楼外加连廊的最终清扫区域中的最优路径图;
图4为本发明的清洁机器人采用单一回字形全覆盖的路径图;
图5为本发明的清洁机器人采用单一平铺型全覆盖的路径图。
具体实施方式
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明。
本实施例以商业广场中使用的清洁机器人为例,商业广场的平面图是由连廊连接的两栋双子楼结构,商业广场为了造型美观新颖,整个平面图通常呈不规则形状。
如图1所示,本实施例提供一种商用清洁机器人工作区域自动生成方法,包括:
步骤S1、获取机器人工作区域的三维点云地图,使用octomap中的octomap_server功能包将三维点云地图转换为栅格地图,通过octomap将三维点云地图转化为栅格地图,能得到一个边缘清晰,且空闲区域也能明确区分的栅格地图。octomap是一种基于八叉树的三维地图创建工具,可以显示包含无障碍区域及未映射区域的完整3D图形,而且基于占有率栅格的传感器数据可以在多次测量中实现融合和更新,地图可提供多种分辨率,数据可压缩,存储紧凑。
步骤S2、将栅格地图进行图像二值化,对栅格地图中的障碍区域和清扫区域进行区分,具体包括:
对栅格地图进行图像二值化,得到栅格地图的二值化图像,具体为:使用函数cvtColor(image,cv.COLOR_RGB2GRAY)对栅格地图进行灰度处理,得到栅格地图的二值化图像。
设定阈值X,二值化图像中低于阈值X的区域视为0,二值化图像中高于X的区域视为1;
二值化图像中低于阈值X的区域为障碍区域,二值化图像中高于X的区域为清扫区域。
步骤S3、对进行二值化图像进行开运算,过滤掉清扫区域中机器人无法到达的死角区域,保留清扫区域中机器人可以到达的最终清扫区域;本实施例中,对二值化图像进行开运算,开运算的算法表达式为:
morphologyEx(A,MORPH_OPEN,核结构元素);
其中,A为栅格地图的二值化图像。
对栅格地图的二值化图像,开运算先进行腐蚀,再进行膨胀,过滤掉二值化图像轮廓的尖端,得到二值化图像的圆滑轮廓。开运算能够除去孤立的小点,毛刺和小桥,而总的位置和形状不便。开运算是一个基于几何运算的滤波器,结构元素大小的不同将导致滤波效果的不同,不同的结构元素的选择导致了不同的分割,即提取出不同的特征。
本实施例将不规则的商场平面图形先进行如步骤S1-步骤S3所示的opencv分区,不规则的商场平面图形中的尖端区域,移动机器人在移动过程中是无法到达的,所以通过开运算应想将尖端腐蚀掉,通过腐蚀后再膨胀,平面图形的轮廓变得更加圆滑,并消除了尖端,因为尖端是没有办法进行路径规划的,过于狭窄,机器人无法经过。
步骤3结束后,再进入步骤S4、根据清扫区域中机器人可以到达的最终清扫区域的所有轮廓集合,计算出轮廓的质心,通过质心提取出对应的轮廓图形,轮廓图形为圆形或矩形;本实施例之所以计算质心,而不是计算规则图形的中心,因为质心会随着图形中部分轮廓的凹陷而稍微偏移,而实际场景并不一定是规则的图形,所以使用质心更为恰当准确,然后通过质心提取出对应的圆形或矩形轮廓图形。通过质心提取出对应的轮廓图形,包括:
步骤S41、计算出清扫区域中机器人可以到达的最终清扫区域的所有轮廓总数findContours;
步骤S42、提取每个轮廓moments(contours[0]);
步骤S43、使用函数circle计算每个轮廓的质心。
步骤S5、根据清扫区域中机器人可以到达的最终清扫区域的轮廓图形,以机器人在轮廓图形中移动的路径最短为标准,选择采用回字形全覆盖算法或平铺型全覆盖算法来进行轮廓图形全覆盖。
如图3所示,当清扫区域中机器人可以到达的最终清扫区域的轮廓图形为圆形区域A、圆形区域B和矩形区域C,矩形区域C连接在圆形区域A和圆形区域B之间;
对圆形区域A分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出回字形全覆盖算法的路径最短;
对圆形区域B分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出回字形全覆盖算法的路径最短;
对矩形区域C分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出平铺型全覆盖算法的路径最短;
最后,对于圆形区域A和圆形区域B采用回字形全覆盖算法,对于矩形区域C采用平铺型全覆盖算法。
如图2所示,当清扫区域中机器人可以到达的最终清扫区域的轮廓图形为矩形区域D、矩形区域E和矩形区域F,矩形区域F连接在矩形区域D和矩形区域E之间;
对矩形区域D分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出平铺型全覆盖算法的路径最短;
对矩形区域E分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出平铺型全覆盖算法的路径最短;
对矩形区域F分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出平铺型全覆盖算法的路径最短;
最后,对于矩形区域D、矩形区域E和矩形区域F均采用平铺型全覆盖算法。
为了进一步凸显本发明的清洁机器人工作区域自动生成方法的优势,下面通过两个未经过分区,直接选择一种全覆盖算法进行路径规划的方案进行比较:
如图4所示,商场平面图为双子楼外加连廊连接,采用回字形区域覆盖的方式,虽然用回字形不用走重复路段,但是相对来说走的路更多。
如图5所示,商场平面图为双子楼外加连廊连接,直接采用平铺区域覆盖的方式,走的总路程看着没有回字形多,但是车需要频繁的转弯掉头,且存在重复区域。
而本发明先经过分区和图形处理,再以机器人在轮廓图形中移动的路径最短为标准,选择采用回字形全覆盖算法还是平铺型全覆盖算法来进行轮廓图形全覆盖,所规划的轨迹最优,移动机器人的完成效率会得到明显的提高。
以上所述的具体实施例,对本发明解决的技术问题、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种商用清洁机器人工作区域自动生成方法,其特征在于,它包括:
步骤S1、获取机器人工作区域的三维点云地图,将三维点云地图转化为栅格地图;
步骤S2、将所述栅格地图进行图像二值化,对栅格地图中的障碍区域和清扫区域进行区分;
步骤S3、对进行二值化图像进行开运算,过滤掉清扫区域中机器人无法到达的死角区域,保留清扫区域中机器人可以到达的最终清扫区域;
步骤S4、根据清扫区域中机器人可以到达的最终清扫区域的所有轮廓集合,计算出轮廓的质心,通过质心提取出对应的轮廓图形;
步骤S5、根据清扫区域中机器人可以到达的最终清扫区域的轮廓图形,以机器人在所述轮廓图形中移动的路径最短为标准,选择采用回字形全覆盖算法或平铺型全覆盖算法来进行轮廓图形全覆盖。
2.根据权利要求1所述的一种商用清洁机器人工作区域自动生成方法,其特征在于:所述轮廓图形为圆形或矩形。
3.根据权利要求1所述的一种商用清洁机器人工作区域自动生成方法,其特征在于,所述步骤S1中,将三维点云地图转化为栅格地图,包括:
使用octomap中的octomap_server功能包将三维点云地图转换为栅格地图。
4.根据权利要求1所述的一种商用清洁机器人工作区域自动生成方法,其特征在于,所述步骤S2中,将所述栅格地图进行图像二值化,包括:
使用函数cvtColor(image,cv.COLOR_RGB2GRAY)对栅格地图进行灰度处理,得到所述栅格地图的二值化图像。
5.根据权利要求1所述的一种商用清洁机器人工作区域自动生成方法,其特征在于,所述步骤S2中,对栅格地图中的障碍区域和清扫区域进行区分,包括:
设定阈值X,所述二值化图像中低于阈值X的区域视为0,所述二值化图像中高于X的区域视为1;
所述二值化图像中低于阈值X的区域为障碍区域,所述二值化图像中高于X的区域为清扫区域。
6.根据权利要求4所述的一种商用清洁机器人工作区域自动生成方法,其特征在于,所述步骤S3中,对二值化图像进行开运算,包括:
对所述栅格地图的二值化图像,先进行腐蚀,再进行膨胀,过滤掉所述二值化图像轮廓的尖端,得到所述二值化图像的圆滑轮廓。
7.根据权利要求6所述的一种商用清洁机器人工作区域自动生成方法,其特征在于,所述开运算的算法表达式为:
morphologyEx(A,MORPH_OPEN,核结构元素);
其中,A为栅格地图的二值化图像。
8.根据权利要求5所述的一种商用清洁机器人工作区域自动生成方法,其特征在于,所述步骤S4中,根据清扫区域中机器人可以到达的最终清扫区域的所有轮廓集合,计算出轮廓的质心,通过质心提取出对应的轮廓图形,包括:
步骤S41、计算出清扫区域中机器人可以到达的最终清扫区域的所有轮廓总数findContours;
步骤S42、提取每个所述轮廓moments(contours[0]);
步骤S43、使用函数circle计算每个所述轮廓的质心。
9.根据权利要求1所述的一种商用清洁机器人工作区域自动生成方法,其特征在于,所述步骤S5中,根据清扫区域中机器人可以到达的最终清扫区域的轮廓图形,以机器人在所述轮廓图形中移动的路径最短为标准,选择采用回字形全覆盖算法还是平铺型全覆盖算法来进行轮廓图形全覆盖,包括:
设清扫区域中机器人可以到达的最终清扫区域的轮廓图形为圆形区域A、圆形区域B和矩形区域C,所述矩形区域C连接在圆形区域A和圆形区域B之间;
对圆形区域A分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出回字形全覆盖算法的路径最短;
对圆形区域B分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出回字形全覆盖算法的路径最短;
对矩形区域C分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出平铺型全覆盖算法的路径最短;
最后,对于圆形区域A和圆形区域B采用回字形全覆盖算法,对于矩形区域C采用平铺型全覆盖算法。
10.根据权利要求1所述的一种商用清洁机器人工作区域自动生成方法,其特征在于,所述步骤S5中,根据清扫区域中机器人可以到达的最终清扫区域的轮廓图形,以机器人在所述轮廓图形中移动的路径最短为标准,选择采用回字形全覆盖算法还是平铺型全覆盖算法来进行轮廓图形全覆盖,包括:
设清扫区域中机器人可以到达的最终清扫区域的轮廓图形为矩形区域D、矩形区域E和矩形区域F,所述矩形区域F连接在矩形区域D和矩形区域E之间;
对矩形区域D分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出平铺型全覆盖算法的路径最短;
对矩形区域E分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出平铺型全覆盖算法的路径最短;
对矩形区域F分别采用回字形全覆盖算法和平铺型全覆盖算法进行轮廓图形全覆盖,通过作图法对两种全覆盖算法的路径进行比较,得出平铺型全覆盖算法的路径最短;
最后,对于矩形区域D、矩形区域E和矩形区域F均采用平铺型全覆盖算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210144130.7A CN114224241A (zh) | 2022-02-17 | 2022-02-17 | 一种商用清洁机器人工作区域自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210144130.7A CN114224241A (zh) | 2022-02-17 | 2022-02-17 | 一种商用清洁机器人工作区域自动生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114224241A true CN114224241A (zh) | 2022-03-25 |
Family
ID=80747701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210144130.7A Pending CN114224241A (zh) | 2022-02-17 | 2022-02-17 | 一种商用清洁机器人工作区域自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114224241A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450576A (zh) * | 2017-07-24 | 2017-12-08 | 哈尔滨工程大学 | 一种桥梁检测无人机路径规划的方法 |
CN113552882A (zh) * | 2021-07-17 | 2021-10-26 | 普达迪泰(天津)智能装备科技有限公司 | 一种用于大区域的无人割草车的行驶路线控制方法 |
CN113888574A (zh) * | 2021-10-07 | 2022-01-04 | 珠海一微半导体股份有限公司 | 一种清洁机器人获取可清扫区域面积的方法 |
CN113974494A (zh) * | 2021-11-02 | 2022-01-28 | 微思机器人(深圳)有限公司 | 一种路径规划的方法、装置、扫地机器人及存储介质 |
-
2022
- 2022-02-17 CN CN202210144130.7A patent/CN114224241A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450576A (zh) * | 2017-07-24 | 2017-12-08 | 哈尔滨工程大学 | 一种桥梁检测无人机路径规划的方法 |
CN113552882A (zh) * | 2021-07-17 | 2021-10-26 | 普达迪泰(天津)智能装备科技有限公司 | 一种用于大区域的无人割草车的行驶路线控制方法 |
CN113888574A (zh) * | 2021-10-07 | 2022-01-04 | 珠海一微半导体股份有限公司 | 一种清洁机器人获取可清扫区域面积的方法 |
CN113974494A (zh) * | 2021-11-02 | 2022-01-28 | 微思机器人(深圳)有限公司 | 一种路径规划的方法、装置、扫地机器人及存储介质 |
Non-Patent Citations (1)
Title |
---|
许红: "基于全局视野的目标检测与追踪系统设计", 《中国优秀硕士学位论文全文数据库》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189412B (zh) | 基于激光点云的多楼层室内结构化三维建模方法及系统 | |
CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
CN106204547A (zh) | 从车载激光扫描点云中自动提取杆状地物空间位置的方法 | |
CN114417489A (zh) | 一种基于实景三维模型的建筑基底轮廓精细化提取方法 | |
KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
Qiu et al. | An adaptive down-sampling method of laser scan data for scan-to-BIM | |
CN113592891A (zh) | 无人车可通行域分析方法及导航栅格地图制作方法 | |
CN113985866A (zh) | 扫地机器人路径规划方法、装置、电子设备、存储介质 | |
CN116883754A (zh) | 一种面向地面LiDAR点云的建筑物信息提取方法 | |
CN115393548A (zh) | 一种适用于三维重建的网格纹理化简算法 | |
CN115330969A (zh) | 一种用于地面无人车的局部静态环境矢量化描述方法 | |
JP2002092658A (ja) | 3次元デジタル地図作成装置及び3次元デジタル地図作成のプログラムを記憶した記憶媒体 | |
CN110216664A (zh) | 基于点云数据的障碍物识别方法及装置 | |
CN117324221A (zh) | 一种曲面构件腻子喷涂方法 | |
CN112967384A (zh) | 识别建筑测绘构件的点云智能化切分方法 | |
CN114224241A (zh) | 一种商用清洁机器人工作区域自动生成方法 | |
Xiong et al. | Knowledge-driven inference for automatic reconstruction of indoor detailed as-built BIMs from laser scanning data | |
CN117444441A (zh) | 一种搭接焊缝智能焊接方法 | |
CN116051771A (zh) | 一种基于无人机倾斜摄影模型的光伏bim屋顶自动建模方法 | |
Jin et al. | High precision indoor model contour extraction algorithm based on geometric information | |
CN116300876A (zh) | 一种多智能体未知环境自主协同探索方法、系统、装置及存储介质 | |
CN116012737A (zh) | 基于无人机激光和视觉融合的高速施工监测方法和系统 | |
CN114820505A (zh) | 一种动态目标的非接触测量方法 | |
CN115855086A (zh) | 基于自旋转的室内场景自主重建方法、系统及介质 | |
Lv et al. | Semantically guided multi-view stereo for dense 3d road mapping |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220325 |