CN114296467B - 一种机器人充电桩自动找桩对桩的方法 - Google Patents

Abstract

本发明涉及一种机器人充电桩自动找桩对桩的方法，包括以下步骤：当机器人收到回桩命令后，机器人根据定位导航回到预先设定桩前点；机器人通过激光雷达获得周边环境的场景特征的激光数据；将采集的激光数据转换成点云数据，并将点云数据与充电桩的外形轮廓的特征点云数据进行匹配，得到充电桩的第一相对位姿；机器人运行至正对充电桩的预设距离位置；机器人通过激光雷达获取充电桩的各个特征边的尺寸值；根据充电桩的各个特征边的尺寸值得到充电桩中心点相对于机器人的第二相对位姿；规划对桩路径；机器人根据对桩路径与充电桩进行对桩。激光雷达较于相机和红外线测距传感器检测精度高以及视角范围广，可以快速精准找到充电桩的位置。

Description

一种机器人充电桩自动找桩对桩的方法

技术领域

本申请涉及机器人技术领域，具体涉及一种机器人充电桩自动找桩对桩的方法。

背景技术

智能机器人常见于服务场景，如清洁机器人、政务机器人、图书馆机器人，可以实现卫生清洁、带路指引等功能。现有的智能机器人都是配备充电电池，在拐角或隐密的空间内设置充电装置。当机器人需要充电时，会自动导航至充电装置附近进行充电。而现有的机器人的充电方式主要有两种：一种是人工将机器人移动至充电桩处充电，另一种是机器人与充电桩自动对接充电；现有通常采用的方式是机器人与充电桩自动对接的充电方式。现有自动对接的方式主要通过红外线定位、GPS及视觉定位等，如公开日为2020年09月08日申请号为CN202010512854.3的一种机器人与充电桩自动对接的方法及其系统采用视觉定位的方式进行充电桩对桩的方式，如公开日为2014年12月03日申请号为CN201210192705.9的移动机器人的自动充电系统采用红外线定位方式进行充电桩对桩的方式；然而现有基于GPS定位进行充电桩对桩的方式中，比较依赖定位精度，当定位存在较大误差时，存在无法找到充电桩的问题；而视觉探测和红外线传感器测距传感器探测视角存在盲区，无法快速找桩。

发明内容

鉴于上述问题，本申请提供了一种机器人充电桩自动找桩对桩的方法，解决现有机器人与充电桩对桩时无法快速精准对桩的问题。

为实现上述目的，发明人提供了一种机器人充电桩自动找桩对桩的方法，包括以下步骤：

当机器人收到回桩命令后，机器人根据定位导航回到预先设定桩前点；

到达预先设定桩前点，机器人通过激光雷达获得周边环境的场景特征的激光数据；

将采集的激光数据转换成点云数据，并将点云数据与充电桩的外形轮廓的特征点云数据进行匹配，得到充电桩的第一相对位姿；

根据充电桩的第一相对位姿，机器人运行至正对充电桩的预设距离位置；

机器人通过激光雷达获取充电桩的各个特征边的尺寸值；

根据充电桩的各个特征边的尺寸值得到充电桩中心点相对于机器人的第二相对位姿；

机器人根据当前机器人位姿及充电桩的第二相对位姿，规划对桩路径；

机器人根据对桩路径与充电桩进行对桩。

进一步优化，还包括以下步骤：

机器人在充电桩正前方预设距离位置通过激光雷达对充电桩的外形轮廓的点云特征进行采集得到充电桩的外型轮廓不同角度的预设个数的特征点云组；

分别从充电桩的预设个数的特征点云组中筛选出每个特征点云组对应的xmax、ymax、xmin、ymin，以xmin及ymin为原点，将每个特征点云组中的每个点云点减去对应的原点，得到预设个数的新的特征点云组；

构建预设分辨率的二维栅格图，所述二维栅格图的规格为((xmax-xmin)/预设分辨率)*((ymax-ymin)/预设分辨率)；

根据预设个数的新的特征点云组中的点云对二维栅格图的栅格进行赋值，得到预设个数存有充电桩外形轮廓特征的特征格栅图；

将预设个数特征格栅图分别以二维矩阵形式存储。

进一步优化，所述步骤“将点云数据与充电桩的外形轮廓的特征点云数据进行匹配，得到充电桩的第一相对位姿”具体包括以下步骤：

机器人将获取的周边环境的点云数据中筛选出xmax、ymax、xmin、ymin，并以xmin及ymin为原点，进而构建得到环境格栅图；

将得到的环境格栅图与预设个数的特征格栅图进行匹配；

得到与环境格栅图匹配度最高的特征格栅图；

则根据匹配度最高的特征格栅图确定充电桩的第一相对位姿。

进一步优化，所述步骤“机器人通过激光雷达获取充电桩的各个特征边的尺寸值”具体包括以下步骤：

机器人通过激光雷达获得多帧激光雷达数据，通过对获得多帧激光雷达数据进行求和取平均，得到处理后的激光雷达数据；

根据处理后的激光雷达数据计算得到充电桩的各个特征边的尺寸值。

进一步优化，所述步骤“根据处理后的激光雷达数据计算得到充电桩的各个特征边的尺寸值”具体包括以下步骤：

根据充电桩的实际尺寸和结构特征，在处理后的激光雷达数据中，从中心点向两边延伸，依次找到充电桩各个特征点；

根据结构尺寸的误差范围内，依次计算充电桩各个特征边的尺寸值。

进一步优化，所述步骤“根据充电桩的各个特征边的尺寸值得到充电桩中心点相对于机器人的第二相对位姿”具体包括以下步骤：

机器人依照预设角度范围等间隔角度旋转获取若干个激光雷达数据；

根据若干个激光雷达数据依次计算得到若干个特征边的尺寸值；

选择最匹配充电桩特征尺寸的计算值；

通过选取的特征尺寸的计算值，得到充电桩中心点相对于机器人的第二相对位姿。

进一步优化，所述步骤“机器人根据对桩路径与充电桩进行对桩”具体还包括以下步骤：

机器人根据对桩路径，通过卸力处理与充电桩进行对桩。

进一步优化，所述步骤“器人根据对桩路径，通过卸力处理与充电桩进行对桩”具体包括以下步骤：

机器人根据对桩路径对桩时，首先控制电机进行50％卸力；

机器人对桩过程中，通过激光雷达数据充电桩中心点跟对桩前的中心点的偏移量，根据偏移量调整电机的控制量；

机器人通过红外线与充电桩进行信息交互，反馈当前充电状态；

当机器人充上电时，则机器人按照线性比例开始卸力；

当机器人卸力至10％时，则重新回力至100％。

进一步优化，所述步骤“机器人根据对桩路径与充电桩进行对桩”具体还包括以下步骤：

机器人与充电桩对桩的过程中，通过激光雷达判断是否存在障碍物；

若存在障碍物，则机器人暂停对桩，同时通告上层进行语音播报警告；

当预设时间内检测到障碍物消失，则继续对桩，否则停止此次对桩。

进一步优化，所述步骤“机器人根据对桩路径与充电桩进行对桩”具体还包括以下步骤：

当机器人与充电桩对桩过程中，机器人与充电桩的充电片贴合失败后；

机器人沿充电桩正前方退出预设距离，重新计算充电桩的充电片的中心相对机器人的位姿，然后重新对桩；

若超过预设次数重新对桩后，扔对桩失败，则取消此次对桩。

区别于现有技术，上述技术方案，当机器人检测到自身电量不足时，下发回桩命令，机器人根据定位导航回到预先设定的桩前点；当到达预先设定桩前点后，机器人通过激光雷达获得周边环境的场景特种功能的激光数据，并将激光数据转换成点云数据，并将点云数据与充电桩的外型轮廓的特征点云数据进行匹配，根据匹配结果得到充电桩的第一相对位姿，然后根据得到的第一相对位姿，机器人运行至充电桩正前方的预设距离位置，当到达预设距离位置后，机器人再通过激光雷达获取充电桩的各个特征边的尺寸值，根据特征边的尺寸值得到充电桩中心点相对于机器人的第二相对位姿，机器人根据第二相对位姿，进行规划对桩路径，规划好对桩路径后，机器人根据对桩路径与充电桩进行对桩；激光雷达较于相机和红外线测距传感器检测精度高以及视角范围广，可以快速精准找到充电桩的位置。

上述发明内容相关记载仅是本申请技术方案的概述，为了让本领域普通技术人员能够更清楚地了解本申请的技术方案，进而可以依据说明书的文字及附图记载的内容予以实施，并且为了让本申请的上述目的及其它目的、特征和优点能够更易于理解，以下结合本申请的具体实施方式及附图进行说明。

附图说明

附图仅用于示出本申请具体实施方式以及其他相关内容的原理、实现方式、应用、特点以及效果等，并不能认为是对本申请的限制。

在说明书附图中：

图1为具体实施方式所述机器人充电桩自动找桩对桩的方法的一种流程示意图；

图2为具体实施方式所述步骤S130的一种流程示意图；

图3为具体实施方式所述步骤S150的一种流程示意图；

图4为具体实施方式所述步骤S320的一种流程示意图；

图5为具体实施方式所述步骤S160的一种流程示意图。

具体实施方式

为详细说明本申请可能的应用场景，技术原理，可实施的具体方案，能实现目的与效果等，以下结合所列举的具体实施例并配合附图详予说明。本文所记载的实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中各个位置出现的“实施例”一词并不一定指代相同的实施例，亦不特别限定其与其它实施例之间的独立性或关联性。原则上，在本申请中，只要不存在技术矛盾或冲突，各实施例中所提到的各项技术特征均可以以任意方式进行组合，以形成相应的可实施的技术方案。

除非另有定义，本文所使用的技术术语的含义与本申请所属技术领域的技术人员通常理解的含义相同；本文中对相关术语的使用只是为了描述具体的实施例，而不是旨在限制本申请。

在本申请的描述中，用语“和/或”是一种用于描述对象之间逻辑关系的表述，表示可以存在三种关系，例如A和/或B，表示：存在A，存在B，以及同时存在A和B这三种情况。另外，本文中字符“/”一般表示前后关联对象是一种“或”的逻辑关系。

在本申请中，诸如“第一”和“第二”之类的用语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何实际的数量、主次或顺序等关系。

在没有更多限制的情况下，在本申请中，语句中所使用的“包括”、“包含”、“具有”或者其他类似的表述，意在涵盖非排他性的包含，这些表述并不排除在包括所述要素的过程、方法或者产品中还可以存在另外的要素，从而使得包括一系列要素的过程、方法或者产品中不仅可以包括那些限定的要素，而且还可以包括没有明确列出的其他要素，或者还包括为这种过程、方法或者产品所固有的要素。

与《审查指南》中的理解相同，在本申请中，“大于”、“小于”、“超过”等表述理解为不包括本数；“以上”、“以下”、“以内”等表述理解为包括本数。此外，在本申请实施例的描述中“多个”的含义是两个以上(包括两个)，与之类似的与“多”相关的表述亦做此类理解，例如“多组”、“多次”等，除非另有明确具体的限定。

在本申请实施例的描述中，所使用的与空间相关的表述，诸如“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“垂直”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等，所指示的方位或位置关系是基于具体实施例或附图所示的方位或位置关系，仅是为了便于描述本申请的具体实施例或便于读者理解，而不是指示或暗示所指的装置或部件必须具有特定的位置、特定的方位、或以特定的方位构造或操作，因此不能理解为对本申请实施例的限制。

除非另有明确的规定或限定，在本申请实施例的描述中，所使用的“安装”“相连”“连接”“固定”“设置”等用语应做广义理解。例如，所述“连接”可以是固定连接，也可以是可拆卸连接，或成一体设置；其可以是机械连接，也可以是电连接，也可以是通信连接；其可以是直接相连，也可以通过中间媒介间接相连；其可以是两个元件内部的连通或两个元件的相互作用关系。对于本申请所属技术领域的技术人员而言，可以根据具体情况理解上述用语在本申请实施例中的具体含义。

机器人采用电池供电，当电池电量低于一定阈值，机器人会自动回充电桩进行充电；由于传感器存在累积误差，会导致机器人定位偏差，机器人可以通过成功对桩充电后，进行重定位，消除定位误差；由于定位偏差，机器人实际回到充电桩前位置可能偏离预先设定点，因此机器人要成功充电，需要进行找桩和对桩；考虑到找桩快速、精准，对桩稳定、可靠，充电安全。提供一张机器人充电桩自动找桩对桩的方法。

请参阅图1，本实施例提供了一种机器人充电桩自动找桩对桩的方法，包括以下步骤：

步骤S110:当机器人收到回桩命令后，机器人根据定位导航回到预先设定桩前点；

步骤S120:到达预先设定桩前点，机器人通过激光雷达获得周边环境的场景特征的激光数据；

步骤S130:将采集的激光数据转换成点云数据，并将点云数据与充电桩的外形轮廓的特征点云数据进行匹配，得到充电桩的第一相对位姿；

步骤S140:根据充电桩的第一相对位姿，机器人运行至正对充电桩的预设距离位置；

步骤S150:机器人通过激光雷达获取充电桩的各个特征边的尺寸值；

步骤S160:根据充电桩的各个特征边的尺寸值得到充电桩中心点相对于机器人的第二相对位姿；

步骤S170:机器人根据当前机器人位姿及充电桩的第二相对位姿，规划对桩路径；

步骤S180:机器人根据对桩路径与充电桩进行对桩。

激光雷达，主要有激光发射部分、接收部分、信号处理部分组成，是利用发射和接收激光脉冲信号的时间差来实现对被测目标的距离测量，激光雷达按照一定频率，一定扫描角度，一定分辨角度，扫描周围环境(如以28Hz频率，0.03度为间隔，总的270度，逆时针旋转一圈，记录这些间隔角度测到的物体距离，如果在量程内没有物体则标识为无穷大)；激光雷达返回是极坐标内的数据，先将其转换为二维坐标系内点集；将激光雷达数据laser转换为点云集；x＝cos(laser.angle_min+laser.angle_increment*i)*laser.ranges[i],y＝sin(laser.angle_min+laser.angle_increment*i)*laser.ranges[i]；根据充电桩摆放位置(总共31组，每一组数据都经过以下几个处理流程，最后保存)，从点云集中截取出充电桩外形轮廓(2维)的点云.

当机器人检测到自身电量不足时，下发回桩命令，机器人根据定位导航回到预先设定的桩前点；当到达预先设定桩前点后，机器人通过激光雷达获得周边环境的场景特种功能的激光数据，并将激光数据转换成点云数据，并将点云数据与充电桩的外型轮廓的特征点云数据进行匹配，根据匹配结果得到充电桩的第一相对位姿，然后根据得到的第一相对位姿，机器人运行至充电桩正前方的预设距离位置，当到达预设距离位置后，机器人再通过激光雷达获取充电桩的各个特征边的尺寸值，根据特征边的尺寸值得到充电桩中心点相对于机器人的第二相对位姿，机器人根据第二相对位姿，进行规划对桩路径，规划好对桩路径后，机器人根据对桩路径与充电桩进行对桩；激光雷达较于相机和红外线测距传感器检测精度高以及视角范围广，可以快速精准找到充电桩的位置。

在某些实施例中，还包括以下步骤：

机器人在充电桩正前方预设距离位置通过激光雷达对充电桩的外形轮廓的点云特征进行采集得到充电桩的外型轮廓不同角度的预设个数的特征点云组；

分别从充电桩的预设个数的特征点云组中筛选出每个特征点云组对应的xmax、ymax、xmin、ymin，以xmin及ymin为原点，将每个特征点云组中的每个点云点减去对应的原点，得到预设个数的新的特征点云组；

构建预设分辨率的二维栅格图，所述二维栅格图的规格为((xmax-xmin)/预设分辨率)*((ymax-ymin)/预设分辨率)；

根据预设个数的新的特征点云组中的点云对二维栅格图的栅格进行赋值，得到预设个数存有充电桩外形轮廓特征的特征格栅图；

将预设个数特征格栅图分别以二维矩阵形式存储。

机器人采用配套的二维激光雷达对充电桩的外形轮廓的点云特征进行采集、训练及保存；机器人需要采集充电桩的外形特征集(2维)包括：机器人在充电桩正前方预设距离位置进行采集充电桩外形轮廓的点云特征，如正前方0.5米；将机器人放置在充电桩正前方前0.5后，机器人依次向左及向右，以间隔0.1米采集一次充电桩的外形轮廓的点云特征，直至偏离预设范围，如1.5米；而大于1.5米后，机器人采集的数据定位偏离严重；当采集完后，总共采集31组特征点云组，即机器人在充电桩正前方0.5米处采集一组特征点云组，在充电桩正前方0.5米向左依次间隔0.1米采集一次，至充电桩正前方向左1.5米采集15组特征点云组，然后在充电桩正前方0.5米向右依次间隔0.1米采集一次，至充电桩正前方向右1.5米采集15组特征点云组，总共31组特征点云组。其中，每一组特征点云组均要满足：1、包括充电桩外形轮廓特征明显部分(坐标轴正对机器人方向为X轴，左右方向为Y轴，Y轴偏离越大，充电桩的特征点云组呈现外形轮廓变形越厉害，变形程度从最靠近机器人一侧往远离机器人方向逐渐严重)；2、先获取充电桩正对机器人时候Y轴方向的总长度L，后去其它组数据截取，从靠近机器人一侧开始往另一侧截取L长度，统一数据长度，降低后续运算算力，同时过滤掉变形严重部分(变形严重，相邻点距离变长，可用率低)。

从充电桩的外形轮廓的每个特征点云组中筛选出每组特征点云组对应的xmax,ymax,xmin,ymin，以每组特征点云组的(xmin,ymin)为原点，将每组特征点云组的各个点云点减去其对应的原点，得到新的点云pointN；进而得到预设个数的新的特征点云组。

以预设分辨率创建二维栅格图，如0.01分辨率，则创建一张((xmax-xmin)/0.01)*((ymax-ymin)/0.01)二维栅格图，初始化二维格栅图的每个栅格值为-1，根据新的点云对二维栅格图的栅格进行赋值，赋值的策略是栅格值等于新的点云落在每个栅格上的次数，然后将二维栅格图以二维矩阵形式存储。

请参阅图2，在某些实施例中，所述步骤“将点云数据与充电桩的外形轮廓的特征点云数据进行匹配，得到充电桩的第一相对位姿”具体包括以下步骤：

步骤S210：机器人将获取的周边环境的点云数据中筛选出xmax、ymax、xmin、ymin，并以xmin及ymin为原点，进而构建得到环境格栅图；

步骤S220：将得到的环境格栅图与预设个数的特征格栅图进行匹配；

步骤S230：得到与环境格栅图匹配度最高的特征格栅图；

步骤S240：则根据匹配度最高的特征格栅图确定充电桩的第一相对位姿。

机器人回桩，初略找桩。机器人大脑识别电量不足，下发回桩命令，机器人根据定位导航回到预先设定桩前点，开始初略找桩，二维激光雷达扫描一圈，获取周围270度(激光只能扫描270度)场景特征；将激光数据转换为点云数据，刷选出xmax,ymax,xmin,ymin，以(xmin,ymin)为原点，将周围场景特征的各个点云点减去原点，得到新的点云pointN；进而得到新的环境场景特征点云组。以预设分辨率创建二维栅格图，如0.01分辨率，则创建一张((xmax-xmin)/0.01)*((ymax-ymin)/0.01)的二维大栅格图，初始化二维格栅图的每个栅格值为-1，根据新的点云对二维栅格图的栅格进行赋值，赋值的策略是栅格值等于新的点云落在每个栅格上的次数，获取一张大栅格图，存储成一个大矩阵，从大矩阵0位置开始，以1个步长为间隔，进行预存31组充电桩外形轮廓特征对应的二维矩阵进行匹配(如大矩阵有1000个数据，循i从0开环变量记为i，始，每次加1，总共循环1000次；每个循环i,又嵌套一个循环，从i开始截取一个窗口数据，窗口大小和31组二维矩阵的特征数据大小一致(31组二维矩阵的特征数据大小都一样))；采用卷积形式进行匹配度计算，匹配度＝窗口矩阵各个成员*特征矩阵各个成员之和；从31组二维矩阵的特征匹配度中选取最大匹配度，判断匹配度是否大于预设阈值；如果匹配度大于阈值，则初略找桩成功，如果小于，则机器人以一定角速度，逆时针旋转一圈，旋转过程以100ms周期进行一次匹配度计算，直达找到桩或者旋转一圈，机器人才停止旋转。

请参阅图3，在某些实施例中，所述步骤“机器人通过激光雷达获取充电桩的各个特征边的尺寸值”具体包括以下步骤：

步骤S310：机器人通过激光雷达获得多帧激光雷达数据，通过对获得多帧激光雷达数据进行求和取平均，得到处理后的激光雷达数据；

步骤S320：根据处理后的激光雷达数据计算得到充电桩的各个特征边的尺寸值。

机器人理想对桩是机器人充电片和充电桩充电片绝对平行，并且中心在一条垂直线上，如果充电片左右错开或者贴合倾斜严重，成功率会大大降低；通过获取多帧激光雷达数据，通过求和取平均，消除激光雷达数据抖动(激光雷达自带误差)，减少对计算精度的影响。

请参阅图4，在某些实施例中，所述步骤“根据处理后的激光雷达数据计算得到充电桩的各个特征边的尺寸值”具体包括以下步骤：

步骤S410：根据充电桩的实际尺寸和结构特征，在处理后的激光雷达数据中，从中心点向两边延伸，依次找到充电桩各个特征点；

步骤S420：根据结构尺寸的误差范围内，依次计算充电桩各个特征边的尺寸值。

通过结合充电桩的实际尺寸和结构特征，从充电桩中心点向两边延伸，以此找到充电桩的各个特征点，按结构尺寸的可容忍误差范围，依次计算充电桩各个特征边尺寸值，并存储。其中，特征边的尺寸值包括充电桩上两个凹槽的宽度、两个凹槽之间的宽度、充电桩的总宽度和厚度。

请参阅图5，在某些实施例中，所述步骤“根据充电桩的各个特征边的尺寸值得到充电桩中心点相对于机器人的第二相对位姿”具体包括以下步骤：

步骤S510：机器人依照预设角度范围等间隔角度旋转获取若干个激光雷达数据；

步骤S520：根据若干个激光雷达数据依次计算得到若干个特征边的尺寸值；

步骤S530：选择最匹配充电桩特征尺寸的计算值；

步骤S540：通过选取的特征尺寸的计算值，得到充电桩中心点相对于机器人的第二相对位姿。

按照预设角度范围(如-30°-30°)对激光雷达进行等间隔角度(如1°)旋转得到若干个激光雷达数据，根据得到的激光雷达数据依次计算充电桩各个特征边的尺寸值；最后选取出最匹配的充电桩特征边尺寸值的计算值，其中，特征边尺寸最接近实际尺寸值最为匹配，对各个特征边尺寸值进行打分(val＝1/(fabs(计算值-真实值)))，跟实际尺寸值相差越远，则分束越低，最后算出各个特征边尺寸的总分，分数最高，则为最匹配的充电桩特征边的尺寸值。然后通过最匹配的特征边尺寸值，即可获得最匹配的充电桩外形轮廓的特征点云，根据最匹配的充电桩外形轮廓的特征点云，求点云质心，即充电桩中心位姿(x、y＝点云各个点x、y之和取平均)

在某些实施例中，所述步骤“机器人根据对桩路径与充电桩进行对桩”具体还包括以下步骤：

机器人根据对桩路径，通过卸力处理与充电桩进行对桩。

当前机器人底盘策略是一直输出最大的300N力，当顶着充电桩充电时，此时速度很小，但是输出力不变，还是300N，容易导致电机发热、烧毁；故在规划对桩路径时，同时规划机器人的控制速度和角速度，对机器人在对桩过程，进行卸力处理，防止对桩、充电过程出现电机堵转。

在某些实施例中，所述步骤“器人根据对桩路径，通过卸力处理与充电桩进行对桩”具体包括以下步骤：

机器人根据对桩路径对桩时，首先控制电机进行50％卸力；

机器人对桩过程中，通过激光雷达数据充电桩中心点跟对桩前的中心点的偏移量，根据偏移量调整电机的控制量；

机器人通过红外线与充电桩进行信息交互，反馈当前充电状态；

当机器人充上电时，则机器人按照线性比例开始卸力；

当机器人卸力至10％时，则重新回力至100％。

当机器人开始对桩时，首先对电机进行50％卸力；机器人在对桩过程中，通过激光雷达获取激光雷达数据，通过激光雷达数据不断计算充电桩中心点跟对桩前的偏移量，通过偏移量对电机的控制量进行修订；同时机器人通过红外线与充电桩进行信息交互，可以反馈当前的充电状态(如红外对桩、充电片贴合、是否充上电)；当充上电时，则机器人开始按照线性比例进行卸力，而采用线性比例进行卸力比较柔和，不会出现抖动；但卸力至10％力时，则重新回力至100％力。充电片贴合，如果不卸力，电机会持续输出最大扭矩，而此时机器人又不动，则会导致堵转、发热，甚至烧坏；通过卸力，消除电机和充电桩的相互作用力，防止堵转，最后回升100％力，防止机器人充电过程滑动，此时和充电桩相互作用力已经很小了。比如，当机器人找到充电桩后，准备后退对桩充电时候，首先将力从300N卸到100N；机器人以100N力进行对桩(充电片贴合)；识别充上电后，开始以1秒为间隔进行20N递减，当递交到20N后，在升回300N力；100N力进行堵转不会导致电机烧坏，1S间隔缓慢卸力，保证卸力过程机器人不会出现抖动，不会影响充电片贴合，卸完力后回到300N，防止机器人充电过程滑动；回升300N不会导致电机烧毁，因为通过卸力，已经将机器人与充电桩相互作用力卸载完成，回升力不会影响机器人与充电桩相互作用力(此时机器人处于静止状态，无对外输出力)。

在某些实施例中，所述步骤“机器人根据对桩路径与充电桩进行对桩”具体还包括以下步骤：

机器人与充电桩对桩的过程中，通过激光雷达判断是否存在障碍物；

若存在障碍物，则机器人暂停对桩，同时通告上层进行语音播报警告；

当预设时间内检测到障碍物消失，则继续对桩，否则停止此次对桩。

当机器人在对桩过程，会通过采集到的激光雷达数据，分析机器人轮廓容忍范围内是否存在障碍物，若存在障碍物，则停下来避障，同时通告上层进行语音播报警告，让相关人员可以及时对障碍物进行处理，规定时间内障碍物消失后，则机器人恢复运行，重新开始对桩，超时，则取消本次对桩。

在某些实施例中，所述步骤“机器人根据对桩路径与充电桩进行对桩”具体还包括以下步骤：

当机器人与充电桩对桩过程中，机器人与充电桩的充电片贴合失败后；

机器人沿充电桩正前方退出预设距离，重新计算充电桩的充电片的中心相对机器人的位姿，然后重新对桩；

若超过预设次数重新对桩后，扔对桩失败，则取消此次对桩。

当机器人充电片贴合失败，机器人沿充电桩正前方退出0.5米，重新计算充电桩充电片中心相对机器人位姿，重新对桩(提高成功率)，如果超出2次重新对桩，仍未成功对桩，则取消此次对桩。

最后需要说明的是，尽管在本申请的说明书文字及附图中已经对上述各实施例进行了描述，但并不能因此限制本申请的专利保护范围。凡是基于本申请的实质理念，利用本申请说明书文字及附图记载的内容所作的等效结构或等效流程替换或修改产生的技术方案，以及直接或间接地将以上实施例的技术方案实施于其他相关的技术领域等，均包括在本申请的专利保护范围之内。

Claims (10)

1.一种机器人充电桩自动找桩对桩的方法，其特征在于，包括以下步骤：

当机器人收到回桩命令后，机器人根据定位导航回到预先设定桩前点；

到达预先设定桩前点，机器人通过激光雷达获得周边环境的场景特征的激光数据；

将采集的激光数据转换成点云数据，并将点云数据与充电桩的外形轮廓的特征点云数据进行匹配，得到充电桩的第一相对位姿；

根据充电桩的第一相对位姿，机器人运行至正对充电桩的预设距离位置；

机器人通过激光雷达获取充电桩的各个特征边的尺寸值；

根据充电桩的各个特征边的尺寸值得到充电桩中心点相对于机器人的第二相对位姿；

机器人根据当前机器人位姿及充电桩的第二相对位姿，规划对桩路径；

机器人根据对桩路径与充电桩进行对桩。

2.根据权利要求1所述的机器人充电桩自动找桩对桩的方法，其特征在于，还包括以下步骤：

机器人在充电桩正前方预设距离位置通过激光雷达对充电桩的外形轮廓的点云特征进行采集得到充电桩的外型轮廓不同角度的预设个数的特征点云组；

分别从充电桩的预设个数的特征点云组中筛选出每个特征点云组对应的xmax、ymax、xmin、ymin，以xmin及ymin为原点，将每个特征点云组中的每个点云点减去对应的原点，得到预设个数的新的特征点云组；

构建预设分辨率的二维栅格图，所述二维栅格图的规格为((xmax-xmin)/预设分辨率)*((ymax-ymin)/预设分辨率)；

根据预设个数的新的特征点云组中的点云对二维栅格图的栅格进行赋值，得到预设个数存有充电桩外形轮廓特征的特征格栅图；

将预设个数特征格栅图分别以二维矩阵形式存储。

3.根据权利要求2所述的机器人充电桩自动找桩对桩的方法，其特征在于，所述步骤“将点云数据与充电桩的外形轮廓的特征点云数据进行匹配，得到充电桩的第一相对位姿”具体包括以下步骤：

机器人将获取的周边环境的点云数据中筛选出xmax、ymax、xmin、ymin，并以xmin及ymin为原点，进而构建得到环境格栅图；

将得到的环境格栅图与预设个数的特征格栅图进行匹配；

得到与环境格栅图匹配度最高的特征格栅图；

则根据匹配度最高的特征格栅图确定充电桩的第一相对位姿。

4.根据权利要求1所述的机器人充电桩自动找桩对桩的方法，其特征在于，所述步骤“机器人通过激光雷达获取充电桩的各个特征边的尺寸值”具体包括以下步骤：

机器人通过激光雷达获得多帧激光雷达数据，通过对获得多帧激光雷达数据进行求和取平均，得到处理后的激光雷达数据；

根据处理后的激光雷达数据计算得到充电桩的各个特征边的尺寸值。

5.根据权利要求4所述的机器人充电桩自动找桩对桩的方法，其特征在于，所述步骤“根据处理后的激光雷达数据计算得到充电桩的各个特征边的尺寸值”

根据充电桩的实际尺寸和结构特征，在处理后的激光雷达数据中，从中心点向两边延伸，依次找到充电桩各个特征点；

根据结构尺寸的误差范围内，依次计算充电桩各个特征边的尺寸值。

6.根据权利要求5所述的机器人充电桩自动找桩对桩的方法，其特征在于，所述步骤“根据充电桩的各个特征边的尺寸值得到充电桩中心点相对于机器人的第二相对位姿”具体包括以下步骤：

机器人依照预设角度范围等间隔角度旋转获取若干个激光雷达数据；

根据若干个激光雷达数据依次计算得到若干个特征边的尺寸值；

选择最匹配充电桩特征尺寸的计算值；

通过选取的特征尺寸的计算值，得到充电桩中心点相对于机器人的第二相对位姿。

7.根据权利要求1所述的机器人充电桩自动找桩对桩的方法，其特征在于，所述步骤“机器人根据对桩路径与充电桩进行对桩”具体还包括以下步骤：

机器人根据对桩路径，通过卸力处理与充电桩进行对桩。

8.根据权利要求7所述的机器人充电桩自动找桩对桩的方法，其特征在于，所述步骤“器人根据对桩路径，通过卸力处理与充电桩进行对桩”具体包括以下步骤：

机器人根据对桩路径对桩时，首先控制电机进行50％卸力；

机器人对桩过程中，通过激光雷达数据充电桩中心点跟对桩前的中心点的偏移量，根据偏移量调整电机的控制量；

机器人通过红外线与充电桩进行信息交互，反馈当前充电状态；

当机器人充上电时，则机器人按照线性比例开始卸力；

当机器人卸力至10％时，则重新回力至100％。

9.根据权利要求1所述的机器人充电桩自动找桩对桩的方法，其特征在于，所述步骤“机器人根据对桩路径与充电桩进行对桩”具体还包括以下步骤：

机器人与充电桩对桩的过程中，通过激光雷达判断是否存在障碍物；

若存在障碍物，则机器人暂停对桩，同时通告上层进行语音播报警告；

当预设时间内检测到障碍物消失，则继续对桩，否则停止此次对桩。

10.根据权利要求1所述的机器人充电桩自动找桩对桩的方法，其特征在于，所述步骤“机器人根据对桩路径与充电桩进行对桩”具体还包括以下步骤：

当机器人与充电桩对桩过程中，机器人与充电桩的充电片贴合失败后；

机器人沿充电桩正前方退出预设距离，重新计算充电桩的充电片的中心相对机器人的位姿，然后重新对桩；

若超过预设次数重新对桩后，仍对桩失败，则取消此次对桩。

Images