CN114663526A - 障碍物检测方法、装置、机器人及计算机可读存储介质 - Google Patents
障碍物检测方法、装置、机器人及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114663526A CN114663526A CN202210265629.3A CN202210265629A CN114663526A CN 114663526 A CN114663526 A CN 114663526A CN 202210265629 A CN202210265629 A CN 202210265629A CN 114663526 A CN114663526 A CN 114663526A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- point
- preset
- plane
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000006243 chemical reaction Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 54
- 238000010586 diagram Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 6
- 238000009434 installation Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000009466 transformation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001061225 Arcos Species 0.000 description 1
- 241001417527 Pempheridae Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Algebra (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种障碍物检测方法、装置、机器人及计算机可读存储介质,其中方法包括:将深度图像转换为第一点云数据;根据深度相机坐标系和机器人坐标系之间的三维点转换关系将第一点云数据转换为机器人坐标系下的第二点云数据;根据预设感兴趣区域从第二点云数据中提取感兴趣点云数据;根据感兴趣点云数据中的各平面的平面特征数据确定可通行区域点云数据;从感兴趣区域点云数据中排除可通行区域点云数据,得到剩余点云数据;根据剩余点云数据确定障碍物信息。这样,利用深度相机拍摄的深度图像、深度相机坐标系和机器人坐标系之间的三维点转换关系计算障碍物信息,可以提高障碍物检测精确度,提高障碍物检测效果。
Description
技术领域
本申请涉及机器人技术领域,尤其涉及一种障碍物检测方法、装置、机器人及计算机可读存储介质。
背景技术
现有技术中,机器人避障是智能安全运行的必要条件。避障是指机器人在行走过程中,通过传感器感知到在规划路线上存在的静态或动态障碍物时,按照一定的算法实时更新路径,绕过障碍物,最后达到目标点。为实现避障与导航,机器人需要进行环境感知。具体的,在未知或者是部分未知的环境下,机器人避障需要通过传感器获取周围环境信息,周围环境信息包括障碍物的尺寸、形状和位置等信息,因此传感器技术在移动机器人避障中起着十分重要的作用。避障控制中采用的传感器多种多样,各有不同的原理和特点,目前常见的主要有超声波传感器、激光传感器、红外传感器等。目前机器人主流的环境感知策略为深度相机和激光雷达用于探测前方障碍物,防跌落传感器用于机器人在贴近悬崖感知悬崖,但是这个策略需要机器人的部分本体已经在悬崖范围内,只比较适用于扫地机这种对于安全性要求不是很高的机器人。现有机器人存在障碍物检测效果比较差的问题。
发明内容
为了解决上述技术问题,本申请实施例提供了一种障碍物检测方法、装置、机器人及计算机可读存储介质。
第一方面,本申请实施例提供了一种障碍物检测方法,所述方法包括:
根据深度相机的内参将所述深度相机拍摄的深度图像转换为深度相机坐标系下的第一点云数据;
根据所述深度相机坐标系和机器人坐标系之间的三维点转换关系将所述第一点云数据转换为所述机器人坐标系下的第二点云数据;
根据预设感兴趣区域从所述第二点云数据中提取感兴趣点云数据;
从所述感兴趣点云数据中获取至少一平面,根据各平面的平面特征数据从所述感兴趣点云数据中确定可通行区域点云数据;
从所述感兴趣区域点云数据中排除可通行区域点云数据,得到剩余点云数据;
根据所述剩余点云数据确定障碍物信息。
第二方面,本申请实施例提供了一种障碍物检测装置,所述装置包括:
第一转换模块,用于根据深度相机的内参将所述深度相机拍摄的深度图像转换为深度相机坐标系下的第一点云数据;
第二转换模块,用于根据所述深度相机坐标系和机器人坐标系之间的三维点转换关系将所述第一点云数据转换为所述机器人坐标系下的第二点云数据;
提取模块,用于根据预设感兴趣区域从所述第二点云数据中提取感兴趣点云数据;
获取模块,用于从所述感兴趣点云数据中获取至少一平面,根据各平面的平面特征数据从所述感兴趣点云数据中确定可通行区域点云数据;
排除模块,用于从所述感兴趣区域点云数据中排除可通行区域点云数据,得到剩余点云数据;
确定模块,用于根据所述剩余点云数据确定障碍物信息。
第三方面,本申请实施例提供了一种移动终端,包括存储器以及处理器,所述存储器用于存储计算机程序,所述计算机程序在所述处理器运行时执行第一方面提供的障碍物检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行第一方面提供的障碍物检测方法。
上述本申请提供的障碍物检测方法、装置、机器人及计算机可读存储介质,根据深度相机的内参将所述深度相机拍摄的深度图像转换为深度相机坐标系下的第一点云数据;根据所述深度相机坐标系和机器人坐标系之间的三维点转换关系将所述第一点云数据转换为所述机器人坐标系下的第二点云数据;根据预设感兴趣区域从所述第二点云数据中提取感兴趣点云数据;从所述感兴趣点云数据中获取至少一平面,根据各平面的平面特征数据从所述感兴趣点云数据中确定可通行区域点云数据;从所述感兴趣区域点云数据中排除可通行区域点云数据,得到剩余点云数据;根据所述剩余点云数据确定障碍物信息。这样,利用深度相机拍摄的深度图像、深度相机坐标系和机器人坐标系之间的三维点转换关系计算障碍物信息,可以提高障碍物检测精确度,提高障碍物检测效果。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对本申请保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的机器人的一应用环境示意图;
图2示出了本申请实施例提供的障碍物检测方法的一流程示意图;
图3示出了本申请实施例提供的深度图像的一示意图;
图4示出了本申请实施例提供的点云数据的一示意图;
图5示出了本申请实施例提供的点云数据的另一示意图;
图6示出了本申请实施例提供的预设感兴趣区域的一示意图;
图7示出了本申请实施例提供的点云投影图的一示意图;
图8示出了本申请实施例提供的障碍物检测装置的一结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在下文中,可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本申请的各种实施例中被清楚地限定。
现有避障技术中常使用的传感器包括超声波传感器、激光传感器、红外传感器等。超声波传感器利用声波进行测距,声音一般是锥形传播,所以得到的距离是锥形波里最近的一个物体,另外超声波对吸收声波或者大风干扰情况下,无法工作。
激光传感器精度高,但是二维激光传感器只能对雷达平面进行检测,无法检测到地面以下的区域和低于激光传感器以下的区域;三维激光传感器价格高昂,目前很少用在低速雷达驾驶上。
红外传感器(深度相机)利用红外发射器与CCD检测器,红外线发射红外线,在物体上反射,反射的光线被CCD检测器接受后就能得到物体的距离。红外传感器具有数据量大,精度相对较高,相对于超声来说,具有更高的带宽。红外传感器容易受到各种热源光源干扰。
综上所述现有机器人存在障碍物检测效果比较差的问题。
实施例1
本公开实施例提供了一种障碍物检测方法,该障碍物检测方法应用于机器人,机器人安装有深度相机。请参阅图1,图1所示为本实施例提供的机器人的一应用环境示意图,机器人101安装有深度相机102,机器人101在移动过程中,可能会遇到障碍物103,通过深度相机102拍摄深度图像,深度图像中可以包括障碍物103的图像以及地面图像。
具体的,参见图2,本实施例提供的障碍物检测方法包括以下步骤:
步骤S201,根据深度相机的内参将所述深度相机拍摄的深度图像转换为深度相机坐标系下的第一点云数据。
请参阅图3,图3所示为本实施例提供的深度图像的一示意图,图3所示的深度图像30为图1中的深度相机102拍摄得到,深度图像30包括障碍物图像区域301和机器人局部图像区域302,以及夹杂在障碍物图像区域301和机器人局部图像区域302之间的地面图像区域303。
在本实施例中,深度相机的内参包括深度相机的原点偏移尺寸、焦距,举例来说,对于图1所示的应用环境图,可以根据深度相机102的原点偏移尺寸、焦距将深度图像30转换为深度相机坐标下的第一点云数据。具体的,可以根据以下公式1将深度图像转换为第一点云数据;
其中,j、i分别表示深度图像中的像素点横坐标、像素点纵坐标,d是像素点深度值,(cx,cy)为相机原点偏移尺寸,(fx,fy)为相机的焦距,p(x,y,z)表示每个像素点对应的点云坐标。
请参阅图4,图4所示为将图3所示深度图像30转换到深度相机坐标下的第一点云数据400,第一点云数据400包括第一点云簇401、第二点云簇402和第三点云簇403,第一点云簇401、第二点云簇402和第三点云簇403分别对应深度图像30中的障碍物图像区域301、机器人局部图像区域302和地面图像区域303。
步骤S202,根据所述深度相机坐标系和机器人坐标系之间的三维点转换关系将所述第一点云数据转换为所述机器人坐标系下的第二点云数据。
需要说明的是,机器人在安装深度相机时,会按照深度相机的标准安装参数进行初步安装,由于实际安装过程的实际安装参数与标准安装参数之间存在误差,例如,标准安装参数是深度相机距离地面70cm,向下倾斜45°,实际安装参数为离地面75cm,向下倾斜了50°,这些安装误差会导致从深度图像转换得到的第一点云数据中与地面图像区域对应的点云簇不能与地平面重合。具体的,可以再次参阅图4,第三点云簇403不能与地平面404重合。
为降低安装误差对障碍物检测过程造成的影响,需要采取坐标转换的方式,将深度相机坐标系下的点云数据转换为机器人坐标系下的点云数据。
在一实施方式中,所述三维点转换关系的获取的步骤包括以下步骤:
从所述第一点云数据中提取辅助平面;
在所述深度相机坐标系下确定所述辅助平面的法向量;
根据所述机器人坐标系下的第一方向轴向量与所述辅助平面之间的距离和所述第一方向轴向量,确定所述第一方向轴向量投影到所述辅助平面的投影向量;
根据所述投影向量和所述法向量确定在所述深度相机坐标下的第二方向轴向量;
确定所述辅助平面在所述机器人坐标系下的截距;
根据所述投影向量、所述法向量、所述第二方向轴向量和所述截距确定所述三维点转换关系。
下面对三维点转换关系的获取过程进行说明。从第一点云数据中根据如下公式2提取辅助平面;
公式2:ax+by+cz+d=0,其中,a、b、c、d为已知常数。
根据以下公式3计算机器人坐标系下的y轴单位向量[0,1,0]与所述辅助平面ax+by+cz+d=0之间的距离;
其中,t表示机器人坐标系下的y轴单位向量与辅助平面之间的距离,a、b、c、d表示辅助平面的平面特征数据。
根据旋转变化的性质,得到如下公式6确定三维点转换关系:
在一实施方式中,可以根据以下公式7,将深度相机坐标系下的第一点云数据转换为机器人坐标系下的第二点云数据;
公式7:P1=R×P;
其中,R表示前文的转换矩阵,P表示变换之前的第一点云数据,P=[x,y,z],P1表示变换之后的第二点云数据,P1=[x1,y1,z1]。
在另一实施方式中,可以根据以下公式8,将深度相机坐标系下的第一点云数据转换为第二点云数据;
公式8:P3=R×P2;
其中,R表示前文的转换矩阵,P2表示变换之前的第一点云数据的齐次方程,P2=[x,y,z,1],P3表示变换之后的第二点云数据的齐次方程,P3=[x1,y1,z1,1]。
在本实施例中,经过三维点转换关系将第一点云数据转换为第二点云数据后,可以将深度相机坐标系下的点云数据转换为机器人坐标系下的点云数据,符合机器人实际视觉需求。
举例来说,请参阅图5,图5所示为经过三维点转换关系进行坐标系转换后的点云数据,图5所示为将图3所示点云数据转换到机器人坐标系下的第二点云数据500,第二点云数据500包括第四点云簇501、第五点云簇502和第六点云簇503,第四点云簇501、第五点云簇502和第六点云簇503分别对应深度图像30中的障碍物图像区域301、机器人局部图像区域302和地面图像区域303,第六点云簇503与地平面重合,符合机器人实际视觉需求。
步骤S203,根据预设感兴趣区域从所述第二点云数据中提取感兴趣点云数据。
在一实施方式中,预设感兴趣区域可以由用户自定义设置,预设感兴趣区域为需要重点关注是否出现障碍物的区域,例如,预设感兴趣区域可以为机器人正前方的预设区域。请参阅图6,将机器人600的正前方的[xmin,xmax]×[ymin,ymax]范围区域设置为预设感兴趣区域601,可以从第二点云数据中提取机器人正前方[xmin,xmax]×[ymin,ymax]内的点云数据作为感兴趣点云数据。
步骤S204,从所述感兴趣点云数据中获取至少一平面,根据各平面的平面特征数据从所述感兴趣点云数据中确定可通行区域点云数据。
在一实施方式中,可以根据感兴趣点云数据的三维点数量初步确定感兴趣区域是否有遮挡。具体的,本实施例的障碍物检测方法还包括以下步骤:
判断所述感兴趣点云数据的三维点数量是否大于第一预设三维点阈值;
若所述感兴趣点云数据的三维点数量大于所述第一预设三维点阈值,则执行所述从所述感兴趣点云数据中获取至少一平面的步骤;
若所述感兴趣点云数据的三维点数量小于或等于所述第一预设三维点阈值,则确定在所述预设感兴趣区域未检测到障碍物。
所述第一预设三维点阈值根据深度相机分辨率、机器人运行现场、深度相机安装位置相关,可以由用户根据多个经验值进行确定。若感兴趣点云数据的三维点数量大于第一预设三维点阈值说明有可能存在障碍物遮挡,需要进一步从感兴趣点云数据中获取障碍物信息,若感兴趣点云数据的三维点数量小于或等于第一预设三维点阈值说明没有障碍物遮挡,可以确定预设感兴趣区域没有障碍物,机器人可以安全行驶。
需要说明的是,在感兴趣点云数据中往往会存在多个平面,如:墙面,地面等。可以根据以下公式9从感兴趣点云数据中提取至少一个平面:
公式9:Ax+By+Cz+D=0;
其中,A、B、C、D为参数。
在本实施例中,各平面的平面特征数据包括平面倾角和平面高度,预设障碍物识别阈值可以包括障碍物倾角阈值、障碍物高度阈值,可以根据各平面的平面倾角和平面高度是否小于障碍物倾角阈值、障碍物高度阈值,以确定各平面是否为可通行平面。
具体的,步骤S204中的所述根据各平面的平面特征数据从所述感兴趣点云数据中确定可通行区域点云数据的步骤,包括以下步骤:
判断各平面的平面特征数据是否小于预设障碍物识别阈值;
若各平面中存在平面特征数据小于所述预设障碍物识别阈值的可通行平面,则将所述可通行平面对应的点云数据作为所述可通行区域点云数据。
各平面的倾角可以根据以下公式10计算:
公式10:θ=arcos([0,0,1]×[A,B,C]);
其中,θ表示平面的倾角,A、B、C表示平面方程的参数。
具体的,在一个平面的平面倾角小于障碍物倾角阈值、且该平面的平面高度小于障碍物高度阈值时,确定该平面为可通行平面。在一个平面的平面倾角大于等于障碍物倾角阈值、或者该平面的平面高度大于等于障碍物高度阈值时,确定该平面为障碍物平面。
这样,可以根据各平面的平面特征数据从所述感兴趣点云数据中确定可通行区域点云数据,便于快速从感兴趣点云数据中排除地面点云数据等可通行点云数据,降低数据处理量,提高数据处理速度。
步骤S205,从所述感兴趣区域点云数据中排除可通行区域点云数据,得到剩余点云数据。
需要说明的是,由于机器人实际应用过程中,障碍物点云数据一般数量比较大,所以可以根据剩余点云数据的三维点数量确定剩余点云数据中是否存在障碍物。
具体的,本实施例的障碍物检测方法还包括一下步骤:
判断所述剩余点云数据的三维点数量是否大于第二预设三维点阈值;
若所述剩余点云数据的三维点数量大于所述第二预设三维点阈值,则执行所述根据所述剩余点云数据确定障碍物信息的步骤;
若所述剩余点云数据的三维点数量小于或等于所述第二预设三维点阈值,则确定在所述预设感兴趣区域未检测到障碍物。
在本实施例中,若剩余点云数据的三维点数量大于第二预设三维点阈值说明剩余点云数据有可能存在障碍物,需要进一步从剩余点云数据中获取障碍物信息,若剩余点云数据的三维点数量小于或等于第二预设三维点阈值说明剩余点云数据没有障碍物,可以确定预设感兴趣区域没有障碍物,机器人可以安全行驶。
进一步补充说明的是,由于在感兴趣点云数据中往往会存在多个平面,如:墙面,地面等,可以依次只提取一个平面,判断提取的一个平面是否为可通行平面,具体地,本实施例提供的障碍物检测方法还可以包括以下步骤:
从感兴趣点云数据中提取一个平面作为第一提取平面,获取所述第一提取平面的第一平面特征数据;
判断所述第一平面特征数据是否小于所述预设障碍物识别阈值;
若所述第一平面特征数据小于所述预设障碍物识别阈值,则确定所述第一提取平面为可通行平面,并从感兴趣点云数据中排除所述第一提取平面对应的点云数据,得到第一局部点云数据;
判断所述第一局部点云数据是否大于第三预设三维点阈值,所述第三预设三维点阈值根据感兴趣区域点云数据的三维点数量和预设比例确定;
若所述第一局部点云数据大于所述第三预设三维点阈值,则从所述第一局部点云数据中提取一平面作为第二提取平面,获取所述第二提取平面的第二平面特征数据,判断所述第二平面特征数据是否小于所述预设障碍物识别阈值;
若所述第二平面特征数据小于所述预设障碍物识别阈值,则从所述第一局部点云数据中排除所述第二平面对应的点云数据,得到第二局部点云数据,执行对所述第二局部点云数据排除可通行平面对应点云数据得到处理后点云数据,直至处理后点云数据的三维点数量小于所述第三预设三维点阈值,将最后的处理后点云数据作为剩余点云数据。
补充说明的是,上述判断所述第一平面特征数据是否小于所述预设障碍物识别阈值的步骤,和判断所述第二平面特征数据是否小于所述预设障碍物识别阈值的步骤,与前述的判断各平面的平面特征数据是否小于预设障碍物识别阈值的具体过程相似,可以参阅相关内容进行理解,为避免重复,在此不做赘述。
在一实施方式中,第三预设三维点阈值根据感兴趣区域点云数据和预设比例确定,具体的,可以根据如下公式11确定:
公式11:N1=N×ratio;
其中,N表示感兴趣区域点云数据的三维点数量,ratio表示预设比例。
预设比例ratio是指从感兴趣区域剔除地面等可行驶区域的点云之后剩下的点云比例,设置预设比例ratio的目的是为了防止无限对剩余点云数据提取平面。预设比例ratio可以为5%~10%。
本实施例提供的障碍物检测方法还可以包括以下步骤:
若所述第一平面特征数据或第二平面特征数据大于或等于所述预设障碍物识别阈值,则确定所述第一提取平面或所述第二平面特征数据为障碍物平面。
补充说明的是,若确定一个提取平面为障碍物平面,则不需要从感兴趣区域点云数据或者第一局部点云数据中排除该障碍物平面对应的点云数据。
步骤S206,根据所述剩余点云数据确定障碍物信息。
在本实施例中,由于剩余点云数据中三维点数量比较多,故可以通过距离机器人的远近距离对三维点进行遍历,从剩余点云数据获取障碍物信息。
具体的,步骤S206可以包括以下步骤:
将所述剩余点云数据的各三维点投影到预设栅格区域中,得到点云投影图;
对所述点云投影图中的多个投影点进行遍历,从多个所述投影点中确定与当前遍历点相距最近的预设数量投影点;
判断所述预设数量投影点的各投影点与所述当前遍历点的距离是否小于预设距离阈值;
若所述预设数量投影点的各投影点与所述当前遍历点的距离小于所述预设距离阈值,则确定所述当前遍历点及所述预设数量投影点为障碍点云;
若所述预设数量投影点中存在与所述当前遍历点的距离大于或等于所述预设距离阈值的投影点,则继续遍历其他投影点,直至对其他投影点完成遍历;
根据所述障碍点云确定障碍物信息。
在一实施方式中,所述将所述剩余点云数据的各三维点投影到预设栅格区域中,得到点云投影图的步骤,包括:
根据所述剩余点云数据的各三维点与机器人之间的距离对所述剩余点云数据的各三维点进行排序,得到排序后的点云数据;
将所述排序后的点云数据投影到所述预设栅格区域,得到所述点云投影图。
请参阅图7,图7所示为点云投影图的一示意图,图7所示点云投影图包括多个栅格701,以及位于多个栅格701上的多个投影点702。多个投影点702为剩余点云数据中的各三维点按照与机器人之间的距离远近向预设栅格区域投影得到,预设栅格区域的尺寸可以根据感兴趣区域的尺寸确定。预设栅格区域可以由用户自定义设计栅格尺寸,一般采用5cm,一个栅格可以包含多个三维点。可以按照前述的预设感兴趣区域设计预设栅格区域,将剩余点云数据中的三维点投影到对应的栅格中。
下面结合图7对障碍物信息的获取过程进行说明。根据从前往后原则从点云投影图中遍历提取一个投影点,判断当前遍历点是否为点云投影图中的最后一个投影点,若不是最后一个投影点,则利用KD-Tree算法,搜索与当前遍历点相距最近的N0个投影点,对于上述N0个投影点,判断N0个投影点中各个投影点与当前遍历点之间的距离是否小于预设距离阈值L0,如果N0个投影点中各个投影点与当前遍历点之间的距离均小于预设距离阈值L0,则确定当前遍历点和与当前遍历点相距最近的N0个投影点为障碍物点云簇,根据所述障碍物点云簇获取对应障碍物三维点云数据,根据障碍物三维点云数据确定障碍物信息,其中,障碍物信息包括障碍物高度、障碍物宽度、障碍物长度、障碍物倾斜度等信息,若障碍物高度大于0,则说明障碍物为高出地面的障碍物,若障碍物高度小于0,则说明障碍物为低于地面的台阶等障碍物。
需要补充说明的是,根据从前往后原则从点云投影图中遍历提取一个投影点,确定得到的障碍物信息为距离机器人最近的障碍物信息。在检测到最近的障碍物信息后,由于机器人需要进行避障设计,可能导致行驶路径改变,可以不对后续的投影点进行遍历,可以减少计算量。
补充说明的是,KD-Tree算法是以一种快速在空间搜索离当前点最近点的算法,一般是先构建KD-tree,再搜索,可以提高计算效率。
在一实施方式中,如果N0个投影点存在与当前遍历点之间的距离大于等于预设距离阈值L0的投影点,则确定当前遍历点和与当前遍历点相距最近的N0个投影点不为障碍物点云簇,继续按照顺序遍历下一个投影点,直至当前遍历点为点云投影图中的最后一个投影点。
本实施例提供的障碍物检测方法,根据深度相机的内参将所述深度相机拍摄的深度图像转换为深度相机坐标系下的第一点云数据;根据所述深度相机坐标系和机器人坐标系之间的三维点转换关系将所述第一点云数据转换为所述机器人坐标系下的第二点云数据;根据预设感兴趣区域从所述第二点云数据中提取感兴趣点云数据;从所述感兴趣点云数据中获取至少一平面,根据各平面的平面特征数据从所述感兴趣点云数据中确定可通行区域点云数据;从所述感兴趣区域点云数据中排除可通行区域点云数据,得到剩余点云数据;根据所述剩余点云数据确定障碍物信息。这样,利用深度相机拍摄的深度图像、深度相机坐标系和机器人坐标系之间的三维点转换关系计算障碍物信息,可以提高障碍物检测精确度,提高障碍物检测效果。
实施例2
此外,本公开实施例提供了一种障碍物检测装置。
具体的,如图8所示,障碍物检测装置800包括:
第一转换模块801,用于根据深度相机的内参将所述深度相机拍摄的深度图像转换为深度相机坐标系下的第一点云数据;
第二转换模块802,用于根据所述深度相机坐标系和机器人坐标系之间的三维点转换关系将所述第一点云数据转换为所述机器人坐标系下的第二点云数据;
提取模块803,用于根据预设感兴趣区域从所述第二点云数据中提取感兴趣点云数据;
获取模块804,用于从所述感兴趣点云数据中获取至少一平面,根据各平面的平面特征数据从所述感兴趣点云数据中确定可通行区域点云数据;
排除模块805,用于从所述感兴趣区域点云数据中排除可通行区域点云数据,得到剩余点云数据;
确定模块806,用于根据所述剩余点云数据确定障碍物信息。
在一实施方式中,障碍物检测装置800还包括:
第一处理模块,用于判断所述感兴趣点云数据的三维点数量是否大于第一预设三维点阈值;
若所述感兴趣点云数据的三维点数量大于所述第一预设三维点阈值,则执行所述从所述感兴趣点云数据中获取至少一平面的步骤;
若所述感兴趣点云数据的三维点数量小于或等于所述第一预设三维点阈值,则确定在所述预设感兴趣区域未检测到障碍物。
在一实施方式中,障碍物检测装置800还包括:
获取模块804,还用于判断各平面的平面特征数据是否小于预设障碍物识别阈值;
若各平面中存在平面特征数据小于所述预设障碍物识别阈值的可通行平面,则将所述可通行平面对应的点云数据作为所述可通行区域点云数据。
在一实施方式中,障碍物检测装置800还包括:
第二处理模块,用于判断所述剩余点云数据的三维点数量是否大于第二预设三维点阈值;
若所述剩余点云数据的三维点数量大于所述第二预设三维点阈值,则执行所述根据所述剩余点云数据确定障碍物信息的步骤;
若所述剩余点云数据的三维点数量小于或等于所述第二预设三维点阈值,则确定在所述预设感兴趣区域未检测到障碍物。
在一实施方式中,确定模块806,还用于将所述剩余点云数据的各三维点投影到预设栅格区域中,得到点云投影图;
对所述点云投影图中的多个投影点进行遍历,从多个所述投影点中确定与当前遍历点相距最近的预设数量投影点;
判断所述预设数量投影点的各投影点与所述当前遍历点的距离是否小于预设距离阈值;
若所述预设数量投影点的各投影点与所述当前遍历点的距离小于所述预设距离阈值,则确定所述当前遍历点及所述预设数量投影点为障碍点云;
若所述预设数量投影点中存在与所述当前遍历点的距离大于或等于所述预设距离阈值的投影点,则继续遍历其他投影点,直至对其他投影点完成遍历;
根据所述障碍点云确定障碍物信息。
在一实施方式中,确定模块806,还用于根据所述剩余点云数据的各三维点与机器人之间的距离对所述剩余点云数据的各三维点进行排序,得到排序后的点云数据;
将所述排序后的点云数据投影到所述预设栅格区域,得到所述点云投影图。
在一实施方式中,障碍物检测装置800还包括:
第三处理模块,用于从所述第一点云数据中提取辅助平面;
在所述深度相机坐标系下确定所述辅助平面的法向量;
根据所述机器人坐标系下的第一方向轴向量与所述辅助平面之间的距离和所述第一方向轴向量,确定所述第一方向轴向量投影到所述辅助平面的投影向量;
根据所述投影向量和所述法向量确定在所述深度相机坐标下的第二方向轴向量;
确定所述辅助平面在所述机器人坐标系下的截距;
根据所述投影向量、所述法向量、所述第二方向轴向量和所述截距确定所述三维点转换关系。
本实施例提供的障碍物检测装置,根据深度相机的内参将所述深度相机拍摄的深度图像转换为深度相机坐标系下的第一点云数据;根据所述深度相机坐标系和机器人坐标系之间的三维点转换关系将所述第一点云数据转换为所述机器人坐标系下的第二点云数据;根据预设感兴趣区域从所述第二点云数据中提取感兴趣点云数据;从所述感兴趣点云数据中获取至少一平面,根据各平面的平面特征数据从所述感兴趣点云数据中确定可通行区域点云数据;从所述感兴趣区域点云数据中排除可通行区域点云数据,得到剩余点云数据;根据所述剩余点云数据确定障碍物信息。这样,利用深度相机拍摄的深度图像、深度相机坐标系和机器人坐标系之间的三维点转换关系计算障碍物信息,可以提高障碍物检测精确度,提高障碍物检测效果。
实施例3
此外,本公开实施例提供了一种机器人,包括存储器以及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行上述方法实施例1所提供的障碍物检测方法。
本实施例提供的机器人可以安装有深度相机,可以实现实施例1所提供的障碍物检测方法,为避免重复,在此不做赘述。
实施例4
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现实施例1所提供的障碍物检测方法。
在本实施例中,计算机可读存储介质可以为只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本实施例提计算机可读存储介质可以实现实施例1提供的障碍物检测方法,为避免重复,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种障碍物检测方法,其特征在于,所述方法包括:
根据深度相机的内参将所述深度相机拍摄的深度图像转换为深度相机坐标系下的第一点云数据;
根据所述深度相机坐标系和机器人坐标系之间的三维点转换关系将所述第一点云数据转换为所述机器人坐标系下的第二点云数据;
根据预设感兴趣区域从所述第二点云数据中提取感兴趣点云数据;
从所述感兴趣点云数据中获取至少一平面,根据各平面的平面特征数据从所述感兴趣点云数据中确定可通行区域点云数据;
从所述感兴趣区域点云数据中排除可通行区域点云数据,得到剩余点云数据;
根据所述剩余点云数据确定障碍物信息。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
判断所述感兴趣点云数据的三维点数量是否大于第一预设三维点阈值;
若所述感兴趣点云数据的三维点数量大于所述第一预设三维点阈值,则执行所述从所述感兴趣点云数据中获取至少一平面的步骤;
若所述感兴趣点云数据的三维点数量小于或等于所述第一预设三维点阈值,则确定在所述预设感兴趣区域未检测到障碍物。
3.根据权利要求1所述的方法,其特征在于,所述根据各平面的平面特征数据从所述感兴趣点云数据中确定可通行区域点云数据的步骤,包括:
判断各平面的平面特征数据是否小于预设障碍物识别阈值;
若各平面中存在平面特征数据小于所述预设障碍物识别阈值的可通行平面,则将所述可通行平面对应的点云数据作为所述可通行区域点云数据。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
判断所述剩余点云数据的三维点数量是否大于第二预设三维点阈值;
若所述剩余点云数据的三维点数量大于所述第二预设三维点阈值,则执行所述根据所述剩余点云数据确定障碍物信息的步骤;
若所述剩余点云数据的三维点数量小于或等于所述第二预设三维点阈值,则确定在所述预设感兴趣区域未检测到障碍物。
5.根据权利要求1所述的方法,其特征在于,所述根据所述剩余点云数据确定障碍物信息的步骤,包括:
将所述剩余点云数据的各三维点投影到预设栅格区域中,得到点云投影图;
对所述点云投影图中的多个投影点进行遍历,从多个所述投影点中确定与当前遍历点相距最近的预设数量投影点;
判断所述预设数量投影点的各投影点与所述当前遍历点的距离是否小于预设距离阈值;
若所述预设数量投影点的各投影点与所述当前遍历点的距离小于所述预设距离阈值,则确定所述当前遍历点及所述预设数量投影点为障碍点云;
若所述预设数量投影点中存在与所述当前遍历点的距离大于或等于所述预设距离阈值的投影点,则继续遍历其他投影点,直至对其他投影点完成遍历;
根据所述障碍点云确定障碍物信息。
6.根据权利要求5所述的方法,其特征在于,所述将所述剩余点云数据的各三维点投影到预设栅格区域中,得到点云投影图的步骤,包括:
根据所述剩余点云数据的各三维点与机器人之间的距离对所述剩余点云数据的各三维点进行排序,得到排序后的点云数据;
将所述排序后的点云数据投影到所述预设栅格区域,得到所述点云投影图。
7.根据权利要求1所述的方法,其特征在于,所述三维点转换关系的获取的步骤,包括:
从所述第一点云数据中提取辅助平面;
在所述深度相机坐标系下确定所述辅助平面的法向量;
根据所述机器人坐标系下的第一方向轴向量与所述辅助平面之间的距离和所述第一方向轴向量,确定所述第一方向轴向量投影到所述辅助平面的投影向量;
根据所述投影向量和所述法向量确定在所述深度相机坐标下的第二方向轴向量;
确定所述辅助平面在所述机器人坐标系下的截距;
根据所述投影向量、所述法向量、所述第二方向轴向量和所述截距确定所述三维点转换关系。
8.一种障碍物检测装置,其特征在于,所述装置包括:
第一转换模块,用于根据深度相机的内参将所述深度相机拍摄的深度图像转换为深度相机坐标系下的第一点云数据;
第二转换模块,用于根据所述深度相机坐标系和机器人坐标系之间的三维点转换关系将所述第一点云数据转换为所述机器人坐标系下的第二点云数据;
提取模块,用于根据预设感兴趣区域从所述第二点云数据中提取感兴趣点云数据;
获取模块,用于从所述感兴趣点云数据中获取至少一平面,根据各平面的平面特征数据从所述感兴趣点云数据中确定可通行区域点云数据;
排除模块,用于从所述感兴趣区域点云数据中排除可通行区域点云数据,得到剩余点云数据;
确定模块,用于根据所述剩余点云数据确定障碍物信息。
9.一种机器人,其特征在于,包括存储器以及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器运行时执行权利要求1至7中任一项所述的障碍物检测方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的障碍物检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210265629.3A CN114663526A (zh) | 2022-03-17 | 2022-03-17 | 障碍物检测方法、装置、机器人及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210265629.3A CN114663526A (zh) | 2022-03-17 | 2022-03-17 | 障碍物检测方法、装置、机器人及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663526A true CN114663526A (zh) | 2022-06-24 |
Family
ID=82029884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210265629.3A Pending CN114663526A (zh) | 2022-03-17 | 2022-03-17 | 障碍物检测方法、装置、机器人及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663526A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913508A (zh) * | 2022-07-12 | 2022-08-16 | 江苏云幕智造科技有限公司 | 基于主被动信息融合的户外环境障碍实时检测方法及系统 |
CN114983302A (zh) * | 2022-06-28 | 2022-09-02 | 追觅创新科技(苏州)有限公司 | 姿态的确定方法、装置、清洁设备、存储介质及电子装置 |
CN115375713A (zh) * | 2022-10-25 | 2022-11-22 | 杭州华橙软件技术有限公司 | 地面点云的分割方法、装置及计算机可读存储介质 |
CN115503850A (zh) * | 2022-11-17 | 2022-12-23 | 国网智能科技股份有限公司 | 足式机器人足端触地检测方法及系统 |
CN118038027A (zh) * | 2024-04-11 | 2024-05-14 | 深圳市木牛机器人科技有限公司 | 平板运输车的兴趣点检测方法 |
CN118038027B (zh) * | 2024-04-11 | 2024-07-05 | 深圳市木牛机器人科技有限公司 | 平板运输车的兴趣点检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046776A (zh) * | 2019-12-06 | 2020-04-21 | 杭州成汤科技有限公司 | 基于深度相机的移动机器人行进路径障碍物检测的方法 |
CN111160302A (zh) * | 2019-12-31 | 2020-05-15 | 深圳一清创新科技有限公司 | 基于自动驾驶环境的障碍物信息识别方法和装置 |
CN111210429A (zh) * | 2020-04-17 | 2020-05-29 | 中联重科股份有限公司 | 点云数据划分方法及装置、障碍物检测方法及装置 |
US20210149411A1 (en) * | 2019-11-19 | 2021-05-20 | Beijing Xiaomi Intelligent Technology Co., Ltd. | Method, apparatus and storage medium for detecting small obstacles |
CN114035584A (zh) * | 2021-11-18 | 2022-02-11 | 上海擎朗智能科技有限公司 | 机器人检测障碍物的方法、机器人以及机器人系统 |
-
2022
- 2022-03-17 CN CN202210265629.3A patent/CN114663526A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210149411A1 (en) * | 2019-11-19 | 2021-05-20 | Beijing Xiaomi Intelligent Technology Co., Ltd. | Method, apparatus and storage medium for detecting small obstacles |
CN111046776A (zh) * | 2019-12-06 | 2020-04-21 | 杭州成汤科技有限公司 | 基于深度相机的移动机器人行进路径障碍物检测的方法 |
CN111160302A (zh) * | 2019-12-31 | 2020-05-15 | 深圳一清创新科技有限公司 | 基于自动驾驶环境的障碍物信息识别方法和装置 |
CN111210429A (zh) * | 2020-04-17 | 2020-05-29 | 中联重科股份有限公司 | 点云数据划分方法及装置、障碍物检测方法及装置 |
CN114035584A (zh) * | 2021-11-18 | 2022-02-11 | 上海擎朗智能科技有限公司 | 机器人检测障碍物的方法、机器人以及机器人系统 |
Non-Patent Citations (1)
Title |
---|
吴学毅: "计算机图形学原理与实践", 30 April 2008, 印刷工业出版社, pages: 165 - 167 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114983302A (zh) * | 2022-06-28 | 2022-09-02 | 追觅创新科技(苏州)有限公司 | 姿态的确定方法、装置、清洁设备、存储介质及电子装置 |
CN114983302B (zh) * | 2022-06-28 | 2023-08-08 | 追觅创新科技(苏州)有限公司 | 姿态的确定方法、装置、清洁设备、存储介质及电子装置 |
CN114913508A (zh) * | 2022-07-12 | 2022-08-16 | 江苏云幕智造科技有限公司 | 基于主被动信息融合的户外环境障碍实时检测方法及系统 |
CN115375713A (zh) * | 2022-10-25 | 2022-11-22 | 杭州华橙软件技术有限公司 | 地面点云的分割方法、装置及计算机可读存储介质 |
CN115375713B (zh) * | 2022-10-25 | 2023-03-24 | 杭州华橙软件技术有限公司 | 地面点云的分割方法、装置及计算机可读存储介质 |
CN115503850A (zh) * | 2022-11-17 | 2022-12-23 | 国网智能科技股份有限公司 | 足式机器人足端触地检测方法及系统 |
CN118038027A (zh) * | 2024-04-11 | 2024-05-14 | 深圳市木牛机器人科技有限公司 | 平板运输车的兴趣点检测方法 |
CN118038027B (zh) * | 2024-04-11 | 2024-07-05 | 深圳市木牛机器人科技有限公司 | 平板运输车的兴趣点检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114663526A (zh) | 障碍物检测方法、装置、机器人及计算机可读存储介质 | |
CN110674705B (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN108629231B (zh) | 障碍物检测方法、装置、设备及存储介质 | |
JP4046835B2 (ja) | 可動ロボットに対する距離データの高速面区分化方法 | |
CN110927742A (zh) | 障碍物跟踪方法、装置、设备及存储介质 | |
JP2008506136A (ja) | 多次元地理的ポイントの同時レジスタリング方法及びシステム | |
CN111612728B (zh) | 一种基于双目rgb图像的3d点云稠密化方法和装置 | |
KR20190070514A (ko) | 격자지도 생성 장치 및 방법 | |
CN113936198A (zh) | 低线束激光雷达与相机融合方法、存储介质及装置 | |
CN111142514B (zh) | 一种机器人及其避障方法和装置 | |
US20230251097A1 (en) | Efficient map matching method for autonomous driving and apparatus thereof | |
CN113111513B (zh) | 传感器配置方案确定方法、装置、计算机设备及存储介质 | |
CN112166457A (zh) | 点云分割方法、系统和可移动平台 | |
CN112744217A (zh) | 碰撞检测方法、行驶路径的推荐方法及其装置和存储介质 | |
KR20210065837A (ko) | 점유 격자 지도 생성 장치 및 방법 | |
CN114384491B (zh) | 用于激光雷达的点云处理方法及装置、存储介质 | |
CN114384492B (zh) | 用于激光雷达的点云处理方法及装置、存储介质 | |
US20210293930A1 (en) | Histogram based l-shape detection of target objects | |
KR20220052784A (ko) | 깊이 영상 기반 실시간 바닥 검출방법 | |
CN111474560A (zh) | 一种障碍物定位方法、装置及设备 | |
CN113536867A (zh) | 物体识别的方法、装置及系统 | |
CN113033248A (zh) | 一种图像识别方法及装置、计算机可读存储介质 | |
CN114549764A (zh) | 基于无人车的障碍物识别方法、装置、设备及存储介质 | |
CN112068547B (zh) | 一种基于amcl的机器人定位方法、装置和机器人 | |
KR102314954B1 (ko) | 반사 영상 제거 장치 및 방법 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221221 Address after: 266100 Room 202-1, Building 3, No. 8, Shengshui Road, Laoshan District, Qingdao, Shandong Applicant after: Ubicon (Qingdao) Technology Co.,Ltd. Address before: 518000 16th and 22nd Floors, C1 Building, Nanshan Zhiyuan, 1001 Xueyuan Avenue, Nanshan District, Shenzhen City, Guangdong Province Applicant before: Shenzhen UBTECH Technology Co.,Ltd. |