CN114720993A - 机器人定位方法、装置、电子设备以及存储介质 - Google Patents
机器人定位方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN114720993A CN114720993A CN202210327940.6A CN202210327940A CN114720993A CN 114720993 A CN114720993 A CN 114720993A CN 202210327940 A CN202210327940 A CN 202210327940A CN 114720993 A CN114720993 A CN 114720993A
- Authority
- CN
- China
- Prior art keywords
- laser point
- matched
- point cloud
- laser
- robot
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000000354 decomposition reaction Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 230000036544 posture Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000059 patterning Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种机器人定位方法、装置、机器人以及存储介质。所述方法包括：确定机器人定位使用的待匹配激光点云对；待匹配激光点云对中每对待匹配激光点包括机器人周围的当前激光点与从激光点云地图中选取的当前激光点对应的近邻激光点，确定待匹配激光点云中待匹配激光点的特征值；待匹配激光点的特征值基于待匹配激光点周围预设范围内的激光点的属性进行确定；依据每对待匹配激光点的特征值控制待匹配激光点云对进行点云匹配，来实时更新确定机器人位置与姿态。采用本方案引入激光点云特征值对激光点云匹配过程进行自适应控制调整，通过提出采用特征值进行自适应的高精度定位方法，很大程度上解决由于激光点云的误匹配导致的定位不准确问题。
Description
技术领域
本发明涉及机器人技术领域，尤其涉及一种机器人定位方法、装置、机器人以及存储介质。
背景技术
随着智能机器人技术的发展，各种机器人比如工业搬运机器人能够自动完成各种搬运任务，其中高精度定位是移动机器人实现自动驾驶的重要组成部分，能通过提供机器人等自动驾驶设备的位置与姿态保证自动驾驶可行性。
相关的激光传感器可以扫描周围环境生成激光点云地图，通过激光点云匹配可以确定机器人等自动驾驶设备的位置与姿态。但是，在进行点云匹配的时候，碍于周围环境非常复杂，可能会存在将从A物体上扫描的激光点云与从B物体上扫描的激光点云进行误匹配的情况，严重影响激光定位结果，进而影响机器人正常行驶。
发明内容
本发明实施例中提供了一种机器人定位方法、装置、电子设备以及存储介质，以解决激光点云之间因误匹配造成的定位不准确问题。
根据本发明的一方面，提供了一种机器人定位方法，所述方法包括：
确定机器人定位使用的待匹配激光点云对；所述待匹配激光点云对中每对待匹配激光点包括机器人周围的当前激光点与从激光点云地图中选取的当前激光点对应的近邻激光点；
确定所述待匹配激光点云中待匹配激光点的特征值；所述待匹配激光点的特征值基于待匹配激光点周围预设范围内的激光点的属性进行确定；
依据每对待匹配激光点的特征值，控制所述待匹配激光点云对进行点云匹配，用以确定机器人位置与姿态。
根据本发明的另一方面，提供了一种机器人定位装置，所述装置包括：
激光点云确定模块，用于确定机器人定位使用的待匹配激光点云对；所述待匹配激光点云对中每对待匹配激光点包括机器人周围的当前激光点与从激光点云地图中选取的当前激光点对应的近邻激光点；
激光特征确定模块，用于确定所述待匹配激光点云中待匹配激光点的特征值；所述待匹配激光点的特征值基于待匹配激光点周围预设范围内的激光点的属性进行确定；
激光点云匹配模块，用于依据每对待匹配激光点的特征值，控制所述待匹配激光点云对进行点云匹配，用以确定机器人位置与姿态。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的机器人定位方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的机器人定位方法。
根据本发明实施例的技术方案，确定机器人定位使用的待匹配激光点云对；待匹配激光点云对中每对待匹配激光点包括机器人周围的当前激光点与从激光点云地图中选取的当前激光点对应的近邻激光点，确定待匹配激光点云中待匹配激光点的特征值；待匹配激光点的特征值基于待匹配激光点周围预设范围内的激光点的属性进行确定；依据每对待匹配激光点的特征值控制待匹配激光点云对进行点云匹配，来实时更新确定机器人位置与姿态，在使用扫描到的激光点云进行实时匹配时，通过引入激光点云特征值对激光点云匹配过程进行自适应控制调整，提出了一种自适应的高精度构图与定位的方法，很大程度上解决由于激光点云的误匹配导致的定位不准确问题，提高了在各个环境下点云匹配的鲁棒性和准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的一种机器人定位方法的流程图；
图2是根据本发明实施例提供的另一种机器人定位方法的流程图；
图3是根据本发明实施例提供的一种机器人定位装置的结构示意图；
图4是实现本发明实施例的机器人定位方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“当前”、“近邻”、“待匹配”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面通过各个实施例及其可选方案对本申请中提供的机器人定位方法、装置、电子设备及存储介质进行详细阐述。
图1为本发明实施例提供了一种机器人定位方法的流程图，本实施例可适用于自动驾驶过程中对机器人进行实时激光定位的情况，尤其是适用于室内机器人激光定位的场景。该方法可以由机器人定位装置来执行，该机器人定位装置可以采用硬件和/或软件的形式实现，该机器人定位装置可配置于任何具有网络通信功能的电子设备中，比如自动导引运输车等机器人设备。如图1所示，该方法包括：
S110、确定机器人定位使用的待匹配激光点云对；待匹配激光点云对中每对待匹配激光点包括机器人周围的当前激光点与从激光点云地图中选取的当前激光点对应的近邻激光点。
激光点云可以是利用激光雷达在同一空间参考系下获取物体表面每个采样点的空间坐标，可得到一系列表达目标空间分布和目标表面特性的海量点的集合。激光点云可以包括通过激光传感器、激光雷达设备扫描获取反射回来的激光点数据。激光点云中包括三维坐标数据，激光反射强度等。
在机器人自动驾驶过程中，可以在当前时刻对机器人周围环境进行激光扫描，获取机器人周围的激光点数据，记为当前激光点云。同时，还可从预先构建的激光点云地图中找到与当前激光点云中各个激光点最近邻的激光点作为当前激光点云的近邻激光点云。待匹配激光点云对由机器人周围的当前激光点云与近邻激光点云组成；近邻激光点云包括从激光点云地图中选出的与当前激光点最近邻的近邻激光点，每对待匹配激光点包括一个当前激光点与当前激光点对应的近邻激光点。
在机器人自动驾驶的当前时刻，可以将当前激光点云与近邻激光点云作为进行点云匹配的一组待匹配激光点云对，可见待匹配激光点云对分别来自当前激光点云与近邻激光点云，每对待匹配激光点分别为来自当前激光点云中当前激光点和近邻激光点云中当前激光点的近邻激光点。
激光点云地图包括机器人从运行环境的任一地点出发，在运动过程中通过重复扫描到的激光点云来确定机器人自身位置与姿态，再根据机器人自身位置与姿态和扫描到的激光点云构建的3D激光地图。其中，机器人自身位置可包括机器人自身相对基准坐标的位置，机器人姿态可包括机器人自身相对基准坐标轴的方向；基准坐标可为机器人在运行环境中的运行起点坐标，基准坐标轴可为机器人在运行环境中运行开始时的坐标轴方向。
在本实施例的一种可选方案中，确定机器人定位使用的待匹配激光点云对，可包括步骤A1-A2：
步骤A1、扫描获取当前时刻机器人周围环境的当前激光点云。
自动驾驶的机器人上部署携带有激光传感器或者激光雷达设备，机器人自动驾驶过程中可以通过激光传感器或者激光雷达设备对机器人周围环境进行扫描，采集获取在当前时刻机器人周围的激光点数据，即可得到当前时刻在机器人周围环境的当前激光点云。
可选地，按照预设扫描时间间隔，通过激光传感器或者激光雷达设备对机器人周围环境进行周期性扫描，获取当前时刻在机器人周围环境的激光点云。比如周期性采集第k时刻激光雷达扫描到的点云数据。其中，周期性扫描时采用的预设扫描时间间隔与机器人上部署激光传感器或者激光雷达设备的性能相关，比如1秒采集10次，一次可以采集28800个激光点，不同硬件采集的激光点的数量不同。
示例性地，通过周期扫描采集，可得到在第k时刻机器人周围环境的当前激光点云P(k),pi是P(k)中的第i个采样点pi，i＝1，2，...，R，R表示P(k)中采样点的总个数,实际实施时0.1s时间完成28800个激光点和激光点云地图中选出的近邻激光点云匹配。
步骤A2、针对当前激光点云中的每一个当前激光点，从预设激光点云地图中选取与当前激光点最近邻的激光点，组成近邻激光点云。
针对机器人实时扫描获取的当前激光点云，遍历当前激光点云中对应的各个待匹配激光点，记为Pi a，从预设激光点云地图选取的与每个待匹配激光点云最近邻的激光点，记为Pi b，将最邻近的激光点Pi b组成当前激光点云的近邻激光点云。可选地，采用Kd树算法从预设激光点云地图的激光点云中，来匹配获取与当前激光点云中对应的每个待匹配激光点最邻近的激光点，从而得到近邻激光点云。待匹配激光点云对中每对待匹配激光点包括一个当前激光点与当前激光点对应的近邻激光点。
S120、确定待匹配激光点云中待匹配激光点的特征值；待匹配激光点的特征值基于待匹配激光点周围预设范围内的激光点的属性进行确定。
现如今的激光传感器、激光雷达设备等设备扫描得到的点云只有位置与反射强度等属性信息，没有具体的语义信息，在进行匹配的时候，会存在将从A物体上扫描的激光点云与从B物体上扫描的激光点云进行误匹配的情况。在一些情况下，如初值较差、场景变化较大时，会严重影响激光构图与定位的效果；同时在正常情况下，也会影响激光构图与定位的效果。
考虑到机器人定位不准确时会影响机器人的行驶轨迹，严重的时候可能会导致机器人碰撞甚至倾翻。为此，在获取当前激光点云中对应待匹配激光点与近邻激光点云中对应待匹配激光点组成的待匹配激光点云对后，不会立即进行点匹配。而是，分别针对当前激光点云中对应待匹配激光点与近邻激光点云中对应待匹配激光点，解析获取待匹配激光点周围附近预设范围内的激光点的位置和/或反射强度等属性信息，利用待匹配激光点附近的激光点的位置和/或反射强度等属性信息来计算得到每个待匹配激光点的特征值。
S130、依据每对待匹配激光点中对应当前激光点的特征值与近邻激光点的特征值，控制待匹配激光点云对进行点云匹配，用以确定机器人位置与姿态。
根据本发明实施例的技术方案，在使用扫描到的激光点云进行实时匹配时，通过引入激光点云特征值对激光点云匹配过程进行自适应控制调整，通过提出一种采用特征值进行自适应的高精度构图与定位的方法，很大程度上解决由于激光点云的误匹配导致的定位不准确问题，提高了在各个环境下点云匹配的鲁棒性和准确性，通过提高定位准确度能能为上层的导航、规划、控制模块提供更好的输入，能使机器人实现更精确的移动，使机器人更好、更安全的完成相关业务。
图2为本发明实施例提供了另一种机器人定位方法的流程图，本实施例在上述实施例的基础上对前述实施例中待匹配激光点特征值的计算过程进行进一步优化，本实施例可以与上述一个或多个实施例中各个可选方案进行结合。如图2所示，该方法可包括：
S210、确定机器人定位使用的待匹配激光点云对；待匹配激光点云对中每对待匹配激光点包括机器人周围的当前激光点与从激光点云地图中选取的当前激光点对应的近邻激光点。
S220、将位于待匹配激光点云中待匹配激光点预设范围内的至少两个激光点作为参考激光点云；待匹配激光点为当前激光点或当前激光点对应的近邻激光点。
在机器人运动过程中，获取实时扫描的当前激光点云以及当前激光点云的近邻激光点云，以构成待匹配激光点云对。针对待匹配激光点云中的每一个待匹配激光点进行遍历，扫描获取在待匹配激光点其周围的预设范围内(比如周围N米以内)的多个激光点，作为参考激光点云。这样针对待匹配激光点云中每对待匹配激光点，每对待匹配激光点对应的当前激光点与近邻激光点均有各自对应的参考激光点云。
可选地，上述预设范围可以采用以待匹配激光点为球心，半径为预设距离(比如5m)以内的球体进行表征。上述预设范围也可以采用距离待匹配激光点最近的预设个(比如20个)激光点进行表征。
S230、依据参考激光点云的激光点属性，确定待匹配激光点云中待匹配激光点的特征值。
其中，待匹配激光点的特征值基于待匹配激光点周围预设范围内的激光点的属性进行确定，激光点属性包括激光点方向、反射强度与位置等。
其中，待匹配激光点的特征值采用特征矩阵表示，特征矩阵描述了待匹配激光点周围激光点云的形状信息。
在实现上述实施例的一种可选方式中，依据参考激光点云的激光点属性，确定所述待匹配激光点云中待匹配激光点的特征值，可包括步骤B1-B3：
步骤B1、确定参考激光点云的激光点位置平均值，并确定参考激光点云到激光点位置平均值的误差矩阵。
对于当前激光点云中对应待匹配激光点或者近邻激光点云中对应待匹配激光点，令每个待匹配激光点坐标为3x1的矩阵
确定每个待匹配激光点周围预设范围内激光点作为参考激光点Pj，组成参考激光点云。
对参考激光点云中各个参考激光点Pj的坐标进行平均，得到参考激光点云的激光点位置平均值，其中计算公式如下：
其中，Pavg表示参考激光点云的参考激光点坐标位置平均值，pj表示第i个待匹配激光点周围附近的第j个参考激光点，m表示参考激光点云中参考激光点的个数。
基于参考激光点云中各个参考激光点Pj，以及到参考激光点云的激光点位置平均值Pavg，计算参考激光点云到参考激光点坐标位置平均值的误差矩阵，其计算公式如下：
步骤B2、对参考激光点云到激光点位置平均值的误差矩阵进行奇异值分解，得到奇异值分解结果。
其中，奇异值分解结果采用三维向量形式表征待匹配激光点的倾向结果；倾向结果包括孤立点、线上的点以及平面上的点。
将误差矩阵进行奇异值SVD分解，分解得到一个采用三维向量表征的奇异值分解结果，具体如下：cov＝U∑VT，对于上述过程由于误差矩阵为正交矩阵，因此U＝V，求解可得到矩阵U，即可得到采用三维向量形式表征的奇异值分解结果。
采用三维向量表示的奇异值分解结果可以表征该待匹配激光点是更倾向于孤立点，还是更倾向于线上的点，还是更倾向与平面上的点。若待匹配激光点的倾向结果是线上的点，则奇异值分解结果对应三维向量表征待匹配激光点所在线的方向；若待匹配激光点的倾向结果是平面上的点，则奇异值分解结果对应三维向量表征点所在平面的法向量。
步骤B3、依据奇异值分解结果，确定待匹配激光点云中待匹配激光点的特征值。
利用矩阵U，计算待匹配激光点的特征矩阵M，特征矩阵包含了激光点附近点云的形状信息,计算公式如下：
其中，M表示待匹配激光点的特征值，∈表示一个趋于0的固定值，避免运算时在计算情况下因∈为0出现除以0而导致程序异常，因此将单位矩阵中对角线左上方的∈配置为一个趋于0的极小值；U表示对参考激光点云到激光点位置平均值的误差矩阵的奇异值分解结果。
可选地，依据参考激光点云的激光点属性，确定待匹配激光点云中待匹配激光点的特征值，可包括：确定参考激光点云的激光点反射强度平均值，并确定参考激光点云到激光点反射强度平均值的误差矩阵；对参考激光点云到激光点反射强度平均值的误差矩阵进行奇异值分解，得到奇异值分解结果。其中，奇异值分解结果采用三维向量形式表征待匹配激光点的倾向结果；倾向结果包括孤立点、线上的点以及平面上的点。依据奇异值分解结果，确定待匹配激光点云中待匹配激光点的特征值。具体过程这里不在阐述，与位置的过程相似。
S240、依据当前激光点云与近邻激光点云中对应待匹配激光点的特征值，控制待匹配激光点云对进行点云匹配，用以确定机器人位置与姿态。
在本实施例的一种可选方案中，依据每对待匹配激光点中对应当前激光点的特征值与近邻激光点的特征值，控制待匹配激光点云对进行点云匹配，可包括步骤C1-C2：
步骤C1、确定每对待匹配激光点中对应当前激光点的特征值与近邻激光点的特征值之间的激光点特征相似度。
步骤C2、依据激光点特征相似度，控制待匹配激光点云对进行点云匹配。
特征矩阵M表征的待匹配激光点的特征值，若每对待匹配激光点中对应当前激光点与近邻激光点均为平面上的激光点且平面法向量一致时，则对应当前激光点的特征值与近邻激光点的特征值所对应的特征矩阵之间比较接近，差异性较小，激光点特征相似度比较大。当然，在均为平面上的激光点时，若平面法向量不一致，特征矩阵之间会疏远，激光点特征相似度会比较小。
若每对待匹配激光点中对应当前激光点与近邻激光点均为线上的点且线的方向一致时，对应当前激光点的特征值与近邻激光点的特征值所对应的特征矩阵之间比较接近，差异性较小，激光点特征相似度比较大。若每对待匹配激光点中对应当前激光点与近邻激光点均为孤立点，则对应当前激光点的特征值与近邻激光点的特征值所对应的特征矩阵比较接近，激光点特征相似度比较大。当然，在均为线上的激光点时，若线上的方向不一致，特征矩阵之间会疏远，差异性较大，激光点特征相似度会比较小。
若每对待匹配激光点中对应当前激光点与近邻激光点类型不一致，例如一个点是孤立点而另外一个点是平面上的点；或者，一个点是线上的点而另外一个点是平面上的点，则对应当前激光点的特征值与近邻激光点的特征值所对应的特征矩阵之间比较疏远，激光点特征相似度比较小。通俗点讲，两个点都是孤立的情况下，特征矩阵比较接近；当一个点是孤立点，另外一个点是平面时，特征矩阵不接近，差异性较大。
例如，在室内环境中，墙沿的激光点云类型都为线上的点，因此对应当前激光点的特征值与近邻激光点的特征值所对应的特征矩阵之间比较接近，对应当前激光点的特征值与近邻激光点的特征值所对应的特征矩阵之间比较接近，该对待匹配激光点中对应当前激光点与近邻激光点，在整体点云匹配过程中重要性会上升。若墙沿的激光点误匹配到地面上的点，由于两个面的法向量差距较大，对应当前激光点的特征值与近邻激光点的特征值所对应的特征矩阵之间比较疏远，该对待匹配激光点中对应当前激光点与近邻激光点，在整体点云匹配过程中重要性会下降，对构图与定位的效果有明显提升。
可选地，计算每对待匹配激光点中对应当前激光点的特征矩阵与近邻激光点的特征矩阵之间的欧式距离，基于欧氏距离表征当前激光点的特征值与近邻激光点的特征值之间的激光点特征相似度。
在实现上述实施例的一种可选方式中，依据激光点特征相似度，控制待匹配激光点云对进行点云匹配，可包括步骤D1-D2：
步骤D1、依据激光点特征相似度，构建每对待匹配激光点中对应当前激光点与近邻激光点在待匹配激光点云对中的点云匹配权重。
步骤D2、依据点云匹配权重，控制待匹配激光点云对进行点云匹配。
其中，激光点特征相似度越大，当前激光点与近邻激光点在点云匹配过程中权重越大，则在待匹配激光点云对进行点云匹配过程中的点云匹配结果的重要性越高。
对于扫描得到的当前激光点云中所有待匹配激光点，令其为Pi a，经过位姿F初值转换后，F代表机器人当前定位位置，从激光点云地图中得到当前激光点云最近邻的近邻激光点云，令其为Pi b。
令di＝F*Pi a-Pi b，di代表当前激光点云中待匹配激光点与近邻激光点云中待匹配激光点距离差值，通常可直接使用F＝argmin∑idi*di T进行定位计算，不考虑各激光点特征值，而本申请引入待匹配激光点的特征值进行点云匹配权重，改进后为F＝argmin∑idi(Mi b-FMi aFT)-1*di T，Mi a表示当前激光点云中待匹配激光点的特征值，Mi b表示当前激光点云的近邻激光点云中待匹配激光点的特征值，为了统一，将激光雷达采集的激光点换算成地图坐标系下的值，即Mi b和FMi aFT为统一坐标系下的特征值；argmin表示使目标函数f(x)＝∑idi(Mi b-FMi aFT)-1*di T取最小值时的变量值。
进行激光点云匹配时，特征值接近的激光点云在匹配过程中拥有更大的权重，比如(Mi b-FMi aFT)-1部分是匹配权重值，如果当前激光点云和当前激光点的近邻激光点比较接近，那么该激光点匹配的权重值较高。
可选地，在依据每对待匹配激光点中对应当前激光点的特征值与近邻激光点的特征值，引入点云匹配权重后，还可获取当前激光点的反射强度与近邻激光点的反射强度，继续引入当前激光点与近邻激光点的反射强度差异，改进后可为F＝(Ii b-Ii a)[argmin∑idi(Mi b-FMi aFT)-1*di T]。当然，还可获取当前激光点周围激光点云的反射强度均值来替代当前激光点的反射强度以及获取近邻激光点周围激光点云的反射强度均值来替代近邻激光点的反射强度。通过内部特征值计算的算法和权重计算的算法，使原有的构图与定位算法适应更广泛的场景，得到更高的精度，在特定环境中，如初值较差或场景变化较大时，能较好的提升构图与定位算法的精度。
对每对用来匹配的当前激光点与当前激光点的近邻激光点，根据两者之间的激光点特征值的相似程度来计算该对匹配的当前激光点与当前激光点的近邻激光点在整体的当前激光点云与近邻激光点云的匹配中所占的权重。根据带权重的点云匹配结果，实时更新机器人的位置与姿态信息。
根据本发明实施例的技术方案，采用的自适应的高精度激光构图与定位方法，在使用扫描到的激光点云进行实时匹配时，通过引入激光点云特征值对激光点云匹配过程进行自适应控制调整，利用了激光点云附近点云的位置信息生成特征值，特征值接近的点云在匹配过程中拥有更大的权重，特征值差异较大的点云在匹配过程中权重值较低，很大程度上解决由于激光点云的误匹配导致的定位不准确问题，提高了在各个环境下点云匹配的鲁棒性和准确性，通过提高定位准确度能能为上层的导航、规划、控制模块提供更好的输入，能使机器人实现更精确的移动，使机器人更好、更安全的完成相关业务。
图3为本发明实施例提供了一种机器人定位装置的结构框图，本实施例可适用于自动驾驶过程中对机器人进行实时激光定位的情况，该方法可以由机器人定位装置来执行，该机器人定位装置可以采用硬件和/或软件的形式实现，该机器人定位装置可配置于任何具有网络通信功能的机器人设备中。如图3所示，该装置可以包括：激光点云确定模块310、激光特征确定模块320和激光点云匹配模块330。其中：
激光点云确定模块310，用于确定机器人定位使用的待匹配激光点云对；所述待匹配激光点云对中每对待匹配激光点包括机器人周围的当前激光点与从激光点云地图中选取的当前激光点对应的近邻激光点；
激光特征确定模块320，用于确定所述待匹配激光点云中待匹配激光点的特征值；所述待匹配激光点的特征值基于待匹配激光点周围预设范围内的激光点的属性进行确定；
激光点云匹配模块330，用于依据每对待匹配激光点的特征值，控制所述待匹配激光点云对进行点云匹配，用以确定机器人位置与姿态。
在上述实施例的基础上，可选地，激光点云确定模块310包括：
扫描获取当前时刻机器人周围环境的当前激光点云；
针对当前激光点云中的每一个当前激光点，从预设激光点云地图中选取与当前激光点最近邻的激光点，组成近邻激光点云。
在上述实施例的基础上，可选地，激光特征确定模块320包括：
将位于所述待匹配激光点云中待匹配激光点预设范围内的至少两个激光点作为参考激光点云；所述待匹配激光点云为当前激光点云或近邻激光点云；
依据参考激光点云的激光点属性，确定所述待匹配激光点云中待匹配激光点的特征值；所述激光点属性包括反射强度与位置；
其中，所述待匹配激光点的特征值采用特征矩阵表示，特征矩阵描述了待匹配激光点周围激光点云的形状。
在上述实施例的基础上，可选地，依据参考激光点云的激光点属性，确定所述待匹配激光点云中待匹配激光点的特征值，包括：
确定参考激光点云的激光点位置平均值，并确定参考激光点云到激光点位置平均值的误差矩阵；
对参考激光点云到激光点位置平均值的误差矩阵进行奇异值分解，得到奇异值分解结果；其中所述奇异值分解结果采用三维向量形式表征待匹配激光点的倾向结果；倾向结果包括孤立点、线上的点以及平面上的点；
依据所述奇异值分解结果，确定所述待匹配激光点云中待匹配激光点的特征值。
在上述实施例的基础上，可选地，若待匹配激光点的倾向结果是线上的点，则奇异值分解结果对应三维向量表征待匹配激光点所在线的方向；若待匹配激光点的倾向结果是平面上的点，则奇异值分解结果对应三维向量表征点所在平面的法向量。
在上述实施例的基础上，可选地，激光点云匹配模块330包括：
确定每对待匹配激光点中对应当前激光点的特征值与近邻激光点的特征值之间的激光点特征相似度；
依据所述激光点特征相似度，控制所述待匹配激光点云对进行点云匹配。
在上述实施例的基础上，可选地，依据所述激光点特征相似度，控制所述待匹配激光点云对进行点云匹配，包括：
依据所述激光点特征相似度，构建每对待匹配激光点中对应当前激光点与近邻激光点在待匹配激光点云对中的点云匹配权重；
依据所述点云匹配权重，控制所述待匹配激光点云对进行点云匹配；
其中，所述激光点特征相似度越大，当前激光点与近邻激光点在点云匹配过程中权重越大本发明实施例中所提供的机器人定位装置可执行上述本发明任意实施例中所提供的机器人定位方法，具备执行该机器人定位方法相应的功能和有益效果，详细过程参见前述实施例中机器人定位方法的相关操作。
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如机器人定位方法。
在一些实施例中，机器人定位方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的机器人定位方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行机器人定位方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种机器人定位方法，其特征在于，所述方法包括：
确定机器人定位使用的待匹配激光点云对；所述待匹配激光点云对中每对待匹配激光点包括机器人周围的当前激光点与从激光点云地图中选取的当前激光点对应的近邻激光点；
确定所述待匹配激光点云中待匹配激光点的特征值；所述待匹配激光点的特征值基于待匹配激光点周围预设范围内的激光点的属性进行确定；
依据每对待匹配激光点的特征值，控制所述待匹配激光点云对进行点云匹配，用以确定机器人位置与姿态。
2.根据权利要求1所述的方法，其特征在于，所述确定机器人定位使用的待匹配激光点云对，包括：
扫描获取当前时刻机器人周围环境的当前激光点云；
针对当前激光点云中的每一个当前激光点，从预设激光点云地图中选取与当前激光点最近邻的激光点，组成近邻激光点云。
3.根据权利要求1所述的方法，其特征在于，确定所述待匹配激光点云中待匹配激光点的特征值，包括：
将位于所述待匹配激光点云中待匹配激光点预设范围内的至少两个激光点作为参考激光点云；所述待匹配激光点为当前激光点或近邻激光点；
依据参考激光点云的激光点属性，确定所述待匹配激光点云中待匹配激光点的特征值；所述激光点属性包括反射强度与位置；
其中，所述待匹配激光点的特征值采用特征矩阵表示，特征矩阵描述了待匹配激光点周围激光点云的形状。
4.根据权利要求3所述的方法，其特征在于，依据参考激光点云的激光点属性，确定所述待匹配激光点云中待匹配激光点的特征值，包括：
确定参考激光点云的激光点位置平均值，并确定参考激光点云到激光点位置平均值的误差矩阵；
对参考激光点云到激光点位置平均值的误差矩阵进行奇异值分解，得到奇异值分解结果；其中所述奇异值分解结果采用三维向量形式表征待匹配激光点的倾向结果；倾向结果包括孤立点、线上的点以及平面上的点；
依据所述奇异值分解结果，确定所述待匹配激光点云中待匹配激光点的特征值。
5.根据权利要求4所述的方法，其特征在于，若待匹配激光点的倾向结果是线上的点，则奇异值分解结果对应三维向量表征待匹配激光点所在线的方向；若待匹配激光点的倾向结果是平面上的点，则奇异值分解结果对应三维向量表征点所在平面的法向量。
6.根据权利要求1所述的方法，其特征在于，依据每对待匹配激光点的特征值，控制所述待匹配激光点云对进行点云匹配，包括：
确定每对待匹配激光点中对应当前激光点的特征值与近邻激光点的特征值之间的激光点特征相似度；
依据所述激光点特征相似度，控制所述待匹配激光点云对进行点云匹配。
7.根据权利要求6所述的方法，其特征在于，依据所述激光点特征相似度，控制所述待匹配激光点云对进行点云匹配，包括：
依据所述激光点特征相似度，构建每对待匹配激光点中对应当前激光点与近邻激光点在待匹配激光点云对中的点云匹配权重；
依据所述点云匹配权重，控制所述待匹配激光点云对进行点云匹配；
其中，所述激光点特征相似度越大，当前激光点与近邻激光点在点云匹配过程中权重越大。
8.一种机器人定位装置，其特征在于，所述装置包括：
激光点云确定模块，用于确定机器人定位使用的待匹配激光点云对；所述待匹配激光点云对中每对待匹配激光点包括机器人周围的当前激光点与从激光点云地图中选取的当前激光点对应的近邻激光点；
激光特征确定模块，用于确定所述待匹配激光点云中待匹配激光点的特征值；所述待匹配激光点的特征值基于待匹配激光点周围预设范围内的激光点的属性进行确定；
激光点云匹配模块，用于依据每对待匹配激光点的特征值，控制所述待匹配激光点云对进行点云匹配，用以确定机器人位置与姿态。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的机器人定位方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的机器人定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210327940.6A CN114720993A (zh) | 2022-03-30 | 2022-03-30 | 机器人定位方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210327940.6A CN114720993A (zh) | 2022-03-30 | 2022-03-30 | 机器人定位方法、装置、电子设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114720993A true CN114720993A (zh) | 2022-07-08 |
Family
ID=82239731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210327940.6A Pending CN114720993A (zh) | 2022-03-30 | 2022-03-30 | 机器人定位方法、装置、电子设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114720993A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184410A (zh) * | 2011-05-06 | 2011-09-14 | 浙江工业大学 | 三维复原颅面的识别方法 |
| JP2017219359A (ja) * | 2016-06-06 | 2017-12-14 | セイコーエプソン株式会社 | 形状測定装置、ロボット制御装置、及びロボット |
| CN111060099A (zh) * | 2019-11-29 | 2020-04-24 | 畅加风行(苏州)智能科技有限公司 | 一种无人驾驶汽车实时定位方法 |
| CN111414924A (zh) * | 2020-03-17 | 2020-07-14 | 江苏易图地理信息科技股份有限公司 | 一种顾及最优邻域的点云局部特征提取与分类方法 |
| CN111443359A (zh) * | 2020-03-26 | 2020-07-24 | 达闼科技成都有限公司 | 定位方法、装置及设备 |
| CN111461194A (zh) * | 2020-03-27 | 2020-07-28 | 广州小鹏汽车科技有限公司 | 点云处理方法及装置、行驶控制方法、电子装置和车辆 |
| CN111814792A (zh) * | 2020-09-04 | 2020-10-23 | 之江实验室 | 一种基于rgb-d图像的特征点提取与匹配方法 |
| WO2021253193A1 (zh) * | 2020-06-15 | 2021-12-23 | 深圳市大疆创新科技有限公司 | 多组激光雷达外参的标定方法、标定装置和计算机存储介质 |
| CN114140761A (zh) * | 2020-08-13 | 2022-03-04 | 长沙智能驾驶研究院有限公司 | 点云配准方法、装置、计算机设备和存储介质 |
| WO2022048193A1 (zh) * | 2020-09-01 | 2022-03-10 | 华为技术有限公司 | 一种地图绘制方法及装置 |
-
2022
- 2022-03-30 CN CN202210327940.6A patent/CN114720993A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184410A (zh) * | 2011-05-06 | 2011-09-14 | 浙江工业大学 | 三维复原颅面的识别方法 |
| JP2017219359A (ja) * | 2016-06-06 | 2017-12-14 | セイコーエプソン株式会社 | 形状測定装置、ロボット制御装置、及びロボット |
| CN111060099A (zh) * | 2019-11-29 | 2020-04-24 | 畅加风行(苏州)智能科技有限公司 | 一种无人驾驶汽车实时定位方法 |
| CN111414924A (zh) * | 2020-03-17 | 2020-07-14 | 江苏易图地理信息科技股份有限公司 | 一种顾及最优邻域的点云局部特征提取与分类方法 |
| CN111443359A (zh) * | 2020-03-26 | 2020-07-24 | 达闼科技成都有限公司 | 定位方法、装置及设备 |
| CN111461194A (zh) * | 2020-03-27 | 2020-07-28 | 广州小鹏汽车科技有限公司 | 点云处理方法及装置、行驶控制方法、电子装置和车辆 |
| WO2021253193A1 (zh) * | 2020-06-15 | 2021-12-23 | 深圳市大疆创新科技有限公司 | 多组激光雷达外参的标定方法、标定装置和计算机存储介质 |
| CN114140761A (zh) * | 2020-08-13 | 2022-03-04 | 长沙智能驾驶研究院有限公司 | 点云配准方法、装置、计算机设备和存储介质 |
| WO2022048193A1 (zh) * | 2020-09-01 | 2022-03-10 | 华为技术有限公司 | 一种地图绘制方法及装置 |
| CN111814792A (zh) * | 2020-09-04 | 2020-10-23 | 之江实验室 | 一种基于rgb-d图像的特征点提取与匹配方法 |
Non-Patent Citations (2)
| Title |
|---|
| A. AI-NUAIMI: "6DOF point cloud alignment using geometric algebra-based adaptive filtering", 2016 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION, 26 May 2016 (2016-05-26), pages 1 - 9 * |
| 徐兆阳: "三维重建中的点云配准技术研究", 中国优秀硕士学位论文全文数据库（信息科技辑）, 15 August 2020 (2020-08-15), pages 138 - 729 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210166418A1 (en) | Object posture estimation method and apparatus | |
| CN111209978B (zh) | 三维视觉重定位方法、装置及计算设备、存储介质 | |
| CN109212476B (zh) | 一种基于ddpg的rfid室内定位算法 | |
| CN112784873A (zh) | 一种语义地图的构建方法及设备 | |
| Nevado et al. | Obtaining 3D models of indoor environments with a mobile robot by estimating local surface directions | |
| CN115781673A (zh) | 一种零件抓取方法、装置、设备及介质 | |
| CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
| CN110276801B (zh) | 一种物体定位方法、装置及存储介质 | |
| CN115273071A (zh) | 一种物体识别方法、装置、电子设备及存储介质 | |
| CN114720993A (zh) | 机器人定位方法、装置、电子设备以及存储介质 | |
| CN115437385A (zh) | 移动机器人的激光定位方法、装置、设备和介质 | |
| CN114812576A (zh) | 地图匹配方法、装置及电子设备 | |
| CN114910892A (zh) | 一种激光雷达的标定方法、装置、电子设备及存储介质 | |
| CN115049810A (zh) | 固态激光雷达点云的上色方法、装置、设备及存储介质 | |
| CN114397894A (zh) | 一种模仿人类记忆的移动机器人目标搜索方法 | |
| CN113688920A (zh) | 模型训练及目标检测方法、装置、电子设备以及路侧设备 | |
| CN113627646A (zh) | 一种基于神经网络的路径规划方法、装置、设备及介质 | |
| CN113033270B (zh) | 采用辅助轴的3d物体局部表面描述方法、装置及存储介质 | |
| CN115529073B (zh) | 基于无人机节点通信的分布式协同干扰定位方法及装置 | |
| CN117649545B (zh) | 基于人工智能的喷涂轨迹规划方法及系统 | |
| CN117933519B (zh) | 一种路网优化方法和相关装置 | |
| CN115034335B (zh) | 一种基于决策树模型的机器人自主协同控制方法和系统 | |
| CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
| CN118158798A (zh) | 提高定位精度的基站位置摆放方法、装置、设备及介质 | |
| CN117689726A (zh) | 物体方向的确定方法、装置、设备、机器人和存储介质 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220708 Assignee: Muyi (Huzhou) Technology Development Co.,Ltd. Assignor: SHANGHAI MOOE-ROBOT TECHNOLOGY Co.,Ltd. Contract record no.: X2024980007103 Denomination of invention: Robot positioning methods, devices, electronic devices, and storage media License type: Common License Record date: 20240613 |
|
| EE01 | Entry into force of recordation of patent licensing contract |