CN114800504A - 机器人位姿分析方法、装置、设备及存储介质 - Google Patents
机器人位姿分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114800504A CN114800504A CN202210445714.8A CN202210445714A CN114800504A CN 114800504 A CN114800504 A CN 114800504A CN 202210445714 A CN202210445714 A CN 202210445714A CN 114800504 A CN114800504 A CN 114800504A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- matrix
- straight line
- linear
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能决策技术领域，揭露一种机器人位姿分析方法，包括：获取目标机器人的二维图像，提取特征，得到二维直线；获取目标机器人的三维点云信息，提取特征，得到三维直线；根据设备参数构建设备参数矩阵；根据二维直线和三维直线构建匹配直线对，获取将三维直线转换为二维直线的运动矩阵，基于匹配直线对和设备参数矩阵构建直线矩阵；利用分解算法分解直线矩阵，获取目标机器人的旋转矩阵和平移向量，利用运动矩阵计算旋转矩阵和平移向量，得到目标机器人的位姿。本发明还提出一种机器人位姿分析装置、设备及存储介质。本发明还涉及区块链技术，所述设备参数可存储于区块链节点中。本发明可以提升机器人位姿分析的准确性。
Description
技术领域
本发明涉及智能决策技术领域，尤其涉及一种机器人位姿分析方法、装置、设备及存储介质。
背景技术
在SLAM技术日渐兴起的今天，为了使机器人能够更加智能化以及更加便于用户操作，时常需要确定机器人位姿。现有方法往往仅依靠机器人拍摄的二维图像分析机器人位姿，由于单个二维图像只能在某一个平面上体现出机器人的位姿信息，无法得到机器人的完整位姿信息，而多个二维图像组合得到机器人的位姿时也常因为各个图像视角的不同导致机器人位姿分析的准确性十分容易出现问题。
发明内容
本发明提供一种机器人位姿分析方法、装置、电子设备及计算机可读存储介质，其主要目的在于提升提高机器人位姿分析的准确性。
为实现上述目的，本发明提供的一种机器人位姿分析方法，包括：
获取所述目标机器人的周围环境的多张二维图像，并提取各张所述二维图像的直线特征，得到多个二维直线；
利用预设的点云获取设备获取所述目标机器人的周围环境的多组三维点云信息，提取各组所述三维点云信息的直线特征，得到多个三维直线；
获取预设的摄像设备的设备参数数据，并构建所述设备参数据对应的设备参数矩阵；
根据所述二维直线及所述三维直线构建多个匹配直线对，根据所述匹配直线对，构建将所述三维直线转换为对应二维直线的运动矩阵，并基于所述匹配直线对和所述设备参数矩阵构建直线矩阵；
利用预设的分解算法对所述直线矩阵进行分解，得到所述目标机器人的旋转矩阵和平移向量，并利用所述运动矩阵、所述旋转矩阵及所述平移向量，计算得到所述目标机器人的位姿。
可选地，所述提取各张所述二维图像的直线特征，得到多个二维直线，包括：
将各张所述二维图像进行灰度化处理，得到多张二维灰度图像；
通过直线段检测算法从各张所述二维灰度图像中提取直线特征，得到多个二维直线。
可选地，所述根据所述二维直线及所述三维直线构建多个匹配直线对，包括：
获取所述二维直线的起始点和终止点；
根据所述起始点和所述终止点，在所述三维直线中查找对应点组成的三维直线；
根据所述二维直线及对应三维直线构建匹配直线对。
可选地，所述根据所述匹配直线对，构建将所述三维直线转换为对应二维直线的运动矩阵，包括：
将所述匹配直线对中的二维直线映射在预设的图像坐标系统中，得到二维直线表达式；
将所述匹配直线对中的三维直线映射在预构建的普吕克坐标系中，得到三维直线表达式；
根据所述二维直线表达式和所述三维直线表达式，计算将所述三维直线表达式映射为所述二维直线表达式的运动矩阵。
可选地，所述利用预设的分解算法对所述直线矩阵进行分解，得到所述目标机器人的旋转矩阵和平移向量，包括：
通过所述预设的分解算法对所述直线矩阵进行分解，得到所述直线矩阵的直线分解矩阵；
根据所述直线分解矩阵计算所述运动矩阵的共轭矩阵，并对所述共轭矩阵进行转置，得到所述运动矩阵的共轭转置矩阵；
利用所述预设的分解算法将所述共轭转置矩阵进行分解，得到所述共轭转置矩阵的转置分解矩阵，并基于所述直线分解矩阵和所述转置分解矩阵获取所述目标机器人的旋转矩阵和平移向量。
可选地，所述利用预设的点云获取设备获取所述目标机器人的周围环境的多组三维点云信息，包括：
通过所述点云获取设备获取所述目标机器人周边的扫描数据点；
基于距离滤波算法剔除所述扫描数据点中离群的扫描数据点，得到所述三维点云信息。
可选地，所述提取各组所述三维点云信息的直线特征，得到多个三维直线，包括：
计算各组所述三维点云信息中各个点的切面以及平滑度；
根据所述各个点的切平面和平滑度，通过区域增长法获取初始平面集合，并利用k均值聚类法从所述初始平面集合中获取标准平面集合；
从所述标准平面集合中提取具备方向向量的平面边缘点，并根据所述方向向量将所述平面边缘点聚类得到多个三维直线。
为了解决上述问题，本发明还提供一种机器人位姿分析装置，所述装置包括：
直线特征获取模块，用于获取所述目标机器人的周围环境的多张二维图像，并提取各张所述二维图像的直线特征，得到多个二维直线，利用预设的点云获取设备获取所述目标机器人的周围环境的多组三维点云信息，提取各组所述三维点云信息的直线特征，得到多个三维直线；
设备参数获取模块，用于获取预设的摄像设备的设备参数数据，并构建所述设备参数据对应的设备参数矩阵；
直线矩阵构建模块，用于根据所述二维直线及所述三维直线构建多个匹配直线对，根据所述匹配直线对，构建将所述三维直线转换为对应二维直线的运动矩阵，并基于所述匹配直线对和所述设备参数矩阵构建直线矩阵；
位姿计算模块，用于利用预设的分解算法对所述直线矩阵进行分解，得到所述目标机器人的旋转矩阵和平移向量，并利用所述运动矩阵、所述旋转矩阵及所述平移向量，计算得到所述目标机器人的位姿。
为了解决上述问题，本发明还提供一种电子设备，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如上所述的机器人位姿分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如上所述的机器人位姿分析方法。
本发明实施例获取目标机器人的周围环境的多张二维图像，并提取各张二维图像的直线特征，得到多个二维直线，实现二维图像特征的获取，之后利用预设的点云获取设备获取目标机器人的周围环境的多组三维点云信息，提取各组三维点云信息的直线特征，得到多个三维直线，达到获取三维点云信息特征的目的，获取预设的摄像设备的设备参数数据，并构建设备参数据对应的设备参数矩阵，然后根据二维直线及三维直线构建多个匹配直线对，构建将三维直线转换为二维直线的运动矩阵，最后基于匹配直线对和设备参数矩阵构建直线矩阵，利用预设的分解算法对直线矩阵进行分解，得到目标机器人的旋转矩阵和平移向量，并利用运动矩阵、旋转矩阵和平移向量计算得到目标机器人更加精确的位姿。因此，本发明可以结合二维图像和三维点云特征，避免了只通过二维图像进行位姿估计造成的局限性，提升机器人位姿分析的准确性。
附图说明
图1为本发明一实施例提供的一种机器人位姿分析方法的流程示意图；
图2为本发明一实施例提供的一种机器人位姿分析方法中一个步骤的详细流程示意图；
图3为本发明一实施例提供的一种机器人位姿分析方法中一个步骤的详细流程示意图；
图4为本发明一实施例提供的一种机器人位姿分析方法中一个步骤的详细流程示意图；
图5为本发明一实施例提供的一种机器人位姿分析方法中一个步骤的详细流程示意图；
图6为本发明一实施例提供的一种机器人位姿分析方法中一个步骤的详细流程示意图；
图7为本发明一实施例提供的一种机器人位姿分析方法中一个步骤的详细流程示意图；
图8为本发明一实施例提供的机器人位姿分析装置的模块示意图；
图9为本发明一实施例提供的实现机器人位姿分析方法的电子设备的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种机器人位姿分析方法。所述机器人位姿分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。换言之，所述机器人位姿分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的一种机器人位姿分析方法的流程示意图。在本实施例中，所述机器人位姿分析方法包括以下步骤S1-S5：
S1、获取所述目标机器人的周围环境的多张二维图像，并提取各张所述二维图像的直线特征，得到多个二维直线。
本发明实施例中，所述目标机器人为待确定具体位姿的机器人，所述二维图像为所述目标机器人通过预设的摄像设备拍摄前后左右等多个方向得到的图像，其中，所述二维图像可以用于确定所述目标机器人的位姿。
进一步地，参阅图2所示，所述提取各张所述二维图像的直线特征，得到多个二维直线，包括以下步骤S1011-S1012：
S1011、将各张所述二维图像进行灰度化处理，得到多张二维灰度图像；
S1012、通过直线段检测算法从各张所述二维灰度图像中提取直线特征，得到多个二维直线。
本发明实施例中，所述二维灰度图像为图像的每个像素点只有一个采样颜色的图像，所述二维灰度图像通常显示为从最暗黑色到最亮的白色的灰度变化。
本发明实施例中，所述直线特征为所述二维图像中所含有的大量直线特征，所述直线特征之间的组合包含丰富的结构信息，能够很好的表达图像的边缘特征，从而对各张所述二维图像进行区分，体现出所述目标机器人的位姿关系。
另外，所述直线段检测算法(Line Segment Detectr、LSD)是一种直线检测分割算法，可以在线性的时间内得出亚像素级精度的检测结构，主要用于检测所述二维图像中局部的直的轮廓，因此，也可称之为直线分割算法。
S2、利用预设的点云获取设备获取所述目标机器人的周围环境的多组三维点云信息，提取各组所述三维点云信息的直线特征，得到多个三维直线。
本发明实施例中，所述点云获取设备可以为激光雷达、三角测距传感器、结构光传感器、立体视觉传感器等设备，其中，所述激光雷达(Laser Radar)主要是以发射激光束探测目标物体的位置等特征量的雷达系统，所述激光雷达的工作原理为向目标发射探测信号，之后接收从目标物体反射回来的信号，并将反射回来的信号和发射信号进行对比处理，得到目标物体的方位、距离、形状等参数。
本发明实施例中，所述三维点云(Point Cloud)信息为大量的数据点信息的统称，三维点云中的数据点为一种三维向量，用于表示数据点在三维坐标系中的位置。
参阅图3所示，本发明实施例中，所述利用预设的点云获取设备获取所述目标机器人的周围环境的多组三维点云信息，包括以下步骤S2011-S2012：
S2011、通过所述点云获取设备获取所述目标机器人周边的扫描数据点；
S2012、基于距离滤波算法剔除所述扫描数据点中离群的扫描数据点，得到所述三维点云信息。
本发明实施例中，所述距离滤波算法为一种基于距离的滤波算法，主要应用于二维模型或者三维模型中。
进一步的，参阅图4所示，所述提取各组所述三维点云信息的直线特征，得到多个三维直线，包括以下步骤S2021-S2023：
S2021、计算各组所述三维点云信息中各个点的切面以及平滑度；
S2022、根据所述各个点的切平面和平滑度，通过区域增长法获取初始平面集合，并利用k均值聚类法从所述初始平面集合中获取标准平面集合；
S2023、从所述标准平面集合中提取具备方向向量的平面边缘点，并根据所述方向向量将所述平面边缘点聚类得到多个三维直线。
本发明实施例中，所述区域增长法为一种已受到计算机视觉界十分关注的图像分割算法，所述区域增长法以区域为处理对象，考虑到区域内部和区域之间的同异性，尽量保持区域中像素的临近性和一致性的算法，所述k均值聚类算法为跌代求解的聚类分析算法。
S3、获取预设的摄像设备的设备参数数据，并构建所述设备参数据对应的设备参数矩阵。
本发明实施例中，所述摄像设备为摄像机类设备，用于将光学图像转化为电信号，以便于存储或者再运输，所述摄像设备可以包括：模拟摄像机和数字摄像机等。
本发明实施例中，所述设备参数数据为所述目标机器人的摄像设备的参数，可以才所述目标摄像设备中直接获取，通过所述摄像设备的设备参数数据可以可以用于构建设备参数矩阵。其中，所述设备参数矩阵又可称之为内参矩阵，所述设备参数矩阵表示如下：
其中，所述fx、fy为所述摄像设备的焦距，cx、cy为所述摄像设备的主点偏移值。
S4、根据所述二维直线及所述三维直线构建多个匹配直线对，根据所述匹配直线对，构建将所述三维直线转换为对应二维直线的运动矩阵，并基于所述匹配直线对和所述设备参数矩阵构建直线矩阵。
本发明实施例中，所述匹配直线对为一个二维直线和一个三维直线组成的直线对，其中，构成所述匹配直线对的所述二维直线和所述三维直线之间为一一对应的关系，即所述二维直线和所述三维直线在所述目标机器人所处的空间场景中表示相同的两个点组成的直线。
参阅图5所示，本发明实施例中，所述根据所述二维直线及所述三维直线构建多个匹配直线对，包括以下步骤S4011-S4013：
S4011、获取所述二维直线的起始点和终止点；
S4012、根据所述起始点和所述终止点，在所述三维直线中查找对应点组成的三维直线；
S4013、根据所述二维直线及对应三维直线构建匹配直线对。
本发明实施例中，由一个直线特征对可构造2*18的矩阵Ai，由n个直线特征对可构造2n*18的矩阵
进一步地，参阅图6所示，本发明实施例中，所述根据所述匹配直线对，构建将所述三维直线转换为对应二维直线的运动矩阵，包括以下步骤S4021-S4023：
S4021、将所述匹配直线对中的二维直线映射在预设的图像坐标系统中，得到二维直线表达式；
S4022、将所述匹配直线对中的三维直线映射在预构建的普吕克坐标系中，得到三维直线表达式；
S4023、根据所述二维直线表达式和所述三维直线表达式，计算将所述三维直线表达式映射为所述二维直线表达式的运动矩阵。
本发明实施例中，所述普吕克坐标系为一种齐次坐标系，用于坐标系的投影领域，可以是N+1维来代表N维坐标。
本发明实施例中，所述图像坐标系中所述二维直线表达式为：
另外，过所述世界坐标系中的三维点A＝(ax,ay,az,aw)T和B＝(bx,by,bz,bw)T的三维直线表达式：
其中，
为所述三维直线的法向量，
为所述三维直线的方向向量。
进一步地，将三维直线表达式映射为二维直线表达式的映射关系式为：
Limg＝TLo
其中，T为所述运动矩阵，Limg为二维直线表达式，Lo为三维直线表达式。
进一步地，T＝(R R[t]×)
其中，R为旋转矩阵；t为平移向量；[t]×为t的斜对称矩阵。
S5、利用预设的分解算法对所述直线矩阵进行分解，得到所述目标机器人的旋转矩阵和平移向量，并利用所述运动矩阵、所述旋转矩阵及所述平移向量，计算得到所述目标机器人的位姿。
本发明实施例中，所述预设的分解算法为奇异值分解算法，所述奇异值分解(Singular Value Decomposition，SVD)是线性代数中一种重要的矩阵分解方法，所述奇异值分解方法不仅可用在降维算法中的特征分解模块，还可用于推荐系统，以及自然语言处理等领域，在机器学习、信号处理，统计学等领域中均有着有重要应用。
参阅图7所示，本发明实施例中，所述利用预设的分解算法对所述直线矩阵进行分解，得到所述目标机器人的旋转矩阵和平移向量，包括以下步骤S5011-S5013：
S5011、通过所述预设的分解算法对所述直线矩阵进行分解，得到所述直线矩阵的直线分解矩阵；
S5012、根据所述直线分解矩阵计算所述运动矩阵的共轭矩阵，并对所述共轭矩阵进行转置，得到所述运动矩阵的共轭转置矩阵；
S5013、利用所述预设的分解算法将所述共轭转置矩阵进行分解，得到所述共轭转置矩阵的转置分解矩阵，并基于所述直线分解矩阵和所述转置分解矩阵获取所述目标机器人的旋转矩阵和平移向量。
本发明实施例中，所述旋转矩阵(Rotation Matrix)是在乘以一个向量的时候有改变向量的方向但不改变大小的效果并保持了手性的矩阵，所述平移向量为将坐标系或者矩阵进行平移后使其与另一坐标系或者矩阵重合的向量。
本发明实施例获取目标机器人的周围环境的多张二维图像，并提取各张二维图像的直线特征，得到多个二维直线，实现二维图像特征的获取，之后利用预设的点云获取设备获取目标机器人的周围环境的多组三维点云信息，提取各组三维点云信息的直线特征，得到多个三维直线，达到获取三维点云信息特征的目的，获取预设的摄像设备的设备参数数据，并构建设备参数据对应的设备参数矩阵，然后根据二维直线及三维直线构建多个匹配直线对，构建将三维直线转换为二维直线的运动矩阵，最后基于匹配直线对和设备参数矩阵构建直线矩阵，利用预设的分解算法对直线矩阵进行分解，得到目标机器人的旋转矩阵和平移向量，并利用运动矩阵、旋转矩阵和平移向量计算得到目标机器人更加精确的位姿。因此，本发明可以结合二维图像和三维点云特征，避免了只通过二维图像进行位姿估计造成的局限性，提升机器人位姿分析的准确性。
如图8所示，是本发明机器人位姿分析装置的模块示意图。
本发明所述机器人位姿分析装置100可以安装于电子设备中。根据实现的功能，所述机器人位姿分析装置可以包括直线特征提取模块101、设备参数获取模块102、直线矩阵构建模块103和位姿计算模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述直线特征获取模块101，用于获取所述目标机器人的周围环境的多张二维图像，并提取各个所述二维图像的直线特征，得到多个二维直线，利用预设的点云获取设备获取所述目标机器人的周围环境的多组三维点云信息，提取各组所述三维点云信息的直线特征，得到多个三维直线；
设备参数获取模块102，用于获取预设的摄像设备的设备参数数据，并构建所述设备参数据对应的设备参数矩阵；
直线矩阵构建模块103，用于根据所述二维直线及所述三维直线构建多个匹配直线对，根据所述匹配直线对，构建将所述三维直线转换为对应二维直线的运动矩阵，并基于所述匹配直线对和所述设备参数矩阵构建直线矩阵；
位姿计算模块104，用于利用预设的分解算法对所述直线矩阵进行分解，得到所述目标机器人的旋转矩阵和平移向量，并利用所述运动矩阵、所述旋转矩阵及所述平移向量，计算得到所述目标机器人的位姿。
详细地，本发明实施例中所述机器人位姿分析装置100中所述的各模块在使用时采用与上述图1至图7所述的机器人位姿分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图9所示，是本发明实现机器人位姿分析方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如机器人位姿分析程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行机器人位姿分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如机器人位姿分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图9仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图9示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的机器人位姿分析程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取所述目标机器人的周围环境的多张二维图像，并提取各张所述二维图像的直线特征，得到多个二维直线；
利用预设的点云获取设备获取所述目标机器人的周围环境的多组三维点云信息，提取各组所述三维点云信息的直线特征，得到多个三维直线；
获取预设的摄像设备的设备参数数据，并构建所述设备参数据对应的设备参数矩阵；
根据所述二维直线及所述三维直线构建多个匹配直线对，根据所述匹配直线对，构建将所述三维直线转换为对应二维直线的运动矩阵，并基于所述匹配直线对和所述设备参数矩阵构建直线矩阵；
利用预设的分解算法对所述直线矩阵进行分解，得到所述目标机器人的旋转矩阵和平移向量，并利用所述运动矩阵、所述旋转矩阵及所述平移向量，计算得到所述目标机器人的位姿。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取所述目标机器人的周围环境的多张二维图像，并提取各张所述二维图像的直线特征，得到多个二维直线；
利用预设的点云获取设备获取所述目标机器人的周围环境的多组三维点云信息，提取各组所述三维点云信息的直线特征，得到多个三维直线；
获取预设的摄像设备的设备参数数据，并构建所述设备参数据对应的设备参数矩阵；
根据所述二维直线及所述三维直线构建多个匹配直线对，根据所述匹配直线对，构建将所述三维直线转换为对应二维直线的运动矩阵，并基于所述匹配直线对和所述设备参数矩阵构建直线矩阵；
利用预设的分解算法对所述直线矩阵进行分解，得到所述目标机器人的旋转矩阵和平移向量，并利用所述运动矩阵、所述旋转矩阵及所述平移向量，计算得到所述目标机器人的位姿。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种机器人位姿分析方法，其特征在于，所述方法包括：
获取所述目标机器人的周围环境的多张二维图像，并提取各张所述二维图像的直线特征，得到多个二维直线；
利用预设的点云获取设备获取所述目标机器人的周围环境的多组三维点云信息，提取各组所述三维点云信息的直线特征，得到多个三维直线；
获取预设的摄像设备的设备参数数据，并构建所述设备参数据对应的设备参数矩阵；
根据所述二维直线及所述三维直线构建多个匹配直线对，根据所述匹配直线对，构建将所述三维直线转换为对应二维直线的运动矩阵，并基于所述匹配直线对和所述设备参数矩阵构建直线矩阵；
利用预设的分解算法对所述直线矩阵进行分解，得到所述目标机器人的旋转矩阵和平移向量，并利用所述运动矩阵、所述旋转矩阵及所述平移向量，计算得到所述目标机器人的位姿。
2.如权利要求1所述的机器人位姿分析方法，其特征在于，所述提取各张所述二维图像的直线特征，得到多个二维直线，包括：
将各张所述二维图像进行灰度化处理，得到多张二维灰度图像；
通过直线段检测算法从各张所述二维灰度图像中提取直线特征，得到多个二维直线。
3.如权利要求1所述的机器人位姿分析方法，其特征在于，所述根据所述二维直线及所述三维直线构建多个匹配直线对，包括：
获取所述二维直线的起始点和终止点；
根据所述起始点和所述终止点，在所述三维直线中查找对应点组成的三维直线；
根据所述二维直线及对应三维直线构建匹配直线对。
4.如权利要求1所述的机器人位姿分析方法，其特征在于，所述根据所述匹配直线对，构建将所述三维直线转换为对应二维直线的运动矩阵，包括：
将所述匹配直线对中的二维直线映射在预设的图像坐标系统中，得到二维直线表达式；
将所述匹配直线对中的三维直线映射在预构建的普吕克坐标系中，得到三维直线表达式；
根据所述二维直线表达式和所述三维直线表达式，计算将所述三维直线表达式映射为所述二维直线表达式的运动矩阵。
5.如权利要求1所述的机器人位姿分析方法，其特征在于，所述利用预设的分解算法对所述直线矩阵进行分解，得到所述目标机器人的旋转矩阵和平移向量，包括：
通过所述预设的分解算法对所述直线矩阵进行分解，得到所述直线矩阵的直线分解矩阵；
根据所述直线分解矩阵计算所述运动矩阵的共轭矩阵，并对所述共轭矩阵进行转置，得到所述运动矩阵的共轭转置矩阵；
利用所述预设的分解算法将所述共轭转置矩阵进行分解，得到所述共轭转置矩阵的转置分解矩阵，并基于所述直线分解矩阵和所述转置分解矩阵获取所述目标机器人的旋转矩阵和平移向量。
6.如权利要求1所述的机器人位姿分析方法，其特征在于，所述利用预设的点云获取设备获取所述目标机器人的周围环境的多组三维点云信息，包括：
通过所述点云获取设备获取所述目标机器人周边的扫描数据点；
基于距离滤波算法剔除所述扫描数据点中离群的扫描数据点，得到所述三维点云信息。
7.如权利要求1至6中任一项所述的机器人位姿分析方法，其特征在于，所述提取各组所述三维点云信息的直线特征，得到多个三维直线，包括：
计算各组所述三维点云信息中各个点的切面以及平滑度；
根据所述各个点的切平面和平滑度，通过区域增长法获取初始平面集合，并利用k均值聚类法从所述初始平面集合中获取标准平面集合；
从所述标准平面集合中提取具备方向向量的平面边缘点，并根据所述方向向量将所述平面边缘点聚类得到多个三维直线。
8.一种机器人位姿分析装置，其特征在于，所述装置包括：
直线特征获取模块，用于获取所述目标机器人的周围环境的多张二维图像，并提取各张所述二维图像的直线特征，得到多个二维直线，利用预设的点云获取设备获取所述目标机器人的周围环境的多组三维点云信息，提取各组所述三维点云信息的直线特征，得到多个三维直线；
设备参数获取模块，用于获取预设的摄像设备的设备参数数据，并构建所述设备参数据对应的设备参数矩阵；
直线矩阵构建模块，用于根据所述二维直线及所述三维直线构建多个匹配直线对，根据所述匹配直线对，构建将所述三维直线转换为对应二维直线的运动矩阵，并基于所述匹配直线对和所述设备参数矩阵构建直线矩阵；
位姿计算模块，用于利用预设的分解算法对所述直线矩阵进行分解，得到所述目标机器人的旋转矩阵和平移向量，并利用所述运动矩阵、所述旋转矩阵及所述平移向量，计算得到所述目标机器人的位姿。
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如权利要求1至7中任一项所述的机器人位姿分析方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的机器人位姿分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210445714.8A CN114800504A (zh) | 2022-04-26 | 2022-04-26 | 机器人位姿分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210445714.8A CN114800504A (zh) | 2022-04-26 | 2022-04-26 | 机器人位姿分析方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114800504A true CN114800504A (zh) | 2022-07-29 |
Family
ID=82508186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210445714.8A Pending CN114800504A (zh) | 2022-04-26 | 2022-04-26 | 机器人位姿分析方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114800504A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053445A (zh) * | 2017-12-08 | 2018-05-18 | 中南大学 | 特征融合的rgb-d相机运动估计方法 |
| CN110926485A (zh) * | 2019-11-11 | 2020-03-27 | 华中科技大学 | 一种基于直线特征的移动机器人定位方法及系统 |
| CN111429574A (zh) * | 2020-03-06 | 2020-07-17 | 上海交通大学 | 基于三维点云和视觉融合的移动机器人定位方法和系统 |
| CN111590595A (zh) * | 2020-06-30 | 2020-08-28 | 深圳市银星智能科技股份有限公司 | 一种定位方法、装置、移动机器人及存储介质 |
| CN113298870A (zh) * | 2021-05-07 | 2021-08-24 | 中国科学院深圳先进技术研究院 | 一种物体的姿态跟踪方法、装置、终端设备和存储介质 |
| CN113450412A (zh) * | 2021-07-15 | 2021-09-28 | 北京理工大学 | 一种基于直线特征的视觉slam方法 |
| JP2021531524A (ja) * | 2019-06-14 | 2021-11-18 | 高麗大学校産学協力団Korea University Research And Business Foundation | ３次元仮想空間モデルを利用したユーザポーズ推定方法および装置 |
| CN113822996A (zh) * | 2021-11-22 | 2021-12-21 | 之江实验室 | 机器人的位姿估计方法及装置、电子设备、存储介质 |
-
2022
- 2022-04-26 CN CN202210445714.8A patent/CN114800504A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053445A (zh) * | 2017-12-08 | 2018-05-18 | 中南大学 | 特征融合的rgb-d相机运动估计方法 |
| JP2021531524A (ja) * | 2019-06-14 | 2021-11-18 | 高麗大学校産学協力団Korea University Research And Business Foundation | ３次元仮想空間モデルを利用したユーザポーズ推定方法および装置 |
| CN110926485A (zh) * | 2019-11-11 | 2020-03-27 | 华中科技大学 | 一种基于直线特征的移动机器人定位方法及系统 |
| CN111429574A (zh) * | 2020-03-06 | 2020-07-17 | 上海交通大学 | 基于三维点云和视觉融合的移动机器人定位方法和系统 |
| CN111590595A (zh) * | 2020-06-30 | 2020-08-28 | 深圳市银星智能科技股份有限公司 | 一种定位方法、装置、移动机器人及存储介质 |
| CN113298870A (zh) * | 2021-05-07 | 2021-08-24 | 中国科学院深圳先进技术研究院 | 一种物体的姿态跟踪方法、装置、终端设备和存储介质 |
| CN113450412A (zh) * | 2021-07-15 | 2021-09-28 | 北京理工大学 | 一种基于直线特征的视觉slam方法 |
| CN113822996A (zh) * | 2021-11-22 | 2021-12-21 | 之江实验室 | 机器人的位姿估计方法及装置、电子设备、存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王鹤群: "弱纹理环境下基于深度相机的关键信息融合位姿估计方法", 中国优秀硕士学位论文全文数据库, pages 1 - 50 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126272B (zh) | 姿态获取方法、关键点坐标定位模型的训练方法和装置 | |
| CN111192293B (zh) | 一种运动目标位姿跟踪方法及装置 | |
| Yang et al. | A multi-task Faster R-CNN method for 3D vehicle detection based on a single image | |
| WO2019226366A1 (en) | Lighting estimation | |
| CN114998934A (zh) | 基于多模态智能感知和融合的换衣行人重识别和检索方法 | |
| CN112102294A (zh) | 生成对抗网络的训练方法及装置、图像配准方法及装置 | |
| CN114612902A (zh) | 图像语义分割方法、装置、设备、存储介质及程序产品 | |
| Wang et al. | Dynamic human body reconstruction and motion tracking with low-cost depth cameras | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN112862703A (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
| CN114800504A (zh) | 机器人位姿分析方法、装置、设备及存储介质 | |
| CN113887408B (zh) | 活化人脸视频的检测方法、装置、设备及存储介质 | |
| CN113627394A (zh) | 人脸提取方法、装置、电子设备及可读存储介质 | |
| CN114463685A (zh) | 行为识别方法、装置、电子设备及存储介质 | |
| CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
| CN113887384A (zh) | 基于多轨迹融合的行人轨迹分析方法、装置、设备及介质 | |
| CN112541436A (zh) | 专注度分析方法、装置、电子设备及计算机存储介质 | |
| CN113888086A (zh) | 基于图像识别的物品签收方法、装置、设备及存储介质 | |
| CN113255456A (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
| CN112446919B (zh) | 物体位姿估计方法、装置、电子设备及计算机存储介质 | |
| CN114708230B (zh) | 基于图像分析的车架质量检测方法、装置、设备及介质 | |
| CN114627535B (zh) | 基于双目摄像头的坐标匹配方法、装置、设备及介质 | |
| CN112446919A (zh) | 物体位姿估计方法、装置、电子设备及计算机存储介质 | |
| CN113850207B (zh) | 基于人工智能的微表情分类方法、装置、电子设备及介质 | |
| CN114789446A (zh) | 机器人位姿估计方法、装置、电子设备及存储介质 |
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 |