CN115220446B - 机器人寻桩方法、装置及机器人 - Google Patents
机器人寻桩方法、装置及机器人 Download PDFInfo
- Publication number
- CN115220446B CN115220446B CN202210772804.8A CN202210772804A CN115220446B CN 115220446 B CN115220446 B CN 115220446B CN 202210772804 A CN202210772804 A CN 202210772804A CN 115220446 B CN115220446 B CN 115220446B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- sequence
- scanning
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000001503 joint Anatomy 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本公开涉及一种机器人寻桩方法、装置及机器人。该机器人包括激光雷达传感器,该方法包括:在机器人到达目标充电桩的历史对桩点位的情况下,获取激光雷达传感器针对当前场景扫描得到的单帧点云数据,并加载预先标定的目标充电桩的模型点云;以距离为聚类依据对单帧点云数据进行聚类处理,得到多个点云簇;基于各点云簇与模型点云之间的第一欧式距离的大小,从多个点云簇中确定目标点云簇;在目标点云簇与模型点云之间的第一欧式距离小于预设阈值的情况下,根据目标点云簇确定所述目标充电桩的位置。本公开这种方式,可以提升寻桩的准确性和鲁棒性。
Description
技术领域
本公开涉及机器人自动充电技术领域,具体地,涉及一种机器人寻桩方法、装置及机器人。
背景技术
随着智能机器人技术的发展,扫地机器人、导游机器人、导购机器人、送菜/送餐等配送类机器人、以及咨询机器人等机器人逐渐普及大众。由于人们对机器人的智能程度、续航能力等性能的要求越来越高,因此机器人自动充电技术应运而生。机器人自动充电技术是指,在机器人电量不足且无人工干预的前提下,通过某种方式引导机器人回归至充电对接区域,自动实现对接,进行充电的技术。
相关技术中,为节约硬件成本,室内机器人采用单线激光雷达传感器进行定位导航。机器人基于充电桩的几何特征,在从单线激光雷达传感器采集的点云数据中识别到充电桩时,开始执行与充电桩的对接处理过程,从而实现与充电桩进行对接充电的目的。然而,由于机器人与充电桩的相对位置不同,机器人的单线激光雷达传感器扫描视角下的充电桩的几何特征也不相同,所以机器人基于充电桩的几何特征来实现寻桩的方式准确性较低,例如,在充电桩的位置发生移动后,充电桩的几何特征在位于原始对接区域内的机器人的扫描视角下发生变化,导致机器人难以识别出位置移动后的充电桩。
发明内容
为克服相关技术中存在的问题,本公开提供一种机器人寻桩方法、装置及机器人。
根据本公开实施例的第一方面,提供一种机器人寻桩方法,所述机器人包括激光雷达传感器,所述方法包括:
在所述机器人到达目标充电桩的历史对桩点位的情况下,获取所述激光雷达传感器针对当前场景扫描得到的单帧点云数据,并加载预先标定的所述目标充电桩的模型点云;
以距离为聚类依据对所述单帧点云数据进行聚类处理,得到多个点云簇;
基于各所述点云簇与所述模型点云之间的第一欧式距离的大小,从多个所述点云簇中确定目标点云簇;
在所述目标点云簇与所述模型点云之间的所述第一欧式距离小于预设阈值的情况下,根据所述目标点云簇确定所述目标充电桩的位置。
可选地,所述基于各所述点云簇与所述模型点云之间的第一欧式距离的大小,从多个所述点云簇中确定目标点云簇,包括:
确定每一所述点云簇与所述模型点云之间的所述第一欧式距离,得到多个第一欧式距离;
确定所述多个第一欧式距离中的最小第一欧式距离;
将所述最小第一欧式距离对应的所述点云簇确定为所述目标点云簇。
可选地,计算所述点云簇与所述模型点云之间的第一欧式距离,包括:
将所述点云簇与所述模型点云进行点云配准处理,得到所述点云簇与所述模型点云之间的转换关系;
基于所述转换关系,将所述模型点云转换到所述点云簇的坐标系下,得到转换后的目标模型点云;
根据所述目标模型点云和所述点云簇计算得到所述第一欧式距离。
可选地,所述激光雷达传感器为单线激光雷达传感器,所述单帧点云数据表征所述单线激光雷达传感器按照预设旋转扫描方式依次扫描得到的第一扫描点的集合;所述模型点云表征对预先使用单线激光雷达传感器按照所述预设旋转扫描方式依次扫描得到的点云进行标定处理后的第二扫描点的集合;
相应地,所述点云簇对应第一扫描点序列,所述目标模型点云对应第二扫描点序列,所述根据所述目标模型点云和所述点云簇计算得到所述第一欧式距离,包括:
从所述第二扫描点序列中确定第二有效扫描点子序列,并从所述第一扫描点序列中确定与所述第二有效扫描点子序列相匹配的第一有效扫描点子序列,其中,所述第一有效扫描点子序列和所述第二有效扫描点子序列的长度相同;
计算所述第一有效扫描点子序列中第n个第一有效扫描点与所述第二有效扫描点子序列中第n个第二有效扫描点之间的第二欧式距离,其中n的取值范围为1-k,k表征所述第一有效扫描点子序列的长度值;
计算k个所述第二欧式距离的均值,得到所述第一欧式距离。
可选地,所述从所述第二扫描点序列中确定第二有效扫描点子序列,包括:
将所述第一扫描点序列的长度和所述第二扫描点序列的长度中的最小长度值确定为所述第二有效扫描点子序列的长度值;
以所述第二扫描点序列中的第一个第二扫描点为起点,从所述第二扫描点序列中截取对应所述长度值的所述第二有效扫描点子序列。
可选地,所述从所述第一扫描点序列中确定与所述第二有效扫描点子序列相匹配的第一有效扫描点子序列,包括:
基于所述第二有效扫描点子序列中的第一个第二有效扫描点,从所述第一扫描点序列中确定与所述第一个第二有效扫描点距离最近的目标第一扫描点;
基于所述第二有效扫描点子序列的长度值,从所述第一扫描点序列中截取对应所述长度值的、且以所述目标第一扫描点为第一个第一有效扫描点的所述第一有效扫描点子序列。
可选地,所述方法还包括:
在所述目标点云簇与所述模型点云之间的所述第一欧式距离大于所述预设阈值的情况下,旋转所述机器人的朝向;
控制所述激光雷达传感器重新扫描得到新的单帧点云数据;
并基于新的单帧点云数据,重新开始执行所述以距离为聚类依据对所述单帧点云数据进行聚类处理,得到多个点云簇的步骤,直到确定所述目标充电桩的位置或旋转所述机器人的朝向的次数达到预设次数时为止。
可选地,所述根据所述目标点云簇确定所述目标充电桩的位置,包括:
将所述目标点云簇的质心位置作为所述目标充电桩的位置。
根据本公开实施例的第二方面,提供一种机器人寻桩装置,所述机器人包括激光雷达传感器,所述装置包括:
加载模块,被配置为用于在所述机器人到达目标充电桩的历史对桩点位的情况下,获取所述激光雷达传感器针对当前场景扫描得到的单帧点云数据,并加载预先标定的所述目标充电桩的模型点云;
聚类模块,被配置为用于以距离为聚类依据对所述单帧点云数据进行聚类处理,得到多个点云簇;
执行模块,被配置为用于基于各所述点云簇与所述模型点云之间的第一欧式距离的大小,从多个所述点云簇中确定目标点云簇;
确定模块,被配置为用于在所述目标点云簇与所述模型点云之间的所述第一欧式距离小于预设阈值的情况下,根据所述目标点云簇确定所述目标充电桩的位置。
可选地,所述执行模块包括:
执行子模块,被配置为用于确定每一所述点云簇与所述模型点云之间的所述第一欧式距离,得到多个第一欧式距离;确定所述多个第一欧式距离中的最小第一欧式距离;将所述最小第一欧式距离对应的所述点云簇确定为所述目标点云簇。
可选地,所述执行模块包括:
配准子模块,被配置为用于将所述点云簇与所述模型点云进行点云配准处理,得到所述点云簇与所述模型点云之间的转换关系;
转换子模块,被配置为用于基于所述转换关系,将所述模型点云转换到所述点云簇的坐标系下,得到转换后的目标模型点云;
第一计算子模块,被配置为用于根据所述目标模型点云和所述点云簇计算得到所述第一欧式距离。
可选地,所述激光雷达传感器为单线激光雷达传感器,所述单帧点云数据表征所述单线激光雷达传感器按照预设旋转扫描方式依次扫描得到的第一扫描点的集合;所述模型点云表征对预先使用单线激光雷达传感器按照所述预设旋转扫描方式依次扫描得到的点云进行标定处理后的第二扫描点的集合;
相应地,所述点云簇对应第一扫描点序列,所述目标模型点云对应第二扫描点序列,所述第一计算子模块包括:
第一确定子模块,被配置为用于从所述第二扫描点序列中确定第二有效扫描点子序列,并从所述第一扫描点序列中确定与所述第二有效扫描点子序列相匹配的第一有效扫描点子序列,其中,所述第一有效扫描点子序列和所述第二有效扫描点子序列的长度相同;
第二计算子模块,被配置为用于计算所述第一有效扫描点子序列中第n个第一有效扫描点与所述第二有效扫描点子序列中第n个第二有效扫描点之间的第二欧式距离,其中n的取值范围为1-k,k表征所述第一有效扫描点子序列的长度值;
第三计算子模块,被配置为用于计算k个所述第二欧式距离的均值,得到所述第一欧式距离。
可选地,所述第一确定子模块包括:
第一截取子模块,被配置为用于将所述第一扫描点序列的长度和所述第二扫描点序列的长度中的最小长度值确定为所述第二有效扫描点子序列的长度值;以所述第二扫描点序列中的第一个第二扫描点为起点,从所述第二扫描点序列中截取对应所述长度值的所述第二有效扫描点子序列。
可选地,所述第一确定子模块包括:
第二截取子模块,被配置为用于基于所述第二有效扫描点子序列中的第一个第二有效扫描点,从所述第一扫描点序列中确定与所述第一个第二有效扫描点距离最近的目标第一扫描点;基于所述第二有效扫描点子序列的长度值,从所述第一扫描点序列中截取对应所述长度值的、且以所述目标第一扫描点为第一个第一有效扫描点的所述第一有效扫描点子序列。
可选地,所述装置还包括:
循环执行模块,被配置为用于在所述目标点云簇与所述模型点云之间的所述第一欧式距离大于所述预设阈值的情况下,旋转所述机器人的朝向;控制所述激光雷达传感器重新扫描得到新的单帧点云数据;并基于新的单帧点云数据,重新开始执行所述以距离为聚类依据对所述单帧点云数据进行聚类处理,得到多个点云簇的步骤,直到确定所述目标充电桩的位置或旋转所述机器人的朝向的次数达到预设次数时为止。
可选地,所述确定模块被配置为用于将所述目标点云簇的质心位置作为所述目标充电桩的位置。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面的所述机器人寻桩方法的步骤。
根据本公开实施例的第三方面,提供一种机器人,包括:
激光雷达传感器;
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面的所述机器人寻桩方法的步骤。
采用上述技术方案,至少能够达到如下的有益技术效果:
在机器人到达目标充电桩的历史对桩点位的情况下,获取机器人上的激光雷达传感器针对当前场景扫描得到的单帧点云数据,并加载预先标定的目标充电桩的模型点云。以距离为聚类依据对单帧点云数据进行聚类处理,得到多个点云簇。基于各点云簇与模型点云之间的第一欧式距离的大小,从多个点云簇中确定目标点云簇。在目标点云簇与模型点云之间的第一欧式距离小于预设阈值的情况下,根据目标点云簇确定目标充电桩的位置。本公开这种方式,基于每一点云簇与目标充电桩的模型点云的相似度(第一欧式距离表征相似程度)大小,可确定与模型点云最相似的目标点云簇。并基于(目标点云簇与模型点云之间的)第一欧式距离与预设阈值的大小关系,在确定目标点云簇可以有效表征目标充电桩的情况下,可根据目标点云簇确定目标充电桩的位置。由此可见,本公开这种方式,无需考虑目标充电桩的几何特征。而由于本公开这种方式没有考虑目标充电桩的几何特征,因此与相关技术中基于充电桩的几何特征来实现寻桩的方式相比,本公开这种寻桩方式的准确性和鲁棒性更高。例如,采用本公开这种方式,即使目标充电桩发生移动,机器人也能在历史对桩点位准确识别出移动后的目标充电桩。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据本公开一示例性实施例示出的一种机器人寻桩方法的流程图。
图2是根据本公开一示例性实施例示出的另一种机器人寻桩方法的流程图。
图3是根据本公开一示例性实施例示出的一种机器人寻桩装置的框图。
图4是根据本公开一示例性实施例示出的一种机器人的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
需要说明的是,本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
图1是根据本公开一示例性实施例示出的一种机器人寻桩方法的流程图。该机器人寻桩方法既可以应用于安装有激光雷达传感器的机器人,又可以应用于控制该机器人的远程服务器。如图1所示,该机器人寻桩方法可以包括以下步骤:
S11、在所述机器人到达目标充电桩的历史对桩点位的情况下,获取所述激光雷达传感器针对当前场景扫描得到的单帧点云数据,并加载预先标定的所述目标充电桩的模型点云。
其中,寻桩是指搜寻充电桩。对桩点位是指距离充电桩预设距离(如1米)的预设位置/区域,机器人可在对桩点位,确定充电桩的具体位姿。机器人在到达对桩点位,确定充电桩的具体位姿之后,可开始进行对桩处理。对桩处理是指机器人与充电桩实现对接,进行充电的过程。
当前场景是指,在机器人到达目标充电桩的历史对桩点位之后,机器人的朝向不变,控制机器人上安装的激光雷达传感器旋转扫描一周的对象。
在一些实施方式中,预先标定的目标充电桩的模型点云可以通过如下方式得到:
在目标充电桩的俯视图中确定该目标充电桩的中垂线,在该中垂线上距离该目标充电桩预设距离(如1米)的位置处,使用激光雷达传感器正对该目标充电桩的正面/背面进行扫描,得到待标定的点云数据。从待标定的点云数据中分离出目标充电桩的模型点云。将目标充电桩的模型点云存储在机器人上,或存储在与机器人通信连接的服务器上。
下面举例说明步骤S11的处理过程,在机器人到达目标充电桩的历史对桩点位的情况下,控制机器人的朝向不变,控制机器人上安装的激光雷达传感器针对该激光雷达传感器朝向的当前场景进行旋转扫描,得到旋转扫描一周后的单帧点云数据。并加载预先标定的目标充电桩的模型点云。
S12、以距离为聚类依据对所述单帧点云数据进行聚类处理,得到多个点云簇。
聚类处理是指将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类处理所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。也就是说,在本公开中聚类处理是指,以点与点之间的距离为聚类依据(或以点云的密度为聚类依据,其中以点与点之间的距离为聚类依据的方式与以点云的密度为聚类依据的方式的原理相类似),将距离相近的点聚成一类的过程。
示例地,可采用欧式聚类(KD-Tree)方法,对单帧点云数据进行聚类处理,得到多个点云簇,点云簇的数量的多少与聚类依据即点与点之间的距离大小有关。其中,欧式聚类是一种基于欧式距离度量的聚类算法。欧式距离是指欧几里得度量。在数学中,欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”(即直线)距离。
S13、基于各所述点云簇与所述模型点云之间的第一欧式距离的大小,从多个所述点云簇中确定目标点云簇。
由于欧式距离可表征相似度,且欧式距离越小,相似度越大;欧式距离越大,相似度越小。所以,在一些实施方式中,所述基于各所述点云簇与所述模型点云之间的第一欧式距离的大小,从多个所述点云簇中确定目标点云簇,包括:
确定每一所述点云簇与所述模型点云之间的所述第一欧式距离,得到多个第一欧式距离;确定所述多个第一欧式距离中的最小第一欧式距离;将所述最小第一欧式距离对应的所述点云簇确定为所述目标点云簇。
第一欧式距离是指点云与点云之间的欧式距离。
示例地,假设有3个点云簇,用A、B、C表征。那么,需确定A与模型点云之间的第一欧式距离a。需确定B与模型点云之间的第一欧式距离b。需确定C与模型点云之间的第一欧式距离c。从a、b、c中确定最小第一欧式距离(假设为b),将最小第一欧式距离b对应的点云簇B确定为目标点云簇。
在本公开实施例中,从多个第一欧式距离中确定最小第一欧式距离的一种实施方式为:对多个第一欧式距离进行从小到大的排序,得到第一欧式距离序列,将第一欧式距离序列中的第一个第一欧式距离确定为最小第一欧式距离。
从多个第一欧式距离中确定最小第一欧式距离的另一种实施方式为:对多个第一欧式距离进行从大到小的排序,得到第二欧式距离序列,将第二欧式距离序列中的最后一个第一欧式距离确定为最小第一欧式距离。
从多个第一欧式距离中确定最小第一欧式距离的一种不进行排序的实施方式为:采用冒泡算法从多个第一欧式距离中获得最小第一欧式距离。
S14、在所述目标点云簇与所述模型点云之间的所述第一欧式距离小于预设阈值的情况下,根据所述目标点云簇确定所述目标充电桩的位置。
预设阈值为先验值。在确定目标点云簇之后,还需验证目标点云簇是否能够有效表征目标充电桩。验证方式可以是判断目标点云簇与模型点云之间的第一欧式距离是否小于预设阈值。若目标点云簇与模型点云之间的第一欧式距离小于预设阈值,则确定目标点云簇能够有效表征目标充电桩。若目标点云簇能够有效表征目标充电桩,则根据目标点云簇可以确定目标充电桩的位置。例如,可将目标点云簇中的任一点的位置确定为目标充电桩的位置。又例如,可将目标点云簇中的所有点的位置坐标的平均坐标确定为目标充电桩的位置。又例如,可将目标点云簇的质心位置作为目标充电桩的位置。
采用上述方法,在机器人到达目标充电桩的历史对桩点位的情况下,获取机器人上的激光雷达传感器针对当前场景扫描得到的单帧点云数据,并加载预先标定的目标充电桩的模型点云。以距离为聚类依据对单帧点云数据进行聚类处理,得到多个点云簇。基于各点云簇与模型点云之间的第一欧式距离的大小,从多个点云簇中确定目标点云簇。在目标点云簇与模型点云之间的第一欧式距离小于预设阈值的情况下,根据目标点云簇确定目标充电桩的位置。本公开这种方式,基于每一点云簇与目标充电桩的模型点云的相似度大小,可确定与模型点云最相似的目标点云簇。并基于(目标点云簇与模型点云之间的)第一欧式距离与预设阈值的大小关系,在确定目标点云簇可以有效表征目标充电桩的情况下,可根据目标点云簇确定目标充电桩的位置。由于本公开这种方式,无需考虑目标充电桩的几何特征,因此与相关技术中基于充电桩的几何特征来实现寻桩的方式相比,本公开这种寻桩方式的准确性和鲁棒性更高。例如,采用本公开这种方式,即使目标充电桩发生移动,机器人也能在历史对桩点位准确识别出移动后的目标充电桩。
可选地,计算所述点云簇与所述模型点云之间的第一欧式距离,包括:
将所述点云簇与所述模型点云进行点云配准处理,得到所述点云簇与所述模型点云之间的转换关系;基于所述转换关系,将所述模型点云转换到所述点云簇的坐标系下,得到转换后的目标模型点云;根据所述目标模型点云和所述点云簇计算得到所述第一欧式距离。
点云配准(Point Cloud Registration)处理指的是输入两幅点云Ps(source)和Pt(target),输出一个变换T(即旋转矩阵R和平移向量t)使得T(Ps)和Pt的重合程度尽可能高。常用的处理算法有NDT、ICP、LOAM。
示例地,将点云簇Ti与模型点云Tp进行点云配准处理,得到点云簇与模型点云之间的转换关系,例如可得到模型点云到点云簇的转换关系基于转换关系/>将模型点云Tp转换到点云簇Ti的坐标系下,得到转换后的目标模型点云Tp′。在同一坐标系下,可根据目标模型点云Tp′和点云簇Ti计算得到第一欧式距离。
可选地,计算点云簇与模型点云之间的第一欧式距离,包括:
将点云簇与模型点云进行点云配准处理,得到点云簇与模型点云之间的转换关系。基于该转换关系,将点云簇和模型点云转换到同一坐标系(如模型点云对应的坐标系)下,根据转换后的点云簇和转换后的模型点云计算得到第一欧式距离。
在一些实施方式中,所述激光雷达传感器为单线激光雷达传感器,所述单帧点云数据表征所述单线激光雷达传感器按照预设旋转扫描方式依次扫描得到的第一扫描点的集合;所述模型点云表征对预先使用单线激光雷达传感器按照所述预设旋转扫描方式依次扫描得到的点云进行标定处理后的第二扫描点的集合;
相应地,所述点云簇对应第一扫描点序列,所述目标模型点云对应第二扫描点序列,所述根据所述目标模型点云和所述点云簇计算得到所述第一欧式距离,包括:
从所述第二扫描点序列中确定第二有效扫描点子序列,并从所述第一扫描点序列中确定与所述第二有效扫描点子序列相匹配的第一有效扫描点子序列,其中,所述第一有效扫描点子序列和所述第二有效扫描点子序列的长度相同;计算所述第一有效扫描点子序列中第n个第一有效扫描点与所述第二有效扫描点子序列中第n个第二有效扫描点之间的第二欧式距离,其中n的取值范围为1-k,k表征所述第一有效扫描点子序列的长度值;计算k个所述第二欧式距离的均值,得到所述第一欧式距离。
其中,第二欧式距离是指点与点之间的欧式距离。
需说明的是,单线激光雷达传感器是指激光源发出的线束是单线的雷达,包括一个激光发射器、一个旋转机构。激光发射器按照预定频率发射激光,旋转机构承载激光发射器按照预定方向、以及预定速度/步幅旋转一周,可扫描得到一个二维平面的点云图像。本公开实施例中的单帧点云数据是指激光发射器按照预定频率发射激光,旋转机构承载激光发射器按照预定方向、以及预定速度/步幅旋转一周,扫描得到的一个二维平面的点云图像。基于此可知,单线激光雷达传感器扫描得到的点云图像中,各点之间具有扫描先后顺序关系。
基于单线激光雷达传感器的工作原理可知,点云簇可以表征为第一扫描点序列,第一扫描点序列中的各第一扫描点之间的先后顺序与单线激光雷达传感器的扫描先后顺序一致。举例来说,假设单线激光雷达传感器针对当前场景扫描得到的单帧点云数据中的点依次为L、M、N、O、P、Q、R,经过聚类处理后,若将L、R、O三个点聚类为一个点云簇,那么该点云簇对应的第一扫描点序列可以为L、O、R。
同样地,目标模型点云可以表征为第二扫描点序列,第二扫描点序列中各第二扫描点之间的先后顺序与单线激光雷达传感器的扫描先后顺序一致。
示例地,在点云簇对应表征为第一扫描点序列,目标模型点云对应表征为第二扫描点序列的情况下,根据目标模型点云和点云簇计算第一欧式距离的实施方式可以是:
从第二扫描点序列中确定第二有效扫描点子序列,并从第一扫描点序列中确定与第二有效扫描点子序列相匹配的第一有效扫描点子序列,其中,第一有效扫描点子序列和第二有效扫描点子序列的长度相同。假设第一有效扫描点子序列和第二有效扫描点子序列的长度均为3,且第一有效扫描点子序列为L、O、R,第二有效扫描点子序列为l、o、r。那么,进一步需要计算L与l之间的第二欧式距离L’。计算O与o之间的第二欧式距离O’。计算R与r之间的第二欧式距离R’。再计算L’、O’、以及R’的均值,得到第一欧式距离。
应说明的是,除了计算k个第二欧式距离的均值,得到第一欧式距离的实施方式之外,还可以对k个第二欧式距离进行加权求和,得到第一欧式距离。其中,第二欧式距离的权重大小与该第二欧式距离的大小可成反比。
一种实施方式,所述从所述第二扫描点序列中确定第二有效扫描点子序列,包括:
将所述第一扫描点序列的长度和所述第二扫描点序列的长度中的最小长度值确定为所述第二有效扫描点子序列的长度值;以所述第二扫描点序列中的第一个第二扫描点为起点,从所述第二扫描点序列中截取对应所述长度值的所述第二有效扫描点子序列。
示例地,将第一扫描点序列的长度和第二扫描点序列的长度中的最小长度值确定为第二/一有效扫描点子序列的长度值。以第二扫描点序列中的第一个第二扫描点为起点,从第二扫描点序列中截取对应长度值的第二有效扫描点子序列。其中,第二有效扫描点子序列中的第一个第二有效扫描点为第二扫描点序列中的第一个第二扫描点。
另一种实施方式,从第二扫描点序列中确定第二有效扫描点子序列,包括:
基于第二扫描点序列中的第一个第二扫描点,从第一扫描点序列中确定与该第一个第二扫描点距离最近的目标第一扫描点。从第一扫描点序列中确定该目标第一扫描点、以及该目标第一扫描点之后的第一扫描点的总个数。将该总个数和第二扫描点序列的长度中的最小值确定为第二/一有效扫描点子序列的长度值。以第二扫描点序列中的第一个第二扫描点为起点,从第二扫描点序列中截取对应该长度值的第二有效扫描点子序列。
可选地,所述从所述第一扫描点序列中确定与所述第二有效扫描点子序列相匹配的第一有效扫描点子序列,包括:
基于所述第二有效扫描点子序列中的第一个第二有效扫描点,从所述第一扫描点序列中确定与所述第一个第二有效扫描点距离最近的目标第一扫描点;基于所述第二有效扫描点子序列的长度值,从所述第一扫描点序列中截取对应所述长度值的、且以所述目标第一扫描点为第一个第一有效扫描点的所述第一有效扫描点子序列。
在确定第二有效扫描点子序列之后,基于第二有效扫描点子序列中的第一个第二有效扫描点,从第一扫描点序列中确定与第一个第二有效扫描点距离最近的目标第一扫描点。基于第二有效扫描点子序列的长度值,从第一扫描点序列中截取对应该长度值的、且以目标第一扫描点为第一个第一有效扫描点的第一有效扫描点子序列。
在一些实施方式中,还可以先确定第一有效扫描点子序列,再基于第一有效扫描点子序列确定第二有效扫描点子序列。具体的实施方式与前述的先确定第二有效扫描点子序列,再基于第二有效扫描点子序列确定第一有效扫描点子序列的方式相类似,此处不再赘述。
图2是根据本公开一示例性实施例示出的另一种机器人寻桩方法的流程图。该机器人包括单线激光雷达传感器。如图2所示,该机器人寻桩方法可以包括以下步骤:
S21、在所述机器人到达目标充电桩的历史对桩点位的情况下,获取所述激光雷达传感器针对当前场景扫描得到的单帧点云数据,并加载预先标定的所述目标充电桩的模型点云;
S22、以距离为聚类依据对所述单帧点云数据进行聚类处理,得到多个点云簇;
S23基于各所述点云簇与所述模型点云之间的第一欧式距离的大小,从多个所述点云簇中确定目标点云簇;
S24、判断所述目标点云簇与所述模型点云之间的所述第一欧式距离是否小于预设阈值;
若是,则执行步骤S28。若否,则执行步骤S25。
S25、判断旋转所述机器人的朝向的次数是否达到预设次数;
若否,则执行步骤S26。若是,则执行步骤S29。预设次数与预定旋转角度的大小相关。可以理解为机器人旋转完一周之后,旋转机器人的朝向的次数达到预设次数。
S26、旋转所述机器人的朝向;
其中,旋转机器人的朝向可以是按照预定旋转方向、预定旋转角度进行旋转。
S27、控制所述激光雷达传感器重新扫描得到新的单帧点云数据;
并基于新的单帧点云数据,重新开始执行所述以距离为聚类依据对所述单帧点云数据进行聚类处理,得到多个点云簇的步骤。
S28、根据所述目标点云簇确定所述目标充电桩的位置。
S29、无法确定所述目标充电桩的位置,请求人工协助。
图3是是根据本公开一示例性实施例示出的一种机器人寻桩装置的框图。其中,机器人包括激光雷达传感器,如图3所示,该装置300包括:
加载模块310,被配置为用于在所述机器人到达目标充电桩的历史对桩点位的情况下,获取所述激光雷达传感器针对当前场景扫描得到的单帧点云数据,并加载预先标定的所述目标充电桩的模型点云;
聚类模块320,被配置为用于以距离为聚类依据对所述单帧点云数据进行聚类处理,得到多个点云簇;
执行模块330,被配置为用于基于各所述点云簇与所述模型点云之间的第一欧式距离的大小,从多个所述点云簇中确定目标点云簇;
确定模块340,被配置为用于在所述目标点云簇与所述模型点云之间的所述第一欧式距离小于预设阈值的情况下,根据所述目标点云簇确定所述目标充电桩的位置。
采用上述装置,在机器人到达目标充电桩的历史对桩点位的情况下,获取机器人上的激光雷达传感器针对当前场景扫描得到的单帧点云数据,并加载预先标定的目标充电桩的模型点云。以距离为聚类依据对单帧点云数据进行聚类处理,得到多个点云簇。基于各点云簇与模型点云之间的第一欧式距离的大小,从多个点云簇中确定目标点云簇。在目标点云簇与模型点云之间的第一欧式距离小于预设阈值的情况下,根据目标点云簇确定目标充电桩的位置。本公开这种方式,基于每一点云簇与目标充电桩的模型点云的相似度(第一欧式距离表征相似程度)大小,可确定与模型点云最相似的目标点云簇。并基于(目标点云簇与模型点云之间的)第一欧式距离与预设阈值的大小关系,在确定目标点云簇可以有效表征目标充电桩的情况下,可根据目标点云簇确定目标充电桩的位置。由此可见,本公开这种方式,无需考虑目标充电桩的几何特征。而由于本公开这种方式没有考虑目标充电桩的几何特征,因此与相关技术中基于充电桩的几何特征来实现寻桩的方式相比,本公开这种寻桩方式的准确性和鲁棒性更高。例如,采用本公开这种方式,即使目标充电桩发生移动,机器人也能在历史对桩点位准确识别出移动后的目标充电桩。
可选地,所述执行模块330包括:
执行子模块,被配置为用于确定每一所述点云簇与所述模型点云之间的所述第一欧式距离,得到多个第一欧式距离;确定所述多个第一欧式距离中的最小第一欧式距离;将所述最小第一欧式距离对应的所述点云簇确定为所述目标点云簇。
可选地,所述执行模块330包括:
配准子模块,被配置为用于将所述点云簇与所述模型点云进行点云配准处理,得到所述点云簇与所述模型点云之间的转换关系;
转换子模块,被配置为用于基于所述转换关系,将所述模型点云转换到所述点云簇的坐标系下,得到转换后的目标模型点云;
第一计算子模块,被配置为用于根据所述目标模型点云和所述点云簇计算得到所述第一欧式距离。
可选地,所述激光雷达传感器为单线激光雷达传感器,所述单帧点云数据表征所述单线激光雷达传感器按照预设旋转扫描方式依次扫描得到的第一扫描点的集合;所述模型点云表征对预先使用单线激光雷达传感器按照所述预设旋转扫描方式依次扫描得到的点云进行标定处理后的第二扫描点的集合;
相应地,所述点云簇对应第一扫描点序列,所述目标模型点云对应第二扫描点序列,所述第一计算子模块包括:
第一确定子模块,被配置为用于从所述第二扫描点序列中确定第二有效扫描点子序列,并从所述第一扫描点序列中确定与所述第二有效扫描点子序列相匹配的第一有效扫描点子序列,其中,所述第一有效扫描点子序列和所述第二有效扫描点子序列的长度相同;
第二计算子模块,被配置为用于计算所述第一有效扫描点子序列中第n个第一有效扫描点与所述第二有效扫描点子序列中第n个第二有效扫描点之间的第二欧式距离,其中n的取值范围为1-k,k表征所述第一有效扫描点子序列的长度值;
第三计算子模块,被配置为用于计算k个所述第二欧式距离的均值,得到所述第一欧式距离。
可选地,所述第一确定子模块包括:
第一截取子模块,被配置为用于将所述第一扫描点序列的长度和所述第二扫描点序列的长度中的最小长度值确定为所述第二有效扫描点子序列的长度值;以所述第二扫描点序列中的第一个第二扫描点为起点,从所述第二扫描点序列中截取对应所述长度值的所述第二有效扫描点子序列。
可选地,所述第一确定子模块包括:
第二截取子模块,被配置为用于基于所述第二有效扫描点子序列中的第一个第二有效扫描点,从所述第一扫描点序列中确定与所述第一个第二有效扫描点距离最近的目标第一扫描点;基于所述第二有效扫描点子序列的长度值,从所述第一扫描点序列中截取对应所述长度值的、且以所述目标第一扫描点为第一个第一有效扫描点的所述第一有效扫描点子序列。
可选地,所述装置300还包括:
循环执行模块,被配置为用于在所述目标点云簇与所述模型点云之间的所述第一欧式距离大于所述预设阈值的情况下,旋转所述机器人的朝向;控制所述激光雷达传感器重新扫描得到新的单帧点云数据;并基于新的单帧点云数据,重新开始执行所述以距离为聚类依据对所述单帧点云数据进行聚类处理,得到多个点云簇的步骤,直到确定所述目标充电桩的位置或旋转所述机器人的朝向的次数达到预设次数时为止。
可选地,所述确定模块340被配置为用于将所述目标点云簇的质心位置作为所述目标充电桩的位置。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的电子设备控制方法的步骤。
图4是根据本公开一示例性实施例示出的一种机器人700的框图。如图4所示,该机器人700可以包括:激光雷达传感器、处理器701,存储器702。该机器人700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该机器人700的整体操作,以完成上述的机器人寻桩方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该机器人700的操作,这些数据例如可以包括用于在该机器人700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该机器人700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,机器人700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的机器人寻桩方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的机器人寻桩方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由机器人700的处理器701执行以完成上述的机器人寻桩方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的机器人寻桩方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (7)
1.一种机器人寻桩方法,其特征在于,所述机器人包括激光雷达传感器,所述方法包括:
在所述机器人到达目标充电桩的历史对桩点位的情况下,获取所述激光雷达传感器针对当前场景扫描得到的单帧点云数据,并加载预先标定的所述目标充电桩的模型点云;
以距离为聚类依据对所述单帧点云数据进行聚类处理,得到多个点云簇;
基于各所述点云簇与所述模型点云之间的第一欧式距离的大小,从多个所述点云簇中确定目标点云簇;
其中,计算所述点云簇与所述模型点云之间的第一欧式距离,包括:将所述点云簇与所述模型点云进行点云配准处理,得到所述点云簇与所述模型点云之间的转换关系;基于所述转换关系,将所述模型点云转换到所述点云簇的坐标系下,得到转换后的目标模型点云;根据所述目标模型点云和所述点云簇计算得到所述第一欧式距离;所述激光雷达传感器为单线激光雷达传感器,所述单帧点云数据表征所述单线激光雷达传感器按照预设旋转扫描方式依次扫描得到的第一扫描点的集合;所述模型点云表征对预先使用单线激光雷达传感器按照所述预设旋转扫描方式依次扫描得到的点云进行标定处理后的第二扫描点的集合;相应地,所述点云簇对应第一扫描点序列,所述目标模型点云对应第二扫描点序列,所述根据所述目标模型点云和所述点云簇计算得到所述第一欧式距离,包括:从所述第二扫描点序列中确定第二有效扫描点子序列,并从所述第一扫描点序列中确定与所述第二有效扫描点子序列相匹配的第一有效扫描点子序列,其中,所述第一有效扫描点子序列和所述第二有效扫描点子序列的长度相同;
在所述目标点云簇与所述模型点云之间的所述第一欧式距离小于预设阈值的情况下,根据所述目标点云簇确定所述目标充电桩的位置;
所述从所述第二扫描点序列中确定第二有效扫描点子序列,并从所述第一扫描点序列中确定与所述第二有效扫描点子序列相匹配的第一有效扫描点子序列,包括:
将所述第一扫描点序列的长度和所述第二扫描点序列的长度中的最小长度值确定为所述第二有效扫描点子序列的长度值;
以所述第二扫描点序列中的第一个第二扫描点为起点,从所述第二扫描点序列中截取对应所述长度值的所述第二有效扫描点子序列;
基于所述第二有效扫描点子序列中的第一个第二有效扫描点,从所述第一扫描点序列中确定与所述第一个第二有效扫描点距离最近的目标第一扫描点;
基于所述第二有效扫描点子序列的长度值,从所述第一扫描点序列中截取对应所述长度值的、且以所述目标第一扫描点为第一个第一有效扫描点的所述第一有效扫描点子序列。
2.根据权利要求1所述的方法,其特征在于,所述基于各所述点云簇与所述模型点云之间的第一欧式距离的大小,从多个所述点云簇中确定目标点云簇,包括:
确定每一所述点云簇与所述模型点云之间的所述第一欧式距离,得到多个第一欧式距离;
确定所述多个第一欧式距离中的最小第一欧式距离;
将所述最小第一欧式距离对应的所述点云簇确定为所述目标点云簇。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标模型点云和所述点云簇计算得到所述第一欧式距离,还包括:
计算所述第一有效扫描点子序列中第n个第一有效扫描点与所述第二有效扫描点子序列中第n个第二有效扫描点之间的第二欧式距离,其中n的取值范围为1-k,k表征所述第一有效扫描点子序列的长度值;
计算k个所述第二欧式距离的均值,得到所述第一欧式距离。
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:
在所述目标点云簇与所述模型点云之间的所述第一欧式距离大于所述预设阈值的情况下,旋转所述机器人的朝向;
控制所述激光雷达传感器重新扫描得到新的单帧点云数据;
并基于新的单帧点云数据,重新开始执行所述以距离为聚类依据对所述单帧点云数据进行聚类处理,得到多个点云簇的步骤,直到确定所述目标充电桩的位置或旋转所述机器人的朝向的次数达到预设次数时为止。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标点云簇确定所述目标充电桩的位置,包括:
将所述目标点云簇的质心位置作为所述目标充电桩的位置。
6.一种机器人寻桩装置,其特征在于,所述机器人包括激光雷达传感器,所述装置包括:
加载模块,被配置为用于在所述机器人到达目标充电桩的历史对桩点位的情况下,获取所述激光雷达传感器针对当前场景扫描得到的单帧点云数据,并加载预先标定的所述目标充电桩的模型点云;
聚类模块,被配置为用于以距离为聚类依据对所述单帧点云数据进行聚类处理,得到多个点云簇;
执行模块,被配置为用于基于各所述点云簇与所述模型点云之间的第一欧式距离的大小,从多个所述点云簇中确定目标点云簇;
确定模块,被配置为用于在所述目标点云簇与所述模型点云之间的所述第一欧式距离小于预设阈值的情况下,根据所述目标点云簇确定所述目标充电桩的位置;
所述执行模块包括:
配准子模块,被配置为用于将所述点云簇与所述模型点云进行点云配准处理,得到所述点云簇与所述模型点云之间的转换关系;
转换子模块,被配置为用于基于所述转换关系,将所述模型点云转换到所述点云簇的坐标系下,得到转换后的目标模型点云;
第一计算子模块,被配置为用于根据所述目标模型点云和所述点云簇计算得到所述第一欧式距离,
所述激光雷达传感器为单线激光雷达传感器,所述单帧点云数据表征所述单线激光雷达传感器按照预设旋转扫描方式依次扫描得到的第一扫描点的集合;所述模型点云表征对预先使用单线激光雷达传感器按照所述预设旋转扫描方式依次扫描得到的点云进行标定处理后的第二扫描点的集合;
相应地,所述点云簇对应第一扫描点序列,所述目标模型点云对应第二扫描点序列,所述第一计算子模块包括:
第一确定子模块,被配置为用于从所述第二扫描点序列中确定第二有效扫描点子序列,并从所述第一扫描点序列中确定与所述第二有效扫描点子序列相匹配的第一有效扫描点子序列,其中,所述第一有效扫描点子序列和所述第二有效扫描点子序列的长度相同;
第一确定子模块,被配置为用于:
将所述第一扫描点序列的长度和所述第二扫描点序列的长度中的最小长度值确定为所述第二有效扫描点子序列的长度值;
以所述第二扫描点序列中的第一个第二扫描点为起点,从所述第二扫描点序列中截取对应所述长度值的所述第二有效扫描点子序列;
基于所述第二有效扫描点子序列中的第一个第二有效扫描点,从所述第一扫描点序列中确定与所述第一个第二有效扫描点距离最近的目标第一扫描点;
基于所述第二有效扫描点子序列的长度值,从所述第一扫描点序列中截取对应所述长度值的、且以所述目标第一扫描点为第一个第一有效扫描点的所述第一有效扫描点子序列。
7.一种机器人,其特征在于,包括:
激光雷达传感器;
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772804.8A CN115220446B (zh) | 2022-06-30 | 2022-06-30 | 机器人寻桩方法、装置及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772804.8A CN115220446B (zh) | 2022-06-30 | 2022-06-30 | 机器人寻桩方法、装置及机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115220446A CN115220446A (zh) | 2022-10-21 |
CN115220446B true CN115220446B (zh) | 2023-12-08 |
Family
ID=83610026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210772804.8A Active CN115220446B (zh) | 2022-06-30 | 2022-06-30 | 机器人寻桩方法、装置及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115220446B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315661A (zh) * | 2008-07-18 | 2008-12-03 | 东南大学 | 一种减小表情影响的快速三维人脸识别方法 |
CN101377851A (zh) * | 2007-08-29 | 2009-03-04 | 鸿富锦精密工业(深圳)有限公司 | 点云到点云的最近距离计算系统及方法 |
CN105674991A (zh) * | 2016-03-29 | 2016-06-15 | 深圳市华讯方舟科技有限公司 | 一种机器人定位方法和装置 |
CN111352420A (zh) * | 2020-03-03 | 2020-06-30 | 厦门大学 | 一种激光导航agv高精度定位及目标对准控制方法 |
CN112198871A (zh) * | 2020-09-02 | 2021-01-08 | 创新工场(北京)企业管理股份有限公司 | 用于移动机器人的自主充电的方法和装置 |
JP2021056017A (ja) * | 2019-09-27 | 2021-04-08 | 沖電気工業株式会社 | 合成処理装置、合成処理システム及び合成処理方法 |
KR20210061875A (ko) * | 2019-11-20 | 2021-05-28 | 국민대학교산학협력단 | 포인트 클라우드 데이터를 이용한 3d lidar 센서 결함 검출 방법 |
CN113297989A (zh) * | 2021-05-28 | 2021-08-24 | 深圳市优必选科技股份有限公司 | 充电桩识别方法、装置、机器人及计算机可读存储介质 |
CN114236566A (zh) * | 2021-11-26 | 2022-03-25 | 武汉万集光电技术有限公司 | 激光系统的控制方法、装置、电子设备及可读存储介质 |
-
2022
- 2022-06-30 CN CN202210772804.8A patent/CN115220446B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101377851A (zh) * | 2007-08-29 | 2009-03-04 | 鸿富锦精密工业(深圳)有限公司 | 点云到点云的最近距离计算系统及方法 |
CN101315661A (zh) * | 2008-07-18 | 2008-12-03 | 东南大学 | 一种减小表情影响的快速三维人脸识别方法 |
CN105674991A (zh) * | 2016-03-29 | 2016-06-15 | 深圳市华讯方舟科技有限公司 | 一种机器人定位方法和装置 |
JP2021056017A (ja) * | 2019-09-27 | 2021-04-08 | 沖電気工業株式会社 | 合成処理装置、合成処理システム及び合成処理方法 |
KR20210061875A (ko) * | 2019-11-20 | 2021-05-28 | 국민대학교산학협력단 | 포인트 클라우드 데이터를 이용한 3d lidar 센서 결함 검출 방법 |
CN111352420A (zh) * | 2020-03-03 | 2020-06-30 | 厦门大学 | 一种激光导航agv高精度定位及目标对准控制方法 |
CN112198871A (zh) * | 2020-09-02 | 2021-01-08 | 创新工场(北京)企业管理股份有限公司 | 用于移动机器人的自主充电的方法和装置 |
CN113297989A (zh) * | 2021-05-28 | 2021-08-24 | 深圳市优必选科技股份有限公司 | 充电桩识别方法、装置、机器人及计算机可读存储介质 |
CN114236566A (zh) * | 2021-11-26 | 2022-03-25 | 武汉万集光电技术有限公司 | 激光系统的控制方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115220446A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6830139B2 (ja) | 3次元データの生成方法、3次元データの生成装置、コンピュータ機器及びコンピュータ読み取り可能な記憶媒体 | |
US11422261B2 (en) | Robot relocalization method and apparatus and robot using the same | |
CN113256712B (zh) | 定位方法、装置、电子设备和存储介质 | |
WO2022262160A1 (zh) | 传感器标定方法及装置、电子设备和存储介质 | |
US20210223056A1 (en) | Method and apparatus for generating route planning model, and storage medium | |
CN111426312B (zh) | 定位地图的更新方法、装置、设备及存储介质 | |
US20200030982A1 (en) | Robot recharge docking method and robot with the same | |
WO2021016854A1 (zh) | 一种标定方法、设备、可移动平台及存储介质 | |
WO2018214825A1 (zh) | 一种检测未知位置的障碍物存在概率的方法和装置 | |
CN110969649A (zh) | 一种激光点云与地图的匹配评价方法、介质、终端和装置 | |
JP2019191145A (ja) | 充電台の識別方法、装置、ロボット及びコンピュータ読取可能な記憶媒体 | |
CN111680596B (zh) | 基于深度学习的定位真值校验方法、装置、设备及介质 | |
CN112116655B (zh) | 目标对象的位置确定方法和装置 | |
CN111612852A (zh) | 用于验证相机参数的方法和装置 | |
US11651552B2 (en) | Systems and methods for fine adjustment of roof models | |
CN113793370B (zh) | 三维点云配准方法、装置、电子设备及可读介质 | |
CN112435297A (zh) | 目标物体位姿确定方法、装置、存储介质及电子设备 | |
CN115220446B (zh) | 机器人寻桩方法、装置及机器人 | |
KR102568948B1 (ko) | 장애물 속도를 결정하는 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
WO2024007869A1 (zh) | 水平度校验方法、终端和计算机可读存储介质 | |
CN116258969B (zh) | 基于点云数据的结构件测量方法及装置 | |
CN115457202B (zh) | 一种三维模型更新的方法、装置及存储介质 | |
CN111696141A (zh) | 一种三维全景扫描采集方法、设备及存储设备 | |
US20230095552A1 (en) | Map construction method, robot and medium | |
CN113440054B (zh) | 扫地机器人充电基座范围的确定方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |