CN115272227A - 基于点云形状特征的检测方法及系统 - Google Patents

Abstract

本申请公开了一种基于点云形状特征的检测方法及系统。该检测方法包括步骤：S1：获取2D点云数据；S2：对步骤S1获取的2D点云数据进行数据裁切；S3：对步骤S2裁切后的数据进行均值滤波；S4：对经步骤S3均值滤波后的数据通过Hough变换，获取目标线段；以及S5：对目标线段进行排序，并且根据相邻目标线段之间的角度关系提取目标形状特征。本申请的主要有益效果在于：1)本方案利用AGV上用于定位导航和避障的单线激光雷达进行货架检测定位，降低了额外的传感器和处理器硬件成本；2)本方案利用单线激光对货架的检测精度高，速度快，且结构简单、稳定、可靠，不受环境光线变化的影响。

Description

基于点云形状特征的检测方法及系统

技术领域

本申请涉及自动导引运输车定位检测技术领域，具体涉及一种基于点云形状特征的检测方法及系统。

背景技术

在潜伏顶升式搬运AGV(自动导引运输车)进行料箱搬运的过程中，料箱一般放置在一个比AGV稍高的货架上。AGV需要移动到货架里，从底部将料箱顶升起来，并背负在AGV的顶部，进行搬运。这就要求AGV能够准确地识别货架位置，才能稳定地进行潜伏顶升搬运。

对于货架的检测，一般基于立体视觉，如ToF、结构光或者双目相机，处理器会在采集到的3D点云深度图像中进行特征的提取和匹配，对货架形状和位置进行检测。

也有一些方案在货架的立柱上放置二维码，这样AGV上的摄像头可以通过检测二维码来确定货架的位置。

基于立体视觉的方法的弊端为：用于采集立体视觉数据的深度相机成本较高，且采集的3D点云数据量较大，这增加算法的开发难度，也提高了处理器的硬件成本。

基于二维码的方法的弊端为：二维码的安装需要消耗额外的人力，另外也需要人工维护防止二维码掉落或者破损，增加后期成本。

以上基于视觉的方法都容易受环境光线变化的影响。

发明内容

本申请实施例提供一种基于点云形状特征的检测方法及系统，可以实现顶升搬运AGV的货架低成本检测，不需额外增加硬件来实现对货架进行检测定位，从而节省了额外的硬件成本，也避免了二维码的安装维护，而且采用2D点云数据而不是3D点云以及二维码摄像头采集到的环境图片，所以数据处理复杂度会显著下降，从而降低数据处理器的成本，且不受环境光线变化的影响。本申请解决了目前顶升搬运AGV的货架检测定位运算量大、设备成本高、维护成本高和受环境光线变化的影响的技术问题。

本申请实施例提供一种基于点云形状特征的检测方法，包括以下步骤：

S1：获取2D点云数据；

S2：对步骤S1获取的2D点云数据进行数据裁切；

S3：对步骤S2裁切后的数据进行均值滤波；

S4：对经步骤S3均值滤波后的数据通过Hough变换，获取目标线段；以及

S5：对目标线段进行排序，并且根据相邻目标线段之间的角度关系提取目标形状特征。

在一些实施例中，所述对目标线段排序的具体方法包括：以雷达正前方为0度，逆时针为正方向，按照相邻目标线段之间的角度从小到大的顺序进行排序。

在一些实施例中，所述目标形状特征的获取方法包括：根据获得到所有的线段，依次的计算连续的两条目标线段是否构成L型，连续的三条目标线段是否构成U型，并且判断目标线段的长度是否满足要求；两条目标线段构成L型否认判定标准是两条直线的角度范围在90±5度，连续的三条目标线段构成U型的判定标准是在两条目标线段构成L型的基础上增加了判断这三条目标线段中是否满足其中两条相平行的目标线段连接在另一条的目标线段的两端。

在一些实施例中，所述目标形状特征为三条目标线段构成的U型，输出所述目标形状特征作为货架实时定位检测的结果。

在一些实施例中，所述获取2D点云数据包括：采用雷达扫描到障碍物点的角度和距离。

在一些实施例中，所述均值滤波的具体方法为：将与均值的差值大于第一阈值的聚集点云数据直接删除。

在一些实施例中，在所述获取2D点云数据步骤之前还包括：

设置一AGV本体、安装在所述AGV本体上的处理器、多个单线雷达，其中所述多个单线雷达用于扫描货架周边环境以获得2D点云数据，所述处理器用于获取所述的2D点云数据并对获取的2D点云数据依次进行数据裁切、均值滤波、Hough变换、提取目标形状特征；以及

设置货架的中部为所述AGV本体的行进路径；所述货架三面安装有罩板，仅前部设有开口，形成U形结构，所述AGV本体能够从所述开口位置进入所述货架中，U形结构的货架上方对应设置料箱。

根据前文所述的基于点云形状特征的检测方法，本申请还提供一种基于点云形状特征的检测系统，其包括AGV本体、安装在所述AGV本体上的处理器、多个单线雷达，所述多个单线雷达用于扫描货架周边环境以获得2D点云数据，所述处理器用于获取所述的2D点云数据并对获取的2D点云数据依次进行数据裁切、均值滤波、Hough变换、提取目标形状特征。

在一些实施例中，所述多个单线雷达设置在所述AGV本体的行进前端，所述多个单线雷达的扫描平面与AGV本体的底面平行。

在一些实施例中，所述基于点云形状特征的检测系统还包括货架，所述货架的中部为所述AGV本体的行进路径；所述货架三面安装有罩板，仅前部设有开口，形成U形结构，所述AGV本体能够从所述开口位置进入所述货架中，U形结构的货架上方对应设置料箱。

本申请实施例提供的基于点云形状特征的检测方法及系统，利用顶升搬运AGV上已有的、用于定位导航的单线激光雷达，对货架进行检测定位，从而节省了额外的硬件成本，也避免了二维码的安装维护。由于单线激光雷达所采集到的2D点云数据量远远小于立体视觉传感器所采集到的3D点云以及二维码摄像头采集到的环境图片，所以数据处理复杂度会显著下降，从而降低数据处理器的成本，且不受环境光线变化的影响。

因此，本申请的主要有益效果在于：1)本方案利用AGV上用于定位导航和避障的单线激光雷达进行货架检测定位，降低了额外的传感器和处理器硬件成本；2)本方案利用单线激光对货架的检测精度高，速度快，且结构简单、稳定、可靠，不受环境光线变化的影响。

附图说明

下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。

图1为本申请实施例提供的基于点云形状特征的检测系统的结构示意图。

图2为本申请实施例提供的基于点云形状特征的检测系统中货架与料箱的相对位置结构示意图。

图3为本申请实施例提供的基于点云形状特征的检测方法的流程图。

图4为图3提供的基于点云形状特征的检测方法的逻辑流程图。

图中的标识如下：

基于点云形状特征的检测系统10，

AGV本体1，单线雷达2，运载板3，

车轮4，货架5，料箱6，

扫描平面21，罩板51，开口52。

具体实施方式

下面将结合本申请实施例中的附图，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。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动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。

在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

具体的，请参阅图1、图2，本申请还提供一种基于点云形状特征的检测系统10，该检测系统10包括AGV本体1、安装在所述AGV本体1上的处理器(未图示)、多个单线雷达2，所述多个单线雷达2用于扫描货架周边环境以获得2D点云数据，所述处理器用于获取所述的2D点云数据并对获取的2D点云数据依次进行数据裁切、均值滤波、Hough变换、提取目标形状特征。其中所述处理器优选设置在所述AGV本体1内，所述AGV本体1的顶部设置运载板3，所述AGV本体1的底部设置车轮4，所有车轮4在一平面内便于在地面行驶，所有的车轮4所在的平面即为所述AGV本体1的底面。

在本实施例中，所述多个单线雷达2设置在所述AGV本体1的行进前端，所述多个单线雷达2的扫描平面21与AGV本体1的底面平行。单线雷达2优选为单线激光雷达，可用于定位导航。本方案利用顶升搬运AGV上已有的、用于定位导航的单线激光雷达2，对货架进行检测定位，从而节省了额外的硬件成本，也避免了二维码的安装维护。由于单线激光雷达2所采集到的2D点云数据量远远小于立体视觉传感器所采集到的3D点云以及二维码摄像头采集到的环境图片，所以数据处理复杂度会显著下降，从而降低数据处理器的成本。

在本实施例中，请参阅图2，所述基于点云形状特征的检测系统10还包括货架5，所述货架5的中部为所述AGV本体1的行进路径；所述货架5三面安装有罩板51，仅前部设有开口52，形成U形结构，所述AGV本体1能够从所述开口52位置进入所述货架5中，U形结构的货架5上方对应设置料箱6。可理解的是，U形结构的货架5方便AGV利用单线雷达2对货架5进行检测定位，当AGV本体1行驶至U形结构的货架5内部时恰好与料箱6对应设置，此时料箱6的底部与运载板3对应设置，被搬运件从料箱6的底部落入运载板3上即可实现物料转移。

基于相同的发明构思，请参阅图3，本申请实施例提供一种基于点云形状特征的检测方法，包括以下步骤：

S1：点云数据获取步骤，获取2D点云数据；

S2：数据裁剪步骤，对步骤S1获取的2D点云数据进行数据裁切；

S3：均值滤波步骤，对步骤S2裁切后的数据进行均值滤波；

S4：Hough变换检测线段步骤，对经步骤S3均值滤波后的数据通过Hough变换，获取目标线段；以及

S5：线段排序步骤，对目标线段进行排序，并且根据相邻目标线段之间的角度关系提取目标形状特征。

请参阅图3，本申请基于提取的目标形状特征，可实现对货架5的检测定位，因此在线段排序步骤之后还包括：

S6：三段法货架检测定位步骤，所述目标形状特征为三条目标线段构成的U型，输出所述目标形状特征作为货架5实时定位检测的结果。

在本实施例中，所述对目标线段排序的具体方法包括：以雷达2正前方为0度，逆时针为正方向，按照相邻目标线段之间的角度从小到大的顺序进行排序。

在本实施例中，所述目标形状特征的获取方法包括：根据获得到所有的线段，依次的计算连续的两条目标线段是否构成L型，连续的三条目标线段是否构成U型，并且判断目标线段的长度是否满足要求；两条目标线段构成L型否认判定标准是两条直线的角度范围在90±5度，表示完全垂直或者类似垂直均可；连续的三条目标线段构成U型的判定标准是在两条目标线段构成L型的基础上增加了判断这三条目标线段中是否满足其中两条相平行的目标线段连接在另一条的目标线段的两端。其中本实施例中的两条相平行的目标线段是指两条直线的角度范围在0±5度，表示完全平行或者类似平行均可。

在本实施例中，所述获取2D点云数据包括：采用雷达2扫描到障碍物点的角度和距离。

在本实施例中，所述均值滤波的具体方法为：将与均值的差值大于第一阈值的聚集点云数据直接删除。

请结合图3、图4，由于定位导航功能已经将AGV移动到货架5前的位置，所以当处理器从雷达2采集到周边环境的2D点云数据后，可以首先裁剪去除某些方向的点云数据，比如朝向AGV后方的点云数据。经过裁剪后的点云数据，会包含货架5的形状特征。由于激光雷达2在测量过程中存在误差和噪点，所以接下来会将裁剪后的点云数据进行均值滤波，去除明显偏离实际位置的观测点。此时，U形货架5的左右两个侧面和里面的罩板51会以线段的形式出现在点云数据中，通过Hough变换即可检测出点云中的线段，然后将所有线段按起始点的角度顺时针顺序排列。最后，通过检测相邻线段之间的垂直角度关系，将具有U形特征的连续的三段线段提取出来，作为货架5检测的结果。因此使用单线激光进行货架5检测的方式可利用AGV上用于定位导航和避障的单线激光雷达2进行货架5检测定位，降低了额外的传感器和处理器硬件成本；U形货架5的设计以提高检测的稳定性，利用单线激光雷达2对货架5的检测精度高，速度快，且结构简单、稳定、可靠，不受环境光线变化的影响；货架5检测定位的算法流程简单，运算速度快。

在本实施例中，在所述获取2D点云数据步骤之前还包括：

设置一AGV本体1、安装在所述AGV本体1上的处理器、多个单线雷达2，其中所述多个单线雷达2用于扫描货架5周边环境以获得2D点云数据，所述处理器用于获取所述的2D点云数据并对获取的2D点云数据依次进行数据裁切、均值滤波、Hough变换、提取目标形状特征；以及

设置货架5的中部为所述AGV本体1的行进路径；所述货架5三面安装有罩板51，仅前部设有开口52，形成U形结构，所述AGV本体1能够从所述开口52位置进入所述货架5中，U形结构的货架5上方对应设置料箱6。

本申请实施例提供的基于点云形状特征的检测方法及系统，利用顶升搬运AGV上已有的、用于定位导航的单线激光雷达，对货架进行检测定位，从而节省了额外的硬件成本，也避免了二维码的安装维护。由于单线激光雷达所采集到的2D点云数据量远远小于立体视觉传感器所采集到的3D点云以及二维码摄像头采集到的环境图片，所以数据处理复杂度会显著下降，从而降低数据处理器的成本，且不受环境光线变化的影响。

因此，本申请的主要有益效果在于：

1)本方案利用AGV上用于定位导航和避障的单线激光雷达进行货架检测定位，降低了额外的传感器和处理器硬件成本；

2)本方案利用单线激光对货架的检测精度高，速度快，且结构简单、稳定、可靠，不受环境光线变化的影响。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

以上对本申请实施例所提供的一种基于点云形状特征的检测方法及系统进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例的技术方案的范围。

Claims (10)

1.一种基于点云形状特征的检测方法，其特征在于，包括以下步骤：

S1：获取2D点云数据；

S2：对步骤S1获取的2D点云数据进行数据裁切；

S3：对步骤S2裁切后的数据进行均值滤波；

S4：对经步骤S3均值滤波后的数据通过Hough变换，获取目标线段；以及

S5：对目标线段进行排序，并且根据相邻目标线段之间的角度关系提取目标形状特征。

2.根据权利要求1所述的基于点云形状特征的检测方法，其特征在于，所述对目标线段排序的具体方法包括：以雷达正前方为0度，逆时针为正方向，按照相邻目标线段之间的角度从小到大的顺序进行排序。

3.根据权利要求1所述的基于点云形状特征的检测方法，其特征在于，所述目标形状特征的获取方法包括：根据获得到所有的线段，依次的计算连续的两条目标线段是否构成L型，连续的三条目标线段是否构成U型，并且判断目标线段的长度是否满足要求；两条目标线段构成L型否认判定标准是两条直线的角度范围在90±5度，连续的三条目标线段构成U型的判定标准是在两条目标线段构成L型的基础上增加了判断这三条目标线段中是否满足其中两条相平行的目标线段连接在另一条的目标线段的两端。

4.根据权利要求3所述的基于点云形状特征的检测方法，其特征在于，所述目标形状特征为三条目标线段构成的U型，输出所述目标形状特征作为货架实时定位检测的结果。

5.根据权利要求1所述的基于点云形状特征的检测方法，其特征在于，所述获取2D点云数据包括：采用雷达扫描到障碍物点的角度和距离。

6.根据权利要求1所述的基于点云形状特征的检测方法，其特征在于，所述均值滤波的具体方法为：将与均值的差值大于第一阈值的聚集点云数据直接删除。

7.根据权利要求1所述的基于点云形状特征的检测方法，其特征在于，在所述获取2D点云数据步骤之前还包括：

设置一AGV本体、安装在所述AGV本体上的处理器、多个单线雷达，其中所述多个单线雷达用于扫描货架周边环境以获得2D点云数据，所述处理器用于获取所述的2D点云数据并对获取的2D点云数据依次进行数据裁切、均值滤波、Hough变换、提取目标形状特征；以及

设置货架的中部为所述AGV本体的行进路径；所述货架三面安装有罩板，仅前部设有开口，形成U形结构，所述AGV本体能够从所述开口位置进入所述货架中，U形结构的货架上方对应设置料箱。

8.一种基于点云形状特征的检测系统，其特征在于，包括AGV本体、安装在所述AGV本体上的处理器、多个单线雷达，所述多个单线雷达用于扫描货架周边环境以获得2D点云数据，所述处理器用于获取所述的2D点云数据并对获取的2D点云数据依次进行数据裁切、均值滤波、Hough变换、提取目标形状特征。

9.根据权利要求1所述的基于点云形状特征的检测系统，其特征在于，所述多个单线雷达设置在所述AGV本体的行进前端，所述多个单线雷达的扫描平面与AGV本体的底面平行。

10.根据权利要求1所述的基于点云形状特征的检测系统，其特征在于，所述基于点云形状特征的检测系统还包括货架，所述货架的中部为所述AGV本体的行进路径；所述货架三面安装有罩板，仅前部设有开口，形成U形结构，所述AGV本体能够从所述开口位置进入所述货架中，U形结构的货架上方对应设置料箱。

Images