CN115446834A - 一种基于占据栅格配准的车底巡检机器人单轴重定位方法 - Google Patents
一种基于占据栅格配准的车底巡检机器人单轴重定位方法 Download PDFInfo
- Publication number
- CN115446834A CN115446834A CN202211062086.1A CN202211062086A CN115446834A CN 115446834 A CN115446834 A CN 115446834A CN 202211062086 A CN202211062086 A CN 202211062086A CN 115446834 A CN115446834 A CN 115446834A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- robot
- template
- repositioning
- point
- 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.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013519 translation Methods 0.000 claims abstract description 34
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- B25J9/1679—Programme controls characterised by the tasks executed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
-
- 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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- 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
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于占据栅格配准的车底巡检机器人单轴重定位方法,具体为:机器人再部署期间进行模板采集;机器人运行期间,机器人依据重定位点编号,从SQL数据库中取出采集配置,根据采集配置中的采集时间累积当前点云数据,并对点云数据进行直通滤波;取出模板点云数据,对当前点云与模板点云进行下采样与统计学滤波,并使用单轴配准算法计算当前点云与模板点云之间在x轴方向的平移变换关系;再将当前点云与模板点云的平移变换关系叠加到模板位姿上,使用该新位姿重置机器人里程计。本发明提升了在复杂车底点云下点云相似程度计算效率,降低了在重复的检修地沟特征下算法陷入局部最优的失效概率,提升了算法在多个场景下的适用性。
Description
技术领域
本发明属于机器人领域,具体涉及一种基于占据栅格配准的车底巡检机器人单轴重定位方法。
背景技术
车底巡检机器人工作在狭窄的检修地沟内前后运动,根据预设的项点,对地沟上方的车辆底部的关键零部件(如螺栓、轮组、滤网、管线等)进行图像信息与特征信息的采集,并通过分析系统的处理,给出车辆是否需要进行维护的建议。车底巡检机器人提升了巡检质量与巡检效率,降低了工人的工作强度。
车底巡检机器人的重定位主要有如下两个任务:第一个,由于机器人在检修地沟内的移动距离往往达到几十甚至数百米,里程计会产生累积误差,使得机器人定位不准,无法准确地回到原点,此时需要重定位来修正机器人的里程计累积误差;第二个,由于车辆每次在检修地沟上方的停车位置不同,因此车辆坐标系与巡检地沟坐标系的变换关系是不定的,而巡检导航点的位姿需要基于这一变换关系计算,此时需要亚厘米级的重定位来检测车辆的停车位置。对于传统巡检机器人而言,重定位往往依赖于在运用现场安装反光板、二维码等外设,部署成本高,较新的方法中则考虑为巡检机器人配置3D激光雷达,从而使重定位转化为点云配准问题。S.Wanayuth等人于2013年在文章"Under-vehicle inspectionutilizing a mobile robot with a LRF sensor"中提出对于车底巡检机器人,可使用最近点迭代(ICP)算法进行点云配准,从而检测车辆的停车位置;Q.Tian等人于2019年在文章"A Novel Global Relocalization Method Based on Hierarchical Registration of3D Point Cloud Map for Mobile Robot"中提出对于服务机器人,可通过对正态分布转换(NDT)算法与ICP算法的联合使用(NDT+ICP),进行服务机器人全局定位误差的修正。然而上述算法均未考虑到特殊巡检对象车底点云复杂性以及检修地沟环境的特殊性,对于类似列车转向架的复杂点云,其所需要的处理时间过长,精度不高;而对于检修地沟这一具有大量重复墙面与立柱特征的场景,其优化迭代的计算方式使得存在陷入局部最优的配准错误的风险。同时,现有算法均在具有良好的迭代初值的前提下,才能具有准确的计算结果,而重定位场景下,对于良好的迭代初值的取得是较为困难的。
因此,有必要针对该场景研究车底巡检机器人在检修地沟内单自由度运动时的重定位实施策略与高效率高精度的配准算法,以达成车底巡检机器人重定位的主要目标。
发明内容
为在检修地沟内高精度、高效率地重定位任务,进而保证可以安全且高效的完成车辆的车底巡检作业。本发明根据车底巡检机器人在巡检地沟内的单自由度工作场景,基于车底特征点云与检修沟特征点云的特性,提供了一种基于占据栅格配准的车底巡检机器人单轴重定位方法。
本发明的一种基于占据栅格配准的车底巡检机器人单轴重定位方法,包括机器人部署期间模板采集和运行期间基于模板重定位两部分。
机器人部署期间模板采集具体步骤为:
步骤A:选取重定位点,生成重定位点编号,并基于外部准确测量(如卷尺、激光测距仪等)将机器人移动到巡检地沟中对应位置上。
步骤B:根据现实情况确定点云累积时间、点云所需空间区域与点云下采样分辨率,根据编号生成采集配置;使用3D激光雷达累积点云数据,根据编号生成模板点云数据,同时将外部准确测量距离结果根据编号生成模板位姿,以重定位点编号为主键,插入到SQL数据库中。
步骤C:在机器人的业务流程中加入重定位部分,并给定重定位点编号,使得机器人自行从SQL数据库中读取采集配置、模板点云数据与模板位姿,并根据实际状况运行定位修正。
机器人运行期间基于模板重定位具体步骤为:
步骤1:机器人根据业务流程,依据重定位点编号,从SQL数据库中取出重定位点模板位姿,并以里程计定位信息作为参考,行驶到里程计认为已到达模板位姿的位置上停车,准备开始采集当前点云。
步骤2:机器人依据重定位点编号,从SQL数据库中取出采集配置,并调用3D激光雷达,根据采集配置中的采集时间累积当前点云数据,并根据采集配置中的所需空间区域对点云数据进行直通滤波,使其仅保留所需的部分。
步骤3:考虑到机器人在巡检地沟内仅具有前后行驶的单自由度,将机器人运行方向定义为x轴正方向,从SQL数据库中取出模板点云数据,对当前点云与模板点云进行下采样与统计学滤波,并使用单轴配准算法计算当前点云与模板点云之间在x轴方向的平移变换关系。
步骤4:将当前点云与模板点云的平移变换关系叠加到模板位姿上,使用该新位姿重置机器人里程计。
进一步的,步骤3中的单轴配准算法步骤具体为:
步骤3.1:生成x方向上的平移搜索空间,平移搜索空间表示为:
从而搜索空间中第i项对应的x轴上的平移表示为:
步骤3.3:将搜索点云Pt与模板点云Pm以一定分辨率转换为八叉树空间占据栅格Mt与Mm,从而可以查询Mm中标记为占据的栅格,其对应栅格在Mt中是否为占据状态,而这一查询是在栅格编号层面连续的。
步骤3.4:定义测度函数E(Pt,Pm),用于评估搜索点云与模板点云的相似程度,考虑到点云均已被转换为八叉树空间占据栅格,因此测度函数表示为:
而配准问题则转化为了求函数最大值的问题,表示为:
使用平移空间搜索的方式,即可计算出当测度函数E(Pt,Pm)达到最大值时的平移变换tr,tr即为输出的配准结果。
本发明的有益技术效果为:
本发明提出的方法与现有方法相比,其优点在于:1)与传统巡检机器人重定位方法相比,该方法利用部署现场固有特征即可进行重定位,不需要安装反光板等附件,降低了部署成本。2)方法中的配准算法将离散的点云数据转换为连续的八叉树空间栅格占据查询,采用占据栅格的空间与运算作为测度函数,大大提升了在复杂车底点云下点云相似程度计算效率。3)方法中的配准算法采用平移空间搜索枚举整个平移空间,大大降低了在重复的检修地沟特征下算法陷入局部最优的失效概率。4)方法中的配准算法只需要指定搜索间隔与搜索起止点即可得到精确的配准结果,不需要为算法提供良好的迭代初值,大大提升了算法在多种重定位尺度下的鲁棒性。
附图说明
图1为巡检机器人在检修地沟中的工作图示;
图2为该方法在运行阶段的重定位完整流程框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
一种在地铁检修地沟内运行的轮式巡检机器人,结合图1所示,机器人在检修地沟内直线前后运行,安装有:3D激光雷达、电机轮速计等,基于ROS机器人操作系统,使用改进的LOAM雷达里程计,机器人在巡检地沟内自主定位导航,使用重定位修正里程计累积误差、检测车辆停车位置,步骤如下:
里程计累积误差修正重定位部署:
步骤1:选取重定位点,生成重定位点编号,并基于外部准确测量(如卷尺、激光测距仪等),将机器人移动到巡检地沟中对应位置上,此处选择卷尺测量距离原点2.5m处作为重定位点。
步骤2:根据现实情况确定点云累积时间、点云所需空间区域与下采样分辨率,根据编号生成采集配置;使用3D激光雷达累积点云数据,根据编号生成模板点云数据,同时将外部准确测量距离结果根据编号生成模板位姿,以重定位点编号为主键,插入到SQL数据库中。此处累积时间设置为5s;空间区域设置为以雷达原点为基准,前后0m到5m,左右-0.8m到0.8m,上下-0.8m到0.4m,上下范围的取值使得仅有检修沟内固定的方柱特征存在于点云数据中,除去了车辆车底特征,以排除停车位置差异对配准结果的影响;下采样分辨率设置为0.01m。
步骤3:在机器人的业务流程中加入重定位部分,并给定重定位点编号,使得机器人可以自行从SQL数据库中读取采集配置、模板点云数据与模板位姿,并根据实际状况运行定位修正。此处在机器人完成巡检任务,依据里程计定位数据认为已到达存储的模板位姿处停车后加入重定位过程。
里程计累积误差修正重定位执行:
结合图2所示,具体包括以下步骤:
步骤1:机器人根据业务流程,依据重定位点编号,从SQL数据库中取出重定位点模板位姿,并以里程计定位信息作为参考,行驶到里程计认为已到达模板位姿的位置上停车,准备开始采集当前点云。
步骤2:机器人依据重定位点编号,从SQL数据库中取出采集配置,并调用3D激光雷达,根据采集配置中的采集时间累积当前点云数据,并根据采集配置中的所需空间区域对点云数据进行直通滤波,使其仅保留所需的部分。此处累积时间为5s,且点云数据仅保留检修沟内固定的方柱特征。
步骤3:从SQL数据库中取出模板点云数据,对当前点云与模板点云进行下采样与统计学滤波,并使用单轴配准算法计算当前点云与模板点云之间在x轴方向的平移变换关系。
步骤3.1:生成x方向上的平移搜索空间,平移搜索空间可表示为:
从而搜索空间中第i项对应的x轴上的平移可表示为:
步骤3.3:将搜索点云Pt与模板点云Pm以一定分辨率转换为八叉树空间占据栅格Mt与Mm,从而可以查询Mm中标记为占据的栅格,其对应栅格在Mt中是否为占据状态,而这一查询是在栅格编号层面连续的。此处转换分辨率取0.001m。
步骤3.4:定义测度函数E(Pt,Pm),用于评估搜索点云与模板点云的相似程度,考虑到点云均已被转换为八叉树空间占据栅格,因此测度函数可表示为:
而配准问题则转化为了求函数最大值的问题,可表示为:
使用平移空间搜索的方式,即可计算出当测度函数E(Pt,Pm)达到最大值时的平移变换tr,tr即为输出的配准结果。
步骤4:将当前点云与模板点云的平移变换关系叠加到模板位姿上,使用该新位姿重置机器人里程计,并向机器人发送导航至x=0m的指令,机器人精确回到原点。
本实施例中,取dx=0.005m、可达到精度与效率的平衡。为测试重定位配准算法精度,以5s的累积时间,在距离重定位点0.2m、0.4m、0.6m、0.8m以及1.0m处各按照相同的采集配置采集点云数据,以模拟机器人里程计产生累积误差时导致的导航到点误差,并对五组数据进行测试,结果表1所示,在较短的处理时间内,可以达到亚厘米级的重定位性能。
表1实施例1测试结果
测试组 | 配准结果t<sub>r</sub>(m) | 处理时间(s) | 误差(%) |
组1(0.2m) | 0.200m | 2.081s | 0.000% |
组2(0.4m) | 0.400m | 1.508s | 0.000% |
组3(0.6m) | 0.600m | 1.596s | 0.000% |
组4(0.8m) | 0.805m | 2.092s | 0.625% |
组5(1.0m) | 0.995m | 2.135s | 0.500% |
车辆停车位置检测重定位部署:
步骤1:选取重定位点,生成重定位点编号,并基于外部准确测量(如卷尺、激光测距仪等),将机器人移动到巡检地沟中对应位置上,此处选择卷尺测量距离部署时停放的地铁列车每一节车厢第一个转向架中心点负方向2.5m处在检修地沟坐标系中对应的点作为重定位点;
步骤2:根据现实情况确定点云累积时间、点云所需空间区域与下采样分辨率,根据编号生成采集配置;使用3D激光雷达累积点云数据,根据编号生成模板点云数据,同时将外部准确测量距离结果根据编号生成模板位姿,以重定位点编号为主键,插入到SQL数据库中。此处累积时间设置为5s;空间区域设置为以雷达原点为基准,前后0m到5m,左右-0.8m到0.8m,上下0.4m到0.95m,上下范围的取值使得仅有车辆车底特征(此处为转向架)存在于点云数据中,除去了检修地沟中固定的方柱特征,以排除固定特征对动态特征配准结果的影响;下采样分辨率设置为0.01m;
步骤3:在机器人的业务流程中加入重定位部分,并给定重定位点编号,使得机器人可以自行从SQL数据库中读取采集配置、模板点云数据与模板位姿,并根据实际状况运行定位修正。此处在机器人到达每一节车厢准备开始巡检前,依据里程计定位数据认为已到达存储的模板位姿处停车后加入重定位过程。
车辆停车位置检测重定位执行:
结合图2所示,具体包括以下步骤:
步骤1:机器人根据业务流程,依据重定位点编号,从SQL数据库中取出重定位点模板位姿,并以里程计定位信息作为参考,行驶到里程计认为已到达模板位姿的位置上停车,准备开始采集当前点云;
步骤2:机器人依据重定位点编号,从SQL数据库中取出采集配置,并调用3D激光雷达,根据采集配置中的采集时间累积当前点云数据,并根据采集配置中的所需空间区域对点云数据进行直通滤波,使其仅保留所需的部分。此处累积时间为5s,且点云数据仅保留列车车底转向架特征;
步骤3:从SQL数据库中取出模板点云数据,并使用配准算法计算当前点云与模板点云之间在x轴方向的平移变换关系;
步骤3.1:生成x方向上的平移搜索空间,平移搜索空间可表示为:
从而搜索空间中第i项对应的x轴上的平移可表示为:
步骤3.3:将搜索点云Pt与模板点云Pm以一定分辨率转换为八叉树空间占据栅格Mt与Mm,从而可以查询Mm中标记为占据的栅格,其对应栅格在Mt中是否为占据状态,而这一查询是在栅格编号层面连续的。此处转换分辨率取0.001m。
步骤3.4:定义测度函数E(Pt,Pm),用于评估搜索点云与模板点云的相似程度,考虑到点云均已被转换为八叉树空间占据栅格,因此测度函数可表示为:
而配准问题则转化为了求函数最大值的问题,可表示为:
使用平移空间搜索的方式,即可计算出当测度函数E(Pt,Pm)达到最大值时的平移变换tr,tr即为输出的配准结果。
步骤4:使用当前点云与模板点云的平移变换关系重置列车车底坐标系与检修地沟坐标系之间的变换关系,将以列车车底坐标系为基准的巡检导航点位姿转换到检修地沟坐标系中来,驱动机器人到达巡检导航点,对车底零部件进行巡检。
本实施例中,取dx=0.005m、可达到精度与效率的平衡。为测试重定位配准算法精度,以5s的累积时间,在距离重定位点0.2m、0.4m、0.6m、0.8m以及1.0m处各按照相同的采集配置采集点云数据,以模拟列车停车位置的差异,并对五组数据进行测试,结果表2所示。
表2实施例2测试结果
测试组 | 配准结果t<sub>r</sub>(m) | 处理时间(s) | 误差(%) |
组1(0.2m) | 0.200m | 3.605s | 0.000% |
组2(0.4m) | 0.400m | 4.770s | 0.000% |
组3(0.6m) | 0.600m | 4.525s | 0.000% |
组4(0.8m) | 0.800m | 3.978s | 0.000% |
组5(1.0m) | 0.995m | 4.312s | 0.500% |
可以看出本实施例在较短的处理时间内,可以达到亚厘米级的重定位性能。
Claims (2)
1.一种基于占据栅格配准的车底巡检机器人单轴重定位方法,其特征在于,包括机器人部署期间模板采集和运行期间基于模板重定位两部分;
机器人部署期间模板采集具体步骤为:
步骤A:选取重定位点,生成重定位点编号,并基于外部准确测量将机器人移动到巡检地沟中对应位置上;
步骤B:根据现实情况确定点云累积时间、点云所需空间区域与点云下采样分辨率,根据编号生成采集配置;使用3D激光雷达累积点云数据,根据编号生成模板点云数据,同时将外部准确测量距离结果根据编号生成模板位姿,以重定位点编号为主键,插入到SQL数据库中;
步骤C:在机器人的业务流程中加入重定位部分,并给定重定位点编号,使得机器人自行从SQL数据库中读取采集配置、模板点云数据与模板位姿,并根据实际状况运行定位修正;
机器人运行期间基于模板重定位具体步骤为:
步骤1:机器人根据业务流程,依据重定位点编号,从SQL数据库中取出重定位点模板位姿,并以里程计定位信息作为参考,行驶到里程计认为已到达模板位姿的位置上停车,准备开始采集当前点云;
步骤2:机器人依据重定位点编号,从SQL数据库中取出采集配置,并调用3D激光雷达,根据采集配置中的采集时间累积当前点云数据,并根据采集配置中的所需空间区域对点云数据进行直通滤波,使其仅保留所需的部分;
步骤3:考虑到机器人在巡检地沟内仅具有前后行驶的单自由度,将机器人运行方向定义为x轴正方向,从SQL数据库中取出模板点云数据,对当前点云与模板点云进行下采样与统计学滤波,并使用单轴配准算法计算当前点云与模板点云之间在x轴方向的平移变换关系;
步骤4:将当前点云与模板点云的平移变换关系叠加到模板位姿上,使用该新位姿重置机器人里程计。
2.根据权利要求1所述的一种基于占据栅格配准的车底巡检机器人单轴重定位方法,其特征在于,所述步骤3中的单轴配准算法步骤具体为:
步骤3.1:生成x方向上的平移搜索空间,平移搜索空间表示为:
从而搜索空间中第i项对应的x轴上的平移表示为:
步骤3.3:将搜索点云Pt与模板点云Pm以一定分辨率转换为八叉树空间占据栅格Mt与Mm,从而可以查询Mm中标记为占据的栅格,其对应栅格在Mt中是否为占据状态,而这一查询是在栅格编号层面连续的;
步骤3.4:定义测度函数E(Pt,Pm),用于评估搜索点云与模板点云的相似程度,考虑到点云均已被转换为八叉树空间占据栅格,因此测度函数表示为:
而配准问题则转化为了求函数最大值的问题,表示为:
使用平移空间搜索的方式,即可计算出当测度函数E(Pt,Pm)达到最大值时的平移变换tr,tr即为输出的配准结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211062086.1A CN115446834B (zh) | 2022-09-01 | 2022-09-01 | 一种基于占据栅格配准的车底巡检机器人单轴重定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211062086.1A CN115446834B (zh) | 2022-09-01 | 2022-09-01 | 一种基于占据栅格配准的车底巡检机器人单轴重定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115446834A true CN115446834A (zh) | 2022-12-09 |
CN115446834B CN115446834B (zh) | 2024-05-28 |
Family
ID=84300539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211062086.1A Active CN115446834B (zh) | 2022-09-01 | 2022-09-01 | 一种基于占据栅格配准的车底巡检机器人单轴重定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115446834B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797587A (zh) * | 2023-02-08 | 2023-03-14 | 西南交通大学 | 一种融合线扫描车底图像特征的巡检机器人定位建图方法 |
CN116299383A (zh) * | 2023-02-14 | 2023-06-23 | 北京建筑大学 | 多传感器融合综合管廊巡检小车定位方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037806A (zh) * | 2016-02-04 | 2017-08-11 | 科沃斯机器人股份有限公司 | 自移动机器人重新定位方法及采用该方法的自移动机器人 |
CN108615248A (zh) * | 2018-04-27 | 2018-10-02 | 腾讯科技(深圳)有限公司 | 相机姿态追踪过程的重定位方法、装置、设备及存储介质 |
US20200023517A1 (en) * | 2018-07-19 | 2020-01-23 | Ecovacs Robotics Co., Ltd. | Robot control method, robot and storage medium |
US20200219307A1 (en) * | 2019-01-08 | 2020-07-09 | Adam Bartsch | System and method for co-registration of sensors |
CN112418316A (zh) * | 2020-11-24 | 2021-02-26 | 深圳市优必选科技股份有限公司 | 机器人重定位方法、装置、激光机器人及可读存储介质 |
US20210063577A1 (en) * | 2019-08-26 | 2021-03-04 | Ubtech Robotics Corp Ltd | Robot relocalization method and apparatus and robot using the same |
US11002859B1 (en) * | 2020-02-27 | 2021-05-11 | Tsinghua University | Intelligent vehicle positioning method based on feature point calibration |
CN114002243A (zh) * | 2021-10-25 | 2022-02-01 | 中国科学院高能物理研究所 | 一种ct成像系统世界坐标系的校准装置及方法 |
CN114526739A (zh) * | 2022-01-25 | 2022-05-24 | 中南大学 | 移动机器人室内重定位方法、计算机装置及产品 |
US20240020968A1 (en) * | 2020-10-08 | 2024-01-18 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
-
2022
- 2022-09-01 CN CN202211062086.1A patent/CN115446834B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037806A (zh) * | 2016-02-04 | 2017-08-11 | 科沃斯机器人股份有限公司 | 自移动机器人重新定位方法及采用该方法的自移动机器人 |
CN108615248A (zh) * | 2018-04-27 | 2018-10-02 | 腾讯科技(深圳)有限公司 | 相机姿态追踪过程的重定位方法、装置、设备及存储介质 |
US20200023517A1 (en) * | 2018-07-19 | 2020-01-23 | Ecovacs Robotics Co., Ltd. | Robot control method, robot and storage medium |
US20200219307A1 (en) * | 2019-01-08 | 2020-07-09 | Adam Bartsch | System and method for co-registration of sensors |
US20210063577A1 (en) * | 2019-08-26 | 2021-03-04 | Ubtech Robotics Corp Ltd | Robot relocalization method and apparatus and robot using the same |
US11002859B1 (en) * | 2020-02-27 | 2021-05-11 | Tsinghua University | Intelligent vehicle positioning method based on feature point calibration |
US20240020968A1 (en) * | 2020-10-08 | 2024-01-18 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN112418316A (zh) * | 2020-11-24 | 2021-02-26 | 深圳市优必选科技股份有限公司 | 机器人重定位方法、装置、激光机器人及可读存储介质 |
CN114002243A (zh) * | 2021-10-25 | 2022-02-01 | 中国科学院高能物理研究所 | 一种ct成像系统世界坐标系的校准装置及方法 |
CN114526739A (zh) * | 2022-01-25 | 2022-05-24 | 中南大学 | 移动机器人室内重定位方法、计算机装置及产品 |
Non-Patent Citations (5)
Title |
---|
CHOI, J: "Topological localization with kidnap recovery using sonar grid map matching in a home environment", ROBOTICS AND COMPUTER-INTERGRATED MANUFACTURING, vol. 28, no. 3, 28 March 2012 (2012-03-28), pages 366 - 374, XP055477101, DOI: 10.1016/j.rcim.2011.10.008 * |
DE MARINA, HG: "Distributed formation maneuver control by manipulating the complex Laplacian", AUTOMATICA, no. 132, 31 October 2021 (2021-10-31) * |
张凯宇: "基于RGB-D图像的机械臂抓取位姿检测", 中国优秀硕士学位论文全文数据库, no. 5, 15 May 2019 (2019-05-15), pages 138 - 1515 * |
李忠发: "变电站巡检机器人重定位研究", 计算机科学, vol. 47, no. 1, 15 June 2020 (2020-06-15), pages 599 - 602 * |
阳月: "基于多线激光雷达的无人车SLAM与重定位技术研究与实现", 中国优秀硕士学位论文全文数据库, no. 7, 15 July 2021 (2021-07-15), pages 035 - 257 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797587A (zh) * | 2023-02-08 | 2023-03-14 | 西南交通大学 | 一种融合线扫描车底图像特征的巡检机器人定位建图方法 |
CN115797587B (zh) * | 2023-02-08 | 2023-04-07 | 西南交通大学 | 一种融合线扫描车底图像特征的巡检机器人定位建图方法 |
CN116299383A (zh) * | 2023-02-14 | 2023-06-23 | 北京建筑大学 | 多传感器融合综合管廊巡检小车定位方法 |
CN116299383B (zh) * | 2023-02-14 | 2024-02-02 | 北京建筑大学 | 多传感器融合综合管廊巡检小车定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115446834B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115446834A (zh) | 一种基于占据栅格配准的车底巡检机器人单轴重定位方法 | |
JP7068989B2 (ja) | グリッドマップを作成する方法及び装置 | |
CN106092056B (zh) | 一种高速铁路桥梁基础沉降变形的车载动态监测方法 | |
CN109060821B (zh) | 基于激光检测的隧道病害检测方法及隧道病害检测装置 | |
CN106885576B (zh) | 一种基于多点地形匹配定位的auv航迹偏差估计方法 | |
CN110986878A (zh) | 基于移动测量系统自动化提取铁轨断面的方法 | |
CN1164891A (zh) | 移动检测装置 | |
CN114526745A (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及系统 | |
CN101914889A (zh) | 基于加速度补偿的激光平整度测量系统和方法 | |
CN106996795A (zh) | 一种车载激光外参标定方法和装置 | |
CN115390082A (zh) | 一种基于虚拟描述符的全局定位方法及其系统 | |
CN115063465A (zh) | 一种基于激光雷达的无人车行驶路况建模方法 | |
CN111623796B (zh) | 一种基于信息融合的钢轨里程估计方法 | |
CN105717517B (zh) | 一种车载北斗多模gnss高精度道路基础数据采集方法 | |
CN109975848B (zh) | 基于rtk技术的移动测量系统精度优化方法 | |
CN114754708B (zh) | 基于三维激光扫描技术的道路平整度检测方法及系统 | |
CN116465327A (zh) | 一种基于车载三维激光扫描的桥梁线形测量方法 | |
CN116660980A (zh) | 一种基于改进程函方程的微地震定位方法 | |
CN101939666B (zh) | 利用传感器数据来对对象的运动进行计算机辅助计算的方法 | |
CN114018228B (zh) | 一种移动式轨道交通三维数据获取方法及系统 | |
CN111693043B (zh) | 地图数据处理方法以及设备 | |
CN114001708A (zh) | 一种水准仪数据收集处理方法、系统、装置及存储介质 | |
CN113494915A (zh) | 一种车辆横向定位方法、装置及系统 | |
CN117848302B (zh) | 一种实时地形智能测绘方法及系统 | |
CN112184906B (zh) | 一种三维模型的构建方法及装置 |
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 |