CN115587603A - 机器人及其识别工作站的方法、系统、存储介质、工作站 - Google Patents
机器人及其识别工作站的方法、系统、存储介质、工作站 Download PDFInfo
- Publication number
- CN115587603A CN115587603A CN202211124923.9A CN202211124923A CN115587603A CN 115587603 A CN115587603 A CN 115587603A CN 202211124923 A CN202211124923 A CN 202211124923A CN 115587603 A CN115587603 A CN 115587603A
- Authority
- CN
- China
- Prior art keywords
- workstation
- robot
- point cloud
- information
- cloud data
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10544—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Toxicology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请公开一种机器人及其识别工作站的方法、机器人识别工作站的系统、机器人、计算机存储介质、工作站、以及工作站系统。所述机器人设置有激光装置,所述工作站上设置有标识图像,所述标识图像在所述激光装置的扫描方向上形成有反射强度变化的至少三个连续区域,所述机器人识别工作站的方法包括:获取所述激光装置扫描周边环境的点云数据;所述点云数据包括坐标信息和第一反射强度信息;基于所述坐标信息和所述第一反射强度信息对所述点云数据进行聚类,以确定聚类所形成的各点云数据集的空间信息和第二反射强度信息;基于所述标识图像的区域信息匹配所述点云数据集,以识别所述工作站。
Description
技术领域
本申请涉及机器人技术领域,具体的涉及一种机器人及其识别工作站的方法、机器人识别工作站的系统、机器人、计算机存储介质、工作站、以及机器人系统。
背景技术
随着自动化技术和人工智能的发展,机器人被广泛应用于各类场合中以替代人工工作,例如,在一些场景下,机器人代替人工进行地板表面的清洁。但机器人在工作一定时间长度后,通常需要与工作站对接,以由工作站为其提供服务,比如,工作站给机器人充电、加净水、排污水等,这些服务都要求机器人能够精准的对接机器人。
现有技术中,通常包括红外引导和图像识别两种方案。对于红外引导的方式而言,需要在工作站上设置红外传感器以专用于引导机器人对接,且红外传感器的只能在近距离下能够精确引导,在小面积场合如家用场合中,还可以满足精度要求,但对于大面积场合如超市、酒店等,则不再适用。对于图像识别的方式而言,一方面,图像识别对于光线的适应性较差,在光线强度或颜色发生变化时,机器人对工作站的识别会有误差;另一方面,图像识别依赖于机器人上设置的视觉传感器,但在一些应用场景下的机器人仅设置激光传感器进行识别和导航,则图像识别的方式无法适用。
发明内容
鉴于以上所述相关技术的缺点,本申请的目的在于提供一种机器人及其识别工作站的方法、机器人识别工作站的系统、机器人、计算机存储介质、工作站、以及工作站系统,用以克服上述相关技术中存在识别效果和适应性较差的技术问题。
为实现上述目的及其他相关目的,本申请公开的第一方面公开一种机器人识别工作站的方法,所述机器人设置有激光装置,所述工作站上设置有标识图像,所述标识图像在所述激光装置的扫描方向上形成有反射强度变化的至少三个连续区域,所述方法包括:获取所述激光装置扫描周边环境的点云数据;所述点云数据包括坐标信息和第一反射强度信息;基于所述坐标信息和所述第一反射强度信息对所述点云数据进行聚类,以确定聚类所形成的各点云数据集的空间信息和第二反射强度信息;基于所述标识图像的区域信息匹配所述点云数据集,以识别所述工作站。
在本申请第一方面的某些实施例中,所述标识图像的区域信息设置为预存于一存储装置中,包括所述标识图像各区域的宽度分布信息和强度分布信息。
在本申请第一方面的某些实施例中,基于所述坐标信息和所述第一反射强度信息对所述点云数据进行聚类,以确定聚类所形成的各点云数据集的空间信息和第二反射强度信息的步骤包括:将空间上呈连续性以及反射强度在预设范围内的点云数据聚类为一类点云数据集;其中,所述空间上呈连续性是根据所述点云数据的坐标信息判断的;所述反射强度在预设范围内是根据所述点云数据的第一反射强度信息确定的;根据点云数据集中各点云数据的坐标信息和第一反射强度信息确定点云数据集的空间信息和第二反射强度信息。
在本申请第一方面的某些实施例中,所述点云数据集的空间信息包括:位置信息和长度信息;其中,所述位置信息用于反映所述点云数据集在空间的相对位置,所述长度信息用于反映所述点云数据集的跨度范围。
在本申请第一方面的某些实施例中,所述第二反射强度信息是基于点云数据集中的点云数据的第一反射强度信息得到的。
在本申请第一方面的某些实施例中,基于所述标识图像的区域信息匹配所述点云数据集,以识别所述工作站的步骤包括:根据所述标识图像的区域信息,将满足第一匹配条件、以及第二匹配条件的对比数据集确定为目标数据集,以基于所述目标数据集识别所述工作站;其中,所述对比数据集是指在空间上连续且数量上与所述标识图像的区域数量相一致的多个点云数据集;其中,所述第一匹配条件是指对比数据集中各点云数据集的空间信息与所述标识图像的各区域的宽度分布信息相一致;所述第二匹配条件是指对比数据集中各点云数据集的第二反射强度信息与各区域的强度分布信息相一致。
在本申请第一方面的某些实施例中,还包括:基于所述目标数据集确定所述工作站相对于所述机器人的位置关系,以控制所述机器人对接所述工作站。
在本申请第一方面的某些实施例中,基于所述目标数据集确定引导路线,以使得所述机器人基于所述引导路线对接所述工作站的步骤包括:基于目标数据集中各点云数据集的空间信息或第二反射强度信息选取特征数据集;对所述特征数据集进行线段拟合,以确定所拟合线段的中心点和法向量;基于所述中心线和法向量相对于所述机器人的位置关系,以控制所述机器人对接所述工作站。
在本申请第一方面的某些实施例中,还包括:确定误差补偿参数的步骤,所述误差补偿参数用于补偿所述工作站相对于所述机器人的位置关系。
在本申请第一方面的某些实施例中,所述相邻两区域具有灰度差异,以形成所述反射强度变化。
在本申请第一方面的某些实施例中,在所述激光装置的扫描方向上,所述标识图像形成有黑色、白色、黑色三个连续区域。
在本申请第一方面的某些实施例中,所述标识图像设置有并列分布的黑色、白色、黑色三个部分。
在本申请第一方面的某些实施例中,所述标识图像设置为黑色部分呈回字型包围白色部分,以在激光装置的扫描方向上形成具有反射强度变化的三个连续区域。
在本申请第一方面的某些实施例中,获取所述激光装置扫描周边环境的点云数据的步骤包括:基于一参考位姿信息控制所述机器人移动至预定区域;其中,在所述预定区域内,所述激光装置可扫描到所述标识图像;控制所述激光装置扫描周边环境以获取包括所述标识图像的点云数据。
在本申请第一方面的某些实施例中,所述机器人为清洁机器人。
本申请公开的第二方面公开一种机器人识别工作站的系统,所述机器人设置有激光装置,所述工作站上设置有标识图像,所述标识图像在所述激光装置的扫描方向上形成有反射强度变化的至少三个连续区域,所述系统包括:获取模块,获取所述激光装置扫描周边环境的点云数据;所述点云数据包括坐标信息和第一反射强度信息;聚类模块,用于基于所述坐标信息和所述第一反射强度信息对所述点云数据进行聚类,以确定聚类所形成的各点云数据集的空间信息和第二反射强度信息;匹配模块,用于基于所述标识图像的区域信息匹配所述点云数据集,以识别所述工作站。
本申请公开的第三方面公开一种机器人,包括:激光装置,设置于所述机器人顶部以扫描周边环境;移动装置,设置于所述机器人底部以带动所述机器人移动;控制装置,设置于所述机器人上,用于控制所述激光装置、所述移动装置协同工作以执行如本申请第一方面任一实施例所述的机器人识别工作站的方法。
本申请公开的第四方面公开一种计算机存储介质,存储至少一种程序,所述至少一种程序在被调用时执行如本申请第一方面任一实施例所述的机器人识别工作站的方法。
本申请公开的第五方面公开一种工作站,包括:工作站本体,设置有服务接口,所述工作站基于所述服务接口给机器人提供服务,所述机器人包括一激光装置;标识图像,所述标识图像设置于所述工作站本体上,并位于所述服务接口所在表面;其中,所述标识图像在所述激光装置的扫描方向上具有反射强度对比的至少三个区域。
本申请公开的第六方面公开一种机器人系统,包括:如本申请第三方面公开的任一实施例所述的机器人,及如本申请第五方面任一实施例所述的工作站。
综上所述,本申请公开的一种机器人及其识别工作站的方法、机器人识别工作站的系统、机器人、计算机存储介质、工作站、以及工作站系统,通过在工作站上设置二维的标识图像,标识图像在机器人所配置的激光装置的扫描方向上具有反射强度对比的至少三个连续区域,从而可通过空间特性结合反射强度特性识别标识图像。这种方式仅需要在工作站上设置二维平面作为工作站的标识,不需要复杂的结构设计,生产制造工艺简单,大大降低了生产成本,且二维平面作为工作站的标识大大提高了机器人对工作站的感知距离,特别适合机器人工作在大面积区域场合。另外,本申请中通过空间特性结合反射强度特性以识别标识图像,精确度高,避免了误识别的情况。
本领域技术人员能够从下文的详细描述中容易地洞察到本申请的其它方面和优势。下文的详细描述中仅显示和描述了本申请的示例性实施方式。如本领域技术人员将认识到的,本申请的内容使得本领域技术人员能够对所公开的具体实施方式进行改动而不脱离本申请所涉及发明的精神和范围。相应地,本申请的附图和说明书中的描述仅仅是示例性的,而非为限制性的。
附图说明
本申请所涉及的发明的具体特征如所附权利要求书所显示。通过参考下文中详细描述的示例性实施方式和附图能够更好地理解本申请所涉及发明的特点和优势。对附图简要说明书如下:
图1显示为本申请在一实施例中的激光装置的扫描方向示意图。
图2显示为本申请在一实施例中的标识图像的整体图案示意图。
图3显示为本申请在另一实施例中的标识图像的整体图案示意图。
图4显示为本申请在一实施例中的机器人识别工作站的方法的流程示意图。
图5显示为本申请在一实施例中的获取点云数据的流程示意图。
图6显示为本申请在一实施例中的机器人相对工作站的位置和姿态示意图。
图7显示为本申请在一实施例中的步骤S120的流程示意图。
图8显示为本申请在一实施例中的标识图像对应的点云数据的图像示意图。
图9显示为本申请在一实施例中的误匹配方式示意图。
图10显示为本申请在一实施例中的机器人对接工作站的流程示意图。
图11显示为本申请在一实施例中的机器人的结构示意图。
图12显示为本申请在一实施例中的机器人识别工作站的系统结构示意图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。
在下述描述中,参考附图,附图描述了本申请的若干实施例。应当理解,还可使用其他实施例,并且可以在不背离本公开的精神和范围的情况下进行模块或单元组成、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的,并且本申请的实施例的范围仅由公布的专利的权利要求所限定。这里使用的术语仅是为了描述特定实施例,而并非旨在限制本申请。
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件或参数,但是这些元件或参数不应当被这些术语限制。这些术语仅用来将一个元件或参数与另一个元件或参数进行区分。例如,第一反射强度信息可以被称作第二反射强度信息,并且类似地,第二反射强度信息可以被称作第一反射强度信息,而不脱离各种所描述的实施例的范围。第一反射强度信息和第二反射强度信息均是在描述一个反射强度信息,但是除非上下文以其他方式明确指出,否则它们不是同一个反射强度信息。
再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
鉴于背景技术中所述,现有技术中提供的机器人对接工作站的方式中,或精度较差,或对硬件设备的依赖性较高。在一些实施例中,为了实现功能复用,利用机器人上设置的激光装置对工作站识别,以使得机器人能够对接工作站。
在一些示例中,在工作站上设置有反光板,通过激光装置扫描工作站周边环境以检测出反光板,并基于所述反光板计算引导路线以引导机器人对接工作站。在本示例中,对反光板的检测是通过识别各物体对激光装置的反射强度,将高于一预定阈值的反射强度对应的反射点认定为对应所述反光板。但在这种方式下,激光装置需设置为能够检测到具体反射强度数值的特定激光传感器,如,将线性模式的APD(Avalanche Photodiode,雪崩光电二极管)作为检测元件的激光传感器,而对于非线性模式的二极管(如SPAD,Single PhotonAvalanche Diode,单光子雪崩二极管)作为检测元件的激光传感器,由于其具有极高的探测灵敏度和探测距离,且对反射强度要求较低,因此,是激光传感器的主要应用和发展方向,但对于该类激光传感器而言,反光板与色泽较为明亮的背景在反射强度上几乎无差异,很难将反光板从背景中识别出来,不具有适应性。另外,反光板的也需要结合各种材料由特定的工艺制造而成,然后人工贴附在工作站特定位置,进一步增加了成本。
在一些示例中,在工作站上设置特定三维结构,通过激光装置扫描工作站周边环境以检测出该三维结构。在本示例中,三维结构一方面需要改变工作站的外部构造,另一方面需要特定的参数设计,以三维结构设置为工作站一侧壁上形成的凹凸结构为例,需要将凸起部分和凹陷部分的深度差配置的足够大,否则,在较远距离处无法检测到形状变化,也即,设置凹凸结构的方式在一定程度上限制了机器人对工作站的感知距离,同时也增加了工程师的工作复杂度。
鉴于此,本申请公开一种机器人及其识别工作站的方法、机器人识别工作站的系统、机器人、计算机存储介质、工作站、以及工作站系统,通过在工作站上设置二维的标识图像,标识图像在机器人所配置的激光装置的扫描方向上具有反射强度对比的至少三个连续区域,从而可通过空间特性结合反射强度特性识别标识图像。这种方式仅需要在工作站上设置二维平面作为工作站的标识,不需要复杂的结构设计,生产制造工艺简单,大大降低了生产成本,且二维平面作为工作站的标识大大提高了机器人对工作站的感知距离,特别适合机器人工作在大面积区域场合。另外,本申请中通过空间特性结合反射强度特性以识别标识图像,精确度高,避免了误识别的情况。
本申请所述的机器人是一种配置有激光装置的移动设备,用于基于所述激光装置执行操作,所执行的操作包括识别、定位、构建地图、导航、以及本申请所公开的机器人识别工作站的方法等。其中,所述激光装置可设置为具有线性模式的检测元件的激光传感器,也可设置为具有非线性模式的检测元件的激光传感器,在不同的应用场景下,所述机器人可被配置为执行相应的任务,例如,所述机器人应用于室内完成地面清理工作,在该应用场景下,所述机器人也可被称之为清洁机器人、洗地机器人、自动清洁机器人等。在其他的室内场景下,所述机器人也可以为家庭陪伴式移动机器人、巡视机器人、或送餐/送物品的机器人等。
本申请所述的工作站是供所述机器人停靠,以便于提供服务给机器人的设备或装置。例如,所述工作站可为机器人提供充电、换水、回收废污等服务,根据其所提供的功能和应用场景的不同,所述工作站也可被称之为基站、充电站、充电桩、回收站、集尘站、或者换水站等。
本申请所述的机器人系统,是包括机器人和工作站组合的系统。其中,所述机器人和所述工作站分别可例如为本申请任一实施例中公开的机器人和工作站。在一些应用实例中,所述的机器人系统还可包括用于操作或与之交互的遥控器、装在有应用程序的智能终端、和/或在云端执行数据存储和处理的云端服务器/集群。
在一些实施例中,本申请公开一种工作站,所述工作站包括工作站本体以及设置于所述工作站本体上的标识图像。在一些示例中,所述工作站本体上设置有服务接口,所述工作站基于所述服务接口给机器人提供服务,所述标识图像位于所述服务接口所在表面。在一些示例中,所述工作站还包括底座,所述底座设置于所述工作站本体底部,以供机器人停靠。
在一实施例中,所述服务接口可设置为充电接口、加水接口、导向接口等,所述机器人上设置有与所述服务接口相对应的结构,在所述机器人停靠于所述工作站时,所述服务接口与所述机器人上设置的结构相配合以实现工作站与机器人的对接,从而为机器人提供对应服务。例如,所述服务接口为充电接口,所述工作站在机器人对接时,所述充电接口与机器人上相应结构如电极片电连接,以给机器人充电。再如,所述服务接口为加水接口,所述工作站在机器人对接时,所述加水接口与机器人上相应结构如加水口连接,以给机器人加水。又如,所述服务接口为导向接口,在机器人进入到工作站内的停靠空间后,机器人相应结构如凸起结构接触所述导向接口,由导向接口进一步引导所述机器人对接于所述工作站。当然,所述服务接口也可设置为提供不同服务的多个,本申请对此不作限制。
在一实施例中,所述标识图像在机器人所配置的激光装置的扫描方向上形成有反射强度变化的至少三个连续区域。其中,所述激光扫描方向是指所述激光装置投射激光所构成的激光平面与标识图像所在平面相交形成的扫描轨迹方向。请参阅图1,显示为本申请在一实施例中的激光装置的扫描方向示意图,如图所示,例如为单线激光器的激光装置10投射出一条激光线100,并在360度范围内扫描以在三维空间中构成一激光平面,在扫描到标识图像20所在平面时,该激光平面与标识图像20所在平面相交以形成激光线100在标识图像20所在平面的扫描轨迹101,该扫描轨迹101所在的方向即为激光扫描方向。
其中,所述反射强度变化是指对投射到其表面的激光线的反射强度存在差异,该差异可被激光装置检测到。换言之,标识图像在机器人所配置的激光装置的扫描方向上具有反射强度对比的至少三个连续区域,是指激光装置投射激光线在标识图像上扫描时会连续检测到至少两次反射强度发生变化的区域。以图1所示为例,以平行于所述标识图像20的虚线为分割线,标识图像20连续设置有第一区域A1、第二区域B1、以及第三区域C1,沿着激光装置10在标识图像20上的扫描轨迹101,由第一区域A1至第二区域B1时检测到一次反射强度变化,由第二区域B1至第三区域C1时再次检测到一次反射强度变化。需要说明的是,激光装置连续检测到相邻两区域的反射强度变化,是指检测到相邻两区域的反射强度发生相对变化,在本实施例中,所述相邻两区域的反射强度发生变化是强弱相对的,在实际的实施中,并不必然要求激光装置检测到相邻两区域反射强度的具体数值。
在一实施例中,所述反射强度变化是通过相邻两区域的灰度差异实现的。在一些示例中,所述灰度差异为色彩差异,也即,所述反射强度变化通过相邻两区域的色彩差异实现。在一些示例中,所述标识图像可设置为在所述工作站上一表面部分或全部区域内形成的二维平面图案,在激光扫描方向上,所述二维平面图案具有至少两次灰度变化。举例来说,所述二维平面图案可由所述工作站上一表面部分或全部区域内所采用材质属性不同而形成,或设置的颜色涂层不同而形成;所述二维平面图案也可由一平面贴图贴附于所述表面部分或全部区域而形成。
在一实施例中,在所述激光装置的扫描方向上,所述标识图像形成有黑色、白色、黑色三个连续区域。以下以激光扫描方向在水平方向上为例进行说明。
在一实施例中,所述标识图像中的连续区域呈并列分布。请参阅图2,显示为本申请在一实施例中的标识图像的整体图案示意图,如图所示,所述标识图像20设置为并列分布的黑色、白色、黑色部分(A2、B2、C2),从而使得所述标识图像20整体呈竖条纹状图案,该三个部分分别对应三个连续区域,从激光扫描方向上(即图2中虚线所示)看,由黑色部分A2至白色部分B2具有一次可被激光装置检测到的反射强度变化,由白色部分B2至黑色部分C2具有一次可被激光装置检测到的反射强度变化。
在另一实施例中,所述标识图像中的连续区域呈回字形图案。请参阅图3,显示为本申请在另一实施例中的标识图像的整体图案示意图,如图所示,所述标识图像20设置为黑色部分呈回字型包围白色部分,也即,所述标识图像20整体呈回字形图案,激光扫描方向在回字形图案的中间部分(呈如图3两条虚线中间部分),从而能在激光装置的扫描方向上形成具有反射强度变化的三个连续区域,分别为黑色部分的一侧区域A3、白色部分的区域B3、以及黑色部分的另一侧区域C3;也即,从激光扫描方向上看,激光装置投射到标识图像220会经黑色部分的一侧区域A3至白色部分的区域B3,再由白色部分的区域B3至黑色部分的另一侧区域C3,从而激光装置可检测到两次反射强度变化。
应理解的是,图2和图3仅为标识图像的一种举例,并不为对标识图像所形成的图案的限制。在上述实施例的启发下本领域技术人员在标识图像中设计其他不同于图2和图3的图案也仍应由本申请的权利要求所涵盖。
在一些实施例中,本申请公开一种机器人识别工作站的方法。所述机器人设置有激光装置,所述工作站上设置有标识图像,所述工作站例如为前述任一实施例中所述的工作站。在一实施例中,所述机器人识别工作站的方法由机器人执行,更进一步地,可由配置于机器人上的控制装置执行。在一实施例中,所述机器人识别工作站的方法也可由配置于一远程服务端的控制装置执行,所述远程服务端与机器人可远程通信,以在执行本申请公开的机器人识别工作站的方法时控制所述机器人执行相应动作。以下各实施例以机器人识别工作站的方法由配置于机器人上的控制装置执行为例进行说明。
请参阅图4,显示为本申请在一实施例中的机器人识别工作站的方法的流程示意图,如图所示,所述机器人识别工作站的方法包括步骤S110、步骤S120、以及步骤S130。
在步骤S110中,控制装置获取激光装置扫描周边环境的点云数据。
在一实施例中,所述激光装置水平配置于机器人的顶部,如此,使得机器人控制激光装置以旋转并投射激光线时,不被机器人的机身所遮挡,使得激光装置能够最大范围的扫描到周边环境。当然,在其他一些实施例中,根据应用场景或提供功能的不同,所述激光装置也可以一定倾斜角度设置于机器人前部或顶部,本申请对此不作限制。
所述点云数据包括激光装置以激光线扫描周边环境并被周边环境中物体表面反射的各反射点的相关数据。在一实施例中,所述点云数据包括坐标信息以及第一反射强度信息。所述坐标信息用于反映各反射点在空间的二维位置,根据所采用坐标系的不同,所述坐标信息可例如采用极坐标表示或笛卡尔坐标表示。所述第一反射强度信息用于反映各反射点对所述激光线的反射强度。
考虑到在一些场景下,机器人工作的区域内,所配置的激光装置无法扫描到工作站上的标识图像,也即,点云数据中不具有标识图像的信息。例如,机器人工作在大面积区域中(如上千平米区域中),其可能相距工作站较远,以至于超出激光装置所探测到的距离范围,此时,机器人控制激光装置扫描周边环境所得到的点云数据中无法包含有关于工作站的任何信息。在另一些场景下,机器人虽然在工作站周边工作,但工作站配置的标识图像无法被激光装置探测到,例如,机器人位于工作站背部,而工作站上的标识图像设置在工作站的前部。鉴于此,请参阅图5,显示为本申请在一实施例中的获取点云数据的流程示意图,在一些实施例中,所述步骤S110中包括步骤S111和步骤S112。
在步骤S111中,控制装置基于一参考位姿信息控制所述机器人移动至预定区域;在所述预定区域内,所述激光装置可扫描到所述工作站上的标识图像。
其中,所述参考位姿信息用于反映所述机器人定位于其激光装置可扫描到所述标识图像的位置时,机器人在其所预先构建的地图中的位置和姿态。举例来说,所述预先构建的地图可为机器人基于例如包括SLAM系统的激光装置构建的栅格地图,也可为机器人基于例如为包括VSLAM系统的视觉装置构建的视觉地图,本申请对地图的构建方式不作限制。
因此,在一些实施例中,所述机器人识别工作站的方法还包括步骤S100(未予以图示),在步骤S100中,机器人的控制装置在机器人以一预设姿态设置在一预设位置上时记录所述参考位姿信息。其中,所述机器人以预设姿态设置在预定位置上时,工作站上的标识图像位于机器人配置的激光装置的扫描视野内。例如,可通过人工将机器人以该预设姿态设置到预设位置,进一步地,请参阅图6,显示为本申请在一实施例中的机器人相对工作站的位置和姿态示意图,如图所示,预设姿态可为机器人1朝向工作站2的标识图像20所在表面,预设位置可为工作站的正前方一定距离,如1m,从而使得机器人1位于该处时,其激光装置10所投射的激光线100可扫描到标识图像20,具体地,可由人工将机器人1推到该处,然后记录下机器人1此时在所预先构建的地图中的位置和姿态以作为参考位姿信息,所述参考位姿信息例如可记录在机器人1的存储装置中。其中,预设姿态和预设位置并非固定值,可为人工操作所随意形成的一姿态和位置,只需保证在该姿态和位置处,机器人1的激光装置10能够扫描到所述标识图像20即可。
需要说明的是,根据应用环境情况,所述步骤S100可选择性的在步骤S110之前执行。在一些示例中,在机器人获取不到所述参考位姿信息时,执行步骤S100,例如,机器人初次部署在当前工作站所在的环境中时,通常不具有所述参考位姿信息。在另一些示例中,在机器人基于所获取的参考位姿信息继续执行步骤S110至步骤S130时,匹配不到所述标识图像,则会执行步骤S100,例如,机器人虽然不是首次部署在当前工作站所在环境中,但工作站的位置发生了变化,以使得机器人基于参考位姿信息移动至预定区域时,其配置的激光装置也无法扫描到工作站上的标识图像。
请继续参阅图5,在步骤S112中,控制装置控制所述激光装置扫描周边环境以获取包括所述工作站上的标识图像的点云数据。在一些实施例中,包括所述工作站上的标识图像的点云数据为激光装置在预定区域处扫描周边环境所得到的全部点云数据。在另一些实施例中,为了降低计算量,包括所述工作站上的标识图像的点云数据为激光装置在预定区域处扫描周边环境所得到的部分点云数据,例如,可通过根据各反射点的反射角度对所述全部点云数据进行筛选,以保留工作站及其附近的点云数据,当然,筛选方式并不一以反射角度为限,本领域技术人员只需使得所保留的部分点云数据中包括标识图像即可。
请继续参阅图4,在步骤S120中,控制装置基于所述坐标信息和所述第一反射强度信息对所述点云数据进行聚类,以确定聚类所形成的各点云数据集的空间信息和第二反射强度信息。其中,所述聚类是指依据某种事先确定的规则所产生的差异以将散乱的数据点(如,激光装置扫描周边环境得到的点云数据)聚合为相互独立的分类。
在一实施例中,请参阅图7,显示为本申请在一实施例中的步骤S120的流程示意图,如图所示,所述步骤S120包括步骤S121和步骤S122。
在步骤S121中,控制装置将空间上呈连续性以及反射强度在预设范围内的点云数据聚类为一类点云数据集。也即,所述空间上呈连续性以及反射强度在预设范围内这两个条件作为聚类所依据的事先确定的规则。
在一实施例中,所述空间上呈连续性是根据所述点云数据的坐标信息判断的,所述反射强度在预设范围内是根据所述点云数据的第一反射强度信息确定的。其中,所述空间上呈连续性是指激光装置投射激光线打中物体表面的各反射点在空间位置上呈连续变化。
如前所述,点云数据的坐标信息反映各反射点在空间位置,因此,对于同一目标平面的点云数据来说,根据其坐标信息所得到的其表面各反射点的空间位置是具有连续性的,也即,不会出现如深度上的突变,例如,标识图像作为二维平面图案,其整体表面的点云数据所对应的空间位置是具有连续性的,而凹凸结构作为三维结构,其整体外表面的点云数据所对应的空间位置会发生深度变化,即是不连续的。
如前所述,第一反射强度信息用于反映各反射点对所述激光线的反射强度,反射强度不仅与激光装置投射激光线打中物体表面的各反射点的空间位置有关,还与物体表面的灰度值相关,打中同一表面中颜色相同或相近区域内的反射点应该具有接近的反射强度,例如,标识图像中通过设置相邻两区域的灰度差异(如设置相邻两区域的色彩不同),以形成具有反射强度变化的三个连续区域,因此,标识图像中各自灰度区域内的反射强度接近,而相邻两区域的反射强度差异较大。换言之,结合空间连续性和反射强度在预设范围内对点云数据聚类,则对于标识图像所对应的点云数据来说,可聚类为三类点云数据集。
请参阅8,显示为本申请在一实施例中的标识图像对应的点云数据的图像示意图,以标识图像为图2所示为例进行说明,激光装置投射激光线至标识图像20时,会获取到如图8所示的点云数据,对应于标识图像20的黑色部分A2的点云数据由于其在空间上连续且反射强度在预设范围内,因此,被聚类为一点云数据集(呈如图8中左侧的点云数据集),对应标识图像20的白色部分B2的点云数据由于其在空间上连续且反射强度在预设范围内,因此,被聚类为又一点云数据集(呈如图8中中间的点云数据集),对应标识图像20的黑色部分C2的点云数据由于其在空间上连续且反射强度在预设范围内,因此,被聚类为又一点云数据集(呈如图8中右侧的点云数据集)。
请继续参阅图7,在步骤S122中,控制装置根据点云数据集中各点云数据的坐标信息和第一反射强度信息确定点云数据集的空间信息和第二反射强度信息。
在一实施例中,点云数据集的空间信息包括位置信息和长度信息。其中,所述位置信息用于反映点云数据集在空间的相对位置,即,基于各类点云数据集的位置信息能够确定各类点云数据集之间的相对位置关系。举例来说,可将点云数据集中的一个点云数据的坐标信息作为该点云数据集的位置信息,如,处于中间位置的点云数据的坐标信息作为点云数据集的位置信息;也可根据点云数据集中的点云数据的坐标信息生成一位置信息,如,将各点云数据的坐标信息的平均值作为该点云数据集的位置信息;还可以根据激光装置扫描的角度或顺序,给点云数据集设置一位置信息,只要能保证根据各类点云数据集的位置信息能够判断各类点云数据集之间的相对位置关系即可。
其中,所述长度信息用于反映所述点云数据集的跨度范围。换言之,长度信息可理解为该点云数据集中各点云数据依据其坐标信息在空间中排布所形成的几何线段的长度,例如图8所示,长度信息即为点云数据集中各点云数据排布的线段长度。
在一实施例中,所述第二反射强度信息是基于点云数据集中的点云数据的第一反射强度信息得到的,所述第二反射强度信息用于反映其对应的点云数据集的反射特性。举例来说,对点云数据集中的所有点云数据的第一反射强度计算平均值、方差等可作为第二反射强度;也可取点云数据集中一点云数据的第一反射强度作为第二反射强度信息,本申请对此不作限制。
根据前述各实施例所述,在步骤S120之后,即可得到多个点云数据集,每个点云数据集均具有反映其空间特性的空间信息和反映其反射特性的第二反射强度信息。
请继续参阅4,在步骤S130中,控制装置基于所述标识图像的区域信息匹配所述点云数据集,以识别所述工作站。
在一实施例中,所述标识图像的区域信息用于反映所述标识图像的形成的各区域的分布特性,所述区域信息设置为预存于一存储装置中。其中,所述存储装置例如为机器人上配置的存储装置或一与机器人可远程通信的远程服务端上配置的存储装置。所述标识图像可设置为前述工作站任一实施例中所述的标识图像,在此不再对标识图像的构成做赘述。
在一实施例中,所述标识图像的区域信息包括所述标识图像各区域的宽度分布信息和强度分布信息。在一示例中,所述各区域的宽度分布信息是指标识图像上的各区域对应激光装置的扫描方向上的宽度。
以标识图像为图2所示图案为例,所述标识图像具有黑色部分A2、白色部分B2、及黑色部分C2这三个区域,由于这三个部分为并列分布且各自宽度均一的矩形,因此,各区域的宽度分布信息即为黑色部分A2的宽度值、白色部分B2的宽度值、以及黑色部分C2的宽度值;以标识图像为图3所示图案为例,激光扫描方向在回字型图案的中间区域,也即各区域的宽度分布信息为黑色部分的一侧区域A3的宽度值、白色部分区域B3的宽度值、以及黑色部分的另一侧区域C3的宽度值。
在一示例中,各区域的强度分布信息是指标识图像上各区域对应的反射强度的相对信息,其并不必然为各区域反射强度的绝对值,只要能够指示相邻两区域的反射强度变化趋势即可。举例来说,各区域的强度分布信息表示为高或低,以图2所示为例,各区域的强度分布信息为:低、高、低;各区域的强度分布信息也可表示为反映强弱程度的数值,例如,以图2所示为例,各区域的强度分布信息为:0、1、0,本申请对此不作限制。
因此,在步骤S130中,通过将各点云数据集与标识图像的区域信息做匹配,从而能够在识别出标识图像对应的各点云数据集,以此即可识别工作站。为了避免将独立无关联的多个点云数据集以拼凑的方式匹配所述标识图像的各个连续区域的区域信息导致的误匹配情况,例如,图9所示,图9显示为本申请在一实施例中的误匹配方式示意图,点云数据中包括激光装置扫描一如图9所示的凹槽结构30,该凹槽结构30具有五个被所述激光装置所扫描到的表面,分别为第一表面301、第二表面302、第三表面303、第四表面304、第五表面305,各个表面分别被分割为各自对应的点云数据集,可能将不连续的第一表面301、第三表面303、以及第五表面305分别与标识图像的各个区域分别进行匹配,如此,会出现匹配错误。
鉴于此,在一些实施例中,所述步骤S130包括:控制装置根据所述标识图像的区域信息,将满足第一匹配条件、以及第二匹配条件的对比数据集确定为目标数据集,以基于所述目标数据集识别所述工作站的步骤。
其中,所述对比数据集是指在空间上连续且数量上与所述标识图像的区域数量相一致的多个点云数据集。也即是说,在本实施例中,是将所述标识图像作为一个整体来看,只有空间上连续的与标识图像区域数量一致的点云数据集才可以作为一个整体(即对比数据集)与标识图像的区域信息做匹配。
在一实施例中,所述对比数据集是根据各点云数据集的空间信息中的位置信息确定的,从而可以将在空间上连续的与标识图像区域数量一致的点云数据集作为一对比数据集。应理解的是,由于对比数据集仅以空间连续性作为划分依据,因此,不同的对比数据集中可包括相同的点云数据集。例如,标识图像具有三个连续区域,点云数据聚类共形成四个点云数据集,分别为第一点云数据集、第二点云数据集、第三点云数据集、及第四点云数据集,且第一至第四点云数据集在空间上连续分布,则可将第一至第三点云数据集作为一对比数据集与标识图像的区域信息做匹配,将第二至第四点云数据集作为又一对比数据集与标识图像的区域信息做匹配。
其中,所述第一匹配条件是指对比数据集中各点云数据集的空间信息与所述标识图像的各区域的宽度分布信息相一致;所述第二匹配条件是指对比数据集中各点云数据集的第二反射强度信息与各区域的强度分布信息相一致。也即是说,对比数据集在满足所述两个匹配条件时可作为目标数据集,即被认为是对应为标识图像的点云数据的集合。
例如,标识图像为如图2所示,则其宽度分布信息为黑色部分A2的宽度值、白色部分B2的宽度值、以及黑色部分C2的宽度值,强度分布信息为低、高、低,对比数据集为两个,第一至第三数据集构成的第一对比数据集,以及第二至第四数据集构成的第二对比数据集,若第一对比数据集中,第一至第三数据集的长度信息分别与黑色部分A2的宽度值、白色部分B2的宽度值、以及黑色部分C2的宽度值相一致,且根据第一至第三数据集的第二反射强度信息判断其呈低、高、低的反射强度趋势,则判断第一对比数据集为目标数据集,控制装置可基于所述目标数据集识别所述工作站。
在一些实施例中,所述机器人识别工作站的方法还包括步骤S140,在步骤S140中,控制装置基于所述目标数据集确定所述工作站相对于所述机器人的位置关系,以控制所述机器人对接所述工作站。请参阅图10,显示为本申请在一实施例中的机器人对接工作站的流程示意图,如图所示,步骤是140包括步骤S141、步骤S142、以及步骤S143。
在步骤S141中,控制装置基于目标数据集中各点云数据集的空间信息或第二反射强度信息选取特征数据集。在一实施例中,控制装置根据目标数据集中各点云数据集的空间信息,选取中间位置的点云数据集作为特征数据集,以图2所示为例,即,控制装置选取标识图像白色部分B2对应的点云数据集作为特征数据集。
在另一实施例中,控制装置根据目标数据集中各点云数据集的第二反射强度信息,选取其中第二反射强度信息中最强者的点云数据集作为特征数据集,以图2所示为例,白色部分B2对应的点云数据集第二反射强度信息相较于黑色部分A2和黑色部分C2最强,控制装置选取标识图像白色部分B2对应的点云数据集作为特征数据集。
在步骤S142中,控制装置对所述特征数据集进行线段拟合,以确定所拟合线段的中心点和法向量。具体地,控制装置可根据特征数据集中各点云数据的坐标信息进行线段拟合以得到特征数据集对应的线段,然后计算出线段的中心点,根据该中心点确定线段的法向量。
在步骤S143中,控制装置基于所述中心线和法向量相对于所述机器人的位置关系,以控制所述机器人对接所述工作站。其中,所述中心线和法向量相对于所述机器人的位置关系即用于表示所述工作站相对于所述机器人的位置关系,从而基于该位置关系控制机器人移动,能够使得机器人与工作站对接,也即,所述工作站的各服务接口能够与机器人上相应结构一一对应结合。
其中,所述位置关系是根据特征数据集中的点云数据以及激光装置相对于机器人的坐标转换关系确定的。在一些实施例中,由于激光装置本身精度或操作人员安装问题等,激光装置相对于机器人的坐标转换关系会有偏差,因此,会使得步骤S140中确定的所述工作站相对于所述机器人的位置关系会有偏差。
在另一些实施例中,由于制造工艺问题,所述标识图像对应特征数据集的区域并不位于所述工作站的中心,因此,此时基于特征数据集对应的中心点和法向量相对于所述机器人的位置关系确定工作站相对于机器人的位置关系,也会存在偏差,使得机器人无法对接工作站,具体为,所述工作站的各服务接口与机器人上相应结构不能一一对应结合,以使得工作站无法为机器人提供服务。
鉴于此,在一些实施例中,所述机器人识别工作站的方法还包括:确定误差补偿参数的步骤,所述误差补偿参数用于补偿所述工作站相对于所述机器人的位置关系。需要说明的是,该步骤可作为系统标定工作的一部分,在机器人初次部署用于与当前工作站共同组成机器人系统时执行或机器人在当前环境工作时长较久后执行,后续在执行如前述任一实施例中所述的步骤S110至步骤S140时,只需在步骤S140中,基于所述目标数据集确定所述工作站相对于所述机器人的位置关系时,将所述误差补偿参数补偿进去即可。
在一实施例中,所述确定误差补偿参数的步骤包括:在所述机器人对接所述工作站时获取目标数据集的步骤。其中,获取目标数据集的步骤包括前述任一实施例中的步骤S110至S130,即,通过在所述机器人对接所述工作站时执行步骤S110至S130以获得所述目标数据集。具体地,在机器人初次部署的实施例中,可通过人工将机器人推进工作站,以使得工作站上的各服务接口与所述机器人上设置的相应结构实现一一对应结合,例如,工作站上的充电接口与机器人上的电极片电连接,工作站上的加水接口与机器人上的加水口连接;然后控制装置通过执行上述任一实施例中的步骤S110至步骤S130以获取目标数据集,具体可参阅前述关于步骤S110至步骤S130的描述,在此不再赘述。
在一实施例中,所述确定误差补偿参数的步骤还包括:基于所述目标数据集确定所述误差补偿参数的步骤。具体地,在本实施例中,基于目标数据集中各点云数据集的空间信息或第二反射强度信息选取特征数据集,并对所述特征数据集进行线段拟合以确定所拟合线段的中心点和法向量;最后,将所述中心线和法向量相对于所述机器人的位置关系确定为所述误差补偿参数。其中,对于特征数据集的选取和线段拟合等的描述可参阅前述步骤S141至步骤S143中的相应描述,在此不再赘述。
本申请还公开一种机器人,所述机器人用于执行上述任一实施例中所述的机器人识别工作站的方法。请参阅图11,显示为本申请在一实施例中的机器人的结构示意图,如图所示,所述机器人1包括激光装置10、移动装置12、以及控制装置11。
在一实施例中,所述激光装置10水平配置于机器人1的顶部,如此,使得机器人1控制激光装置10以旋转并投射激光线时,不被机器人1的机身所遮挡,使得激光装置10能够最大范围的扫描到周边环境。当然,在其他一些实施例中,根据应用场景或提供功能的不同,所述激光装置10也可以一定倾斜角度设置于机器人1前部或顶部,本申请对此不作限制。举例来说,所述激光装置10可设置为具有线性模式的检测元件的激光传感器,也可设置为具有非线性模式的检测元件的激光传感器,如此能够适应更多应用范围。
所述移动装置12设置于所述机器人1底部以带动所述机器人1移动。在一些实施例中,所述移动装置12包括驱动组件以及设置于所述机器人1底部相对两侧的驱动轮,所述驱动轮被所述驱动组件驱动以带动所述机器人1移动。具体地,所述驱动轮被驱动以带动所述机器人1按照规划的移动轨迹进行前后往复运动、旋转运动或曲线运动等,或者驱动所述机器人1进行姿态的调整,并且提供所述机器人1与行走表面的两个接触点。在另一些实施例中,所述移动装置12还包括从动轮,所述从动轮位于所述驱动轮的前部,所述从动轮与所述驱动轮一并保持所述机器人1在运动状态的平衡。
所述控制装置11设置于所述机器人1上,用于控制所述激光装置10、所述移动装置12协同工作以执行如本申请前述任一实施例中公开的机器人识别工作站的方法。所述控制装置11也可控制机器人1执行工作任务,以及利用导航技术进行定位、建图与导航等。在一些实施例中,所述控制装置11包括存储器和处理器等。
在实施例中,所述处理器可用于读取和执行计算机可读指令。具体实现中,处理器可主要包括控制器、运算器和寄存器。其中,控制器主要负责指令译码,并为指令对应的操作发出控制信号。运算器主要负责执行定点或浮点算数运算操作、移位操作以及逻辑操作等,也可以执行地址运算和转换。寄存器主要负责保存指令执行过程中临时存放的寄存器操作数和中间操作结果等。具体实现中,处理器的硬件架构可以是专用集成电路(ASIC)架构、MIPS架构、ARM架构或者NP架构等等。所述处理器可以包括一个或多个处理单元,例如:处理器可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processing unit,GPU),图像信号处理器(image signal processor,ISP),控制器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可集成在一个或多个处理器中。
在实施例中,所述存储器与处理器耦合,用于存储各种软件程序和/或多组指令。具体实现中,存储器可包括高速随机存取的存储器,并且也可包括非易失性存储器,例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。存储器可以存储操作系统,例如uCOS、VxWorks、RTLinux等嵌入式操作系统。存储器还可以存储通信程序,该通信程序可用于与智能终端,一个或多个服务器,或附加设备进行通信。
在一些实施例中,本申请还公开一种机器人识别工作站的系统,所述机器人设置有激光装置,例如为本申请前述任一实施例中公开的机器人,所述工作站上设置有标识图像,所述标识图像在所述激光装置的扫描方向上形成有反射强度存在变化的至少三个区域,所述工作站例如为本申请前述任一实施例中公开的工作站。
请参阅图12,显示为本申请在一实施例中的机器人识别工作站的系统结构示意图,如图所示,所述机器人识别工作站的系统3包括获取模块30、聚类模块31、以及匹配模块32。
所述获取模块30用于获取所述激光装置扫描的周边环境的点云数据;所述点云数据包括坐标信息和第一反射强度信息。在一些实施例中,所述获取模块30获取所述激光装置扫描的周边环境的点云数据的过程可参阅本申请公开的机器人识别工作站的方法中任一实施例中关于步骤S110的描述,在此不再赘述。
所述聚类模块31用于基于所述坐标信息和所述第一反射强度信息对所述点云数据进行聚类,以确定聚类所形成的各点云数据集的空间信息和第二反射强度信息。在一些实施例中,所述聚类模块31的聚类程可参阅本申请公开的机器人识别工作站的方法中任一实施例中关于步骤S120的描述,在此不再赘述。
所述匹配模块32用于基于所述点云数据集匹配所述标识图像的区域信息,以识别所述工作站。在一些实施例中,所述匹配模块32的匹配过程可参阅本申请公开的机器人识别工作站的方法中任一实施例中关于步骤S130的描述,在此不再赘述。
在一些实施例中,所述机器人识别工作站的系统还包括对接模块(未予以图示),所述对接模块用于基于所述目标数据集确定所述工作站相对于所述机器人的位置关系,以控制所述机器人对接所述工作站。在一些实施例中,所述对接模块的操作过程可参阅本申请公开的机器人识别工作站的方法中任一实施例中关于步骤S140的描述,在此不再赘述。
在实施例中,所述机器人识别工作站的系统例如为装载于计算机设备的识别程序/软件,在此实施例中所述识别程序/软件为可作为计算机可执行的程序或可转化为可执行程序的符号化指令序列或符号化语句序列。
在一些实施例中,本申请还公开一种机器人系统,所述机器人系统包括机器人以及工作站,所述机器人可例如为本申请任一实施例中公开的机器人,具体请参阅如图11及其相应描述,在此不再赘述。所述工作站可例如为本申请任一实施例中公开的工作站,可参阅如图1至图3及其相应描述,在此不再赘述。
本申请还提供一种计算机可读写存储介质,存储至少一种程序,所述至少一种程序在被调用时执行并实现上述任一实施例所描述的机器人识别工作站的方法。
所述功能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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得安装有所述存储介质的移动机器人可以执行本申请各个实施例所述方法的全部或部分步骤。
于本申请提供的实施例中,所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外,任何连接都可以适当地称为计算机可读介质。例如,如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术,从网站、服务器或其它远程源发送的,则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而,应当理解的是,计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质,而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘,其中,磁盘通常磁性地复制数据,而光盘则用激光来光学地复制数据。
在一个或多个示例性方面,本申请所述机器人识别工作站的方法的计算机程序所描所述的功能可以用硬件、软件、固件或其任意组合的方式来实现。当用软件实现时,可以将这些功能作为一个或多个指令或代码存储或传送到计算机可读介质上。本申请所公开的方法或算法的步骤可以用处理器可执行软件模块来体现,其中处理器可执行软件模块可以位于有形、非临时性计算机可读写存储介质上。有形、非临时性计算机可读写存储介质可以是计算机能够存取的任何可用介质。
本申请上所述的附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于此,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这根据所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以通过执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以通过专用硬件与计算机指令的组合来实现。
综上所述,本申请公开的机器人及其识别工作站的方法、机器人识别工作站的系统、机器人、计算机存储介质、工作站、以及工作站系统,通过在工作站上设置二维的标识图像,标识图像在机器人所配置的激光装置的扫描方向上具有反射强度对比的至少三个连续区域,从而可通过空间特性结合反射强度特性识别标识图像。这种方式仅需要在工作站上设置二维平面作为工作站的标识,不需要复杂的结构设计,生产制造工艺简单,大大降低了生产成本,且二维平面作为工作站的标识大大提高了机器人对工作站的感知距离,特别适合机器人工作在大面积区域场合。另外,本申请中通过空间特性结合反射强度特性以识别标识图像,精确度高,避免了误识别的情况。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (20)
1.一种机器人识别工作站的方法,其特征在于,所述机器人设置有激光装置,所述工作站上设置有标识图像,所述标识图像在所述激光装置的扫描方向上形成有反射强度变化的至少三个连续区域,所述方法包括:
获取所述激光装置扫描周边环境的点云数据;所述点云数据包括坐标信息和第一反射强度信息;
基于所述坐标信息和所述第一反射强度信息对所述点云数据进行聚类,以确定聚类所形成的各点云数据集的空间信息和第二反射强度信息;
基于所述标识图像的区域信息匹配所述点云数据集,以识别所述工作站。
2.根据权利要求1所述的机器人识别工作站的方法,其特征在于,所述标识图像的区域信息设置为预存于一存储装置中,包括所述标识图像各区域的宽度分布信息和强度分布信息。
3.根据权利要求1所述的机器人识别工作站的方法,其特征在于,基于所述坐标信息和所述第一反射强度信息对所述点云数据进行聚类,以确定聚类所形成的各点云数据集的空间信息和第二反射强度信息的步骤包括:
将空间上呈连续性以及反射强度在预设范围内的点云数据聚类为一类点云数据集;其中,所述空间上呈连续性是根据所述点云数据的坐标信息判断的;所述反射强度在预设范围内是根据所述点云数据的第一反射强度信息确定的;
根据点云数据集中各点云数据的坐标信息和第一反射强度信息确定点云数据集的空间信息和第二反射强度信息。
4.根据权利要求1或3所述的机器人识别工作站的方法,其特征在于,所述点云数据集的空间信息包括:位置信息和长度信息;其中,所述位置信息用于反映所述点云数据集在空间的相对位置,所述长度信息用于反映所述点云数据集的跨度范围。
5.根据权利要求1或3所述的机器人识别工作站的方法,其特征在于,所述第二反射强度信息是基于点云数据集中的点云数据的第一反射强度信息得到的。
6.根据权利要求1所述的机器人识别工作站的方法,其特征在于,基于所述标识图像的区域信息匹配所述点云数据集,以识别所述工作站的步骤包括:
根据所述标识图像的区域信息,将满足第一匹配条件、以及第二匹配条件的对比数据集确定为目标数据集,以基于所述目标数据集识别所述工作站;
其中,所述对比数据集是指在空间上连续且数量上与所述标识图像的区域数量相一致的多个点云数据集;
其中,所述第一匹配条件是指对比数据集中各点云数据集的空间信息与所述标识图像的各区域的宽度分布信息相一致;所述第二匹配条件是指对比数据集中各点云数据集的第二反射强度信息与各区域的强度分布信息相一致。
7.根据权利要求6所述的机器人识别工作站的方法,其特征在于,还包括:基于所述目标数据集确定所述工作站相对于所述机器人的位置关系,以控制所述机器人对接所述工作站。
8.根据权利要求7所述的机器人识别工作站的方法,其特征在于,基于所述目标数据集确定所述工作站相对于所述机器人的位置关系,以控制所述机器人对接所述工作站的步骤包括:
基于目标数据集中各点云数据集的空间信息或第二反射强度信息选取特征数据集;
对所述特征数据集进行线段拟合,以确定所拟合线段的中心点和法向量;
基于所述中心线和法向量相对于所述机器人的位置关系,以控制所述机器人对接所述工作站。
9.根据权利要求6所述的机器人识别工作站的方法,其特征在于,还包括:确定误差补偿参数的步骤,所述误差补偿参数用于补偿所述工作站相对于所述机器人的位置关系。
10.根据权利要求1所述的机器人识别工作站的方法,其特征在于,相邻两区域具有灰度差异,以形成所述反射强度变化。
11.根据权利要求1所述的机器人识别工作站的方法,其特征在于,在所述激光装置的扫描方向上,所述标识图像形成有黑色、白色、黑色三个连续区域。
12.根据权利要求11所述的机器人识别工作站的方法,其特征在于,所述标识图像设置有并列分布的黑色、白色、黑色三个部分。
13.根据权利要求11所述的机器人识别工作站的方法,其特征在于,所述标识图像设置为黑色部分呈回字型包围白色部分,以在激光装置的扫描方向上形成具有反射强度变化的三个连续区域。
14.根据权利要求1所述的机器人识别工作站的方法,其特征在于,获取所述激光装置扫描周边环境的点云数据的步骤包括:
基于一参考位姿信息控制所述机器人移动至预定区域;其中,在所述预定区域内,所述激光装置可扫描到所述标识图像;
控制所述激光装置扫描周边环境以获取包括所述标识图像的点云数据。
15.根据权利要求1所述的机器人识别工作站的方法,其特征在于,所述机器人为清洁机器人。
16.一种机器人识别工作站的系统,其特征在于,所述机器人设置有激光装置,所述工作站上设置有标识图像,所述标识图像在所述激光装置的扫描方向上形成有反射强度变化的至少三个连续区域,所述系统包括:
获取模块,获取所述激光装置扫描周边环境的点云数据;所述点云数据包括坐标信息和第一反射强度信息;
聚类模块,用于基于所述坐标信息和所述第一反射强度信息对所述点云数据进行聚类,以确定聚类所形成的各点云数据集的空间信息和第二反射强度信息;
匹配模块,用于基于所述标识图像的区域信息匹配所述点云数据集,以识别所述工作站。
17.一种机器人,其特征在于,包括:
激光装置,设置于所述机器人顶部以扫描周边环境;
移动装置,设置于所述机器人底部以带动所述机器人移动;
控制装置,设置于所述机器人上,用于控制所述激光装置、所述移动装置协同工作以执行如权利要求1-15中任一所述的机器人识别工作站的方法。
18.一种计算机存储介质,其特征在于,存储至少一种程序,所述至少一种程序在被调用时执行如权利要求1-15中任一所述的机器人识别工作站的方法。
19.一种工作站,其特征在于,包括:
工作站本体,设置有服务接口,所述工作站基于所述服务接口给机器人提供服务,所述机器人包括一激光装置;
标识图像,所述标识图像设置于所述工作站本体上,并位于所述服务接口所在表面;其中,所述标识图像在所述激光装置的扫描方向上具有反射强度对比的至少三个区域。
20.一种机器人系统,其特征在于,包括:如权利要求17所述的机器人,及如权利要求19所述的工作站。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211124923.9A CN115587603A (zh) | 2022-09-15 | 2022-09-15 | 机器人及其识别工作站的方法、系统、存储介质、工作站 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211124923.9A CN115587603A (zh) | 2022-09-15 | 2022-09-15 | 机器人及其识别工作站的方法、系统、存储介质、工作站 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115587603A true CN115587603A (zh) | 2023-01-10 |
Family
ID=84778207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211124923.9A Pending CN115587603A (zh) | 2022-09-15 | 2022-09-15 | 机器人及其识别工作站的方法、系统、存储介质、工作站 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587603A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501070A (zh) * | 2023-06-30 | 2023-07-28 | 深圳市欢创科技有限公司 | 回充方法、机器人及存储介质 |
-
2022
- 2022-09-15 CN CN202211124923.9A patent/CN115587603A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501070A (zh) * | 2023-06-30 | 2023-07-28 | 深圳市欢创科技有限公司 | 回充方法、机器人及存储介质 |
CN116501070B (zh) * | 2023-06-30 | 2023-09-19 | 深圳市欢创科技有限公司 | 回充方法、机器人及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106969768B (zh) | 一种无轨导航agv的精确定位及停车方法 | |
EP2256574B1 (en) | Autonomous mobile robot, self-position estimation method, environment map generation method, environment map generating device, and environment map generating computer program | |
EP3185096B1 (en) | A charging pile, method and device for recognizing the charging pile, and an autonomous cleaning device | |
EP3349041B1 (en) | Object detection system | |
CN106489104B (zh) | 用于移动机器人中的光学量程传感器的使用的系统和方法 | |
US9939529B2 (en) | Robot positioning system | |
US7539563B2 (en) | System and method for identifying objects in a space | |
CN110114692B (zh) | 一种地面环境的检测方法和装置 | |
Chen et al. | Active sensor planning for multiview vision tasks | |
CN111881239A (zh) | 构建方法、构建装置、智能机器人及可读存储介质 | |
JP6649743B2 (ja) | 一致性評価装置および一致性評価方法 | |
KR20200121756A (ko) | 모바일 로봇의 초기화 진단 방법 및 시스템 | |
CN115587603A (zh) | 机器人及其识别工作站的方法、系统、存储介质、工作站 | |
Hochdorfer et al. | 6 DoF SLAM using a ToF camera: The challenge of a continuously growing number of landmarks | |
Joho et al. | Autonomous exploration for 3D map learning | |
KR100581086B1 (ko) | RFID Tag LED를 이용한 로봇 위치 측정 방법 및장치 | |
Csaba et al. | Differences between Kinect and structured lighting sensor in robot navigation | |
EP3992662A1 (en) | Three dimensional measurement device having a camera with a fisheye lens | |
Nickerson et al. | An autonomous mobile robot for known industrial environments | |
CN107966702B (zh) | 环境地图的构建方法及装置 | |
CN113093218A (zh) | 斜坡检测方法及驱动设备、存储介质 | |
An et al. | Ceiling vision-based active SLAM framework for dynamic and wide-open environments | |
Kriegel | Autonomous 3D modeling of unknown objects for active scene exploration | |
Kurz et al. | When geometry is not enough: using reflector markers in lidar SLAM | |
Kolu et al. | A mapping method tolerant to calibration and localization errors based on tilting 2D laser scanner |
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 |