CN115600118B - 基于二维激光点云的托盘腿识别方法及系统 - Google Patents

Abstract

本发明提供了一种基于二维激光点云的托盘腿识别方法及系统，属于采用无线电波的反射或再辐射的定位或存在检测技术领域，解决了目前托盘腿识别精度低的问题；本发明采用相邻点夹角聚类算法对获取的激光点云数据进行聚类，进而得到有效聚类；任选N个有效聚类的聚类中心点，计算N个聚类中心点的几何中心位置，依次计算几何中心位置到各个聚类中心点的欧式距离，根据欧氏距离最大值与欧式距离最小值的差值，得到各托盘腿对应的聚类中心点，根据各托盘腿对应的聚类中心点位置得到托盘腿识别结果；本发明可以在有障碍物的环境下，准确高效的识别出托盘腿的位置，极大的提高了工厂环境下无人车运载货物时的安全性与可靠性。

Description

基于二维激光点云的托盘腿识别方法及系统

技术领域

本发明涉及采用无线电波的反射或再辐射的定位或存在检测技术领域，特别涉及一种基于二维激光点云的托盘腿识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

目前，越来越多的工厂采用无人化作业，尤其在物流配送等领域，需要机器人按照预定的指令，进行全自动装载、运输货物，在这种环境下，需要机器人在到达预定位置之后，进行装载货物的时候，准确的识别出放有货物的托盘腿的位置，否则很容易碰到托盘腿，造成工厂事故，因此，当机器人到达预定位置即将装载货物的时候，准确的识别出托盘腿的位置非常重要。

目前针对托盘腿的识别方法分为基于标签的方法和基于深度学习的方法，基于标签的方法主要是在仓储托盘的立柱表面贴上视觉标签，通过识别视觉标签来判断托盘位置，但是视觉标签容易受到污染或者因磨损导致无法使用；基于深度学习的方法主要是通过获取机器人前方的视觉图像，结合深度学习模块来进行识别，但是这种方式容易受到光照和不同托盘种类的影响，而且需要准备大量数据集进行相关训练。

发明内容

为了解决现有技术的不足，本发明提供了一种基于二维激光点云的托盘腿识别方法及系统，可以在有障碍物的环境下，准确高效的识别出托盘腿的位置，极大的提高了工厂环境下无人车运载货物时的安全性与可靠性。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种基于二维激光点云的托盘腿识别方法。

一种基于二维激光点云的托盘腿识别方法，包括以下过程：

获取机器人运动前方二维的激光点云数据；

采用相邻点夹角聚类算法对获取的激光点云数据进行聚类，得到多个激光点云聚类；

从多个激光点云聚类中筛选出有效聚类，得到各有效聚类的聚类中心点；

任选N个有效聚类的聚类中心点，计算N个聚类中心点的几何中心位置，依次计算几何中心位置到各个聚类中心点的欧式距离，得到欧式距离最大值与欧式距离最小值，其中N为托盘腿的数量；

根据欧氏距离最大值与欧式距离最小值的差值，得到各托盘腿对应的聚类中心点，根据各托盘腿对应的聚类中心点位置得到托盘腿识别结果。

作为本发明第一方面可选的一种实现方式，获取机器人运动前方二维的激光点云数据，包括：

遍历当前帧激光雷达点云数据的所有点，只保留落在机器人的正前方的点，得到机器人运动前方的激光点云数据。

作为本发明第一方面可选的一种实现方式，采用相邻点夹角聚类算法对获取的激光点云数据进行聚类，包括：

从获取的激光点云数据中，任意选取两个相邻点，计算激光雷达到第一相邻点与第二相邻点的欧式距离，得到最大的第一欧式距离以及最小的第二欧式距离；

以两个相邻点所在线段为第一线段，以第一欧式距离对应的线段为第二线段，第一线段与第二线段的夹角为第一夹角，如果第一夹角大于或等于激光雷达的分辨率，则两个相邻点为同一聚类；否则，两个相邻点为不同聚类；

遍历所有相邻点，得到激光点云数据的聚类结果。

作为本发明第一方面可选的一种实现方式，从多个激光点云聚类中筛选出有效聚类，包括：

依次遍历每个聚类，并求取每个聚类的点数，若点数小于设定数量，则舍弃该聚类；否则，在机器人正前方划定能够覆盖所有托盘腿的识别区域，计算各个聚类的聚类中心点，保留识别区域内的聚类中心点对应的聚类，得到有效聚类。

作为本发明第一方面可选的一种实现方式，根据欧氏距离最大值与欧式距离最小值的差值，得到各托盘腿对应的聚类中心点，包括：

当欧式距离最大值与欧式距离最小值的差值为0或差值小于设定阈值时，N个有效聚类的聚类中心点所在位置为托盘腿的N个腿的位置；否则，重新选取N个有效聚类的聚类中心进行判断，直至找到托盘腿的N个腿的位置。

作为本发明第一方面可选的一种实现方式，根据各托盘腿对应的聚类中心点位置得到托盘腿识别结果，包括：

将各托盘腿对应的聚类中心点坐标转换到世界坐标系下，得到世界坐标系下的各托盘腿的坐标，以世界坐标系下的各托盘腿的坐标为托盘腿识别结果。

本发明第二方面提供了一种基于二维激光点云的托盘腿识别系统。

一种基于二维激光点云的托盘腿识别系统，包括：

激光点云获取模块，被配置为：获取机器人运动前方二维的激光点云数据；

激光点云聚类模块，被配置为：采用相邻点夹角聚类算法对获取的激光点云数据进行聚类，得到多个激光点云聚类；

有效聚类筛选模块，被配置为：从多个激光点云聚类中筛选出有效聚类，得到各有效聚类的聚类中心点；

欧式距离计算模块，被配置为：任选N个有效聚类的聚类中心点，计算N个聚类中心点的几何中心位置，依次计算几何中心位置到各个聚类中心点的欧式距离，得到欧式距离最大值与欧式距离最小值，其中N为托盘腿的数量；

托盘腿识别模块，被配置为：根据欧氏距离最大值与欧式距离最小值的差值，得到各托盘腿对应的聚类中心点，根据各托盘腿对应的聚类中心点位置得到托盘腿识别结果。

作为本发明第二方面可选的一种实现方式，激光点云聚类模块中，采用相邻点夹角聚类算法对获取的激光点云数据进行聚类，包括：

从获取的激光点云数据中，任意选取两个相邻点，计算激光雷达到第一相邻点与第二相邻点的欧式距离，得到最大的第一欧式距离以及最小的第二欧式距离；

以两个相邻点所在线段为第一线段，以第一欧式距离对应的线段为第二线段，第一线段与第二线段的夹角为第一夹角，如果第一夹角大于或等于激光雷达的分辨率，则两个相邻点为同一聚类；否则，两个相邻点为不同聚类；

遍历所有相邻点，得到激光点云数据的聚类结果。

作为本发明第二方面可选的一种实现方式，有效聚类筛选模块中，从多个激光点云聚类中筛选出有效聚类，包括：

依次遍历每个聚类，并求取每个聚类的点数，若点数小于设定数量，则舍弃该聚类；否则，在机器人正前方划定能够覆盖所有托盘腿的识别区域，计算各个聚类的聚类中心点，保留识别区域内的聚类中心点对应的聚类，得到有效聚类。

作为本发明第二方面可选的一种实现方式，托盘腿识别模块中，根据欧氏距离最大值与欧式距离最小值的差值，得到各托盘腿对应的聚类中心点，包括：

当欧式距离最大值与欧式距离最小值的差值为0或差值小于设定阈值时，N个有效聚类的聚类中心点所在位置为托盘腿的N个腿的位置；否则，重新选取N个有效聚类的聚类中心进行判断，直至找到托盘腿的N个腿的位置。

与现有技术相比，本发明的有益效果是：

1、本发明创新性的提出了一种基于二维激光点云的托盘腿识别方法及系统，适用于工厂作业环境下物流货物的装载运送领域，极大的提高了在有障碍物的前提下托盘腿识别分辨的精确度。

2、本发明创新性的提出了一种基于二维激光点云的托盘腿识别方法及系统，仅需通过N个聚类中心点的几何中心位置到对应聚类中心点的欧式距离的差值（其中，N为托盘腿的数量），就可以判断N个聚类中心点是否为托盘腿，大大缩短了托盘腿的识别时间，为后续的机器人装载运送货物提供了可靠保障。

3、由于二维激光雷达的识别区域只有一个平面，这就导致了雷达数据信息量太少的问题，很难从障碍物点云与托盘腿点云中分辨出哪个是障碍物或托盘腿，而本发明从点云的坐标位置出发，根据托盘是矩形的特性，可以精确高效的识别出托盘腿的位置，为机器人后续装载运送货物提供了可靠保证。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例1提供的基于二维激光点云的托盘腿识别方法的流程示意图；

图2为本发明实施例1提供的获取正前方激光点云数据的流程示意图；

图3为本发明实施例1提供的计算两相邻点与激光束夹角俯视示意图；

图4为本发明实施例1提供的相邻点夹角聚类算法流程示意图；

图5为本发明实施例1提供的筛选有效聚类的流程示意图；

图6为本发明实施例1提供的计算托盘腿位置的俯视示意图；

图7为本发明实施例1提供的计算托盘腿位置的流程示意图；

图8为本发明实施例1提供的托盘腿识别的俯视示意图；

图9为本发明实施例1提供的坐标系转换流程示意图；

图10为本发明实施例2提供的基于二维激光点云的托盘腿识别系统的结构示意图；

其中，1、二维激光雷达；2、托盘；3、机器人。

具体实施方式

下面结合附图与实施例对本发明作进一步说明，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1：

如图1所示，本发明实施例1提供了一种基于二维激光点云的托盘腿识别方法，以四腿的托盘为例，包括以下过程：

S1：获取正前方雷达数据。

通过安装在搬运机器人前方的二维激光雷达获取激光雷达点云数据，遍历当前帧的每个点，只保留机器人正前方的激光雷达点云数据。

具体的，如图2所示，通过安装在机器人正前方的二维激光雷达获取机器人正前方的激光雷达点云数据，依次遍历当前帧激光雷达点云数据的所有点，判断点是否落在机器人正前方（这里的正前方可以是设定的一个机器人正前方的范围，例如可以是矩形范围也可以是一个梯形范围，本领域技术人员可以根据具体工况设定正前方的设定范围，这里不再赘述），若点没有落在机器人正前方，则剔除该点，反之保存该点的数据，得到预处理后的激光雷达点云数据，这一过程可以高效利用激光雷达点云数据，减少不必要激光雷达点云数据带来的计算负担。

S2：相邻点夹角聚类算法。

依次选取两个相邻点（点1和点2），计算两相邻点所在线段与雷达到达最远点激光束之间的夹角，通过夹角与雷达分辨率对比，判断两相邻点是否属于同一类。

具体的，从S1得到的预处理后的激光雷达点云数据中，依次选取两个相邻点（点1和点2），计算激光雷达到点1与点2的欧式距离，取最大欧式距离为d1，取另一欧式距离为d2，计算点1与点2所在线段与激光雷达到点1的激光束之间的夹角θ，通过对比θ与雷达分辨率α，判断点1与点2是否为同一聚类；

更具体的，如图3和图4所示，包括有三个点（点1、点2和点3），取两相邻点（点1和点2），其欧式距离分别为d1和d2，其中d1>d2，激光雷达分辨率为α，两相邻点（点1和点2）所在的线段为第一线段，以最大欧式距离d1对应的激光雷达与点1的距离为第二线段，则第一线段和第二线段的夹角为：

；

若θ1≥α，则点1和点2为同一聚类，若θ1<α，则点1和点2不为同一聚类；依次循环遍历机器人正前方所有激光雷达点云数据的点，即可完成点云聚类。

S3：选取有效聚类，并求其聚类中心。

只保留聚类点数大于3的聚类，并对每个聚类求聚类中心，剔除掉聚类中心不在规定范围内的聚类，最终得到有效聚类数目与相应的聚类中心。

如图5所示，依次遍历每个聚类，并求取每个聚类的点的数量，若点的数量小于3，则舍弃该聚类，在机器人正前方划分一个矩形区域（可以理解的，这里也可以是其他形状，只要能够覆盖所有的托盘腿即可，本领域技术人员可以根据具体工况进行选择，这里不再赘述），这个区域恰好可以覆盖所有托盘腿，然后计算各个聚类的中心点，判断各个聚类中心点是否落在矩形区域范围之内，若聚类中心点不在矩形区域之内，则舍弃该聚类；最终得到所有有效聚类及其相对应的聚类中心点，这一步骤可以排除掉噪声点与过远的聚类，大大减少了识别托盘腿的计算复杂度。

S4：迭代算法求取托盘腿的位置。

将S3中得到的聚类的数目进行判断，若聚类的数目小于4（本实施优选的为托盘腿为4个，即N=4，可以理解的，在其他一些实现方式中，也可以是N=6或者N=8，可以根据现场托盘的具体情况进行设定，这里不再赘述），则说明托盘没有完全落在规定区域内，则机器人前移一小段距离，重新返回执行S1-S3，直到聚类的数目大于等于4；

从所有聚类中心点中依次选取4个聚类中心点，计算这4个聚类中心点的几何中心位置，然后计算该几何中心位置到4个聚类中心点的欧式距离，得到一个最大值与最小值，若随机取的4个聚类中心点为矩形托盘的四个腿，则最大值与最小值的差等于0或在一个设定阈值之内（本实施例中，设定阈值为0.05，可以理解的，在其他一些实现方式中，设定阈值也可以是其他值，例如0.04或者0.06等等，本领域技术人可以根据经验或者历史数据的统计人为设定，这里不再赘述）；若随机取的4个聚类中心点其中包含有障碍物，则得到的最大值与最小值的差值定会超过设定阈值。通过上述判断标准依次从所有聚类中心点中依次选取4个聚类中心点进行计算，直到找到4个托盘腿对应的聚类中心点。

具体的，若通过S3得到5个聚类中心点，如图6和图7所示，则：

从这5个聚类中心点中随机选取4个聚类中心点，求取这四个聚类中心点的几何中 心位置，则共有种不同的排列组合类型；

若第一次选中聚类中心点1、聚类中心点2、聚类中心点3和聚类中心点4，然后得到其中心点位置1，依次计算中心点位置1到聚类中心点1、聚类中心点2、聚类中心点3和聚类中心点4的欧式距离；

经过比较得出中心点位置1到聚类中心点3的欧式距离为最大欧氏距离，中心点位置1到聚类中心点2的欧氏距离为最小欧式距离，计算得出最大欧式距离与最小欧式距离的差值；

由图6可见，聚类中心点1、聚类中心点2、聚类中心点3和聚类中心点4，聚类中心点1为障碍物聚类得出的聚类中心点，聚类中心点2、聚类中心点3和聚类中心点4为托盘腿聚类得出的聚类中心点，这4个聚类中心点无法构成矩形，所以其最大欧氏距离与最小欧氏距离的差值不可能为0，且大于设定阈值（0.05），由此可见聚类中心点1、聚类中心点2、聚类中心点3和聚类中心点4不可能为托盘的4个腿。

从5个聚类中心点中再次选择4个聚类中心点，若这次选择聚类中心点2、聚类中心点3、聚类中心点4和聚类中心点5这4个聚类中心点，求出这4个聚类中心点的中心点位置2，然后依次计算中心点位置2到聚类中心点2、聚类中心点3、聚类中心点4和聚类中心点5的欧氏距离；

根据矩形的特性可知，若不考虑测量误差，这4个欧式距离的值相等，但是在实际测量当中，由于测量误差的存在，这四个欧氏距离中的最大值与最小值很有可能不相等，但一定在一个误差范围之内（0.05）；

通过计算得到其欧式距离的最大值与欧式距离的最小值之间的差值，若差值在误差范围之内，则这4个聚类中心点为托盘腿的4个腿，若不在范围之内，则不为托盘腿的4个腿。由图6可知，在实际测量过程中，其差值一定在一个误差范围之内，由此可见，聚类中心点2、聚类中心点3、聚类中心点4和聚类中心点5这4个聚类中心点正好为托盘腿的4个腿。

S5：矩阵运算得到托盘腿的世界坐标。

通过迭代算法求出托盘腿相对于激光雷达的位置坐标，然后通过激光雷达的安装位置与机器人里程计位姿信息，矩阵变换得到托盘腿的世界坐标。

如图8和图9所示，通过S4得到托盘2腿相对于二维激光雷达1的位姿，然后通过激光雷达相对于机器人3的中心安装位置，将托盘2腿位姿转换到机器人本体坐标系下的位姿，再通过机器人的实时的里程计位姿信息，将托盘2腿的位姿转换到世界坐标系下，由此可得出精确的托盘腿的世界坐标，以托盘腿的世界坐标为托盘腿的识别结果。

实施例2：

如图10所示，本发明实施例2提供了一种基于二维激光点云的托盘腿识别系统，包括：

激光点云获取模块，被配置为：获取机器人运动前方二维的激光点云数据；

激光点云聚类模块，被配置为：采用相邻点夹角聚类算法对获取的激光点云数据进行聚类，得到多个激光点云聚类；

有效聚类筛选模块，被配置为：从多个激光点云聚类中筛选出有效聚类，得到各有效聚类的聚类中心点；

欧式距离计算模块，被配置为：任选N个有效聚类的聚类中心点，计算N个聚类中心点的几何中心位置，依次计算几何中心位置到各个聚类中心点的欧式距离，得到欧式距离最大值与欧式距离最小值，其中N为托盘腿的数量；

托盘腿识别模块，被配置为：根据欧氏距离最大值与欧式距离最小值的差值，得到各托盘腿对应的聚类中心点，根据各托盘腿对应的聚类中心点位置得到托盘腿识别结果。

具体的，激光点云聚类模块中，采用相邻点夹角聚类算法对获取的激光点云数据进行聚类，包括：

从获取的激光点云数据中，任意选取两个相邻点，计算激光雷达到第一相邻点与第二相邻点的欧式距离，得到最大的第一欧式距离以及最小的第二欧式距离；

以两个相邻点所在线段为第一线段，以第一欧式距离对应的线段为第二线段，第一线段与第二线段的夹角为第一夹角，如果第一夹角大于或等于激光雷达的分辨率，则两个相邻点为同一聚类；否则，两个相邻点为不同聚类；

遍历所有相邻点，得到激光点云数据的聚类结果。

具体的，有效聚类筛选模块中，从多个激光点云聚类中筛选出有效聚类，包括：

依次遍历每个聚类，并求取每个聚类的点数，若点数小于设定数量，则舍弃该聚类；否则，在机器人正前方划定能够覆盖所有托盘腿的识别区域，计算各个聚类的聚类中心点，保留识别区域内的聚类中心点对应的聚类，得到有效聚类。

具体的，托盘腿识别模块中，根据欧氏距离最大值与欧式距离最小值的差值，得到各托盘腿对应的聚类中心点，包括：

当欧式距离最大值与欧式距离最小值的差值为0或差值小于设定阈值时，N个有效聚类的聚类中心点所在位置为托盘腿的N个腿的位置；否则，重新选取N个有效聚类的聚类中心进行判断，直至找到托盘腿的N个腿的位置。

所述系统的详细工作过程与实施例1提供的基于二维激光点云的托盘腿识别方法相同，这里不再赘述。

Claims (10)

1.一种基于二维激光点云的托盘腿识别方法，其特征在于，包括以下过程：

获取机器人运动前方二维的激光点云数据；

采用相邻点夹角聚类算法对获取的激光点云数据进行聚类，得到多个激光点云聚类；

从多个激光点云聚类中筛选出有效聚类，得到各有效聚类的聚类中心点；

任选N个有效聚类的聚类中心点，计算N个聚类中心点的几何中心位置，依次计算几何中心位置到各个聚类中心点的欧式距离，得到欧式距离最大值与欧式距离最小值，其中N为托盘腿的数量；

根据欧氏距离最大值与欧式距离最小值的差值，得到各托盘腿对应的聚类中心点，根据各托盘腿对应的聚类中心点位置得到托盘腿识别结果。

2.如权利要求1所述的基于二维激光点云的托盘腿识别方法，其特征在于，

获取机器人运动前方二维的激光点云数据，包括：

遍历当前帧激光雷达点云数据的所有点，只保留落在机器人的正前方的点，得到机器人运动前方的激光点云数据。

3.如权利要求1所述的基于二维激光点云的托盘腿识别方法，其特征在于，

采用相邻点夹角聚类算法对获取的激光点云数据进行聚类，包括：

从获取的激光点云数据中，任意选取两个相邻点，计算激光雷达到第一相邻点与第二相邻点的欧式距离，得到最大的第一欧式距离以及最小的第二欧式距离；

以两个相邻点所在线段为第一线段，以第一欧式距离对应的线段为第二线段，第一线段与第二线段的夹角为第一夹角，如果第一夹角大于或等于激光雷达的分辨率，则两个相邻点为同一聚类；否则，两个相邻点为不同聚类；

遍历所有相邻点，得到激光点云数据的聚类结果。

4.如权利要求1所述的基于二维激光点云的托盘腿识别方法，其特征在于，

从多个激光点云聚类中筛选出有效聚类，包括：

依次遍历每个聚类，并求取每个聚类的点数，若点数小于设定数量，则舍弃该聚类；否则，在机器人正前方划定能够覆盖所有托盘腿的识别区域，计算各个聚类的聚类中心点，保留识别区域内的聚类中心点对应的聚类，得到有效聚类。

5.如权利要求1所述的基于二维激光点云的托盘腿识别方法，其特征在于，

根据欧氏距离最大值与欧式距离最小值的差值，得到各托盘腿对应的聚类中心点，包括：

当欧式距离最大值与欧式距离最小值的差值为0或差值小于设定阈值时，N个有效聚类的聚类中心点所在位置为托盘腿的N个腿的位置；否则，重新选取N个有效聚类的聚类中心进行判断，直至找到托盘腿的N个腿的位置。

6.如权利要求1所述的基于二维激光点云的托盘腿识别方法，其特征在于，

根据各托盘腿对应的聚类中心点位置得到托盘腿识别结果，包括：

将各托盘腿对应的聚类中心点坐标转换到世界坐标系下，得到世界坐标系下的各托盘腿的坐标，以世界坐标系下的各托盘腿的坐标为托盘腿识别结果。

7.一种基于二维激光点云的托盘腿识别系统，其特征在于，包括：

激光点云获取模块，被配置为：获取机器人运动前方二维的激光点云数据；

激光点云聚类模块，被配置为：采用相邻点夹角聚类算法对获取的激光点云数据进行聚类，得到多个激光点云聚类；

有效聚类筛选模块，被配置为：从多个激光点云聚类中筛选出有效聚类，得到各有效聚类的聚类中心点；

欧式距离计算模块，被配置为：任选N个有效聚类的聚类中心点，计算N个聚类中心点的几何中心位置，依次计算几何中心位置到各个聚类中心点的欧式距离，得到欧式距离最大值与欧式距离最小值，其中N为托盘腿的数量；

托盘腿识别模块，被配置为：根据欧氏距离最大值与欧式距离最小值的差值，得到各托盘腿对应的聚类中心点，根据各托盘腿对应的聚类中心点位置得到托盘腿识别结果。

8.如权利要求7所述的基于二维激光点云的托盘腿识别系统，其特征在于，

激光点云聚类模块中，采用相邻点夹角聚类算法对获取的激光点云数据进行聚类，包括：

从获取的激光点云数据中，任意选取两个相邻点，计算激光雷达到第一相邻点与第二相邻点的欧式距离，得到最大的第一欧式距离以及最小的第二欧式距离；

以两个相邻点所在线段为第一线段，以第一欧式距离对应的线段为第二线段，第一线段与第二线段的夹角为第一夹角，如果第一夹角大于或等于激光雷达的分辨率，则两个相邻点为同一聚类；否则，两个相邻点为不同聚类；

遍历所有相邻点，得到激光点云数据的聚类结果。

9.如权利要求7所述的基于二维激光点云的托盘腿识别系统，其特征在于，

有效聚类筛选模块中，从多个激光点云聚类中筛选出有效聚类，包括：

依次遍历每个聚类，并求取每个聚类的点数，若点数小于设定数量，则舍弃该聚类；否则，在机器人正前方划定能够覆盖所有托盘腿的识别区域，计算各个聚类的聚类中心点，保留识别区域内的聚类中心点对应的聚类，得到有效聚类。

10.如权利要求7所述的基于二维激光点云的托盘腿识别系统，其特征在于，

托盘腿识别模块中，根据欧氏距离最大值与欧式距离最小值的差值，得到各托盘腿对应的聚类中心点，包括：

当欧式距离最大值与欧式距离最小值的差值为0或差值小于设定阈值时，N个有效聚类的聚类中心点所在位置为托盘腿的N个腿的位置；否则，重新选取N个有效聚类的聚类中心进行判断，直至找到托盘腿的N个腿的位置。