CN116540726A - 一种巡逻机器人智能避障方法、系统及介质 - Google Patents
一种巡逻机器人智能避障方法、系统及介质 Download PDFInfo
- Publication number
- CN116540726A CN116540726A CN202310635112.3A CN202310635112A CN116540726A CN 116540726 A CN116540726 A CN 116540726A CN 202310635112 A CN202310635112 A CN 202310635112A CN 116540726 A CN116540726 A CN 116540726A
- Authority
- CN
- China
- Prior art keywords
- robot
- information
- obstacle
- patrol
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 230000004888 barrier function Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本申请实施例提供了一种巡逻机器人智能避障方法、系统及介质,该方法包括:采集巡逻区域图像,对巡逻区域图像进行预处理;提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息;获取机器人位置信息与目的地位置信息;将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径;机器人按照巡逻路径行进,采集机器人实时状态信息;将机器人实时状态信息与预设状态信息进行比较,得到状态偏差率;判断所述状态偏差率是否大于预设偏差率阈值;若大于,则生成修正信息,根据修正信息调整机器人行驶状态参数;通过多源信息数据进行融合判断障碍物信息,并根据障碍物信息进行最优巡逻路径规划,实现巡逻机器人的智能避障的技术。
Description
技术领域
本申请涉及机器人避障领域,具体而言,涉及一种巡逻机器人智能避障方法、系统及介质。
背景技术
机器人(Robot)是自动执行工作的机器装置。它既可以接受人类指挥,又可以运行预先编排的程序,也可以根据以人工智能技术制定的原则纲领行动。它的任务是协助或取代人类工作的工作,例如生产业、建筑业,或是危险的工作。目前大多数机器人的避障效果不够理想,自主性不够,往往需要人工辅助实现某些障碍物的绕行。
针对上述问题,目前亟待有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种巡逻机器人智能避障方法、系统及介质,可以通过多源信息数据进行融合判断障碍物信息,并根据障碍物信息进行最优巡逻路径规划,实现巡逻机器人的智能避障的技术。
本申请实施例还提供了一种巡逻机器人智能避障方法,包括:
采集巡逻区域图像,对巡逻区域图像进行预处理;
提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息;
获取机器人位置信息与目的地位置信息;
将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径;
机器人按照巡逻路径行进,采集机器人实时状态信息;
将机器人实时状态信息与预设状态信息进行比较,得到状态偏差率;
判断所述状态偏差率是否大于预设偏差率阈值;
若大于,则生成修正信息,根据修正信息调整机器人行驶状态参数。
可选地,在本申请实施例所述的巡逻机器人智能避障方法中,所述采集巡逻区域图像,对巡逻区域图像进行预处理,包括:
获取巡逻区域图像,将巡逻区域图像进行分割成若干个子图像区域;
将若干个子图像区域进行图像增强,获取增强图像信息;
根据增强图像信息对若干个子图像区域进行灰度处理,得到子图像区域的灰度值;
将子图像区域灰度值与障碍物灰度预设置进行比对;
若子图像区域灰度值与障碍物灰度值相近时,则记为障碍物区域;
若子图像区域灰度值与障碍物灰度值差值大于预设差值时,则记为空闲区域;
将障碍物区域进行拼接,得到巡逻区域全部障碍物的位置分布信息;
空闲区域作为路径规划区域。
可选地,在本申请实施例所述的巡逻机器人智能避障方法中,所述提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息,包括:
获取图像特征值,得到第一障碍物数据与第二障碍物数据;
将第一障碍物数据与第二障碍物数据按照预定的融合规则进行数据融合,得到融合数据;
根据融合数据计算障碍物位于巡逻区域的位置信息;
根据巡逻区域建立坐标系,并生成障碍物坐标。
可选地,在本申请实施例所述的巡逻机器人智能避障方法中,所述根据融合数据计算障碍物位于巡逻区域的位置信息,包括:
获取机器人位置信息,建立机器人位置坐标(x,y),采集机器人位姿信息,建立机器人位姿坐标(x,y,θ1),根据第一障碍物数据与第二障碍物数据建立机器人移动路径,获取障碍物与机器人前进方向的夹角θ2;
根据机器人移动路径获取机器人位姿坐标(x,y,θ)计算障碍物位置坐标(xa,ya),障碍物位置坐标计算公式如下:
xa=x+dcos(θ1+θ2);
ya=y+dsin(θ1+θ2);
其中d表示障碍物至机器人的距离。
可选地,在本申请实施例所述的巡逻机器人智能避障方法中,所述将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径,包括:
获取目的地位置信息与机器人移动信息;
判断机器人是否达到目的地,若没有达到,则进行障碍物识别,得到障碍物分布信息;
根据障碍物分布信息判断是否为移动障碍物;
若为移动障碍物,则实时更新机器人移动信息,并测量障碍物与机器人距离信息;
若障碍物与机器人距离信息小于预设距离,则修正机器人移动信息;
设定采集时间间隔,根据机器人移动信息与障碍物移动信息,得到不同时间间隔下的多个移动轨迹;
根据评价函数对多个移动轨迹进行评价,得到多个移动轨迹的评价值;
根据评价值得到最优巡逻路径。
可选地,在本申请实施例所述的巡逻机器人智能避障方法中,所述提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息,还包括:
获取多源信息数据,将多源信息数据分解为若干个分量;
将每一个分量进行小波系数求解;
判断不同采集时间的多源信息数据与小波系数的相关性;
若相关系大于预设阈值时,则记为有用数据进行保留;
若相关数据小于预设阈值时,则记为噪声信号进行剔除;
将有用数据进行融合进行计算障碍物信息。
可选地,在本申请实施例所述的巡逻机器人智能避障方法中,所述多源信息数据通过超声波传感器或激光传感器进行采集。
第二方面,本申请实施例提供了一种巡逻机器人智能避障系统,该系统包括:存储器及处理器,所述存储器中包括巡逻机器人智能避障方法的程序,所述巡逻机器人智能避障方法的程序被所述处理器执行时实现以下步骤:
采集巡逻区域图像,对巡逻区域图像进行预处理;
提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息;
获取机器人位置信息与目的地位置信息;
将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径;
机器人按照巡逻路径行进,采集机器人实时状态信息;
将机器人实时状态信息与预设状态信息进行比较,得到状态偏差率;
判断所述状态偏差率是否大于预设偏差率阈值;
若大于,则生成修正信息,根据修正信息调整机器人行驶状态参数。
可选地,在本申请实施例所述的巡逻机器人智能避障系统中,所述采集巡逻区域图像,对巡逻区域图像进行预处理,包括:
获取巡逻区域图像,将巡逻区域图像进行分割成若干个子图像区域;
将若干个子图像区域进行图像增强,获取增强图像信息;
根据增强图像信息对若干个子图像区域进行灰度处理,得到子图像区域的灰度值;
将子图像区域灰度值与障碍物灰度预设置进行比对;
若子图像区域灰度值与障碍物灰度值相近时,则记为障碍物区域;
若子图像区域灰度值与障碍物灰度值差值大于预设差值时,则记为空闲区域;
将障碍物区域进行拼接,得到巡逻区域全部障碍物的位置分布信息;
空闲区域作为路径规划区域。
第三方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中包括巡逻机器人智能避障方法程序,所述巡逻机器人智能避障方法程序被处理器执行时,实现如上述任一项所述的巡逻机器人智能避障方法的步骤。
由上可知,本申请实施例提供的一种巡逻机器人智能避障方法、系统及介质,通过采集巡逻区域图像,对巡逻区域图像进行预处理;提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息;获取机器人位置信息与目的地位置信息;将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径;机器人按照巡逻路径行进,采集机器人实时状态信息;将机器人实时状态信息与预设状态信息进行比较,得到状态偏差率;判断所述状态偏差率是否大于预设偏差率阈值;若大于,则生成修正信息,根据修正信息调整机器人行驶状态参数;通过多源信息数据进行融合判断障碍物信息,并根据障碍物信息进行最优巡逻路径规划,实现巡逻机器人的智能避障的技术。
本申请的其他特征和优点将在随后的说明书阐述,并且,本申请的优点部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的巡逻机器人智能避障方法的流程图;
图2为本申请实施例提供的巡逻机器人智能避障方法的图像预处理方法流程图;
图3为本申请实施例提供的巡逻机器人智能避障方法的生成障碍物坐标方法流程图;
图4为本申请实施例提供的巡逻机器人智能避障方法的最优巡逻路径获取方法流程图;
图5为本申请实施例提供的巡逻机器人智能避障系统的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到,相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的一种巡逻机器人智能避障方法的流程图。该巡逻机器人智能避障方法用于终端设备中,该巡逻机器人智能避障方法,包括以下步骤:
S101,采集巡逻区域图像,对巡逻区域图像进行预处理,提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息;
S102,获取机器人位置信息与目的地位置信息;
S103,将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径;
S104,机器人按照巡逻路径行进,采集机器人实时状态信息;
S105,将机器人实时状态信息与预设状态信息进行比较,得到状态偏差率;
S106,判断状态偏差率是否大于预设偏差率阈值;若大于,则生成修正信息,根据修正信息调整机器人行驶状态参数。
请参照图2,图2是本申请一些实施例中的一种巡逻机器人智能避障方法的图像预处理方法流程图。根据本发明实施例,采集巡逻区域图像,对巡逻区域图像进行预处理,包括:
S201,获取巡逻区域图像,将巡逻区域图像进行分割成若干个子图像区域;
S202,将若干个子图像区域进行图像增强,获取增强图像信息;
S203,根据增强图像信息对若干个子图像区域进行灰度处理,得到子图像区域的灰度值;
S204,将子图像区域灰度值与障碍物灰度预设置进行比对;
S205,若子图像区域灰度值与障碍物灰度值相近时,则记为障碍物区域;若子图像区域灰度值与障碍物灰度值差值大于预设差值时,则记为空闲区域;
S206,将障碍物区域进行拼接,得到巡逻区域全部障碍物的位置分布信息;
空闲区域作为路径规划区域。
需要说明的是,根据灰度值的差异进行判断障碍物的位置及障碍物区域,有障碍物的区域灰度值较大,在进行路径规划时,避开障碍物区域,其余区域则为空间区域,路径规划时,只规划空闲区域。
请参照图3,图3是本申请一些实施例中的一种巡逻机器人智能避障方法的生成障碍物坐标方法流程图。根据本发明实施例,提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息,包括:
S301,获取图像特征值,得到第一障碍物数据与第二障碍物数据;
S302,将第一障碍物数据与第二障碍物数据按照预定的融合规则进行数据融合,得到融合数据;
S303,根据融合数据计算障碍物位于巡逻区域的位置信息;
S304,根据巡逻区域建立坐标系,并生成障碍物坐标。
根据本发明实施例,根据融合数据计算障碍物位于巡逻区域的位置信息,包括:
获取机器人位置信息,建立机器人位置坐标(x,y),采集机器人位姿信息,建立机器人位姿坐标(x,y,θ1),根据第一障碍物数据与第二障碍物数据建立机器人移动路径,获取障碍物与机器人前进方向的夹角θ2;
根据机器人移动路径获取机器人位姿坐标(x,y,θ)计算障碍物位置坐标(xa,ya),障碍物位置坐标计算公式如下:
xa=x+dcos(θ1+θ2);
ya=y+dsin(θ1+θ2);
其中d表示障碍物至机器人的距离。
请参照图4,图4是本申请一些实施例中的一种巡逻机器人智能避障方法的最优巡逻路径获取方法流程图。根据本发明实施例,将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径,包括:
S401,获取目的地位置信息与机器人移动信息;
S402,判断机器人是否达到目的地,若没有达到,则进行障碍物识别,得到障碍物分布信息;
S403,根据障碍物分布信息判断是否为移动障碍物;
S404,若为移动障碍物,则实时更新机器人移动信息,并测量障碍物与机器人距离信息;若障碍物与机器人距离信息小于预设距离,则修正机器人移动信息;
S405,设定采集时间间隔,根据机器人移动信息与障碍物移动信息,得到不同时间间隔下的多个移动轨迹;
S406,根据评价函数对多个移动轨迹进行评价,得到多个移动轨迹的评价值,根据评价值得到最优巡逻路径。
根据本发明实施例,提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息,还包括:
获取多源信息数据,将多源信息数据分解为若干个分量;
将每一个分量进行小波系数求解;
判断不同采集时间的多源信息数据与小波系数的相关性;
若相关系大于预设阈值时,则记为有用数据进行保留;
若相关数据小于预设阈值时,则记为噪声信号进行剔除;
将有用数据进行融合进行计算障碍物信息。
根据本发明实施例,多源信息数据通过超声波传感器或激光传感器进行采集。
根据本发明实施例,还包括:
获取障碍物双目图像信息,分别对障碍物双目图像中的左图像和右图像进行特征提取,确定所述左图像对应的左特征图和所述右图像对应的右特征图;
根据左特征图与右特征图进行融合得到障碍物立体图像信息。
请参照图5,图5是本申请一些实施例中的一种巡逻机器人智能避障系统的结构示意图。第二方面,本申请实施例提供了一种巡逻机器人智能避障系统5,该系统包括:存储器51及处理器52,存储器中包括巡逻机器人智能避障方法的程序,巡逻机器人智能避障方法的程序被处理器执行时实现以下步骤:
采集巡逻区域图像,对巡逻区域图像进行预处理;
提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息;
获取机器人位置信息与目的地位置信息;
将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径;
机器人按照巡逻路径行进,采集机器人实时状态信息;
将机器人实时状态信息与预设状态信息进行比较,得到状态偏差率;
判断状态偏差率是否大于预设偏差率阈值;
若大于,则生成修正信息,根据修正信息调整机器人行驶状态参数。
根据本发明实施例,采集巡逻区域图像,对巡逻区域图像进行预处理,包括:
获取巡逻区域图像,将巡逻区域图像进行分割成若干个子图像区域;
将若干个子图像区域进行图像增强,获取增强图像信息;
根据增强图像信息对若干个子图像区域进行灰度处理,得到子图像区域的灰度值;
将子图像区域灰度值与障碍物灰度预设置进行比对;
若子图像区域灰度值与障碍物灰度值相近时,则记为障碍物区域;
若子图像区域灰度值与障碍物灰度值差值大于预设差值时,则记为空闲区域;
将障碍物区域进行拼接,得到巡逻区域全部障碍物的位置分布信息;
空闲区域作为路径规划区域。
需要说明的是,根据灰度值的差异进行判断障碍物的位置及障碍物区域,有障碍物的区域灰度值较大,在进行路径规划时,避开障碍物区域,其余区域则为空间区域,路径规划时,只规划空闲区域。
根据本发明实施例,提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息,包括:
获取图像特征值,得到第一障碍物数据与第二障碍物数据;
将第一障碍物数据与第二障碍物数据按照预定的融合规则进行数据融合,得到融合数据;
根据融合数据计算障碍物位于巡逻区域的位置信息;
根据巡逻区域建立坐标系,并生成障碍物坐标。
根据本发明实施例,根据融合数据计算障碍物位于巡逻区域的位置信息,包括:
获取机器人位置信息,建立机器人位置坐标(x,y),采集机器人位姿信息,建立机器人位姿坐标(x,y,θ1),根据第一障碍物数据与第二障碍物数据建立机器人移动路径,获取障碍物与机器人前进方向的夹角θ2;
根据机器人移动路径获取机器人位姿坐标(x,y,θ)计算障碍物位置坐标(xa,ya),障碍物位置坐标计算公式如下:
xa=x+dcos(θ1+θ2);
ya=y+dsin(θ1+θ2);
其中d表示障碍物至机器人的距离。
根据本发明实施例,将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径,包括:
获取目的地位置信息与机器人移动信息;
判断机器人是否达到目的地,若没有达到,则进行障碍物识别,得到障碍物分布信息;
根据障碍物分布信息判断是否为移动障碍物;
若为移动障碍物,则实时更新机器人移动信息,并测量障碍物与机器人距离信息;
若障碍物与机器人距离信息小于预设距离,则修正机器人移动信息;
设定采集时间间隔,根据机器人移动信息与障碍物移动信息,得到不同时间间隔下的多个移动轨迹;
根据评价函数对多个移动轨迹进行评价,得到多个移动轨迹的评价值;
根据评价值得到最优巡逻路径。
根据本发明实施例,提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息,还包括:
获取多源信息数据,将多源信息数据分解为若干个分量;
将每一个分量进行小波系数求解;
判断不同采集时间的多源信息数据与小波系数的相关性;
若相关系大于预设阈值时,则记为有用数据进行保留;
若相关数据小于预设阈值时,则记为噪声信号进行剔除;
将有用数据进行融合进行计算障碍物信息。
根据本发明实施例,多源信息数据通过超声波传感器或激光传感器进行采集。
根据本发明实施例,还包括:
获取障碍物双目图像信息,分别对障碍物双目图像中的左图像和右图像进行特征提取,确定所述左图像对应的左特征图和所述右图像对应的右特征图;
根据左特征图与右特征图进行融合得到障碍物立体图像信息。
本发明第三方面提供了一种计算机可读存储介质,可读存储介质中包括巡逻机器人智能避障方法程序,巡逻机器人智能避障方法程序被处理器执行时,实现如上述任一项的巡逻机器人智能避障方法的步骤。
本发明公开的一种巡逻机器人智能避障方法、系统及介质,通过采集巡逻区域图像,对巡逻区域图像进行预处理;提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息;获取机器人位置信息与目的地位置信息;将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径;机器人按照巡逻路径行进,采集机器人实时状态信息;将机器人实时状态信息与预设状态信息进行比较,得到状态偏差率;判断所述状态偏差率是否大于预设偏差率阈值;若大于,则生成修正信息,根据修正信息调整机器人行驶状态参数;通过多源信息数据进行融合判断障碍物信息,并根据障碍物信息进行最优巡逻路径规划,实现巡逻机器人的智能避障的技术。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种巡逻机器人智能避障方法,其特征在于,包括:
采集巡逻区域图像,对巡逻区域图像进行预处理;
提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息;
获取机器人位置信息与目的地位置信息;
将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径;
机器人按照巡逻路径行进,采集机器人实时状态信息;
将机器人实时状态信息与预设状态信息进行比较,得到状态偏差率;
判断所述状态偏差率是否大于预设偏差率阈值;
若大于,则生成修正信息,根据修正信息调整机器人行驶状态参数。
2.根据权利要求1所述的巡逻机器人智能避障方法,其特征在于,所述采集巡逻区域图像,对巡逻区域图像进行预处理,包括:
获取巡逻区域图像,将巡逻区域图像进行分割成若干个子图像区域;
将若干个子图像区域进行图像增强,获取增强图像信息;
根据增强图像信息对若干个子图像区域进行灰度处理,得到子图像区域的灰度值;
将子图像区域灰度值与障碍物灰度预设置进行比对;
若子图像区域灰度值与障碍物灰度值相近时,则记为障碍物区域;
若子图像区域灰度值与障碍物灰度值差值大于预设差值时,则记为空闲区域;
将障碍物区域进行拼接,得到巡逻区域全部障碍物的位置分布信息;
空闲区域作为路径规划区域。
3.根据权利要求2所述的巡逻机器人智能避障方法,其特征在于,所述提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息,包括:
获取图像特征值,得到第一障碍物数据与第二障碍物数据;
将第一障碍物数据与第二障碍物数据按照预定的融合规则进行数据融合,得到融合数据;
根据融合数据计算障碍物位于巡逻区域的位置信息;
根据巡逻区域建立坐标系,并生成障碍物坐标。
4.根据权利要求3所述的巡逻机器人智能避障方法,其特征在于,所述根据融合数据计算障碍物位于巡逻区域的位置信息,包括:
获取机器人位置信息,建立机器人位置坐标(x,y),采集机器人位姿信息,建立机器人位姿坐标(x,y,θ1),根据第一障碍物数据与第二障碍物数据建立机器人移动路径,获取障碍物与机器人前进方向的夹角θ2;
根据机器人移动路径获取机器人位姿坐标(x,y,θ)计算障碍物位置坐标(xa,ya),障碍物位置坐标计算公式如下:
xa=x+dcos(θ1+θ2);
ya=y+dsin(θ1+θ2);
其中d表示障碍物至机器人的距离。
5.根据权利要求4所述的巡逻机器人智能避障方法,其特征在于,所述将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径,包括:
获取目的地位置信息与机器人移动信息;
判断机器人是否达到目的地,若没有达到,则进行障碍物识别,得到障碍物分布信息;
根据障碍物分布信息判断是否为移动障碍物;
若为移动障碍物,则实时更新机器人移动信息,并测量障碍物与机器人距离信息;
若障碍物与机器人距离信息小于预设距离,则修正机器人移动信息;
设定采集时间间隔,根据机器人移动信息与障碍物移动信息,得到不同时间间隔下的多个移动轨迹;
根据评价函数对多个移动轨迹进行评价,得到多个移动轨迹的评价值;
根据评价值得到最优巡逻路径。
6.根据权利要求5所述的巡逻机器人智能避障方法,其特征在于,所述提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息,还包括:
获取多源信息数据,将多源信息数据分解为若干个分量;
将每一个分量进行小波系数求解;
判断不同采集时间的多源信息数据与小波系数的相关性;
若相关系大于预设阈值时,则记为有用数据进行保留;
若相关数据小于预设阈值时,则记为噪声信号进行剔除;
将有用数据进行融合进行计算障碍物信息。
7.根据权利要求6所述的巡逻机器人智能避障方法,其特征在于,所述多源信息数据通过超声波传感器或激光传感器进行采集。
8.一种巡逻机器人智能避障系统,其特征在于,该系统包括:存储器及处理器,所述存储器中包括巡逻机器人智能避障方法的程序,所述巡逻机器人智能避障方法的程序被所述处理器执行时实现以下步骤:
采集巡逻区域图像,对巡逻区域图像进行预处理;
提取图像特征值,得到多源信息数据,根据多源信息数据获得障碍物信息;
获取机器人位置信息与目的地位置信息;
将机器人位置信息、目的地位置信息与障碍物信息输入路径规划模型,生成巡逻路径;
机器人按照巡逻路径行进,采集机器人实时状态信息;
将机器人实时状态信息与预设状态信息进行比较,得到状态偏差率;
判断所述状态偏差率是否大于预设偏差率阈值;
若大于,则生成修正信息,根据修正信息调整机器人行驶状态参数。
9.根据权利要求8所述的巡逻机器人智能避障系统,其特征在于,所述采集巡逻区域图像,对巡逻区域图像进行预处理,包括:
获取巡逻区域图像,将巡逻区域图像进行分割成若干个子图像区域;
将若干个子图像区域进行图像增强,获取增强图像信息;
根据增强图像信息对若干个子图像区域进行灰度处理,得到子图像区域的灰度值;
将子图像区域灰度值与障碍物灰度预设置进行比对;
若子图像区域灰度值与障碍物灰度值相近时,则记为障碍物区域;
若子图像区域灰度值与障碍物灰度值差值大于预设差值时,则记为空闲区域;
将障碍物区域进行拼接,得到巡逻区域全部障碍物的位置分布信息;
空闲区域作为路径规划区域。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括巡逻机器人智能避障方法程序,所述巡逻机器人智能避障方法程序被处理器执行时,实现如权利要求1至7中任一项所述的巡逻机器人智能避障方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310635112.3A CN116540726A (zh) | 2023-05-31 | 2023-05-31 | 一种巡逻机器人智能避障方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310635112.3A CN116540726A (zh) | 2023-05-31 | 2023-05-31 | 一种巡逻机器人智能避障方法、系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116540726A true CN116540726A (zh) | 2023-08-04 |
Family
ID=87457689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310635112.3A Pending CN116540726A (zh) | 2023-05-31 | 2023-05-31 | 一种巡逻机器人智能避障方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116540726A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116755452A (zh) * | 2023-08-17 | 2023-09-15 | 深圳安培时代数字能源科技有限公司 | 一种基于电池保护盒的移动电源自主巡逻方法和装置 |
CN116755451A (zh) * | 2023-08-16 | 2023-09-15 | 泰山学院 | 一种智能巡逻机器人路径规划方法及系统 |
-
2023
- 2023-05-31 CN CN202310635112.3A patent/CN116540726A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116755451A (zh) * | 2023-08-16 | 2023-09-15 | 泰山学院 | 一种智能巡逻机器人路径规划方法及系统 |
CN116755451B (zh) * | 2023-08-16 | 2023-11-07 | 泰山学院 | 一种智能巡逻机器人路径规划方法及系统 |
CN116755452A (zh) * | 2023-08-17 | 2023-09-15 | 深圳安培时代数字能源科技有限公司 | 一种基于电池保护盒的移动电源自主巡逻方法和装置 |
CN116755452B (zh) * | 2023-08-17 | 2023-11-03 | 深圳安培时代数字能源科技有限公司 | 一种基于电池保护盒的移动电源自主巡逻方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110561432B (zh) | 一种基于人机共融的安全协作方法及装置 | |
CN116540726A (zh) | 一种巡逻机器人智能避障方法、系统及介质 | |
CN107179768B (zh) | 一种障碍物识别方法及装置 | |
Baltzakis et al. | Fusion of laser and visual data for robot motion planning and collision avoidance | |
CN110009718B (zh) | 一种三维高精度地图生成方法及装置 | |
JP4409035B2 (ja) | 画像処理装置、特異箇所検出方法、及び特異箇所検出プログラムを記録した記録媒体 | |
EP2757524B1 (en) | Depth sensing method and system for autonomous vehicles | |
CN112650235A (zh) | 一种机器人避障控制方法、系统及机器人 | |
CN114782626B (zh) | 基于激光与视觉融合的变电站场景建图及定位优化方法 | |
CN110262487B (zh) | 一种障碍物检测方法、终端及计算机可读存储介质 | |
CN112171675B (zh) | 一种移动机器人的避障方法、装置、机器人及存储介质 | |
CN115609594B (zh) | 机械臂路径的规划方法、装置、上位控制端及存储介质 | |
CN114879659A (zh) | 逆行障碍物识别方法、装置、设备及存储介质 | |
CN111046809A (zh) | 一种障碍物检测方法、装置、设备及计算机可读存储介质 | |
CN114460939A (zh) | 复杂环境下智能行走机器人自主导航改进方法 | |
Wallner et al. | Real-time map refinement by fusing sonar and active stereo-vision | |
CN112733971B (zh) | 扫描设备的位姿确定方法、装置、设备及存储介质 | |
CN113282088A (zh) | 工程车的无人驾驶方法、装置、设备、存储介质及工程车 | |
CN117032215A (zh) | 一种基于双目视觉的移动机器人物体识别及定位方法 | |
CN113607161B (zh) | 机器人导航路径宽度获取系统、方法、机器人及存储介质 | |
CN112747752B (zh) | 基于激光里程计的车辆定位方法、装置、设备和存储介质 | |
CN115373383A (zh) | 一种垃圾回收无人艇的自主避障方法、装置及相关设备 | |
CN114882363A (zh) | 一种扫地机的污渍处理方法和装置 | |
CN117214908B (zh) | 一种基于智能裁缆机械的定位控制方法及系统 | |
CN115375985B (zh) | 非限定类别障碍物检测方法、相关网络训练方法及装置 |
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 |