CN116661468A - 障碍物检测方法、机器人及计算机可读存储介质 - Google Patents
障碍物检测方法、机器人及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116661468A CN116661468A CN202310953862.5A CN202310953862A CN116661468A CN 116661468 A CN116661468 A CN 116661468A CN 202310953862 A CN202310953862 A CN 202310953862A CN 116661468 A CN116661468 A CN 116661468A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- grid
- state
- robot
- current
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 title abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000006073 displacement reaction Methods 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims description 38
- 230000003068 static effect Effects 0.000 claims description 27
- 230000004888 barrier function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请涉及一种障碍物检测方法、装置、机器人及计算机可读存储介质。方法包括：通过根据机器人的实时运动状态来对当前场景中的障碍物进行更新，在机器人处于非位移状态时，只对障碍物地图中的目标栅格中的对象栅格的状态值进行清除，而不对障碍物栅格的状态值进行更新，进而避免因机器人在非位移状态受外力移动后，使得检测到的障碍物进入机器人的盲区，导致机器人不能对进入盲区的障碍物进行障碍物状态进行更新，而障碍物地图中存在该机器人盲区的障碍物，使得机器人在使用该障碍物地图运行时出现卡顿。采用本方法能够提高障碍物检测的准确性，进而使得机器人在基于障碍物检测所更新的地图开展工作时更加顺畅。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种障碍物检测方法、机器人及计算机可读存储介质。
背景技术
随着机器人技术的发展，机器人的应用范围愈加广泛，其中，实现机器人对活动场景中的障碍物的准确检测，对于机器人业务的开展起到十分重要的作用。
在传统的技术方案中，由于机器人可视范围有限，当障碍物处于机器人盲区时，通常是按照预设规则直接认定该盲区内的障碍物存在或不存在，以此结果更新机器人使用的障碍物地图，此方案处理障碍物得到的障碍物地图准确性较差，容易导致机器人使用该障碍物地图运行时出现卡顿。
发明内容
基于此，有必要针对上述技术问题，提供一种障碍物检测方法、机器人及计算机可读存储介质，能够提高障碍物检测的准确性，进而使得机器人在基于障碍物检测所更新的障碍物地图开展工作时更加顺畅。
第一方面，本申请提供了一种障碍物检测方法，包括：
当机器人在运动过程中检测到障碍物时，获取当前场景对应的当前障碍物的位置信息；
基于当前障碍物的位置信息确定当前障碍物在障碍物地图中对应的障碍物栅格，障碍物地图用于表征机器人运动区域中的各个栅格的障碍物状态；
判断机器人的运动状态；
若机器人的运动状态为非位移状态，确定障碍物地图中的目标栅格中的对象栅格，对象栅格为目标栅格中除当前障碍物对应的障碍物栅格之外的其他栅格；
将对象栅格对应的状态值减去第一参考值，得到对象栅格的当前状态值，并根据对象栅格的当前状态值对障碍物地图进行更新；
基于更新的障碍物地图确定各个栅格的障碍物状态。
在一个实施例中，判断机器人的运动状态之后，包括：
若机器人的运动状态为位移状态，确定障碍物地图中的目标栅格中的障碍物栅格和对象栅格；
将障碍物栅格对应的状态值加上第二参考值，得到障碍物栅格的当前状态值；
将对象栅格对应的状态值减去第一参考值，得到对象栅格的当前状态值；
根据障碍物栅格的当前状态值和对象栅格的当前状态值对障碍物地图进行更新；
基于更新的障碍物地图确定各个栅格的障碍物状态。
在一个实施例中，获取当前场景对应的当前障碍物的位置信息，包括：
获取当前场景对应的深度图像与机器人的当前位置信息；
基于深度图像确定当前场景中当前障碍物与机器人的相对位置信息；
根据相对位置信息与机器人的当前位置信息确定当前障碍物对应在世界坐标系中的位置信息。
在一个实施例中，运动状态包括停顿状态、原地左转状态、原地右转状态、直线前进状态、前进左转状态以及前进右转状态中的任意一种；非位移状态包括停顿状态、原地左转状态以及原地右转状态中的任意一种。
在一个实施例中，障碍物检测方法还包括：
获取机器人在预设时长内未行经过的栅格所对应的待调整栅格，并对待调整栅格的障碍物状态进行更新。
在一个实施例中，获取机器人在预设时长内未行经过的栅格所对应的待调整栅格，并对待调整栅格的障碍物状态进行更新，包括：
根据预设采样频率对机器人在预设时长内的运动轨迹进行采样，得到目标采样点；
根据目标采样点对应在世界坐标系中的采样点坐标，确定运动轨迹对应的目标路径栅格；
根据目标路径栅格确定待调整栅格；
对待调整栅格的障碍物状态进行更新。
在一个实施例中，对待调整栅格的障碍物状态进行更新，包括：
将待调整栅格的状态值减去第三参考值，得到待调整栅格的当前状态值；
基于待调整栅格的当前状态值对障碍物地图进行更新。
在一实施例中，基于更新的障碍物地图确定各个栅格的障碍物状态，包括：
障碍物状态包括静态障碍物状态与动态障碍物状态；
将更新的障碍物地图中的各个栅格对应的状态值与第一阈值进行比较；
当状态值大于第一阈值时，确定状态值对应栅格的障碍物状态为静态障碍物状态；
当状态值小于或等于第一阈值时，确定状态值对应栅格的障碍物状态为动态障碍物状态。
第二方面，本申请提供了一种机器人，该机器人上设置有深度相机和定位传感器，该机器人包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述障碍物检测方法的步骤。
第三方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述障碍物检测方法的步骤。
上述障碍物检测方法、机器人及计算机可读存储介质，通过根据机器人的实时运动状态来对当前场景中的障碍物进行更新，在机器人处于非位移状态时，只对障碍物地图中的目标栅格中的对象栅格的状态值进行清除，而不对障碍物栅格的状态值进行更新，进而避免因机器人在非位移状态受外力移动后，使得检测到的障碍物进入机器人的盲区，导致机器人不能对进入盲区的障碍物进行障碍物状态进行更新，而障碍物地图中存在该机器人盲区的障碍物，使得机器人在使用该障碍物地图运行时出现卡顿。
附图说明
图1为一个实施例中障碍物检测方法的流程示意图；
图2为一个实施例中机器人检测到障碍物的示意图；
图3为一个实施例中障碍物检测装置的结构框图；
图4为一个实施例中机器人的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的障碍物检测方法，该方法可以通过机器人独立实现，也可以通过机器人与服务器的交互来实现，还可以通过机器人与机器人的交互等来实现，在此不作具体限定。其中，当机器人在运动过程中检测到障碍物时，获取当前场景对应的当前障碍物的位置信息；基于当前障碍物的位置信息确定当前障碍物在障碍物地图中对应的障碍物栅格；判断机器人的运动状态；若机器人的运动状态为非位移状态，确定障碍物地图中的目标栅格中的对象栅格；将对象栅格对应的状态值减去第一参考值，得到对象栅格的当前状态值，并根据对象栅格的当前状态值对障碍物地图进行更新；基于更新的障碍物地图确定各个栅格的障碍物状态。
在一个实施例中，如图1所示，提供了一种障碍物检测方法，以该方法应用于机器人为例进行说明，包括以下步骤：
步骤S102，当机器人在运动过程中检测到障碍物时，获取当前场景对应的当前障碍物的位置信息。
当前场景是机器人活动的整个机器人运动区域中的一部分场景，例如当机器人运动到运动场景中的某位置时，受限于机器人各种传感器或摄像头视野的局限，导致此时机器人只能探明机器人周围一部分活动区域内情况，将此可以探明的活动区域作为当前场景。
在机器人运动过程中，机器人控制图像采集装置（例如深度相机、激光雷达）对当前场景进行图像采集，得到当前场景对应的深度图像，再根据该深度图像确定当前障碍物与机器人的相对位置关系（直线距离与位置方向），再获取机器人在机器人运动区域对应的世界坐标系下的坐标位置，再根据该坐标位置和当前障碍物与机器人的相对位置关系确定当前障碍物在世界坐标系下的位置信息。
步骤S104，基于当前障碍物的位置信息确定当前障碍物在障碍物地图中对应的障碍物栅格，障碍物地图用于表征机器人运动区域中的各个栅格的障碍物状态。
其中，机器人运动区域为机器人的整个可活动空间，机器人运动区域对应有世界坐标系以及障碍物地图，其中障碍物地图是将机器人运动区域离散为至少两个栅格的栅格集合地图，每个栅格具有对应的障碍物状态，障碍物状态包括状态值，状态值的范围为0至255，该状态值由深度相机获取图片中对应的点云数据所确定的，当图片中对应栅格存在点云数据时，该栅格的状态值为255，当对应的栅格不存在点云数据时，该栅格的状态值为0，其状态值用于表征对应栅格内障碍物为静态障碍物的置信程度，例如A栅格对应的状态值越大，则表示A栅格内的障碍物为静态障碍物的可能性越大，另外机器人运动区域对应的世界坐标系与对应的障碍物地图具有映射关系，即世界坐标系中的坐标位置与障碍物地图中的栅格位置之间有对应映射的关系，也就是当机器人确定了世界坐标系中的某个坐标位置时，就能唯一确定此坐标位置对应在障碍物地图中的特定栅格位置。
在一具体实施例中，障碍物地图可以是空白的栅格地图，也可以是具有障碍物信息的栅格地图。 空白的栅格地图是机器人还未在该机器人运动区域中运行，而将该障碍物地图对应的栅格地图中各个栅格对应的状态值初始化为0。具有障碍物信息的栅格地图是机器人根据在机器人运动区域中检测到的障碍物信息对障碍物地图进行更新之后得到的障碍物地图。
具体地，机器人根据前述步骤确定的当前障碍物对应在世界坐标系下的位置信息，再根据机器人运动区域的世界坐标系与障碍物地图中栅格位置的映射关系，确定当前障碍物对应在障碍物地图中的具体的栅格，进而得到对应的栅格位置信息，也就是得到当前障碍物在障碍物地图中对应的障碍物栅格。
步骤S106，判断机器人的运动状态。
在一实施例中，运动状态包括非位移状态和位移状态；例如，运动状态可以包括停顿状态、原地左转状态、原地右转状态、直线前进状态、前进左转状态以及前进右转状态等多种运动状态中的任意一种。其中，非位移状态是指机器人因遇到障碍物而刹车，暂时停顿在原地或者人为操作暂时停顿在原地，而不前行的状态，可以包括停顿状态、原地左转状态以及原地右转状态等。位移状态是指机器人正常前行运动的状态，可以包括直线前进状态、前进左转状态以及前进右转状态等。
机器人的运动状态可以通过设置在机器人上的运动传感器获取，运动传感器可以是里程计、惯性测量单元等。
步骤S108，若机器人的运动状态为非位移状态，确定障碍物地图中的目标栅格中的对象栅格，对象栅格为目标栅格中除当前障碍物对应的障碍物栅格之外的其他栅格。
其中，目标栅格是机器人获取的当前场景所对应的障碍物地图中的栅格，也就是在对障碍物地图进行更新时，需要对障碍物状态进行调整的栅格。
具体地，将目标栅格中与当前障碍物对应的栅格位置的栅格确定为障碍物栅格，而将目标栅格中所有其他栅格确定为对象栅格。对象栅格的数量范围为0至障碍物地图总栅格数。
步骤S110，将对象栅格对应的状态值减去第一参考值，得到对象栅格的当前状态值，并根据对象栅格的当前状态值对障碍物地图进行更新。
其中，状态值的范围为0至255，第一参考值可以根据技术人员设定的经验值或依据具体情况而设定的参数值。
具体地，当根据前述步骤确定了一个或多个当前障碍物时，就对应有一个或多个障碍物栅格，将整个目标栅格对应的障碍物地图中除障碍物栅格之外的其他栅格确定为对象栅格，再将所有对象栅格的状态值减去第一参考值，得到各个对象栅格对应的当前状态值，也就是清除障碍物，再根据各个对象栅格对应的当前状态值完成对障碍物地图的更新。
步骤S112，基于更新的障碍物地图确定各个栅格的障碍物状态。
具体地，机器人根据更新后的障碍物地图确定各个栅格的状态值大小，再对各个栅格的状态值进行分析，从而确定各个栅格对应的障碍物的状态信息，例如当状态值大于某一阈值时，认为该栅格对应的障碍物为静态障碍物，反之为动态障碍物。
本实施例中，通过根据机器人的实时运动状态来对当前场景中的障碍物进行更新，在机器人处于非位移状态时，只对障碍物地图中的目标栅格中的对象栅格的状态值进行清除，而不对障碍物栅格的状态值进行更新，进而避免因机器人在非位移状态受外力移动后，使得检测到的障碍物进入机器人的盲区，导致机器人不能对进入盲区的障碍物进行障碍物状态进行更新，而障碍物地图中存在该机器人盲区的障碍物，使得机器人在使用该障碍物地图运行时出现卡顿。
为方便理解，结合图2，图2中圆形代表机器人；整个扇形代表机器人获取到的当前场景，也就是障碍物地图中对应的目标栅格区域；整个扇形中靠近机器人部分的小面积扇形代表机器人的盲区；矩形代表障碍物。在A状态时，机器人检测到了障碍物而刹车，停顿在障碍物前面，此时的机器人在外力的作用下，或者是在原地旋转过程中被移动，移动之后为B状态，B状态时，之前机器人检测到的障碍物出现在了机器人的盲区，机器人在B状态时是检测不到障碍物的。在本实施例中，当机器人处于A状态时，会对目标栅格中除障碍物栅格以外的对象栅格的状态值进行清除（清理障碍物），而不会对障碍物栅格的状态值进行更新（不会建立障碍物），也就是障碍物地图上不会更新检测到的障碍物。若机器人被移动到B状态，此时障碍物进入了机器人的盲区，当障碍物消除之后（例如，静态障碍物被移走，或者是动态障碍物人离开），对于机器人来说，障碍物地图上没有该障碍物，当前场景中也没有障碍物，此时机器人就可以再次正常的前行。如果在机器人处于A状态时，对目标栅格中除障碍物栅格以外的对象栅格的状态值进行清除（清理障碍物），同时对障碍物栅格的状态值进行更新（建立障碍物），此时障碍物地图上会有该障碍物。若机器人被移动到B状态，此时障碍物进入了机器人的盲区，当障碍物消除之后，虽然在机器人当前场景中没有障碍物，但是由于障碍物地图上有对应位置的障碍物，机器人会认为在机器人的盲区有障碍物，而根据障碍物地图对该障碍物进行避障处理，导致机器人在没有障碍物阻挡的情况下，停滞不前。
进一步的，可以根据障碍物地图中各个障碍物状态确定障碍物地图中的障碍物为静态障碍物还是动态障碍物，基于确定的静态障碍物和动态障碍物为后续机器人运动的路径规划提供信息。例如，在确定该障碍物为静态障碍物时，机器人规划绕行该静态障碍物时，可以保持一定的移动速度以及贴近静态障碍物绕行，以增大绕行路径的宽度和减少绕行的时间。如果在确定该障碍物为动态障碍物时，机器人规划绕行该动态障碍物时，降低移动速度以及与动态障碍物保持一定的绕行距离，以避免碰撞到该动态障碍物。
在一个实施例中，判断机器人的运动状态之后，包括：
步骤S202，若机器人的运动状态为位移状态，确定障碍物地图中的目标栅格中的障碍物栅格和对象栅格。
其中，目标栅格是机器人传感器探明的活动区域所对应在障碍物地图中的栅格，也就是当前场景所对应的障碍物地图中的栅格。障碍物栅格是当前障碍物对应到障碍物地图中的栅格。对象栅格是目标栅格中除去障碍物栅格之外的其他栅格。
位移状态可以包括直线前进状态、前进左转状态以及前进右转状态等。
步骤S204，将障碍物栅格对应的状态值加上第二参考值，得到障碍物栅格的当前状态值。
其中，状态值的范围为0至255，第二参考值可以根据技术人员设定的经验值或依据具体情况而设定的参数值。
步骤S206，将对象栅格对应的状态值减去第一参考值，得到对象栅格的当前状态值。
其中，状态值的范围为0至255，第一参考值可以根据技术人员设定的经验值或依据具体情况而设定的参数值。
步骤S208，根据障碍物栅格的当前状态值和对象栅格的当前状态值对障碍物地图进行更新。
当根据前述步骤确定了一个或多个当前障碍物时，就对应有一个或多个障碍物栅格，将目标栅格中的障碍物栅格的状态值加上第二参考值，得到障碍物栅格的当前状态值，也就是建立障碍物；将整个目标栅格对应的障碍物地图中除障碍物栅格之外的其他栅格确定为对象栅格，再将所有对象栅格的状态值减去第一参考值，得到各个对象栅格对应的当前状态值，也就是清除障碍物，再根据各个障碍物栅格和对象栅格对应的当前状态值完成对障碍物地图的更新。
步骤S210，基于更新的障碍物地图确定各个栅格的障碍物状态。
具体地，机器人根据更新后的障碍物地图确定各个栅格的状态值大小，再对各个栅格的状态值进行分析，从而确定各个栅格对应的障碍物的状态信息，例如当状态值大于某一阈值时，认为该栅格对应的障碍物为静态障碍物，反之为动态障碍物。
本实施例中，通过根据当前障碍物所在的栅格位置信息确定目标栅格中的障碍物栅格与对象栅格，再对障碍物栅格与对象栅格对应的状态值分别进行更新，再利用各个栅格更新后的状态值对障碍物地图进行更新，保证机器人在正常运行状态下，充分利用检测到的障碍物信息对障碍物地图进行实时更新，使得更新得到的障碍物地图能够更加准确表征机器人运动区域中障碍物的状态信息，有效提高更新后障碍物地图的可靠性。
在一实施例中，获取当前场景对应的当前障碍物的位置信息，包括：
步骤S302，获取当前场景对应的深度图像与机器人的当前位置信息。
其中，机器人的当前位置信息为世界坐标系下机器人的坐标位置信息和朝向角信息。深度图像可以通过深度相机或者激光雷达或者多个相机获得。当前场景是机器人传感器探明的活动区域。
步骤S304，基于深度图像确定当前场景中当前障碍物与机器人的相对位置信息。
机器人对深度图像进行数据分析，确定当前场景中的当前障碍物与机器人的直线距离以及位置方向信息，进而确定了当前场景中当前障碍物与机器人的相对位置信息。
步骤S306，根据相对位置信息与机器人的当前位置信息确定当前障碍物对应在世界坐标系中的位置信息。
机器人根据前述步骤中确定的当前障碍物与机器人的相对位置信息后，获取机器人对应在机器人活动区域的世界坐标系下的坐标位置信息，进而根据坐标换算得到当前障碍物对应在世界坐标系中的位置信息。
本实施例中，通过获取当前场景对应的深度图像与机器人的当前位置信息，再基于深度图像确定当前场景中当前障碍物与机器人的相对位置信息，进行坐标位置换算进而确定当前障碍物对应在世界坐标系中的位置信息，从而能快速确定当前障碍物的位置信息，有效提高当前障碍物的位置确定的准确性。
在一个实施例中，上述障碍物检测方法还包括：
获取机器人在预设时长内未行经过的栅格所对应的待调整栅格，并对待调整栅格的障碍物状态进行更新。
其中，待调整栅格为机器人在预设时长内没有行经过的栅格。
具体地，机器人将所有待调整栅格对应的栅格的障碍物状态进行更新，例如，将所有待调整栅格对应的状态值减去预设阈值，其预设阈值可由技术人员根据实际场景应用来灵活设置。
根据机器人自身的运动轨迹来确定机器人在预设时长内未行经过的待调整栅格，再基于此待调整栅格所更新的障碍物地图更能准确表征机器人运动区域中障碍物的状态信息，有效提高更新后障碍物地图的实时性和可靠性。
在一个实施例中，获取机器人在预设时长内未行经过的栅格所对应的待调整栅格，并对待调整栅格的障碍物状态进行更新，包括：
步骤S402，根据预设采样频率对机器人在预设时长内的运动轨迹进行采样，得到目标采样点。
其中，预设采样频率可以是技术人员根据机器人具体业务需求而灵活设置的参数，还可以是与障碍物地图的栅格像素相关联而设定的，也就是当障碍物地图的分辨率越大（单位平面内栅格数越多），则采样频率越高；当分辨率越小，则采样频率越低；另外目标采样点包括其采样点在机器人运动区域对应的世界坐标系下的坐标位置（采样点坐标）以及对应在障碍物地图中的栅格位置。
具体地，机器人获取自身在预设时长内的运动轨迹，并根据预设采样频率对其运动轨迹进行采样，进而得到各个目标采样点。
步骤S404，根据目标采样点对应在世界坐标系中的采样点坐标，确定运动轨迹对应的目标路径栅格。
具体地，机器人将目标采样点对应的采样点坐标转换为障碍物地图中对应的栅格，即目标路径栅格。
步骤S406，根据目标路径栅格确定待调整栅格。
具体地，机器人将整个机器人运动区域对应的障碍物地图中除目标路径栅格之外的其他栅格，确定为待调整栅格。
步骤S408，对待调整栅格的障碍物状态进行更新。
具体地，机器人将待调整栅格对应的状态值进行更新，生成待调整栅格的当前状态值，进而完成对待调整栅格的障碍物状态的更新。
本实施例中，通过根据预设采样频率对机器人在预设时长内的运动轨迹进行采样，得到目标采样点，再根据目标采样点对应在世界坐标系中的采样点坐标，确定运动轨迹对应的目标路径栅格，再根据目标路径栅格确定待调整栅格，最后完成对待调整栅格的障碍物状态的更新，从而准确实现根据机器人自身的运动轨迹来确定机器人在预设时长内未行经过的待调整栅格，再基于此待调整栅格所更新的障碍物地图更能准确表征机器人运动区域中障碍物的状态信息，有效提高更新后障碍物地图的实时性和可靠性。
在一个实施例中，对待调整栅格的障碍物状态进行更新，包括：
步骤S502，将待调整栅格的状态值减去第三参考值，得到待调整栅格对应的当前状态值。
其中，第三参考值为可以根据技术人员设定的经验值或依据具体情况而设定的参数值。
步骤S504，基于待调整栅格对应的当前状态值对障碍物地图进行更新。
本实施例中，通过将待调整栅格的状态值减去第三参考值，得到待调整栅格对应的当前状态值，从而完成基于待调整栅格对应的当前状态值对障碍物地图进行更新，提高待调整栅格对应的当前状态值的实时性和准确性，以便于更好保证障碍物地图的准确性。
可以理解的是，机器人长时间未经过的区域，该区域对应的障碍物信息也长时间未更新，该区域对应的障碍物可能已经变化，因此，该长时间未经过的区域对应的障碍物地图已经不具备实时性和有效性， 若一直保持原有的障碍物信息，可能会造成机器人再次运动到该区域时，在实际场景中没有障碍物的位置，而障碍物地图中显示有障碍物，导致机器人停滞不前。因而，将长时间未经过的区域对应的待调整栅格的状态值进行更新，相当于衰减障碍物存在的概率（遗忘机制），在后续机器人再次运行到该区域时，重新根据检测到的障碍物信息进行更新障碍物地图，而不会出现根据原始存在的障碍物地图导致机器人停滞不前的现象。
在一个实施例中，基于更新的障碍物地图确定各个栅格的障碍物状态，包括：
步骤S602，将更新的障碍物地图中的每个栅格对应的状态值与第一阈值进行比较。
其中，第一阈值为可以根据技术人员设定的经验值或依据具体情况而设定的参数值。
步骤S604，当状态值大于第一阈值时，确定状态值对应栅格的障碍物状态为静态障碍物状态。
其中，障碍物状态包括静态障碍物状态与动态障碍物状态，状态值的取值范围为从0到255。
步骤S606，当状态值小于或等于第一阈值时，确定状态值对应栅格的障碍物状态为动态障碍物状态。
具体地，机器人获取障碍物地图各个栅格对应的置信度，则计算第一阈
值为，当状态值大于第一阈值时，确定状态值对应栅格的障碍物状态为静态障
碍物状态，当状态值小于或等于第一阈值时，确定状态值对应栅格的障碍物状态为动态障
碍物状态。
本实施例中，通过对更新后的障碍物地图中各个栅格对应的状态值与第一阈值进行比较，进而分析得到各个栅格对应的障碍物状态，从而准确并有效区分各个栅格对应的障碍物为静态障碍物还是动态障碍物，所更新的障碍物地图更能准确表征机器人运动区域中障碍物的状态，有效提高更新后障碍物地图中的障碍物状态的准确性。
进一步的，可以根据障碍物地图中各个障碍物状态确定障碍物地图中的障碍物为静态障碍物还是动态障碍物，基于确定的静态障碍物和动态障碍物为后续机器人运动的路径规划提供信息。例如，在确定该障碍物为静态障碍物时，机器人规划绕行该静态障碍物时，可以保持一定的移动速度以及贴近静态障碍物绕行，以增大绕行路径的宽度和减少绕行的时间。如果在确定该障碍物为动态障碍物时，机器人规划绕行该动态障碍物时，降低移动速度以及与动态障碍物保持一定的绕行距离，以避免碰撞到该动态障碍物。
本申请还提供了一种应用场景，该应用场景应用上述的障碍物检测方法，该方法应用于机器人对活动空间（机器人运动区域）中各个障碍物的状态进行检测的场景。具体地，该障碍物检测方法在该应用场景的应用如下：
机器人根据自身当前的运动状态进行实时检测，并判断检测到的运动状态，其中运动状态分为位移状态与非位移状态，而位移状态包括直线前进状态、前进左转状态以及前进右转状态，非位移状态包括停顿状态、原地左转状态以及原地右转状态。
当检测到机器人的运动状态为位移状态时，则开启第一运行模式与遗忘机制来对障碍物地图进行更新，最后根据更新后的障碍物地图来判断机器人活动空间中各个区域障碍物的状态，即动态障碍物或静态障碍物。
当检测到机器人的运动状态为非位移状态时，则开启第二运行模式与遗忘机制来对障碍物地图进行更新，最后根据更新后的障碍物地图来判断机器人活动空间中各个区域障碍物的状态，即动态障碍物或静态障碍物。
第一运行模式具体步骤如下：
（1）创建障碍物地图和活动空间对应的当前栅格地图以及对应的世界坐标系，其中障碍物地图与当前栅格地图的分辨率相同（即两者的栅格数对应相同），且各个栅格对应的状态值初始化为0；
（2）机器人控制深度相机对机器人当前可视范围内的当前场景进行深度图的采集，并将深度图中当前障碍物点云信息转换到机器人坐标系下，再根据机器人的定位信息获取机器人在世界坐标系下的坐标信息，再将当前障碍物的位置信息由机器人坐标系转换到世界坐标系，并且忽略掉点云信息的Z轴方向坐标信息，只保留X与Y方向的坐标信息；
（3）再根据当前障碍物在世界坐标系下的坐标信息，经过世界坐标系与当前栅格地图之间的坐标转换关系，得到当前障碍物在当前栅格地图中的栅格位置信息，进而也就确定了当前障碍物在障碍物地图中对应的栅格位置信息；
（4）将当前障碍物在障碍物地图的目标栅格中对应栅格（障碍物栅格）的状态值加第二参考值（即建立障碍物），再将目标栅格中不与当前障碍物对应的其他栅格（对象栅格）对应的状态值减第一参考值（即清理障碍物），进而完成障碍物地图的创建与更新，其中第二参考值和第一参考值的值可根据实际效果进行调节，各个栅格的状态值的取值范围为[0,255]。
第二运行模式具体步骤如下：
（1）创建障碍物地图和活动空间对应的当前栅格地图以及对应的世界坐标系，其中障碍物地图与当前栅格地图的分辨率相同（即两者的栅格数对应相同），且各个栅格对应的状态值初始化为0；
（2）机器人控制深度相机对机器人当前可视范围内的当前场景进行深度图的采集，并将深度图中当前障碍物点云信息转换到机器人坐标系下，再根据机器人的定位信息获取机器人在世界坐标系下的坐标信息，再将当前障碍物的位置信息由机器人坐标系转换到世界坐标系，并且忽略掉点云信息的Z轴方向坐标信息，只保留X与Y方向的坐标信息；
（3）再根据当前障碍物在世界坐标系下的坐标信息，经过世界坐标系与当前栅格地图之间的坐标转换关系，得到当前障碍物在当前栅格地图中的栅格位置信息，进而也就确定了当前障碍物在障碍物地图中对应的栅格位置信息；
（4）将当前障碍物在障碍物地图的目标栅格中对应栅格（障碍物栅格）的状态值不作改变，再将目标栅格中不与当前障碍物对应的其他栅格（对象栅格）对应的状态值减第一参考值（即清理障碍物），进而完成障碍物地图的创建与更新，其中第一参考值可根据实际效果进行动态的自动调节，各个栅格的状态值的取值范围为[0,255]。
遗忘机制具体步骤如下：
当遗忘机制开启后，机器人开启定时器，根据预设采样频率对机器人在预设时长t内的运动轨迹进行采样，得到目标采样点，再根据目标采样点对应在世界坐标系中的采样点坐标，确定运动轨迹对应的目标路径栅格，再根据目标路径栅格确定待调整栅格，最后完成对待调整栅格的状态值减去第三参考值，从而完成对障碍物地图的更新，其中t与第三参考值可以根据实际效果动态自动调节。
上述障碍物检测方法，通过根据机器人的实时运动状态来对当前场景中的障碍物进行更新，在机器人处于非位移状态时，只对障碍物地图中的目标栅格中的对象栅格的状态值进行清除，而不对障碍物栅格的状态值进行更新，进而避免因机器人在非位移状态受外力移动后，使得检测到的障碍物进入机器人的盲区，导致机器人不能对进入盲区的障碍物进行障碍物状态进行更新，而障碍物地图中存在该机器人盲区的障碍物，使得机器人在使用该障碍物地图运行时出现卡顿。在机器人处于位移状态时，对障碍物地图中的目标栅格中障碍物栅格的状态值进行增加，而对对象栅格的状态值进行清除，保证机器人在正常运行状态下，充分利用检测到的障碍物信息对障碍物地图进行实时更新，使得更新得到的障碍物地图能够更加准确表征机器人运动区域中障碍物的状态信息，有效提高更新后障碍物地图的可靠性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种障碍物检测装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：检测模块702、确定模块704、判断模块706、更新模块708，其中：
检测模块702，用于当机器人在运动过程中检测到障碍物时，获取当前场景对应的当前障碍物的位置信息；
确定模块704，用于基于当前障碍物的位置信息确定当前障碍物在障碍物地图中对应的障碍物栅格，障碍物地图用于表征机器人运动区域中的各个栅格的障碍物状态；
判断模块706，用于判断机器人的运动状态；
更新模块708，若机器人的运动状态为非位移状态，确定障碍物地图中的目标栅格中的对象栅格，对象栅格为目标栅格中除当前障碍物对应的障碍物栅格之外的其他栅格；将对象栅格对应的状态值减去第一参考值，得到对象栅格的当前状态值，并根据对象栅格的当前状态值对障碍物地图进行更新；基于更新的障碍物地图确定各个栅格的障碍物状态。
在一个实施例中，更新模块708还用于若机器人的运动状态为位移状态，确定障碍物地图中的目标栅格中的障碍物栅格和对象栅格；将障碍物栅格对应的状态值加上第二参考值，得到障碍物栅格的当前状态值；将对象栅格对应的状态值减去第一参考值，得到对象栅格的当前状态值；根据障碍物栅格的当前状态值和对象栅格的当前状态值对障碍物地图进行更新；基于更新的障碍物地图确定各个栅格的障碍物状态。
在一个实施例中，检测模块702还用于获取当前场景对应的深度图像与机器人的当前位置信息；基于深度图像确定当前场景中当前障碍物与机器人的相对位置信息；根据相对位置信息与机器人的当前位置信息确定当前障碍物对应在世界坐标系中的位置信息。
在一个实施例中，运动状态包括停顿状态、原地左转状态、原地右转状态、直线前进状态、前进左转状态以及前进右转状态中的任意一种；非位移状态包括停顿状态、原地左转状态以及原地右转状态中的任意一种。
在一个实施例中，更新模块708还用于获取机器人在预设时长内未行经过的栅格所对应的待调整栅格，并对待调整栅格的障碍物状态进行更新。
在一个实施例中，更新模块708还用于根据预设采样频率对机器人在预设时长内的运动轨迹进行采样，得到目标采样点；根据目标采样点对应在世界坐标系中的采样点坐标，确定运动轨迹对应的目标路径栅格；根据目标路径栅格确定待调整栅格；对待调整栅格的障碍物状态进行更新。
在一个实施例中，更新模块708还用于将待调整栅格的状态值减去第三参考值，得到待调整栅格的当前状态值；基于待调整栅格的当前状态值对障碍物地图进行更新。
在一个实施例中，更新模块708还用于将更新的障碍物地图中的各个栅格对应的状态值与第一阈值进行比较；当状态值大于第一阈值时，确定状态值对应栅格的障碍物状态为静态障碍物状态；当状态值小于或等于第一阈值时，确定状态值对应栅格的障碍物状态为动态障碍物状态。
上述障碍物检测装置，通过根据机器人的实时运动状态来对当前场景中的障碍物进行更新，在机器人处于非位移状态时，只对障碍物地图中的目标栅格中的对象栅格的状态值进行清除，而不对障碍物栅格的状态值进行更新，进而避免因机器人在非位移状态受外力移动后，使得检测到的障碍物进入机器人的盲区，导致机器人不能对进入盲区的障碍物进行障碍物状态进行更新，而障碍物地图中存在该机器人盲区的障碍物，使得机器人在使用该障碍物地图运行时出现卡顿。在机器人处于位移状态时，对障碍物地图中的目标栅格中障碍物栅格的状态值进行增加，而对对象栅格的状态值进行清除，保证机器人在正常运行状态下，充分利用检测到的障碍物信息对障碍物地图进行实时更新，使得更新得到的障碍物地图能够更加准确表征机器人运动区域中障碍物的状态信息，有效提高更新后障碍物地图的可靠性。
关于障碍物检测装置的具体限定可以参见上文中对于障碍物检测方法的限定，在此不再赘述。上述障碍物检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种机器人，该机器人可以是终端，其内部结构图可以如图4所示。该机器人包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该机器人的处理器用于提供计算和控制能力。该机器人的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该机器人的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种障碍物检测方法。该机器人的显示屏可以是液晶显示屏或者电子墨水显示屏，该机器人的输入装置可以是显示屏上覆盖的触摸层，也可以是机器人外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的机器人的限定，具体的机器人可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种机器人，该机器人上设置有深度相机和定位传感器，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。机器人的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该机器人执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random AccessMemory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种障碍物检测方法，其特征在于，所述方法包括：
当机器人在运动过程中检测到障碍物时，获取当前场景对应的当前障碍物的位置信息；
基于所述当前障碍物的位置信息确定所述当前障碍物在障碍物地图中对应的障碍物栅格，所述障碍物地图用于表征机器人运动区域中的各个栅格的障碍物状态；
判断所述机器人的运动状态；
若所述机器人的运动状态为非位移状态，确定所述障碍物地图中的目标栅格中的对象栅格，所述对象栅格为所述目标栅格中除所述当前障碍物对应的障碍物栅格之外的其他栅格；
将所述对象栅格对应的状态值减去第一参考值，得到所述对象栅格的当前状态值，并根据所述对象栅格的当前状态值对所述障碍物地图进行更新；
基于更新的所述障碍物地图确定各个栅格的障碍物状态。
2.根据权利要求1所述的方法，其特征在于，所述判断所述机器人的运动状态之后，包括：
若所述机器人的运动状态为位移状态，确定所述障碍物地图中的目标栅格中的障碍物栅格和对象栅格；
将所述障碍物栅格对应的状态值加上第二参考值，得到所述障碍物栅格的当前状态值；
将所述对象栅格对应的状态值减去第一参考值，得到所述对象栅格的当前状态值；
根据所述障碍物栅格的当前状态值和所述对象栅格的当前状态值对所述障碍物地图进行更新；
基于更新的所述障碍物地图确定各个栅格的障碍物状态。
3.根据权利要求1所述的方法，其特征在于，所述获取当前场景对应的当前障碍物的位置信息，包括：
获取当前场景对应的深度图像与所述机器人的当前位置信息；
基于所述深度图像确定所述当前场景中所述当前障碍物与所述机器人的相对位置信息；
根据所述相对位置信息与所述机器人的当前位置信息确定所述当前障碍物对应在世界坐标系中的位置信息。
4.根据权利要求1所述的方法，其特征在于，所述运动状态包括停顿状态、原地左转状态、原地右转状态、直线前进状态、前进左转状态以及前进右转状态中的任意一种；所述非位移状态包括停顿状态、原地左转状态以及原地右转状态中的任意一种。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
获取所述机器人在预设时长内未行经过的栅格所对应的待调整栅格，并对所述待调整栅格的障碍物状态进行更新。
6.根据权利要求5所述的方法，其特征在于，所述获取所述机器人在预设时长内未行经过的栅格所对应的待调整栅格，并对所述待调整栅格的障碍物状态进行更新，包括：
根据预设采样频率对所述机器人在所述预设时长内的运动轨迹进行采样，得到目标采样点；
根据所述目标采样点对应在世界坐标系中的采样点坐标，确定所述运动轨迹对应的目标路径栅格；
根据所述目标路径栅格确定所述待调整栅格；
对所述待调整栅格的障碍物状态进行更新。
7.根据权利要求6所述的方法，其特征在于，所述对所述待调整栅格的障碍物状态进行更新，包括：
将所述待调整栅格的状态值减去第三参考值，得到所述待调整栅格的当前状态值；
基于所述待调整栅格的当前状态值对所述障碍物地图进行更新。
8.根据权利要求1所述的方法，其特征在于，所述基于更新的所述障碍物地图确定各个栅格的障碍物状态，包括：
所述障碍物状态包括静态障碍物状态与动态障碍物状态；
将更新的所述障碍物地图中的各个栅格对应的状态值与第一阈值进行比较；
当所述状态值大于所述第一阈值时，确定所述状态值对应栅格的障碍物状态为静态障碍物状态；
当所述状态值小于或等于所述第一阈值时，确定所述状态值对应栅格的障碍物状态为动态障碍物状态。
9.一种机器人，所述机器人上设置有深度相机和定位传感器，所述机器人包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310953862.5A CN116661468B (zh) | 2023-08-01 | 2023-08-01 | 障碍物检测方法、机器人及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310953862.5A CN116661468B (zh) | 2023-08-01 | 2023-08-01 | 障碍物检测方法、机器人及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116661468A true CN116661468A (zh) | 2023-08-29 |
| CN116661468B CN116661468B (zh) | 2024-04-12 |
Family
ID=87722840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310953862.5A Active CN116661468B (zh) | 2023-08-01 | 2023-08-01 | 障碍物检测方法、机器人及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116661468B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112161624A (zh) * | 2020-09-11 | 2021-01-01 | 上海高仙自动化科技发展有限公司 | 标记方法、标记装置、智能机器人及可读存储介质 |
| CN112859859A (zh) * | 2021-01-13 | 2021-05-28 | 中南大学 | 一种基于三维障碍物体素对象映射的动态栅格地图更新方法 |
| CN112904842A (zh) * | 2021-01-13 | 2021-06-04 | 中南大学 | 一种基于代价势场的移动机器人路径规划与优化方法 |
| WO2022078342A1 (zh) * | 2020-10-12 | 2022-04-21 | 北京智行者科技有限公司 | 动态占据栅格估计方法及装置 |
| CN114677588A (zh) * | 2022-03-18 | 2022-06-28 | 深圳市普渡科技有限公司 | 障碍物检测的方法、装置、机器人和存储介质 |
| CN114779787A (zh) * | 2022-05-23 | 2022-07-22 | 杭州萤石软件有限公司 | 栅格地图构建方法、机器人及机器可读存储介质 |
| US20220253065A1 (en) * | 2019-07-18 | 2022-08-11 | Sony Group Corporation | Information processing apparatus, information processing method, and information processing program |
| CN116088503A (zh) * | 2022-12-16 | 2023-05-09 | 深圳市普渡科技有限公司 | 动态障碍物检测方法和机器人 |
| CN116300880A (zh) * | 2023-01-13 | 2023-06-23 | 苏州盈科电子有限公司 | 视觉避障方法及系统、电子设备、介质 |
-
2023
- 2023-08-01 CN CN202310953862.5A patent/CN116661468B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220253065A1 (en) * | 2019-07-18 | 2022-08-11 | Sony Group Corporation | Information processing apparatus, information processing method, and information processing program |
| CN112161624A (zh) * | 2020-09-11 | 2021-01-01 | 上海高仙自动化科技发展有限公司 | 标记方法、标记装置、智能机器人及可读存储介质 |
| WO2022078342A1 (zh) * | 2020-10-12 | 2022-04-21 | 北京智行者科技有限公司 | 动态占据栅格估计方法及装置 |
| CN112859859A (zh) * | 2021-01-13 | 2021-05-28 | 中南大学 | 一种基于三维障碍物体素对象映射的动态栅格地图更新方法 |
| CN112904842A (zh) * | 2021-01-13 | 2021-06-04 | 中南大学 | 一种基于代价势场的移动机器人路径规划与优化方法 |
| CN114677588A (zh) * | 2022-03-18 | 2022-06-28 | 深圳市普渡科技有限公司 | 障碍物检测的方法、装置、机器人和存储介质 |
| CN114779787A (zh) * | 2022-05-23 | 2022-07-22 | 杭州萤石软件有限公司 | 栅格地图构建方法、机器人及机器可读存储介质 |
| CN116088503A (zh) * | 2022-12-16 | 2023-05-09 | 深圳市普渡科技有限公司 | 动态障碍物检测方法和机器人 |
| CN116300880A (zh) * | 2023-01-13 | 2023-06-23 | 苏州盈科电子有限公司 | 视觉避障方法及系统、电子设备、介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116661468B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210190513A1 (en) | Navigation map updating method and apparatus and robot using the same | |
| US10748061B2 (en) | Simultaneous localization and mapping with reinforcement learning | |
| CN112540609B (zh) | 路径规划方法、装置、终端设备及存储介质 | |
| CN110889808A (zh) | 一种定位的方法、装置、设备及存储介质 | |
| CN116088503B (zh) | 动态障碍物检测方法和机器人 | |
| CN111373336B (zh) | 状态感知方法以及相关设备 | |
| CN111213153A (zh) | 目标物体运动状态检测方法、设备及存储介质 | |
| CN113432533B (zh) | 一种机器人定位方法、装置、机器人及存储介质 | |
| CN110262487B (zh) | 一种障碍物检测方法、终端及计算机可读存储介质 | |
| CN112445204B (zh) | 工地中的物体移动导航方法、装置和计算机设备 | |
| CN112581535B (zh) | 机器人定位方法、装置、存储介质及电子设备 | |
| CN113887400B (zh) | 障碍物检测方法、模型训练方法、装置及自动驾驶车辆 | |
| CN114153200A (zh) | 轨迹预测、自移动设备控制方法 | |
| CN116466350A (zh) | 隧道障碍物检测方法及装置 | |
| CN108873014A (zh) | 一种基于激光雷达的镜面检测方法及装置 | |
| WO2022116831A1 (zh) | 定位方法、装置、电子设备及可读存储介质 | |
| CN114740867A (zh) | 基于双目视觉的智能避障方法、装置、机器人及介质 | |
| CN114812539A (zh) | 地图探索、地图使用方法、装置、机器人和存储介质 | |
| CN115565058A (zh) | 机器人、避障方法、装置和存储介质 | |
| CN116661468B (zh) | 障碍物检测方法、机器人及计算机可读存储介质 | |
| EP4083336B1 (en) | Method and apparatus for detecting operating terrain, and engineering equipment for detecting operating terrain | |
| CN116533987A (zh) | 泊车路径确定方法、装置、设备和自动驾驶车辆 | |
| CN110244710B (zh) | 自动寻迹方法、装置、存储介质及电子设备 | |
| CN111638709B (zh) | 自动避障跟踪方法、系统、终端以及介质 | |
| CN114373010A (zh) | 建图回环校正方法、装置及介质 |
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 | ||
| GR01 | Patent grant |