CN116931583A - 移动对象的确定方法和避让方法、装置、设备及存储介质 - Google Patents
移动对象的确定方法和避让方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116931583A CN116931583A CN202311205883.5A CN202311205883A CN116931583A CN 116931583 A CN116931583 A CN 116931583A CN 202311205883 A CN202311205883 A CN 202311205883A CN 116931583 A CN116931583 A CN 116931583A
- Authority
- CN
- China
- Prior art keywords
- current
- determining
- candidate
- distance
- obstacle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 claims description 114
- 238000001914 filtration Methods 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning 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
- 239000000523 sample Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请涉及一种移动对象的确定方法和避让方法、装置、设备及存储介质。所述方法包括：获取当前时刻对应的候选第一集合和候选第二集合；获取前一时刻对应的参考对象，以及参考对象对应的参考预测位置；基于候选第一集合对应的第一中间点和参考对象对应的参考预测位置，确定候选第一集合对应的第一局部与参考对象之间的第一距离；基于第一距离，确定当前时刻对应的当前对象和当前对象对应的当前预测位置；基于候选第二集合对应的第二中间点和当前对象对应的当前预测位置，确定候选第二集合对应的第二局部与当前对象之间的第二距离；将小于或等于预设距离的第二距离所对应的当前对象，确定为目标移动对象。采用本方法能够提高确定移动对象的准确性。
Description
技术领域
本申请涉及自动化技术领域，特别是涉及一种移动对象的确定方法和避让方法、装置、设备、存储介质及计算机程序产品。
背景技术
随着机器学习和感知技术的飞速发展，机器人作为一种智能设备，被广泛的应用于生活中。机器人在运行过程中，需要对行人等移动对象进行检测，避免与移动对象发生碰撞。
现有技术中，通过使用机器人配置的相机对移动对象进行检测，由于相机的视场角较小，机器人对移动对象进行检测的范围较小，从而导致检测移动对象的准确性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高移动对象的确定准确性的移动对象的确定方法和避让方法、装置、设备、存储介质及计算机程序产品。
第一方面，本申请提供了一种移动对象的确定方法。所述方法包括：
获取当前时刻对应的候选第一集合和候选第二集合；所述候选第一集合用于表征第一局部，所述候选第二集合用于表征第二局部，所述移动对象由所述第一局部和所述第二局部组成，所述第一局部位于所述第二局部的下方；
获取前一时刻对应的参考对象，以及所述参考对象对应的参考预测位置；
基于所述候选第一集合对应的第一中间点和所述参考对象对应的参考预测位置，确定所述候选第一集合对应的第一局部与所述参考对象之间的第一距离；
基于所述第一距离，确定所述当前时刻对应的当前对象和所述当前对象对应的当前预测位置；
基于所述候选第二集合对应的第二中间点和所述当前对象对应的当前预测位置，确定所述候选第二集合对应的第二局部与所述当前对象之间的第二距离；
将小于或等于预设距离的第二距离所对应的当前对象，确定为目标移动对象。
第二方面，本申请还提供了一种移动对象的确定装置。所述装置包括：
第一获取模块，用于获取当前时刻对应的候选第一集合和候选第二集合；所述候选第一集合用于表征第一局部，所述候选第二集合用于表征第二局部，所述移动对象由所述第一局部和所述第二局部组成，所述第一局部位于所述第二局部的下方；
第二获取模块，用于获取前一时刻对应的参考对象，以及所述参考对象对应的参考预测位置；
第一距离计算模块，用于基于所述候选第一集合对应的第一中间点和所述参考对象对应的参考预测位置，确定所述候选第一集合对应的第一局部与所述参考对象之间的第一距离；
当前对象确定模块，用于基于所述第一距离，确定所述当前时刻对应的当前对象和所述当前对象对应的当前预测位置；
第二距离计算模块，用于基于所述候选第二集合对应的第二中间点和所述当前对象对应的当前预测位置，确定所述候选第二集合对应的第二局部与所述当前对象之间的第二距离；
目标对象确定模块，用于将小于或等于预设距离的第二距离所对应的当前对象，确定为目标移动对象。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项所述方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述方法的步骤。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项所述方法的步骤。
上述移动对象的确定方法和避让方法、装置、设备、存储介质及计算机程序产品，获取当前时刻对应的候选第一集合和候选第二集合，以及前一时刻对应的参考对象和参考对象的参考预测位置；通过计算候选第一集合对应的第一中间点和参考对象对应的参考预测位置，得到候选第一集合对应的第一局部与参考对象之间的第一距离；根据第一距离确定当前时刻对应的当前对象和当前对象对应的当前预测位置；通过候选第二集合对应的第二中间点和当前对象对应的当前预测位置，确定候选第二集合对应的第二局部与当前对象之间的第二距离；将第二距离小于或等于预设距离的当前对象确定为目标移动对象。本方案先将当前时刻的候选第一集合对应的第一局部与前一时刻参考对象进行匹配，从而确定当前时刻的当前对象；然后将当前对象与候选第二集合对应的第二局部进行匹配，确定目标移动对象，通过表征移动对象不同局部位置的数据以及表征移动对象不同时刻的数据进行多次匹配，提高了确定目标移动对象的准确性。
附图说明
图1为一个实施例中移动对象的确定方法的应用环境图；
图2为一个实施例中移动对象的确定方法的流程示意图；
图3为一个实施例中候选第一集合和候选第二集合确定步骤的流程示意图；
图4为一个实施例中障碍物地图的示意图；
图5为一个实施例中候选第一集合确定步骤的流程示意图；
图6为一个实施例中当前对象确定步骤的流程示意图；
图7为一个实施例中目标移动对象的确定步骤的流程示意图；
图8为一个实施例中移动对象的避让方法的流程示意图；
图9为一个实施例中目标移动对象的确定方法的流程示意图；
图10为一个实施例中移动对象的确定装置的结构框图；
图11为一个实施例中移动对象的避让装置的结构框图；
图12为一个实施例中计算机设备的内部结构图。
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移动对象的确定方法，可以应用于如图1所示的应用环境中。其中，机器人102通过网络与服务器104进行通信。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。机器人102和服务器104均可单独用于执行本申请实施例中提供的移动对象的确定方法。机器人102和服务器104也可协同用于执行本申请实施例中提供的移动对象的确定方法。其中，机器人102可以是各种自移动设备，例如：清洁机器人、配送机器人、导览机器人、自动导向车 (Automatic Guided Vehicle，AGV)、智能平衡车、智能电动滑板车、自动驾驶汽车以及无人驾驶飞机等。
在一个实施例中，如图2所示，提供了一种移动对象的确定方法，本实施例以该方法应用于机器人为例进行说明，包括步骤202到步骤212。
步骤202，获取当前时刻对应的候选第一集合和候选第二集合；候选第一集合用于表征移动对象的第一局部，候选第二集合用于表征移动对象的第二局部，移动对象的第一局部位于第二局部的下方。
其中，当前时刻是指采集当前帧的第一点云和第二点云的时刻，可以理解为，候选第一集合和候选第二集合对应的采集时刻。候选第一集合是指对第一点云经过聚类处理和过滤处理，得到的用于表征第一局部的点集合，即每一个候选第一集合表征一个第一局部。候选第一集合的数量为至少一个。第一局部是指移动对象的下半部分的躯体，例如，移动对象为移动的行人，则第一局部为人腿。类似的，候选第二集合是指对第二点云经过聚类处理和过滤处理，得到的用于表征第二局部的点集合，即每一个候选第二集合表征一个第二局部。第二局部是指移动对象的上半部分的躯体，例如，移动对象为移动的行人，则第二局部为身体。移动对象是指移动的障碍物，移动对象包括但不限于移动的行人、移动的机器人和移动的动物等。
示例性地，机器人获取激光雷达传感器在当前时刻采集的第一点云，以及深度相机传感器在当前时刻采集的第二点云。对当前时刻对应的第一点云进行聚类处理和过滤处理，得到当前时刻对应的候选第一集合；对当前时刻对应的第二点云进行聚类处理和过滤处理，得到当前时刻对应的候选第二集合。其中，候选第一集合用于表征移动对象的第一局部，候选第二集合用于表征移动对象的第二局部，移动对象的第一局部位于第二局部的下方。
步骤204，获取前一时刻对应的参考对象，以及参考对象对应的参考预测位置。
其中，前一时刻是指采集前一帧的第一点云和第二点云的时刻。参考对象是指前一时刻对应的移动对象，参考对象中包括前一时刻对应的确定的目标移动对象和可能的目标移动对象。可以理解为，参考对象包含根据前一时刻对应的第一点云和第二点云，已经确定为目标移动对象的移动对象和可能为目标移动对象的移动对象。确定的目标移动对象是指既存在第一局部，又存在与之相匹配的第二局部的移动对象；可能的目标移动对象是指只存在第一局部，但不存在与之相匹配的第二局部的移动对象，根据表征第一局部的候选第一集合确定的移动对象，该移动对象有可能是目标移动对象，但也有可能不是目标移动对象。参考对象可以用参考对象标识区分。参考预测位置是指表征参考对象所在位置的坐标。参考对象对应的参考预测位置可以由参考对象对应的卡尔曼滤波器和观测位置确定，观测位置是指根据与参考对象匹配的候选第一集合确定的参考对象所在的位置。
示例性地，机器人获取前一时刻对应的参考对象，以及参考对象对应的参考预测位置。
步骤206，基于候选第一集合对应的第一中间点和参考对象对应的参考预测位置，确定候选第一集合对应的第一局部与参考对象之间的第一距离。
其中，第一中间点是指表征候选第一集合中的多个第一探测点的中心的点坐标。
示例性地，针对每个候选第一集合，机器人获取候选第一集合中的多个第一探测点，对多个第一探测点进行平均，得到候选第一集合对应的第一中间点。然后分别计算每个第一中间点和每个参考对象对应的参考预测位置之间的直线距离，得到候选第一集合对应的第一局部与参考对象之间的第一距离。
步骤208，基于第一距离，确定当前时刻对应的当前对象和当前对象对应的当前预测位置。
其中，当前对象是指当前时刻对应的移动对象，当前对象包括第一对象和第二对象，第一对象是指从参考对象中确定的移动对象，第二对象是指从候选第一集合中确定的移动对象，可以理解为，第二对象为当前时刻对应的新增的移动对象。
示例性地，机器人基于第一距离，将候选第一集合分为匹配第一集合和非匹配第一集合。若匹配第一集合对应的第一距离小于或等于预设第一距离，则将该第一距离对应的参考对象，确定为第一对象，基于第一对象对应的匹配第一集合，确定该第一对象对应的当前预测位置。若存在相匹配的两个非匹配第一集合，则基于相匹配的两个非匹配第一集合，确定第二对象和第二对象对应的当前预测位置，基于第一对象和第二对象，得到当前时刻对应的当前对象，基于第一对象对应的当前预测位置和第二对象对应的当前预测位置，得到当前对象对应的当前预测位置。
在一个实施例中，基于第一距离，确定当前时刻对应的当前对象和上述当前对象对应的目标第一集合，基于当前对象对应的目标第一集合，确定当前对象对应的观测位置，将观测位置输入至当前对象对应卡尔曼滤波器，得到当前对象对应的当前预测位置和当前预测速度。
步骤210，基于候选第二集合对应的第二中间点和当前对象对应的当前预测位置，确定候选第二集合对应的第二局部与当前对象之间的第二距离。
其中，第二中间点是指表征候选第二集合中的多个第二探测点的中点的点坐标。
示例性地，针对每个候选第二集合，机器人获取候选第二集合中的多个第二探测点，对多个第二探测点进行平均，得到候选第二集合对应的第二中间点，然后分别计算每个第二中间点和每个当前对象对应的当前预测位置之间的直线距离，得到候选第二集合对应的第二局部与当前对象之间的第二距离。
步骤212，将小于或者等于预设距离的第二距离所对应的当前对象，确定为目标移动对象。
其中，预设距离是指预先设置的距离，可以理解为距离阈值，如果第二距离小于或者等于预设距离，则确定候选第二集合对应的第二局部为当前对象的第二局部；如果第二距离大于预设距离，则确定候选第二集合对应的第二局部不是当前对象的第二局部。目标移动对象是指需要进行避让的移动的对象。
示例性地，机器人分别将每个第二距离与预设距离进行比较，如果第二距离小于或者等于预设距离，则将第二距离对应的当前对象确定为目标移动对象。
上述移动对象的确定方法中，获取当前时刻对应的候选第一集合和候选第二集合，以及前一时刻对应的参考对象和参考对象的参考预测位置；通过计算候选第一集合对应的第一中间点和参考对象对应的参考预测位置，得到候选第一集合对应的第一局部与参考对象之间的第一距离；根据第一距离，确定当前时刻对应的当前对象和当前对象对应的第一距离；可以理解为，每一个候选第一集合表征一个第一局部，该第一局部可能为移动对象的第一局部，也可能其他障碍物。通过计算候选第一集合对应的第一局部与参考对象之间的第一距离，即将候选第一集合对应的第一局部与前一时刻的参考对象进行匹配，根据匹配的结果，确定当前时刻对应的当前对象，当前对象根据前一时刻的参考对象和当前时刻的候选第一集合确定。由于候选第一集合可能为其他障碍物，此时的当前对象并不一定为真实的移动对象，通过候选第二集合对应的第二中间点和当前对象对应的当前预测位置，确定候选第二集合对应的第二局部与当前对象之间的第二距离；可以理解为，通过将当前对象与候选第二集合对应的第二局部进行匹配，如果第二距离小于或者等于预设距离，表征存在与当前对象匹配的第二局部，即存在与当前对象匹配的第一局部和第二局部，移动对象由第一局部和第二局部组成，将存在匹配的第一局部和第二局部的当前对象，确定为目标移动对象，提高了目标移动对象的确定的准确性。
在一个实施例中，如图3所示，获取当前时刻对应的候选第一集合和候选第二集合（即步骤202），包括如下的步骤302到步骤310。
步骤302，获取当前时刻对应的第一点云和第二点云；第一点云和第二点云位于障碍物地图所在的坐标系中，第一点云中包括多个第一探测点，第二点云中包括多个第二探测点。
其中，第一点云是指第一传感器获取的障碍物点集合，第一传感器安装于机器人上，用于探测某一高度以下的障碍物，第一传感器可以为激光雷达传感器。第二点云是指第二传感器获取的障碍物点集合，第二传感器安装于机器人上，用于探测某一高度以上的障碍物，第二传感器可以为深度相机传感器。第一探测点是指第一传感器获取的障碍物点，第二探测点是指第二传感器获取的障碍物点。障碍物地图是指机器人使用的先验地图，该地图中标注了机器人活动区域的固定障碍物。例如，如图4所示，障碍物地图中的区域402为可通行区域；区域404为障碍物，用障碍物点集表示；区域406为未知区域。
示例性的，机器人通过第一传感器获取当前时刻对应的初始第一点云，基于第一传感器所在的第一坐标系和障碍物地图所在坐标系之间的第一转换关系，对初始第一点云进行转换，得到第一点云。机器人通过第二传感器获取当前时刻对应的初始第二点云，基于第二传感器所在的第二坐标系和障碍物地图所在坐标系之间的第二转换关系，对初始第二点云进行转换，得到第二点云。其中，第一点云中包括多个第一探测点，第二点云中包括多个第二探测点。
在一个实施例中，机器人通过第一传感器获取当前时刻对应的初始第一点云，获取第一传感器的第一外参Trc，初始第一点云中的初始第一探测点为Pc，初始第一探测点位于机器人坐标系中的参考第一探测点Pr为：
Pr=Trc·Pc 公式（1）
以机器人所在位置为中心，建立长度为size_x、宽度为size_y的障碍物地图，障碍物地图所在的坐标系是以障碍物地图的左上角为原点的坐标系，参考第一探测点在障碍物地图所在坐标系的第一探测点为Pm为：
Pmx=(Prx-size_x/2) | resolution 公式（2）
Pmy=(Pry-size_y/2) | resolution 公式（3）
其中，Pmx为第一探测点Pm的X轴坐标，Pmy为第一探测点Pm的Y轴坐标；Prx为参考第一探测点Pr的X轴坐标，Pry为参考第一探测点Pr的Y轴坐标；resolution为障碍物地图对应的分辨率；|为整除符号。
步骤304，基于第一探测点之间的第一探测距离，对第一点云进行聚类，得到初始第一集合。
其中，第一探测距离是指相邻的两个第一探测点之间的直线距离。
示例性的，机器人依次计算第一点云中相邻的两个第一探测点之间的直线距离，得到相邻的两个第一探测点之间的第一探测距离，如果第一探测距离小于或者等于预设第一探测距离，则将该相邻的第一探测点聚类为一个初始第一集合，直至第一探测距离大于预设第一探测距离。
步骤306，基于第一过滤条件，对初始第一集合进行过滤，得到候选第一集合。
其中，第一过滤条件是指对初始第一集合进行过滤的条件。第一过滤条件可以设置为初始第一集合对应的最小外接矩形的长边的边长小于或等于预设边长，且初始第一集合与障碍物地图对应的障碍物点集不存在重合点；或者，第一过滤条件可以为也可以设置为初始第一集合对应的最小外界矩形的长边的边长小于或等于预设边长、初始第一集合与障碍物地图对应的障碍物点集不存在重合点，且初始第一集合与机器人之间不存在障碍物。
示例性的，机器人从初始第一集合中筛选出满足第一过滤条件的初始第一集合，将满足第一过滤条件的初始第一集合，确定为候选第一集合。
步骤308，基于第二探测点之间的第二探测距离，对第二点云进行聚类，得到初始第二集合。
其中，第二探测距离是指相邻的两个第二探测点之间的直线距离。
示例性的，机器人依次计算相邻的两个第二探测点之间的直线距离，得到相邻的两个第二探测点之间的第二探测距离，若第二探测距离小于或等于预设第二探测距离，则将相邻的第二探测点聚类为一个初始第二集合，直至第二探测距离大于预设第二探测距离。
步骤310，基于第二过滤条件，对初始第二集合进行过滤，得到候选第二集合。
其中，第二过滤条件是指对初始第二集合进行过滤的条件。第二过滤条件可以设置为初始第二集合与障碍物地图对应的障碍物点集不存在重合点；或者，第二过滤条件也可以设置为初始第二集合与障碍物地图对应的障碍物点集不存在重合点，且初始第二集合与机器人之间不存在障碍物。
示例性的，机器人从初始第二集合中筛选出满足第二过滤条件的初始第二集合，将满足第二过滤条件的初始第二集合，确定为候选第二集合。
本实施例中，通过第一探测距离对第一点云进行聚类，即将离的比较近的第一探测点聚类为一个初始第一集合，初始第一集合可能为一个第一局部对应的点集，也可能为固定障碍物或者其他障碍物对应的点集。通过第一过滤条件，将为固定障碍物或者其他障碍物的初始第一集合进行过滤，得到表征第一局部的候选第一集合，从而提高了候选第一集合为第一局部对应点集的准确性。同理，对第二点云进行聚类处理和通过第二过滤条件的过滤处理，提高了候选第二集合为第二局部对应的点集的准确性。
在一个实施例中，基于第一过滤条件，对初始第一集合进行过滤，得到候选第一集合，包括：
针对每个初始第一集合，确定包围初始第一集合的最小外接矩形，最小外接矩形由长边和短边组成；将长边的边长与预设边长进行比较，在长边的边长小于或等于预设边长的情况下，将初始第一集合确定为中间第一集合；获取障碍物地图对应的障碍物点集，对障碍物点集中的障碍物点和中间第一集合中的第一探测点进行比较，在中间第一集合与障碍物点集不存在重合点的情况下，将中间第一集合确定为候选第一集合。
其中，最小外接矩形是指包围初始第一集合中的所有的第一探测点的最小的矩形。长边是指最小外接矩形中的边长较长的边，短边是指最小外接矩形中的边长较短的边。预设边长是指预先设置的边长阈值或者边长阈值区间，预设边长可以根据第一局部的特征进行设置，例如，第一局部为人腿，预设边长可以设置为腿围阈值或者腿围阈值区间，腿围阈值或者腿围阈值区间可以根据人腿的宽度进行设置。障碍物点集是指表征障碍物地图中的障碍物的坐标点集合。
示例性，机器人针对每个初始第一集合，确定包围初始第一集合的最小外接矩形，将最小外接矩形中的长边的边长与预设边长进行比较，如果长边的边长大于预设边长，则将该初始第一集合过滤掉；如果长边的边长小于或者等于预设边长，则将初始第一集合确定为中间第一集合。然后获取障碍物地图对应的障碍物点集，将障碍物点集中的障碍物点和中间第一集合中的第一探测点进行比较，如果中间第一集合与障碍物点集不存在重合点，则将中间第一集合确定为候选第一集合；如果中间第一集合与障碍物点集存在重合点，则将该中间第一集合过滤掉。
在本实施例中，通过将最小外接矩形的长边的边长与预设边长进行比较，将小于或等于预设边长的初始第一集合确定为中间第一集合，可以理解为，将满足第一布局特征的初始第一集合确定为中间第一集合。通过将中间第一集合与障碍物点集进行比较，将与障碍物点集不存在重合点的中间第一集合确定为候选第一集合，可以理解为，结合障碍物地图的先验信息，对中间第一集合进行二次判断，将代表障物地图中的障碍物的初始第一集合过滤掉，从而得到的候选第一集合既满足第一局部的特征，又不是障碍物地图中的障碍物，从而提高了候选第一集合为第一局部对应点集的准确性。
在一个实施例中，如图5所示，对障碍物点集中的障碍物点和中间第一集合中的第一探测点进行比较，在中间第一集合与障碍物点集不存在重合点的情况下，将中间第一集合确定为候选第一集合，包括步骤502到步骤506。
步骤502，对障碍物点集中的障碍物点和中间第一集合中的第一探测点进行比较，在中间第一集合与障碍物点集不存在重合点的情况下，将中间第一集合确定为参考第一集合。
其中，重合点是指坐标相同的障碍物点和第一探测点，可以理解为，同时存在于障碍物点集合和中间第一集合中的点坐标。
示例性的，机器人对障碍物点集中的障碍物点和中间第一集合中的第一探测点进行比较，如果障碍物点和第一探测点相同，则确定在障碍物点集和中间第一集合中存在重合点，将该中间第一集合过滤掉；如果障碍物点和第一探测点均不相同，则确定中间第一集合与障碍物点集不存在重合点，将该中间第一集合确定为参考第一集合。
步骤504，获取机器人的当前位置，确定位于当前位置和参考第一集合对应的第一参考中间点之间的第一直线段。
其中，当前位置是指机器人当前在障碍物地图所在坐标系中的坐标。第一直线段是指当前位置和第一参考中间点之间的直线段。
示例性的，机器人获取机器人的当前位置，基于当前位置和参考第一集合对应的第一参考中间点，确定当前位置和第一参考中间点之间的第一直线段。
步骤506，基于第一直线段和障碍物点集，确定是否有障碍物位于机器人和参考第一集合对应的第一局部之间，在不存在障碍物位于机器人和参考第一集合对应的第一局部之间的情况下，将参考第一集合确定为候选第一集合。
其中，障碍物是指障碍物地图中的固有障碍物。
示例性的，机器人基于第一直线段和障碍物点集，确定是否有障碍物点位于第一直线段上，如果有障碍物点位于第一直线段上，则确定有障碍物位于机器人和参考第一集合对应的第一局部之间，将该参考第一集合过滤掉，如果没有障碍物点位于第一直线段上，则确定没有障碍物位于机器人和参考第一集合对应的第一局部之间，将该参考第一集合确定为候选第一集合。
本实施例中，进一步地，判断参考第一集合对应的第一局部和机器人之间是否存在障碍物，将之间不存在障碍物的参考第一集合确定为候选第一集合，可以理解为，即使参考第一集合满足第一局部的特征，并且参考第一集合不是障碍物地图中的固有障碍物，但是由于参考第一集合对应的第一局部和机器人之间已经存在障碍物了，则不需要考虑参考第一集合对应的第一局部会对机器人的运行造成阻挡，结合障碍物地图对参考第一集合进行两次判断，进一步提高了候选第一集合的准确性。
在一个实施例中，基于第二过滤条件，对初始第二集合进行过滤，得到候选第二集合，包括：
获取障碍物地图对应的障碍物点集，对障碍物点集中的障碍物点和初始第二集合中的第二探测点进行比较，在初始第二集合与障碍物点集不存在重合点的情况下，将初始第二集合确定为参考第二集合；获取机器人的当前位置，确定位于当前位置和参考第二集合对应的第二参考中间点之间的第二直线段；基于第二直线段和障碍物点集，确定是否有障碍物位于机器人和参考第二集合对应的第二局部之间，在不存在障碍物位于机器人和参考第二集合对应的第二局部之间的情况下，将参考第二集合确定为候选第二集合。
其中，第二直线段是指当前位置和参考第二集合对应的第二参考中间点之间的直线段。
示例性的，机器人获取障碍物地图对应的障碍物点集，对障碍物点集中的障碍物点和初始第二集合中的第二探测点进行比较，如果存在障碍物点和第二探测点相同，则确定初始第二集合和障碍物点集中存在重合点，将该初始第二集合过滤掉；如果障碍物点和第二探测点均不相同，则确定初始第二集合与障碍物点集中不存在重合点，将初始第二集合确定为参考第二集合。然后获取机器人的当前位置，基于当前位置和参考第二集合对应的第二参考中间点，确定位于当前位置和第二参考中间点之间的第二直线段基于第二直线段和障碍物点集，确定是否有障碍物点位于第二直线段上，如果有障碍物点位于第二直线段上，则确定机器人和参考第二集合对应的第二局部之间存在障碍物，则将该参考第二集合过滤掉；如果没有障碍物点位于第二直线段上，则确定机器人和参考第二集合对应的第二局部之间不存在障碍物，将参考第二集合确定为候选第二集合。
本实施例中，通过将障碍物点集中的障碍物点和初始第二集合中第二探测点进行比较，判断初始第二集合是否为障碍物地图中固有障碍物的点集合。如果初始第二集合不是障碍物的点集合，则进一步判断参考第二集合对应的第二局部和机器人之间是否存在障碍物，在初始第二集合对应的第二局部和机器人之间不存在障碍物的情况下，将参考第二集合确定为候选第二集合。结合障碍物地图，对初始第二集合进行两次判断，不仅提高了候选第二集合表征第二局部的准确性，而且提高了候选第二集合的有效性。
在一个实施例中，如图6所示，基于第一距离，确定当前时刻对应的当前对象和当前对象对应的当前预测位置（即步骤208），包括步骤602到步骤610。
步骤602，将第一距离与预设第一距离进行比较，在第一距离小于或等于预设第一距离的情况下，将第一距离对应的参考对象，确定为当前时刻对应的第一对象，将第一距离对应的候选第一集合，确定为第一对象对应的匹配第一集合。
其中，预设第一距离是指预先设置的距离阈值。匹配第一集合是指与第一对象相匹配的候选第一集合，可以理解为，满足第一距离小于或等于预设第一距离的候选第一集合。第一对象是指从前一时刻对应的参考对象中确定的当前对象。
示例性的，针对每个第一距离，机器人将第一距离与预设第一距离进行比较，如果第一距离小于或等于预设第一距离，则将第一距离对应的参考对象确定为当前时刻对应的第一对象，将第一距离对应的候选第一集合确定为第一对象对应的匹配第一集合。
步骤604，基于第一对象对应的匹配第一集合，确定第一对象对应的当前预测位置。
示例性的，针对每个第一对象，机器人基于第一对象对应的至少一个匹配第一集合，确定第一对象对应的当前观测位置，将当前观测位置输入至第一对象对应的卡尔曼滤波器，得到第一对象对应的当前预测位置。
步骤606，对于候选第一集合中的非匹配第一集合，确定非匹配第一集合之间的中心点直线距离。
其中，非匹配第一集合是指除去匹配第一集合的候选第一集合。中心点直线距离是指两个非匹配第一集合对应的非匹配中心点之间的直线距离。
示例性的，针对任意的两个非匹配第一集合，分别确定每个非匹配第一集合对应的非匹配中心点，计算两个非匹配中心点之间的直线距离，得到两个非匹配第一集合之间的中心点直线距离。
步骤608，在中心点直线距离小于或等于预设中心点直线距离的情况下，基于中心点直线距离对应的两个非匹配第一集合，确定当前时刻对应的第二对象，以及第二对象对应的当前预测位置。
其中，第二对象是指当前时刻生成的新的当前对象。
示例性的，针对每个中心点直线距离，机器人将中心点直线距离与预设中心点直线距离进行比较，如果中心点直线距离小于或等于预设中心点直线距离，则生成当前时刻对应的第二对象，基于中线点直线距离对应的两个非匹配第一集合的非匹配中心点，确定第二对象的当前观测位置，初始化第二对象对应的卡尔曼滤波器，将当前观测位置输入至第二对象对应的卡尔曼滤波器，得到第二对象的当前预测位置。
步骤610，基于当前时刻对应的第一对象和第二对象，得到当前时刻对应的当前对象，基于第一对象对应的当前预测位置和第二对象对应的当前预测位置，得到当前对象对应的当前预测位置。
示例性的，机器人将第一对象和第二对象组成当前时刻对应的当前对象，将第一对象对应的当前预测位置和第二对象对应的当前预测位置，分别作为所对应的当前对象对应的当前预测位置。
本实施例中，通过将第一距离与预设第一距离进行比较，在第一距离小于或等于预设第一距离的情况下，将第一距离对应的参考对象确定为当前时刻对应的第一对象，可以理解为，如果存在与参考对象相匹配的候选第一集合，即存在与参考对象相匹配的第一局部，说明前一时刻对应的参考对象在当前时刻仍然存在，则将该参考对象确定为当前时刻对应的第一对象。在中心点直线距离小于或等于预设中心点直线距离的情况下，基于中心点直线距离对应的两个非匹配第一集合，确定当前时刻对应的第二对象，可以理解为，如果两个非匹配第一集合的中心点直线距离小于或等于预设中心点直线距离，即存在对应的两个第一局部之间的距离小于或等于预设中心点直线距离，则将两个第一局部确定为同一个移动对象的第一局部，根据对应的两个非匹配第一集合生成第二对象，充分的考虑当前对象确定的两种情况，提高了当前时刻对应的当前对象的准确性。
在一个实施例中，基于第一对象对应的匹配第一集合，确定第一对象对应的当前预测位置，包括：
在第一对象存在两个匹配第一集合的情况下，分别计算每个匹配第一集合对应的匹配中心点，基于两个匹配中心点，确定两个匹配中心点之间的匹配中点，基于匹配中点，确定第一对象对应的当前预测位置；在第一对象存在一个匹配第一集合的情况下，确定匹配第一集合对应的匹配中心点，基于匹配中心点，确定第一对象对应的当前预测位置。
其中，匹配中心点是指匹配第一集合的多个第一探测点的中点坐标。匹配中点是指两个匹配中心点之间的中点。
示例性的，对于存在两个匹配第一集合的第一对象，机器人分别对每个匹配第一集合中的第一探测点进行平均，得到匹配第一集合对应的匹配中心点，然后计算两个匹配中心点的中点坐标，得到匹配中点，将匹配中点输入至第一对象对应的卡尔曼滤波器，得到第一对象对应的当前预测位置。对于存在一个匹配第一集合的第一对象，对匹配第一集合中的第一探测点进行平均，得到匹配第一集合对应的匹配中心点，将匹配中心点输入至第一对象对应的卡尔曼滤波器，得到第一对象对应的当前预测位置。
本实施例中，针对具有不同数量的匹配第一集合的第一对象，采用不同的方法确定第一对象的当前预测位置，提高了当前预测位置的准确性。
在一个实施例中，基于中心点直线距离对应的两个非匹配第一集合，确定当前时刻对应的第二对象，以及第二对象对应的当前预测位置，包括：
基于中心点直线距离对应的两个非匹配第一集合，确定当前时刻对应的第二对象；分别计算每个非匹配第一集合对应的非匹配中心点，基于两个非匹配中心点，确定两个非匹配中心点之间的非匹配中点；初始化第二对象对应的卡尔曼滤波器，将非匹配中点输入至第二对象对应的卡尔曼滤波器，得到第二对象对应的当前预测位置。
其中，非匹配中心点是指非匹配第一集合中的多个第一探测点的中心坐标。非匹配中点是指两个非匹配中心点之间的中点。卡尔曼滤波器是一种用于估计动态系统状态的数学工具，实现对系统状态的连续估计和跟踪，可以理解为，卡尔曼滤波器的输入是当前时刻对应的当前观测位置，卡尔曼滤波器在当前观测位置的基础上，结合之前的相关数据，对当前时刻的相关数据进行预测，输出是第二对象在当前时刻的当前预测位置和当前预测速度。
示例性的，对于小于或等于预设中心点直线距离的中心点直线距离，基于中心点直线距离对应的两个非匹配第一集合，生成当前时刻对应的第二对象，分别对每个非匹配第一集合中的多个第一探测点进行平均，得到非匹配第一集合对应的非匹配中心点，计算两个非匹配中心点的中点，得到两个非匹配中心点之间的非匹配中点，生成第二对象对应的卡尔曼滤波器，将非匹配中点输入至第二对象对应的卡尔曼滤波器，得到第二对象对应的当前预测位置。
本实施例中，根据第二对象对应的两个非匹配第一集合，确定非匹配中点，将非匹配中点输入至第二对象对应的卡尔曼滤波器，得到第二对象对应的当前预测位置，卡尔曼滤波器结合动态模型和非匹配中点，对第二对象的位置进行预测，提高了当前预测位置的准确性。
在一个实施例中，基于候选第一集合对应的第一中间点和参考对象对应的参考预测位置，确定候选第一集合对应的第一局部与参考对象之间的第一距离，包括：
对候选第一集合中的第一探测点进行平均，得到第一中间点；计算第一中间点和参考预测位置之间的直线距离，得到候选第一集合对应的第一局部与参考对象之间的第一距离。
示例性的，机器人对候选第一集合中的多个第一探测点进行平均，得到第一中间点，计算第一中间点和参考预测位置之间的直线距离，得到候选第一集合对应的第一局部与参考对象之间的第一距离。
本实施例中，使用第一中间点和参考预测位置之间的直线距离，表征候选第一集合对应的第一局部与参考对象之间的第一距离，为后续判断当前对象提供了准确的基础数据。
在一个实施例中，如图7所示，移动对象的确定方法还包括步骤702到步骤710。
步骤702，将大于预设距离的第二距离所对应的当前对象，确定为候选移动对象。
其中，候选移动对象是指除去目标移动对象的当前对象，可以理解为，可能为目标移动对象的当前对象。
示例性的，如果第二距离大于预设距离，机器人则将第二距离对应的当前对象，确定为候选移动对象。
步骤704，获取候选移动对象对应的跟踪帧数，将跟踪帧数与预设跟踪帧数进行比较。
其中，跟踪帧数是指连续探测到候选移动对象的帧数。预设跟踪帧数是指预先设置的跟踪帧数阈值。例如，预设跟踪帧数为5帧。
示例性的，机器人获取候选移动对象的跟踪帧数，将跟踪帧数与预设跟踪帧数进行比较，如果跟踪帧数小于预设跟踪帧数，则将候选移动对象的确定为当前时刻对应的非目标移动对象。
步骤706，在跟踪帧数大于或者等于预设跟踪帧数的情况下，获取候选移动对象的第一帧对应的第一预测位置，基于第一预测位置和当前预测位置，确定候选移动对象的移动距离。
其中，第一帧是指第一次探测到候选移动对象的点云帧。第一预测位置是指第一次探测到候选移动对象时，候选移动对象所对应的位置坐标。移动距离是指候选移动对象在第一帧和当前时刻之间移动的直线距离。
示例性的，如果跟踪帧数大于或者等于预设跟踪帧数，机器人则获取候选移动对象的第一帧对应的第一预测位置，计算第一预测位置和当前预测位置之间的直线距离，得到候选移动对象的移动距离。
步骤708，将移动距离与预设移动距离进行比较，在移动距离大于或者等于预设移动距离的情况下，获取候选移动对象对应的当前预测速度。
其中，预设移动距离是指预先设置的移动距离阈值。当前预测速度是指卡尔曼滤波器输出的，候选移动对象在当前时刻的速度。
示例性的，机器人将移动距离与预设移动距离进行比较，如果移动距离小于或者等于预设移动距离，则将候选移动对象的确定为当前时刻对应的非目标移动对象；如果移动距离大于或者等于预设移动距离，则获取候选移动对象对应的当前预测速度。
步骤710，将当前预测速度与预设速度进行比较，在当前预测速度小于或等于预设速度的情况下，将候选移动对象，确定为目标移动对象。
其中，预设速度是指预先设置的速度阈值。
示例性的，机器人将当前预测速度与预设速度进行比较，如果当前预测速度大于预设速度，则将候选移动对象的确定为当前时刻对应的非目标移动对象；如果当前预测速度小于或等于预设速度，则将候选移动对象的确定为目标移动对象。
本实施例中，对于未匹配到第二局部的当前对象，依次对当前对象的跟踪帧数、移动距离和移动速度进行判断，将跟踪帧数大于或者等于预设跟踪帧数、将移动距离大于或者等于预设移动距离，且当前预测速度小于或等于预设速度的当前对象，确定为目标移动对象。可以理解为，对于跟踪帧数大于或者等于预设跟踪帧数，且移动距离和移动速度符合目标移动对象的移动特征的当前对象，即使未匹配到第二局部，仍然确定为目标移动对象，避免了由于第二传感器未探测到第二点云，造成的目标移动对象的确定的遗漏，从而提高了目标对象确定的准确性。
在一个实施例中，如图8所示，一种移动对象的避让方法，包括步骤802到步骤806。
步骤802，获取目标移动对象对应的当前预测位置。
其中，目标移动对象为移动对象的确定方法确定的移动对象，目标移动对象的确定过程可以参考前述各个实施例的内容，此处不再赘述。
示例性的，机器人获取目标移动对象的当前预测位置。
步骤804，基于当前预测位置，确定目标移动对象对应的避让路径。
其中，避让路径是指避开目标移动对象的移动路径。
示例性的，机器人基于当前预测位置，生成对目标移动对象进行避让的避让路径。
步骤806，基于避让路径，对目标移动对象进行避让。
示例性的，机器人基于避让路径运行，实现对目标移动对象的避让。
本实施例中，根据目标移动对象对应的当前预测位置，生成对目标移动对象进行避让的避让路径，机器人基于避让路径运行，避免与目标移动对象发生碰撞，提高了机器人的运行效率。
在一个实施例中，移动对象的避让方法还包括：
获取目标移动对象对应的当前预测位置和当前预测速度；基于当前预测位置，确定目标移动对象对应的避让路径，包括：基于当前预测位置和当前预测速度，确定目标移动对象对应的避让路径。
示例性的，机器人获取目标移动对象对应的当前预测位置和当前预测速度，根据当前预测位置和当前预测速度，生成对目标移动对象进行避让的避让路径。
本实施例中，根据当前预测位置和当前预测速度，生成对目标移动对象进行避让的避让路径，通过目标对象对应的当前预测速度，可以对目标对象的移动轨迹进行预判，在此基础上，生成目标移动对象对应的避让路径，提高了避让路径的准确性。
在一个示例性地实施例中，确定目标移动对象的流程，如图9所示，包括步骤902到步骤912。
步骤902，获取障碍物地图。获取障碍物地图和障碍物地图对应的障碍物点集。
步骤904，获取当前时刻对应的第一点云，基于第一点云，确定候选第一集合，第一集合表征第一局部，第一局部为人腿。通过激光雷达传感器获取当前时刻对应的初始第一点云，基于激光雷达传感器所在的第一坐标系和障碍物地图所在坐标系之间的第一转换关系，对初始第一点云进行转换，得到第一点云。依次计算第一点云中相邻的两个第一探测点之间的直线距离，得到相邻的两个第一探测点之间的第一探测距离，如果第一探测距离小于或等于预设第一探测距离，则将相邻的第一探测点聚类为一个初始第一集合，直至第一探测距离大于预设第一探测距离。
针对每个初始第一集合，确定包围初始第一集合的最小外接矩形，将最小外接矩形中的长边的边长与预设边长进行比较，如果长边的边长大于预设边长，则将该初始第一集合过滤掉；如果长边的边长小于或等于预设边长，则将初始第一集合确定为中间第一集合，将障碍物点集中的障碍物点和中间第一集合中的第一探测点进行比较，如果中间第一集合与障碍物点集不存在重合点，则将中间第一集合确定为候选参考第一集合；如果中间第一集合与障碍物点集存在重合点，则将该中间第一集合过滤掉。获取机器人的当前位置，基于当前位置和参考第一集合对应的第一参考中间点，确定当前位置和第一参考中间点之间的第一直线段，基于第一直线段和障碍物点集，确定是否有障碍物点位于第一直线段上；如果有障碍物点位于第一直线段上，则确定有障碍物位于机器人和参考第一集合对应的第一局部之间，将该参考第一集合过滤掉；如果没有障碍物点位于第一直线段上，则确定没有障碍物位于机器人和参考第一集合对应的第一局部之间，将该参考第一集合确定为候选第一集合。
步骤906，获取当前时刻对应的第二点云，基于第二点云，确定候选第二集合，第二集合表征第二局部，第二局部为人体。机器人通过深度相机传感器获取当前时刻对应的初始第二点云，基于深度相机传感器所在的第二坐标系和障碍物地图所在坐标系之间的第二转换关系，对初始第二点云进行转换，得到第二点云。依次计算相邻的两个第二探测点之间的直线距离，得到相邻的两个第二探测点之间的第二探测距离，若第二探测距离小于或等于预设第二探测距离，则将相邻的第二探测点聚类为一个初始第二集合，直至第二探测距离大于预设第二探测距离。
对障碍物点集中的障碍物点和初始第二集合中的第二探测点进行比较，如果存在障碍物点和第二探测点相同，则确定初始第二集合和障碍物点集中存在重合点，将该初始第二集合过滤掉；如果障碍物点和第二探测点均不相同，则确定初始第二集合与障碍物点集中不存在重合点，将初始第二集合确定为参考第二集合。然后获取机器人的当前位置，基于当前位置和参考第二集合对应的第二参考中间点，确定位于当前位置和第二参考中间点之间的第二直线段，基于第二直线段和障碍物点集，确定是否有障碍物点位于第二直线段上；如果有障碍物点位于第二直线段上，则确定机器人和参考第二集合对应的第二局部之间存在障碍物，则将该参考第二集合过滤掉；如果没有障碍物点位于第二直线段上，则确定机器人和参考第二集合对应的第二局部之间不存在障碍物，将参考第二集合确定为候选第二集合。
步骤908，获取前一时刻对应的参考对象，将参考对象与候选第一集合进行匹配，确定当前时刻对应的当前对象。获取候选第一集合中的多个第一探测点，对多个第一探测点进行平均，得到候选第一集合对应的第一中间点，然后分别计算每个第一中间点和每个参考对象对应的参考预测位置之间的直线距离，得到候选第一集合对应的第一局部与参考对象之间的第一距离。针对每个第一距离，将第一距离与预设第一距离进行比较，如果第一距离小于或等于预设第一距离，则将第一距离对应的参考对象，确定为当前时刻对应的第一对象，将第一距离对应的候选第一集合，确定为第一对象对应的匹配第一集合。
对于存在两个匹配第一集合的第一对象，分别对每个匹配第一集合中的第一探测点进行平均，得到匹配第一集合对应的匹配中心点，然后计算两个匹配中心点的中点坐标，得到匹配中点，将匹配中点输入至第一对象对应的卡尔曼滤波器，得到第一对象对应的当前预测位置和当前预测速度；对于存在一个匹配第一集合的第一对象，对匹配第一集合中的第一探测点进行平均，得到匹配第一集合对应的匹配中心点，将匹配中心点输入至第一对象对应的卡尔曼滤波器，得到第一对象对应的当前预测位置和当前预测速度。
针对任意的两个非匹配第一集合，分别确定每个非匹配第一集合对应的非匹配中心点，计算两个非匹配中心点之间的直线距离，得到两个非匹配第一集合之间的中心点直线距离。针对每个中心点直线距离，机器人将中心点直线距离与预设中心点直线距离进行比较，如果中心点直线距离小于或等于预设中心点直线距离，则生成当前时刻对应的第二对象，基于中线点直线距离对应的两个非匹配第一集合的非匹配中心点，确定第二对象的当前观测位置，初始化第二对象对应的卡尔曼滤波器，将当前观测位置输入至第二对象对应的卡尔曼滤波器，得到第二对象的当前预测位置。
将第一对象和第二对象组成当前时刻对应的当前对象，将第一对象对应的当前预测位置和第二对象对应的当前预测位置，分别作为所对应的当前对象对应的当前预测位置。
步骤910，将当前对象与候选第二集合进行匹配，确定目标移动对象。针对每个候选第二集合，机器人获取候选第二集合中的多个第二探测点，对多个第二探测点进行平均，得到候选第二集合对应的第二中间点，然后分别计算每个第二中间点和每个当前对象对应的当前预测位置之间的直线距离，得到候选第二集合对应的第二局部与当前对象之间的第二距离。机器人分别将每个第二距离与预设距离进行比较，如果第二距离小于或等于预设距离，则将第二距离对应的当前对象确定为目标移动对象。
如果第二距离大于预设距离，则将第二距离对应的当前对象，确定为候选移动对象，获取候选移动对象的跟踪帧数，将跟踪帧数与预设跟踪帧数进行比较，如果跟踪帧数小于预设跟踪帧数，则将候选移动对象的确定为当前时刻对应的非目标移动对象；如果跟踪帧数大于或者等于预设跟踪帧数，则获取候选移动对象的第一帧对应的第一预测位置，计算第一预测位置和当前预测位置之间的直线距离，得到候选移动对象的移动距离，将移动距离与预设移动距离进行比较，如果移动距离小于预设移动距离，则将候选移动对象的确定为当前时刻对应的非目标移动对象；如果移动距离大于或等于预设移动距离，则获取候选移动对象对应的当前预测速度，将当前预测速度与预设速度进行比较；如果当前预测速度大于预设速度，则将候选移动对象的确定为当前时刻对应的非目标移动对象；如果当前预测速度小于或等于预设速度，则将候选移动对象的确定为目标移动对象。
步骤912，输出目标移动对象对应的当前预测位置和当前预测速度。获取目标移动对象对应的当前预测位置和当前预测速度，根据当前预测位置和当前预测速度，生成对目标移动对象进行避让的避让路径。机器人基于避让路径运行，实现对目标移动对象的避让。
上述移动对象的确定方法，获取当前时刻对应的候选第一集合和候选第二集合，以及前一时刻对应的参考对象和参考对象的参考预测位置；通过计算候选第一集合对应的第一中间点和参考对象对应的参考预测位置，得到候选第一集合对应的第一局部与参考对象之间的第一距离；根据第一距离，确定当前时刻对应的当前对象和当前对象对应的第一距离；可以理解为，每一个候选第一集合表征一个第一局部，该第一局部可能为移动对象的第一局部，也可能其他障碍物。通过计算候选第一集合对应的第一局部与参考对象之间的第一距离，即将候选第一集合对应的第一局部与前一时刻的参考对象进行匹配，根据匹配的结果，确定当前时刻对应的当前对象，当前对象根据前一时刻的参考对象和当前时刻的候选第一集合确定。由于候选第一集合可能为其他障碍物，此时的当前对象并不一定为真实的移动对象，通过候选第二集合对应的第二中间点和当前对象对应的当前预测位置，确定候选第二集合对应的第二局部与当前对象之间的第二距离；可以理解为，通过将当前对象与候选第二集合对应的第二局部进行匹配，如果第二距离小于或等于预设距离，表征存在与当前对象匹配的第二局部，即存在与当前对象匹配的第一局部和第二局部，移动对象由第一局部和第二局部组成，将存在匹配的第一局部和第二局部的当前对象，确定为目标移动对象。换言之，上述移动对象的确定方法，先将当前时刻的候选第一集合对应的第一局部与前一时刻参考对象进行匹配，从而确定当前时刻的当前对象；然后将当前对象与候选第二集合对应的第二局部进行匹配，确定目标移动对象，通过表征移动对象不同局部位置的数据（即候选第一集合和候选第二集合）以及表征移动对象不同时刻的数据（即当前对象和参考对象）进行多次匹配，并同时结合障碍物地图中的先验信息进行过滤，提高了目标移动对象的确定的准确性。
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。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的移动对象的确定方法的移动对象的确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个移动对象的确定装置实施例中的具体限定可以参见上文中对于移动对象的确定方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种移动对象的确定装置，包括：第一获取模块1002、第二获取模块1004、第一距离计算模块1006、当前对象确定模块1008、第二距离计算模块1010和目标对象确定模块1012，其中：
第一获取模块1002，用于获取当前时刻对应的候选第一集合和候选第二集合；候选第一集合用于表征第一局部，候选第二集合用于表征第二局部，移动对象由第一局部和第二局部组成，第一局部位于第二局部的下方；
第二获取模块1004，用于获取前一时刻对应的参考对象，以及参考对象对应的参考预测位置；
第一距离计算模块1006，用于基于候选第一集合对应的第一中间点和参考对象对应的参考预测位置，确定候选第一集合对应的第一局部与参考对象之间的第一距离；
当前对象确定模块1008，用于基于第一距离，确定当前时刻对应的当前对象和当前对象对应的当前预测位置；
第二距离计算模块1010，用于基于候选第二集合对应的第二中间点和当前对象对应的当前预测位置，确定候选第二集合对应的第二局部与当前对象之间的第二距离；
目标对象确定模块1012，用于将小于或等于预设距离的第二距离所对应的当前对象，确定为目标移动对象。
在一个实施例中，第一获取模块1002还用于：获取当前时刻对应的第一点云和第二点云；第一点云和第二点云位于障碍物地图所在的坐标系中，第一点云中包括多个第一探测点，第二点云中包括多个第二探测点；基于第一探测点之间的第一探测距离，对第一点云进行聚类，得到初始第一集合；基于第一过滤条件，对初始第一集合进行过滤，得到候选第一集合；基于第二探测点之间的第二探测距离，对第二点云进行聚类，得到初始第二集合；基于第二过滤条件，对初始第二集合进行过滤，得到候选第二集合。
在一个实施例中，第一获取模块1002还用于：针对每个初始第一集合，确定包围初始第一集合的最小外接矩形；最小外接矩形由长边和短边组成；将长边的边长与预设边长进行比较，在长边的边长小于或等于预设边长的情况下，将初始第一集合确定为中间第一集合；获取障碍物地图对应的障碍物点集，对障碍物点集中的障碍物点和中间第一集合中的第一探测点进行比较，在中间第一集合与障碍物点集不存在重合点的情况下，将中间第一集合确定为候选第一集合。
在一个实施例中，第一获取模块1002还用于：对障碍物点集中的障碍物点和中间第一集合中的第一探测点进行比较，在中间第一集合与障碍物点集不存在重合点的情况下，将中间第一集合确定为参考第一集合；获取机器人的当前位置，确定位于当前位置和参考第一集合对应的第一参考中间点之间的第一直线段；基于第一直线段和障碍物点集，确定是否有障碍物位于机器人和参考第一集合对应的第一局部之间，在不存在障碍物位于机器人和参考第一集合对应的第一局部之间的情况下，将参考第一集合确定为候选第一集合。
在一个实施例中，第一获取模块1002还用于：获取障碍物地图对应的障碍物点集，对障碍物点集中的障碍物点和初始第二集合中的第二探测点进行比较，在初始第二集合与障碍物点集不存在重合点的情况下，将初始第二集合确定为参考第二集合；获取机器人的当前位置，确定位于当前位置和参考第二集合对应的第二参考中间点之间的第二直线段；基于第二直线段和障碍物点集，确定是否有障碍物位于机器人和参考第二集合对应的第二局部之间，在不存在障碍物位于机器人和参考第二集合对应的第二局部之间的情况下，将参考第二集合确定为候选第二集合。
在一个实施例中，当前对象确定模块1008还用于：将第一距离与预设第一距离进行比较，在第一距离小于或等于预设第一距离的情况下，将第一距离对应的参考对象，确定为当前时刻对应的第一对象，将第一距离对应的候选第一集合，确定为第一对象对应的匹配第一集合；基于第一对象对应的匹配第一集合，确定第一对象对应的当前预测位置；对于候选第一集合中的非匹配第一集合，确定非匹配第一集合之间的中心点直线距离；在中心点直线距离小于或等于预设中心点直线距离的情况下，基于中心点直线距离对应的两个非匹配第一集合，确定当前时刻对应的第二对象，以及第二对象对应的当前预测位置；基于当前时刻对应的第一对象和第二对象，得到当前时刻对应的当前对象，基于第一对象对应的当前预测位置和第二对象对应的当前预测位置，得到当前对象对应的当前预测位置。
在一个实施例中，当前对象确定模块1008还用于：在第一对象存在两个匹配第一集合的情况下，分别计算每个匹配第一集合对应的匹配中心点，基于两个匹配中心点，确定两个匹配中心点之间的匹配中点，基于匹配中点，确定第一对象对应的当前预测位置；在第一对象存在一个匹配第一集合的情况下，确定匹配第一集合对应的匹配中心点，基于匹配中心点，确定第一对象对应的当前预测位置。
在一个实施例中，当前对象确定模块1008还用于：基于中心点直线距离对应的两个非匹配第一集合，确定当前时刻对应的第二对象；分别计算每个非匹配第一集合对应的非匹配中心点，基于两个非匹配中心点，确定两个非匹配中心点之间的非匹配中点；初始化第二对象对应的卡尔曼滤波器，将非匹配中点输入至第二对象对应的卡尔曼滤波器，得到第二对象对应的当前预测位置。
在一个实施例中，第一距离计算模块1006还用于：对候选第一集合中的第一探测点进行平均，得到第一中间点；计算第一中间点和参考预测位置之间的直线距离，得到候选第一集合对应的第一局部与参考对象之间的第一距离。
在一个实施例中，目标对象确定模块1012还用于：将大于预设距离的第二距离所对应的当前对象，确定为候选移动对象；获取候选移动对象对应的跟踪帧数，将跟踪帧数与预设跟踪帧数进行比较；在跟踪帧数大于或者等于预设跟踪帧数的情况下，获取候选移动对象的第一帧对应的第一预测位置，基于第一预测位置和当前预测位置，确定候选移动对象的移动距离；将移动距离与预设移动距离进行比较，在移动距离大于或等于预设移动距离的情况下，获取候选移动对象对应的当前预测速度；将当前预测速度与预设速度进行比较，在当前预测速度小于或等于预设速度的情况下，将候选移动对象，确定为目标移动对象。
在一个实施例中，如图11所示，提供了一种移动对象的避让装置，包括：目标移动对象获取模块1102、避让路径生成模块1104和避让模块1106，其中：
目标移动对象获取模块1102，用于获取目标移动对象对应的当前预测位置；目标移动对象通过移动对象的确定方法确定得到；
避让路径生成模块1104，用于基于当前预测位置，确定目标移动对象对应的避让路径；
避让模块1106，用于基于避让路径，对目标移动对象进行避让。
在一个实施例中，避让路径生成模块1104还用于：获取目标移动对象对应的当前预测位置和当前预测速度；基于当前预测位置，确定目标移动对象对应的避让路径，包括：基于当前预测位置和当前预测速度，确定目标移动对象对应的避让路径。
上述移动对象的确定装置和移动对象的避让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，提供了一种计算机设备，该计算机设备可以是机器人102，机器人102可以是各种机器人，其内部结构图可以如图12所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备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移动对象的确定方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、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12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计算机设备的限定，具体的计算机设备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，提供了一种计算机设备，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，其上存储有计算机程序，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，包括计算机程序，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。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
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，所述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、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、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。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等。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 RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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。
以上所述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本申请专利范围的限制。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，本申请的保护范围应以所附权利要求为准。
Claims (16)
1.一种移动对象的确定方法，其特征在于，所述方法包括：
获取当前时刻对应的候选第一集合和候选第二集合；所述候选第一集合用于表征移动对象的第一局部，所述候选第二集合用于表征移动对象的第二局部，所述第一局部位于所述第二局部的下方；
获取前一时刻对应的参考对象，以及所述参考对象对应的参考预测位置；
基于所述候选第一集合对应的第一中间点和所述参考对象对应的参考预测位置，确定所述候选第一集合对应的第一局部与所述参考对象之间的第一距离；
基于所述第一距离，确定所述当前时刻对应的当前对象和所述当前对象对应的当前预测位置；
基于所述候选第二集合对应的第二中间点和所述当前对象对应的当前预测位置，确定所述候选第二集合对应的第二局部与所述当前对象之间的第二距离；
将小于或者等于预设距离的第二距离所对应的当前对象，确定为目标移动对象。
2.根据权利要求1所述的方法，其特征在于，所述获取当前时刻对应的候选第一集合和候选第二集合，包括：
获取所述当前时刻对应的第一点云和第二点云；所述第一点云和所述第二点云位于障碍物地图所在的坐标系中，所述第一点云中包括多个第一探测点，所述第二点云中包括多个第二探测点；
基于所述第一探测点之间的第一探测距离，对所述第一点云进行聚类，得到初始第一集合；
基于第一过滤条件，对所述初始第一集合进行过滤，得到候选第一集合；
基于所述第二探测点之间的第二探测距离，对所述第二点云进行聚类，得到初始第二集合；
基于第二过滤条件，对所述初始第二集合进行过滤，得到候选第二集合。
3.根据权利要求2所述的方法，其特征在于，所述基于第一过滤条件，对所述初始第一集合进行过滤，得到候选第一集合，包括：
针对每个所述初始第一集合，确定包围所述初始第一集合的最小外接矩形；所述最小外接矩形由长边和短边组成；
将所述长边的边长与预设边长进行比较，在所述长边的边长小于或等于预设边长的情况下，将所述初始第一集合确定为中间第一集合；
获取所述障碍物地图对应的障碍物点集，对所述障碍物点集中的障碍物点和所述中间第一集合中的第一探测点进行比较，在所述中间第一集合与所述障碍物点集不存在重合点的情况下，将所述中间第一集合确定为候选第一集合。
4.根据权利要求3所述的方法，其特征在于，所述对所述障碍物点集中的障碍物点和所述中间第一集合中的第一探测点进行比较，在所述中间第一集合与所述障碍物点集不存在重合点的情况下，将所述中间第一集合确定为候选第一集合，包括：
对所述障碍物点集中的障碍物点和所述中间第一集合中的第一探测点进行比较，在所述中间第一集合与所述障碍物点集不存在重合点的情况下，将所述中间第一集合确定为参考第一集合；
获取机器人的当前位置，确定位于所述当前位置和所述参考第一集合对应的第一参考中间点之间的第一直线段；
基于所述第一直线段和所述障碍物点集，确定是否有障碍物位于所述机器人和所述参考第一集合对应的第一局部之间，在不存在障碍物位于所述机器人和所述参考第一集合对应的第一局部之间的情况下，将所述参考第一集合确定为候选第一集合。
5.根据权利要求2所述的方法，其特征在于，所述基于第二过滤条件，对所述初始第二集合进行过滤，得到候选第二集合，包括：
获取所述障碍物地图对应的障碍物点集，对所述障碍物点集中的障碍物点和所述初始第二集合中的第二探测点进行比较，在所述初始第二集合与所述障碍物点集不存在重合点的情况下，将所述初始第二集合确定为参考第二集合；
获取机器人的当前位置，确定位于所述当前位置和所述参考第二集合对应的第二参考中间点之间的第二直线段；
基于所述第二直线段和所述障碍物点集，确定是否有障碍物位于所述机器人和所述参考第二集合对应的第二局部之间，在不存在障碍物位于所述机器人和所述参考第二集合对应的第二局部之间的情况下，将所述参考第二集合确定为候选第二集合。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第一距离，确定所述当前时刻对应的当前对象和所述当前对象对应的当前预测位置，包括：
将所述第一距离与预设第一距离进行比较，在所述第一距离小于或等于预设第一距离的情况下，将所述第一距离对应的参考对象，确定为所述当前时刻对应的第一对象，将所述第一距离对应的候选第一集合，确定为所述第一对象对应的匹配第一集合；
基于所述第一对象对应的匹配第一集合，确定所述第一对象对应的当前预测位置；
对于所述候选第一集合中的非匹配第一集合，确定所述非匹配第一集合之间的中心点直线距离；
在所述中心点直线距离小于或者等于预设中心点直线距离的情况下，基于所述中心点直线距离对应的两个非匹配第一集合，确定所述当前时刻对应的第二对象，以及所述第二对象对应的当前预测位置；
基于所述当前时刻对应的第一对象和第二对象，得到所述当前时刻对应的当前对象，基于所述第一对象对应的当前预测位置和所述第二对象对应的当前预测位置，得到所述当前对象对应的当前预测位置。
7.根据权利要求6所述的方法，其特征在于，所述基于所述第一对象对应的匹配第一集合，确定所述第一对象对应的当前预测位置，包括：
在所述第一对象存在两个匹配第一集合的情况下，分别计算每个所述匹配第一集合对应的匹配中心点，基于两个所述匹配中心点，确定两个所述匹配中心点之间的匹配中点，基于所述匹配中点，确定所述第一对象对应的当前预测位置；
在所述第一对象存在一个匹配第一集合的情况下，确定所述匹配第一集合对应的匹配中心点，基于所述匹配中心点，确定所述第一对象对应的当前预测位置。
8.根据权利要求6所述的方法，其特征在于，所述基于所述中心点直线距离对应的两个非匹配第一集合，确定所述当前时刻对应的第二对象，以及所述第二对象对应的当前预测位置，包括：
基于所述中心点直线距离对应的两个非匹配第一集合，确定所述当前时刻对应的第二对象；
分别计算每个所述非匹配第一集合对应的非匹配中心点，基于两个所述非匹配中心点，确定两个所述非匹配中心点之间的非匹配中点；
初始化所述第二对象对应的卡尔曼滤波器，将所述非匹配中点输入至所述第二对象对应的卡尔曼滤波器，得到所述第二对象对应的当前预测位置。
9.根据权利要求1所述的方法，其特征在于，所述基于所述候选第一集合对应的第一中间点和所述参考对象对应的参考预测位置，确定所述候选第一集合对应的第一局部与所述参考对象之间的第一距离，包括：
对所述候选第一集合中的第一探测点进行平均，得到第一中间点；
计算所述第一中间点和所述参考预测位置之间的直线距离，得到所述候选第一集合对应的第一局部与所述参考对象之间的第一距离。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将大于预设距离的第二距离所对应的当前对象，确定为候选移动对象；
获取所述候选移动对象对应的跟踪帧数，将所述跟踪帧数与预设跟踪帧数进行比较；
在所述跟踪帧数大于或者等于预设跟踪帧数的情况下，获取所述候选移动对象的第一帧对应的第一预测位置，基于所述第一预测位置和当前预测位置，确定所述候选移动对象的移动距离；
将所述移动距离与预设移动距离进行比较，在所述移动距离大于或者等于所述预设移动距离的情况下，获取所述候选移动对象对应的当前预测速度；
将所述当前预测速度与预设速度进行比较，在所述当前预测速度小于或者等于所述预设速度的情况下，将所述候选移动对象，确定为目标移动对象。
11.一种移动对象的避让方法，其特征在于，所述方法包括：
获取目标移动对象对应的当前预测位置；所述目标移动对象由权利要求1至10中任一项所述的方法确定；
基于所述当前预测位置，确定所述目标移动对象对应的避让路径；
基于所述避让路径，对所述目标移动对象进行避让。
12.根据权利要求11所述的方法，其特征在于，所述方法还包括：
获取所述目标移动对象对应的当前预测位置和当前预测速度；
所述基于所述当前预测位置，确定所述目标移动对象对应的避让路径，包括：
基于所述当前预测位置和所述当前预测速度，确定所述目标移动对象对应的避让路径。
13.一种移动对象的确定装置，其特征在于，所述装置包括：
第一获取模块，用于获取当前时刻对应的候选第一集合和候选第二集合；所述候选第一集合用于表征第一局部，所述候选第二集合用于表征第二局部，所述移动对象由所述第一局部和所述第二局部组成，所述第一局部位于所述第二局部的下方；
第二获取模块，用于获取前一时刻对应的参考对象，以及所述参考对象对应的参考预测位置；
第一距离计算模块，用于基于所述候选第一集合对应的第一中间点和所述参考对象对应的参考预测位置，确定所述候选第一集合对应的第一局部与所述参考对象之间的第一距离；
当前对象确定模块，用于基于所述第一距离，确定所述当前时刻对应的当前对象和所述当前对象对应的当前预测位置；
第二距离计算模块，用于基于所述候选第二集合对应的第二中间点和所述当前对象对应的当前预测位置，确定所述候选第二集合对应的第二局部与所述当前对象之间的第二距离；
目标对象确定模块，用于将小于或等于预设距离的第二距离所对应的当前对象，确定为目标移动对象。
14.一种移动对象的避让装置，其特征在于，所述装置包括：
目标移动对象获取模块，用于获取目标移动对象对应的当前预测位置；所述目标移动对象由权利要求1至10中任一项所述的方法确定；
避让路径生成模块，用于基于所述当前预测位置，确定所述目标移动对象对应的避让路径；
避让模块，用于基于所述避让路径，对所述目标移动对象进行避让。
15.一种计算机设备，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12中任一项所述的方法的步骤。
16.一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12中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311205883.5A CN116931583B (zh) | 2023-09-19 | 2023-09-19 | 移动对象的确定方法和避让方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311205883.5A CN116931583B (zh) | 2023-09-19 | 2023-09-19 | 移动对象的确定方法和避让方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116931583A true CN116931583A (zh) | 2023-10-24 |
| CN116931583B CN116931583B (zh) | 2023-12-19 |
Family
ID=88388306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311205883.5A Active CN116931583B (zh) | 2023-09-19 | 2023-09-19 | 移动对象的确定方法和避让方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116931583B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117197443A (zh) * | 2023-11-07 | 2023-12-08 | 广州市德赛西威智慧交通技术有限公司 | 一种基于无共视区域的目标接力检测方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090210092A1 (en) * | 2008-02-15 | 2009-08-20 | Korea Institute Of Science And Technology | Method for self-localization of robot based on object recognition and environment information around recognized object |
| US20140376768A1 (en) * | 2013-06-19 | 2014-12-25 | The Boeing Company | Systems and Methods for Tracking Location of Movable Target Object |
| CN115014328A (zh) * | 2022-06-09 | 2022-09-06 | 浙江华睿科技股份有限公司 | 一种栅格地图的动态加载方法、装置、设备和介质 |
| CN115145289A (zh) * | 2022-09-02 | 2022-10-04 | 汕头大学 | 多智能体协同围捕方法、系统、设备及存储介质 |
| CN115346020A (zh) * | 2022-09-26 | 2022-11-15 | 广州赛特智能科技有限公司 | 点云处理方法、避障方法、装置、机器人和存储介质 |
| CN115619871A (zh) * | 2022-09-05 | 2023-01-17 | 中汽创智科技有限公司 | 一种车辆定位方法、装置、设备及存储介质 |
| CN115797880A (zh) * | 2022-12-21 | 2023-03-14 | 浙江大华技术股份有限公司 | 驾驶行为的确定方法、装置、存储介质及电子装置 |
| CN116027707A (zh) * | 2022-12-26 | 2023-04-28 | 达闼科技（北京）有限公司 | 行进控制方法、装置、电子设备及存储介质 |
| EP4186419A1 (en) * | 2021-11-24 | 2023-05-31 | Koninklijke Philips N.V. | A method and stsyem for body part measurement for skin treatment |
-
2023
- 2023-09-19 CN CN202311205883.5A patent/CN116931583B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090210092A1 (en) * | 2008-02-15 | 2009-08-20 | Korea Institute Of Science And Technology | Method for self-localization of robot based on object recognition and environment information around recognized object |
| US20140376768A1 (en) * | 2013-06-19 | 2014-12-25 | The Boeing Company | Systems and Methods for Tracking Location of Movable Target Object |
| EP4186419A1 (en) * | 2021-11-24 | 2023-05-31 | Koninklijke Philips N.V. | A method and stsyem for body part measurement for skin treatment |
| CN115014328A (zh) * | 2022-06-09 | 2022-09-06 | 浙江华睿科技股份有限公司 | 一种栅格地图的动态加载方法、装置、设备和介质 |
| CN115145289A (zh) * | 2022-09-02 | 2022-10-04 | 汕头大学 | 多智能体协同围捕方法、系统、设备及存储介质 |
| CN115619871A (zh) * | 2022-09-05 | 2023-01-17 | 中汽创智科技有限公司 | 一种车辆定位方法、装置、设备及存储介质 |
| CN115346020A (zh) * | 2022-09-26 | 2022-11-15 | 广州赛特智能科技有限公司 | 点云处理方法、避障方法、装置、机器人和存储介质 |
| CN115797880A (zh) * | 2022-12-21 | 2023-03-14 | 浙江大华技术股份有限公司 | 驾驶行为的确定方法、装置、存储介质及电子装置 |
| CN116027707A (zh) * | 2022-12-26 | 2023-04-28 | 达闼科技（北京）有限公司 | 行进控制方法、装置、电子设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117197443A (zh) * | 2023-11-07 | 2023-12-08 | 广州市德赛西威智慧交通技术有限公司 | 一种基于无共视区域的目标接力检测方法及装置 |
| CN117197443B (zh) * | 2023-11-07 | 2024-02-02 | 广州市德赛西威智慧交通技术有限公司 | 一种基于无共视区域的目标接力检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116931583B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11709058B2 (en) | Path planning method and device and mobile device | |
| CN110472553B (zh) | 图像和激光点云融合的目标追踪方法、计算装置和介质 | |
| CN104035439B (zh) | 用多个激光雷达传感器利用扫描点追踪物体的贝叶斯网络 | |
| Zhou et al. | Self‐supervised learning to visually detect terrain surfaces for autonomous robots operating in forested terrain | |
| Huang et al. | A fast point cloud ground segmentation approach based on coarse-to-fine Markov random field | |
| Fan et al. | Real-time stereo vision for road surface 3-d reconstruction | |
| CN116931583B (zh) | 移动对象的确定方法和避让方法、装置、设备及存储介质 | |
| US11045953B2 (en) | Relocalization method and robot using the same | |
| WO2022099528A1 (zh) | 点云法向量计算方法、装置、计算机设备和存储介质 | |
| CN112528781B (zh) | 一种障碍物检测方法、装置、设备和计算机可读存储介质 | |
| CN112001378B (zh) | 基于特征空间的车道线处理方法、装置、车载终端和介质 | |
| CN116088503A (zh) | 动态障碍物检测方法和机器人 | |
| Fu et al. | Camera-based semantic enhanced vehicle segmentation for planar lidar | |
| Wang et al. | Improving RGB-D SLAM accuracy in dynamic environments based on semantic and geometric constraints | |
| Nguyen et al. | Toward real-time vehicle detection using stereo vision and an evolutionary algorithm | |
| CN114581678A (zh) | 一种模板特征匹配的自动跟踪与重识别方法 | |
| CN113092807B (zh) | 基于多目标跟踪算法的城市高架道路车辆测速方法 | |
| Shoukat et al. | Cognitive robotics: Deep learning approaches for trajectory and motion control in complex environment | |
| Küçükmanisa et al. | Robust and real‐time lane detection filter based on adaptive neuro‐fuzzy inference system | |
| Wong et al. | Position interpolation using feature point scale for decimeter visual localization | |
| Høilund et al. | Improving stereo camera depth measurements and benefiting from intermediate results | |
| CN114750147B (zh) | 机器人的空间位姿确定方法、装置和机器人 | |
| Önen et al. | LiDAR-Based Occupancy Grid Map Estimation Exploiting Spatial Sparsity | |
| Qi et al. | Moving object detection and trajectory prediction based on image processing | |
| CN116664809A (zh) | 三维信息获取方法、装置、计算机设备、存储介质和产品 |
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 |