CN117274519A - 地图构建方法、装置以及割草机器人 - Google Patents
地图构建方法、装置以及割草机器人 Download PDFInfo
- Publication number
- CN117274519A CN117274519A CN202311345465.6A CN202311345465A CN117274519A CN 117274519 A CN117274519 A CN 117274519A CN 202311345465 A CN202311345465 A CN 202311345465A CN 117274519 A CN117274519 A CN 117274519A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- color
- target object
- image
- information
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008447 perception Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 244000025254 Cannabis sativa Species 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
-
- 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
- G06T2207/10024—Color image
-
- 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)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请提供了一种地图构建方法、装置以及割草机器人,该方法包括:获取第一作业区域内的深度图像和彩色图像;识别深度图像和所述彩色图像中的目标物,根据深度图像中目标物距离地面的第一高度与预设阈值的关系,以及目标物在彩色图像中的第一颜色信息与预设的颜色信息的关系,确定目标物是否为障碍物;在目标物为障碍物的情况下,获取障碍物的位置信息;根据障碍物的位置信息进行地图构建。通过上述方法,能够利用第一作业区域内的深度图像和彩色图像,确定第一作业区域内是否存在障碍物,并在第一作业区域内存在障碍物的情况下进行地图构建,能够更有效率地完成地图的构建,以便于割草机器人能够根据构建的地图进行作业。
Description
技术领域
本申请涉及自主移动机器人领域,更具体地,涉及一种地图构建方法、装置以及割草机器人。
背景技术
环境感知是割草机器人自主探索最重要的功能之一,是确保割草机器人可以稳定、安全作业最重要的功能,现有的割草机器人可以基于环境感知技术构建地图,并根据构建的地图自动在划定的作业边界内进行作业。
然而,在地图构建的过程中,针对在划定的作业边界内的障碍物,割草机器人需要对边界内的障碍物进行提前划定禁区,才可以规划作业路径,如果边界内的障碍物多,且形状复杂,会对用户造成很大的困扰,导致操作非常麻烦,用户体验不好。
发明内容
本申请提供一种地图构建方法、装置以及割草机器人,能够更有效率地完成地图的构建,以便于割草机器人能够根据构建的地图进行作业。
第一方面,提供了一种地图构建方法,该方法包括:获取第一作业区域内的深度图像和彩色图像;识别所述深度图像和所述彩色图像中的目标物,根据所述深度图像中目标物距离地面的第一高度与预设阈值的关系,以及所述目标物在所述彩色图像中的第一颜色信息与预设的颜色信息的关系,确定所述目标物是否为障碍物;在所述目标物为所述障碍物的情况下,获取所述障碍物的位置信息;根据所述障碍物的位置信息进行地图构建,得到所述第一作业区域的全局地图。
本申请实施例中,能够利用第一作业区域内的深度图像和彩色图像,确定第一作业区域内是否存在障碍物,并在第一作业区域内存在障碍物的情况下进行地图构建,这样,能够更快速、准确地识别出障碍物,并更有效率地完成地图的构建,以便于割草机器人能够根据构建的地图进行作业。
结合第一方面,在第一方面的某些实现方式中,所述根据所述深度图像中目标物距离地面的第一高度与预设阈值的关系,以及所述目标物在所述彩色图像中的第一颜色信息与预设的颜色信息的关系,确定所述目标物是否为障碍物,包括:在所述第一高度大于或等于所述预设阈值,且所述第一颜色信息与所述预设的颜色信息不一致的情况下,确定所述目标物为所述障碍物,或者在所述第一高度大于或等于所述预设阈值,且所述第一颜色信息与所述预设的颜色信息一致的情况下,确定所述目标物不是所述障碍物。
本申请实施例中,可以基于深度图像中目标物距离地面的第一高度与预设阈值的大小关系,以及彩色图像中目标物的第一颜色信息和预设的颜色信息是否一致来判断目标物是否为障碍物,这样,能够更快速、准确地识别出障碍物,从而更有效率地完成地图的构建工作。
结合第一方面,在第一方面的某些实现方式中,所述根据所述深度图像中目标物距离地面的第一高度与预设阈值的关系,以及所述目标物在所述彩色图像中的第一颜色信息与预设的颜色信息的关系,确定所述目标物是否为障碍物,包括:在所述第一高度大于或等于所述预设阈值的情况下,确定所述目标物在所述深度图像中对应的像素值为第一值,在所述第一高度小于所述预设阈值的情况下,确定所述目标物在所述深度图像中对应的像素值为第二值;在所述第一颜色信息与所述预设的颜色信息不一致的情况下,确定所述目标物在所述彩色图像中对应的像素值为所述第一值,在所述第一颜色信息与所述预设色颜色信息一致的情况下,确定所述目标物在所述彩色图像中对应的像素值为所述第二值;在所述目标物在所述深度图像中对应的像素值与所述目标物在所述彩色图像中对应的像素值均为所述第一值的情况下,确定所述目标物为所述障碍物,或者在所述目标物在所述深度图像中对应的像素值与所述目标物在所述彩色图像中对应的像素值中至少一项为所述第二值的情况下,确定所述目标物不是所述障碍物。
可选地,上述第一值可以是1,第二值可以是0。
本申请实施例中,通过将深度图像和彩色图像进行二值化的方法,当目标物在深度图像中对应的像素值与目标物在彩色图像中对应的像素值均为第一值的情况下,可以确定目标物为障碍物,否则,确定目标物不是障碍物,这样,能够更快速、准确地识别出障碍物,从而更有效率地完成地图的构建工作。
结合第一方面,在第一方面的某些实现方式中,所述获取第一作业区域内的深度图像和彩色图像,包括:获取割草机器人在第二作业区域内进行作业的理想作业路径,所述第二作业区域为假设所述第一作业区域内不存在障碍物的工作区域,所述理想作业路径是基于所述第二作业区域内不存在所述障碍物确定的作业路径;根据所述理想作业路径,控制所述割草机器人在所述第一作业区域内进行作业;在所述割草机器人作业的过程中,获取所述第一作业区域内的深度图像和彩色图像。
本申请实施例中,割草机器人可以在沿着理想作业路径进行作业的过程中,获取深度图像和彩色图像,以便于割草机器人确定第一作业区域内是否存在障碍物,这样,可以避免提前对障碍物划定禁区,才能规划割草机器人的实际作业路径,从而提高地图构建的效率。
结合第一方面,在第一方面的某些实现方式中,所述根据所述障碍物的位置信息进行地图构建,包括:根据所述障碍物的位置信息和所述理想作业路径,确定真实作业路径,所述真实作业路径中不存在所述障碍物;根据所述真实作业路径,控制所述割草机器人在所述第二作业区域内进行作业。
本申请实施例中,割草机器人可以根据障碍物的位置信息对理想作业路径进行更新,得到真实作业路径,以使得割草机器人在作业时可以规避障碍物,而无需用户的额外操控,有利于提高用户的体验。
结合第一方面,在第一方面的某些实现方式中,所述获取所述障碍物的位置信息,包括:获取所述障碍物的轮廓信息,所述障碍物的轮廓信息包括第二点云数据;对所述障碍物的轮廓信息进行采样,得到第三点云数据,所述第三点云数据中的点云稀疏度低于所述第二点云数据中的点云稀疏度;根据所述第三点云数据,确定所述障碍物的位置信息。
本申请实施例中,当障碍物的轮廓信息包括第二点云数据时,割草机器人可以对障碍物的轮廓信息进行采样,得到相对稀疏的第三点云数据,并基于第三点云数据得到障碍物的位置信息,这样,可以减少计算量,提高割草机器人获取障碍物的位置信息的效率。
第二方面,提供了一种地图构建装置,该装置包括:获取单元,用于获取第一作业区域内的深度图像和彩色图像;处理单元,用于:识别所述深度图像和所述彩色图像中的目标物,根据所述深度图像中目标物距离地面的第一高度与预设阈值的关系,以及所述目标物在所述彩色图像中的第一颜色信息与预设的颜色信息的关系,确定所述目标物是否为障碍物;在所述目标物为所述障碍物的情况下,获取所述障碍物的位置信息;根据所述障碍物的位置信息进行地图构建,得到所述第一作业区域的全局地图。
第三方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行上述第一方面中任意一种实现方式中的方法。
第四方面,提供了一种割草机器人,包括采集设备、本体及主控芯片,其中:所述采集设备,用于采集所述割草机器人第一作业区域内的深度图像和彩色图像;所述主控芯片,用于根据上述第一方面中任意一种实现方式中的方法对所述深度图像和彩色图像进行处理得到所述第一作业区域的全局地图。
附图说明
图1是本申请实施例提供的一种智能设备的示意图;
图2是本申请实施例提供的地图构建方法的应用场景图;
图3是本申请实施例提供的一种地图构建方法的示意性流程图;
图4是本申请实施例提供的另一种地图构建方法的示意性流程图;
图5是本申请实施例提供的障碍物分类示意图;
图6是本申请实施例提供的点云数据检测方法的示意图;
图7是本申请实施例提供的障碍物为蹦床的场景示意图;
图8是本申请实施例提供的一种割草机器人的进行作业的场景图;
图9是本申请实施例提供的一种地图构建装置;
图10是本申请实施例提供的另一种地图构建装置。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
本申请实施例中采用诸如“第一”、“第二”的前缀词,仅仅为了区分不同的描述对象,对被描述对象的位置、顺序、优先级、数量或内容等没有限定作用。本申请实施例中对序数词等用于区分描述对象的前缀词的使用不对所描述对象构成限制,对所描述对象的陈述参见权利要求或实施例中上下文的描述,不应因为使用这种前缀词而构成多余的限制。
图1是本申请实施例提供的智能设备100的一个功能性示意图。应理解,图1及相关描述仅为一种举例,并不对本申请实施例中的智能设备进行限定。
智能设备100可包括多种子系统,例如感知系统120、计算平台130。可选地,该智能设备100可包括更多或更少的子系统,并且每个子系统都可包括一个或多个部件。另外,该智能设备100的每个子系统和部件可以通过有线或者无线的方式实现互连。
感知系统120可包括用于感测关于智能设备100周边的环境的信息的若干种传感器。例如,感知系统120可以包括定位系统,该定位系统可以是全球定位系统(globalpositioning system,GPS),也可以是北斗系统或者其他定位系统。感知系统120可以包括惯性测量单元(inertial measurement unit,IMU)等、激光雷达、毫米波雷达、超声波雷达以及摄像装置中的一种或者多种。
智能设备100的部分或所有功能可以由计算平台130控制。计算平台130可包括处理器131至13n(n为正整数),处理器是一种具有信号的处理能力的电路,在一种实现中,处理器可以是具有指令读取与运行能力的电路,例如中央处理单元(central processingunit,CPU)、微处理器、图形处理器(graphics processing unit,GPU)(可以理解为一种微处理器)、或数字信号处理器(digital signal processor,DSP)等;在另一种实现中,处理器可以通过硬件电路的逻辑关系实现一定功能,该硬件电路的逻辑关系是固定的或可以重构的,例如处理器为专用集成电路(application-specific integrated circuit,ASIC)或可编程逻辑器件(programmable logic device,PLD)实现的硬件电路,例如FPGA。在可重构的硬件电路中,处理器加载配置文档,实现硬件电路配置的过程,可以理解为处理器加载指令,以实现以上部分或全部单元的功能的过程。此外,处理器还可以是针对人工智能设计的硬件电路,其可以理解为一种ASIC,例如神经网络处理单元(neural network processingunit,NPU)、张量处理单元(tensor processing unit,TPU)、深度学习处理单元(deeplearning processing unit,DPU)等。此外,计算平台130还可以包括存储器,存储器用于存储指令,处理器131至13n中的部分或全部处理器可以调用存储器中的指令,以实现相应的功能。
计算平台130可基于从各种子系统(例如,感知系统120)接收的输入来控制智能设备100的功能。在一些实施例中,计算平台130可用于对智能设备100及其子系统的许多方面提供控制。
可选地,上述组件只是一个示例,实际应用中,上述各个模块中的组件有可能根据实际需要增添或者删除,图1不应理解为对本申请实施例的限制。
本申请中的智能设备100可以包括:路上交通工具、水上交通工具、空中交通工具、工业设备、农业设备、或娱乐设备等。例如智能设备可以为车辆,该车辆为广义概念上的车辆,可以是交通工具(如商用车、乘用车、摩托车、飞行车、火车等),工业车辆(如:叉车、挂车、牵引车等),工程车辆(如挖掘机、推土车、吊车等),农用设备(如割草机、收割机等),游乐设备,玩具车辆等,本申请实施例对车辆的类型不作具体限定。再如,智能设备可以为机器人,包括割草机器人等。
当智能设备为割草机器人时,环境感知是其自主探索最重要的功能之一,是确保割草机器人可以稳定、安全作业最重要的功能,现有的割草机器人可以基于环境感知技术构建地图,并根据构建的地图自动在划定的作业边界内进行作业。
然而,在地图构建的过程中,针对在划定的作业边界内的障碍物,割草机器人需要对边界内的障碍物进行提前划定禁区,才可以规划作业路径,如果边界内的障碍物多,且形状复杂,会对用户造成很大的困扰,导致操作非常麻烦,用户体验不好。
本申请实施例提供了一种地图构建方法、装置以及割草机器人,能够更有效率地完成地图的构建,以便于割草机器人能够根据构建的地图进行作业。
图2所示为本申请实施例提供的地图构建方法的应用场景。在一个实施例中,割草机器人包括本体、可独立工作的采集设备及主控芯片,在控制割草机器人本体在工作区域内按预设路径进行工作之前,需先获取工作区域的地图及工作边界。具体地,用户可以手持或遥控割草机器人上采集设备沿割草机器人所工作区域的边界移动并进行扫描得到多帧局部图像或得到多帧局部图像及采集各帧局部图像时采集设备的运动参数;主控芯片对各帧局部图像及采集各帧局部图像时采集设备的运动参数进行处理得到各帧局部图像的初始位姿,并根据视差等条件筛选出关键帧,对所有关键帧进行全局优化得到割草机器人所工作区域的全局地图及构成地图各关键帧的优化位姿,各关键帧的位姿对应于用户的移动轨迹,集合各关键帧的位姿构成割草机器人工作区域的工作边界。其中,图2所示的割草机器人可以是图1中的智能设备100,采集设备可以位于感知系统120中,主控芯片可以为位于计算平台130中。
在获取工作边界后,根据本申请中的一个或多个实施例提供的地图构建方法可以对割草机器人工作区域的工作边界进行处理得到理想移动路径,从而控制割草机器人按理想移动路径进行移动。同时,采集设备可以在移动过程中采集工作区域内的图像数据,基于图像数据识别工作区域内的障碍物位置并利用障碍物位置信息对理想移动路径进行更新得到真实移动路径,以便于后续控制割草机器人按照真实的移动路径进行割草工作。
需要说明的是,本申请中理想移动路径可以指割草机工作区域内不存在障碍物时所生成的工作轨迹,而真实移动路径则可以为考虑到割草机工作区域存在内部障碍物等信息而得到的工作轨迹,内部障碍物可以包括:家庭草坪常见的户外沙发、长椅、花坛、树木等。
在一个实施例中,上述采集设备可以包括深度相机和彩色相机,深度相机用于采集深度图像,彩色相机用于采集彩色图像。需要说明的是,在用户手持或遥控采集设备获取图像数据以构建工作边界时,可使用深度相机和/或彩色相机沿工作区域的边界移动并采集多帧局部深度图像和/或多帧彩色图像以获取割草机器人的工作边界;而在获取割草机器人的真实移动路径过程中,则需要对深度相机和彩色相机分别采集的深度图像和彩色图像进行处理以识别工作区域内的障碍物。
进一步地,当采集设备包括深度相机和彩色相机时,还需要对深度相机和彩色相机采集的图像进行对齐,以使深度相机采集的深度图像中至少部分像素与彩色相机采集的彩色图像中至少部分像素具有一一对应关系。
在一个实施例中,深度相机可以包括双目深度相机,也可以包括单目深度相机和运动参数记录模组(一般指IMU),或双目深度相机和运动参数记录模组,其中,单/双目深度相机用于采集图像数据,运动参数记录模组用于记录相机采集各帧图像时相机对应的运动参数(IMU数据,记录采集设备的角速度和线加速度等)。采集设备可以独立工作,其本身可以自带存储和处理芯片。当采集设备在割草机器人上不可拆卸时,也可以使用移动端的采集设备来对割草机器人工作区域进行数据采集。
进一步地,单目深度相机可以是结构光深度相机、飞行时间深度相机等,双目深度相机可以是主动双目深度相机或被动双目深度相机,本申请对此不作限制。
需要说明的是,采集设备中是否包括运动参数记录模组取决于采集设备中是否能直接获取绝对尺度,即采集设备采集场景的真实尺寸与采集包括该场景的图像中该场景尺寸之间的尺度关系;对于双目深度相机而言,其具有基线,基线之间的距离为已知,其可作为参考信息直接获取采集设备的绝对尺度,而对于单目深度相机而言,其无法直接获取绝对尺度,则需通过运动参数记录模块来辅助确定。
在一个实施例中,当使用移动端的采集设备具有计算能力时,其可以对采集设备采集的数据进行处理以输出各帧局部图像的初始位姿,并将各帧局部图像及其初始位姿通过有线或无线的方式传输至割草机器人的主控芯片进行处理以得到割草机器人所工作区域的全局地图及工作边界。
在另一个实施例中,当使用移动端的采集设备不具有计算能力时,可将通过移动端上的采集设备采集的各帧局部图像或各帧局部图像及各帧局部图像对应的运动参数并通过有线或无线的方式传输至割草机器人上的主控芯片进行处理以得到割草机器人所工作区域的全局地图及工作边界。
需要说明的是,本申请中的采集设备除了相机和运动参数记录模组外,还可以是GPS/实时动态(real time kinematic,RTK)/超宽带(ultra wideband,UWB)/激光雷达和IMU,采集设备也可以甚至不包含相机或者IMU,比如仅包括激光雷达,本申请对此不作限制。
图3是本申请实施例提供的一种地图构建方法的示意性流程图,方法300可以包括步骤S301至步骤S304:
S301,获取第一作业区域内的深度图像和彩色图像。
可选地,深度图像和彩色图像可以由部署在割草机器人上的采集设备获取,该采集设备可以包括:深度相机和彩色相机。
在一个实施例中,步骤S301具体包括:获取割草机器人在第二作业区域内进行作业的理想作业路径,第二作业区域为假设第一作业区域内不存在障碍物的理想工作区域,理想作业路径是基于第二作业区域内不存在障碍物确定的作业路径;根据理想作业路径控制割草机器人的采集设备在第一作业区域内进行作业,获取第一作业区域内的深度图像和彩色图像。由此,割草机器人可以在沿着理想作业路径进行作业的过程中获取深度图像和彩色图像,以便于确定第一作业区域内是否存在障碍物,这样,可以避免提前对障碍物划定禁区,才能规划割草机器人的实际作业路径,从而提高地图构建的效率。
进一步地,割草机器人可以获取第二作业区域的工作边界,并基于工作边界确定理想作业路径;其中,理想作业路径优选为弓字型的作业路径。
S302,识别深度图像和彩色图像中的目标物,根据深度图像中目标物距离地面的第一高度与预设阈值的关系,以及目标物在彩色图像中的第一颜色信息与预设的颜色信息的关系,确定目标物是否为障碍物。
在一个实施例中,步骤S302可以具体包括:在第一高度大于或等于预设阈值,且第一颜色信息与预设的颜色信息不一致的情况下,确定目标物为障碍物;或者在第一高度大于或等于预设阈值,且第一颜色信息与预设的颜色信息一致的情况下,确定目标物不是障碍物(如蹦床或斜坡)。
应理解,预设阈值可以根据采集设备安装于割草机器人上时相对于地面的高度确定,本申请对此不作限制。
可选地,上述第一高度可以是基于目标物在深度图像中对应的第一点云数据的坐标值确定的,进一步地,第一高度可以是第一点云数据的坐标(x,y,z)中的z值。
可选地,在割草作业的场景中,预设的颜色信息可以为绿色,当目标物的第一颜色信息与绿色不一致的情况下,确定目标物为障碍物,否则确定目标物不是障碍物。
在一个实施例中,当确定目标物的第一高度小于预设阈值时,可以确定目标物不是障碍物。
在一个实施例中,步骤S302可以具体包括:在第一高度大于或等于预设阈值的情况下,确定目标物在深度图像中对应的像素值为第一值,在第一高度小于预设阈值的情况下,确定目标物在深度图像中对应的像素值为第二值;在第一颜色信息与预设的颜色信息不一致的情况下,确定目标物在彩色图像中对应的像素值为第一值,在第一颜色信息与预设色颜色信息一致的情况下,确定目标物在彩色图像中对应的像素值为第二值;在目标物在深度图像中对应的像素值与目标物在彩色图像中对应的像素值均为第一值的情况下,确定目标物为障碍物,或者在目标物在深度图像中对应的像素值与目标物在彩色图像中对应的像素值中至少一项为第二值的情况下,确定目标物不是障碍物。
可选地,上述第一值可以是1,第二值可以是0。例如,当目标物在深度图像中对应的像素值与目标物在彩色图像中对应的像素值均为1的情况下,确定目标物为障碍物。再例如,当目标物在深度图像中对应的像素值与目标物在彩色图像中对应的像素值中的至少一项为0的情况下,确定目标物不是障碍物。
S303,在目标物为障碍物的情况下,获取障碍物的位置信息。
在一个实施例中,步骤S303具体包括:获取障碍物的轮廓信息,障碍物的轮廓信息包括第二点云数据;对障碍物的轮廓信息进行上采样,得到第三点云数据,该第三点云数据中的点云稀疏度低于第二点云数据中的点云稀疏度;根据第三点云数据,确定障碍物的位置信息。对第二点云进行上采样可以减少计算量,提高割草机器人获取障碍物的位置信息的效率。
S304,根据障碍物的位置信息进行地图构建,得到第一作业区域的全局地图。
具体地,对在第一作业区域得到的多帧彩色图像和/或多帧深度图像进行拼接得到第一作业区域的地图,并根据障碍物信息对地图进行更新得到第一作业区域的全局地图。
在一个实施例中,方法304还包括:根据障碍物停留时间长短对各障碍物进行时间标签,时间标签包括永久存在、半永久存在或临时存在;其中,临时存在的障碍物可以理解为割草机器人在作业的过程中可以随时撤离的障碍物。由此,可使割草机器人在工作过程中只需关注临时存在的障碍物是否存在即可,且可根据障碍物的时间标签动态实时更新第一作业区域的全局地图,而无需重复获取障碍物信息,有利于提高用户体验感。
在一个实施例中,步骤S304之后包括:根据障碍物的位置信息和理想作业路径确定真实作业路径,该真实作业路径中不存在障碍物;根据真实作业路径,控制割草机器人在第一作业区域内进行作业。这样,割草机器人可以根据障碍物的位置信息对理想作业路径进行更新,得到真实作业路径,以使得割草机器人在作业时可以规避障碍物,而无需用户的额外操控,有利于提高用户的体验。
本申请实施例中,能够利用第一作业区域内的深度图像和彩色图像,确定第一作业区域内是否存在障碍物,并在第一作业区域内存在障碍物的情况下进行地图构建,这样,能够更快速、准确地识别出障碍物,并更有效率地完成地图的构建,以便于割草机器人能够根据构建的地图进行作业。
应理解,在本申请的各个实施例中,如果没有特殊说明以及逻辑冲突,各个实施例之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
图4是本申请实施例提供的另一种地图构建方法的示意性流程图,方法400可以是对方法300中步骤301至步骤S304的具体说明,方法400可以包括如下步骤:
S401,获取割草机器人的工作边界,基于工作边界生成割草机器人在工作边界内工作时的理想移动路径。
在一个实施例中,在割草机器人需要在规定的工作区域内进行割草工作时,可以先获取该工作区域对应的工作边界,并基于工作边界生成理想移动路径,该理想移动路径可以是基于割草机工作区域内不存在障碍物时所生成的工作轨迹。进一步地,该理想移动路径优选为弓字型图案,如图2所示,相比于沿一个方向移动,弓字型图案可以使割草机器人在移动到工作区域边界时不必停止移动,能够实现连续移动扫描的效果,从而节省获取图像数据的时间。其中,工作边界对应的不存在障碍物的工作区域可以是方法300中的第二作业区域。
S402,控制割草机器人按理想移动路径移动,并同步致动采集设备在移动过程中各扫描点对工作边界内的部分区域进行图像采集得到对应的深度图像和彩色图像。
具体地,可将理想移动轨迹理解为由多个扫描点组成,在割草机器人按理想移动轨迹移动过程中,同步致动采集设备在各扫描点对移动过程中工作边界内的部分区域进行扫描得到对应的深度图像和彩色图像。需要说明的是,采集设备在各扫描点可以获取对应区域的一帧或多帧图像,当获取多帧图像时,可将多帧图像进行融合以得到当前区域对应的高精度图像,从而提高路径规划的精确度,本申请对此不作限制。其中,上述工作边界内的部分区域可以是方法300中的第一作业区域。
S403,利用深度图像和彩色图像识别当前扫描点对应区域是否存在障碍物。
可选地,在利用深度图像和彩色图像识别出当前扫描点对应的区域存在障碍物的情况下,可以控制采集设备采集障碍物的轮廓信息以及障碍物的位置信息。其中,上述步骤S403中利用深度图像和彩色图像识别当前扫描点对应区域是否存在障碍物可以具有多种方式。
在一个实施例中,步骤S403具体包括:利用深度图像识别当前扫描点对应区域是否存在异物,若存在异物则结合同步采集的彩色图像识别当前异物是否为障碍物。
具体地,可以将深度图像转换为点云数据,判断点云数据中是否存在部分点的坐标值高于预设高度阈值,若是则将该部分点云对应的目标物视为异物,反之则根据同步采集的对应的彩色图像的颜色信息将当前区域分割为草地区域或非草地区域;其中,草地区域可以为割草机器人可执行割草动作的工作区域,非草地区域可以为割草机器人不可执行割草动作的工作区域(例如,过道),非草地区域可视为障碍物,对于非草地区域需控制采集设备采集非草地区域的轮廓信息以感知障碍物的位置信息,以便于割草机器人在后续执业割草业务时避开该区域。上述实施例可以对应图5中利用颜色区分障碍物的方法。
可选地,草地区域的预设的颜色信息可以为绿色,非草地区域的预设的颜色信息可以为非绿色。
需要说明的是,上述预设高度阈值可由采集设备安装于割草机器人上时相对于地面的高度确定,上述预设高度阈值可以是方法300中的预设阈值。当采集设备安装于割草机器人上时,可以以采集设备所在水平面为基准,其视场角对应的无穷远区域形成一个平面,高于该平面的点云对应的目标物则视为异物,如图6所示,点云#17037的位置高于采集设备的视场角对应的无穷远区域形成的平面,因此,点云#17037对应的目标物可以视为异物。
进一步地,若利用深度图像识别当前扫描点对应区域存在异物,则结合同步采集的彩色图像识别当前异物是否为几何障碍物,包括:根据当前深度图像与彩色图像的对齐关系,获取深度图像中异物所在区域在彩色图像中相应的区域;提取彩色图像中该区域的颜色信息,根据颜色信息判断当前异物是否为几何障碍物。具体地,由于割草机器人是在草地区域上进行割草工作,基于彩色图像的颜色信息可将割草机的工作区域划分为草地区域和障碍物区域,若基于深度图像检测到的异物在彩色图像中所在区域为草地区域,则说明当前异物不是几何障碍物,割草机器人可在该区域执行割草动作;若基于深度图像检测到的异物在彩色图像中所在区域为障碍物区域,则说明当前异物为几何障碍物,则可以控制采集设备采集障碍物的轮廓信息以感知几何障碍物的位置信息。
在一个实施例中,步骤S403具体包括:通过二值化对深度图像和彩色图像进行障碍物判断,进而识别出当前扫描点对应区域是否存在障碍物。
具体地,在利用深度图像进行异物判断过程中,可以根据目标物与预设高度阈值的比较关系将深度图像进行二值化,即若目标物的高度高于预设高度阈值,则深度图像中存在异物,将异物所在区域的像素赋予1,非异物所在区域的像素赋予0,以得到深度二值化图像;在利用彩色图像进行异物判断过程中,根据彩色图像的颜色信息对彩色图像进行二值化,若根据彩色图像的颜色信息判断目标物为异物,则将异物所在区域的像素赋予1,非异物所在区域的像素赋予0,得到彩色二值化图像;将深度二值化图像与彩色二值化图像进行逻辑与运算,若运算结果为1,则表明当前区域存在障碍物,反之若运算结果为0,则表明当前区域不存在障碍物。上述实施例可以对应图5中利用几何结构区分障碍物的方法。其中,在上述二值化的方法中,1可以是方法300中的第一值,0可以是方法300中的第二值。
在一个实施例中,如图7所示,在割草机器人的工作区域中存在架空的娱乐设施(例如,如由多个支撑杆支撑起来的蹦床等)或斜坡时,割草机器人仍然可以执行割草动作。此时,若仅使用深度相机检测障碍物,深度相机根据检测到的支撑杆高度或斜坡高度大于预设高度阈值,则可以将该架空的娱乐设施或斜坡视为障碍物,并将障碍物所在区域视为非草地地区,从而控制割草机器人避开该区域以在其他区域执行割草动作。然而,实际上割草机器人是可通过该架空的娱乐设施的底部区域或沿斜坡移动执行割草动作,由此,为了避免上述误判的情况出现,本申请实施例可以在深度相机检测到异物的前提下,结合该架空的娱乐设施在彩色图像中所在区域对应的颜色信息来判断该架空的娱乐设施或斜坡对应的区域是否为草地区域,若是则可将深度相机检测到的架空的娱乐设施或斜坡所在区域进行分割,将其作为割草机器人的可执行区域;否则,可以控制采集设备采集障碍物的轮廓信息以感知障碍物的位置信息。
可选地,在检测到障碍物的前提下,可将障碍物视为动态存在的,并根据障碍物停留时间长短对各障碍物进行时间标签,时间标签可分为永久存在、半永久存在或临时存在;其中,永久存在可以指在割草机器人多次工作过程中其位置是不会发生变化的障碍物,例如,花坛、树等;半永久存在可以指割草机当前次工作时存在,下一次工作时不存在的障碍物,例如,长椅、茶几等;临时存在可以指在割草机器人当前次工作过程中可随时撤离的障碍物,例如,动物、人等。上述实现方式可以对应图5中按照停留时间区分障碍物的方法。
其中,对于永久存在或半永久存在的障碍物而言,在构建全局地图过程中,控制采集设备采集障碍物的轮廓信息以感知障碍物的位置信息包括:在割草机器人按理想移动轨迹移动采集工作区域的全局地图过程中,若检测到障碍物,则控制采集设备沿该障碍物的边缘轮廓旋转移动以采集多帧障碍物局部图像,拼接多帧障碍物局部图像得到障碍物轮廓信息,并基于障碍物轮廓信息得到障碍物的位置信息,从而将得到的障碍物的位置信息更新到当前区域对应的高精度地图中。
进一步地,对于临时存在的障碍物而言,其在构建全局地图的过程中可以随时撤走,因此,在一般情况下无需获取障碍物的位置信息并对全局地图进行更新,但障碍物的位置信息可以在割草机器人在执行割草作业过程中对地图进行更新。具体地,在割草机器人在执行割草动作过程中,若割草机器人第一次检测到障碍物为临时存在的障碍物时,割草机器人可以采取规避策略,掉头执行下一规划路径的割草动作,在执行过程中,若临时存在的障碍物被撤走,则当割草机器人在前次作业结束后,返回充电桩进行充电时可不对地图进行更新,反之若临时存在的障碍物未被撤走,则割草机器人需要获取障碍物的位置信息并在当前次作业结束后,返回桩充电时对地图进行更新。
可选地,当障碍物轮廓信息为障碍物的点云数据,为了减少计算量,还可以对障碍物轮廓信息进行上采样得到稀疏点云,并基于障碍物的稀疏点云对当前区域对应的地图进行更新,以将障碍物的大小及位置更新到全局地图中。
其中,障碍物的轮廓信息对应的点云数据可以是方法300中的第二点云数据,稀疏点云可以是方法300中的第三点云数据。
S404,基于障碍物的位置信息对理想移动路径进行更新,得到割草机器人进行割草工作时的真实移动路径。
具体地,如图8所示,割草机器人可以按照理想移动路径逐步移动以采集工作区域内多帧局部图像,基于当前采集的局部图像对当前区域内存在的障碍物进行感知,以对基于历史采集图像得到的局部地图进行更新,从而得到包括完整障碍物的全局地图,以便于确定真实移动路径,并基于真实移动路径进行作业。
本申请实施例中,通过深度图像和彩色图像结合,能够更准确地判断出割草机器人的工作区域内是否存在障碍物,在存在障碍物的情况下,可以基于中障碍物的位置信息对理想移动路径进行更新,得到割草机器人的真实移动路径,以使割草机器人在执行割草作业时可规避障碍物,而无需用户额外操控,利于提高用户体验感。
应理解,在本申请的各个实施例中,如果没有特殊说明以及逻辑冲突,各个实施例之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
本申请实施例还提供用于实现以上任一种方法的装置,该装置包括用于实现以上任一种方法中割草机器人所执行的各步骤的单元。
图9是本申请实施例提供的一种地图构建装置900的示意图,该装置900可以包括获取单元910、存储单元920和处理单元930。获取单元910用于获取指令和/或数据,存储单元920,用于实现相应的存储功能,存储相应的指令和/或数据。获取单元910还可以称为通信接口或通信单元。处理单元930用于进行数据处理,以使得装置900实现前述地图构建方法。
该装置900包括:获取单元910,用于获取第一作业区域内的深度图像和彩色图像;处理单元930,用于:识别深度图像和彩色图像中的目标物,根据深度图像中目标物距离地面的第一高度与预设阈值的关系,以及目标物在彩色图像中的第一颜色信息与预设的颜色信息的关系,确定目标物是否为障碍物;在目标物为障碍物的情况下,获取障碍物的位置信息;根据障碍物的位置信息进行地图构建,得到第一作业区域的全局地图。
可选地,若该装置900位于智能设备100中,上述处理单元930可以是图1所示的处理器131。
图10是本申请实施例提供的另一种地图构建装置1000示意图,该装置1000可应用于图1的智能设备100中。该装置1000包括:存储器1010、处理器1020、以及通信接口1030。其中,存储器1010、处理器1020,通信接口1030通过内部连接通路相连,该存储器1010用于存储指令,该处理器1020用于执行该存储器1010存储的指令,以控制通信接口1030获取信息,或者使得装置1000实现前述地图构建方法。可选地,存储器1010既可以和处理器1020通过接口耦合,也可以和处理器1020集成在一起。
需要说明的是,上述通信接口1030使用例如但不限于收发器一类的收发装置。上述通信接口1030还可以包括输入/输出接口(input/output interface)。
处理器1020存储有一个或多个计算机程序,该一个或多个计算机程序包括指令。当该指令被所述处理器1020运行时,使得该装置1000执行上述各实施例中地图构建方法。
在实现过程中,上述方法的各步骤可以通过处理器1020中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1010,处理器1020读取存储器1010中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
可选地,图10中的通信接口1030可以实现图9中的获取单元910,图10中的存储器1010可以实现图9中的存储单元920,图10中的处理器1020可以实现图9中的处理单元930。
可选地,该装置900或装置1000可以位于图1中的割草机器人中。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码,当所述计算机程序代码在计算机上运行时,使得所述计算机执行上述图3至图8中的任一种方法。
本申请实施例还提供一种计算机程序产品,该计算机产品包括计算机程序,当所述计算机程序被运行时,使得计算机执行上述图3至图8的任一种方法。
本申请实施例还提供一种芯片,包括:电路,该电路用于执行上述图3至图8中的任一种方法。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种地图构建方法,其特征在于,所述方法包括:
获取第一作业区域内的深度图像和彩色图像;
识别所述深度图像和所述彩色图像中的目标物,根据所述深度图像中目标物距离地面的第一高度与预设阈值的关系,以及所述目标物在所述彩色图像中的第一颜色信息与预设的颜色信息的关系,确定所述目标物是否为障碍物;
在所述目标物为所述障碍物的情况下,获取所述障碍物的位置信息;
根据所述障碍物的位置信息进行地图构建,得到所述第一作业区域的全局地图。
2.如权利要求1所述的方法,其特征在于,所述根据所述深度图像中目标物距离地面的第一高度与预设阈值的关系,以及所述目标物在所述彩色图像中的第一颜色信息与预设的颜色信息的关系,确定所述目标物是否为障碍物,包括:
在所述第一高度大于或等于所述预设阈值,且所述第一颜色信息与所述预设的颜色信息不一致的情况下,确定所述目标物为所述障碍物,或者
在所述第一高度大于或等于所述预设阈值,且所述第一颜色信息与所述预设的颜色信息一致的情况下,确定所述目标物不是所述障碍物。
3.如权利要求1所述的方法,其特征在于,所述根据所述深度图像中目标物距离地面的第一高度与预设阈值的关系,以及所述目标物在所述彩色图像中的第一颜色信息与预设的颜色信息的关系,确定所述目标物是否为障碍物,包括:
在所述第一高度大于或等于所述预设阈值的情况下,确定所述目标物在所述深度图像中对应的像素值为第一值,在所述第一高度小于所述预设阈值的情况下,确定所述目标物在所述深度图像中对应的像素值为第二值;
在所述第一颜色信息与所述预设的颜色信息不一致的情况下,确定所述目标物在所述彩色图像中对应的像素值为所述第一值,在所述第一颜色信息与所述预设色颜色信息一致的情况下,确定所述目标物在所述彩色图像中对应的像素值为所述第二值;
在所述目标物在所述深度图像中对应的像素值与所述目标物在所述彩色图像中对应的像素值均为所述第一值的情况下,确定所述目标物为所述障碍物,或者
在所述目标物在所述深度图像中对应的像素值与所述目标物在所述彩色图像中对应的像素值中至少一项为所述第二值的情况下,确定所述目标物不是所述障碍物。
4.如权利要求1至3任一项所述的方法,其特征在于,在所述根据所述障碍物的位置信息,进行地图构建之前,所述方法还包括:
根据所述障碍物停留时间长短对各障碍物进行时间标签,所述时间标签包括永久存在、半永久存在或临时存在。
5.如权利要求1至4任一项所述的方法,其特征在于,所述获取第一作业区域内的深度图像和彩色图像,包括:
获取割草机器人在第二作业区域内进行作业的理想作业路径,所述第二作业区域为假设所述第一作业区域内不存在障碍物的工作区域,所述理想作业路径是基于所述第二作业区域内不存在所述障碍物确定的作业路径;
根据所述理想作业路径,控制所述割草机器人在所述第一作业区域内进行作业;
在所述割草机器人作业的过程中,获取所述第一作业区域内的深度图像和彩色图像。
6.如权利要求5所述的方法,其特征在于,所述根据所述障碍物的位置信息进行地图构建,得到所述第一作业区域的全局地图,包括:
根据所述障碍物的位置信息和所述理想作业路径进行地图构建得到所述第一作业区域的全局地图;
基于所述全局地图确定所述第一作业区域的真实作业路径,所述真实作业路径中不存在所述障碍物;
根据所述真实作业路径,控制所述割草机器人在所述第一作业区域内进行割草作业。
7.如权利要求1至6任一项所述的方法,其特征在于,所述获取所述障碍物的位置信息,包括:
获取所述障碍物的轮廓信息,所述障碍物的轮廓信息包括第二点云数据;
对所述障碍物的轮廓信息进行采样,得到第三点云数据,所述第三点云数据中的点云稀疏度低于所述第二点云数据中的点云稀疏度;
根据所述第三点云数据,确定所述障碍物的位置信息。
8.一种地图构建装置,其特征在于,所述装置包括:
获取单元,用于获取第一作业区域内的深度图像和彩色图像;
处理单元,用于识别所述深度图像和所述彩色图像中的目标物,根据所述深度图像中目标物距离地面的第一高度与预设阈值的关系,以及所述目标物在所述彩色图像中的第一颜色信息与预设的颜色信息的关系,确定所述目标物是否为障碍物;在所述目标物为所述障碍物的情况下,获取所述障碍物的位置信息;根据所述障碍物的位置信息进行地图构建,得到所述第一作业区域的全局地图。
9.一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存储有程序代码,当所述计算机程序代码在计算机上运行时,使得所述计算机执行如权利要求1至7任一项所述的方法。
10.一种割草机器人,其特征在于,包括采集设备、本体及主控芯片,其中:
所述采集设备,用于采集所述割草机器人第一作业区域内的深度图像和彩色图像;
所述主控芯片,用于根据如权利要求1至7任一项所述的方法对所述深度图像和彩色图像进行处理得到所述第一作业区域的全局地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345465.6A CN117274519A (zh) | 2023-10-16 | 2023-10-16 | 地图构建方法、装置以及割草机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345465.6A CN117274519A (zh) | 2023-10-16 | 2023-10-16 | 地图构建方法、装置以及割草机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117274519A true CN117274519A (zh) | 2023-12-22 |
Family
ID=89212300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311345465.6A Pending CN117274519A (zh) | 2023-10-16 | 2023-10-16 | 地图构建方法、装置以及割草机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274519A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117804449A (zh) * | 2024-02-29 | 2024-04-02 | 锐驰激光(深圳)有限公司 | 割草机地面感知方法、装置、设备及存储介质 |
-
2023
- 2023-10-16 CN CN202311345465.6A patent/CN117274519A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117804449A (zh) * | 2024-02-29 | 2024-04-02 | 锐驰激光(深圳)有限公司 | 割草机地面感知方法、装置、设备及存储介质 |
CN117804449B (zh) * | 2024-02-29 | 2024-05-28 | 锐驰激光(深圳)有限公司 | 割草机地面感知方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11789459B2 (en) | Vehicle controllers for agricultural and industrial applications | |
US10278333B2 (en) | Pruning robot system | |
EP3234718B1 (en) | Robotic vehicle learning site boundary | |
US10806075B2 (en) | Multi-sensor, autonomous robotic vehicle with lawn care function | |
US10338602B2 (en) | Multi-sensor, autonomous robotic vehicle with mapping capability | |
WO2021003336A1 (en) | Agricultural lane following | |
EP3553620B1 (en) | Robotic vehicle grass structure detection | |
Vandapel et al. | Natural terrain classification using 3-d ladar data | |
CN106227212B (zh) | 基于栅格地图和动态校准的精度可控室内导航系统及方法 | |
CN101509781B (zh) | 基于单目摄像头的步行机器人定位系统 | |
Bargoti et al. | A pipeline for trunk detection in trellis structured apple orchards | |
EP3232763A1 (en) | Robotic vehicle with automatic camera calibration capability | |
CN109255302A (zh) | 目标物识别方法及终端、移动装置控制方法及终端 | |
CN213424010U (zh) | 一种割草机器人割草范围识别装置 | |
EP3686704B1 (en) | Method for generating a representation and system for teaching an autonomous device operating based on such representation | |
CN117274519A (zh) | 地图构建方法、装置以及割草机器人 | |
Velasquez et al. | Multi-sensor fusion based robust row following for compact agricultural robots | |
CN113807309B (zh) | 一种基于深度学习的果园机械行走路线规划方法 | |
CN113448340B (zh) | 一种无人机的路径规划方法、装置、无人机及存储介质 | |
KR20240005918A (ko) | 열 검출 시스템, 열 검출 시스템을 구비하는 농업 기계, 및 열 검출 방법 | |
KR20240005917A (ko) | 열 검출 시스템, 열 검출 시스템을 구비하는 농업 기계, 및 열 검출 방법 | |
CN115981298A (zh) | 户外机器人的作业控制方法及户外机器人 | |
CN114872029A (zh) | 一种机器人视觉识别系统 | |
Rovira Más et al. | Local Perception Systems |
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 |