CN117406754B - 一种物流机器人环境感知与避障方法及系统 - Google Patents
一种物流机器人环境感知与避障方法及系统 Download PDFInfo
- Publication number
- CN117406754B CN117406754B CN202311629658.4A CN202311629658A CN117406754B CN 117406754 B CN117406754 B CN 117406754B CN 202311629658 A CN202311629658 A CN 202311629658A CN 117406754 B CN117406754 B CN 117406754B
- Authority
- CN
- China
- Prior art keywords
- cluster
- obstacle
- point cloud
- dimensional point
- cloud data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000007704 transition Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 16
- 238000013145 classification model Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims 1
- 230000004888 barrier function Effects 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及物流机器人领域,更具体地,本发明涉及一种物流机器人环境感知与避障方法及系统。所述方法包括:获取目标物流机器人所处环境的三维点云数据并进行聚类获得第一聚类簇;获取目标物流机器人所处环境的环境温度与环境湿度,计算信号衰减,并获得第二聚类簇;确定目标物流机器人四周的障碍物所处位置和种类;基于障碍物的历史行走轨迹建立马尔可夫模型,计算状态转移概率矩阵,获得障碍物的轨迹预测结果;将障碍物的三维点云数据投射至预先获取的三维点云地图中,判断下一路口的路况,根据判断结果生成预警避障信号。通过本发明的技术方案,能够使物流机器人根据环境因素实时判断行驶路况,及时且准确的进行避障。
Description
技术领域
本发明一般地涉及物流机器人领域。更具体地,本发明涉及一种物流机器人环境感知与避障方法及系统。
背景技术
近年来,随着人工智能技术的快速发展,越来越多的领域应用的人工智能技术。随着电子商务的发展和物流需求的增加,物流机器人被广泛应用于仓储和物流领域,物流机器人在仓库和物流场景中与人员、设备和其他障碍物频繁交互,通常需要在复杂的环境中自主导航和执行任务,而不依赖外部控制。为了确保在复杂的环境中安全地移动和执行任务,机器人需要能够及时感知周围环境的变化,并避免与障碍物发生碰撞,减少意外事故的发生,因此,它们需要具备良好的环境感知和避障能力,能够根据感知到的信息做出决策和调整行动,以适应不同的工作场景和任务需求。
现有技术中物流机器人系统往往采用传感器技术和导航算法,但在复杂环境下,仍然存在一些问题。传统的环境感知与避障方法可能无法适应动态变化的场景,导致机器人在实际操作中效果不佳。
发明内容
为解决上述一个或多个技术问题,本发明提出获取目标物流机器人所处环境的三维点云数据并进行聚类获得第一聚类簇;获取目标物流机器人所处环境的环境温度与环境湿度,计算信号衰减,并获得第二聚类簇;确定目标物流机器人四周的障碍物所处位置和种类;基于障碍物的历史行走轨迹建立马尔可夫模型,计算状态转移概率矩阵,获得障碍物的轨迹预测结果;将障碍物的三维点云数据投射至预先获取的三维点云地图中,判断下一路口的路况,根据判断结果生成预警避障信号。为此,本发明在如下的多个方面中提供方案。
一种物流机器人环境感知与避障方法,包括以下步骤:获取目标物流机器人所处环境的三维点云数据;基于信号强度的差异对所述三维点云数据进行第一次聚类,获得第一聚类簇;获取所述目标物流机器人所处环境的环境温度与环境湿度;计算信号衰减,所述信号衰减满足关系式:
其中,表示第一聚类簇/>中所有三维点云数据的平均距离,/>表示第一聚类簇/>中所有三维点云数据的平均距离,/>表示第一聚类簇/>中所有三维点云数据的平均信号强度,/>表示第一聚类簇/>中所有三维点云数据的平均信号强度,/>表示衰减系数,/>表示第一聚类簇/>的环境温度值,/>表示第一聚类簇/>的环境温度值,/>表示第一聚类簇/>的环境湿度值,/>表示第一聚类簇/>的环境湿度值。
基于所述信号衰减对所述第一聚类簇进行合并,获得第二聚类簇;分别对每个所述第二聚类簇对应的障碍物设定标签,输入预设的数据集分类模型,确定所述目标物流机器人四周的障碍物所处位置和种类;基于所述障碍物的历史行走轨迹建立马尔可夫模型,计算状态转移概率矩阵,获得所述障碍物的轨迹预测结果;将所述障碍物的三维点云数据投射至预先获取的三维点云地图中,基于所述障碍物的轨迹预测结果判断所述目标物流机器人在行驶路径中下一路口的路况,根据判断结果生成预警避障信号。
在一个实施例中,所述获得第一聚类簇包括步骤:随机选取一个目标三维点云数据,计算以所述目标三维点云数据为圆心,预设长度为半径的圆形范围内的三维点云数据与目标三维点云数据之间信号强度的差异,所述差异小于预设阈值时,将这些三维点云数据聚为一个聚类簇,所述信号强度的差异满足表达式:
其中,表示信号强度的差异,/>表示三维点云数据/>的信号强度值,/>表示三维点云数据/>的信号强度值。
计算所有三维点云数据和所述目标三维点云数据间的信号强度的差异,直至目标三维点云数据所在的聚类簇不再有新的三维点云数据进入,目标聚类簇聚类完毕;遍历所有三维点云数据,直到所有的三维点云数据均存在于对应的聚类簇中;聚类簇内小于预设值的三维点云数据记为噪声数,排除噪声数据,获得第一聚类簇。
在一个实施例中,获取所述目标物流机器人所处环境的环境温度与环境湿度包括:根据不同第一聚类簇的温度传感器的距离计算环境温度,所述环境温度满足关系式:
其中,表示第一聚类簇/>的环境温度值,/>表示第一聚类簇/>所处位置的8邻域的第/>个温度传感器的值。
根据不同第一聚类簇的湿度传感器的距离计算环境湿度,所述环境湿度满足关系式:
其中,表示第一聚类簇/>的环境湿度值,/>表示第一聚类簇/>所处位置的8邻域的第/>个湿度传感器的值。
在一个实施例中,状态转移概率矩阵满足关系式:
其中,表示状态转移概率矩阵中状态/>转移到状态/>的概率值,/>表示障碍物历史行走轨迹中在每个路口从状态/>转移到状态/>的次数,/>表示障碍物历史行走轨迹中状态转移的总次数。
在一个实施例中,基于所述障碍物的轨迹预测结果判断所述目标物流机器人在行驶路径中下一路口的路况中,判断方法满足关系式:
其中,表示目标物流机器人当前位置到行驶路径中下一路口间的距离,/>表示目标物流机器人的行驶速度,/>表示目标障碍物的当前位置到目标物流机器人行驶路径中下一路口的距离,/>表示目标障碍物的行驶速度。
在一个实施例中,还包括:若等式成立,目标障碍物行驶至目标物流机器人行驶路径中下一路口会与目标物流机器人碰撞,比较目标障碍物的状态转移概率矩阵与预设阈值:响应于所述障碍物的状态转移概率矩阵大于预设阈值,目标物流机器人需进行避障准备;响应于所述障碍物的状态转移概率矩阵小于预设阈值,目标物流机器人能够安全通过路口。
本发明具有以下技术效果:
通过实时更新的三维点云地图,计算每个行动障碍物的状态转移概率判断经过目标物流机器人行驶路径下一路口的概率,从而确定目标物流机器人行驶路径下一路口的路况,使目标物流机器人提前做出避障准备,降低物流机器人在行驶过程中发生碰撞的概率,使物流机器人更加高效安全的行驶。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例一种物流机器人环境感知与避障方法的流程图;
图2是本发明实施例一种物流机器人环境感知与避障系统的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本发明提供了一种物流机器人环境感知与避障方法。如图1所示,一种物流机器人环境感知与避障方法包括步骤S1-步骤S5,以下具体说明。
S1,获取目标物流机器人所处环境的三维点云数据并进行聚类获得第一聚类簇。
具体的,使用温度传感器和湿度传感器采集物流机器人所处的环境温度和环境湿度,温度传感器和湿度传感器等间距的分布在物流机器人所处的环境中,示例性,间距设置为5米。
通过物流机器人携带的激光雷达扫描获得物流机器人所处环境的三维点云数据,三维点云数据包含物流机器人所在环境中障碍物的位置坐标和障碍物的信号强度,信号强度包括障碍物表面反射率。
对激光雷达扫描获得的三维点云数据进行聚类,聚类过程为:随机选取一个目标三维点云数据,计算目标三维点云数据为圆心预设长度为半径的圆形范围内的三维点云数据与目标三维点云数据之间信号强度的差异,差异小于预设阈值时,将这些三维点云数据聚为一个聚类簇,信号强度的差异满足表达式:
其中,表示信号强度的差异,/>表示三维点云数据/>的信号强度值,/>表示三维点云数据/>的信号强度值。
计算所有三维点云数据和目标三维点云数据间的信号强度的差异,直至目标三维点云数据所在的聚类簇不再有新的三维点云数据进入,目标聚类簇聚类完毕;再随机寻找不在目标聚类簇的三维点云数据重复目标聚类簇聚类步骤,直到所有的三维点云数据都找到自己的聚类簇;聚类簇内三维点云数据小于预设值的记为噪声数据,排除噪声数据,示例性的,将聚类簇内三维点云数据个数小于10的聚类簇认为是噪声数据。
至此获得第一聚类簇,每个第一聚类簇均代表环境中的障碍物。
S2,获取目标物流机器人所处环境的环境温度与环境湿度,计算信号衰减,并获得第二聚类簇。
具体的,通过物流机器人所处的环境温度和环境湿度,根据不同第一聚类簇的温度传感器的距离计算环境温度,环境温度满足关系式:
其中,表示第一聚类簇/>的环境温度值,/>表示第一聚类簇/>所处位置的8邻域的第/>个温度传感器的值。
根据不同第一聚类簇的湿度传感器的距离计算环境湿度,环境湿度满足关系式:
其中,表示第一聚类簇/>的环境湿度值,/>表示第一聚类簇/>所处位置的8邻域的第/>个湿度传感器的值。
计算信号衰减,信号衰减满足关系式:
其中,表示第一聚类簇/>中所有三维点云数据的平均距离,/>表示第一聚类簇/>中所有三维点云数据的平均距离,/>表示第一聚类簇/>中所有三维点云数据的平均信号强度,/>表示第一聚类簇/>中所有三维点云数据的平均信号强度,/>表示衰减系数,/>表示第一聚类簇/>的环境温度值,/>表示第一聚类簇/>的环境温度值,/>表示第一聚类簇/>的环境湿度值,/>表示第一聚类簇/>的环境湿度值。
激光在传输过程中会与大气中的水分发生作用,因此湿度是影响激光传输的主要因素之一。当湿度较高时,激光的能量会被吸收或散射,从而降低激光的传输距离和传输质量。其次,温度也会影响激光传输。因为大气的密度随温度的变化而变化,当温度变化较大时,大气密度的变化也会影响激光的传输距离和传输质量。
满足信号衰减公式说明是同一种障碍物产生的三维点云数据,但是距离物流机器人的距离不同,因此将满足信号衰减公式的聚类簇合并获得第二聚类簇,合并完成之后不同的第二聚类簇代表不同的障碍物,一个第二聚类簇表示一种障碍物。
S3,确定目标物流机器人四周的障碍物所处位置和种类。
具体的,分别对每个第二聚类簇对应的障碍物设定标签,输入预设的数据集分类模型,确定目标物流机器人四周的障碍物所处位置和种类,障碍物包括其他物流机器人和障碍物。
在一个实施例中,给每个第二聚类簇对应的障碍物一个标签,示例性的,标签为:物流机器人、人、货架、货车等,满足信号衰减公式的聚类簇的标签一致。将三维点云数据和三维点云数据的标签构成数据集,使用预设的数据集分类模型,示例性的,数据集分类模型可以为卷积神经网络模型,模型训练完毕后,使用训练好的模型实时对物流机器人所处环境的三维点云数据进行分类,确定物流机器人所处环境内障碍物的种类和所处位置。
S4,基于障碍物的历史行走轨迹建立马尔可夫模型,计算状态转移概率矩阵,获得障碍物的轨迹预测结果。
具体的,根据每种障碍物的历史行走轨迹建立马尔可夫模型,示例性的,根据物流机器人所处环境中货车的历史行走轨迹建立马尔可夫模型,根据货车历史行走轨迹中每个路口的状态选择,计算状态转移概率矩阵,其中,状态选择包括:前进、左拐、右拐、调头。
状态转移概率矩阵满足关系式:
其中,表示状态转移概率矩阵中状态/>转移到状态/>的概率值,/>表示障碍物历史行走轨迹中在每个路口从状态/>转移到状态/>的次数,/>表示障碍物历史行走轨迹中状态转移的总次数。
根据状态转移概率矩阵对货车的行走轨迹进行预测,货车在下一个路口的状态选择是四个状态选择中概率最大的。同理,可用马尔科夫模型对其他种类的障碍物轨迹进行预测。至此,能够得到每个障碍物的轨迹预测结果。
S5,将障碍物的三维点云数据投射至预先获取的三维点云地图中,判断下一路口的路况,根据判断结果生成预警避障信号。
具体的,根据三维点云数据和SLAM( Simultaneous Localization and Mapping,同步定位与地图构建)算法。得到当前时刻的三维点云地图,通过SLAM算法获得的三维点云地图会随着三维点云数据的变化实时更新。
物流机器人依据实时的三维点云地图实时避障,将实时的三维点云数据投射至三维点云地图中,基于障碍物的轨迹预测结果判断所述目标物流机器人在行驶路径中下一路口的路况,判断方法满足关系式:
其中,表示目标物流机器人当前位置到行驶路径中下一路口间的距离,/>表示目标物流机器人的行驶速度,/>表示目标障碍物的当前位置到目标物流机器人行驶路径中下一路口的距离,/>表示目标障碍物的行驶速度。
如果某一障碍物的行驶速度满足判断方法的公式,意味着按照当前速度,若障碍物经过目标物流机器人行驶路径中下一路口,会与目标物流机器人相撞,此时根据能够与目标物流机器人相撞的所有障碍物的状态转移概率矩阵,计算障碍物经过目标物流机器人行驶路径中下一路口的概率,比较目标障碍物的状态转移概率矩阵和预设阈值,示例性的,本发明将阈值设置为0.2,响应于障碍物的状态转移概率矩阵大于预设阈值,目标物流机器人需进行避障准备,同时对点云地图进行更新,用于下一时刻的避障;响应于障碍物的状态转移概率矩阵小于预设阈值,目标物流机器人能够安全通过路口。
本发明实施例还公开一种物流机器人环境感知与避障系统,参照图2,包括处理器和存储器,存储器存储有计算机程序指令,当计算机程序指令被处理器执行时实现根据本发明的一种物流机器人环境感知与避障方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本发明中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM (Resistive RandomAccess Memory)、动态随机存取存储器DRAM (Dynamic Random Access Memory)、静态随机存取存储器SRAM (Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM (High-BandwidthMemory)、混合存储立方HMC (Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (7)
1.一种物流机器人环境感知与避障方法,其特征在于,包括以下步骤:
获取目标物流机器人所处环境的三维点云数据;
基于信号强度的差异对所述三维点云数据进行第一次聚类,获得第一聚类簇;
获取所述目标物流机器人所处环境的环境温度与环境湿度;
计算信号衰减,所述信号衰减满足关系式:
其中,表示第一聚类簇/>中所有三维点云数据的平均距离,/>表示第一聚类簇/>中所有三维点云数据的平均距离,/>表示第一聚类簇/>中所有三维点云数据的平均信号强度,表示第一聚类簇/>中所有三维点云数据的平均信号强度,/>表示衰减系数,/>表示第一聚类簇/>的环境温度值,/>表示第一聚类簇/>的环境温度值,/>表示第一聚类簇/>的环境湿度值,/>表示第一聚类簇/>的环境湿度值;
基于所述信号衰减对所述第一聚类簇进行合并,获得第二聚类簇;
分别对每个所述第二聚类簇对应的障碍物设定标签,输入预设的数据集分类模型,确定所述目标物流机器人四周的障碍物所处位置和种类;
基于所述障碍物的历史行走轨迹建立马尔可夫模型,计算状态转移概率矩阵,获得所述障碍物的轨迹预测结果;
将所述障碍物的三维点云数据投射至预先获取的三维点云地图中,基于所述障碍物的轨迹预测结果判断所述目标物流机器人在行驶路径中下一路口的路况,根据判断结果生成预警避障信号。
2.根据权利要求1所述的一种物流机器人环境感知与避障方法,其特征在于,所述获得第一聚类簇包括步骤:
随机选取一个目标三维点云数据,计算以所述目标三维点云数据为圆心,预设长度为半径的圆形范围内的三维点云数据与目标三维点云数据之间信号强度的差异,所述差异小于预设阈值时,将这些三维点云数据聚为一个聚类簇,所述信号强度的差异满足表达式:
其中,表示信号强度的差异,/>表示三维点云数据/>的信号强度值,/>表示三维点云数据/>的信号强度值;
计算所有三维点云数据和所述目标三维点云数据间的信号强度的差异,直至目标三维点云数据所在的聚类簇不再有新的三维点云数据进入,目标聚类簇聚类完毕;
遍历所有三维点云数据,直到所有的三维点云数据均存在于对应的聚类簇中;
聚类簇内小于预设值的三维点云数据记为噪声数,排除噪声数据,获得第一聚类簇。
3.根据权利要求1所述的一种物流机器人环境感知与避障方法,其特征在于,获取所述目标物流机器人所处环境的环境温度与环境湿度包括:
根据不同第一聚类簇的温度传感器的距离计算环境温度,所述环境温度满足关系式:
其中,表示第一聚类簇/>的环境温度值,/>表示第一聚类簇/>所处位置的8邻域的第/>个温度传感器的值;
根据不同第一聚类簇的湿度传感器的距离计算环境湿度,所述环境湿度满足关系式:
其中,表示第一聚类簇/>的环境湿度值,/>表示第一聚类簇/>所处位置的8邻域的第/>个湿度传感器的值。
4.根据权利要求1所述的一种物流机器人环境感知与避障方法,其特征在于,状态转移概率矩阵满足关系式:
其中,表示状态转移概率矩阵中状态/>转移到状态/>的概率值,/>表示障碍物历史行走轨迹中在每个路口从状态/>转移到状态/>的次数,/>表示障碍物历史行走轨迹中状态转移的总次数。
5.根据权利要求1所述的一种物流机器人环境感知与避障方法,其特征在于,基于所述障碍物的轨迹预测结果判断所述目标物流机器人在行驶路径中下一路口的路况中,判断方法满足关系式:
其中,表示目标物流机器人当前位置到行驶路径中下一路口间的距离,/>表示目标物流机器人的行驶速度,/>表示目标障碍物的当前位置到目标物流机器人行驶路径中下一路口的距离,/>表示目标障碍物的行驶速度。
6.根据权利要求5所述的一种物流机器人环境感知与避障方法,其特征在于,还包括:
若等式成立,目标障碍物行驶至目标物流机器人行驶路径中下一路口会与目标物流机器人碰撞,比较目标障碍物的状态转移概率矩阵与预设阈值:
响应于所述障碍物的状态转移概率矩阵大于预设阈值,目标物流机器人需进行避障准备;
响应于所述障碍物的状态转移概率矩阵小于预设阈值,目标物流机器人能够安全通过路口。
7.一种物流机器人环境感知与避障系统,其特征在于,包括:
处理器;以及存储器,其存储有用于一种物流机器人环境感知与避障方法的计算机指令,当所述计算机指令由所述处理器运行时,使得设备执行根据权利要求1-6的任意一项所述的一种物流机器人环境感知与避障方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311629658.4A CN117406754B (zh) | 2023-12-01 | 2023-12-01 | 一种物流机器人环境感知与避障方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311629658.4A CN117406754B (zh) | 2023-12-01 | 2023-12-01 | 一种物流机器人环境感知与避障方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117406754A CN117406754A (zh) | 2024-01-16 |
CN117406754B true CN117406754B (zh) | 2024-02-20 |
Family
ID=89487337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311629658.4A Active CN117406754B (zh) | 2023-12-01 | 2023-12-01 | 一种物流机器人环境感知与避障方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117406754B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB202100906D0 (en) * | 2020-01-24 | 2021-03-10 | FLIR Belgium BVBA | Collision avoidance systems and methods |
US11037320B1 (en) * | 2016-03-01 | 2021-06-15 | AI Incorporated | Method for estimating distance using point measurement and color depth |
CN116576857A (zh) * | 2023-04-19 | 2023-08-11 | 东北大学 | 一种基于单线激光雷达的多障碍物预测导航避障方法 |
CN116824533A (zh) * | 2023-07-14 | 2023-09-29 | 东北石油大学 | 一种基于注意力机制的远小目标点云数据特征增强方法 |
CN116859413A (zh) * | 2023-05-31 | 2023-10-10 | 华能伊敏煤电有限责任公司 | 一种用于露天矿车车辆的感知模型建立方法 |
CN116972865A (zh) * | 2023-04-27 | 2023-10-31 | 中国人民解放军61540部队 | 基于车辆机动性评估的复杂越野环境导航方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7539557B2 (en) * | 2005-12-30 | 2009-05-26 | Irobot Corporation | Autonomous mobile robot |
US11449061B2 (en) * | 2016-02-29 | 2022-09-20 | AI Incorporated | Obstacle recognition method for autonomous robots |
US10788836B2 (en) * | 2016-02-29 | 2020-09-29 | AI Incorporated | Obstacle recognition method for autonomous robots |
US11927965B2 (en) * | 2016-02-29 | 2024-03-12 | AI Incorporated | Obstacle recognition method for autonomous robots |
WO2019236588A1 (en) * | 2018-06-04 | 2019-12-12 | The Research Foundation For The State University Of New York | System and method associated with expedient determination of location of one or more object(s) within a bounded perimeter of 3d space based on mapping and navigation to a precise poi destination using a smart laser pointer device |
CN113868807A (zh) * | 2020-06-30 | 2021-12-31 | 罗伯特·博世有限公司 | 三维环境分析方法和设备、计算机存储介质以及无线传感器系统 |
-
2023
- 2023-12-01 CN CN202311629658.4A patent/CN117406754B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11037320B1 (en) * | 2016-03-01 | 2021-06-15 | AI Incorporated | Method for estimating distance using point measurement and color depth |
GB202100906D0 (en) * | 2020-01-24 | 2021-03-10 | FLIR Belgium BVBA | Collision avoidance systems and methods |
CN116576857A (zh) * | 2023-04-19 | 2023-08-11 | 东北大学 | 一种基于单线激光雷达的多障碍物预测导航避障方法 |
CN116972865A (zh) * | 2023-04-27 | 2023-10-31 | 中国人民解放军61540部队 | 基于车辆机动性评估的复杂越野环境导航方法及系统 |
CN116859413A (zh) * | 2023-05-31 | 2023-10-10 | 华能伊敏煤电有限责任公司 | 一种用于露天矿车车辆的感知模型建立方法 |
CN116824533A (zh) * | 2023-07-14 | 2023-09-29 | 东北石油大学 | 一种基于注意力机制的远小目标点云数据特征增强方法 |
Non-Patent Citations (3)
Title |
---|
Two-Level Clustering-Based Target Detection Through Sensor Deployment and Data Fusion;Chase Q. Wu;2018 21st International Conference on Information Fusion (FUSION);20180906;2376-2383 * |
复杂环境下四足机器人跟踪和避障算法的研究与实现;李志;《优秀硕士学位论文全文库-信息科技辑》;20230215;1-84 * |
针对复杂环境的模块化栅格地图构建算法;秦玉鑫;《控制工程》;20161020;第23卷(第10期);1627-1633 * |
Also Published As
Publication number | Publication date |
---|---|
CN117406754A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114384920B (zh) | 一种基于局部栅格地图实时构建的动态避障方法 | |
CN112577506B (zh) | 一种自动驾驶局部路径规划方法和系统 | |
Zhang et al. | A cognitively inspired system architecture for the Mengshi cognitive vehicle | |
Zhao et al. | A path planning method based on multi-objective cauchy mutation cat swarm optimization algorithm for navigation system of intelligent patrol car | |
US11004332B2 (en) | Cooperative mapping for autonomous vehicles, robots or multi-agent systems | |
US20230063845A1 (en) | Systems and methods for monocular based object detection | |
US20230118472A1 (en) | Systems and methods for vehicle motion planning | |
CN116576857A (zh) | 一种基于单线激光雷达的多障碍物预测导航避障方法 | |
Ming et al. | A survey of path planning algorithms for autonomous vehicles | |
Xin et al. | Coordinated motion planning of multiple robots in multi-point dynamic aggregation task | |
CN117406754B (zh) | 一种物流机器人环境感知与避障方法及系统 | |
CN112446466A (zh) | 在深度神经网络中测量置信度 | |
Chen et al. | From perception to control: an autonomous driving system for a formula student driverless car | |
US20230072966A1 (en) | Systems and methods for providing and using confidence estimations for semantic labeling | |
US20230037142A1 (en) | Method and system for developing autonomous vehicle training simulations | |
Sun et al. | Automatic detection of vehicle targets based on centernet model | |
He et al. | Intelligent navigation of indoor robot based on improved DDPG algorithm | |
CN115107806A (zh) | 一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法 | |
Sun | Point cloud clustering algorithm for autonomous vehicle based on 2.5 D Gaussian Map | |
CN113959446A (zh) | 一种基于神经网络的机器人自主物流运输导航方法 | |
CN114488026A (zh) | 基于4d毫米波雷达的地下停车库可通行空间检测方法 | |
Zhang et al. | A Robot Navigation System in Complex Terrain Based on Statistical Features of Point Clouds | |
Rawat | Environment Perception for Autonomous Driving: A 1/10 Scale Implementation Of Low Level Sensor Fusion Using Occupancy Grid Mapping | |
YU et al. | Vehicle Intelligent Driving Technology | |
Liu et al. | A robot obstacle avoidance approach with lidar and rgb camera data combined |
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 |