CN117549939B - 有轨机器人与车厢共速的方法和设备 - Google Patents
有轨机器人与车厢共速的方法和设备 Download PDFInfo
- Publication number
- CN117549939B CN117549939B CN202311503349.2A CN202311503349A CN117549939B CN 117549939 B CN117549939 B CN 117549939B CN 202311503349 A CN202311503349 A CN 202311503349A CN 117549939 B CN117549939 B CN 117549939B
- Authority
- CN
- China
- Prior art keywords
- obj
- carriage
- distance
- speed
- 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 57
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/08—Control, warning or like safety means along the route or between vehicles or trains for controlling traffic in one direction only
- B61L23/14—Control, warning or like safety means along the route or between vehicles or trains for controlling traffic in one direction only automatically operated
- B61L23/18—Control, warning or like safety means along the route or between vehicles or trains for controlling traffic in one direction only automatically operated specially adapted for changing lengths of track sections in dependence upon speed and traffic density
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/08—Control, warning or like safety means along the route or between vehicles or trains for controlling traffic in one direction only
- B61L23/14—Control, warning or like safety means along the route or between vehicles or trains for controlling traffic in one direction only automatically operated
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明的实施例提供了有轨机器人与车厢共速的方法和设备。所述方法包括获取激光雷达数据，将所述激光雷达数据由一维距离数组转换成二维点云数据；从所述二维点云数据中筛选出与车厢共速的有效特征点；从所述有效特征点中过滤出唯一的共速特征点；以共速特征点为跟随目标，采用PID控制算法计算下一时刻有轨机器人的目标运行速度输出给伺服驱动器，使所述伺服驱动器控制伺服电机调整有轨机器人的运行速度。以此方式，可以使有轨机器人在与车厢共速过程中保证共速的稳定性时效性，提升共速的安全性与鲁棒性。
Description
技术领域
本发明一般涉及雷达跟踪控制领域，并且更具体地，涉及有轨机器人与车厢共速的方法和设备。
背景技术
在铁路作业场景，为不影响效率，须在火车车厢运行不停车的情况下对故障车厢进行移动跟随作业。但是，车厢的运行速度并非匀速，且移动过程中的车厢速度不易取得。同时还要求作业的有轨机器人尽量不与车厢刚性连接，且跟踪车厢移动的任务中对车厢实时共速精度必须要要达到一定的要求才能满足移动跟随作业条件。如果机器人在作业过程中，出现共速点不准确或与车厢相对速度差异比较大，车厢会与有轨机器人产生碰撞。
发明内容
根据本发明的实施例，提供了一种有轨机器人与车厢共速方案。本方案能够使有轨机器人在与车厢共速过程中保证共速的稳定性时效性，提升共速的安全性与鲁棒性。
在本发明的第一方面，提供了一种有轨机器人与车厢的共速特征点计算方法。该方法包括：
获取激光雷达数据，将所述激光雷达数据由一维距离数组转换成二维点云数据；
从所述二维点云数据中筛选出与车厢共速的有效特征点；
从所述有效特征点中过滤出唯一的共速特征点。
进一步地，所述激光雷达数据为有轨机器人中的激光雷达在预设采样条件下采集的扫描点数据，该扫描点数据包括扫描点到激光雷达的距离数据、扫描点的回波强度数据。
进一步地，所述将所述激光雷达数据由一维距离数组转换成二维点云数据，包括：
L＝[L1 L2 L3 … Li …]
其中，θ为激光雷达的角度分辨率；Li为角度分辨率为θ的扫描点的距离值，L为每帧数据中返回每个扫描点的距离值的集合；X＝[x1 x2 x3 … xi …]表示二维点云的横坐标数组，其中xi表示第i个扫描点的横坐标；Y＝[y1 y2 y3 … yi …]表示二维点云的纵坐标数组，其中yi表示第i个扫描点的纵坐标；i为扫描点索引序号。
进一步地，所述从所述二维点云数据中筛选出与车厢共速的有效特征点，包括：
设定第一阈值T1，计算相邻扫描点之间的距离差值，将所述距离差值的绝对值|di|大于所述第一阈值T1的扫描点作为车厢角点位置的特征点；
从二维点云的横坐标数组X和纵坐标数组Y中剔除所述车厢角点位置的特征点对应的数据，得到索引值对应的第一一维纵坐标数组X1和第一一维纵坐标数组Y1；
设定第二阈值T2和第三阈值T3，从所述第一一维纵坐标数组Y1筛选出纵坐标在所述第二阈值T2和第三阈值T3之间的纵坐标及其对应的索引值，得到第二一维纵坐标数组Y2；
根据所述第二一维纵坐标数组Y2的索引值对应出第二一维横坐标数组X2。
进一步地，所述从所述有效特征点中过滤出唯一的共速特征点，包括：
从所述第二一维横坐标数组X2中过滤出符合过滤条件的唯一值作为共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值xobj；
所述过滤条件为：
S1-W1＜xq-xq-1＜S1+W1
S2-W2＜xq-xq-2＜S2+W2
S3-W3＜xq+1-xq＜S3+W3
其中，S1为每节车厢同侧的前轮对和后轮对的最外侧距离；S2为每个转向架的同侧轮对的宽度；S3为前后两节车厢相邻转向架之间的距离；W1为每节车厢同侧的前轮对和后轮对的最外侧距离S1的误差区间、W2为每个转向架的同侧轮对的宽度S2的误差区间、W3为前后两节车厢相邻转向架之间的距离S3的误差区间；xq是所述第二一维横坐标数组X2中的第q个元素。
进一步地，还包括：
对所述共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值xobj进行均值处理，得到均值后的所述共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值；
所述均值处理包括：
从所述二维点云的横坐标数组X中取索引值临近且小于所述第二一维横坐标数组X2中的第q个元素xq的H个元素，取H个元素的平均值作为均值后的所述共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值；H为预设的元素个数。
进一步地，还包括：
在得到共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值xobj之后，判断当前帧的距离值xobj_e与其上一帧的距离值xobj_l是否满足数据可信度条件，若满足数据可信度条件，则认为当前帧的距离值xobj_e有效，将上一帧的距离值xobj_l更新为当前帧的距离值xobj_e；若不满足数据可信度条件，则保持上一帧的距离值xobj_l不变，累加更新轮次；当所述更新轮次连续累加达到预设次数时，将上一帧的距离值xobj_l更新为当前帧的距离值xobj_e；
所述数据可信度条件为：
xobj_l-W4＜xobj_e＜xobj_l+W4
其中，W4为相邻两帧的距离值变化阈值。
在本发明的第二方面，提供了一种有轨机器人与车厢共速的方法。该方法包括：
以上述第一方面所述的方法得到的共速特征点为跟随目标，采用PID控制算法计算下一时刻有轨机器人的目标运行速度输出给伺服驱动器，使所述伺服驱动器控制伺服电机调整有轨机器人的运行速度。
进一步地，所述采用PID控制算法计算下一时刻有轨机器人的目标运行速度，包括：
其中，Kp为比例系数；Ki为积分系数；Kd为微分系数；D为有轨机器人与车厢的共速特征点的期望距离，ei为误差，T为扫描周期，xobj为共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值。
在本发明的第三方面，提供了一种电子设备。该电子设备至少一个处理器；以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第二方面的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本发明的实施例的有轨机器人与车厢的共速系统架构图；
图2示出了根据本发明的实施例的有轨机器人与车厢的共速特征点计算方法的流程图；
图3示出了根据本发明的实施例的有效特征点筛选流程图；
图4示出了根据本发明的实施例的有轨机器人与车厢共速的方法流程图；
图5示出了根据本发明的实施例的PID速度控制示意图；
图6示出了能够实施本发明的实施例的示例性电子设备的方框图；
其中，600为电子设备、601为计算单元、602为ROM、603为RAM、604为总线、605为I/O接口、606为输入单元、607为输出单元、608为存储单元、609为通信单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。
另外，本文中术语“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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1示出了本发明的有轨机器人与车厢的共速系统架构图。
有轨机器人与车厢的共速系统包括激光雷达传感器、工控机、PLC控制器、有轨机器人；工控机实时采集激光雷达传感器(简称激光雷达)的数据并进行分析，得到目标位置之后通过PID控制算法计算出机器人的速度，通过socket发送给PLC，PLC控制有轨机器人的行走伺服电机，最终实现使机器人与车厢共速。
在本实施例中，所述有轨机器人包括激光雷达、服务器、伺服驱动器和伺服电机；服务器连接激光雷达，获取PLC发出的指令，向激光雷达发出指令，服务器还连接伺服驱动器，控制伺服驱动器对伺服电机进行驱动，伺服电机实现动作。
在本实施例中，激光雷达实时采集相邻车厢的雷达图像，车厢有前后两个轮架，即前轮架和后轮架；每个轮架上两侧分别设有两个车轮，每个轮架上单侧的两个车轮称为一个轮对，前轮架对应的轮对即前轮对，后轮架对应的轮对即后轮对。单节车厢共2个轮架、8个车轮。
在本实施例中，以后车厢单侧车轮中最前方车轮为待识别的目标，并以该车轮前进方向最前端的轮廓点为共速特征点，对该共速特征点进行识别、提取以及后处理，最终获得用于输出给控制器的共速特征点Mobj作为跟随目标，计算下一时刻速度值，实现有轨机器人与待测车厢的相对静止、实时共速。
图2示出了本发明实施例的有轨机器人与车厢的共速特征点计算方法的流程图。
有轨机器人与车厢的共速特征点计算方法包括：
S201、获取激光雷达数据，将所述激光雷达数据由一维距离数组转换成二维点云数据。
在本实施例中，所述激光雷达数据为有轨机器人中的激光雷达在预设采样条件下采集的扫描点数据，该扫描点数据包括扫描点到激光雷达的距离数据、扫描点的回波强度数据。
具体地，所述激光雷达只需单线就可满足需求，为使共速稳定，采用的激光雷达应满足一下要求：激光雷达的广角不小于180°，采样频率即帧率不得小于20Hz，角度分辨率小于0.05°，检测距离0.2m-80m，具备TCP/IP接口。
具体地，激光雷达返回采样点数据需包含距离数据(即每个点的到激光雷达的距离值)、每个点的回波强度数据，以广角180°、角度分辨率0.05°为例，每组扫描数据的点数为180/0.05+1＝3601个距离数据点和3601个回波强度数据，每个数据两个字节即每帧有效数据为3601*2*2＝14404个字节。
在本实施例中，所述将所述激光雷达数据由一维距离数组转换成二维点云数据，包括：
L＝[L1 L2 L3 … Li …]
其中，θ为激光雷达的角度分辨率；Li为角度分辨率为θ的扫描点的距离值，L为每帧数据中返回每个扫描点的距离值的集合；X＝[x1 x2 x3 … xi …]表示二维点云的横坐标数组，其中xi表示第i个扫描点的横坐标；Y＝[y1 y2 y3 … yi …]表示二维点云的纵坐标数组，其中yi表示第i个扫描点的纵坐标；i为扫描点索引序号。二维点云数据表示为(X，Y)。
由于激光雷达返回的数据L只是单纯的距离数据，没有实际意义，转换成二维点云数据(X，Y)后距离数据变成坐标数据，通过坐标数据进行特征值的提取，为后续提取目标值做准备。
S202、从所述二维点云数据中筛选出与车厢共速的有效特征点。
在本实施例中，如图3所示，所述从所述二维点云数据中筛选出与车厢共速的有效特征点，包括：
S301、设定第一阈值T1，计算相邻扫描点之间的距离差值，将所述距离差值的绝对值|di|大于所述第一阈值T1的扫描点作为车厢角点位置的特征点。
具体地，相邻扫描点之间的距离差值di的集合表示为：
D1＝[L1 L2 L3 ... Ln-1]-[L2 L3 L4 ... Ln]
＝[d1 d2 d3 ... di ... dn-1]
设定阈值T1，T1取值在400mm-1000mm之间；前后两点的距离差值|di|＞T1的点便为车厢角点位置的特征点。
S302、从二维点云的横坐标数组X和纵坐标数组Y中剔除所述车厢角点位置的特征点对应的数据，得到索引值对应的第一一维纵坐标数组X1和第一一维纵坐标数组Y1。
具体地，取出所有满足条件的i值，分别在X、Y中去除索引为i的数据形成两个新的一维数组X1、Y1。
S303、设定第二阈值T2和第三阈值T3，T2和T3取值满足1100mm＞T2＞800mm,1500mm＜T3＜1300mm。从所述第一一维纵坐标数组Y1筛选出纵坐标在所述第二阈值T2和第三阈值T3之间的纵坐标及其对应的索引值，得到第二一维纵坐标数组Y2。
具体地，一维数组X1、Y1不是最终的与车厢共速的特征点，故设定新的阈值T2、T3，根据现场的实际情况，特征点的位置的y值在T2、T3之间，取出所有满足T2＜y＜T3中Y1的值形成新的一维数组Y2及满足条件的索引值。
S304、根据所述第二一维纵坐标数组Y2的索引值对应出第二一维横坐标数组X2。
具体地，X1通过索引值取出数据形成新的索引值形成新的一维数组X2，X2、Y2所包含的点为有效特征点，即角点，例如图1中的F1、F2、F3和F4。在本实施例中，通过S301的筛选过程找到激光雷达数据中的相邻两点的距离差特别大的点，但是在激光雷达扫描场景过程中很多这个样的点，进一步通过S302找到角点，再通过S303找在Y方向上到能落在火车转向架上的点；并在S304中通过索引值对应出X方向的值，从而得到X2、Y2。
以上2D特征点为满足共速特征的需求，由于火车车厢的型号种类很多，外观状态差别很大，为选择适用于通用共速的特征点适用所有车型，选择了车厢的转向架的轮对为共速定位对象，这样就会出现新的问题，火车车厢有两个转向架，一侧有四个轮子，上面获得的有效点X2、Y2为轮子上边缘的点，会有多个点同时满足条件，但所共速的特征点只能有一个，由于机器人与车厢的共速位置为前后两节车厢中缝的位置，最终选择后车车厢的前侧转向架上前轮的最前侧的点作为机器人与车厢共速的唯一的特征点Mobj(为图1中的F3)。进而需要对X2、Y2进一步过滤，使其满足以上的需求。具体过滤过程如S203过程。
S203、从所述有效特征点中过滤出唯一的共速特征点。
在本实施例中，所述从所述有效特征点中过滤出唯一的共速特征点，包括：
从所述第二一维横坐标数组X2中过滤出符合过滤条件的值作为唯一的共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值xobj。
所述过滤条件为：
S1-W1＜xq-xq-1＜S1+W1
S2-W2＜xq-xq-2＜S2+W2
S3-W3＜xq+1-xq＜S3+W3
其中，S1为每节车厢同侧的前轮对和后轮对的最外侧距离；S2为每个转向架的同侧轮对的宽度；S3为前后两节车厢相邻转向架之间的距离；W1为每节车厢同侧的前轮对和后轮对的最外侧距离S1的误差区间、W2为每个转向架的同侧轮对的宽度S2的误差区间、W3为前后两节车厢相邻转向架之间的距离S3的误差区间；在本实施例中，容差为由于车厢尺寸的差异、特征点为位置误差等因素而设置的误差区间，W1、W2、W3满足1000mm＜W1＜2000mm、0mm＜W2＜100mm、500mm＜W3＜1000mm；xq是所述第二一维横坐标数组X2中的第q个元素，而xq的值即为共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值xobj。由于有轨机器人上的激光雷达距离车厢的距离比较近，所以同一时刻最多只有一个xobj满足以上要求，例如图1中的点F3对应的xobj值。
通过上述进一步筛选后有且仅有一个共速特征点满足要求，即所需要的目标值。
作为本发明的一种实施例，为增加安全性及稳定性，对所述共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值xobj进行均值处理，得到均值后的所述共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值；
所述均值处理包括：
从所述二维点云的横坐标数组X中取索引值临近且小于所述第二一维横坐标数组X2中的第q个元素xq的H个元素，取H个元素的平均值作为均值后的所述共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值；H为预设的元素个数，当H满足15＜H＜23的区间范围时，能使距离值xobj增加安全性及稳定性。
在本实施例中，当H取20时，均值后的所述共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值得到Mxbj’(xobj’，yobj’)其中xn表示上述计算得到X数组中的元素。
通过上述均值处理后共速特征点Mobj’(xobj’，yobj’)，增加了距离值的安全性及稳定性。
在一些实施例中，对于每帧计算出的共速特征点与激光雷达在X轴方向的距离值会由于机器人在行驶过程中出现异常点，导致两帧数据差异较大；而在共速理想情况下两帧数据不会发生跳变，故为使有轨机器人可以稳定的与车厢共速，不会因偶发的数据异常产生速度的突变，所以对数据再次进行异常过滤处理。
所述异常过滤包括：
在得到了共速特征点Mobj(xobj，yobj)与激光雷达在X轴方向的距离值xobj之后，判断当前帧的距离值xobj_e与其上一帧的距离值xobj_l是否满足数据可信度条件，若满足数据可信度条件，则认为当前帧的距离值xobj_e有效，将上一帧的距离值xobj_l更新为当前帧的距离值xobj_e；若不满足数据可信度条件，则保持上一帧的距离值xobj_l不变，累加更新轮次；当所述更新轮次连续累加达到预设次数时，将上一帧的距离值xobj_l更新为当前帧的距离值xobj_e；
所述数据可信度条件为：
xobj_l-W4＜xobj_e＜xobj_l+W4
其中，W4为相邻两帧的距离值变化阈值，满足50mm＜W4＜100mm。
满足以上数据可信度条件时，xobj_l＝xobj_e，认为此帧数据有效，当出现一次异常数据时，上一次目标数据xobj_l不变，同时进行计数m＝1，如下一帧同样不满足以上条件，m＝m+1进行累加，当连续累加数据使m＝10时，xobj_l＝xobj_e，以新的目标点进行共速，因为连续出现数据异常数据证明异常数据为有效数据，同时使m＝0；如果出现一次或几次异常数据之后只要m＜10，新的数据再次满足上述条件，m清零，继续共速。从而得到异常过滤后的共速特征点Mobj”(xobj”，yobj”)。
图4示出了本发明实施例的有轨机器人与车厢共速的方法的流程图。
上述实施例中具体阐述了如何获取有轨机器人与车厢的共速特征点的过程，然而激光雷达获取车厢共速目标位置之后如何使有轨机器人与车厢保持相对静止，并且达到作业条件，需要满足有轨机器人与车厢目标点保持在目标距离D，呈现出一个速度闭环的反馈系统。通过反馈系统实现有轨机器人与车厢共速的控制。
有轨机器人与车厢共速的方法包括：
S401、获取激光雷达数据，将所述激光雷达数据由一维距离数组转换成二维点云数据；
S402、从所述二维点云数据中筛选出与车厢共速的有效特征点；
S403、从所述有效特征点中过滤出唯一的共速特征点；
S404、以共速特征点为跟随目标，采用PID控制算法计算下一时刻有轨机器人的目标运行速度输出给伺服驱动器，使所述伺服驱动器控制伺服电机调整有轨机器人的运行速度。
以上述实施例中的有轨机器人与车厢的共速特征点计算方法得到的共速特征点为跟随目标，通过上述实施例中的有轨机器人与车厢的共速特征点计算方法得到共速特征点的过程，在本实施例中不再赘述。
在本实施例中，为了使机器人与车厢共速稳定高、鲁棒性好，本发明采用的是PID控制算法。采用PID控制算法计算下一时刻有轨机器人的目标运行速度，包括：
其中，Kp为比例系数；Ki为积分系数；Kd为微分系数；D为有轨机器人与车厢的共速特征点的期望距离，ei为误差，T为扫描周期，xobj为共速特征点Mobj的X轴方向的距离值。
具体地，如图5所示，输入为激光雷达的目标位置的反馈xobj”，输出为有轨机器人的运行速度的调整量vt，因此机器人行驶速度v是当前速度v0加上PID的输出量vt，即：
v＝v0+vt
激光雷达有扫描周期，控制有轨机器人同样有控制周期即为dt，因此
e(t)＝xobj-D
因此反馈给机器人的运行速度为：
比例，反应系统的基本(当前)偏差e(t)，系数大，可以加快调节，减小误差，但过大的比例使系统稳定性下降，甚至造成系统不稳定。
积分，反应系统的累计偏差，使系统消除稳态误差，提高无差度，因为有误差，积分调节就进行，直至无误差。
微分，反映系统偏差信号的变化率e(t)-e(t-1)，具有预见性，能预见偏差变化的趋势，产生超前的控制作用，在偏差还没有形成之前，已被微分调节作用消除，因此可以改善系统的动态性能。但是微分对噪声干扰有放大作用，加强微分对系统抗干扰不利。积分和微分都不能单独起作用，必须与比例控制配合。
PID控制规律是一种较理想的控制规律，它在比例的基础上引入积分，可以消除余差，再加入微分作用，又能提高系统的稳定性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
本发明的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本发明的实施例，本发明还提供了一种电子设备。
图6示出了可以用来实施本发明的实施例的电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机存取存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如方法S401～S404。例如，在一些实施例中，方法S401～S404可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的方法S401～S404的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法S401～S404。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (7)
1.一种有轨机器人与车厢的共速特征点计算方法，其特征在于，包括：
获取激光雷达数据，将所述激光雷达数据由一维距离数组转换成二维点云数据；
从所述二维点云数据中筛选出与车厢共速的有效特征点；
从所述有效特征点中过滤出唯一的共速特征点；
所述激光雷达数据为有轨机器人中的激光雷达在预设采样条件下采集的扫描点数据，该扫描点数据包括扫描点到激光雷达的距离数据、扫描点的回波强度数据；
所述从所述二维点云数据中筛选出与车厢共速的有效特征点，包括：
设定第一阈值T1，计算相邻扫描点之间的距离差值，将所述距离差值的绝对值|di|大于所述第一阈值T1的扫描点作为车厢角点位置的特征点；
从二维点云的横坐标数组X和纵坐标数组Y中剔除所述车厢角点位置的特征点对应的数据，得到索引值对应的第一一维纵坐标数组X1和第一一维纵坐标数组Y1；
设定第二阈值T2和第三阈值T3，从所述第一一维纵坐标数组Y1筛选出纵坐标在所述第二阈值T2和第三阈值T3之间的纵坐标及其对应的索引值，得到第二一维纵坐标数组Y2；
根据所述第二一维纵坐标数组Y2的索引值对应出第二一维横坐标数组X2；
所述从所述有效特征点中过滤出唯一的共速特征点，包括：
从所述第二一维横坐标数组X2中过滤出符合过滤条件的唯一值作为共速特征点Mobj(xobj,yobj)与激光雷达在X轴方向的距离值xobj；
所述过滤条件为：
S1-W1<xq-xq-1<S1+W1
S2-W2<xq-xq-2<S2+W2
S3-W3<xq+1-xq<S3+W3
其中，S1为每节车厢同侧的前轮对和后轮对的最外侧距离；S2为每个转向架的同侧轮对的宽度；S3为前后两节车厢相邻转向架之间的距离；W1为每节车厢同侧的前轮对和后轮对的最外侧距离S1的误差区间、W2为每个转向架的同侧轮对的宽度S2的误差区间、W3为前后两节车厢相邻转向架之间的距离S3的误差区间；xq是所述第二一维横坐标数组X2中的第q个元素。
2.根据权利要求1所述的方法，其特征在于，所述将所述激光雷达数据由一维距离数组转换成二维点云数据，包括：
L＝[L1 L2 L3 … Li …]
其中，θ为激光雷达的角度分辨率；Li为角度分辨率为θ的扫描点的距离值，L为每帧数据中返回每个扫描点的距离值的集合；X＝[x1 x2 x3 … xi …]表示二维点云的横坐标数组，其中xi表示第i个扫描点的横坐标；Y＝[y1 y2 y3 … yi …]表示二维点云的纵坐标数组，其中yi表示第i个扫描点的纵坐标；i为扫描点索引序号。
3.根据权利要求1所述的方法，其特征在于，还包括：
对所述共速特征点Mobj(xobj,yobj)与激光雷达在X轴方向的距离值xobj进行均值处理，得到均值后的所述共速特征点Mobj(xobj,yobj)与激光雷达在X轴方向的距离值；
所述均值处理包括：
从所述二维点云的横坐标数组X中取索引值临近且小于所述第二一维横坐标数组X2中的第q个元素xq的H个元素，取H个元素的平均值作为均值后的所述共速特征点Mobj(xobj,yobj)与激光雷达在X轴方向的距离值；H为预设的元素个数。
4.根据权利要求1所述的方法，其特征在于，还包括：
在得到共速特征点Mobj(xobj,yobj)与激光雷达在X轴方向的距离值xobj之后，判断当前帧的距离值xobj_e与其上一帧的距离值xobj_l是否满足数据可信度条件，若满足数据可信度条件，则认为当前帧的距离值xobj_e有效，将上一帧的距离值xobj_l更新为当前帧的距离值xobj_e；若不满足数据可信度条件，则保持上一帧的距离值xobj_l不变，累加更新轮次；当所述更新轮次连续累加达到预设次数时，将上一帧的距离值xobj_l更新为当前帧的距离值xobj_e；
所述数据可信度条件为：
xobj_l-W4<xobj_e<xobj_l+W4
其中，W4为相邻两帧的距离值变化阈值。
5.一种有轨机器人与车厢共速的方法，其特征在于，以上述权利要求1～4任一项所述的方法得到的共速特征点为跟随目标，采用PID控制算法计算下一时刻有轨机器人的目标运行速度输出给伺服驱动器，使所述伺服驱动器控制伺服电机调整有轨机器人的运行速度。
6.根据权利要求5所述的方法，其特征在于，所述采用PID控制算法计算下一时刻有轨机器人的目标运行速度，包括：
其中，Kp为比例系数；Ki为积分系数；Kd为微分系数；D为有轨机器人与车厢的共速特征点的期望距离，ei为误差，T为扫描周期，xobj为共速特征点Mobj(xobj,yobj)与激光雷达在X轴方向的距离值。
7.一种电子设备，包括至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其特征在于，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求5或6所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311503349.2A CN117549939B (zh) | 2023-11-13 | 2023-11-13 | 有轨机器人与车厢共速的方法和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311503349.2A CN117549939B (zh) | 2023-11-13 | 2023-11-13 | 有轨机器人与车厢共速的方法和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117549939A CN117549939A (zh) | 2024-02-13 |
| CN117549939B true CN117549939B (zh) | 2024-04-12 |
Family
ID=89813938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311503349.2A Active CN117549939B (zh) | 2023-11-13 | 2023-11-13 | 有轨机器人与车厢共速的方法和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117549939B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110221603A (zh) * | 2019-05-13 | 2019-09-10 | 浙江大学 | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 |
| CN112379673A (zh) * | 2020-11-26 | 2021-02-19 | 广东盈峰智能环卫科技有限公司 | 基于单线激光雷达的机器人自跟随方法、装置、机器人 |
| CN113253735A (zh) * | 2021-06-15 | 2021-08-13 | 同方威视技术股份有限公司 | 跟随目标的方法、装置、机器人及计算机可读存储介质 |
| KR20210135753A (ko) * | 2020-05-06 | 2021-11-16 | 주식회사 케이티 | 라이다 기반의 차량 위치 추정 방법 및 장치 |
| CN216401430U (zh) * | 2021-07-21 | 2022-04-29 | 沈阳奇辉机器人应用技术有限公司 | 一种铁路驼峰作业机器人火车共速装置 |
| CN114415689A (zh) * | 2022-01-25 | 2022-04-29 | 无锡市金沙田科技有限公司 | 一种跟随车的决策方法及系统 |
| CN115469300A (zh) * | 2022-09-05 | 2022-12-13 | 中煤科工智能储装技术有限公司 | 一种基于毫米波雷达的车厢移动装载跟踪系统及方法 |
| WO2023055383A1 (en) * | 2021-09-30 | 2023-04-06 | Zimeno, Inc. Dba Monarch Tractor | Vehicle row follow system |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11448748B2 (en) * | 2020-09-10 | 2022-09-20 | Argo AI, LLC | Systems and methods for simultaneous range-rate unwrapping and outlier removal for radar |
| CN112926514A (zh) * | 2021-03-26 | 2021-06-08 | 哈尔滨工业大学（威海） | 一种多目标检测及跟踪方法、系统、存储介质及应用 |
| CN113607166B (zh) * | 2021-10-08 | 2022-01-07 | 广东省科学院智能制造研究所 | 基于多传感融合的自主移动机器人室内外定位方法及装置 |
-
2023
- 2023-11-13 CN CN202311503349.2A patent/CN117549939B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110221603A (zh) * | 2019-05-13 | 2019-09-10 | 浙江大学 | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 |
| KR20210135753A (ko) * | 2020-05-06 | 2021-11-16 | 주식회사 케이티 | 라이다 기반의 차량 위치 추정 방법 및 장치 |
| CN112379673A (zh) * | 2020-11-26 | 2021-02-19 | 广东盈峰智能环卫科技有限公司 | 基于单线激光雷达的机器人自跟随方法、装置、机器人 |
| CN113253735A (zh) * | 2021-06-15 | 2021-08-13 | 同方威视技术股份有限公司 | 跟随目标的方法、装置、机器人及计算机可读存储介质 |
| CN216401430U (zh) * | 2021-07-21 | 2022-04-29 | 沈阳奇辉机器人应用技术有限公司 | 一种铁路驼峰作业机器人火车共速装置 |
| WO2023055383A1 (en) * | 2021-09-30 | 2023-04-06 | Zimeno, Inc. Dba Monarch Tractor | Vehicle row follow system |
| CN114415689A (zh) * | 2022-01-25 | 2022-04-29 | 无锡市金沙田科技有限公司 | 一种跟随车的决策方法及系统 |
| CN115469300A (zh) * | 2022-09-05 | 2022-12-13 | 中煤科工智能储装技术有限公司 | 一种基于毫米波雷达的车厢移动装载跟踪系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117549939A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Path following control of autonomous ground vehicle based on nonsingular terminal sliding mode and active disturbance rejection control | |
| CN101923718B (zh) | 基于粒子滤波和光流矢量的视频目标跟踪方法的优化方法 | |
| CN111650929B (zh) | 一种自适应滑模控制方法、系统及移动机器人控制器 | |
| CN110610512B (zh) | 基于bp神经网络融合卡尔曼滤波算法的无人机目标跟踪方法 | |
| US11838636B2 (en) | Method for compensating for visual-measurement time lag of electro-optical tracking system | |
| CN113954831B (zh) | 一种车辆横向控制方法、装置及自动驾驶车辆 | |
| CN107608344A (zh) | 基于轨迹规划的车辆运动控制方法、装置及相关设备 | |
| CN109760047B (zh) | 一种基于视觉传感器的舞台机器人预测控制方法 | |
| CN117549939B (zh) | 有轨机器人与车厢共速的方法和设备 | |
| CN117739951A (zh) | 一种路口连接线的生成方法、装置和设备 | |
| CN116594002A (zh) | 一种错时发波的多雷达数据融合方法、装置、设备及介质 | |
| CN116373912A (zh) | 车辆泊车横向控制方法、装置、设备和计算机可读介质 | |
| CN113821026B (zh) | 一种基于rhc的有杆拖挂式无人系统在线轨迹跟踪控制方法 | |
| CN116360420A (zh) | 一种clf-cbf优化的无人车辆运动规划控制方法 | |
| CN113799798B (zh) | 车辆的行驶轨迹的确定方法、装置、电子设备和存储器 | |
| Diwold et al. | Flatness analysis for the sampled-data model of a single mast stacker crane | |
| CN115140101A (zh) | 车辆控制方法、装置、电子设备及车辆 | |
| CN113763434A (zh) | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 | |
| Nganga-Kouya et al. | Adaptive backstepping control of a wheeled mobile robot | |
| Morin et al. | Time-varying exponential stabilization of chained form systems based on a backstepping technique | |
| Wang et al. | Vision based multi-rate estimation and control of body slip angle for electric vehicles | |
| CN115180017B (zh) | 一种对方向盘转角进行补偿的处理方法 | |
| CN116755450B (zh) | 一种巡线小车的控制方法、装置、电子设备和存储介质 | |
| CN117799615A (zh) | 车辆后轮转角控制方法、装置、电子设备及存储介质 | |
| CN113341943B (zh) | 基于总扰动即时观测与迭代学习的重复作业式无人驾驶车辆轨迹跟踪控制算法 |
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 |