道路边缘检测方法及机器人与流程

本发明涉及互联网技术领域，特别涉及一种道路边缘检测方法及机器人。

背景技术：

移动机器人在特定的场景中移动，以自主执行配送、引导、巡查、消毒等任务。上述场景包括餐厅、酒店、写字楼、医院等等。在这些场景中，机器人需要建立地图并进行路径规划，在机器人行走的路径附近会存在很多障碍物，机器人在移动过程中需要躲避这些障碍物。现有技术中，机器人通过激光雷达探测行走道路的边缘，但这种方式存在较大误差，机器人容易与障碍物发生碰撞。

技术实现要素：

本发明有鉴于上述的现有状况而完成的，其目的在于提供一种道路边缘检测方法及机器人，可准确识别道路边缘，避免碰撞。

为了实现上述目的，本发明实施方式提供如下技术方案：

本发明提供一种道路边缘检测方法，所述方法包括：

获取深度数据、机器人位姿、拓扑地图；

根据所述深度数据和所述机器人位姿建立静态障碍物地图；

计算所述静态障碍物地图的灰度值；

根据所述机器人位姿、所述拓扑地图和所述灰度值计算道路边缘。

在这种情况下，将深度数据、机器人位姿、拓扑地图以及静态障碍物地图进行融合，从而更准确地计算出道路边缘，降低机器人发生碰撞的可能性。

其中，所述根据所述深度数据和所述机器人位姿建立静态障碍物地图的步骤之后，包括：

对所述静态障碍物地图设置多个测量网格，所述测量网格的分辨率与所述静态障碍物地图的分辨率相同，将所述多个测量网格与所述静态障碍物地图进行位置对齐；

由所述机器人位姿将所述深度数据的深度点云从机器人坐标系转换到世界坐标系下，并向地面投影；

根据所述测量网格中是否具有所述深度点云，对所述测量网格进行标记；

所述测量网格内具有所述深度点云时，所述测量网格对应区域的所述静态障碍物地图的栅格值增加第一特征值，所述测量网格内不具有所述深度点云时，所述测量网格对应区域的所述静态障碍物地图的栅格值减少第二特征值。

由此，融合深度点云并结合测量网格，可将静态障碍物地图中有无深度点云的栅格更显著的进行量化区分。

其中，所述计算所述静态障碍物地图的灰度值，具体包括：

融合连续若干帧所述静态障碍物地图的所述栅格值增加所述第一特征值或者减少所述第二特征值后，计算得出所述灰度值。

在这种情况下，灰度值融合了连续多帧栅格值的变化情况，从而使得对于障碍物的识别更加准确。

其中，所述根据所述测量网格中是否具有所述深度点云，对所述测量网格进行标记，具体包括：

将具有所述深度点云的所述测量网格标记为1，将不具有所述深度点云的所述测量网格标记为0。

其中，所述根据所述机器人位姿、所述拓扑地图和所述灰度值计算道路边缘，具体包括：

根据所述机器人位姿在所述拓扑地图中找到所述机器人当前所在道路的拓扑路径；

沿着所述拓扑路径以特定的空间间隔进行采样；

以所述采样位置为起始点，沿着所述拓扑路径的法线方向查询所述灰度值；

当所述灰度值大于阈值时，记录对应的坐标位置；

将若干所述坐标位置拟合成直线。

在这种情况下，灰度值大于阈值时，对应的像素为峰值像素，则可认定为障碍物所在位置，根据障碍物的位置并结合拓扑路径可拟合出道路边缘，从而提升了道路边缘检测的准确性。

其中，所述将若干所述坐标位置拟合成直线，具体包括：

采用随机抽样一致算法拟合所述直线。

其中，所述采用随机抽样一致算法拟合所述直线，具体包括：

计算所述直线的置信度；

挑选所述拓扑地图两侧评分最高的所述直线作为所述道路边缘。

其中，所述计算所述直线的置信度，具体包括：

所述置信度的计算方法为：

其中，n为所述直线覆盖在所述静态障碍物地图中的像素数量，v为所述像素的像素值。

由此，可提升拟合计算的抗干扰能力，提升计算的准确性。

其中，所述深度数据通过深度相机获取。

本发明还提供一种机器人，应用如上所述的道路边缘检测方法。

根据本发明所提供的道路边缘检测方法及机器人，将深度数据、机器人位姿、拓扑地图以及静态障碍物地图进行融合，从而更准确地计算出道路边缘，降低机器人发生碰撞的可能性。

附图说明

图1示出了本发明所涉及的道路边缘检测方法的流程示意图；

图2示出了本发明所涉及的道路边缘检测方法的实施方式的流程示意图；

图3示出了本发明所涉及的道路边缘检测方法的实施方式的流程示意图。

具体实施方式

以下，参考附图，详细地说明本发明的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。

如图1所示，本发明实施方式涉及一种道路边缘检测方法，包括：

101、获取深度数据、机器人位姿、拓扑地图；

102、根据所述深度数据和所述机器人位姿建立静态障碍物地图；

103、计算所述静态障碍物地图的灰度值；

104、根据所述机器人位姿、所述拓扑地图和所述灰度值计算道路边缘。

在这种情况下，将深度数据、机器人位姿、拓扑地图以及静态障碍物地图进行融合，从而更准确地计算出道路边缘，降低机器人发生碰撞的可能性。

在本实施方式中，深度数据可通过设置于机器人上的激光雷达，对机器人周围环境扫描获取。机器人位姿包括机器人的位置信息和朝向信息。通过激光雷达、imu或者里程计等，可获取所述机器人位姿。拓扑地图为人为设置的机器人移动路径。

如图2所示，在本实施方式中，步骤102之后，包括：

1021、对所述静态障碍物地图设置多个测量网格，所述测量网格的分辨率与所述静态障碍物地图的分辨率相同，将所述多个测量网格与所述静态障碍物地图进行位置对齐；

1022、由所述机器人位姿将所述深度数据的深度点云从机器人坐标系转换到世界坐标系下，并向地面投影；

1023、根据所述测量网格中是否具有所述深度点云，对所述测量网格进行标记；

1024、所述测量网格内具有所述深度点云时，所述测量网格对应区域的所述静态障碍物地图的栅格值增加第一特征值，所述测量网格内不具有所述深度点云时，所述测量网格对应区域的所述静态障碍物地图的栅格值减少第二特征值。

由此，融合深度点云并结合测量网格，可将静态障碍物地图中有无深度点云的栅格更显著的进行量化区分。

在本实施方式中，步骤103具体包括：

融合连续若干帧所述静态障碍物地图的所述栅格值增加所述第一特征值或者减少所述第二特征值后，计算得出所述灰度值。

在这种情况下，灰度值融合了连续多帧栅格值的变化情况，从而使得对于障碍物的识别更加准确。

在本实施方式中，所述灰度值为各个像素的灰度值。

在本实施方式中，步骤1023具体包括：

将具有所述深度点云的所述测量网格标记为1，将不具有所述深度点云的所述测量网格标记为0。

如图3所示，在本实施方式中，步骤104具体包括：

1041、根据所述机器人位姿在所述拓扑地图中找到所述机器人当前所在道路的拓扑路径；

1042、沿着所述拓扑路径以特定的空间间隔进行采样；

1043、以所述采样位置为起始点，沿着所述拓扑路径的法线方向查询所述灰度值；

1044、当所述灰度值大于阈值时，记录对应的坐标位置；

1045、将若干所述坐标位置拟合成直线。

在这种情况下，灰度值大于阈值时，对应的像素为峰值像素，则可认定为障碍物所在位置，根据障碍物的位置并结合拓扑路径可拟合出道路边缘，从而提升了道路边缘检测的准确性。

在一些示例中，空间间隔可以等间距设置。

在本实施方式中，以特定的空间间隔进行采样，可减少计算量，提升计算效率。

在一些示例中，在一次采样中，采样点灰度值为[0,0,10,15,20,200,215,170,120,180,100,50]，阈值可以是190，则记录200,215两个灰度值对应的坐标位置。

在本实施方式中，步骤1045具体包括：

采用随机抽样一致算法拟合所述直线。

在本实施方式中，所述采用随机抽样一致算法拟合所述直线，具体包括：

计算所述直线的置信度；

挑选所述拓扑地图两侧评分最高的所述直线作为所述道路边缘。

在本实施方式中，拓扑地图的两侧均拟合出若干直线。计算直线的置信度，筛选作为所述道路边缘的直线。

在本实施方式中，所述计算所述直线的置信度，具体包括：

所述置信度的计算方法为：

其中，n为所述直线覆盖在所述静态障碍物地图中的像素数量，v为所述像素的像素值。

由此，可提升拟合计算的抗干扰能力，提升计算的准确性。

在本实施方式中，所述深度数据通过深度相机获取。所述深度数据包括深度图。

在本实施方式中，所述拓扑地图包括若干拓扑路径。

在一些示例中，拓扑地图可以通过人工绘制。拓扑地图包括机器人能够通行的路径信息。拓扑路径可以为直线。

本发明实施方式还涉及一种机器人，应用如上所述的道路边缘检测方法。机器人可以包括深度相机。深度相机获取所述深度数据。机器人还可以包括激光雷达、imu、里程计中的至少一种，用于获取所述机器人位姿。

以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同更换和改进等，均应包含在该技术方案的保护范围之内。