本发明属于机器人技术领域,尤其涉及一种机器人回充路径规划方法、机器人及充电系统。
背景技术:
现阶段,机器人主要是通过红外传感器完成回充。机器人在运行过程中检测充电座的发射的红外信号,并对红外信号进行解码和追踪,最终实现引导回充。
但是,这种回充方式往往会受到红外接收器以及发射器的收发半径的限制,当超过最大的收发半径时,则不能建立机器人和充电器之间的联系,便不能完成回充;另外,这种回充方式还要求充电座正前方的开阔区域内必须无遮挡,并依靠机器人被动检测红外信号做引导,否则会直接影响到机器人的回充率。
换言之,现阶段的机器人的回充方案具有制约回充成功率的技术问题。
技术实现要素:
有鉴于此,本发明实施例提供了一种机器人回充路径规划方法、机器人及充电系统,用于解决现阶段的机器人的回充方案具有制约回充成功率的技术问题。
本发明实施例提供了一种机器人回充路径规划方法,其包括:
获取所述机器人所处环境的环境图像信息;
对所述环境图像信息进行图像分析,以定位出充电座在所述机器人存储的环境地图中的位姿信息;
根据所述位姿信息,规划机器人移动至所述充电座的路径。
本发明实施例并提供了一种机器人,其包括:机体以及设置在所述机体内的处理器与存储器;其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
获取所述机器人所处环境的环境图像信息;
对所述环境图像信息进行图像分析,以定位出充电座在所述机器人存储的环境地图中的位姿信息;
根据所述位姿信息,规划机器人移动至所述充电座的路径。
本发明实施例还提供了一种充电系统,其包括机器人及充电座;
其中,所述机器人包括机体以及设置在所述机体内的处理器与存储器;
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
获取所述机器人所处环境的环境图像信息;
对所述环境图像信息进行图像分析,以定位出充电座在所述机器人存储的环境地图中的位姿信息;
根据所述位姿信息,规划机器人移动至所述充电座的路径。
本发明实施例提供的机器人回充路径规划方法、机器人及充电系统,对机器人所处环境的环境图像信息进行图像分析,确定出充电座在机器人存储的环境地图中的位姿信息,并根据位姿信息,规划机器人移动至充电座的路径,通过精确确定充电座的位姿信息,并规划回充路径,提升机器人的回充成功率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明第一实施例提供的一种充电系统的一结构示意图;
图2为本发明第一实施例提供的一种机器人所获取的环境图像信息的示意图;
图3为本发明第二实施例提供的一种机器人回充路径规划方法的一方法示意图;
图4为本发明第二实施例提供的一种机器人回充路径规划方法的又一方法示意图;
图5为本发明第二实施例提供的一种机器人回充路径规划方法的又一方法示意图;
图6为本发明第二实施例提供的一种机器人回充路径规划方法的又一方法示意图。
图7为本发明第二实施例提供的一种机器人回充路径规划方法的又一方法示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
针对现有技术中机器人定位目标对象时存在的定位误差较大,定位精度较低等问题,在本申请一些示例性实施例中,提供一种包含近距离通信模块的机器人,该机器人还包括深度摄像头和/或激光雷达,在机器人定位目标对象时,可将机器人的近距离通信模块与机器人的深度摄像头和/或激光雷达相结合,充分利用近距离通信模块与深度摄像头和/或激光雷达各自的优点,融合多种信息对目标对象进行定位,有利于减小定位误差,提高定位精度。
以下结合附图,详细说明本发明各实施例提供的技术方案。
实施例一
请参考图1,为本发明第一实施例提供的一种充电系统的结构示意图,所述系统包括机器人10及充电座20。
其中,所述机器人10包括但不限定于是扫地机器人,所述机器人10包括机体,所述机体上设有视觉传感器110,所述视觉传感器110包括但不限定是摄像头,较佳的实施例中,所述视觉传感器110为广角、定焦距单目摄像头。所述视觉传感器110可以安装在所述机器人10前进方向的前端(如撞板上),或者安装在所述机器人10的顶部,但要求所述视觉传感器110的拍摄方向与述机器人10前进方向一致,且拍摄角度朝向地面,这是因为所述充电座20一般放置在地面上,且贴墙放置,所述充电座20的充电接入口背对墙壁。
所述机器人10还包括设在所述机体内的处理器120以及存储器130,其中,所述处理器120和所述存储器130耦合,并设在所述机器人10的机体内部,所述存储器130用于存储程序,所述处理器120用于执行所述存储器130中存储的所述程序,所述处理器120与所述视觉传感器110之间电性连接,可供数据信号的传输。
所述视觉传感器110用于对所述机器人10移动过程中所处环境的环境图像信息进行采集,得到所述环境图像信息,如图2所示,为所述环境图像信息。所述处理器120用于获取所述环境图像信息,并对所述环境图像信息进行图像分析,以定位出所述充电座20在所述机器人10存储的环境地图中的位姿信息;并根据所述位姿信息,规划所述机器人10移动至所述充电座20的路径。
需要指出的是,所述环境地图指的是所述机器人10工作环境的地形图,其一般是用户在拿到所述机器人10之后在工作环境中完成一次完整的工作之后自动获得的,并存储于所述机器人10的所述存储器130中。
具体地,所述处理器120规划所述机器人10移动至所述充电座20的路径具有一定的触发机制,具体为所述处理器120实时监听回充事件,并在监听到所述回充事件之后,根据所述位姿信息,规划所述机器人10移动至所述充电座20的路径,在这里所述触发机制包括但不限定于是所述处理器120检测所述机器人10的电池电量小于一阈值电量时,或者接收到用户的回充指令等,这里的回充指令可以是用户触按所述机器人10机体上的控制面板触发,或者是用户通过与所述机器人10相连接的移动终端设备触发。
另外,所述处理器120还用于在监听到所述回充事件时,判断是否已定位出所述充电座20的在所述机器人10存储的环境地图中的位姿信息。其中,若判断出已定位出所述充电座20的在所述机器人10存储的环境地图中的位姿信息时,根据所述位姿信息,规划所述机器人10移动至所述充电座20的路径;若判断出没有定位出所述充电座20的在所述机器人10存储的环境地图中的位姿信息时,控制所述机器人10按预设动作调整,直至定位出所述充电座20的在所述机器人10存储的环境地图中的位姿信息,并根据所述位姿信息,规划所述机器人移动10至所述充电座20的路径。这里的所述预设动作包括但不限定于是控制所述机器人10在当前位置前进或后退一阈值距离,和/或,旋转一阈值角度。
基于上述所述处理器120可控制所述机器人10按预设动作调整,以定位出所述充电座20的在所述机器人10存储的环境地图中的位姿信息,可知本发明实施例中所述充电座20在所述机器人10的工作环境中的位置可以是不固定的,即用户可以根据需要将所述充电座20摆放在所述机器人10的工作环境中的任一位置,假若所述充电座20处在不能定位出所述位姿信息的位置,此时所述处理器可以控制所述机器人10按预设动作调整,即变换所述机器人10的位置,以定位出所述位姿信息,进而根据所述位姿信息,规划所述机器人10移动至所述充电座20的路径,可以避免传统机器人的充电器位置必须固定才可以完成自动回充的弊端。
进一步地,所述处理器120要从所述环境图像信息中,提取充电座图像信息,并对所述充电座图像信息进行图像分析,得到所述位姿信息,这里的所述充电座图像信息指的是剔除所述环境图像信息中除所述充电座20图像外的其他图像后,仅仅包含所述充电座20图像的图像信息。
其中,提取所述充电座图像信息是基于卷积神经网络的深度学习技术而获得的,具体地,在所述机器人10制造时,所述处理器120获取从多角度采集到的含有充电座图像信息的多个样本环境图像信息及各样本环境图像信息对应的样本充电座图像信息,并使用所述多个样本环境图像信息及各样本环境图像信息对应的样本充电座图像信息,对待训练的学习模型进行训练,得到训练完成的所述第一学习模型。这里的获取多个样本环境图像信息可以是通过摄像头拍摄,并输入到所述处理器120,这里的拍摄要尽可能是多个角度,并向所述处理器120输入尽可能多的所述样本环境图像信息,可提升所述第一学习模型的准确率;另外,输入所述处理器120的各样本环境图像信息需要对应的标注出样本充电座图像信息,在输入所述样本环境图像信息后,所述处理器120要对学习模型进行训练,以得到所述第一学习模型,并根据所述第一学习模型获取所述第一图像识别模型。
在使用时,所述处理器120将所述环境图像信息作为所述第一图像识别模型的入参,执行所述第一图像识别模型抓取所述充电座图像信息,这里的抓取所述充电座图像信息包括但不限定于是在所述环境图像信息中标注出所述充电座图像信息的外轮廓。
进一步地,所述位姿信息包括角度信息和距离信息。请参考图1,所述角度信息指的是所述机器人10与所述充电座20中心的直线与垂直于所贴靠的墙面的中轴线之间的夹角α,所述距离指的是所述机器人10与所述充电座20中心的直线距离d。
在所述机器人10的制造时,所述处理器120获取采集到的多个多角度样本充电座图像信息及各样本充电座图像信息对应的样本位姿信息;并使用所述多个样本充电座图像信息及各样本充电座图像信息对应的样本位姿信息,对待训练的学习模型进行训练,得到训练完成的所述第二学习模型。在这里,获取多个多角度样本充电座图像信息可以是通过摄像头拍摄,并输入到所述处理器120,这里强调多个样本图像信息以及多个充电座放置角度可提升所述第二学习模型的准确率;另外,输入各个样本充电座图像信息时需要标注出所述充电座20的所述角度,并在输入所述样本充电座图像信息后,所述处理器120要对学习模型进行训练,以得到所述第二学习模型,并根据所述第二学习模型获取第二图像识别模型。
在使用时,所述处理器120将从所述第一图像识别模型中抓取到的所述充电座图像信息作为所述第二图像识别模型的入参,执行所述第二图像识别模型得到所述角度α,即获得所述角度信息。
另外,所述处理器120在所述环境图像信息中确定出所述充电座图像信息对应的像素点,并基于所述充电座图像信息对应的像素点,计算所述机器人10距所述充电座20的所述距离d。具体地,所述处理器120从所述充电座图像信息对应的像素点中获取所述充电座图像信息中心的像素点作为目标像素点;并根据预设的像素点及物理坐标点的对应关系,获取所述目标像素点对应的物理坐标点,在这里,一般以所述环境图像信息底边的中心为物理坐标系中心,即所述机器人10的位置;然后根据所述物理坐标点,计算所述机器人10距所述充电座20的所述距离d,在这里,所述物理坐标点反映的是在所述物理坐标系中所述充电座20的位置,并根据所述物理坐标系中各坐标点与实际距离的映射关系,计算出所述机器人10距所述充电座20的实际距离,即所述距离d。
所述处理器120在获取所述角度信息α和所述距离信息d,即所述位姿信息之后,并根据所述位姿信息规划所述机器人10移动至所述充电座20的红外信号区域;在本实施例中,所述机器人10并不是直接移动至所述充电座20所在的位置,所述充电座20上设有向外发射红外信号的发射器,而所述机器人10上设有接收所述红外信号的接收器,且所述充电座20所发射的红外信号覆盖一定的区域,本实施例中所述处理器120规划所述机器人10先移动至所述充电座20的红外信号区域,然后所述机器人10的接收器接收所述红外信号,所述处理器120根据所述红外信号的引导规划所述机器人10移动至所述充电座20的路径。
所述处理器120还控制所述机器人10的移动装置按照所规划的路径移动至所述充电座20的位置,使所述机器人10的充电接口和所述充电座20的充电插头完成对接,并进行充电。
实施例二
请参考图3,为本发明第二实施例提供的一种机器人回充路径规划方法的一方法流程图,所述方法包括:
步骤s100,获取含有充电座图像的环境图像信息;
步骤s200,对所述环境图像信息进行图像分析,以确定出充电座的位姿信息;
步骤s300,根据所述位姿信息,规划机器人移动至所述充电座的路径。
在步骤s100中,机器人在移动过程中通过其视觉传感器采集所述机器人所处环境的环境图像信息,所述机器人的处理器获取所述环境图像信息,这里的视觉传感器如第一实施例所述包括但不限定于是广角、定焦距单目摄像头。
在步骤s200中,对所述环境图像信息进行图像分析,以定位出充电座的在所述机器人存储的环境地图中的位姿信息,对于此步骤以下将详细阐述。
请参考图4,步骤s200包括:
步骤s210,从所述环境图像信息中,提取充电座图像信息;
步骤s220,对所述充电座图像信息进行图像分析,得到所述位姿信息。
在步骤s210中,要从所述环境图像信息中,提取充电座图像信息,这里的所述充电座图像信息指的是将所述环境图像信息中除所述充电座20图像外的其他图像剔除后的图像信息,仅仅包含所述充电座20图像的图像信息。
具体地,请参考图5,为本发明第二实施例提供的一种机器人回充路径规划方法的又一方法流程图,其具体方法为:
步骤s211,获取第一图像识别模型;
步骤s212,将所述环境图像信息作为所述第一图像识别模型的入参,执行所述第一图像识别模型抓取所述充电座图像信息。
在步骤s211中,所述第一图像识别模型为第一学习模型,其中,以下步骤为获取所述第一学习模型的方法:
a)获取从多角度采集到的含有充电座图像的多个样本环境图像信息及各样本环境图像信息对应的样本充电座图像信息;在这里,通过图像采集装置(如摄像头)在多个角度对含有充电座的环境进行采集,得到多个样本环境图像信息,并在各样本环境图像信息中标注出对应的样本充电座图像信息,如对所述样本充电座图像信息进行框选。
b)使用所述多个样本环境图像信息及各样本环境图像信息对应的样本充电座图像信息,对待训练的学习模型进行训练,得到训练完成的所述第一学习模型;在这里,在待训练的学习模型中使用上述获得的所述多个样本环境图像信息以及各样本环境图像信息所对应的样本充电座图像信息进行训练学习,然后得到训练学习完成的所述第一学习模型,也即所述第一图像识别模型。需要指出的是,以上训练学习的过程是在机器人制造时已经完成的,即所述第一图像识别模型预置在机器人的处理器中备用。
在步骤s212中,利用所获取的所述第一图像识别模型,将上述步骤中所获取的所述环境图像信息作为所述第一图像识别模型的入参,执行所述第一图像识别模型,从所述环境图像信息中抓取所述充电座图像信息;在这里,从所述环境图像信息中抓取所述充电座图像信息包括但不限定于是在所述环境图像信息上对所述充电座图像信息进行框选。
在步骤s220中,在提取所述充电座图像信息后,要对所述充电座图像信息进行图像分析,得到所述位姿信息。其中,所述位姿信息包括角度信息和距离信息,所述角度信息指的是机器人与所述充电座中心的直线与垂直于所贴靠的墙面的中轴线之间的夹角,所述距离信息指的是所述机器人与所述充电座中心的直线距离。下面详细介绍对所述充电座图像信息进行图像分析,得到所述位姿信息(所述角度和所述距离)的具体方法:
1)所述角度
步骤s221,获取第二图像识别模型;
步骤s222,将所述充电座图像信息作为所述第二图像识别模型的入参,执行所述第二图像识别模型得到所述角度信息。
在步骤s221中,所述第二图像识别模型为第二学习模型,其中,以下步骤为获取所述第二学习模型的方法:
c)获取采集到的多个多角度样本充电座图像信息及各样本充电座图像信息对应的样本位姿信息;在这里,通过图像采集装置(如摄像头)在多个角度下采集样本充电座图像信息,得到多个多角度样本充电座图像信息,并在各样本充电座图像信息上标注对应的样本位姿信息,这里的样本位姿信息指的是样本角度。
d)使用所述多个样本充电座图像信息及各样本充电座图像信息对应的样本位姿信息,对待训练的学习模型进行训练,得到训练完成的所述第二学习模型;在这里,在待训练的学习模型中使用所述多个多角度样本充电座图像信息及各样本充电座图像信息所对应的样本角度进行训练学习,然后得到训练学习完成的所述第二学习模型,也即所述第二图像识别模型。需要指出的是,以上训练学习的过程也是在机器人制造时已经完成的,即所述第二图像识别模型预置在机器人的处理器中备用。
在步骤s222中,利用所获取的所述第二图像识别模型,将上述步骤中所获取的所述充电座图像信息作为所述第二图像识别模型的入参,执行所述第二图像识别模型,得到所述充电座图像信息对应的所述角度信息。
2)所述距离
步骤s223,在所述环境图像信息中,确定所述充电座图像信息对应的像素点;
步骤s224,基于所述充电座图像信息对应的像素点,计算所述机器人距所述充电座的所述距离信息。
在步骤s223中,在上述步骤中获取了所述环境图像信息中的所述充电座图像信息,然后应用图像处理技术确定出所述充电座图像信息对应的像素点,这里包括但不限定于对所述充电座图像信息所对应的像素点进行高亮显示操作,以突出与其他像素点不同。
在步骤s224中,在确定出所述充电座图像信息对应的像素点后,然后基于所述充电座图像信息对应的像素点,计算所述机器人距所述充电座的所述距离信息。具体方法如下:
e)从所述充电座图像信息对应的像素点中,获取所述充电座图像信息中心的像素点作为目标像素点。
f)根据预设的像素点及物理坐标点的对应关系,获取所述目标像素点对应的物理坐标点;在这里,一般以所述环境图像信息底边的中心为物理坐标系中心,即所述机器人所在的位置,如获取到所述目标像素点对应的物理坐标点的坐标为(a,b)。
g)根据所述物理坐标点,计算所述机器人距所述充电座的所述距离;在这里,以上是以所述机器人所在的位置为物理坐标系中心,那么所述机器人距所述充电座的所述距离d可通过以下公式计算得到:
即获得了所述机器人距所述充电座的所述距离信息。
需要说明的是,对于获取所述距离和所述角度的先后顺序,本发明并不做具体的限定,即步骤s223、步骤s224也可以是在步骤s221、步骤s222之前进行,因为在步骤s210已经获取了所述充电座图像信息,可以供步骤s221和步骤s223使用。
至此,对所述环境图像信息进行图像分析完毕,确定出了所述充电座的位姿信息,即所述步骤s200执行完毕。
在步骤s300中,所述位姿信息包括上述步骤获取的所述充电座的角度信息以及机器人到所述充电座之间的距离信息,根据这些位姿信息通过路径规划可规划出由机器人所在位置到所述充电座的移动路径。
另外,根据所述位姿信息,规划所述机器人移动至所述充电座的路径具有一触发机制,即当机器人监听到回充事件时,才根据所述位姿信息,规划所述机器人移动至所述充电座的路径;在这里,所述回充事件包括但不限定于是用户对机器人触发充电指令或者机器人检测到自身电池的电量低于某一电量阈值;其中,用户对机器人触发充电指令包括但不限定于是用户通过触按机器人机体上的回充按钮或者是用户通过与机器人网络连接的移动终端向机器人发送回充指令;所述电量阈值应当满足机器人在工作环境下到达充电座最远距离所需要的电量。
具体地,请参考图6,为本发明第二实施例提供的一种机器人回充路径规划方法的又一方法流程图,所述步骤s300包括:
步骤s310,监听到回充事件时,判断是否已定位出充电座的在所述机器人存储的环境地图中的位姿信息;
步骤s320,控制所述机器人按预设动作调整,并返回至步骤s100,开始以上定位所述位姿信息的步骤,具体方法请参见以上实施例描述,在此不予赘述,直至定位出充电座的在所述机器人存储的环境地图中的位姿信息,然后进行下面步骤s330;
步骤s330,根据所述位姿信息,规划所述机器人移动至所述充电座的路径。
在这里,所述预设动作指的是包括但不限定于是控制所述机器人在当前位置前进或后退一阈值距离,和/或,旋转一阈值角度。如第一实施例所述,可控制所述机器人按预设动作调整,并通过以上步骤定位出所述充电座的在所述机器人存储的环境地图中的位姿信息,可以使所述充电器的位置不用固定在一个位置,即用户可以根据需要将所述充电座摆放在所述机器人的工作环境中的任一位置,假若所述充电座处在不能定位出所述位姿信息的位置,此时可以控制所述机器人按预设动作调整,即变换所述机器人的位置,并通过以上步骤定位出所述位姿信息,进而根据所述位姿信息,规划所述机器人移动至所述充电座的路径,可以避免传统机器人的充电器位置必须固定才可以完成自动回充的弊端。
具体地,请参考图7,为本发明第二实施例提供的一种机器人回充路径规划方法的又一方法流程图,所述步骤s330包括:
步骤s331,根据所述位姿信息,规划所述机器人移动至所述充电座的红外信号区域;
步骤s332,根据接收到的红外信号,规划所述机器人移动至所述充电座的路径。
在步骤s331中,机器人并不是直接移动至所述充电座所在的位置,所述充电座上设有向外发射红外信号的发射器,而机器人上设有接收所述红外信号的接收器,且所述充电座所发射的红外信号覆盖一定的区域,在这里,首先规划出所述机器人移动至所述充电座的红外信号区域,所述红外信号区域会包围所述充电座。
在本发明其他较佳的实施例中,所述充电座上一般设置至少两个红外信号的发射器,所述充电座的充电插头一般设置在两个发射器之间,每个发射器所发射的红外信号呈扇形向外发布,两个红外信号的重叠区的中心线与所述充电插头处于同一直线上,在这里,一般根据所述位姿信息,规划所述机器人移动至所述充电座的红外信号的重叠区,以使得接下来的红外信号引导机器人回充时可以与所述充电座完成精准对接,提升充电的成功率。
在步骤s332中,所述机器人移动至所述充电座的红外信号区域后,机器人的接收器所接收到的所述充电座的红外信号发射器发射的红外信号,并根据所述红外信号的引导规划出所述机器人移动至所述充电座的路径,然后控制所述机器人的移动装置按照所规划的路径移动至所述充电座的位置,使机器人的充电接口和所述充电座的充电插头完成对接,并进行充电。
需要指出的是,以上第一实施例为本发明的充电系统和机器人的结构实施例,以上第二实施例为本发明的机器人回充路径规划方法的方法实施例,若遇不清楚之处,两者可以相互参考。
上述计算机可读存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(sram),电可擦除可编程只读存储器(eeprom),可擦除可编程只读存储器(eprom),可编程只读存储器(prom),只读存储器(rom),磁存储器,快闪存储器,磁盘或光盘。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(ram)和/或非易失性内存等形式,如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
技术特征:
1.一种机器人回充路径规划方法,其特征在于,包括:
获取所述机器人所处环境的环境图像信息;
对所述环境图像信息进行图像分析,以定位出充电座在所述机器人存储的环境地图中的位姿信息;
根据所述位姿信息,规划所述机器人移动至所述充电座的路径。
2.根据权利要求1所述的方法,其特征在于,根据所述位姿信息,规划所述机器人移动至所述充电座的路径,包括:
监听到回充事件时,根据所述位姿信息,规划所述机器人移动至所述充电座的路径。
3.根据权利要求2所述的方法,其特征在于,监听到回充事件时,根据所述位姿信息,规划所述机器人移动至所述充电座的路径,包括:
监听到回充事件时,判断是否已定位出充电座的在所述机器人存储的环境地图中的位姿信息;
若否,控制所述机器人按预设动作调整,直至定位出充电座的在所述机器人存储的环境地图中的位姿信息,
根据所述位姿信息,规划所述机器人移动至所述充电座的路径。
4.根据权利要求1所述的方法,其特征在于,对所述环境图像信息进行图像分析,以定位出充电座的在所述机器人存储的环境地图中的位姿信息,包括:
从所述环境图像信息中,提取充电座图像信息;
对所述充电座图像信息进行图像分析,得到所述位姿信息。
5.根据权利要求4所述的方法,其特征在于,从所述环境图像信息中,提取充电座图像信息,包括:
获取第一图像识别模型;
将所述环境图像信息作为所述第一图像识别模型的入参,执行所述第一图像识别模型抓取所述充电座图像信息。
6.根据权利要求5所述的方法,其特征在于,所述第一图像识别模型为第一学习模型。
7.根据权利要求6所述的方法,其特征在于,
获取从多角度采集到的含有充电座图像的多个样本环境图像信息及各样本环境图像信息对应的样本充电座图像信息;
使用所述多个样本环境图像信息及各样本环境图像信息对应的样本充电座图像信息,对待训练的学习模型进行训练,得到训练完成的所述第一学习模型。
8.根据权利要求4所述的方法,其特征在于,所述位姿信息包括角度信息;
对所述充电座图像信息进行图像分析,得到所述位姿信息,包括:
获取第二图像识别模型;
将所述充电座图像信息作为所述第二图像识别模型的入参,执行所述第二图像识别模型得到所述角度信息。
9.根据权利要求8所述的方法,其特征在于,所述第二图像识别模型为第二学习模型。
10.根据权利要求9所述的方法,其特征在于,还包括:
获取采集到的多个多角度样本充电座图像信息及各样本充电座图像信息对应的样本角度信息;
使用所述多个样本充电座图像信息及各样本充电座图像信息对应的样本角度信息,对待训练的学习模型进行训练,得到训练完成的所述第二学习模型。
11.根据权利要求4所述的方法,其特征在于,所述位姿信息还包括距离信息;
对所述环境图像信息进行图像分析,以确定出所述充电座的位姿信息,还包括:
在所述环境图像信息中,确定所述充电座图像信息对应的像素点;
基于所述充电座图像信息对应的像素点,计算所述机器人距所述充电座的所述距离信息。
12.根据权利要求11所述的方法,其特征在于,基于所述充电座图像信息对应的像素点,计算所述机器人距所述充电座的所述距离信息,包括:
从所述充电座图像信息对应的像素点中,获取所述充电座图像信息中心的像素点作为目标像素点;
根据预设的像素点及物理坐标点的对应关系,获取所述目标像素点对应的物理坐标点;
根据所述物理坐标点,计算所述机器人距所述充电座的所述距离信息。
13.根据权利要求1至12任一项所述的方法,其特征在于,根据所述位姿信息,规划机器人移动至所述充电座的路径,包括:
根据所述位姿信息,规划所述机器人移动至所述充电座的红外信号区域;
根据接收到的红外信号,规划所述机器人移动至所述充电座的路径。
14.一种机器人,其特征在于,包括:机体以及设置在所述机体内的处理器与存储器;其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
获取所述机器人所处环境的环境图像信息;
对所述环境图像信息进行图像分析,以定位出充电座在所述机器人存储的环境地图中的位姿信息;
根据所述位姿信息,规划所述机器人移动至所述充电座的路径。
15.根据权利要求14所述的机器人,其特征在于,所述处理器还用于监听回充事件,并在监听到所述回充事件时,根据所述位姿信息,规划机器人移动至所述充电座的路径。
16.根据权利要求15所述的机器人,其特征在于,所述处理器还用于:在监听到所述回充事件时,判断是否已定位出充电座的在所述机器人存储的环境地图中的位姿信息;
若否,控制所述机器人按预设动作调整,直至定位出充电座的在所述机器人存储的环境地图中的位姿信息;
并根据所述位姿信息,规划所述机器人移动至所述充电座的路径。
17.根据权利要求14所述的机器人,其特征在于,所述处理器还用于:
从所述环境图像信息中,提取充电座图像信息;
对所述充电座图像信息进行图像分析,得到所述位姿信息。
18.根据权利要求17所述的机器人,其特征在于,所述处理器还用于获取第一图像识别模型,并将所述环境图像信息作为所述第一图像识别模型的入参,执行所述第一图像识别模型抓取所述充电座图像信息。
19.根据权利要求17所述的机器人,其特征在于,所述位姿信息包括角度信息;
所述处理器还用于获取第二图像识别模型,并将所述充电座图像信息作为所述第二图像识别模型的入参,执行所述第二图像识别模型得到所述角度信息。
20.根据权利要求17所述的机器人,其特征在于,所述位姿信息还包括距离信息;
所述处理器还用于在所述环境图像信息中确定所述充电座图像信息对应的像素点,并基于所述充电座图像信息对应的像素点,计算所述机器人距所述充电座的所述距离信息。
21.根据权利要求20所述的机器人,其特征在于,所述处理器还用于:
从所述充电座图像信息对应的像素点中,获取所述充电座图像信息中心的像素点作为目标像素点;并根据预设的像素点及物理坐标点的对应关系,获取所述目标像素点对应的物理坐标点;以及根据所述物理坐标点,计算所述机器人距所述充电座的所述距离信息。
22.根据权利要求14-21任一所述的机器人,其特征在于,所述处理器还用于:
根据所述位姿信息,规划所述机器人移动至所述充电座的红外信号区域;以及
根据接收到的红外信号,规划所述机器人移动至所述充电座的路径。
23.一种充电系统,其特征在于,包括机器人及充电座;
其中,所述机器人包括机体以及设置在所述机体内的处理器与存储器;
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
获取所述机器人所处环境的环境图像信息;
对所述环境图像信息进行图像分析,以定位出充电座在所述机器人存储的环境地图中的位姿信息;
根据所述位姿信息,规划机器人移动至所述充电座的路径。
技术总结
本发明实施例公开了一种机器人回充路径规划方法、机器人及充电系统。机器人回充路径规划方法包括:获取机器人所处环境的环境图像信息;对环境图像信息进行图像分析,以定位出充电座在机器人存储的环境地图中的位姿信息;根据位姿信息,规划机器人移动至充电座的路径。本发明实施例对机器人所处环境的环境图像信息进行分析,确定出充电座的位姿信息,并根据位姿信息,规划机器人移动至充电座的路径,通过精确确定充电座的位姿信息,并规划回充路径,提升机器人的回充成功率。
技术研发人员:王孟昊;鲍亮;汤进举
受保护的技术使用者:科沃斯机器人股份有限公司
技术研发日:.06.21
技术公布日:.12.31