一种导航地图的生成方法、装置及机器人制造方法及图纸

本发明专利技术公开了一种导航地图的生成方法、装置及机器人，所述方法包括：获取机器人在第一位置采集的第一图像；将所述第一图像输入到深度学习网络模型中，预测所述机器人即将经过的第一障碍物及所述第一障碍物相对所述机器人的第一相对位姿数据；根据所述机器人的第一惯性测量单元IMU数据和所述第一相对位姿数据，确定所述第一障碍物的第一全局位姿数据；根据所述第一障碍物的第一全局位姿数据和所述第一障碍物的第二全局位姿数据，确定所述第一障碍物的第三全局位姿数据；所述第一障碍物的第二全局位姿数据为根据所述机器人在历史位置采集的图像确定的；根据所述第一障碍物的第三全局位姿数据，更新导航地图。

A Method, Device and Robot for Navigation Map Generation

The invention discloses a navigation map generation method, device and robot. The method includes: acquiring the first image captured by the robot at the first position; inputting the first image into the depth learning network model, predicting the first obstacle that the robot will pass through and the first relative pose data of the first obstacle relative to the robot; and according to the method mentioned above. The first IMU data and the first relative pose data of the robot are used to determine the first global pose data of the first obstacle; the third global pose data of the first obstacle is determined according to the first global pose data of the first obstacle and the second global pose data of the first obstacle; and the second global pose data of the first obstacle is determined according to the first global pose data of the first obstacle. The navigation map is updated according to the third global pose data of the first obstacle.

【技术实现步骤摘要】
一种导航地图的生成方法、装置及机器人
本专利技术涉及机器人
，尤指一种导航地图的生成方法、装置及机器人。
技术介绍
随着科技的发展，机器人的用途越来越广泛，给生活带来了极大的便利。但是，机器人在行进的路径上通常会遇到各种不同的障碍物，如果机器人不能及时检测到前方区域的障碍物，就有可能会发生机器人与障碍物相撞的情况出现，此时不仅会损坏机器人，在障碍物为贵重物品时也会对贵重物品造成损坏，给生产和生活带来了损失。那么，如何提高机器人的导航能力，是本领域技术人员亟待解决的技术问题。
技术实现思路
本专利技术实施例提供了一种导航地图的生成方法、装置及机器人，用以提高机器人的导航能力。第一方面，本专利技术实施例提供了一种导航地图的生成方法，包括：获取机器人在第一位置采集的第一图像；将所述第一图像输入到深度学习网络模型中，预测所述机器人即将经过的第一障碍物及所述第一障碍物相对所述机器人的第一相对位姿数据；根据所述机器人的第一惯性测量单元(Inertialmeasurementunit，IMU)数据和所述第一相对位姿数据，确定所述第一障碍物的第一全局位姿数据；根据所述第一障碍物的第一全局位姿数据和所述第一障碍物的第二全局位姿数据，确定所述第一障碍物的第三全局位姿数据；所述第一障碍物的第二全局位姿数据为根据所述机器人在历史位置采集的图像确定的；根据所述第一障碍物的第三全局位姿数据，更新导航地图。本专利技术实施例，机器人在移动过程中通过采集的图像确定出的障碍物相对机器人的位置来获得障碍物的全局位姿数据，进而确定导航地图，从而更新全局轨道的布局，其中，通过采集的图像确定出的障碍物相对机器人的位置可以通过卷积神经网络预测即将经过的第一障碍物的第一相对位姿数据；通过预测的第一障碍物的第一相对位姿数据与扩展卡尔曼滤波器结合，以修正第一障碍物的全局位姿数据，从而获得精度较高的第一障碍物的全局位姿数据，从而实现机器人快速准确地导航。一种可能的实现方式，所述根据所述第一障碍物的第一全局位姿数据和所述第一障碍物的第二全局位姿数据，确定所述第一障碍物的第三全局位姿数据，包括：通过扩展卡尔曼滤波方法，将所述第一障碍物的第一全局位姿数据和所述第一障碍物的第二全局位姿数据作平滑处理，确定出所述第一障碍物的第三全局位姿数据。通过预测的第一障碍物的第一相对位姿数据与扩展卡尔曼滤波器结合，以修正第一障碍物的全局位姿数据，从而获得精度较高的第一障碍物的全局位姿数据，从而实现机器人快速准确地导航。一种可能的实现方式，所述确定所述第一障碍物的第一全局位姿数据之前，还包括：若从所述机器人在历史位置采集的图像中确定出第二图像，则将所述第一IMU数据修正为所述第二图像对应的第二IMU数据；所述第二图像与所述第一图像满足图像相似性要求且所述机器人在采集所述第二图像的历史位置信息与所述第一IMU数据满足距离相似性要求。通过对机器人的位置的修正，以提高导航地图的准确性。一种可能的实现方式，所述根据所述第一障碍物的第一全局位姿数据和所述第一障碍物的第二全局位姿数据，确定所述第一障碍物的第三全局位姿数据之前，还包括：确定在所述导航地图上所述机器人的第四全局位姿数据；确定在所述导航地图上距离所述机器人最近的第二障碍物；所述根据所述第一障碍物的第三全局位姿数据，更新导航地图，包括：若确定所述第一障碍物与所述第二障碍物为同一障碍物，则将所述第三全局位姿数据，更新为所述第一障碍物的在所述导航地图上的全局位姿数据；并将所述机器人的第四全局位姿数据更新至所述导航地图中；若确定所述第一障碍物与所述第二障碍物为不同的障碍物，则将所述第二障碍物确定为所述机器人即将经过的障碍物，并将所述第二障碍物的全局位姿数据作为所述机器人即将经过的障碍物的第三全局位姿数据；并将所述机器人的第四全局位姿数据更新至所述导航地图中。通过上述方法，可以避免机器人的视野遮挡或视野中无法确定最近的障碍物，导致的导航地图确定的导航路线的错误，进一步提高导航地图的生成的鲁棒性和准确性。一种可能的实现方式，所述方法还包括：在更新后的导航地图，根据所述机器人的第四全局位姿数据，及所述第一障碍物的第三全局位姿数据，生成所述机器人从所述第一位置至所述第一障碍物的轨迹点；通过对轨迹点的线性插值，生成所述机器人的全局导航轨迹。一种可能的实现方式，所述第一障碍物为可穿过的门框；所述全局导航轨迹包括：所述机器人从所述第一位置到达所述门框内的可穿过位置的第一轨迹以及所述机器人进入所述可穿过位置的第二轨迹。第二方面，本专利技术实施例提供一种导航地图的生成装置，包括：收发单元，用于获取机器人在第一位置采集的第一图像；处理单元，用于将所述第一图像输入到深度学习网络模型中，预测所述机器人即将经过的第一障碍物及所述第一障碍物相对所述机器人的第一相对位姿数据；根据所述机器人的第一惯性测量单元IMU数据和所述第一相对位姿数据，确定所述第一障碍物的第一全局位姿数据；根据所述第一障碍物的第一全局位姿数据和所述第一障碍物的第二全局位姿数据，确定所述第一障碍物的第三全局位姿数据；所述第一障碍物的第二全局位姿数据为根据所述机器人在历史位置采集的图像确定的；根据所述第一障碍物的第三全局位姿数据，更新导航地图。一种可能的实现方式，所述处理单元，具体用于：通过扩展卡尔曼滤波方法，将所述第一障碍物的第一全局位姿数据和所述第一障碍物的第二全局位姿数据作平滑处理，确定出所述第一障碍物的第三全局位姿数据。第三方面，本专利技术实施例提供一种机器人，包括：包括处理器、通信接口、存储器和通信总线及图像采集设备，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行本专利技术实施例中提供的任一方法的步骤；所述图像采集设备，用于获取机器人在第一位置采集的第一图像。第四方面，本专利技术实施例提供一种计算机可读存储介质，其存储有可由机器人执行的计算机程序，当所述程序在所述机器人上运行时，使得所述机器人执行本专利技术实施例中提供的任一方法的步骤。附图说明图1为本专利技术实施例中提供的一种导航地图的生成方法的流程图；图2为本专利技术实施例中提供的深度卷积网络模型的结构示意图；图3为本专利技术实施例中提供的深度卷积网络模型的训练的流程示意图；图4为本专利技术实施例中提供的导航地图的生成装置的结构示意图；图5为本专利技术实施例中提供的机器人的结构示意图。具体实施方式下面将结合附图，对本专利技术实施例提供的一种机器人、导航方法及检测装置的具体实施方式进行详细地说明。需要说明的是，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。传统的机器人的导航算法主要是基于视觉里程计或者视觉惯性里程计和SLAM技术，这些技术主要是用来提供机器人相对于惯性测量地图的位姿估计，机器人的精准定位是建立在精准的位姿估计上的。由于传感器的数据不够精确，状态估计值常常存在着漂移等问题，导致移动机器人无法快速且灵活地在动态的环境中移动。目前的导航方法，机器人在环境中导航需要环境的高精地图，根据地图，机器人才能在环境中做出当前位姿的判断并规划路线，从而移动机器人，才能本文档来自技高网...

【技术保护点】
1.一种导航地图的生成方法，其特征在于，包括：获取机器人在第一位置采集的第一图像；将所述第一图像输入到深度学习网络模型中，预测所述机器人即将经过的第一障碍物及所述第一障碍物相对所述机器人的第一相对位姿数据；根据所述机器人的第一惯性测量单元IMU数据和所述第一相对位姿数据，确定所述第一障碍物的第一全局位姿数据；根据所述第一障碍物的第一全局位姿数据和所述第一障碍物的第二全局位姿数据，确定所述第一障碍物的第三全局位姿数据；所述第一障碍物的第二全局位姿数据为根据所述机器人在历史位置采集的图像确定的；根据所述第一障碍物的第三全局位姿数据，更新导航地图。

【技术特征摘要】
1.一种导航地图的生成方法，其特征在于，包括：获取机器人在第一位置采集的第一图像；将所述第一图像输入到深度学习网络模型中，预测所述机器人即将经过的第一障碍物及所述第一障碍物相对所述机器人的第一相对位姿数据；根据所述机器人的第一惯性测量单元IMU数据和所述第一相对位姿数据，确定所述第一障碍物的第一全局位姿数据；根据所述第一障碍物的第一全局位姿数据和所述第一障碍物的第二全局位姿数据，确定所述第一障碍物的第三全局位姿数据；所述第一障碍物的第二全局位姿数据为根据所述机器人在历史位置采集的图像确定的；根据所述第一障碍物的第三全局位姿数据，更新导航地图。2.如权利要求1所述的方法，其特征在于，所述根据所述第一障碍物的第一全局位姿数据和所述第一障碍物的第二全局位姿数据，确定所述第一障碍物的第三全局位姿数据，包括：通过扩展卡尔曼滤波方法，将所述第一障碍物的第一全局位姿数据和所述第一障碍物的第二全局位姿数据作平滑处理，确定出所述第一障碍物的第三全局位姿数据。3.如权利要求1所述的方法，其特征在于，所述确定所述第一障碍物的第一全局位姿数据之前，还包括：若从所述机器人在历史位置采集的图像中确定出第二图像，则将所述第一IMU数据修正为所述第二图像对应的第二IMU数据；所述第二图像与所述第一图像满足图像相似性要求且所述机器人在采集所述第二图像的历史位置信息与所述第一IMU数据满足距离相似性要求。4.如权利要求1所述的方法，其特征在于，所述根据所述第一障碍物的第一全局位姿数据和所述第一障碍物的第二全局位姿数据，确定所述第一障碍物的第三全局位姿数据之前，还包括：确定在所述导航地图上所述机器人的第四全局位姿数据；确定在所述导航地图上距离所述机器人最近的第二障碍物；所述根据所述第一障碍物的第三全局位姿数据，更新导航地图，包括：若确定所述第一障碍物与所述第二障碍物为同一障碍物，则将所述第三全局位姿数据，更新为所述第一障碍物的在所述导航地图上的全局位姿数据；并将所述机器人的第四全局位姿数据更新至所述导航地图中；若确定所述第一障碍物与所述第二障碍物为不同的障碍物，则将所述第二障碍物确定为所述机器人即将经过的障碍物，并将所述第二障碍物的全局...

【专利技术属性】
技术研发人员：陈海波，
申请(专利权)人：深兰科技上海有限公司，
类型：发明
国别省市：上海,31