一种基于深度点云的移动机器人视觉伺服控制方法和系统技术方案

本发明专利技术公开了一种基于深度点云的移动机器人视觉伺服控制方法和系统，方法包括：获取移动机器人周围环境深度点云信息；对所获取的深度点云信息进行预处理，得到障碍物的方向和距离信息；根据障碍物的方向和距离信息以及移动机器人的当前位姿计算得到移动机器人与障碍物的当前相对位置；根据预设的移动机器人的期望位姿、移动机器人的当前位姿以及移动机器人与障碍物的当前相对位置计算得到移动机器人的位姿误差；根据移动机器人的位姿误差调整移动机器人的位姿。本发明专利技术解决了传统的视觉伺服对弱纹理特征图像特征难以提取的问题，且计算量更低、鲁棒性更高、稳定性更好。稳定性更好。稳定性更好。

【技术实现步骤摘要】
一种基于深度点云的移动机器人视觉伺服控制方法和系统


[0001]本专利技术属于移动机器人
，具体涉及一种基于深度点云的移动机器人视觉伺服控制方法和系统。

技术介绍

[0002]移动机器人是一种集合环境感知和行为控制于一体的智能系统，在生产制造、医疗救援以及生活服务领域都有着广阔的发展前景。针对移动机器人控制问题，各种传感器的应用层出不穷，其中视觉伺服控制法是当下应用最广泛的方法之一。
[0003]目前，大部分视觉伺服控制使用的是基于图像的方法，根据传感器获取的图像信息将图像特征参数的变化同机器人位姿变化联系起来，从而进行控制，但是该方法存在机器人轨迹难以控制、对环境要求高的缺点。另一种基于位置的视觉伺服控制方法是根据当前位姿与目标位姿计算出控制量，实现控制轨迹，但是过于依赖于目标位姿的估计精度，且图像误差的鲁棒性过差。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种基于深度点云的移动机器人视觉伺服控制方法和系统，解决了传统的视觉伺服对弱纹理特征图像特征难以提取的问题，且计算量更低、鲁棒性更高、稳定性更好。
[0005]本专利技术提供了如下的技术方案：
[0006]第一方面，提供一种基于深度点云的移动机器人视觉伺服控制方法，包括：
[0007]获取移动机器人周围环境深度点云信息；
[0008]对所获取的深度点云信息进行预处理，得到障碍物的方向和距离信息；
[0009]根据障碍物的方向和距离信息以及移动机器人的当前位姿计算得到移动机器人与障碍物的当前相对位置；
[0010]根据预设的移动机器人的期望位姿、移动机器人的当前位姿以及移动机器人与障碍物的当前相对位置计算得到移动机器人的位姿误差；
[0011]根据移动机器人的位姿误差调整移动机器人的位姿。
[0012]进一步的，所述深度点云信息通过Realsence D435深度相机采集，对所述深度点云信息进行的预处理包括：体素滤波、坐标变换、直通滤波、高斯滤波、降维处理以及将点云的直角坐标转换为极坐标。
[0013]进一步的，所述移动机器人的当前位姿根据移动机器人的运动学模型获得；所述移动机器人的运动学模型的建立方法包括：
[0014]在世界坐标系的X
‑
Y平面内设定移动机器人的起始位置，当移动机器人在世界坐标系下运动时，建立其运动学方程：
[0015][0016][0017]式中，v
i
和ω
i
分别为移动机器人在机器人坐标系中的线速度和角速度；为移动机器人在世界坐标系中的位姿(x
i
,y
i
,θ
i
)对时间的一阶导数，假定移动机器人质心与中心重合，(x
i
,y
i
)为移动机器人的几何中心坐标，θ
i
为移动机器人的线速度矢量与X轴的夹角；v
iL
和v
iR
分别为移动机器人左右两履带的速度，L1为移动机器人左右两履带之间的距离。
[0018]进一步的，计算所述移动机器人与障碍物的当前相对位置的方法包括：
[0019][0020][0021]式中，d
e
为移动机器人与障碍物的垂直距离，d为移动机器人沿着其横坐标X0方向与障碍物的直线距离，与分别为移动机器人以横坐标X0方向为角平分线向左右两边发散的角度，θ
t
为移动机器人至障碍物的垂线与横坐标X0之间偏离的夹角，p1为移动机器人沿着方向与障碍物的直线距离，p2为机器人沿着方向与障碍物的直线距离。
[0022]进一步的，计算所述移动机器人的位姿误差的方法包括：在世界坐标系下，令：
[0023]Δp＝p
*
‑
p
ꢀꢀ
(5)
[0024][0025]其中则：
[0026][0027]式中，Δp＝[x
e
,y
e
,θ
e
]为移动机器人的位姿误差，P
*
＝[x1,y1,θ1]为移动机器人的期望位姿，P＝[x0,y0,θ0]为移动机器人的当前位姿。
[0028]进一步的，若所述移动机器人的位姿误差大于设定阈值，则基于移动机器人的位姿误差和李雅普诺夫函数计算移动机器人的控制率，建立视觉伺服控制器以实时调整移动机器人的位姿，直至移动机器人的位姿误差小于设定阈值，结束流程，完成移动机器人的位姿调整。
[0029]进一步的，计算所述移动机器人的控制率的方法包括：
[0030]对移动机器人的位置误差Δp进行微分：
[0031][0032]根据移动机器人的位置误差微分选取V函数为李雅普诺夫函数：
[0033][0034]对V函数进行微分：
[0035][0036]计算移动机器人的控制率为：
[0037][0038]将公式(11)带入公式(10)证明移动机器人控制率的稳定性，得到：
[0039][0040]式中，为移动机器人的位置误差微分，式中为V函数的微分，v0和v1分别为移动机器人当前位姿和期望位姿的速度，ω0和ω1分别为移动机器人当前位姿和期望位姿的角速度，k1，k2，k3＞0，均为控制参数。
[0041]第二方面，提供一种基于深度点云的移动机器人视觉伺服控制系统，包括：
[0042]信息获取模块，用于获取移动机器人周围环境深度点云信息；
[0043]预处理模块，用于对所获取的深度点云信息进行预处理，得到障碍物的方向和距离信息；
[0044]第一数据处理模块，用于根据障碍物的方向和距离信息以及移动机器人的当前位姿计算得到移动机器人与障碍物的当前相对位置；
[0045]第二数据处理模块，根据预设的移动机器人的期望位姿、移动机器人的当前位姿以及移动机器人与障碍物的当前相对位置计算得到移动机器人的位姿误差；
[0046]位姿调整模块，用于根据移动机器人的位姿误差调整移动机器人的位姿。
[0047]第三方面，提供一种基于深度点云的移动机器人视觉伺服控制装置，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
[0048]第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面所述方法的步骤。
[0049]与现有技术相比，本专利技术的有益效果是：
[0050]本专利技术基于移动机器人周围环境深度点云信息，通过对深度点云信息进行预处理得到障碍物的方向和距离信息，进而计算移动机器人与障碍物的当前相对位置以及移动机器人的位姿误差，最终根据移动机器人的位姿误差不断调整移动机器人的位姿以达期望位置，解决了传统的视觉伺服对弱纹理特征图像特征难以提取的问题，且计算量更低、鲁棒性更高、稳定性更好。
附图说明
[0051]图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度点云的移动机器人视觉伺服控制方法，其特征在于，包括：获取移动机器人周围环境深度点云信息；对所获取的深度点云信息进行预处理，得到障碍物的方向和距离信息；根据障碍物的方向和距离信息以及移动机器人的当前位姿计算得到移动机器人与障碍物的当前相对位置；根据预设的移动机器人的期望位姿、移动机器人的当前位姿以及移动机器人与障碍物的当前相对位置计算得到移动机器人的位姿误差；根据移动机器人的位姿误差调整移动机器人的位姿。2.根据权利要求1所述的基于深度点云的移动机器人视觉伺服控制方法，其特征在于，所述深度点云信息通过Realsence D435深度相机采集，对所述深度点云信息进行的预处理包括：体素滤波、坐标变换、直通滤波、高斯滤波、降维处理以及将点云的直角坐标转换为极坐标。3.根据权利要求1所述的基于深度点云的移动机器人视觉伺服控制方法，其特征在于，所述移动机器人的当前位姿根据移动机器人的运动学模型获得；所述移动机器人的运动学模型的建立方法包括：在世界坐标系的X
‑
Y平面内设定移动机器人的起始位置，当移动机器人在世界坐标系下运动时，建立其运动学方程：其运动学方程：式中，v
i
和ω
i
分别为移动机器人在机器人坐标系中的线速度和角速度；为移动机器人在世界坐标系中的位姿(x
i
,y
i
,θ
i
)对时间的一阶导数，假定移动机器人质心与中心重合，(x
i
,y
i
)为移动机器人的几何中心坐标，θ
i
为移动机器人的线速度矢量与X轴的夹角；v
iL
和v
iR
分别为移动机器人左右两履带的速度，L1为移动机器人左右两履带之间的距离。4.根据权利要求1所述的基于深度点云的移动机器人视觉伺服控制方法，其特征在于，计算所述移动机器人与障碍物的当前相对位置的方法包括：
式中，d
e
为移动机器人与障碍物的垂直距离，d为移动机器人沿着其横坐标X0方向与障碍物的直线距离，与分别为移动机器人以横坐标X0方向为角平分线向左右两边发散的角度，θ
t
为移动机器人至障碍物的垂线与横坐标X0之间偏离的夹角，p1为移动机器人沿着方向与障碍物的直线距离，p2为机器人沿着方向与障碍物的直线距离。5.根据权利要求4所述的基于深度点云...

【专利技术属性】
技术研发人员：徐孝彬，王文，陈子恒，冉莹莹，谭治英，徐林森，骆敏舟，
申请(专利权)人：江苏省中以产业技术研究院，
类型：发明
国别省市：