机器人丢定位检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种机器人丢定位检测方法、装置、计算机设备和存储介质。所述方法包括：获取所述机器人在当前位置的定位信息；绘制所述当前位置的激光匹配图作为当前匹配图；将所述当前匹配图输入至已训练好的深度学习网络模型中，通过所述深度学习网络模型对所述当前匹配图进行分类得到分类结果；根据所述分类结果判定所述机器人在所述当前位置的定位信息是否正确，以此检测所述机器人是否丢定位。采用本方法能够自主检测机器人丢定位情况的情况。方法能够自主检测机器人丢定位情况的情况。方法能够自主检测机器人丢定位情况的情况。

【技术实现步骤摘要】
机器人丢定位检测方法、装置、计算机设备和存储介质


[0001]本申请涉及机器人
，特别是涉及一种机器人丢定位检测方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着机器人技术的发展，越来越多的机器人应用在人们的日常生活中。目前可自主移动的机器人在导航中最重要的问题是“我在哪，我要去哪，我怎么去”，围绕这三个问题，首先要解决机器人的定位问题，也就是机器人需要知道自己当前所处的位置，这样机器人才能在站点内安全稳定的导航移动，完成任务。
[0003]如果机器人定位的位置和实际所处的位置不符，那么机器人就会出现丢定位的问题。机器人在丢定位的情况下，会出现乱移动的情况，由于机器人无法知道当前所处的位置，无法自动避开一些危险区域，因此在丢定位的情况下，机器人常出现跌落的问题，不仅造成机器人损坏，也会带来安全隐患。尽管目前解决导航和路径规划问题的方法已经颇为成熟，但是在最基本的定位问题中，绝大多数自主移动机器人的定位纠错能力都依赖于人的观测和人为发现，不能自主纠错。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够自主检测机器人丢定位情况的机器人丢定位检测方法、装置、计算机设备和存储介质。
[0005]一种机器人丢定位检测方法，所述方法包括：
[0006]获取所述机器人在当前位置的定位信息；
[0007]绘制所述当前位置的激光匹配图作为当前匹配图；
[0008]将所述当前匹配图输入至已训练好的深度学习网络模型中，通过所述深度学习网络模型对所述当前匹配图进行分类得到分类结果；
[0009]根据所述分类结果判定所述机器人在所述当前位置的定位信息是否正确，以此检测所述机器人是否丢定位。
[0010]在其中一个实施例中，所述绘制所述当前位置的激光匹配图作为当前匹配图包括：
[0011]获取所述当前位置的标准激光地图；
[0012]获取机器人通过激光传感器在所述当前位置采集的激光反射测距数据；
[0013]根据所述定位信息和所述激光反射测距数据在所述标准激光地图中绘制激光线得到当前匹配图。
[0014]在其中一个实施例中，所述生成标准激光地图的方法包括：
[0015]围绕目标实施环境运动一圈，在运动过程中通过所述激光传感器按照预设频率发射激光束；
[0016]根据所述激光束返射回来的激光点云数据绘制所述目标实施环境的激光地图，得
到所述目标实施环境的标准激光地图。
[0017]在其中一个实施例中，所述激光反射测距数据为激光点云数据；所述根据所述定位信息和所述激光反射测距数据在所述标准激光地图中绘制激光线得到当前匹配图包括：
[0018]设置绘制激光线的第一线条标识；所述第一线条标识和所述标准激光地图中的边界线的第二线条标识不同；所述第二线条标识包括至少一个；
[0019]基于所述定位信息和所述激光点云数据，确定激光线在所述标准激光地图中的目标位置；
[0020]根据所述目标位置对应的第二线条标识和所述第一线条标识确定所述激光线的目标线条标识；
[0021]采用所述目标线条标识在所述目标位置上绘制所述激光线得到当前匹配图。
[0022]在其中一个实施例中，所述方法还包括：
[0023]根据所述目标位置对应的所述激光线的目标线条标识和所述标准激光地图的边界线的第二线条标识，确定所述激光线和所述标准激光地图的重合度；
[0024]根据所述重合度判断所述定位信息是否准确。
[0025]在其中一个实施例中，所述深度学习网络模型的生成方法包括：
[0026]获取样本匹配图和对应的样本标签；
[0027]将所述样本匹配图输入深度学习网络模型进行训练，得到输出结果；
[0028]根据所述输出结果和对应的所述样本标签，对所述深度学习网络模型进行反馈更新，直至训练结束。
[0029]一种机器人丢定位检测装置，所述装置包括：
[0030]定位信息获取模块，用于获取所述机器人在当前位置的定位信息；
[0031]匹配图绘制模块，用于绘制所述当前位置的激光匹配图作为当前匹配图；
[0032]匹配图分类模块，用于将所述当前匹配图输入至已训练好的深度学习网络模型中，通过所述深度学习网络模型对所述当前匹配图进行分类得到分类结果；
[0033]丢定位判断模块，用于根据所述分类结果判定所述机器人在所述当前位置的定位信息是否正确，以此检测所述机器人是否丢定位。
[0034]在其中一个实施例中，所述匹配图绘制模块还用于获取所述当前位置的标准激光地图；获取所述机器人通过所述激光传感器在所述当前位置采集的激光反射测距数据；根据所述定位信息和所述激光反射测距数据在所述标准激光地图中绘制激光线得到当前匹配图；基于所述激光线与所述标准激光地图的边界线的重合度判断所述位置信息是否准确。
[0035]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述实施例中机器人丢定位检测方法的步骤。
[0036]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中机器人丢定位检测方法的步骤。
[0037]上述机器人丢定位检测方法、装置、计算机设备和存储介质，通过获取机器人当前所处位置的定位信息，通过激光传感器发射激光束，以此实时绘制当前位置的激光匹配图并输入到已训练好的深度学习网络模型中进行分类，进而根据分类结果判定机器人在当前位置的定位信息是否正确，以此检测机器人是否丢定位，通过激光传感器和深度学习网络
模型共同确定机器人当前位置的定位信息是否正确，从而实现机器人的自主丢定位检测。若机器人出现丢定位现象，可以停止一定，等纠正后再进行移动任务，以此避免了机器人移动到未知区域、甚至危险区域从而导致跌落等严重事件；并且本方案提供的机器人丢定位检测完全是机器人自主识别，不需要借助额外的人力来配合检测，有效的节省了需要长期观测机器人定位状态的人力成本。
附图说明
[0038]图1为一个实施例中机器人丢定位检测方法的应用场景图；
[0039]图2为一个实施例中机器人丢定位检测方法的流程示意图；
[0040]图3为一个实施例中机器人丢定位检测方法的目标实施环境的标准激光地图的示意图；
[0041]图4为一个实施例中机器人丢定位检测方法的当前位置的激光匹配图的示意图；
[0042]图5为一个实施例中机器人丢定位检测方法的当前位置的激光匹配图的示意图；
[0043]图6为一个实施例中机器人丢定位检测装置的结构框图；
[0044]图7为一个实施例中计算机设备的内部结构图。
具体实施方式
[0045]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人丢定位检测方法，其特征在于，所述方法包括：获取所述机器人在当前位置的定位信息；绘制所述当前位置的激光匹配图作为当前匹配图；将所述当前匹配图输入至已训练好的深度学习网络模型中，通过所述深度学习网络模型对所述当前匹配图进行分类得到分类结果；根据所述分类结果判定所述机器人在所述当前位置的定位信息是否正确，以此检测所述机器人是否丢定位。2.根据权利要求1所述的方法，其特征在于，所述绘制所述当前位置的激光匹配图作为当前匹配图包括：获取所述当前位置的标准激光地图；获取机器人通过激光传感器在所述当前位置采集的激光反射测距数据；根据所述定位信息和所述激光反射测距数据在所述标准激光地图中绘制激光线得到当前匹配图。3.根据权利要求2所述的方法，其特征在于，所述生成标准激光地图的方法包括：围绕目标实施环境运动一圈，在运动过程中通过所述激光传感器按照预设频率发射激光束；根据所述激光束返射回来的激光点云数据绘制所述目标实施环境的激光地图，得到所述目标实施环境的标准激光地图。4.根据权利要求2所述的方法，其特征在于，所述激光反射测距数据为激光点云数据；所述根据所述定位信息和所述激光反射测距数据在所述标准激光地图中绘制激光线得到当前匹配图包括：设置绘制激光线的第一线条标识；所述第一线条标识和所述标准激光地图中的边界线的第二线条标识不同；所述第二线条标识包括至少一个；基于所述定位信息和所述激光点云数据，确定激光线在所述标准激光地图中的目标位置；根据所述目标位置对应的第二线条标识和所述第一线条标识确定所述激光线的目标线条标识；采用所述目标线条标识在所述目标位置上绘制所述激光线得到当前匹配图。5.根据权利要求4所述的方法，其特征在于，所述方法还包括...

【专利技术属性】
技术研发人员：孙浚源，
申请(专利权)人：上海有个机器人有限公司，
类型：发明
国别省市：