System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术一种面向移动机器人的充电桩定位方法,属于移动机器人应用和深度学习领域。
技术介绍
1、近年来,随着计算机技术的不断成熟,移动机器人的工作领域愈发的增多。而移动机器人都有一个特点,就是需要充电。为了使移动机器人能够长时间进行工作,就需要解决机器人的充电问题。
2、移动机器人一般通过对环境构建地图,并控制机器人在地图上导航的方式进行对接充电。但这通常对机器人的操控人员和机器人的工作环境有较高的要求,因为传统的利用激光和摄像头构建环境地图的方法并不包含物体的语义信息,不是专业人员难以对地图进行操作。而且由于现在算法的缺陷,在地图建立的过程中如果有人物等动态物体的存在,会将这些动态信息也加入到地图中,使地图构建不准确。最终,由于多方面原因,导致机器人并不能和充电桩实现精确对接。为了解决移动机器人充电过程中的这些问题,本专利技术设计了一种面向移动机器人的充电桩定位方法。
3、文献[1]为了改变常规技术中被检电能量化误差大,交流充电桩工作容易发生故障的问题,设计了图像识别的交流充电桩误差检定方法,并构建出新型的交流充电桩误差检定装置,通过图像差异突变量,检测出的被检充电桩的电度变化,使用余弦相似度算法比较两帧图像差异,并计算本帧和上一帧图形差异值以及上一帧和上上一帧的图形差异值的变化。结果表明通过上述设计,降低了交流充电桩检定的误差,平均误差低于5%。文献[2]提出了一种直流充电桩关键部件识别方法。该方法将故障模式、影响及危害性分析引入充电桩的可靠性评估,从风险优先级数、回收难度以及再利用潜力三个角度,建立
4、[1]孙盼盼.充电桩众筹参与度关键影响因素识别与效果分析研究[d].中国石油大学(北京),2019.
5、[2]邹大中,李勋,黄建钟.基于图像识别的交流充电桩误差检定方法研究[j].电子测量技术,2021,44(07):13-18.
6、[3]]刘彬.基于视觉与力觉的自动充电机器人[d].武汉科技大学,2022。
技术实现思路
1、为解决上述问题,本专利技术结合深度学习,公开了一种面向移动机器人的充电桩定位方法。首先进行通过采集充电桩图像,分别构建充电桩目标识别和角度估计数据集。然后本专利技术利用yolov5-lite分别进行目标识别训练和角度估计训练,得到目标识别模型和角度估计模型。根据目标识别模型结果,得到充电桩在图像中的像素长度,利用小孔成像原理,计算出目标距离。最后目标距离和角度估计即为充电桩的位置信息。
2、本专利技术的技术方案是,一种面向移动机器人的充电桩定位方法,步骤为:
3、步骤1:构建训练数据集
4、移动机器人在目标环境中,利用携带的摄像头拍摄充电桩,获得充电桩图像,构建训练数据集。
5、步骤1-1:构建充电桩识别训练数据库
6、对获取的图像利用labelimg进行手工标注,标签只有充电桩一个类。标记为chargingstation。
7、步骤1-2:构建充电桩角度估计训练数据库
8、对获取的图像利用labelimg进行手工标注,利用移动机器人和充电桩之间的角度信息作为对应充电桩图像的标签。形成(充电桩图像,角度标签)训练数据库。
9、步骤2:充电桩识别
10、利用yolov5-lite网络进行充电桩识别训练,得到充电桩识别模型。
11、步骤2-1:图片预处理
12、将训练集的图片统一调整尺寸大小为640*640,增强对充电桩的关键点信息的提取。
13、步骤2-2:分类学习
14、对预处理后的训练数据集分批次利用yolov5-lite网络进行迭代训练。
15、步骤2-3:充电桩识别模型
16、重复步骤2-3进行多次分类学习,选择在离线学习阶段充电桩识别精度最高的模型作为最终充电桩识别模型。
17、步骤3:距离估计
18、利用小孔成像原理计算移动机器人和充电桩之间的距离。
19、步骤3-1:先验参数
20、通过先验知识,获取充电桩长度w,摄像头的焦距f;
21、步骤3-2:测量参数
22、通过充电桩的识别结果,得到充电桩目标在图像中的像素长度w’
23、步骤3-2:计算距离d
24、根据公式d=wf/w’,计算出实际距离d
25、步骤4:角度估计
26、利用yolov5-lite网络进行充电桩图像和对应角度信息之间训练,得到移动机器人和充电桩之间的角度估计模型。
27、步骤4-1:图像预处理
28、利用步骤2-1进行图像预处理。
29、骤4-2:分类学习
30、对预处理后的训练数据集分批次利用yolov5-lite网络进行迭代训练。
31、步骤4-3:角度标签估计模型
32、重复步骤4-3进行多次分类学习,选择在离线学习阶段角度估计标签性能最好的模型作为最终角度标签估计模型。
33、本专利技术先进行通过采集充电桩图像,分别构建充电桩目标识别和角度估计数据集。然后利用yolov5-lite分别进行目标识别训练和角度估计训练,得到目标识别模型和角度估计模型。根据目标识别模型结果,得到充电桩在图像中的像素长度,利用小孔成像原理,计算出目标距离。最后目标距离和角度估计即为充电桩的位置信息。
34、本专利技术的一种面向移动机器人的充电桩定位装置,所述装置包括:
35、离线模块:训练充电桩目标识别模型,训练充电桩角度估计模型。
36、在线识别模块:利用获得的充电桩图像,估计充电桩与移动机器人之间的距离和角度。
37、所述离线学习模块包括三个模块,分别为充电桩目标识别模块、角度标签分类学习模块。
38、充电桩目标识别模块:构建充电桩目标识别数据集,学习充电桩目标和标签之间的关系,训练充电桩目标识别模型。
39、距离计算模块:利用小孔成像原理,通过先验知识和目标识别结果,计算充电桩和移动机器人之间的距离。
40、角度标签分类学习模块:构建充电桩角度估计数据集,学习充电桩目标和角度标签之间的关系,训练充电桩角度估计模型。<本文档来自技高网...
【技术保护点】
1.一种面向移动机器人的充电桩定位方法,其特征在于,步骤如下:
2.根据权利要求1所述的面向移动机器人的充电桩定位方法,其特征在于,所述方法步骤2充电桩识别包含如下步骤:
3.根据权利要求1所述的面向移动机器人的充电桩定位方法,其特征在于,所述步骤3距离估计包含如下步骤:
4.根据权利要求1所述的面向移动机器人的充电桩定位方法,其特征在于,所述方法步骤4角度估计包含如下步骤:
5.根据权利要求1-4任一所述的面向移动机器人的充电桩定位得到的充电桩定位装置,其特征是,所述装置包括:
【技术特征摘要】
1.一种面向移动机器人的充电桩定位方法,其特征在于,步骤如下:
2.根据权利要求1所述的面向移动机器人的充电桩定位方法,其特征在于,所述方法步骤2充电桩识别包含如下步骤:
3.根据权利要求1所述的面向移动机器人的充电桩定位方法,其特征在于,所...
【专利技术属性】
技术研发人员:王鑫,颜俊,俞春华,胥锐,江新炼,虞锐锋,刘虎,刘舰,
申请(专利权)人:南京华麦机器人技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。