基于激光SLAM的烟草行业成品库平库盘点机器人路径优化方法与流程

基于激光slam的烟草行业成品库平库盘点机器人路径优化方法
技术领域
1.本发明涉及基于激光slam的烟草行业成品库平库盘点机器人路径优化方法，属于烟草企业盘库领域。


背景技术：

2.目前成品非高架库即平库依然是人工原始盘库办法。即人工点数的方法进行盘库，这种传统的人工盘点方式在工作效率、准确率等方面存在不足，难以满足日常灵活的盘点需要，在人员不足的情况下，无法做到日常盘点管理需要。
3.在现有的技术中，烟草工业企业的机器人系统被用于卷包车间和制丝车间内，主要用于搬运辅料、烟丝，成品件烟码垛。在平库盘点领域，没有使用智能机器人系统。使用智能机器人盘点以后，需要对机器人的行进路径规划。路径规划算法需要进行优化、迭代。现有机器人路径规划不足之处在于，规划路径不合理、没有考虑任务的优先级、不能精确识别目的地，以及不能精确避障。


技术实现要素：

4.本发明提供了基于激光slam的烟草行业成品库平库盘点机器人路径优化方法，解决了背景技术中披露的问题。
5.为了解决上述技术问题，本发明所采用的技术方案是：
6.基于激光slam的烟草行业成品库平库盘点机器人路径优化方法：
7.构建目标区域的全局栅格地图，所述全局栅格地图包括任务点和障碍物，将全局栅格地图划分为若干区域，其中任务点所在区域作为任务区域；
8.构建机器人系统模型，定位机器人初始位置信息；
9.制定目标任务点的通行代价，计算通行代价总和，按照代价总和最小原则确定多目标任务点的访问顺序，得到机器人全局路径；
10.利用激光slam实时构建机器人周边区域环境地图，更新所在区域的局部栅格地图，根据机器人周边区域环境地图对全局路径进行追踪，对全局路径进行优化；
11.判断机器人是否到达目标任务点，若到达目标任务点，机器人目标任务点完成目标任务；否则继续规划当前位置到目标任务点路径，直到全部任务点完成；同时更新了全局栅格地图，实现最优的路径规划。
12.进一步地，制定目标任务点的通行代价的方法为：
13.以通行距离最低原则，从机器人所在区域中心到任务点所在区域中心的距离代价为：qdis；
14.根据优先访问重要任务区域原则，以任务点的优先级作为优先级代价qlev；
15.根据优先远离障碍物原则，以任务点所在区域的障碍物数量作为代价qobs；
16.根据优先通行未访问任务点原则，以区域未访问任务点数量作为未访问代价
qvis。
17.进一步地，通行代价函数为：
18.q
icost
＝μdisqdis+μlevqlev+μobsqobs+μvisqvis
19.μdis是距离代价的权重系数，μlev是优先级代价的权重系数，μobs是障碍物代价的权重系数，μvis是未访问代价的权重系数。
20.进一步地，根据广度优先遍历法得到代价总和cost为：
[0021][0022]
i为任务区域，n是任务区域总数，f
breadthfirst
()是广度优先遍历算法。
[0023]
进一步地，激光slam采用cartographer算法实时构建机器人周边区域环境地图；
[0024]
cartographer算法包括：
[0025]
步骤1、获取激光雷达数据、底盘odom数据、imu数据；
[0026]
步骤2、输入：底盘odom数据、imu数据、上一次前端匹配完成的最后姿态；输出：下一次前端匹配的初始姿态；
[0027]
步骤3、计算出当前时刻相对于之前的一段时间所应存在的最优位姿，输入：外推器初始位姿，输出：扫描匹配最优位姿；
[0028]
步骤4、一旦扫描匹配器生成了新的位姿，计算这次位姿与最后位姿的变化量，如果变化量小于预设值，则扫描将被删除；当位姿的变化量大于某个距离，角度或时间阈值时，将扫描帧插入到当前子图中；
[0029]
步骤5、插入子图的扫描帧与之前已创建完成的子图中所有扫描帧进行回环检测，计算约束，位姿优化，实现全局建图和构建局部子图。
[0030]
进一步地，若到达目标任务点，还包括利用视觉识别系统与激光雷达三维点云数据对机器人进行校对。
[0031]
相应地，一种存储一个或多个程序的计算机可读存储介质：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据上述的方法中的任一方法。
[0032]
相应地，一种计算设备，包括：
[0033]
一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据上述的方法中的任一方法的指令。
[0034]
本发明所达到的有益效果：采用cartographer算法，利用激光slam等感知系统实时构建机器人周边区域环境地图，并根据构建的机器人系统模型和优化后的路径进行追踪，使机器人获得最优路径。
附图说明
[0035]
图1为托盘在某一库位示意图；
[0036]
图2为全局(一楼)栅格地图；
[0037]
图3为一楼库区的分区示意图；
[0038]
图4为本发明算法步骤示意图。
具体实施方式
[0039]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0040]
如图4所示，本发明基于激光slam的烟草行业成品库平库盘点机器人路径优化方法，包括如下步骤：
[0041]
第一步:构建当前任务区域的全局栅格地图并划分为若干区域s
ⅰ
(
ⅰ
＝1,2，3，
‑‑‑‑‑
n),其中任务点所在区域作为任务区域，同时建立局部栅格地图。
[0042]
1)：在平库中设置任务点(即库位)si，每个库位分别命名。例如m-n-j区:就是m楼n库j区，标记为s mnj，其中m表示楼层，n表示库区，j表示区域,2-2-f,就是2楼2库f区，标记为s
22f
。
[0043]
2)：每个库位的卷烟托盘堆放必须准守以下原则：
[0044]
21)：每个库位必须垂直墙堆放，一列从上到下堆放，堆满后堆放下一列。
[0045]
(如图1所示)
[0046]
22)：每个库位只能有一个或没有非整托盘，且非整托盘放到本区域最后一个位置。
[0047]
23):非整托盘是指没有堆满30件烟的托盘，有29种可能，从1件/托盘到29件/托盘。
[0048]
24):每个库位只能堆放一种品牌卷烟。
[0049]
第二步：构建机器人系统模型，定位系统初始位置信息。具体步骤包括：获取整个库区的任务区域，以机器人充电站为中心建立坐标系，构建全局栅格地图，其中全局栅格地图包括任务点信息和障碍物(立柱、空调出风口等)信息。
[0050]
如图1所示，图中充电站为中心零位。以东西向为x轴，南北向为y轴，构建全局栅格地图。
[0051]
如图2所示，以充电站为坐标原点，取(x0,y0),向东扩展为x正，向南扩展为y正。
[0052]
如图3所示，在任务区域s
12a
中没有任务点，充电站就是任务区域的中心点。
[0053]
第三步：设计多任务点的通行代价并计算，根据得到的通行代价总和确定多任务点的访问顺序，得到最优全局路径，具体步骤如下：
[0054]
本发明中，基于多种不同原则条件下，进行多任务点的通行代价设计。
[0055]
第一种原则：根据多任务点通行距离最小原则，以机器人到任务点的距离作为距离代价：qdis；
[0056]
第二种原则：根据优先访问重要任务区域原则，以任务点的优先级作为优先级代价qlev；
[0057]
第三种原则：根据优先远离障碍物原则，以任务点所在区域的障碍物数量作为代价qobs；
[0058]
第四种原则：根据优先通行未访问任务点原则，以区域未访问任务点数量作为未访问代价qvis；
[0059]
每个任务点根据不同类型的代价建立代价函数，得到代价最小的区域si作为下一个待访问的目标区域，所述的代价函数为：
[0060]qicost
＝μdisqdis+μlevqlev+μobsqobs+μvisqvis
[0061]
其中μdis是距离代价的权重系数，μlev是优先级代价的权重系数，μobs是障碍物代价的权重系数，μvis是未访问代价的权重系数，权重系数根据情况在系统中设定。
[0062]
其中qdis是距离代价，qlev是优先级代价，qobs是障碍物代价，qvis是未访问代价。
[0063]
根据广度优先遍历法得到机器人通过所有任务区域的代价总和cost为：
[0064]
cost＝f
breadthfirst
(σ
1nqicost
)；
[0065]
其中，i为任务区域，n是任务区域总数，f
breadthfirst
()是广度优先遍历算法。
[0066]
遍历区域si的每一个栅格，若栅格存在任务点，则判断此任务点是否是下一个目标点，若是，则删除该点，并将区域si内未访问任务点数量nsi进行减一。
[0067]
根据广度优先遍历算法得到多个cost，按照代价总和最小原则确定多任务点的访问顺序，得到最优路径。具体为，分别将每个任务点作为初始点，通过广度优先算法遍历所有任务点，会得到n组cost，按照代价总和最小原则确认多个任务点的访问顺序，即为机器人的初步全局路径。
[0068]
第四步：根据构建的机器人系统模型对相对最优全局路径进行路径追踪，同时进行激光slam建图并更新所在区域的局部栅格地图。
[0069]
在追踪过程中，利用激光slam等感知系统实时构建机器人周边区域环境地图，以机器人为中心，构建所在区域的局部栅格地图，同时将局部栅格地图与全局图进行匹配校正，通过坐标转换映射到全局栅格地图中，并同步到局部栅格地图中，更新所在区域si的障碍物(主要是立柱、空调出风口)的数量。
[0070]
slam是同步定位与地图构建，slam是探测未知环境时，面对复杂的环境，而无法对其进行实时遥控时，必须通过实现同步定位与地图创建才能完成导航任务，slam具有自学习和避障功能。
[0071]
整个slam大概可以分为前端和后端，前端的功能是根据相邻两帧图像(视觉slam)或者两片点云(激光slam)的匹配与比对，计算出传感器相邻时刻的位置和姿态变化，进而对机器人进行定位；根据传感器不一样，分为激光点云、图像、rgb-d拼接几种，其中图像配准中又分基于稀疏特征的和稠密特征的两种。本技术采用稠密特征。后端则主要是对前端出结果进行优化，利用滤波理论或者优化理论，最终得到最优的位姿估计。
[0072]
本发明中的激光slam算法，采用cartographer算法。激光slam算法分别为gmapping、cartographer和loam。gmapping是最经典的基于粒子滤波的算法，缺点是无法构建大规模的地图。而cartographer是时下非常流行的基于优化的算法，可以构建大规模的地图，并且cartographer算法在工程应用较多。gmapping和cartographer，都只能在室内环境构建2d地图，loam是一种用在室外环境的激光slam算法，该算法利用多线激光雷达，能构建出3d点云地图。因本技术的使用环境在室内，且结合三者的优缺点，故选用cartographer算法。cartographer算法步骤1：数据获取
[0073]
数据获取：传感器输入，主要包含激光雷达数据、底盘odom数据、imu数据(包含两个方向的线加速度，角速度)。
[0074]
激光雷达数据：2d扫描点云原生数据——》体素滤波器——》自适应体素滤波器——》扫描匹配。
[0075]
底盘数据：底盘位置信息(包含x,y,θ)——》姿态外推器——》扫描匹配。
[0076]
imu数据：imu数据(包含两个方向的线加速度，角速度)——》预处理——》姿态外推器——》扫描匹配。
[0077]
cartographer算法步骤2：姿态外推器，用于给扫描匹配提供初值。
[0078]
输入：底盘、imu、上一次前端匹配完成的最后位姿；
[0079]
输出：下一次前端匹配的初始位姿；
[0080]
处理思路：odom和old_odom计算(x,y,θ)增量——》速度δv；imu预积分——》速度δv、位移δl、角度变化δθ；
[0081]
last_pose和old_pose计算(x,y,θ)增量——》加速度α、角速度ω；估算出下一次前端匹配的初始位姿，估算方法：
[0082]
对于角度变化，更信任imu数据，如果有imu数据则使用imu数据；
[0083]
对于位移变化，更信任底盘数据，如果有底盘数据则使用底盘数据；
[0084]
若没有，则使用最后位姿计算出的数据；
[0085]
在短时间(30ms)内，imu提供的角度增量，和odom提供的位移增量理论上很准确。
[0086]
cartographer算法步骤3：局部建图。
[0087]
局部建图：外推器初始位姿——》扫描匹配——》运动滤波器——》插入子图(子图)中扫描匹配；
[0088]
计算出，当前时刻相对于之前的一段时间，所应存在的最优位姿，输入：外推器初始位姿，输出：扫描匹配最优位姿。
[0089]
处理思路：非线性优化问题，建立最小二乘问题，输出最优位姿。
[0090]
下面是计算公式：
[0091][0092]mnew
(x)＝jump(odds-1
(odds(m
old
(x))＊odds(p
hit
)))
[0093]
其中jump是区间限定函数。
[0094]
每次获得的最新的扫描帧需要插入到子图中最优的位置，使我们扫描帧中的点束的位姿经过转换后落到子图中时，每个点的信度和最高。通过scan matching对th进行优化，这里的优化问题为解最小二乘问题，其问题描述可表示为：
[0095][0096]
其中m是线性评价函数，方法为双三次插值法，该函数的输出结果为(0，1)以内的数，通过这种平滑函数的优化，能够提供比栅格分辨率更好的精度。
[0097]
cartographer算法步骤4：运动滤波器。
[0098]
为避免每个子图插入太多扫描帧数据，一旦扫描匹配器生成了新的pose，计算这次pose与last_pose的变化量，调用运动滤波器如果这次的变化不够重要(或者说变化很小)，则扫描将被删除(所以时间不可以太短，以30ms为宜)。当pose的变化大于某个距离，角度或时间阈值时，才会将扫描帧插入到当前子图中。
[0099]
motion_filter＝{max_time_seconds＝5.,max_distance_meters＝0.2,max_angle_radians＝math.rad(1.),},
[0100]
cartographer算法步骤5：全局优化
[0101]
通过scan matching得到的位姿估计在短时间内是可靠的，但是长时间会有累积误差。因此cartographer应用了回环检测对累积误差进行优化(全局优化)。
[0102]
所有创建完成的子图以及当前的laser scan都会用作回环检测的scan matching。如果当前的scan和所有已创建完成的子图在距离上足够近，则进行回环检测。
[0103]
全局优化：插入子图的扫描帧(scan)&之前已创建完成的子图中所有(scan)——》回环检测(这里用优化算法分支定界)——》计算约束(compute constraints)——》位姿优化。
[0104]
回环检测：所有创建完成的子图以及当前的laser scan都会用作回环检测的matching。cartographer应用了分支定界优化方法进行优化搜索。
[0105]
所述的分支定界：一种优化搜索方法，效率优于暴力匹配法。回环检测即是一种匹配过程，即当获得新的scan时，在其附近一定范围搜索最优匹配帧，若该最优匹配帧符合要求，则认为是一个回环。首先，该匹配问题可以描述为如下式子：
[0106][0107]
其中w是搜索空间，是该点对应的栅格点的m值，该式子可理解为对于scan中的每一个点束插在该子图上时的信度和，信度越高则认为越相似，我们需要在w空间中寻找出该信度和最大的匹配帧。
[0108]
因此需要在w空间中寻找出pixel-accurate match的最优解。
[0109]
cartographer结合了local和global两种方式进行slam。local方式就是前端匹配中通过子图进行scan matching，global方式就是回环检测，因为是对全局的子图进行匹配。
[0110]
1：cartographer是少有的基于优化的开源激光slam。因为同通常的scan-to-scan激光匹配会累计误差，所以它引入了子图这一概念，将原来的scan-to-scan匹配变成了scan-to-map匹配，就是激光先和子图进行匹配。
[0111]
2：每次得到一帧激光scan数据之后，cartographer将其与最近的子图去进行匹配，找到一个最优的位姿，将scan插入到子图中，因为在一个较短的时间内，这个匹配过程不会累加误差。当子图完成之后，便不会再有任何激光数据插入其中，它就是一个独立的已经完成了子地图，它只参与闭环的匹配了。接下来的工作有点类似与拼图过程，我们通过调整每个子图的位姿，使所有的子图之间互相重叠的部分(即约束)误差最小。
[0112]
3：回环检测cartographer通过创建大量的子图来实现大场景建图，子图在短时间内的准确度是可靠的，但长时间会存在累积误差，为了消除累积误差，需要通过回环检测来构建回环,最终是为了优化所有子图的位姿；首先回环优化，我们需要检测到回环，再进行优化。为了减少计算量，提高实时回环检测的效率，cartographer应用了分支定界优化方法进行优化搜索，如果得到一个足够好的匹配(即tij)，已经检测到了回环的存在。
[0113]
cartographer中的回环检测：激光点云投影到栅格地图，搜索全局地图，分支定界加速，确定初值以后用非线性优化。
[0114]
每个雷达扫描帧都对应一个全局地图坐标系下的全局坐标，同时该雷达扫描帧也被包含在对应的局部子图中，也就是说该雷达扫描帧也对应一个局部子图坐标系下的局部坐标。而每个局部子图以第一个插入的雷达扫描帧为起始，该起始雷达扫描帧的全局坐标
也就是该局部子图的全局坐标。这样的话，所有雷达扫描帧对应的机器人全局位姿和所有局部子图对应的全局位姿通过scan-to-map matching产生的局部位姿进行关联，这些约束实际上就构成了位姿图。当检测到闭环时，对整个位姿图中的所有位姿量进行全局优化，那么和中的所有位姿量都会得到修正，每个位姿上对应的地图点也相应的得到修正，这就是全局建图。
[0115]
利用scan-to-map matching方法构建局部子图的过程:首先雷达扫描一圈得到的距离点是基于雷达旋转中心为坐标系的取值。那么在一个局部子图中，以第一帧雷达位姿为参考，后加入的雷达帧位姿用相对转移矩阵表示。如此，雷达帧中的数据点就可以用式以下所示的公式转换成局部子图坐标系中表示。
[0116][0117]
经过全局建图和构建局部子图，使路径更加优化、准确。
[0118]
第五步：利用视觉识别系统与激光雷达三维点云数据进行校对，同时更新全部栅格地图，实现最优的路径规划。完成最终的路径算法。
[0119]
本发明中，所述的机器人基于视觉感知预测的局部轨迹优化策略、场景知识图谱建立、路标表征及算法、完成对象全局或局部路径规划；感知系统主要包括定位系统、激光雷达、毫米波雷达，以及智能照相机等传感器，用于获取当前位置周围区域的障碍物信息任务点信息；所述的视觉感知预测的局部轨迹优化策略是指：通过环境感知，轨迹优化的任务是计算出一个无碰撞可执行的轨迹(包含路径和速度信息)，保证车辆从起点安全的行驶到目的地，并尽可能高效。所述的场景知识图谱建立是指：构建一个迭代更新的过程，根据信息获取的逻辑，每一轮迭代包含：信息储存、信息抽取、信息融合、信息计算，四个阶段，使智能机器人在路径选择上能够自我迭代，不断优化。
[0120]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
[0121]
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行基于激光slam的烟草行业成品库平库盘点机器人路径优化方法。
[0122]
一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行基于激光slam的烟草行业成品库平库盘点机器人路径优化方法的指令。
[0123]
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。
[0124]
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。
[0125]
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。
[0126]
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。
[0127]
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

技术特征：
1.基于激光slam的烟草行业成品库平库盘点机器人路径优化方法，其特征在于：构建目标区域的全局栅格地图，所述全局栅格地图包括任务点和障碍物，将全局栅格地图划分为若干区域，其中任务点所在区域作为任务区域；构建机器人系统模型，定位机器人初始位置信息；制定目标任务点的通行代价，计算通行代价总和，按照代价总和最小原则确定多目标任务点的访问顺序，得到机器人全局路径；利用激光slam实时构建机器人周边区域环境地图，更新所在区域的局部栅格地图，根据机器人周边区域环境地图对全局路径进行追踪，对全局路径进行优化；判断机器人是否到达目标任务点，若到达目标任务点，机器人目标任务点完成目标任务；否则继续规划当前位置到目标任务点路径，直到全部任务点完成；同时更新了全局栅格地图，实现最优的路径规划。2.根据权利要求1所述的基于激光slam的烟草行业成品库平库盘点机器人路径优化方法，其特征在于：制定目标任务点的通行代价的方法为：以通行距离最低原则，从机器人所在区域中心到任务点所在区域中心的距离代价为：qdis；根据优先访问重要任务区域原则，以任务点的优先级作为优先级代价qlev；根据优先远离障碍物原则，以任务点所在区域的障碍物数量作为代价qobs；根据优先通行未访问任务点原则，以区域未访问任务点数量作为未访问代价qvis。3.根据权利要求2所述的基于激光slam的烟草行业成品库平库盘点机器人路径优化方法，其特征在于：通行代价函数为：q
icost
＝μdisqdis+μlevqlev+μobsqobs+μvisqvisμdis是距离代价的权重系数，μlev是优先级代价的权重系数，μobs是障碍物代价的权重系数，μvis是未访问代价的权重系数。4.根据权利要求3所述的基于激光slam的烟草行业成品库平库盘点机器人路径优化方法，其特征在于：根据广度优先遍历法得到代价总和cost为：i为任务区域，n是任务区域总数，f
breadthfirst
()是广度优先遍历算法。5.根据权利要求1所述的基于激光slam的烟草行业成品库平库盘点机器人路径优化方法，其特征在于：激光slam采用cartographer算法实时构建机器人周边区域环境地图；cartographer算法包括：步骤1、获取激光雷达数据、底盘odom数据、imu数据；步骤2、输入：底盘odom数据、imu数据、上一次前端匹配完成的最后姿态；输出：下一次前端匹配的初始姿态；步骤3、计算出当前时刻相对于之前的一段时间所应存在的最优位姿，输入：外推器初始位姿，输出：扫描匹配最优位姿；步骤4、一旦扫描匹配器生成了新的位姿，计算这次位姿与最后位姿的变化量，如果变化量小于预设值，则扫描将被删除；当位姿的变化量大于某个距离，角度或时间阈值时，将扫描帧插入到当前子图中；
步骤5、插入子图的扫描帧与之前已创建完成的子图中所有扫描帧进行回环检测，计算约束，位姿优化，实现全局建图和构建局部子图。6.根据权利要求1所述的基于激光slam的烟草行业成品库平库盘点机器人路径优化方法，其特征在于：若到达目标任务点，还包括利用视觉识别系统与激光雷达三维点云数据对机器人进行校对。7.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至6所述的方法中的任一方法。8.一种计算设备，其特征在于，包括：一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至6所述的方法中的任一方法的指令。

技术总结
本发明公开了基于激光SLAM的烟草行业成品库平库盘点机器人路径优化方法，所述的机器人基于视觉感知预测的局部轨迹优化策略、场景知识图谱建立、路标表征及算法、完成对象全局或局部路径规划；感知系统主要包括定位系统、激光雷达、毫米波雷达，以及智能照相机等传感器，用于获取当前位置周围区域的障碍物信息任务点信息；所述的视觉感知预测的局部轨迹优化策略是指：通过环境感知，轨迹优化的任务是计算出一个无碰撞可执行的轨迹(包含路径和速度信息)，保证车辆从起点安全的行驶到目的地，并尽可能高效。尽可能高效。尽可能高效。


技术研发人员：李国瑞 张波
受保护的技术使用者：浙江中烟工业有限责任公司
技术研发日：2023.07.24
技术公布日：2023/10/11