一种基于特殊形状识别改进AGV定位方法及装置与流程

一种基于特殊形状识别改进agv定位方法及装置
技术领域
1.本发明涉及智能移动机器人的技术领域，尤其涉及一种基于特殊形状识别改进agv定位方法及装置。


背景技术：

2.激光雷达技术广泛应用在智能搬运机器人(automated guided vehicle)agv、无人驾驶等领域，基于激光雷达技术的agv凭借其较高的稳定性，较高的定位精度，以及对场景依赖性小的特性，广泛应用在货物运输、快递运输等领域。激光雷达主要应用于agv的自身定位，目前主流的定位方式是基于反光板的三角定位算法。但这种算法有着天然的局限性，要求反光板有着较严格的布局，无法保证agv在复杂、变动频繁场景下的精准定位，从而导致agv定位的不精确。


技术实现要素：

3.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
4.鉴于上述现有存在的问题，提出了本发明。
5.因此，本发明提供了一种基于特殊形状识别改进agv定位方法及装置解决现有的激光定位技术无法保证agv在复杂、变动频繁场景下的精准定位问题。
6.为解决上述技术问题，本发明提供如下技术方案：
7.第一方面，本发明实施例提供了一种基于特殊形状识别改进agv定位方法，包括：
8.根据智能搬运机器人agv的实际工作环境，获取所述实际环境的激光数据，设置所述实际工作环境中的目标物体为待识别的特殊物体形状；
9.预处理所述特殊物体形状并提取所述形状的特征信息，基于所述特征信息重新进行编码排序，组成特殊物体形状的唯一变量；
10.预处理所述激光数据并提取所述激光数据的特征信息，基于所述唯一变量，通过特征匹配模型进行匹配准确率的计算，选取计算得到的最高准确率作为最终定位结果。
11.作为本发明所述的基于特殊形状识别改进agv定位方法的一种优选方案，其中：预处理所述特殊物体形状，包括：
12.对输入的特殊物体形状进行错误检测；
13.基于所述目标物体的实际形状将所述特殊物体形状的组成划分为直线l类和圆弧c类，分别提取所述类别的特征信息。
14.作为本发明所述的基于特殊形状识别改进agv定位方法的一种优选方案，其中：提取所述形状的特征信息，包括：
15.所述直线l类特征信息f
l
，表示为：
16.a*x+b*y+c＝0
17.其中，a为第一系数，b为第二系数，a和b不同时为0，x为第一变量，y为第二变量；
18.所述圆弧c类特征信息fc，表示为：
19.(x-a)2+(y-b)2＝r220.其中，(a,b)为圆心，r为圆半径，x为第一变量，y为第二变量。
21.作为本发明所述的基于特殊形状识别改进agv定位方法的一种优选方案，其中：所述特征信息重新进行编码排序，组成特殊物体形状的唯一变量，包括：
22.根据实际物体形状特征进行排序得到唯一变量，表示为：
23.t＝{f
l1
,f
c2
,f
l2
,f
c1
}
24.其中，f
l1
为第一直线特征信息，f
l2
为第二直线特征信息，f
c1
为第一圆弧特征信息，f
c2
为第二圆弧特征信息。
25.作为本发明所述的基于特殊形状识别改进agv定位方法的一种优选方案，其中：去除激光数据中的噪点；
26.所述噪点数据的去除是基于激光雷达的原始数据，利用去除噪点处理函数完成去噪。
27.作为本发明所述的基于特殊形状识别改进agv定位方法的一种优选方案，其中：提取激光数据中的直线、圆弧特征，包括：
28.基于所述处理后的激光数据，利用findline函数提取激光点云中描述直线的数据；
29.利用findcurve函数提取激光点云中描述圆弧的数据。
30.作为本发明所述的基于特殊形状识别改进agv定位方法的一种优选方案，其中：通过特征匹配模型计算准确率，包括：
31.通过唯一变量与所述直线特征信息以及所述圆弧特征信息基于实际匹配模型model计算匹配准确率；
32.基于所述激光数据与唯一变量的匹配顺序方式，根据排列组合结果，对准确率进行排序；
33.当组合准确率最高时，则选取所述组合作为最终匹配结果，并计算所述最终匹配的定位精度得到最终高精度定位结果。
34.第二方面，本发明实施例提供了一种基于特殊形状识别改进agv定位装置，包括，
35.数据获取设置模块，用于根据智能搬运机器人agv的实际工作环境，获取所述实际环境的激光数据，设置所述实际工作环境中的目标环境为待识别的特殊物体形状；
36.形状分析模块，用于预处理所述特殊物体形状并提取所述形状的特征信息，基于所述特征信息重新进行编码排序，组成特殊物体形状的唯一变量；
37.形状识别模块，用于预处理所述激光数据并提取所述激光数据的特征信息，基于所述唯一变量，通过特征匹配模型进行匹配准确率的计算，选取计算得到的最高准确率作为最终定位结果。
38.第三方面，本发明实施例提供了一种计算设备，包括：
39.存储器和处理器；
40.所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器
实现如本发明任一实施例所述的基于特殊形状识别改进agv定位方法。
41.第四方面，本发明实施例提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于特殊形状识别改进agv定位方法。
42.与现有技术相比，本发明的有益效果：本发明通过计算匹配准确率，使得智能搬运机器人agv在复杂、变动频繁的场景下，能够通过识别特殊形状物体，实现精度定位，无需增加任何硬件以及现场部署工作，成本低且提高了定位精度。
附图说明
43.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
44.图1为本发明一个实施例所述的一种基于特殊形状识别改进agv定位方法及装置的整体流程图；
45.图2为本发明一个实施例所述的一种基于特殊形状识别改进agv定位方法及装置的形状分析模块流程图；
46.图3为本发明一个实施例所述的一种基于特殊形状识别改进agv定位方法及装置的形状识别模块流程图；
47.图4为本发明一个实施例所述的一种基于特殊形状识别改进agv定位方法及装置的特殊形状示例图；
48.图5为本发明一个实施例所述的一种基于特殊形状识别改进agv定位方法及装置的匹配准确率的数据图；
49.图6为本发明一个实施例所述的一种基于特殊形状识别改进agv定位方法及装置的定位精度对比图。
具体实施方式
50.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
51.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
52.其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
53.本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本
发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
54.同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
55.本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
56.实施例1
57.参照图1～4，为本发明的一个实施例，该实施例提供了一种基于特殊形状识别改进agv定位方法，包括：
58.s1:根据智能搬运机器人agv的实际工作环境，获取实际环境的激光数据，设置实际工作环境中的目标物体为待识别的特殊物体形状；
59.s2:预处理特殊物体形状并提取形状的特征信息，基于特征信息重新进行编码排序，组成特殊物体形状的唯一变量；
60.更进一步的，预处理特殊物体形状，包括：
61.对输入的特殊物体形状进行错误检测；
62.基于目标物体的实际形状将特殊物体形状的组成划分为直线l类和圆弧c类，分别提取类别的特征信息。
63.应说明的是，错误检测是对待识别的特殊物体形状进行重叠和平滑度以及其他不符合识别标准的检测。
64.更进一步的，提取形状的特征信息，包括：
65.直线l类特征信息f
l
，表示为：
66.a*x+b*y+c＝0
67.其中，a为第一系数，b为第二系数，a和b不同时为0，x为第一变量，y为第二变量；
68.圆弧c类特征信息fc，表示为：
69.(x-a)2+(y-b)2＝r270.其中，(a,b)为圆心，r为圆半径，x为第一变量，y为第二变量。
71.具体的，特征信息重新进行编码排序，组成特殊物体形状的唯一变量，包括：
72.根据实际物体形状特征进行排序得到唯一变量，表示为：
73.t＝{f
l1
,f
c2
,f
l2
,f
c1
}
74.其中，f
l1
为第一直线特征信息，f
l2
为第二直线特征信息，f
c1
为第一圆弧特征信息，f
c2
为第二圆弧特征信息。
75.s3:预处理激光数据并提取激光数据的特征信息，基于唯一变量，通过特征匹配模型进行匹配准确率的计算，选取计算得到的最高准确率作为最终定位结果；
76.更进一步的，预处理激光数据，包括：去除激光数据中的噪点；
77.噪点数据的去除是基于激光雷达的原始数据，利用去除噪点处理函数完成去噪。
78.更进一步的，提取激光数据中的直线、圆弧特征，包括：
79.基于处理后的激光数据，利用findline函数提取激光点云中描述直线的数据；
80.利用findcurve函数提取激光点云中描述圆弧的数据。
81.更进一步的，通过特征匹配模型计算准确率，包括：
82.通过唯一变量与直线特征信息以及圆弧特征信息基于实际匹配模型model计算匹配准确率；
83.基于激光数据与唯一变量的匹配顺序方式，根据排列组合结果，对准确率进行排序；
84.当组合准确率最高时，则选取组合作为最终匹配结果，并计算最终匹配的定位精度得到最终高精度定位结果。
85.上述为本实施例的一种基于特殊形状识别改进agv定位方法的示意性方案。需要说明的是，该基于特殊形状识别改进agv定位装置的技术方案与上述的基于特殊形状识别改进agv定位方法的技术方案属于同一构思，本实施例中基于特殊形状识别改进agv定位装置的技术方案未详细描述的细节内容，均可以参见上述基于特殊形状识别改进agv定位方法的技术方案的描述。
86.本实施例中基于特殊形状识别改进agv定位装置，包括：
87.数据获取设置模块，用于根据智能搬运机器人agv的实际工作环境，获取实际环境的激光数据，设置实际工作环境中的目标环境为待识别的特殊物体形状；
88.形状分析模块，用于预处理特殊物体形状并提取形状的特征信息，基于特征信息重新进行编码排序，组成特殊物体形状的唯一变量；
89.形状识别模块，用于预处理激光数据并提取激光数据的特征信息，基于唯一变量，通过特征匹配模型进行匹配准确率的计算，选取计算得到的最高准确率作为最终定位结果。
90.在一个可选的实施例中，形状分析模块提取所选特殊物体形状的特征信息，并将特征信息上传至形状识别模块，形状识别模块接收信息结合激光点云数据，计算多组匹配模型的准确率，选取数值最高的一个作为最终的高精度定位结果。
91.本实施例还提供一种计算设备，适用于基于特殊形状识别改进agv定位方法的情况，包括：
92.存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的基于特殊形状识别改进agv定位方法。
93.该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
94.本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现基于特殊形状识别改进agv定位方法。
95.本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
96.实施例2
97.参照图1～6，为本发明的一个实施例，通过对比试验，进行科学验证。
98.从agv实际工作环境中，选取一个物体的外形作为特殊形状，形状分析模块提取所选特殊形状的特征信息，如图4所示，所选形状由特征信息f
l
,fc组成，分别为f
l1
，f
l2
，f
c1
，f
c2
，按照形状特征排列顺序，t＝{f
l1
,f
c2
,f
l2
,f
c1
}。
99.形状识别模块先对激光数据进行预处理，去除激光雷达数据中的噪点，
100.laserdata＝remove_outliers(raw_data),
101.其中，raw_data是激光雷达的原始数据，包含噪点数据，remove_outliers是去除噪点处理函数，laserdata是处理之后的激光数据。
102.然后，寻找激光数据中的直线、圆弧特征：
103.data_line＝findline(laserdata)，
104.其中，data_line表示激光点云中描述直线的数据。
105.data_curve＝findcurve(laserdata)，
106.其中，data_curve表示激光点云中描述圆弧的数据。
107.建立匹配模型，计算准确率：
108.precision_rate＝model(t,data_line,data_curve,loc_accuracy)，
109.其中，t是上述能唯一描述实际形状的变量，data_line是直线特征数据，data_curve是圆弧特征数据，loc_accuracy表示计算出的定位精度，model是实际的匹配模型。
110.把激光数据和形状变量t带入模型，计算匹配准确率；如图5所示，实际场景下会计算多组数据，选取结果较好的一组作为最终结果，并准确率进行排序，选取最高的一个组合作为最终结果，排序结果如下所示：
111.precision_rate1＝model(t,data_line1,data_curve1,loc_accuracy1),
112.precision_rate2＝model(t,data_line2,data_curve2,loc_accuracy2),
113.precision_rate3＝model(t,data_line3,data_curve3,loc_accuracy3),
114....
115.p_rate_final＝sort(precision_rate1,precision_rate2,precision_rate3,...)
116.其中，p_rate_final准确率最高，对应的定位精度作为最终高精度定位结果。
117.结合图6可以看出，和传统方法相比，本发明的agv在复杂、变动频繁的场景下，可通过识别特殊形状物体，来提高定位精度且定位精度远高于传统方法。通过形状分析模块对环境中物体形状进行预处理、提取特征、重新编码，形状识别模块建立匹配模型，把重新编码结果和激光数据带入匹配模型，计算匹配准确率；多组数据带入匹配模型会得到多个准确率，进行排序，选取高的那组作为最终结果，本发明无需增加任何硬件也不需要现场部署工作，操作方便，成本低，提高了定位精度，具有广泛的实际意义。
118.应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于特殊形状识别改进agv定位方法，其特征在于，包括：根据智能搬运机器人agv的实际工作环境，获取所述实际环境的激光数据，设置所述实际工作环境中的目标物体为待识别的特殊物体形状；预处理所述特殊物体形状并提取所述形状的特征信息，基于所述特征信息重新进行编码排序，组成特殊物体形状的唯一变量；预处理所述激光数据并提取所述激光数据的特征信息，基于所述唯一变量，通过特征匹配模型进行匹配准确率的计算，选取计算得到的最高准确率作为最终定位结果。2.如权利要求1所述的基于特殊形状识别改进agv定位方法，其特征在于，预处理所述特殊物体形状，包括：对输入的特殊物体形状进行错误检测；基于所述目标物体的实际形状将所述特殊物体形状的组成划分为直线l类和圆弧c类，分别提取所述类别的特征信息。3.如权利要求2所述的基于特殊形状识别改进agv定位方法，其特征在于，提取所述形状的特征信息，包括：所述直线l类特征信息f
l
，表示为：a*x+b*y+c＝0其中，a为第一系数，b为第二系数，a和b不同时为0，x为第一变量，y为第二变量；所述圆弧c类特征信息f
c
，表示为：(x-a)2+(y-b)2＝r2其中，(a,b)为圆心，r为圆半径，x为第一变量，y为第二变量。4.如权利要求3所述的基于特殊形状识别改进agv定位方法，其特征在于，所述特征信息重新进行编码排序，组成特殊物体形状的唯一变量，包括：根据实际物体形状特征进行排序得到唯一变量，表示为：t＝{f
l1
,f
c2
,f
l2
,f
c1
}其中，f
l1
为第一直线特征信息，f
l2
为第二直线特征信息，f
c1
为第一圆弧特征信息，f
c2
为第二圆弧特征信息。5.如权利要求4所述的基于特殊形状识别改进agv定位方法，其特征在于，预处理所述激光数据，包括：去除激光数据中的噪点；所述噪点数据的去除是基于激光雷达的原始数据，利用去除噪点处理函数完成去噪。6.如权利要求5所述的基于特殊形状识别改进agv定位方法，其特征在于，提取激光数据中的直线、圆弧特征，包括：基于所述处理后的激光数据，利用findline函数提取激光点云中描述直线的数据；利用findcurve函数提取激光点云中描述圆弧的数据。7.如权利要求6所述的基于特殊形状识别改进agv定位方法，其特征在于，通过特征匹配模型计算准确率，包括：通过唯一变量与所述直线特征信息以及所述圆弧特征信息基于实际匹配模型model计算匹配准确率；基于所述激光数据与唯一变量的匹配顺序方式，根据排列组合结果，对准确率进行排序；
当组合准确率最高时，则选取所述组合作为最终匹配结果，并计算所述最终匹配的定位精度得到最终高精度定位结果。8.一种基于特殊形状识别改进agv定位装置，其特征在于，包括，数据获取设置模块，用于根据智能搬运机器人agv的实际工作环境，获取所述实际环境的激光数据，设置所述实际工作环境中的目标环境为待识别的特殊物体形状；形状分析模块，用于预处理所述特殊物体形状并提取所述形状的特征信息，基于所述特征信息重新进行编码排序，组成特殊物体形状的唯一变量；形状识别模块，用于预处理所述激光数据并提取所述激光数据的特征信息，基于所述唯一变量，通过特征匹配模型进行匹配准确率的计算，选取计算得到的最高准确率作为最终定位结果。9.一种计算设备，包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于特殊形状识别改进agv定位方法的步骤。10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于特殊形状识别改进agv定位方法的步骤。

技术总结
本发明公开了一种基于特殊形状识别改进AGV定位方法，包括：根据智能搬运机器人AGV的实际工作环境，获取实际环境的激光数据，设置实际工作环境中的目标物体为待识别的特殊物体形状；预处理特殊物体形状并提取形状的特征信息，基于特征信息重新进行编码排序，组成特殊物体形状的唯一变量；预处理激光数据并提取激光数据的特征信息，基于唯一变量，通过特征匹配模型进行匹配准确率的计算，选取计算得到的最高准确率作为最终定位结果。本发明通过计算匹配准确率，使得智能搬运机器人AGV在复杂、变动频繁的场景下，能够通过识别特殊形状物体，实现精度定位，无需增加任何硬件以及现场部署工作，成本低且提高了定位精度。成本低且提高了定位精度。成本低且提高了定位精度。


技术研发人员：钟火炎
受保护的技术使用者：苏州盈科电子有限公司
技术研发日：2023.03.10
技术公布日：2023/7/22