一种结合二维激光点云与超声波的玻璃检测方法技术

本发明专利技术提供一种结合二维激光点云与超声波的玻璃检测方法，其特征在于，包括激光雷达和超声波传感器，所述超声波传感器的个数为二，还包括以下步骤：处理激光雷达传感器数据，并分类激光点云数据；通过欧式距离方法分析点云基本特征，依据玻璃方向的点云聚类密集且强度高的特征，对分类的点云进行筛选，从而确定聚类的激光点云的位置；同时，通过超声波辅助激光雷达点的判定。本发明专利技术通过聚类激光点云，利用激光点云在玻璃法线方向的聚集特征作为玻璃存在判断前提，提高了算法处理速度。提高了算法处理速度。提高了算法处理速度。

【技术实现步骤摘要】
一种结合二维激光点云与超声波的玻璃检测方法


[0001]本专利技术属于光学
，具体涉及一种结合二维激光点云与超声波的玻璃检测方法。

技术介绍

[0002]随着工业与智能化技术的进步，越来越多的智能化产品在工业化4.0时代涌现，智能移动机器人等是其中的典型代表。智能移动机器人在产品落地中，需要和显示的活动场景进行有效地结合，如仓库、商超、户外巡检路线等，而在机器人产品智能化落地中，玻璃的检测，是大家都绕不开的。通常情况下，玻璃是一种高透视、高透光材料，此类材料地应用丰富了建筑设计，优化了审美体验，但移动机器人中需要反射光数据以进行测量的光学传感器而言，如激光、单目、双目及深度相机等，严重影响测量精度和测绘效果。
[0003]就激光而言，激光点云大多会透过玻璃，无法检测到玻璃的存在，进而移动机器人无法有效避障玻璃，影响移动机器人在玻璃较多的酒店、商超等产品落地使用。独特的是，激光点云会在垂直于玻璃方向上聚集，此点云强度高、点云密度大，而其他方向的点云都会扩散并穿过玻璃。基础此种独特点云特性，有玻璃识别技术以此为玻璃初筛条件，进而引入卷积图像修复，试图识别玻璃轮廓，进而判断玻璃存在并在地图中标记。在玻璃较多的商场场景中，轮廓无法基于墙体进行推算，进而无法有效构建损失函数去反向更行卷积参数，对玻璃检测，仍有许多局限性。

技术实现思路

[0004]本专利技术提供一种结合二维激光点云与超声波的玻璃检测方法，运用点云的聚类及少量点云数据处理，节约大量算力，能够更有效地落地于实际机器。
[0005]本专利技术为解决上述技术问题采用以下技术方案：
[0006]一种结合二维激光点云与超声波的玻璃检测方法，包括激光雷达和超声波传感器，所述超声波传感器的个数为二，还包括以下步骤：
[0007]步骤S1、处理激光雷达传感器数据，并分类激光点云数据；
[0008]步骤S2、通过欧式距离方法分析点云基本特征，依据玻璃方向的点云聚类密集且强度高的特征，对分类的点云进行筛选，从而确定聚类的激光点云的位置；
[0009]步骤S3、在步骤S2的同时，通过超声波辅助激光雷达点的判定。
[0010]进一步地，步骤S1具体如下：
[0011]激光雷达的数据通过欧式聚类方法进行初步处理，即通过欧式距离分类激光点云，聚类基本公式为：
[0012][0013]式中，L表示聚类函数，x
i
表示第i个激光点的位姿，l表示聚类个数，n为最大值。
[0014]进一步地，步骤S2具体如下：
[0015]各聚类点云的数据特征包括点云重心位姿、点云平均强度、点云聚类半径参数，
[0016]点云重心位姿的计算方法为：
[0017][0018]式中，x
mean
表示点云重心位姿，n表示聚类点综述，x
i
表示第i点的激光点云位姿。
[0019]点云平均强度的计算方法为：
[0020][0021]式中，k
mean
表示点云平均强度值，n表示聚类点综述，l
i
表示第i点的激光点云强度值。
[0022]点云聚类半径的计算方法为：
[0023][0024]式中，r
mean
表示点云聚类半径，n表示聚类点综述，||x
i
‑
x
mean
||表示第i点的激光点云位姿到点云重心的二范式，记两点距离。
[0025]进一步地，步骤S3公式具体如下：
[0026][0027][0028]s1和s2分别表示超声波1和超声波2测量玻璃墙时，所得的最小距离为超声波弧形测量模型与玻璃墙的内切圆半径；l表示激光雷达的玻璃墙特征点距激光雷达的距离信息，由点云聚类信息得到；d表示在移动机器人中，激光雷达相对于两个对称的超声波的雷达所在直线的测量距离；θ0表示超声波1与移动机器人中轴线的角度信息，该信息由传感器的设计与安装位置决定；θ
glass
表示移动机器人与玻璃墙的角度；g1、g2分别表示超声波1和超声波2在玻璃墙的激光雷达入射点处的测量距离。
[0029]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
[0030]1、本专利技术通过联合构建超声波及激光雷达的测量模型，提高了玻璃检测的精度；
[0031]2、本专利技术通过聚类激光点云，利用激光点云在玻璃法线方向的聚集特征作为玻璃存在判断前提，提高了算法处理速度。
[0032]相较于人工标定方法，本专利技术所提出方法人工成本更低、更加适用于大型场景；
[0033]3、相较于基于图像的检测方法，本专利技术所提出的方法检测方法更加高效、算力要求更低且对模型训练数据要求更低，更有利于产品快速落地验证。
附图说明
[0034]图1是玻璃墙测量模型示意图；
[0035]图2是激光点云聚类分析流程图；
[0036]图3是超声波与激光雷达协同测量示意图。
具体实施方式
[0037]以下基于实施例对本专利技术进行描述，但是本专利技术并不仅仅限于这些实施例。在下文对本专利技术的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本专利技术。为了避免混淆本专利技术的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
[0038]此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
[0039]同时，应当理解，在以下的描述中，“电路”是指由至少一个元件或子电路通过电气连接或电磁连接构成的导电回路。当称元件或电路“连接到”另一元件或称元件/电路“连接在”两个节点之间时，它可以是直接耦接或连接到另一元件或者可以存在中间元件，元件之间的连接可以是物理上的、逻辑上的、或者其结合。相反，当称元件“直接耦接到”或“直接连接到”另一元件时，意味着两者不存在中间元件。
[0040]除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
[0041]在本专利技术的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0042]本专利技术提出地测量模型中含有激光雷达、2个超声波传感器，如图1所示。首先，应处理激光雷达传感器数据，以构建超声波协同测量模型。
[0043]如图2所示，激光雷达的数据通过聚类方法进行初步处理，通过欧式距离分类激光点云。其次，计算各聚类点云的数据特征：点云位置、点云平均强度、点云强度正太分布参数。之后，依据玻璃方向的点云聚类密集且强度高的特征，对分类的点云进行筛选，从而确定了聚类的激光点云的位置。
[0044]超声波与激光雷达的测量模型如图3所示，图示中，s1和s2分别表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合二维激光点云与超声波的玻璃检测方法，其特征在于，包括激光雷达和超声波传感器，所述超声波传感器的个数为二，还包括以下步骤：步骤S1、处理激光雷达传感器数据，并分类激光点云数据；步骤S2、通过欧式距离方法分析点云基本特征，依据玻璃方向的点云聚类密集且强度高的特征，对分类的点云进行筛选，从而确定聚类的激光点云的位置；步骤S3、在步骤S2的同时，通过超声波辅助激光雷达点的判定。2.根据权利要求1所述的一种结合二维激光点云与超声波的玻璃检测方法，其特征在于，步骤S1具体如下：激光雷达的数据通过欧式聚类方法进行初步处理，即通过欧式距离分类激光点云，聚类基本公式为：式中，L表示聚类函数，x
i
表示第i个激光点的位姿，l表示聚类个数，n为最大值。3.根据权利要求1所述的一种结合二维激光点云与超声波的玻璃检测方法，步骤S2具体如下：各聚类点云的数据特征包括点云重心位姿、点云平均强度、点云聚类半径参数，点云重心位姿的计算方法为：式中，x
mean
表示点云重心位姿，n表示聚类点综述，x
i
表示第i点的激光点云位姿。点云平均强度的计算方法为：式中，...

【专利技术属性】
技术研发人员：闫瑞君，黄智超，
申请(专利权)人：霞智科技有限公司，
类型：发明
国别省市：