一种激光机器人建图优化方法、芯片及激光机器人

    公开(公告)号:CN117215296A

    公开(公告)日:2023-12-12

    申请号:CN202210621168.9

    申请日:2022-06-02

    Abstract: 本发明公开一种激光机器人建图优化方法、芯片及激光机器人,优化方法包括:获取激光机器人建图结果中的全部房间,对每一个房间的边缘进行扫描,统计每一个房间的总边缘长度和未知边缘长度;计算每一个房间的未知边缘长度与其总边缘长度的比值;根据每一个房间的未知边缘长度与其总边缘长度的比值,遍历判断是否将房间从建图结果中删除,若是,则将该房间从建图结果中删除,若否,则在建图结果中保留该房间,直至全部房间遍历判断完毕,完成机器人建图结果的优化。本发明通过房间的未知边缘长度与其总边缘长度的比值对激光机器人建图结果进行筛选,以优化其中建图不完整房间,提高激光机器人建图结果可靠性。

    一种融合激光数据的RRT探索方法、芯片及机器人

    公开(公告)号:CN115617026A

    公开(公告)日:2023-01-17

    申请号:CN202110783621.1

    申请日:2021-07-12

    Abstract: 本发明公开融合激光数据的RRT探索方法、芯片及机器人,该探索方法在进行目标点探索时,包括采用激光数据来搜索和确定目标点。本申请的方法在RRT探索的基础上增加激光模块来获取激光数据,并根据激光数据来构建目标点,地图的更新速度较快,避免出现原RRT探索方法对环境变化不敏感和随机性而造成的漏掉区域或来回补区域等情况,且比遍历一个栅格图所需的计算量小。

    一种栅格地图的优化方法
    6.
    发明公开

    公开(公告)号:CN119648726A

    公开(公告)日:2025-03-18

    申请号:CN202311194202.X

    申请日:2023-09-15

    Abstract: 本发明公开了一种栅格地图的优化方法,包括:S1:机器人获取环境的栅格地图,然后机器人对栅格地图进行轮廓寻找;S2:机器人根据栅格地图的轮廓获取独立区域,然后机器人遍历独立区域的边界;S3:机器人遍历在独立区域的边界过程中,进行直线融合,得到优化后的栅格地图。机器人将栅格地图的轮廓作为边界来构建独立区域,再对独立区域的边界进行直线融合来拉直独立区域的边界,得到优化后的栅格地图,有效提高了栅格地图的显示质量。

    一种多点带约束重定位的方法、芯片和机器人

    公开(公告)号:CN113204030B

    公开(公告)日:2024-06-14

    申请号:CN202110396925.2

    申请日:2021-04-13

    Abstract: 本发明公开了一种多点带约束重定位的方法,所述方法包括如下步骤:S1,机器人使用激光雷达检测并前往当前环境的点云中心,然后进行重定位,若重定位结果满足第一预设条件,则进入S2;S2,机器人前往下一环境的点云中心再次进行重定位,若重定位结果满足第二预设条件,就将所有进行过重定位的点形成一条约束链并进行约束校验,约束校验成功则重定位成功,约束校验失败则进入S3,若结果不满足第二预设条件,则重定位失败;S3,机器人重复执行S2,直至重定位成功、重定位次数达到预设次数或重定位结果不满足第二预设条件。本发明所述的方法采用多点重定位的方式,利用点间的约束链做约束校验可以提高机器人重定位的能力。

    一种走廊区域划分方法和机器人
    9.
    发明公开

    公开(公告)号:CN118113032A

    公开(公告)日:2024-05-31

    申请号:CN202211514007.6

    申请日:2022-11-30

    Abstract: 本发明公开了一种走廊区域划分方法和机器人,包括:机器人获取环境地图中的扫描线,然后遍历所有扫描线,并获取每条扫描线的长度,筛选出长度大于或等于第一设定距离的扫描线作为目标扫描线,再通过N条相邻的目标扫描线来构建第一走廊区域;机器人对第一走廊区域进行扩区,得到第二走廊区域,然后机器人获取环境地图中房间和走廊之间的分界线,再基于分界线对第二走廊区域进行划分,得到走廊区域。本申请使走廊区域与房间区域分开来,作为一个独立的清洁分区,有利于机器人进行清洁规划。

    目标检测模型训练方法、目标检测方法、芯片及机器人

    公开(公告)号:CN116433888A

    公开(公告)日:2023-07-14

    申请号:CN202111634444.7

    申请日:2021-12-29

    Abstract: 本发明公开了一种目标检测模型训练方法、目标检测方法、芯片及机器人,所述目标检测模型训练方法包括:步骤S1,基于训练图片中每个类的标签数量,计算每个类的标签占比;步骤S2,基于所述标签占比以及预先获取的平均精度均值,计算每个类的类权重;步骤S3,基于每张训练图片中每个类的标签数量,生成标签数量矩阵,然后根据所述标签数量矩阵以及所述类权重计算训练图片的图片权重;步骤S4,基于所述图片权重,对训练图片进行权重抽样以训练目标检测模型。所述目标检测模型训练方法提高了难样本的抽样权重,增大其被抽中训练的概率,使其能多次被训练,从而解决难样本较难训练的问题,使得目标检测模型的精度大大提升。

Patent Agency Ranking