[发明专利]融合深度相机的变电站巡检机器人障碍物检测识别方法

说明书

本发明公开了一种融合深度相机的变电站巡检机器人障碍物检测识别方法，该方法是使用深度相机采集数据，对数据进行预处理，将深度图和RGB彩色图像转换成点云图像，然后使用定义好的地面平面模型对点云图像中的地面点云进行剔除，接着使用自适应密度聚类算法，对障碍物进行自适应聚类，最后判断障碍物类别，最后将障碍物信息转换成二维激光雷达数据信息发送给路径规划算法。整个过程计算量较使用深度学习的障碍物分割算法和图像分割障碍物算法低，同时深度相机的引入使得变电站机器人可以轻松获取外界三维信息和彩色图像，大大加强了机器人的感知能力，故本发明可以提高变电站巡检机器人避障功能的准确性和稳定性。

技术领域

本发明涉及变电站巡检机器人自动避障的技术领域，尤其是指一种融合深度相机的变电站巡检机器人障碍物检测识别方法。

背景技术

近年来，随着移动机器人技术发展，越来越多的移动机器人进入了人们的生活。例如家庭服务机器人，导购机器人，扫地机器人、变电站巡检机器人等。更是随着人工智能(AI)时代的到来，机器人变得越来越智能化。在现有的机器人技术中，自动避障技术显得尤为重要，大部分的移动机器人都需要实现自动避障功能，自动避障功能对于移动机器人来说是一个智能化的重要标志。因此，对机器人对障碍物的检测和识别技术进行研究，具有非常重要的意义。

目前实现机器人障碍物检测识别功能方法有很多，其中应用最多的是基于二维激光雷达，但是由于二维激光雷达原理的问题，只能通过传感器获得一个与传感器安装高度一致的三维空间的二维横切面，故得到的障碍物信息较少，不能全面的获得巡检机器人前方高低不同的障碍物，在巡检过程中容易引发安全问题，除此之外还有通过双目相机计算障碍物深度和利用彩色图像对障碍物进行分割，此种算法较为复杂而且计算量大，实时性较低。

综合以上论述，提出一种新的精度较高、适用环境范围广的移动机器人障碍物检测识别方法具有较高的实际应用价值。

发明内容

本发明的目的在于克服传统的基于激光雷达的机器人障碍物检测识别技术的不足，提出了一种融合深度相机的变电站巡检机器人障碍物检测识别方法，整个过程计算量较使用深度学习的障碍物分割算法和图像分割障碍物算法低，同时深度相机的引入使得变电站机器人可以轻松获取外界三维信息和彩色图像，大大加强了机器人的感知能力，可以提高变电站巡检机器人避障功能的准确性和稳定性。

为实现上述目的，本发明所提供的技术方案为：融合深度相机的变电站巡检机器人障碍物检测识别方法，包括以下步骤：

1)预处理：假设已对深度相机内外参进行了标定，对深度相机获取的机器人前方的RGB彩色图像和深度图像转换成为点云图像，即获得与相机坐标系重合的世界坐标系下相机前方的三维点云信息，为了达到实时性要求，对点云数据使用PCL点云库中的VoxelGrid滤波器进行下采样，设置滤波体素栅格大小为1立方厘米，并将滤波后的点云结果记录保存，记为cloud_cam，数据格式为三维点数组；

2)地面点云剔除：因为在点云图像中地面点云不属于障碍物，故通过地面平面模型将点云图像中地面的三维点云进行剔除；

3)自适应密度聚类：利用PCL点云库中的自适应密度聚类算法对上一步中的三维点云数据进行聚类，此种聚类算法适用于面积大小不一的障碍物，不用提前设置聚类类别，通过三维连通域检测，聚类最后的输出是若干块三维连通域，算法只需要设置每个类别最小点云个数；

4)障碍物识别：通过上一步中获得的障碍物的点簇即三维连通域信息计算每个障碍物点簇的质心，通过其质心位置判断障碍物是高于地面的凸起障碍物还是低于地面的坑洞障碍物；

5)数据转换：根据障碍物识别之后的障碍物点簇的位置和大小信息生成相对应的二维激光雷达信息，传递给避障地图，以供路径规划算法使用。