一种AGV小车搬运目标位姿信息估计方法及系统与流程

本发明涉及图像数据处理，具体涉及一种agv小车搬运目标位姿信息估计方法及系统。

背景技术：

1、agv小车是一种在工厂、仓库、物流中心等环境中用于自动化运输的无人驾驶车辆。agv小车能够通过预设的路径或实时的导航系统，自主地搬运货物、材料或其他物品，从而提高物流效率、减少人工成本，并优化生产流程。

2、在agv小车运行过程中，需要通过识别货物的位姿信息来辅助搬运，无论是在狭窄的通道中穿梭，还是在拥挤的工作区域中定位，agv小车都能够根据货物的位姿信息调整自己的动作，确保货物在搬运过程中的稳定性和准确性，避免碰撞和损坏，提高整体物流效率。

3、agv小车在识别货物的位姿信息时通常通过双目相机获取货物的点云数据，根据点云数据对货物进行三维信息重构，进而获得货物的位姿信息。在对获得的点云数据进行处理时，为了加快小车对货物的识别速度和准确度，加快搬运效率，需要对货物的点云数据进行下采样。传统到基于数据特征的点云下采样方法主要通过计算曲率特征来动态规划点云数据保留密度，其在面对货物点云数据是容易将有效数据与噪音数据混淆，降低货物三维重构模型质量，因此需要结合场景进一步挖掘货物的点云数据信息，提高下采样质量。

技术实现思路

1、为了解决上述技术问题，本发明的目的在于提供一种agv小车搬运目标位姿信息估计方法及系统，所采用的技术方案具体如下：

2、第一方面，本发明实施例提供了一种agv小车搬运目标位姿信息估计方法，该方法包括以下步骤：

3、在agv小车上安装双目相机采集货物的点云集合；将距离各点云最近的预设数量个点云作为各点云的局部点云集合；

4、基于各点云与其局部点云集合中各点云的空间分布差异情况确定各点云与其局部点云集合中各点云之间的空间角变化强度；基于各点云与其局部点云集合中各点云之间的空间角变化强度以及欧氏距离确定各点云的点云凸凹突变指数；选取任意两个点云的多个参考点，基于点云凹凸突变系数及点云之间的空间角变化强度确定各参考点下任意两个点云之间的平面分类判断值；基于所有参考点下任意两个点云之间的平面分类判断值及欧氏距离确定任意两个点云之间的平面分类判断距离；基于所有任意两个点云之间的平面分类判断距离确定各点云的平面位置局部密度；基于各点云的点云凸凹突变指数及平面位置局部密度，结合各点云空间分布确定各点云的位姿信息量；构建各点云的消融三角形，基于各点云的位姿信息量及消融三角形确定各点云的三角融合消减信息量；将点云集合中三角融合消减信息量大于预设阈值的点云以及不存在消融三角形的点云保留，完成点云集合的下采样；

5、采用delaunay三角剖分重构三维模型算法获取下采样后点云数据对应重构的货物模型，得到货物位姿信息。

6、优选的，所述基于各点云与其局部点云集合中各点云的空间分布差异情况确定各点云与其局部点云集合中各点云之间的空间角变化强度，包括：

7、获取与各点云之间欧氏距离最近的两个点云，将各点云与对应的所述两个点云构成的空间角作为各点云的空间角；

8、选取与第n个点欧氏距离从小到大排序的前h个点云，组成第n个点云的局部点云集合，第n个点云与其局部点云集合中第h个点云之间的空间角变化强度的表达式为：

9、

10、式中，和分别是第n个点云和局部点云集合中第h个点云的空间角，是第n个点云与其局部点云集合中第h个点云之间的欧氏距离。

11、优选的，所述基于各点云与其局部点云集合中各点云之间的空间角变化强度以及欧氏距离确定各点云的点云凸凹突变指数，包括：

12、

13、式中，h是第n个点云的局部点云集合中的点云数量，是第n个点云与其局部点云集合中所有点云之间的空间角变化强度的均值，是第n个点云的点云凹凸突变指数。

14、优选的，所述选取任意两个点云的多个参考点，基于点云凹凸突变系数及点云之间的空间角变化强度确定各参考点下任意两个点云之间的平面分类判断值，包括：

15、对于任意两个点云，计算除所述任意两个点云之外的各点云与所述任意两个点云的连线中点之间的欧氏距离，将所述欧氏距离从小到大排序，选取前预设数量个欧氏距离对应的点云作为所述任意两个点云的多个参考点；

16、对于各参考点，获取所述任意两个点云及参考点的点云凹凸突变指数的和值，分别计算参考点与所述任意两个点云中的各点云之间的空间角变化强度，获取两个空间角变化强度的差值绝对值，将所述和值与所述差值绝对值的乘积作为该参考点下任意两个点云之间的平面分类判断值。

17、优选的，所述基于所有参考点下任意两个点云之间的平面分类判断值及欧氏距离确定任意两个点云之间的平面分类判断距离，包括：

18、点云m、n的参考点个数记为l，统计l个参考点围成的立体形状的体积，记为空间体积，第m个和第n个点云之间的平面分类判断距离的表达式为：

19、

20、式中，、、分别是第m个与第n个点云、第n个与第个点云、第m个与第个点云的欧氏距离，是参考点下第m和第n个点云之间的平面分类判断值。

21、优选的，所述基于所有任意两个点云之间的平面分类判断距离确定各点云的平面位置局部密度，包括：

22、将点云集合作为聚类算法的输入，以点云之间的平面分类判断距离为度量距离，将点云集合划分为各聚类簇；

23、对于各点云，获取点云与其所在聚类簇内各点云之间的欧氏距离，计算所述欧氏距离与聚类簇内点云总数的比值，将点云与其所在聚类簇内所有点云之间计算得到的所述比值的累加和，作为点云的平面位置局部密度。

24、优选的，所述基于各点云的点云凸凹突变指数及平面位置局部密度，结合各点云空间分布确定各点云的位姿信息量，包括：

25、针对每个聚类簇，统计聚类簇内所有点云的平面位置局部密度的取值范围，并均匀划分为t个小区间，分别统计聚类簇内各平面位置局部密度在各个小区间内的点云数量，将所有小区间对应的所述点云数量组成长度为t的平面位置局部密度分布向量，经向量归一化处理后，记为聚类簇的平面位置局部密度概率向量；

26、针对聚类簇内所有点云的点云凹凸突变指数、空间角，采用平面位置局部密度概率向量的获取方法，得到聚类簇的点云凹凸突变指数概率向量、空间角概率向量；

27、第m个点云的位姿信息量的表达式为：

28、

29、式中，、、分别是第m个点云所在聚类簇的平面位置局部密度概率向量、点云凹凸突变指数概率向量、空间角概率向量中的第b个元素，t为小区间个数。

30、优选的，所述构建各点云的消融三角形包括：

31、选取与第m个点云欧氏距离最近且与第m个点云处于同一聚类簇的点云a、b，在所述同一聚类簇中选取一个与点云a、b构成三角形且三角形中包含点云m，同时与点云m之间欧氏距离最近的点云c，将点云a、b、c构成的三角形记为点云m的消融三角形。

32、优选的，所述基于各点云的位姿信息量及消融三角形确定各点云的三角融合消减信息量，包括：

33、统计点云a、b、c、m构成的四面体的体积记为体积变异量，统计货物点云集合的体积，记为模型估计体积，将点云m从点云集合中删除后分别计算点云a、b、c的点云凹凸突变指数，均记为模拟点云凹凸突变指数，第o个点云的模拟点云凹凸突变指数为，其中，，第m个点云的三角融合消减信息量的表达式为：

34、

35、式中，是第m个点云的位姿信息量，是第o个点云的点云凹凸突变指数。

36、第二方面，本发明实施例还提供了一种agv小车搬运目标位姿信息估计系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。

37、本发明至少具有如下有益效果：

38、本发明通过将邻近数据点构成空间角，通过点云数据空间角的变化计算出点云凹凸突变指数，能够有效筛选出点云数据中不符合agv小车运输货物姿态的点云数据，完成精准快速的数据去噪。

39、进一步通过点云凹凸突变指数和空间角变化强度，结合空间体积计算出点平面分类判断距离，能够表征两个数据点之间的相似程度，并通过dbscan算法对点云数据划分为多个平面，提高计算效率。

40、进一步根据平面上点云分布计算出的平面位置局部密度，并结合凹凸突变指数与空间角计算出位姿信息量，表征各数据点包含的货物位姿信息的信息量；进一步构建消融三角形，计算出体积变异量和模拟点云凹凸突变指数，最终计算出三角融合消减信息量，表征各数据点在下采样中消除后带来的三维模型变化大小，并设置阈值将带来变化小的点云数据进行删除，完成下采样。本发明消除了大量的信息重复的点云，并有效保留了信息量较大的点云数据，能够帮助获得质量更高的货物三维模型。