移动机器人的运动轨迹估计方法、装置和存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113744301A(43)申请公布日2021.12.03(21)申请号202110896938.6G06N3/04(2006.01)(22)申请日2021.08.05G06N3/08(2006.01)(71)申请人深圳供电局有限公司地址518001广东省深圳市罗湖区深南东路4020号电力调度通信大楼(72)发明人刘丙财周伟才裴慧坤王成皓王振华黄海鹏周海峰郭方勇周云(74)专利代理机构广州华进联合专利商标代理有限公司44224代理人肖茹芸(51)Int.Cl.G06T7/207(2017.01)G06T7/246(2017.01)G06T7/73(2017.01)权利要求书2页说明书11页附图2页(54)发明名称移动机器人的运动轨迹估计方法、装置和存储介质(57)摘要本申请涉及一种移动机器人的运动轨迹估计方法、装置和存储介质。方法包括：获取目标移动机器人运动过程中连续的待处理图像；将连续的待处理图像输入至预先训练出的位姿估计模型中，利用位姿估计模型输出与各相邻的待处理图像对应的估计相对位姿；根据各估计相对位姿确定出各待处理图像的估计绝对位姿；利用各估计绝对位姿确定出目标移动机器人的估计运动轨迹。本方法中位姿估计模型的训练样本为两张相邻的样本图像和与之对应的样本相对位姿，由于估计相对位姿中包括相邻待处理图像的位姿在时间和空间中的变化情况，因此能够利用位姿估计模型输出更加精准的估计相对位姿，从而提高确定出目标移动机器人的运动轨迹的精准度。CN113744301ACN113744301A权利要求书1/2页1.一种移动机器人的运动轨迹估计方法，其特征在于，所述方法包括：获取目标移动机器人运动过程中连续的待处理图像；将连续的所述待处理图像输入至预先训练出的位姿估计模型中，利用所述位姿估计模型输出与各相邻的待处理图像对应的估计相对位姿；根据各所述估计相对位姿确定出各所述待处理图像的估计绝对位姿；利用各所述估计绝对位姿确定出所述目标移动机器人的估计运动轨迹。2.根据权利要求1所述的方法，其特征在于，训练出所述位姿估计模型的过程包括：获取样本图像；确定出与各所述样本图像对应的样本绝对位姿，并根据相邻的两个所述样本绝对位姿确定出相邻的两个所述样本图像的样本相对位姿；将所述样本图像和所述样本相对位姿输入至深度神经网络中进行学习训练，得出所述位姿估计模型。3.根据权利要求2所述的方法，其特征在于，所述确定出与各所述样本图像对应的样本绝对位姿，并根据相邻的两个所述样本绝对位姿确定出相邻的两个所述样本图像的样本相对位姿的过程，包括：从所述样本图像中确定出第一样本图像，并获取用户对象对所述第一样本图像的标记操作，确定出所述第一样本图像的第一样本绝对位姿；将所述样本图像中除第一样本图像之外的图像确定为第二样本图像，并根据所述第一样本图像和所述第一样本绝对位姿计算出与各所述第二样本图像对应的第二样本绝对位姿；将所述第一样本绝对位姿和所述第二样本绝对位姿按照时序排列，得出按照时序排列的所述样本绝对位姿；根据相邻的两个所述样本绝对位姿确定出所述样本相对位姿。4.根据权利要求2所述的方法，其特征在于，所述将所述样本图像和所述样本相对位姿输入至深度神经网络中进行学习训练，得出所述位姿估计模型的过程，包括：为所述深度神经网络设置初始化参数，得出初始化估计模型；将相邻两张所述样本图像和对应的样本相对位姿输入至所述初始化估计模型中，利用所述初始化估计模型输出与当前输入的所述样本图像对应的输出相对位姿；若所述输出相对位姿和所述样本相对位姿的误差值超出期望误差范围，则根据所述误差值调整所述初始化模型的模型参数，并进入所述将相邻两张所述样本图像和对应的样本相对位姿输入至所述初始化估计模型中的步骤，直至所述误差值在所述期望误差范围内，结束训练，得出所述位姿估计模型。5.根据权利要求4所述的方法，其特征在于，所述若所述输出相对位姿和所述样本相对位姿的误差值超出期望误差范围，则根据所述误差值调整所述初始化模型的模型参数的过程，包括：若所述输出相对位姿和所述样本相对位姿的所述误差值超出所述期望误差范围，根据所述输出相对位姿和所述样本相对位姿的误差值，利用网络误差优化函数计算出最优化网络参数；利用所述最优化网络参数调整所述初始化模型的所述模型参数。2CN113744301A权利要求书2/2页6.根据权利要求3所述的方法，其特征在于，所述根据相邻的两个所述样本绝对位姿确定出所述样本相对位姿的过程，包括：确定出相邻的两个所述样本绝对位姿的相对位移数据和相对旋转角度；其中，相对位移数据包括所述目标移动机器人沿直角坐标系X，Y，Z轴的移动距离，相对旋转角度表示所述目标移动机器人绕直角坐标系X，Y，Z轴旋转的角度；根据所