基于激光雷达的多层楼梯检测和建模方法

移动机器人在多层建筑进行自主导航时,需要具备楼梯检测和建模能力。然而,目前楼梯检测和建模主要面向单层直楼梯,对具有回转结构的多层楼梯适用性差,且场景中存在的动态点云会影响建模精度。针对以上问题,提出了一种基于激光雷达的多层楼梯检测和建模方法。首先,构建了轻量化的2.5D点云滤波器,高效滤除动态和噪声点云;其次,提出了一种基于主成分分析的台阶分类方法,实现了对单个及具有回转结构的复杂多层楼梯的鲁棒台阶检测;同时,设计了一种基于区域分割的台阶尺寸估计方法,提高了楼梯模型的构建精度;此外,提出了一种基于多阈值判断的楼梯模型追踪方法,实现了实时楼梯检测和快速动态建模;最后,分别使用Tang数据集和四足机器人在室内外多重场景下采集的点云数据进行试验验证。结果表明,提出的算法在室内外场景下,能够对单层及具有回转结构的多层楼梯进行动态检测和建模,其中台阶尺寸的估计精度在1 cm以内,计算量降低了51.23%。

基于改进YOLOv5的室内楼梯检测方法研究

移动机器人视觉SLAM的楼梯建图过程需要对楼梯特征进行检测识别,传统的边缘检测、直线提取等楼梯检测技术往往视角较为理想、背景较为简单,无法实现栏杆遮挡、复杂背景下的楼梯特征提取;为了解决以上问题,提出了一种可用于移动机器人的改进YOLOv5的楼梯目标检测方法,在输入端引入FenceMask数据增强策略,增加对遮挡楼梯的训练样本数量;通道注意力模块CAM与空间注意力模块SAM采用并行连接的方式组成注意力模块CBAM,加强在复杂环境下对楼梯的特征提取能力;在预测端将NMS与WBF结合,将NMS筛选之后置信度较高且位置相邻的边框进行融合为新的边框,在满足精度要求的情况下改善了Faster-RCNN与SSD检测算法存在的单段多阶楼梯检测速度问题;仿真表明改进的YOLOv5s可以在模型大小18.4 MB的情况下达到82.9%的平均精度,改进的YOLOv5m在增大模型为45.5 MB的情况下平均精度提高为86.5%,均可有效识别栏杆遮挡、复杂背景以及单段长阶梯。

装配式楼梯检测中静载试验的探索

装配式楼梯的检测是保证楼梯安全使用的重要手段。在所有的装配式楼梯的检测项目中静载实验能够了解装配式楼梯的实际工作状态和承载能力,提供直接可靠的应力应变数据。本文结合建华建材(江西)有限公司生产的装配式楼梯检测的实际案例,着重分析静载试验的设计及工况设置,为以后装配式楼梯的静载试验提供一些参考。

面向智能变胞车的改进YOLOv5楼梯目标识别算法

针对智能变胞车在室内楼梯环境下自主攀爬过程中的楼梯识别问题,文章提出一种基于改进YOLOv5的楼梯识别算法。为满足算法模型的实时性要求,利用轻量级网络EfficientNetV2替换YOLOv5算法的主干网络;使用GSConv模块和VoV-GSCSP模块替换原颈部网络中的Conv模块和CSP模块,在增强目标特征响应的基础上进一步减少计算成本;为弥补算法模型简化带来的精度损失,在颈部网络上添加坐标注意力机制,通过强化目标关注以提升在复杂场景下的目标识别效果;最后将改进的算法模型应用于嵌入式平台进行实验检测。实验结果表明:改进后的算法模型平均检测精度为91.99%,模型大小仅为3.1 MB,相较于其他目标检测算法具有明显的优越性。文章所提算法能够有效地对楼梯进行实时、准确的检测识别,为后续变胞车自主越障奠定了一定的理论基础。

基于点云的复杂环境下楼梯区域识别

自主移动机器人已经在国防军事、灾区救援等领域有了广泛应用,楼梯区域作为一种典型的环境目标,需要机器人能够对其做出准确识别。放置于楼梯区域的障碍物会破坏传统楼梯识别算法需要提取的楼梯平面及边缘特征,导致楼梯区域无法被准确识别。针对该问题,提出了一种复杂环境下,基于点云的楼梯区域检测识别算法。该算法首先使用区域生长方法对目标区域进行分割并通过各区域拟合平面法线方向来选取疑似为楼梯各级竖直阶面的区域;进而对各级楼梯区域进行处理,分割障碍物并获取各级楼梯竖直面上边界;最终根据各级边界位置得到楼梯模型以及障碍物位置。实验结果表明,该算法具有较好的鲁棒性,能在各种复杂环境下识别出楼梯并得到无障碍楼梯区域,构建的楼梯三维模型尺寸误差均小于7%,有较高的准确性,相较于传统楼梯识别算法,能达到更好的检测识别效果。