一种机器人智能自跟随方法、装置、介质、电子设备

摘要

本发明公开了一种机器人智能自跟随方法、装置、介质、电子设备，所述智能自跟随方法包括步骤：对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理，获得位于两相邻分位点之间的点云数据的平均值作为分位数值Ω；使用DBSCAN对第i线点云数据进行点云聚类，获得第i线点云数据中数值最小的值λi；重复上述步骤获得多线激光雷达的n个λi后取n个λi的平均值λ作为多线激光雷达单帧扫描的检测结果；计算当前单帧扫描与前一次的历史单帧扫描所得的平均值λ的欧几里得距离d并判断目标是否丢失。本发明白天夜晚均适用，环境影响小；跟随过程中，通过使用多线激光雷达获得作业人员跟踪结果，检测精度高，结合历史轨迹，跟踪准确率高。

权利要求

1.一种机器人智能自跟随方法，其特征在于，包括步骤：对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理，获得位于两相邻分位点之间的点云数据的平均值作为分位数值Ω；

使用DBSCAN对第i线点云数据进行点云聚类，获得第i线点云数据中数值最小的值λi，其中，DBSCAN中的Eps参数及MinPts参数根据所述分位数值Ω分段设置；

重复上述步骤获得多线激光雷达的n个λi后取n个λi的平均值λ作为多线激光雷达单帧扫描的检测结果，从而获得当前的单帧扫描中、以多线激光雷达为坐标原点的作业人员角度信息及距离信息；

计算当前单帧扫描与前一次的历史单帧扫描所得的平均值λ的欧几里得距离d，若d小于设定的判断阈值dt，则判定跟踪目标未丢失，继续进行下一次单帧扫描，否则，判定目标丢失；

所述对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理，获得位于两相邻分位点之间的点云数据的平均值作为分位数值Ω，具体包括步骤：对多线激光雷达单帧扫描所得的第i线点云数据进行排序；

将排序后的第i线点云数据设置分位点α％和β％，其中，|α‑β|<ε，ε＝80；

求取位于所述分位点α％和β％位置内的第i线点云数据的平均值，获得分位数值Ω。

2.根据权利要求1所述的机器人智能自跟随方法，其特征在于，所述对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理之前，还包括步骤：将多线激光雷达单帧扫描所得的第i线点云数据首先进行数据预处理，剔除噪声点、异常点数据。

3.根据权利要求1所述的机器人智能自跟随方法，其特征在于，所述DBSCAN中的Eps参数及MinPts参数根据所述分位数值Ω分段设置，具体包括步骤：将多线激光雷达的最大探测范围按设定步距进行分段，得到复数个分段；

根据分位数值Ω所在的分段确定DBSCAN中的Eps参数及MinPts参数，其中，各分段对应的DBSCAN中的Eps参数相一致，MinPts参数与各分段所在的探测范围呈反比。

4.根据权利要求3所述的机器人智能自跟随方法，其特征在于，所述DBSCAN中的Eps参数及MinPts参数根据所述分位数值Ω分段设置，具体包括步骤：将多线激光雷达的最大探测范围按设定步距进行分段，得到四个分段；

若100<Ω≤500，则Eps＝200，MinPts＝20；若500<Ω≤1000，则Eps＝200，MinPts＝16；

若1000<Ω≤1500，则Eps＝200，MinPts＝12；若1500<Ω≤2000，则Eps＝200，MinPts＝10。

5.根据权利要求1所述的机器人智能自跟随方法，其特征在于，当判定目标丢失后，还包括步骤：

向机器人的整车控制器发送制动指令并报警。

6.一种机器人智能自跟随装置，其特征在于，包括：分位数值计算模块，用于对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理，获得位于两相邻分位点之间的点云数据的平均值作为分位数值Ω；

点云聚类模块，用于使用DBSCAN对第i线点云数据进行点云聚类，获得第i线点云数据中数值最小的值λi，其中，DBSCAN中的Eps参数及MinPts参数根据所述分位数值Ω分段设置；

检测结果获取模块，用于获得多线激光雷达的n个λi后取n个λi的平均值λ作为多线激光雷达单帧扫描的检测结果，从而获得当前的单帧扫描中、以多线激光雷达为坐标原点的作业人员角度信息及距离信息；

目标跟踪判定模块，用于计算当前单帧扫描与前一次的历史单帧扫描所得的平均值λ的欧几里得距离d，若d小于设定的判断阈值dt，则判定跟踪目标未丢失，继续进行下一次单帧扫描，否则，判定目标丢失。

7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5中任一项所述的机器人智能自跟随方法。

8.一种存储介质，所述存储介质包括存储的程序，其特征在于，在所述程序运行时控制所述存储介质所在的设备执行如权利要求1至5中任一项所述的机器人智能自跟随方法。

9.一种机器人，包括：

多线激光雷达，用于对前方作业人员进行目标跟踪，实时识别并返回包括角度及距离信息的点云数据；

整车控制器，用于根据指令进行机器人制动、转向及对应上装作业控制；

主控制单元，用于根据所述多线激光雷达返回的点云数据实现如权利要求1至5中任一项所述的机器人智能自跟随方法。

说明书

一种机器人智能自跟随方法、装置、介质、电子设备

技术领域

[0001] 本发明涉及机器人控制领域，特别地，涉及一种机器人智能自跟随方法、装置、介质、电子设备。

背景技术

[0002] 目前，清洁机器人由于其自动避障、自动跟随等特性被广泛应用于社区、公园、步行街、公共场所等区域进行清扫保洁作业，一定程度上提高了清洁作业效率和人工劳动强
度。现有清洁机器人在运行过程中一般通过相机作为主要传感器，识别前方特定人体，进行
视觉跟踪。或者通过超声波作为主要传感器，采用收发分离的超声波定位进行检测跟踪。然
而，通过相机进行视觉识别易受光照等外界环境影响，夜间RGB图像信息无法使用，补充光
源对图像网络训练难度大，模型难以泛化，严重影响跟踪准确率；而通过超声波定位进行检
测跟踪时由于超声波发射声波信号为圆锥体，定位区域大，导致定位精度低、跟踪准确率
低。

发明内容

[0003] 本发明一方面提供了一种智能自跟随方法，以解决现有清洁机器人自跟随时环境鲁棒性差、易受白天黑夜作业影响、定位精度低以及跟踪准确率不高的技术问题。

[0004] 本发明采用的技术方案如下：

[0005] 一种机器人智能自跟随方法，包括步骤：

[0006] 对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理，获得位于两相邻分位点之间的点云数据的平均值作为分位数值Ω；

[0007] 使用DBSCAN对第i线点云数据进行点云聚类，获得第i线点云数据中数值最小的值λi，其中，DBSCAN中的Eps参数及MinPts参数根据所述分位数值Ω分段设置；

[0008] 重复上述步骤获得多线激光雷达的n个λi后取n个λi的平均值λ作为多线激光雷达单帧扫描的检测结果，从而获得当前的单帧扫描中、以多线激光雷达为坐标原点的作业人
员角度信息及距离信息；

[0009] 计算当前单帧扫描与前一次的历史单帧扫描所得的平均值λ的欧几里得距离d，若d小于设定的判断阈值dt，则判定跟踪目标未丢失，继续进行下一次单帧扫描，否则，判定目
标丢失。

[0010] 进一步地，所述对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理之前，还包括步骤：

[0011] 将多线激光雷达单帧扫描所得的第i线点云数据首先进行数据预处理，剔除噪声点、异常点数据。

[0012] 进一步地，所述对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理，获得位于两相邻分位点之间的点云数据的平均值作为分位数值Ω，具体包括步骤：

[0013] 对多线激光雷达单帧扫描所得的第i线点云数据进行排序；

[0014] 将排序后的第i线点云数据设置分位点α％和β％，其中，|α‑β|<ε，ε＝80；

[0015] 求取位于所述分位点α％和β％位置内的第i线点云数据的平均值，获得分位数值Ω。

[0016] 进一步地，所述DBSCAN中的Eps参数及MinPts参数根据所述分位数值Ω分段设置具体包括步骤：

[0017] 将多线激光雷达的最大探测范围按设定步距进行分段，得到复数个分段；

[0018] 根据分位数值Ω所在的分段确定DBSCAN中的Eps参数及MinPts参数，其中，各分段对应的DBSCAN中的Eps参数相一致，MinPts参数与各分段所在的探测范围呈反比。

[0019] 进一步地，所述DBSCAN中的Eps参数及MinPts参数根据所述分位数值Ω分段设置具体包括步骤：

[0020] 将多线激光雷达的最大探测范围按设定步距进行分段，得到四个分段；

[0021] 若100<Ω≤500，则Eps＝200，MinPts＝20；若500<Ω≤1000，则Eps＝200，MinPts＝16；若1000<Ω≤1500，则Eps＝200，MinPts＝12；若1500<Ω≤2000，则Eps＝200，MinPts
＝10。

[0022] 进一步地，当判定目标丢失后，还包括步骤：

[0023] 向机器人的整车控制器发送制动指令并报警。

[0024] 本发明另一方面还提供了一种机器人智能自跟随装置，包括：

[0025] 分位数值计算模块，用于对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理，获得位于两相邻分位点之间的点云数据的平均值作为分位数值Ω；

[0026] 点云聚类模块，用于使用DBSCAN对第i线点云数据进行点云聚类，获得第i线点云数据中数值最小的值λi，其中，DBSCAN中的Eps参数及MinPts参数根据所述分位数值Ω分段
设置；

[0027] 检测结果获取模块，用于获得多线激光雷达的n个λi后取n个λi的平均值λ作为多线激光雷达单帧扫描的检测结果，从而获得当前的单帧扫描中、以多线激光雷达为坐标原
点的作业人员角度信息及距离信息；

[0028] 目标跟踪判定模块，用于计算当前单帧扫描与前一次的历史单帧扫描所得的平均值λ的欧几里得距离d，若d小于设定的判断阈值dt，则判定跟踪目标未丢失，继续进行下一
次单帧扫描，否则，判定目标丢失。

[0029] 本发明的另一方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的机器人智能自
跟随方法。

[0030] 本发明的另一方面提供了一种存储介质，所述存储介质包括存储的程序，在所述程序运行时控制所述存储介质所在的设备执行所述的机器人智能自跟随方法。

[0031] 本发明的另一方面提供了一种机器人，包括：

[0032] 多线激光雷达，用于对前方作业人员进行目标跟踪，实时识别并返回包括角度及距离信息的点云数据；

[0033] 整车控制器，用于根据指令进行机器人制动、转向及对应上装作业控制；

[0034] 主控制单元，用于根据所述多线激光雷达返回的点云数据实现所述的机器人智能自跟随方法。

[0035] 本发明具有以下有益效果：

[0036] 本发明提供的机器人智能自跟随方法使用多线激光雷达准确定位前方特定作业人员，由于多线激光雷达工作于光学波段，频率比微波、超声波等高2‑3个数量级以上，因此
多线激光雷达具有极高的距离分辨率、角分辨率和速度分辨率，因此定位精度高，在3m范围
内定位精度达1cm；另外，多线激光雷达采用主动探测方式，不依赖于外界光照条件或目标
本身的辐射特性，只需发射激光速，通过探测发射激光束的回波信号来获取目标信息，不易
受光照等外界环境因素影响，因此环境鲁棒性强，白天黑夜作业均不受影响，可全天时工
作，对环境具有较强的适应性及抗干扰能力；另外，本实施例还通过分位数值Ω分段相应地
设置DBSCAN中的Eps参数及MinPts参数，不同的Eps参数及MinPts参数可以更好地锁定跟踪
目标，防止由于点云疏密变化造成的目标丢失，对跟踪点云有较好的聚类适用性，从而获得
最佳的聚类效果，以提高跟踪准确率；利用多线程技术，充分发挥多核CPU计算能力，有效利
用计算资源；将多线激光雷达进行单线点云拆分，大大降低传统多线激光点云处理时调用
PCL库所需算力，采用低成本主控制器也能满足算力要求；可结合历史跟踪轨迹数据判定跟
踪作业人员，在点云不完全遮挡的情况下也能进行有效目标跟踪，提升跟踪准确度。

[0037] 除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。

附图说明

[0038] 构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

[0039] 图1是本发明优选实施例的一种机器人智能自跟随方法流程示意图；

[0040] 图2是本发明另一优选实施例的一种机器人智能自跟随方法流程示意图；

[0041] 图3是本发明另一优选实施例的一种机器人智能自跟随方法流程示意图；

[0042] 图4是本发明另一优选实施例的一种机器人智能自跟随方法流程示意图；

[0043] 图5是本发明另一优选实施例的一种机器人智能自跟随方法流程示意图；

[0044] 图6是本发明另一优选实施例的一种机器人智能自跟随方法流程示意图；

[0045] 图7是本发明优选实施例的机器人智能自跟随装置框图；

[0046] 图8是本发明优选实施例的电子设备实体示意框图；

[0047] 图9是本发明优选实施例的机器人实体示意框图。

具体实施方式

[0048] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

[0049] 参照图1，本发明的优选实施例提供了一种机器人智能自跟随方法，包括步骤：

[0050] S2、对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理，获得位于两相邻分位点之间的点云数据的平均值作为分位数值Ω；

[0051] S3、使用DBSCAN对第i线点云数据进行点云聚类，获得第i线点云数据中数值最小的值λi，其中，DBSCAN中的Eps参数及MinPts参数根据所述分位数值Ω分段设置；

[0052] S4、重复上述步骤获得多线激光雷达的n个λi后取n个λi的平均值λ作为多线激光雷达单帧扫描的检测结果，从而获得当前的单帧扫描中、以多线激光雷达为坐标原点的作
业人员角度信息及距离信息；

[0053] S5、计算当前单帧扫描与前一次的历史单帧扫描所得的平均值λ的欧几里得距离d，若d小于设定的判断阈值dt，则判定跟踪目标未丢失，继续进行下一次单帧扫描，否则，判
定目标丢失。

[0054] 本实施例的机器人智能自跟随方法使用多线激光雷达准确定位前方特定作业人员，由于多线激光雷达工作于光学波段，频率比微波、超声波等高2‑3个数量级以上，因此多
线激光雷达具有极高的距离分辨率、角分辨率和速度分辨率，因此定位精度高，在3m范围内
定位精度达1cm；另外，多线激光雷达采用主动探测方式，不依赖于外界光照条件或目标本
身的辐射特性，只需发射激光速，通过探测发射激光束的回波信号来获取目标信息，不易受
光照等外界环境因素影响，因此环境鲁棒性强，白天黑夜作业均不受影响，可全天时工作，
对环境具有较强的适应性及抗干扰能力；另外，本实施例还通过分位数值Ω分段相应地设
置DBSCAN中的Eps参数及MinPts参数，不同的Eps参数及MinPts参数可以更好地锁定跟踪目
标，防止由于点云疏密变化造成的目标丢失，对跟踪点云有较好的聚类适用性，从而获得最
佳的聚类效果，以提高跟踪准确率；本实施例可利用多线程技术，充分发挥多核CPU计算能
力，有效利用计算资源；本实施例将多线激光雷达进行单线点云拆分，大大降低传统多线激
光点云处理时调用PCL库所需算力，采用低成本主控制器也能满足算力要求；本实施例结合
历史跟踪轨迹数据判定跟踪作业人员，在点云不完全遮挡的情况下也能进行有效目标跟
踪，提升跟踪准确度。

[0055] 如图2所示，在本发明的优选实施例中，所述对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理之前，还包括步骤：

[0056] S1、将多线激光雷达单帧扫描所得的第i线点云数据首先进行数据预处理，剔除噪声点、异常点数据。

[0057] 本实施例通过对点云数据首先进行数据预处理，剔除噪声点、异常点数据，进一步提高点云数据的准确性、可靠性，为后续的处理过程提供可靠、准确的数据。

[0058] 如图3所示，在本发明的优选实施例中，所述对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理，获得位于两相邻分位点之间的点云数据的平均值作为分位数值
Ω，具体包括步骤：

[0059] S21、对多线激光雷达单帧扫描所得的第i线点云数据进行排序；

[0060] S22、将排序后的第i线点云数据设置分位点α％和β％，其中，|α‑β|<ε，ε＝80；

[0061] S23、求取位于所述分位点α％和β％位置内的第i线点云数据的平均值，获得分位数值Ω。

[0062] 由于多线激光雷达在扫描时获取的点云数据除了有跟踪目标的数据外，还不可避免的包括有其他非跟踪目标的数据，因此，为了克服非跟踪目标的数据的干扰，本实施例首
先对点云数据进行排序后设置分位点α％和β％，然后对所述分位点α％和β％位置内的点云
数据求平均值获得分位数值Ω，其中，根据|α‑β|可判断点云数据分布情况，若|α‑β|<ε，ε＝
80，则认为点云数据分布接近，表示分位点α％和β％位置内的点云数据为跟踪目标的点云
数据，从而排除掉其他非跟踪目标的数据，去除噪点数据，最后对所述分位点α％和β％位置
内的点云数据求平均值(Ω为实时计算的1个实数)作为分位数值Ω，该分位数值Ω仅与跟
踪目标相关。因此，本实施例的目的包括：

[0063] 1、设置分位点α％和β％对跟踪目标的点云数据作进一步滤波，去除噪点数据，确保后续处理结果的准确性；

[0064] 2、通过对所述分位点α％和β％位置内的点云数据求平均值(平均值表示数据集中趋势)作为分位数值Ω为后续DBSCAN聚类算法的参数值设定提供依据，以使DBSCAN获得最
佳聚类效果。

[0065] 如图4所示，在本发明的优选实施例中，所述DBSCAN中的Eps参数及MinPts参数根据所述分位数值Ω分段设置，具体包括步骤：

[0066] S301、将多线激光雷达的最大探测范围按设定步距进行分段，得到复数个分段；

[0067] S302、根据分位数值Ω所在的分段确定DBSCAN中的Eps参数及MinPts参数，其中，各分段对应的DBSCAN中的Eps参数相一致，MinPts参数与各分段所在的探测范围呈反比。

[0068] 本实施例中首先根据多线激光雷达的最大探测范围进行分段，得到复数个分段；接着根据分位数值Ω所在的分段确定DBSCAN中的Eps参数及MinPts参数，使DBSCAN的Eps参
数及MinPts参数由分位数值Ω所在的分段动态确定，相比于采用固定Eps参数及MinPts参
数，本实施例的DBSCAN中的Eps参数及MinPts参数根据分位数值Ω所在的分段确定，根据分
段设定DBSCAN的参数，可获得最佳聚类效果，由于距离越远激光雷达扫描跟踪目标在空间
单位体积内的点云越稀疏，故本实施例根据点云疏密程度按距离分段设定DBSCAN的参数，
可获得最佳聚类效果。

[0069] 如图5所示，在本发明的优选实施例中，所述DBSCAN中的Eps参数及MinPts参数根据所述分位数值Ω分段设置，具体包括步骤：

[0070] S311、将多线激光雷达的最大探测范围按设定步距进行分段，得到四个分段；

[0071] S311、若100<Ω≤500，则Eps＝200，MinPts＝20；若500<Ω≤1000，则Eps＝200，MinPts＝16；若1000<Ω≤1500，则Eps＝200，MinPts＝12；若1500<Ω≤2000，则Eps＝200，
MinPts＝10。

[0072] 处于实际需要和成本考虑，目前环卫机器人的多线激光雷达最大探测范围和最大跟随距离都有一定的限定，且最大跟随距离一般2米左右即可满足要求，因此，本实施例从
成本和效率综合考虑，将最大探测范围按设定步距分为具体的四段，同时每一段都对
DBSCAN设置相应的Eps参数及MinPts参数，可以看出，各段对应的Eps参数均为200，而
MinPts参数则随着各段对应的探测距离的增加而相应减少，如20、16、12、10，由于距离越远
激光雷达扫描跟踪目标在空间单位体积内的点云越稀疏，而MinPts参数则随着各段对应的
探测距离的增加而相应减少，如20、16、12、10，由此可以更好地锁定跟踪目标，防止由于点
云疏密造成的目标丢失，从而获得最佳聚类效果。

[0073] 如图6所示，在本发明的优选实施例中，当判定目标丢失后，还包括步骤：

[0074] S6、向机器人的整车控制器发送制动指令并报警。

[0075] 本实施例中，当判定目标丢失后，从安全角度考虑，会向机器人的整车控制器发送制动指令，机器人的制动系统根据所述制动指令进行制动，使机器人原地制动，确保作业安
全。同时，发出报警信息，使操作人员及时了解机器人当前的自跟随状态，方便操作人员及
时采取相应的措施确保机器人能够恢复到正常的自跟随状态。

[0076] 在本发明的另一优选实施例中，再获得多线激光雷达的n个λi后、取n个λi的平均值λ之前，还包括步骤：

[0077] S41、先对n个λi计算标准差σ，若σ小于标准差阈值σ_s，才取n个λi的平均值λ作为单帧扫描的多线激光雷达检测结果。

[0078] 本实施例计算n个λi计算标准差σ的目的是：由于多线激光雷达同步扫描同一个跟踪目标时，多线激光雷达中任意一线的扫描结果数据分布偏差不会特别大，故先进行标准
差σ的计算(标准差σ表示数据离散程度)，若标准差σ分布于允许误差范围内(标准差阈值σ_
s)，则认为扫描结果数据为有效数据，接着才会取n个λi的平均值λ作为单帧扫描的多线激
光雷达检测结果，反之则认为是无效数据，不会取n个λi的平均值λ作为单帧扫描的多线激
光雷达检测结果，起到检验数据有效性的作用，确保后续多线激光雷达检测结果的准确性
和可靠性。

[0079] 如图7所示，在本发明的优选实施例还提供了一种机器人智能自跟随装置，包括：

[0080] 分位数值计算模块，用于对多线激光雷达单帧扫描所得的第i线点云数据进行分位处理，获得位于两相邻分位点之间的点云数据的平均值作为分位数值Ω；

[0081] 点云聚类模块，用于使用DBSCAN对第i线点云数据进行点云聚类，获得第i线点云数据中数值最小的值λi，其中，DBSCAN中的Eps参数及MinPts参数根据所述分位数值Ω分段
设置；

[0082] 检测结果获取模块，用于获得多线激光雷达的n个λi后取n个λi的平均值λ作为多线激光雷达单帧扫描的检测结果，从而获得当前的单帧扫描中、以多线激光雷达为坐标原
点的作业人员角度信息及距离信息；

[0083] 目标跟踪判定模块，用于计算当前单帧扫描与前一次的历史单帧扫描所得的平均值λ的欧几里得距离d，若d小于设定的判断阈值dt，则判定跟踪目标未丢失，继续进行下一
次单帧扫描，否则，判定目标丢失。

[0084] 本实施例的机器人智能自跟随装置使用多线激光雷达准确定位前方特定作业人员，环境鲁棒性强，白天黑夜作业均不受影响，在3m范围内定位精度达1cm，定位精度高，且
对环境具有较强的适应性及抗干扰能力；本实施例通过分位数值Ω分段设置DBSCAN中的
Eps参数及MinPts参数，对跟踪点云有较好的聚类适用性；本实施例可利用多线程技术，充
分发挥多核CPU计算能力，有效利用计算资源；本实施例将多线激光雷达进行单线点云拆
分，大大降低传统多线激光点云处理方式‑调用PCL库所需算力，采用低成本主控制器也能
满足算力要求；本实施例结合历史跟踪轨迹数据判定跟踪作业人员，在点云不完全遮挡的
情况下也能进行有效目标跟踪，提升跟踪准确度。

[0085] 如图8所示，在本发明的优选实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所
述的机器人智能自跟随方法。

[0086] 具体地，在本发明的优选实施例还提供了一种存储介质，所述存储介质包括存储的程序，其特征在于，在所述程序运行时控制所述存储介质所在的设备执行所述的机器人
智能自跟随方法。

[0087] 如图9所示，在本发明的优选实施例还提供了一种机器人，包括：

[0088] 多线激光雷达，用于对前方作业人员进行目标跟踪，实时识别并返回包括角度及距离信息的点云数据；

[0089] 整车控制器，用于根据指令进行机器人制动、转向及对应上装作业控制；

[0090] 主控制单元，用于根据所述多线激光雷达返回的点云数据实现所述的机器人智能自跟随方法。

[0091] 本实施例中，所述主控制单元采用工控机，多线激光雷达作为主传感单元，另外还增加了超声波雷达作为避障单元，主控制单元作为核心控制器接收主传感单元、避障单元
信息进行传感器数据融合，控制整车控制器进行机器人制动、转向及对应上装作业控制。采
用多线激光雷达作为主传感单元对前方作业人员进行目标跟踪，返回多线激光雷达识别的
角度及距离。避障单元检测机器人四周障碍物情况，在障碍物离机器人过近时发出避障信
号，机器人进行自动避障。整车控制器包含转向系统，制动系统，传动系统及机器人上装作
业装置。

[0092] 作业人员站在机器人前按下启动自跟随按钮后，多线激光雷达开始初始扫描标定；在初始扫描标定时，作业人员与机器人之间不允许有障碍物，后续使用多线激光雷达进
行跟踪时，不允许在机器人与作业人员之间进行穿插。避障系统采用超声波雷达双探头模
式，在机器人前、后、左、右四个面分别布置2组，一共16个探头。若超声波雷达探测距离d_
ultra小于设定的超声波雷达避障距离dv时，则工控机向整车控制器发送指令进行停障并
报警。若超声波雷达未避障，则进行多线激光雷达跟踪检测，根据所述多线激光雷达返回的
点云数据实现所述的机器人智能自跟随方法。

[0093] 本发明的多线激光雷达对环境光照要求低，白天夜晚均适用；在机器人智能自跟随过程中，通过使用多线激光雷达作为主传感器获得作业人员跟踪结果，检测精度高，结合
历史轨迹，跟踪准确率高，解决现有自跟随机器人存在的识别跟踪精度低、环境适应性不强
的技术问题。

[0094] 需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不
同于此处的顺序执行所示出或描述的步骤。

[0095] 本实施例方法所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个或者多个计算设备可读取存储介质中。基于这样的理解，本发明
实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出
来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人
计算机，服务器，移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或
部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、
随机存取存储器(RAM，Random Access Memory)，磁碟或者光盘等各种可以存储程序代码的
介质。

[0096] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修
改、等同替换、改进等，均应包含在本发明的保护范围之内。