1.本发明涉及激光技术领域，具体来说，涉及一种三维激光降噪方法、装置、介质及机器人。
背景技术：2.自主导航移动机器人需要三维激光传感器进行测量得到原始数据。但由于三维激光传感器的波段特性，在雨雪等极端天气下，原始数据会存在大量无规则噪点，导致所有基于三维激光传感器的功能全部受到影响。
3.针对室外巡逻巡检机器人，通常需要用到原始的三维激光点云数据。但是，激光雷达产生的稀疏点云可能被内部噪声和外部环境噪声破坏，导致测量不准确。并且产生的噪声是无规则的。所以对于噪声去除需要用到一些特殊的方法。
4.目前三维激光点云去噪方法有以下三种：
5.1.体素滤波算法：体素滤波算法，也叫体素降采样。是将三维空间中的点云离散成多个立方体。用立方体中心的一个点来代替立方体中所有的点的算法。该算法可以有效降低数据量，减少点云中点的个数。
6.2.静态离群点剔除算法：该算法通过计算每一个点的k个最近邻，并计算k个最近邻的均值和方差。假设结果是一个高斯分布，平均距离在全局距离平均值和方差之外的点，则认为是离群点，并从全局点云中剔除。
7.3.半径离群点剔除算法：该算法是假设原始点云中每个激光点，在指定的半径邻域中至少包含一定数量的临近点。原始数据中符合假设条件的则被视为正常点，保留下来，否则剔除。该算法对全局点云中孤立的点有很好的剔除效果。
8.但针对室外机器人，上述三种方法均存在不同的缺点：
9.方法1中，针对体素滤波算法中，由于该算法只是对立方体中的点进行整合，只能将噪点减少，并不会消除噪点；
10.方法2中，针对静态离群点剔除算法，由于噪点是无规则的，很有可能有一片噪点连在一起，这时该算法无法剔除；
11.方法3中，方法3中需要设置半径，而半径的设置较难掌握，半径过大会导致噪点也一并包含进来，半径过小会剔除其他结构化的点云。
12.本文提供的背景描述用于总体上呈现本公开的上下文的目的。除非本文另外指示，在该章节中描述的资料不是该申请的权利要求的现有技术并且不要通过包括在该章节内来承认其成为现有技术。
技术实现要素：13.针对相关技术中的上述技术问题，本发明提出一种三维激光降噪方法，其包括如下步骤：
14.s1，获取3d激光点云图像；
15.s2，对所述3d激光点云数据进行降采样以获取降采样的3d激光点云数据；
16.s3，将所述降采样的3d激光点云数据转换成kd树；
17.s4，计算所述降采样的3d激光点云中每个点在激光坐标系下的距离；
18.s5，根据所述每个点在激光坐标系下的距离计算搜索半径ri；
19.s6，根据所述动态半径计算点云中每个点的最近邻，搜索当前球体内是否满足最小点数的阈值，如果当前点满足，则保留该点，否则剔除该点。
20.具体的，还包括如下步骤：
21.s7，根据点云pi的邻近点的均值μi和整个点云的均值μ获取点云标准差δ2，并根据所述均值μi、整个点云的均值μ、点云标准差δ2获取阈值t，删除与所述点云pi与其临近点的平均距离大于t的点。
22.具体的，所述步骤s7具体包括：
23.s71，计算点pi最近k个邻近点距离的均值μi；
24.s72，根据均值μi计算整个点云的均值μ；
25.s73，计算点云的标准差δ2；
26.s74，计算阈值t：
27.t＝μ+β
×
δ228.s75，遍历点云，删除所有与其k个临近点的平均距离大于t的点。
29.具体的，所述搜索半径ri：
30.ri＝di×
α
×
β，其中α为激光水平方向上的角分辨率，β为大于1的动态参数。
31.具体的，所述降采样是体素降采样。
32.第二方面，本发明的另一个实施例公开了一种三维激光降噪装置，其包括如下单元：
33.点云获取单元，用于获取3d激光点云图像；
34.降采样单元，用于对所述3d激光点云数据进行降采样以获取降采样的3d激光点云数据；
35.kd树生成单元，用于将所述降采样的3d激光点云数据转换成kd树；
36.距离计算单元，用于计算所述降采样的3d激光点云中每个点在激光坐标系下的距离；
37.搜索半径计算单元，用于根据所述每个点在激光坐标系下的距离计算搜索半径ri；
38.噪声去除单元，用于根据所述动态半径计算点云中每个点的最近邻，搜索当前球体内是否满足最小点数的阈值，如果当前点满足，则保留该点，否则剔除该点。
39.具体的，还包括如下单元：
40.离群点剔除单元，用于根据点云pi的邻近点的均值μi和整个点云的均值μ获取点云标准差δ2，并根据所述均值μi、整个点云的均值μ、点云标准差δ2获取阈值t，删除与所述点云pi与其临近点的平均距离大于t的点。
41.具体的，所述离群点剔除单元还包括：
42.点云均值计算单元，用于计算点pi最近k个邻近点距离的均值μi；
43.整个点云均值计算单元，用于根据均值μi计算整个点云的均值μ；
44.点云标准差计算单元，计算点云的标准差δ2；
45.阈值计算单元，用于计算阈值t：
46.t＝μ+β
×
δ247.点云删除单元，用于遍历点云，删除所有与其k个临近点的平均距离大于t的点。
48.具体的，所述搜索半径ri：
49.ri＝di×
α
×
β，其中α为激光水平方向上的角分辨率，β为大于1的动态参数。
50.第三方面，本发明的另一个实施例公开了一种巡逻机器人，所述巡逻机器人包括驱动单元、电源、以及处理器、存储器，所述存储器上存储有指令，所述指令在被处理器执行时，用以实现上述的三维激光降噪方法。
51.本发明通过所述每个点在激光坐标系下的距离计算搜索半径ri，可以实现搜索半径的自动设置，相比与现有技术中的搜索半径的人工设置，其准确性更高，此外，本发明还通过点云的邻近点的均值以及整个点云的均值来计算标准差，并根据点云的邻近点的均值、整个点云的均值、标准差来获取需要删除的点云的阈值，从而更好的去除了噪声。
附图说明
52.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
53.图1是本发明实施例提供的一种三维激光降噪方法流程示意图；
54.图2是本发明实施例提供的雪天下激光原始图；
55.图3是本发明实施例提供的剔除噪声以后的点云图；
56.图4是本发明实施例提供的结构化信息对比示意图；
57.图5是本发明实施例提供的一种三维激光降噪装置示意图；
58.图6是本发明实施例提供的离群点剔除单元示意图；
59.图7是本发明实施例提供的一种三维激光降噪设备示意图。
具体实施方式
60.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
61.实施例一
62.对于室外机器人，本实施例有两个前提假设：
63.a)、室外机器人场景特征较为明显，有较多的车、树、建筑物等；
64.b)、室外机器人的雨雪噪点，是以机体坐标系为中心，向外扩散的分散区域，且无规则。
65.其中假设a中，室外机器人一般是运行在室外，其一般会有明显的建筑物、车或者树。对于假设a中，激光扫到的每一关键帧都是有特征的。本实施例充分利用了激光帧的每
一关键帧都有特征的特点，这样每一关键帧对应的全局唯一描述都有唯一的标识，增加鲁棒性，减少奇异值；对于假设b，这是一个弱假设，所有的雨雪造成的噪点均满足该假设。
66.参考图1，本实施例公开了一种三维激光降噪方法，其包括如下步骤：
67.s1，获取3d激光点云图像；
68.具体的，本步骤可以通过回调函数接收3d激光点云数据，3d激光点云数据包括：x方向坐标、y方向坐标、z方向坐标。
69.s2，对所述3d激光点云数据进行降采样以获取降采样的3d激光点云数据；
70.接收到3d激光点云后，点云中存在数量巨大的激光点。点的数量会严重影响降噪的时间复杂度，为了降低计算量，并保证数据的完整性，使用体素降采样。
71.具体的本步骤对3d激光点云中x、y、z方向上分别利用0.1m的立方体进行降采样。
72.s3，将所述降采样的3d激光点云数据转换成kd树；
73.kd树是一种树状数据结构，可将空间中所有的点转换成一棵树，树中的每个叶子节点都是k维点的二叉树，非叶子节点当做一个超平面。
74.首先在计算每一个轴的方差，在方差最大的轴上进行分割。在分割的轴上找到当前轴的对应坐标的中位数，该中位数对应的点即为根节点。根节点左子树则为小于当前对应维度的点，右子树则为大于当前维度的点。下一步再在其次轴上进行分割，循环以上步骤，最终将完整的激光点云转换成kd树。转换成kd树是为了后面做最近邻搜索使用。
75.s4，计算所述降采样的3d激光点云中每个点在激光坐标系下的距离；
76.激光点云的点集记为p，共存在n个点，则p＝{p1,p2,p3,...,pn}，且pi＝(xi,yi,zi)。则每个点到激光坐标系的距离di为：
[0077][0078]
s5，根据所述每个点在激光坐标系下的距离计算搜索半径ri；
[0079]
根据计算出来的每个点的距离di，计算每一个点的搜索半径ri：
[0080]ri
＝di×
α
×
β
[0081]
其中α为激光水平方向上的角分辨率，β为大于1的动态参数。
[0082]
s6，根据所述搜索半径计算点云中每个点的最近邻，搜索当前球体内是否满足最小点数的阈值，如果当前点满足，则保留该点，否则剔除该点；
[0083]
以当前点为中心，搜索半径ri进行搜索，搜索当前球体内是否满足最小点数的阈值。如果当前点满足，则保留该点，否则剔除该点。
[0084]
s7，根据点云pi的邻近点的均值μi和整个点云的均值μ获取点云标准差δ2，并根据所述均值μi、整个点云的均值μ、点云标准差δ2获取阈值t，删除与所述点云pi与其临近点的平均距离大于t的点。
[0085]
对于点云中每一个点做以上操作后，已经将大部分的雨雪等噪点全部剔除掉，但是由于误差的存在，可能还会存在一部分噪点没有剔除干净，最终加入静态离群点剔除。
[0086]
首先计算点pi最近k个邻近点距离的均值μi：
[0087]
[0088]
假设点云服从高斯分布，则根据上一步计算出的均值μi计算整个点云的均值μ：
[0089][0090]
计算点云的标准差δ2：
[0091][0092]
计算阈值：
[0093]
t＝μ+β
×
δ2[0094]
最终遍历点云，删除所有与其k个临近点的平均距离大于t的点。
[0095]
参考图2-4，其中图2是雪天下激光原始图，其带有噪声，图2中的分散的点为噪声；图3是剔除噪声以后的点云图；图4是结构化信息对比，其中白色为去噪之后的点云图，红色为原始点云图。从图2-4可以看出，本实施例的三维激光降噪方法，可以有效的去除雪天气下的噪声。本实施例的三维激光降噪方法能剔除98％以上雨雪等对激光产生的噪点。
[0096]
本实施例通过所述每个点在激光坐标系下的距离计算搜索半径ri，可以实现搜索半径的自动设置，相比与现有技术中的搜索半径的人工设置，其准确性更高，此外，本实施例还通过点云的邻近点的均值以及整个点云的均值来计算标准差，并根据点云的邻近点的均值、整个点云的均值、标准差来获取需要删除的点云的阈值，从而更好的去除了噪声。
[0097]
实施例二
[0098]
参考图5，本实施例公开了一种三维激光降噪装置，其包括如下单元：
[0099]
点云获取单元，用于获取3d激光点云图像；
[0100]
具体的，所述点云获取单元可以通过回调函数接收3d激光点云数据，3d激光点云数据包括：x方向坐标、y方向坐标、z方向坐标。
[0101]
降采样单元，用于对所述3d激光点云数据进行降采样以获取降采样的3d激光点云数据；
[0102]
接收到3d激光点云后，点云中存在数量巨大的激光点。点的数量会严重影响降噪的时间复杂度，为了降低计算量，并保证数据的完整性，使用体素降采样。
[0103]
具体的所述降采样单元对3d激光点云中x、y、z方向上分别利用0.1m的立方体进行降采样。
[0104]
kd树生成单元，将所述降采样的3d激光点云数据转换成kd树；
[0105]
kd树是一种树状数据结构，可将空间中所有的点转换成一棵树，树中的每个叶子节点都是k维点的二叉树，非叶子节点当做一个超平面。
[0106]
首先在计算每一个轴的方差，在方差最大的轴上进行分割。在分割的轴上找到当前轴的对应坐标的中位数，该中位数对应的点即为根节点。根节点左子树则为小于当前对应维度的点，右子树则为大于当前维度的点。下一步再在其次轴上进行分割，循环以上步骤，最终将完整的激光点云转换成kd树。转换成kd树是为了后面做最近邻搜索使用。
[0107]
距离计算单元，用于计算所述降采样的3d激光点云中每个点在激光坐标系下的距离；
[0108]
激光点云的点集记为p，共存在n个点，则p＝{p1,p2,p3,...,pn}，且pi＝(xi,yi,zi)。则每个点到激光坐标系的距离di为：
[0109][0110]
搜索半径计算单元，用于根据所述每个点在激光坐标系下的距离计算搜索半径ri；
[0111]
根据计算出来的每个点的距离di，计算每一个点的搜索半径ri：
[0112]ri
＝di×
α
×
β
[0113]
其中α为激光水平方向上的角分辨率，β为大于1的动态参数。
[0114]
噪声去除单元，用于根据所述搜索半径计算点云中每个点的最近邻，搜索当前球体内是否满足最小点数的阈值，如果当前点满足，则保留该点，否则剔除该点；
[0115]
以当前点为中心，搜索半径ri进行搜索，搜索当前球体内是否满足最小点数的阈值。如果当前点满足，则保留该点，否则剔除该点。
[0116]
离群点剔除单元，用于根据点云pi的邻近点的均值μi和整个点云的均值μ获取点云标准差δ2，并根据所述均值μi、整个点云的均值μ、点云标准差δ2获取阈值t，删除与所述点云pi与其临近点的平均距离大于t的点。
[0117]
对于点云中每一个点做以上操作后，已经将大部分的雨雪等噪点全部剔除掉，但是由于误差的存在，可能还会存在一部分噪点没有剔除干净，最终加入静态离群点剔除。
[0118]
参考图6，所述离群点剔除单元还包括：
[0119]
点云均值计算单元，用于计算点pi最近k个邻近点距离的均值μi：
[0120][0121]
整个点云均值计算单元，用于根据均值μi计算整个点云的均值μ；
[0122]
假设点云服从高斯分布，则根据上一步计算出的均值μi计算整个点云的均值μ：
[0123][0124]
点云标准差计算单元，计算点云的标准差δ2：
[0125][0126]
阈值计算单元，用于计算阈值：
[0127]
t＝μ+β
×
δ2[0128]
点云删除单元，用于最终遍历点云，删除所有与其k个临近点的平均距离大于t的点。
[0129]
参考图2-4，其中图2是雪天下激光原始图，其带有噪声，图2中的分散的点为噪声；图3是剔除噪声以后的点云图；图4是结构化信息对比，其中白色为去噪之后的点云图，红色为原始点云图。从图2-4可以看出，本实施例的三维激光降噪方法，可以有效的去除雪天气
下的噪声。本实施例的三维激光降噪方法能剔除98％以上雨雪等对激光产生的噪点。
[0130]
本实施例通过所述每个点在激光坐标系下的距离计算搜索半径ri，可以实现搜索半径的自动设置，相比与现有技术中的搜索半径的人工设置，其准确性更高，此外，本实施例还通过点云的邻近点的均值以及整个点云的均值来计算标准差，并根据点云的邻近点的均值、整个点云的均值、标准差来获取需要删除的点云的阈值，从而更好的去除了噪声。
[0131]
实施例三
[0132]
参考图7，图7是本实施例的一种三维激光降噪设备的结构示意图。该实施例的三维激光降噪设备20包括处理器21、存储器22以及存储在所述存储器22中并可在所述处理器21上运行的计算机程序。所述处理器21执行所述计算机程序时实现上述方法实施例中的步骤。或者，所述处理器21执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
[0133]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器22中，并由所述处理器21执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述三维激光降噪设备20中的执行过程。例如，所述计算机程序可以被分割成实施例二中的各个模块,各模块具体功能请参考上述实施例所述的装置的工作过程，在此不再赘述。
[0134]
所述三维激光降噪设备20可包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，所述示意图仅仅是三维激光降噪设备20的示例，并不构成对三维激光降噪设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述三维激光降噪设备20还可以包括输入输出设备、网络接入设备、总线等。
[0135]
所述处理器21可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器21是所述三维激光降噪设备20的控制中心，利用各种接口和线路连接整个三维激光降噪设备20的各个部分。
[0136]
所述存储器22可用于存储所述计算机程序和/或模块，所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块，以及调用存储在存储器22内的数据，实现所述三维激光降噪设备20的各种功能。所述存储器22可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0137]
其中，所述三维激光降噪设备20集成的模块/单元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，可以存储在一个计算机可读取存储介质中。基于这样
的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器21执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0138]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0139]
实施例四
[0140]
本实施例公开了一种巡逻机器人，所述巡逻机器人包括驱动单元、电源、以及处理器、存储器，所述存储器上存储有指令，所述指令在被处理器执行时，用以实现上述的三维激光降噪方法。
[0141]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。
技术特征：1.一种三维激光降噪方法，其包括如下步骤：s1，获取3d激光点云图像；s2，对所述3d激光点云数据进行降采样以获取降采样的3d激光点云数据；s3，将所述降采样的3d激光点云数据转换成kd树；s4，计算所述降采样的3d激光点云中每个点在激光坐标系下的距离；s5，根据所述每个点在激光坐标系下的距离计算搜索半径r
i
；s6，根据所述动态半径计算点云中每个点的最近邻，搜索当前球体内是否满足最小点数的阈值，如果当前点满足，则保留该点，否则剔除该点。2.根据权利要求1所述的方法，还包括如下步骤：s7，根据点云p
i
的邻近点的均值μ
i
和整个点云的均值μ获取点云标准差δ2，并根据所述均值μ
i
、整个点云的均值μ、点云标准差δ2获取阈值t，删除与所述点云p
i
与其临近点的平均距离大于t的点。3.根据权利要求2所述的方法，所述步骤s7具体包括：s71，计算点p
i
最近k个邻近点距离的均值μ
i
；s72，根据均值μ
i
计算整个点云的均值μ；s73，计算点云的标准差δ2；s74，计算阈值t：t＝μ+β
×
δ2s75，遍历点云，删除所有与其k个临近点的平均距离大于t的点。4.根据权利要求3所述的方法，所述搜索半径r
i
：r
i
＝d
i
×
α
×
β，其中α为激光水平方向上的角分辨率，β为大于1的动态参数。5.根据权利要求4所述的方法，所述降采样是体素降采样。6.一种三维激光降噪装置，其包括如下单元：点云获取单元，用于获取3d激光点云图像；降采样单元，用于对所述3d激光点云数据进行降采样以获取降采样的3d激光点云数据；kd树生成单元，用于将所述降采样的3d激光点云数据转换成kd树；距离计算单元，用于计算所述降采样的3d激光点云中每个点在激光坐标系下的距离；搜索半径计算单元，用于根据所述每个点在激光坐标系下的距离计算搜索半径r
i
；噪声去除单元，用于根据所述动态半径计算点云中每个点的最近邻，搜索当前球体内是否满足最小点数的阈值，如果当前点满足，则保留该点，否则剔除该点。7.根据权利要求6所述的装置，还包括如下单元：离群点剔除单元，用于根据点云p
i
的邻近点的均值μ
i
和整个点云的均值μ获取点云标准差δ2，并根据所述均值μ
i
、整个点云的均值μ、点云标准差δ2获取阈值t，删除与所述点云p
i
与其临近点的平均距离大于t的点。8.根据权利要求7所述的装置，所述离群点剔除单元还包括：点云均值计算单元，用于计算点p
i
最近k个邻近点距离的均值μ
i
；整个点云均值计算单元，用于根据均值μ
i
计算整个点云的均值μ；点云标准差计算单元，计算点云的标准差δ2；
阈值计算单元，用于计算阈值t：t＝μ+β
×
δ2点云删除单元，用于遍历点云，删除所有与其k个临近点的平均距离大于t的点。9.根据权利要求8所述的装置，所述搜索半径r
i
：r
i
＝d
i
×
α
×
β，其中α为激光水平方向上的角分辨率，β为大于1的动态参数。10.一种巡逻机器人，所述巡逻机器人包括驱动单元、电源、以及处理器、存储器，所述存储器上存储有指令，所述指令在被处理器执行时，用以实现所述权利要求1-5中任一项的三维激光降噪方法。
技术总结本发明提供了一种三维激光降噪方法、装置、介质及机器人，其包括如下步骤：S1，获取3D激光点云图像；S2，对所述3D激光点云数据进行降采样以获取降采样的3D激光点云数据；S3，将所述降采样的3D激光点云数据转换成kd树；S4，计算所述降采样的3D激光点云中每个点在激光坐标系下的距离；S5，根据所述每个点在激光坐标系下的距离计算搜索半径r
技术研发人员：李瀚文 袁国斌 刘彪 柏林 舒海燕 沈创芸 祝涛剑 王恒华
受保护的技术使用者：广州高新兴机器人有限公司
技术研发日：2022.04.08
技术公布日：2022/7/5
