9728太阳集团-(中国)有限公司

　　半岛bandao体育叉车取货方法、装置、计算机设备、存储介质与流程1.本技术涉及技术领域，特别是涉及一种叉车取货方法、装置、计算机设备、存储介质和计算机程序产品。

　　2.随着货物搬运技术的发展，传统的人工叉车搬运耗费太多人力成本，无人叉车的出现提高了货物搬运的效率，但是，在某些场景中，货物太多，无人叉车取货效率较低。

　　3.基于此，有必要针对上述技术问题，提供一种叉车取货方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

　　6.从所述观测数据中获取目标区域，得到货车的点云数据，从所述货车的点云数据中获取每个载具的点云数据；

　　8.基于所述每个载具的点云数据确定取货优先级；根据每个载具的相对位姿和取货优先级，控制叉车进行取货。

　　12.在其中一个实施例中，所述预设货车停放区域为矩形区域，所述矩形区域的长边两侧放置监测点，其中，所述监测点用于布设监控设备，相邻监测点之间保持观测区间的重叠范围；所述监测点的数据是根据所述矩形区域的长边的长度和监测点的有效观测距离得到；所述有效观测距离是根据单个监控设备的观测距离确定；单个监控设备的观测距离是根据距离所述矩形区域的长边侧的垂直距离和监控设备的视场角确定。

　　15.将所述载具的前端横截面点云群垂直z轴进行切层，对每一层的点云进行聚类；其中，所述预设货车停放区域为矩形区域，以所述预设货车停放区域的长边方向为x轴方向，短边方向为y轴方向，垂直于xy平面的方向为z轴方向；

　　16.将聚类结果与预设模板中载具的支撑脚信息进行匹配，剔除不符合匹配要求的切层，得到所述载具的位姿。

　　20.其中，所述密度过滤是指将点云数量按照离同侧监测点的y轴方向上排列后，保留峰值区间范围的点云，所述峰值区间范围是指包含离监测点目标距离的预设距离范围，所述离监测点目标距离的点云数量最多；所述法向量过滤是指将所述载具的点云数据进行平面拟合，得到符合预设要求的点云数据。

　　22.针对每类货物，计算每个载具的中间点与相邻载具的中间点的距离，减去预设模板中载具的长度，得到相邻两个载具间的间隙；

　　27.点云数据获取模块，用于从所述观测数据中获取目标区域，得到货车的点云数据，从所述货车的点云数据中获取每个载具的点云数据；

　　31.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

　　33.从所述观测数据中获取目标区域，得到货车的点云数据，从所述货车的点云数据中获取每个载具的点云数据；

　　35.基于所述每个载具的点云数据确定取货优先级；根据每个载具的相对位姿和取货优先级，控制叉车进行取货。

　　36.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

　　38.从所述观测数据中获取目标区域，得到货车的点云数据，从所述货车的点云数据中获取每个载具的点云数据；

　　40.基于所述每个载具的点云数据确定取货优先级；根据每个载具的相对位姿和取货优先级，控制叉车进行取货。

　　41.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

　　43.从所述观测数据中获取目标区域，得到货车的点云数据，从所述货车的点云数据中获取每个载具的点云数据；

　　45.基于所述每个载具的点云数据确定取货优先级；根据每个载具的相对位姿和取货优先级，控制叉车进行取货。

　　46.上述叉车取货方法、装置、计算机设备、存储介质和计算机程序产品，通过获取采集预设货车停放区域所得到的观测数据；从观测数据中获取目标区域，得到货车的点云数据，从货车的点云数据中获取每个载具的点云数据；基于每个载具的点云数据确定每个载具的相对位姿；基于每个载具的点云数据确定取货优先级；根据每个载具的相对位姿和取货优先级，控制叉车进行取货。通过获取观测数据，然后从观测数据中获取货车的点云数据，再从货车的点云数据中获取每个载具点云数据，再基于载具的点云数据确定每个载具的相对位姿和取货优先级，从而控制叉车进行取货，能够自动控制叉车进行取货，提高了取货效率。

　　55.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。

　　56.本技术实施例提供的叉车取货方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104获取终端102采集预设货车停放区域所得到的观测数据；从观测数据中获取目标区域，得到货车的点云数据，从货车的点云数据中获取每个载具的点云数据；基于每个载具的点云数据确定每个载具的相对位姿；基于每个载具的点云数据确定取货优先级；根据每个载具的相对位姿和取货优先级，控制叉车进行取货。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

　　57.在一个实施例中，如图2所示，提供了一种叉车取货方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

　　59.其中，预设货车停放区域是指将装载货物的货车停放到指定位置。观测数据是指观测预设货车停放区域内的装载货物的货车得到的数据。

　　60.具体地，先预设货车停放区域，并在预设货车停放区域的周围布设监控设备。接着货车停放到预设的货车停放区域后，处理器控制监控设备对预设货车停放空间区域进行观测，得到预设货车停放空间区域的观测数据。

　　61.步骤204，从观测数据中获取目标区域，得到货车的点云数据，从货车的点云数据中获取每个载具的点云数据。

　　62.其中，目标区域是指承载货物的货车的空间区域。点云数据是指在一个三维坐标系统中的一组向量的集合，以点的形式记录，每个点包含三维坐标，有些点也可能包含颜色信息或者反射强度信息等。其中，颜色信息是指空间色彩信息。反射强度信息是指采集过程中激光扫描到不同平面反射获取的不同强度的信息。处理器对观测数据进行处理以得到货车的点云数据。载具是指配置有载物空间和敞口的承载体，用于承载货车的货物。

　　63.具体地，基于货车空间区域，处理器从观测数据中获取货车两侧的点云数据，接着，将货车两侧的点云数据沿着y轴方向进行投影，形成2d平面，再利用目标检测算法对2d平面进行载具识别，获取每个载具的点云数据。其中，目标检测算法是指找出图像或者视频中目标物体，同时检测出它们的位置和大小的算法，主要用于检测出载具的点云数据。当然不限于目标检测算法来检测载具的点云数据，也可以其他能检测出载具的点云数据的算法。

　　68.其中，取货优先级是指货物被取走的先后顺序。对每个载具的点云数据进行优先级的判断，确定取货先后。

　　69.具体地，处理器基于每个载具的点云数据，得到载具之间的间隙，根据载具之间的间隙来确定取货优先级。

　　71.具体地，处理器获得每个载具的相对位姿和取货优先级后，根据载具的相对位姿，控制叉车的入叉方向，根据取货的优先级，控制叉车相对应位置的货物。

　　72.上述叉车取货方法中，通过获取采集预设货车停放区域所得到的观测数据；从所述观测数据中获取目标区域，得到货车的点云数据，从货车的点云数据中获取每个载具的点云数据；基于每个载具的点云数据确定每个载具的相对位姿；基于每个载具的点云数据确定取货优先级；根据每个载具的相对位姿和取货优先级，控制叉车进行取货。根据每个载具的相对位姿和取货优先级，控制叉车进行取货。能够自动控制叉车进行取货，提高了取货效率，且能够解决复杂环境下叉车取货困难的问题。

　　监控设备各自采集的预设货车停放区域内货车的候选数据；将多个监控设备各自采集的候选点云数据进行融合，得到观测数据。

　　74.其中，监控设备可以包括预设监测点的3d激光传感器和摄像头，但不限于此。3d激光传感器通过三角测量重建三维场景。通过激光光源与摄像头配对来获取预设货车停放区域内货车的候选数据。候选数据包括货车停放区域内货车和货车停放区域内货车上货物点云数据和图像数据。点云数据融合是将多个图像连接成一幅大图。点运融合包括时空基准及精度、尺度、语义三个层面的一致性。时空基准及精度是根据不同数据源间的复杂关系和相互转换规律。实现时空基准与精度的一致性，建立场景统一的点云模型。尺度是剔除不同点云密度和细节分辨率的点云数据造成图像的重叠部分的点云数据。

　　75.具体地，以预设监测点的3d激光传感器和摄像机采集观测数据为例，处理器获取每个监测点中的3d激光传感器和摄像机采集的预设货车停放区域内货车的点云数据和图像信息。将每个监测点的3d激光传感器和摄像机获取的数据进行融合，得到具备真实世界的颜色特征的完整三维点云数据。根据每个监测点的3d激光传感器在世界坐标系中的坐标(xi，yi，zi)和对应的欧拉角(pitchi，rolli，yawi)进行融合得到观测数据。其中，世界坐标系的建立方式是设预设货车停放区域p的长边方向为x轴方向，短边方向为y轴方向，垂直于xy平面的方向为z轴方向。欧拉角是指唯一地确定定点转动刚体位置的三个一组独立角参量，由章动角θ、进动角ψ和自转角φ组成。

　　76.本实施例中，通过对多个监控设备采集的点云数据进行点云融合，能够获得预设货车停放区域完整点云数据。

　　77.在一个实施例中，预设货车停放区域为矩形区域，矩形区域的长边两侧放置监测点，其中，监测点用于布设监控设备，相邻监测点之间保持观测区间的重叠范围；监测点的数据是根据矩形区域的长边的长度和监测点的有效观测距离得到；有效观测距离是根据单个监控设备的观测距离确定；单个监控设备的观测距离是根据距离所述矩形区域的长边侧的垂直距离和监控设备的视场角确定。

　　78.具体地，预设货车停放区域，如图3所示，预设货车停放区域为p，p为矩形，长边为s米，在p的长边两侧安放监测点。同侧监测点与p的长边平行，与p距离w米。处理器获得监测点中传感器的视场角θ。如果有多个类型的传感器，则选取最小的视场角数值进行计算。单个传感器的观测距离的计算公式：x表示单个传感器的观测距离，θ表示监测点中传感器的视场角，w表示监测点与停车区域中长边的距离。为保证获取数据的准确性，可将监测点间的观测视野保证一定的重叠度，此时计算监测点的有效观测距离计算公式：x

　　表示监测点的有效观测距离，x表示单个传感器的观测距离。则监测点数量计算公式：n表示监测点数量，s表示停车区域长边的长度，x

　　79.本实施例中，根据货车停放区域的长度和每个监测点的视野范围来计算检测点的数量，然后布设对应数量的监测点，并放置对应的监控设备，能够得到更完整的观测数据。

　　80.在一个实施例中，基于每个载具的点云数据确定每个载具的相对位姿，包括：针对每个载具，对载具的点云数据进行处理得到载具的前端横截面点云群；将载具的前端横截面点云群垂直z轴进行切层，对每一层的点云进行聚类；其中，预设货车停放区域为矩形区

　　域，以预设货车停放区域的长边方向为x轴方向，短边方向为y轴方向，垂直于xy平面的方向为z轴方向；将聚类结果与预设模板中载具的支撑脚信息进行匹配，剔除不符合匹配要求的切层，得到载具的位姿。

　　81.其中，利用停车区域建立坐标系，如图4所示，设停车区域p的长边方向为x轴方向，短边方向为y轴方向，垂直于xy平面的方向为z轴方向。载具的前端横截面点云群是指载具平行于x轴方向上最靠近同侧监测点的点云群形成的截面。聚类(clustering)是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。载具的前端横截面点云群切层后的点云数据进行聚类分析。支撑脚是指载具的脚墩。根据脚墩大小、数量、脚墩与脚墩间的距离的不同，获取每种料笼的脚墩宽度和脚墩与脚墩间的距离尺寸信息录入模板作为支撑脚信息。具体地，预设货车停放区域为矩形区域，以预设货车停放区域的长边方向为x轴方向，短边方向为y轴方向，垂直于xy平面的方向为z轴方向。处理器获取预设模板中载具的支撑脚信息。处理器将载具的点云数据进行过滤处理，得到载具的前端横截面点云群，将载具的最前方横截面点云群垂直z轴进行切层，对每一层的点云进行聚类，聚类后计算每种料笼的脚墩宽度和脚墩与脚墩间的距离，与模板中的每种料笼的脚墩宽度和脚墩与脚墩间的距离尺寸进行对比，保留相同尺寸距离的切层，剔除不同尺寸距离的切层。

　　83.在一个实施例中，预设货车停放区域为矩形区域，矩形区域的长边两侧放置监测点，其中，监测点有观测区间的重叠范围；对载具的点云数据进行处理得到载具的前端横截面点云群，包括：对载具的点云数据进行密度过滤和法向量过滤，得到载具的前端横截面点云群；其中，密度过滤是指将点云数量按照离同侧监测点的y轴方向上排列后，保留峰值区间范围的点云，峰值区间范围是指包含离监测点目标距离的预设距离范围，离监测点目标距离的点云数量最多；法向量过滤是指将载具的点云数据进行平面拟合，得到符合预设要求的点云数据。

　　84.其中，点云的密度过滤方法是将点云数量按照离同侧监测点的y轴方向上距离远近进行排列，保留峰值区间范围的点云。假设离监测点y’米时的点云数量最多，设置保留区域值a，保留在区间[y

　　a,y’+a]为峰值区间范围。设停车区域p的长边方向为x轴方向，短边方向为y轴方向，垂直于xy平面的方向为z轴方向。法向量过滤是将载具的点云数据进行平面拟合，并计算法向量与y轴夹角，设置夹角阈值，过滤大于夹角阈值的法向量，得符合要求的点云。

　　具体地，设停车区域p的长边方向为x轴方向，短边方向为y轴方向，垂直于xy平面的方向为z轴方向。预设法向量与y轴夹角阈值。处理器保留峰值区间的点云数据，计算法向量与y的夹角，根据大于夹角阈值的法向量，获得符合要求的点云。

　　步骤502，针对每类货物，计算每个载具的中间点与相邻载具的中间点的距离，减去预设模板中载具的长度，得到相邻两个载具间的间隙。

　　具体地，根据特征点对货物进行分类，针对每类的货物，处理器计算每个载具的中间点与相邻载具的中间点的距离，减去预设模板中载具的长度，得到相邻两个载具间的间隙。其中，特征点是指台阶、立柱等其中的一个，但不限于此，可以是任何区分货物的特征标志。

　　具体地，处理器根据计算得到的每个载具对应的目标间隙，将目标间隙最大的载具的取货优先级确定为最高取货优先级。

　　本技术实施例提供一种详细的叉车取货方法，预设货车停车卸货的位置区域，并在货车停车卸货的位置区域布置多8个监测点，每个监测点放置3d激光传感器和摄像头，监控货车停车卸货的区域；预设货车停车卸货的位置区域p的长边方向为x轴方向，短边方向为y轴方向，垂直于xy平面的方向为z轴方向。如图6所示，叉车取货的具体步骤：

　　(1)中控系统控制每个监测点中3d激光传感器和摄像头采集预设货车停放区域的观测信息，即对货车信息进行采集；

　　(2)中控系统将3d激光传感器和摄像头进行匹配，将观测信息中的点云数据进行融合，得到完整的点云数据，即多传感器数据融合得到具备颜色特征的点云图；

　　(3)中控系统从完整的点云数据中获取货车两侧的点云信息，利用目标金策算法对货车两侧的点云信息载具识别，得到单个载具轮廓的点云数据；

　　(4)中控系统对载具轮廓的点云数据进行密度过滤和法向量过滤后，根据载具平行于x轴方向上最靠近同侧监测点的点云群形成的截面，获取载具的最前方横截面点云群；

　　(5)中控系统将载具的最前方横截面点云群垂直z轴进行切层，对每一层的点云进行聚类，并将聚类结果与预设模板中载具的支撑脚信息进行匹配，剔除不符合要求的切层，得到载具的相对位姿；

　　(6)中控系统对货车上的货物进行分类，针对每个类别的货物，计算每个载具的中间点与紧挨着的载具的中间点的距离，减去预设模板中载具的长度，得到载具与载具间的间隙，将每个载具的左右间隙进行相加，并从大到小排序，具有最大间隙的载具则获得最高取货优先级；

　　应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与步骤或者步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

　　基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的叉车取货方法的叉车取货装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个叉车取货装置实施例中的具体限定可以参见上文中对于叉车取货方法的限定，在此不再赘述。

　　在一个实施例中，如图7所示，提供了一种叉车取货装置，包括：观测数据获取模块710、点云数据获取模块720、位姿确定模块730、优先级确定模块740和取货控制模块750，其中：

　　点云数据获取模块720，用于从所述观测数据中获取目标区域，得到货车的点云数据，从所述货车的点云数据中获取每个载具的点云数据；

　　在一个实施例中，观测数据获取模块710用于获取多个监控设备各自采集的预设货车停放区域内货车的候选数据；将多个监控设备各自采集的候选点云数据进行融合，得到观测数据。

　　在一个实施例中，上述叉车取货装置还包括：布控模块。布控模块用于预设货车停放区域为矩形区域，矩形区域的长边两侧放置监测点，其中，监测点用于布设监控设备，相邻监测点之间保持观测区间的重叠范围；监测点的数据是根据矩形区域的长边的长度和监测点的有效观测距离得到；有效观测距离是根据单个监控设备的观测距离确定；单个监控设备的观测距离是根据距离矩形区域的长边侧的垂直距离和监控设备的视场角确定。

　　在一个实施例中，上述叉车取货装置还包括：匹配模块。点云数据获取模块720用于针对每个载具，对所述载具的点云数据进行处理得到所述载具的前端横截面点云群；匹配模块用于将载具的前端横截面点云群垂直z轴进行切层，对每一层的点云进行聚类；其中，预设货车停放区域为矩形区域，以预设货车停放区域的长边方向为x轴方向，短边方向为y轴方向，垂直于xy平面的方向为z轴方向；将聚类结果与预设模板中载具的支撑脚信息进行匹配，剔除不符合匹配要求的切层，得到载具的位姿。

　　在一个实施例中，上述叉车取货装置还包括：过滤模块。过滤模块用于对载具的点云数据进行密度过滤和法向量过滤，得到载具的前端横截面点云群；其中，所述密度过滤是指将点云数量按照离同侧监测点的y轴方向上排列后，保留峰值区间范围的点云，峰值区间范围是指包含离监测点目标距离的预设距离范围，所述离监测点目标距离的点云数量最多；法向量过滤是指将载具的点云数据进行平面拟合，得到符合预设要求的点云数据。

　　在一个实施例中，优先级确定模块740用于针对每类货物，计算每个载具的中间点与相邻载具的中间点的距离，减去预设模板中载具的长度，得到相邻两个载具间的间隙；根据相邻两个载具间的间隙计算每个载具对应的目标间隙；将目标间隙最大的载具的取货优先级确定为最高取货优先级。

　　上述叉车取货装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存

　　在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储货物数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种叉车取货方法。

　　本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

　　在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

　　预设货车停放区域为矩形区域，矩形区域的长边两侧放置监测点，其中，监测点用于布设监控设备，相邻监测点之间保持观测区间的重叠范围；监测点的数据是根据矩形区域的长边的长度和监测点的有效观测距离得到；有效观测距离是根据单个监控设备的观测距离确定；单个监控设备的观测距离是根据距离矩形区域的长边侧的垂直距离和监控设备的视场角确定。

　　将载具的前端横截面点云群垂直z轴进行切层，对每一层的点云进行聚类；其中，预设货车停放区域为矩形区域，以预设货车停放区域的长边方向为x轴方向，短边方向为y轴方向，垂直于xy平面的方向为z轴方向；

　　将聚类结果与预设模板中载具的支撑脚信息进行匹配，剔除不符合匹配要求的切层，得到载具的位姿。

　　在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

　　预设货车停放区域为矩形区域，矩形区域的长边两侧放置监测点，其中，监测点用于布设监控设备，相邻监测点之间保持观测区间的重叠范围；监测点的数据是根据矩形区域的长边的长度和监测点的有效观测距离得到；有效观测距离是根据单个监控设备的观测距离确定；单个监控设备的观测距离是根据距离矩形区域的长边侧的垂直距离和监控设备的视场角确定。

　　将载具的前端横截面点云群垂直z轴进行切层，对每一层的点云进行聚类；其中，预设货车停放区域为矩形区域，以预设货车停放区域的长边方向为x轴方向，短边方向为y轴方向，垂直于xy平面的方向为z轴方向；

　　将聚类结果与预设模板中载具的支撑脚信息进行匹配，剔除不符合匹配要求的切层，得到载具的位姿。

　　针对每类货物，计算每个载具的中间点与相邻载具的中间点的距离，减去预设模板中载具的长度，得到相邻两个载具间的间隙；

　　在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

　　预设货车停放区域为矩形区域，矩形区域的长边两侧放置监测点，其中，监测点用于布设监控设备，相邻监测点之间保持观测区间的重叠范围；监测点的数据是根据矩形区域的长边的长度和监测点的有效观测距离得到；有效观测距离是根据单个监控设备的观测距离确定；单个监控设备的观测距离是根据距离矩形区域的长边侧的垂直距离和监控设备的视场角确定。

　　将载具的前端横截面点云群垂直z轴进行切层，对每一层的点云进行聚类；其中，预设货车停放区域为矩形区域，以预设货车停放区域的长边方向为x轴方向，短边方向为y轴方向，垂直于xy平面的方向为z轴方向；

　　将聚类结果与预设模板中载具的支撑脚信息进行匹配，剔除不符合匹配要求的切层，得到载具的位姿。

　　针对每类货物，计算每个载具的中间点与相邻载具的中间点的距离，减去预设模板中载具的长度，得到相邻两个载具间的间隙；

　　需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

　　本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存

　　取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器半岛·体育中国官方网站、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

　　以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明载的范围。

　　以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

　　1.计算机视觉 2.无线.计算机仿线.网络安全；物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用