CN107833230A - 室内环境地图的生成方法及装置 - Google Patents

室内环境地图的生成方法及装置 Download PDF

Info

Publication number
CN107833230A
CN107833230A CN201711102999.0A CN201711102999A CN107833230A CN 107833230 A CN107833230 A CN 107833230A CN 201711102999 A CN201711102999 A CN 201711102999A CN 107833230 A CN107833230 A CN 107833230A
Authority
CN
China
Prior art keywords
area
feasible solutions
sub
region
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711102999.0A
Other languages
English (en)
Other versions
CN107833230B (zh
Inventor
袁梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Evolver Xiaopang Robot Technology Co ltd
Original Assignee
Beijing Science And Technology Ltd Of Evolution Person Robot
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Science And Technology Ltd Of Evolution Person Robot filed Critical Beijing Science And Technology Ltd Of Evolution Person Robot
Priority to CN201711102999.0A priority Critical patent/CN107833230B/zh
Publication of CN107833230A publication Critical patent/CN107833230A/zh
Application granted granted Critical
Publication of CN107833230B publication Critical patent/CN107833230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing

Abstract

本发明提供了一种室内环境地图的生成方法及装置，该方法包括：在栅格地图中确定可行区域；通过门分割算法对可行区域进行分割，得到第一子可行区域和第二子可行区域；通过谱聚类算法对第二子可行区域进行处理，得到多个拓扑区域；将门区域，第一子可行区域以及多个拓扑区域进行融合并建立拓扑连接关系，得到室内环境地图。该方法是在栅格地图上进行的拓扑分割，通过门分割算法减少了拓扑分割的计算量，通过谱聚类算法提高了拓扑分割的准确性，继承了栅格地图易于构建的优点，实现了区域环境类别的表达，在进行语义导航时，路径的规划效率高，缓解了现有技术中生成环境地图的方法无法同时满足易于构建和实现区域分割的技术问题。

Description

室内环境地图的生成方法及装置
技术领域
本发明涉及移动机器人的技术领域，尤其是涉及一种室内环境地图的生成方法及装置。
背景技术
地图是移动机器人定位和导航的基础，栅格法和拓扑法是两种常见的地图表达形式。栅格法以精确度量的方式描述环境，把环境映射到大小相同的栅格中，每个栅格指示着对应的环境区域有无障碍。
目前，栅格法因其易于构建和维护，易于计算最短路径的优势被广泛应用。但是，栅格的分辨率必须足以捕捉到环境的重要细节，计算量大；路径规划效率低，复杂度高，且需维护机器人的精确位置；更为致命的是，这种散点式的地图缺少真实环境中区域的概念，无法建立环境的语义，不利于人机交互和人性化导航(如，基于栅格地图的导航任务无法识别人类指令“去卧室”)，实用性差。拓扑法把环境表示为由节点和边构成的图，节点对应着特定的区域、位置或标记点，边对应着节点间的通路。拓扑法允许区域化的环境表达，形式更接近人的直观认识，此基础上的导航复杂度更低更自然。但是，拓扑法存在定位困难的问题，并且，现有的拓扑地图大都采用在线增量式构建方法，即需要机器人在移动(接受运动指令或自主漫游)的过程中，通过定义拓扑节点来构建，构建过程复杂，难于实现。
综上，现有技术中生成环境地图的方法无法兼备简单和实用的特点，也就是现有技术中生成环境地图的方法不能满足人们的期望，即不能同时满足易于构建和实现区域分割的问题，不利于场景语义地图的构建和基于语义的导航。
发明内容
有鉴于此，本发明的目的在于提供一种室内环境地图的生成方法及装置，以缓解现有技术中生成环境地图的方法无法同时满足易于构建和实现区域分割的技术问题。
第一方面，本发明实施例提供了一种室内环境地图的生成方法，所述方法包括：
在栅格地图中确定可行区域，其中，所述可行区域为移动机器人可到达的区域，所述可行区域中包括门区域；
通过门分割算法对所述可行区域进行分割，得到多个子可行区域，所述多个子可行区域中包括：第一子可行区域和第二子可行区域，其中，所述第一子可行区域的区域类别已知，所述第二子可行区域的区域类别未知；
通过谱聚类算法对所述第二子可行区域进行处理，得到多个拓扑区域，其中，每个拓扑区域表示一种区域类别；
将所述门区域，所述第一子可行区域以及所述多个拓扑区域进行融合并建立拓扑连接关系，得到所述室内环境地图。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，在栅格地图中确定可行区域包括：
获取预先构建的栅格地图，其中，所述栅格地图中包括：空白栅格区域，障碍物区域，未知区域；
去除所述栅格地图中的所述障碍物区域和所述未知区域，得到所述空白栅格区域，其中，所述空白栅格区域表示不存在障碍物的区域；
去除所述空白栅格区域中的孤立区域，得到所述可行区域，其中，所述孤立区域为所述移动机器人不可到达的区域。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，通过门分割算法对所述可行区域进行分割，得到多个子可行区域包括：
识别所述可行区域中的门区域，得到所述门区域的基本信息，其中，所述基本信息包括：位置信息，朝向信息；
根据所述基本信息在所述可行区域中标记门区域；
通过所述门分割算法分割所述门区域对应的封闭区域，得到所述多个子可行区域；
根据所述子可行区域与所述门区域的关系，确定所述第一子可行区域的区域类别。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，通过谱聚类算法对所述第二子可行区域进行处理，得到多个拓扑区域包括：
对所述第二子可行区域中的采样栅格点进行分析，得到所述采样栅格点的相似度矩阵，其中，所述相似度矩阵用于表示所述采样栅格点之间的关联程度；
根据所述谱聚类算法对所述相似度矩阵进行处理，得到带有类别信息的采样栅格点；
根据所述带有类别信息的采样栅格点确定目标栅格点的类别，其中，所述目标栅格点为所述第二子可行区域中除去所述采样栅格点之外的其它栅格点；
根据所述第二子可行区域中各个栅格点的类别分布确定所述多个拓扑区域。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，对所述第二子可行区域中的采样栅格点进行分析，得到所述采样栅格点的相似度矩阵包括：
获取所述第二子可行区域中的采样栅格点，其中，所述采样栅格点的数量为多个；
将所述采样栅格点作为节点，并基于多个所述采样栅格点对应的节点组成节点集合；
根据相似度计算公式计算所述节点集合中任意两个节点之间的相似度，得到多个相似度；
根据所述多个相似度构建所述相似度矩阵。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，根据所述谱聚类算法对所述相似度矩阵进行处理，得到带有类别信息的采样栅格点包括：
根据所述相似度矩阵构建拉普拉斯矩阵；
计算所述拉普拉斯矩阵的前k个最小特征值和所述前k个最小特征值对应的标准化特征向量，其中，所述前k个最小特征值表示所述拉普拉斯矩阵的特征值按照升序排列后，位于前面的k个特征值，k的大小和所述拉普拉斯矩阵有关；
将所述标准化特征向量按列排列，得到特征矩阵；
通过Kmeans聚类算法对所述特征矩阵的行向量进行处理，得到对应于每个行向量的类别；
将所述每个行向量的类别作为对应采样栅格点的类别，得到所述带有类别信息的采样栅格点。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，根据带有类别信息的采样栅格点确定目标栅格点的类别包括：
将所述带有类别信息的采样栅格点作为样本；
结合所述样本和KNN算法对所述目标栅格点进行分类，得到所述目标栅格点的类别。
结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，根据相似度计算公式计算所述节点集合中任意两个节点之间的相似度，得到多个相似度包括：
获取第一目标节点和第二目标节点，其中，所述第一目标节点为所述节点集合中的任意一个节点，所述第二目标节点为所述节点集合中不同于所述第一目标节点的任意一个节点；
判断所述第一目标节点和所述第二目标节点是否可见，其中，所述可见表示所述第一目标节点和所述第二目标节点之间的连线未穿过障碍物区域；
如果所述第一目标节点和所述第二目标节点不可见，则所述第一目标节点和所述第二目标节点之间的相似度为0；
如果所述第一目标节点和所述第二目标节点可见，则通过所述相似度计算公式计算所述第一目标节点和所述第二目标节点之间的相似度，其中，vi表示所述第一目标节点，vj表示所述第二目标节点，||vi-vj||表示所述第一目标节点与所述第二目标节点之间的距离，σi表示所述第一目标节点到与其第m个近邻节点的距离，σj表示所述第二目标节点到与其第m个近邻节点的距离。
结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中，根据所述相似度矩阵构建拉普拉斯矩阵包括：
根据所述相似度矩阵构建度矩阵，其中，所述度矩阵为对角矩阵，所述对角矩阵的值为所述相似度矩阵中对应行的相似度之和；
根据所述相似度矩阵和所述度矩阵构建拉普拉斯矩阵，其中，所述拉普拉斯矩阵为：L表示所述拉普拉斯矩阵，W表示所述相似度矩阵，D表述所述度矩阵。
第二方面，本发明实施例还提供了一种室内环境地图的生成装置，所述装置包括：
确定模块，用于在栅格地图中确定可行区域，其中，所述可行区域为移动机器人可到达的区域，所述可行区域中包括门区域；
分割模块，用于通过门分割算法对所述可行区域进行分割，得到多个子可行区域，所述多个子可行区域中包括：第一子可行区域和第二子可行区域，其中，所述第一子可行区域的区域类别已知，所述第二子可行区域的区域类别未知；
处理模块，用于通过谱聚类算法对所述第二子可行区域进行处理，得到多个拓扑区域，其中，每个拓扑区域表示一种区域类别；
融合模块，用于将所述第一子可行区域与所述多个拓扑区域融合并建立拓扑连接关系，得到所述室内环境地图。
本发明实施例带来了以下有益效果：本发明实施例提供了一种室内环境地图的生成方法及装置，该方法包括：在栅格地图中确定可行区域，其中，可行区域为移动机器人可到达的区域，可行区域中包括门区域；通过门分割算法对可行区域进行分割，得到多个子可行区域，多个子可行区域中包括：第一子可行区域和第二子可行区域，其中，第一子可行区域的区域类别已知，第二子可行区域的区域类别未知；通过谱聚类算法对第二子可行区域进行处理，得到多个拓扑区域，其中，每个拓扑区域表示一种区域类别；将第一子可行区域与多个拓扑区域融合并建立拓扑连接关系，得到室内环境地图。
现有技术中，一般通过栅格法和拓扑法构建环境地图，栅格法在进行路径规划时，计算量大，路径规划效率低，复杂度高，缺少真实环境中区域的概念，无法建立环境的语义；拓扑法在进行路径规划时，定位困难，并且拓扑地图大都采用在线增量式构建方法，构建过程复杂，难于实现。与现有的环境地图构建方法相比，本发明实施例提供了一种室内环境地图的生成方法，该方法中，先在栅格地图中确定可行区域，然后，通过门分割算法对可行区域进行分割，得到第一子可行区域和第二子可行区域，且第一子可行区域的区域类别已知，进而通过谱聚类算法对第二子可行区域进行处理，得到多个拓扑区域，每个拓扑区域表示一种区域类别，最终，将第一子可行区域与多个拓扑区域融合并建立拓扑连接关系，便能够得到室内环境地图。该方法是在栅格地图上进行的拓扑分割，通过门分割算法减少了拓扑分割的计算量，并且，通过谱聚类算法提高了拓扑分割的准确性，继承了栅格地图易于构建的优点，同时，拓扑分割实现了区域环境类别的表达，在后期进行语义导航时，路径的规划效率高，也就是该方法能够同时满足易于构建和区域分割的特点，缓解了现有技术中生成环境地图的方法无法同时满足易于构建和实现区域分割的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
图1为本发明实施例提供的一种室内环境地图的生成方法的流程图；
图2为本发明实施例提供的在栅格地图中确定可行区域的方法流程图；
图3(a)为本发明实施例提供的预先构建的栅格地图的示意图；
图3(b)为本发明实施例提供的栅格地图中空白栅格区域的示意图；
图3(c)为本发明实施例提供的去除孤立区域后的可行区域的示意图；
图3(d)为本发明实施例提供的标记了门区域之后的可行区域的示意图；
图3(e)为本发明实施例提供的通过门分割算法分割得到的多个子可行区域的示意图；
图3(f)为本发明实施例提供的第二子可行区域中的采样栅格点的示意图；
图3(g)为本发明实施例提供的带有类别信息的采样栅格点的示意图；
图3(h)为本发明实施例提供的所有栅格点的类别分布的示意图；
图3(i)为本发明实施例提供的分类完成的栅格地图的示意图；
图3(j)为本发明实施例提供的带有门区域的栅格-拓扑地图的示意图；
图4为本发明实施例提供的通过门分割算法对可行区域进行分割，得到多个子可行区域的方法流程图；
图5为本发明实施例提供的通过谱聚类算法对第二子可行区域进行处理，得到多个拓扑区域的方法流程图；
图6为本发明实施例提供的根据谱聚类算法对相似度矩阵进行处理，得到带有类别信息的采样栅格点的流程图；
图7为本发明实施例提供的一种室内环境地图的生成装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种室内环境地图的生成方法进行详细介绍。
实施例一：
一种室内环境地图的生成方法，参考图1，该方法包括：
S102、在栅格地图中确定可行区域，其中，可行区域为移动机器人可到达的区域，可行区域中包括门区域；
在本发明实施例中，是在构建好的栅格地图上(即离线状态)进行的拓扑分割。栅格地图的构建方法可以采用现有技术中的栅格地图构建方法进行构建，本发明实施例对栅格地图的构建方法不再赘述。
另外，本发明主要是针对于移动机器人家庭环境地图的拓扑分割，也可以适用于其它室内环境地图，本发明实施例对其不做具体限制。
在得到栅格地图后，在栅格地图中确定移动机器人可到达的区域，也就是可行区域，可行区域中包括门区域。一般的，在室内环境中(比如在家庭环境中)，门往往起到空间分割的作用，尤其像卧室、卫生间等较为私密的区域一般对应单一的出口，即门。因此，加入门后隔离出独立的区域，当该独立的区域与单一的门对应，那么，该区域可视为房间；当该独立的区域与两个或以上的门对应，那么，该区域为过道。而对于一些无法确定区域类别的可行区域，用谱聚类算法进一步分割。
S104、通过门分割算法对可行区域进行分割，得到多个子可行区域，多个子可行区域中包括：第一子可行区域和第二子可行区域，其中，第一子可行区域的区域类别已知，第二子可行区域的区域类别未知；
在得到可行区域后，通过门分割算法对可行区域进行分割，得到第一子可行区域和第二子可行区域，第一子可行区域的区域类别已知。通过上文中的描述可知，第一子可行区域的区域类别可以通过独立的区域与门的对应关系确定，下文中再对该过程进行具体描述，在此不再赘述。
S106、通过谱聚类算法对第二子可行区域进行处理，得到多个拓扑区域，其中，每个拓扑区域表示一种区域类别；
在得到第一子可行区域和第二子可行区域后，由于第二子可行区域的区域类别未知，所以，通过谱聚类算法进一步对第二子可行区域进行处理，得到多个拓扑区域，每个拓扑区域表示一种区域类别。具体内容将在下文中进行介绍，在此不再赘述。
另外，谱聚类是一种基于图论的分割算法，它将数据点组成的图进行切图，让切图后不同的子图间边权重和尽可能的低，而子图内的边权重和尽可能的高，从而达到聚类的目的。特定形式的谱聚类算法可以近似“归一化图割”，能使切图更加均匀。用谱聚类将环境地图分成多个拓扑区域时，更倾向于将把弱连接的区域(week connectors)从强连接(tight connected regions)的区域分割出来，弱连接的区域可能会是corners(拐角)、doorways(门廊)、狭窄的过道等等，因此谱聚类提供了一种对导航而言更自然、更直观的地图分割方式。
S108、将门区域，第一子可行区域以及多个拓扑区域进行融合并建立拓扑连接关系，得到室内环境地图。
在得到多个拓扑区域后，将第一子可行区域与多个拓扑区域进行融合，并建立拓扑连接关系，得到室内环境地图，该室内环境地图是包含门区域的栅格-拓扑地图。具体的，在建立拓扑连接关系时，如果第一子可行区域与第一子可行区域，第一子可行区域与拓扑区域，拓扑区域与拓扑区域之间直接连接或者通过门区域连接，那么，这两个区域之间就存在拓扑连接线；相反，它们之间未直接连接并且也未通过门区域连接，那么，它们之间就不存在拓扑连接线，最终，就能够得到室内环境地图。
现有技术中，一般通过栅格法和拓扑法构建环境地图，栅格法在进行路径规划时，计算量大，路径规划效率低，复杂度高，缺少真实环境中区域的概念，无法建立环境的语义；拓扑法在进行路径规划时，定位困难，并且拓扑地图大都采用在线增量式构建方法，构建过程复杂，难于实现。与现有的环境地图构建方法相比，本发明实施例提供了一种室内环境地图的生成方法，该方法中，先在栅格地图中确定可行区域，然后，通过门分割算法对可行区域进行分割，得到第一子可行区域和第二子可行区域，且第一子可行区域的区域类别已知，进而通过谱聚类算法对第二子可行区域进行处理，得到多个拓扑区域，每个拓扑区域表示一种区域类别，最终，将第一子可行区域与多个拓扑区域融合并建立拓扑连接关系，便能够得到室内环境地图。该方法是在栅格地图上进行的拓扑分割，通过门分割算法减少了拓扑分割的计算量，并且，通过谱聚类算法的提高了拓扑分割的准确性，继承了栅格地图易于构建的优点，同时，拓扑分割实现了区域环境类别的表达，在后期进行语义导航时，路径的规划效率高，也就是该方法能够同时满足易于构建和区域分割的特点，缓解了现有技术中生成环境地图的方法无法同时满足易于构建和实现区域分割的技术问题。
上述内容对室内环境地图的生成方法进行了整体介绍，下面对其中的过程进行具体描述。
在栅格地图中确定可行区域的方式有种，在一个可选地实施方式中，参考图2，在栅格地图中确定可行区域包括以下步骤：
S201、获取预先构建的栅格地图，其中，栅格地图中包括：空白栅格区域，障碍物区域，未知区域；
具体的，如图3(a)所示，得到的即为预先构建的栅格地图，其中，包含了：空白栅格区域，障碍物区域和未知区域。空白栅格区域即为不存在障碍物的区域，在图3(a)中，每个空白栅格用黑色十字表示，障碍物区域为黑色区域。
S202、去除栅格地图中的障碍物区域和未知区域，得到空白栅格区域，其中，空白栅格区域表示不存在障碍物的区域；
在得到栅格地图后，去除栅格地图中的障碍物区域和未知区域，便能够得到空白栅格区域。如图3(b)所示，得到的即为空白栅格区域，可以从图3(b)中看到，得到的空白栅格区域并不是连通的一体，而是有很多孤立区域。
S203、去除空白栅格区域中的孤立区域，得到可行区域，其中，孤立区域为移动机器人不可到达的区域。
在得到空白栅格区域后，去除空白栅格区域中的孤立区域，也就是去除移动机器人不能到达的区域，得到可行区域。
具体的：
(1)根据移动机器人的半径对空白栅格区域进行削减，得到削减后的空白栅格区域；
因为移动机器人自身存在一定的体积，所以，当移动机器人在空白栅格区域中进行移动时，移动机器人的中心位置不能到达边界位置处的空白栅格，将这部分空白栅格(即移动机器人的中心位置不能到达的空白栅格)削减去除，便能够得到削减后的空白栅格区域，这样，能够减小后期的计算量。
例如，移动机器人的半径为2个栅格，那么将处于边界位置处的2个空白栅格去除，得到的即为削减后的空白栅格区域。
(2)在削减后的空白栅格区域中，通过连通区域分析算法提取面积最大的连通域；
在得到削减后的空白栅格区域中，通过连通区域分析算法提取面积最大的连通域，其它空白栅格区域为孤立的空白栅格区域，去除之。
(3)将面积最大的连通域作为可行区域。
在得到面积最大的连通域后，将该面积最大的连通域作为可行区域。
图3(c)即为对图3(b)中的孤立区域进行去除后，得到的可行区域的示意图。
在得到可行区域后，通过门分割算法对可行区域进行分割，得到多个子可行区域，具体包括以下步骤，参考图4：
S401、识别可行区域中的门区域，得到门区域的基本信息，其中，基本信息包括：位置信息，朝向信息；
在得到可行区域后，识别可行区域中的门区域。具体的，可以遥控机器人走到门中间位置，然后，记录下机器人的位置，该机器人的位置即为门区域的位置信息，进一步也可得到门区域的朝向信息。
S402、根据基本信息在可行区域中标记门区域；
在得到门区域的基本信息后，根据基本信息在可行区域中标记门区域。参考图3(d)，图3(d)即为标记了门区域之后的可行区域的示意图，图3(d)中的与黑色十字标记不同的即为门区域。
S403、通过门分割算法分割门区域对应的封闭区域，得到多个子可行区域；
在标记了门区域后，进一步通过门分割算法分割门区域对应的封闭区域，也就是，将与门区域对应的封闭区域分离出来，得到多个子可行区域，如图3(e)所示，得到的即为通过门分割算法分割得到的多个子可行区域。
S404、根据子可行区域与门区域的关系，确定第一子可行区域的区域类别。
在得到多个子可行区域后，根据子可行区域与门区域的关系，确定第一子可行区域的区域类别。参考图3(e)，图3(e)中的①、③、④部分与单一的门区域对应，可以确定①、③、④对应的位置为房间，也就是得到了该第一子可行区域(①、③、④部分)的区域类别；另外，图3(e)中的②部分与两个门区域对应，加之②部分面积较小，且与之对应的两个门区域位置接近，可以将②部分看作为连接处(如拐角)，也就是得到了该第一子可行区域(②部分)的区域类别。
图3(e)中的中间部分区域面积很大，无法确定该部分的区域类别，该部分即为本发明中的第二子可行区域。
在得到第一子可行区域和第二子可行区域后，通过谱聚类算法对第二子可行区域进行处理，得到多个拓扑区域，具体包括以下步骤，参考图5：
S501、对第二子可行区域中的采样栅格点进行分析，得到采样栅格点的相似度矩阵，其中，相似度矩阵用于表示采样栅格点之间的关联程度；
具体地，在得到第一子可行区域和第二子可行区域后，先将第二子可行区域提取出来，得到第二子可行区域。
在得到第二子可行区域后：
(S5011)获取第二子可行区域中的采样栅格点，其中，采样栅格点的数量为多个；
获取第二子可行区域中的采样栅格点的方式有多种，在一种可选地实施方式中，进行如下1)和2)的操作。
1)通过边界检测算法对第二子可行区域中的栅格点进行划分，得到边界栅格点和内部栅格点；
先通过边界检测算法对第二子可行区域中的栅格点(即空白栅格)进行划分，得到两部分栅格点，分别是边界栅格点和内部栅格点。
2)根据预设采样比例对边界栅格点和内部栅格点进行随机采样，得到第二子可行区域中的采样栅格点。
在得到边界栅格点和内部栅格点之后，根据第二子可行区域的形状，确定预设采样比例。比如，第二子可行区域呈现长条形，也就是说边界栅格点更能体现可行区域的特性，那么，边界栅格点和内部栅格点之间的预设采样比例较大，如3：1，即每随机采集3个边界栅格点，随机采集1个内部栅格点；如果第二子可行区域呈现圆形，也就是说内部栅格点更能体现可行区域的特性，那么，边界栅格点和内部栅格点之间的预设采样比例较小，如1：3，即每随机采集1个边界栅格点，随机采集3个内部栅格点。本发明实施例对上述预设采样比例不做具体限制。
另外，获取第二子可行区域中的采样栅格点还可以采用其它方式，比如，四叉树分割的方式，其方法为：将第二子可行区域不断进行四等分，检测四等分后的四个小方块是否满足同性质标准(即是否同为空白栅格区域或同为障碍物区域)，如果满足，则不再进行四等分分解；如果不满足，则继续四等分分解，直到四等分后的四个小方块满足同性质标准为止。分解结束后，每个小方块代表一个采样栅格点。
图3(f)即为得到的第二子可行区域中的采样栅格点的示意图，其中，黑色实心方格表示采样栅格点，其它黑色十字表示第二子可行区域中的未被采集的空白栅格点。
(S5012)将采样栅格点作为节点，并基于多个采样栅格点对应的节点组成节点集合；
在得到采样栅格点后，将采样栅格点作为节点，组成节点集合。
(S5013)根据相似度计算公式计算节点集合中任意两个节点之间的相似度，得到多个相似度；
给节点集合中的每个节点命名，比如节点集合中有n个节点(也就是有n个采样栅格点)，分别命名为v1，v2，…，vi，…，vj，…，vn，然后，根据相似度计算公式计算节点集合中任意两个节点之间的相似度，具体的：
1)获取第一目标节点和第二目标节点，其中，第一目标节点为节点集合中的任意一个节点，第二目标节点为节点集合中不同于第一目标节点的任意一个节点；
比如，第一目标节点为vi，第二目标节点为vj。
2)判断第一目标节点和第二目标节点是否可见，其中，可见表示第一目标节点和第二目标节点之间的连线未穿过障碍物区域；
3)如果第一目标节点和第二目标节点不可见，则第一目标节点和第二目标节点之间的相似度为0；
4)如果第一目标节点和第二目标节点可见，则通过相似度计算公式计算第一目标节点和第二目标节点之间的相似度，其中，vi表示第一目标节点，vj表示第二目标节点，||vi-vj||表示第一目标节点与第二目标节点之间的距离，σi表示第一目标节点到与其第m个近邻节点的距离，σj表示第二目标节点到与其第m个近邻节点的距离。
具体的，σi表示第一目标节点到与其第m个近邻节点的距离，即将其它所有节点到第一目标节点的距离升序排列，从小到大的第m个位置处的距离即为σi。σj的含义与σi的含义类似，在此不再赘述。
(S5014)根据多个相似度构建相似度矩阵。
在得到多个相似度后，就可以根据多个相似度构建相似度矩阵。具体的，如果节点为v1，v2，…，vi，…，vj，…，vn，那么，该相似度矩阵实际为n×n的对称矩阵。
如下表所示，其中，wij＝wji：
S502、根据谱聚类算法对相似度矩阵进行处理，得到带有类别信息的采样栅格点；
在得到相似度矩阵后，根据谱聚类算法对相似度矩阵进行处理，得到带有类别信息的采样栅格点。具体内容将在步骤S601-步骤S605中进行介绍，在此不再赘述。
如图3(g)即为对应于图3(f)的带有类别信息的采样栅格点，其中，不同标记符号代表不同类别的采样栅格点。显然，图3(g)中的分类数目为3类(可以人为设定，还可以根据算法自动给出)，分割的效果是把地图中的弱连接区域从强连接区域中分离出来，即将走廊、过道等狭窄通道分离出来。
S503、根据带有类别信息的采样栅格点确定目标栅格点的类别，其中，目标栅格点为第二子可行区域中除去采样栅格点之外的其它栅格点；
具体的，确定目标栅格点的类别的过程如下：
1)将带有类别信息的采样栅格点作为样本；
2)结合样本和KNN算法对目标栅格点进行分类，得到目标栅格点的类别。
S504、根据第二子可行区域中各个栅格点的类别分布确定多个拓扑区域。
图3(h)即为对应于图3(g)的所有栅格点的类别分布，从图3(h)中可以很直观的看到多个拓扑区域(本发明实施例以3个拓扑区域为例进行说明)。
在得到多个拓扑区域后，将第一子可行区域，门区域以及多个拓扑区域进行融合，得到分类完成的栅格地图，如图3(i)所示。
进一步地，根据各个类别区域之间的连接性(不同区域类别之间直接连接或者通过门区域连接，则存在拓扑连接线；否则不存在拓扑连接线)确定拓扑连接关系，如图3(j)所示，即为最终得到的室内环境地图，也就是带有门区域的栅格-拓扑地图。其中，拓扑连接关系用虚线表示，如果不同区域类别之间用虚线相连，则代表这两个不同区域类别之间是连通的。
根据谱聚类算法对相似度矩阵进行处理的方式有多种，在一个可选地实施方式中，参考图6，根据谱聚类算法对相似度矩阵进行处理，得到带有类别信息的采样栅格点包括以下步骤：
S601、根据相似度矩阵构建拉普拉斯矩阵；
在得到相似度矩阵后，根据相似度矩阵构建拉普拉斯矩阵，具体的：
(1)根据相似度矩阵构建度矩阵，其中，度矩阵为对角矩阵，对角矩阵的值为相似度矩阵中对应行的相似度之和；
以上述的表格为例进行说明，在得到如表所示的相似度矩阵后，将该相似度矩阵中每行的相似度相加，得到的值即为对应行的对角矩阵的值。比如，将w12+…+w1i+…+w1j+…+w1n，得到的值为对角矩阵第一行的值，将w21+…+w2i+…+w2j+…+w2n，得到的值为对角矩阵第二行的值，以此类推，便能够得到度矩阵。
(2)根据相似度矩阵和度矩阵构建拉普拉斯矩阵，其中，拉普拉斯矩阵为：L表示拉普拉斯矩阵，W表示相似度矩阵，D表述度矩阵；
在得到相似度矩阵和度矩阵后，根据相似度矩阵和度矩阵构建拉普拉斯矩阵。具体的，拉普拉斯矩阵为：L表示拉普拉斯矩阵，W表示相似度矩阵，D表述度矩阵。
S602、计算拉普拉斯矩阵的前k个最小特征值和前k个最小特征值对应的标准化特征向量，其中，前k个最小特征值表示拉普拉斯矩阵的特征值按照升序排列后，位于前面的k个特征值，k的大小和拉普拉斯矩阵有关；
在得到拉普拉斯矩阵后，计算拉普拉斯矩阵的前k个最小特征值和对应的标准化特征向量，这里的对应的标准化特征向量是指与前k个最小特征值相对应的标准化特征向量，标准化特征向量的数量也为k个。
一般的，这里的k的大小与Kmeans的分类数目k的大小相同，即可以确定拓扑区域的数目，这里的k的大小可以人为设定，也可以通过算法自动生成。自动生成的方法为：拉普拉斯矩阵L的特征值的幅值一般与Kmeans的分类数目相关，当拉普拉斯矩阵L的特征值按照升序排列后，特征值的幅值(即特征值的大小)出现较大变化时，出现较大变化的特征值所处位置可选为分类数目k。
例如，将拉普拉斯矩阵L的特征值按照升序排列，排列后为0，0.1，0.2，0.3，0.35，8，可以看到，特征值从0.35到8时出现了突变，0.35所处的位置为第5个，那么，分类数目即为5。
S603、将标准化特征向量按列排列，得到特征矩阵；
在得到标准化特征向量后，将该标准化特征向量按列排列，得到特征矩阵，该特征矩阵实际为n×k的特征矩阵，用H表示。
S604、通过Kmeans聚类算法对特征矩阵的行向量进行处理，得到对应于每个行向量的类别；
在得到特征矩阵H后，通过Kmeans聚类算法对特征矩阵H的n个k维行向量进行处理，得到对应于每个行向量的类别。
S605、将每个行向量的类别作为对应采样栅格点的类别，得到带有类别信息的采样栅格点。
在得到每个行向量的类别后，将每个行向量的类别作为对应采样栅格点的类别，也就是第i行的类别就是第i个节点(也就是第i个采样栅格点，即vi)的类别。一共是n个行向量，所以对应的n个采样栅格点也就有了类别。
需要说明的是，本发明中的Kmeans算法和KNN算法使用的是Kmeans++、基于k-dtree的KNN，也可以为其它优化算法，本发明实施例对其不做具体限制。
本发明采用门分割和谱聚类算法，将栅格地图划分为各个区域，不仅兼顾了两种地图的优点，还体现了区域的概念，为进一步添加语义标签、拓扑导航提供初步结果。门分割算法的使用可以减少后续谱聚类算法的计算量。
实施例二：
一种室内环境地图的生成装置，参考图7，该装置包括：
确定模块11，用于在栅格地图中确定可行区域，其中，可行区域为移动机器人可到达的区域，可行区域中包括门区域；
分割模块12，用于通过门分割算法对可行区域进行分割，得到多个子可行区域，多个子可行区域中包括：第一子可行区域和第二子可行区域，其中，第一子可行区域的区域类别已知，第二子可行区域的区域类别未知；
处理模块13，用于通过谱聚类算法对第二子可行区域进行处理，得到多个拓扑区域，其中，每个拓扑区域表示一种区域类别；
融合模块14，用于将门区域，第一子可行区域以及多个拓扑区域进行融合并建立拓扑连接关系，得到室内环境地图。
本发明实施例提供了一种室内环境地图的生成装置，该装置中，先在栅格地图中确定可行区域，然后，通过门分割算法对可行区域进行分割，得到第一子可行区域和第二子可行区域，且第一子可行区域的区域类别已知，进而通过谱聚类算法对第二子可行区域进行处理，得到多个拓扑区域，每个拓扑区域表示一种区域类别，最终，将第一子可行区域与多个拓扑区域融合并建立拓扑连接关系，便能够得到室内环境地图。该装置是在栅格地图上进行的拓扑分割，通过门分割算法减少了拓扑分割的计算量，并且，通过谱聚类算法提高了拓扑分割的准确性，继承了栅格地图易于构建的优点，同时，拓扑分割实现了区域环境类别的表达，在后期进行语义导航时，路径的规划效率高，也就是该方法能够同时满足易于构建和区域分割的特点，缓解了现有技术中生成环境地图的方法无法同时满足易于构建和实现区域分割的技术问题。
可选地，确定模块包括：
获取子模块，用于获取预先构建的栅格地图，其中，栅格地图中包括：空白栅格区域，障碍物区域，未知区域；
第一去除子模块，用于去除栅格地图中的障碍物区域和未知区域，得到空白栅格区域，其中，空白栅格区域表示不存在障碍物的区域；
第二去除子模块，用于去除空白栅格区域中的孤立区域，得到可行区域，其中，孤立区域为移动机器人不可到达的区域。
可选地，分割模块包括：
识别子模块，用于识别可行区域中的门区域，得到门区域的基本信息，其中，基本信息包括：位置信息，朝向信息；
标记子模块，用于根据基本信息在可行区域中标记门区域；
分割子模块，用于通过门分割算法分割门区域对应的封闭区域，得到多个子可行区域；
第一确定子模块，用于根据子可行区域与门区域的关系，确定第一子可行区域的区域类别。
可选地，处理模块包括：
分析子模块，用于对第二子可行区域中的采样栅格点进行分析，得到采样栅格点的相似度矩阵，其中，相似度矩阵用于表示采样栅格点之间的关联程度；
处理子模块，用于根据谱聚类算法对相似度矩阵进行处理，得到带有类别信息的采样栅格点；
第二确定子模块，用于根据带有类别信息的采样栅格点确定目标栅格点的类别，其中，目标栅格点为第二子可行区域中除去采样栅格点之外的其它栅格点；
第三确定子模块，用于根据第二子可行区域中各个栅格点的类别分布确定多个拓扑区域。
可选地，分析子模块包括：
获取单元，用于获取第二子可行区域中的采样栅格点，其中，采样栅格点的数量为多个；
组成单元，用于将采样栅格点作为节点，并基于多个采样栅格点对应的节点组成节点集合；
第一计算单元，用于根据相似度计算公式计算节点集合中任意两个节点之间的相似度，得到多个相似度；
第一构建单元，用于根据多个相似度构建相似度矩阵。
可选地，处理子模块包括：
第二构建单元，用于根据相似度矩阵构建拉普拉斯矩阵；
第二计算单元，用于计算拉普拉斯矩阵的前k个最小特征值和前k个最小特征值对应的标准化特征向量，其中，前k个最小特征值表示拉普拉斯矩阵的特征值按照升序排列后，位于前面的k个特征值，k的大小和拉普拉斯矩阵有关；
排列单元，用于将标准化特征向量按列排列，得到特征矩阵；
处理单元，用于通过Kmeans聚类算法对特征矩阵的行向量进行处理，得到对应于每个行向量的类别；
设定单元，用于将每个行向量的类别作为对应采样栅格点的类别，得到带有类别信息的采样栅格点。
可选地，第二确定子模块包括：
样本设定单元，用于将带有类别信息的采样栅格点作为样本；
分类单元，用于结合样本和KNN算法对目标栅格点进行分类，得到目标栅格点的类别。
可选地，第一计算单元包括：
获取子单元，用于获取第一目标节点和第二目标节点，其中，第一目标节点为节点集合中的任意一个节点，第二目标节点为节点集合中不同于第一目标节点的任意一个节点；
判断子单元，用于判断第一目标节点和第二目标节点是否可见，其中，可见表示第一目标节点和第二目标节点之间的连线未穿过障碍物区域；
第一计算子单元，如果第一目标节点和第二目标节点不可见，则第一目标节点和第二目标节点之间的相似度为0；
第二计算子单元，用于第一目标节点和第二目标节点可见，则通过相似度计算公式计算第一目标节点和第二目标节点之间的相似度，其中，vi表示第一目标节点，vj表示第二目标节点，||vi-vj||表示第一目标节点与第二目标节点之间的距离，σi表示第一目标节点到与其第m个近邻节点的距离，σj表示第二目标节点到与其第m个近邻节点的距离。
可选地，第二构建单元包括：
第一构建子单元，用于根据相似度矩阵构建度矩阵，其中，度矩阵为对角矩阵，对角矩阵的值为相似度矩阵中对应行的相似度之和；
第二构建子单元，用于根据相似度矩阵和度矩阵构建拉普拉斯矩阵，其中，拉普拉斯矩阵为：L表示拉普拉斯矩阵，W表示相似度矩阵，D表述度矩阵。
本发明实施例所提供的室内环境地图的生成方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说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，该计算机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机设备(可以是个人计算机，服务器，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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种室内环境地图的生成方法，其特征在于，所述方法包括：
在栅格地图中确定可行区域，其中，所述可行区域为移动机器人可到达的区域，所述可行区域中包括门区域；
通过门分割算法对所述可行区域进行分割，得到多个子可行区域，所述多个子可行区域中包括：第一子可行区域和第二子可行区域，其中，所述第一子可行区域的区域类别已知，所述第二子可行区域的区域类别未知；
通过谱聚类算法对所述第二子可行区域进行处理，得到多个拓扑区域，其中，每个拓扑区域表示一种区域类别；
将所述门区域，所述第一子可行区域以及所述多个拓扑区域进行融合并建立拓扑连接关系，得到所述室内环境地图。
2.根据权利要求1所述的方法，其特征在于，在栅格地图中确定可行区域包括：
获取预先构建的栅格地图，其中，所述栅格地图中包括：空白栅格区域，障碍物区域，未知区域；
去除所述栅格地图中的所述障碍物区域和所述未知区域，得到所述空白栅格区域，其中，所述空白栅格区域表示不存在障碍物的区域；
去除所述空白栅格区域中的孤立区域，得到所述可行区域，其中，所述孤立区域为所述移动机器人不可到达的区域。
3.根据权利要求1所述的方法，其特征在于，通过门分割算法对所述可行区域进行分割，得到多个子可行区域包括：
识别所述可行区域中的门区域，得到所述门区域的基本信息，其中，所述基本信息包括：位置信息，朝向信息；
根据所述基本信息在所述可行区域中标记门区域；
通过所述门分割算法分割所述门区域对应的封闭区域，得到所述多个子可行区域；
根据所述子可行区域与所述门区域的关系，确定所述第一子可行区域的区域类别。
4.根据权利要求1所述的方法，其特征在于，通过谱聚类算法对所述第二子可行区域进行处理，得到多个拓扑区域包括：
对所述第二子可行区域中的采样栅格点进行分析，得到所述采样栅格点的相似度矩阵，其中，所述相似度矩阵用于表示所述采样栅格点之间的关联程度；
根据所述谱聚类算法对所述相似度矩阵进行处理，得到带有类别信息的采样栅格点；
根据所述带有类别信息的采样栅格点确定目标栅格点的类别，其中，所述目标栅格点为所述第二子可行区域中除去所述采样栅格点之外的其它栅格点；
根据所述第二子可行区域中各个栅格点的类别分布确定所述多个拓扑区域。
5.根据权利要求4所述的方法，其特征在于，对所述第二子可行区域中的采样栅格点进行分析，得到所述采样栅格点的相似度矩阵包括：
获取所述第二子可行区域中的采样栅格点，其中，所述采样栅格点的数量为多个；
将所述采样栅格点作为节点，并基于多个所述采样栅格点对应的节点组成节点集合；
根据相似度计算公式计算所述节点集合中任意两个节点之间的相似度，得到多个相似度；
根据所述多个相似度构建所述相似度矩阵。
6.根据权利要求4所述的方法，其特征在于，根据所述谱聚类算法对所述相似度矩阵进行处理，得到带有类别信息的采样栅格点包括：
根据所述相似度矩阵构建拉普拉斯矩阵；
计算所述拉普拉斯矩阵的前k个最小特征值和所述前k个最小特征值对应的标准化特征向量，其中，所述前k个最小特征值表示所述拉普拉斯矩阵的特征值按照升序排列后，位于前面的k个特征值，k的大小和所述拉普拉斯矩阵有关；
将所述标准化特征向量按列排列，得到特征矩阵；
通过Kmeans聚类算法对所述特征矩阵的行向量进行处理，得到对应于每个行向量的类别；
将所述每个行向量的类别作为对应采样栅格点的类别，得到所述带有类别信息的采样栅格点。
7.根据权利要求4所述的方法，其特征在于，根据带有类别信息的采样栅格点确定目标栅格点的类别包括：
将所述带有类别信息的采样栅格点作为样本；
结合所述样本和KNN算法对所述目标栅格点进行分类，得到所述目标栅格点的类别。
8.根据权利要求5所述的方法，其特征在于，根据相似度计算公式计算所述节点集合中任意两个节点之间的相似度，得到多个相似度包括：
获取第一目标节点和第二目标节点，其中，所述第一目标节点为所述节点集合中的任意一个节点，所述第二目标节点为所述节点集合中不同于所述第一目标节点的任意一个节点；
判断所述第一目标节点和所述第二目标节点是否可见，其中，所述可见表示所述第一目标节点和所述第二目标节点之间的连线未穿过障碍物区域；
如果所述第一目标节点和所述第二目标节点不可见，则所述第一目标节点和所述第二目标节点之间的相似度为0；
如果所述第一目标节点和所述第二目标节点可见，则通过所述相似度计算公式计算所述第一目标节点和所述第二目标节点之间的相似度，其中，vi表示所述第一目标节点，vj表示所述第二目标节点，||vi-vj||表示所述第一目标节点与所述第二目标节点之间的距离，σi表示所述第一目标节点到与其第m个近邻节点的距离，σj表示所述第二目标节点到与其第m个近邻节点的距离。
9.根据权利要求6所述的方法，其特征在于，根据所述相似度矩阵构建拉普拉斯矩阵包括：
根据所述相似度矩阵构建度矩阵，其中，所述度矩阵为对角矩阵，所述对角矩阵的值为所述相似度矩阵中对应行的相似度之和；
根据所述相似度矩阵和所述度矩阵构建拉普拉斯矩阵，其中，所述拉普拉斯矩阵为：L表示所述拉普拉斯矩阵，W表示所述相似度矩阵，D表述所述度矩阵。
10.一种室内环境地图的生成装置，其特征在于，所述装置包括：
确定模块，用于在栅格地图中确定可行区域，其中，所述可行区域为移动机器人可到达的区域，所述可行区域中包括门区域；
分割模块，用于通过门分割算法对所述可行区域进行分割，得到多个子可行区域，所述多个子可行区域中包括：第一子可行区域和第二子可行区域，其中，所述第一子可行区域的区域类别已知，所述第二子可行区域的区域类别未知；
处理模块，用于通过谱聚类算法对所述第二子可行区域进行处理，得到多个拓扑区域，其中，每个拓扑区域表示一种区域类别；
融合模块，用于将所述第一子可行区域与所述多个拓扑区域融合并建立拓扑连接关系，得到所述室内环境地图。
CN201711102999.0A 2017-11-09 2017-11-09 室内环境地图的生成方法及装置 Active CN107833230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711102999.0A CN107833230B (zh) 2017-11-09 2017-11-09 室内环境地图的生成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711102999.0A CN107833230B (zh) 2017-11-09 2017-11-09 室内环境地图的生成方法及装置

Publications (2)

Publication Number Publication Date
CN107833230A true CN107833230A (zh) 2018-03-23
CN107833230B CN107833230B (zh) 2020-08-11

Family

ID=61654048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711102999.0A Active CN107833230B (zh) 2017-11-09 2017-11-09 室内环境地图的生成方法及装置

Country Status (1)

Country Link
CN (1) CN107833230B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615025A (zh) * 2018-05-02 2018-10-02 北京进化者机器人科技有限公司 家居环境下门识别定位方法、系统以及机器人
CN108827309A (zh) * 2018-06-29 2018-11-16 炬大科技有限公司 一种机器人路径规划方法及具有它的吸尘器
CN108898605A (zh) * 2018-07-25 2018-11-27 电子科技大学 一种基于图的栅格地图分割方法
CN109163731A (zh) * 2018-09-18 2019-01-08 北京云迹科技有限公司 一种语义地图构建方法及系统
CN109272554A (zh) * 2018-09-18 2019-01-25 北京云迹科技有限公司 一种识别目标的坐标系定位和语义地图构建的方法及系统
CN109737980A (zh) * 2018-12-29 2019-05-10 上海岚豹智能科技有限公司 一种导航方法及其对应的机器人
CN110222761A (zh) * 2019-05-31 2019-09-10 中国民航大学 基于数字地标地图的室内定位系统及室内定位方法
CN110543174A (zh) * 2019-09-10 2019-12-06 速感科技（北京）有限公司 可通行区域图的建立方法、处理方法、装置和可移动设备
CN111080786A (zh) * 2019-12-19 2020-04-28 盈嘉互联（北京）科技有限公司 基于bim的室内地图模型构建方法及装置
CN111127500A (zh) * 2019-12-20 2020-05-08 深圳市银星智能科技股份有限公司 一种空间分区方法、装置及移动机器人
CN111582352A (zh) * 2020-04-30 2020-08-25 上海高仙自动化科技发展有限公司 基于对象的感知方法、装置、机器人及存储介质
WO2020215910A1 (zh) * 2019-04-26 2020-10-29 速感科技（北京）有限公司 封闭空间的区域分割方法、装置和可移动设备
CN113156978A (zh) * 2021-05-25 2021-07-23 清华大学深圳国际研究生院 一种基于谱图模型引导的机器人采样运动规划方法及系统
CN115328108A (zh) * 2021-04-23 2022-11-11 南京泉峰科技有限公司 智能割草设备及其运行控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346814A (zh) * 2014-11-20 2015-02-11 西安电子科技大学 基于层次视觉语义的sar图像分割方法
CN104898660A (zh) * 2015-03-27 2015-09-09 中国科学技术大学 一种提高机器人路径规划效率的室内地图构建方法
CN106802655A (zh) * 2016-11-30 2017-06-06 北京贝虎机器人技术有限公司 室内地图生成方法及装置
CN107316308A (zh) * 2017-06-27 2017-11-03 苏州大学 一种基于改进的多路谱聚类算法的清洁机器人地图分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346814A (zh) * 2014-11-20 2015-02-11 西安电子科技大学 基于层次视觉语义的sar图像分割方法
CN104898660A (zh) * 2015-03-27 2015-09-09 中国科学技术大学 一种提高机器人路径规划效率的室内地图构建方法
CN106802655A (zh) * 2016-11-30 2017-06-06 北京贝虎机器人技术有限公司 室内地图生成方法及装置
CN107316308A (zh) * 2017-06-27 2017-11-03 苏州大学 一种基于改进的多路谱聚类算法的清洁机器人地图分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DRAGOMIR ANGUELOV等: "Detecting and Modeling Doors with Mobile Robots", 《IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION》 *
OSCAR MARTINEZ MOZOS等: "Supervised semantic labeling of places using information extracted from sensor data", 《ROBOTICS AND AUTONOMOUS SYSTEMS》 *
李书杰等: "基于环境剖分的移动机器人层次地图", 《第13届中国系统仿真技术及其应用学术年会论文集》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615025A (zh) * 2018-05-02 2018-10-02 北京进化者机器人科技有限公司 家居环境下门识别定位方法、系统以及机器人
CN108827309A (zh) * 2018-06-29 2018-11-16 炬大科技有限公司 一种机器人路径规划方法及具有它的吸尘器
CN108898605A (zh) * 2018-07-25 2018-11-27 电子科技大学 一种基于图的栅格地图分割方法
CN109163731A (zh) * 2018-09-18 2019-01-08 北京云迹科技有限公司 一种语义地图构建方法及系统
CN109272554A (zh) * 2018-09-18 2019-01-25 北京云迹科技有限公司 一种识别目标的坐标系定位和语义地图构建的方法及系统
CN109737980A (zh) * 2018-12-29 2019-05-10 上海岚豹智能科技有限公司 一种导航方法及其对应的机器人
WO2020215910A1 (zh) * 2019-04-26 2020-10-29 速感科技（北京）有限公司 封闭空间的区域分割方法、装置和可移动设备
CN110222761A (zh) * 2019-05-31 2019-09-10 中国民航大学 基于数字地标地图的室内定位系统及室内定位方法
CN110222761B (zh) * 2019-05-31 2023-01-17 中国民航大学 基于数字地标地图的室内定位系统及室内定位方法
CN110543174A (zh) * 2019-09-10 2019-12-06 速感科技（北京）有限公司 可通行区域图的建立方法、处理方法、装置和可移动设备
CN111080786A (zh) * 2019-12-19 2020-04-28 盈嘉互联（北京）科技有限公司 基于bim的室内地图模型构建方法及装置
CN111127500A (zh) * 2019-12-20 2020-05-08 深圳市银星智能科技股份有限公司 一种空间分区方法、装置及移动机器人
CN111582352A (zh) * 2020-04-30 2020-08-25 上海高仙自动化科技发展有限公司 基于对象的感知方法、装置、机器人及存储介质
CN111582352B (zh) * 2020-04-30 2023-06-27 上海高仙自动化科技发展有限公司 基于对象的感知方法、装置、机器人及存储介质
CN115328108A (zh) * 2021-04-23 2022-11-11 南京泉峰科技有限公司 智能割草设备及其运行控制方法
CN113156978A (zh) * 2021-05-25 2021-07-23 清华大学深圳国际研究生院 一种基于谱图模型引导的机器人采样运动规划方法及系统

Also Published As

Publication number Publication date
CN107833230B (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN107833230A (zh) 室内环境地图的生成方法及装置
Kostavelis et al. Semantic mapping for mobile robotics tasks: A survey
Bassier et al. Classification of sensor independent point cloud data of building objects using random forests
US9911340B2 (en) Real-time system for multi-modal 3D geospatial mapping, object recognition, scene annotation and analytics
CN107817802A (zh) 混合双层地图的构建方法及装置
CN112802204B (zh) 未知环境下三维空间场景先验的目标语义导航方法及系统
CN106970614A (zh) 改进的栅格拓扑语义环境地图的构建方法
Emmi et al. A hybrid representation of the environment to improve autonomous navigation of mobile robots in agriculture
Liu et al. Extracting semantic indoor maps from occupancy grids
Xiong et al. Free multi-floor indoor space extraction from complex 3D building models
da Silva et al. Mapping and navigation for indoor robots under ROS: An experimental analysis
Craye et al. Exploring to learn visual saliency: The RL-IAC approach
Jorgensen et al. From geometry to spatial reasoning: automatic structuring of 3d virtual environments
Lang et al. Definition of semantic maps for outdoor robotic tasks
CN113192181B (zh) 面向综合体导航应用的室内多层次语义拓扑索引构建方法
Liao et al. TSM: Topological scene map for representation in indoor environment understanding
Padgett et al. Probabilistic qualitative mapping for robots
CN113741480A (zh) 一种基于动态障碍物提取与代价地图相结合的避障方法
Luperto et al. Completing robot maps by predicting the layout of rooms behind closed doors
Wigness et al. Reducing adaptation latency for multi-concept visual perception in outdoor environments
Kaleci et al. Plane segmentation of point cloud data using split and merge based method
Hang et al. A multi-strategy path planner based on space accessibility
Karaoğuz et al. Human-centric partitioning of the environment
Wang et al. A perception-driven exploration hierarchical simultaneous localization and mapping for mobile robots adapted to search and rescue environments
Kraetzschmar et al. Application of neurosymbolic integration for environment modelling in mobile robots

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: Building 65, No. 17, Jiujiang Road, Tongji New Economic Zone, Jimo District, Qingdao City, Shandong Province, 266200

Patentee after: Qingdao Evolver xiaopang Robot Technology Co.,Ltd.

Address before: 1005-008, floor 1, building 27, No. 25, North Third Ring West Road, Haidian District, Beijing 100086

Patentee before: BEIJING EVOLVER ROBOTICS Co.,Ltd.

CP03 Change of name, title or address