CN110530375A - 机器人自适应定位方法、定位装置、机器人及存储介质 - Google Patents

Abstract

本发明实施例公开了一种机器人自适应定位方法、定位装置、机器人及存储介质。该方法包括：获取机器人周围环境的直线特征，得到第一直线特征集，其中直线特征包括线段的起始端点位置和结束端点位置；对第一直线特征集中的直线特征进行均值聚类，得到多个聚类子集；对各个聚类子集分别进行直线拟合；根据直线拟合的结果确定机器人的位置。本发明实施例通过对电梯内的环境进行直线特征提取，得到直线特征，通过对直线特征进行聚类处理得到聚类子集，对聚类子集进行直线拟合得到直线函数，再通过直线函数确定机器人相对于电梯内壁及两个侧壁的距离和方向，实现了不依赖其他的定位信标，即可完成机器人在电梯内的定位。

Description

机器人自适应定位方法、定位装置、机器人及存储介质

技术领域

本发明实施例涉及机器人定位技术，尤其涉及一种机器人自适应定位方法、定位装置、机器人及存储介质。

背景技术

随着机器人越来越普及，机器人被越来越广泛的应用在各种场景中，在机器人的实际工作中，需要让机器人自动上下电梯，所以机器人在电梯内的精准定位就尤为重要。

当前为了让机器人获得准确的位置信息，机器人需要获取额外的定位信标，或需要提前设定电梯内的尺寸信息，不仅效率低，而且成本高，影响了机器人的普及和运行。

发明内容

本发明实施例提供一种机器人自适应定位方法、定位装置、机器人及存储介质，以实现机器人能够不依赖外界定位信标，通过直线特征提取和均值聚类方法，获取机器人的位置信息，实现机器人的自适应定位。

第一方面，本发明实施例提供了一种机器人自适应定位方法，包括：

获取机器人周围环境的直线特征，得到第一直线特征集，其中所述直线特征包括线段的起始端点位置和结束端点位置；

对所述第一直线特征集中的直线特征进行均值聚类，得到多个聚类子集；

对各个所述聚类子集分别进行直线拟合；

根据直线拟合的结果确定所述机器人的位置。

第二方面，本发明实施例还提供了一种机器人自适应定位装置，包括：

直线特征提取模块，用于获取机器人周围环境的直线特征，得到第一直线特征集，其中所述直线特征包括线段的起始端点位置和结束端点位置；

聚类模块，用于对所述第一直线特征集中的直线特征进行均值聚类，得到多个聚类子集；

直线拟合模块，用于对各个所述聚类子集分别进行直线拟合；

位置确定模块，用于根据直线拟合的结果确定所述机器人的位置。

第三方面，本发明实施例还提供了一种机器人，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

传感器，用于采集机器人周围的环境参数，并生成所述环境参数的点云数据；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的机器人自适应定位方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的机器人自适应定位方法。

本发明实施例通过对传感器生成的关于电梯环境的点云数据进行直线特征提取，通过对直线特征进行聚类处理，得到机器人前方的直线特征集合，以及机器人两侧的直线特征集合，再通过分别对这三个直线特征集合进行直线拟合，可以得到三个直线函数，通过三个直线函数确定机器人相对于电梯内壁及两个侧壁的距离和方向，即得到了机器人在电梯中的位置，为机器人的移动提供了精准的位置信息。本实施例定位方法不依赖其他的定位信标，即可完成机器人在电梯内的定位，具有定位效率高和适应性强的优点。

附图说明

图1是本发明实施例一中的一种机器人自适应定位方法的流程图；

图2是本发明实施例二中的一种机器人自适应定位方法的流程图；

图3是本发明实施例三中的一种机器人自适应定位装置的结构框图；

图4是本发明实施例四中的一种机器人的结构框图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种机器人自适应定位方法的流程图，本实施例可适用于机器人不依赖额外的定位信标自行乘坐电梯上下楼的情况，例如，当机器人自动乘坐普通的电梯上下楼时，该普通电梯内并没有定制的定位信息，机器人需要根据电梯内的环境特征进行自适应定位，以根据电梯内的情况进行位置调整。该本方法可以由机器人自适应定位装置来执行，机器人自适应定位装置可配置于机器人中。如图1所示，该方法具体包括如下步骤：

S110、获取机器人周围环境的直线特征，得到第一直线特征集。

其中，机器人周围环境是指机器人前方和侧方的环境，例如，当机器人位于电梯内时，此时的周围环境即为位于机器人前方的电梯内壁方向和位于机器人两侧的电梯侧壁方向的环境，其中，电梯内壁是指正对电梯门的电梯墙壁，电梯侧壁是指电梯门两侧的电梯墙壁。直线特征即为机器人周围环境的线段特征，该直线特征包括线段的起始端点位置和结束端点位置，直线特征可以通过直线特征提取算法得到，例如，可以通过霍夫变换特征提取算法进行直线特征提取。本实施例中，直线特征可以通过设置在机器人上的传感器来获取，例如，通过在机器上设置单线激光雷达，可以获取到机器人周围环境的点云数据，且在一个确定的基准坐标系中，这些点云数据带有坐标信息，从而通过直线特征提取算法从点云数据中提取的直线特征具有在该基准坐标系下的坐标信息，即直线特征包括线段的起始端点坐标和结束端点坐标。

考虑到机器人具有确定的坐标系，本实施例可选用机器人坐标系作为基准坐标系进行直线特征提取。本实施例中，机器人坐标系以机器人的几何中心为坐标原点，以机器人的正前方为机器人坐标系的x轴正向，以机器人的左侧朝向作为机器人坐标系的y轴正向，建立直角坐标系，且满足该机器人坐标系的坐标平面平行于水平面，其中，机器人的几何中心通常为机器人的底盘中心。

同时，因为激光雷达与机器人的几何中心之间具有确定的相对位置关系，因而根据激光雷达与机器人几何中心的相对位置关系可以确定激光雷达坐标系与机器人坐标系之间的坐标变换关系，通过该坐标变换关系，可以将激光雷达生成的点云数据映射到机器人坐标系中。

可选的，可以先在激光雷达坐标系中对点云数据进行直线特征提取，然后将这些直线特征转换到机器人坐标系中，得到第一直线特征集；或者，可以先将点云数据进行坐标转换，在机器人坐标系中进行直线特征提取，得到第一直线特征集。

本实施例中，通过单线激光雷达生成的点云数据为二维的点云数据，因而当以机器人坐标系为基准坐标系时，所提取的直线特征反映了在机器人坐标平面内电梯中的直线特征。

S120、对所述第一直线特征集中的直线特征进行均值聚类，得到多个聚类子集。

其中，对第一直线特征集中的直线特征进行均值聚类可以包括：将第一直线特征集中的直线特征按倾斜角进行均值聚类，其中，倾斜角为直线特征对应的线段与机器人坐标系的x轴之间的夹角。在确定了基准坐标系后，第一直线特征集中的每个直线特征便具有确定的倾斜角。例如，以机器人坐标系为基准，考虑到机器人在进入电梯后基本是朝向电梯内壁站立，当机器人与电梯内壁之间没有人时，此时所提取的直线特征对应的线段与电梯内壁平行或者接近平行，即这些直线特征的倾斜角在π/2附近；而当机器人与电梯内壁之间有人时，因为人的遮挡，激光雷达便无法采集到电梯内壁的信息，而只能采集到人的信息，从而生成具有不同x坐标值的点云数据，因而基于该点云数据所提取的直线特征的倾斜角不同，且部分直线特征的倾斜角会与π/2相差较大。

而为实现对电梯内的机器人的定位，必须以电梯(电梯内壁和电梯侧壁)为参考，因此，可依据电梯内壁和电梯侧壁上的直线特征在机器人坐标系下的倾斜角，对从点云数据中提取的直线特征进行均值聚类，以得到倾斜角在附近的直线特征集合，其作为一个聚类子集，且其中各直线特征对应的线段平行或基本平行于电梯内壁，以及得到倾斜角在0附近的直线特征集合，其作为另一个聚类子集，且其中各直线特征对应的线段平行或基本平行于电梯侧壁。

S130、对各个所述聚类子集分别进行直线拟合。

其中，直线拟合是指对均值聚类后的直线特征集合中的直线特征使用拟合算法得到直线函数，例如，可以采用最小二乘法对各个直线特征进行拟合得到直线函数。考虑到电梯的两个侧壁位于机器人的两侧，因而经过聚类后得到的平行于电梯侧壁的直线特征集合应该包括位于机器人左侧的直线特征集合，和位于机器人右侧的直线特征集合。因而，本实施例在直线拟合过程中可先对平行于电梯侧壁的直线特征进行分类，即位于机器人左侧的直线特征组成一类直线特征集合，位于机器人右侧的直线特征组成一类直线特征集合，然后分别对各直线特征集合中的直线特征进行直线拟合，得到位于电梯内壁的直线函数、位于电梯左侧壁的直线函数以及位于电梯右侧壁的直线函数。

S140、根据直线拟合的结果确定所述机器人的位置。

具体的，当经过直线拟合得到三个直线函数后，便可以得到机器人相对电梯内壁以及电梯侧壁的距离和方向，实现机器人在电梯内的精准定位。例如，三个直线函数可分别对应第一直线、第二直线和第三直线，其中，第一直线位于电梯内壁上，第二直线和第三直线分别位于电梯的两个侧壁上，通过三个直线函数，可以求取第一直线与第二直线的交点的坐标，以及第一直线与第三直线的交点的坐标，进而得到这两个交点间的距离，以及这两个交点与机器人之间的距离，通过两个交点的距离以及两个交点与机器人之间的距离可以计算得到机器人与电梯内壁的距离；同时，通过第一直线可以确定机器人相对电梯内壁的角度；根据以上机器人相对电梯的角度和距离信息，便可以建立机器人与电梯的相对位置关系，实现在电梯内的定位，使得机器人能够根据电梯的环境自行调整在电梯内的位置。

本实施例通过机器人的传感器生成对电梯的点云数据，基于该点云数据进行直线特征提取，通过对所得到的直线特征进行聚类处理，得到机器人前方的直线特征集合，以及机器人两侧的直线特征集合，再通过分别对这三个直线特征集合进行直线拟合，可以得到三个直线函数，通过三个直线函数可以获知机器人相对于电梯内壁及两个侧壁的距离和方向，即得到了机器人在电梯中的位置，为机器人的移动提供了精准的位置信息。本实施例通过机器人自带的传感器设备采集电梯内的环境参数，并生成相应的点云数据，基于该点云数据通过计算得到机器人在电梯内的位置信息，实现了不依赖其他的定位信标，即可完成机器人在电梯内的定位，省去了为机器人部署额外的定位信标而需要的部署成本，具有定位效率高和适应性强的优点。

可选的，在上述技术方案的基础上，为了消除噪点对直线特征提取的影响，本实施例中，在进行直线特征提取之前，先对激光雷达生成的点云数据进行低通滤波，再对经过低通滤波后的点云数据使用直线特征提取算法，得到第一直线特征集。通过对点云数据进行低通滤波，可以有效消除电梯内的人员以及因为电梯内壁的反射而生成的点对激光雷达的影响。

实施例二

如图2所示为本发明实施例二提供的一种机器人自适应定位方法的流程图，本实施例在上述实施例的基础上以机器人坐标系为基准坐标系，对均值聚类和直线拟合的过程进行了优化，如图2所示，该方法包括：

S210、获取机器人周围环境的直线特征，得到第一直线特征集，其中所述直线特征包括线段的起始端点位置和结束端点位置。

其中，第一直线特征集是以机器人坐标系为基准坐标系进行直线特征提取得到的直线特征的集合。

考虑到直线特征对应线段的尺寸过小会对聚类过程产生干扰，因而在对直线特征进行均值聚类之前，需要先去除小尺寸线段对应的直线特征，以减少计算量和能够得到准确的聚类结果，该过程具体包括：

计算所述第一直线特征集中每个所述直线特征所对应线段的长度；

若所述线段的长度小于预设长度阈值，则将该线段对应的直线特征从所述第一直线特征集中删除。

其中，长度阈值可以根据电梯内是否有人和电梯的尺寸进行具体设置，其中，当电梯内有人时，该长度阈值相对较小，而当电梯内没有人时，该长度阈值可以相对较大。同样地，当电梯的尺寸较大时，该长度阈值可以相对较大，而当电梯的尺寸较小时，可以减小该长度阈值，以保证聚类后得到相对准确的直线特征集合。在本实施例的一个可选实施方式中，如果电梯的使用环境中人员较多，长度阈值可设为0.2m；如果电梯为机器人专用电梯或使用人员较少，长度阈值可设为0.5m。

S220、从所述第一直线特征集中，选取直线特征的倾斜角在-δ～+δ中的任一倾斜角为第一初始聚类质心，以及选取直线特征的倾斜角在中的任一倾斜角为第二初始聚类质心。

其中，直线特征的倾斜角为直线特征对应的线段与所述机器人坐标系的x轴之间的夹角，δ为预设的容差参数，可选的，δ的取值范围可以为0～45°。

考虑到机器人在进入电梯后，基本是面向电梯内壁的，即电梯内壁与机器人坐标系的坐标纵轴应该是接近平行的，而电梯的两个侧壁应该是接近平行于机器人坐标系的坐标横轴的，因而可以以直线的倾斜角为0和倾斜角为π/2为两个初始聚类质心，对第一直线特征集中的直线特征进行聚类，在考虑容差参数的情况下，可以确定在-δ～+δ中的某一倾斜角为第一初始聚类质心，在 中的某一倾斜角为第二初始聚类质心。

S230、将各所述直线特征的倾斜角分别与第一初始聚类质心和第二初始聚类质心进行比较，若所述直线特征的倾斜角与所述第一初始聚类质心的差值小于该直线特征的倾斜角与所述第二初始聚类质心的差值，则将该直线特征计入第一聚类群；否则，将该直线特征计入第二聚类群。

其中，直线特征的倾斜角与初始聚类质心的差值是指差值的绝对值，该差值反映了直线特征的倾斜角与聚类质心的接近程度。第一聚类群为直线特征的倾斜角与第一初始聚类质心更接近的直线特征的集合，第二聚类群为直线特征的倾斜角与第二初始聚类质心更接近的直线特征的集合。

例如，若某一直线特征的倾斜角与第一初始聚类质心的差值小于该直线特征的倾斜角与第二初始聚类质心的差值，表明该直线特征的倾斜角更接近0，即该直线特征更接近平行于机器人坐标系的坐标横轴，因而需要将该直线计入第一聚类群；相反，若某一直线特征的倾斜角与第一初始聚类质心的差值大于该直线特征的倾斜角与第二初始聚类质心的差值，表明该直线特征的倾斜角更接近π/2，即该直线特征更接近平行于机器人坐标系的坐标纵轴，因而需要将该直线特征计入第二聚类群。

S240、将所述第一聚类群中直线特征的平均倾斜角作为第三聚类质心，以及所述第二聚类群中直线特征的平均倾斜角作为第四聚类质心，将所述直线特征的倾斜角分别与所述第三聚类质心和所述第四聚类质心进行比较，若所述直线特征的倾斜角与所述第三聚类质心的差值小于该直线特征的倾斜角与所述第四聚类质心的差值，则将该直线特征计入第三聚类群，否则，将该直线特征计入第四聚类群。

S250、重复所述第三聚类群和所述第四聚类群的聚类过程，直至所述第一直线特征集中各直线特征经过聚类后得到的聚类质心不再改变，得到第二直线特征集和第三直线特征集。

其中，将所述第一聚类群中直线特征的平均倾斜角作为第三聚类质心是指对第一聚类群求取新的聚类质心，同样地，将所述第二聚类群中直线特征的平均倾斜角作为第四聚类质心是指对第二聚类群求取新的聚类质心，通过对初次聚类后的两个聚类群求取新的聚类中心，再将第一直线特征集中的每个直线特征的倾斜角与新得到的两个聚类中心进行比较，将那些直线特征的倾斜角介于0～π/2的直线特征的划分通过再次的聚类处理，进行修正，通过这样的循环迭代，最终当聚类群的质心不再改变的时候，表明经过聚类处理后的所有的直线特征的倾斜角都已经被正确的归类，因而所得到的第二直线特征集中的直线特征应该为平行于电梯侧壁的直线特征的集合，第三直线特征集中的直线特征应该为平行于电梯内壁的直线特征的集合。

S260、对所述第三直线特征集中的直线特征进行直线拟合，得到第一直线函数；

对所述第二直线特征集中位于所述机器人坐标系的一二象限的直线特征进行直线拟合，得到第二直线函数，以及对所述第二直线特征集中位于所述机器人坐标系的三四象限的直线特征进行直线拟合，得到第三直线函数。

其中，因为第二直线特征集为平行于电梯侧壁的直线特征的集合，而由上述分析可以知道，平行于电梯侧壁的直线特征包括位于机器人左侧的直线特征和位于机器人右侧的直线特征，在机器人坐标系中，因为位于机器人左侧的直线处于机器人坐标系的第一二象限，位于机器人右侧的直线处于机器人坐标系的第三四象限，因而通过按照一二象限和三四象限对第二直线特征集中的直线特征进行二次分类，再对二次分类后的直线特征集分别进行直线拟合，得到位于机器人两侧的两条直线函数。

S270、根据所述第一直线函数、所述第二直线函数和所述第三直线函数，确定所述机器人在电梯坐标系中的坐标，其中，所述电梯坐标系的原点为所述第一直线函数与电梯内壁纵向中心线的交点，所述电梯坐标系的横轴与电梯内壁的法线平行，所述电梯坐标系的纵轴与电梯内壁的切平面平行，所述电梯内壁正对电梯门。

其中，第一直线与第二直线的交点和第一直线与第三直线的交点，即为机器人坐标平面内电梯内壁与电梯的两个侧壁的交点，通过三个直线函数可以得到这两个交点，进而计算得到机器人到这两个交点的距离，以及通过计算可以得到机器人相对于电梯坐标系的坐标原点的距离，相当于是机器人到电梯内壁的垂直距离；

再通过第一直线函数可以确定机器人与电梯内壁的夹角；

根据机器人到电梯内壁的垂直距离和机器人与电梯内壁的夹角，可以得到电梯坐标系与机器人坐标系之间的变换关系；

根据该变换关系进行坐标转换，即可得到机器人在电梯坐标系中的坐标，从而为机器人在电梯内的移动提供可靠的定位数据。

本实施例通过以机器人坐标系为基准，通过对电梯内的直线特征进行聚类处理，得到平行于电梯内壁的直线特征集合和平行于电梯侧壁的两个直线特征集合，通过对得到的三个直线特征集合进行直线拟合，得到三个直线函数，进而根据这三个直线函数求取机器人相对电梯内壁和两个侧壁的距离和方向，并基于所得到的距离和角度后进行坐标转换，得到机器人子电梯坐标系的坐标信息，有效的规避了电梯内乘客遮挡直线特征的干扰，为机器人在电梯内的移动提供了准确的定位数据。

实施例三

图3为本发明实施例三提供的一种机器人自适应定位装置的结构框图，本实施例可适用于机器人自动上下楼梯，独立乘坐电梯时不依赖额外的定位信标进行定位和位置调整的情形，该装置可以配置于机器人中。

如图3所示，本发明实施例机器人自适应定位装置可以包括：直线特征提取模块310，聚类模块320，直线拟合模块330和位置确定模块340，其中：

直线特征提取模块310，用于获取机器人周围环境的直线特征，得到第一直线特征集，其中所述直线特征包括线段的起始端点位置和结束端点位置；

聚类模块320，用于对所述第一直线特征集中的直线特征进行均值聚类，得到多个聚类子集；

直线拟合模块330，用于对各个所述聚类子集分别进行直线拟合；

位置确定模块340，用于根据直线拟合的结果确定所述机器人的位置。

可选的，直线特征提取模块310具体包括：

点云数据生成单元，用于通过设置在所述机器人上的传感器获取所述机器人周围环境的点云数据；

滤波单元，用于对所述点云数据进行低通滤波；

直线特征提取单元，用于以机器人坐标系为基准，对低通滤波后的点云数据使用霍夫变换进行直线特征提取，得到第一直线特征集，其中，所述机器人坐标系以机器人的几何中心为坐标原点的直角坐标系，且所述机器人坐标系的x轴正向朝向所述机器人的正前方，所述机器人坐标系构成的坐标平面平行于水平面。

可选的，聚类模块320具体包括：

初始聚类质心确定单元，用于从所述第一直线特征集中，选取直线特征的倾斜角在-δ～+δ中的任一倾斜角为第一初始聚类质心，以及选取直线特征的倾斜角在中的任一倾斜角为第二初始聚类质心，其中，直线特征的倾斜角为直线特征对应的线段与所述机器人坐标系的x轴之间的夹角，δ为预设的容差参数；

第一聚类群确定单元，用于将各所述直线特征的倾斜角分别与第一初始聚类质心和第二初始聚类质心进行比较，若所述直线特征的倾斜角与所述第一初始聚类质心的差值小于该直线特征的倾斜角与所述第二初始聚类质心的差值，则将该直线特征计入第一聚类群；否则，将该直线特征计入第二聚类群；

第二聚类群确定单元，用于将所述第一聚类群中直线特征的平均倾斜角作为第三聚类质心，以及所述第二聚类群中直线特征的平均倾斜角作为第四聚类质心，将所述直线特征的倾斜角分别与所述第三聚类质心和所述第四聚类质心进行比较，若所述直线特征的倾斜角与所述第三聚类质心的差值小于该直线特征的倾斜角与所述第四聚类质心的差值，则将该直线特征计入第三聚类群，否则，将该直线特征计入第四聚类群；

迭代比较单元，用于重复所述第三聚类群和所述第四聚类群的聚类过程，直至所述第一直线特征集中各直线特征经过聚类后得到的聚类质心不再改变，得到第二直线特征集和第三直线特征集。

可选的，直线拟合模块330具体用于：

对所述第三直线特征集中的直线特征进行直线拟合，得到第一直线函数；

对所述第二直线特征集中位于所述机器人坐标系的一二象限的直线特征进行直线拟合，得到第二直线函数，以及对所述第二直线特征集中位于所述机器人坐标系的三四象限的直线特征进行直线拟合，得到第三直线函数。

可选的，位置确定模块340具体用于：

根据所述第一直线函数、所述第二直线函数和所述第三直线函数，确定所述机器人在电梯坐标系中的坐标，其中，所述电梯坐标系为以电梯内壁的中心为坐标原点的直角坐标系，且所述电梯坐标系的x轴正向为电梯内壁的法线方向，所述电梯内壁正对电梯门。

在上述技术方案的基础上，该装置还可以包括过滤模块，该过滤模块用于：

计算所述第一直线特征集中每个所述直线特征所对应线段的长度；

若所述线段的长度小于预设长度阈值，则将该线段对应的直线特征从所述第一直线特征集中删除。

本发明实施例所提供的机器人自适应定位装置可执行本发明任意实施例所提供的机器人自适应定位方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。

实施例四

图4为本发明实施例四提供的一种机器人的结构框图。图4示出了适于用来实现本发明实施方式的示例性机器人412的框图。图4显示的机器人412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，机器人412的组件可以包括但不限于：传感器426，一个或者多个处理器或者处理单元416，系统存储器428，连接不同系统组件(包括系统存储器428和处理单元416)的总线418。

传感器426，用于采集机器人周围的环境参数，并生成所述环境参数的点云数据。可选的，本实施例中的传感器426可以采用单线激光雷达，通过单线激光雷达可以生成二维的点云数据，这些二维点云数据经处理器或者处理单元416处理后，最终输出机器人的位置信息。

总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

机器人412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被机器人412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。机器人412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。

机器人412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该机器人412交互的设备通信，和/或与使得该机器人412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，机器人412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与机器人412的其它模块通信。应当明白，尽管图中未示出，可以结合机器人412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的机器人自适应定位方法，该方法包括：

获取机器人周围环境的直线特征，得到第一直线特征集，其中所述直线特征包括线段的起始端点位置和结束端点位置；

对所述第一直线特征集中的直线特征进行均值聚类，得到多个聚类子集；

对各个所述聚类子集分别进行直线拟合；

根据直线拟合的结果确定所述机器人的位置。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例提供的机器人自适应定位方法，该方法包括：

获取机器人周围环境的直线特征，得到第一直线特征集，其中所述直线特征包括线段的起始端点位置和结束端点位置；

对所述第一直线特征集中的直线特征进行均值聚类，得到多个聚类子集；

对各个所述聚类子集分别进行直线拟合；

根据直线拟合的结果确定所述机器人的位置。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种机器人自适应定位方法，其特征在于，包括：

获取机器人周围环境的直线特征，得到第一直线特征集；

对所述第一直线特征集中的直线特征进行均值聚类，得到多个聚类子集；

对各个所述聚类子集分别进行直线拟合；

根据直线拟合的结果确定所述机器人的位置。

2.根据权利要求1所述的方法，其特征在于，所述获取机器人周围环境的直线特征，得到第一直线特征集，包括：

通过设置在所述机器人上的传感器获取所述机器人周围环境的点云数据；

对所述点云数据进行低通滤波；

以机器人坐标系为基准，对低通滤波后的点云数据使用霍夫变换进行直线特征提取，得到第一直线特征集，其中，所述机器人坐标系以机器人的几何中心为坐标原点的直角坐标系，且所述机器人坐标系的x轴正向朝向所述机器人的正前方，所述机器人坐标系构成的坐标平面平行于水平面；所述直线特征包括线段的起始端点位置和结束端点位置。

3.根据权利要求2所述的方法，其特征在于，所述对所述第一直线特征集中的直线特征进行均值聚类，得到多个聚类子集，包括：

从所述第一直线特征集中，选取直线特征的倾斜角在-δ～+δ中的任一倾斜角为第一初始聚类质心，以及选取直线特征的倾斜角在中的任一倾斜角为第二初始聚类质心，其中，δ为预设的容差参数，直线特征的倾斜角为直线特征对应的线段与所述机器人坐标系的x轴之间的夹角；

将各所述直线特征的倾斜角分别与第一初始聚类质心和第二初始聚类质心进行比较，若所述直线特征的倾斜角与所述第一初始聚类质心的差值小于该直线特征的倾斜角与所述第二初始聚类质心的差值，则将该直线特征计入第一聚类群；否则，将该直线特征计入第二聚类群；

将所述第一聚类群中直线特征的平均倾斜角作为第三聚类质心，以及所述第二聚类群中直线特征的平均倾斜角作为第四聚类质心，将所述直线特征的倾斜角分别与所述第三聚类质心和所述第四聚类质心进行比较，若所述直线特征的倾斜角与所述第三聚类质心的差值小于该直线特征的倾斜角与所述第四聚类质心的差值，则将该直线特征计入第三聚类群，否则，将该直线特征计入第四聚类群；

重复所述第三聚类群和所述第四聚类群的聚类过程，直至所述第一直线特征集中各直线特征经过聚类后得到的聚类质心不再改变，得到第二直线特征集和第三直线特征集。

4.根据权利要求3所述的方法，其特征在于，若所述机器人位于电梯内，则所述对各个所述聚类子集分别进行直线拟合，包括：

对所述第三直线特征集中的直线特征进行直线拟合，得到第一直线函数；

对所述第二直线特征集中位于所述机器人坐标系的一二象限的直线特征进行直线拟合，得到第二直线函数，以及对所述第二直线特征集中位于所述机器人坐标系的三四象限的直线特征进行直线拟合，得到第三直线函数。

5.根据权利要求4所述的方法，其特征在于，所述根据直线拟合的结果确定所述机器人的位置，包括：

根据所述第一直线函数、所述第二直线函数和所述第三直线函数，确定所述机器人在电梯坐标系中的坐标，其中，所述电梯坐标系为以所述第一直线函数与电梯内壁纵向中心线的交点为坐标原点的直角坐标系，且所述电梯坐标系的x轴正向为电梯内壁的法线方向，所述电梯内壁正对电梯门。

6.根据权利要求1-5任一项所述的方法，其特征在于，在所述对所述第一直线特征集中的直线特征进行均值聚类，得到多个聚类子集之前，还包括：

计算所述第一直线特征集中每个所述直线特征所对应线段的长度；

若所述线段的长度小于预设长度阈值，则将该线段对应的直线特征从所述第一直线特征集中删除。

7.一种机器人自适应定位装置，其特征在于，包括：

直线特征提取模块，用于获取机器人周围环境的直线特征，得到第一直线特征集，其中所述直线特征包括线段的起始端点位置和结束端点位置；

聚类模块，用于对所述第一直线特征集中的直线特征进行均值聚类，得到多个聚类子集；

直线拟合模块，用于对各个所述聚类子集分别进行直线拟合；

位置确定模块，用于根据直线拟合的结果确定所述机器人的位置。

8.一种机器人，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

传感器，用于采集机器人周围的环境参数，并生成所述环境参数的点云数据；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的机器人自适应定位方法。

9.根据权利要求8所述的机器人，其特征在于，所述传感器为单线激光雷达。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的机器人自适应定位方法。