CN112417944B - 一种机器人控制方法及电子设备 - Google Patents

Abstract

本发明涉及机器人技术领域，公开一种机器人控制方法及电子设备。方法包括：获取环境图像，并在环境图像中截取目标局部图像；提取目标局部图像的纹理特征；根据机器学习算法，识别纹理特征的纹理类型；根据纹理类型，控制机器人。一方面，本方法采用机器视觉识别方法，识别纹理特征的纹理类型，此种作法的准确率比较高，能够保证机器人可靠地清洁，进而提高清洁效果。另一方面，本方法是在环境图像中截取目标局部图像作图像分析的，此种作法能够降低数据运算量，节约大量硬件开销，并提高实时性，进而提高清洁效果。再另一方面，本方法采用机器学习算法，能够智能化地识别各类物体的纹理特征，提升了机器人的环境适应性，使得机器人更加智能化。

Description

一种机器人控制方法及电子设备

技术领域

本发明涉及机器人技术领域，具体涉及一种机器人控制方法及电子设备。

背景技术

随着人们生活水平的提高和生活节奏的加快，越来越多的中产民众希望从室内清洁这项繁重的工作中解放，因此，购买清洁机器人帮助他们解决室内日常清洁问题成为最佳选择。

清洁机器人的工作环境比较复杂，室内铺设毛毯时，清洁机器人需要增加吸力才能更好地清洁。当清洁机器人为拖地机或洗地机时，则清洁机器人不能爬上毛毯进行清洁工作。

传统清洁机器人通过采集马达的驱动电流，识别机器人当前所在的物体材质是否是毛毯，此种作法不够准确，经常会误触发，而且清洁机器人需要在毛毯上工作一些时间才能实施毛毯识别操作，极大降低清洁效果。

发明内容

本发明实施例的一个目的旨在提供一种机器人控制方法及电子设备，其能够提高提高清洁效果。

在第一方面，本发明实施例提供一种机器人控制方法，包括：

获取环境图像，并在所述环境图像中截取目标局部图像；

提取所述目标局部图像的纹理特征；

根据机器学习算法，识别所述纹理特征的纹理类型；

根据所述纹理类型，控制所述机器人。

可选地，所述在所述环境图像中截取目标局部图像包括：

在所述环境图像中绘制处在预设高度处的水平线；

根据所述水平线，截取图像高度小于或等于所述预设高度的图像作为目标局部图像。

可选地，所述预设高度由以下公式计算得到：H＝k1*d+k2*h，其中，H为预设高度，k1、k2为正超参数，d为机器人与前方可识别物的预设距离，h为所述机器人的摄像模组距离地面的高度。

可选地，所述提取所述目标局部图像的纹理特征包括：

使用Gabor滤波器提取所述目标局部图像的纹理特征。

可选地，所述根据机器学习算法，识别所述纹理特征的纹理类型包括：

聚类所述目标局部图像中纹理特征相同的像素集合；

根据机器学习算法，识别所述像素集合的纹理类型。

可选地，所述聚类所述目标局部图像中纹理特征相同的像素集合包括：

根据K-means聚类算法，分割所述目标局部图像的像素；

聚类纹理特征相同的像素，得到像素集合。

可选地，所述根据机器学习算法，识别所述像素集合的纹理类型包括：

将所述像素集合中聚类质心的纹理特征输入SVM分类器，得到所述像素集合属于目标物体的概率；

判断所述概率是否大于或等于预设阈值；

若是，则所述像素集合属于所述目标物体；

若否，则所述像素集合不属于所述目标物体。

可选地，在提取所述目标局部图像的纹理特征之前，所述方法还包括：

剔除所述目标局部图像中的障碍物。

可选地，所述剔除所述目标局部图像中的障碍物包括：

将包含在所述目标局部图像中障碍物的像素值设为最高障碍物掩模值。

在第二方面，本发明实施例提供一种机器人控制装置，包括：

图像截取模块，用于获取环境图像，并在所述环境图像中截取目标局部图像；

纹理提取模块，用于提取所述目标局部图像的纹理特征；

纹理识别模块，用于根据机器学习算法，识别所述纹理特征的纹理类型；

控制模块，用于根据所述纹理类型，控制所述机器人。

可选地，所述图像截取模块具体用于：在所述环境图像中绘制处在预设高度处的水平线；根据所述水平线，截取图像高度小于或等于所述预设高度的图像作为目标局部图像。

可选地，所述预设高度由以下公式计算得到：H＝k1*d+k2*h，其中，H为预设高度，k1、k2为正超参数，d为预设可识别距离，h为所述机器人的摄像模组距离地面的高度。

可选地，所述纹理提取模块具体用于：使用Gabor滤波器提取所述目标局部图像的纹理特征。

可选地，所述纹理识别模块包括：

聚类单元，用于聚类所述目标局部图像中纹理特征相同的像素集合；

识别单元，用于识别所述像素集合的纹理类型。

可选地，所述聚类单元具体用于：根据K-means聚类算法，分割所述目标局部图像的像素；聚类纹理特征相同的像素，得到像素集合。

可选地，所述识别单元具体用于：将所述像素集合中聚类质心的纹理特征输入SVM分类器，得到所述像素集合属于目标物体的概率；判断所述概率是否大于或等于预设阈值；若是，则所述像素集合属于所述目标物体；若否，则所述像素集合不属于所述目标物体。

可选地，所述装置还包括障碍物剔除模块，用于剔除所述目标局部图像中的障碍物。

可选地，所述障碍物剔除模块具体用于：将包含在所述目标局部图像中障碍物的像素值设为障碍物掩模值。

在第三方面，一种非易失性可读存储介质，所述非易失性可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使机器人执行任一项所述的机器人控制方法。

在第四方面，本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被电子设备执行时，使电子设备执行任一项所述的机器人控制方法。

在第五方面，本发明实施例提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行任一项所述的机器人控制方法。

在本发明实施例提供的机器人控制方法中，首先，获取环境图像，并在环境图像中截取目标局部图像。其次，提取目标局部图像的纹理特征。再次，根据机器学习算法，识别纹理特征的纹理类型。最后，根据纹理类型，控制机器人。一方面，本方法采用机器视觉识别方法，识别纹理特征的纹理类型，此种作法的准确率比较高，能够保证机器人可靠地清洁，进而提高清洁效果。另一方面，相对传统做法需要耗费大量算力遍历环境图像中全部像素以分割图像，分割图像后还要根据像素数据进行大量运算以区分非目标纹理与目标纹理，然而，本方法是先粗糙但科学地从环境图像中截取目标局部图像作图像分析的，此种作法能够降低数据运算量，节约大量硬件开销和提升实时性，进而提高清洁效果。再另一方面，本方法采用机器学习算法，能够智能化地识别各类物体的纹理特征，提升了机器人的环境适应性，使得机器人更加智能化。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本发明实施例提供的一种机器人的结构示意图；

图2是本发明实施例提供的机器人与外部终端之间的通信示意图；

图3是本发明实施例提供的机器人在室内空间进行清洁工作的场景示意图；

图4是本发明实施例提供的一种机器人控制方法的流程示意图；

图5a与图5b皆是本发明实施例提供的在环境地图中沿着水平线截取目标局部图像的示意图；

图5c是采用本发明实施例提供的K-means聚类算法处理图5b中的目标局部图像的聚类结果示意图；

图6a是本发明实施例提供的一种机器人控制装置的结构示意图；

图6b是图6a中纹理识别模块的结构示意图；

图6c是本发明另一实施例提供的一种机器人控制装置的结构示意图；

图7是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有作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。

需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。再者，本发明所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定，仅是对功能和作用基本相同的相同项或相似项进行区分。

本发明实施例的机器人控制方法可以在任何合适类型并具有运算能力的电子设备中执行，例如，在一些实施例中，电子设备可以为机器人、计算机、平板电脑或台式计算机等等。

本发明实施例提供的电子设备被构造成机器人，其中，机器人可以被构造成任何合适形状，以便实现特定业务功能操作，例如，本发明实施例机器人可以为清洁机器人、宠物机器人、搬运机器人、看护机器人等等。其中，清洁机器人包括且不限于扫地机器人、吸尘机器人、拖地机器人或洗地机器人。

请参阅图1，机器人100包括控制单元11、传感单元12、无线通信单元13、摄像模组14、清洁单元15及驱动单元16。

控制单元11作为机器人100的控制核心，可以采用多种路径规划算法控制机器人实施遍历工作，例如，在一些实施例中，控制单元11采用SLAM(simultaneous localizationand mapping，即时定位与建图技术)技术，根据环境数据构建地图和定位。控制单元11基于被建立好的地图以及机器人的位置，通过全覆盖路径规划算法指示机器人完全遍历一个环境空间。例如，在机器人100遍历时，传感单元12获取遍历区域的图像，其中，该遍历区域的图像可以为整片遍历区域的图像，亦可以为整片遍历区域中局部遍历区域的图像。控制单元11根据遍历区域的图像生成地图，该地图已指示机器人100需要遍历的区域以及位于遍历区域中的障碍物所在的坐标位置。当机器人100每遍历完一个位置或区域后，机器人100基于该地图，标记该位置或区域已被遍历。并且，由于障碍物在地图中是以坐标方式被标记，机器人遍历时，可以根据当前位置对应的坐标点与障碍物涉及的坐标点，判断与障碍物之间的距离，从而实现环绕障碍物作遍历工作。同理，位置或区域已遍历而被标记后，当机器人100下一个位置将会移动至该位置或该区域时，机器人100基于该地图以及该位置或该区域的标记，作出转弯调头或者停止遍历的策略。

可以理解的是，控制单元11还可以根据多种方式识别已遍历位置或区域，或者，识别障碍物，从而作出满足产品需求的控制策略。

控制单元11可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISC Machine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，控制单元11还可以是任何传统处理器、控制器、微控制器或状态机。控制单元11也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。

传感单元12用于采集机器人100的一些运动参数及环境空间各类数据，传感单元12包括各类合适传感器，诸如惯性测量单元(Inertial measurement unit，IMU)、陀螺仪、磁场计、加速度计或速度计、激光雷达或者声波雷达等等。

机器人100通过无线通信单元13与外部终端200无线通信，无线通信单元13与控制单元11电连接。请参阅图2，用户通过外部终端200向机器人100发送控制指令，无线通信单元13接收控制指令并向控制单元11发送该控制指令，控制单元11根据该控制指令控制机器人100完成遍历工作。在一些实施例中，外部终端200包括智能手机、遥控器、平板电脑等等终端。

在一些实施例中，无线通信单元13包括广播接收模块、移动通信模块、无线互联网模块、短距离通信模块和定位信息模块的其中一种或多种的组合。其中，广播接收模块经由广播信道从外部广播管理服务器接收广播信号和/或广播相关信息。广播接收模块可以使用数字广播系统来接收数字广播信号，数字广播系统诸如为地面数字多媒体广播(DMB-T)、卫星数字多媒体广播(DMB-S)、仅媒体前向链路(MediaFLO)、手持数字视频广播(DVB-H)或地面综合业务数字广播(ISDB-T)。

移动通信模块向移动通信网络上的基站、外部终端和服务器中的至少一方发送无线信号，或者可以从基站、外部终端和服务器中的至少一方接收无线信号。这里，根据字符/多媒体消息的接收和发送，无线信号可以包括语音呼叫信号、视频呼叫信号或各种形式的数据。

无线互联网模块指的是用于无线互联网连接的模块，并且可以内置或外置于终端。可以使用诸如无线LAN(WLAN)(Wi-Fi)、无线宽带(Wibro)、全球微波接入互操作性(Wimax)、高速下行分组接入(HSDPA)这样的无线互联网技术。

短距离通信模块指的是用于进行短距离通信的模块。可以使用诸如蓝牙(Bluetooth)、射频识别(RFID)、红外数据协会(IrDA)、超宽带(UWB)或ZigBee这样的短距离通信技术。

摄像模组14安装在机器人100的前方，用于拍摄机器人所处的环境，摄像模组14与控制单元11电连接，摄像模组14获取机器人所处环境的环境图像，并向控制单元11输出该图像，以便控制单元11根据该图像作出下一步逻辑运算。

在一些实施例中，摄像模组14包括单目摄像头、双目摄像头或多目摄像头。

清洁单元15用于清洁地面，清洁单元15可被配置成任意清洁结构，例如，在一些实施例中，清洁单元15包括清洁电机及辊刷，辊刷的表面设置有清洁部，辊刷通过驱动机构与清洁电机连接，清洁电机与控制单元连接，控制单元可以向清洁电机发送指令，控制清洁电机驱动辊刷转动，使得其清洁部能够有效地清洁地面。

驱动单元16用于驱动机器人100行进或后退，清洁时，控制单元11向驱动单元16发送控制指令，驱动单元16根据控制指令带动清洁单元15完成清洁工作。

在一些实施例中，驱动单元16分为左驱动单元和右驱动单元。以左驱动单元为例，其包括电机、轮子驱动机构、左轮，电机的转轴与轮子驱动机构连接，左轮与轮子驱动机构连接，电机与控制单元连接，电机接收控制单元发送的控制指令而转动其转轴，并通过轮子驱动机构将扭矩传输至左轮，实现左轮的转动；同时结合右驱动单元，从而驱动机器人100行进或后退。

请参阅图3，机器人100在室内空间300实施清洁工作，其中，室内空间300的地板31铺设有地毯32。

机器人100利用传感单元12采集的传感器数据，建立室内地图，并且，在室内地图中标记障碍物所在的位置，例如，标记墙体33的位置、垃圾桶34的位置、沙发35的位置等等。

机器人在行进过程中，控制摄像模组14拍摄室内环境，得到环境图像。当机器人100行走至如图3所在的空间位置点时，机器人再次采集环境图像，此次环境图像包含地毯32的画面。机器人100采用下文提供的方法，在环境图像中识别出地毯32，于是，机器人100爬上地毯32，提高吸力，从而对地毯32实施清洁工作。可以理解的是，当机器人为拖地机器人或者洗地机器人时，机器人100在地毯32的边缘停止继续向前运动，绕开地毯32。

请参阅图4，本发明实施例提供的一种机器人控制方法的流程示意图。如图4所示，机器人控制方法S400包括：

S41、获取环境图像，并在环境图像中截取目标局部图像；

在本实施例中，环境图像由机器人控制摄像模组采集周围环境的图像得到的，摄像模组可以为单目摄像头、双目摄像头、三目摄像头或多目摄像头。在一些实施例中，当摄像模组为双目摄像头、三目摄像头或多目摄像头时，机器人可以将每个摄像头采集的环境图像作融合处理，以便得到更为清晰、物理信息更为全面的最终环境图像。

机器人获取到环境图像后，根据预设截取规则，在环境图像中截取目标局部图像，使得目标局部图像能够保证至少包含目标物体的画面，其中，目标物体包括地毯等任意合适材质的物体。举例而言，机器人行走至如图3所在的空间位置点时，拍摄局部A的图像，得到环境图像。机器人再在此环境图像中截取目标局部图像，其中，此目标局部图像包含地毯画面。

为了保证目标局部图像至少包含目标物体的画面，在一些实施例中，机器人在环境图像中绘制处在预设高度处的水平线，根据水平线，截取图像高度小于或等于预设高度的图像作为目标局部图像，例如，请参阅图5a与图5b，水平线51在图5a中处在预设高度H之处，机器人截取图像高度小于或等于H的图像作为目标局部图像，如图5b所示。

在一些实施例中，预设高度由以下公式计算得到：H＝k1*d+k2*h，其中，H为预设高度，k1、k2为正超参数，d为机器人与前方可识别物的预设识别距离，h为机器人的摄像模组距离地面的高度。

由于超参数k1、k2为预设经验值，且本方法采用机器学习算法识别物体的纹理类型，为了有更好地学习效果，需要设置超参数k1和k2来约束预设识别距离d和高度h的关系，以便提高识别的可靠性，从而避免因预设识别距离d比较小或者高度h比较低等原因，导致无法有效地截取到包含目标物体画面的目标局部图像，例如，当摄像模组距离地面的高度h比较小，可以提高预设识别距离d。当预设识别距离d比较小，可以提高摄像模组距离地面的高度h。

因此，通过设置超参数，并将预设识别距离与摄像模组距离地面的高度进行关联，从而保证机器人可靠精确地实施本方法。

可以理解的是，除了本实施例提供的截取方法，本领域技术人员根据本实施例所公开的内容，可以选择其它合适截取方法截取目标局部图像。

S42、提取目标局部图像的纹理特征；

在本实施例中，纹理特征用于指示物体材质的特征，不同物体材质具有不同纹理特征。

在一些实施例中，机器人使用Gabor滤波器提取目标局部图像的纹理特征，Gabor滤波器是一种和人类视网膜神经感受细胞的感受类似的滤波器，被广泛应用于纹理图像的分割。用I₁(x,y)表示Gabor滤波之后的特征图像，有如下表达式：

式中，φ是Gabor滤波器的相位偏移其取值范围为－180°到180°，x'和y'的定义为：

x′＝xcosθ+ysinθ

y′＝-xsinθ+ycosθ

σ、θ和f分别表示Gabor滤波器的尺度、频率和方向参数。由于Gabor滤波器由多个不同尺度、方向和频率的滤波器构成，因此，Gabor滤波器能够提取不同方向和尺度的纹理特征。尤其当地面铺设地毯时，由于地毯的纹理特征比较复杂，地板的纹理特征相对简单，使用Gabor滤波器能够高效地提取出地毯的纹理特征，以便提高机器人的实时性。

可以理解的是，本领域技术人员根据本实施例所公开的内容，选择其它合适滤波器提取目标局部图像的纹理特征。

S43、根据机器学习算法，识别纹理特征的纹理类型；

在本实施例中，纹理类型包括地毯类型或地板类型等其它类型。

在一些实施例中，识别纹理类型时，首先，机器人聚类目标局部图像中纹理特征相同的像素集合，例如，机器人根据K-means聚类算法，分割目标局部图像的像素，聚类纹理特征相同的像素，得到像素集合，请参阅图5c，通过聚类分割，机器人将图5b中的局部目标图像分割成地毯像素集合52和地板像素集合53。

由于K-means聚类算法比较简便和数据运算速度快，因此，本方法能够快速地识别纹理类型，提高机器人的实时性，进而提高机器人的清洁工作可靠性。

最后，机器人根据机器学习算法，识别像素集合的纹理类型，其中，机器学习算法用于指示机器人自动识别目标物体，其可以采用任意合适算法，诸如Logistic回归、感知器或SVM向量机等。但是，考虑到地毯等物体的纹理变化比较复杂，在本实施例中，机器人可以选择SVM向量机识别纹理特征的纹理类型。

在一些实施例中，机器人根据机器学习算法，将像素集合中聚类质心的纹理特征输入SVM分类器，得到像素集合属于目标物体的概率，判断概率是否大于或等于预设阈值，若是，则像素集合属于目标物体，若否，则像素集合不属于目标物体。

在本实施例中，由于每个家庭的地毯样式比较繁多，地毯的形状及纹理等等存在不可预见性，但是，本方法采用SVM分类器，由于SVM分类器的原理是寻找最优分类超平面。如果样本非线性可分，就需要利用核函数将样本特征转换到高维特征空间，在高维特征空间中学习线性支持向量机，因此，SVM分类器作为结构风险最小化的算法，其能够有效地使用在地毯等纹理变化复杂的场景中，能够降低误判率，从而可靠和准确地识别出是否是地毯。在本实施例中，预设阈值作为经验值，其可以由用户根据需求自行设置。

在一些实施例中，用户可以操作机器人，训练SVM分类器，例如，首先，机器人配置属于目标物体的正样本图像为第一标签，以及不属于目标物体的负样本图像为第二标签，其中，第一标签为1，第二标签为0。其次，机器人分别提取正样本图像的第一纹理特征及负样本图像的第二纹理特征。最后，机器人根据第一纹理特征与第一标签，以及第二纹理特征与第二标签，训练SVM分类器。训练后的SVM分类器可识别像素集合的纹理类型。

考虑到实际室内环境的复杂性及机器学习算法的一些不确定性，在一些实施例中，为了增强毛毯识别的可靠性，机器人还可以采用以下方法，并结合机器学习算法得到的概率结果来多维度地综合识别毛毯。

首先，用户提前操作机器人，为机器人配置地毯的图案特征信息，其中，图案特征信息用于指示毛毯中图案的特性。一般的，毛毯通常被编织或打印有各式各样的图案，诸如小猫图案、树木图案、人形图案、杯子图案、直线图案等等，此类图案通常都是由直线或曲线勾勒而成。然而，地板或地面通常都是无图案或者是由多块呈直线状的板砖组成，但是由多块直线状的板砖组成的地板的直线斜率与地毯中直线图案的直线斜率，这两者相对相同参照物而言，两者直线斜率通常也是不同的。

在本实施例中，不同地毯图案，其图案特征信息亦不同，其中，图案特征信息(t，k)由线条类型t与直线斜率k组成，当t为1时，图案的线条类型为直线，k为所述直线的直线斜率。当t为0时，图案的线条类型为曲线，k默认为0，例如，地毯设有直线图案，其图案特征信息为(1,30)，亦即“1”代表所述地毯的图案线条类型为直线，其直线斜率为tan30。再例如，地毯设有曲线图案，其图案特征信息为(0,0)，亦即第一个“0”代表所述地毯的图案线条类型为曲线，其直线斜率统一默认为0。

其次，机器人通过SVM分类器得到像素集合属于目标物体的概率后，再次判断所述概率是否大于或等于预设阈值，例如，通过SVM分类器得到像素集合属于目标物体的概率为0.6，预设阈值为0.9。

若所述概率大于或等于预设阈值，则认为像素集合属于目标物体。若所述概率小于预设阈值，机器人根据图像边缘检测算法，确定所述像素集合中灰度值相同的连通域，例如，机器人将直线状图案的像素连通一起，或者，将曲线状图案的像素连通一起，得到每个连通域。

接着，机器人选择具有预设长度阈值的连通域作为目标连通域，考虑到毛毯的直线状图案或曲线状图案是具有一定长度的，通过选择具有预设长度阈值的连通域作为目标连通域，其能够防止出现误判断的情况发生。其中，预设长度阈值由用户根据设计需要自行定义。

再接着，当用户录入机器人的图案特征信息为(1，θ)时，机器人判断所述目标连通域是否呈直线状，若是，机器人再计算所述目标连通域的目标直线斜率，若目标直线斜率等于θ或者落入以θ为中心的预设斜率范围内时，则机器人认为像素集合属于目标物体，亦即属于毛毯。若否，机器人认为所述像素集合不属于目标物体，亦即不属于毛毯。

当用户录入机器人的图案特征信息为(0，0)时，机器人判断所述目标连通域是否呈曲线状，若是，则机器人认为像素集合属于目标物体，亦即属于毛毯。若否，机器人认为所述像素集合不属于目标物体，亦即不属于毛毯。因此，采用本方法，其能够可靠地识别出地毯。

S44、根据纹理类型，控制机器人。

在一些实施例中，当纹理类型为地毯类型时，控制机器人停止行进，或者，控制机器人绕开地毯，或者，控制机器人爬上地毯并提高吸力，或者，控制机器人发出警报等等。当纹理类型为非地毯类型时，控制机器人继续行进，或者，控制机器人按照预先操作进行实施。

总体而言，一方面，本方法采用机器视觉识别方法，识别纹理特征的纹理类型，此种作法的准确率比较高，能够保证机器人可靠地清洁，进而提高清洁效果。另一方面，相对传统做法需要耗费大量算力遍历环境图像中全部像素以分割图像，分割图像后还要根据像素数据进行大量运算以区分非目标纹理与目标纹理，然而，本方法是先粗糙但科学地从环境图像中截取目标局部图像作图像分析的，此种作法能够降低数据运算量，节约大量硬件开销和提升实时性，进而提高清洁效果。再另一方面，本方法采用机器学习算法，能够智能化地识别各类物体的纹理特征，提升了机器人的环境适应性，使得机器人更加智能化。

在一些实施例中，在提取目标局部图像的纹理特征之前，为了排除障碍物对诸如地毯的目标物体的识别，机器人还可以剔除目标局部图像中的障碍物，例如，机器人根据障碍物检测结果，将包含在目标局部图像中障碍物的像素值设为最高障碍物掩模值，例如，障碍物掩模值为1，在后续纹理特征的提取过程中，机器人不会对障碍物掩模值为1的像素进行处理，从而排除了障碍物对目标物体的识别干扰，从而进一步提高了机器人识别目标物体的准确性。

需要说明的是，在上述各个实施方式中，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施方式的描述可以理解，不同实施方式中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。

作为本发明实施方式的另一方面，本发明实施方式提供一种机器人控制装置。其中，机器人控制装置可以为软件模块，所述软件模块包括若干指令，其存储在存储器内，处理器可以访问该存储器，调用指令进行执行，以完成上述各个实施方式所阐述的机器人控制方法。

在一些实施方式中，机器人控制装置亦可以由硬件器件搭建成的，例如，机器人控制装置可以由一个或两个以上的芯片搭建而成，各个芯片可以互相协调工作，以完成上述各个实施方式所阐述的机器人控制方法。再例如，机器人控制装置还可以由各类逻辑器件搭建而成，诸如由通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISC Machine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合而搭建成。

请参阅图6a，机器人控制装置600包括图像截取模块61、纹理提取模块62、纹理识别模块63及控制模块64。

图像截取模块61用于获取环境图像，并在环境图像中截取目标局部图像。纹理提取模块62用于提取目标局部图像的纹理特征。纹理识别模块63用于根据机器学习算法，识别纹理特征的纹理类型。控制模块64用于根据纹理类型，控制机器人。

可选地，图像截取模块61具体用于：在环境图像中绘制处在预设高度处的水平线；根据水平线，截取图像高度小于或等于预设高度的图像作为目标局部图像。

可选地，预设高度由以下公式计算得到：H＝k1*d+k2*h，其中，H为预设高度，k1、k2为正超参数，d为预设可识别距离，h为所述机器人的摄像模组距离地面的高度。

可选地，纹理提取模块62具体用于：使用Gabor滤波器提取目标局部图像的纹理特征。

可选地，请参阅图6b，纹理识别模块63包括聚类单元631与识别单元632，聚类单元631用于聚类目标局部图像中纹理特征相同的像素集合，识别单元632用于识别像素集合的纹理类型。

可选地，聚类单元631具体用于：根据K-means聚类算法，分割目标局部图像的像素；聚类纹理特征相同的像素，得到像素集合。

可选地，识别单元632具体用于：将像素集合中聚类质心的纹理特征输入SVM分类器，得到像素集合属于目标物体的概率；判断概率是否大于或等于预设阈值；若是，则像素集合属于目标物体；若否，则像素集合不属于目标物体。

可选地，请参阅图6c，机器人控制装置600还包括障碍物剔除模块65，障碍物剔除模块65用于剔除目标局部图像中的障碍物。

可选地，障碍物剔除模块65具体用于：将包含在目标局部图像中障碍物的像素值设为障碍物掩模值。

总体而言，一方面，本装置采用机器视觉识别方法，识别纹理特征的纹理类型，此种作法的准确率比较高，能够保证机器人可靠地清洁，进而提高清洁效果。另一方面，相对传统做法需要耗费大量算力遍历环境图像中全部像素以分割图像，分割图像后还要根据像素数据进行大量运算以区分非目标纹理与目标纹理，然而，本装置是先粗糙但科学地从环境图像中截取目标局部图像作图像分析的，此种作法能够降低数据运算量，节约大量硬件开销和提升实时性，进而提高清洁效果。再另一方面，本装置采用机器学习算法，能够智能化地识别各类物体的纹理特征，提升了机器人的环境适应性，使得机器人更加智能化。

需要说明的是，上述机器人控制装置可执行本发明实施方式所提供的机器人控制方法，具备执行方法相应的功能模块和有益效果。未在机器人控制装置实施方式中详尽描述的技术细节，可参见本发明实施方式所提供的机器人控制方法。

请参阅图7，图7是本发明实施例提供的一种电子设备的电路结构示意图，其中，电子设备可以为任意合适类型的设备或电子产品。如图7所示，电子设备700包括一个或多个处理器71以及存储器72。其中，图7中以一个处理器71为例。

处理器71和存储器72可以通过总线或者其他方式连接，图5中以通过总线连接为例。

存储器72作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的机器人控制方法对应的程序指令/模块。处理器71通过运行存储在存储器72中的非易失性软件程序、指令以及模块，从而执行机器人控制装置的各种功能应用以及数据处理，即实现上述方法实施例提供的机器人控制方法以及上述装置实施例的各个模块或单元的功能。

存储器72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，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器72可选包括相对于处理器71远程设置的存储器，这些远程存储器可以通过网络连接至处理器71。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述程序指令/模块存储在所述存储器72中，当被所述一个或者多个处理器71执行时，执行上述任意方法实施例中的机器人控制方法。

本发明实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图7中的一个处理器71，可使得上述一个或多个处理器可执行上述任意方法实施例中的机器人控制方法。

本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被电子设备执行时，使所述电子设备执行任一项所述的机器人控制方法。

以上所描述的装置或设备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模块可以是或者也可以不是物理上分开的，作为模块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模块单元上。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。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种机器人控制方法，其特征在于，包括：

获取环境图像，并在所述环境图像中截取目标局部图像，在所述环境图像中截取目标局部图像包括：在所述环境图像中绘制处在预设高度处的水平线，根据所述水平线，截取图像高度小于或等于所述预设高度的图像作为目标局部图像，所述预设高度由以下公式计算得到：H=k1*d+k2*h，其中，H为预设高度，k1、k2为正超参数，d为机器人与前方可识别物的预设识别距离，h为所述机器人的摄像模组距离地面的高度；

提取所述目标局部图像的纹理特征；

根据机器学习算法，识别所述纹理特征的纹理类型；

根据所述纹理类型，控制所述机器人。

2.根据权利要求1所述的方法，其特征在于，所述提取所述目标局部图像的纹理特征包括：

使用Gabor滤波器提取所述目标局部图像的纹理特征。

3.根据权利要求1所述的方法，其特征在于，所述根据机器学习算法，识别所述纹理特征的纹理类型包括：

聚类所述目标局部图像中纹理特征相同的像素集合；

根据机器学习算法，识别所述像素集合的纹理类型。

4.根据权利要求3所述的方法，其特征在于，所述聚类所述目标局部图像中纹理特征相同的像素集合包括：

根据K-means聚类算法，分割所述目标局部图像的像素；

聚类纹理特征相同的像素，得到像素集合。

5.根据权利要求4所述的方法，其特征在于，所述根据机器学习算法，识别所述像素集合的纹理类型包括：

根据机器学习算法，将所述像素集合中聚类质心的纹理特征输入SVM分类器，得到所述像素集合属于目标物体的概率；

判断所述概率是否大于或等于预设阈值；

若是，则所述像素集合属于所述目标物体；

若否，则所述像素集合不属于所述目标物体。

6.根据权利要求1至5任一项所述的方法，其特征在于，在提取所述目标局部图像的纹理特征之前，所述方法还包括：

剔除所述目标局部图像中的障碍物。

7.根据权利要求6所述的方法，其特征在于，所述剔除所述目标局部图像中的障碍物包括：

将包含在所述目标局部图像中障碍物的像素值设为最高障碍物掩模值。

8.一种电子设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7任一项所述的机器人控制方法。