CN112710318A - 地图生成方法、路径规划方法、电子设备以及存储介质 - Google Patents

Abstract

本申请公开了一种地图生成方法、路径规划方法、电子设备以及计算机可读存储介质，该地图生成方法包括：基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据，其中，点云数据包括采集设备的位置信息和姿态信息；将连续多帧点云数据中其中一帧点云数据设置为标准点云数据；基于标准点云数据以及每一帧点云数据的姿态信息将姿态信息对应的点云数据进行变换；基于位置信息将标准点云数据和变换后的点云数据进行拼接，得到三维地图。上述方案，能够考虑到采集设备实际采集过程中的姿态信息，有利于提高三维地图的准确性和实用性。

Description

地图生成方法、路径规划方法、电子设备以及存储介质

技术领域

本申请涉及地图导航技术领域，特别是涉及一种地图生成方法、路径规划方法、电子设备以及存储介质。

背景技术

航拍地图是由无人机在高空相机拍摄得到的，由于无人机飞行的高度和相机焦距的限制，单幅航拍地图很难包含目标的所有内容，因此航拍地图拼接成为航拍地图处理的关键问题。

图像拼接技术就是把若干幅有重叠内容的图像合成一幅大视角宽幅面的图像，该技术作为合成航拍地图的工具得到较快发展。图像拼接的关键技术是配准，配准需要根据图像之间重叠区的一致性求出图像之间的投影变换。

在实际运用中，由于无人机无法一直保持平稳的飞行状态，导致航拍地图无法保持相对统一的拍摄角度，拼接合成的航拍地图准确性和实用性较差。

发明内容

本申请至少提供一种地图生成方法、路径规划方法、电子设备以及存储介质。

本申请第一方面提供了一种地图生成方法，所述地图生成方法包括：

基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据，其中，所述点云数据包括所述采集设备的位置信息和姿态信息；

将所述连续多帧点云数据中其中一帧点云数据设置为标准点云数据；

基于所述标准点云数据以及每一帧点云数据的姿态信息将所述姿态信息对应的点云数据进行变换；

基于所述位置信息将所述标准点云数据和变换后的点云数据进行拼接，得到三维地图。

因此，考虑到采集设备实际采集过程中的姿态信息，有利于提高三维地图的准确性和实用性。

在一些实施例中，所述基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据的步骤之后，所述地图生成方法还包括：

获取所述采集设备的设备参数，所述设备参数包括所述采集设备的运动速度；

基于所述采集设备的设备参数以及所述每一帧点云数据的姿态信息对所述姿态信息对应的点云数据进行运动补偿。

因此，通过设备参数和姿态信息对点云数据进行运动补偿，有利于统一点云数据之间的拍摄环境。

在一些实施例中，所述基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据的步骤之后，所述地图生成方法还包括：

获取所述每一帧点云数据对应的点云大小；

移除所述点云大小大于预设点云大小的点云数据。

因此，点云过大的点云数据会导致测量的精度降低，通过移除点云过大的点云数据有利于提高点云数据的精确度。

在一些实施例中，所述基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据的步骤之后，所述地图生成方法还包括：

通过深度学习动态物体检测模型检测所述每一帧点云数据的动态物体点云数据；

移除所述每一帧点云数据的动态物体点云数据。

因此，移除拍摄目标中的动态物体，如行人和车辆，过滤掉与地图无关的点云。

在一些实施例中，所述基于所述位置信息将所述标准点云数据和变换后的点云数据进行拼接，得到三维地图的步骤，包括：

基于所述位置信息将所述标准点云数据和变换后的点云数据进行拼接，得到点云地图；

通过深度学习动态物体检测模型检测所述点云地图中的动态物体点云数据，并从所述点云地图移除所述动态物体点云数据；

和/或，对所述点云地图中点云密度小于预设点云密度的区域通过使用邻近区域加权插值的方式进行点云增补处理；

将处理后的点云地图转化为所述三维地图。

因此，移除拼接的点云地图的动态物体，以及对点云密度较小的区域进行增补处理，有利于提高生成的三维地图的准确性。

在一些实施例中，所述将处理后的点云地图转化为所述三维地图的步骤，包括：

基于所述点云地图的曲面信息在所述点云地图中生成若干个种子点；

在任意两个种子点之间的三维距离小于预设距离阈值，且所述两个种子点分别对应的曲面的法线形成的夹角小于预设夹角阈值时，将所述两个种子点分别对应的曲面融合成一个曲面；

遍历所述点云地图中的所有种子点，得到融合点云地图；

对所述融合点云地图进行栅格化，得到所述三维地图。

因此，采用点云生成法将点云地图进行地面分割和栅格化，生成三维地图。

在一些实施例中，所述基于所述位置信息将所述标准点云数据和变换后的点云数据进行拼接，得到三维地图的步骤，包括：

基于所述位置信息将所述标准点云数据和变换后的点云数据进行拼接，得到点云地图；

采用图像分割模型对所述点云地图的物体进行识别，得到所述点云地图中的区域信息；

基于所述区域信息和所述点云地图生成所述三维地图。

因此，对障碍区域进行识别，并将障碍区域的语义信息加入到三维地图中，有利于提高三维地图的实用性。

在一些实施例中，所述采用图像分割模型对所述点云地图的物体进行识别，得到所述点云地图中的区域信息的步骤之前，还包括：

将所述点云地图平均分割成若干点云子地图；

所述采用图像分割模型对所述点云地图的物体进行识别，得到所述点云地图中的区域信息的步骤，包括：

采用图像分割模型对所述若干点云子地图的物体进行识别，得到所述点云地图中的区域信息。

本申请第二方面提供了一种路径规划方法，包括：所述路径规划方法包括：

获取三维地图以及机器人的设备参数，其中，所述三维地图为上述的三维地图；

基于用户输入的起点信息和终点信息在所述三维地图上生成运动路径；

基于所述机器人的设备参数对所述运动路径进行平滑滤波，生成目标运动路径。

因此，基于上述第一方面中的地图生成方法生成的三维地图以及机器人的设备参数进行运动路径规划，有利于提高机器人的运动路径的实用性。

在一些实施例中，所述三维地图包括障碍区域，所述机器人的设备参数包括扫描半径；

所述基于用户输入的起点信息和终点信息在所述三维地图上生成运动路径的步骤，包括：

基于所述机器人的扫描半径设置间隔距离；

在所述三维地图上按所述间隔距离生成若干围绕所述障碍区域的测地线；

采用最小生成树算法设置所述测地线的连接点；

基于所述用户输入的起点信息、终点信息以及所述连接点在所述三维地图上生成运动路径。

因此，基于包括障碍区域的三维地图生成的运动路径，有利于机器人在实际运动过程中有效避开障碍区域。

本申请第三方面提供了一种电子设备，所述电子设备包括：

获取模块，用于基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据，其中，所述点云数据包括所述采集设备的位置信息和姿态信息；

变换模块，用于将所述连续多帧点云数据中其中一帧点云数据设置为标准点云数据；

所述变换模块，还用于基于所述标准点云数据以及每一帧点云数据的姿态信息将所述姿态信息对应的点云数据进行变换；

拼接模块，用于基于所述位置信息将所述标准点云数据和变换后的点云数据进行拼接，得到三维地图。

本申请第四方面提供了一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中的地图生成方法，或实现上述第二方面中的路径规划方法。

本申请第五方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的地图生成方法，或实现上述第二方面中的路径规划方法。

上述方案，电子设备基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据，其中，点云数据包括采集设备的位置信息和姿态信息；将连续多帧点云数据中其中一帧点云数据设置为标准点云数据；基于标准点云数据以及每一帧点云数据的姿态信息将姿态信息对应的点云数据进行变换；基于位置信息将标准点云数据和变换后的点云数据进行拼接，得到三维地图。上述方案，能够考虑到采集设备实际采集过程中的姿态信息，有利于提高三维地图的准确性和实用性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。

图1是本申请提供的地图生成方法一实施例的流程示意图；

图2是本申请提供的局部三维地形的示意图；

图3是本申请提供的无人机扫描路径的示意图；

图4是本申请提供的地图生成方法另一实施例的流程示意图；

图5是本申请提供的点云地图的局部效果示意图；

图6是本申请提供的图像分割模型的网络结构示意图；

图7是本申请提供的包括语义信息的点云地图的示意图；

图8是本申请提供的路径规划方法一实施例的流程示意图；

图9是本申请提供的目标路径的示意图；

图10是本申请提供的割草机器人沿线作业的示意图；

图11是本申请提供的电子设备一实施例的框架示意图；

图12是本申请提供的电子设备另一实施例的框架示意图；

图13是本申请提供的电子设备又一实施例的框架示意图；

图14是本申请提供的计算机可读存储介质一实施例的框架示意图。

具体实施方式

下面结合说明书附图，对本申请实施例的方案进行详细说明。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

全球割草机市场庞大，但割草机市场大部分份额是载人式和人推式割草机，需人工全程操作，劳动力成本大。智能型无人割草机器人份额较少，但占比在快速增加，全自动的智能型割草机器人是割草机行业未来发展的主流方向。

目前，市场上的高尔夫球场中的无需人直接运作的割草机器人依然要靠人工提前布置电缆来标识作业区域和障碍区域，整体自动化效率低，导致作业效率大大降低。如果不依靠布置线缆来标识障碍区域如沙坑、池塘和陡坡等，则割草机器人可能由于检测不到这些障碍而进入这些危险区域，发生损坏。同时由于没有全局导航，割草机器人在作业区域内几乎是靠随机运动来割草，效率低下。

因此，本申请提出一种可以用于高尔夫球场上割草机器人实现自动化割草作业的地图生成方法。请参阅图1，图1是本申请提供的地图生成方法一实施例的流程示意图。本申请的地图生成方法的执行主体可以是一种电子设备，例如，地图生成方法可以由终端设备或服务器或其它处理设备执行，其中，电子设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无线电话、个人数字处理(Personal DigitalAssistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该地图生成方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

具体而言，本公开实施例的地图生成方法可以包括如下步骤：

步骤S11：基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据，其中，点云数据包括采集设备的位置信息和姿态信息。

本公开实施例中，电子设备获取采集设备，如无人机采集的连续多帧扫描图像，并将连续多帧扫描图像解析获取连续多帧的带时间戳的点云数据。每一帧点云数据都包括无人机周边360°的三维环境信息，并通过线性插值的方法，结合每一帧点云数据的时间戳和该时刻无人机的位置信息，如GPS(Global Positioning System，全球定位系统)坐标和姿态信息，获得每一帧点云数据对应时间戳的位置信息和姿态信息。

其中，本公开实施例采用的无人机上安装有RGB相机、激光雷达、RTK-GPS(Real-time kinematic，实时动态)和高精度IMU(Inertial measurement unit，惯性测量单元)，通过上述传感器无人机可以采集到地图场所，如高尔夫球场的颜色纹理信息、局部三维地形信息(如图2所示)、每帧扫描图像的GPS坐标以及记录每帧扫描图像时的传感器姿态，即无人机姿态信息。无人机的飞行路径应能覆盖地图场所的所有区域，具体请参阅图3，无人机在地图场所上可以呈S型飞行，扫描完整个地图场所，并将扫描结果离线存储到存储设备中。在一些可能的实施方式中，无人机可以采用其他能够覆盖地图场所的飞行路径，在此不再赘述。

在完成扫描图像以及对应的点云数据的采集后，电子设备还可以对逐帧点云数据进行预处理，针对不同的应用场景，本申请提供了多种对点云数据进行预处理的方法，具体如下：

第一，电子设备获取无人机的设备参数，其中，设备参数包括无人机的机器模型以及采集过程中的运动速度。由于无人机上搭载的激光雷达一般是每个100ms产生一帧点云数据，点云数据的实际坐标会叠加载体的运动。具体地，无人机在飞行过程中速度较快，以及飞行过程中无法保持统一的姿态，导致点云数据采集过程中会出现点云重叠以及点云偏移等现象。为解决上述问题，电子设备可以基于无人机的运动速度计算无人机在100ms中每隔10ms的运动距离信息以及姿态信息，通过运动距离信息和姿态信息结合插值算法对对应帧点云数据进行运动补偿，以生成准确的点云数据。

第二，电子设备获取每一帧点云数据对应的点云大小。由于无人机上搭载的激光雷达使用的激光具有发散性，随着扫描距离增大而增大，而扫描距离过大会影响点云数据测量的精度。扫描距离的大小可以通过点云大小进行体现，当点云大小大于预设点云大小时，说明此时的扫描距离过大，需要将对应的所有点云数据移除，提高地图生成的准确性。例如，本公开实施例中，电子设备在点云预处理中会过滤掉距离大于25米的点云。由于点云过滤处理的工作量较大，本公开实施例还提供一种利用CUDA(Compute Unified DeviceArchitecture，统一计算设备架构)并行原理过滤点云的方法，即电子设备可以使用多个CUDA核心来同时处理一帧点云数据，加速点云的过滤。

第三，每帧点云数据对应的点云中可能还包含动态物体，如行人和车辆等，这些动态物体在建图的时候可能会产生“重影”现象，导致生成的三维地图上显示模糊的区域。因此，电子设备在预处理过程中还需要将这些动态物体移除，该移除过程具体可以是先通过深度学习动态物体检测模型检测出其中的动态物体数据，再进行移除。例如，采集设备在采集图像时，图像中有人和车，相应的，点云数据中包括有人车点云数据；对此，电子设备通过预先训练好的深度学习人车检测模型检测出每一帧点云数据的人车点云数据，其中，人车点云数据具体可以为人点云数据和/或车点云数据。电子设备通过在点云数据中移除对应的人车点云数据，过滤掉与三维地图无关的点云。

需要说明的是，本公开实施例可以执行上述预处理方法中任一方法或多种方法的组合，以对逐帧点云数据进行预处理。

步骤S12：将连续多帧点云数据中其中一帧点云数据设置为标准点云数据。

本公开实施例中，电子设备将连续多帧点云数据中其中一帧点云数据设置为标准点云数据。其中，标准点云数据可以为连续多帧点云数据的第一帧点云数据，也可以为连续多帧点云数据的最后一帧点云数据，还可以为连续多帧点云数据的任意一帧点云数据。

步骤S13：基于标准点云数据以及每一帧点云数据的姿态信息将姿态信息对应的点云数据进行变换。

本公开实施例中，电子设备获取标准点云数据的标准姿态信息，宾基于标准姿态信息计算其余帧点云数据相较于标准点云数据的相对姿态信息。电子设备根据其余帧点云数据的相对姿态信息对其余帧点云数据进行变换的计算方式如下：

P*RT＝P'

其中，P是指其余帧点云数据中一个点的坐标，RT是其余帧点云相对于标准点云数据的相对姿态信息，P’是P变换到标准点云数据的坐标系后的坐标。其中，RT可以根据无人机采集地图场所的图像时记录的无人机姿态信息确认。

通过上述变换方式，电子设备将其余帧点云数据转移到标准点云数据的坐标系下。

步骤S14：基于所述位置信息将标准点云数据和变换后的点云数据进行拼接，得到三维地图。

本公开实施例中，在拼接过程中，由于点云数量较大，可能存在一些局部地区点云过密的情况，本公开实施例通过八叉树数据结构来对过密的点云进行降采样，将过密的点云通过降采样的方式移除重叠点云。

进一步地，由于目前的八叉树数据结构都是单线程操作，导致降采样过程较慢，影响地图生成效率。本公开实施例可以将八叉树数据结构扩展到多线程，可以有利于加速点云的下采样。

具体地，电子设备使用openmpi库，一种高性能消息传递库，对程序中的循环进行加速，即将原本一个线程处理for循环，转换成多个线程同时处理同一个for循环，可以大大加快处理速度。

通过对多帧点云进行拼接后，电子设备生成点云地图。为了防止步骤S11预处理部分未能完全移除动态物体的点云，电子设备需要再次在点云地图中移除人车等动态物体的点云，具体使用的模型以及移除方法与步骤S11预处理部分相同，在此不再赘述。

进一步地，对于点云地图中点云过密的区域，电子设备通过八叉树数据结构进行降采样；对于点云地图中点云较为稀疏的区域，电子设备可以通过使用邻近区域加权插值的方式对较为稀疏的点云区域进行增补。

在对点云地图进行预处理后，电子设备需要进一步将点云地图转换为三维地图。具体转换过程如下：

由于点云地图实际上是大量的三维点云组成，并不能直接用于导航，因此，电子设备需要将点云地图进行处理，以制成能够用于导航的三维地图。处理方法包括但不限于以下方式：地面分割，曲面拟合，以及栅格化等处理方法。

具体地，本公开实施例的地面分割采用的是点云生长法，点云生长法的具体过程如下：电子设备在上述点云地图中随机生成数个种子点，然后判断任意两个种子点，如基础种子点以及与其相邻的种子点是否属于同一个曲面。判断的方式可以为：这两个种子点之间的三维距离小于预设距离阈值，以及这两个种子点分别对应的曲面的法线形成的夹角小于预设夹角阈值时，说明这两个种子点属于同一个曲面，电子设备将相邻的种子点的曲面加入到基础种子点的曲面。这两个种子点之间的三维距离大于预设距离阈值，和/或这两个种子点分别对应的曲面的法线形成的夹角大于预设夹角阈值时，说明这两个种子点不属于同一个曲面，电子设备保持两个种子点对应的曲面。

进一步地，电子设备以上述相邻的种子点作为新的基础种子点，继续搜索新的基础种子点相邻的其他种子点。最后，通过这种遍历方法完成对整个点云地图的搜索，可以得到场地中的融合点云地图。

上述方案，通过对点云地图进行曲面拟合，有利于消除点云测距误差带来的影响，本公开实施例采用的方法是移动最小二乘曲面拟合，即上述描述的遍历曲面拟合方法。

为了方便使用和存储，电子设备还可以对融合点云地图进行柱状体栅格化，柱状体栅格化的目的是找到融合点云地图水平面上每一个点的准确高度，以用于机器人导航。具体地，电子设备将融合点云地图用平面八叉树进行快速柱状体栅格化，求取栅格中的平均高度；还可以通过拟合栅格化后的柱状体周围点云曲面的方式获得栅格化后的柱状体的法向量，以此通过法向量来衡量对应点的坡度。

电子设备将点云地图转换为三维地图后，还需要将三维地图存储在存储空间，本公开实施例提出的存储三维地图的方法可以采用Header(标头)+Data(数据)的文件形式进行存储。具体地，Header部分使用ascii(American Standard Code for InformationInterchange，美国信息交换标准代码)编码，用于存储记录性信息，如时间、版本、地图大小、起始GPS坐标以及姿态信息等；Data部分以二进制的形式存储每个三维地图中每个柱状体栅格的GPS坐标、相对高度、法向量以及地图类别等。其中，地图类别可以为草地、沙地等地面信息。

上述方案，电子设备基于采集的连续多帧扫描图像获取连续多帧点云数据，其中，点云数据包括采集设备的位置信息和姿态信息；将连续多帧点云数据中其中一帧点云数据设置为标准点云数据；基于标准点云数据以及每一帧点云数据的姿态信息将姿态信息对应的点云数据进行变换；基于位置信息将标准点云数据和变换后的点云数据进行拼接，得到三维地图。上述方案，能够考虑到采集设备实际采集过程中的姿态信息，有利于提高三维地图的准确性和实用性。

请参阅图4，图4是本申请提供的地图生成方法另一实施例的流程示意图。具体而言，本公开实施例的地图生成方法可以包括如下步骤：

步骤S21：基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据，其中，点云数据包括采集设备的位置信息和姿态信息。

步骤S22：将连续多帧点云数据中其中一帧点云数据设置为标准点云数据。

步骤S23：基于标准点云数据以及每一帧点云数据的姿态信息将姿态信息对应的点云数据进行变换。

步骤S24：基于位置信息将标准点云数据和变换后的点云数据进行拼接，得到点云地图。

本公开实施例中，步骤S21～步骤S24的具体技术内容在上述实施例已作详细解释，在此不再赘述。

需要说明的是，对于点云地图的生成，在一些可能的实施方式中，电子设备还可以基于多帧扫描图像对应的拍摄位置信息和姿态信息，利用sfm(Structure From Motion)原理对多帧扫描图像进行2D裁剪拼接，得到点云地图，点云地图的具体效果请参阅图5。图5中的2D点云地图显示出了场地的平面信息，但对于机器人导航工作，只依靠场地的平面信息进行路径规划，容易出现规划路径穿过一些机器人无法运行的区域，如沙坑、池塘等。因此，电子设备需要对点云地图进行语义识别，将点云地图中的具体场景语义进行标识，以使在路径规划中可以避开不可行的场景区域。

步骤S25：将点云地图平均分割成若干点云子地图。

步骤S26：采用图像分割模型对若干点云子地图的物体进行识别，得到点云地图中的障碍区域信息。

本公开实施例中，电子设备将点云地图平均分割成若干个矩形点云地图，然后通过图6中的图像分割模型网络结构对每个矩形点云地图的物体进行识别，识别的类别包括：沙坑、池塘、草地、综合植被、路面、背景等。

需要说明的是，将点云地图进行分割是出于提高识别准确度和适应图像分割模型的模型大小的目的，在一些可能的实施方式中，电子设备也可以将整个点云地图输入图像分割模型进行识别，在此不再赘述。

图像分割模型输出的包括语义信息的点云地图请参阅图7，图7中的点云地图上显示出识别结果，如图中的沙坑、草地、动态物体、路面、池塘、植被区等语义信息。其中，语义信息中包括障碍区域信息，障碍区域是指识别结果中机器人无法运行的场地区域。

步骤S27：基于障碍区域信息和点云地图生成三维地图。

在本公开实施例中，电子设备通过上述步骤S14的方式将点云地图转换为三维地图，在这个过程中，电子设备将本公开实施例的障碍区域信息加入三维地图，从而得到结合语义地图的三维地图。

请参阅图8，图8是申请提供的路径规划方法一实施例的流程示意图。本申请的路径规划方法的执行主体可以是一种电子设备，例如，路径规划方法可以由终端设备或服务器或其它处理设备执行，其中，电子设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无线电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该路径规划方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

具体而言，本公开实施例的路径规划方法可以包括如下步骤：

步骤S31：获取三维地图以及机器人的设备参数。

本公开实施例中，电子设备获取上述实施例中生成的三维地图以及机器人的设备参数，如机器人运动模型等。当本公开实施例的三维地图是上述包括障碍区域信息的三维地图时，电子设备通过即可以通过语义地图和三维地图的叠加，将三维地图上除草地外的其他类别区域都标记为障碍区域，以使用本公开实施例的路径规划方法规划出一条避开障碍区域，同时又能合理利用地形的全覆盖作业路线。

步骤S32：基于用户输入的起点信息和终点信息在三维地图上生成运动路径。

本公开实施例中，电子设备在三维地图上标记用户输入的起点和终点，以在起点和终点之间的区域生成若干圈等距离的围绕障碍地区的三维测地线。其中，相邻圈三维测地线的间隔距离由机器人的扫描半径决定。

电子设备利用最小生成树的方式将上述三维测地线连接成一条运动路径。具体地，电子设备利用最小生成树设置每个圈三维测地线的连接点，并参考三维地图中各个点的高度信息，选择并连接设置的连接点，以形成运动路径。

具体地，本公开实施例的三维测地线是以障碍区域为中心区域生成的闭合连接线。对于一个相同的障碍区域，三维测地线是以障碍区域为中心按上述间隔距离向外扩散生成，形成如类似同心圆的结构。在生成过程中，三维测地线的组成点数量按照与障碍区域的距离越远，组成点数量越多，但以相同障碍区域为中心的三维测地线的起始点设置位置一致。因此，电子设备通过三维测地线的起始点将三维测线断开，形成三维测地线段，然后将三维测地线段首尾相连形成运动路径。

将三维测地线段首尾相连形成运动路径的方式可以为：以最接近障碍区域的三维测地线设置为第一奇数测地线，次接近障碍区域的三维测地线设置为第一偶数测地线，依次类推。电子设备以障碍区域为中心，先从外到内将奇数测地线首尾相连，然后将第一奇数测地线的尾端与第一偶数测地线的首端，即起始点相连，最后从内到外将偶数测地线首尾相连，形成运动路径。

在一些可能的实施方式中，根据工作需求可以设置每条三维测地线段的长度，即以起始点为起点截取每条三维测地线段预设长度的线段作为运动路径的组成线段。在本公开实施例中，电子设备选择完整的三维测地线段，以形成能够对场景地图全覆盖的运动路径。

如图9的路径规划图所示，本公开实施例生成的运动路径可以对草地区域完全覆盖，并且避开如沙坑等障碍地图，实现安全高效的全覆盖路径规划。

与目前的路径规划算法zigzag对比，本公开实施例的路径规划方法除了能够避开所有障碍区域外，由于结合了三维地形，避免了机器人过多的爬升和下降，可以有效减少10％的能量损耗。

步骤S33：基于机器人的设备参数对运动路径进行平滑滤波，生成目标运动路径。

本公开实施例中，为了进一步提高运动路径的实用性和准确性，电子设备还可以基于机器人的设备参数对运动路径进行平滑滤波，以优化转弯过急的路径，得到最终的目标运动路径。其中，机器人的设备参数可以为转弯角度、运动速度等参数。

目标运动路径生成后，机器人即可以按照目标运动路径实现自动循迹以及沿线作业。例如，以割草机器人为例，割草机器人的沿线作业的示意图请参阅图10。割草机器人沿着规划好的路线完成割草作业，需要割草机器人有自主避障、自我定位和运动控制功能。因此，如图10所示，割草机器人需要搭载有相机、RTK-GPS以及IMU芯片等传感器。

具体地，通过割草机器人上的相机，可以部署基于深度学习的识别方法，来识别动态障碍物，实现自主避障。

另外，割草机器人需要得到自己的GPS坐标才能与三维地图和目标运动路径相匹配，因此获得高精度的GPS坐标是关键之一。本公开实施例中，割草机器人使用RTK-GPS和IMU芯片来完成该任务。通常RTK-GPS的水平定位误差在2cm内，满足一般的定位需求，但由于高尔夫球场中可能存在一些GPS信号较差的环境，比如茂密的树下区域等。因此，本公开实施例通过采用低成本的IMU芯片和RTK-GPS组成组合惯导的方案来进行定位，以解决在RTK-GPS信号不佳时定位效果差的问题。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

请参阅图11，图11是本申请提供的电子设备一实施例的框架示意图。电子设备40包括：

获取模块41，用于基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据，其中，点云数据包括采集设备的位置信息和姿态信息。

变换模块42，用于将连续多帧点云数据中其中一帧点云数据设置为标准点云数据。

变换模块42，还用于基于标准点云数据以及每一帧点云数据的姿态信息将姿态信息对应的点云数据进行变换。

拼接模块43，用于基于位置信息将标准点云数据和变换后的点云数据进行拼接，得到三维地图。

请参阅图12，图12是本申请提供的电子设备另一实施例的框架示意图。电子设备50包括：

获取模块51，用于获取三维地图以及机器人的设备参数，其中，三维地图为上述实施例所示的三维地图。

生成模块52，用于基于用户输入的起点信息和终点信息在三维地图上生成运动路径。

路径生成模块53，用于基于机器人的设备参数对运动路径进行平滑滤波，生成目标运动路径。

请参阅图13，图13是本申请提供的电子设备又一实施例的框架示意图。电子设备60包括相互耦接的存储器61和处理器62，处理器62用于执行存储器61中存储的程序指令，以实现上述任一地图生成方法实施例的步骤，或实现上述任一路径规划方法实施例中的步骤。在一个具体的实施场景中，电子设备60可以包括但不限于：微型计算机、服务器，此外，电子设备60还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。

具体而言，处理器62用于控制其自身以及存储器61以实现上述任一地图生成方法实施例的步骤，或实现上述任一路径规划方法实施例中的步骤。处理器62还可以称为CPU(Central Processing Unit，中央处理单元)。处理器62可能是一种集成电路芯片，具有信号的处理能力。处理器62还可以是通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。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。另外，处理器62可以由集成电路芯片共同实现。

请参阅图14，图14是本申请提供的计算机可读存储介质一实施例的框架示意图。计算机可读存储介质70存储有能够被处理器运行的程序指令701，程序指令701用于实现上述任一地图生成方法实施例的步骤，或实现上述任一路径规划方法实施例中的步骤。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的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，本申请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全部或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)或处理器(processor)执行本申请各个实施方式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。

Claims (14)

1.一种地图生成方法，其特征在于，所述地图生成方法包括：

基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据，其中，所述点云数据包括所述采集设备的位置信息和姿态信息；

将所述连续多帧点云数据中其中一帧点云数据设置为标准点云数据；

基于所述标准点云数据以及每一帧点云数据的姿态信息将所述姿态信息对应的点云数据进行变换；

基于所述位置信息将所述标准点云数据和变换后的点云数据进行拼接，得到三维地图。

2.根据权利要求1所述的地图生成方法，其特征在于，

所述基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据的步骤之后，所述地图生成方法还包括：

获取所述采集设备的设备参数，所述设备参数包括所述采集设备的运动速度；

基于所述采集设备的设备参数以及所述每一帧点云数据的姿态信息对所述姿态信息对应的点云数据进行运动补偿。

3.根据权利要求1～2任一项所述的地图生成方法，其特征在于，

所述基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据的步骤之后，所述地图生成方法还包括：

获取所述每一帧点云数据对应的点云大小；

移除所述点云大小大于预设点云大小的点云数据。

4.根据权利要求1～3任一项所述的地图生成方法，其特征在于，

所述基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据的步骤之后，所述地图生成方法还包括：

通过深度学习动态物体检测模型检测所述每一帧点云数据的动态物体点云数据；

移除所述每一帧点云数据的动态物体数据。

5.根据权利要求1～4任一项所述的地图生成方法，其特征在于，

所述基于所述位置信息将所述标准点云数据和变换后的点云数据进行拼接，得到三维地图的步骤，包括：

基于所述位置信息将所述标准点云数据和变换后的点云数据进行拼接，得到点云地图；

通过深度学习动态物体检测模型检测所述点云地图中的动态物体云数据，并从所述点云地图移除所述动态物体点云数据；

和/或，对所述点云地图中点云密度小于预设点云密度的区域通过使用邻近区域加权插值的方式进行点云增补处理；

将处理后的点云地图转化为所述三维地图。

6.根据权利要求5所述的地图生成方法，其特征在于，

所述将处理后的点云地图转化为所述三维地图的步骤，包括：

基于所述点云地图的曲面信息在所述点云地图中生成若干个种子点；

在任意两个种子点之间的三维距离小于预设距离阈值，且所述两个种子点分别对应的曲面的法线形成的夹角小于预设夹角阈值时，将所述两个种子点分别对应的曲面融合成一个曲面；

遍历所述点云地图中的所有种子点，得到融合点云地图；

对所述融合点云地图进行栅格化，得到所述三维地图。

7.根据权利要求1～6任一项所述的地图生成方法，其特征在于，

所述基于所述位置信息将所述标准点云数据和变换后的点云数据进行拼接，得到三维地图的步骤，包括：

基于所述位置信息将所述标准点云数据和变换后的点云数据进行拼接，得到点云地图；

采用图像分割模型对所述点云地图的物体进行识别，得到所述点云地图中的区域信息；

基于所述区域信息和所述点云地图生成所述三维地图。

8.根据权利要求7所述的地图生成方法，其特征在于，所述采用图像分割模型对所述点云地图的物体进行识别，得到所述点云地图中的区域信息的步骤之前，还包括：

将所述点云地图平均分割成若干点云子地图；

所述采用图像分割模型对所述点云地图的物体进行识别，得到所述点云地图中的区域信息的步骤，包括：

采用图像分割模型对所述若干点云子地图的物体进行识别，得到所述点云地图中的区域信息。

9.一种路径规划方法，其特征在于，所述路径规划方法包括：

获取三维地图以及机器人的设备参数，其中，所述三维地图为权利要求1至8中任一项所述的三维地图；

基于用户输入的起点信息和终点信息在所述三维地图上生成运动路径；

基于所述机器人的设备参数对所述运动路径进行平滑滤波，生成目标运动路径。

10.根据权利要求9所述的路径规划方法，其特征在于，

所述三维地图包括障碍区域，所述机器人的设备参数包括扫描半径；

所述基于用户输入的起点信息和终点信息在所述三维地图上生成运动路径的步骤，包括：

基于所述机器人的扫描半径设置间隔距离；

在所述三维地图上按所述间隔距离生成若干围绕所述障碍区域的测地线；

采用最小生成树算法设置所述测地线的连接点；

基于所述用户输入的起点信息、终点信息以及所述连接点在所述三维地图上生成运动路径。

11.一种电子设备，其特征在于，所述电子设备包括：

获取模块，用于基于采集设备采集的连续多帧扫描图像获取连续多帧点云数据，其中，所述点云数据包括所述采集设备的位置信息和姿态信息；

变换模块，用于将所述连续多帧点云数据中其中一帧点云数据设置为标准点云数据；

所述变换模块，还用于基于所述标准点云数据以及每一帧点云数据的姿态信息将所述姿态信息对应的点云数据进行变换；

拼接模块，用于基于所述位置信息将所述标准点云数据和变换后的点云数据进行拼接，得到三维地图。

12.一种电子设备，其特征在于，所述电子设备包括：

获取模块，用于获取三维地图以及机器人的设备参数，其中，所述三维地图为权利要求1～8中任一项所述的三维地图；

生成模块，用于基于用户输入的起点信息和终点信息在所述三维地图上生成运动路径；

路径生成模块，用于基于所述机器人的设备参数对所述运动路径进行平滑滤波，生成目标运动路径。

13.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至8任一项所述的地图生成方法，或实现权利要求9至10所述的路径规划方法。

14.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至8任一项所述的地图生成方法，或实现权利要求9至10所述的路径规划方法。

Images