CN113297989B - 充电桩识别方法、装置、机器人及计算机可读存储介质 - Google Patents

Abstract

本申请实施例公开了一种充电桩识别方法、装置、机器人及计算机可读存储介质，该方法包括：获取包括待识别充电桩的目标区域的点云数据；将点云数据划分成多个第一点云子集；对每个第一点云子集进行数据过滤，得到第二点云子集；根据预设距离阈值以及每个第二点云子集中相距最远的两个点之间的第一距离，对每个第二点云子集进行数据过滤，得到第三点云子集；根据第三点云子集和待识别充电桩的点云模板进行点云匹配，得到充电桩识别结果，点云模板是根据待识别充电桩的形状结构预先构建的。可见，通过点云匹配的方式进行充电桩识别，不用调整算法，可以识别任意形状的充电桩；还对点云数据进行二次数据过滤，提高了充电桩识别准确率和识别速率。

Description

充电桩识别方法、装置、机器人及计算机可读存储介质

技术领域

本申请属于机器人充电技术领域，尤其涉及一种充电桩识别方法、装置、机器人及计算机可读存储介质。

背景技术

目前，移动机器人可以自主回充，即移动机器人可以自主地回到充电桩处进行充电。

在自主回充过程中，移动机器人需要先识别出充电桩以及该充电桩相对于机器人的位姿。传统的充电桩识别方法可以精确的识别固定模型的充电桩，但是识别算法和充电桩实际形状强耦合，如果充电桩形状更换，往往需要替换相应的算法，开发代价非常大。例如，圆弧形充电桩更换至三角形充电桩，则需要重新开发充电桩识别算法。

发明内容

本申请实施例提供了一种充电桩识别方法、装置、机器人及计算机可读存储介质，可以在不调整算法的情况下识别不同形状的充电桩，并进一步提高充电桩识别准确率和识别速率。

第一方面，本申请实施例提供了一种充电桩识别方法，包括：

获取目标区域的点云数据，该目标区域包括待识别充电桩；

将点云数据划分成多个第一点云子集；

对每个第一点云子集进行数据过滤，得到数据过滤后的至少一个第二点云子集；

根据预设距离阈值以及每个第二点云子集中相距最远的两个点之间的第一距离，对每个第二点云子集进行数据过滤，得到数据过滤后的至少一个第三点云子集；

根据第三点云子集和待识别充电桩的点云模板进行点云匹配，得到充电桩识别结果，点云模板是根据待识别充电桩的形状结构预先构建的。

本申请实施例中，基于目标区域的点云数据和根据待识别充电桩的形状结构预先构建的点云模板进行点云匹配，得到充电桩识别结果，这样，当充电桩形状发生变化时，只需要使用对应形状的点云模板进行点云匹配即可，不用调整算法；另外，在将采集的点云数据划分成多个第一点云子集之后，对第一点云子集进行二次数据过滤，以去除用于点云匹配的点云数据中的噪点和不符合要求的点云子集，进一步提高了充电桩识别准确率和识别速率。

在第一方面的一些可能的实现方式中，根据第三点云子集和待识别充电桩的点云模板进行点云匹配，得到充电桩识别结果，包括：

将每个第三点云子集和点云模板进行匹配，得到至少一个待选点云子集，待选点云子集为与点云模板相匹配的第三点云子集；

确定每个待选点云子集的圆心点；

针对每个待选点云子集，确定待选点云子集中的每个点与圆心点之间的第二距离后，确定每个第二距离和预设半径之间的差值，预设半径为点云模板对应的圆弧的半径；

针对每个待选点云子集，确定差值小于第一阈值的点的数量占待选点云子集的总点数的比例；

将比例最高的待选点云子集作为目标点云子集，目标点云子集为待识别充电桩的点云数据。

在该实现方式中，在得到待选点云子集之后，进一步对待选点云子集进行筛选，以得到目标点云子集，即对点云匹配结果进行再次验证，从而进一步提高了充电桩的识别准确率。

在第一方面的一些可能的实现方式中，根据预设距离阈值以及每个第二点云子集中相距最远的两个点之间的第一距离，对每个第二点云子集进行数据过滤，得到数据过滤后的至少一个第三点云子集，包括：

确定每个第二点云子集中相距最远的两个点之间的第一距离；

针对每个第二点云子集，若第一距离小于第二阈值时，则剔除第二点云子集；若第一距离大于第三阈值时，从第二点云子集中进行点云片段截取，得到第四点云子集和第五点云子集；

其中，第四点云子集中相距最远的两个点之间的距离等于预设距离，第五点云子集中相距最远的两个点之间的均等于预设距离；

预设距离阈值包括第二阈值和第三阈值，第三阈值大于第二阈值；

至少一个第三点云子集包括第四点云子集和第五点云子集，以及第一距离大于或等于第二阈值，且小于或等于第三阈值对应的第二点云子集。

在第一方面的一些可能的实现方式中，对每个第一点云子集进行数据过滤，得到数据过滤后的至少一个第二点云子集，包括：

剔除总点数小于预设数量阈值的第一点云子集，得到剩余的第一点云子集；

针对剩余的每个第一点云子集，确定第一点云子集中的离群点后，剔除离群点，得到第二点云子集。

在第一方面的一些可能的实现方式中，确定第一点云子集中的离群点，包括：

确定第一点云子集中的每个点与相邻预设数量个点之间的第一距离平均值；

根据每个点的第一距离平均值，计算第一点云子集的第二距离平均值；

根据第二距离平均值，得到第四阈值；

当第一距离平均值大于第四阈值，将第一距离平均值对应的点确定为离群点。

在第一方面的一些可能的实现方式中，将点云数据划分成多个第一点云子集，包括：

确定点云数据中相邻两个点之间的第三距离；

当第三距离小于第五阈值时，将第三距离对应的相邻两个点划分至同一个点云子集，当第三距离大于或等于第五阈值，将第三距离对应的相邻两个点划分至不同的点云子集，以得到第一点云子集。

在第一方面的一些可能的实现方式中，在获取目标区域的点云数据之前，还包括：

根据待识别充电桩的公式，构建点云模板，待识别充电桩的公式用于描述待识别充电桩的形状结构。

在该实现方式中，通过充电桩的公式生成点云模板，可以使得点云模板更加精确，进而提高了后续的充电桩识别准确率。

第二方面，本申请实施例提供了一种充电桩识别装置，包括：

点云数据获取模块，用于获取目标区域的点云数据，目标区域包括待识别充电桩；

点云划分模块，用于将点云数据划分成多个第一点云子集；

初步过滤模块，用于对每个第一点云子集进行数据过滤，得到数据过滤后的至少一个第二点云子集；

再次过滤模块，用于根据预设距离阈值以及每个第二点云子集中相距最远的两个点之间的第一距离，对每个第二点云子集进行数据过滤，得到数据过滤后的至少一个第三点云子集；

识别模块，用于根据第三点云子集和待识别充电桩的点云模板进行点云匹配，得到充电桩识别结果，点云模板是根据待识别充电桩的形状结构预先构建的。

第三方面，本申请实施例提供一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在机器人上运行时，使得机器人执行上述第一方面中任一项所述的方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的充电桩识别方法的一种流程示意框图；

图2为本申请实施例提供的初步过滤后的点云数据示意图；

图3为本申请实施例提供的再次过滤后的点云数据示意图；

图4为本申请实施例提供的圆弧形充电桩的点云模板示意图；

图5为本申请实施例提供的点云匹配过程的流程示意框图；

图6为本申请实施例提供的点云匹配效果示意图；

图7为本申请实施例提供的充电桩识别装置的结构框图；

图8为本申请实施例提供的机器人的结构示意图。

具体实施方式

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、技术之类的具体细节，以便透彻理解本申请实施例。

参见图1，为本申请实施例提供的充电桩识别方法的一种流程示意框图，该方法可以应用于但不限于移动机器人，该方法可以包括以下步骤：

步骤S101、获取目标区域的点云数据，该目标区域包括待识别充电桩。

需要说明的是，待识别充电桩的形状结构可以是任意的。例如，该待识别充电桩为常见的圆弧形充电桩。又例如，该待识别充电桩为三角形充电桩。

上述目标区域包括所述待识别充电桩是指待识别充电桩设置于该目标区域内，目标区域内除了包括待识别充电桩，还可以包括其他物品或物体。

具体应用中，移动机器人可以通过传感器(例如，激光雷达)对目标区域进行扫描，以获得目标区域的点云数据。

步骤S102、将点云数据划分成多个第一点云子集。

通常情况下，移动机器人通过传感器可以扫描到多个物体，即目标区域的点云数据包括多个物体的点云数据，因此可以将点云数据划分成多个第一点云子集。

当然，在一些特殊情况下，目标区域内可能只有待识别充电桩，此时，目标区域的点云数据可能只包括待识别充电桩的点云数据，因此可以会只有一个第一点云子集。

在一些实施例中，可以根据点云数据中相邻两点之间的距离，对点云数据进行划分。示例性地，首先计算点云数据中任意相邻两点之间的第三距离；然后，比较第三距离和第五阈值之间的大小，当第三距离小于第五阈值时，将对应的相邻两个点划分至同一个点云子集，而当第三距离大于或等于第五阈值时，将对应的相邻两个点划分至不同的点云子集，这样，完成对点云数据的划分，得到一个或多个第一点云子集。

上述第五阈值可以根据实际需要设定。在一些实施例中，上述第五阈值可以具体为10*ρ*φ，ρ和φ分别为移动机器人与相邻两点中任意一点之间的距离和角度，ρ和φ可以通过传感器测出来。

举例来说，假设点云数据包括100个点，此时，第1个点和第2个点之间距离小于10*ρ*φ，则将第1个点和第2个点划分至一个点云子集。第2个点和第3个点之间的距离小于10*ρ*φ，则将第2个点和第3个点划分至同一个点云子集，则该点云子集包括第1个点、第2个点以及第3个点。假设第3个点和第4个点之间的距离、第5个点和第6个点之间的距离、以及第6个点和第7个点之间的距离均小于10*ρ*φ，但第7个点和第8个点之间的距离大于10*ρ*φ，那么，将第1个点至第7个点划分至同一个点云子集，第7个点和第8个点划分至不同的点云子集。也就是说，前7个点被划分至同一个点云子集，从第8点开始是另外一个点云子集。

继续往下，计算第8个点和第9个点的距离，判断出第8个点和第9个点的距离小于10*ρ*φ，则将第8个点和第9个点划分至同一个点云子集。依次类推，直到计算到第99个点和第100个点之间的距离，再根据两点的距离进行点云子集划分，进而完成对点云数据的划分，得到多个第一点云子集。

当然，也可以通过其它划分方式对点云数据进行划分，在此不作限定。

步骤S103、对每个第一点云子集进行数据过滤，得到数据过滤后的至少一个第二点云子集。

需要说明的是，在划分得到多个第一点云子集之后，为了减少点云数据中的噪声点，可以对划分得到的点云子集进行初步过滤。

初步过滤主要是剔除噪声点以及去除点数不符合预设数量阈值的点云子集。在一些实施例中，可以先剔除总点数小于预设数量阈值的第一点云子集，得到剩余的第一点云子集。例如，从点云数据中划分出6个第一点云子集，其中有2个第一点云子集的总点数小于预设数量阈值，则剔除这2个第一点云子集。剔除之后，剩余4个第一点云子集。

然后，针对剩余的每个第一点云子集，确定所述第一点云子集中的离群点后，再剔除离群点，得到第二点云子集。例如，剔除总点数小于预设数量阈值的第一点云子集之后，一共剩余4个第一点云子集，分别对这4个第一点云子集进行离群点剔除，得到第二点云子集。此时，一共包括4个第二点云子集，即分别剔除4个第一点云子集的离群点之后，得到点云子集即为第二点云子集。

在一些实施例中，针对一个第一点云子集，确定该点云子集中的离群点的过程可以包括以下步骤：

首先，确定第一点云子集中的每个点与相邻预设数量个点之间的第一距离平均值。示例性地，先分别计算每个点和周围临近的5个点中各点之间的距离，然后再根据距离计算出第一距离平均值。

然后，根据每个点的第一距离平均值，计算第一点云子集的第二距离平均值。第一点云子集中的每个点均有一个第一距离平均值，将每个点的第一距离平均值相加，得到相加和，再用相加和除以该第一点云子集的总点数，以得到第一点云子集的第二距离平均值。示例性地，通过计算出第一点云子集的第二距离平均值，di为第i个点的第一距离平均值，N为第一点云子集中的总点数，/>为第一点云子集的第二距离平均值。

接着，根据第二距离平均值，得到第四阈值。示例性地，第四阈值可以为

最后，比较第一点云子集中每个点的第一距离平均值和第四阈值之间的大小，当第一距离平均值大于第四阈值，将第一距离平均值对应的点确定为离群点。示例性地，当时，则认为该点为离群点，将该离群点剔除。

作为示例而非限定，初步过滤后的点云数据可以如图2所示，图2中示出了多个点云子集，每段线段可以表示一个点云子集。

步骤S104、根据预设距离阈值以及每个第二点云子集中相距最远的两个点之间的第一距离，对每个第二点云子集进行数据过滤，得到数据过滤后的至少一个第三点云子集。

需要说明的是，在初步过滤过程中，剔除点云子集中的离群点和总点数小于预设数量阈值的点云子集。为了进一步提高后续的充电桩识别准确率，可以对初步过滤后的点云子集进行再次过滤。

针对每个第二点云子集，根据预设距离阈值以及每个所述第二点云子集中相距最远的两个点之间的第一距离，去除明显不符合要求的点云子集。

在一些实施例中，再次过滤的流程可以包括以下步骤：

首先，确定每个第二点云子集中相距最远的两个点之间的第一距离。

然后，针对每个第二点云子集，若第一距离小于第二阈值时，则剔除第二点云子集。示例性地，第二阈值为0.8*L，L为圆弧形充电桩的弦长。当第一距离小于0.8*L时，则认为该第二点云子集不是待识别充电桩对应的点云数据，可以剔除该第二点云子集。

如果第一距离大于第三阈值，则从第二点云子集中进行点云片段截取，得到第四点云子集和第五点云子集。第四点云子集中相距最远的两个点之间的距离等于预设距离，第五点云子集中相距最远的两个点之间的均等于预设距离，即第四点云子集和第五点云子集的最远距离相等。

示例性地，第三阈值为1.5*L。当第一距离大于1.5*L时，则认为可能是有物体(例如人)位于待识别充电桩的左边或右边，此时，可以从第二点云子集的左边截取一个最远距离为L的点云子集，记为第四点云子集，从第二点云子集的右边截取一个最远距离为L的点云子集，记为第五点云子集。此时，预设距离为L。

具体应用中，可以从第二点云子集的左边第一个点作为起点，截取最远距离为L的点云子集，记为第四点云子集。从第二点云子集的右边第一个点作为起点，截取最远距离为L的点云子集，记为第五点云子集。

其中，预设距离阈值包括第二阈值和第三阈值，第三阈值大于第二阈值；至少一个第三点云子集包括第四点云子集和第五点云子集，以及第一距离大于或等于第二阈值，且小于或等于第三阈值对应的第二点云子集。

例如，第二点云子集一共有4个，其中有2个第二点云子集的最远点间的距离小于0.8*L，则剔除这2个第二点云子集。有一个第二点云子集的最远点间的距离大于1.5*L，从该第二点云子集中截取出两个距离为L的新点云子集。此时，第三点云子集则包括最远点距离位于0.8*L至1.5*L区间的一个第二点云子集，以及两个最远点距离为L的新点云子集，一共三个点云子集。

通过对初步过滤后的点云子集进行再次过滤，去除了一些不符合要求的点云子集，进一步提高了充电桩识别准确率以及识别速率。

作为示例而非限定，再次过滤后的点云数据可以如图3所示，图3示出的是对图2中的点云数据进行再次过滤后得到点云数据。

步骤S105、根据第三点云子集和待识别充电桩的点云模板进行点云匹配，得到充电桩识别结果，点云模板是根据待识别充电桩的形状结构预先构建的。

需要说明的是，点云模板是预先构建的，在一些实施例中，可以是根据待识别充电桩的公式来构建的，该待识别充电桩的公式用于描述所述待识别充电桩的形状结构。例如，当待识别充电桩为圆弧形充电桩时，该待识别充电桩的公式则为用于描述圆弧的公式。

示例性地，待识别充电桩为圆弧形充电桩，该待识别充电桩的公式可以具体为：

xi＝R*cos(PI/2-(theta/2-theta*i/N))；

yi＝R*sin(PI/2-(theta/2-theta*i/N))；

其中，N/2为传感器扫描待识别充电桩时对应的点数。i取值0～N。theta为待识别充电桩的弧度，R为充电桩半径。

根据上述公式构建充电桩点云数据，然后再计算构建出来的充电桩点云数据的y轴对称点，即可以获取待识别充电桩的点云模板。根据上述公式构建的圆弧形充电桩的点云模板可以如图4所示。

需要说明的是，待识别充电桩的形状不同，用于构造充电桩点云数据的公式也会相应地不同。预先根据待识别充电桩的形状，构建出相应的点云模板，这样，当充电桩的形状改变时，也不用调整算法，只需要使用对应形状的点云模板进行点云匹配即可，可以实现识别任意形状的充电桩。

在其他实施例中，也可以使用激光雷达采集待识别充电桩的点云数据，再对该点云数据进行处理，以得到点云模板。但相较而言，基于激光雷达采集的点云数据构建点云模板，可能会出现过拟合等问题，使得构建出的点云模板存在误差。而通过公式生成的点云模板，不会出现由于过拟合导致的误差问题，构建出的点云模板更加精准，进而提高了后续通过点云匹配进行充电桩识别的准确率。

在一些实施例中，为了进一步提高充电桩识别准确率，可以在得到点云匹配结果之后，再次对点云匹配结果进行验证。

参见图5示出的点云匹配过程的流程示意框图，该过程可以包括以下步骤：

步骤S501、将每个第三点云子集和点云模板进行匹配，得到至少一个待选点云子集，该待选点云子集为与点云模板相匹配的第三点云子集。

示例性地，将每个第三点云子集进行旋转和平移，得到新的第三点云子集，然后计算新的第三点云子集和点云模板的平均距离是否满足阈值，如果满足阈值，则确定该第三点云子集与点云模板匹配。

作为示例而非限定，基于图3示出的二次过滤后的点云数据进行点云匹配，可以得到如图6所示的匹配效果。图6中将最上面的点云子集经过旋转和平移，最后得到新的点云子集与下面的点云子集(即点云模板)基本重合，然后再计算新的点云子集和点云模板之间的平均距离，由于平均距离小于阈值，则可以确定图6最上面的点云子集为待选点云子集。

步骤S502、确定每个待选点云子集的圆心点。

示例性地，以待识别充电桩为圆弧形充电桩为例，在已经知道充电桩半径R的前提下，可以计算出每个待选点云子集的圆心点。

步骤S503、针对每个待选点云子集，确定待选点云子集中的每个点与圆心点之间的第二距离后，确定每个第二距离和预设半径之间的差值，预设半径为点云模板对应的圆弧的半径R。

步骤S504、针对每个待选点云子集，确定差值小于第一阈值的点的数量占待选点云子集的总点数的比例。

步骤S505、将比例最高的待选点云子集作为目标点云子集，目标点云子集为待识别充电桩的点云数据。

在确定出目标点云子集之后，该目标点云子集的位姿极为待识别充电桩的位姿，根据待识别充电桩的位姿，移动机器人可以自主到待识别充电桩处充电。

可以看出，再次对点云匹配结果进行验证，提高了充电桩识别准确率。

在另一些实施例中，也可以不对点云匹配结果进行再次验证，此时，可以将每个第三点云子集和点云模板进行点云匹配，得出一个相匹配的第三点云子集，将该相匹配的第三点云子集确定为待识别充电桩的点云数据。这样，点云匹配出的结果可能会存在误差，进而造成充电桩识别误差。相较而言，在得到点云匹配结果之后，再次对点云匹配结果进行校验，可以进一步提高充电桩识别准确率。

由上可见，本申请实施例基于目标区域的点云数据和根据待识别充电桩的形状结构预先构建的点云模板进行点云匹配，得到充电桩识别结果，这样，当充电桩形状发生变化时，只需要使用对应形状的点云模板进行点云匹配即可，不用调整算法，可以识别任意形状的充电桩。另外，在将采集的点云数据划分成多个第一点云子集之后，对第一点云子集进行二次数据过滤，以去除用于点云匹配的点云数据中的噪点和不符合要求的点云子集，进一步提高了充电桩识别准确率和识别速率。

进一步地，在得到点云匹配结果之后，对点云匹配进行再次校验，进一步提高了充电桩识别准确率。

进一步地，通过用于描述待识别充电桩的形状的公式，可以构建出更加精准的点云模板。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的充电桩识别方法，图7示出了本申请实施例提供的充电桩识别装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图7，该装置包括：

点云数据获取模块71，用于获取目标区域的点云数据，目标区域包括待识别充电桩；

点云划分模块72，用于将点云数据划分成多个第一点云子集；

初步过滤模块73，用于对每个第一点云子集进行数据过滤，得到数据过滤后的至少一个第二点云子集；

再次过滤模块74，用于根据预设距离阈值以及每个第二点云子集中相距最远的两个点之间的第一距离，对每个第二点云子集进行数据过滤，得到数据过滤后的至少一个第三点云子集；

识别模块75，用于根据第三点云子集和待识别充电桩的点云模板进行点云匹配，得到充电桩识别结果，点云模板是根据待识别充电桩的形状结构预先构建的。

在一些可能的实现方式中，上述识别模块75具体用于：

将每个第三点云子集和点云模板进行匹配，得到至少一个待选点云子集，待选点云子集为与点云模板相匹配的第三点云子集；

确定每个待选点云子集的圆心点；

针对每个待选点云子集，确定待选点云子集中的每个点与圆心点之间的第二距离后，确定每个第二距离和预设半径之间的差值，预设半径为点云模板对应的圆弧的半径；

针对每个待选点云子集，确定差值小于第一阈值的点的数量占待选点云子集的总点数的比例；

将比例最高的待选点云子集作为目标点云子集，目标点云子集为待识别充电桩的点云数据。

在一些可能的实现方式中，上述再次过滤模块74具体用于：

确定每个第二点云子集中相距最远的两个点之间的第一距离；

针对每个第二点云子集，若第一距离小于第二阈值时，则剔除第二点云子集；若第一距离大于第三阈值时，从第二点云子集中进行点云片段截取，得到第四点云子集和第五点云子集；

其中，第四点云子集中相距最远的两个点之间的距离等于预设距离，第五点云子集中相距最远的两个点之间的均等于预设距离；

预设距离阈值包括第二阈值和第三阈值，第三阈值大于第二阈值；

至少一个第三点云子集包括第四点云子集和第五点云子集，以及第一距离大于或等于第二阈值，且小于或等于第三阈值对应的第二点云子集。

在一些可能的实现方式中，上述初步过滤模块73具体用于：

剔除总点数小于预设数量阈值的第一点云子集，得到剩余的第一点云子集；

针对剩余的每个第一点云子集，确定第一点云子集中的离群点后，剔除离群点，得到第二点云子集。

在一些可能的实现方式中，上述初步过滤模块73具体用于：

确定第一点云子集中的每个点与相邻预设数量个点之间的第一距离平均值；

根据每个点的第一距离平均值，计算第一点云子集的第二距离平均值；

根据第二距离平均值，得到第四阈值；

当第一距离平均值大于第四阈值，将第一距离平均值对应的点确定为离群点。

在一些可能的实现方式中，上述点云划分模块72具体用于：

确定点云数据中相邻两个点之间的第三距离；

当第三距离小于第五阈值时，将第三距离对应的相邻两个点划分至同一个点云子集，当第三距离大于或等于第五阈值，将第三距离对应的相邻两个点划分至不同的点云子集，以得到第一点云子集。

在一些可能的实现方式中，还包括：

点云模板构建模块，用于根据待识别充电桩的公式，构建点云模板，待识别充电桩的公式用于描述待识别充电桩的形状结构。

需要说明的是，上述装置/模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图8为本申请一实施例提供的机器人的结构示意图。如图8所示，该实施例的机器人8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个充电桩识别方法实施例中的步骤。

该机器人可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是机器人8的举例，并不构成对机器人8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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。

所述存储器81在一些实施例中可以是所述机器人8的内部存储单元，例如机器人8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述机器人8的外部存储设备，例如所述机器人8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述机器人8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述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，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在机器人上运行时，使得机器人执行时实现可实现上述各个方法实施例中的步骤。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种充电桩识别方法，其特征在于，包括：

获取目标区域的点云数据，所述目标区域包括待识别充电桩；

将所述点云数据划分成多个第一点云子集；

对每个所述第一点云子集进行初步数据过滤，得到数据过滤后的至少一个第二点云子集，所述初步数据过滤是用于剔除总点数小于预设数量阈值的所述第一点云子集和剔除所述第一点云子集中的离群点；

根据预设距离阈值以及每个所述第二点云子集中相距最远的两个点之间的第一距离，对每个所述第二点云子集进行再次数据过滤，得到数据过滤后的至少一个第三点云子集，该步骤进一步包括：针对每个所述第二点云子集，若所述第一距离小于第二阈值时，则剔除所述第二点云子集；若所述第一距离大于第三阈值时，从所述第二点云子集中进行点云片段截取，得到第四点云子集和第五点云子集；所述第四点云子集中相距最远的两个点之间的距离及所述第五点云子集中相距最远的两个点之间的距离均等于预设距离；所述预设距离阈值包括所述第二阈值和所述第三阈值，所述第三阈值大于所述第二阈值；所述至少一个第三点云子集包括所述第四点云子集和第五点云子集，以及所述第一距离大于或等于所述第二阈值，且小于或等于所述第三阈值对应的所述第二点云子集；

根据所述第三点云子集和所述待识别充电桩的点云模板进行点云匹配，得到充电桩识别结果，所述点云模板是根据所述待识别充电桩的形状结构预先构建的。

2.如权利要求1所述的方法，其特征在于，根据所述第三点云子集和所述待识别充电桩的点云模板进行点云匹配，得到充电桩识别结果，包括：

将每个所述第三点云子集和所述点云模板进行匹配，得到至少一个待选点云子集，所述待选点云子集为与所述点云模板相匹配的第三点云子集；

确定每个所述待选点云子集的圆心点；

针对每个所述待选点云子集，确定所述待选点云子集中的每个点与所述圆心点之间的第二距离后，确定每个所述第二距离和预设半径之间的差值，所述预设半径为所述点云模板对应的圆弧的半径；

针对每个所述待选点云子集，确定所述差值小于第一阈值的点的数量占所述待选点云子集的总点数的比例；

将所述比例最高的待选点云子集作为目标点云子集，所述目标点云子集为所述待识别充电桩的点云数据。

3.如权利要求1或2所述的方法，其特征在于，对每个所述第一点云子集进行初步数据过滤，得到数据过滤后的至少一个第二点云子集，包括：

剔除总点数小于预设数量阈值的所述第一点云子集，得到剩余的第一点云子集；

针对剩余的每个所述第一点云子集，确定所述第一点云子集中的离群点后，剔除所述离群点，得到所述第二点云子集。

4.根据权利要求3所述的方法，其特征在于，确定所述第一点云子集中的离群点，包括：

确定所述第一点云子集中的每个点与相邻预设数量个点之间的第一距离平均值；

根据每个点的所述第一距离平均值，计算所述第一点云子集的第二距离平均值；

根据所述第二距离平均值，得到第四阈值；

当所述第一距离平均值大于所述第四阈值，将所述第一距离平均值对应的点确定为离群点。

5.如权利要求1所述的方法，其特征在于，将所述点云数据划分成多个第一点云子集，包括：

确定所述点云数据中相邻两个点之间的第三距离；

当所述第三距离小于第五阈值时，将所述第三距离对应的相邻两个点划分至同一个点云子集，当所述第三距离大于或等于所述第五阈值，将所述第三距离对应的相邻两个点划分至不同的点云子集，以得到所述第一点云子集。

6.如权利要求1所述的方法，其特征在于，在获取目标区域的点云数据之前，还包括：

根据所述待识别充电桩的公式，构建所述点云模板，所述待识别充电桩的公式用于描述所述待识别充电桩的形状结构。

7.一种充电桩识别装置，其特征在于，包括：

点云数据获取模块，用于获取目标区域的点云数据，所述目标区域包括待识别充电桩；

点云划分模块，用于将所述点云数据划分成多个第一点云子集；

初步过滤模块，用于对每个所述第一点云子集进行初步数据过滤，得到数据过滤后的至少一个第二点云子集，所述初步数据过滤是用于剔除总点数小于预设数量阈值的所述第一点云子集和剔除所述第一点云子集中的离群点；

再次过滤模块，用于根据预设距离阈值以及每个所述第二点云子集中相距最远的两个点之间的第一距离，对每个所述第二点云子集进行再次数据过滤，得到数据过滤后的至少一个第三点云子集；

识别模块，用于根据所述第三点云子集和所述待识别充电桩的点云模板进行点云匹配，得到充电桩识别结果，所述点云模板是根据所述待识别充电桩的形状结构预先构建的；

其中，所述再次过滤模块具体用于：

确定每个所述第二点云子集中相距最远的两个点之间的第一距离；

针对每个所述第二点云子集，若所述第一距离小于第二阈值时，则剔除所述第二点云子集；若所述第一距离大于第三阈值时，从所述第二点云子集中进行点云片段截取，得到第四点云子集和第五点云子集；

其中，所述第四点云子集中相距最远的两个点之间的距离等于预设距离，所述第五点云子集中相距最远的两个点之间的距离等于所述预设距离；

所述预设距离阈值包括所述第二阈值和所述第三阈值，所述第三阈值大于所述第二阈值；

所述至少一个第三点云子集包括所述第四点云子集和第五点云子集，以及所述第一距离大于或等于所述第二阈值，且小于或等于所述第三阈值对应的所述第二点云子集。

8.如权利要求7所述的装置，其特征在于，所述识别模块具体用于：

将每个所述第三点云子集和所述点云模板进行匹配，得到至少一个待选点云子集，所述待选点云子集为与所述点云模板相匹配的第三点云子集；

确定每个所述待选点云子集的圆心点；

针对每个所述待选点云子集，确定所述待选点云子集中的每个点与所述圆心点之间的第二距离后，确定每个所述第二距离和预设半径之间的差值，所述预设半径为所述点云模板对应的圆弧的半径；

针对每个所述待选点云子集，确定所述差值小于第一阈值的点的数量占所述待选点云子集的总点数的比例；

将所述比例最高的待选点云子集作为目标点云子集，所述目标点云子集为所述待识别充电桩的点云数据。

9.一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。