CN113724383A - 机器人拓扑地图生成系统、方法、计算机设备及存储介质 - Google Patents
机器人拓扑地图生成系统、方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113724383A CN113724383A CN202110874168.5A CN202110874168A CN113724383A CN 113724383 A CN113724383 A CN 113724383A CN 202110874168 A CN202110874168 A CN 202110874168A CN 113724383 A CN113724383 A CN 113724383A
- Authority
- CN
- China
- Prior art keywords
- skeleton
- scene
- map
- node
- generate
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000013507 mapping Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 230000000877 morphologic effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及机器人导航领域，公开了一种机器人拓扑地图生成系统、方法、计算机设备及存储介质，其系统包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现如下步骤：获取建图场景的场景地图；对场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取二值化滤波图像的骨架，生成场景骨架图；通过预设算法处理场景骨架图，生成建图场景的拓扑地图。本发明大大提高了拓扑地图的绘制效率，减少拓扑地图的人为出错。
Description
技术领域
本发明涉及机器人导航领域，尤其涉及一种机器人拓扑地图生成系统、方法、计算机设备及存储介质。
背景技术
在机器人自动导航过程中，通常依赖于预先绘制好的拓扑地图。拓扑地图一般是通过人为绘制。然而，对于复杂场景，拓扑地图的绘制过程会比较繁琐，费时费力，并且存在拓扑地图与实际场景不匹配的情况，影响机器人的正常运行。
发明内容
基于此，有必要针对上述技术问题，提供一种机器人拓扑地图生成系统、方法、计算机设备及存储介质，以提高拓扑地图的绘制效率，减少拓扑地图的人为出错。
一种机器人拓扑地图生成系统，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可读指令，所述处理器执行所述计算机可读指令时，实现如下步骤：
获取建图场景的场景地图；
对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，以生成场景骨架图；
通过预设算法处理所述场景骨架图，以生成所述建图场景的拓扑地图。
一种机器人拓扑地图生成方法，包括：
获取建图场景的场景地图；
对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，以生成场景骨架图；
通过预设算法处理所述场景骨架图，以生成所述建图场景的拓扑地图。
一种计算机设备，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可读指令，所述处理器执行所述计算机可读指令时实现上述机器人拓扑地图生成方法。
一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述机器人拓扑地图生成方法。
上述机器人拓扑地图生成方法、装置、计算机设备及存储介质，获取建图场景的场景地图，在此处，场景地图的获取难度低，有利于降低拓扑地图的绘制成本。对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，生成场景骨架图，在此处，场景骨架图由若干近似曲线的骨架组成。通过预设算法处理所述场景骨架图，生成所述建图场景的拓扑地图，在此处，预设算法可以将近似曲线的骨架处理为若干骨架线段，进而组成拓扑地图的路径。本发明仅需要获取场景地图，即可自动生成拓扑地图，大大提高了拓扑地图的绘制效率，减少拓扑地图的人为出错。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中机器人拓扑地图生成系统的一流程示意图；
图2是本发明一实施例中机器人进入建图场景的简易示意图；
图3是本发明一实施例中经反相处理后的场景骨架图；
图4是本发明一实施例中形成若干骨架线段的拓扑地图；
图5为本发明一实施例中根据行动轨迹生成拓扑地图的路径的简要示意图；
图6是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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。
如图1所示，机器人拓扑地图生成系统，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计算机可读指令，其特征在于，所述处理器用于执行所述计算机可读指令时以实现如下步骤S10-S30。
S10、获取建图场景的场景地图。
可理解地，建图场景可以是机器人的工作场景，如餐厅、酒店、医院或者其他室内外场景。行动轨迹可以是机器人在建图场景中的行走轨迹。行动轨迹包括若干机器人的点轨迹。在一示例中，可以按照预设时间间隔采集这些点轨迹。预设时间间隔可以根据实际需要进行设置。如，预设时间间隔可以是1s～10s。在其他示例中，也可以按照预设的位移间隔和/或角度间隔来采集这些点轨迹，如每移动0.2m则采集一次，或角度每变化20度则采集一次等等，这里不做具体数值的限定。
场景地图可以是建图场景预先绘制好的平面地图，也可以是通过深度图像数据绘制的地图。一般情况下，场景地图为二维地图。
在一示例中，如图2所示，建图场景可以是餐厅。当机器人进入餐厅时，工作人员可推着机器人沿着餐厅的人行通道行进，形成行动轨迹，同时，机器人身上的激光雷达可采集人行通道沿途的深度图像数据。这样反复数次，可以采集到多条行动轨迹。可以根据这些深度图像数据和行动轨迹构建二维地图。
S20、对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，以生成场景骨架图。
可理解地，对场景地图进行图像预处理。在此处，图像预处理可以是滤波处理。滤波处理可以滤除其中的噪点。对滤波后的图像进行二值化处理，获得二值化滤波图像，可以便于提取场景地图中的信息，提高识别效率。在一示例中，可以将滤波后的场景地图中无障碍物的可行区域设置为1，有障碍物的区域为0。可以采用形态学图像处理方法处理二值化滤波图像，提取二值化滤波图像的骨架，生成场景骨架图。在一示例中，场景骨架图中，骨架位置的像素值设置为255。如图3所示，图3为一示例中经反相处理后的场景骨架图。在此处，反相处理后，骨架位置的像素值设置为0。
S30、通过预设算法处理所述场景骨架图，以生成所述建图场景的拓扑地图。
可理解地，预设算法是将曲线近似表示为一系列点，并减少点的数量的一种算法。该算法具有平移和旋转不变性，给定曲线与阈值后，抽样结果一定。在此处，场景骨架图由大量的骨架点组成若干骨架分段，每段骨架分段对应建图场景的一段路径。通过预设算法的处理，可以将这些骨架分段线性化，生成若干骨架线段。如图4所示，图4为形成若干骨架线段的拓扑地图(经反相处理)。
步骤S10-S40中，获取建图场景的场景地图，在此处，场景地图的获取难度低，有利于降低拓扑地图的绘制成本。对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，生成场景骨架图，在此处，场景骨架图由若干近似曲线的骨架组成。通过预设算法处理所述场景骨架图，生成所述建图场景的拓扑地图，在此处，预设算法可以将近似曲线的骨架处理为若干骨架线段，进而组成拓扑地图的路径。本实施例中，仅需要获取场景地图，即可自动生成拓扑地图，大大提高了拓扑地图的绘制效率，减少拓扑地图的人为出错。
可选的，步骤S10，即所述获取建图场景的场景地图，包括：
S101、获取所述机器人经过行动轨迹时采集的深度图像数据；
S102、根据所述机器人在所述行动轨迹中的位置拼接所述深度图像数据，生成所述场景地图。
可理解地，深度图像数据可以是通过安装在机器人身上的深度相机和/或激光雷达获取到的深度信息数据。深度相机或激光雷达可以在不同轨迹点上采集建图场景的深度图像数据。基于各个轨迹点的位置对这些深度图像数据进行拼接，可以生成建图场景的场景地图。
可选的，步骤S102，即所述根据所述机器人在所述行动轨迹中的位置拼接所述深度图像数据，生成所述场景地图，包括：
S1021、按照所述机器人在所述行动轨迹中的位置拼接所述深度图像数据，生成三维点云；
S1022、将所述三维点云向所述建图场景的基面进行投影，生成所述场景地图。
可理解地，通过激光雷达采集的深度图像数据具体可以是三维点云，随后将三维点云进行二维投影，生成二维的场景地图。建图场景的基面可以指建图场景的地平面，或者是水平面。在此处，将三维点云投影在建图场景的地平面(可以是水平面)上，可以生成二维的场景地图。
可选的，步骤S20，即所述对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，生成场景骨架图，包括：
S201、对所述场景地图进行图像中值滤波和图像均值滤波，生成地图滤波图像；
S202、对所述地图滤波图像进行二值化处理，生成所述二值化滤波图像；
S203、根据所述二值化滤波图像生成所述场景骨架图。
可理解地，可以对场景地图进行图像中值滤波和图像均值滤波，生成地图滤波图像。图像中值滤波和图像均值滤波可以滤除场景地图中的噪点，优化场景地图的图像质量。对地图滤波图像进行二值化处理，生成二值化滤波图像，可以便于提取场景地图中的信息，提高障碍物信息的识别效率。对二值化滤波图像进行形态学处理，提取骨架，生成场景骨架图。场景骨架图中，骨架位置的像素值为255。
其中，对滤波图像进行二值化处理具体是将存在障碍物的像素/栅格记录为0，将不存在障碍物的像素/栅格记录为1；或者是将障碍物的像素/栅格记录为1，将不存在障碍物的像素/栅格记录为0，这里不做限定。随后对二值化滤波图像进行形态学处理，即提取连续的不存在障碍物的像素/栅格区域的骨架。在此处，骨架可以指利用形态学算子计算出的形态骨架。形态骨架可以包括两种形式，一种通过形态开口定义的，可以重建原始形状的开口；另一种通过hit-or-miss变换(一种变换机制)来计算的，它保留了形状的拓扑结构。
可选的，步骤S30，即所述通过预设算法处理所述场景骨架图，生成所述建图场景的拓扑地图，包括：
S301、获取所述场景骨架图的节点设置信息，所述节点设置信息包括骨架节点和距离阈值；
S302、根据所述预设算法对所述场景骨架图、所述节点设置信息进行处理，生成若干骨架线段；
S303、拼接所述若干骨架线段，生成所述拓扑地图。
可理解地，节点设置信息可以是基于用户输入的指令而生成的设置信息，也可以是由计算机自动分析机器人在场景地图的轨迹数据后生成的设置信息。节点设置信息包括骨架节点和距离阈值。在此处，骨架节点相当于路径节点。距离阈值可以根据实际需要进行设置。在一些示例中，距离阈值可以设置为建图场景实际路径(可以指宽度最小的路径)的宽度的一半。
在可选实施例中，节点设置信息中的距离阈值可以是预先设置的，其中骨架节点是可以通过对场景骨架图中进行识别得到的。具体的，可以将整个场景骨架图中各个端点以及交叉点作为骨架节点。
例如如图5，对于场景骨架图(DC，DB，DA)而言，可以将其端点A、B以及C以及交叉点D均作为骨架节点。
通过预设算法的处理，可以将场景骨架图中分散的骨架点处理为骨架线段。而且，预设算法消耗的计算资源少，处理速度快，可以快速获得处理结果，即骨架线段。
将各个骨架线段按照次序拼接，具体可以按照共有的节点进行拼接，可以形成相互连通的拓扑路径。此时，由场景骨架图转化而成包含拓扑路径的地图，即为拓扑地图。
可选的，步骤S301，即所述获取所述场景骨架图的节点设置信息，所述节点设置信息包括骨架节点和距离阈值，包括：
S3011、接收用户输入的设置指令；
S3012、根据所述设置指令生成所述节点设置信息。
可理解地，设置指令可以是用户根据实际需要输入的指令。在一些示例中，可以设置一些输入限值，当用户输入的数据超出输入限值，则发出提醒信息。在此处，可通过网页或应用程序页面的输入框接收设置指令，客户端或云端计算模块将设置指令转化为节点设置信息。节点设置信息包括骨架节点和距离阈值。在另一些示例中，骨架节点也可以指场景骨架图中骨架的端点和交点。距离阈值可以根据实际需要进行设置。
可选的，步骤S302，即所述根据所述预设算法对所述场景骨架图、所述节点设置信息进行处理，生成若干骨架线段，包括：
S3020、基于所述骨架节点将所述场景骨架图分成至少一个骨架分段。
S3021、获取与骨架分段对应的第一骨架节点和第二骨架节点，生成所述第一骨架节点与所述第二骨架节点之间的第一连线；
S3022、计算所述骨架分段上的骨架点与所述第一连线的距离，将与所述第一骨架节点的曲线距离最短，且与所述第一连线的距离大于或等于所述距离阈值的骨架点设置为第一中间节点；
S3023、连接所述第一中间节点与所述第二骨架节点，生成第二连线；
S3024、计算所述第一中间节点与所述第二骨架节点之间的骨架点与所述第二连线的距离，将与所述第一中间节点的曲线距离最短，且与所述第二连线的距离大于或等于所述距离阈值的骨架点设置为第二中间节点；
S3025、重复上述步骤，直至剩余曲线上的所有骨架点与对应的中间连线的距离小于距离阈值；
S3026、顺次连接所述第一骨架节点、中间节点和所述第二骨架节点，生成所述若干骨架线段，所述中间节点包括所述第一中间节点和所述第二中间节点。
可理解地，可以从场景骨架图中基于骨架节点划分出若干骨架分段，可选地，使得每个骨架分段仅有两端设置有骨架节点。每个骨架分段可以生成至少一条骨架线段。可以分别从节点设置信息获取与骨架分段对应的第一骨架节点和第二骨架节点。在此处，第一骨架节点和第二骨架节点为骨架分段的两个端点。连接第一骨架节点和第二骨架节点，可以形成第一骨架节点与第二骨架节点之间的连线。计算骨架分段中所有骨架点与连线的距离，选取距离大于距离阈值，且与第一骨架节点的曲线距离最短的骨架点，记为第一中间节点。在此处，曲线距离指的是两点之间的曲线的长度。
连接第一中间节点和第一骨架节点，可以形成第一中间节点与第一骨架节点之间的第二连线。计算第一中间节点与第二骨架节点之间的骨架点与第二连线的距离，选取距离大于距离阈值，且与第一中间节点的曲线距离最短的骨架点，记为第二中间节点。
可以重复上述步骤，形成新的中间连线和中间节点，直至剩余曲线(第二中间节点之后的曲线)上的所有骨架点与对应的中间连线的距离小于距离阈值。具体步骤可参照步骤S3021-S3024，在此不再赘述。
顺次连接第一骨架节点、中间节点和第二骨架节点，可以生成若干骨架线段。若不存在中间节点，则可以生成第一骨架节点与第二骨架节点之间的一条骨架线段。若存在N个中间节点(N为正整数)，则可以生成N+1条骨架线段。
在一示例中，如图5所示，图5为根据场景骨架图生成拓扑地图的路径的简要示意图。在图5的示例中，包括多段由曲线表示的骨架分段，分别为DA、DB、DC。以骨架分段DA(也可以表示为曲线DA)为例，连接第一骨架节点D和第二骨架节点A，可以生成它们之间的连线DA(图中用虚线表示)。自点D开始，计算曲线DA上的点到连线DA的距离，选取第一个距离大于距离阈值的骨架点，即为第一中间节点H。
连接第一中间节点H和第二骨架节点A，可以生成它们之间的连线HA(图中用虚线表示)。自点H开始，计算曲线HA上的点到连线HA的距离，选取第一个距离大于距离阈值的骨架点，即为第二中间节点G。
连接第二中间节点G和第二骨架节点A，可以生成它们之间的连线GA(图中用虚线表示)。自点G开始，计算曲线GA上的点到连线GA的距离，选取第一个距离大于距离阈值的骨架点，即为第三中间节点K。
连接第三中间节点K和第二骨架节点A，可以生成它们之间的连线KA。自点K开始，计算曲线KA上的点到连线KA的距离。由于该曲线上的点到连线KA的距离均小于距离阈值，因而，所有设置中间节点的步骤均已完成。此时，顺次连接D、H、G、K、A，可以形成顺次连接的骨架线段DH、HG、GK、KA(图5右下角的示意图)。
通过类似的方式，分别对骨架分段DB、骨架分段DC进行处理，从而得到对应的骨架线段，随后对这些骨架线段按照其共有的节点进行拼接，例如骨架线段DH、HG、GK、KA拼接为骨架线段DHGKA，随后该骨架线段DHGKA与骨架分段DB、骨架分段DC对应生成的骨架线段进行拼接，从而生成最后的拓扑路径。
上述机器人拓扑地图生成系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一实施例中，提供一种机器人拓扑地图生成方法，该机器人拓扑地图生成方法与上述实施例中机器人拓扑地图生成系统一一对应。如图1所示，本实施例提供的机器人拓扑地图生成方法，包括如下步骤：
S10、获取建图场景的场景地图；
S20、对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，以生成场景骨架图；
S30、通过预设算法处理所述场景骨架图，以生成所述建图场景的拓扑地图。
可选的，步骤S10，即所述获取建图场景的场景地图，包括：
S101、获取所述机器人经过所述行动轨迹时采集的深度图像数据；
S102、根据所述机器人在所述行动轨迹中的位置拼接所述深度图像数据，生成所述场景地图。
可选的，步骤S102，即所述根据所述机器人在所述行动轨迹中的位置拼接所述深度图像数据，生成所述场景地图，包括：
S1021、按照所述机器人在所述行动轨迹中的位置拼接所述深度图像数据，生成三维点云；
S1022、将所述三维点云向所述建图场景的基面进行投影，生成所述场景地图。
可选的，步骤S20，即所述对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，生成场景骨架图，包括：
S201、对所述场景地图进行图像中值滤波和图像均值滤波，生成地图滤波图像；
S202、对所述地图滤波图像进行二值化处理，生成所述二值化滤波图像；
S203、对所述二值化滤波图像进行形态学处理，提取骨架，生成所述场景骨架图。
可选的，步骤S30，即所述通过预设算法处理所述场景骨架图，生成所述建图场景的拓扑地图，包括：
S301、获取所述场景骨架图的节点设置信息，所述节点设置信息包括骨架节点和距离阈值；
S302、根据所述预设算法对所述场景骨架图、所述节点设置信息进行处理，生成若干骨架线段；
S303、拼接所述若干骨架线段，生成所述拓扑地图。
可选的，步骤S301，即所述获取所述场景骨架图的节点设置信息，所述节点设置信息包括骨架节点和距离阈值，包括：
S3011、接收用户输入的设置指令；
S3012、根据所述设置指令生成所述节点设置信息。
可选的，步骤S302，即所述根据所述预设算法对所述场景骨架图、所述节点设置信息进行处理，生成若干骨架线段，包括：
S3020、基于所述骨架节点将所述场景骨架图分成至少一个骨架分段；
S3021、获取与所述骨架分段对应的第一骨架节点和第二骨架节点，生成所述第一骨架节点与所述第二骨架节点之间的第一连线；
S3022、计算所述骨架分段上的骨架点与所述第一连线的距离，将与所述第一骨架节点的曲线距离最短，且与所述第一连线的距离大于或等于所述距离阈值的骨架点设置为第一中间节点；
S3023、连接所述第一中间节点与所述第二骨架节点，生成第二连线；
S3024、计算所述第一中间节点与所述第二骨架节点之间的骨架点与所述第二连线的距离，将与所述第一中间节点的曲线距离最短，且与所述第二连线的距离大于或等于所述距离阈值的骨架点设置为第二中间节点；
S3025、重复上述步骤，直至剩余曲线上的所有骨架点与对应的中间连线的距离小于距离阈值；
S3026、顺次连接所述第一骨架节点、中间节点和所述第二骨架节点，生成所述若干骨架线段，所述中间节点包括所述第一中间节点和所述第二中间节点。
关于机器人拓扑地图生成方法的具体限定可以参见上文中对于机器人拓扑地图生成系统的限定，在此不再赘述。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，而不应对本发明实施例的实施过程构成任何限定。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储机器人拓扑地图生成方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种机器人拓扑地图生成方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现以下步骤：
获取建图场景的场景地图；
对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，生成场景骨架图；
通过预设算法处理所述场景骨架图，生成所述建图场景的拓扑地图。
在一个实施例中，提供了一个或多个存储有计算机可读指令的计算机可读存储介质，本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时实现以下步骤：
获取建图场景的场景地图；
对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，生成场景骨架图；
通过预设算法处理所述场景骨架图，生成所述建图场景的拓扑地图。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；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精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种机器人拓扑地图生成系统，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可读指令，其特征在于，所述处理器用于执行所述计算机可读指令时以实现如下步骤：
获取建图场景的场景地图；
对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，以生成场景骨架图；
通过预设算法处理所述场景骨架图，以生成所述建图场景的拓扑地图。
2.如权利要求1所述的机器人拓扑地图生成系统，其特征在于，所述获取所述建图场景的场景地图，包括：
获取所述机器人经过行动轨迹时采集的深度图像数据；
根据所述机器人在所述行动轨迹中的位置拼接所述深度图像数据，生成所述场景地图。
3.如权利要求2所述的机器人拓扑地图生成系统，其特征在于，所述根据所述机器人在所述行动轨迹中的位置拼接所述深度图像数据，生成所述场景地图，包括：
按照所述机器人在所述行动轨迹中的位置拼接所述深度图像数据，生成三维点云；
将所述三维点云向所述建图场景的基面进行投影，生成所述场景地图。
4.如权利要求1所述的机器人拓扑地图生成系统，其特征在于，所述对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，生成场景骨架图，包括：
对所述场景地图进行图像中值滤波和图像均值滤波，生成地图滤波图像；
对所述地图滤波图像进行二值化处理，生成所述二值化滤波图像；
根据所述二值化滤波图像生成所述场景骨架图。
5.如权利要求1所述的机器人拓扑地图生成系统，其特征在于，所述通过预设算法处理所述场景骨架图，生成所述建图场景的拓扑地图，包括：
获取所述场景骨架图的节点设置信息，所述节点设置信息包括骨架节点和距离阈值；
根据所述预设算法对所述场景骨架图、所述节点设置信息进行处理，生成若干骨架线段；
拼接所述若干骨架线段，生成所述拓扑地图。
6.如权利要求5所述的机器人拓扑地图生成系统，其特征在于，所述根据所述预设算法对所述场景骨架图、所述节点设置信息进行处理，生成若干骨架线段，包括：
基于所述骨架节点将所述场景骨架图分成至少一个骨架分段；
获取与所述骨架分段对应的第一骨架节点和第二骨架节点，生成所述第一骨架节点与所述第二骨架节点之间的第一连线；
计算所述骨架分段上的骨架点与所述第一连线的距离，将与所述第一骨架节点的曲线距离最短，且与所述第一连线的距离大于或等于所述距离阈值的骨架点设置为第一中间节点；
连接所述第一中间节点与所述第二骨架节点，生成第二连线；
计算所述第一中间节点与所述第二骨架节点之间的骨架点与所述第二连线的距离，将与所述第一中间节点的曲线距离最短，且与所述第二连线的距离大于或等于所述距离阈值的骨架点设置为第二中间节点；
重复上述步骤，直至剩余曲线上的所有骨架点与对应的中间连线的距离小于距离阈值；
顺次连接所述第一骨架节点、中间节点和所述第二骨架节点，生成所述若干骨架线段，所述中间节点包括所述第一中间节点和所述第二中间节点。
7.一种机器人拓扑地图生成方法，其特征在于，包括：
获取建图场景的场景地图；
对所述场景地图进行图像预处理，然后进行二值化处理，获得二值化滤波图像，提取所述二值化滤波图像的骨架，以生成场景骨架图；
通过预设算法处理所述场景骨架图，以生成所述建图场景的拓扑地图。
8.如权利要求7所述的机器人拓扑地图生成方法，其特征在于，所述通过预设算法处理所述场景骨架图，生成所述建图场景的拓扑地图，包括：
获取所述场景骨架图的节点设置信息，所述节点设置信息包括骨架节点和距离阈值；
根据所述预设算法对所述场景骨架图、所述节点设置信息进行处理，生成若干骨架线段；
拼接所述若干骨架线段，生成所述拓扑地图。
9.一种计算机设备，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求7-8中任意一项所述的机器人拓扑地图生成方法。
10.一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求7-8中任意一项所述的机器人拓扑地图生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110874168.5A CN113724383A (zh) | 2021-07-30 | 2021-07-30 | 机器人拓扑地图生成系统、方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110874168.5A CN113724383A (zh) | 2021-07-30 | 2021-07-30 | 机器人拓扑地图生成系统、方法、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113724383A true CN113724383A (zh) | 2021-11-30 |
Family
ID=78674542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110874168.5A Pending CN113724383A (zh) | 2021-07-30 | 2021-07-30 | 机器人拓扑地图生成系统、方法、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113724383A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116481516A (zh) * | 2023-06-21 | 2023-07-25 | 深圳市普渡科技有限公司 | 机器人、地图创建方法和存储介质 |
| CN116625386A (zh) * | 2023-04-21 | 2023-08-22 | 苏州大学 | 基于图像滤波的地图构建方法和多机器人路径规划方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10326302A (ja) * | 1997-05-23 | 1998-12-08 | Dainippon Printing Co Ltd | ちりめん模様の作成方法および作成装置 |
| JP2002251636A (ja) * | 2001-02-23 | 2002-09-06 | Taito Corp | 輪郭図形モデルからスケルトンモデルを得る方法 |
| US20180202810A1 (en) * | 2017-01-17 | 2018-07-19 | International Business Machines Corporation | Navigation using an image of a topological map |
| CN111323037A (zh) * | 2020-02-28 | 2020-06-23 | 武汉科技大学 | 一种移动机器人新型骨架提取的Voronoi路径规划算法 |
| CN111768489A (zh) * | 2019-04-01 | 2020-10-13 | 顺丰科技有限公司 | 一种室内导航地图构建方法和系统 |
| CN112799095A (zh) * | 2020-12-31 | 2021-05-14 | 深圳市普渡科技有限公司 | 静态地图生成方法、装置、计算机设备及存储介质 |
| CN112950782A (zh) * | 2021-03-29 | 2021-06-11 | 北京布科思科技有限公司 | 机器人自主漫游方法和装置及设备 |
-
2021
- 2021-07-30 CN CN202110874168.5A patent/CN113724383A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10326302A (ja) * | 1997-05-23 | 1998-12-08 | Dainippon Printing Co Ltd | ちりめん模様の作成方法および作成装置 |
| JP2002251636A (ja) * | 2001-02-23 | 2002-09-06 | Taito Corp | 輪郭図形モデルからスケルトンモデルを得る方法 |
| US20180202810A1 (en) * | 2017-01-17 | 2018-07-19 | International Business Machines Corporation | Navigation using an image of a topological map |
| CN111768489A (zh) * | 2019-04-01 | 2020-10-13 | 顺丰科技有限公司 | 一种室内导航地图构建方法和系统 |
| CN111323037A (zh) * | 2020-02-28 | 2020-06-23 | 武汉科技大学 | 一种移动机器人新型骨架提取的Voronoi路径规划算法 |
| CN112799095A (zh) * | 2020-12-31 | 2021-05-14 | 深圳市普渡科技有限公司 | 静态地图生成方法、装置、计算机设备及存储介质 |
| CN112950782A (zh) * | 2021-03-29 | 2021-06-11 | 北京布科思科技有限公司 | 机器人自主漫游方法和装置及设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116625386A (zh) * | 2023-04-21 | 2023-08-22 | 苏州大学 | 基于图像滤波的地图构建方法和多机器人路径规划方法 |
| CN116625386B (zh) * | 2023-04-21 | 2024-09-20 | 苏州大学 | 基于图像滤波的地图构建方法和多机器人路径规划方法 |
| CN116481516A (zh) * | 2023-06-21 | 2023-07-25 | 深圳市普渡科技有限公司 | 机器人、地图创建方法和存储介质 |
| CN116481516B (zh) * | 2023-06-21 | 2023-10-13 | 深圳市普渡科技有限公司 | 机器人、地图创建方法和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111951397B (zh) | 一种多机协同构建三维点云地图的方法、装置和存储介质 | |
| CN109993780B (zh) | 一种三维高精度地图生成方法及装置 | |
| CN110634291B (zh) | 基于众包大数据的高精度地图拓扑自动构建方法及系统 | |
| CN110009718B (zh) | 一种三维高精度地图生成方法及装置 | |
| CN109798903B (zh) | 一种从地图数据中获取道路信息的方法及装置 | |
| EP3321887A1 (en) | Urban road recognition method, apparatus, storage medium and device based on laser point cloud | |
| CN115782867A (zh) | 轨迹碰撞风险评估方法、装置、电子设备和存储介质 | |
| JP2018523875A (ja) | 車線認識のモデリング方法、装置、記憶媒体及び機器、並びに車線の認識方法、装置、記憶媒体及び機器 | |
| CN110253579B (zh) | 基于圆弧特征提取的机器人定位方法、装置、设备及介质 | |
| EP3620945A1 (en) | Obstacle distribution simulation method, device and terminal based on multiple models | |
| CN118456446B (zh) | 基于三维重建的钢筋笼智能绑扎方法、装置、设备及介质 | |
| CN113724383A (zh) | 机器人拓扑地图生成系统、方法、计算机设备及存储介质 | |
| CN115482255A (zh) | 障碍物追踪方法、装置、设备及存储介质 | |
| KR20220092462A (ko) | 고정밀 지도 횡단보도 생성 방법, 장치 및 전자 기기 | |
| Dobbs et al. | Smart-tree: Neural medial axis approximation of point clouds for 3d tree skeletonization | |
| CN115609594A (zh) | 机械臂路径的规划方法、装置、上位控制端及存储介质 | |
| US9977993B2 (en) | System and method for constructing a statistical shape model | |
| CN110097077B (zh) | 点云数据分类方法、装置、计算机设备和存储介质 | |
| CN112184884B (zh) | 三维模型构建方法、装置、计算机设备及存储介质 | |
| CN113724384B (zh) | 机器人拓扑地图生成系统、方法、计算机设备及存储介质 | |
| CN113741422B (zh) | 机器人拓扑地图生成系统、方法、计算机设备及存储介质 | |
| CN114693717B (zh) | 图像处理方法、装置、设备及计算机可读存储介质 | |
| CN113724385A (zh) | 机器人拓扑地图生成系统、方法、计算机设备及存储介质 | |
| CN116150296A (zh) | 一种路网骨架生成方法、装置、电子设备及存储介质 | |
| CN116311114A (zh) | 一种可行驶区域生成方法、装置、电子设备及存储介质 |
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 |