CN113984071A - 地图匹配方法、装置、机器人和计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种地图匹配方法，该方法包括：获取目标场所的环境地图和点云数据；获取目标场所的边界线段角度分布，边界线段角度分布为所述目标场所多个边界线段的角度分布；确定点云数据中的点云线段角度分布，所述点云线段角度分布为点云数据中多个点云线段的角度分布；根据所述边界线段角度分布和所述点云线段角度分布将所述点云数据与所述环境地图进行地图匹配。本发明还公开了一种地图匹配装置、机器人和计算机可读存储介质。本发明可减少匹配次数，降低计算量，提高地图匹配效率，从而提高机器人位姿的确定效率。

Description

地图匹配方法、装置、机器人和计算机可读存储介质

技术领域

本发明涉及机器人技术领域，尤其涉及地图匹配方法、装置、机器人和计算机可读存储介质。

背景技术

随着经济技术的发展，机器人在我们日常生产、生活中的应用也越来越广泛。其中，自主移动的机器人在活动环境下，可能需要进行重定位，例如清洁机器人在室内清扫环境下，需要进行重新定位，确定机器人当前的位姿。现有技术中确定机器人位姿一般通过传感器采集点云数据，根据点云数据与环境地图的匹配结果来确定机器人的位姿。

具体来说，在获取到一帧点云数据之后，需要将该帧点云数据遍历0至360°中的所有角度进行旋转，将旋转过程中每个角度对应的点云数据依次跟环境地图进行匹配，以得到点云数据是否与环境地图重合程度最高的位置，该重合程度最高的位置就是机器人的真实位姿，但是，将机器人获取的每一帧点云数据均旋转0至360°，会导致数据匹配次数较多，计算量大，地图匹配效率低下，影响匹配速率影响，以及影响机器人的重定位效率。

发明内容

本发明的主要目的在于提供一种地图匹配方法、装置、机器人和计算机可读存储介质，旨在减少数据匹配次数，提高地图匹配效率。

为实现上述目的，本发明提供一种地图匹配方法，所述地图匹配方法包括以下步骤：

获取目标场所的环境地图和点云数据；

获取所述目标场所的边界线段角度分布，所述边界线段角度分布为所述目标场所多个边界线段的角度分布；确定所述点云数据中的点云线段角度分布，所述点云线段角度分布为所述点云数据中多个点云线段的角度分布；

根据所述边界线段角度分布和所述点云线段角度分布将所述点云数据与所述环境地图进行地图匹配。

可选地，所述获取所述目标场所的边界线段角度分布，包括：

对所述环境地图进行线段提取，得到边界线段；

分析各边界线段的边界线段角度，得到边界线段角度分布，每一所述边界线段对应一个边界线段角度。

可选地，所述确定所述点云数据中的点云线段角度分布，包括：

对所述点云数据进行线段提取，得到点云数据线段；

分析各点云数据线段的点云线段角度，得到点云线段角度分布，每一所述点云数据线段对应一个点云线段角度。

可选地，根据所述边界线段角度分布和所述点云线段角度分布将所述点云数据与所述环境地图进行地图匹配，包括：

根据所述边界线段角度分布与所述点云线段角度分布确定至少一个参考角度；

根据所述至少一个参考角度将所述点云数据进行旋转，得到旋转后的点云数据；

将旋转前的点云数据与所述环境地图进行地图匹配，以及，将所述旋转后的点云数据与所述环境地图进行地图匹配。

可选地，根据所述边界线段角度分布与所述点云线段角度分布确定至少一个参考角度，包括：

确定所述边界线段角度分布中每个边界线段角度与所述点云线段角度分布中每个点云线段角度之间的角度差值，得到所述至少一个参考角度。

可选地，所述根据所述边界线段角度分布与所述点云线段角度分布确定至少一个参考角度，包括：

根据所述点云线段角度分布生成点云线段角度分布直方图；

根据所述边界线段角度分布生成边界线段角度分布直方图；

根据所述点云线段角度分布直方图与所述边界线段角度分布直方图确定所述至少一个参考角度。

可选地，所述边界角线段度分布直方图包括各个边界线段角度的占比，根据所述点云线段角度分布直方图与所述边界线段角度分布直方图确定所述至少一个参考角度，包括：

按照占比从大到小的顺序，依次将所述点云线段角度分布直方图中的每个点云线段角度与所述边界线段角度分布直方图中的每个边界线段角度进行匹配，若角度一致，则参考角度为0，若角度不一致，则将所述点云线段角度与所述边界线段角度之间的差值作为所述参考角度，以得到至少一个参考角度。

可选地，根据所述至少一个参考角度将所述点云数据进行旋转，得到旋转后的点云数据，包括：

若所述参考角度为0，则所述点云数据不进行旋转，若所述参考角度不为0，则将所述点云数据旋转所述参考角度。

可选地，所述将所述旋转后的点云数据与所述环境地图进行地图匹配，包括：

将旋转后的点云数据与所述环境地图进行地图匹配，若匹配成功，则停止继续旋转，若未成功，则继续旋转，直到匹配成功。

可选地，所述将所述旋转后的点云数据与所述环境地图进行地图匹配，包括：

根据所述至少一个参考角度中每一个参考角度旋转所述点云数据，

将每一次旋转后的点云数据与所述环境地图进行地图匹配，得到至少一个匹配结果；

根据所述至少一个匹配结果中的最佳匹配结果作为目标地图匹配结果。

此外，为了实现上述目的，本申请还提出一种地图匹配装置，所述地图匹配装置包括：

获取模块，所述获取模块用于获取目标场所的环境地图和点云数据帧；

角度获取模块，所述角度提取模块用于获取所述目标场所的边界线段角度分布，所述边界线段角度分布为所述目标场所多个边界线段的角度分布；所述角度提取模块还用于确定所述点云数据中的点云线段角度分布，所述点云线段角度分布为所述点云数据中多个点云线段的角度分布；

匹配模块，所述匹配模块用于根据所述边界线段角度分布和所述点云线段角度分布将所述点云数据与所述环境地图进行地图匹配。

此外，为了实现上述目的，本申请还提出一种机器人，所述机器人包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地图匹配程序，所述地图匹配程序被所述处理器执行时实现如上任一项所述的地图匹配方法的步骤。

此外，为了实现上述目的，本申请还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有地图匹配程序，所述地图匹配程序被处理器执行时实现如上任一项所述的地图匹配方法的步骤。

本发明提出的一种地图匹配方法、装置、机器人和计算机可读存储介质，该方法基于目标场所多个边界线段的边界线段角度分布和点云数据中多个点云线段的点云线段角度分布，对目标场所的环境地图和点云数据进行匹配，匹配时点云数据旋转的角度不需要遍历0到360度中所有的角度，而是根据目标场所的环境布局，即边界线段角度分布，以及根据点云数据中的点云线段角度分布来进行地图匹配，可减少匹配次数，降低计算量，提高地图匹配效率，从而提高机器人位姿的确定效率。

附图说明

图1为本发明机器人一实施例运行涉及的硬件结构示意图；

图2为本发明地图匹配方法一实施例的流程示意图；

图3为获取目标场所的边界线段角度分布的演示示意图；

图4为确定点云数据中的点云线段角度分布；

图5为本发明地图匹配方法另一实施例的流程示意图；

图6为本申请地图匹配方法实施例所涉及的边界线段角度分布直方图以及点云线段角度分布直方图；

图7为本申请地图匹配方法实施例所涉及的基于不同参考角度对点云数据进行旋转的示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

随着智能家居技术的不断发展，各种智能家居设备应运而生，机器人便是其中的一种。

本申请涉及的机器人可以包括清洁机器人、物流机器人、服务机器人、搬运机器人、仓储机器人等等，其中，清洁机器人可用于对地面进行自动清洁，应用场景可以为家庭室内清洁、大型场所清洁等。

清洁机器人的类型有扫地机器人、拖地机器人、扫拖一体机器人等。在清洁机器人上，设有清洁组件和驱动装置。在驱动装置的驱动下，清洁机器人沿设定的清洁路径进行自移动，并通过清洁组件清洁地面。对于扫地机器人来说，清洁组件包括扫地组件和吸尘装置，在清洁过程中，扫地组件将灰尘、垃圾等扫到吸尘装置的吸尘口，从而吸尘装置将灰尘、垃圾等吸收暂存，扫地组件可包括边刷组件。对于拖地机器人来说，清洁组件包括拖擦组件，该拖擦组件与地面接触，在拖地机器人移动过程中，该拖擦件对地面进行拖擦，实现对地面的清洁。

在本实施例中，参照图1，机器人包括传感器1、建图模块2以及控制装置3。传感器1用于采集目标场所的点云数据，建图模块2用于构建目标场所的环境地图。传感器1和建图模块2均与控制装置3连接。

在本发明实施例中，参照图1，控制装置3包括：处理器1001(例如CPU)，存储器1002等。存储器1002可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1002可选的还可以是独立于前述处理器1001的存储装置。建图模块可以进行建图，得到机器人工作场所的环境地图。传感器可包括激光雷达、双目传感器、线激光传感器、视觉传感器等。本方案中，可通过激光雷达、双目传感器、线激光传感器、视觉传感器中的至少一种传感器采集点云数据。可选地，传感器还可包括探地传感器、悬崖传感器、碰撞传感器、距离传感器、跌落传感器、计数器、和陀螺仪等，本申请不做限制。

例如，在工作时，激光雷达旋转，并通过激光雷达上的发射器发射激光信号，激光信号被障碍物反射，从而激光雷达的接收器接收障碍物反射回的激光信号。激光雷达的电路单元通过对接收的激光信号进行分析，可得到周围的环境的点云数据。

如图1所示，作为一种计算机存储介质的存储器1002中可以包括机器人的控制程序。

在图1所示的装置中，处理器1001可以用于调用存储器1002中存储的机器人的控制程序，并执行以下操作：

获取目标场所的环境地图和点云数据；

获取所述目标场所的边界线段角度分布，所述边界线段角度分布为所述目标场所多个边界线段的角度分布；确定所述点云数据中的点云线段角度分布，所述点云线段角度分布为所述点云数据中多个点云线段的角度分布；

根据所述边界线段角度分布和所述点云线段角度分布将所述点云数据与所述环境地图进行地图匹配。

进一步地，理器1001可以调用存储器1002中存储的机器人的控制程序，还执行以下操作：

对所述环境地图进行线段提取，得到边界线段；

分析各边界线段的边界线段角度，得到边界线段角度分布，每一所述边界线段对应一个边界线段角度。

进一步地，处理器1001可以调用存储器1002中存储的机器人的控制程序，还执行以下操作：

对所述点云数据进行线段提取，得到点云线段；

分析各点云线段的点云线段角度，得到点云线段角度分布，每一所述点云线段对应一个点云线段角度。

进一步地，处理器1001可以调用存储器1002中存储的机器人的控制程序，还执行以下操作：

根据所述边界线段角度分布与所述点云线段角度分布确定至少一个参考角度；

根据所述至少一个参考角度将所述点云数据进行旋转，得到旋转后的点云数据；

将旋转前的点云数据与所述环境地图进行地图匹配，以及，将所述旋转后的点云数据与所述环境地图进行地图匹配。

进一步地，所述目标时长包括第一时长以及第二时长，处理器1001可以调用存储器1002中存储的机器人的控制程序，还执行以下操作：

确定所述边界线段角度分布中每个边界线段角度与所述点云线段角度分布中每个点云线段角度之间的角度差值，得到所述至少一个参考角度。

进一步地，处理器1001可以调用存储器1002中存储的机器人的控制程序，还执行以下操作：

根据所述点云线段角度分布生成点云线段角度分布直方图；

根据所述边界线段角度分布生成边界线段角度分布直方图；

根据所述点云线段角度分布直方图与所述边界线段角度分布直方图确定所述至少一个参考角度。

进一步地，所述边界线段角度分布直方图包括各个边界线段角度的占比，所述点云线段角度分布直方图包括各个点云线段角度的占比，处理器1001可以调用存储器1002中存储的机器人的控制程序，还执行以下操作：

按照占比从大到小的顺序，依次将所述点云线段角度分布直方图中的每个点云线段角度与所述边界线段角度分布直方图中的每个边界线段角度进行匹配，若角度一致，则参考角度为0，若角度不一致，则将所述点云线段角度与所述边界线段角度之间的差值作为所述参考角度，以得到至少一个参考角度。

进一步地，处理器1001可以调用存储器1002中存储的机器人的控制程序，还执行以下操作：

若所述参考角度为0，则所述点云数据不进行旋转，若所述参考角度不为0，则将所述点云数据旋转所述参考角度。

进一步地，处理器1001可以调用存储器1002中存储的机器人的控制程序，还执行以下操作：

将旋转后的点云数据与所述环境地图进行地图匹配，若匹配成功，则停止继续旋转，若未成功，则继续旋转，直到匹配成功。

进一步地，处理器1001可以调用存储器1002中存储的机器人的控制程序，还执行以下操作：

根据所述至少一个参考角度中每一个参考角度旋转所述点云数据，获得每一次旋转后的点云数据；

所述将所述旋转后的点云数据与所述环境地图进行地图匹配，包括：

将每一次旋转后的点云数据与所述环境地图进行地图匹配，得到至少一个匹配结果；

所述方法还包括：

根据所述至少一个匹配结果和旋转前的点云数据对应的匹配结果中的最佳匹配结果作为目标地图匹配结果。

本领域技术人员可以理解，图1中示出的装置结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机可读存储介质的存储器1002中可以包括地图匹配程序。在图1所示的装置中，处理器1001可以用于调用存储器1002中存储的地图匹配程序，并执行以下实施例中地图匹配方法的相关步骤操作。

本发明实施例的主要解决方案是：获取目标场所的环境地图和点云数据；

获取所述目标场所的边界线段角度分布，所述边界线段角度分布为所述目标场所多个边界线段的角度分布；确定所述点云数据中的点云线段角度分布，所述点云线段角度分布为所述点云数据中多个点云线段的角度分布；根据所述边界线段角度分布和所述点云线段角度分布将所述点云数据与所述环境地图进行地图匹配。

由于现有技术中，机器人在获取到一帧点云数据之后，需要将该帧点云数据遍历0至360°中的所有角度进行旋转，将旋转过程中每个角度对应的点云数据分别跟环境地图进行匹配，这会导致数据匹配次数较多，计算量大，地图匹配效率低下，影响机器人的定位效率。

本发明提供上述的解决方案，根据目标场所的环境布局，即边界线段角度分布，以及根据点云数据中的点云线段角度分布来进行地图匹配，旨在减少数据匹配次数，提高地图匹配效率，以提高机器人位姿的确定效率。

本发明实施例还提供一种地图匹配方法，应用于上述的机器人。

参照图2，提出本申请地图匹配方法一实施例。在本实施例中，所述地图匹配方法包括：

步骤S10，获取目标场所的环境地图和点云数据；

目标场所可为用户指定的场所、也可为机器人基于其采集到的其所在空间的场景信息所确定的区域，还可是机器人所允许移动的最大区域范围。例如，目标场所可以为用户家中、或公司、或商场等场所。

机器人在目标场所内移动并通过其建图模块构建目标场所的环境地图，基于此通过获取建图模块的数据便可得到这里的环境地图。在本实施例中，环境地图为栅格地图。在其他实施例中，环境地图也可为矢量地图等其他类型的地图。

机器人可获取激光雷达、双目传感器、线激光传感器、视觉传感器中的至少一种传感器采集点云数据。例如，机器人在目标场所移动的过程中实时通过激光雷达检测目标场所的点云数据，基于此通过获取激光雷达的数据便可得到这里的点云数据。

步骤S20，获取所述目标场所的边界线段角度分布，所述边界线段角度分布为所述目标场所多个边界线段的角度分布；确定所述点云数据中的点云线段角度分布，所述点云线段角度分布为所述点云数据中多个点云线段的角度分布；

其中，目标场所的多个边界线段包括目标场所内摆放物外轮廓所包含的多个线段以及目标场所的场所边界所包含的线段等。在本实施例中，边界线段角度分布具体通过解析环境地图得到。在其他实施例中，也可通过分析激光机器人摄像头拍摄的图像数据分析得到，还可获取由机器人外部的设备分析得到后发送给机器人。

点云数据中多个点云线段具体可通过对点云数据进行线段识别得到。

步骤S30，根据所述边界线段角度分布和所述点云线段角度分布将所述点云数据与所述环境地图进行地图匹配。

具体的，根据边界线段角度分布和点云线段分布确定点云数据与环境地图匹配过程所需搜索的参考角度(如角度范围或角度值)，基于参考角度将点云数据进行旋转，然后将旋转后的点云数据与环境地图进行地图匹配。

本发明实施例提出的一种地图匹配方法，该方法基于目标场所多个边界线段的角度分布和点云数据中多个点云线段的角度分布对目标场所的环境地图和点云数据进行匹配，匹配时点云数据旋转的角度不需要遍历0到360度中所有的角度，而是根据目标场所的环境布局，即边界线段角度分布，以及根据点云数据中的点云线段角度分布来进行地图匹配，可减少匹配次数，降低计算量，提高地图匹配效率，从而提高机器人位姿的确定效率。

进一步的，在本实施例中，获取所述目标场所的边界线段角度分布的过程具体如下：对所述环境地图进行线段提取，得到边界线段；分析各边界线段的边界线段角度，得到边界线段角度分布，每一所述边界线段对应一个边界线段角度。

具体的，如图3所示，环境地图具有预先设置或基于环境地图构建时机器人的位姿确定的第一基准线。对环境地图进行线段提取后可得到多条边界线段，确定每条边界线段与第一基准线的夹角可获得每个边界线段对应的边界线段角度，进而可分析得到的多个边界线段的边界线段角度为边界线段角度分布。例如图3的左边，可对环境地图进行线段提取后可得到4条边界线段，左右两侧的边界线段与第一基准线之间的夹角为90°，上下边的边界线段与第一基准线之间的夹角为0°，进而可分析边界线段角度包括0°和90°，还可分析边界线段角度的数量、占比等信息，得到边界线段角度分布；又例如图3的右边，可对环境地图进行线段提取后可得到5条边界线段，各个边界线段与第一基准线之间的夹角分别为0°，α1，α2，α3和α4，进而可分析边界线段角度包括0°，α1，α2，α3，α4，以及各边界线段角度的数量、占比等信息，得到边界线段角度分布。按照上述方式确定目标场所的边界线段角度分布，可确保所确定的边界线段角度分布的准确性，从而提高地图匹配效率的同时提高地图匹配的准确度。

进一步的，在本实施例中，确定所述点云数据中的点云线段角度分布的过程具体如下：对所述点云数据进行线段提取，得到点云线段；分析各点云线段的点云线段角度，得到点云线段角度分布，每一所述点云线段对应一个点云线段角度。

具体的，如图4所示，点云数据具有预先设置或预先选取其中一条点云线段作为第二基准线。对点云数据进行线段提取后可得到多条点云线段，确定每条点云线段与第二基准线的夹角可获得每个点云线段对应的点云线段角度，进而可根据点云线段角度分析点云线段角度分布。例如图4的左边，可对点云数据进行线段提取后可得到2条点云线段，右侧的点云线段与第二基准线之间的夹角为90°，上边的点云线段与第二基准线之间的夹角为0°，进而可分析点云线段角度包括0°和90°，还可分析点云线段角度的数量、占比等信息，得到点云线段角度分布；又例如图3的右边，可对环境地图进行线段提取后可得到2条点云线段，各个点云线段与第二基准线之间的夹角分别为α1和α2，进而可分析点云线段角度包括α1和α2，以及各点云线段角度的数量、占比等信息，得到点云线段角度分布。这里，按照上述方式确定点云数据的点云线段角度分布，可确保所确定的点云线段角度分布的准确性，从而提高地图匹配效率的同时提高地图匹配的准确度。

进一步的，基于上述实施例，提出本申请地图匹配方法另一实施例。在本实施例中，参照图5，所述步骤S30包括：

步骤S31，根据所述边界线段角度分布与所述点云线段角度分布确定至少一个参考角度；

在一实现方式中，确定所述边界线段角度分布中每个边界线段角度与所述点云线段角度分布中每个点云线段角度之间的角度差值，得到所述至少一个参考角度。

例如，边界线段角度分布包括0°、30°、60°、90°；当前点云线段角度分布包括30°，120°，可根据点云线段角度分布的30°与房间的边界线段角度分布的0°之间的差值确定一个参考角度-30°；根据点云线段角度分布的30°与房间的边界线段角度分布30°的差值确定一个参考角度0°；根据点云线段角度分布的30°与房间的边界线段角度分布60°的差值确定一个参考角度30°；根据点云线段角度分布的30°与房间的边界线段角度分布90°的差值确定一个参考角度60°；依次类推，根据点云线段角度分布的120°与房间的边界线段角度分布0°、30°、60°、90°之间的差值分别可确定可以确定多个参考角度-120°、-90°、-60°、-30°。

在另一实现方式中，根据所述边界线段角度分布与所述点云线段角度分布确定至少一个参考角度，包括：根据所述点云线段角度分布生成点云线段角度分布直方图；根据所述边界线段角度分布生成边界线段角度分布直方图；根据所述点云线段角度分布直方图与所述边界线段角度分布直方图确定所述至少一个参考角度。

在获得边界线段角度分布之后，可进一步统计不同每个边界线段角度对应的边界线段的数量，基于数量确定的每个边界线段角度所对应的边界线段在所有边界线段中的占比，基于每个边界线段角度所对应的占比生成边界线段角度分布直方图，如图6(a)所示。在其他实施例中，也可直接基于每个边界线段角度所对应的数量生成边界线段角度分布直方图。

在获得点云线段角度分布之后，可进一步统计不同每个点云线段角度对应的点云线段的数量，基于数量确定的每个点云线段角度所对应的点云线段在所有点云线段中的占比，基于每个点云线段角度所对应的占比生成点云线段角度分布直方图，如图6(b)所示。在其他实施例中，也可直接基于每个点云线段角度所对应的数量生成点云线段角度分布直方图。

根据点云线段角度分布直方图中的信息和边界线段角度分布直方图中的信息进行匹配，基于匹配到的结果确定这里多于一个参考角度。

具体的，在本实施例中，所述边界线段角度分布直方图包括各个边界线段角度的占比，所述点云线段角度分布直方图包括各个点云线段角度的占比，可按照占比从大到小的顺序，依次将所述点云线段角度分布直方图中的每个点云线段角度与所述边界线段角度分布直方图中的每个边界线段角度进行匹配，若角度一致，则参考角度为0，若角度不一致，则将所述点云线段角度与所述边界线段角度之间的差值作为所述参考角度，以得到至少一个参考角度。

其中，按照占比从大到小的顺序，具体可包括：按照各个边界线段角度的占比由大到小的顺序；或者，按照各个点云线段角度的占比由大到小的顺序；或者，在按照各个边界线段角度的占比和各个云线段角度的占比由大到小的顺序，本申请不做限制。

例如，边界线段角度分布直方图中各个边界线段角度按照占比从大到小依次排列是90°、0°、30°、60°，点云线段角度分布直方图中各个边界线段角度按照占比从大到小依次排列是30°、90°、0°、60°，按照占比从大到小的顺序，可以先确定边界线段角度90°与点云线段角度30°之间的角度差值60°，90°与30°不一致，则将角度差值60°作为参考角度；然后，可确定基于占比排列第二的边界线段角度90°与点云线段角度90°一致，角度差值为0，即参考角度为0，以此类推，可以逐步确定多个参考角度。

步骤S32，根据所述至少一个参考角度将所述点云数据进行旋转，得到旋转后的点云数据；

根据每个参考角度旋转点云数据后获得对应的一个旋转结果，参考角度的数量为N个，则对应得到N个旋转后的点云数据。

具体的，若所述参考角度为0，则所述点云数据不进行旋转，若所述参考角度不为0，则将所述点云数据旋转所述参考角度。例如，参考角度为30°，则将点云数据旋转30°；又如，参考角度为60°，则将点云数据旋转60°。如图7所示，至少一个参考角度包括0°、30°、60°以及90°时，可将点云数据的数据帧M不旋转以及分别旋转30°、60°以及90°，依次获得旋转后的点云数据的数据帧M1、M2、M3以及M4。

步骤S33，将旋转前的点云数据与所述环境地图进行地图匹配，以及，将所述旋转后的点云数据与所述环境地图进行地图匹配。

具体实施中，除了将旋转前的点云数据与环境地图进行地图匹配，还可在逐步确定多个参考角度的过程中，根据参考角度将点云数据进行旋转，得到旋转后的点云数据，进而将旋转前的点云数据和旋转后的点云数据与环境地图进行地图匹配。

在一实现方式中，将旋转后的点云数据与所述环境地图进行地图匹配，若匹配成功，则停止继续旋转，若未成功，则继续旋转，直到匹配成功。

具体的，点云数据与环境地图之间匹配度大于设定阈值，可认为旋转后的点云数据与环境地图匹配成功；点云数据与环境地图之间匹配度小于或等于设定阈值，可认为旋转后的点云数据与环境地图匹配未成功。基于此，在判断点云数据与环境地图之间匹配度大于设定阈值后，即可确定匹配成功，不需要继续执行根据参考角度进行点云数据旋转，以及后续的匹配，减少计算量，可进一步提高点云数据与环境地图的匹配效率。

在另一实现方式中，上述所述根据所述至少一个参考角度将所述点云数据进行旋转，得到旋转后的点云数据的步骤包括：

根据所述至少一个参考角度中每一个参考角度旋转所述点云数据，获得每一次旋转后的点云数据；

基于此，旋转后的点云数据与环境地图进行地图匹配的过程具体如下：根据所述至少一个参考角度中每一个参考角度旋转所述点云数据，将每一次旋转后的点云数据与所述环境地图进行地图匹配，得到至少一个匹配结果；

所述方法还包括：根据所述至少一个匹配结果和旋转前的点云数据对应的匹配结果中的最佳匹配结果作为目标地图匹配结果。

在本实施例中，匹配结果具体包括点云数据与环境地图之间的匹配度，则将所有得到的匹配度进行两两比较，比较得到的匹配度最高的点云数据作为目标地图匹配结果，根据目标地图匹配结果确定机器人的位姿。这里通过将每一个参考角度对应的旋转后的点云数据进行匹配，以及将旋转前的点云数据与环境地图进行地图匹配，可以得到较为完整的匹配结果，进而选择最佳匹配结果作为目标地图匹配结果，可实现提高地图匹配效率的同时保证匹配结果的准确性。

在本实施例中，点云数据帧所需旋转的角度不需要遍历0到360度中所有的角度，而是基于所获取的目标场所的边界线段角度分布和点云数据中点云线段角度分布筛选得到点云数据所需旋转的参考角度，从而减小点云数据帧的角度搜索范围，减少数据匹配次数，提高地图匹配效率，以提高机器人位姿的确定效率。

此外，本发明实施例还提出一种地图匹配装置，所述地图匹配装置包括：

获取模块，所述获取模块用于获取目标场所的环境地图和点云数据帧；

角度获取模块，所述角度提取模块用于获取所述目标场所的边界线段角度分布，所述边界线段角度分布为所述目标场所多个边界线段的角度分布；所述角度提取模块还用于确定所述点云数据中的点云线段角度分布，所述点云线段角度分布为所述点云数据中多个点云线段的角度分布；

匹配模块，所述匹配模块用于根据所述边界线段角度分布和所述点云线段角度分布将所述点云数据与所述环境地图进行地图匹配。

本实施例中地图匹配装置中各硬件模块所执行步骤的细化实施方案及其所能达到的技术效果具体可类比参见上述地图匹配方法中对应步骤的细化实施方案及其所能达到的技术效果，在此不作赘述。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有地图匹配程序，所述地图匹配程序被处理器执行时实现如上地图匹配方法任一实施例的相关步骤。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，机器人，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (13)

1.一种地图匹配方法，其特征在于，所述地图匹配方法包括以下步骤：

获取目标场所的环境地图和点云数据；

获取所述目标场所的边界线段角度分布，所述边界线段角度分布为所述目标场所多个边界线段的角度分布；确定所述点云数据中的点云线段角度分布，所述点云线段角度分布为所述点云数据中多个点云线段的角度分布；

根据所述边界线段角度分布和所述点云线段角度分布将所述点云数据与所述环境地图进行地图匹配。

2.如权利要求1所述的地图匹配方法，其特征在于，所述获取所述目标场所的边界线段角度分布，包括：

对所述环境地图进行线段提取，得到边界线段；

分析各边界线段的边界线段角度，得到边界线段角度分布，每一所述边界线段对应一个边界线段角度。

3.如权利要求1所述的地图匹配方法，其特征在于，所述确定所述点云数据中的点云线段角度分布，包括：

对所述点云数据进行线段提取，得到点云线段；

分析各点云线段的点云线段角度，得到点云线段角度分布，每一所述点云线段对应一个点云线段角度。

4.如权利要求1所述的地图匹配方法，其特征在于，所述根据所述边界线段角度分布和所述点云线段角度分布将所述点云数据与所述环境地图进行地图匹配，包括：

根据所述边界线段角度分布与所述点云线段角度分布确定至少一个参考角度；

根据所述至少一个参考角度将所述点云数据进行旋转，得到旋转后的点云数据；

将旋转前的点云数据与所述环境地图进行地图匹配，以及，将所述旋转后的点云数据与所述环境地图进行地图匹配。

5.如权利要求4所述的地图匹配方法，其特征在于，根据所述边界线段角度分布与所述点云线段角度分布确定至少一个参考角度，包括：

确定所述边界线段角度分布中每个边界线段角度与所述点云线段角度分布中每个点云线段角度之间的角度差值，得到所述至少一个参考角度。

6.如权利要求4所述的地图匹配方法，其特征在于，所述根据所述边界线段角度分布与所述点云线段角度分布确定至少一个参考角度，包括：

根据所述点云线段角度分布生成点云线段角度分布直方图；

根据所述边界线段角度分布生成边界线段角度分布直方图；

根据所述点云线段角度分布直方图与所述边界线段角度分布直方图确定所述至少一个参考角度。

7.如权利要求6所述的地图匹配方法，其特征在于，所述边界线段角度分布直方图包括各个边界线段角度的占比，所述点云线段角度分布直方图包括各个点云线段角度的占比，所述根据所述点云线段角度分布直方图与所述边界线段角度分布直方图确定所述至少一个参考角度，包括：

按照占比从大到小的顺序，依次将所述点云线段角度分布直方图中的每个点云线段角度与所述边界线段角度分布直方图中的每个边界线段角度进行匹配，若角度一致，则参考角度为0，若角度不一致，则将所述点云线段角度与所述边界线段角度之间的差值作为所述参考角度，以得到至少一个参考角度。

8.如权利要求4所述的地图匹配方法，其特征在于，所述根据所述至少一个参考角度将所述点云数据进行旋转，得到旋转后的点云数据，包括：

若所述参考角度为0，则所述点云数据不进行旋转，若所述参考角度不为0，则将所述点云数据旋转所述参考角度。

9.如权利要求4所述的地图匹配方法，其特征在于，所述将所述旋转后的点云数据与所述环境地图进行地图匹配，包括：

将旋转后的点云数据与所述环境地图进行地图匹配，若匹配成功，则停止继续旋转，若未成功，则继续旋转，直到匹配成功。

10.如权利要求4所述的地图匹配方法，其特征在于，所述根据所述至少一个参考角度将所述点云数据进行旋转，得到旋转后的点云数据的步骤包括：

根据所述至少一个参考角度中每一个参考角度旋转所述点云数据，获得每一次旋转后的点云数据；

所述将所述旋转后的点云数据与所述环境地图进行地图匹配，包括：

将每一次旋转后的点云数据与所述环境地图进行地图匹配，得到至少一个匹配结果；

所述方法还包括：

根据所述至少一个匹配结果和旋转前的点云数据对应的匹配结果中的最佳匹配结果作为目标地图匹配结果。

11.一种地图匹配装置，其特征在于，所述地图匹配装置包括：

获取模块，所述获取模块用于获取目标场所的环境地图和点云数据；

角度获取模块，所述角度提取模块用于获取所述目标场所的边界线段角度分布，所述边界线段角度分布为所述目标场所多个边界线段的角度分布；所述角度提取模块还用于确定所述点云数据中的点云线段角度分布，所述点云线段角度分布为所述点云数据中多个点云线段的角度分布；

匹配模块，所述匹配模块用于根据所述边界线段角度分布和所述点云线段角度分布将所述点云数据与所述环境地图进行地图匹配。

12.一种机器人，其特征在于，所述机器人包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地图匹配程序，所述地图匹配程序被所述处理器执行时实现如权利要求1至10中任一项所述的地图匹配方法的步骤。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有地图匹配程序，所述地图匹配程序被处理器执行时实现如权利要求1至10中任一项所述的地图匹配方法的步骤。

Images