CN114119920A - 三维点云地图构建方法、系统 - Google Patents

Abstract

本申请实施例提供一种三维点云地图构建方法、系统，用于机器人对未知场景的三维点云地图构建和测绘任务。现有大型人工场景的三维空间建图方案在规划行走路线时随机选取目标点，对建图效果产生了不利影响。本申请利用多线激光雷达和SLAM算法获得场景的三维空间结构信息；然后，基于信息增益期望最大化选择最佳目标点；接着，基于三维地图信息和机器人三维形态生成从当前位置到最佳目标点的探索路径；最后，基于探索路径进行寻迹导航移动。随着地图信息不断变化，机器人基于更新的地图选择新的目标点，并反复迭代，直到目标地图的二维栅格地图形成封闭的已探索空间，并输出全局三维点云地图。

Description

三维点云地图构建方法、系统

技术领域

本申请涉及一种三维点云地图构建方法、系统，属于机器人和测量技术交叉领域。

背景技术

现有机器人在实际工作场景，特别是在大型商场、地下车库、人防工程、地下矿洞探索、危险区域救援等大型场景部署时，通常需要借助多线激光雷达获取场景三维(3Dimensional,3D)空间信息，从而实现各种下游应用任务，如安防巡检、清扫、消毒、配送、建筑测绘、沉降估计、自动定位等。

目前用于构建三维地图的机器人按照控制方式分为两类，一类是由人工远程控制，通过遥控器等实时控制机器人的行走方向、速度等，另一类是能够自主控制的机器人，该类机器人能够自动采集场景信息，并根据场景信息自动规划行走路径，整个三维地图构建过程无需人工控制介入。由于自主控制机器人能够节省大量的人工成本，因此受到了市场的欢迎。

然而，自主控制机器人在规划行走路径时，首先需要确定一个目标点，现有的机器人在选取目标点时多采用在满足一定条件的多个点中随机选取的方式，这样选取的目标点并不一定是所有点中最优的，因此随机选取目标点的方式在一定程度上对机器人构建三维地图的效果产生了不利影响。

发明内容

为了解决上述技术缺陷之一，本申请实施例中提供了三维点云地图构建方法、系统，采用三维多线激光雷达和移动机器人或无人车，自主的对未知场景进行探索建图；同时，不受环境光照影响，最终获得机器人可达区域(Achievable Region)内的三维空间点云地图。整个方法包含四个步骤：1)基于SLAM(Simultaneous Localization And Mapping，同步定位与建图)的局部三维点云地图构建和里程估计；2)基于信息增益的目标点搜索；3)基于碰撞避免的探索路径生成；4)机器人循迹控制。

根据本申请实施例的第一个方面，提供了三维点云地图构建方法，具体包括：

获取点云，并根据点云构建局部三维点云地图；

根据局部三维点云地图确定在目标点的探索收益，根据探索收益确定最佳目标点；

规划探索路径，并驱动机器人沿探索路径移动；

根据机器人获取的点云更新局部三维点云地图，获得全局三维点云地图。

根据本申请实施例的第二个方面，提供了三维点云地图构建系统，具体包括：

地图构建模块，用于获取点云，并根据点云构建局部三维点云地图；

目标确定模块，用于根据局部三维点云地图确定在目标点的探索收益，根据探索收益确定最佳目标点；

目标探索模块，用于规划探索路径，并驱动机器人沿探索路径移动；

地图更新模块，用于根据机器人获取的点云更新所述局部三维点云地图，获得全局三维点云地图。

本申请实施例中提供的三维点云地图构建方法、系统，具有以下优点：

1、基于二维可达区域的二维栅格地图信息和基于多目标信息增益的目标点筛选策略进行探索点选择，赋予机器人对未知环境的语义信息理解能力，并约束机器人优先完成本地搜索，防止频繁更换探索方向，降低探索抖动。并通过总体地图的信息增益启发策略，提升探索效率。

2、通过多线激光雷达实现长距离场景测量(>100m)，并基于三维SLAM获取准确的空间三维信息(建筑结构和障碍物)，以及精确的里程计信息，用于替代机器人底盘里程计，避免由于路面不平整和积水打滑造成的里程估计误差，使得机器人定位更加精准和运行更加安全。

3、基于局部碰撞避免的轨迹生成通过“存储换效率”的方式，一次性的基于局部地图信息计算多条潜在可行的轨迹，并通过分层的方式组织，降低了机器人的总体计算负载。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的三维点云地图构建方法的流程图；

图2为本申请实施例提供的三维点云地图构建方法的三维测试仿真场景示意图，其中(a)为小型室内场景，(b)为大型地库场景；

图3为本申请实施例提供的地图的示意图，其中(a)为局部三维点云地图，(b)为二维栅格地图；

图4为本申请实施例提供的边界点的示意图，其中(a)为边界点在二维栅格地图上的示意图，(b)为边界点在三维点云地图上的示意图；

图5为本申请实施例提供的主路径和候选路径示意图；

图6为本申请实施例提供的机器人在探索过程中已探索区域面积的增长示意图；

图7为本申请实施例提供的大型地库场景探索结束得到的三维点云地图示意图；

图8为本申请实施例提供的小型室内场景探索结束得到的三维点云地图示意图；

图9为本申请实施例提供的在小型室内场景和大型地库场景在不同位置分别进行十次探索的探索时间示意图，其中(a)为在小型室内场景中的探索时间示意图，(b)为在大型地库场景中的探索时间示意图；

图10为本申请实施例提供的机器人处在不同初始位置的示意图，其中(a)为在小型室内场景中的初始位置示意图，(b)为在大型地库场景中的初始位置示意图。

具体实施方式

为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

在实现本申请的过程中，申请人发现，现有的自主控制机器人在规划行走路径时选取的目标点具有随机性，即在符合条件的多个候选点中随机选取一个点作为目标点，然后规划机器人当前检测点和目标点之间的行走路径。例如专利申请CN112964263A公开的技术方案，该专利申请公开了一种自动建图方法、装置移动机器人及可读存储介质，该专利申请在特定的扇形边上随机选取一个点作为目标点，然后规划当前检测点和目标点之间的目标路径。虽然候选点中的所有点都可以作为目标点，但是每个候选点对后续建图效果的影响都不一样，因此采用随机选取目标点的方式无法得到最佳的建图效果。

针对上述问题，本申请实施例中提供了一种三维点云地图构建方法、系统、电子设备及计算机存储介质，方法包括：多线激光雷达外部参数标定，确定机器人车体坐标系和多线激光雷达坐标系的转换关系；获取连续帧点云，同时进行雷达里程估计和局部三维点云地图的构建；确定机器人的最佳目标点，驱动机器人前往最佳目标点探索；生成探索路径，并驱动机器人沿探索路径进行探索；更新全局三维点云地图。采用本申请的方法，机器人能够自动寻找探索收益最大的目标点，并规划探索路径，能够获得最佳的建图效果。

本申请的实施例中，提供了三维点云地图构建方法，如图1所示，该方法包括：

S100、多线激光雷达外部参数标定，确定机器人车体坐标系和多线激光雷达坐标系的转换关系。

示例性地，可以在机器人底盘前方设置标定物，然后使用多线激光雷达测量标定物，通过多线激光雷达的测量值可以计算机器人车体坐标系和激光雷达坐标系的转换关系。然后，测量多线激光雷达的安装高度，用于将多线激光雷达获取的点云的Z轴原点平移至地面，以进行基于高度的地面初始过滤。具体地，多线激光雷达采集地面点云后，使用高度阈值裁剪地面点云，对裁剪后的地面点云采用RANSAC(Random Sample Consensus，随机抽样一致算法)算法进行平面拟合，获得多线激光雷达的精确安装高度。

S120、获取连续帧点云，同时进行雷达里程估计和局部三维点云地图的构建。

示例性地，多线激光雷达按照设定的时间间隔采集场景中的点云，相邻两个时间点t和t+1的点云称为连续帧点云。获得连续帧点云后，可以基于连续帧点云{P₁,P₂,…,P_n}进行局部三维点云建图和里程估计，针对相邻两帧的点云P_t和P_t+1，分别基于下述的平滑度公式(1)计算边特征P_t ^E和P_t+1 ^E，面特征P_t ^p和P_t+1 ^p。

其中，c表示点云的平滑度，S为当前点云的邻域范围，r_j表示索引为j的点云到传感器原点的欧氏距离，r_i表示索引为i的点云到传感器原点的欧氏距离，|S|表示邻域范围内点云的数量，||.||表示欧几里得范数。

具体地，确定边特征和面特征时，首先采用RANSAC算法对点云迭代进行平面拟合，选取拟合得到的N个最大的拟合平面。如果拟合平面中的点数量大于点云中全部点数量的50％，则停止拟合平面。将拟合平面内的点作为平面特征点云，其余的点作为边缘特征点云。采用公式(1)计算获得点云的平滑度，然后对平滑度进行排序，排序最靠前(平滑度最高)的若干平面特征点云作为面特征，排序最靠后(平滑度最低)的若干边缘特征点云作为边特征。

多线激光雷达包括固态激光雷达和环视激光雷达，其中环视激光雷达在工作过程中进行360度旋转，以获得任意方向上的点云。但是环视雷达转动后其对于同一个物体获取的点云会存在误差，因此在获得面特征后，还需要基于面特征{P_t ^p，P_t+1 ^p}对环视激光雷达获取的点云进行配准，然后再根据配准后的点云生成局部三维点云地图和估计每帧点云的三维位姿信息T＝[R，t]，其中R＝[roll,pitch,yaw]分别为多线激光雷达的横滚角、俯仰角和航向角，t＝[x,y,z]分别为多线激光雷达在空间坐标系中三个方向的坐标。

具体地，对环视激光雷达获取的点云进行配准时，需要采用李群代数SE(3)求点云P_t+1到P_t的T_t+1矩阵。具体地，采用上一帧点云的T_t矩阵作为初始解带入边特征{P_t ^E，P_t+1 ^E}集合，并控制多线激光雷达在空间坐标系中z方向和旋转参数[roll，pitch]不变，求解多线激光雷达在空间坐标系中的x，y和多线激光雷达的航向角yaw，得到T_t+1矩阵，利用该T_t+1矩阵即可进行配准。基于更新的T_t+1矩阵将点云P_t+1投影到局部三维点云地图，并对局部三维点云地图进行体素化降采样(体素单位＝0.1m³)，保持总体点云密度在一个恒定值。同时，基于T_t+1矩阵推算机器人的当前位姿Tc＝T₁*T₂,…,T_t+1。

在本申请实施例中，为方便测试，本申请构建了两个尺度不一样的三维仿真场景进行效果验证，场景分别如图2所示，其中图2中(a)为小型室内场景，图2中(b)为大型地库场景。机器人获取的连续帧点云序列为{P₁,P₂,…,P_n}，对每帧点云通过公式(1)计算平滑度，然后提取边特征和面特征，接着通过相邻两帧点云求解相对位姿变换关系[R,t]。再将当前帧点云通过相对位姿变换关系投影到全局坐标系下，插入到已获取的局部三维点云地图，并进行体素化降采样，重复此过程可以循环更新局部三维点云地图，局部三维点云地图如图3中的(a)所示。

S140、确定机器人的最佳目标点，驱动机器人前往最佳目标点探索。

示例性地，首先，对S120获取的局部三维点云地图进行高度过滤，保留机器人可通行高度(例如机器人的底盘高度)和地面范围内的点云。然后通过RANSAC算法并结合地面法向量约束拟合得到地面点云，则地面点云以外的点云为非地面点云。接着沿重力方向将所有的点云均投影至平面，地面点云的投影高度为0，地面点云亦为机器人已探测区域，非地面点云的投影高度为1，非地面点云亦为障碍物区域，其他区域的投影高度为-1，其他区域亦为机器人未探测的未知区域，由此可以生成二维栅格地图，如图3中(b)所示。

获得上述二维栅格地图后，可以确定机器人探索的最佳目标点。具体地，基于以下增益公式(2)，估计当前二维栅格地图中探索收益最大的目标点，作为下一个探索目标，即最佳目标点。

R(x_p)＝Gain(x_p)×gainscale+Dis(x_p)×disscale+Dir(x_p)(2)

其中，R表示在目标点p处的探索收益，Gain为目标点能够获取的信息增益，由该目标点的传感器能够覆盖的未知区域的面积来表示，gainscale为其权重，用于奖励能够获得更大信息增益，Dis为机器人距离目标点的欧式距离，disscale为其权重，用于惩罚相对机器人更远的目标点，鼓励探索近处目标点，Dir为目标点方向与机器人车体方向的航向偏差，用于鼓励机器人更少进行转向的操作，从而减少探索过程中的回溯现象。对这三个指标进行加权计算得到候选目标点的探索收益。

公式(2)中，信息增益

其中Gain(p)为机器人移动到目标点p，使得当前的二维栅格地图产生的信息增益，α为当前采取的运动动作(前进/左转/右转)，

其中θ为目标转角。

最后，通过层次聚类对潜在的目标点进行聚类处理，聚类形成多个簇，以簇为单位求取当前簇的综合探索收益，

其中r为覆盖当前簇的最小外接圆的半径，R_i表示簇中第i个目标点的探索收益。选择所有簇中综合探索收益最大的簇作为目标簇，并以距离簇中心最近的目标点作为最佳目标点S，驱动机器人进行探索。

在本申请的实施例中，基于二维栅格地图进行稠密边界点搜索，并提取每一簇连续边界点中距离机器人车体最近的点作为候选的目标点。如图4中(a)所示，图中圆点为候选的目标点。结合信息增益和车体距离通过公式(2)分别计算每一个候选目标点的探索收益，选取探索收益最大的目标点作为下一个探索目标点，即最佳目标点。图4中(b)为对应最佳目标点在三维点云地图中的位置示意。

S160、生成探索路径，并驱动机器人沿探索路径进行探索。

示例性地，基于机器人的当前位置S和最佳目标点位置D，使用A*算法搜索一条机器人能够抵达最佳目标点的全局主路径。然后，以全局主路径为基础，结合机器人底盘动力学的三次样条曲线生成局部候选路径集，生成的局部候选路径集要求机器人避免与障碍物发生碰撞，且在生成局部候选路径集的过程中可通过限制局部候选路径的总长度控制路径的生成范围。同时，采用递归的形式进行分层路径生成，其中全局主路径为L0，生成局部候选路径L1时以L0为约束，生成若干条自L0开始，到L0路径结束的局部候选路径；生成局部候选L2时，以L1中的路径为约束，生成若干条自L1开始，到L1或L0结束的局部候选路径；依此类推，在生成过程中各路径不重合。通过控制每个层级的局部候选路径生成数量，以及层级数来控制总体生成结果的规模和算法计算量。

在本申请的实施例中，如图5所示。根据多线激光雷达感知到的障碍物对障碍物影响范围内的路径进行阻塞，对剩余路径计算能够抵达终点的概率，选取最大概率的轨迹执行。基于当前选取的轨迹进行轨迹追踪导航，当行驶过程无障碍物时，一直选取朝向最佳目标点的最优轨迹行驶；当选取的轨迹被新障碍物遮挡时，选择任意可切换路径进行切换，最终到达目标。

S180、更新局部三维点云地图，得到全局三维点云地图。

示例性地，机器人根据选取的轨迹运动到目标点，过程中多线激光雷达不断更新场景的全局三维点云地图和边界点信息。抵达目标点后按照S140选取下一个最佳目标点并导航，循环此过程直到全局三维点云地图中不存在边界点，则全局三维点云地图构建结束。图6为一次探索过程中，随着机器人不断运动和扫描，已探索面积逐渐增长并在大约550s左右完成探索。其中，机器人在真实场景构建完成的全局三维点云地图如图7和图8所示。

为进一步测试本申请方法的有效性，通过在图2所示的两个仿真场景随机选择5个不同的初始点进行统计测试，初始选取位置如图10所示。机器人从每个点出发随机进行场景探索和建图，每个初始点均重复10次，对计算机器人探索完成的总时间进行统计分析，所绘制的图如图9所示。其中，针对小型室内场景，机器人基本在200-450s左右完成探索，随机选取的5个点对总体探索时间影响不大。针对地下大型场景的探索统计表明，机器人探索所需时间在1200-2700s之间，波动较大。而随机选取的5个点的探索时间中位数基本在1800s附近，说明在针对非规则大型场景的情况下，算法探索效率基本比较稳定，并能够在无需人为操作的情况下自主完成探索，总体探索时间也在机器人续航时间允许范围内。

本申请的实施例还提供了三维点云地图构建系统，系统包括：

地图构建模块，用于获取点云，并根据点云构建局部三维点云地图；

目标确定模块，用于根据局部三维点云地图确定在目标点的探索收益，根据探索收益确定最佳目标点；

目标探索模块，用于规划探索路径，并驱动机器人沿探索路径移动；

地图更新模块，用于根据机器人获取的点云更新局部三维点云地图，获得全局三维点云地图。

本申请实施例还提供了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中

存储器存储有可被至少一个处理器执行的计算机指令，计算机指令被至少一个处理器执行，以使至少一个处理器执行上述的方法。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有多条计算机指令，多条计算机指令用于使计算机执行上述的方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种三维点云地图构建方法，其特征在于，包括：

获取点云，并根据所述点云构建局部三维点云地图；

根据所述局部三维点云地图确定在目标点的探索收益，根据所述探索收益确定最佳目标点；

规划探索路径，并驱动机器人沿所述探索路径移动；

根据机器人获取的点云更新所述局部三维点云地图，获得全局三维点云地图。

2.根据权利要求1所述的三维点云地图构建方法，其特征在于，所述获取点云，并根据所述点云构建局部三维点云地图，包括：

通过多线激光雷达获取连续帧点云；

根据所述连续帧点云，利用SLAM技术构建所述局部三维点云地图。

3.根据权利要求2所述的三维点云地图构建方法，其特征在于，所述根据所述连续帧点云，利用SLAM技术构建所述局部三维点云地图，包括：

采用RANSAC算法对所述连续帧点云进行平面拟合，获得拟合平面；

如果位于所述拟合平面中的点数量大于点云中全部点数量的设定比例，则停止拟合，将所述拟合平面内的点作为平面特征点云，其余的点作为边缘特征点云；

确定所述连续帧点云的平滑度，将平滑度最高的若干平面特征点云作为面特征，将平滑度最低的若干边缘特征点云作为边特征；

利用所述面特征和边特征构建所述局部三维点云地图。

4.根据权利要求3所述的三维点云地图构建方法，其特征在于，在获取所述连续帧点云后，还对所述连续帧点云进行配准，对所述连续帧点云进行配准的方法包括：

将上一帧点云的T(t)矩阵作为初始解带入所述边特征{P_t ^E，P_t+1 ^E}集合，控制所述多线激光雷达在空间坐标系中z方向和旋转参数[roll，pitch]不变，确定所述多线激光雷达在空间坐标系中的x，y和多线激光雷达的航向角yaw。

5.根据权利要求2所述的三维点云地图构建方法，其特征在于，获得所述局部三维点云地图后，还对所述局部三维点云地图进行更新，更新方法包括：

通过所述连续帧点云确定相对位姿变换关系[R,t]；

将当前帧点云通过所述相对位姿变换关系[R,t]投影到全局坐标系下，插入到所述局部三维点云地图，并进行体素化降采样，重复进行以更新所述局部三维点云地图。

6.根据权利要求1所述的三维点云地图构建方法，其特征在于，所述根据所述局部三维点云地图确定在目标点的探索收益，根据所述探索收益确定最佳目标点，包括：

对所述局部三维点云地图进行高度过滤，保留机器人可通行高度和地面范围内的点云；

采用RANSAC算法并结合地面法向量约束拟合得到地面点云，所述地面点云以外的点云为非地面点云；

沿重力方向将所有的点云均投影至平面，所述地面点云的投影高度为0，所述地面点云为机器人已探测区域，所述非地面点云的投影高度为1，所述非地面点云为障碍物区域，其他区域的投影高度为-1，所述其他区域为机器人未探测的未知区域，生成二维栅格地图；

估计所述二维栅格地图中探索收益最大的目标点，作为所述最佳目标点。

7.根据权利要求6所述的三维点云地图构建方法，其特征在于，所述估计所述二维栅格地图中探索收益最大的目标点，作为所述最佳目标点，包括：

通过层次聚类对所述二维栅格地图中的目标点进行聚类处理，形成多个簇；

以簇为单位确定当前簇的综合探索收益；

选择所有簇中综合探索收益最大的簇作为目标簇，并以距离簇中心最近的目标点作为所述最佳目标点。

8.根据权利要求1所述的三维点云地图构建方法，其特征在于，所述规划探索路径，并驱动机器人沿所述探索路径移动，包括：

基于机器人的当前位置和所述最佳目标点的位置，使用A*算法搜索机器人能够抵达所述最佳目标点的全局主路径；

以所述全局主路径为基础，结合机器人底盘动力学的三次样条曲线生成局部候选路径集，生成的所述局部候选路径集要求机器人避免与障碍物发生碰撞；

确定所述全局主路径和局部候选路径集中的局部候选路径能够抵达所述最佳目标点的概率，选取具有最大概率的路径作为所述探索路径；

驱动机器人沿所述探索路径移动。

9.根据权利要求1所述的三维点云地图构建方法，其特征在于，所述根据机器人获取的点云更新所述局部三维点云地图，获得全局三维点云地图，包括：

在机器人移动至所述最佳目标点的过程中，更新场景的全局三维点云地图和边界点信息；

在机器人抵达所述最佳目标点后选取下一个最佳目标点并导航；

循环执行，直到所述全局三维点云地图中不存在边界点，获得更新完毕的所述全局三维点云地图。

10.应用权利要求1-9任一项所述的三维点云地图构建方法的系统，其特征在于，包括：

地图构建模块，用于获取点云，并根据所述点云构建局部三维点云地图；

目标确定模块，用于根据所述局部三维点云地图确定在目标点的探索收益，根据所述探索收益确定最佳目标点；

目标探索模块，用于规划探索路径，并驱动机器人沿所述探索路径移动；

地图更新模块，用于根据机器人获取的点云更新所述局部三维点云地图，获得全局三维点云地图。

Images