CN114425774B

CN114425774B - 机器人行走道路的识别方法、识别设备以及存储介质

Info

Publication number: CN114425774B
Application number: CN202210071467.XA
Authority: CN
Inventors: 刘大志; 梁健
Original assignee: Uditech Co Ltd
Current assignee: Uditech Co Ltd
Priority date: 2022-01-21
Filing date: 2022-01-21
Publication date: 2023-11-03
Anticipated expiration: 2042-01-21
Also published as: CN114425774A

Abstract

本发明公开了机器人行走道路的识别方法、识别设备以及存储介质，该方法包括：接收第一雷达传感器在机器人行走过程中的第一点云数据，根据所述第一点云数据提取第一路沿点云数据；接收第二雷达传感器在机器人行走过程中的第二点云数据，根据所述第二点云数据提取第二路沿点云数据，其中，所述第二路沿点云数据的密度大于所述第一路沿点云数据的密度；根据所述第一路沿点云数据和所述第二路沿点云数据拟合生成目标路沿点云数据；根据所述目标路沿点云数据确定所述机器人的行走道路。本发明主要是通过使用两个传感器来分别提取两段路沿信息，再把两段路沿信息拟合成一段完整的路沿，以此来提高了捕捉路沿信息的准确度，精准提取路沿信息。

Description

机器人行走道路的识别方法、识别设备以及存储介质

技术领域

本发明涉及智能机器人领域，尤其是一种机器人行走道路的识别方法、识别设备以及存储介质。

背景技术

随着计算机技术和人工智能化的飞速发展，目前的物流、外卖等都逐渐被智能化，外卖的配送被机器人所代替，就连物流都被无人车所取代，代替人工作，在一定的程度上节省人力成本。目前的无人物流车在工作的时候，会因为路面的障碍物而影响到正常的工作流程，或者，因为捕捉路沿信息不准确，导致提取的路沿存在很大的误差。

需要说明的是，上述内容仅用于辅助理解本发明所解决的技术问题，并不代表承认上述内容是相关技术。

发明内容

本申请实施例通过提供一种机器人行走道路的识别方法，采用多种雷达传感器来提高提取路沿信息准确度，精准提取路沿。

为实现上述目的，本发明提出的机器人行走道路的识别方法，所述机器人行走道路的识别方法的步骤包括：

接收第一雷达传感器在机器人行走过程中的第一点云数据，根据所述第一点云数据提取第一路沿点云数据；

接收第二雷达传感器在机器人行走过程中的第二点云数据，根据所述第二点云数据提取第二路沿点云数据，其中，所述第二路沿点云数据的密度大于所述第一路沿点云数据的密度；

根据所述第一路沿点云数据和所述第二路沿点云数据拟合生成目标路沿点云数据；

根据所述目标路沿点云数据确定所述机器人的行走道路。

可选地，所述接收第一雷达传感器在机器人行走过程中的第一点云数据的步骤之后，还包括：

通过惯性传感器获取所述第一点云数据中每个点数据对应时间戳的角速度和加速度；

使用数据配准算法计算所述加速度和角速度，得到所述每个点数据对应时间戳的矫正点数据；

根据所述矫正点数据，按照时间戳对所述第一点云数据中每个点数据进行修正。

可选地，所述根据所述第一点云数据提取第一路沿点云数据的步骤包括：

依次将所述第一点云数据中各个点数据作为目标点数据，获取所述目标点数据与其相邻的预设数量的点数据所构成的线段；

计算各个所述线段的曲率值；

将所述曲率值小于或者等于第一预设阈值的线段上的目标点数据提取为所述第一路沿点云数据。

可选地，所述计算各个所述线段的曲率值的步骤包括：

遍历所述第一点云数据中的点数据，获取所述目标点数据和与其相邻的预设数量的点数据分别对应的坐标；

根据所述坐标计算所述目标点数据对应的线段的总距离，以所述总距离表征所述目标点数据对应的线段的曲率值，其中，所述总距离与所述曲率值正相相关。

可选地，所述根据所述第二点云数据提取第二路沿点云数据的步骤包括：

采用随机一致性采样算法处理所述第二点云数据，拟合生成地面方程，并提取地面点；

根据所述地面点，提取第二路沿点云数据。

可选地，所述采用随机一致性采样算法处理所述第二点云数据，拟合生成地面方程，并提取地面点的步骤包括：

采用随机一致性采样算法处理所述第二点云数据，拟合生成地面方程；

把所述第二点云数据中的每个点数据输入所述地面方程中计算，得到所述第二点云数据中的每个点数据与所述地面方程的基准位置的距离值；

若所述距离值小于第二预设阈值时，则把所述点数据作为地面点进行提取。

可选地，所述根据所述地面点提取第二路沿点的步骤包括：

根据所述地面点提取地面边缘点，并根据所述地面边缘点拟合为边缘点直线；

若所述地面边缘点中的目标点数据和所述边缘点直线的斜率符合预设条件，则将所述目标点数据提取为第二路沿点。

可选地，所述根据所述第一路沿点云数据和所述第二路沿点云数据拟合生成目标路沿点云数据的步骤包括：

采用二次函数将所述第一路沿点云数据和所述第二路沿点云数据，拟合生成目标路沿点云数据。

此外，为实现上述目的，本发明还提供了一种机器人行走道路的识别设备，所述机器人行走道路的识别设备包括：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机器人行走道路的识别程序，所述机器人行走道路的识别程序被所述处理器执行时实现如上所述的机器人行走道路的识别方法的步骤。

此外，为实现上述目的，本发明还提供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机器人行走道路的识别程序，所述机器人行走道路的识别程序被处理器执行时实现如上所述的机器人行走道路的识别方法的步骤。

本发明公开了机器人行走道路的识别方法、识别设备以及存储介质，该方法包括：接收第一雷达传感器在机器人行走过程中的第一点云数据，根据所述第一点云数据提取第一路沿点云数据；接收第二雷达传感器在机器人行走过程中的第二点云数据，根据所述第二点云数据提取第二路沿点云数据，其中，所述第二路沿点云数据的密度大于所述第一路沿点云数据的密度；根据所述第一路沿点云数据和所述第二路沿点云数据拟合生成目标路沿点云数据；根据所述目标路沿点云数据确定所述机器人的行走道路。本发明主要是通过接收到第一雷达传感器扫描到的第一点云数据，对获取到的第一点云数据进行处理之后，提取到第一路沿点云数据，同样的对接收到第二雷达传感器扫描到的第二点云数据进行处理，提取到第二路沿点云数据，由于第一雷达传感器扫描到的第一点云数据较为稀疏，点云之间的距离相隔较远，密度比较小，提取到的第一路沿点云数据密度也比较小。而第二雷达传感器扫描到的第二点云数据较为密集，点云之间的距离相隔比较近，密度比较大，提取到的第二路沿点云数据密度比较大，并且只能提取到同一扫描线的路沿点云数据，所以将第一点云数据和第二点云数据两段路沿点云数据拟合之后，就能够得到一条完整且较为准确的路沿，这样一来提高了捕捉路沿信息的准确度，能够精准的提取到路沿，从而就确定了机器人的行走道路。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；

图2为本发明机器人行走道路的识别方法第一实施例的流程示意图；

图3为本发明机器人行走道路的识别方法第二实施例中步骤S100的细化流程示意图；

图4为本发明机器人行走道路的识别方法第二实施例中步骤S120的细化流程示意图；

图5为本发明机器人行走道路的识别方法第三实施例中步骤S200的细化流程示意图；

图6为本发明机器人行走道路的识别方法第三实施例中步骤S210的细化流程示意图；

图7为本发明机器人行走道路的识别方法第三实施例中步骤S220的细化流程示意图。

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用以解释本发明，并不用于限定本发明。

为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

如图1所示，图1为本申请实施例方案涉及的硬件运行环境的终端设备结构示意图。

如图1所示，该终端设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005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1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，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1005中可以包括机器人行走道路的识别程序。

在图1所示的终端设备中，网络接口1004主要用于与后台服务器进行数据通信；用户接口1003主要用于与客户端(用户端)进行数据通信；处理器1001可以用于调用存储器1005中机器人行走道路的识别程序，并执行以下操作：

根据所述目标路沿点云数据确定所述机器人的行走道路。

本申请提供了一种机器人行走道路的识别方法，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

参照图2，图2为本申请机器人行走道路的识别方法第一实施例的流程示意图。

本实施例的机器人行走道路的识别方法，包括以下步骤：

步骤S100，接收第一雷达传感器在机器人行走过程中的第一点云数据，根据所述第一点云数据提取第一路沿点云数据；

步骤S200，接收第二雷达传感器在机器人行走过程中的第二点云数据，根据所述第二点云数据提取第二路沿点云数据，其中，所述第二路沿点云数据的密度大于所述第一路沿点云数据的密度；

步骤S300，根据所述第一路沿点云数据和所述第二路沿点云数据拟合生成目标路沿点云数据；

步骤S400，根据所述目标路沿点云数据确定所述机器人的行走道路。

在本实施例中，机器人行走道路的识别方法可以使用在智能机器人中，比如：无人配送车、无人物流车等，只要是智能机器人的场景下都可以使用这种方法来提取路沿从而确定机器人行走道路。因此在下面的描述过程中就不限定场景，统一用机器人来描述，同时本实施例中的执行主体也是机器人。在这一整个方法过程中，提取路沿是核心元素，只有提取出路沿信息才能根据路沿信息确定机器人的行走道路。

这里需要说明的是，机器人控制雷达传感器扫描周围环境信息，提取所有点云数据，其中包含障碍物的点云数据，根据扫描到的点云地图，寻找到点云地图上的路沿，从而去除路沿以内的障碍物，而路沿以外的障碍物不用去除，它可能是路边的绿化、墙壁或者其他障碍物，这些是需要保留在点云地图上面的，去除点云地图的路沿以内的障碍物，得到一张完善的点云地图，同时也是机器人行走的道路地图。机器人工作的时候就可以根据这张地图来进行工作。如果在实际工作的过程中，地图上的位置没有显示有障碍物，但是实际工作的时候扫描到了障碍物，机器人可以实时扫描从而绕开行走。

本实施例是结合16线激光雷达传感器和固态激光雷达来提取路沿信息的，并拟合得到最终的路沿，也就是机器人工作时可行走的道路信息。这里需要说明，若是单独使用16线激光雷达来提取路沿信息，因为16线激光雷达提取到的点云数据中每个点云相距的距离较远，密度较为稀疏，可能会因为距离大的原因导致其中的是路面的点都被误认为是路沿点，若是单独使用固态激光雷达来提取路沿信息，因为固态激光雷达提取到的点云数据中每个点云相距很近，密度较为密集，同时固态激光雷达只要位置固定下来之后，扫描到的点云数据是在同一水平线上的点云数据，偏上或者偏下的点云是扫描不到的。所以，单独使用16线激光雷达或者使用固态激光雷达都会存在路沿提取不准确的问题，无法精准提取路沿，结合两者则可以互相弥补二者所存在的缺陷，从而能够提取到一段较为精确的路沿以供机器人使用。

在本实施例中，机器人首先控制第一雷达传感器获取机器人在行走过程中周围环境的第一点云数据，提取到的第一点云数据里面或包含很多的点云，可能会包括路边上的绿化、墙壁、旁边的房屋或者写字楼、路沿和地面上的障碍物等。根据扫描到的第一点云数据提取所需要的路沿点云数据来确定路沿，但是，在雷达激光传感器扫描周围环境获取第一点云数据的时候，机器人也在运动中，会出现同一帧的点云数据出现畸变的情况，所以在提取第一路沿点云数据之前需要对第一点云数据进行畸变矫正之后，再提取第一路沿点云数据，保证第一路沿点云数据是准确的，这里的第一雷达传感器可以是16线激光雷达。

在进一步的实施例中，所述接收第一雷达传感器在机器人行走过程中的第一点云数据的步骤之后，还包括：

本实施例是基于上述实施例，通过第一点云数据去提取第一路沿点之前，需要对第一点云数据进行畸变矫正。这里需要说明的是，第一点云数据对应的第一雷达传感器是16线激光雷达传感器，16线激光雷达传感器是安装在机器人上面，是随着机器人运动，在雷达传感器采集点云数据时，点云数据中的点数据不是同一时刻采集的，在出现畸变的点数据时，需要把这些点数据进行畸变矫正。在本申请中，根据点云数据中每个点数据的时间戳获取对应的IMU(惯性传感器)数据，其中IMU数据包括加速度和角速度，根据不同时间戳获取到的加速度和角速度，分别对第一点云数据中每个点数据的进行运动补偿。一些实施例中，因为IMU的输出频率有100HZ，而16线激光雷达输出频率只有10HZ，16线激光雷达的每条激光线束绕一圈产生2000个点，所以需要对imu进行均匀插值在0.1秒内产生2000个数据，从而对每个点进行运动补偿，通过加速度和角速度计算出每个点数据偏移角度和偏移位移，通过偏移角度和偏移位移对第一点云数据中的每个点数据进行矫正。点云数据中每个点数据都进行畸变矫正之后，就可以提取第一路沿点数据，这段路沿是通过16线激光雷达提取的，比较长且稀疏，在本申请中还需要控制第二雷达传感器提取第二路沿点数据。

机器人控制第二雷达传感器采集第二点云数据，从第二点云数据中提取第二路沿点数据。这里需要说明的是，第二雷达传感器是指固态激光雷达，采集到的点云数据比较密集且距离比较短，同时扫描到的点云数据是在一水平线上的，其他区域的点云是扫描不到的，比如：比固态激光雷达的扫描线低的或者高的就扫描不到。若是扫描路面，扫描到的距离比较短，花费的时间比较长，所以需要把第一路沿点云数据和第二路沿点云数据两者相结合，拟合出来一条比较完整的路沿信息，根据拟合出来的路沿信息就可以确定最终机器人在日常工作中可行走的道路区域，若是在拟合出来的路沿信息中有障碍物的存在，需要进行障碍物的去除，保证能够得到一张完善的点云地图。

根据获取到的第一路沿点数据和第二路沿点数据拟合成完整的目标路沿点云数据。

可选地，在另一实施例中，根据所述第一路沿点云数据和所述第二路沿点云数据拟合生成目标路沿点云数据的步骤包括：

本实施例是基于上述实施例，采用二次函数来对第一路沿点云数据和第二路沿点云数据进行拟合的，若是采用一次函数对第一路沿点云数据和第二路沿点云数据进行拟合，对于一些弯曲路沿的话，拟合出来的路沿与实际的沿路信息出入的比较大，拟合出来的路沿信息不准确。所以采用二次函数来对第一路沿点云数据和第二路沿点云数据进行拟合，不论是笔直的路沿还是弯曲的路沿，都能够比较完成的拟合出来，可以保证拟合出来的路沿信息与实际相近。所谓曲线拟合就是通过一些离散的数据点绘制出来的曲线，曲线拟合的方法很多，是由给定的离散数据点，建立数据关系(数据模型)，从而求出一系列微小的直线段把这些插值点连接成曲线，只要插值点的间隔选择得当，就可以形成一条光滑的曲线，通俗点来说就是通过二次函数的基本形式：y＝ax²+bx+c，把第一点云数据和第二点云数据中的每个点数据带入到二次函数的中计算，得到一条较为完善的曲线，而该曲线就是所提取出来的路沿信息。因此在这里把第一路沿点云数据和第二路沿点云数据拟合成目标路沿点云数据，就是把这些点云数据中每一个点数据对应的坐标放到二次函数中进行计算，形成一条较为光滑的曲线，近似等于实际的路沿。

本实施例是通过接收到第一雷达传感器扫描到的第一点云数据，对获取到的第一点云数据进行处理之后，提取到第一路沿点云数据，同样的对接收到第二雷达传感器扫描到的第二点云数据进行处理，提取到第二路沿点云数据，由于第一雷达传感器扫描到的第一点云数据较为稀疏，点云之间的距离相隔较远，密度比较小，提取到的第一路沿点云数据密度也比较小，而第二雷达传感器扫描到的第二点云数据较为密集，点云之间的距离相隔比较近，密度比较大，提取到的第二路沿点云数据密度比较大，并且只能提取到在同一水平为上的路沿点云数据，所以将第一点云数据和点二点云数据两段路沿点云数据拟合之后，就能够得到一条完整且较为准确的路沿，这样一来提高了捕捉路沿信息的准确度，能够精准的提取到路沿从而就确定了机器人的行走道路。

进一步地，参考图3，基于上述第一实施例，提出本申请机器人行走道路的识别方法第二实施例。

步骤S100，接收第一雷达传感器在机器人行走过程中的第一点云数据，根据所述第一点云数据提取第一路沿点云数据，包括：

步骤S110，依次将所述第一点云数据中各个点数据作为目标点数据，获取所述目标点数据与其相邻的预设数量的点数据所构成的线段；

步骤S120，计算各个所述线段的曲率值；

步骤S130，将所述曲率值小于或者等于第一预设阈值的线段上的目标点数据提取为所述第一路沿点云数据。

在本实施例中，机器人控制第一雷达传感器采集到第一点云数据，并进行畸变矫正之后，需要根据第一点云数据来提取第一路沿点数据。在提取第一路沿点云数据过程中，需要计算第一点云数据中每个点数据与其他点数据所构成的线段的曲率值。第一雷达传感器是16线激光雷达传感器，所以采集到的点云数据是比较散的，仅仅只是计算路沿与路面的高度差来提取路沿信息会提取不准确，可以根据16线激光雷达的每个线束所扫描到的地面点与路沿点的曲率是不一样的，根据曲率值来提取第一路沿点信息。在计算曲率值之前，需要判断当前的目标点数据前后有没有存在预设数量个(例如，五个)点数据，若是存在才会计算该目标点数据与其前后五个点数据所连成线段的曲率值，依次遍历第一点云数据中每个点数据，并将每个点数据都作为目标点数据，计算每个目标点数据与其前后五个点数据连成线段的曲率值。

根据计算出来的曲率值来判断这个曲率值有没有满足预设条件，也就是说有没有在阈值范围内，若是在预设阈值范围内，就把符合线段曲率值上的目标点数据提取出来作为第一路沿点数据，依次提取下去，直到遍历完第一点云数据，寻找符合第一路沿点数据的目标点数据。

在更进一步的实施例中，参照图4，步骤S120，计算各个所述线段的曲率值，包括：

步骤S121，遍历所述第一点云数据中的点数据，获取所述目标点数据和其相邻的预设数量的点数据分别对应的坐标；

步骤S122，根据所述坐标计算所述目标点数据对应的线段的总距离，以所述总距离表征所述目标点数据对应的线段的曲率值，其中，所述总距离与所述曲率值正相相关。

本实施例是基于上述实施例，依次遍历采集到的第一点云数据中每个点数据，在遍历的过程中，并将遍历到的每个点数据作为目标点数据，并判断与其当前目标点数据相邻的点数据有没有存在预设数量的点数据，若是不存在预设数量的点数据，就继续往后遍历，不对该目标点数据进行计算曲率值，若是存在预设数量的点数据，就依次获取这预设数量的点数据和当前目标点数据对应的坐标。需要说明的是，预设数量的点数据这里设置的是前后五个点数据，也可以是前后六个点数据，或者是前面三个点，后面五个点，可以随意取点计算，不做任何限制要求。根据获取到的每个点数据的坐标来计算目标点数据到相邻点数据的距离。

获取到每个目标点数据与前后五个点数据的坐标之后，每个目标点数据与其前后五个点数据之间构成线段，根据点到点之间的距离公式，分别计算出目标点数据与其前后五个点之间的距离，也就是所构成的线段的长度，把计算出来的距离相加得到总距离，根据总距离与曲率值的正相关关系计算出当前目标点数据与其前后五个点所构成线段的曲率值，也就是该目标点数据对应的曲率值。也即，线段的总距离越长，则线段的曲率值越大；线段的总距离越短，则线段的曲率值越小。

在本实施例中，机器人控制第一雷达传感器扫描周围环境从而提取到第一点云数据，第一雷达传感器是16线激光雷达传感器，多线激光雷达采集到的点云数据比较稀疏，所以通过计算第一点云数据中每个点数据与其相邻的点数据所构成的线段的曲率值，通过曲率值的判断来提取第一路沿点数据，可以较为精确的提取第一路沿点数据，减小在提取过程中出现的误差。

进一步地，参考图5，基于上述第一实施例和第二实施例中的任一实施例，提出本申请机器人行走道路的识别方法第三实施例。

步骤S200，接收第二雷达传感器在机器人行走过程中的第二点云数据，根据所述第二点云数据提取第二路沿点云数据，其中，所述第二路沿点云数据的密度大于所述第一路沿点云数据的密度，包括：

步骤S210，采用随机一致性采样算法处理所述第二点云数据，拟合生成地面方程，并提取地面点；

步骤S220，根据所述地面点提取第二路沿点云数据。

在本实施例中，机器人控制第一雷达传感器采集到第一点云数据，并成功提取到第一路沿点云数据之后，还需要控制第二雷达传感器采集第二点云数据，通过第二点云数据来提取第二路沿点云数据。可以使用很多的处理第二点云数据的方法，这里使用的是随机一致性采样算法对第二点云数据进行处理的，这里需要说明的是随机一致性采样算法根据一组样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。具体的算法就是从一组样本数据中随机选取几个数据，假设随机选取的这几个点是局内点，从而拟合出一个平面模型，再把样本数据中的其他数据放入到这个平面模型中去判断其他的数据点是不是局内点，直到把样本数据中的点数据全部提取完为止。在本实施例中，从第二点云数据中随机选取点数据放入到随机一致性采样算法中进行计算，拟合出来一个地面方程，再把第二点云数据中的其他的点数据放入到这个地面方程中计算，把符合的点数据提出为地面点数据和非地面点数据。

在一实施例中，参考图6，步骤S210，采用随机一致性采样算法处理所述第二点云数据，拟合生成地面方程，并提取地面点，包括：

步骤S211，采用随机一致性采样算法处理所述第二点云数据，拟合生成地面方程；

步骤S212，把所述第二点云数据中的每个点数据输入所述地面方程中计算，得到所述第二点云数据中的每个点数据与所述地面方程的基准位置的距离值；

步骤S213，若所述距离值小于第二预设阈值时，则把所述点数据作为地面点进行提取。

机器人控制第二雷达传感器扫描周围环境到第二点云数据，需要对采集到的第二点云数据进行处理，这里采用的是随机一致性采样算法来处理第二点云数据。首先是在第二点云数据中随机选取几个点数据放入到随机一致性采样算法中搭建出一个平面模型出来，在本实施例中，构建出来的平面模型就是通过这几个点数据拟合出来的地面方程，假设随机选取的这几个点数据是地面点数据。

把第二点云数据中每个点数据全部放到这个地面方程中去计算，得到每个点数据与这个地面方程所代表的基准位置的一个距离值，通过这个距离值来判断地面点和非地面点。

若是计算出来的距离值小于预设阈值的时候，就把当前距离值对应的点数据作为地面点提取出来，若是计算出来的距离值大于或者等于预设阈值时，就把当前距离值对应的点数据作为非地面点提取出来。通俗来说，若是与地面的距离很近，就近似于是地面点，若是距离很远，就近似于非地面点。这里把预设阈值设置为3厘米。

通过随机一致性采样算法处理第二点云数据提取到地面点和非地面点之后，根据地面点和非地面点，进而去提取第二路沿点云数据。第二雷达传感器是固态激光雷达，点云之间的距离是非常近的，虽然固态激光雷达位置固定，但是也能扫描到地面点和非地面点，根据确定下来的地面点和非地面点，可以识别出路沿点云数据，从而可以识别出第二路沿点云数据。

在一实施例中，参考图7，步骤S220，根据所述地面点提取第二路沿点云数据，包括：

步骤S221，根据所述地面点提取地面边缘点，并根据所述地面边缘点拟合为边缘点直线；

步骤S222，若所述地面边缘点中的目标点数据和所述边缘点直线的斜率符合预设条件，则将所述目标点数据提取为第二路沿点。

提取路沿点需要先通过地面点提取出地面边缘点，路沿点和地面边缘点本质上是一样的。地面点中包括了地面点和地面边缘点，所以需要根据地面点提取出边缘点，先计算出地面点中每个点数据的法向量，即：求出当前点数据与附近1米内的平面方程，根据求出来的平面方程把点数据带入到平面方程中计算，得到当前点数据的法向量，其他的点数据依次按照此算法计算出每个点数据对应的法向量，以垂直方向上的法向量为基准，依次判断每个点数据的法向量与基准法向量的角度是否大于预设角度，把大于预设角度的地面点提取为地面边缘点。确定地面边缘点之后，采用随机一致性采样算法处理提取出来的地面边缘点，得到地面边缘点方程，拟合出边缘点直线。这里的预设角度为45度。

根据拟合出来的直线，求出该条拟合直线的斜率，通过一次函数来计算，一次函数的基本形式为：y＝kx+b,选取直线上的任意两个点的坐标放到一次函数中基本形式中计算出斜率K，也就是该边缘点直线的斜率。使用欧式聚类算法从地面边缘点中提取目标点数据，先是从地面边缘点中随意选取一个目标地面边缘点，开始近邻算法，寻找到多个与该地面边缘点相近的其他地面边缘点，这个相近的距离就可以设置为5厘米，也可以设置为3厘米，可按实际需要而定，把相近的地面边缘点拟合直线，并计算斜率。若目标地面边缘点数据拟合的直线的斜率与边缘点直线的斜率符合预设条件，就把目标点数据提取为第二路沿点。这里的预设条件是目标地面边缘点数据拟合的直线的斜率与边缘点直线的斜率之差小于预设差值，例如预设差值为5度。

本实施例中是通过地面点通过法向量的计算得到地面边缘点，采用随机一致性采样算法拟合成边缘点直线，随后在通过欧式聚类算法提取出目标点数据，通过对比目标点数据的斜率和边缘点直线斜率，若符合预设条件，则判定当前目标点数据是路沿点，提高提取路沿信息的准确度。

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机器人行走道路的识别方法程序，所述机器人行走道路的识别方法程序被处理器执行时实现如上述任一项实施例中的机器人行走道路的识别方法的步骤。

本发明计算机可读存储介质具体实施方式与上述机器人行走道路的识别方法方法各实施例基本相同，在此不再赘述。

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，或者网络设备等)执行本发明各个实施例所述的方法。

本发明是参照根据本发明实施例的方法、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。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，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发明范围的所有变更和修改。

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

Claims

1.一种机器人行走道路的识别方法，其特征在于，所述机器人行走道路的识别方法的步骤包括：

接收第一雷达传感器在机器人行走过程中的第一点云数据，根据所述第一点云数据提取第一路沿点云数据，其中，所述第一雷达传感器是多线激光雷达，所述第一点云数据包括关于路沿和地面的点云数据；

接收第二雷达传感器在机器人行走过程中的第二点云数据，根据所述第二点云数据提取第二路沿点云数据，其中，所述第二雷达传感器是固态激光雷达，所述第二点云数据包括关于路沿和地面的点云数据，所述第二路沿点云数据的密度大于所述第一路沿点云数据的密度；

将所述第一路沿点云数据和所述第二路沿点云数据中的每一个点数据对应的坐标，放到二次函数中进行计算，拟合生成目标路沿点云数据；

根据所述目标路沿点云数据确定所述机器人的行走道路。

2.如权利要求1所述的机器人行走道路的识别方法，其特征在于，所述接收第一雷达传感器在机器人行走过程中的第一点云数据的步骤之后，还包括：

3.如权利要求1所述的机器人行走道路的识别方法，其特征在于，所述根据所述第一点云数据提取第一路沿点云数据的步骤包括：

计算各个所述线段的曲率值；

4.如权利要求3所述的机器人行走道路的识别方法，其特征在于，所述计算各个所述线段的曲率值的步骤包括：

遍历所述第一点云数据中的点数据，获取所述目标点数据和其相邻的预设数量的点数据分别对应的坐标；

根据所述坐标计算所述目标点数据对应的线段的总距离，以所述总距离表征所述目标点数据对应的线段的曲率值，其中，所述总距离与所述曲率值正相相关，其中，所述正相相关是指所述总距离越长，则所述曲率值越大，而所述总距离越短，则所述曲率值越小。

5.如权利要求1所述的机器人行走道路的识别方法，其特征在于，所述根据所述第二点云数据提取第二路沿点云数据的步骤包括：

根据所述地面点提取第二路沿点云数据。

6.如权利要求5所述的机器人行走道路的识别方法，其特征在于，所述采用随机一致性采样算法处理所述第二点云数据，拟合生成地面方程，并提取地面点的步骤包括：

7.如权利要求5所述的机器人行走道路的识别方法，其特征在于，所述根据所述地面点提取第二路沿点的步骤包括：

8.一种机器人行走道路的识别设备，其特征在于，所述机器人行走道路的识别设备包括：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机器人行走道路的识别程序，所述机器人行走道路的识别程序被所述处理器执行时实现如权利要求1至7中任一项所述的机器人行走道路的识别方法的步骤。

9.一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机器人行走道路的识别程序，所述机器人行走道路的识别程序被处理器执行时实现如权利要求1至7中任一项所述的机器人行走道路的识别方法的步骤。