CN114609643A

CN114609643A - 清洁机器人及其建图方法

Info

Publication number: CN114609643A
Application number: CN202011396613.3A
Authority: CN
Inventors: 王旭宁; 何洋
Original assignee: Sharkninja China Technology Co Ltd
Current assignee: Sharkninja China Technology Co Ltd
Priority date: 2020-12-03
Filing date: 2020-12-03
Publication date: 2022-06-10

Abstract

本公开一种清洁机器人的建图方法，该清洁机器人包括激光测距传感器，该建图方法包括下列步骤：通过激光测距传感器获取用于构建地图的激光点云数据；针对该激光点云数据中的每一激光点数据，采用预设窗口选取包含该激光点数据以及与该激光点数据相邻的激光点数据；确定该激光点数据和与该激光点数据相邻激光点数据之间的相关性系数；按照相关性系数的大小对该激光点数据进行分类；从该激光点云数据中，滤除该激光点数量小于预设阈值的类别中的激光点数据；根据剩余的激光点数据构建地图。本公开前述的建图方法能够有效避免错误地剔除噪声点，保证了建图结果的完整性。

Description

清洁机器人及其建图方法

技术领域

本公开涉及智能家居产品技术领域，尤其涉及一种清洁机器人及其建图方法。

背景技术

现在大部分的清洁机器人都可以对环境进行地图构建，进而能够根据构建的地图进行自主导航，对房间环境进行清洁作业。其中，清洁机器人主要包括扫地机器人、拖地机器人、扫吸拖一体机等。

现有的清洁机器人一般都是通过激光测距传感器对环境进行扫描，然后根据扫描到的激光点云数据进行地图构建的。由于环境中的障碍物、墙面凹凸不平，以及测量产生的误差，会导致激光点云数据中存在噪声点数据，影响清洁机器人的地图构建结果。

为了滤除噪声点，现有技术中，通常采用的是K-MEANS算法(一种迭代求解的聚类分析算法)：先将距离相近的多个激光点数据分为一类，然后将含有激光点数据较少的类别中的激光点数据滤除，从而实现消除噪声点的目的。

但是采用K-MEANS算法时，会经常错误地滤除掉体积较小的物体，导致地图构建不准确(例如缺失)。例如，环境中存在桌子腿(如图1所示)。由于打到桌子腿上的激光点较少，而桌子腿上的激光点又和环境中其他激光点的距离较远，所以只能将打到桌子腿上的激光点单独分为一类。由于这类激光点的数量比较少，导致其经常会被滤除掉，进而导致构建的地图中没有该桌子腿(如图2所示)。

发明内容

本公开提供一种清洁机器人及其建图方法，用于解决现有技术中的如下技术问题：现有清洁机器人扫描到的激光点云数据在进行噪声滤除时，经常存在滤除不当，进而导致构建的地图不准确的情形。

第一方面，本公开提供了一种清洁机器人的建图方法，前述清洁机器人包括激光测距传感器，前述建图方法包括下列步骤：

通过激光测距传感器获取用于构建地图的激光点云数据；

针对前述激光点云数据中的每一激光点数据，采用预设窗口选取包含该激光点数据以及与该激光点数据相邻的激光点数据；

确定该激光点数据和与该激光点数据相邻激光点数据之间的相关性系数，前述相关性系数用于表征该激光点数据所表征的位置和与其相邻激光点数据所表征的位置之间的距离；

按照相关性系数的大小对前述激光点数据进行分类；

从前述激光点云数据中，滤除前述激光点数量小于预设阈值的类别中的激光点数据；

根据剩余的激光点数据构建地图。

可选地，前述预设窗口所选取的激光点数据的数目小于或等于前述激光测距传感器针对预设尺寸的物体探测到的激光点数据的数目。

可选地，前述与该激光点数据相邻的激光点数据为与该激光点数据两侧相邻的激光点数据。

可选地，前述确定该激光点数据和与该激光点数据相邻激光点数据之间的相关性系数，包括：

根据预设公式，以及该激光点数据和与该激光点数据相邻激光点数据，计算该激光点数据和与该激光点数据相邻激光点数据的相关性系数；

其中，前述相关性系数与每一距离皆正相关/负相关，前述每一距离为该激光点数据所表征的位置和与其相邻的每一激光点数据所表征的位置之间的距离。

可选地，根据预设公式，以及该激光点数据和与该激光点数据相邻激光点数据，计算该激光点数据和与该激光点数据相邻激光点数据的相关性系数，包括：

计算该激光点数据和与其相邻的每一激光点数据的差值和的平方，作为相关性系数。

可选地，前述按照相关性系数的大小对前述激光点数据进行分类，包括：

将相关性系数的差值处于预设范围内的激光点数据划分为一类。

可选地，前述通过激光测距传感器获取用于构建地图的激光点云数据，包括：

使前述激光测距传感器对环境进行扫描，以获取激光点云数据。

可选地，前述激光测距传感器是三角测距激光测距传感器。

可选地，前述与该激光点数据相邻的激光点数据等数目地分布在前述激光点数据的两侧。

第二方面，本公开提供了一种清洁机器人，该清洁机器人包括处理器、存储器和存储在所述存储器上的执行指令，所述执行指令设置成在被所述处理器执行时能够使所述清洁机器人执行第一方面中任一项所述的建图方法。。

基于前文的描述，本领域技术人员能够理解的是，本公开通过预设窗口选取包含某一激光点数据以及与该激光点数据相邻的激光点数据，然后确定该激光点数据和与该激光点数据相邻激光点数据之间的相关性系数，再通过按照相关性系数的大小对所有激光点数据进行分类，然后从激光点云数据中，滤除激光点数量小于预设阈值的类别中的激光点数据，从而滤除激光点云数据中的噪声点，然后根据剩余的激光点数据构建地图。由于无论何种尺寸的物体，无论各物体之间的位置关系如何，只要激光测距传感器能够探测到其上的激光点数据，就可以计算出该激光点数据的相关性系数，而且能够表征物体真实位置的激光点数据之间无论距离远近，相关性系数相差都不大，能够被分为一类，不会被错误地滤除掉。因此，本公开的建图方法，不仅可以去除激光点云数据中的噪声，而且还能够避免消除正确的激光点数据的情形，保证了建图的完整性。

进一步，通过将预设窗口所选取的激光点数据的数目设置成小于或等于激光测距传感器针对预设尺寸的物体探测到的激光点数据的数目，使得激光测距传感器从预设尺寸的物体上探测到的激光点数据中，至少有一个能够被算出相关性系数，进而能够根据该相关性系数判定需要该激光点数据，并在不滤除该激光点数据时，将该激光点数据表征的物体显示在地图上，从而提升了地图的完整性。

附图说明

为了更清楚地说明本公开的技术方案，下面将结合附图来对本公开的部分实施例进行详细说明，附图中：

图1是现有技术中清洁机器人将激光束投射到桌腿上时的简单示意图；

图2是现有技术中清洁机器人对图1中环境的建图结果；

图3是本公开清洁机器人对环境进行扫描的一个场景示意图；

图4是本公开第一实施例中建图方法的步骤流程示意图；

图5是清洁机器人通过激光测距传感器扫描桌腿时的效果示意图；

图6是对图1所示环境构建地图的效果示意图；

图7是本公开第二实施例中记录监督设备的结构示意图。

附图标记列表：

1、清洁机器人；11、激光测距传感器；2、墙面；3、桌腿；4、T形墙；5、墙角；6、障碍物；7、孤立点。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本公开的技术方案进行清楚、完整地描述。本领域技术人员应当理解的是，本节具体实施方式中所描述的实施例仅是本公开的一部分实施例，而不是本公开的全部实施例。基于本节具体实施方式中所描述的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都不会偏离本公开的技术原理，因此都应当落入到本公开的保护范围内。

需要说明的是，在本公开的描述中，各个功能模块既可以是由多个结构、构件或电子元器件构成的物理模块，也可以是由多条程序构成的虚拟模块；各个功能模块既可以是彼此独立存在的模块，也可以是由一个整体模块按照功能划分而成的模块。本领域技术人员应当理解的是，在能够实现本公开所描述的技术方案的前提下，各个功能模块的构成方式、实现方式、位置关系无论怎样变化都不会偏离本公开的技术原理，因此都应当落入本公开的保护范围之内。

如图3所示，本公开的清洁机器人1包括激光测距传感器11，该激光测距传感器11能够对环境进行扫描，以将激光束打到环境中的墙面2和障碍物6上，进而激光测距传感器11再接收从墙面2或障碍物6上反射回来的激光，从而获得激光点数据。清洁机器人1通过激光测距传感器11对环境探测到的激光点数据的集合即为激光点云数据。

如图3所示地，由于镜面反射、T形墙4、墙角5和强光等场景的影响，会使激光测距传感器11探测到的激光点中包含有一些错误的激光点数据，即图3中所示的孤立点7。这些孤立点7数据是随机的、在激光测距传感器11有效探测距离范围内、穿过T形墙4和墙角5，不能真实地表征T形墙4和墙角5的特征。因此，这些孤立点7是激光点云数据的噪音，在清洁机器人1根据激光点云数据进行建图之前，需要被滤除。

其中，激光测距传感器11优选地是三角测距激光测距传感器。

下面参照附图来对本公开的一些实施例进行详细说明。

在本公开的第一实施例中：

如图4所示，清洁机器人的建图方法包括：

步骤S110，通过激光测距传感器11获取用于构建地图的激光点云数据。

可选地，使清洁机器人1在待构建地图的环境中行走，并使激光测距传感器11进行扫描。待激光测距传感器11对整个环境进行扫描之后，即可获得激光点云数据。

进一步，激光点云数据中的每一个激光点数据都具有坐标，例如第i个激光点数据所对应的坐标为P_i(x_i,y_i)。需要说明的是，第i个激光点数据，表示激光点云数据中序列号为i的激光点数据。其中，i为自然数。该激光点云数据中每一个激光点的序列，可以按照清洁机器人1获取激光点数据的顺序确定，即，探测到的第i个激光点数据，序列号为i。或者，本领域技术人员也可以根据需要，采用其他任意可行的规则来定义激光点数据的序列。例如，按照激光点数据的坐标的大小来定义激光点数据的序列。示例性地，沿着平面坐标系X轴的正向和Y轴的正向，一行一行地对激光点数据进行序列标记。

步骤S120，针对激光点云数据中的每一激光点数据，采用预设窗口选取包含该激光点数据以及与该激光点数据相邻的激光点数据。

其中，预设窗口设置成至少能够覆盖2个激光点数据。

优选地，与该激光点数据相邻的激光点数据为与该激光点数据两侧相邻的激光点数据。进一步优选地，与该激光点数据相邻的激光点数据等数目地分布在激光点数据的两侧。简而言之，该激光点数据P_i位于预设窗口的中间。则预设窗口如下：

……

Pi-2

Pi-1

Pi

Pi+1

Pi+2

……

表1

进一步，预设窗口还配置成，通过其所选取的激光点数据的数目小于或等于激光测距传感器针对预设尺寸的物体探测到的激光点数据的数目，以便预设窗口从预设尺寸物体对应的激光点数据中至少能够选取一组激光点数据。其中，预设尺寸的物体为待建图环境中尺寸最小的物体，例如桌腿、椅子腿、床腿等。可见，预设尺寸确定之后，便可确定预设窗口的长度。

举例说明，如图5所示，设定环境中尺寸最小的物体为桌腿3，其直径(预设尺寸)为4cm。设定清洁机器人1上激光测距传感器11的有效测量举例为1米，激光测距传感器11的角分辨率θ为0.00785弧度。则预设窗口的长度L≈0.04/θ＝5(θ很小时，θ≈tanθ)。即，激光测距传感器11从桌腿3上探测到的激光点数据为5个，预设窗口最多仅能够覆盖5个激光点数据，否则将无法同时覆盖桌腿3对应的5个激光点数据。因此，预设窗口具体如下：

Pi-2

Pi-1

Pi

Pi+1

Pi+2

表2

对步骤S120举例说明，设定预设窗口长度为5，则针对激光点云数据中的每一激光点数据P_i，通过预设窗口选取包含该激光点数据以及与该激光点数据相邻的激光点数据P_i-2、P_i-1、P_i、P_i+1和P_i+2。

当i＝3时，则预设窗口为：

P1

P2

P3

P4

P5

表3

当i＝4时，则预设窗口为：

P2

P3

P4

P5

P6

表4

当i＝5时，则预设窗口为：

P3

P4

P5

P6

P7

表5

从表3至表5中可以看出，预设窗口是以滑动的方式采集激光点数据的，即，预设窗口是沿着激光点数据序列增大的方向滑动，进而采集激光点数据的。换句话说，每次都是先删除预设窗口中头部的激光点数据(如表3至表5中左端的数据)，然后再使预设窗口中的激光点数据整体向左滑动，并在预设窗口的尾部(如表3至表5中右端的数据)添加新的激光点数据。

步骤S130，确定该激光点数据和与该激光点数据相邻激光点数据之间的相关性系数。

其中，相关性系数用于表征该激光点数据所表征的位置和与其相邻激光点数据所表征的位置之间的距离，并且，相关性系数与每一距离皆正相关/负相关，每一距离为该激光点数据所表征的位置和与其相邻的每一激光点数据所表征的位置之间的距离。即，相关性系数越大，则该激光点数据和与其相邻的激光点数据之间的距离越大；反之则越小。或者，相关性系数越大，则该激光点数据和与其相邻的激光点数据之间的距离越小；反之则越大。

具体地，根据预设公式，以及该激光点数据和与该激光点数据相邻激光点数据，计算该激光点数据和与该激光点数据相邻激光点数据的相关性系数。

该预设公式为：

在该预设公式中，p_i为预设窗口中间的激光点数据，p_j是预设窗口内除i以外的激光点数据。L为预设窗口的长度。从该公式中不难看出，如果激光点数据P_i与其他激光点数据P_j之间的属性越相似，那么它们之间相关性系数C_i相差越小，反之，则越大。

此外，在本实施例另一个可行的方案中，预设公式还可以是：

步骤S140，按照相关性系数的大小对前述激光点数据进行分类。

可选地，将相关性系数的差值处于预设范围内的激光点数据划分为一类，该预设范围可以是任意可行的数值范围，例如[0,5]、[0,5.6]、[0,13]、[0,17.6]等。示例性地，设定相关性系数阈值为C_threshold，C_threshold为预设范围的上限值。如果当前激光点数据为第一个激光点数据，则创建新类别标记为label₀，样本数量为1。计算第一个激光点数据的相关性系数C₁与第二个激光点数据的相关性系数C₂的差值，如果||C₁-C₂||＜C_threshold，则将第二个激光点数据归入类别label₀，否则建立新的类别label₁，并将第二个激光点数据归入类别label₁。计算第二个激光点数据的相关性系数C₂与第三个激光点数据的相关性系数C₃的差值，如果||C₂-C₃||＜C_threshold，则将第三个激光点数据归入在先类别label₀(第一、第二激光点数据属于同一类别)或label₁(第一、第二激光点数据不属于同一类别)，否则建立新的类别label₁(第一、第二激光点数据属于同一类别)或label₂(第一、第二激光点数据不属于同一类别)。依次类推，直至将所有的激光点数据都划分到相应的类别中。

然后，再将相近的类别进行合并。具体地，先计算每一个类别中所有激光点数据的相关性系数的平均值，然后将所有的平均值进行比较，最后将彼此之间差值小于设定阈值的平均值所对应的类别划分为一类。例如，合并之前的类别有label₀、label₁、label₂、……label_n-2、label_n-1、label_n，共(n+1)个类别。分别计算每一个类别的平均值，并记作x₀、x₁、x₂、……x_n-2、x_n-1、x_n，然后随机选取一个平均值，与其他平均值进行比较，如果彼此之间差值小于设定阈值的平均值所对应的类别划分为一类，直至所有的平均值都进行了计算。然后再从剩余的平均值中选取一个平均值，重复上述步骤。

其中，该设定阈值可以是任意可行的数值，例如0.3、5、9、25、30等。

步骤S150，从激光点云数据中，滤除前述激光点数量小于预设阈值的类别中的激光点数据。

具体地，统计每一个类别中激光点数据的数目，如果某一类别中激光点数据的数目小于预设阈值，则从激光点云数据中将该类别中的所有激光点数据删除。该类别中的激光点数据即为孤立点7(如图3所示)。

其中，该预设阈值是根据实验数据获得的数值，在满足实际情况的情形下，该预设阈值可以是任意可行的数值，例如3、8、13、35等。

步骤S160，根据剩余的激光点数据构建地图。

示例性地，使剩余的激光点数据按照其各自对应的坐标显示在地图上，以表征环境中的墙面和障碍物，从而完成地图的构建。

采用本实施例前述的建图方法，对图1中所示的场景进行地图构建的结果如图6所示。桌腿3在地图上显示的结果为弧形。实际上，因为地图的缩放，以及对激光点数据进行的过滤问题，桌腿3可能仅能保留少数点，所以桌腿3在地图上并不一定能显示这种弧形，也可能显示成一个点或一条线。例如，激光测距传感器11从桌腿3上探测到的激光点数据的个数为5个，预设窗口长度也为5个，则通过本实施例上述的方法后会过滤掉桌腿3上两侧的4个激光点数据。即，图1中的桌腿3经过除噪之后仅保留一个激光点数据，导致桌腿3在地图上的显示为一个点。

基于前文的描述，本领域技术人员能够理解的是，本实施例通过预设窗口选取包含某一激光点数据以及与该激光点数据相邻的激光点数据，然后确定该激光点数据和与该激光点数据相邻激光点数据之间的相关性系数，再通过按照相关性系数的大小对所有激光点数据进行分类，然后从激光点云数据中，滤除激光点数量小于预设阈值的类别中的激光点数据，从而滤除激光点云数据中的噪声点，然后根据剩余的激光点数据构建地图。由于无论何种尺寸的物体，无论各物体之间的位置关系如何，只要激光测距传感器能够探测到其上的激光点数据，就可以计算出该激光点数据的相关性系数，而且能够表征物体真实位置的激光点数据之间无论距离远近，相关性系数相差都不大，能够被分为一类，不会被错误地滤除掉。进一步，通过将预设窗口所选取的激光点数据的数目设置成小于或等于激光测距传感器针对预设尺寸的物体探测到的激光点数据的数目，使得激光测距传感器从预设尺寸的物体上探测到的激光点数据中，至少有一个能够被算出相关性系数，进而能够根据该相关性系数判定需要该激光点数据，并在不滤除该激光点数据时，将该激光点数据表征的物体显示在地图上，从而提升了地图的完整性。

在本公开的第二实施例中：

如图7所示，本公开还提供了一种清洁机器人。该清洁机器人在硬件层面上包括处理器，可选地还包括存储器和总线，此外该清洁机器人还允许包括其它业务所需要的硬件。

其中，存储器用于存放执行指令，该执行指令具体是能够被执行的计算机程序。进一步，存储器可以包括内存和非易失性存储器(non-volatile memory)，并向处理器提供执行指令和数据。示例性地，内存可以是高速随机存取存储器(Random-Access Memory，RAM)，非易失性存储器可以是至少1个磁盘存储器。

其中，总线用于将处理器、存储器和网络接口相互连接到一起。该总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线、EISA(ExtendedIndustryStandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为了便于表示，图7中仅用一个双向箭头表示，但这并不表示仅有一根总线或一种类型的总线。

在上述清洁机器人的一种可行的实施方式中，处理器可以先从非易失性存储器中读取对应的执行指令到内存中再运行，也可以先从其它设备上获取相应的执行指令再运行。处理器在执行存储器所存放的执行指令时，能够实现本公开上述任意一个建图方法实施例中的建图方法。

本领域技术人员能够理解的是，上述的建图方法可以应用于处理器中，也可以借助处理器来实现。示例性地，处理器是一种集成电路芯片，具有处理信号的能力。在处理器执行上述建图方法的过程中，上述建图方法的各步骤可以通过处理器中硬件形式的集成逻辑电路或软件形式的指令完成。进一步，上述处理器可以是通用处理器，例如中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable GateArray，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、微处理器以及其它任何常规的处理器。

本领域技术人员还能够理解的是，本公开上述建图方法实施例的步骤可以被硬件译码处理器执行完成，也可以被译码处理器中的硬件和软件模块组合执行完成。其中，软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等其它本领域成熟的存储介质中。该存储介质位于存储器中，处理器读取存储器中的信息之后结合其硬件完成上述建图方法实施例中步骤的执行。

本领域技术人员能够理解的是，本公开上述各个实施例中所述的电子设备可以是计算机。

至此，已经参照附图并结合上述实施例完成了对本公开技术方案的描述。

本领域技术人员能够理解的是，本公开上述的记录监督方法实施例能够以记录监督方法的形式或计算机程序产品的形式来展现。因此，本公开的技术方案可以采用全硬件的方式来实施，也可以采用全软件的形式来实施，还可以采用软件与硬件相结合的形式来实施。

Claims

1.一种清洁机器人的建图方法，所述清洁机器人包括激光测距传感器，其特征在于，所述建图方法包括下列步骤：

通过激光测距传感器获取用于构建地图的激光点云数据；

针对所述激光点云数据中的每一激光点数据，采用预设窗口选取包含该激光点数据以及与该激光点数据相邻的激光点数据；

确定该激光点数据和与该激光点数据相邻激光点数据之间的相关性系数，所述相关性系数用于表征该激光点数据所表征的位置和与其相邻激光点数据所表征的位置之间的距离；

按照相关性系数的大小对所述激光点数据进行分类；

从所述激光点云数据中，滤除所述激光点数量小于预设阈值的类别中的激光点数据；

根据剩余的激光点数据构建地图。

2.根据权利要求1所述的建图方法，其特征在于，所述预设窗口所选取的激光点数据的数目小于或等于所述激光测距传感器针对预设尺寸的物体探测到的激光点数据的数目。

3.根据权利要求1所述的建图方法，其特征在于，所述与该激光点数据相邻的激光点数据为与该激光点数据两侧相邻的激光点数据。

4.根据权利要求1所述的建图方法，其特征在于，所述确定该激光点数据和与该激光点数据相邻激光点数据之间的相关性系数，包括：

其中，所述相关性系数与每一距离皆正相关/负相关，所述每一距离为该激光点数据所表征的位置和与其相邻的每一激光点数据所表征的位置之间的距离。

5.根据权利要求4所述的建图方法，其特征在于，根据预设公式，以及该激光点数据和与该激光点数据相邻激光点数据，计算该激光点数据和与该激光点数据相邻激光点数据的相关性系数，包括：

6.根据权利要求1所述的建图方法，其特征在于，所述按照相关性系数的大小对所述激光点数据进行分类，包括：

7.根据权利要求1-6中任一项所述的建图方法，其特征在于，所述通过激光测距传感器获取用于构建地图的激光点云数据，包括：

使所述激光测距传感器对环境进行扫描，以获取激光点云数据。

8.根据权利要求1-6中任一项所述的建图方法，其特征在于，所述激光测距传感器是三角测距激光测距传感器。

9.根据权利要求3所述的建图方法，其特征在于，所述与该激光点数据相邻的激光点数据等数目地分布在所述激光点数据的两侧。

10.一种清洁机器人，其特征在于，所述清洁机器人包括处理器、存储器和存储在所述存储器上的执行指令，所述执行指令设置成在被所述处理器执行时能够使所述清洁机器人执行权利要求1至9中任一项所述的建图方法。