CN114964204A - 地图构建方法、地图使用方法、装置、设备和存储介质 - Google Patents

Abstract

本申请公开了一种地图构建方法、地图使用方法、装置、设备和存储介质。其中，根据机器人的状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，以及所述机器人的激光雷达在当前帧对所述目标环境进行扫描所得的当前点云数据，确定融合位姿数据；根据所述当前点云数据和所述目标环境中的各点云子图数据，确定位姿估计数据和所述位姿估计数据的估值可信度；其中，所述点云子图数据根据邻域扫描帧内的各历史点云数据组合得到；将所述当前点云数据添加至目标地图中；根据所述估值可信度、所述融合位姿数据和所述位姿估计数据，对所述目标地图中当前点云数据进行更新。本申请实施例的技术方案提高了机器人的建图准确性。

Description

地图构建方法、地图使用方法、装置、设备和存储介质

技术领域

本申请实施例涉及机器人领域，尤其涉及一种地图构建方法、地图使用方法、装置、设备和存储介质。

背景技术

随着科技的发展和生产力的进一步解放，自动化产业需求的不断升高，机器人相关技术成为国内未来发展的重点之一。其中，移动机器人的环境建图技术尤为重要。

当前普遍使用的SLAM(Simultaneous Localization and Mapping，同步定位与建图)方法，使机器人在目标环境中运动时通过激光或视觉记录地图信息，基于全局坐标进行机器人定位与地图构建。但这种方法面对特征稀疏的环境时，建图结果准确度低。

发明内容

本申请提供了一种地图构建方法、地图使用方法、装置、设备和存储介质，以提高机器人在特征稀疏的环境中所构建地图的准确性。

第一方面，本申请实施例提供了一种地图构建方法，包括：

根据建图机器人的状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，以及建图机器人的激光雷达在当前帧对目标环境进行扫描所得的当前点云数据，确定融合位姿数据；

根据当前点云数据和目标环境中的各点云子图数据，确定位姿估计数据和位姿估计数据的估值可信度；其中，点云子图数据根据邻域扫描帧内的各历史点云数据组合得到；

将当前点云数据添加至目标地图中；

根据估值可信度、融合位姿数据和位姿估计数据，对目标地图中当前点云数据进行更新。

第二方面，本申请实施例还提供了一种地图使用方法，包括：

获取目标地图；其中，目标地图采用如本申请第一方面实施例的地图构建方法生成；

根据目标地图，对当前机器人进行行驶控制。

第三方面，本申请实施例还提供了一种地图构建装置，包括：

融合位姿数据确定模块，用于根据建图机器人的状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，以及建图机器人的激光雷达在当前帧对目标环境进行扫描所得的当前点云数据，确定融合位姿数据；

估值可信度确定模块，用于根据当前点云数据和目标环境中的各点云子图数据，确定位姿估计数据和位姿估计数据的估值可信度；其中，点云子图数据根据邻域扫描帧内的各历史点云数据组合得到；

地图构建模块，用于将当前点云数据添加至目标地图中；

地图更新模块，用于根据估值可信度、融合位姿数据和位姿估计数据，对目标地图中当前点云数据进行更新。

第四方面，本申请实施例还提供了一种地图使用装置，包括：

地图获取模块，用于获取目标地图；其中，目标地图采用本申请第三方面实施例提供的一种地图构建装置生成；

行驶控制模块，用于根据目标地图，对当前机器人进行行驶控制。

第五方面，本申请实施例还提供了一种机器人，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本申请第一方面实施例提供的一种地图构建方法，和/或，实现如本申请第二方面实施例提供的一种地图使用方法。

第六方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请第一方面实施例提供的一种地图构建方法，和/或，实现如本申请第二方面实施例提供的一种地图使用方法。

本申请实施例的技术方案，确定了位姿估计数据的估值可信度，根据估值可信度的大小确定位姿估计数据的可靠程度，并依据可靠的位姿估计数据和融合位姿数据对地图数据进行更新。这样做的好处是可以依靠估值可信度，对位姿估计数据进行筛选，解决了由于误差使位姿估计数据不准确而导致的地图更新不准确的问题，同时降低了累积误差对识别特征稀疏环境的影响，从而提高了地图构建结果的准确性。

附图说明

图1是本申请实施例一提供的一种地图构建方法的流程图；

图2是本申请实施例二提供的一种地图构建方法的流程图；

图3是本申请实施例三提供的一种地图构建方法的流程图；

图4是本申请实施例四提供的一种地图使用方法的流程图；

图5是本申请实施例五提供的一种地图构建装置的结构图；

图6是本申请实施例六提供的一种地图使用装置的结构图；

图7是本申请实施例七提供的一种机器人的结构图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。

实施例一

图1是本申请实施例一提供的一种地图构建方法的流程图。本申请实施例可适用于环境特征稀疏的场景建图的情况，该方法可以由一种地图构建装置来执行，该装置可以采用软件和/或硬件实现，并具体配置于建图机器人中。

参考图1所示的地图构建方法，应用于建图机器人，具体包括如下步骤：

S110、根据建图机器人的状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，以及建图机器人的激光雷达在当前帧对目标环境进行扫描所得的当前点云数据，确定融合位姿数据。

其中，建图机器人是指具有地图构建能力的机器装置，可以包括但不限于平面移动型机器人，例如服务机器人、物流机器人等。状态检测装置是配置于建图机器人上用于检测建图机器人运动状态的装置，例如可以包括但不限于里程计和IMU(InertialMeasurement Unit，惯性测量单元)等。历史检测数据可以包括上一帧扫描到的目标环境的历史点云数据和上一帧扫描时建图机器人自身的运动状态。

将上一帧对目标环境扫描得到的历史点云数据、当前帧对目标环境扫描得到的当前点云数据、上一帧对建图机器人自身检测的运动状态进行融合，可以获得建图机器人当前帧的位姿状态数据，作为融合位姿数据，丰富了融合位姿数据的数据来源，有助于提高融合位姿数据的准确度。

可选的，可以根据里程计和IMU对建图机器人上一帧的运动状态进行检测；将检测结果通过预设预测算法，对建图机器人当前帧的运动状态数据进行预测；将预测结果与前述历史点云数据和当前点云数据通过预设融合算法进行融合，得到当前帧的融合位姿数据。其中，预设预测算法可以采用现有技术的至少一种位姿预测算法实现，本申请对此不作任何限定。

或者可选的，还可以将上一帧的融合位姿数据与上一帧的运动状态检测结果，通过预设预测算法对建图机器人当前帧的运动状态数据进行预测，得到位姿预测结果；将位姿预测结果和历史点云数据及当前点云数据，通过预设融合算法得到当前帧的融合位姿数据。其中，预设预测算法可以采用现有技术的至少一种位姿预测算法实现，本申请对此不作任何限定。

S120、根据当前点云数据和目标环境中的各点云子图数据，确定位姿估计数据和位姿估计数据的估值可信度。

其中，点云子图数据可以根据邻域扫描帧内的各历史点云数据组合得到。可选的，可以根据预设扫描帧数内所有扫描得到的点云数据，生成一个点云子图。例如，可以设定将每隔N(例如100)帧扫描得到的点云数据作为一个点云子图，即1～N帧保存一个点云子图，N+1～2N帧保存另一个点云子图，依此类推，并将所有得到的点云子图数据进行存储。其中，N为正整数，具体数值可以由技术人员根据实际需求或经验进行设定或调整。

位姿估计数据是指以当前点云数据和各点云子图数据为基础，对当前帧建图机器人的位姿进行预估得到的预估数据。其中，位姿估计数据中可以包括： x方向的速度、y方向的速度和航向角角度等中的至少一种。可选的，可以根据距离最近原则，将当前点云数据分别与各点云子图数据进行距离比较，以选取与当前点云数据相匹配的点云子图数据；例如，可以采用欧式距离进行比较，选取距离当前点云较小(例如最小)的点云子图，还可以选取与当前点云距离符合预设距离阈值范围的至少一个点云子图。根据当前点云数据和所选取的点云子图数据，通过预设的位姿估计算法，计算得到当前帧的位姿估计数据，以及该位姿估计数据的估值可信度。

位姿估计数据的估值可信度可作为对位姿估计数据的准确程度进行衡量的参考数据。估值可信度可以是在位姿估计数据计算过程中的一些参量，例如，在位姿估计数据的计算过程中，可以得到位姿估计数据的相关性数据，将该相关性数据的值作为估值可信度，用以衡量该位姿估计数据是否可靠。

需要注意的是，位姿估计数据的估值可信度可以包括至少一个数据。例如，x方向的速度参数可对应有速度估值可信度，航向角参数对应有角度估值可信度。需要说明的是，相关性数据可以因建图机器人使用的位姿估计算法不同而不同，例如可以选择位姿估计数据的协方差矩阵的逆矩阵的值，作为估值可信度，还可以是自定义的其他参数值，本申请对此不作限定。

S130、将当前点云数据添加至目标地图中。

将当前帧扫描到的目标环境的点云数据添加目标地图中，以创建新的目标地图，或更新已有目标地图。可以理解的是，可以将每一帧扫描到的点云数据都添加至目标地图中，以实现实时建图的功能。

S140、根据估值可信度、融合位姿数据和位姿估计数据，对目标地图中当前点云数据进行更新。

可以根据估值可信度的大小，对位姿估计数据进行可靠性筛选。例如，可以预先设定估值可信度的判断条件，作为对位姿估计数据进行筛选的预设优化条件，筛选出符合预设优化条件的位姿估计数据，并与融合位姿数据结合对位姿数据进行优化。将优化后的位姿数据通过坐标变换，对目标地图中的点云数据进行优化，从而达到对目标地图进行更新的目的。

在一种可选实施方式中，根据估值可信度、融合位姿数据和位姿估计数据，对目标地图中当前点云数据进行更新，可以包括：若估值可信度满足预设优化条件，则根据位姿估计数据和融合位姿数据，确定累积误差，且根据累积误差，对目标地图中当前点云数据进行更新；若估值可信度不满足预设优化条件，则禁止执行对目标地图中当前点云数据的更新操作。

其中，当位姿估计数据的估值可信度符合预设优化条件时，将该位姿估计数据与位姿融合数据进行计算，得到累积误差。符合预设优化条件可以是估值可信度的数值大于预设阈值。对于估值可信度大于预设阈值的位姿估计数据，则可根据该位姿估计数据和同一帧的融合位姿数据对目标地图中的点云数据进行更新；对于估值可信度小于预设阈值的位姿估计数据可以选择不予使用，即不使用该位姿估计数据对目标地图中的点云数据进行更新。需要说明的是，由于位姿估计数据可以包含多项参数，每项参数均具备相应估值可信度，可以针对不同参数分别设置对应预设阈值，并在位姿估计数据的所有参数的所有估值可信度均大于对应预设阈值时，才使用该位姿估计数据对地图数据进行更新；若位姿估计数据存在任何一项参数的估值可信度小于对应预设阈值，则禁止使用该位姿估计数据对地图数据进行更新。

可选的，可以根据融合位姿数据和位姿估计数据获得二者的累积误差，并根据预设的优化算法对累积误差进行优化，从而优化位姿数据。例如，可以使用CERES非线性优化开源库或GTSAM(Georgia Tech Smoothing and Mapping，乔治亚理工平滑建图法)算法等。

上述技术方案，可以针对位姿估计数据的每一项估值可信度对位姿估计数据进行筛选，提高了位姿估计数据的筛选精度，间接的帮助建图机器人降低了累积误差对地图构建的影响，有助于提高建图的准确性。

本申请实施例的技术方案，确定了位姿估计数据的估值可信度，根据估值可信度的大小确定位姿估计数据的可靠程度，并依据可靠的位姿估计数据和融合位姿数据对地图数据进行更新。这样做的好处是可以依靠估值可信度对位姿估计数据进行筛选，解决了由于误差使位姿估计数据不准确而导致的地图更新不准确的问题，同时降低了累积误差对识别特征稀疏环境的影响，从而提高了地图构建结果的准确性。

实施例二

图2为本申请实施例二提供的一种地图构建方法的流程图。本申请实施例是在前述实施例各技术方案的基础上，对估值可信度的确定操作进行了优化，以提高建图结果的准确性。

参考图2所示的一种地图构建方法，具体包括如下步骤：

S210、根据建图机器人的状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，以及建图机器人的激光雷达在当前帧对目标环境进行扫描所得的当前点云数据，确定融合位姿数据。

S220、从目标环境中的各点云子图数据中选取与当前点云数据相匹配的点云子图数据，作为参考子图数据。

在建图机器人的回环过程中，目标环境对应的目标地图中已被记录了许多点云子图，选取其中至少一个与当前点云数据相匹配的点云子图作为参考，对位姿进行估计。可以根据各点云子图数据与当前点云数据的欧式距离对各点云子图数据进行筛选。例如，可以将当前点云数据的中心点与各点云子图数据的中心点进行欧式距离计算，选取与当前点云数据的中心点欧式距离较小(例如最小)的中心点对应的点云子图数据作为参考子图数据。还可以预设距离阈值，选取与当前点云数据的中心点欧式距离属于预设距离阈值范围内的至少一个点云子图数据作为参考子图数据。

S230、根据当前点云数据和参考子图数据，确定位姿估计数据的估值可信度。

将当前点云数据和前述步骤筛选出的参考子图数据带入预设的位姿估计算法，从而计算得到位姿估计数据，并在这一计算过程中同时生成了与位姿估计数据相关联的参数，该参数可以表示估值可信度。其中，预设的位姿估计算法可以采用现有技术中至少一种位姿估计算法实现，本申请对此不作限定。

在一种可选实施方式中，根据当前点云数据和参考子图数据，确定位姿估计数据的估值可信度，可以包括：确定当前点云数据和参考子图数据之间的第一相关性数据；根据第一相关性数据，确定位姿估计数据的估值可信度。

第一相关性数据可以是在位姿估计数据的计算过程中生成的与位姿估计数据相关的参数，并将第一相关性数据转化为可以反映位姿估计数据可靠性的参数作为估值可信度。例如可以选择的当前点云数据与参考子图数据通过预设匹配算法计算后得到的协方差矩阵作为第一相关性数据。其中，预设匹配算法可以采用现有技术中的至少一种点云匹配算法实现，本申请对此不作限定。

上述技术方案，通过相关性数据确定估值可信度，计算便捷，运算量小，计算效率高，为筛选可靠性高的位姿估计数据提供了依据。

在一种可选实施方式中，确定当前点云数据和参考子图数据之间的第一相关性数据，可以包括：确定当前点云数据和参考子图数据之间的第一协方差矩阵。相应的，根据第一相关性数据，确定位姿估计数据的估值可信度，可以包括：将第一协方差矩阵的逆矩阵，作为位姿估计数据的估值可信度。

其中，根据当前点云数据与参考子图数据对位姿估计数据进行计算时，需要使用当前点云数据与参考子图数据进行匹配，通过预设匹配算法可以获得当前点云数据与参考子图数据之间的协方差矩阵，作为第一协方差矩阵。预设匹配算法可以采用现有技术中的至少一种点云匹配算法实现，本申请对此不作限定。然后对第一协方差矩阵求逆得到了该第一协方差矩阵的逆矩阵；将第一协方差矩阵的逆矩阵中的矩阵元素，作为位姿估计数据的估值可信度。

上述技术方案，通过协方差矩阵计算估值可信度，计算便捷，运算量小，计算效率高，为筛选可靠性高的位姿估计数据提供依据。

S240、将当前点云数据添加至目标地图中。

S250、根据估值可信度、融合位姿数据和位姿估计数据，对目标地图中当前点云数据进行更新。

本申请实施例的技术方案，通过距离最近原则筛选最佳的点云子图数据并与当前点云数据进行匹配，计算位姿估计数据的同时将匹配过程中的协方差矩阵的逆矩阵的值作为估值可信度对位姿估计数据进行筛选。这种方法引入参考子图数据进行估值可信度确定，有效衡量了回环过程中的累计误差，提高了估值可信度与位姿估计数据之间的匹配度，从而提高了位姿估计数据的精度，间接的提高了建图的准确性。

实施例三

图3为本申请实施例三提供的一种地图构建方法的流程图。本申请实施例是在前述实施例各技术方案的基础上，对融合位姿数据的确定操作进行了优化，以提高融合位姿数据的精度，进而提高建图的准确性。

参考图3所示的一种地图构建方法，具体包括如下步骤：

S310、根据状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，确定第一位姿数据。

第一位姿数据是根据上一帧检测所得的历史检测数据对当前帧位姿进行的预测结果。例如，可以根据上一帧对目标环境扫描得到的点云数据进行坐标变换，得到的建图机器人上一帧的位姿数据，然后通过预设的预测算法，对当前帧的位姿进行预测，获得第一位姿数据。值得注意的是，当建图机器人刚开始运动时(开始运动后的第二帧)只具备上一帧(开始运动时的第一帧)对目标环境检测的历史检测数据，因此只能通过历史检测数据确定第一位姿数据。当建图机器人不处于刚开始运动的状态，而是进入持续运动状态时，还可以根据上一帧的历史检测数据和上一帧计算获得的融合位姿数据作为基础，通过预设的预测算法对当前帧建图机器人的位姿数据进行预测，获得第一位姿数据。其中，预设的预测算法可以采用现有技术中的至少一种位姿预测算法实现，本申请对此不作限定。

S320、根据第一位姿数据和激光雷达在当前帧对目标环境进行扫描所得的当前点云数据，确定第二位姿数据。

第二位姿数据是指当前帧建图机器人的位姿数据，第二位姿数据可以由当前点云数据和第一位姿数据通过预设的位姿算法计算而来。可以将当前点云数据进行坐标变换以获得当前帧建图机器人的中心坐标，并结合第一位姿数据 (上一帧对当前帧位姿的预测结果)进行计算，从而得出第二位姿数据，计算的方法可以是牛顿迭代法或其他现有技术中的计算方法，本申请实施例对此不作限定。

S330、根据激光雷达在上一帧的历史点云数据和当前点云数据，确定点云可信度。

其中，将历史点云数据和当前点云数据通过预设匹配算法进行计算，此计算过程与计算第二位姿数据的过程是同步的，计算过程中会生成与第二位姿数据相关联的参数，该参数可转化用以表示点云可信度。预设匹配算法可以采用现有技术中的至少一种匹配算法实现，本申请对此不作限定。

在一种可选实施方式中，根据激光雷达在上一帧的历史点云数据和当前点云数据，确定点云可信度，可以包括：确定激光雷达在上一帧的历史点云数据和当前点云数据之间的第二相关性数据；根据第二相关性数据，确定点云可信度。

第二相关性数据可以是在第二位姿数据的计算过程中同时生成的与第二位姿数据相关的参数，并将第二相关性数据转化为可以反映第二位姿数据可靠性的参数作为点云可信度。例如可以选择历史点云数据和当前点云数据通过前述预设匹配算法计算后得到的协方差矩阵作为第二相关性数据。

上述技术方案，通过相关性数据确定点云可信度，计算便捷，运算量小，计算效率高，为筛选可靠性高的第二位姿数据提供了依据。

在一种可选实施方式中，确定激光雷达在上一帧的历史点云数据和当前点云数据之间的第二相关性数据，可以包括：确定激光雷达在上一帧的历史点云数据和当前点云数据之间的第二协方差矩阵。相应的，根据第二相关性数据，确定点云可信度，可以包括：将第二协方差矩阵的逆矩阵，作为点云可信度。

其中，在对第二位姿数据进行计算时，需要将历史点云数据与当前点云数据通过前述预设匹配算法进行计算，可以获得历史点云数据与当前点云数据之间的协方差矩阵，作为第二协方差矩阵。然后对第二协方差矩阵求逆得到了该第二协方差矩阵的逆矩阵；将第二协方差矩阵的逆矩阵中的矩阵元素，作为第二位姿数据的点云可信度。

值得说明的是，第二位姿数据同样含有多项位姿参数，可以包括但不限于： x方向的速度、y方向的速度和航向角角度等中的至少一种，因此每项位姿参数都有其对应的点云可信度。

上述技术方案，通过协方差矩阵计算点云可信度，计算便捷，运算量小，计算效率高，为筛选可靠性高的第二位姿数据提供依据。

S340、根据所述点云可信度、所述第一位姿数据和所述第二位姿数据，确定所述融合位姿数据。

其中，可以将点云可信度高的第二位姿数据与第一位姿数据通过预设的融合算法进行融合，得到的计算结果作为融合位姿数据。预设融合算法可以采用递归滤波法，例如可以是卡尔曼滤波。

在一种可选实施方式中，所述根据所述点云可信度、所述第一位姿数据和所述第二位姿数据，确定所述融合位姿数据，可以包括：将点云可信度满足预设融合条件的第一位姿数据与所述第二位姿数据融合，得到所述融合位姿数据。

预设融合条件可以根据点云可信度进行设置，例如可以设置为点云可信度的值大于预设阈值时满足预设融合条件。由于第二位姿数据同样具备多项位姿参数，每项参数均具备与之对应的点云可信度，因此通过点云可信度的预设阈值，对位姿参数进行筛选，将点云可信度大于预设阈值的位姿参数用于融合算法中与第一位姿数据进行融合；禁止将点云可信度小于预设阈值的第二位姿参数用作融合。

此处需特别注意，与前述估值可信度不同，对于第二位姿数据中符合预设阈值的每项位姿参数都可以和第一位姿数据进行融合，不符合预设阈值的位姿参数则禁止与第一位姿数据融合。例如，当前帧的第二位姿数据中x方向的速度的点云可信度符合预设阈值，则将x方向的速度带入预设融合算法中进行计算；当前帧第二位姿数据中的航向角角度的点云可信度不符合预设阈值，则不带入预设融合算法进行计算。即同一帧的第二位姿数据的多项位姿参数中，个别参数不符合预设融合条件，不影响其他参数进行融合。其中，预设融合算法可以采用现有技术中的至少一种位姿融合算法实现，本申请实施例对此不作限定。

上述实施方式的技术方案，将当前点云数据和历史点云数据匹配计算得到的协方差矩阵的逆矩阵的值作为点云可信度，将点云可信度满足融合条件的数据进行融合，融合结果的准确度得到了提高，间接的提升了建图的准确性。

S350、根据所述当前点云数据和所述目标环境中的各点云子图数据，确定位姿估计数据和所述位姿估计数据的估值可信度；其中，所述点云子图数据根据邻域扫描帧内的各历史点云数据组合得到。

S360、将所述当前点云数据添加至目标地图中。

S370、根据所述估值可信度、所述融合位姿数据和所述位姿估计数据，对所述目标地图中当前点云数据进行更新。

本申请实施例的技术方案，在计算第二位姿数据的过程中生成了能够表征第二位姿数据可靠程度的点云可信度，根据点云可信度对第二位姿数据中的每一项位姿参数进行筛选，从而与第一位姿数据进行融合。该方法引入点云可信度，能够发现激光雷达失效情况，避免了由于激光雷达引发的误差给融合结果带来的影响，提高了融合结果的准确度。

实施例四

图4为本申请实施例四提供的一种地图使用方法的流程图。本申请实施例可适用于使用机器人构建地图的情况，该方法可以由一种地图使用装置来执行，该装置可以采用软件和/或硬件实现，并具体配置于当前机器人中。其中，当前机器人可以理解为当前行驶过程中的机器人，可以与建图机器人相同，也可以不同。

参考图4所示的地图使用方法，应用于当前机器人，具体包括如下步骤：

S410、获取目标地图；其中，目标地图采用如本申请上述各实施例所提供的任一种地图构建方法生成。

S420、根据目标地图，对当前机器人进行行驶控制。

具体的，当前机器人可以对已经生成的目标地图进行调用，并根据目标地图在现实场景中进行行驶控制，其中，行驶控制包括但不限于避障控制等。

本申请实施例的技术方案，通过获取目标地图并据此控制建图机器人运动，防止机器人在环境中运动时与墙壁和/或障碍物进行碰撞，提高了建图机器人的工作效率，提升了机器人工作的灵活性，有助于提高当前机器人的行驶安全。

实施例五

图5是本申请实施例五提供的一种地图构建装置的结构图，本申请实施例可适用于构建陌生环境地图的情况，该装置可以由软件和/或硬件的方式来实现，可配置于建图机器人中。如图5所示，该装置可以包括：

融合位姿数据确定模块510，用于根据建图机器人的状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，以及建图机器人的激光雷达在当前帧对目标环境进行扫描所得的当前点云数据，确定融合位姿数据；

估值可信度确定模块520，用于根据当前点云数据和目标环境中的各点云子图数据，确定位姿估计数据和位姿估计数据的估值可信度；其中，点云子图数据根据邻域扫描帧内的各历史点云数据组合得到；

地图构建模块530，用于将当前点云数据添加至目标地图中；

地图更新模块540，用于根据估值可信度、融合位姿数据和位姿估计数据，对目标地图中当前点云数据进行更新。

本申请实施例的技术方案，确定了位姿估计数据的估值可信度，根据估值可信度的大小确定位姿估计数据的可靠程度，并依据可靠的位姿估计数据和融合位姿数据对地图数据进行更新。这样做的好处是可以依靠估值可信度对位姿估计数据进行筛选，解决了由于误差使位姿估计数据不准确而导致的地图更新不准确的问题，同时降低了累积误差对识别特征稀疏环境的影响，从而提高了地图构建结果的准确性。

在一种可选实施方式中，估值可信度确定模块520，可以包括：

参考子图确定单元，用于从目标环境中的各点云子图数据中选取与当前点云数据相匹配的点云子图数据，作为参考子图数据；

估值可信度确定单元，用于根据当前点云数据和参考子图数据，确定位姿估计数据的估值可信度。

在一种可选实施方式中估值可信度确定单元，可以包括：

第一相关性确定子单元，用于确定当前点云数据和参考子图数据之间的第一相关性数据；

估值可信度确定子单元，用于根据第一相关性数据，确定位姿估计数据的估值可信度。

在一种可选实施方式中，第一相关性确定子单元，可以包括：

第一协方差确定从单元，用于确定当前点云数据和参考子图数据之间的第一协方差矩阵；

相应的，估值可信度确定子单元，可以包括：

估值可信度确定从单元，用于将第一协方差矩阵的逆矩阵，作为位姿估计数据的估值可信度。

在一种可选实施方式中，地图更新模块540，可以包括：

更新单元，用于若估值可信度满足预设优化条件，则根据位姿估计数据和融合位姿数据，确定累积误差，且根据累积误差，对目标地图中当前点云数据进行更新；

禁止更新单元，用于若估值可信度不满足预设优化条件，则禁止执行对目标地图中当前点云数据的更新操作。

在一种可选实施方式中，融合位姿数据确定模块510，可以包括：

第一位姿数据确定单元，用于根据状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，确定第一位姿数据；

第二位姿数据确定单元，用于根据第一位姿数据和激光雷达在当前帧对目标环境进行扫描所得的当前点云数据，确定第二位姿数据；

点云可信度确定单元，用于根据激光雷达在上一帧的历史点云数据和当前点云数据，确定点云可信度；

融合位姿数据确定单元，用于根据点云可信度、第一位姿数据和第二位姿数据，确定融合位姿数据。

在一种可选实施方式中，点云可信度确定单元，可以包括：

第二相关性确定子单元，用于确定激光雷达在上一帧的历史点云数据和当前点云数据之间的第二相关性数据；

点云可信度确定子单元，用于根据第二相关性数据，确定点云可信度。

在一种可选实施方式中，第二相关性确定子单元，可以包括：

第二协方差确定从单元，用于确定激光雷达在上一帧的历史点云数据和当前点云数据之间的第二协方差矩阵；

相应的，点云可信度确定子单元，可以包括：

点云可信度确定从单元，用于将第二协方差矩阵的逆矩阵，作为点云可信度。

在一种可选实施方式中，融合位姿数据确定单元，可以包括：

融合位姿数据确定子单元，用于将点云可信度满足预设融合条件的第一位姿数据与第二位姿数据融合，得到融合位姿数据。

本申请实施例所提供的地图构建装置可执行本申请任意实施例所提供的地图构建方法，具备执行各地图构建方法相应的功能模块和有益效果。

实施例六

图6是本申请实施例六提供的一种地图使用装置的结构图，本申请实施例可适用于使用机器人构建地图的情况，该装置可以由软件和/或硬件的方式来实现，可配置于当前机器人中。其中，当前机器人与前述建图机器人可以相同，也可不同。

如图6所示，该装置可以包括：

地图获取模块610，用于获取目标地图；其中，目标地图采用本申请实施例任一项所述的地图构建装置生成；

行驶控制模块620，用于根据目标地图，对当前机器人进行行驶控制。

本申请实施例的技术方案，通过获取目标地图并据此控制建图机器人运动，防止机器人在环境中运动时与墙壁和/或障碍物进行碰撞，提高了建图机器人的工作效率，提升了机器人工作的灵活性，有助于提高当前机器人的行驶安全。

本申请实施例所提供的地图构建装置可执行本申请任意实施例所提供的地图使用方法，具备执行各地图使用方法相应的功能模块和有益效果。

实施例七

图7是本申请实施例七提供的一种机器人的结构图。图7示出了适于用来实现本申请实施方式的示例性机器人712的框图。图7展示的机器人712仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，机器人712以通用计算设备的形式表现。机器人712的组件可以包括但不限于：一个或者多个处理器或者处理单元716，系统存储器728，连接不同系统组件(包括系统存储器728和处理单元716)的总线718。

总线718表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构 (ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

机器人712典型地包括多种计算机系统可读介质。这些介质可以是任何能够被机器人712访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器728可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)730和/或高速缓存存储器732。机器人712可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统734可以用于读写不可移动的、非易失性磁介质(图7未展示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘 (例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线718相连。存储器728可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

具有一组(至少一个)程序模块742的程序/实用工具740，可以存储在例如存储器728中，这样的程序模块742包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块742通常执行本申请所描述的实施例中的功能和/或方法。

机器人712也可以与一个或多个外部设备714(例如键盘、指向设备、展示器724等)通信，还可与一个或者多个使得用户能与该机器人712交互的设备通信，和/或与使得该机器人712能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出 (I/O)接口722进行。并且，机器人712还可以通过网络适配器720与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器720通过总线718与机器人712的其它模块通信。应当明白，尽管图中未示出，可以结合机器人712使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元716通过运行存储在系统存储器728中的多个程序中其他程序的至少一个，从而执行各种功能应用以及数据处理，例如实现本申请实施例任一项所提供的地图构建方法，和/或，本申请任一实施例提供的地图使用方法。

实施例八

本申请实施例八还提供一种计算机可读存储介质，其上存储有计算机程序 (或称为计算机可执行指令)，该程序被处理器执行时用于执行本申请实施例所提供的一种地图构建方法：根据机器人的状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，以及机器人的激光雷达在当前帧对目标环境进行扫描所得的当前点云数据，确定融合位姿数据；根据当前点云数据和目标环境中的各点云子图数据，确定位姿估计数据和位姿估计数据的估值可信度；其中，点云子图数据根据邻域扫描帧内的各历史点云数据组合得到；将当前点云数据添加至目标地图中；根据估值可信度、融合位姿数据和位姿估计数据，对目标地图中当前点云数据进行更新。

本申请实施例还提供了另一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时用于执行本申请实施例所提供的一种地图使用方法：获取目标地图；其中，目标地图采用如本申请实施例任一项所述的地图构建方法生成；根据目标地图，对当前机器人进行行驶控制。

本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD- ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如 Java、Smalltalk、C++，还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN) 连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (14)

1.一种地图构建方法，其特征在于，包括：

根据建图机器人的状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，以及所述建图机器人的激光雷达在当前帧对所述目标环境进行扫描所得的当前点云数据，确定融合位姿数据；

根据所述当前点云数据和所述目标环境中的各点云子图数据，确定位姿估计数据和所述位姿估计数据的估值可信度；其中，所述点云子图数据根据邻域扫描帧内的各历史点云数据组合得到；

将所述当前点云数据添加至目标地图中；

根据所述估值可信度、所述融合位姿数据和所述位姿估计数据，对所述目标地图中当前点云数据进行更新。

2.根据权利要求1所述的方法，其特征在于，所述根据所述当前点云数据和所述目标环境中的各点云子图数据，确定所述位姿估计数据的估值可信度，包括：

从所述目标环境中的各点云子图数据中选取与所述当前点云数据相匹配的点云子图数据，作为参考子图数据；

根据所述当前点云数据和所述参考子图数据，确定所述位姿估计数据的估值可信度。

3.根据权利要求2所述的方法，其特征在于，所述根据所述当前点云数据和所述参考子图数据，确定所述位姿估计数据的估值可信度，包括：

确定所述当前点云数据和所述参考子图数据之间的第一相关性数据；

根据所述第一相关性数据，确定所述位姿估计数据的估值可信度。

4.根据权利要求3所述的方法，其特征在于，所述确定所述当前点云数据和所述参考子图数据之间的第一相关性数据，包括：

确定所述当前点云数据和所述参考子图数据之间的第一协方差矩阵；

相应的，所述根据所述第一相关性数据，确定所述位姿估计数据的估值可信度，包括：

将所述第一协方差矩阵的逆矩阵，作为所述位姿估计数据的估值可信度。

5.根据权利要求1所述的方法，其特征在于，所述根据所述估值可信度、所述融合位姿数据和所述位姿估计数据，对所述目标地图中当前点云数据进行更新，包括：

若所述估值可信度满足预设优化条件，则根据所述位姿估计数据和所述融合位姿数据，确定累积误差，且根据所述累积误差，对所述目标地图中当前点云数据进行更新；

若所述估值可信度不满足所述预设优化条件，则禁止执行对所述目标地图中当前点云数据的更新操作。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据建图机器人的状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，以及所述建图机器人的激光雷达在当前帧对所述目标环境进行扫描所得的当前点云数据，确定融合位姿数据，包括：

根据所述状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，确定第一位姿数据；

根据所述第一位姿数据和所述激光雷达在当前帧对所述目标环境进行扫描所得的当前点云数据，确定第二位姿数据；

根据所述激光雷达在上一帧的历史点云数据和所述当前点云数据，确定点云可信度；

根据所述点云可信度、所述第一位姿数据和所述第二位姿数据，确定所述融合位姿数据。

7.根据权利要求6所述的方法，其特征在于，所述根据所述激光雷达在上一帧的历史点云数据和所述当前点云数据，确定点云可信度，包括：

确定所述激光雷达在上一帧的历史点云数据和所述当前点云数据之间的第二相关性数据；

根据所述第二相关性数据，确定所述点云可信度。

8.根据权利要求7所述的方法，其特征在于，所述确定所述激光雷达在上一帧的历史点云数据和所述当前点云数据之间的第二相关性数据，包括：

确定所述激光雷达在上一帧的历史点云数据和所述当前点云数据之间的第二协方差矩阵；

相应的，所述根据所述第二相关性数据，确定所述点云可信度，包括：

将所述第二协方差矩阵的逆矩阵，作为所述点云可信度。

9.根据权利要求6所述的方法，其特征在于，所述根据所述点云可信度、所述第一位姿数据和所述第二位姿数据，确定所述融合位姿数据，包括：

将点云可信度满足预设融合条件的第一位姿数据与所述第二位姿数据融合，得到所述融合位姿数据。

10.一种地图使用方法，其特征在于，包括：

获取目标地图；其中，所述目标地图采用权利要求1-9任一项所述的地图构建方法生成；

根据所述目标地图，对当前机器人进行行驶控制。

11.一种地图构建装置，其特征在于，包括：

融合位姿数据确定模块，用于根据建图机器人的状态检测装置在上一帧对目标环境进行检测所得的历史检测数据，以及所述建图机器人的激光雷达在当前帧对所述目标环境进行扫描所得的当前点云数据，确定融合位姿数据；

估值可信度确定模块，用于根据所述当前点云数据和所述目标环境中的各点云子图数据，确定位姿估计数据和所述位姿估计数据的估值可信度；其中，所述点云子图数据根据邻域扫描帧内的各历史点云数据组合得到；

地图构建模块，用于将所述当前点云数据添加至目标地图中；

地图更新模块，用于根据所述估值可信度、所述融合位姿数据和所述位姿估计数据，对所述目标地图中当前点云数据进行更新。

12.一种地图使用装置，其特征在于，包括：

地图获取模块，用于获取目标地图；其中，所述目标地图采用权利要求11所述的地图构建装置生成；

行驶控制模块，用于根据所述目标地图，对当前机器人进行行驶控制。

13.一种机器人，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9任一项所述的一种地图构建方法，和/或，实现如权利要求10所述的地图使用方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9任一项所述的一种地图构建方法，和/或，实现如权利要求10所述的地图使用方法。

Images