CN115326058A - 机器人地图的生成方法、设备、存储介质和移动机器人 - Google Patents

Abstract

本申请公开了一种机器人地图的生成方法、设备、存储介质和移动机器人，该方法包括：确定以机器人的当前位置为中心的探索区域；其中，探索区域包括至少一栅格点；利用各栅格点的邻域信息，确定探索区域是否存在候选局部边界点；响应于探索区域存在候选局部边界点，对候选局部边界点进行聚类，以得到优选局部边界点；基于优选局部边界点进行探索路径规划。通过上述方式，本申请能够提高机器人自主探索建图的效率和精度。

Description

机器人地图的生成方法、设备、存储介质和移动机器人

技术领域

本申请涉及机器人技术领域，特别是涉及一种机器人地图的生成方法、设备、存储介质和移动机器人。

背景技术

智能机器人平台（如，无人驾驶汽车、物流机器人等）可以通过导航系统自行完成点到点之间的移动，其实现过程高度依赖全局地图。

目前，主要通过机器人自主建图系统建立完整的地图，全程无需人工的介入。但是，机器人自主建图过程中，自主建图的效率不高且所建地图的精度不高。

发明内容

本申请主要解决的技术问题是提供一种机器人地图的生成方法、设备和存储介质，能够提高机器人自主探索建图的效率和精度。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种机器人地图的生成方法，该方法包括：确定以机器人的当前位置为中心的探索区域；其中，探索区域包括至少一栅格点；利用各栅格点的邻域信息，确定探索区域是否存在候选局部边界点；响应于探索区域存在候选局部边界点，对候选局部边界点进行聚类，以得到优选局部边界点；基于优选局部边界点进行探索路径规划。

其中，利用各栅格点的邻域信息，确定探索区域是否存在候选局部边界点，包括：以各栅格点作为目标栅格点，确定目标栅格点与周围的邻域栅格点的标记状态；基于目标栅格点和邻域栅格点的标记状态，确定目标栅格点是否为候选局部边界点。

其中，基于目标栅格点和邻域栅格点的标记状态，确定目标栅格点是否为候选局部边界点，包括：响应于目标栅格点处于空闲状态、且处于未知状态的邻域栅格点的数量与处于空闲状态的邻域栅格点的数量的比例大于或等于预设的数量比例阈值，判定目标栅格点为候选局部边界点。

其中，响应于探索区域存在候选局部边界点，对候选局部边界点进行聚类，以得到优选局部边界点，包括：基于候选局部边界点的位置或距离信息对候选局部边界点进行聚类；将聚类获得的每一类候选局部边界点中的某一候选局部边界点作为优选局部边界点。

其中，基于优选局部边界点进行探索路径规划，包括：从优选局部边界点中筛选出距离机器人的当前位置最近的预定数量的优选局部边界点；基于筛选出的优选局部边界点进行探索路径规划。

其中，基于优选局部边界点进行探索路径规划，包括：确定以机器人的当前位置为中心的第一规划区域；其中，第一规划区域小于探索区域；在第一规划区域中进行快速搜索随机树规划，并利用优选局部边界点对规划过程进行偏置；其中，快速搜索随机树包括多个局部视点；从规划的快速搜索随机树中获取候选规划路径，并选取路径收益最大的候选规划路径作为最佳规划路径；其中，路径收益与候选规划路径上的局部视点的视点收益之和正相关，并和候选规划路径与上一次获得的最佳规划路径的方向相似度正相关；视点收益进一步与局部视点周围的处于未知状态的栅格点数量正相关，并与局部视点到机器人的当前位置的距离负相关。

其中，在第一规划区域中进行快速搜索随机树规划，并利用优选局部边界点对规划过程进行偏置，包括：在每次局部视点的选择过程中生成随机数；当随机数大于预设的随机数阈值时，从靠近优选局部边界点的区域选择局部视点；当随机数小于预设的随机数阈值时，从第一规划区域选择局部视点。

其中，从规划的快速搜索随机树中获取候选规划路径，并选取路径收益最大的候选规划路径作为最佳规划路径之后，机器人地图的生成方法进一步包括：控制机器人沿最佳规划路径运行，并进行探索；在机器人运行至最佳规划路径的终点后，确定以最佳规划路径的终点为中心的第二规划区域；以最佳规划路径的终点作为快速搜索随机树的根节点，对第二规划区域外的树分支进行修剪。

其中，机器人地图的生成方法进一步包括：将优选局部边界点添加到全局边界点集合；在机器人运行至最佳规划路径的终点后，对全局边界点集合中的全局边界点重新进行边界点判断，并剔除被判断为非边界点的全局边界点。

其中，机器人地图的生成方法进一步包括：将视点收益大于预设的收益阈值的局部视点作为全局视点添加到全局图中；将新添加的全局视点与已存在的全局视点建立连接。

其中，新添加的全局视点与所连接的已存在的全局视点之间满足如下关系中的一者：新添加的全局视点与已存在的全局视点之间的欧式距离最小；新添加的全局视点与已存在的全局视点之间的欧式距离小于预设的距离阈值，且二者之间的欧式距离与二者之间的图上距离之间的比例大于预设的距离比例阈值。

其中，机器人地图的生成方法还包括：响应于探索区域不存在候选局部边界点，确定全局边界点集合中是否存在全局边界点；响应于全局边界点集合中存在全局边界点，从全局边界点集合中选择距离机器人的位置最近的全局边界点；基于距离机器人的位置最近的全局边界点进行探索路径规划。

其中，基于距离机器人的位置最近的全局边界点进行探索路径规划，包括：从全局图中选择目标视点；其中，目标视点与距离机器人的位置最近的全局边界点之间的距离最小；基于目标视点和机器人的位置在全局图进行全局路径规划；控制机器人沿全局路径运行至目标视点；将距离机器人的位置最近的全局边界点作为优选局部边界点，并执行基于优选局部边界点进行探索路径规划及其后续步骤。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种机器人地图的生成设备，该机器人地图的生成设备包括存储器和处理器，存储器存储有程序指令，处理器用于执行程序指令以实现上述的机器人地图的生成方法。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质用于存储程序指令，程序指令能够被执行以实现上述的机器人地图的生成方法。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种移动机器人，该移动机器人包括上述的机器人地图的生成设备或上述的计算机可读存储介质。

上述技术方案，由于优选局部边界点是在利用栅格点的邻域信息确定的候选局部边界点的基础上进行聚类得到的，使得得到的优选局部边界点能够更好地抑制噪声干扰，同时使优选局部边界点更具有针对性即对机器人的引导规划具有更好的指向性作用，从而提高机器人自主探索建图的效率和精度。

附图说明

图1是本申请提供的机器人地图的生成方法一实施例的流程示意图；

图2是图1所示步骤S12一实施例的流程示意图；

图3是图1所示步骤S13一实施例的流程示意图；

图4是图1所示步骤S14一实施例的流程示意图；

图5是图4所示步骤S142一实施例的流程示意图；

图6是图1所示步骤S14另一实施例的流程示意图；

图7是本申请提供的在全局图中添加局部视点的一实施例的流程示意图；

图8是本申请提供的机器人地图的生成方法的另一实施例的流程示意图；

图9是图8所示步骤S88一实施例的流程示意图；

图10是本申请提供的机器人地图的生成设备一实施例的结构示意图；

图11是本申请提供的计算机可读存储介质一实施例的结构示意图。

具体实施方式

下面结合说明书附图，对本申请实施例的方案进行详细说明。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

请参阅图1，图1是本申请提供的机器人地图的生成方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施例包括：

步骤S11：确定以机器人的当前位置为中心的探索区域。

本实施例的方法用于进行探索路径规划，以引导机器人按照规划的路径进行探索建图，提高机器人自主探索建图的效率，并且使得机器人自主探索建图而生成的机器人地图具有较高的精度。

本实施方式中，确定以机器人的当前位置为中心的探索区域，探索区域可以看作是待处理区域的一部分区域，即局部探索。在一实施方式中，在机器人上设置激光雷达传感器时，机器人利用其上设置的激光雷达传感器构建地图，此时通过激光雷达传感器确定以机器人的当前位置为中心的探索区域，即探索区域由建图传感器的视角可探测区域（FOV）所确定，通常可取值为FOV最大矩形包围框向外扩1-2cm左右。可以理解地，在其他实施方式中，在机器人上设置图像采集组件（例如，双目相机或者深度相机）时，机器人利用其上设置的图像采集组件构建地图，此时通过图像采集组件确定以机器人的当前位置为中心的探索区域，即探索区域为图像采集组件的当前视场角范围内的区域。

其中，探索区域包括至少一栅格点。也就是说，将整个待处理区域的环境信息作为一个整体，在此基础上进行等份划分，划分成若干个离散且均匀规则的矩形栅格单元，例如，划分成一个、二个或多个矩形栅格，每个栅格涵盖了其对应覆盖区域的信息。栅格地图的表达模型能够让已探索区域、未探索区域和障碍物区域具有明显的区分度，便于机器人后续的路径规划和探索；并且，栅格地图维护简易、调用方便。

可选地，不对探索区域的大小进行限定，可根据实际使用需要具体设置。例如，以探索区域由建图传感器的视角可探测区域确定为例：假定确定的以机器人的当前位置为中心的最大探索区域为边长为5cm的正方形区域，为了使后续确定的探索路径更加准确，即为了使后续机器人高精度地完成自主探索建图，可将以机器人的当前位置为中心的边长为4cm的正方形区域作为最终的探索区域。

步骤S12：利用各栅格点的邻域信息，确定探索区域是否存在候选局部边界点。

本实施方式中，利用各栅格点的邻域信息，确定探索区域是否存在候选局部边界点。即，对于探索区域中的每个栅格点来说，利用栅格点的邻域信息，确定此栅格点是否为候选局部边界点，从而确定探索区域是否存在候选局部边界点。也就是说，遍历探索区域中的每个栅格点，以确定探索区域是否存在候选局部边界点。

在一实施方式中，以探索区域中的各栅格点作为目标栅格点，通过目标栅格点与其周围的邻域栅格点的标记状态，确定目标栅格点是否为候选局部边界点，从而根据各栅格点是否为候选局部边界点确定探索区域是否存在候选局部边界点。可以理解地，在其他实施方式中，也可通过其他方式确定探索区域是否存在候选局部边界点。

步骤S13：响应于探索区域存在候选局部边界点，对候选局部边界点进行聚类，以得到优选局部边界点。

在探索区域存在候选局部边界点时，考虑到确定的探索区域的候选局部边界点个数比较多且稠密，后续机器人在运动到任一候选局部边界点附近时极有可能同时完成对其邻域内大部分候选局部边界点的探索。也就是说，后续机器人在运动到任一候选局部边界点附近时，极有可能完成对该候选局部边界点的邻域内的某些其他候选局部边界点的探索，那么此时这些其他候选局部边界点不再是机器人的边界点。

所以，在本实施方式中，响应于探索区域存在候选局部边界点，对候选局部边界点进行聚类，以得到优选局部边界点。通过对候选局部边界点进行聚类，一方面，能够避免提取出来的候选局部边界点大量重复、冗余，使优选局部边界点后续对机器人的规划指引更具有针对性，从而提高机器人自主探索建图的效率和精度；另一方面，能够进一步排除候选局部边界点中的噪声点。其中，需要说明的是，由于确定的探索区域的候选边界点个数多且稠密，可能会将候选局部边界点聚类成一类或者多类，所以得到的优选局部边界点可能是一个，也可能是多个。

其中，各优选局部边界点构成优选局部边界点集合，优选局部边界点集合对应的具体等式如下所示：

其中，F _l 表示优选局部边界点集合；

表示优选局部边界点的数量；

表示获取的第

个优选局部边界点。

在一实施方式中，可基于候选局部边界点的位置或者距离信息，对候选局部边界点进行聚类，以得到优选局部边界点。可以理解地，在其他实施方式中，也可基于候选局部边界点的其他相关信息，对候选局部边界点进行聚类，在此不做具体限定，可根据实际使用需要具体设置。

在一实施方式中，可利用聚类算法对候选局部边界点进行聚类，以得到优选局部边界点。其中，聚类算法包括但不限于K-Means聚类算法、均值漂移聚类算法、用高斯混合模型的最大期望聚类算法、凝聚层次聚类算法等，在此不做具体限定。

在一实施方式中，在得到优选局部边界点之后，将优选局部边界点加入到全局边界点集合中。通过维护、更新全局边界点集合，使得后续在全局调度过程中无需重构，能够快速实现全局调度，减少了计算量，使得后续机器人自主探索建图的效率更高。其中，全局边界点集合对应的具体等式如下所示：

其中，

表示全局边界点集合；

表示全局边界点的数量；

表示获取的第i个全局边界点。

步骤S14：基于优选局部边界点进行探索路径规划。

本实施方式中，基于优选局部边界点进行探索路径规划，也就是说，优选局部边界点对机器人引导规划具有指向性作用，将优选局部边界点作为机器人探索路径规划的主体方向，从而引导机器人按照规划的探索路径进行探索建图，提高机器人自主探索建图的效率，并且使得机器人自主探索建图而生成的机器人地图具有较高的精度。由于优选局部边界点是在利用栅格点的邻域信息确定的候选局部边界点的基础上进行聚类得到的，使得得到的优选局部边界点能够更好地抑制噪声干扰，同时使优选局部边界点更具有针对性即对机器人的引导规划具有更好的指向性作用，从而提高机器人自主探索建图的效率和精度。

在一实施方式中，可从优选局部边界点中筛选出距离机器人的当前位置最近的预定数量的优选局部边界点，并基于筛选出的优选局部边界点进行探索路径规划。也就是说，从优选局部边界点中筛选出最接近机器人当前探索方向的优选局部边界点，使得在当前探索方向上朝向未知区域进行探索路径规划，即，使得后续机器人继续在当前探索方向上进行探索建图，减少了计算量，提高了机器人自主探索建图的效率。其中，不对预定数量进行限定，可根据实际使用需要具体设置；例如，预定数量为2、3、4或者5等。

示例性地，以预定数量为3为例；聚类得到的优选局部边界点分别为优选局部边界点a、优选局部边界点b、优选局部边界点c、优选局部边界点d、优选局部边界点e和优选局部边界点f；优选局部边界点a距离机器人的当前位置的距离为1m、优选局部边界点b距离机器人的当前位置的距离为0.8m、优选局部边界点c距离机器人的当前位置的距离为0.9m、优选局部边界点d距离机器人的当前位置的距离为0.5m、优选局部边界点e距离机器人的当前位置的距离为0.55m、优选局部边界点f距离机器人的当前位置的距离为0.63m；由于距离机器人的当前位置最近的3个优选局部边界边分别为优选局部边界点d、优选局部边界点e和优选局部边界点f，所以将优选局部边界点d、优选局部边界点e和优选局部边界点f作为机器人运动规划的主体方向，即基于优选局部边界点d、优选局部边界点e和优选局部边界点f进行探索路径规划。

在一实施方式中，可利用快速搜索随机树（Rapidly-exploring Random Tree，RRT）进行机器人探索路径规划。当然，在其他实施方式中，也可利用其他方式进行机器人探索路径规划，在此不做具体限定。

在一实施方式中，机器人可以是清洁机器人、宠物陪伴机器人、医疗机器人、助残机器人、迎宾机器人、物流机器人或者早教机器人等，在此不做具体限定。

上述实施方式中，由于优选局部边界点是在利用栅格点的邻域信息确定的候选局部边界点的基础上进行聚类得到的，使得得到的优选局部边界点能够更好地抑制噪声干扰，同时使优选局部边界点更具有针对性，即对机器人的引导规划具有更好的指向性作用，从而提高机器人自主探索建图的效率和精度。

请参阅图2，图2是图1所示步骤S12一实施例的流程示意图，需注意的是，若有实质上相同的结果，本实施例并不以图2所示的流程顺序为限。如图2所示，本实施例中，通过目标栅格点与其周围的邻域栅格点的标记状态确定目标栅格点是否为候选局部边界点，具体包括：

步骤S121：以各栅格点作为目标栅格点，确定目标栅格点与周围的邻域栅格点的标记状态。

本实施方式中，以各栅格点作为目标栅格点，确定目标栅格点与周围的邻域栅格点的标记状态。其中，每个栅格点都具有独立的自身状态信息，其存储的状态信息为空间毗连区域被占用的概率，栅格点的标记状态可以是空闲状态、未知状态或者占用状态。

步骤S122：基于目标栅格点和邻域栅格点的标记状态，确定目标栅格点是否为候选局部边界点。

本实施方式中，基于目标栅格点和邻域栅格点的标记状态，确定目标栅格点是否为候选局部边界点。在一实施方式中，在目标栅格点处于空闲状态且目标栅格点周围的任一邻域栅格点的标记状态为未知状态时，确定目标栅格点为候选局部边界点，从而根据各栅格点是否为候选局部边界点确定探索区域是否存在候选局部边界点。

考虑到获取到的探索区域中的各栅格点的标记状态可能不准确，即存在噪声干扰，所以为了初步排除噪声干扰对探索区域是否存在候选局部边界点的判断的影响，在其他实施方式中，在目标栅格点处于空闲状态且目标栅格点周围的处于未知状态的邻域栅格点达到一定数量时，确定目标栅格点为候选局部边界点，从而根据各栅格点是否为候选局部边界点确定探索区域是否存在候选局部边界点。

在一实施方式中，对于每个目标栅格点来说，响应于目标栅格点处于空闲状态、且处于未知状态的邻域栅格点的数量与处于空闲状态的邻域栅格点的数量的比例大于或等于预设的数量比例阈值，确定目标栅格点为候选局部边界点。也就是说，在目标栅格点的栅格值为free，并且此目标栅格点的周围的邻域栅格点的栅格值为unknow的数量与邻域栅格点的栅格值为free的数量的比值大于或等于预设的数量比例阈值，确定此目标栅格点为候选局部边界点。进一步地，探索区域中的各候选局部边界点构成探索区域的候选局部边界点集，记作F _C 。其中，不对预设的数量比例阈值进行限定，可根据实际使用需要具体设置。例如，预设的数量比例阈值为2。

在一具体实施方式中，以目标栅格点为中心构建预设大小的区域，该区域中除目标栅格点以外的其他栅格点即为邻域栅格点。其中，不对区域的大小进行限定，可根据实际使用需要具体设置；例如，以目标栅格点为中心的预设大小的区域为：以目标栅格点为中心的3×3的区域。示例性地，以目标栅格点为中心构建3×3的九宫格区域、预设的数量比例阈值为2为例；假定九宫格区域的中心为目标栅格点A，九宫格区域的其他位置为邻域栅格点；在九宫格区域中的处于未知状态的邻域栅格点的数量为6、处于空闲状态的邻域栅格点的数量为2时，由于目标栅格点A为空闲状态、且处于未知状态的邻域栅格点的数量与处于空闲状态的邻域栅格点的数量的比例为3，该比例大于预设的数量比例阈值，所以目标栅格点A为候选局部边界点。

在其他实施方式中，对于每个目标栅格点来说，响应于目标栅格点处于占用状态，或者响应于目标栅格点处于空闲状态、且处于未知状态的邻域栅格点的数量与处于空闲状态的邻域栅格点的数量的比例小于预设的数量比例阈值，确定目标栅格点不为候选局部边界点。

请参阅图3，图3是图1所示步骤S13一实施例的流程示意图，需注意的是，若有实质上相同的结果，本实施例并不以图3所示的流程顺序为限。如图3所示，本实施例中，基于候选局部边界点的位置或者距离信息对候选局部边界点进行聚类，具体包括：

步骤S131：基于候选局部边界点的位置或距离信息对候选局部边界点进行聚类。

本实施方式中，基于候选局部边界点的位置信息或者距离信息对候选局部边界点进行聚类，以将探索区域的候选局部边界点聚类成一类或者多类候选局部边界点。

举例来说，假定确定探索区域存在候选局部边界点且各候选局部边界点具体为：候选局部边界点a、候选局部边界点b、候选局部边界点c、候选局部边界点d、候选局部边界点f、候选局部边界点g、候选局部边界点h、候选局部边界点i、候选局部边界点j、候选局部边界点k、候选局部边界点l、候选局部边界点m和候选局部边界点n；基于候选局部边界点位置对候选局部边界点进行聚类，将候选局部边界点a、候选局部边界点b和候选局部边界点c聚类为A类候选局部边界点，将候选局部边界点d、候选局部边界点f、候选局部边界点g、候选局部边界点k和候选局部边界点m聚类为B类候选局部边界点，将候选局部边界点h、候选局部边界点i、候选局部边界点j、候选局部边界点l和候选局部边界点n聚类成C类候选局部边界点。

步骤S132：将聚类获得的每一类候选局部边界点中的某一候选局部边界点作为优选局部边界点。

本实施方式中，将聚类获得的每一类候选局部边界点中的某一候选局部边界点作为优选局部边界点，也就是说，从每一类候选局部边界点中所包含的至少一候选局部边界点中，选出一个候选局部边界点代表其所在类的候选局部边界点，并将其定义为优选局部边界点。

举例来说，假定聚类得到A类候选局部边界点、B类候选局部边界点和C类候选局部边界点，A类候选局部边界点具体包括候选局部边界点a、候选局部边界点b和候选局部边界点c，B类候选局部边界点具体包括候选局部边界点d、候选局部边界点f、候选局部边界点g、候选局部边界点k和候选局部边界点m，C类候选局部边界点具体包括候选局部边界点h、候选局部边界点i、候选局部边界点j、候选局部边界点l和候选局部边界点n；将A类候选局部边界点中的候选局部边界点a作为优选局部边界点、将B类候选局部边界点中的候选局部边界点f作为优选局部边界点、将C类候选局部边界点中的候选局部边界点n作为优选局部边界点。

在一实施方式中，可将聚类获得的每一类候选局部边界点中的距离机器人最远的候选局部边界点，作为优选局部边界点，以使得后续在基于最远的候选局部边界点进行路径规划时，能够同时对距离相对较近的候选局部边界点附近的区域进行探索，提高了机器人自主探索建图的效率。可以理解地，在其他实施方式中，也可将聚类获得的每一类候选局部边界点中的位置处于该类候选局部边界点中心的候选局部边界点，作为优选局部边界点，处于该类候选局部边界点中心的候选局部边界点更能代表该类候选局部边界点，使得得到的优选局部边界点更具有针对性即对机器人的引导规划具有更好的指向性作用，从而提高机器人自主探索建图的效率和精度。

请参阅图4，图4是图1所示步骤S14一实施例的流程示意图，需注意的是，若有实质上相同的结果，本实施例并不以图4所示的流程顺序为限。如图4所示，本实施例中，利用快速搜索随机树进行探索路径规划，具体包括：

步骤S141：确定以机器人的当前位置为中心的第一规划区域。

本实施方式中，确定以机器人的当前位置为中心的第一规划区域，其中，第一规划区域的面积小于探索区域的面积，第一规划区域可以看作是探索区域中的一部分区域。可选地，不对确定的以机器人的当前位置为中心的第一规划区域的大小进行限定，可根据实际使用需要具体设置。

例如，以探索区域由建图传感器的视角可探测区域确定为例；假定确定的以机器人的当前位置为中心的探索区域是边长为6cm的正方形区域，可将以机器人的当前位置为中心且边长为4cm的正方形区域作为第一规划区域。

步骤S142：在第一规划区域中进行快速搜索随机树规划，并利用优选局部边界点对规划过程进行偏置。

本实施方式中，在第一规划区域中进行快速搜索随机树规划，并利用优选局部边界点对规划过程进行偏置。其中，快速搜索随机树包括多个局部视点。通过优选局部边界对快速搜索随机树的规划过程进行偏置，使得快速搜索随机树倾向于向优选局部边界点扩展，即快速搜索随机树更多地往机器人当前探索方向生成，从而使得快速搜索随机树包括的多个局部视点接近机器人当前探索方向，并且在优选局部边界点的引导下，快速搜索随机树包括的多个视点在第一规划区域中的未知区域分布更加密集。也就是说，利用优选局部边界点对规划过程进行偏置，使得局部视点的生成更具有合理性，从而提高机器人自主探索建图的效率和精度。

其中，快速搜索随机树包括的多个局部视点构成局部视点集合，局部视点集合对应的具体等式如下所示：

其中，V _l 表示局部视点集合；

表示局部视点的数量；

表示获取的第i个局部视点。

在一实施方式中，可从优选局部边界点中筛选出距离机器人的当前位置最近的预定数量的优选局部边界点，并利用筛选出的优选局部边界点对规划过程进行偏置。当然，在其他实施方式中，直接利用所有的优选局部边界点对规划过程进行偏置，在此不做具体限定。

为了使快速搜索随机树包括的多个局部视点更倾向于向优选局部边界点扩展，即，使得局部视点的生成更具有合理性，如图5所示，图5是图4所示步骤S142一实施例的流程示意图，在一实施方式中，需要按照一定准则对局部视点进行选择，具体包括如下子步骤：

步骤S51：在每次局部视点的选择过程中生成随机数。

本实施方式中，在每次局部视点的选择过程中生成随机数，即在规划过程中每次选取随机视角点时设置一个随机数。在一实施方式中，随机数为0-1之间的任一数。可以理解地，在其他实施方式中，随机数也可以为其他数值范围之间的任一数，在此不做具体限定。

其中，在随机数大于预设的随机数阈值时，执行步骤S52；而在随机数小于预设的随机数阈值，执行步骤S53。

步骤S52：当随机数大于预设的随机数阈值时，从靠近优选局部边界点的区域选择局部视点。

本实施方式中，当随机数大于预设的随机数阈值时，从靠近优选局部边界点的区域选择局部视点。也就是说，在当随机数大于预设的随机数阈值时，选择优选局部边界点的建图传感器探测范围区间内的点，作为局部视点。具体地，将建图传感器探测范围划分为多个同心圆，离探测中心越远的区域，选取概率越高。

其中，不对预设的随机数阈值进行限定，可根据实际使用需要具体设置。

步骤S53：当随机数小于预设的随机数阈值时，从第一规划区域选择局部视点。

本实施方式中，当随机数小于预设的随机数阈值时，从第一规划区域选择局部视点。也就是说，在随机数小于预设的随机数阈值时，选择第一规划区域内的点作为局部视点。

步骤S143：从规划的快速搜索随机树中获取候选规划路径，并选取路径收益最大的候选规划路径作为最佳规划路径。

本实施方式中，从规划的快速搜索随机树获取候选规划路径，并选取路径收益最大的候选规划路径作为最佳规划路径。快速搜索随机树的枝干可看作是候选规划路径，快速搜索随机树的枝干由至少一个局部视点连接而成；然后，从规划的快速搜索随机树上的至少一条候选规划路径中，选出路径收益最大的候选规划路径作为最佳规划路径，以使后续机器人能够以最佳规划路径进行自主探索建图。

具体地，首先，从规划的快速搜索随机树中获取候选规划路径，各候选规划路径构成候选规划路径集合。其中，候选规划路径集合对应的具体等式如下所示：

其中，Path表示候选规划路径集合；n _path 表示候选规划路径的数量； path _i 表示获取的第i个候选规划路径。

其次，计算每一条候选规划路径的路径收益。由于候选规划路径由规划的快速搜索随机树上的局部视点构成，所以候选规划路径的路径收益与候选规划路径上的局部视点的视点收益之和正相关。其中，局部视点的视点收益的具体公式以及候选规划路径的路径收益的具体公式如下所示：

其中，Gain(v _i )表示第i局部视点的视点收益；fovGain(v _i )表示探索区域内的处于未知状态的栅格点的个数；dist(v _i )表示快速搜索随机树的根节点到局部视点i的树分支距离，一般快速搜索随机树的根节点为机器人的当前位置；

表示距离惩罚系数；需要说明的是，局部视点的视点收益与局部视点周围的处于未知状态的栅格点数量正相关，并与局部视点到机器人的当前位置的距离负相关。Gain(path _i )表示第i个候选规划路径的路径收益；path _i 表示获取的第i个候选规划路径；DTW表示动态时间规整算法，用于计算候选规划路径与上一次获得的最佳规划路径的方向相似性；

表示路径相似度惩罚系数。需要说明的是，由候选规划路径的路径收益的具体公式可知，某一候选规划路径的路径收益与此候选规划路径上的局部视点的视点收益之和正相关，并且与此候选规划路径与上一次获得的最佳规划路径的方向相似度正相关，能够使得机器人较好地向同一方向进行探索，提高了机器人自主探索建图的效率。

进一步地，比较各候选规划路径的路径收益，选取路径收益最大的候选规划路径作为最佳规划路径，以使得后续机器人沿最佳规划路径进行探索建图，提高了机器人自主探索建图的效率。

在一实施方式中，如图6所示，图6是图1所示步骤S14另一实施例的流程示意图，在从规划的快速搜索随机树中获取候选规划路径并选取路径收益最大的候选规划路径作为最佳规划路径之后，具体还包括如下子步骤：

步骤S61：控制机器人沿最佳规划路径运行，并进行探索。

本实施方式中，控制机器人沿最佳规划路径运行，并进行探索。也就是说，会控制机器人从机器人的当前位置沿最佳规划路径进行运行，并进行探索建图。

步骤S62：在机器人运行至最佳规划路径的终点后，确定以最佳规划路径的终点为中心的第二规划区域。

本实施方式中，在机器人运行至最佳规划路径的终点后，确定以最佳规划路径的终点为中心的第二规划区域。在机器人沿最佳规划路径运行时，其对应的规划区域也会对应机器人进行移动，规划区域始终以机器人的当前位置为中心；由于机器人会运行至最佳规划路径的终点后停止运行，则此时机器人的当前位置为最佳规划路径的终点，对应机器人的规划区域为第二规划区域，第二规划区域以最佳规划路径的终点为中心。

在一实施方式中，在机器人运行至最佳规划路径的终点后，对全局边界点集合中的全局边界点重新进行边界点判断，并剔除被判断为非边界点的全局边界点。也就是说，在机器人运行至最佳规划路径的终点后，会对全局边界点集合中的全局边界点进行一一校核，以确定全局边界点集合中的全局边界点对于当前机器人来说是否为边界点，以避免后续在全局调度过程中调度到非边界点的全局边界点，提高了后续机器人自主探索建图的精度以及效率。举例来说，在确定探索区域的优选局部边界点后，会将优选局部边界点添加至全局边界点集合中；而在机器人基于至少部分优选局部边界点进行探索路径规划并沿着探索路径进行探索后，上述的至少部分优选局部边界点对于机器人来说是非边界点，所以需要将上述至少部分优选局部边界点从全局边界点集合中剔除；另外，在机器人沿着基于至少部分优选局部边界点确定的探索路径进行探索时，可能对于某些其他优选局部边界点完成了探索，所以此时上述的其他优选局部边界点对于机器人来说是非边界点，也是需要从全局边界点集合中进行剔除的。

步骤S63：以最佳规划路径的终点作为快速搜索随机树的根节点，对第二规划区域外的树分支进行修剪。

本实施方式中，以最佳规划路径的终点作为快速搜索随机树的根节点，对第二规划区域外的树分支进行修剪，即修剪以当前机器人位置为中心的第二规划区域外的节点分支。通过动态调整局部快速搜索随机树，无需在探索阶段频繁重新构造快速搜索随机树，减少了计算量，使得机器人自主探索建图的效率更高。

考虑到动态障碍物与之前传感器盲区未观察到障碍物等情况的存在，在一其他实施方式中，还会对碰撞节点分支进行剔除。

在一实施方式中，如图7所示，图7是本申请提供的在全局图中添加局部视点的一实施例的流程示意图，在确定各局部视点的视点收益之后，具体还包括如下子步骤：

步骤S71：将视点收益大于预设的收益阈值的局部视点作为全局视点添加到全局图中。

本实施方式中，将视点收益大于预设的收益阈值的局部视点作为全局视点添加到全局图中。也就是说，当某一局部视点的视点收益为正视点收益时，将其作为全局视点更新进全局视点集即全局图中。通过维护、更新全局图，使得后续在全局调度过程中无需重构，减少了计算量，从而使得后续机器人自主探索建图的效率更高。其中，全局视点集合的具体等式如下所示：

其中，V _g 表示全局视点集合；

表示第i个全局视点；

表示全局视点的个数。

其中，不对预设的收益阈值进行限定，可根据实际使用需要具体设置。例如，预设的收益阈值为0，即，将视点收益大于0的局部视点作为全局视点添加到全局图中。

步骤S72：将新添加的全局视点与已存在的全局视点建立连接。

本实施方式中，将新添加的全局视点与已存在的全局视点建立连接。也就是说，根据新添加的全局视点更新全局图的连接性，全局视点集合即是全局图中的顶点集合。

在一实施方式中，将新添加的全局视点和已存在的全局视点中欧式距离最小的全局视点连接。即，新添加的全局视点与所连接的已存在的全局视点之间满足的关系为：新添加的全局视点与已存在的全局视点之间的欧式距离最小。

为了防止全局图过于稠密，并能够保证各全局视点之间的较短路径，在其他实施方式中，在新添加的全局视点与已存在的全局视点满足预设条件时，将新添加的全局视点和与新添加的全局视点满足预设关系的已存在的全局视点建立连接。其中，预设条件具体如下所示：

其中，D _E (v,v _new )表示新添加的全局视点与已存在的全局视点之间的欧式距离；D _G (v,v _new )表示新添加的全局视点与已存在的全局视点之间的图上距离；D _G (v,v _new )/ D _E (v, v _new )表示欧式距离与图上距离之间的比例；

表示预设的距离阈值；

表示预设的距离比例阈值。即，新添加的全局视点与所连接的已存在的全局视点之间满足的关系为：新添加的全局视点与已存在的全局视点之间的欧式距离小于预设的距离阈值，且二者之间的欧式距离与二者之间的图上距离之间的比例大于预设的距离比例阈值。

在其他实施方式中，将新添加的全局视点和已存在的全局视点中欧式距离最小的全局视点建立连接，且将新添加的全局视点和与新添加的全局视点满足预设关系的已存在的全局视点建立连接。

为了保证全局图的整体连接性，在一实施方式中，在将新添加的全局视点与已存在的全局视点建立连接后，遍历全局图上的连接边，当连接边穿过障碍物时，则舍弃该连接边，对未穿过障碍物的连接边进行保留，以调整全局图上的连接边。

请参阅图8，图8是本申请提供的机器人地图的生成方法的另一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图8所示的流程顺序为限。如图8所示，本实施例包括：

步骤S81：确定以机器人的当前位置为中心的探索区域。

步骤S81与步骤S11类似，在此不再赘述。

步骤S82：利用各栅格点的邻域信息，确定探索区域是否存在候选局部边界点。

步骤S82与步骤S12类似，在此不再赘述。

步骤S83：判断探索区域是否存在候选局部边界点。

本实施方式中，判断探索区域是否存在候选局部边界点。在探索区域存在候选局部边界点时，说明在机器人当前探索方向上，还存在未知区域需要进行探索建图，此时执行步骤S84及其后续步骤；而在探索区域不存在候选局部边界点时，说明机器人周围已经没有未知区域需要进行探索了，需要被重新引导至其他的未知区域继续探索，此时执行步骤S86及其后续步骤。

其中，在探索区域中存在候选局部边界点时对应执行的相关步骤，可以看作是机器人的局部探索阶段；而在探索区域中不存在候选局部边界点时对应执行的相关步骤，可以看作是机器人的回溯阶段。通过将候选局部边界点作为局部探索阶段和回溯阶段的切换依据，大幅度降低机器人在回溯阶段中重定位规划所需的时间，并且能够减少遗漏探索的情况发生，提高了机器人自主探索建图的效率和精度。

步骤S84：响应于探索区域存在候选局部边界点，对候选局部边界点进行聚类，以得到优选局部边界点。

步骤S84与步骤S13类似，在此不再赘述。

步骤S85：基于优选局部边界点进行探索路径规划。

步骤S85与步骤S14类似，在此不再赘述。

步骤S86：响应于探索区域不存在候选局部边界点，确定全局边界点集合中是否存在全局边界点。

在探索区域不存在候选局部边界点时，开始进入回溯过程，以寻找新的未知区域进行探索；其中，主要涉及到全局视点集合和全局边界点集合，全局视点集合就是在局部探索过程中的局部视点组成的，全局边界点集合就是局部探索过程中发现的且未被探索的优选局部边界点组成的。本实施方式中，响应于探索区域不存在候选局部边界点，确定全局边界点集合中是否存在全局边界点。

其中，在全局边界点集合中存在全局边界点时，则表明还存在新的未知区域需要机器人进行探索，此时执行步骤S87；而在全局边界点集合中不存在全局边界点时，则表明不存在新的未知区域需要机器人进行探索，机器人完成对待处理区域的自主探索建图，即机器人自主探索建图结束。

步骤S87：响应于全局边界点集合中存在全局边界点，从全局边界点集合中选择距离机器人最近的全局边界点。

本实施方式中，响应于全局边界点集合中存在全局边界点，从全局边界点集合中选择距离机器人最近的全局边界点。从全局边界点集合中选择距离机器人最近的全局边界点，以将距离机器人最近的全局边界点作为优选局部边界点，从而使得后续基于距离机器人最近的全局边界点进行探索路径规划。通过从全局边界点集合中选择距离机器人最近的全局边界点，使得机器人回溯的路程较少，提高了机器人自主探索建图的效率。

步骤S88：基于全局边界点进行探索路径规划。

本实施方式中，基于全局边界点进行探索路径规划，也就是说，全局边界点对机器人引导规划具有指向性作用，将全局边界点作为机器人探索路径规划的主体方向，从而引导机器人按照规划的探索路径进行探索建图，提高机器人自主探索建图的效率，并且使得机器人自主探索建图而生成的机器人地图具有较高的精度。

在一实施方式中，如图9所示，图9是图8所示步骤S88一实施例的流程示意图，基于全局边界点进行探索路径规划具体包括如下子步骤：

步骤S881：从全局图中选择目标视点。

本实施方式中，从全局图中选择目标视点，其中，目标视点与距离机器人的位置最近的全局边界点之间的距离最小。

步骤S882：基于目标视点和机器人的位置在全局图进行全局路径规划。

本实施方式中，基于目标视点和机器人的位置在全局图进行全局路径规划，以使得后续机器人能够沿全局路径运行至全局边界点附近。

在一实施方式中，基于目标视点和机器人的位置在全局图进行路径规划得到的全局路径为两者之间的最短路径，路径越短，机器人回溯的路程越短，从而提高机器人自主探索建图的效率。可以理解地，在其他实施方式中，基于目标视点和机器人的位置在全局图进行路径规划得到的全局路径也可以为两者之间的任一可行路径，在此不做具体限定。

步骤S883：控制机器人沿全局路径运行至目标视点。

本实施方式中，控制机器人沿全局路径运行至目标视点，完成回溯过程，此时对于机器人来说，机器人已经被引导至新的未知区域，可继续进行探索。

步骤S884：将距离机器人的位置最近的全局边界点作为优选局部边界点，并执行基于优选局部边界点进行探索路径规划及其后续步骤。

本实施方式中，在机器人沿全局路径运行至目标视点后，相对于机器人来说，机器人周围出现新的边界点或者说机器人周围出现需要进行探索的未知区域，此时机器人可重新回到局部探索阶段，所以将距离机器人的位置最近的全局边界点作为优选局部边界点，并重新执行基于优选局部边界点进行探索路径规划及其后续步骤。

请参阅图10，图10是本申请提供的机器人地图的生成设备一实施例的结构示意图。机器人地图的生成设备100包括相互耦接的存储器101和处理器102，处理器102用于执行存储器101中存储的程序指令，以实现上述任一机器人地图的生成方法实施例的步骤。在一个具体的实施场景中，机器人地图的生成设备100可以包括但不限于：微型计算机、服务器，此外，机器人地图的生成设备100还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。

具体而言，处理器102用于控制其自身以及存储器101以实现上述任一机器人地图的生成方法实施例的步骤。处理器102还可以称为CPU（Central Processing Unit，中央处理单元）。处理器102可能是一种集成电路芯片，具有信号的处理能力。处理器102还可以是通用处理器、数字信号处理器（Digital Signal Processor, DSP）、专用集成电路（Application Specific Integrated Circuit, ASIC）、现场可编程门阵列（Field-Programmable Gate Array, 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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器102可以由集成电路芯片共同实现。

请参阅图11，图11是本申请提供的计算机可读存储介质一实施例的结构示意图。本申请实施例的计算机可读存储介质110存储有程序指令111，该程序指令111被执行时实现本申请机器人地图的生成方法任一实施例以及任意不冲突的组合所提供的方法。其中，该程序指令111可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质110中，以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质110包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。

本申请还提供一种移动机器人，移动机器人包括上述实施方式中的机器人地图的生成设备100或者上述实施方式中的计算机可读存储介质110。其中，机器人地图的生成设备100或者计算机可读存储介质110的相关描述请参看上述实施方式，在此不再赘述。

若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利保护范围内。

Claims (16)

1.一种机器人地图的生成方法，其特征在于，所述方法包括：

确定以机器人的当前位置为中心的探索区域；其中，所述探索区域包括至少一栅格点；

利用各所述栅格点的邻域信息，确定所述探索区域是否存在候选局部边界点；

响应于所述探索区域存在所述候选局部边界点，对所述候选局部边界点进行聚类，以得到优选局部边界点；

基于所述优选局部边界点进行探索路径规划。

2.根据权利要求1所述的方法，其特征在于，所述利用各所述栅格点的邻域信息，确定所述探索区域是否存在候选局部边界点，包括：

以各所述栅格点作为目标栅格点，确定所述目标栅格点与周围的邻域栅格点的标记状态；

基于所述目标栅格点和所述邻域栅格点的标记状态，确定所述目标栅格点是否为所述候选局部边界点。

3.根据权利要求2所述的方法，其特征在于，所述基于所述目标栅格点和所述邻域栅格点的标记状态，确定所述目标栅格点是否为所述候选局部边界点，包括：

响应于所述目标栅格点处于空闲状态、且处于未知状态的所述邻域栅格点的数量与处于所述空闲状态的所述邻域栅格点的数量的比例大于或等于预设的数量比例阈值，判定所述目标栅格点为所述候选局部边界点。

4.根据权利要求1所述的方法，其特征在于，所述响应于所述探索区域存在所述候选局部边界点，对所述候选局部边界点进行聚类，以得到优选局部边界点，包括：

基于所述候选局部边界点的位置或距离信息对所述候选局部边界点进行聚类；

将聚类获得的每一类所述候选局部边界点中的某一所述候选局部边界点作为所述优选局部边界点。

5.根据权利要求1所述的方法，其特征在于，所述基于所述优选局部边界点进行探索路径规划，包括：

从所述优选局部边界点中筛选出距离所述机器人的当前位置最近的预定数量的所述优选局部边界点；

基于筛选出的所述优选局部边界点进行探索路径规划。

6.根据权利要求1所述的方法，其特征在于，所述基于所述优选局部边界点进行探索路径规划，包括：

确定以所述机器人的当前位置为中心的第一规划区域；其中，所述第一规划区域小于所述探索区域；

在所述第一规划区域中进行快速搜索随机树规划，并利用所述优选局部边界点对规划过程进行偏置；其中，所述快速搜索随机树包括多个局部视点；

从规划的所述快速搜索随机树中获取候选规划路径，并选取路径收益最大的所述候选规划路径作为最佳规划路径；

其中，所述路径收益与所述候选规划路径上的局部视点的视点收益之和正相关，并和所述候选规划路径与上一次获得的所述最佳规划路径的方向相似度正相关；所述视点收益进一步与所述局部视点周围的处于未知状态的栅格点数量正相关，并与所述局部视点到所述机器人的当前位置的距离负相关。

7.根据权利要求6所述的方法，其特征在于，所述在所述第一规划区域中进行快速搜索随机树规划，并利用所述优选局部边界点对规划过程进行偏置，包括：

在每次所述局部视点的选择过程中生成随机数；

当所述随机数大于预设的随机数阈值时，从靠近所述优选局部边界点的区域选择所述局部视点；

当所述随机数小于所述预设的随机数阈值时，从所述第一规划区域选择所述局部视点。

8.根据权利要求6所述的方法，其特征在于，所述从规划的所述快速搜索随机树中获取候选规划路径，并选取路径收益最大的所述候选规划路径作为最佳规划路径之后，进一步包括：

控制所述机器人沿所述最佳规划路径运行，并进行探索；

在所述机器人运行至所述最佳规划路径的终点后，确定以所述最佳规划路径的终点为中心的第二规划区域；

以所述最佳规划路径的终点作为所述快速搜索随机树的根节点，对所述第二规划区域外的树分支进行修剪。

9.根据权利要求8所述的方法，其特征在于，所述方法进一步包括：

将所述优选局部边界点添加到全局边界点集合；

在所述机器人运行至所述最佳规划路径的终点后，对所述全局边界点集合中的全局边界点重新进行边界点判断，并剔除被判断为非边界点的所述全局边界点。

10.根据权利要求6所述的方法，其特征在于，所述方法进一步包括：

将所述视点收益大于预设的收益阈值的所述局部视点作为全局视点添加到全局图中；

将新添加的所述全局视点与已存在的所述全局视点建立连接。

11.根据权利要求10所述的方法，其特征在于，所述新添加的全局视点与所连接的已存在的所述全局视点之间满足如下关系中的一者：

所述新添加的全局视点与已存在的所述全局视点之间的欧式距离最小；

所述新添加的全局视点与所述已存在的全局视点之间的欧式距离小于预设的距离阈值，且二者之间的所述欧式距离与二者之间的图上距离之间的比例大于预设的距离比例阈值。

12.根据权利要求1所述的方法，其特征在于，所述方法还包括：

响应于所述探索区域不存在所述候选局部边界点，确定全局边界点集合中是否存在全局边界点；

响应于所述全局边界点集合中存在所述全局边界点，从所述全局边界点集合中选择距离所述机器人的位置最近的所述全局边界点；

基于所述距离机器人的位置最近的全局边界点进行探索路径规划。

13.根据权利要求12所述的方法，其特征在于，所述基于所述距离机器人的位置最近的全局边界点进行探索路径规划，包括：

从全局图中选择目标视点；其中，所述目标视点与所述距离机器人的位置最近的全局边界点之间的距离最小；

基于所述目标视点和所述机器人的位置在所述全局图进行全局路径规划；

控制所述机器人沿全局路径运行至所述目标视点；

将所述距离机器人的位置最近的全局边界点作为所述优选局部边界点，并执行所述基于所述优选局部边界点进行探索路径规划及其后续步骤。

14.一种机器人地图的生成设备，其特征在于，所述机器人地图的生成设备包括存储器和处理器，所述存储器存储有程序指令，所述处理器用于执行所述程序指令以实现如权利要求1-13任一项所述的机器人地图的生成方法。

15.一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用于存储程序指令，所述程序指令能够被执行以实现如权利要求1-13任一项所述的机器人地图的生成方法。

16.一种移动机器人，其特征在于，包括如权利要求14所述的机器人地图的生成设备或如权利要求15所述的计算机可读存储介质。

Images