CN115876209A - 地图构建方法、地图构建装置、配送机器人及存储介质 - Google Patents

Abstract

本申请公开了一种地图构建方法、地图构建装置、配送机器人及计算机可读存储介质。其中，该方法包括：根据室内环境的多帧探测数据，构建所述室内环境的初始地图，其中，所述多帧探测数据通过所述配送机器人已搭载的至少两类探测器对室内环境进行探测得到；根据所述多帧探测数据，确定风险位置；根据所述风险位置对所述初始地图进行优化，得到所述室内环境的目标地图。通过本申请方案，可以针对室内环境获得更优化的地图，帮助配送机器人实现相对更准确的定位。

Description

地图构建方法、地图构建装置、配送机器人及存储介质

技术领域

本申请属于机器人技术领域，尤其涉及一种地图构建方法、地图构建装置、配送机器人及计算机可读存储介质。

背景技术

机器人在被投入至新环境后，需要先对该新环境建图，之后才能基于建图所得的地图进行自主导航，以执行各项任务。然而，针对在特殊的室内环境(例如餐厅或酒店等)中工作的配送机器人来说，受限于这类特殊的室内环境的环境特征，配送机器人难以基于该地图实现对自身的准确定位。

发明内容

本申请提供了一种地图构建方法、地图构建装置、配送机器人及计算机可读存储介质，可以针对室内环境获得更优化的地图，帮助配送机器人实现相对更准确的定位。

第一方面，本申请提供了一种地图构建方法，地图构建方法应用于配送机器人，地图构建方法包括：

根据室内环境的多帧探测数据，构建室内环境的初始地图，其中，多帧探测数据通过配送机器人已搭载的至少两类探测器对室内环境进行探测得到；

根据多帧探测数据，确定风险位置；

根据风险位置对初始地图进行优化，得到室内环境的目标地图。

第二方面，本申请提供了一种地图构建装置，地图构建装置应用于配送机器人，地图构建装置包括：

构建模块，用于根据室内环境的多帧探测数据，构建室内环境的初始地图，其中，多帧探测数据通过配送机器人已搭载的至少两类探测器对室内环境进行探测得到；

第一确定模块，用于根据多帧探测数据，确定风险位置；

优化模块，用于根据风险位置对初始地图进行优化，得到室内环境的目标地图。

第三方面，本申请提供了一种配送机器人，上述配送机器人包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面的方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。

第五方面，本申请提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面的方法的步骤。

本申请与现有技术相比存在的有益效果是：配送机器人首先会根据室内环境的多帧探测数据，构建室内环境的初始地图；除此之外，还会根据多帧探测数据，确定风险位置；最后根据风险位置对初始地图进行优化，得到室内环境的目标地图。上述过程中，一方面，多帧探测数据是通过配送机器人自身已搭载的至少两类探测而得到的，由不同类探测器形成了较强有力的数据支撑，使得初始地图相对更精准；另一方面，构建所得的初始地图并不会直接被投入应用，而是会根据探测数据确定出室内环境中的风险位置并对初始地图进行优化之后，再将优化后所得的目标地图投入应用，使得配送机器人在后续应用该目标地图执行任务的过程中，能够基于目标地图对自身进行更准确的定位。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的地图构建方法的实现流程示意图；

图2是本申请实施例提供的配送机器人的结构示意图；

图3是本申请实施例提供的地图构建装置的结构框图；

图4是本申请实施例提供的配送机器人的结构框图。

具体实施方式

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、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

下面对本申请实施例提供的一种地图构建方法进行描述。其中，该地图构建方法可应用于配送机器人；当然，也可应用于与配送机器人建立有通讯连接的其它设备，例如服务器等，本申请实施例对此不作限定。为便于描述，下面以该地图构建方法应用于配送机器人为例，对该地图构建方法进行解释及说明。请参阅图1，本申请实施例中的地图构建方法包括：

步骤101，根据室内环境的多帧探测数据，构建室内环境的初始地图。

在配送机器人被移入新的室内环境，或者有必要对配送机器人所处的室内环境重新建图的情况下，可先确定该室内环境是否为特定场景的室内环境。仅作为示例，该特定场景可由部署人员进行设置，包括但不限于酒店场景及餐厅场景等容易出现迷航问题的场景。一旦确定该室内环境为任一特定场景的室内环境，即可认为存在对后续的建图过程进行优化的需求。

作为建图的准备工作，配送机器人可自主控制自身在该室内环境中移动，或者由部署人员手推或遥控配送机器人在室内环境中移动，使得配送机器人对该室内环境进行扫图。具体地，配送机器人搭载有至少两类探测器，由不同类探测器形成较强有力的数据支撑，由此可得到较为精准的探测数据。

仅作为示例，室内环境的配送机器人可搭载基于飞行时间(Time of Fight，TOF)原理的单线激光雷达。该类型的单线激光雷达可通过激光发射器发出一束调制激光信号，该调制激光信号经被测物体反射后由激光探测器接收，通过测量发射激光和接收激光的相位差即可计算出被测物体的距离。然而，考虑到单线激光雷达通常只能扫描到空间中的一个横截面，且探测距离及探测精度有限，因而配送机器人还可再搭载基于结构光或双目结构光原理的深度摄像头，该深度摄像头的探测范围主要由探测距离和视场角(Field ofview，FOV)决定。也即，配送机器所搭载的至少两类探测器可包括：单线激光雷达及深度摄像头。当然，配送机器人还可搭载其它类型的探测器，例如多线激光雷达及双目摄像头等，此处不作限定。

进一步地，为了使配送机器人更好地识别正前方的障碍物、台阶及悬崖等，部署人员可考虑在配送机器人的正面靠底部设置1～2个深度摄像头，适当朝上倾斜一点角度；以及，在正面靠顶部放置1个深度摄像头，适当朝下倾斜一定的角度。

基于以上部署，配送机器人每在一个位置处进行探测操作，均可获得不同类的探测器在该位置处所采集的数据。仍以配送机器人搭载有单线激光雷达及深度摄像头为例，则配送机器人可采集得到：激光数据及深度数据。对同一位置处不同类的探测器所采集的数据进行融合后，可得到该位置处的探测数据。该探测数据可表现为点云的形式。通过配送机器人在室内环境中的移动，配送机器人可获得其在多个不同位置处的探测数据(也即多帧探测数据)，并由此构建出当前所处的室内环境的初始地图。

步骤102，根据多帧探测数据，确定风险位置。

配送机器人可在获得室内环境中的多帧探测数据后，对该多帧探测数据进行分析；通过分析结果，可确定出可能存在风险的位置，该风险包括但不限于：迷航风险及跌落风险等，此处不作限定。进一步地，分析结果还可指示风险位置所存在的风险等级。为便于描述，这些可能存在风险的位置可被称作风险位置。

其中，迷航风险较易发生在酒店场景的深走廊及大厅处，这是因为单线激光雷达只能扫描到空间中的一个横截面且探测距离较为有限；除此之外，迷航风险还较易发生在餐厅场景，这是因为餐桌摆放密度较大。跌落风险较易出现发生在酒店场景及餐厅场景的上下楼区域，这是因为深度摄像头对深色物体的识别能力较弱，但上下楼区域常铺有深灰色地毯或采用水泥地板。

当然，部署人员也可根据其对室内环境的观察，通过配送机器人所指示的交互方式告知配送机器人该室内环境中所存在的风险位置，此处不作赘述。也即，本申请实施例不对风险位置的确定方式作出限定。

步骤103，根据风险位置对初始地图进行优化，得到室内环境的目标地图。

在确定出了至少一个风险位置的情况下，配送机器人可在初始地图中对各风险位置进行标注，以记录下风险位置的相关信息。仅作为示例，配送机器人可采用颜色标注或图标标注等标注方式，此处不作限定。

进一步地，配送机器人还可结合风险等级，在该初始地图中对各风险位置进行标注。仅作为示例，在配送机器人所采用的标注方式为颜色标注，且划分有低中高这三类风险等级的情况下，可设定高风险等级的风险位置所对应的颜色为红色、中风险等级的风险位置所对应的颜色为橙色且低风险等级的风险位置所对应的颜色为黄色；当然，各风险等级的风险位置也可采用其它颜色进行标注，只要能起到区分的作用即可，此处不作限定。

在一些实施例中，配送机器人可通过如下方式确定出可能存在迷航风险的风险位置：

A1、针对在不同探测位置处所得到的任意两帧探测数据，计算两帧探测数据的相似度。

配送机器人可对已得到的探测数据进行遍历。对于当前遍历到的探测数据来说，配送机器人可将该探测数据与各个其它探测位置处所得的探测数据分别进行比对，由此即可得到不同探测位置处所得的两帧探测数据之间的相似度。本申请实施例中，不对计算相似度的方式作出限定。

A2、若相似度大于预设的相似度阈值，则将两帧探测数据所分别对应的探测位置均确定为风险位置。

部署人员可预先在配送机器人中，设置一相似度阈值。仅作为示例，该相似度阈值可以为0.8或其它数值，此处不作限定。在已计算出某两帧探测数据之间的相似度之后，配送机器人可将该相似度与该相似度阈值进行比对。若比对发现该相似度大于相似度阈值，则可认为这两帧探测数据较为接近，可能会让配送机器人产生混淆，可将这两帧探测数据所分别对应的探测位置均确定为风险位置。

进一步地，在通过以上方式确定出风险位置的情况下，配送机器人还可根据计算所得的相似度大小来确定风险等级，具体可为：将大于相似度阈值的数值范围划分为多个不重合的相似度区间，不同相似度区间对应不同的风险等级；当某两帧探测数据之间的相似度大于相似度阈值时，可将目标相似度区间所对应的风险等级确定为这两帧探测数据所分别对应的探测位置的风险等级，其中，目标相似度区间指的是：该相似度所落入的相似度区间。

在一些实施例中，配送机器人可通过如下方式确定出可能存在跌落风险的风险位置：

B1、针对每帧探测数据，获取探测数据的空洞率。

在配送机器人搭载的探测器包括深度摄像头的情况下，在通过深度摄像头采集深度数据时，还可得到该深度数据所对应的空洞率。则，针对任一探测位置处所得的探测数据来说，该探测数据的空洞率等于该探测位置处的深度数据的空洞率。

B2、若空洞率大于预设的空洞率阈值，则将探测数据所对应的探测位置确定为风险位置。

一般而言，在存在跌落风险时，深度摄像头所采集到的深度数据的空洞率也会较大。基于此，部署人员可预先在配送机器人中，设置一空洞率阈值。一旦配送机器人通过比对发现有探测数据的空洞率大于该空洞率阈值，即可将该探测数据所对应的探测位置确定为风险位置。

进一步地，在通过以上方式确定出风险位置的情况下，配送机器人还可根据空洞率大小来确定风险等级，具体可为：将大于空洞率阈值的数值范围划分为多个不重合的空洞率区间，不同空洞率区间对应不同的风险等级；当某帧探测数据的空洞率大于空洞率阈值时，可将目标空洞率区间所对应的风险等级确定为该帧探测数据所对应的探测位置的风险等级，其中，目标空洞率区间指的是：该空洞率所落入的空洞率区间。

在一些实施例中，配送机器人也可通过如下方式确定出可能存在跌落风险的风险位置：

C1、针对每帧探测数据，分析探测数据所对应的场景中是否包含风险场景。

在配送机器人搭载的探测器包括彩色摄像头的情况下，配送机器人在各个探测位置进行探测时，可采集得到对应探测位置处的环境彩色图像。在这种情况下，针对任一帧探测数据，配送机器人可获取到该探测数据所对应的环境彩色图像，并对该环境彩色图像进行图像处理，包括：目标检测及目标识别等。通过图像处理，配送机器人可获知该环境彩色图像所包含的目标。通过该环境彩色图像所包含的目标，配送机器人可确定出该探测数据所对应的场景中是否包含风险场景，该风险场景指的是：高度差大于预设高度差的场景。

C2、若场景包含风险场景，则将探测数据所对应的探测位置确定为风险位置。

在探测数据所对应的场景中包含风险场景的情况下，可认为存在跌落风险。基于此，配送机器人可将该探测数据所对应的探测位置确定为风险位置。

进一步地，在通过以上方式确定出风险位置的情况下，配送机器人还可根据风险场景的面积(或数量)来确定风险等级，具体可为：划分为多个不重合的风险场景的面积区间(或数量区间)，不同面积区间(或数量区间)对应不同的风险等级；当某帧探测数据所对应的场景包含风险场景时，可将目标面积区间(或目标数量区间)所对应的风险等级确定为该帧探测数据所对应的探测位置的风险等级，其中，目标面积区间指的是：该探测数据所对应的场景中，包含的风险场景的面积所落入的面积区间，目标数量区间指的是：该探测数据所对应的场景中，包含的风险场景的数量所落入的数量区间。

可以理解，配送机器人可根据自身的需求，选择以上所提出的三种风险位置确定方式中的一种以上方式执行，此处不作限定。

在一些实施例中，为了进一步提升配送机器人在室内环境的定位准确性，配送机器人可在确定出风险位置之后，根据该风险位置，输出提醒消息。其中，该提醒消息用于提醒用户(也即部署人员)在该风险位置处设置定位辅助工具。仅作为示例，该定位辅助工具包括但不限于用于定位的近场(Near Field Communication，NFC)标签及用于定位的二维码等。并且，不同风险位置处所对应的定位辅助工具(NFC标签或二维码)在整个室内环境中均唯一。为便于描述，可将该NFC标签记作定位NFC标签，将该二维码记作定位二维码。部署人员可根据成本及准确性的要求，选择合适的定位辅助工具，此处不作限定。

为提升定位辅助工具的可用性，每个被设置的定位辅助工具均可包含多种信息。以定位二维码为例，一个定位二维码可由多个小二维码而构成，各小二维码可用于表示不同维度的位置信息，例如方位信息及楼层信息等，此处不作限定。可以理解，配送机器人可在后续过程中对这些定位辅助工具予以充分利用，以进一步提升其定位的准确性。

在一些实施例中，在部署人员将定位二维码选择为定位辅助工具的情况下，为避免定位二维码的磨损，部署人员具体可将定位二维码设置于风险位置处的天花板上。在这种情况下，配送机器人可增设一顶视摄像头，且该顶视摄像头具体朝向配送机器人的上方进行图像采集。请参阅图2，图2给出了配送机器人的结构示意。图2中的各实心小方块分别为配送机器人所搭载的顶视摄像头、单线激光雷达、深度摄像头1及深度摄像头2，具体在图2中进行了标注，此处不再赘述。以及，图2中的角1为深度摄像头1的视场角，角2为深度摄像头2的视场角，角3为顶视摄像头的视场角。基于配送机器人已搭载的顶视摄像头，在步骤103之后，地图构建方法还可包括：

D1、在执行移动导航任务的过程中，通过顶视摄像头实时采集室内环境的顶部图像。

为避免配送机器人移动至风险位置后出现定位不准确的情况，配送机器人可触发顶视摄像头运行，以此通过该顶视摄像头实时采集室内环境的顶部图像。

在一种应用场景下，可以是在配送机器人开始执行移动导航任务时，触发顶视摄像头运行，并在配送机器人停止执行移动导航任务时，触发顶视摄像头暂停运行；也即，只要配送机器人正在执行移动导航任务，其顶视摄像头就保持在运行状态。

在另一种应用场景下，顶视摄像头的运行会占用配送机器人一定的系统资源；并且，配送机器人通常不会一直处于风险位置。基于此，可以是在原始定位结果指示配送机器人已进入任一风险位置的预设范围内时，触发顶视摄像头运行，并在原始定位结果指示配送机器人已离开该风险位置的预设范围内，触发顶视摄像头暂停运行；也即，只在配送机器人距离风险位置较近时，其顶视摄像头才处于运行状态。

其中，原始定位结果指的是：基于配送机器人所搭载的探测器(例如单线激光雷达及深度摄像头所)而得到的定位结果。可以理解，在没有定位风险的正常情况下，该原始定位结果就已是较为准确的定位结果。

在一些示例中，预设范围可根据对应的风险位置的风险等级而自适应设定，具体为：风险位置的风险等级越高，则该风险位置的预设范围越大；反之，风险位置的风险等级越低，则该风险位置的预设范围越小。

D2、当顶部图像存在定位二维码时，根据定位二维码确定辅助定位结果。

在顶视摄像头采集到顶部图像后，配送机器人会对该顶部图像是否存在定位二维码进行检测。一旦检测到该顶部图像存在定位二维码，就可认为配送机器人已经移动至了风险区域，该原始定位结果存在偏差的可能。此时，配送机器人可对该定位二维码进行解析，并根据该解析得到的内容确定出对应的定位结果。为便于区分，可记该定位结果为辅助定位结果。

D3、结合原始定位结果及辅助定位结果，得到最终定位结果。

在得到辅助定位结果的情况下，配送机器人可将该辅助定位结果与同一时刻下所获得原始定位结果进行融合，以得到最终定位结果。可以认为，该融合的过程为利用辅助定位结果对原始定位结果的优化，可使得所得的最终定位结果与原始定位结果相比，在准确度上有一定提升。

在一些实施例中，为了使配送机器人在暗光环境下也有较好的定位表现，该配送机器人所搭载的顶视摄像头可具体为红外摄像头。可以理解，红外摄像头相比普通的彩色摄像头来说，探测距离更远，且几乎不受光线的影响，可帮助配送机器人识别到距离更远和/或尺寸更小的定位二维码。

在此基础上，配送机器人还可在顶视摄像头的附近搭载一红外补光灯，通过该红外补光灯在暗光环境下为顶视摄像头进行补光。

在一些示例中，配送机器人可以是在进入室内环境中的特定区域(例如深走廊)，且顶视摄像头在运行时，开启补光灯；在离开室内环境中的特定区域，和/或，顶视摄像头暂停运行时，关闭补光灯。

在另一些示例中，配送机器人也可以是在当前时间在预设的夜晚时间段内，且顶视摄像头在运行时，开启补光灯；在当前时间不在预设的夜晚时间段内，和/或，顶视摄像头暂停运行时，关闭补光灯。

在又一些示例中，配送机器人还可同时搭载有亮度传感器。在亮度传感器检测到的环境亮度值小于预设的亮度阈值，且顶视摄像头在运行时，配送机器人可开启补光灯；在亮度传感器检测到的环境亮度值大于或等于该亮度阈值，和/或，顶视摄像头暂停运行时，配送机器人可关闭补光灯。

可以理解，本申请实施例中，不对补光灯的启动/关闭条件作出限定。

由上可见，本申请实施例中，一方面，多帧探测数据是通过配送机器人自身已搭载的至少两类探测而得到的，由不同类探测器形成了较强有力的数据支撑，使得初始地图相对更精准；另一方面，构建所得的初始地图并不会直接被投入应用，而是会根据探测数据确定出室内环境中的风险位置并对初始地图进行优化之后，再将优化后所得的目标地图投入应用，使得配送机器人在后续应用该目标地图执行任务的过程中，能够基于目标地图对自身进行更准确的定位。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文所提供的地图构建方法，本申请实施例还提供了一种地图构建装置，上述地图构建装置可集成于配送机器人，或者与配送机器人建立通讯连接的其它设备中。请参阅图3，本申请实施例中的地图构建装置3包括：

构建模块301，用于根据室内环境的多帧探测数据，构建室内环境的初始地图，其中，多帧探测数据通过配送机器人已搭载的至少两类探测器对室内环境进行探测得到；

第一确定模块302，用于根据多帧探测数据，确定风险位置；

优化模块303，用于根据风险位置对初始地图进行优化，得到室内环境的目标地图。

在一些实施例中，第一确定模块302，包括：

计算单元，用于针对在不同探测位置处所得到的任意两帧探测数据，计算两帧探测数据的相似度；

第一确定单元，用于若相似度大于预设的相似度阈值，则将两帧探测数据所分别对应的探测位置均确定为风险位置。

在一些实施例中，第一确定模块302，包括：

获取单元，用于针对每帧探测数据，获取探测数据的空洞率；

第二确定单元，用于若空洞率大于预设的空洞率阈值，则将探测数据所对应的探测位置确定为风险位置。

在一些实施例中，第一确定模块302，包括：

分析单元，用于针对每帧探测数据，分析探测数据所对应的场景中是否包含风险场景，其中，风险场景为：高度差大于预设高度差的场景；

第三确定单元，用于若场景包含风险场景，则将探测数据所对应的探测位置确定为风险位置。

在一些实施例中，地图构建装置3还包括：

提醒模块，用于根据风险位置，输出提醒消息，提醒消息用于提醒用户在风险位置处设置定位二维码。

在一些实施例中，定位二维码被设置于风险位置处的天花板；配送机器人还搭载有顶视摄像头，顶视摄像头朝向配送机器人的上方进行图像采集；地图构建装置3还包括：

采集模块，用于在执行移动导航任务的过程中，通过顶视摄像头实时采集室内环境顶部图像；

第二确定模块，用于当室内环境顶部图像存在定位二维码时，根据定位二维码确定辅助定位结果；

结合模块，用于结合原始定位结果及辅助定位结果，得到最终定位结果，其中，原始定位结果基于至少两类探测器而得到。

在一些实施例中，在执行移动导航任务的过程中，顶视摄像头在原始定位结果指示配送机器人已进入任一风险位置的预设范围内时被触发运行，并在原始定位结果指示配送机器人已离开预设范围内时被暂停运行。

由上可见，本申请实施例中，一方面，多帧探测数据是通过配送机器人自身已搭载的至少两类探测而得到的，由不同类探测器形成了较强有力的数据支撑，使得初始地图相对更精准；另一方面，构建所得的初始地图并不会直接被投入应用，而是会根据探测数据确定出室内环境中的风险位置并对初始地图进行优化之后，再将优化后所得的目标地图投入应用，使得配送机器人在后续应用该目标地图执行任务的过程中，能够基于目标地图对自身进行更准确的定位。

对应于上文所提供的地图构建方法，本申请实施例还提供了一种配送机器人。请参阅图4，本申请实施例中的配送机器人4包括：存储器401，一个或多个处理器402(图4中仅示出一个)及存储在存储器401上并可在处理器上运行的计算机程序。其中：存储器401用于存储软件程序以及模块，处理器402通过运行存储在存储器401的软件程序以及单元，从而执行各种功能应用以及数据处理，以获取上述预设事件对应的资源。具体地，处理器402通过运行存储在存储器401的上述计算机程序时实现以下步骤：

根据室内环境的多帧探测数据，构建室内环境的初始地图，其中，多帧探测数据通过配送机器人4已搭载的至少两类探测器对室内环境进行探测得到；

根据多帧探测数据，确定风险位置；

根据风险位置对初始地图进行优化，得到室内环境的目标地图。

假设上述为第一种可能的实施方式，则在第一种可能的实施方式作为基础而提供的第二种可能的实施方式中，根据多帧探测数据，确定风险位置，包括：

针对在不同探测位置处所得到的任意两帧探测数据，计算两帧探测数据的相似度；

若相似度大于预设的相似度阈值，则将两帧探测数据所分别对应的探测位置均确定为风险位置。

在上述第一种可能的实施方式作为基础而提供的第三种可能的实施方式中，根据多帧探测数据，确定风险位置，包括：

针对每帧探测数据，获取探测数据的空洞率；

若空洞率大于预设的空洞率阈值，则将探测数据所对应的探测位置确定为风险位置。

在上述第一种可能的实施方式作为基础而提供的第四种可能的实施方式中，根据多帧探测数据，确定风险位置，包括：

针对每帧探测数据，分析探测数据所对应的场景中是否包含风险场景，其中，风险场景为：高度差大于预设高度差的场景；

若场景包含风险场景，则将探测数据所对应的探测位置确定为风险位置。

在上述第一种可能的实施方式作为基础，或者上述第二种可能的实施方式作为基础，或者上述第三种可能的实施方式作为基础，或者上述第四种可能的实施方式作为基础而提供的第五种可能的实施方式中，在根据多帧探测数据，确定风险位置之后，处理器402通过运行存储在存储器401的上述计算机程序时还实现以下步骤：

根据风险位置，输出提醒消息，提醒消息用于提醒用户在风险位置处设置定位二维码。

在上述第五种可能的实施方式作为基础而提供的第六种可能的实施方式中，定位二维码被设置于风险位置处的天花板；配送机器人4还搭载有顶视摄像头，顶视摄像头朝向配送机器人4的上方进行图像采集；在得到室内环境的目标地图之后，地图构建方法还包括：

在执行移动导航任务的过程中，通过顶视摄像头实时采集室内环境的顶部图像；

当顶部图像存在定位二维码时，根据定位二维码确定辅助定位结果；

结合原始定位结果及辅助定位结果，得到最终定位结果，其中，原始定位结果基于至少两类探测器而得到。

在上述第六种可能的实施方式作为基础而提供的第七种可能的实施方式中，在执行移动导航任务的过程中，顶视摄像头在原始定位结果指示配送机器人4已进入任一风险位置的预设范围内时被触发运行，并在原始定位结果指示配送机器人4已离开预设范围内时被暂停运行。

应当理解，在本申请实施例中，所称处理器402可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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。

存储器401可以包括只读存储器和随机存取存储器，并向处理器402提供指令和数据。存储器401的一部分或全部还可以包括非易失性随机存取存储器。例如，存储器401还可以存储设备类型的信息。

由上可见，本申请实施例中，一方面，多帧探测数据是通过配送机器人自身已搭载的至少两类探测而得到的，由不同类探测器形成了较强有力的数据支撑，使得初始地图相对更精准；另一方面，构建所得的初始地图并不会直接被投入应用，而是会根据探测数据确定出室内环境中的风险位置并对初始地图进行优化之后，再将优化后所得的目标地图投入应用，使得配送机器人在后续应用该目标地图执行任务的过程中，能够基于目标地图对自身进行更准确的定位。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者外部设备软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关联的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读存储介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机可读存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括是电载波信号和电信信号。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种地图构建方法，其特征在于，所述地图构建方法应用于配送机器人，所述地图构建方法包括：

根据室内环境的多帧探测数据，构建所述室内环境的初始地图，其中，所述多帧探测数据通过所述配送机器人已搭载的至少两类探测器对室内环境进行探测得到；

根据所述多帧探测数据，确定风险位置；

根据所述风险位置对所述初始地图进行优化，得到所述室内环境的目标地图。

2.如权利要求1所述的地图构建方法，其特征在于，所述根据所述多帧探测数据，确定风险位置，包括：

针对在不同探测位置处所得到的任意两帧探测数据，计算所述两帧探测数据的相似度；

若所述相似度大于预设的相似度阈值，则将所述两帧探测数据所分别对应的探测位置均确定为所述风险位置。

3.如权利要求1所述的地图构建方法，其特征在于，所述根据所述多帧探测数据，确定风险位置，包括：

针对每帧探测数据，获取所述探测数据的空洞率；

若所述空洞率大于预设的空洞率阈值，则将所述探测数据所对应的探测位置确定为所述风险位置。

4.如权利要求1所述的地图构建方法，其特征在于，所述根据所述多帧探测数据，确定风险位置，包括：

针对每帧探测数据，分析所述探测数据所对应的场景中是否包含风险场景，其中，所述风险场景为：高度差大于预设高度差的场景；

若所述场景包含风险场景，则将所述探测数据所对应的探测位置确定为所述风险位置。

5.如权利要求1至4任一项所述的地图构建方法，其特征在于，在所述根据所述多帧探测数据，确定风险位置之后，所述地图构建方法还包括：

根据所述风险位置，输出提醒消息，所述提醒消息用于提醒用户在所述风险位置处设置定位二维码。

6.如权利要求5所述的地图构建方法，其特征在于，所述定位二维码被设置于所述风险位置处的天花板；所述配送机器人还搭载有顶视摄像头，所述顶视摄像头朝向所述配送机器人的上方进行图像采集；在所述得到所述室内环境的目标地图之后，所述地图构建方法还包括：

在执行移动导航任务的过程中，通过所述顶视摄像头实时采集所述室内环境的顶部图像；

当所述顶部图像存在定位二维码时，根据所述定位二维码确定辅助定位结果；

结合原始定位结果及所述辅助定位结果，得到最终定位结果，其中，所述原始定位结果基于所述至少两类探测器而得到。

7.如权利要求6所述的地图构建方法，其特征在于，在执行所述移动导航任务的过程中，所述顶视摄像头在所述原始定位结果指示所述配送机器人已进入任一所述风险位置的预设范围内时被触发运行，并在所述原始定位结果指示所述配送机器人已离开所述预设范围内时被暂停运行。

8.一种地图构建装置，其特征在于，所述地图构建装置应用于配送机器人，所述地图构建装置包括：

构建模块，用于根据室内环境的多帧探测数据，构建所述室内环境的初始地图，其中，所述多帧探测数据通过所述配送机器人已搭载的至少两类探测器对室内环境进行探测得到；

第一确定模块，用于根据所述多帧探测数据，确定风险位置；

优化模块，用于根据所述风险位置对所述初始地图进行优化，得到所述室内环境的目标地图。

9.一种配送机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

Images