CN116045962A - 基于雾网络的建图定位方法及装置 - Google Patents

Abstract

本发明涉及数据处理领域，公开了一种基于雾网络的建图定位方法及装置，用于提高建图定位时的准确率。该方法包括：控制多个地面机器人对目标区域进行环境信息采集，得到环境信息集合，通过环境信息集合生成多个地图构建子任务；对多个地面机器人进行任务分配，得到任务分配结果；基于任务分配结果控制多个地面机器人进行子地图构建，生成多个子地图，通过多个子地图生成初始全局地图；控制无人机对目标区域进行点云数据采集，得到点云数据集合；对点云数据集合进行三维地图映射，得到三维点云地图；对三维点云地图及初始全局地图进行地图融合，生成目标导航地图；通过目标导航地图对待定位机器人进行定位，确定目标定位数据。

Description

基于雾网络的建图定位方法及装置

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于雾网络的建图定位方法及装置。

背景技术

随着机器人技术的不断发展，多种类型机器人已广泛运用于服务、救援等不同任务场景，其中机器人定位和地图构建技术被用来执行环境地图的并行构建及机器人方向和位置估计，针对救援现场存在的地形复杂、作业覆盖范围广、次生灾害突发等特点，单一地面机器人难以快速到达目标位置。

但是，单一空中机器人由于续航、负载能力有限等问题，难以满足救援现场的需求，此外，虽然地面机器人能够对地面的近距离目标精准定位并执行任务，但其视野范围具有局限性，限制了其工作的区域和效率，无人机机动性强、视野范围广，但对地面物体定位的精确度不高，对地面物体操作的灵活性差。

发明内容

有鉴于此，本发明实施例提供了一种基于雾网络的建图定位方法及装置，解决了在建图定位时准确率偏低的技术问题。

本发明提供了一种基于雾网络的建图定位方法，包括：控制多个地面机器人对目标区域进行环境信息采集，得到环境信息集合，并通过所述环境信息集合生成多个地图构建子任务；将多个所述地图构建子任务输入至预置的雾计算网络对多个所述地面机器人进行任务分配，得到任务分配结果；基于所述任务分配结果，控制多个所述地面机器人进行子地图构建，生成多个子地图，并通过多个所述子地图生成对应的初始全局地图；控制预置的无人机对所述目标区域进行点云数据采集，得到点云数据集合；对所述点云数据集合进行三维地图映射，得到与所述目标区域对应的三维点云地图；对所述三维点云地图及所述初始全局地图进行地图融合，生成目标导航地图；通过所述目标导航地图对待定位机器人进行定位，确定对应的目标定位数据。

本发明提供的基于雾网络的建图定位方法，服务器通过引用雾计算网络，将一部分复杂计算任务传输至具有更高计算能力的雾节点上，从而节省地面机器人的计算时间和能耗，进一步以及提高准确性和构建地图的速度，同时通过无人机空中视角优势，为地面机器人提供充足的地面障碍与地形信息，并且通过采用雾网络计算方法，降低了算法的复杂度，进一步提升了建图定位时的准确率。

在本发明中，所述将多个所述地图构建子任务输入至预置的雾计算网络对多个所述地面机器人进行任务分配，得到任务分配结果步骤，包括：将多个所述地图构建子任务输入至所述雾计算网络进行任务数量分析，得到对应的目标任务数量；基于所述目标任务数量对所述雾计算网络的遗传算法进行算法参数设置，得到目标遗传算法；基于所述目标遗传算法对多个所述地面机器人进行任务分配，得到任务分配结果。

在本发明中，所述基于所述目标遗传算法对多个所述地面机器人进行任务分配，得到任务分配结果步骤，包括：分别对每一所述地面机器人进行编码处理，生成多个任务节点；分别对每一所述地面机器人进行适应度计算，得到适应度数据集合；基于所述适应度数据集合，通过所述目标遗传算法对每一所述任务节点进行任务分配，得到任务分配结果。

在本发明中，所述基于所述任务分配结果，控制多个所述地面机器人进行子地图构建，生成多个子地图，并通过多个所述子地图生成对应的初始全局地图步骤，包括：基于所述任务分配结果对每一所述地面机器人进行任务分配，并控制每一所述地面机器人通过扩展卡尔曼滤波算法进行子地图构建，生成多个子地图；通过稀疏化扩展信息滤波算法对多个所述子地图进行地图融合，生成对应的初始全局地图。

在本发明中，所述通过稀疏化扩展信息滤波算法对多个所述子地图进行地图融合，生成对应的初始全局地图步骤，包括：分别对每一所述子地图进行特征点分析，得到与每一所述子地图对应的特征点集合；通过与每一所述子地图对应的特征点集合对多个所述子地图进行地图融合，生成对应的初始全局地图。

在本发明中，所述对所述点云数据集合进行三维地图映射，得到与所述目标区域对应的三维点云地图步骤，包括：对所述点云数据集合进行图像生成处理，得到多个点云图像；对每一所述点云图像进行相似轮廓识别，确定至少一组相似轮廓图像；对所述至少一组相似轮廓图像进行图像融合，得到至少一个目标轮廓图像；通过所述至少一个目标轮廓图像对多个所述点云图像进行图像融合，生成与所述目标区域对应的三维点云地图。

在本发明中，所述对所述三维点云地图及所述初始全局地图进行地图融合，生成目标导航地图步骤，包括：对所述三维点云地图及所述初始全局地图进行点位匹配，确定对应的多个匹配特征点；对每一所述匹配特征点进行参数分析，确定与每一所述匹配特征点对应的特征参数；基于与每一所述匹配特征点对应的特征参数对所述三维点云地图及所述初始全局地图进行地图融合，生成目标导航地图。

本发明实施例还提供了一种基于雾网络的建图定位装置，包括：

生成模块，用于控制多个地面机器人对目标区域进行环境信息采集，得到环境信息集合，并通过所述环境信息集合生成多个地图构建子任务；

分配模块，用于将多个所述地图构建子任务输入至预置的雾计算网络对多个所述地面机器人进行任务分配，得到任务分配结果；

构建模块，用于基于所述任务分配结果，控制多个所述地面机器人进行子地图构建，生成多个子地图，并通过多个所述子地图生成对应的初始全局地图；

采集模块，用于控制预置的无人机对所述目标区域进行点云数据采集，得到点云数据集合；

映射模块，用于对所述点云数据集合进行三维地图映射，得到与所述目标区域对应的三维点云地图；

融合模块，用于对所述三维点云地图及所述初始全局地图进行地图融合，生成目标导航地图；

定位模块，用于通过所述目标导航地图对待定位机器人进行定位，确定对应的目标定位数据。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例中基于雾网络的建图定位方法的流程图；

图2为本发明实施例中控制多个地面机器人进行子地图构建的流程图；

图3为本发明实施例中对点云数据集合进行三维地图映射的流程图；

图4为本发明实施例中对三维点云地图及初始全局地图进行地图融合的流程图；

图5为本发明实施例中基于雾网络的建图定位装置的示意图。

附图标记：

501、生成模块；502、分配模块；503、构建模块；504、采集模块；505、映射模块；506、融合模块；507、定位模块。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，图1是本发明实施例的基于雾网络的建图定位方法的流程图，如图1所示，该流程图包括以下步骤：

步骤S101：控制多个地面机器人对目标区域进行环境信息采集，得到环境信息集合，并通过环境信息集合生成多个地图构建子任务；

可以理解的是，本发明的执行主体可以为基于雾网络的建图定位装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

具体的，服务器控制多个地面机器人对目标区域进行环境信息采集，需要说明的是，在环境信息采集时，服务器通过控制各个地面机器人上的相机及传感器进行环境信息采集，得到环境信息集合，该环境信息集合中包括每一地面机器人采集的图像数据及传感数据，进而服务器根据该环境信息集合对目标区域进行分区，确定多个目标分区，并根据该多个目标分区生成多个地图构建子任务。

可选的，在进行环境信息采集时，服务器还可以控制多个地面机器人上的激光雷达采集目标区域的环境信息。

步骤S102：将多个地图构建子任务输入至预置的雾计算网络对多个地面机器人进行任务分配，得到任务分配结果；

需要说明的是，该雾计算网络包括以水平通信的多个雾节点，并且该多个雾节点与多个地面机器人之间是通过南向通信连接的，在本申请实施例中，雾计算网络根据遗传算法对多个地图构建子任务进行任务分配，得到任务分配结果，后续服务器将通过雾计算网络，将任务分配结果通过南向通信传输给多个地面机器人。

步骤S103：基于任务分配结果，控制多个地面机器人进行子地图构建，生成多个子地图，并通过多个子地图生成对应的初始全局地图；

具体的，基于任务分配结果，服务器控制多个地面机器人采用扩展卡尔曼滤波方法构建子地图，再通过稀疏化扩展信息滤波算法将得到的子地图联结成全局地图，得到对应的初始全局地图。

步骤S104：控制预置的无人机对目标区域进行点云数据采集，得到点云数据集合；

需要说明的是，该预置的无人机搭载头视觉相机，在目标区域进行环境感知，对目标区域进行点云数据采集，得到对应的点云数据集合。

步骤S105：对点云数据集合进行三维地图映射，得到与目标区域对应的三维点云地图；

具体的，服务器利用点云数据结合建立3D点云地图，其中，由于该多组点云数据为通过不同位置和角度对目标区域拍摄得到的，采集到的相邻两组点云数据之间存在着区域重合的关系。为了获得完整的三维点云图像，我们需要对点云数据集合进行处理，对多组点云图像进行图像匹配，得到多组待处理点云图像，在进行图像匹配时，服务器对该多组点云图像进行重合分析，将具有重合关系的点云图像作为一组，得到多组待处理点云图像，进一步的，服务器分别对每组待处理的点云图像进行映射处理，得到与目标区域对应的三维点云地图。

步骤S106：对三维点云地图及初始全局地图进行地图融合，生成目标导航地图；

需要说明的是，三维点云数据可用于分析某一区域的形状和轮廓，估算周围环境的位置和轮廓，但三维点云数据缺少了RGB图像数据中对区域中实际物体的纹理和颜色等信息的提取，因此，在本申请实施例中，服务器对三维点云地图及初始全局地图进行地图融合，生成目标导航地图。

步骤S107：通过目标导航地图对待定位机器人进行定位，确定对应的目标定位数据。

具体的，根据无人机与地面机器人协同构成的目标导航地图，通过目标导航地图上的特征点可以分析待定位机器人的当前所在位置，确定对应的目标定位数据，从而实现对机器人的定位，后续服务器还可以待定位机器人的实时位置，实现对地面机器人的导航规划。

通过执行上述步骤，控制多个地面机器人对目标区域进行环境信息采集，得到环境信息集合，并通过所述环境信息集合生成多个地图构建子任务，将所述多个地图构建子任务输入至预置的雾计算网络对所述多个地面机器人进行任务分配，得到任务分配结果，基于所述任务分配结果，控制所述多个地面机器人进行子地图构建，生成多个子地图，并通过所述多个子地图生成对应的初始全局地图；控制预置的无人机对所述目标区域进行点云数据采集，得到点云数据集合；对所述点云数据集合进行三维地图映射，得到与所述目标区域对应的三维点云地图；对所述三维点云地图及所述初始全局地图进行地图融合，生成目标导航地图；通过所述目标导航地图对待定位机器人进行定位，确定对应的目标定位数据。本申请方案中，服务器通过引用雾计算网络，将一部分复杂计算任务传输至具有更高计算能力的雾节点上，从而节省地面机器人的计算时间和能耗，进一步以及提高准确性和构建地图的速度，同时通过无人机空中视角优势，为地面机器人提供充足的地面障碍与地形信息，并且通过采用雾网络计算方法，降低了算法的复杂度，进一步提升了建图定位时的准确率。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

(1)将多个地图构建子任务输入至雾计算网络进行任务数量分析，得到对应的目标任务数量；

(2)基于目标任务数量对雾计算网络的遗传算法进行算法参数设置，得到目标遗传算法；

(3)基于目标遗传算法对多个地面机器人进行任务分配，得到任务分配结果。

在一具体实施例中，基于目标遗传算法对多个地面机器人进行任务分配，得到任务分配结果的过程可以具体包括如下步骤：

(1)分别对每一地面机器人进行编码处理，生成多个任务节点；

(2)分别对每一地面机器人进行适应度计算，得到适应度数据集合；

(3)基于适应度数据集合，通过目标遗传算法对每一任务节点进行任务分配，得到任务分配结果。

具体的，服务器将多个地图构建子任务输入至雾计算网络进行任务数量分析，得到对应的目标任务数量，其中，服务器根据多个地图构建子任务的数量确定对应的任务数量，基于目标任务数量对雾计算网络的遗传算法进行算法参数设置，得到目标遗传算法，进一步的，基于目标遗传算法对多个地面机器人进行任务分配，得到任务分配结果。

其中，在服务器基于目标遗传算法对多个地面机器人进行任务分配，得到任务分配结果时，服务器对多个地面机器人进行编码，生成多个任务节点，并同时将多个任务节点的分配顺序与多个地面机器人的资源对应，以约束条件随机生成初始种群，计算每一地面机器人的适应度值，得到适应度数据集合，基于适应度数据集合，通过目标遗传算法对每一任务节点进行任务分配，得到任务分配结果。

在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：

S201：基于任务分配结果对每一地面机器人进行任务分配，并控制每一地面机器人通过扩展卡尔曼滤波算法进行子地图构建，生成多个子地图；

S202：通过稀疏化扩展信息滤波算法对多个子地图进行地图融合，生成对应的初始全局地图。

具体的，基于任务分配结果对每一地面机器人进行任务分配，并控制每一地面机器人通过扩展卡尔曼滤波算法进行子地图构建，生成多个子地图，需要说明的是，扩展卡尔曼滤波是卡尔曼滤波的非线性版本，扩展卡尔曼滤波处理非线性问题的主要方法是泰勒展开，求非线性函数的雅可比矩阵，非线性问题一般存在于预测和观测过程，分别对这两部分求雅可比矩阵，作为卡尔曼滤波中的预测矩阵和观测矩阵。在本实施例中，服务器通过该扩展卡尔曼滤波算法进行子地图构建，生成多个子地图，并通过稀疏化扩展信息滤波算法对多个子地图进行地图融合，生成对应的初始全局地图。

在一具体实施例中，执行步骤S202的过程可以具体包括如下步骤：

(1)分别对每一子地图进行特征点分析，得到与每一子地图对应的特征点集合；

(2)通过与每一子地图对应的特征点集合对多个子地图进行地图融合，生成对应的初始全局地图。

需要说明的是，子地图间通过定位特征点在各自的位置进行联结，具体的，服务器分别对多个子地图进行特征点分析，得到与每一子地图对应的特征点集合，通过与每一子地图对应的特征点集合对多个子地图进行地图融合，生成对应的初始全局地图。

在一具体实施例中，如图3所示，执行步骤S105的过程可以具体包括如下步骤：

S301：对点云数据集合进行图像生成处理，得到多个点云图像；

S302：对每一点云图像进行相似轮廓识别，确定至少一组相似轮廓图像；

S303：对至少一组相似轮廓图像进行图像融合，得到至少一个目标轮廓图像；

S304：通过至少一个目标轮廓图像对多个点云图像进行图像融合，生成与目标区域对应的三维点云地图。

本方案步骤中，服务器利用点云数据结合建立3D点云地图，其中，由于该多组点云数据为通过不同位置和角度对目标区域拍摄得到的，采集到的相邻两组点云数据之间存在着区域重合的关系，为了获得完整的三维点云图像，我们需要对点云数据集合进行处理，对多组点云图像进行图像匹配，得到多组待处理点云图像，在进行图像匹配时，服务器对该多组点云图像进行重合分析，将具有重合关系的点云图像作为一组，得到多组待处理点云图像，进一步的，服务器分别对每组待处理的点云图像进行映射处理，得到与目标区域对应的三维点云地图。

其中，在服务器对该多组点云图像进行重合分析时，服务器对多个点云图像进行相似轮廓识别，确定至少一组相似轮廓图像，对至少一组相似轮廓图像进行图像融合，得到至少一个目标轮廓图像，通过至少一个目标轮廓图像对多个点云图像进行图像融合，生成与目标区域对应的三维点云地图。具体的，服务器对至少一组相似轮廓图像进行亮度分析，确定至少一组相似轮廓图像的图像亮度值，并基于至少一组相似轮廓图像的图像亮度值对至少一组相似轮廓图像进行图像融合，得到至少一个目标轮廓图像，通过至少一个目标轮廓图像对多个点云图像进行图像融合，生成与目标区域对应的三维点云地图。

在一具体实施例中，如图4所示，执行步骤S106，具体包括如下步骤：

S401：对三维点云地图及初始全局地图进行点位匹配，确定对应的多个匹配特征点；

S402：对每一匹配特征点进行参数分析，确定与每一匹配特征点对应的特征参数；

S403：基于与每一匹配特征点对应的特征参数对三维点云地图及初始全局地图进行地图融合，生成目标导航地图。

具体的，其中，服务器进行多维度地图特征对应、位置调整和地图叠加处理，最终生成目标导航地图，其中，服务器服务器对三维点云地图及初始全局地图进行点位匹配，确定对应的多个匹配特征点，进而对该每一匹配特征点进行参数分析，确定对应的高度信息及深度信息，得到与每一匹配特征点对应的特征参数，最终服务器通过与每一匹配特征点对应的特征参数对三维点云地图及初始全局地图进行地图融合，生成目标导航地图。

本发明实施例还提供了一种基于雾网络的建图定位装置，如图5所示，该基于雾网络的建图定位装置具体包括：

生成模块501，用于控制多个地面机器人对目标区域进行环境信息采集，得到环境信息集合，并通过所述环境信息集合生成多个地图构建子任务；

分配模块502，用于将多个所述地图构建子任务输入至预置的雾计算网络对多个所述地面机器人进行任务分配，得到任务分配结果；

构建模块503，用于基于所述任务分配结果，控制多个所述地面机器人进行子地图构建，生成多个子地图，并通过多个所述子地图生成对应的初始全局地图；

采集模块504，用于控制预置的无人机对所述目标区域进行点云数据采集，得到点云数据集合；

映射模块505，用于对所述点云数据集合进行三维地图映射，得到与所述目标区域对应的三维点云地图；

融合模块506，用于对所述三维点云地图及所述初始全局地图进行地图融合，生成目标导航地图；

定位模块507，用于通过所述目标导航地图对待定位机器人进行定位，确定对应的目标定位数据。

可选的，所述分配模块502还包括：

分析单元，用于将多个所述地图构建子任务输入至所述雾计算网络进行任务数量分析，得到对应的目标任务数量；

设置单元，用于基于所述目标任务数量对所述雾计算网络的遗传算法进行算法参数设置，得到目标遗传算法；

分配单元，用于基于所述目标遗传算法对多个所述地面机器人进行任务分配，得到任务分配结果。

可选的，所述分配单元具体用于：分别对每一所述地面机器人进行编码处理，生成多个任务节点；分别对每一所述地面机器人进行适应度计算，得到适应度数据集合；基于所述适应度数据集合，通过所述目标遗传算法对每一所述任务节点进行任务分配，得到任务分配结果。

可选的，所述构建模块503具体包括：

构建单元，用于基于所述任务分配结果对每一所述地面机器人进行任务分配，并控制每一所述地面机器人通过扩展卡尔曼滤波算法进行子地图构建，生成多个子地图；

融合单元，用于通过稀疏化扩展信息滤波算法对多个所述子地图进行地图融合，生成对应的初始全局地图。

可选的，所述融合单元具体用于：分别对每一所述子地图进行特征点分析，得到与每一所述子地图对应的特征点集合；通过与每一所述子地图对应的特征点集合对多个所述子地图进行地图融合，生成对应的初始全局地图。

可选的，所述映射模块505具体用于：对所述点云数据集合进行图像生成处理，得到多个点云图像；对每一所述点云图像进行相似轮廓识别，确定至少一组相似轮廓图像；对所述至少一组相似轮廓图像进行图像融合，得到至少一个目标轮廓图像；通过所述至少一个目标轮廓图像对多个所述点云图像进行图像融合，生成与所述目标区域对应的三维点云地图。

可选的，所述融合模块506具体用于：对所述三维点云地图及所述初始全局地图进行点位匹配，确定对应的多个匹配特征点；对每一所述匹配特征点进行参数分析，确定与每一所述匹配特征点对应的特征参数；基于与每一所述匹配特征点对应的特征参数对所述三维点云地图及所述初始全局地图进行地图融合，生成目标导航地图。

通过各个组成部分的协同合作，控制多个地面机器人对目标区域进行环境信息采集，得到环境信息集合，并通过所述环境信息集合生成多个地图构建子任务；将多个所述地图构建子任务输入至预置的雾计算网络对多个所述地面机器人进行任务分配，得到任务分配结果；基于所述任务分配结果，控制多个所述地面机器人进行子地图构建，生成多个子地图，并通过多个所述子地图生成对应的初始全局地图；控制预置的无人机对所述目标区域进行点云数据采集，得到点云数据集合；对所述点云数据集合进行三维地图映射，得到与所述目标区域对应的三维点云地图；对所述三维点云地图及所述初始全局地图进行地图融合，生成目标导航地图；通过所述目标导航地图对待定位机器人进行定位，确定对应的目标定位数据。本申请方案中，服务器通过引用雾计算网络，将一部分复杂计算任务传输至具有更高计算能力的雾节点上，从而节省地面机器人的计算时间和能耗，进一步以及提高准确性和构建地图的速度，同时通过无人机空中视角优势，为地面机器人提供充足的地面障碍与地形信息，并且通过采用雾网络计算方法，降低了算法的复杂度，进一步提升了建图定位时的准确率。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于雾网络的建图定位方法，其特征在于，包括如下步骤：

控制多个地面机器人对目标区域进行环境信息采集，得到环境信息集合，并通过所述环境信息集合生成多个地图构建子任务；

将多个所述地图构建子任务输入至预置的雾计算网络对多个所述地面机器人进行任务分配，得到任务分配结果；

基于所述任务分配结果，控制多个所述地面机器人进行子地图构建，生成多个子地图，并通过多个所述子地图生成对应的初始全局地图；

控制预置的无人机对所述目标区域进行点云数据采集，得到点云数据集合；

对所述点云数据集合进行三维地图映射，得到与所述目标区域对应的三维点云地图；

对所述三维点云地图及所述初始全局地图进行地图融合，生成目标导航地图；

通过所述目标导航地图对待定位机器人进行定位，确定对应的目标定位数据。

2.根据权利要求1所述的基于雾网络的建图定位方法，其特征在于，所述将多个所述地图构建子任务输入至预置的雾计算网络对多个所述地面机器人进行任务分配，得到任务分配结果步骤，包括：

将多个所述地图构建子任务输入至所述雾计算网络进行任务数量分析，得到对应的目标任务数量；

基于所述目标任务数量对所述雾计算网络的遗传算法进行算法参数设置，得到目标遗传算法；

基于所述目标遗传算法对多个所述地面机器人进行任务分配，得到任务分配结果。

3.根据权利要求2所述的基于雾网络的建图定位方法，其特征在于，所述基于所述目标遗传算法对多个所述地面机器人进行任务分配，得到任务分配结果步骤，包括：

分别对每一所述地面机器人进行编码处理，生成多个任务节点；

分别对每一所述地面机器人进行适应度计算，得到适应度数据集合；

基于所述适应度数据集合，通过所述目标遗传算法对每一所述任务节点进行任务分配，得到任务分配结果。

4.根据权利要求1所述的基于雾网络的建图定位方法，其特征在于，所述基于所述任务分配结果，控制多个所述地面机器人进行子地图构建，生成多个子地图，并通过多个所述子地图生成对应的初始全局地图步骤，包括：

基于所述任务分配结果对每一所述地面机器人进行任务分配，并控制每一所述地面机器人通过扩展卡尔曼滤波算法进行子地图构建，生成多个子地图；

通过稀疏化扩展信息滤波算法对多个所述子地图进行地图融合，生成对应的初始全局地图。

5.根据权利要求4所述的基于雾网络的建图定位方法，其特征在于，所述通过稀疏化扩展信息滤波算法对多个所述子地图进行地图融合，生成对应的初始全局地图步骤，包括：

分别对每一所述子地图进行特征点分析，得到与每一所述子地图对应的特征点集合；

通过与每一所述子地图对应的特征点集合对多个所述子地图进行地图融合，生成对应的初始全局地图。

6.根据权利要求1所述的基于雾网络的建图定位方法，其特征在于，所述对所述点云数据集合进行三维地图映射，得到与所述目标区域对应的三维点云地图步骤，包括：

对所述点云数据集合进行图像生成处理，得到多个点云图像；

对每一所述点云图像进行相似轮廓识别，确定至少一组相似轮廓图像；

对所述至少一组相似轮廓图像进行图像融合，得到至少一个目标轮廓图像；

通过所述至少一个目标轮廓图像对多个所述点云图像进行图像融合，生成与所述目标区域对应的三维点云地图。

7.根据权利要求1至6中任一项所述的基于雾网络的建图定位方法，其特征在于，所述对所述三维点云地图及所述初始全局地图进行地图融合，生成目标导航地图步骤，包括：

对所述三维点云地图及所述初始全局地图进行点位匹配，确定对应的多个匹配特征点；

对每一所述匹配特征点进行参数分析，确定与每一所述匹配特征点对应的特征参数；

基于与每一所述匹配特征点对应的特征参数对所述三维点云地图及所述初始全局地图进行地图融合，生成目标导航地图。

8.一种基于雾网络的建图定位装置，用以执行如权利要求1至7任一项所述的基于雾网络的建图定位方法，其特征在于，包括：

生成模块，用于控制多个地面机器人对目标区域进行环境信息采集，得到环境信息集合，并通过所述环境信息集合生成多个地图构建子任务；

分配模块，用于将多个所述地图构建子任务输入至预置的雾计算网络对多个所述地面机器人进行任务分配，得到任务分配结果；

构建模块，用于基于所述任务分配结果，控制多个所述地面机器人进行子地图构建，生成多个子地图，并通过多个所述子地图生成对应的初始全局地图；

采集模块，用于控制预置的无人机对所述目标区域进行点云数据采集，得到点云数据集合；

映射模块，用于对所述点云数据集合进行三维地图映射，得到与所述目标区域对应的三维点云地图；

融合模块，用于对所述三维点云地图及所述初始全局地图进行地图融合，生成目标导航地图；

定位模块，用于通过所述目标导航地图对待定位机器人进行定位，确定对应的目标定位数据。

Images