CN116091593A - 机器人状态的确定方法和装置、存储介质、电子装置 - Google Patents

Abstract

本发明实施例提供了一种机器人状态的确定方法和装置、存储介质、电子装置，其中，该方法包括：获取机器人在行走时通过里程计所确定出的第一位置和第二位置；利用机器人在第一时间点上所获取的周围环境的第一点云数据对第一位置进行优化，得到第一姿态，以及，利用机器人在第二时间点上所获取的周围环境的第二点云数据对第二位置进行优化，得到第二姿态；基于第一姿态和第二姿态确定机器人的姿态的第一短时变化量；基于第一点云数据和第二点云数据确定机器人的姿态的第二短时变化量；通过比对第一短时变化量和第二短时变化量，确定机器人的状态是否异常。通过本发明，有效解决了相关技术中存在的无法及时判断机器人异常的问题。

Description

机器人状态的确定方法和装置、存储介质、电子装置

【技术领域】

本发明涉及通信领域，具体而言，涉及一种机器人状态的确定方法和装置、存储介质、电子装置。

【背景技术】

随着人工智能的快速发展，越来越多的智能机器人进入人们的生活，使得人们的生活越来越便利。

随着机器人的普及，人们在使用机器人的过程中所遇到的问题也越来越多。例如，扫地机器人在工作时，可能会遇到卡住或者打滑的情况。为了保证扫地机器人的正常使用，人们需要及时对这种异常情况进行判断，从而做出对应的处理，否则会造成定位失准，进而影响机器清扫效率和降低用户体验的问题。但是现有技术中并不存在能够及时判断机器人异常的方案。

针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。

【发明内容】

本发明实施例提供了一种机器人状态的确定方法和装置、存储介质、电子装置，以至少解决相关技术中存在的无法及时判断机器人异常的问题。

根据本发明的一个方面，提供了一种机器人状态的确定方法，包括：获取机器人在行走时通过里程计所确定出的第一位置和第二位置，其中，所述第一位置为所述机器人在第一时间点上的位置，所述第二位置为所述机器人在第二时间点上的位置，所述第一时间点和所述第二时间点之间的时间差小于预定阈值；利用所述机器人在所述第一时间点上所获取的周围环境的第一点云数据对所述第一位置进行优化，得到第一姿态，以及，利用所述机器人在所述第二时间点上所获取的周围环境的第二点云数据对所述第二位置进行优化，得到第二姿态；基于所述第一姿态和所述第二姿态确定所述机器人的姿态的第一短时变化量；基于所述第一点云数据和所述第二点云数据确定所述机器人的姿态的第二短时变化量；通过比对所述第一短时变化量和所述第二短时变化量，确定所述机器人的状态是否异常。

在一个示例性实施例中，利用所述机器人在所述第一时间点上所获取的周围环境的第一点云数据对所述第一位置进行优化，得到第一姿态，包括：基于所述第一点云数据确定出以所述第一位置为中心的预定区域的目标点云数据；对所述目标点云数据与所述机器人预先生成的区域地图进行匹配，以得到所述第一姿态。

在一个示例性实施例中，基于所述第一点云数据确定出以所述第一位置为中心的预定区域的目标点云数据包括：从所述第一点云数据中提取出所述预定区域的点云数据；按照预定旋转方式对所述预定区域的点云数据进行多次旋转，以得到每次旋转后的所述预定区域的点云数据；将每次旋转后的所述预定区域的点云数据确定为所述目标点云数据。

在一个示例性实施例中，按照预定旋转方式对所述预定区域的点云数据进行多次旋转包括：按照一度每次的旋转方式对所述预定区域的点云数据进行多次旋转。

在一个示例性实施例中，基于所述第一点云数据和所述第二点云数据确定所述机器人的姿态的第二短时变化量包括：对所述第一点云数据和所述第二点云数据进行匹配，以得到匹配结果；基于所述匹配结果确定出所述第二点云数据相对于所述第一点云数据的旋转信息；基于所述旋转信息确定所述第二短时变化量。

在一个示例性实施例中，通过比对所述第一短时变化量和所述第二短时变化量，确定所述机器人的状态是否异常包括：通过比对所述第一短时变化量和所述第二短时变化量，确定所述第一短时变化量和所述第二短时变化量的位姿增量差异；在确定所述位姿增量差异超过预定阈值的情况下，确定所述机器人的状态为异常状态；在确定所述位姿增量差异不超过所述预定阈值的情况下，确定所述机器人的状态为正常状态。

根据本发明的另一个方面，还提供了一种机器人状态的确定装置，包括：获取模块，用于获取机器人在行走时通过里程计所确定出的第一位置和第二位置，其中，所述第一位置为所述机器人在第一时间点上的位置，所述第二位置为所述机器人在第二时间点上的位置，所述第一时间点和所述第二时间点之间的时间差小于预定阈值；优化模块，用于利用所述机器人在所述第一时间点上所获取的周围环境的第一点云数据对所述第一位置进行优化，得到第一姿态，以及，利用所述机器人在所述第二时间点上所获取的周围环境的第二点云数据对所述第二位置进行优化，得到第二姿态；第一确定模块，用于基于所述第一姿态和所述第二姿态确定所述机器人的姿态的第一短时变化量；第二确定模块，用于基于所述第一点云数据和所述第二点云数据确定所述机器人的姿态的第二短时变化量；第三确定模块，用于通过比对所述第一短时变化量和所述第二短时变化量，确定所述机器人的状态是否异常。

在一个示例性实施例中，所述优化模块包括：确定单元，用于基于所述第一点云数据确定出以所述第一位置为中心的预定区域的目标点云数据；匹配单元，用于对所述目标点云数据与所述机器人预先生成的区域地图进行匹配，以得到所述第一姿态。

根据本发明的另一个实施例，还提供了一种计算机可读的存储介质，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述任一项实施例中所述的方法。

根据本发明的另一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行上述任一项实施例中所述的方法。

通过本发明，可以实现将机器人依赖里程计的定位结果和完全依赖激光的定位结果进行对比，基于比对结果来及时确认机器人是否出现异常，该操作可以实时执行，且不需要额外引入其他设备，保证了机器人异常状态的实时确认，有效解决了相关技术中存在的无法及时判断机器人异常的问题，进而达到了及时确认机器人状态是否异常，保证了机器的工作效率，提高了用户体验。

【附图说明】

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的一种机器人状态的确定方法的硬件结构框图；

图2是根据本发明实施例的机器人状态的确定方法的流程图；

图3是根据本发明实施例的机器人状态的确定装置的结构框图。

【具体实施方式】

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例所提供的方法实施例可以在移动机器人，或者类似的运算装置中执行。以运行在移动机器人上为例，图1是本发明实施例的一种机器人状态的确定方法的硬件结构框图。如图1所示，移动机器人可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，在一个示例性实施例中，上述移动机器人还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动机器人的结构造成限定。例如，移动机器人还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的机器人状态的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动机器人。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动机器人的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

首先对本发明的应用场景进行说明：

机器人在正常的行驶过程，依靠里程计结合激光点云进行联合定位。在机器打滑或者卡住的过程中，会造成轮子空转，导致里程计失准，进而造成机器定位失准和无法及时脱困的情况。

例如，机器人在工作过程中，可能会需要行驶到不同的区域，其所行驶的路径中的道路类型可能是多样的，在杂物较多的道路上行驶时，可能会将一些细小的杂物(例如，石子、线团、电缆、塑料袋等)卷入轮子中，由此可能会导致机器人卡住或者打滑的问题，由于机器人具备自主行驶能力，所以，机器人附近很少会有专门的人员存在。该情况下就会出现，在机器人发生故障的情况下，无法及时发现，从而导致机器人出现不可逆的损害。针对该问题，本发明实施例中提出了一种机器人状态的确定方法，可以及时确认机器人状态是否异常。本发明实施例中所涉及的机器人可以是扫地机器人，具备运输功能的机器人(例如，快递运输机器人)，还可以是商场中的向导机器人等，只要是具备自动行驶能力的机器人都可以涵盖在本发明的保护范围内。

下面结合实施例对本发明进行说明：

在本实施例中提供了一种机器人状态的确定方法，如图2所示，该方法包括如下步骤：

S202，获取机器人在行走时通过里程计所确定出的第一位置和第二位置，其中，所述第一位置为所述机器人在第一时间点上的位置，所述第二位置为所述机器人在第二时间点上的位置，所述第一时间点和所述第二时间点之间的时间差小于预定阈值；

S204，利用所述机器人在所述第一时间点上所获取的周围环境的第一点云数据对所述第一位置进行优化，得到第一姿态，以及，利用所述机器人在所述第二时间点上所获取的周围环境的第二点云数据对所述第二位置进行优化，得到第二姿态；

S206，基于所述第一姿态和所述第二姿态确定所述机器人的姿态的第一短时变化量；

S208，基于所述第一点云数据和所述第二点云数据确定所述机器人的姿态的第二短时变化量；

S210，通过比对所述第一短时变化量和所述第二短时变化量，确定所述机器人的状态是否异常。

在上述实施例中，可以将机器人依赖里程计的定位结果和完全依赖激光的定位结果进行对比。若结果偏差较大，则说明里程计给与的结果出现较大的问题。此时机器可能发生打滑或者被卡住的异常情况。因此能够实时做出对应处理。上述的预定阈值可以灵活设置，例如，设置成1秒、2秒、5秒、10秒等。

在上述实施例中，里程计为机器人轮子的脉冲信号。轮子在行走过程中会给与脉冲信号，通过左轮和右轮(或其他类型的轮子)的脉冲个数可以推断轮子左轮和右轮转了几圈。从而估计出机器人的运动轨迹。里程计是用来推算机器位姿的一种输入数据。在上述实施例中，可以先通过里程计推测机器运动的大概位置。然后在位置附近用点云进行优化(例如，通过暴力搜素进行匹配，以优化位置，其中，暴力搜素指的是，在里程计推测位置附近进行点云和地图的匹配，以找到一个匹配值最高的位姿，进而来优化定位，即，使用里程计给出的数据当做机器人的位姿先验。使用暴力搜索(Scan Matching)的方法来优化给出的姿态)。

其中，上述操作的执行主体可以是智能机器人(例如，扫地机器人、快递运输机器人、向导机器人等)，或者是智能机器人内设置的处理器，或者其他的具备类似处理能力的设备。

通过上述实施例，可以实现将机器人依赖里程计的定位结果和完全依赖激光的定位结果进行对比，基于比对结果来及时确认机器人是否出现异常，该操作可以实时执行，且不需要额外引入其他设备，保证了机器人异常状态的实时确认，有效解决了相关技术中存在的无法及时判断机器人异常的问题，进而达到了及时确认机器人状态是否异常，保证了机器的工作效率，提高了用户体验。

在一个示例性实施例中，利用所述机器人在所述第一时间点上所获取的周围环境的第一点云数据对所述第一位置进行优化，得到第一姿态，包括：基于所述第一点云数据确定出以所述第一位置为中心的预定区域的目标点云数据；对所述目标点云数据与所述机器人预先生成的区域地图进行匹配，以得到所述第一姿态。在本实施例中，以第一位置为中心的预定区域可以是圆形区域，可以是正方形区域，可以是长方形区域，还可以是其他类型的区域(至于区域的尺寸可以根据实际场景灵活设置，例如，可以将以第一位置为中心，10厘米为半径的圆形区域确定为上述的预定区域；或者，可以将以第一位置为中心，上下左右额外扩展5厘米所得到的正方形区域确定为上述的预定区域；或者，还可以将以第一位置为中心，上下额外扩展10厘米，左右额外扩展15厘米所得到的长方形区域确定为上述的预定区域)。本实施例中的匹配方式可以是前述的暴力匹配的方式，还可以是其他匹配的方式，例如，从目标点云数据中挑选出预定数量的点云与区域地图进行匹配等等。

在一个示例性实施例中，基于所述第一点云数据确定出以所述第一位置为中心的预定区域的目标点云数据包括：从所述第一点云数据中提取出所述预定区域的点云数据；按照预定旋转方式对所述预定区域的点云数据进行多次旋转，以得到每次旋转后的所述预定区域的点云数据；将每次旋转后的所述预定区域的点云数据确定为所述目标点云数据。可选地，按照预定旋转方式对所述预定区域的点云数据进行多次旋转包括：按照一度每次的旋转方式对所述预定区域的点云数据进行多次旋转，当然，也可以按照其他度每次的旋转方式进行选择，例如，按照5度每次的旋转方式，按照10度每次的旋转方式，还需要说明的是，每次旋转的角度还可以是不同的。下面结合具体示例进行说明：

首先，假设通过里程计推断出机器人行走了30厘米。此刻，通过激光传感器获取周围环境的点云。然后，将点云按照一厘米一格，以推测行走距离(即，行走了30厘米后的终点)为中心，进行上下左右5厘米范围内的移动，获得10*10共一百个点云。将这些点云进行一度每次的旋转，获得360*100组点云。最后，将这些点云和地图进行匹配，匹配出最好的点云，该点云所对应的姿态最为准确，可以将此姿态当作机器人现在的姿态，进而完成优化。假设机器人由里程计推测运动30厘米，角度0度。通过匹配得知角度在此附近1厘米，3度匹配最好。那优化完成后机器人姿态变成31厘米。3度。将实时姿态和之前通过相同方法获取的姿态进行对比，获得机器姿态的短时变化量。

在一个示例性实施例中，基于所述第一点云数据和所述第二点云数据确定所述机器人的姿态的第二短时变化量包括：对所述第一点云数据和所述第二点云数据进行匹配，以得到匹配结果；基于所述匹配结果确定出所述第二点云数据相对于所述第一点云数据的旋转信息；基于所述旋转信息确定所述第二短时变化量。在本实施例中，不依赖里程计，使用迭代最近点算法(Iterative Closest Point)，完全依赖激光数据来确定机器人位姿。ICP的方法是通过对比前后两个点云，让其两两匹配，来推测位姿的变化。假设机器运动了30厘米后获得一帧点云，由于环境变化不大，将三十厘米前的点云和三十厘米后的点云进行匹配，以让点云的重合程度最高，点云和点云之间的距离最小。此刻的前一帧点云旋转到后一帧点云的姿态就是机器人的推测位姿，这种方法可以隔绝里程计影响。由此可知，将通过激光实时匹配的姿态和之前通过激光匹配获得的姿态进行对比，可以获得机器姿态的短时变化量。

在一个示例性实施例中，通过比对所述第一短时变化量和所述第二短时变化量，确定所述机器人的状态是否异常包括：通过比对所述第一短时变化量和所述第二短时变化量，确定所述第一短时变化量和所述第二短时变化量的位姿增量差异；在确定所述位姿增量差异超过预定阈值的情况下，确定所述机器人的状态为异常状态；在确定所述位姿增量差异不超过所述预定阈值的情况下，确定所述机器人的状态为正常状态。在本实施例中，比较两个短时变化量的差异，实际上是比较两个短时变化量之间的位姿增量差异。由前述描述可知，在本发明实施例中，ICP跟踪一个姿态变化，暴力搜素跟踪一个姿态变化，那可以得到一定时间内的姿态变化量，比如一秒内的姿态变化量。一秒内两种方法的姿态变化量应该会太大，太大说明里程计或者点云数据有问题。若差异大于预设值。则说明里程计给出的先验不准，出现了轮子打滑或者卡住的问题，此时可以用一定的手段来处理此异常情况。当检测到这种情况时，若是短时间触发的，可以考虑机器轮子打滑，加大暴力搜素的范围。若是长时间触发的，可以由机器人建立局部地图，当状态正常后，使用局部地图在原有地图上进行小范围重定位来校准姿态。

通过上述实施例，可实时得知何时能够信任里程计的结果，何时机器人发生异常情况。从而及时处理异常情况，使得机器人的稳定性大大提高，脱困几率提高，机器定位失准和叠图的情况明显减小。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

在本实施例中还提供了一种机器人状态的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图3是根据本发明实施例的机器人状态的确定装置的结构框图，如图3所示，该装置包括：

获取模块32，用于获取机器人在行走时通过里程计所确定出的第一位置和第二位置，其中，所述第一位置为所述机器人在第一时间点上的位置，所述第二位置为所述机器人在第二时间点上的位置，所述第一时间点和所述第二时间点之间的时间差小于预定阈值；

优化模块34，用于利用所述机器人在所述第一时间点上所获取的周围环境的第一点云数据对所述第一位置进行优化，得到第一姿态，以及，利用所述机器人在所述第二时间点上所获取的周围环境的第二点云数据对所述第二位置进行优化，得到第二姿态；

第一确定模块36，用于基于所述第一姿态和所述第二姿态确定所述机器人的姿态的第一短时变化量；

第二确定模块38，用于基于所述第一点云数据和所述第二点云数据确定所述机器人的姿态的第二短时变化量；

第三确定模块310，用于通过比对所述第一短时变化量和所述第二短时变化量，确定所述机器人的状态是否异常。

在一个示例性实施例中，所述优化模块34包括：确定单元，用于基于所述第一点云数据确定出以所述第一位置为中心的预定区域的目标点云数据；匹配单元，用于对所述目标点云数据与所述机器人预先生成的区域地图进行匹配，以得到所述第一姿态。

在一个示例性实施例中，所述确定单元用于通过如下方式实现基于所述第一点云数据确定出以所述第一位置为中心的预定区域的目标点云数据：从所述第一点云数据中提取出所述预定区域的点云数据；按照预定旋转方式对所述预定区域的点云数据进行多次旋转，以得到每次旋转后的所述预定区域的点云数据；将每次旋转后的所述预定区域的点云数据确定为所述目标点云数据。

在一个示例性实施例中，所述确定单元用于通过如下方式实现按照预定旋转方式对所述预定区域的点云数据进行多次旋转：按照一度每次的旋转方式对所述预定区域的点云数据进行多次旋转。

在一个示例性实施例中，所述第二确定模块38用于通过如下方式实现基于所述第一点云数据和所述第二点云数据确定所述机器人的姿态的第二短时变化量：对所述第一点云数据和所述第二点云数据进行匹配，以得到匹配结果；基于所述匹配结果确定出所述第二点云数据相对于所述第一点云数据的旋转信息；基于所述旋转信息确定所述第二短时变化量。

在一个示例性实施例中，所述第三确定模块310用于通过如下方式实现通过比对所述第一短时变化量和所述第二短时变化量，确定所述机器人的状态是否异常：通过比对所述第一短时变化量和所述第二短时变化量，确定所述第一短时变化量和所述第二短时变化量的位姿增量差异；在确定所述位姿增量差异超过预定阈值的情况下，确定所述机器人的状态为异常状态；在确定所述位姿增量差异不超过所述预定阈值的情况下，确定所述机器人的状态为正常状态。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

在本实施例中，上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，获取机器人在行走时通过里程计所确定出的第一位置和第二位置，其中，所述第一位置为所述机器人在第一时间点上的位置，所述第二位置为所述机器人在第二时间点上的位置，所述第一时间点和所述第二时间点之间的时间差小于预定阈值；

S2，利用所述机器人在所述第一时间点上所获取的周围环境的第一点云数据对所述第一位置进行优化，得到第一姿态，以及，利用所述机器人在所述第二时间点上所获取的周围环境的第二点云数据对所述第二位置进行优化，得到第二姿态；

S3，基于所述第一姿态和所述第二姿态确定所述机器人的姿态的第一短时变化量；

S4，基于所述第一点云数据和所述第二点云数据确定所述机器人的姿态的第二短时变化量；

S5，通过比对所述第一短时变化量和所述第二短时变化量，确定所述机器人的状态是否异常。

在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

在一个示例性实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获取机器人在行走时通过里程计所确定出的第一位置和第二位置，其中，所述第一位置为所述机器人在第一时间点上的位置，所述第二位置为所述机器人在第二时间点上的位置，所述第一时间点和所述第二时间点之间的时间差小于预定阈值；

S2，利用所述机器人在所述第一时间点上所获取的周围环境的第一点云数据对所述第一位置进行优化，得到第一姿态，以及，利用所述机器人在所述第二时间点上所获取的周围环境的第二点云数据对所述第二位置进行优化，得到第二姿态；

S3，基于所述第一姿态和所述第二姿态确定所述机器人的姿态的第一短时变化量；

S4，基于所述第一点云数据和所述第二点云数据确定所述机器人的姿态的第二短时变化量；

S5，通过比对所述第一短时变化量和所述第二短时变化量，确定所述机器人的状态是否异常。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种机器人状态的确定方法，其特征在于，包括：

获取机器人在行走时通过里程计所确定出的第一位置和第二位置，其中，所述第一位置为所述机器人在第一时间点上的位置，所述第二位置为所述机器人在第二时间点上的位置，所述第一时间点和所述第二时间点之间的时间差小于预定阈值；

利用所述机器人在所述第一时间点上所获取的周围环境的第一点云数据对所述第一位置进行优化，得到第一姿态，以及，利用所述机器人在所述第二时间点上所获取的周围环境的第二点云数据对所述第二位置进行优化，得到第二姿态；

基于所述第一姿态和所述第二姿态确定所述机器人的姿态的第一短时变化量；

基于所述第一点云数据和所述第二点云数据确定所述机器人的姿态的第二短时变化量；

通过比对所述第一短时变化量和所述第二短时变化量，确定所述机器人的状态是否异常。

2.根据权利要求1所述的方法，其特征在于，利用所述机器人在所述第一时间点上所获取的周围环境的第一点云数据对所述第一位置进行优化，得到第一姿态，包括：

基于所述第一点云数据确定出以所述第一位置为中心的预定区域的目标点云数据；

对所述目标点云数据与所述机器人预先生成的区域地图进行匹配，以得到所述第一姿态。

3.根据权利要求2所述的方法，其特征在于，基于所述第一点云数据确定出以所述第一位置为中心的预定区域的目标点云数据包括：

从所述第一点云数据中提取出所述预定区域的点云数据；

按照预定旋转方式对所述预定区域的点云数据进行多次旋转，以得到每次旋转后的所述预定区域的点云数据；

将每次旋转后的所述预定区域的点云数据确定为所述目标点云数据。

4.根据权利要求3所述的方法，其特征在于，按照预定旋转方式对所述预定区域的点云数据进行多次旋转包括：

按照一度每次的旋转方式对所述预定区域的点云数据进行多次旋转。

5.根据权利要求1所述的方法，其特征在于，基于所述第一点云数据和所述第二点云数据确定所述机器人的姿态的第二短时变化量包括：

对所述第一点云数据和所述第二点云数据进行匹配，以得到匹配结果；

基于所述匹配结果确定出所述第二点云数据相对于所述第一点云数据的旋转信息；

基于所述旋转信息确定所述第二短时变化量。

6.根据权利要求1所述的方法，其特征在于，通过比对所述第一短时变化量和所述第二短时变化量，确定所述机器人的状态是否异常包括：

通过比对所述第一短时变化量和所述第二短时变化量，确定所述第一短时变化量和所述第二短时变化量的位姿增量差异；

在确定所述位姿增量差异超过预定阈值的情况下，确定所述机器人的状态为异常状态；

在确定所述位姿增量差异不超过所述预定阈值的情况下，确定所述机器人的状态为正常状态。

7.一种机器人状态的确定装置，其特征在于，包括：

获取模块，用于获取机器人在行走时通过里程计所确定出的第一位置和第二位置，其中，所述第一位置为所述机器人在第一时间点上的位置，所述第二位置为所述机器人在第二时间点上的位置，所述第一时间点和所述第二时间点之间的时间差小于预定阈值；

优化模块，用于利用所述机器人在所述第一时间点上所获取的周围环境的第一点云数据对所述第一位置进行优化，得到第一姿态，以及，利用所述机器人在所述第二时间点上所获取的周围环境的第二点云数据对所述第二位置进行优化，得到第二姿态；

第一确定模块，用于基于所述第一姿态和所述第二姿态确定所述机器人的姿态的第一短时变化量；

第二确定模块，用于基于所述第一点云数据和所述第二点云数据确定所述机器人的姿态的第二短时变化量；

第三确定模块，用于通过比对所述第一短时变化量和所述第二短时变化量，确定所述机器人的状态是否异常。

8.根据权利要求7所述的装置，其特征在于，所述优化模块包括：

确定单元，用于基于所述第一点云数据确定出以所述第一位置为中心的预定区域的目标点云数据；

匹配单元，用于对所述目标点云数据与所述机器人预先生成的区域地图进行匹配，以得到所述第一姿态。

9.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至6任一项中所述的方法。

10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述的方法。

Images