CN116263602A - 自主移动设备及其控制方法和装置以及存储介质 - Google Patents

Abstract

本公开涉及自主移动设备及其控制方法和装置以及存储介质，该控制方法包括：获取步骤，用于获取所述自主移动设备在当前工作环境下的点云数据；判断步骤，用于根据所述点云数据来判断所述工作环境下是否存在障碍物；处理步骤，用于如果判断为存在障碍物，则根据所述点云数据识别障碍物的类型，并执行与所述障碍物的类型相对应的避障动作。由此，能够提高避障动作的鲁棒性。

Description

自主移动设备及其控制方法和装置以及存储介质

技术领域

本公开涉及智能家居技术领域，尤其涉及一种自主移动设备及其控制方法和装置以及存储介质。

背景技术

随着科技进步和生活水平的提高，具有不同功能的自主移动设备越来越多地进入了人们的家庭，例如自主移动设备、陪伴型移动机器人等，让人们的生活更加舒适和方便。

自主移动设备是指在设定工作区域内自主执行预设任务的智能设备，目前自主移动设备通常包括但不限于自主移动设备(例如智能扫地机、智能擦地机、擦窗机器人)、陪伴型移动机器人(例如智能电子宠物、保姆机器人)、服务型移动机器人(例如酒店、旅馆、会晤场所的接待机器人)、工业巡检智能设备(例如电力巡检机器人、智能叉车等)、安防机器人(例如家用或商用智能警卫机器人)等。

激光雷达作为目前的主流传感器之一，已经被广泛用于各种场合。对于一些现有技术披露的自主移动设备，自主移动设备可以设置激光雷达。通过激光雷达可以得到自主移动设备周围(附近)可靠的障碍物信息，再通过分析障碍物的形状，自主移动设备可以执行相应的动作以回避障碍物(该动作可称为避障动作)。

虽然通过激光雷达可以得到自主移动设备附近的障碍物信息，但是由于雷达误差以及障碍物特性的原因，所得到的障碍物信息不一定准确(例如，可能未检测到实际中的障碍物，比如玻璃门；或者记录的障碍物的位置信息不准确等)，因此基于该障碍物信息所做出的避障动作的鲁棒性不够强。

发明内容

有鉴于此，本公开提出了一种自主移动设备及其控制方法和装置以及存储介质。

根据本公开的一方面，提供了一种自主移动设备的控制方法，所述控制方法包括：获取步骤，用于获取所述自主移动设备在当前工作环境下的点云数据；判断步骤，用于根据所述点云数据来判断所述工作环境下是否存在障碍物；处理步骤，用于如果判断为存在障碍物，则根据所述点云数据识别障碍物的类型，并执行与所述障碍物的类型相对应的避障动作。

根据本公开的第二方面，提供了一种自主移动设备的控制装置，所述控制装置包括：获取单元，用于获取所述自主移动设备在当前工作环境下的点云数据；判断单元，用于根据所述点云数据来判断所述工作环境下是否存在障碍物；处理单元，用于如果判断为存在障碍物，则根据所述点云数据识别障碍物的类型，并执行与所述障碍物的类型相对应的避障动作。

根据本公开的第三方面，提供了一种自主移动设备的控制装置，所述控制装置包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述控制方法。

根据本公开的第四方面，提供了一种自主移动设备，其包括：上述控制装置；以及移动机构，用于使所述自主移动设备在当前工作环境下运动；当所述当前工作环境下存在障碍物时，所述移动机构以所述避障动作运行从而避开所述障碍物。

根据本公开的第五方面，提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由自主移动设备的控制装置的处理器执行时，使得所述处理器能够执行上述控制方法。

由此，相比于现有技术中根据经由激光雷达所获得的障碍物信息来确定障碍物的形状并执行相应的避障动作，根据本公开，基于所获取到的自主移动设备在当前工作环境下的点云数据(例如，一组障碍物相对位置)来判断该工作环境下是否存在障碍物，在判断为存在障碍物的情况下，根据该点云数据来识别障碍物的类型并执行与所识别出的类型相对应的避障动作，由此，可以针对不同类型的障碍物实现更为精准的避障动作，从而能够提高避障动作的鲁棒性。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据示例性实施例的自主移动设备的控制方法的流程图。

图2示出根据示例性实施例的第一避障动作的示意图。

图3示出根据示例性实施例的第二避障动作的示意图。

图4示出根据示例性实施例的自主移动设备的控制方法的流程图。

图5示出根据示例性实施例的自主移动设备的控制方法的流程图。

图6示出根据示例性实施例的自主移动设备的控制装置的框图。

图7示出根据示例性实施例的自主移动设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

如前文所描述的，现有技术中，直接使用激光雷达来获得工作环境下的障碍物信息，根据该障碍物信息来确定障碍物的形状，并执行相应的避障动作。由于诸如雷达误差以及障碍物特性等原因可能导致使用激光雷达所获得的障碍物信息不准确，这样，基于不准确的障碍物信息所确定出的障碍物的形状可能也不准确，进而所执行的相应的避障动作可能也无法适用于工作环境下的障碍物，因此，前述现有技术的避障动作的鲁棒性不够强。

为解决上述技术问题，提出图1所示的本示例性实施例的自主移动设备的控制方法。该自主移动设备例如可包括但不限于诸如智能扫地机、智能擦地机、扫拖一体机、陪伴型机器人、服务型移动机器人、安防机器人等。本实施例的控制方法的执行主体例如可以包括但不限于自主移动设备的控制单元、自主移动设备的外置设备等。

请参阅图1，本示例性实施例的控制方法可以包括如下步骤：

在步骤S110中，获取所述自主移动设备在当前工作环境下的点云数据。步骤S110可称为获取步骤。

本实施例中，可以使用诸如多线的激光雷达来采集该自主移动设备所处的工作环境下的点云数据，当然，应还可以采用其它部件，只要该部件能够获取自主移动设备所处的工作环境下的点云数据即可。

以激光雷达为例。激光雷达可以发射探测信号(激光波束)，该探测信号遇到障碍物后会从该障碍物反射回与该探测信号相对应的反射信号，基于该探测信号和该反射信号可以获得自主移动设备距离该障碍物的距离(该距离可称为障碍物相对位置)，据此可获得一组数据，该一组数据可称为点云数据。

在获取到点云数据之后，执行下述步骤S120。

在步骤S120中，根据所述点云数据来判断所述工作环境下是否存在障碍物。步骤S120可称为判断步骤。

本实施例中，在获取自主移动设备在当前工作环境下的点云数据之后，可以基于所获取到的点云数据来判断该工作环境下是否存在障碍物。

继续以激光雷达为例。如果激光雷达所发射的激光波束被反射回来，则表示前方存在障碍物。因此，在采用激光雷达采集到点云数据之后，可以根据激光雷达所采集到的点云数据中是否存在与探测信号相对应的反射信号来判断该工作环境下是否存在障碍物。

如果激光雷达所采集到的点云数据中存在与探测信号相对应的反射信号，则表示在该工作环境下存在障碍物，在步骤S120中判断为“是”，执行下述步骤S130；反之，如果激光雷达所采集到的点云数据中不存在与探测信号相对应的反射信号，则表示在该工作环境下不存在障碍物，在步骤S120中判断为“否”，可以返回继续执行上述步骤S110。应能够理解，如果判断为不存在障碍物，则应无需执行避障动作，因此自主移动设备可按照预设的运行路径继续运行。

在一种可能的实现方式中，步骤S120可以包括：根据所获取到的预定时刻的第一点云数据(其为高速点云数据)来判断所述工作环境下是否存在障碍物(简称快循环判断)；根据所获取到的预定时间段内的第二点云数据(其为低速点云数据)来判断所述工作环境下是否存在障碍物(简称慢循环判断)，其中，如果根据所述第一点云数据判断为所述工作环境下存在障碍物和/或根据所述第二点云数据判断为所述工作环境下存在障碍物，则在所述判断步骤中判断为所述工作环境下存在障碍物。

其中，快循环判断可包括：一旦获取到点云数据之后，直接使用当前时刻所获取到的点云数据来判断是否存在障碍物。慢循环判断可包括：一旦获取到点云数据之后，代替直接使用当前时刻所获取到的点云数据来判断是否存在障碍物，而是进行如下处理：对当前时刻所获取到的点云数据进行缓存；对缓存的预定时间段内的点云数据(其包括历史时刻所获取到的点云数据)依次进行坐标系变换、滤波、配准处理；对配准处理后的点云数据进行筛选，并使用筛选出的数据来判断工作环境下是否存在障碍物。

本实施例中，在获取到点云数据之后，可以每间隔单位时间例如20ms并行执行上述快循环判断和慢循环判断这两个循环判断，即，每间隔单位时间检查预定时刻的点云数据和预定时间段内的点云数据，只要有一个循环判断判断为存在障碍物，则在步骤S120中判断为工作环境下存在障碍物。

应能够理解，快循环判断是基于预定时刻的点云数据来进行的，换言之，快循环判断是基于当前时刻获取到的点云数据进行的判断，快循环判断为即时判断，相对地，慢循环判断是基于预定时间段内的点云数据来进行的，换言之，慢循环判断是基于当前时刻获取到的点云数据和历史时刻获取到的点云数据进行的判断。因此，就时序而言，快循环判断比慢循环判断快得多；就能够检测到的障碍物的信息而言，快循环判断能够检测到的障碍物的信息少于慢循环判断能够检测到的障碍物的信息，比如，慢循环判断中可以根据历史的点云数据拟合出障碍物的大致轮廓，而快循环判断可能只能判断是否存在障碍物。

如果自主移动设备的前方突然出现障碍物，则快循环判断和慢循环判断这两者均会有与该障碍物相对应的点云数据，区别在于，快循环判断中的点云数据为最新的但是其不会存储旧的点云数据，因此快循环判断更易于检测到突然出现的障碍物，而慢循环判断中的点云数据为旧的点云数据加上最新的点云数据，因此与快循环判断相比，慢循环判断的处理速度较慢。

在判断为当前工作环境下存在障碍物之后，执行下述步骤S130。

在步骤S130中，根据所述点云数据识别障碍物的类型。

本实施例中，在步骤S120中判断为当前工作环境下存在障碍物的情况下，可以采用任意合适的聚类算法，例如划分式聚类方法(Partition-based Methods)、基于密度的聚类方法(Density-based methods)、层次化聚类方法(Hierarchical Methods)等，来对所获取到的点云数据进行聚类处理，以提取诸如表示障碍物的形状、尺寸等的障碍物信息。其中，划分式聚类方法例如包括k-means算法、k-means++算法、bi-kmeans算法等；基于密度的聚类方法例如包括DBSCAN算法、OPTICS算法等；层次化聚类方法例如包括Agglomerative算法等。然后，可以按照预设规则对所提取出的障碍物信息进行分类处理，以将所存在的障碍物归类至相应的障碍物类型。本申请中可以采用欧式聚类这一聚类方式。

在一种可能的实现方式中，确定障碍物的类型所用的点云数据可以为前文所述的第二点云数据，针对该实现方式，具体可以参见下文将要描述的图4所示的控制方法。应能够理解，在第二点云数据的数据量不大时，可以采用该实现方式。

在一种可能的实现方式中，确定障碍物的类型所用的点云数据也可以为设定点云数据，该设定点云数据可以是从该第二点云数据中筛选出的任意合适的点云数据，例如该设定点云数据可以是从该第二点云数据中筛选出的与预定时刻间隔预定时间范围的时间段内的点云数据。针对该实现方式，具体可以参见下文将要描述的图5所示的控制方法。应能够理解，在第二点数据的数据量较大时，可以采用该实现方式，以减少需要处理的数据量，从而提高处理效率。

在一种可能的实现方式中，障碍物的类型可包括直线和曲线，其中该曲线可包括但不限于圆形和圆弧。

以按照预设规则将障碍物分类为包括表示形状为直线的第一类型障碍物和表示形状为曲线的第二类型障碍物为例。若所提取出的障碍物信息表示该障碍物的形状为直线，则按照该预设规则可将该障碍物归类为第一类型障碍物；相应地，若所提取出的障碍物信息表示该障碍物的形状为曲线，则按照该预设规则可将该障碍物归类为第二类型障碍物。

需要说明的是，本实施例对聚类算法和对障碍物进行分类所采用的预设规则不作具体限制，本领域技术人员完全可以根据实际应用需求并结合现有技术来采用任意合适的聚类算法和预设规则分别进行聚类和分类，本实施例对此不再具体展开。

在识别出障碍物的类型之后，执行下述步骤S140。

在步骤S140中，执行与所述障碍物的类型相对应的避障动作。其中，步骤S130和步骤S140可统称为处理步骤。

本实施例中，各种类型的障碍物可具有与该类型的障碍物相对应的避障动作，因此，在识别出障碍物的类型之后，可根据所识别出的障碍物的类型来执行与该类型相对应的避障动作，由此，能够针对不同类型的障碍物执行更为精准的避障动作。

继续上述示例，若将障碍物归类为第一类型障碍物，则执行与该第一类型障碍物相对应的避障动作(简称第一避障动作)；若将障碍物归类为第二类型障碍物，则执行与该第二类型障碍物相对应的避障动作(简称第二避障动作)。应能够理解，第一避障动作不同于第二避障动作，比如第一避障动作是沿着第一基准线转动的动作，而第二避障动作是沿着与第一基准线不同的第二基准线转动的动作。换言之，针对不同类型的障碍物，执行不同的避障动作。

在一种可能的实现方式中，第一避障动作可包括：使所述自主移动设备移动至与第一连线垂直，其中所述第一连线是所述自主移动设备的中心和直线型障碍物的中心之间的连线。

示例性的，若将当前时刻的点云数据以及历史时刻a至历史时刻f的点云数据拟合后得到一个直线型的障碍物，则基于当前时刻的点云数据以及历史时刻a至历史时刻f的点云数据识别出障碍物的类型为直线型，请参阅图2，以该直线型的障碍物的法向量作为参照，将自主移动设备移动至与该法向量垂直，即，自主移动设备移动后的方向(图2中的箭头方向)与该法向量垂直。

在一种可能的实现方式中，第二避障动作可包括：使所述自主移动设备移动至与第二连线垂直，其中所述第二连线是所述自主移动设备的中心和曲线障碍物的几何中心之间的连线。

本实施例中，若将当前时刻的点云数据以及历史时刻a至历史时刻i的点云数据拟合后得到一个曲线型的障碍物，则基于当前时刻的点云数据以及历史时刻a至历史时刻i的点云数据识别出障碍物的类型为曲线型，请参阅图3，以该自主移动设备的中心和该曲线型的障碍物的几何中心之间的连线作为法向量，将自主移动设备移动至与该法向量垂直，即，自主移动设备移动后的方向(图3中的箭头方向)与该法向量垂直。

自主移动设备尝试其它路径，比如执行脱困模式(比如先后退然后旋转，或重复多次地旋转并后退)从而远离该障碍物，或执行边缘跟随模式(比如先旋转使其一侧朝向该障碍物并继续运行，同时以其该侧的接近传感器非接触地检测该侧与障碍物的距离并使该距离持续保持在设定的距离范围内)从而使自主移动设备能够沿着障碍物的边缘运行。

根据本示例性实施例的控制方法，基于所获取到的自主移动设备在当前工作环境下的点云数据(例如，一组障碍物相对位置)来判断该工作环境下是否存在障碍物，在判断为存在障碍物的情况下，根据该点云数据来识别障碍物的类型并执行与所识别出的类型相对应的避障动作，由此，相比于现有技术中根据经由激光雷达所获得的障碍物信息来确定障碍物的形状并执行相应的避障动作，本实施例可以针对不同类型的障碍物实现更为精准的避障动作，从而能够提高避障动作的鲁棒性。

在一种可能的实现方式中，在步骤S120中判断为存在障碍物的情况下，可以进一步判断自主移动设备与该障碍物之间的距离(可称为相对距离)是否等于或小于最小阈值(即，判断该相对距离是否进入警戒范围)；若判断为该相对距离进入警戒范围，则开始执行步骤S130和步骤S140。

本实施例中，在存在障碍物并且自主移动设备临近障碍物(即，自主移动设备将要碰撞上障碍物)的情况下，执行上述步骤S130和S140。

其中，该警戒范围是自主移动设备距离该障碍物的最小距离，即该相对距离的最小阈值。在自主移动设备行进时，正向的运动速度较快，为了防止自主移动设备意外碰撞上障碍物，可将自主移动设备正向的最小阈值设置得相对较大，而为了保证自主移动设备沿边清扫的清洁效果，可将自主移动设备侧向的最小阈值设置得相对较小。换言之，自主移动设备正向的最小阈值一般大于自主移动设备侧向的最小阈值。示例性的，正向的最小阈值例如为5cm，侧向的最小阈值例如为3cm。

请参阅图4，本示例性实施例的控制方法可以包括如下步骤：

在步骤S401中，获取点云数据。针对步骤S401，可以参阅前文关于步骤S110的描述。

示例性的，可经由激光雷达来获取点云数据，经由激光雷达获取到的点云数据为激光雷达点云数据，应能够理解，所获取到的点云数据是机器人坐标系下的数据，其为当前时刻获取到的点云数据，因此为高速点云数据。

应能够理解，在获取到点云数据之后，执行步骤S120以判断是否存在障碍物；若判断为存在障碍物，则并行执行下述的快循环判断和慢循环判断，其中，快循环判断包括下述步骤S402和S403；慢循环判断包括下述步骤S404、S405、S406、S407和S403。

在步骤S402中，基于所获取到的高速点云数据来判断是否进入警戒范围。针对步骤S402的描述可以参阅前文关于警戒范围的描述。

如果在步骤S402中判断为“是”(即，进入警戒范围)，则执行下述步骤S403。

在步骤S403中，对点云数据进行聚类处理以提取障碍物信息。针对步骤S403，可以参阅前文关于步骤S130的描述。

在步骤S404中，对所获取到的点云数据进行缓存。

在步骤S405中，对所缓存的点云数据依次进行坐标系变换、滤波和配准。

在步骤S406中，对配准后的点云数据进行筛选，以获取局部点云数据。该局部点云数据是世界坐标系下的数据。

针对上述步骤S404、S405和S406，可以参阅前文关于慢循环判断的描述。

在步骤S407中，基于所获取到的低速点云数据来判断是否进入警戒范围。针对步骤S407，可以参阅前文关于警戒范围的描述。

如果在步骤S407中判断为“是”(即，进入警戒范围)，则执行上述步骤S403。

在执行上述步骤S403以提取障碍物信息之后，继续执行下述步骤S408。示例性的，假设自主移动设备在直行中检测到其左前方30度的位置处存在一个障碍物，则该自主移动设备停止运动并执行下述步骤S408。

在步骤S408中，基于所提取的障碍物信息来对障碍物进行分类。针对步骤S408，可以参阅前文关于步骤S130的描述。

识别障碍物的类型所用的点云数据为历史点云数据。例如，假设历史点云数据包括20个不断缓存更新的点云数据，当快循环判断和慢循环判断至少有一个判断为存在障碍物时，对该20个点云数据进行聚类以识别障碍物的类型。

如果在步骤S408中将障碍物分类为圆型障碍物(结合前文描述可知，圆型障碍物为曲线型障碍物的一种)，则执行下述步骤S409。如果在步骤S408中将障碍物分类为直线型障碍物，则执行下述步骤S410。

在步骤S409中，以自主移动设备(结合前文描述可知，机器人为自主移动设备的一种)的中心和曲线障碍物(比如圆型障碍物)的几何中心之间的连线作为法向量。

在步骤S410中，以自主移动设备的中心和直线型障碍物的中心之间的连线作为法向量。

在步骤S411中，使自主移动设备移动至与前述法向量垂直。

针对步骤S409、S410和S411，可以参阅前文关于第一避障动作和第二避障动作的描述。

根据本示例性实施例的控制方法，可以分别针对圆型障碍物和直线型障碍物分别执行不同的避障动作，从而能够实现更为精准的避障动作，进而能够提高避障动作的鲁棒性。

在一种可能的实现方式中，如果障碍物距离自主移动设备的距离小于该自主移动设备的半径，则该自主移动设备停止直行。

在一种可能的实现方式中，在步骤S120中判断为存在障碍物的情况下，可以进一步判断障碍物的数量，如果判断出障碍物的数量为1，则开始执行上述步骤S130和步骤S140。

本实施例中，如果基于点云数据判断为自主移动设备周围仅存在一个障碍物，则直接根据该点云数据来识别这一个障碍物的类型，并执行与所识别出的类型相对应的避障动作。

在一种可能的实现方式中，在步骤S120中判断为存在障碍物的情况下，可以进一步判断障碍物的数量，如果判断出障碍物的数量为2以上，则根据所述点云数据识别距离所述自主移动设备最近的障碍物的类型，并执行与所述最近的障碍物的类型相对应的避障动作。

本实施例中，如果基于点云数据判断为自主移动设备周围存在多个障碍物，则可分别识别该多个障碍物的类型，并确定与各类型相对应的避障动作；从该多个障碍物中找出距离自主移动设备最近的障碍物，执行与所找到的障碍物的类型相对应的避障动作。

示例性的，假设自主移动设备周围有障碍物一、障碍物二和障碍物三共3个障碍物，该自主移动设备识别出障碍物一、障碍物二和障碍物三的类型分别为直线型、直线型和曲线型(比如圆型)，并确定出障碍物一、障碍物二和障碍物三所对应的避障动作分别为动作一、动作二和动作三；该自主移动设备计算自身与障碍物一之间的距离值一、自身与障碍物二之间的距离值二、以及自身与障碍物三之间的距离值三，比较距离值一、距离值二和距离值三，发现距离值一最小，则该自主移动设备找出距离自己最近的障碍物为障碍物一(障碍物一在自主移动设备左前方30度)；自主移动设备可执行动作一、例如先向右旋转30度或者向左旋转120然后继续直行的避障动作，由此，可成功避开障碍物。

或者，如果基于点云数据判断为自主移动设备周围存在多个障碍物，则可从该多个障碍物中找出距离自主移动设备最近的障碍物，识别所找出的障碍物的类型并确定与该类型相对应的避障动作，再执行该避障动作。

示例性的，假设自主移动设备周围有障碍物一、障碍物二和障碍物三共3个障碍物，该自主移动设备找出距离自主移动设备最近的障碍物为自主移动设备左前方30度的障碍物一；该自主移动设备识别障碍物一的类型为直线型障碍物；该自主移动设备确定出与该直线型障碍物相对应的避障动作包括向右旋转30度或者向左旋转120度、然后继续直行；该直线型障碍物的旋转角度为向右旋转30度或者向左旋转120度，因此，该自主移动设备执行先向右旋转30度或者向左旋转120、然后继续直行的避障动作。由此，可成功避开障碍物一。

在一种可能的实现方式中，步骤S130可以包括：从所述点云数据中筛选出符合条件的点云数据；根据筛选出的点云数据来识别障碍物的类型，其中，符合条件的点云数据包括距离所述自主移动设备最近的点云数据以及该点云数据附近的预定数量个点云数据。

本实施例中，识别障碍物的类型所用的点云数据为从历史点云数据中筛选出的相对于自主移动设备最近的一点处的一定范围内的数据，其中筛选出的点云数据实际为前文描述的设定点云数据。由此，可以减少需要处理的数据量，从而可以提高处理效率。

示例性的，假设历史点云数据包括20个不断缓存更新的点云数据，当快循环判断和慢循环判断至少有一个判断为存在障碍物时，选取离自主移动设备距离最近的点云数据以及在该点云数据的附近的例如3个点云数据，将所选取的这四个点云数据作为聚类处理的数据。

请参阅图5，本示例性实施例的控制方法可以包括如下步骤：

在步骤S501中，获取点云数据。

在步骤S502中，基于所获取到的高速点云数据来判断是否进入警戒范围。

在步骤S503中，对点云数据进行聚类处理以提取障碍物信息。

在步骤S504中，对所获取到的点云数据进行缓存。

在步骤S505中，对所缓存的点云数据依次进行坐标系变换、滤波和配准。

在步骤S506中，对配准后的点云数据进行筛选，以获取局部点云数据。该局部点云数据是世界坐标系下的数据。

在步骤S507中，基于所获取到的低速点云数据来判断是否进入警戒范围。

在步骤S508中，找到距离自主移动设备最近的点云数据，基于所找到的点云数据及其前后一定范围内的几个点云数据来对障碍物进行分类。

在步骤S509中，以自主移动设备的中心和曲线障碍物(比如圆型障碍物)的几何中心之间的连线作为法向量。

在步骤S510中，以自主移动设备的中心和直线型障碍物的中心之间的连线作为法向量。

在步骤S511中，使自主移动设备旋转至与前述法向量垂直。

图5中的步骤S501至S507和S509至S511分别与图4中的步骤S401至S407和S409至S411相同，因此，受篇幅所限，本实施例将仅描述图5与图4的不同之处。更具体地，图5相对于图4的区别主要在于对障碍物进行分类所用的点云数据不同，相较于图4中所使用的点云数据为所有的历史点云数据(第二点云数据)，图5中所使用的点云数据是从所有的历史点云数据中筛选出的相对于自主移动设备(例如机器人)最近的一点处的一定范围内的数据(设定点云数据)，具体示例可以参阅前文。

根据本示例性实施例的控制方法，对障碍物进行分类所用的点云数据是从所有的历史点云数据中筛选出的符合条件的点云数据，这样，可以减少需要处理的数据量，从而可以提高处理效率。

图6示出根据示例性实施例的自主移动设备的控制装置的框图。请参阅图6，该自主移动设备的控制装置700可以包括获取单元710、判断单元720和处理单元730。获取单元710用于获取所述自主移动设备在当前工作环境下的点云数据。判断单元720与获取单元710连接，用于根据所述点云数据来判断所述工作环境下是否存在障碍物。处理单元730与获取单元710和判断单元720连接，用于如果判断单元720判断为存在障碍物，则根据获取单元710所获取到的所述点云数据识别障碍物的类型，并执行与所述障碍物的类型相对应的避障动作。

在一种可能的实现方式中，所述判断单元720可被配置为：根据所获取到的预定时刻的第一点云数据来判断所述工作环境下是否存在障碍物；根据所获取到的预定时间段内的第二点云数据来判断所述工作环境下是否存在障碍物，其中，如果根据所述第一点云数据判断为所述工作环境下存在障碍物和/或根据所述第二点云数据判断为所述工作环境下存在障碍物，则所述判断单元720判断为所述工作环境下存在障碍物。

在一种可能的实现方式中，所述处理单元730可被配置为：根据所述第二点云数据对所述工作环境下存在的障碍物进行分类；针对第一类型的障碍物，执行第一避障动作；针对与所述第一类型不同的第二类型的障碍物，执行第二避障动作。

在一种可能的实现方式中，所述处理单元730可被配置为：根据设定点云数据对所述工作环境下存在的障碍物进行分类，其中所述设定点云数据是从所述第二点云数据中筛选出的与所述预定时刻间隔预定时间范围的时间段内的点云数据；针对第一类型的障碍物，执行第一避障动作；针对与所述第一类型不同的第二类型的障碍物，执行第二避障动作。

在一种可能的实现方式中，所述第一类型为直线，所述第一避障动作包括：使所述自主移动设备旋转至与第一连线垂直，其中所述第一连线是所述自主移动设备的中心和直线型障碍物的中心之间的连线；所述第二类型为曲线，所述第二避障动作包括：使所述自主移动设备旋转至与第二连线垂直，其中所述第二连线是所述自主移动设备的中心和曲线障碍物的几何中心之间的连线。

在一种可能的实现方式中，所述处理单元730可被配置为：如果判断单元720判断为存在障碍物，则进一步判断障碍物的数量；如果障碍物的数量为1，则根据所述点云数据识别所述障碍物的类型，并执行与所述障碍物的类型相对应的避障动作；如果障碍物的数量为2以上，则根据所述点云数据识别距离所述自主移动设备最近的障碍物的类型，并执行与所述最近的障碍物的类型相对应的避障动作。

在一种可能的实现方式中，所述自主移动设备的控制装置700还可包括：第一判断单元(未示出)，用于判断所述自主移动设备与所述障碍物之间的距离是否等于或小于最小阈值；如果判断为所述距离等于或小于所述最小阈值，则所述处理单元730根据所述点云数据识别障碍物的类型，并执行与所述障碍物的类型相对应的避障动作。

图7示出根据示例性实施例的自主移动设备的框图。请参阅图7，该自主移动设备800可以包括自主移动设备的控制装置700和移动机构810。移动机构810与控制装置700连接，用于使所述自主移动设备800在当前工作环境下运动；当所述当前工作环境下存在障碍物时，所述移动机构810以所述避障动作运行从而避开所述障碍物。移动机构810例如可以包括但不限于轮组。

关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种自主移动设备的控制方法，其特征在于，包括：

获取步骤，用于获取所述自主移动设备在当前工作环境下的点云数据；

判断步骤，用于根据所述点云数据来判断所述工作环境下是否存在障碍物；

处理步骤，用于如果判断为存在障碍物，则根据所述点云数据识别障碍物的类型，并执行与所述障碍物的类型相对应的避障动作。

2.根据权利要求1所述的控制方法，其特征在于，所述判断步骤包括：

根据所获取到的预定时刻的第一点云数据来判断所述工作环境下是否存在障碍物；

根据所获取到的预定时间段内的第二点云数据来判断所述工作环境下是否存在障碍物，

其中，如果根据所述第一点云数据判断为所述工作环境下存在障碍物和/或根据所述第二点云数据判断为所述工作环境下存在障碍物，则所述判断步骤判断为所述工作环境下存在障碍物。

3.根据权利要求2所述的控制方法，其特征在于，所述处理步骤包括：

根据所述第二点云数据对所述工作环境下存在的障碍物进行分类；

针对第一类型的障碍物，执行第一避障动作；

针对与所述第一类型不同的第二类型的障碍物，执行第二避障动作。

4.根据权利要求2所述的控制方法，其特征在于，所述处理步骤包括：

根据设定点云数据对所述工作环境下存在的障碍物进行分类，其中所述设定点云数据是从所述第二点云数据中筛选出的点云数据；

针对第一类型的障碍物，执行第一避障动作；

针对与所述第一类型不同的第二类型的障碍物，执行第二避障动作。

5.根据权利要求3或4所述的控制方法，其特征在于，

所述第一类型为直线，所述第一避障动作包括：使所述自主移动设备根据第一连线移动以进行避障，其中所述第一连线是所述自主移动设备的中心和直线型障碍物的中心之间的连线；

所述第二类型为曲线，所述第二避障动作包括：使所述自主移动设备根据第二连线移动以进行避障，其中所述第二连线是所述自主移动设备的中心和曲线型障碍物的中心之间的连线。

6.根据权利要求1至5中任一项所述的控制方法，其特征在于，所述处理步骤包括：

如果判断为存在障碍物，则进一步判断障碍物的数量；

如果障碍物的数量为1，则根据所述点云数据识别所述障碍物的类型，并执行与所述障碍物的类型相对应的避障动作；

如果障碍物的数量为2以上，则根据所述点云数据识别距离所述自主移动设备最近的障碍物的类型，并执行与所述最近的障碍物的类型相对应的避障动作。

7.根据权利要求1至6中任一项所述的控制方法，其特征在于，在所述处理步骤之前，还包括：

判断所述自主移动设备与所述障碍物之间的距离是否等于或小于最小阈值；

如果判断为所述距离等于或小于所述最小阈值，则执行所述处理步骤。

8.一种自主移动设备的控制装置，其特征在于，包括：

获取单元，用于获取所述自主移动设备在当前工作环境下的点云数据；

判断单元，用于根据所述点云数据来判断所述工作环境下是否存在障碍物；

处理单元，用于如果判断为存在障碍物，则根据所述点云数据识别障碍物的类型，并执行与所述障碍物的类型相对应的避障动作。

9.一种自主移动设备的控制装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行根据权利要求1至7中任一项所述的控制方法的步骤。

10.一种自主移动设备，其特征在于，包括：

根据权利要求8或9所述的控制装置；以及

移动机构，用于使所述自主移动设备在当前工作环境下运动；当所述当前工作环境下存在障碍物时，所述移动机构以所述避障动作运行从而避开所述障碍物。

11.一种非临时性计算机可读存储介质，当所述存储介质中的指令由自主移动设备的控制装置的处理器执行时，使得所述处理器能够执行根据权利要求1至7中任一项所述的自主移动设备的控制方法。

Images