障碍物匹配判断方法、清洁设备、存储介质及程序产品与流程

本发明涉及清洁设备，具体地涉及一种障碍物匹配判断方法、清洁设备、存储介质及程序产品。

背景技术：

1、家用扫地机器人通常搭载多种传感器以感知周围环境中的障碍物，在机器人持续运动过程中，需要判断当前传感器获取的图像中的某个点云簇是否属于已经记录的一种障碍物，该判断结果直接影响机器人对障碍物的识别准确性和持续跟踪能力。

2、点云簇中含有丰富的信息，然而现有的扫地机器人障碍物判断方法中，只使用了其中的部分数据，例如在识别障碍物时只用到了点云簇与已有障碍物之间的位置、距离和类别关系这三种特征，特征利用率低。并且，现有方法将点云簇与已有障碍物进行对比匹配时，设置的两者距离的阈值是固定的，例如统一的距离阈值，从而导致对大型障碍物来说距离偏小，对小型障碍物来说距离偏大的情况，容易导致误识别。

3、因此，现有的方法至少存在特征利用率低和固定阈值难以泛化的缺陷，导致机器人对障碍物的识别准确度较低。

技术实现思路

1、本发明实施例的目的是提供一种障碍物匹配判断方法、清洁设备、存储介质及程序产品，用于提高机器人对障碍物的识别准确度。

2、为了实现上述目的，第一方面，本发明实施例提供一种障碍物匹配判断方法，所述方法包括：获取与障碍物相关的点云簇数据和预先建立的障碍物列表，所述点云簇数据包括分割后的点云簇；基于所述点云簇数据和所述障碍物列表，得到各个所述点云簇与所述障碍物列表中的障碍物的至少一个候选对；提取每一所述候选对的多维特征向量，其中，所述多维特征向量包括所述候选对的语义类别特征、空间位置关系特征、颜色特征以及点云结构差异特征；基于预训练的机器学习模型和所述每一所述候选对的多维特征向量，对所述候选对进行匹配，得到每一所述候选对的匹配概率；以及基于所述匹配概率，判断是否存在匹配成功的候选对。

3、可选的，所述机器学习模型为梯度提升决策树模型，所述梯度提升决策树模型的训练方法包括：获取用于训练模型的样本候选对，并为每一样本候选对标注二分类标签，所述二分类标签包括正样本和负样本；提取所述样本候选对的多维特征向量；设置累计预测值的初始值，所述初始值为所述样本候选对中正样本比例的对数几率值；以及基于所述样本候选对的多维特征向量和所述累计预测值，采用梯度提升方法对所述梯度提升决策树模型进行迭代训练，得到训练后的梯度提升决策树模型。

4、可选的，采用梯度提升方法对所述梯度提升决策树模型进行迭代训练时，对于每一轮训练，执行以下处理：以二分类交叉熵作为损失函数，计算当前模型预测值与所述二分类标签之间的负梯度，将该负梯度作为残差；以所述残差为拟合目标，训练一棵新的决策树，在该新的决策树的每一节点处，遍历候选特征及其对应的候选分裂点，基于使损失函数下降最大的分裂方式进行分裂，直至满足预设停止条件；以及将新训练的决策树乘以学习率后加入上一轮训练得到的梯度提升决策树模型，并更新所述累计预测值，得到该轮训练后的梯度提升决策树模型，其中，所述候选特征包括所述多维特征向量的所有特征，所述预设停止条件包括最大树深度或最小叶节点样本数。

5、可选的，所述梯度提升决策树模型的训练方法还包括在启动迭代训练之前，执行以下处理：获取所述多维特征向量的特征向量数量；将所述特征向量数量与预设数量阈值进行对比，选取其中的较小值；以及将所述梯度提升决策树模型中决策树的数量设置为所述较小值。

6、可选的，若所述机器学习模型为梯度提升决策树模型，则基于预训练的机器学习模型和所述每一所述候选对的多维特征向量，对所述候选对进行匹配，得到每一所述候选对的匹配概率包括对每一所述候选对执行以下处理：将所述候选对的多维特征向量输入预训练的梯度提升决策树模型，所述梯度提升决策树模型包括多个决策树；针对每一决策树：从根节点开始，基于所述决策树的每一节点对应的特征向量的分裂条件进行判断，并基于判断结果进入下一节点进行判断，直至到达所述决策树的叶节点，得到所述决策树输出的得分值；以及将每一所述决策树的得分值进行加和，得到每一所述候选对的匹配概率。

7、可选的，基于所述匹配概率，判断是否存在匹配成功的候选对包括：对每一所述候选对的匹配概率进行转换处理得到融合概率值，使所述融合概率值位于（0,1）区间内；基于所述融合概率值，对全部所述候选对进行排序，将最大融合概率值对应的所述候选对作为匹配候选对；以及将所述匹配候选对的融合概率值与预设概率阈值进行对比，若所述匹配候选对的融合概率值大于所述预设概率阈值，则判断为存在匹配成功的候选对，并以所述匹配候选对作为所述匹配成功的候选对。

8、可选的，所述方法还包括：若所述匹配候选对的融合概率值小于等于所述预设概率阈值，则判断为不存在匹配成功的候选对，并在所述障碍物列表中新建所述点云簇对应的障碍物。

9、可选的，所述空间位置关系特征包括以下特征中的至少一者：所述候选对中所述点云簇与所述障碍物之间的三维质心距离、水平面投影中心距离、高度差、尺寸比值、二维包围盒交并比以及所述点云簇的中心点是否位于所述障碍物所占据的区域内。

10、可选的，所述颜色特征包括所述候选对中所述点云簇与所述障碍物的统计距离度量，所述统计距离度量包括以下特征中的至少一者：所述点云簇与所述障碍物的颜色直方图之间的直方图相关性、卡方距离、直方图交集和巴氏距离。

11、可选的，所述点云结构差异特征包括所述候选对中所述点云簇与所述障碍物的点云结构特征的差值，所述点云结构特征包括以下特征中的至少一者：点云空间分散度、点云密度、平均高度、曲率以及平面粗糙度。

12、可选的，所述语义类别特征包括所述候选对中所述点云簇与所述障碍物的语义类别，其中，所述点云簇的语义类别的获取方式包括：将所述点云簇中的三维点进行坐标变换；将坐标变换后的三维点投影至rgb图像的像素平面，得到所述三维点对应的二维像素坐标；以及基于预训练的视觉模型对所述点云簇对应的rgb图像进行目标检测，并将所述目标检测结果与所述二维像素坐标关联，得到所述点云簇的语义类别。

13、第二方面，本发明实施例提供一种清洁设备，所述清洁设备包括：清洁设备本体；控制模块，所述控制模块用于执行所述的方法，使得所述清洁设备本体能够进行障碍物匹配判断。

14、第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现所述的方法。

15、第四方面，本发明实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述的方法。

16、通过上述技术方案，在进行障碍物匹配判断时，充分利用了点云簇和已有障碍物的丰富信息，提高了特征利用率，有效提升了障碍物匹配判断的准确性。得到多维特征向量后，通过预训练的机器学习模型对候选对进行匹配并输出匹配概率，能够自适应不同尺寸、不同类别的障碍物，增强了匹配判断的泛化能力。本发明提供的方法克服了现有技术中特征利用率低和固定阈值难以泛化的缺陷，充分利用点云簇与已有障碍物之间的多维特征，实现了更准确、更鲁棒、可持续改进的匹配判断，显著提高了扫地机器人的障碍物识别准确度。

17、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。