建图方法、定位方法、装置、机器人和存储介质与流程

1.本技术涉及机器人技术领域，特别是涉及一种建图方法、定位方法、装置、机器人和存储介质。


背景技术：

2.随着科学技术的不断发展，机器人逐渐走入人们的生活。随着机器人应用场景的不断增加，对机器人建图和定位技术的要求也越来越高。其中，基于激光的slam技术是用于机器人建图和定位常用的技术。
3.目前，基于激光的slam技术包括2个步骤：建图和定位。在建图时，主要是基于前后帧获得的激光数据得到各帧对应的激光设备的位姿信息进而生成机器人所处环境的概率地图。在实现定位时，主要是通过将各帧的激光数据与概率地图进行匹配以确定机器人对应的位姿信息。
4.但是，在对于场景布置发生改变、有大量动态障碍物的情况下，上述方法得到的机器人的位姿信息可靠性较低，定位准确性较低。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高机器人定位准确性的建图方法、定位方法、装置、机器人和存储介质。
6.第一方面，本技术提供了一种建图方法，该方法包括：
7.获取激光传感器对机器人所处空间的局部环境区域拍摄得到的激光点云图像，并基于激光点云图像，确定局部环境区域中包括的障碍物的目标轮廓；
8.获取障碍物的障碍物类型，并基于障碍物的障碍物类型以及目标轮廓，确定目标轮廓包括的各个位置点的置信度信息，障碍物类型包括静态障碍物类型和动态障碍物类型；
9.基于各位置点的位置信息以及置信度信息，建立局部环境区域的置信度地图。
10.在其中一个实施例中，该基于障碍物的障碍物类型以及目标轮廓，确定目标轮廓包括的各个位置点的置信度信息，包括：
11.若障碍物类型为静态障碍物类型，则将目标轮廓中障碍物对应的位置点的置信度信息置为第一数值；
12.若障碍物类型为动态障碍物类型，则将目标轮廓中障碍物对应的位置点的置信度信息置为第二数值；
13.其中，第一数值大于第二数值。
14.在其中一个实施例中，该激光点云图像包括多帧时序上连续的图像；基于激光点云图像，确定局部环境区域中包括的障碍物的目标轮廓，包括：
15.根据多帧图像中首帧图像，确定每个障碍物的初始轮廓；
16.针对各障碍物，基于初始轮廓以及激光点云图像，对初始轮廓进行扩展，得到障碍
物的目标轮廓。
17.在其中一个实施例中，该基于初始轮廓以及激光点云图像，对初始轮廓进行扩展，得到障碍物的目标轮廓，包括：
18.针对初始轮廓中各轮廓像素点，判断轮廓像素点对应的邻域像素点在候选图像中是否存在连接像素点，候选图像为激光点云图像中除首帧图像之外的图像；
19.若轮廓像素点对应的邻域像素点在候选图像中存在连接像素点，则利用连接像素点对初始轮廓进行扩展，得到目标轮廓。
20.在其中一个实施例中，该基于初始轮廓以及激光点云图像，对初始轮廓进行扩展，得到障碍物的目标轮廓，包括：
21.获取参考图像对应的障碍物的第一轮廓，参考图像为激光点云图像中除首帧图像之外的某一帧图像；
22.获取第二轮廓对应的拟合曲线，第二轮廓为基于激光点云图像中时序上处于参考图像之前的图像得到的障碍物的轮廓；
23.判断第一轮廓中是否存在与拟合曲线相交的相交像素点，若第一轮廓中存在与拟合曲线相交的相交像素点，则利用相交像素点对初始轮廓进行扩展，得到目标轮廓。
24.在其中一个实施例中，该方法还包括：
25.基于激光点云图像，建立局部环境区域对应的概率栅格地图，概率栅格地图包括局部环境区域中各位置点的占用概率信息。
26.第二方面，本技术还提供了一种定位方法。该方法包括：
27.获取激光传感器对机器人所处空间的局部环境区域拍摄得到的当前激光点云图像，并基于当前激光点云图像，确定当前激光点云图像中包括的障碍物；
28.基于局部环境区域的置信度地图以及概率栅格地图，确定障碍物的目标轮廓中各位置点的置信度信息以及占用概率信息，置信度信息是基于障碍物的障碍物类型确定的，障碍物类型包括静态障碍物类型和动态障碍物类型；
29.根据置信度信息、占用概率信息以及当前激光点云图像，确定机器人的当前位姿信息。
30.在其中一个实施例中，静态障碍物类型对应的置信度信息大于动态障碍物类型的置信度信息，该根据置信度信息、占用概率信息以及当前激光点云图像，确定机器人的当前位姿信息，包括：
31.针对目标轮廓中各位置点，将位置点的占用概率信息以及位置点的置信度信息的乘积作为位置点的匹配分数；
32.基于匹配分数以及当前激光点云图像，确定机器人的当前位姿信息。
33.第三方面，本技术还提供了一种建图装置。该装置包括：
34.获取模块，用于获取激光传感器对机器人所处空间的局部环境区域拍摄得到的激光点云图像，并基于激光点云图像，确定局部环境区域中包括的障碍物的目标轮廓；
35.确定模块，用于获取障碍物的障碍物类型，并基于障碍物的障碍物类型以及目标轮廓，确定目标轮廓包括的各个位置点的置信度信息，障碍物类型包括静态障碍物类型和动态障碍物类型；
36.建图模块，用于基于各位置点的位置信息以及置信度信息，建立局部环境区域的
置信度地图。
37.第四方面，本技术还提供了一种定位装置。该装置包括：
38.获取模块，用于获取激光传感器对机器人所处空间的局部环境区域拍摄得到的当前激光点云图像，并基于当前激光点云图像，确定当前激光点云图像中包括的障碍物；
39.确定模块，用于基于局部环境区域的置信度地图以及概率栅格地图，确定障碍物的目标轮廓中各位置点的置信度信息以及占用概率信息，置信度信息是基于障碍物的障碍物类型确定的，障碍物类型包括静态障碍物类型和动态障碍物类型；
40.定位模块，用于根据置信度信息、占用概率信息以及当前激光点云图像，确定机器人的当前位姿信息。
41.第五方面，本技术还提供了一种机器人。该机器人包括激光传感器、存储器和处理器，激光传感器用于对机器人所处场所中的局部区域进行拍摄得到激光点云图像，存储器中存储有可在处理器上运行的计算机程序，该处理器用于执行所述计算机程序时实现如上述第一方面所述的建图方法的步骤，或如上述第二方面所述的定位方法的步骤。
42.第六方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的建图方法的步骤，或如上述第二方面所述的定位方法的步骤。上述建图方法、定位方法、装置、机器人和存储介质，基于获取得到的激光传感器对机器人所处空间的局部环境区域拍摄得到的激光点云图像，确定局部环境区域中包括的障碍物的目标轮廓以及障碍物类型，该障碍物类型包括静态障碍物类型和动态障碍物类型；基于障碍物的障碍物类型以及目标轮廓，确定目标轮廓包括的各个位置点的置信度信息以用于建立该局部环境区域的置信度地图。由于通过根据不同的障碍物类型，分别对不同的障碍物的轮廓设置不同的置信度信息，实现了局部环境区域中动态障碍物和静态障碍物的区分，能够使机器人在进行定位时基于建立得到的置信度地图了解到局部环境区域中障碍物的场景分布情况，提高了定位结果的准确性以及在动态环境中的鲁棒性。
附图说明
43.图1为一个实施例中机器人的结构示意图；
44.图2为一个实施例中建图方法的流程示意图；
45.图3为一个实施例中机器人所处的空间场景的示意图；
46.图4为一个实施例中步骤101的流程示意图；
47.图5为一个实施例中步骤202的流程示意图；
48.图6为一个实施例中像素点的8领域的示意图；
49.图7为另一个实施例中机器人所处的空间场景的示意图；
50.图8为另一个实施例中步骤202的流程示意图；
51.图9为另一个实施例中轮廓扩展结果的示意图；
52.图10为另一个实施例中建图方法的流程示意图；
53.图11为一个实施例中定位方法的流程示意图；
54.图12为一个实施例中步骤603的流程示意图；
55.图13为另一个实施例中定位方法的流程示意图；
56.图14为一个实施例中建图装置的结构框图；
57.图15为一个实施例中定位装置的结构框图；
58.图16为一个实施例中计算机设备的内部结构图。
具体实施方式
59.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
60.本技术实施例提供的建图方法，其执行主体可以为建图装置，该建图装置设置于如图1所示的机器人上，可以通过软件、硬件或者软硬件结合的方式实现成为机器人的终端的部分或者全部。该终端可以是个人计算机、笔记本电脑、媒体播放器、智能电视、智能手机、平板电脑和便携式可穿戴设备等。
61.如图1所示，该机器人上设置有激光传感器1。可选的，该激光传感器1的数量可以1个或多个。该激光传感器可以设置于机器人的上部、中部、下部、左侧或右侧，在激光传感器的数量为多个，各激光传感器的安装位置不同，图1仅示例性展示了其中一种机器人的实现方式。在实际应用中，可结合具体的使用场景以及机器人的形状和结构来确定激光传感器的数量和安装位置，此处不作限制。
62.请参考图2，其示出了本技术实施例提供的一种建图方法的流程图。本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。如图2所示，该移动机器人的交互方法可以包括以下步骤：
63.步骤101，获取激光传感器对机器人所处空间的局部环境区域拍摄得到的激光点云图像，并基于激光点云图像，确定局部环境区域中包括的障碍物的目标轮廓。
64.可选的，机器人所处空间为一个封闭空间，例如室内等。机器人在封闭空间中一边移动一边利用该激光传感器1对该空间进行拍摄。每拍摄一定数量的图像，就基于拍摄到图像开始构建一个小地图submap。
65.其中，该局部环境区域包括的障碍物的数量可能为1个，也可能为多个。
66.可选的，采用相关的图像处理算法对该激光点云图像进行处理以获取各障碍物的目标轮廓。具体的，该图像处理算法为图像分割算法、图像边缘提取算法以及机器学习算法，等等。
67.步骤102，获取障碍物的障碍物类型，并基于障碍物的障碍物类型以及目标轮廓，确定目标轮廓包括的各个位置点的置信度信息。
68.其中，障碍物类型包括静态障碍物类型和动态障碍物类型。
69.其中，该静态障碍物为不可自主移动或不易被挪动的障碍物，例如，可将走廊、墙壁、承重柱子以及桌子等确定为静态障碍物；该动态障碍物可为可自动移动的物体(例如机器人)或可被挪动的物体(例如带有轮子的椅子、行李箱等)以及行人。
70.以如图3所示的空间场景为例，机器人(图3中标号7)在利用激光传感器进行激光点云图像拍摄时，可采集到的障碍物为图中标号为1-7对应的物体，其中，1以及5为桌子，2为承重柱子，3和4为椅子，6为墙壁。经过障碍物类型分类后，静态障碍物为图3中标号为1、
2、5以及6对应的障碍物(即图中用多重线条标注的物体)，动态障碍物为图3中标号为3以及4对应的障碍物。
71.可选的，采用分类算法，对激光点云图像中的障碍物进行分类，该分类算法可为支持向量机(support vector machine，svm)算法、随机森林算法以及深度学习算法等等。而为提高分类结果的准确性，可将该通过分类算法得到的分类结果发送给工作人员，由人工针对该分类结果进行检查确认。
72.可选的，该置信度信息为置信度值。结合障碍物的障碍物类型和障碍物体积，针对不同障碍物设置不同的置信度值。
73.步骤103，基于各位置点的位置信息以及置信度信息，建立局部环境区域的置信度地图。
74.可选的，建立地图坐标系，基于地图坐标系，将各位置点的位置信息进行坐标转换，得到各位置点对应的地图坐标点；根据该地图坐标点以及对应的置信度信息，建立局部环境区域的置信度地图。
75.可选的，将机器人所处场所划分为一个个网格。针对障碍物对应的网格，将该障碍物对应的置信度信息设置为网格的值。
76.该实施例中，基于获取得到的激光传感器对机器人所处空间的局部环境区域拍摄得到的激光点云图像，确定局部环境区域中包括的障碍物的目标轮廓以及障碍物类型，该障碍物类型包括静态障碍物类型和动态障碍物类型；基于障碍物的障碍物类型以及目标轮廓，确定目标轮廓包括的各个位置点的置信度信息以用于建立该局部环境区域的置信度地图。由于通过根据不同的障碍物类型，分别对不同的障碍物的目标轮廓设置不同的置信度信息，实现了局部环境区域中动态障碍物和静态障碍物的区分，能够使机器人在进行定位时基于建立得到的置信度地图了解到局部环境区域中障碍物的场景分布情况，提高了定位结果的准确性以及在动态环境中的鲁棒性。
77.在本技术实施例中，基于图2所示的实施例，该实施例涉及的是步骤102中基于障碍物的障碍物类型以及目标轮廓，确定目标轮廓包括的各个位置点的置信度信息的实现过程，该实现过程包括：
78.若障碍物类型为静态障碍物类型，则将目标轮廓中障碍物对应的位置点的置信度信息置为第一数值；若障碍物类型为动态障碍物类型，则将目标轮廓中障碍物对应的位置点的置信度信息置为第二数值，其中，第一数值大于第二数值。
79.可选的，该第一数值和第二数值可由人工基于多次实验结果确定的。
80.可选的，终端中存储有障碍物类型和置信度信息的映射关系表。针对各个障碍物，处理器在得到该障碍物的障碍物类型后，调用该映射关系表以得到对应的置信度信息。
81.可选的，该第一数值和第二数值之间的差值不小于预设阈值。例如，该预设阈值不小于1。
82.该实施例中，通过对静态障碍物设置较高的置信度值，对动态障碍物设置较低的置信度信息，便于机器人在进行定位时采用到静态障碍物信息的几率，提高了该方法的鲁棒性以及机器人定位结果的可靠度。
83.在一个实施例中，该激光点云图像包括多帧时序上连续的图像。如图4所示，基于以上任一实施例，该实施例涉及的是步骤101中基于激光点云图像，确定局部区域中包括的
障碍物的目标轮廓的实现过程，该实现过程包括以下步骤：
84.步骤201，根据多帧图像中首帧图像，确定每个障碍物的初始轮廓。
85.可选的，该激光点云图像中包括的图像帧的数量为40-60帧。
86.可选的，为降低处理器的计算量，在得到首帧图像后，利用深度学习算法，对首帧图像中的障碍物进行轮廓提取以及障碍物分类处理，并将处理后的结果发送给工作人员进行检查确定。后续帧只需基于首帧图像的结果的基础上利用图像处理算法进行轮廓扩充。
87.步骤202，针对各障碍物，基于初始轮廓以及激光点云图像，对初始轮廓进行扩展，得到障碍物的目标轮廓。
88.可选的，采用区域生长算法或者聚类算法对初始轮廓进行扩展，得到障碍物的目标轮廓。
89.该实施例中，通过基于初始轮廓以及激光点云图像对初始轮廓进行扩展，得到障碍物的目标轮廓，实现了障碍物的完整轮廓区域的获取，进一步提高该方法的鲁棒性。
90.进一步的，在一种实现方式中，如图5所示，上述步骤202针对各障碍物，基于初始轮廓以及激光点云图像，对初始轮廓进行扩展，得到障碍物的目标轮廓的实现过程包括步骤301和步骤302：
91.步骤301，针对初始轮廓中各轮廓像素点，判断轮廓像素点对应的邻域像素点在候选图像中是否存在连接像素点。
92.其中，候选图像为激光点云图像中除首帧图像之外的图像。
93.可选的，该邻域像素点为该轮廓像素点的4邻域对应的像素点，即当该轮廓像素点为(x,y)时，其4邻域对应的像素点包括：(x-1,y)、(x 1,y)、(x,y-1)以及(x,y 1)。
94.可选的，该邻域像素点为该轮廓像素点的8邻域对应的像素点，即当该轮廓像素点为(x,y)时，其8邻域对应的像素点包括：(x-1,y-1)、(x-1,y)、(x-1,y 1)、(x,y-1)、(x,y 1)、(x 1,y-1)、(x 1,y)以及(x 1,y 1)，如图6所示，对于像素点p，其对应的邻域像素点为标号为pi(i＝1,2,
…
,8)的像素点。
95.可选的，针对初始轮廓包括的各轮廓像素点，分别判断该轮廓像素点的各邻域像素点在后续帧中是否存在连接像素点；若后续帧中某个位置点对应的像素点与邻域像素点之间的距离小于预设阈值，则将该位置点对应的像素点作为连接像素点。
96.进一步的，针对候选图像中障碍物对应的轮廓像素点，判断候选图像中障碍物对应的轮廓像素点的邻域像素点是否在该候选图像的后续图像中是否存在连接像素点。其中，后续图像为时序上位于该候选图像之后的图像。
97.可选的，基于上述过程中得到的所有连接像素点，得到一个连接像素点集合。
98.步骤302，若轮廓像素点对应的邻域像素点在候选图像中存在连接像素点，则利用连接像素点对初始轮廓进行扩展，得到目标轮廓。
99.可选的，基于得到的连接像素点集合以及该多帧图像对应的障碍物的轮廓像素点，利用区域生成算法，得到目标轮廓。
100.可选的，将初始轮廓与激光点云图像包括各帧对应的连接像素点进行连接以实现对初始轮廓的扩展，得到目标轮廓。
101.该实施例中，针对初始轮廓中各轮廓像素点，判断轮廓像素点对应的邻域像素点在候选图像中是否存在连接像素点，若轮廓像素点对应的邻域像素点在候选图像中存在连
接像素点，则利用连接像素点对初始轮廓进行扩展，得到目标轮廓，通过对各轮廓像素点进行遍历以得到各轮廓像素点对应的连接像素点，提高了对障碍物的轮廓扩展的完整性，进而提高了置信度地图的可靠性。
102.进一步的，针对激光点云图像中的某些障碍物，可能会存在被其他物体遮挡的情况。以图7所示的机器人所处的场景为例进行说明，针对障碍物b，机器人(图中用三角行表示)在行驶过程中，物体c会对障碍物b所在区域造成遮挡，进而导致该障碍物b的轮廓出现断裂。
103.因此，针对上述情况，在一种实现方式中，基于以上任一实施例，如图8所示，上述步骤202中针对各障碍物，基于初始轮廓以及激光点云图像，对初始轮廓进行扩展，得到障碍物的目标轮廓的实现过程包括步骤401、步骤402和步骤403：
104.步骤401，获取参考图像对应的障碍物的第一轮廓。
105.其中，参考图像为激光点云图像中除首帧图像之外的某一帧图像。
106.可选的，基于各帧图像的时序顺序，依次将激光点云图像中除首帧图像之外的各帧图像作为参考图像，该时序顺序为各帧图像对应的拍摄顺序。
107.可选的，针对该参考图像中各障碍物，利用点云聚类算法，得到各障碍物的第一轮廓。
108.步骤402，获取第二轮廓对应的拟合曲线。
109.其中，第二轮廓为基于激光点云图像中时序上处于参考图像之前的图像得到的障碍物的轮廓。
110.可选的，该第二轮廓为基于步骤301-步骤302得到的轮廓。
111.可选的，利用曲线拟合算法对第二轮廓包括的轮廓像素点进行拟合，得到该拟合曲线，其中，该曲线拟合算法包括直线拟合、一元多次函数拟合以及贝塞尔曲线拟合。
112.步骤403，判断第一轮廓中是否存在与拟合曲线相交的相交像素点，若第一轮廓中存在与拟合曲线相交的相交像素点，则利用相交像素点对初始轮廓进行扩展，得到目标轮廓。
113.可选的，若该第一轮廓与拟合曲线相交，将相交位置对应的像素点作为该相交像素点；或将距离相交位置预设范围内的像素点作为相交像素点。
114.可选的，基于拟合曲线将该第一轮廓与相交像素点连接以对初始轮廓进行扩展，得到目标轮廓。
115.如图9所示，针对图7所示的场景，利用该实施例提供的方法，即利用直线拟合的方法对障碍物b的轮廓进行扩充，实现了断裂的左右两部分的连接，最终得到障碍物b的目标轮廓。
116.该实施例中，针对由于遮挡问题导致障碍物轮廓存在断裂的情况，通过采用曲线拟合的方式实现了障碍物轮廓信息的扩展和补充，提高了置信度地图的可靠性。
117.在一个实施例中，基于图2所示的实施例，该建图方法还包括以下步骤：
118.基于激光点云图像，建立局部环境区域对应的概率栅格地图，概率栅格地图包括局部环境区域中各位置点的占用概率信息。
119.其中，占用概率信息是基于局部区域对应的概率栅格地图得到的。该概率栅格地图是基于激光传感器拍摄到的激光点云图像建立的小地图(submap)。该概率栅格地图是一
种重要的地图格式，将机器人所处场所划分为一个个网格，每一个网格只有两种状态：占用或者空闲。栅格中的值为占用概率值(即占用概率信息)，该占用概率值用于表示该栅格被占用的概率。
120.该实施例中，实现了概率栅格地图的建立，便于后续基于该概率栅格地图对机器人进行定位。
121.在一个实施例中，如图10所示，提供了一种建图方法，包括：
122.步骤501，获取激光传感器对机器人所处空间的局部环境区域拍摄得到的激光点云图像，该激光点云图像包括多帧时序上连续的图像。
123.步骤502，根据多帧图像中首帧图像，确定每个障碍物的初始轮廓。
124.步骤503，针对初始轮廓中各轮廓像素点，判断轮廓像素点对应的领域像素点在候选图像中是否存在连接像素点，候选图像为激光点云图像中除首帧图像之外的图像。
125.步骤504，若轮廓像素点对应的领域像素点在候选图像中存在连接像素点，则利用连接像素点对初始轮廓进行扩展，得到目标轮廓。
126.步骤505，获取参考图像对应的障碍物的第一轮廓，参考图像为激光点云图像中除首帧图像之外的某一帧图像。
127.步骤506，获取第二轮廓对应的拟合曲线，第二轮廓为基于激光点云图像中时序上处于参考图像之前的图像得到的障碍物的轮廓。
128.步骤507，判断第一轮廓中是否存在与拟合曲线相交的相交像素点，若第一轮廓中存在与拟合曲线相交的相交像素点，则利用相交像素点对初始轮廓进行扩展，得到目标轮廓。
129.步骤508，获取障碍物的障碍物类型，该障碍物类型包括静态障碍物类型和动态障碍物类型。
130.步骤509，若障碍物类型为静态障碍物类型，则将目标轮廓中障碍物对应的位置点的置信度信息置为第一数值；若障碍物类型为动态障碍物类型，则将目标轮廓中障碍物对应的位置点的置信度信息置为第二数值。
131.其中，第一数值大于第二数值。
132.步骤510，基于各位置点的位置信息以及置信度信息，建立局部环境区域的置信度地图。
133.步骤511，基于激光点云图像，建立局部环境区域对应的概率栅格地图。
134.其中，概率栅格地图包括局部环境区域中各位置点的占用概率信息。
135.该实施例中，通过根据不同的障碍物类型，分别对不同的障碍物的轮廓设置不同的置信度信息，实现了局部区域中动态障碍物和静态障碍物的区分；实现了对静态障碍物赋予较高置信度、对动态障碍物赋予较低置信度的目的，能够使机器人在进行定位时了解到局部环境区域的场景分布情况，提高了定位结果的准确性以及在动态环境中的鲁棒性。此外，通过对障碍物的轮廓进行扩展，进一步提高该方法的可靠性。
136.在基于激光的slam技术中，还包括定位过程，即将各帧的激光数据与构建的地图进行匹配以确定机器人对应的位姿信息。因此，针对该定位过程，请参考图11。如图11所示，本技术实施例提供了一种定位方法，包括以下步骤：
137.步骤601，获取激光传感器对机器人所处空间的局部环境区域拍摄得到的当前激
光点云图像，并基于当前激光点云图像，确定当前激光点云图像中包括的障碍物。
138.步骤602，基于局部环境区域的置信度地图以及概率栅格地图，确定障碍物的目标轮廓中各位置点的置信度信息以及占用概率信息。
139.其中，置信度信息是基于障碍物的障碍物类型确定的，障碍物类型包括静态障碍物类型和动态障碍物类型。
140.具体的，基于局部环境区域的置信度地图，确定局部环境区域包括的障碍物的目标轮廓中各位置点的置信度信息；基于局部环境区域的概率栅格地图，确定局部环境区域包括的障碍物的目标轮廓中各位置点的占用概率信息。
141.步骤603，根据置信度信息、占用概率信息以及当前激光点云图像，确定机器人的当前位姿信息。
142.其中，位姿信息包括机器人的位置信息以及朝向信息。
143.可选的，选取置信度信息较高区域对应的障碍物的目标轮廓区域作为参照物，然后基于占用概率信息以及当前激光点云图像，将前激光点云图像与概率栅格地图进行匹配，得到机器人的当前位姿信息。
144.该实施例中，基于局部环境区域的置信度地图以及概率栅格地图，确定障碍物的目标轮廓中各位置点的置信度信息以及占用概率信息，并在机器人的当前位姿信息时充分考虑了置信度信息、占用概率信息以及当前激光点云图像，实现了局部环境区域中根据置信度信息确定局部环境区域中障碍物的场景分布情况，提高了定位结果的准确性以及在动态环境中的鲁棒性。
145.在一个实施例中，静态障碍物类型对应的置信度信息大于动态障碍物类型的置信度信息。如图12所示，基于图11所示的实施例，该实施例涉及的是步骤603中根据置信度信息、占用概率信息以及当前激光点云图像，确定机器人的当前位姿信息，包括步骤701和步骤702：
146.步骤701，针对目标轮廓中各位置点，将位置点的占用概率信息以及位置点的置信度信息的乘积作为位置点的匹配分数。
147.具体的，该匹配分数对应的表达式为：
148.score(x,y)＝p(x,y)*w(x,y)，
149.其中，score(x,y)表示为位置点(x,y)对应的匹配分数，p(x,y)表示为位置点(x,y)对应的占用概率信息，w(x,y)表示为位置点(x,y)对应的置信度信息。
150.步骤702，基于匹配分数以及当前激光点云图像，确定机器人的当前位姿信息。
151.可选的，针对各障碍物，利用以下公式计算该障碍物对应的匹配分数：
[0152][0153]
其中，sco
re
表示障碍物对应的匹配分数，j表示该障碍物包括的位置点数量，score(x,y)表示为障碍物包括的位置点(x,y)对应的匹配分数。
[0154]
可选的，按照各障碍物的匹配分数由高到低的次序对障碍物进行排列，选择排序位置靠前的几个障碍物作为参照物，基于匹配分数以及当前激光点云图像来确定机器人的位姿。
[0155]
该实施例中，通过将位置点的占用概率信息以及位置点的置信度信息的乘积作为
位置点的匹配分数，实现了对静态障碍物赋予较高匹配分数、对动态障碍物赋予较低匹配分数的目的，提高了基于静态障碍物对机器人进行定位的几率，该方法简单，计算量小。
[0156]
在一个实施例中，如图13所示，提供了一种定位方法，包括：
[0157]
步骤801，获取激光传感器对机器人所处空间的局部环境区域拍摄得到的当前激光点云图像，并基于当前激光点云图像，确定当前激光点云图像中包括的障碍物。
[0158]
步骤802，基于局部环境区域的置信度地图以及概率栅格地图，确定障碍物的目标轮廓中各位置点的置信度信息以及占用概率信息。
[0159]
其中，置信度信息是基于障碍物的障碍物类型确定的，障碍物类型包括静态障碍物类型和动态障碍物类型；静态障碍物类型对应的置信度信息大于动态障碍物类型的置信度信息。
[0160]
步骤803，针对目标轮廓中各位置点，将位置点的占用概率信息以及位置点的置信度信息的乘积作为位置点的匹配分数。
[0161]
步骤804，基于匹配分数以及当前激光点云图像，确定机器人的当前位姿信息。
[0162]
在该实施例中，实现了对静态障碍物赋予较高匹配分数、对动态障碍物赋予较低匹配分数的目的，提高了基于静态障碍物对机器人进行定位的几率，进而提高了定位结果的准确性以及在动态环境中的鲁棒性。
[0163]
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0164]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的建图方法的建图装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个定位装置实施例中的具体限定可以参见上文中对于建图方法的限定，在此不再赘述。
[0165]
在一个实施例中，如图14所示，提供了一种建图装置，包括：获取模块100、确定模块200和建图模块300，其中：
[0166]
获取模块100，用于获取激光传感器对机器人所处空间的局部环境区域拍摄得到的激光点云图像，并基于激光点云图像，确定局部环境区域中包括的障碍物的目标轮廓；
[0167]
确定模块200，用于获取障碍物的障碍物类型，并基于障碍物的障碍物类型以及目标轮廓，确定目标轮廓包括的各个位置点的置信度信息，障碍物类型包括静态障碍物类型和动态障碍物类型；
[0168]
建图模块300，用于基于各位置点的位置信息以及置信度信息，建立局部环境区域的置信度地图。
[0169]
在一个实施例中，该确定模块200，具体用于：
[0170]
若障碍物类型为静态障碍物类型，则将目标轮廓中障碍物对应的位置点的置信度信息置为第一数值；若障碍物类型为动态障碍物类型，则将目标轮廓中障碍物对应的位置
点的置信度信息置为第二数值；其中，第一数值大于第二数值。
[0171]
在一个实施例中，该激光点云图像包括多帧时序上连续的图像；该获取模块100，具体用于：
[0172]
根据多帧图像中首帧图像，确定每个障碍物的初始轮廓；
[0173]
针对各障碍物，基于初始轮廓以及激光点云图像，对初始轮廓进行扩展，得到障碍物的目标轮廓。
[0174]
在一个实施例中，该获取模块100，还具体用于：
[0175]
针对初始轮廓中各轮廓像素点，判断轮廓像素点对应的邻域像素点在候选图像中是否存在连接像素点，候选图像为激光点云图像中除首帧图像之外的图像；
[0176]
若轮廓像素点对应的邻域像素点在候选图像中存在连接像素点，则利用连接像素点对初始轮廓进行扩展，得到目标轮廓。
[0177]
在一个实施例中，该获取模块100，还具体用于：
[0178]
获取参考图像对应的障碍物的第一轮廓，参考图像为激光点云图像中除首帧图像之外的某一帧图像；
[0179]
获取第二轮廓对应的拟合曲线，第二轮廓为基于激光点云图像中时序上处于参考图像之前的图像得到的障碍物的轮廓；
[0180]
判断第一轮廓中是否存在与拟合曲线相交的相交像素点，若第一轮廓中存在与拟合曲线相交的相交像素点，则利用相交像素点对初始轮廓进行扩展，得到目标轮廓。
[0181]
在一个实施例中，该建图装置还用于：
[0182]
基于激光点云图像，建立局部环境区域对应的概率栅格地图，概率栅格地图包括局部环境区域中各位置点的占用概率信息。
[0183]
上述建图装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0184]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的定位方法的定位装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个定位装置实施例中的具体限定可以参见上文中对于定位方法的限定，在此不再赘述。
[0185]
在一个实施例中，如图15所示，提供了一种定位装置，包括：获取模块400、确定模块500和定位模块600，其中：
[0186]
获取模块400，用于获取激光传感器对机器人所处空间的局部环境区域拍摄得到的当前激光点云图像，并基于当前激光点云图像，确定当前激光点云图像中包括的障碍物；
[0187]
确定模块500，用于基于局部环境区域的置信度地图以及概率栅格地图，确定障碍物的目标轮廓中各位置点的置信度信息以及占用概率信息，置信度信息是基于障碍物的障碍物类型确定的，障碍物类型包括静态障碍物类型和动态障碍物类型；
[0188]
定位模块600，用于根据置信度信息、占用概率信息以及当前激光点云图像，确定机器人的当前位姿信息。
[0189]
在一个实施例中，静态障碍物类型对应的置信度信息大于动态障碍物类型的置信度信息，该定位模块600，具体用于：
[0190]
针对目标轮廓中各位置点，将位置点的占用概率信息以及位置点的置信度信息的乘积作为位置点的匹配分数；
[0191]
基于匹配分数以及当前激光点云图像，确定机器人的当前位姿信息。
[0192]
上述定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0193]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器和通信接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种定位方法。
[0194]
本领域技术人员可以理解，图16中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0195]
在一个实施例中，提供了一种机器人。该机器人包括激光传感器、存储器和处理器，激光传感器用于对机器人所处场所中的局部区域进行拍摄得到激光点云图像，存储器中存储有可在处理器上运行的计算机程序，该处理器用于执行所述计算机程序时实现如下步骤：
[0196]
获取激光传感器对机器人所处空间的局部环境区域拍摄得到的激光点云图像，并基于激光点云图像，确定局部环境区域中包括的障碍物的目标轮廓；
[0197]
获取障碍物的障碍物类型，并基于障碍物的障碍物类型以及目标轮廓，确定目标轮廓包括的各个位置点的置信度信息，障碍物类型包括静态障碍物类型和动态障碍物类型；
[0198]
基于各位置点的位置信息以及置信度信息，建立局部环境区域的置信度地图。
[0199]
在一个实施例中，该基于障碍物的障碍物类型以及目标轮廓，确定目标轮廓包括的各个位置点的置信度信息，包括：
[0200]
若障碍物类型为静态障碍物类型，则将目标轮廓中障碍物对应的位置点的置信度信息置为第一数值；若障碍物类型为动态障碍物类型，则将目标轮廓中障碍物对应的位置点的置信度信息置为第二数值；其中，第一数值大于第二数值。
[0201]
在一个实施例中，该激光点云图像包括多帧时序上连续的图像；基于激光点云图像，确定局部环境区域中包括的障碍物的目标轮廓，包括：
[0202]
根据多帧图像中首帧图像，确定每个障碍物的初始轮廓；
[0203]
针对各障碍物，基于初始轮廓以及激光点云图像，对初始轮廓进行扩展，得到障碍物的目标轮廓。
[0204]
在一个实施例中，该基于初始轮廓以及激光点云图像，对初始轮廓进行扩展，得到障碍物的目标轮廓，包括：
[0205]
针对初始轮廓中各轮廓像素点，判断轮廓像素点对应的邻域像素点在候选图像中
是否存在连接像素点，候选图像为激光点云图像中除首帧图像之外的图像；若轮廓像素点对应的邻域像素点在候选图像中存在连接像素点，则利用连接像素点对初始轮廓进行扩展，得到目标轮廓。
[0206]
在一个实施例中，该基于初始轮廓以及激光点云图像，对初始轮廓进行扩展，得到障碍物的目标轮廓，包括：
[0207]
获取参考图像对应的障碍物的第一轮廓，参考图像为激光点云图像中除首帧图像之外的某一帧图像；获取第二轮廓对应的拟合曲线，第二轮廓为基于激光点云图像中时序上处于参考图像之前的图像得到的障碍物的轮廓；判断第一轮廓中是否存在与拟合曲线相交的相交像素点，若第一轮廓中存在与拟合曲线相交的相交像素点，则利用相交像素点对初始轮廓进行扩展，得到目标轮廓。
[0208]
在一个实施例中，该处理器用于执行所述计算机程序时还实现如下步骤：
[0209]
基于激光点云图像，建立局部环境区域对应的概率栅格地图，概率栅格地图包括局部环境区域中各位置点的占用概率信息。
[0210]
在一个实施例中，提供了一种机器人。该机器人包括激光传感器、存储器和处理器，激光传感器用于对机器人所处场所中的局部区域进行拍摄得到激光点云图像，存储器中存储有可在处理器上运行的计算机程序，该处理器用于执行所述计算机程序时实现如下步骤：
[0211]
获取激光传感器对机器人所处空间的局部环境区域拍摄得到的当前激光点云图像，并基于当前激光点云图像，确定当前激光点云图像中包括的障碍物；
[0212]
基于局部环境区域的置信度地图以及概率栅格地图，确定障碍物的目标轮廓中各位置点的置信度信息以及占用概率信息，置信度信息是基于障碍物的障碍物类型确定的，障碍物类型包括静态障碍物类型和动态障碍物类型；
[0213]
根据置信度信息、占用概率信息以及当前激光点云图像，确定机器人的当前位姿信息。
[0214]
在一个实施例中，静态障碍物类型对应的置信度信息大于动态障碍物类型的置信度信息，该根据置信度信息、占用概率信息以及当前激光点云图像，确定机器人的当前位姿信息，包括：
[0215]
针对目标轮廓中各位置点，将位置点的占用概率信息以及位置点的置信度信息的乘积作为位置点的匹配分数；基于匹配分数以及当前激光点云图像，确定机器人的当前位姿信息。
[0216]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一建图方法的实施例的步骤，或如上述任一定位方法的实施例的步骤。
[0217]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器
(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0218]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0219]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。