CN111127652A - 机器人的室内地图构建方法、装置及电子设备 - Google Patents
机器人的室内地图构建方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111127652A CN111127652A CN201911128311.5A CN201911128311A CN111127652A CN 111127652 A CN111127652 A CN 111127652A CN 201911128311 A CN201911128311 A CN 201911128311A CN 111127652 A CN111127652 A CN 111127652A
- Authority
- CN
- China
- Prior art keywords
- data
- bitmap
- map
- height
- specified format
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 description 11
- 238000013507 mapping Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000124008 Mammalia Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Automation & Control Theory (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开了一种机器人的室内地图构建方法、装置及电子设备，涉及定位技术领域。该方法包括：S110，获取建筑信息模型在指定高度的截面数据，所述截面数据包括边线数据；S120，对所述边线数据的进行预处理，得到指定格式的边线数据；S130，基于所述指定格式的边线数据生成位图，并将所述的位图确定为机器人的室内地图。本申请通过上述步骤可以快速有效地提取出供室内移动机器人使用的位图，且提取出的位图具有较高的精度，并将该位图作为机器人的室内地图，减少了室内移动机器人SLAM时间。
Description
技术领域
本申请涉及定位技术领域，更具体地，涉及一种机器人的室内地图构建方法、装置、电子设备。
背景技术
随着机器人的广泛应用，自助移动机器人智能导航技术成为了当前研究的热点，而在自助移动机器人智能导航中，机器人描述环境、认识环境尤其重要。
目前机器人描述环境、认识环境的过程主要依靠地图。但是现在的地图的构建方法通常是利用激光扫描整个周围环境点云数据，清理干扰数据后，构建栅格图像的地图，其中，栅格图像又称为位图图像或点阵图像，例如，像灰度图就为位图中的一种，这种构建地图的方法较为复杂、费时较长，不利于机器人在未知环境下的进行同步定位与地图构建(simultaneous localization and mapping，SLAM)。
发明内容
本申请提出了一种机器人的室内地图构建方法、装置及电子设备，以改善上述缺陷。
第一方面，本申请实施例提供了一种机器人的室内地图构建方法，该方法包括S110，获取建筑信息模型在指定高度的截面数据，截面数据包括边线数据；S120，对边线数据的进行预处理，得到指定格式的边线数据；S130，基于指定格式的边线数据生成位图，并将的位图确定为机器人的室内地图。
第二方面，本申请实施例还提供了机器人的室内地图构建装置，包括截面数据获取模块、预处理模块以及室内地图构建模块。其中，截面数据获取模块用于获取建筑信息模型在指定高度的截面数据，所述截面数据包括边线数据；预处理模块用于对所述边线数据的进行预处理，得到指定格式的边线数据；室内地图构建模块用于基于所述指定格式的边线数据生成位图，并将所述的位图确定为机器人的室内地图。
第三方面，本申请实施例还提供了一种电子设备，包括：一个或多个处理器；存储器；一个或多个程序，其中一个或多个程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于执行上述方法。
第四方面，本申请实施例还提供了一种计算机可读介质，可读存储介质存储有处理器可执行的程序代码，程序代码中的多条指令被处理器执行时使处理器执行上述方法。
本申请提供的机器人的室内地图构建方法、装置及电子设备，通过获取建筑信息模型在指定高度的截面数据，其中，截面数据包括边线数据，从而可以有效提取出便于机器人使用的边线数据。然后对边线数据的进行预处理，得到指定格式的边线数据，从而可以方便机器人进行匹配定位。再基于指定格式的边线数据生成位图，并将的位图确定为机器人的室内地图。从而可以简捷、有效地提取出供机器人使用的位图作为室内地图，进而简化了室内地图的构建。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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示出了根据本申请一个实施例提供的机器人的室内地图构建方法的方法流程图；
图2示出了根据本申请实施例提供的截面轮廓图；
图3示出了根据本申请另一个实施例提供的机器人的室内地图构建方法的方法流程图；
图4示出了根据本申请实施例提供的第一平面多边形的结构示意图；
图5示出了根据本申请又一个实施例提供的机器人的室内地图构建方法的方法流程图；
图6示出了图5所示的机器人的室内地图构建方法的S360的方法流程图；
图7示出了根据本申请实施例提供的灰度图；
图8示出了根据本申请一个实施例提供的机器人的室内地图构建装置的模块框图；
图9示出了根据本申请一个实施例提供的电子设备的结构框图；
图10示出了根据本申请一个实施例提供的用于保存或者携带实现根据本申请实施例的机器人的室内地图构建方法的程序代码的存储单元。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
随着机器人的广泛使用，完善的定位技术作为室内移动机器人导航的必要条件，针对于室内移动机器人的定位技术的要求也越来越高。目前室内移动机器人描述环境、认识环境的过程主要是依靠地图，室内移动机器人想要自主定位必须依赖环境地图描述当前的环境信息，因此也必须对当前的环境地图进行构建。
目前构建环境地图的方法通常是利用激光扫描一遍整个周围环境，获取环境点云数据，清理干扰数据后，构建栅格地图。但是这种地图构建方式实施起来较为复杂，并且需要花费较长的时间进行扫描，不利于室内移动机器人在未知的环境下进行同步定位与地图构建。
发明人在研究中发现，如果能够从建筑信息模型(Building InformationModeling，BIM)提取出可以供室内移动机器人使用的灰度图作为室内地图，可以简化用于室内移动机器人使用的室内地图构建，并且可以有效减少室内移动机器人进行同步定位与地图构建的时间。
然而，目前直接从建筑信息模型中提取出的灰度图通常无法较好地供室内机器人使用。
为了改善上述问题，发明人提出了本申请实施例中的机器人的室内地图构建方法、装置、电子设备及存储介质。通过获取建筑信息模型在指定高度的截面矢量数据，所述截面矢量数据包括所述建筑信息模型中各墙体的墙体边线数据，再对所述墙体边线数据的进行预处理，得到指定格式的墙体边线数据，最后基于所述指定格式的墙体边线数据生成灰度图，并将所述的灰度图确定为机器人的室内地图，可以快速有效地提取出供室内移动机器人使用的灰度图，且提取出的灰度图具有较高的精度，并将该灰度图作为机器人的室内地图，减少了室内移动机器人SLAM时间。
请参阅图1，图1示出了根据本申请一个实施例提供的机器人的室内地图构建方法，可以应用于计算机等具有图像处理功能的设备，该方法可以包括：
S110，获取建筑信息模型在指定高度的截面数据，所述截面数据包括边线数据。
其中，截面数据也可以称为截面矢量数据，具体地，获取建筑信息在指定高度的一个截面，将会获得一个截面轮廓，该截面轮廓由多个边线构成，多个边线包括了坐标、长度、连接关系等数据，这些数据组成了边线数据，因此，截面轮廓中所有边线的边线数据构成了截面矢量数据。可选地，边线数据可以包括该建筑信息模型中的各建筑体的边线数据，该建筑体可以包括墙体、梁、柱、窗、门等等。以下实施例主要以墙体为例进行说明。
在一些实施方式中获取建筑信息模型的方式，可以是从计算机本地的建筑信息模型数据库中获取，也可是计算机或移动终端通过向云端服务器发送下载请求，以从云端服务器的建筑信息模型数据库提取出所需的建筑信息模型，并下载到计算机或移动终端中。
在一些实施方式中，获取建筑信息模型(以下可称BIM模型)在指定高度的截面矢量数据时，可以通过指定高度的平面与BIM模型中的BIM构件进行实体求交，以获得BIM模型相对于该平面的截面矢量数据。其中，该指定高度的平面可以与该BIM模型所对应的地面平行。
考虑到BIM模型中的BIM构件可能不是垂直于该BIM模型所对应的地面而建立的，在一些实施方式中，当BIM模型中的BIM构件具有一定倾斜角度时，该指定高度可以不平行于该BIM模型所述对应的地面。可选地，当BIM模型中有多个BIM构件，且多个BIM构件与地面呈相同的夹角时，也可以将指定高度的平面设置为与地面具有相同的夹角。从而在具有倾斜角度的建筑的环境中，也能实现室内移动机器人进行有效的定位。
可以理解的是，BIM模型可以是一层建筑的BIM模型，也可以是多层建筑的BIM模型。其中，BIM模型可以包括一个或多个BIM构件，BIM构件可以是建筑中的横梁、立柱、房间等，以房间为例，该房间可以由多个墙体构成。当指定高度的平面与BIM模型中的BIM构件进行实体求交时，会得到指定高度的平面和多个墙体的交点，这些交点形成该墙体对应该指定高度的平面的截面，在该BIM模型中的各个墙体对应的该指定平面的截面即为建筑信息模型在指定高度的截面矢量数据。其中，截面矢量数据可以包括建筑信息模型中各墙体的墙体边线数据、墙体截面的面积数据等。其中，墙体边线也可以理解成墙体截面的边线。其中，墙体边线数据可以是墙体边线的长度、坐标、连接关系等数据。
作为一种示例，如图2所示，当指定高度的平面与BIM模型中的BIM构件进行实体求交时，会得到一个截面轮廓图，该截面轮廓图由多个墙体边线构成，多个墙体边线在该截面轮廓图中围成了多个多边形区域，其多边形区域可以对应BIM模型中的一个或多个墙体。
在一些实施方式中，可以通过改变指定高度来得到BIM模型中不同的高度截面矢量数据。作为一种示例，当BIM模型为多层建筑的BIM模型时，可以根据改变平面的高度来获取BIM模型中不同楼层的截面矢量数据。例如设定指定高度为8米，当BIM模型中的第三层建筑的高度在6米到9米之间时，则可以通过指定高度的平面获得BIM模型中的第三层建筑的截面矢量数据。
作为另一种示例，当BIM模型为一层建筑的BIM模型，且该层建筑中的BIM构件的高度不一致时，也可以根据改变平面的高度来获取BIM模型中同一楼层不同高度的截面矢量数据。例如BIM模型包括第一BIM构件和第二BIM构件，其中，第一BIM构件的高度为10米，第二BIM构件为5米，当指定高度为8米时，在指定高度的平面获得的截面矢量数据只包括了第一BIM构件。
在另一些实施方式中，截面矢量数据除了可以包括建筑信息模型中各墙体的墙体边线数据以外，还可以包括如柱体、梁、门、窗之类的构件的边线数据。
在本实施方式中，通过改变指定高度来得到不同的高度的截面矢量数据，从而可以更加灵活地获取截面矢量数据，提高了截面矢量数据的获取效率。
在一些实施方式中，可以根据室内移动机器人的高度来确定指定高度。可选地，指定高度可以大于室内移动机器人的高度，并在一定高度范围内。作为一种示例当室内移动机器人的高度为1米，一定高度范围设为1米，则可以将指定高度设置为1米到1.5米，而不用将指定高度设置到10米。从而提高指定高度设置的有效性。
S120，对墙体边线数据的进行预处理，得到指定格式的墙体边线数据。
其中，对墙体边线数据的进行预处理的作用，可以是对墙体边线数据的格式进行转换，以方便后续对墙体边线数据的使用，也可以是为了将墙边线数据调整为室内移动机器人方便进行匹配定位的规格，还可以是为了简化墙体的墙边线，以方便转化成指定格式的墙边线数据。
在一些实施方式中，可以通过对墙体边线数据的进行预处理，将墙体边线数据转化为对象简谱格式(JavaScript Object Notation,Json)。通过将墙体边线数据转化为Json格式，不仅易于人阅读和编写，同时也易于机器解析和生成，并有效地提升网络传输效率。
S130，基于指定格式的墙体边线数据生成位图，并将的位图确定为机器人的室内地图。
在一些实施方式中，可以利用EasyX库或Eigen库对Json格式的墙体边线数据进行绘制，以成位图，并将位图输出到pgm文件中形成pgm格式的位图，且将pgm格式位图确定为机器人的室内地图。
在本实施例中，通过获取建筑信息模型在指定高度的截面矢量数据，其中，截面矢量数据包括建筑信息模型中各墙体的墙体边线数据，从而可以有效提取出便于机器人使用的墙体边线数据。然后对墙体边线数据的进行预处理，得到指定格式的墙体边线数据，从而可以方便机器人进行匹配定位。再基于指定格式的墙体边线数据生成位图，并将的位图确定为机器人的室内地图。从而可以简捷、有效地提取出供机器人使用的位图作为室内地图，进而简化了室内地图的构建。另外，通过调整指定高度可以提取任意高度的位图数据，提高了机器人的室内地图构建效率。
请参阅图3，图3示出了根据本申请另一个实施例提供的机器人的室内地图构建方法，该方法可以包括：
S210，获取建筑信息模型在指定高度的截面数据，所述截面数据包括边线数据。
其中，S210的具体实施方式可以参考S110，故不在此赘述。
其中，上述实施例的S120可以通过S220-S250进行实施。
S220，获取墙体边线数据构成的平面多边形。
其中，平面多边形可以是指由墙体边线围成的多边形区域。其中，一个平面多边形也具有对应的平面多边形数据，任意一个平面多边形数据包括了构成该平面多边形的墙体边数据。可以理解的是，墙体边线构成的平面多边形即为墙体的形状。
S230，对平面多边形进行第一预设算法处理，得到第一平面多边形。
其中，第一预设算法处理可以是预设距离的内外偏移算法。
考虑到目前的室内移动机器人在进行SLAM激光扫描时，扫描精度通常为指定的宽度，例如20mm，通过对平面多边形进行预设距离的内外偏移处理，以将平面多边形的宽度调整为20mm，以得到第一平面多边形，从而可以方便室内移动机器人进行SLAM的匹配定位。
在一些实施方式中，若SLAM激光扫描的扫描精度不为20mm时，也可以针对当前SLAM激光扫描所需的扫描精度，将平面多边形的宽度调整至与该扫描精度一致。
作为一种示例，例如目前平面多边形的宽度为10mm，此时可以对平面多边形进行外偏移动处理，使平面多边形的宽度向外偏移10mm，从而使得到的第一平面多边形的宽度与SLAM激光扫描的扫描精度20mm一致。又例如，目前平面多边形的宽度为30mm，此时可以对平面多边形进行内偏移动处理，使平面多边形的宽度向内偏移10mm，从而使得到的第一平面多边形的宽度与SLAM激光扫描的扫描精度20mm一致。
S240，对第一平面多边形进行第二预设算法处理，得到第二平面多边形。
其中，第二预设算法处理可以是几何布尔算法处理。
其中，几何布尔运算处理可以用于消除多个平面多边形之间相交的边。如图4所示，对第一平面多边形进行几何布尔运算处理后，可以消除相交的第一平面多边形之间相连或相交的边，从而使得多个第一平面多边形之间相互连通，形成一个连通的整体区域，即得到第二平面多边形。可选地，几何布尔运算可以包括求交、求和、求差等。
S250，基于第二平面多边形对应的墙体边线数据，得到指定格式的墙体边线数据。
其中，可以将第二平面多边形对应的墙体边线数据的格式进行转化，得到指定格式的墙体边线数据。例如指定格式为Json格式，则可以将第二平面多边形对应的墙体边线数据的格式转化为Json格式，以方便对Json格式的墙体边线数据进行传输、解析等。
S260，基于指定格式的墙体边线数据生成位图，并将的位图确定为机器人的室内地图。
其中，S260的具体实施方式可以参考S130，故不在此赘述。
在本实施例中，通过获取墙体边线数据构成的平面多边形，对平面多边形进行预设距离的内外偏移处理，得到第一平面多边形，并对第一平面多边形进行几何布尔运算处理，得到第二平面多边形，再基于第二平面多边形对应的墙体边线数据，得到指定格式的墙体边线数据，最后基于指定格式的墙体边线数据生成位图，并将的位图确定为机器人的室内地图。从而让最后得到的位图中对应墙体部分的宽度能够与SLAM激光扫描的扫描精度一致，可以在室内移动机器人使用该位图时，方便进行SLAM的匹配定位。并且由于对第一平面多边形进行几何布尔运算处理后得到第二平面多边形，使得第二平面多边形形成多个平面多边形连通后的多边形，从而方便生成位图，提高了位图的生成效率。
请参阅图5，图5示出了根据本申请又一个实施例提供的机器人的室内地图构建方法，该方法可以包括：
S310，获取建筑信息模型在指定高度的截面数据，所述截面数据包括边线数据。
S320，获取墙体边线数据构成的平面多边形。
S330，对平面多边形进行预设距离的内外偏移处理，得到第一平面多边形。
S340，对第一平面多边形进行几何布尔运算处理，得到第二平面多边形。
S350，基于第二平面多边形对应的墙体边线数据，得到指定格式的墙体边线数据。
其中，S310-S350的具体实施方式可以参考S210-S250故不在此赘述。
S360，基于指定格式的墙体边线数据生成位图，并将的位图确定为机器人的室内地图。
在一些实施方式中，可以通过将指定格式的墙体边线数据通过Eigen库或EasyX库进行绘制，得到位的图。
在本实施方式中，通过将指定格式的墙体边线数据通过Eigen库或EasyX库进行绘制，可以快速有效地生成与指定格式的墙体边线数据对应的位图。
在一些实施方式中，如图6所示，S360可以包括S361-S366：
其中，上述实施例的S130也可以通过S361-S366进行实施。
S361，基于指定格式的墙体边线数据构建格式地图。
可选地，指定格式可以是Json格式。
其中，由于Json格式的墙体边线数据可以包括墙体边线的长度数据、坐标数据以及个墙体边线的连接关系数据，因此可以基于墙体边线的长度数据、坐标数据以及个墙体边线的连接关系数据构建出Json格式地图。作为一种示例，在构建时，可以将获取各墙体边线中在平面坐标系中X轴上最小坐标以及最大坐标，根据最小坐标以及最大坐标的横坐标求出Json格式地图的宽度，例如X轴上最小坐标为(0,1)以及最大坐标(8,5)，则可以确定Json格式地图的宽度为8。可以将获取各墙体边线中在平面坐标系中Y轴上最小坐标以及最大坐标，根据最小坐标以及最大坐标的纵坐标求出Json格式地图的高度，例如Y轴上最小坐标为(5,-1)以及最大坐标(3,7)，这可以确定Json格式地图的高度为8。在确定了该Json格式地图高度和宽度后，可以在该高度和宽度范围之内，根据墙体边线的长度数据、坐标数据以及个墙体边线的连接关系数据确定各墙体边线的位置，从而构建出Json格式地图。
S362，获取指定格式地图的宽度、高度以及原点坐标。
在一些实施方式中，获取Json格式地图的宽度、高度以及原点坐标的方式可以是：根据Json格式地图中的Range字段获取Json格式地图的宽度、高度以及原点坐标。
其中，Range字段中记录了Json格式地图的宽度、高度以及原点坐标，由于Json格式地图由Json格式的墙体边线数据构成，而Json格式的墙体边线数据包括了各墙体边线的长度、坐标、连接关系等数据，基于各墙体边线的长度、坐标、连接关系等数据可以计算出Json格式地图的宽度、高度以及原点坐标。
S363，获取目标格式的目标位图的设定分辨率，并基于设定分辨率和指定格式地图的宽度计算目标位的宽度，以及基于设定分辨率和指定格式地图的高度计算目标位图的高度。
可选地，目标格式可以是Pgm格式。位图可以是灰度图。
在一些实施方式中，Pgm格式的目标位图的设定分辨率可以根据SLAM激光扫描的扫描精度进行调整，例如，当SLAM激光扫描的扫描精度较高时，也可以将分辨率设定为较高的分辨率。从而满足室内移动机器人在进行SLAM时能够进行高精度的匹配定位。
在一些实施方式中，基于设定分辨率和Json格式地图的宽度计算目标位图的宽度，以及基于设定分辨率和Json格式地图的高度计算目标位图的高度的方式可以是：通过
计算目标位图的宽度，以及通过
计算目标位图的高度，其中，W为目标位图的宽度，H为目标位图的高度，a为设定分辨率，Dx为Json格式地图的宽度，Dy为Json格式地图的高度。
在本实施方式中，通过基于设定分辨率和Json格式地图的宽度计算目标位图的宽度，以及基于设定分辨率和Json格式地图的高度计算目标位图的高度，从而能够保证目标位图的尺寸能够Json格式地图的尺寸保持一致性。
S364，基于设定分辨率、目标位图的高度以及指定格式地图的原点坐标对第二平面多边形进行转化，得到转化后的平面多边形。
在一些实施方式中，基于设定分辨率、目标位图的高度以及Json格式地图的原点坐标对第二平面多边形进行转化的方式可以是：通过
对第二平面多边形进行转化，其中，(xpgm，ypgm)为转化后的平面多边形中的图形点的坐标，(xorigin，yorigin)为Json格式地图的原点坐标。
其中，基于设定分辨率、目标位图的高度以及Json格式地图的原点坐标对第二平面多边形进行转化，即是对第二平面多边形的图像点坐标进行转化。其中，x表示第二平面多边形的图形点的横坐标，y表示第二平面多边形的图形点的纵坐标。可以理解的是，第二平面多边形可以由多个图形点构成。
S365，基于目标位图的宽度以及目标位图的高度构建目标位图的目标矩阵。
其中，目标位图的位矩阵的为大小为W*H的位矩阵。例如，W＝10,H＝5,则目标位图的位矩阵的为大小为50的位矩阵。
S366，将转化后的平面多边形填充至目标矩阵中，生成位图。
其中，目标矩阵可以为灰度矩阵，其中，灰度矩阵可以由多个灰度值构成，比如将图像中的每个点的灰度表示为0-255的数值，那么一副图像就可以用一个具有多个灰度值的灰度矩阵表示。可选地，将转化后的平面多边形利用EasyX绘图库的api填充到W*H大小的灰度矩阵中，并写入目标Pgm文件中，即可得到如图7所示的灰度图。
在本实施例中，通过先基于Json格式的墙体边线数据构建Json格式地图，获取Json格式地图的宽度、高度以及原点坐标。再获取Pgm格式的目标位图的设定分辨率，并基于设定分辨率和Json格式地图的宽度计算目标位图的宽度，以及基于设定分辨率和Json格式地图的高度计算目标位图的高度。再基于设定分辨率、目标位图的高度以及Json格式地图的原点坐标对第二平面多边形进行转化，得到转化后的平面多边形。然后基于目标位图的宽度以及目标位图的高度构建目标位图的位矩阵。最后将转化后的平面多边形填充至位矩阵中，生成位图。从而利用满足EasyX绘图库或Eigen绘图库使用要求算法对位图进行绘制，可以全自动提取位图数据。且位图的精度在毫米级别，具体地，提取位图数据精度高至2mm，进而也提高了机器人定位精度。
请参阅图8，其示出了本申请实施例提供的一种机器人的室内地图构建装置的结构框图，该装置400可以包括：截面数据获取模块410、预处理模块420以及室内地图构建模块430。
截面数据获取模块410，用于获取建筑信息模型在指定高度的截面数据，所述截面数据包括边线数据。
预处理模块420，用于对所述边线数据的进行预处理，得到指定格式的边线数据。
室内地图构建模块430，用于基于所述指定格式的边线数据生成位图，并将所述的位图确定为机器人的室内地图。
进一步地，预处理模块420还包括：
平面多边形获取单元，用于获取边线数据构成的平面多边形。
第一预处理单元，用于对所述平面多边形进行第一预设算法处理，得到第一平面多边形。
第二预处理单元，用于对所述第一平面多边形进行第二预设算法处理，以得到内部连通的第二平面多边形。
指定格式的墙体边线数据获取单元，用于基于所述第二平面多边形对应的边线数据，得到所述指定格式的边线数据。
进一步地，第一预设算法包括内外偏移算法，第二预设算法包括几何布尔算法。
进一步地，室内地图构建模块430具体用于将指定格式的墙体边线数据通过Eigen库或EasyX库进行绘制，生成位图。
进一步地，室内地图构建模块430还包括：
指定格式地图构建单元，用于基于指定格式的墙体边线数据构建指定格式地图。
指定格式地图属性获取单元，用于获取指定格式地图的宽度、高度以及原点坐标。
目标位图属性生成单元，用于获取目标格式的目标位图的设定分辨率，并基于设定分辨率和指定格式地图的宽度计算目标位图的宽度，以及基于设定分辨率和指定格式地图的高度计算目标位图的高度。
转化单元，用于基于设定分辨率、目标位图的高度以及指定格式地图的原点坐标对第二平面多边形进行转化，得到转化后的平面多边形。
位矩阵构建单元，用于基于目标位图的宽度以及目标位图的高度构建目标位图的位矩阵。
位图生成单元，用于将转化后的平面多边形填充至位矩阵中，生成位图。
进一步地，指定格式地图属性获取单元，具体用于根据指定格式地图中的Range字段获取指定格式地图的宽度、高度以及原点坐标。
进一步地，指定格式地图属性获取单元，用于通过
计算目标位图的宽度，以及通过
计算目标位图的高度，其中，W为目标位图的宽度，H为目标位图的高度，a为设定分辨率，Dx为指定格式地图的宽度，Dy为指定格式地图的高度。
进一步地，转化单元具体用于通过
对第二平面多边形进行转化，其中，(xpgm，ypgm)为转化后的平面多边形中的图形点的坐标，(xorigin，yorigin)为指定格式地图的原点坐标。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，模块相互之间的耦合可以是电性，机械或其它形式的耦合。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
请参考图9，其示出了本申请实施例提供的一种电子设备的结构框图。该电子设备500可以是智能手机、平板电脑、电子书等能够运行程序的电子设备。本申请中的电子设备500可以包括一个或多个如下部件：处理器510、存储器520、以及一个或多个程序，其中一个或多个程序可以被存储在存储器520中并被配置为由一个或多个处理器510执行，一个或多个程序配置用于执行如前述方法实施例所描述的方法。
处理器510可以包括一个或者多个处理核。处理器510利用各种接口和线路连接整个电子设备500内的各个部分，通过运行或执行存储在存储器520内的指令、程序、代码集或指令集，以及调用存储在存储器520内的数据，执行电子设备500的各种功能和处理数据。可选地，处理器510可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器510可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作***、用户界面和程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器510中，单独通过一块通信芯片进行实现。
存储器520可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。存储器520可用于存储指令、程序、代码、代码集或指令集。存储器520可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作***的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储电子设备500在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
请参考图10，其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质600中存储有程序代码，所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质600可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地，计算机可读存储介质600包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质600具有执行上述方法中的任何方法步骤的程序代码610的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码610可以例如以适当形式进行压缩。
综上所述，本申请提供的机器人的室内地图构建方法、装置及电子设备，通过获取建筑信息模型在指定高度的截面数据，即截面矢量数据，其中，截面矢量数据可以包括建筑信息模型中各墙体的墙体边线数据，从而可以有效提取出便于机器人使用的墙体边线数据。然后对墙体边线数据的进行预处理，得到指定格式的墙体边线数据，从而可以方便机器人进行匹配定位。再基于指定格式的墙体边线数据生成位图，具体可以是灰度图，并将的灰度图确定为机器人的室内地图。从而基于BIM模型，可以全自动提取灰度图数据，并且提取方式简捷、有效，提取出的灰度图适用于机器人作为室内地图进行定位，进而简化了室内地图的构建。另外，通过调整指定高度可以提取任意高度的灰度图数据，提高了机器人的室内地图构建效率。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种机器人的室内地图构建方法，其特征在于，包括：
S110，获取建筑信息模型在指定高度的截面数据，所述截面数据包括边线数据；
S120，对所述边线数据的进行预处理，得到指定格式的边线数据；
S130，基于所述指定格式的边线数据生成位图，并将所述的位图确定为机器人的室内地图。
2.根据权利要求1所述的方法，其特征在于，所述S120包括：
S220，获取所述边线数据构成的平面多边形；
S230，对所述平面多边形进行第一预设算法处理，得到第一平面多边形；
S240，对所述第一平面多边形进行第二预设算法处理，以得到内部连通的第二平面多边形；
S250，基于所述第二平面多边形对应的边线数据，得到所述指定格式的边线数据。
3.根据权利要求2所述的方法，其特征在于，所述第一预设算法包括内外偏移算法，所述第二预设算法包括几何布尔算法。
4.根据权利要求2所述的方法，其特征在于，所述S130包括：
S361，基于所述指定格式的边线数据构建指定格式地图；
S362，获取所述指定格式地图的宽度、高度以及原点坐标；
S363，获取目标格式的目标位图的设定分辨率，并基于所述设定分辨率和所述指定格式地图的宽度计算所述目标位图的宽度，以及基于所述设定分辨率和所述指定格式地图的高度计算所述目标位图的高度；
S364，基于所述设定分辨率、所述目标位图的高度以及所述指定格式地图的原点坐标对所述第二平面多边形进行转化，得到转化后的平面多边形；
S365，基于所述目标位图的宽度以及所述目标位图的高度构建所述目标位图的目标矩阵；
S366，将所述转化后的平面多边形填充至所述目标矩阵中，生成所述位图。
5.根据权利要求4所述的方法，其特征在于，所述S363包括：
通过
计算所述目标位图的宽度，以及通过
计算所述目标位图的高度，其中，W为所述目标位图的宽度，H为所述目标位图的高度，a为所述设定分辨率，Dx为所述指定格式地图的宽度，Dy为所述指定格式地图的高度。
6.根据权利要求4所述的方法，其特征在于，所述S364包括：
通过
对所述第二平面多边形进行转化，其中，(xpgm，ypgm)为所述转化后的平面多边形中的图形点的坐标，(xorigin，yorigin)为所述指定格式地图的原点坐标。
7.根据权利要求1-6任一项所述的方法，所述边线数据包括所述建筑信息模型中的各建筑体的边线数据，所述建筑体包括墙体、梁、柱、窗、门中的一种或多种组合。
8.一种机器人的室内地图构建装置，其特征在于，包括：
截面数据获取模块(410)，用于获取建筑信息模型在指定高度的截面数据，所述截面数据包括边线数据；
预处理模块(420)，用于对所述边线数据的进行预处理，得到指定格式的边线数据；
室内地图构建模块(430)，用于基于所述指定格式的边线数据生成位图，并将所述的位图确定为机器人的室内地图。
9.一种电子设备，其特征在于，包括：
一个或多个处理器(510)；
存储器(520)；
一个或多个程序，其中所述一个或多个程序被存储在所述存储器(520)中并被配置为由所述一个或多个处理器(510)执行，所述一个或多个程序配置用于执行如权利要求1-7任一项所述的方法。
10.一种计算机可读介质，其特征在于，所述可读存储介质(600)存储有处理器可执行的程序代码，所述程序代码中的多条指令被所述处理器执行时使所述处理器执行权利要求1-7任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911128311.5A CN111127652A (zh) | 2019-11-18 | 2019-11-18 | 机器人的室内地图构建方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911128311.5A CN111127652A (zh) | 2019-11-18 | 2019-11-18 | 机器人的室内地图构建方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111127652A true CN111127652A (zh) | 2020-05-08 |
Family
ID=70495704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911128311.5A Pending CN111127652A (zh) | 2019-11-18 | 2019-11-18 | 机器人的室内地图构建方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111127652A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112150390A (zh) * | 2020-09-30 | 2020-12-29 | 小狗电器互联网科技（北京）股份有限公司 | 图像去噪方法、装置、计算机可读存储介质及电子设备 |
| CN112150389A (zh) * | 2020-09-30 | 2020-12-29 | 小狗电器互联网科技（北京）股份有限公司 | 图像去噪方法、装置、计算机可读存储介质及电子设备 |
| CN112150391A (zh) * | 2020-09-30 | 2020-12-29 | 小狗电器互联网科技（北京）股份有限公司 | 一种图像去噪方法、装置、可读介质及电子设备 |
| CN112835064A (zh) * | 2020-12-31 | 2021-05-25 | 上海蔚建科技有限公司 | 一种建图定位方法、***、终端及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120016952A1 (en) * | 2010-07-15 | 2012-01-19 | Research In Motion Limited | Efficient Generation Of Static Bitmaps |
| CN109388150A (zh) * | 2014-09-05 | 2019-02-26 | 深圳市大疆创新科技有限公司 | 多传感器环境地图构建 |
| CN109916393A (zh) * | 2019-03-29 | 2019-06-21 | 电子科技大学 | 一种基于机器人位姿的多重栅格值导航方法及其应用 |
| CN110274602A (zh) * | 2018-03-15 | 2019-09-24 | 奥孛睿斯有限责任公司 | 室内地图自动构建方法及*** |
-
2019
- 2019-11-18 CN CN201911128311.5A patent/CN111127652A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120016952A1 (en) * | 2010-07-15 | 2012-01-19 | Research In Motion Limited | Efficient Generation Of Static Bitmaps |
| CN109388150A (zh) * | 2014-09-05 | 2019-02-26 | 深圳市大疆创新科技有限公司 | 多传感器环境地图构建 |
| CN110274602A (zh) * | 2018-03-15 | 2019-09-24 | 奥孛睿斯有限责任公司 | 室内地图自动构建方法及*** |
| CN109916393A (zh) * | 2019-03-29 | 2019-06-21 | 电子科技大学 | 一种基于机器人位姿的多重栅格值导航方法及其应用 |
Non-Patent Citations (1)
| Title |
|---|
| 孙卫新等: ""源自建筑平面图的室内地图空间数据自动生成方法"", 《测绘学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112150390A (zh) * | 2020-09-30 | 2020-12-29 | 小狗电器互联网科技（北京）股份有限公司 | 图像去噪方法、装置、计算机可读存储介质及电子设备 |
| CN112150389A (zh) * | 2020-09-30 | 2020-12-29 | 小狗电器互联网科技（北京）股份有限公司 | 图像去噪方法、装置、计算机可读存储介质及电子设备 |
| CN112150391A (zh) * | 2020-09-30 | 2020-12-29 | 小狗电器互联网科技（北京）股份有限公司 | 一种图像去噪方法、装置、可读介质及电子设备 |
| CN112150391B (zh) * | 2020-09-30 | 2022-11-29 | 北京小狗吸尘器集团股份有限公司 | 一种图像去噪方法、装置、可读介质及电子设备 |
| CN112835064A (zh) * | 2020-12-31 | 2021-05-25 | 上海蔚建科技有限公司 | 一种建图定位方法、***、终端及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111127652A (zh) | 机器人的室内地图构建方法、装置及电子设备 | |
| US9189862B2 (en) | Outline approximation for point cloud of building | |
| KR102143108B1 (ko) | 차선 인식 모델링 방법, 장치, 저장 매체 및 기기, 및 인식 방법, 장치, 저장 매체 및 기기 | |
| CN108765584B (zh) | 激光点云数据集增广方法、装置及可读存储介质 | |
| CN115409933B (zh) | 多风格纹理贴图生成方法及其装置 | |
| CN109712131A (zh) | 肺结节特征的量化方法、装置、电子设备及存储介质 | |
| KR102432164B1 (ko) | ３ｄｂｉｍ 기반 ａｒ 검토 및 형상을 이용한 현장 검증 서비스 제공 시스템 | |
| CN113420637A (zh) | 自动驾驶中多尺度鸟瞰视角下的激光雷达检测方法 | |
| CN116559928A (zh) | 激光雷达的位姿信息确定方法、装置、设备及存储介质 | |
| CN115937690A (zh) | 一种槽线生成方法、装置、存储介质及终端 | |
| CN113658195B (zh) | 图像分割方法、装置及电子设备 | |
| CN110634187A (zh) | 基于户型图的房屋点云模型生成方法及装置 | |
| CN113077477B (zh) | 图像矢量化方法、装置及终端设备 | |
| Błaszczak-Bąk et al. | Optimization of point clouds for 3D bas-relief modeling | |
| CN114580044A (zh) | 建筑物外表面数据获取方法、装置、计算机设备和介质 | |
| CN112597260A (zh) | 空气质量模式预报数据的可视化方法及装置 | |
| CN115375847A (zh) | 材质恢复方法、三维模型的生成方法和模型的训练方法 | |
| Li et al. | [Retracted] 3D Real Scene Data Collection of Cultural Relics and Historical Sites Based on Digital Image Processing | |
| CN114609646A (zh) | 激光建图方法、装置、介质及电子设备 | |
| Yang et al. | LiDAR data reduction assisted by optical image for 3D building reconstruction | |
| CN115407302A (zh) | 激光雷达的位姿估计方法、装置和电子设备 | |
| Date et al. | Object recognition in terrestrial laser scan data using spin images | |
| Moenning et al. | Fast marching farthest point sampling for point clouds and implicit surfaces | |
| CN117075171B (zh) | 激光雷达的位姿信息确定方法、装置、设备及存储介质 | |
| Kwon et al. | Robust plane extraction using supplementary expansion for low-density point cloud data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200508 |