CN111166247B - 垃圾分类处理方法及清洁机器人 - Google Patents

Abstract

本申请公开了一种垃圾分类处理方法及清洁机器人，该方法应用于清洁机器人，包括：获取清洁机器人的前进方向上的障碍物的图像；当根据所获取的图像识别到障碍物中有垃圾时，根据所获取的图像识别垃圾的清扫属性；根据垃圾的清扫属性，控制清洁机器人处理垃圾。实施本申请可实现针对不同垃圾提高清扫覆盖率的同时，降低清扫风险。

Description

垃圾分类处理方法及清洁机器人

技术领域

本申请涉及智能机器人领域，尤其涉及一种垃圾分类处理方法以及清洁机器人。

背景技术

现代生活中，清洁机器人逐渐应用和普及。在清洁机器人的清扫过程中，会遇到各种障碍物，如墙壁、桌椅、花瓶、动物粪便、垃圾等。现有的障碍物处理方案主要是通过在清洁机器人前部或顶部安装非接触式传感器，如红外，激光或超声波等测距传感器，通过非接触式方式检测远方垃圾；然后在前部安装一套接触传感器，如开关或电容传感等，来检测清洁机器人周围的障碍物。非接触式传感器与接触式传感器相互配合，从而形成一套运动路径。现有技术中，清洁机器人在对所有清洁区域进行清扫时，采用相同的清扫策略，现实生活中会出现有些不能被清扫的垃圾(如动物粪便)被清扫、而有些垃圾却不能被清理干净的情况。因此，清洁机器人面对垃圾时采取有针对性的清扫策略很重要。

发明内容

本申请实施例提供一种垃圾分类处理方法及清洁机器人，可实现针对不同垃圾提高清扫覆盖率的同时，降低清扫风险。

第一方面，本申请实施例提供了一种垃圾分类处理方法，应用于清洁机器人，包括：获取所述清洁机器人的前进方向上的障碍物的图像；当根据所获取的图像识别到所述障碍物中有垃圾时，根据所获取的图像识别所述垃圾的清扫属性；根据所述垃圾的清扫属性，控制所述清洁机器人处理所述垃圾。

可以看出，实施本申请实施例，可实现清洁机器人可识别垃圾所属的清扫属性，并根据垃圾所属的清扫类别采取不同的运动策略和清扫策略，从而可实现针对不同垃圾提高清扫覆盖率的同时降低清扫风险，提升清洁机器人的智能化程度和清扫效果。

基于第一方面，在可能的实施例中，所述清洁机器人根据所获取的图像识别所述垃圾的清扫属性为以下一种：可清扫类垃圾、不可清扫类垃圾。

也就是说，通过将垃圾区分为可清扫类和不可清扫类，一方面可实现清洁机器人对垃圾的清扫无遗漏，提高清扫覆盖率，另一方面又能避免清洁机器人陷入危险状况和对周围环境造成危害，降低风险或负面影响。

基于第一方面，在一种可能的实施例中，所述可清扫类垃圾还可以根据垃圾的分布范围大小被进一步细分，例如，所述可清扫类垃圾可被分类为以下至少一种：成片区域垃圾、非成片区域垃圾。其中所述成片区域垃圾的分布范围大于等于预设阈值，所述非成片区域垃圾的分布范围小于预设阈值。

基于第一方面，在又一种可能的实施例中，所述可清扫类垃圾还可以根据垃圾的形态特征被进一步细分，例如，所述可清扫类垃圾可被分类为以下至少一种：可滚动类垃圾、易粘附类垃圾、细小颗粒类垃圾，等等。

也就是说，通过将可清扫类垃圾(或不可清扫类垃圾)进一步细分，能够拓展垃圾的类型，以便于后续针对各种垃圾细类规划具有针对性的清扫策略，一方面有利于实现清洁机器人对垃圾的清扫无遗漏，提高清扫覆盖率，另一方面又能避免清洁机器人陷入危险状况和对周围环境造成危害，降低风险或负面影响。

本申请中，对垃圾的清扫策略又可称为垃圾处理方式，每一种清扫属性均对应于至少一种垃圾处理方式，垃圾处理方式表示在清洁机器人清扫过程中，遇到该清扫属性的垃圾时如何进行运动以及如何进行清扫。即，垃圾处理方式指示了针对该垃圾时清洁机器人采用运动模式和清扫模式。

对于运动模式，在可能的实施例中，当所述垃圾的清扫属性表示可清扫类垃圾和/或成片区域垃圾时，所述控制所述清洁机器人处理所述垃圾，包括：控制所述清洁机器人以直线路径、曲线路径、弓字形路径、稠密路径、或螺旋路径中的至少一种运动路径对所述垃圾进行处理。

对于清扫模式，在可能的实施例中，所述清洁机器人包括边扫和/或中扫、风机组件、喷水装置；当所述垃圾的清扫属性表示可清扫类垃圾和/或成片区域垃圾时，所述控制所述清洁机器人处理所述垃圾，包括：调节所述边扫的清扫速度、调节所述中扫的清扫速度及清扫高度、调节所述风机组件的吸力、控制所述清洁机器人的喷水装置的喷水操作中的至少一项；基于调节后的操作，控制所述清洁机器人清扫所述垃圾。

通过对可清扫类垃圾配置的运动模式和清扫模式，能够提高清洁机器人对垃圾的清扫效果，提高清扫覆盖率。

在一具体实施中，对于不同的垃圾细化分类(例如可滚动类垃圾、易粘附类垃圾、细小颗粒类垃圾)，运动模式可相应配置为：

当所述垃圾的清扫属性表示可滚动类垃圾时，控制所述清洁机器人执行以下一种或多种操作指令：关闭所述边扫、降低所述边扫的清扫速度、提高所述中扫的清扫速度、降低所述中扫的清扫高度、提高所述风机组件的风力；

当所述垃圾的清扫属性表示易粘附类垃圾时，控制所述清洁机器人执行以下一种或多种操作指令：提高所述边扫的清扫速度、提高所述中扫的清扫速度、降低所述中扫的清扫高度、提高所述风机组件的风力；

当所述垃圾的清扫属性表示细小颗粒类垃圾时，控制所述清洁机器人执行以下一种或多种操作指令：降低所述边扫的清扫速度、提高所述中扫的清扫速度、保持所述中扫的清扫高度、提高所述风机组件的风力。

又一具体实施中，对于不同的垃圾细化分类(例如可滚动类垃圾、易粘附类垃圾、细小颗粒类垃圾)，清扫模式可相应配置为：

当所述垃圾的清扫属性表示可滚动类垃圾时，控制所述清洁机器人在包含所述垃圾的清扫区域中沿所述螺旋路径进行运动；

当所述垃圾的清扫属性表示易粘附类垃圾时，控制所述清洁机器人在包含所述垃圾的清扫区域中沿所述稠密路径进行运动；

当所述垃圾的清扫属性表示细小颗粒类垃圾时，控制所述清洁机器人在包含所述垃圾的清扫区域中沿所述稠密路径进行运动。

可以看到，通过上述针对各种垃圾细类配置的运动模式和清扫模式，能够提高清洁机器人对垃圾的清扫效果，提高清扫覆盖率。

基于第一方面，在可能的实施例中，当识别所述垃圾的清扫属性表示不可清扫类垃圾时，控制所述清洁机器人执行避障指令，从而避免清洁机器人陷入危险状况和对周围环境造成危害，降低风险或负面影响。

基于第一方面，在可能的实施例中，所述根据所获取的图像识别所述垃圾的清扫属性，包括：根据所获取的图像确定所述垃圾的物体类型和尺寸数据；根据所述垃圾的物体类型和尺寸数据确定所述垃圾的清扫属性。

也就是说，清洁机器人可根据图像识别垃圾的物体类型以及尺寸数据，并根据物体类型以及尺寸数据对垃圾进行分类，从而确定垃圾所属的清扫属性，提高垃圾识别的准确性和可靠性。

基于第一方面，在可能的实施例中，清洁机器人通过RGBD传感器获取图像，所述图像包括颜色图像、深度图像中的至少一种。清洁机器人将图像输入至预先训练好的深度神经网络模型，从而识别出各障碍物的物体类型，从而也就识别出了这些障碍物中是否存在垃圾。并根据预先训练好的深度神经网络模型，可确定垃圾的清扫属性。

也就是说，清洁机器人可通过RGBD传感器获得垃圾的颜色图像和深度图像，并通过深度神经网络实现对垃圾的分类，从而确定垃圾所属的清扫属性，提高了垃圾识别的准确性和可靠性。

第二方面，本申请实施例提供了一种清洁机器人，所述清洁机器人包括机身主体、控制器、图像采集装置、轮子装置、风机组件、以及与所述机身主体连接的清扫装置，清扫装置包括边扫、中扫等。其中，图像采集装置可用于获取所述清洁机器人的前进方向上的障碍物的图像；控制器可用于当根据所获取的图像识别到所述障碍物中有垃圾时，根据所获取的图像识别所述垃圾的清扫属性；所述控制器还用于，根据所述垃圾的清扫属性，控制所述清洁机器人的轮子装置的运动和控制清扫装置处理所述垃圾。

所述清洁机器人的各个部件具体可用于实现第一方面所描述的方法。

第三方面，本申请实施例提供了一种清洁机器人，包括图像获取模块、垃圾分类确定模块、垃圾处理模块、地图处理模块、驱动模块，所述清洁机器人的各个功能模块具体可用于实现第一方面所描述的方法。

第四方面，本申请实施例提供了一种非易失性存储介质，用于存储程序指令，当该程序指令应用于清洁机器人时，可用于实现第一方面所描述的方法。

第五方面，本申请实施例提供了一种计算机程序产品；该计算机程序产品包括程序指令，当该计算机程序产品被清洁机器人执行时，该清洁机器人执行前述第一方面所述方法。该计算机程序产品可以为一个软件安装包，在需要使用前述第一方面的任一种可能的设计提供的方法的情况下，可以下载该计算机程序产品并在清洁机器人上执行该计算机程序产品，以实现第一方面所述方法。

可以看出，实施本申请实施例，可实现清洁机器人可识别垃圾所属的清扫属性，并根据垃圾所属的清扫类别采取不同的运动策略和清扫策略，从而提高清洁机器人自动完成清洁作业的效率，提升清洁机器人的智能化程度和清扫效果。

另外，通过将垃圾区分为可清扫类和不可清扫类(以及各自具体的细类)，一方面可实现清洁机器人对垃圾的清扫无遗漏，提高清扫覆盖率，另一方面又能避免清洁机器人陷入危险状况和对周围环境造成危害，降低风险或负面影响。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，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1A为本申请实施例示例性提供的清洁机器人的俯视示意图；

图1B为本申请实施例示例性提供的清洁机器人的仰视示意图；

图2为本申请实施例示例性提供的清洁机器人的结构示意图；

图3为本申请实施例示例性提供的清洁机器人的控制器功能结构示意图；

图4为本申请实施例提供的一种垃圾分类处理方法的流程示意图；

图5为本申请实施例提供的又一种垃圾分类处理方法的流程示意图；

图6为本申请实施例提供的一种应用场景中清洁机器人的障碍物处理方式的示意图；

图7为本申请实施例提供的一种弓形路径的示意图；

图8为本申请实施例提供的一种稠密路径的示意图。

图9为本申请实施例提供的又一种垃圾分类处理方法的流程示意图.

具体实施方式

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，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

图1A和图1B是本申请的一个实施例提供的一种清洁机器人10的结构示意图，其中图1A示出了该清洁机器人10的俯视图，图1B示出了该清洁机器人10的仰视图。如图1A和图1B所示，该清洁机器人10包括：机身主体101以及与所述机身主体101连接的清扫装置，清扫装置例如可包括一个或多个边扫(如图示中清扫装置包括边扫1021和边扫1022)。一可选的实施例中，清扫装置还可包括一个或多个中扫1041。

清洁机器人10还可包括风机组件(如风机，图未示)，风机组件可设置于机身主体101的内部。与地面具有一定干涉的中扫将地面上的垃圾扫起并卷带到中扫与尘盒结构之间的吸尘口的前方，然后被风机组件产生并经过尘盒的有吸力的气体吸入尘盒中。一可选的实施例中，清洁机器人10还可包括一个或多个喷水装置(图未示)。

机身主体101包括清洁机器人的壳体、以及容纳于壳体或部分容纳于壳体的多种部件。

清洁机器人10包括轮子装置，如图示中轮子装置包括主动轮1031、主动轮1032和从动轮1033。其中主动轮1031及主动轮1032中一个为左轮子装置，一个为右轮子装置。主动轮1031及主动轮1032分别以对称的方式居中地布置在机器主体101的底部的相对侧。在执行清洁期间执行包括向前运动、向后运动及旋转的运动操作。从动轮1033可设置在机器主体101前部或者后部，用于改变清洁机器人在行进过程中的行驶方向。

壳体上面还设置有传感器1051，传感器1051例如可为摄像头或者RGBD传感器等等，用于获取环境中障碍物的图像。可选的，壳体上面还可设置其他传感器，如接触传感器等(图未示)。

在一具体实现中，清洁机器人10的壳体可以呈圆形，也可以是其他形状(如方形、椭圆等)，这里不做限定。

在一具体实现中，摄像头(或称摄像头元件)包括，但不限于：单目摄像头、双目摄像头、深度摄像头。

在一具体实现中，RGBD传感器可包括用于采集颜色图像(光学图像)的第一摄像头、用于采集深度图像的第二摄像头、以及用于向外投射红外散斑图案的红外发射器，其中，各个摄像头可分别与图像传感器耦合(例如CMOS图像传感器)。所述RGBD传感器和所述耦合的图像传感器又可统称为图像采集装置。具体实施中，在清洁机器人运动过程中，一方面可通过第一摄像头拍摄获得颜色图像，另一方面可通过红外发射器可向清洁机器人前方投射红外散斑图案，然后通过第二摄像头采集前方环境反射回来的光学信息，进而获得深度图像。

在一些可选的实施例中，除了安装有前置摄像装置之外，还可以在机身主体的后部、底部等其他部位安装摄像装置，用于采集机身主体周边的环境图像，并将采集的环境图像存储于存储器315中。

在一具体实现中，轮子装置可与壳体固定连接，轮子装置用于基于机身主体的相关部件的驱动而进行运动，具体的，可用于前进、后退、调整前进方向等运动以及用于加速、减速、匀速、暂停等运动。举例来说，如图1B所示，主动轮1031和主动轮1032可用于前进或后退，从动轮1033可用于调整前进方向。主动轮1031和主动轮1032还可用于实现加速、减速、匀速、暂停等运动。需要说明的是，本申请对轮子装置设置在壳体下面的具***置不作限定。

在一具体实现中，边扫可设置于壳体下面的前方位置，用于在清洁机器人10行进中进行垃圾清扫。举例来说，如图1B所示，边扫可具体包括边扫1021和边扫1022，且边扫1021和边扫1022皆相较于壳体前伸出一定的相对距离，以扩大清扫范围和实现本申请实施例所描述的垃圾分类处理方法。在一实例中，边扫可与壳体进行固定连接，此时，边扫的边缘相对壳体的距离是固定的。在又一实例中，边扫可与壳体进行可伸缩连接，此时，边扫的边缘相对壳体的距离是可以改变的，即可根据处理方式需要而改变清扫距离。本申请实施例中，清洁机器人工作过程中，边扫的清扫速度(例如边扫的转动速度)是可调的，比如可以提高或降低边扫的清扫速度，甚至可让边扫暂停工作(关闭边扫)。

在一具体实现中，中扫1041可设置于壳体底部的位置，用于在清洁机器人10行进中与地面形成干涉，将地面上的垃圾进行清扫和回收。举例来说，如图1B所示，中扫1041可以是以滚轮形进行转动的鼓形转刷。具体实现中，在壳体内部还设置有尘盒(图未示)，尘盒与中扫1041接合，用于收集经中扫1041所回收的垃圾。本申请实施例中，清洁机器人工作过程中，中扫1041的清扫速度(例如边扫的转动速度)是可调的，比如可以提高或降低中扫1041的清扫速度，甚至可让中扫1041暂停工作(关闭中扫)。中扫1041的清扫高度(即中扫边缘距离地面的距离)是可调的，比如可以提高或降低中扫1041的清扫高度。

在一具体实现中，风机组件例如为风机(或称风机组件)，风机组件可设置于壳体内部，用于提供可调的吸力，从而使中扫1041在执行清扫操作的同时，垃圾(如粉尘、纸屑等)被引入到尘盒中，以确保中扫1041将垃圾送入尘盒。本申请实施例中，清洁机器人工作过程中，风机进行吸收操作的吸力是可调的，比如可以提高或降低风机的吸力。

在一具体实现中，喷水装置可设置于壳体底部的位置，还可设置于壳体下面的前方位置，用于进行喷水或洒水操作，以便于使垃圾(如食物残渣)湿润而便于清扫。具体实现中，在壳体内部还设置有用于蓄水的水箱(图未示)，水箱可与喷水装置接合，从而为喷水装置提供水源。本申请实施例中，清洁机器人工作过程中，喷水装置的工作状态是可变的，比如可以根据需要启用或关闭喷水装置。

需要说明的是，实际应用中，清洁机器人10还可包括其他模块或组件，例如清洁机器人10还包括回充座，用于实现清洁机器人10的自主智能充电等等，本申请实施例不作限定。此外，容纳于壳体中的相关部件可参考图2实施例的描述，这里不再赘述。

参见图2，图2为本申请实施例提供的清洁机器人10的一种具体实现方式的结构框图。如图2所示，清洁机器人10可包括：芯片310、存储器315(一个或多个计算机可读存储介质)、******317。这些部件可在一个或多个通信总线314上通信。

******317主要用于实现SLAM终端300和用户/外部环境之间的交互功能，具体实现中，******317可包括：运动管理模块318、清扫管理模块320以及传感器管理模块321中的若干个部件。其中，各个管理模块可与各自对应的***设备如轮子装置323、清扫装置325以及传感器326等耦合。所述运动管理模块318、所述清扫管理模块320、所述轮子装置323、以及所述清扫装置325又可统称为驱动装置。其中：

在一些实施例中，轮子装置323可进一步包括主动轮和从动轮，主动轮和从动轮的功能可参考上文的描述。

在一些实施例中，清扫装置325可进一步包括边扫、中扫、风机组件和喷水装置中的一个或多个，边扫、中扫、风机组件和喷水装置的功能可参考上文的描述。

在一些实施例中，传感器326可包括RGBD传感器，用于获得清洁机器人前进方向的颜色图像和深度图像，RGBD传感器的具体结构和功能实现可参考上文的描述。在一可选实施例中，传感器326还可包括以下传感器的一种或多种：接触传感器，用于检测清洁机器人10是否与垃圾接触，接触传感器可进一步包含开关、电容传感、压力感应等；速度计，用于检测清洁机器人10的行驶速度；加速计，用于检测清洁机器人10的加速度；里程计，用于检测清洁机器人10的行驶里程。又一可选实施例中，传感器326还可包括以下传感器的一种或多种：超声波传感器，射频(RF)传感器，地磁传感器，位置敏感设备(PSD)传感器等。

需要说明的，******317还可以包括其他I/O外设，这里不做限定。

芯片310可集成包括：一个或多个控制器311(或称处理器)、时钟模块312以及可能的电源管理模块313。集成于芯片310中的时钟模块312主要用于为控制器311产生数据传输和时序控制所需要的时钟。集成于基带芯片310中的电源管理模块313主要用于为控制器311以及******提供稳定的、高精确度的电压。

存储器315与控制器311耦合，用于存储各种数据(如垃圾的物体类型、垃圾的尺寸数据、垃圾所属的清扫属性数据、清扫属性与垃圾处理方式之间的映射关系，等等)、各种软件程序和/或多组程序指令、存储清洁机器人10的行进区域的地图。

具体实现中，存储器315可包括高速随机存取的存储器，并且也可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。存储器315还可以存储一个或多个应用程序，如SLAM***程序、深度学习图像算法等。控制器311包括，但不限于：中央处理器、单片机、数字信号处理器、微处理器等。

一些实施例中，所述地图包括全局位置图、行进区域中各个房间的位置、垃圾的位置信息、垃圾所属的清扫属性等等。在清洁机器人10的行进过程中，基于各种传感器感测到的数据，更新所述地图中的数据。

应当理解，具体应用场景中，清洁机器人10可具有比图2示出的部件更多或更少的部件，可以组合两个或更多个部件，或者可具有部件的不同配置实现。

本申请具体实施例中，所述控制器311可用于调用存储器中的程序指令和数据，以实现下文所描述的垃圾分类处理方法，为了说明书的简洁，这里不赘述。

下面进一步描述控制器311的相关功能模块。参见图3，图3是控制器311的一种具体实现方式的结构框图，如图3所示，控制器311进一步包括图像获取模块401、垃圾分类确定模块403、垃圾处理模块405、地图处理模块407、驱动模块409，其中：

图像获取模块401，用于获取清洁机器人的前进方向上的障碍物的图像。

垃圾分类确定模块403，用于当根据所获取的图像识别到所述垃圾中有垃圾时，清洁机器人根据所获取的图像识别所述垃圾的清扫属性。具体的，可根据所述图像，识别所述垃圾的物体类型；根据所述图像，获得所述垃圾的尺寸数据；根据所述物体类型和所述尺寸数据，确定所述垃圾所属的清扫属性。

垃圾处理模块405，用于确定所述清扫属性对应的垃圾处理方式。

地图处理模块407，用于获取垃圾边界并将所述垃圾边界标定在SLAM地图，以及用于根据标定有所述垃圾边界的SLAM地图和所述垃圾处理方式进行路径规划，得到运动路径。

驱动模块409，用于根据所述垃圾处理方式驱使所述清洁机器人运动。具体的，驱动模块409可将垃圾处理方式或运动路径的指令发送至图2所示的运动管理模块318和清扫管理模块319，从而通过运动管理模块318进一步驱动该轮子装置323进行运动，通过清扫管理模块319进一步驱动清扫装置325进行清扫。

上述各个模块具体用以实现下文所描述的垃圾分类处理方法，为了说明书的简洁，这里不赘述。

参见图4，基于上文所描述清洁机器人，下面描述本申请实施例提供的一种垃圾分类处理方法，该方法包括但不限于以下步骤：

步骤201、清洁机器人获取清洁机器人的前进方向上的障碍物的图像。

具体的，障碍物可以是凸起地面的物体，例如家具、果皮、玩具、瓶装物、动物粪便、墙壁、电线、绳子、茶几布帘、门槛、鞋子、谷物、坚果、塑料、金属等等；障碍物也可以是紧贴地面的物体，例如地面的水渍、粉末堆、纸屑、食物残渣、毛发等等；障碍物可以是从地面凹陷下去的物体，例如楼梯、凹槽等等。也就是说，本申请中障碍物可能是垃圾，也可能不是垃圾。

具体实施例中，清洁机器人可通过传感器326获取清洁机器人的前进方向上的障碍物的图像，所述传感器326可以是摄像头元件，通过该摄像头元件拍摄获得图像(颜色图像)；所述传感器326也可以是其他任意可获得图像的传感器，例如RGBD传感器，通过RGBD传感器可获得障碍物的颜色图像和深度图像。

步骤202、当根据所获取的图像识别到所述障碍物中有垃圾时，清洁机器人根据所获取的图像识别所述垃圾的清扫属性。

也就是说，本申请实施例中，一方面，清洁机器人可通过图像识别、深度学习或其他传感器方法对图像进行识别，以确定清洁机器人的前进方向上的障碍物中是否存在有垃圾。若清洁机器人的前进方向上的障碍物中存在有垃圾，清洁机器人通过图像识别、深度学习或其他传感器方法进一步确定所述垃圾的清扫属性(或称清扫属性)，所述垃圾的清扫属性用于表征垃圾是否能够被清扫。

本申请一种实施例中，所述垃圾的清扫属性可被分类为：可清扫类垃圾和不可清扫类垃圾。

本申请又一种实施例中，所述可清扫类垃圾还可以根据垃圾的分布范围大小被进一步细分，例如，所述可清扫类垃圾可被分类为：成片区域垃圾和非成片区域垃圾。其中所述成片区域垃圾的分布范围大于等于预设阈值，所述非成片区域垃圾的分布范围小于预设阈值。

本申请又一种实施例中，所述可清扫类垃圾还可以根据垃圾的形态特征被进一步细分，例如，所述可清扫类垃圾可被分类为：可滚动类垃圾、易粘附类垃圾、细小颗粒类垃圾，等等。

需要说明的是，上述细化分类方式用于解释本申请而非限制。

另外，在一实施例中，本步骤的详细实施方式还可参考后文步骤504的相关描述，这里不再赘述。

步骤203、清洁机器人根据所述垃圾的清扫属性，控制所述清洁机器人处理所述垃圾。

本申请实施例中，可在清洁机器人中预先配置清扫属性与垃圾处理方式之间的对应关系。也就是说，每一种清扫属性均对应于至少一种垃圾处理方式，不同的清扫属性可对应不同的垃圾处理方式。其中，垃圾处理方式指示了针对该垃圾时清洁机器人采用的运动模式和清扫模式。也就是说，垃圾处理方式表示在清洁机器人清扫过程中，遇到该清扫属性的垃圾时如何进行运动以及如何进行清扫。比如当识别所述垃圾的清扫属性表示可清扫类垃圾时，控制所述清洁机器人执行清扫相关指令；当识别所述垃圾的清扫属性表示不可清扫类垃圾时，控制所述清洁机器人执行避障相关指令。

这样，控制器311即可根据该对应关系，获得针对当前垃圾要采用的垃圾处理方式。

举例来说，对于可清扫类垃圾，其对应的运动模式可配置为：控制器11针对所述可清扫类垃圾或成片区域垃圾，规划运动路径。其中所述运动路径例如可包括直线路径、曲线路径、弓字形路径、稠密路径、螺旋路径中的一种。基于此，控制该清洁机器人(轮子装置)沿所述运动路径进行运动。

对于可清扫类垃圾，其对应的清扫模式可配置为：控制器311调节边扫和/或中扫的清扫速度、调节中扫的清扫高度、调节所述风机组件的吸力、控制清洁机器人的喷水装置的喷水操作中的至少一项。基于此，控制该清洁机器人(清扫装置)实施清扫该垃圾。

又举例来说，当可清扫类垃圾进一步细分为可滚动类垃圾、易粘附类垃圾、细小颗粒类垃圾时，对应的运动模式的配置分别描述如下：

当所述垃圾的清扫属性表示可滚动类垃圾时，控制器311控制所述清洁机器人在包含所述垃圾的清扫区域中沿所述螺旋路径进行运动。由于易滚动类垃圾容易在地面上滚动。采用螺旋路径，可以使路径更符合在清扫垃圾时垃圾的运动，从而提高清扫效率。

当所述垃圾的清扫属性表示易粘附类垃圾时，控制器311控制所述清洁机器人在包含所述垃圾的清扫区域中沿所述稠密路径进行运动。

当所述垃圾的清扫属性表示细小颗粒类垃圾时，控制器311控制所述清洁机器人在包含所述垃圾的清扫区域中沿所述稠密路径进行运动。

对于易粘附类垃圾及细小颗粒类垃圾不易被散开，且不易一次性被清扫干净。因此，采用稠密路径可以提高易粘附类垃圾及细小颗粒类垃圾的清理效果。

又举例来说，当可清扫类垃圾进一步细分为可滚动类垃圾、易粘附类垃圾、细小颗粒类垃圾时，对应的清扫模式的配置分别描述如下：

当所述垃圾的清扫属性表示可滚动类垃圾时，控制器311控制所述清洁机器人执行以下一种或多种操作指令：关闭所述边扫、降低所述边扫的清扫速度、提高所述中扫的清扫速度、降低所述中扫的清扫高度、提高所述风机组件的风力。由于易滚动类垃圾容易在地面上滚动。对于易滚动类垃圾，关闭所述边扫或降低所述边扫的清扫速度，可以防止边扫将垃圾打散，同时也防止垃圾往远离机器的方向跑；降低所述中扫的清扫高度可以使中扫更贴合地面；提高所述中扫的清扫速度及提高所述风机组件的风力提高一次性将垃圾清理干净的效率。

当所述垃圾的清扫属性表示易粘附类垃圾时，控制器311控制所述清洁机器人执行以下一种或多种操作指令：提高所述边扫的清扫速度、提高所述中扫的清扫速度、降低所述中扫的清扫高度、提高所述风机组件的风力。由于易粘附类垃圾易在粘附地面上。对于易粘附类垃圾，通过提高所述边扫的清扫速度可以将易粘附类垃圾从地面扫起并向中扫的方向聚拢；通过降低所述中扫的清扫高度可以使中扫更贴合地面；通过提高所述中扫的清扫速度及提高所述风机组件的风力可以提高一次性将垃圾清理干净的效率。

当所述垃圾的清扫属性表示细小颗粒类垃圾时，控制器311控制所述清洁机器人执行以下一种或多种操作指令：降低所述边扫的清扫速度、提高所述中扫的清扫速度、保持所述中扫的清扫高度、提高所述风机组件的风力。对于细小颗粒类垃圾，降低所述边扫的清扫速度，可以防止边扫将垃圾打散；通过提高所述中扫的清扫速度及提高所述风机组件的风力可以提高一次性将垃圾清理干净的效率。

本步骤的详细实施方式还可参考后文步骤505的相关描述，这里不再赘述。

可以看出，实施本申请实施例，可实现清洁机器人可识别垃圾所属的清扫属性，并根据垃圾所属的清扫类别采取不同的运动策略和清扫策略，从而提高清洁机器人自动完成清洁作业的效率，提升清洁机器人的智能化程度和清扫效果。

另外，通过将垃圾区分为可清扫类和不可清扫类(以及各自具体的细类)，一方面可实现清洁机器人对垃圾的清扫无遗漏，提高清扫覆盖率，另一方面又能避免清洁机器人陷入危险状况和对周围环境造成危害，降低风险或负面影响。

参见图5，基于上文所描述清洁机器人，下面描述本申请实施例提供的一种垃圾分类处理方法，该方法包括但不限于以下步骤：

步骤501、清洁机器人获取所述清洁机器人的前进方向上的障碍物的图像。

同理，本文中所描述的障碍物为清洁机器人在行进过程中遇到的任意的可能会对清洁机器人的运动造成影响的物体。障碍物可能是垃圾，也可能不是垃圾。

清洁机器人在沿前进方向行进中，可通过自身所设置的图像采集装置对环境信息进行采集，获得障碍物的图像。所述图像包括颜色图像、深度图像中的至少一种。其中，所述颜色图像即为光学图像，用于表征所述障碍物的光学色彩；所述深度图像的每个像素点的像素值可用于表征场景中障碍物的任意表面点距离图像采集装置的距离。

步骤502、清洁机器人根据所述图像(获取的图像，即图像采集装置采集的图像)，识别所述障碍物中的垃圾的物体类型。

在一具体的实施例中，清洁机器人在行进过程中获得障碍物的图像后，控制器311可根据图像，通过预先训练好的深度学习模型(或称深度神经网络模型)识别障碍物的类型，从而识别出这些障碍物中是否存在垃圾。若障碍物中存在垃圾，则识别该垃圾的物体类型，所述物体类型即表示该垃圾具体是什么物体。举例来说，通过深度学习模型识别出当前采集的图像中障碍物中存在垃圾，该垃圾可为纸屑、粉尘、果皮、或包装盒，等等。

在一实施中，深度学习模型包括深层神经网络(Deep Neural Network，DNN)。例如卷积神经网络(Convolutinal Neural Networks，CNN)，反复神经网络(Recurrent NeuralNetwork，RNN)，或深度信任网络(Deep Belief Nets，DBN)等。

需要说明的是，在其他可能的实施方式中，也可通过其他图像识别算法或传感器方法来识别障碍物(垃圾)所属的物体类型。

步骤503、清洁机器人根据所述图像，获得所述垃圾的尺寸数据。

在一实施例中，控制器311可根据所述图像得到所述垃圾的位姿数据，所述位姿数据用于表示垃圾的位置和姿态(简称位姿)。例如，控制器311可通过地图处理模块(也可称SLAM模块或SLAM***)建立地图，然后通过所述图像得到所述垃圾在该地图中的位姿。控制器311还可根据所述图像，识别出垃圾在颜色图像中所在的位置。这样，控制器311就能够利用该位姿数据、垃圾在所述颜色图像中的位置以及深度图像重建障碍物的三维空间点云，利用重建的三维空间点云获得垃圾的尺寸数据。其中，所述尺寸数据用于表征垃圾的体积(或近似体积)或者面积(或近似面积)。

在其他实施例中，也可以通过其他方式获取所述垃圾的尺寸数据，例如，通过颜色图像提取所述垃圾的轮廓，基于所述垃圾的轮廓获取所述垃圾的尺寸数据等等。本申请不做任何限制。

步骤504、清洁机器人根据物体类型和尺寸数据，确定所述垃圾所属的清扫属性。

所述清扫属性用于表征所述垃圾是否能够被清扫。例如，清扫属性包括可清扫类垃圾和不可清扫类垃圾，可清扫类垃圾即被视为垃圾，能够被清扫；不可清扫类垃圾即被视为不能被清扫的垃圾。

当然，在实际应用中，针对可清扫类垃圾和不可清扫类垃圾还可分别细分出更多的类别。比如在一些实施例中，可将可清扫类垃圾进一步细分为：可滚动类垃圾、易粘附类垃圾、细小颗粒类垃圾，等等。在一些实施例中，可将不可清扫类垃圾进一步细分为：大体积类垃圾、***物液体类垃圾、绳状物和玩具类垃圾、塑料和织物类垃圾、金属类垃圾，等等。

需要说明的是，上述清扫属性仅仅作为示例，实际应用中，可根据实际的清扫需要来预先配置清扫属性。

清扫属性的分类依据因素可包括垃圾的物体类型和尺寸数据。举例来说，当前垃圾为纸片。当纸片的体积或面积小于等于预设阈值时，控制器311确定该垃圾的清扫属性为可清扫类垃圾(例如还可进一步细化为细小颗粒类垃圾)；当纸片的体积或面积大于预设阈值时，控制器311确定该垃圾的清扫属性为不可清扫类垃圾(例如还可进一步细化为大体积类垃圾)。

在本实施例中，对于一些尺寸相差差异较大的障碍物是需要结合尺寸数据确定所述垃圾所属的清扫属性。例如，有的水果皮很小，清洁机器人可以将小的水果皮清理干净。对于大的水果皮，清洁机器人不会清扫。

在一些实施例中，对于尺寸相差不大的障碍物(例如黄豆)，在上述确定所述垃圾所属的清扫属性过程中，也可以不采用尺寸数据。清洁机器人根据物体类型及配置的物体类型与清扫属性的对应关系，确定所述垃圾所属的清扫属性。例如，清扫机器人识别出物体类型为黄豆，清洁机器人预先配置黄豆属于易滚动类垃圾。因此当识别出物体类型为黄豆时，清洁机器人根据预先配置的物体类型与垃圾属性的对应关系，确定黄豆为易滚动类垃圾。

步骤505、清洁机器人确定所述清扫属性对应的垃圾处理方式。

本申请实施例中，可在清洁机器人中预先配置清扫属性与垃圾处理方式之间的对应关系。也就是说，每一种清扫属性均对应于至少一种垃圾处理方式，不同的清扫属性可对应不同的垃圾处理方式。其中，垃圾处理方式指示了针对该垃圾时清洁机器人采用的运动模式和清扫模式。也就是说，垃圾处理方式表示在清洁机器人清扫过程中，遇到该清扫属性的垃圾时如何进行运动以及如何进行清扫。

这样，控制器311即可根据该对应关系，获得针对当前垃圾要采用的垃圾处理方式。

举例来说，对于可清扫类垃圾，其对应的运动模式可配置为：控制器311根据所述垃圾在地图中的位置和垃圾的尺寸数据，确定针对当前垃圾的清扫区域，并规划在所述清扫区域中的运动路径。其中所述运动路径例如可包括直线路径、曲线路径、弓字形路径、稠密路径、螺旋路径中的一种。基于此，控制该清洁机器人(轮子装置)在所述清扫区域中沿所述运动路径进行运动。

对于可清扫类垃圾，其对应的清扫模式可配置为：控制器311驱使清扫装置调节该清洁机器人的相关部件(如边扫、中扫、风机组件、喷水装置)的清扫速度、清扫高度、吸力、喷水操作中的至少一项。基于此，控制该清洁机器人(清扫装置)实施清扫该垃圾。

参见图6，在一具体实施方案中，对于可清扫类垃圾，清洁机器人在沿预设的运动路径运动的过程中，可检测地图中清洁机器人距垃圾的距离。若垃圾对应的检测的距离小于等于某定值(例如可称第一阈值)时，可优先清扫该垃圾。具体过程可描述如下：在清洁机器人距垃圾的距离小于等于一定值时，控制器311在地图中标定清洁机器人的当前位置为临时中断点。然后，确定针对当前垃圾的清扫区域以及规划在清扫区域中的运动路径，调整清洁机器人的运动方向使其朝向垃圾，降低移动速度，并使清洁机器人进入准备清扫状态，朝向垃圾移动。若清洁机器人距垃圾的距离小于等于又一定值(例如可称第二阈值，可理解的，第二阈值小于第一阈值)或者等于零时，开始沿规划的运动路径进行运动，同时调节清扫装置进行垃圾清扫。沿运动路径清扫完毕后，即回到清扫前标定的临时中断点位置，继续控制清洁机器人沿原先预设的运动路径执行之前中断的动作，其中所述预设的运动路径可以是清洁机器人预先通过SLAM***进行全局路线规划而得到的。

需要说明的是，清洁机器人在清扫区域中的运动路径还可以是多种多样的，例如可为直线路径、曲线路径、弓字形路径、稠密路径、螺旋路径中的一种、或者多种的组合。其中，一种弓字形路径示例性地如图7所示。其中，稠密路径表示在清洁机器人运动过程中，不同时间所覆盖的清扫范围互有重叠。例如一种稠密路径可示例性地如图8所示，可以看到该稠密路径为不同方向的路径更密集(比如两相邻反向路径之间的距离小于清洁机器人的直径)的弓字形路径，可以理解的，稠密路径还可以有其他任意的实现形式，这里不再详述。

又举例来说，对于不可清扫类垃圾，其对应的运动模式可配置为：控制器311确定清洁机器人与垃圾边界(或称障碍物边界，下同)之间的距离，垃圾边界为所述垃圾的边缘或将所述垃圾的边缘进行膨胀处理后的虚拟边界。即，垃圾的虚拟边界是将垃圾的四周同时向外扩展一段距离(对于不同的垃圾，该扩展距离可以是不同值)，以确保清洁机器人不会触碰到垃圾。另外，垃圾边界还可分为单个垃圾边界和成片区域垃圾边界(因为有时垃圾是成片聚集的)，其中，对于单个垃圾，可根据垃圾的清扫属性设置相应的膨胀边界，对于成片区域垃圾，可设置较大的膨胀边界。当清洁机器人与垃圾边界之间的距离小于等于某一定值(例如称为第一阈值)时，降低清洁机器人的运动速度，当清洁机器人与垃圾边界之间的距离小于等于又一定值(这里可称第二阈值，可理解的，第二阈值小于第一阈值)或者等于零时，调整运动方向远离所述垃圾或者进行沿墙运动。

其中，所述沿墙运动是指清洁机器人将垃圾边界模拟成实际的墙，清洁机器人以接触或者不接触垃圾的方式，沿着垃圾边界行走一段距离。清洁机器人跟随垃圾边界的距离可以根据垃圾的物体类型和尺寸数据进行调整，最后形成的路径轨迹(可称为沿墙路径)近似于垃圾边界的一段或整段。

对于不可清扫类垃圾，其对应的清扫模式可配置为：控制器311驱使清扫装置调节该清洁机器人的相关部件(如边扫、中扫、风机组件)的调节清扫装置的清扫速度、清扫高度和吸力中的至少一项，以避免清扫所述垃圾。

下面以表1为例详细描述垃圾的清扫属性以及其对应的具体的垃圾处理方式，表1给出了细分清扫属性与垃圾处理方式之间的对应关系。

表1

基于表1，对可清扫类垃圾相关的具体垃圾处理方式分别描述如下：

处理方式1：对于可滚动类垃圾，例如，谷物、坚果和金属等，处理方式1包括：运动模式1和清扫模式1。

运动模式1可配置为：清洁机器人根据垃圾的位置数据和尺寸数据，在地图中设置清扫区域大小；检测清洁机器人距垃圾的距离。当清洁机器人与此垃圾之间的距离小于阈值时，暂停当前清扫策略，优先清扫该垃圾。具体过程可描述如下：当清洁机器人与此垃圾之间的距离小于阈值时，清洁机器人在地图中标记中断点，然后调整运动方向使其朝向垃圾，降低移动速度，并朝向垃圾移动。当当清洁机器人与此垃圾之间的距离接近或者等于零时，若垃圾呈片状分布的垃圾，则可调整运动路径为螺旋路径。若垃圾为单个垃圾，可调整运动路径为弓字形路径。

清扫模式1可配置为：清洁机器人执行以下操作指令中的一种，或多种组合：关闭边扫或降低边扫速度，以避免将垃圾打飞；提高中扫速度；降低中扫高度，以增加中扫与垃圾的摩擦力；提高吸力。

处理方式2：对于易粘附类垃圾，例如：果皮、食物残渣、植物根茎叶等，处理方式2包括：运动模式2和清扫模式2。

运动模式2可配置为：清洁机器人根据垃圾的位置数据和尺寸数据，在地图中设置清扫区域大小；检测清洁机器人距垃圾的距离，当清洁机器人与此垃圾之间距离小于阈值时，暂停当前清扫策略，优先清扫该垃圾。具体过程可描述如下：在地图中标记当前中断位置，调整机器人方向使其对准垃圾，降低移动速度，并朝向垃圾移动。当当清洁机器人与此垃圾之间距离接近或者等于零时，若垃圾呈片状分布的垃圾，则可调整运动路径为稠密路径。若垃圾为单个垃圾，可调整运动路径为弓字形路径。

清扫模式2可配置为：清洁机器人执行以下操作指令中的一种，或多种组合：提高边扫速度；提高中扫速度；降低中扫高度，以增加中扫与垃圾的摩擦力；提高吸力；进行喷水操作，以减少垃圾与地面间的粘附力。

处理方式3：对于细小颗粒类垃圾，例如纸屑、毛发等，处理方式3包括：运动模式3和清扫模式3。

运动模式3可配置为：在地图中设置清扫区域大小；检测机器人距垃圾的距离，当清洁机器人与此垃圾之间距离小于阈值时，暂停当前清扫策略，优先清扫该垃圾。具体过程可描述如下：在地图中标记当前中断位置，调整机器人方向使其对准垃圾，降低移动速度，并朝向垃圾移动。当清洁机器人与此垃圾之间的距离接近或者等于零时，则可调整运动路径为稠密路径。

清扫模式3可配置为：清洁机器人执行以下操作指令中的一种，或多种组合：降低边扫速度，以避免将垃圾打飞；提高中扫速度；保持中扫高度不变；提高吸力。

需要说明的是，在可选的实施例中，对于上述处理方式1、处理方式2、处理方式3中的一项或多项的运动模式的配置，配置的运动模式还可包括：清扫机器人还可在地图中根据清洁机器人路径覆盖清扫面积与清扫区域面积大小进行比较，判断是否清扫完毕。

若清扫完毕，清扫机器人还可以调整机器人方向(如转向180°)，回头对该清扫区域进行拍照，以确认该清扫区域中垃圾是否已清扫干净。若确认已清扫干净，则清洁机器人可回到清扫前标定的临时中断点位置，继续控制清洁机器人沿原先预设的运动路径执行之前中断的动作。

若尚未清扫完毕，清洁机器人还可重复执行在清扫区域的运动路径或者重新规划在清扫区域中的运动路径，进行多次清扫，以确保该清扫区域被清扫干净。

需要说明的是，对于上述处理方式1、处理方式2、处理方式3中描述的阈值可以是相同的，也可以是各有差异的，本申请不做限定。

还需要说明的是，上述关于可清扫类垃圾相关的具体垃圾处理方式的描述仅仅作为示例性解释，而非对本申请的限制。

基于表1，对不可清扫类垃圾相关的具体垃圾处理方式分别描述如下：

处理方式4：对于大体积类垃圾，例如：塑料袋、塑料瓶、水果、毛巾等，处理方式4包括：运动模式4和清扫模式4。

运动模式4可配置为：清洁机器人检测清洁机器人距垃圾边界的距离，当清洁机器人与此垃圾之间的距离小于阈值时，清洁机器人降低的运动速度。当距离接近零或等于零时，可调整运动路径为沿墙路径；

清扫模式4可配置为：清洁机器人执行以下操作指令中的一种，或多种组合：保持边扫速度不变；保持中扫速度不变；保持中扫高度不变；保持吸力不变。

处理方式5：对于***物液体类垃圾，例如：猫屎、狗屎、水、饮料等，处理方式5包括：运动模式5和清扫模式5。

运动模式5可配置为：清洁机器人检测机器人距垃圾边界的距离，当清洁机器人与此垃圾之间的距离小于阈值时，降低机器人的运动速度。当距离接近零或等于零时，可调整运动路径为沿墙路径。

清扫模式5可配置为：清洁机器人执行以下操作指令中的一种，或多种组合：关闭边扫，以避免边扫触碰到垃圾；降低中扫速度；保持中扫高度不变；关闭风机组件，以避免吸入垃圾。

处理方式6，对于绳状物和玩具类垃圾，处理方式6包括：运动模式6和清扫模式6。

运动模式6可配置为：清洁机器人检测机器人距垃圾边界的距离，当清洁机器人与此垃圾之间的距离小于阈值时，降低机器人的运动速度。当距离接近零或等于零时，可调整运动路径为沿墙路径。

清扫模式6可配置为：清洁机器人执行以下操作指令中的一种，或多种组合：降低边扫速度；保持中扫速度不变；保持中扫高度不变；保持吸力不变。

处理方式7：对于塑料和织物类垃圾，例如：笔、牙刷、袜子、抹布等，处理方式7包括：运动模式7和清扫模式7。

运动模式7可配置为：清洁机器人检测清洁机器人距垃圾边界的距离，当清洁机器人与此垃圾之间的距离小于阈值时，清洁机器人降低的运动速度。当距离接近零或等于零时，可调整运动路径为沿墙路径；

清扫模式7可配置为：清洁机器人执行以下操作指令中的一种，或多种组合：关闭边扫，以避免边扫触碰垃圾；保持中扫速度不变；保持中扫高度不变；降低吸力。

需要说明的是，对于上述处理方式4、处理方式5、处理方式6、处理方式7中描述的阈值可以是相同的，也可以是各有差异的，本申请不做限定。

还需要说明的是，上述关于不可清扫类垃圾相关的具体垃圾处理方式的描述仅仅作为示例性解释，而非对本申请的限制，例如上述处理方式4、处理方式5、处理方式6、处理方式7中描述的运动模式还包括以下一种或几种方式组合：直线后退远离垃圾；调整运动方向远离垃圾；旋转运动并远离垃圾，等等。

通过上述表1的描述可以看到，本申请实施例中，清扫属性(细分类型)与垃圾处理方式之间具有对应关系，即在确定清扫属性(细分类型)后，清洁机器人将可以获取与之对应的垃圾处理方式。

需要说明的是，本申请实施例的具体应用中，可根据实际清扫的需要预先配置各种清扫属性、各种垃圾处理方式、以及两者的各种对应关系。

步骤506、清洁机器人根据所述垃圾所属的清扫属性对应的垃圾处理方式控制所述清洁机器人运动。

可以理解的，在确定当前所面对垃圾的垃圾处理方式后，清洁机器人可根据垃圾处理方式的具体内容，驱使轮子装置进行相应的运动，以及驱使清扫装置进行清扫。具体可参考步骤505中的相关描述，这里不再赘述。

可以看出，实施本申请实施例，可实现清洁机器人根据图像，识别垃圾的物体类型以及尺寸数据，并根据物体类型以及尺寸数据对垃圾进行分类，从而确定垃圾所属的清扫属性，进而根据垃圾所属的清扫类别采取不同的运动策略和清扫策略。实施本方案能够提高垃圾识别的准确性和可靠性，从而进一步提高了清洁机器人自动完成清洁作业的效率，提升清洁机器人的智能化程度和清扫效果。

另外，通过准确地将垃圾区分为可清扫类和不可清扫类(以及各种精准划分的细类)，一方面可实现清洁机器人对垃圾的清扫无遗漏，提高清扫覆盖率，另一方面又能避免清洁机器人陷入危险状况和对周围环境造成危害，降低风险或负面影响。

参见图9，基于上文所描述清洁机器人，下面描述本申请实施例提供的又一种垃圾分类处理方法，该方法包括但不限于以下步骤：

在步骤601a，清洁机器人通过RGBD传感器获取颜色图像，在步骤501b，清洁机器人通过RGBD传感器获取深度图像。

具体的，RGBD传感器可包括用于采集颜色图像(光学图像)的第一摄像头、用于采集深度图像的第二摄像头、以及用于向外投射红外散斑图案的红外发射器。其中，各个摄像头可分别与图像传感器耦合(例如CMOS图像传感器)。RGBD传感器和所述耦合的图像传感器又可统称为图像采集装置。

具体实施中，红外发射器发射的红外散斑图案具有高度的随机性，会随着距离的不同而变换，即空间中任意两处的红外散斑图案都是不同的，这样就对整个清洁机器人前进方向的环境空间做了标记，通过第二摄像头采集检测障碍物反射的散斑图案，就可以实现对障碍物的各表面点进行测距，获得障碍物的深度图像。

具体实施中，通过第二摄像头对清洁机器人前进方向的环境空间进行拍摄获得颜色图像。

步骤602，清洁机器人将颜色图像输入至预先训练好的深度神经网络模型，从而识别出各障碍物的物体类型，从而也就识别出了这些障碍物中是否存在垃圾(清洁机器人可根据预设规则将某些障碍物归类为垃圾，某些障碍物归类为非垃圾)。

步骤603、清洁机器人通过该深度神经网络模型确定这些障碍物中的垃圾在颜色图像中的位置，即识别出垃圾的物体类型后，确定该垃圾在颜色图像中的位置，比如可以在颜色图像中用一个矩形框将垃圾框选标记。

步骤604、清洁机器人将颜色图像、深度图像输入至该清洁机器人的SLAM***。

其中，SLAM(Simultaneous Localization and Mapping，中文：同时定位与建图)***可用于构建清洁机器人所处环境的地图，即：当清洁机器人在未知环境中从一个未知位置开始移动时，在移动过程中根据位置估计和地图进行自身定位，同时在自身定位的基础上建造增量式地图(称为SLAM地图)，从而实现清洁机器人的自主定位和导航。

在步骤605a，清洁机器人通过SLAM***获得清洁机器人在地图中的位姿(位置与姿态)，还可将清洁机器人的位置标定在地图中。在步骤605b，清洁机器人通过SLAM***，获得障碍物(垃圾)在地图中的位置(障碍物边界)，还可将障碍物边界标定在地图中。

步骤606、清洁机器人根据垃圾在颜色图像中的位置、清洁机器人在地图中的位姿和垃圾在地图中的位置，获得垃圾的尺寸数据。所述尺寸数据用于表征垃圾的体积(或近似体积)或者面积(或近似面积)。

在一种实现方案中，清洁机器人可将垃圾在颜色图像中的二维像素轮廓、所述深度图像中与所述二维像素轮廓相对应的深度值、以及清洁机器人在地图中的位姿输入到针孔相机模型，得到垃圾的三维空间点云。使用点云分割算法，从背景中分割出属于垃圾的三维点云，然后使用简单的几何图形叠加近似得到垃圾的近似三维几何外形，对近似三维几何外形进行体积计算，得到垃圾三维几何外形的体积，即得到尺寸数据。

步骤607、确定垃圾的清扫属性。本步骤的具体实现过程可参考上文图5实施例步骤504的详细描述，这里不再赘述。

步骤608、清洁机器人根据垃圾的清扫属性、以及参考障碍物(垃圾)在地图中的位置，确定对应的垃圾处理方式。本步骤的具体实现过程可参考上文图5实施例步骤505的详细描述，这里不再赘述。

步骤609、在确定当前所面对垃圾的垃圾处理方式后，清洁机器人可根据垃圾处理方式的具体内容，驱使轮子装置进行相应的运动，以及驱使清扫装置进行清扫。垃圾处理方式的具体内容可参考步骤505中的相关描述，这里不再赘述。

可以看出，本申请实施例中，清洁机器人可通过RGBD传感器获得垃圾的颜色图像和深度图像，并通过深度神经网络和SLAM***实现对垃圾的分类，从而确定垃圾所属的清扫属性，提高了垃圾识别的准确性和可靠性。后续可根据垃圾所属的清扫类别采取不同的运动策略和清扫策略，所以，实施本申请实施例既能够提高清扫覆盖率，又能降低风险或负面影响，极大提升了清洁机器人的智能化程度和清扫效率。

需要说明的是，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read－Only Memory，ROM)、随机存储器(Random AccessMemory，RAM)、可编程只读存储器(Programmable Read－only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One－time Programmable Read－Only Memory，OTPROM)、电子抹除式可复写只读存储(Electrically－Erasable Programmable Read－Only Memory，EEPROM)、只读光盘(Compact Disc Read－Only Memory，CD－ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

在上述的实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以使得一个设备(可以是个人计算机，服务器，或者网络设备、机器人、单片机、芯片、机器人等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

以上对本申请实施例公开的进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (15)

1.一种清洁机器人，其特征在于，所述清洁机器人包括：

图像采集装置，用于获取所述清洁机器人的前进方向上的障碍物的图像；

控制器，用于当根据所获取的图像识别到所述障碍物中有垃圾时，根据所获取的图像识别所述垃圾的清扫属性；

所述控制器还用于，根据所述垃圾的清扫属性，控制所述清洁机器人处理所述垃圾；其中，当所述垃圾的清扫属性表示可滚动类垃圾时，控制所述清洁机器人执行以下一种或多种操作指令：关闭边扫、降低边扫的清扫速度、提高中扫的清扫速度、降低中扫的清扫高度、提高风机组件的风力；当所述垃圾的清扫属性表示易粘附类垃圾时，控制所述清洁机器人执行以下一种或多种操作指令：提高所述边扫的清扫速度、提高所述中扫的清扫速度、降低所述中扫的清扫高度、提高所述风机组件的风力；当所述垃圾的清扫属性表示细小颗粒类垃圾时，控制所述清洁机器人执行以下一种或多种操作指令：降低所述边扫的清扫速度、提高所述中扫的清扫速度、保持所述中扫的清扫高度、提高所述风机组件的风力；当所述垃圾的清扫属性表示可滚动类垃圾时，控制所述清洁机器人在包含所述垃圾的清扫区域中沿螺旋路径进行运动；当所述垃圾的清扫属性表示易粘附类垃圾时，控制所述清洁机器人在包含所述垃圾的清扫区域中沿稠密路径进行运动；当所述垃圾的清扫属性表示细小颗粒类垃圾时，控制所述清洁机器人在包含所述垃圾的清扫区域中沿所述稠密路径进行运动。

2.根据权利要求1所述的清洁机器人，其特征在于，所述控制器具体用于识别所述垃圾的清扫属性为以下一种：

可清扫类垃圾；

不可清扫类垃圾。

3.根据权利要求2所述的清洁机器人，其特征在于，所述可清扫类垃圾包括以下至少一种：

成片区域垃圾；

非成片区域垃圾。

4.根据权利要求2或3所述的清洁机器人，其特征在于，当所述垃圾的清扫属性表示可清扫类垃圾和/或成片区域垃圾时，所述控制器用于控制所述清洁机器人对所述垃圾进行处理的运动路径包括直线路径、曲线路径、弓字形路径、稠密路径、螺旋路径中的至少一种。

5.根据权利要求2或3所述的清洁机器人，其特征在于，

当所述垃圾的清扫属性表示可清扫类垃圾和/或成片区域垃圾时，所述控制器具体用于调节所述边扫的清扫速度、调节所述中扫的清扫速度及清扫高度、调节所述风机组件的吸力中的至少一项；

所述控制器还具体用于，基于调节后的操作，控制所述清洁机器人清扫所述垃圾。

6.根据权利要求2所述的清洁机器人，其特征在于，所述控制器具体用于：

当识别所述垃圾的清扫属性表示不可清扫类垃圾时，控制所述清洁机器人执行避障指令。

7.根据权利要求2所述的清洁机器人，其特征在于，所述控制器具体用于：

根据所获取的图像确定所述垃圾的物体类型和尺寸数据，根据所述垃圾的物体类型和尺寸数据确定所述垃圾的清扫属性。

8.一种垃圾分类处理方法，其特征在于，所述方法应用于清洁机器人，包括：

获取所述清洁机器人的前进方向上的障碍物的图像；

当根据所获取的图像识别到所述障碍物中有垃圾时，根据所获取的图像识别所述垃圾的清扫属性；

根据所述垃圾的清扫属性，控制所述清洁机器人处理所述垃圾；其中，当所述垃圾的清扫属性表示可滚动类垃圾时，控制所述清洁机器人执行以下一种或多种操作指令：关闭边扫、降低边扫的清扫速度、提高中扫的清扫速度、降低中扫的清扫高度、提高风机组件的风力；当所述垃圾的清扫属性表示易粘附类垃圾时，控制所述清洁机器人执行以下一种或多种操作指令：提高所述边扫的清扫速度、提高所述中扫的清扫速度、降低所述中扫的清扫高度、提高所述风机组件的风力；当所述垃圾的清扫属性表示细小颗粒类垃圾时，控制所述清洁机器人执行以下一种或多种操作指令：降低所述边扫的清扫速度、提高所述中扫的清扫速度、保持所述中扫的清扫高度、提高所述风机组件的风力；当所述垃圾的清扫属性表示可滚动类垃圾时，控制所述清洁机器人在包含所述垃圾的清扫区域中沿螺旋路径进行运动；当所述垃圾的清扫属性表示易粘附类垃圾时，控制所述清洁机器人在包含所述垃圾的清扫区域中沿稠密路径进行运动；当所述垃圾的清扫属性表示细小颗粒类垃圾时，控制所述清洁机器人在包含所述垃圾的清扫区域中沿所述稠密路径进行运动。

9.根据权利要求8所述的方法，其特征在于，所述清洁机器人根据所获取的图像识别所述垃圾的清扫属性为以下一种：

可清扫类垃圾；

不可清扫类垃圾。

10.根据权利要求9所述的方法，其特征在于，所述可清扫类垃圾包括以下至少一种：

成片区域垃圾；

非成片区域垃圾。

11.根据权利要求9或10所述的方法，其特征在于，当所述垃圾的清扫属性表示可清扫类垃圾和/或成片区域垃圾时，所述控制所述清洁机器人处理所述垃圾，包括：

控制所述清洁机器人以直线路径、曲线路径、弓字形路径、稠密路径、或螺旋路径中的至少一种运动路径对所述垃圾进行处理。

12.根据权利要求9或10所述的方法，其特征在于，

当所述垃圾的清扫属性表示可清扫类垃圾和/或成片区域垃圾时，所述控制所述清洁机器人处理所述垃圾，包括：

当所述垃圾的清扫属性表示可清扫类垃圾和/或成片区域垃圾时，调节所述边扫的清扫速度、调节所述中扫的清扫速度及清扫高度、调节所述风机组件的吸力中的至少一项；

基于调节后的操作，控制所述清洁机器人清扫所述垃圾。

13.根据权利要求9所述的方法，其特征在于，所述根据所述垃圾的清扫属性，控制所述清洁机器人处理所述垃圾，包括：

当识别所述垃圾的清扫属性表示不可清扫类垃圾时，控制所述清洁机器人执行避障指令。

14.根据权利要求9所述的方法，其特征在于，所述根据所获取的图像识别所述垃圾的清扫属性，包括：

根据所获取的图像确定所述垃圾的物体类型和尺寸数据；

根据所述垃圾的物体类型和尺寸数据确定所述垃圾的清扫属性。

15.一种非易失性存储介质，用于存储程序指令，所述程序指令用于实现如权利要求8至14中任一项所述的方法。

Images