CN112037325A - 构建语义地图的方法、装置、计算机设备和存储介质 - Google Patents

构建语义地图的方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112037325A
CN112037325A CN202010787694.3A CN202010787694A CN112037325A CN 112037325 A CN112037325 A CN 112037325A CN 202010787694 A CN202010787694 A CN 202010787694A CN 112037325 A CN112037325 A CN 112037325A
Authority
CN
China
Prior art keywords
node
sample
original
probability
model
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.)
Granted
Application number
CN202010787694.3A
Other languages
English (en)
Other versions
CN112037325B (zh
Inventor
刘威
车路平
陈彦宇
马雅奇
陈高
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202010787694.3A priority Critical patent/CN112037325B/zh
Publication of CN112037325A publication Critical patent/CN112037325A/zh
Application granted granted Critical
Publication of CN112037325B publication Critical patent/CN112037325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种构建语义地图的方法、装置、计算机设备和存储介质。方法包括：获取环境无向图，以及环境无向图中各个原始节点对应的特征向量；通过分类器模型的模型参数对各个原始节点的特征向量进行加权，输出各个原始节点的加权向量；将各个原始节点的加权向量输入关联概率求解模型中，输出各个原始节点属于各个空间区域的概率值；根据各个原始节点属于各个空间区域的概率值，确定各个原始节点的节点类别；根据各个原始节点的节点类别生成语义地图。根据上述方法，只需要根据激光雷达传感器获取环境无向图，无需依赖其他传感器信息，减少了语义地图生成过程中的信息计算量，降低了构建语义地图的成本。

Description

构建语义地图的方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种构建语义地图的方法、装置、计算机设备和存储介质。
背景技术
随着智能移动机器人的发展，传统的度量地图(metric map)已经不能满足机器人对外部环境的感知需求。因为度量地图缺乏更有效的环境感知信息，缺少了感知信息的移动机器人在智能程度上将受到限制，语义地图应运而生。现有的主流语义地图建立方法使用激光雷达建立栅格地图(grid map)，并依赖其他传感器的信息来建立语义地图(semantic map)。在现有的方法中，若仅使用激光雷达，只能通过信号处理的方式建立信息有限的栅格地图，无法建立信息更为丰富的语义地图。因为现有的传感器成本较高，大部分家用的智能移动机器人无法仅根据激光雷达建立语义地图。
发明内容
为了解决智能移动机器人无法仅根据激光雷达建立语义地图的技术问题，本申请提供了一种构建语义地图的方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种构建语义地图的方法，包括：
获取环境无向图，以及所述环境无向图中各个原始节点对应的特征向量；
通过所述分类器模型的模型参数对各个所述原始节点的特征向量进行加权，输出各个所述原始节点的加权向量；
将各个所述原始节点的加权向量输入关联概率求解模型中，输出各个所述原始节点属于各个空间区域的概率值；
根据各个所述原始节点属于各个空间区域的概率值，确定各个所述原始节点的节点类别；
根据各个所述原始节点的节点类别生成语义地图。
可选地，所述环境无向图包括栅格地图边缘点，所述节点类别包括预设类别，所述根据各个所述原始节点的节点类别生成语义地图，包括：
连接所述环境无向图中与所述预设类别的原始节点相邻的栅格地图边缘点，得到多个封闭区域；
统计各个所述封闭区域内各个所述节点类别的占比，得到每个节点类别的占比；
将占比最大的所述节点类别作为各个所述封闭区域的目标类别；
根据各个所述封闭区域的目标类别生成所述语义地图。
可选地，所述每个原始节点的特征向量包括空间特征和连通性特征，所述通过所述分类器模型的模型参数对各个所述原始节点的特征向量进行加权，输出各个所述原始节点的加权向量，包括：
将各个所述原始节点的空间特征和连通性特征输入分类器模型中，通过所述分类器模型的模型参数对各个所述原始节点的空间特征和连通性特征进行加权处理；
根据加权处理后的空间特征和连通性特征，输出各个所述原始节点的加权向量。
可选地，所述根据各个所述原始节点属于各个空间区域的概率值，确定各个所述原始节点的节点类别，包括：
在各个所述原始节点属于各个空间区域的概率值中，选择数值最大的概率值作为各个所述原始节点的候选概率；
根据所述候选概率对应的空间区域，确定各个所述原始节点的节点类别。
可选地，所述获取环境的无向图之前，所述方法还包括：
获取样本无向图集，所述样本无向图集包括多个样本无向图，各个所述样本无向图中包括多个样本节点，样本节点携带标准节点类别；
将当前无向图中各个样本节点的特征向量输入至初始分类器中，根据所述初始分类器的模型参数，得到各个所述样本节点的预测节点类别，所述当前无向图为任意一个样本无向图；
根据样本节点的预测节点类别和对应的标准节点类别，确定所述初始分类器的第一误差值；
当所述第一误差值符合第一预设误差条件时，得到所述分类器模型；
当所述第一误差值未符合所述第一预设误差条件时，根据所述第一误差值更新所述初始分类器中的模型参数，得到中间分类器，输入下一无向图中各个样本节点的特征向量至所述中间分类器中，直至所述中间分类器的第一误差值符合所述第一预设误差条件时，得到所述分类器模型。
可选地，所述获取环境的无向图之前，所述方法还包括：
获取样本无向图集，所述样本无向图集包括多个样本无向图，各个所述样本无向图中包括多个样本节点，样本节点携带标准节点类别；
将当前样本图中各个样本节点的特征向量输入所述分类器模型中，输出各个所述样本节点的加权向量，所述当前样本图为任意一个样本无向图；
将当前样本图中各个样本节点的加权向量输入至初始概率求解模型中，根据所述初始概率求解模型的模型参数，得到各个所述样本节点的候选节点类别；
根据样本节点的候选节点类别和对应的标准节点类别，确定所述初始概率求解模型的第二误差值；
当所述第二误差值符合第二预设误差条件时，得到所述关联概率求解模型；
当所述第二误差值未符合所述第二预设误差条件时，根据所述第二误差值更新所述初始概率求解模型中的模型参数，得到中间概率求解模型，输入下一样本图中各个样本节点的特征向量至所述中间概率求解模型中，直至所述中间概率求解模型的第二误差值小于第二预设误差时，得到所述关联概率求解模型。
可选地，所述获取环境无向图，包括：
获取根据激光雷达传感器采集的环境地图生成的栅格地图；
二值化所述栅格地图，得到骨架地图；
将所述骨架地图转化为所述环境无向图。
第二方面，本申请提供了一种构建语义地图的装置，包括：
无向图获取模块，用于获取环境无向图，以及所述环境无向图中各个原始节点对应的特征向量；
分类加权模块，用于通过所述分类器模型的模型参数对各个所述原始节点的特征向量进行加权，输出各个所述原始节点的加权向量；
概率计算模块，用于将各个原始节点对应的加权向量输入关联概率求解模型中，输出各个原始节点属于各个空间区域的概率值；
类别确定模块，用于根据各个所述原始节点属于各个空间区域的概率值，确定各个所述原始节点的节点类别；
语义地图生成模块，用于根据各个所述原始节点的节点类别生成语义地图。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取环境无向图，以及所述环境无向图中各个原始节点对应的特征向量；
通过所述分类器模型的模型参数对各个所述原始节点的特征向量进行加权，输出各个所述原始节点的加权向量；
将各个所述原始节点的加权向量输入关联概率求解模型中，输出各个所述原始节点属于各个空间区域的概率值；
根据各个所述原始节点属于各个空间区域的概率值，确定各个所述原始节点的节点类别；
根据各个所述原始节点的节点类别生成语义地图。
一种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以下步骤：
获取环境无向图，以及所述环境无向图中各个原始节点对应的特征向量；
通过所述分类器模型的模型参数对各个所述原始节点的特征向量进行加权，输出各个所述原始节点的加权向量；
将各个所述原始节点的加权向量输入关联概率求解模型中，输出各个所述原始节点属于各个空间区域的概率值；
根据各个所述原始节点属于各个空间区域的概率值，确定各个所述原始节点的节点类别；
根据各个所述原始节点的节点类别生成语义地图。
上述构建语义地图的方法、装置、计算机设备和存储介质，所述方法包括：获取环境无向图，以及所述环境无向图中各个原始节点对应的特征向量；通过所述分类器模型的模型参数对各个所述原始节点的特征向量进行加权，输出各个所述原始节点的加权向量；将各个所述原始节点的加权向量输入关联概率求解模型中，输出各个所述原始节点属于各个空间区域的概率值；根据各个所述原始节点属于各个空间区域的概率值，确定各个所述原始节点的节点类别；根据各个所述原始节点的节点类别生成语义地图。根据上述方法，只需要根据激光雷达传感器获取环境无向图，无需依赖其他传感器信息，减少了语义地图生成过程中的信息计算量，降低了构建语义地图的成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中构建语义地图的方法的应用环境图；
图2为一个实施例中构建语义地图的方法的流程示意图；
图3为一个实施例中构建语义地图的装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请的一部分实施例，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做出创造性劳动的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。
图1为一个实施例中构建语义地图方法的应用环境图。参照图1，该构建语义地图方法应用于语义地图构建***。该语义地图构建***包括智能移动设备110和服务器120。智能移动设备110和服务器120通过网络连接。智能移动设备110具体可以是扫地机器人或其他智能移动机器人。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，图2为一个实施例中一种构建语义地图的方法的流程示意图，参照图2，提供了一种构建语义地图的方法。本实施例主要以该方法应用于上述图1中的智能移动设备110(或服务器120)来举例说明，该构建语义地图的方法具体包括如下步骤：
步骤S210，获取环境无向图，以及环境无向图中各个原始节点对应的特征向量。
在本实施例中，环境无向图由激光雷达传感器采集生成的栅格地图转换生成，环境无向图包括多个原始节点，原始节点对应栅格地图中的关键点，每个原始节点对应的特征向量由每个原始节点的空间特征和连通性特征组成，每个原始节点的空间特征包括该原始节点与周围障碍物之间的位置分布信息，每个原始节点的连通性特征包括该原始节点与相邻原始节点之间的连通信息，即连通性特征用于指示该原始节点与相邻的原始节点之间是否存在隔断型障碍物，若存在隔断型障碍物导致该原始节点无法与相邻的原始节点相连。
步骤S220，通过分类器模型的模型参数对各个原始节点的特征向量进行加权，输出各个原始节点的加权向量。
在本实施例中，将每个原始节点的特征向量输入至分类器模型中，分类器模型可以具体为AdaBoost弱分类器、logistic regression分类器或SVM分类器等，分类器模型的模型参数包括假设函数、权重参数等。
步骤S230，将各个原始节点的加权向量输入关联概率求解模型中，输出各个原始节点属于各个空间区域的概率值。
在本实施例中，关联概率求解模型可以具体为条件随机场模型(ConditionalRandom Field，CRF)、隐马尔可夫模型(Hidden Markov Model，HMM)或最大熵马尔可夫模型(Maximum Entropy Markov Model，MEMM)等，根据关联概率求解模型的模型参数对各个原始接的特征向量进行概率计算，得到各个原始节点属于各个空间区域的概率值，关联概率求解模型的模型参数包括权重参数。
步骤S240，根据各个原始节点属于各个空间区域的概率值，确定各个原始节点的节点类别。
在本实施例中，原始节点的节点类别与空间区域相对应，例如空间区域包括门、走廊区域和封闭房间区域，各个原始节点属于三个空间区域的概率值和为1，根据原始节点属于三个空间区域的概率值，确定该原始节点的节点类别为门、走廊或房间。
步骤S250，根据各个原始节点的节点类别生成语义地图。
在本实施例中，当多个原始节点的节点类别相同时，则用该节点类别标记由多个原始节点组成的区域，根据各个原始节点的节点类别标记不同的空间区域，以此生成语义地图。
具体地，仅依靠激光雷达传感器采集的信息建立语义地图，相较与其他传感器信息结合构建语义地图，减少了信息融合过程，减少了信息计算量，降低了建图成本，使仅装有激光雷达传感器的智能移动设备也能获得外部环境的感知信息。
在一个实施例中，连接环境无向图中与预设类别的原始节点相邻的栅格地图边缘点，得到多个封闭区域；统计各个封闭区域内各个节点类别的占比，得到每个节点类别的占比；将占比最大的节点类别作为各个封闭区域的目标类别；根据各个封闭区域的目标类别生成语义地图。
具体地，环境无向图还包括栅格地图边缘点，节点类别包括预设类别，预设类别为节点类别中用于将环境无向图划分为多个封闭区域的类别，例如门、窗户等，此处用预设类别为门举例说明，将属于门的原始节点与相邻的栅格地图边缘点相连形成封闭线，封闭线将环境无向图划分出至少两个封闭区域，还可根据其他预设类别的原始节点与栅格地图边缘点的连接形成其他的封闭区域，上述两个封闭区域对应门外区域和门内区域，统计两个区域内各个节点类别的占比，若门内区域的原始节点的节点类别包括房间和走廊，当房间类别占比大于走廊类别占比时，将房间作为目标类别，用目标类别标记门内区域，并将各个封闭区域中节点类别为非目标节点的原始节点的节点类别更改为目标节点，即将门内区域中节点类别为走廊的原始节点的节点类别更改为房间；对应门外区域将走廊作为目标类别，用走廊标记门外区域，并将门外区域中非走廊的节点类别更改为走廊。
在一个实施例中，每个原始节点的特征向量包括空间特征和连通性特征，将各个原始节点的空间特征和连通性特征输入分类器模型中，通过分类器模型的模型参数对各个原始节点的空间特征和连通性特征进行加权处理；根据加权处理后的空间特征和连通性特征，输出各个原始节点的加权向量。
具体地，按照空间特征和连通性特征对原始节点属于各个空间区域的重要程度，进行加权处理，输出各个原始节点的加权向量和各个原始节点属于各个空间区域的概率值，分类器模型中的模型参数包括关于空间特征和连通性特征的权重参数，权重参数为大于零小于一的数值，当空间特征的权重参数为0时，则表示丢弃空间特征，仅采用连通性特征进行后续属于各个空间区域的概率求解；当连通性特征的权重参数为0时，则表示丢弃连通性特征，仅采用空间特征进行后续属于各个空间区域的概率求解。
在一个实施例中，在各个原始节点属于各个空间区域的概率值中，选择数值最大的概率值作为各个原始节点的候选概率；根据候选概率对应的空间区域，确定各个原始节点的节点类别。
具体地，每个原始节点属于各个空间区域的概率值之和为1，例如空间区域包括门、走廊区域和封闭房间区域，每个原始节点属于三个空间区域的概率值之和为1，如原始节点属于门的概率值为0.2、属于走廊区域的概率值为0.3、属于房间区域的概率值为0.5，在原始节点属于三个空间区域的概率值中，选择0.5的概率值作为候选概率，候选概率对应的空间区域为房间区域，以此确定该原始节点的节点类别为房间。
在一个实施例中，获取样本无向图集，样本无向图集包括多个样本无向图，各个样本无向图中包括多个样本节点，样本节点携带标准节点类别；将当前无向图中各个样本节点的特征向量输入至初始分类器中，根据初始分类器的模型参数，得到各个样本节点的预测节点类别，当前无向图为任意一个样本无向图；根据样本节点的预测节点类别和对应的标准节点类别，确定初始分类器的第一误差值；当第一误差值符合第一预设误差条件时，得到分类器模型；当第一误差值未符合第一预设误差条件时，根据第一误差值更新初始分类器中的模型参数，得到中间分类器，输入下一无向图中各个样本节点的特征向量至中间分类器中，直至中间分类器的第一误差值符合第一预设误差条件时，得到分类器模型。
具体地，在获取环境的无向图之前，根据样本无向图集对初始分类器进行学习训练，得到分类器模型，样本无向图集中的样本无向图与环境无向图的分布相似度大于预设相似度，将当前无向图中各个样本节点的特征向量输入至初始分类器中，初始分类器中的模型参数包括初始权重参数，初始权重参数为随机数值，基于初始权重参数对各个样本节点的特征向量进行加权计算，得到加权后的加权向量，将加权向量输入假设函数中，输出该样本节点属于各个空间区域的概率值，其中概率值最大对应的空间区域作为该样本节点的预测节点类别，第一预设误差条件为第一误差值为最小值的情况，通过对比样本节点的预测节点类别和对应的标准节点类别，即根据梯度下降法判断预测节点类别的概率值和对应的标准节点类别的概率值之间的第一误差值是否为最小值，迭代计算特征向量对应的权重参数，当预测节点类别的概率值和对应的标准节点类别的概率值之间的第一误差值满足第一预设误差条件时，生成最优权重参数，根据最优权重参数生成分类器模型。
当预测节点类别的概率值和对应的标准节点类别的预设值之间的第一误差值不满足第一预设误差条件时，即第一误差值不为最小值时，生成与第一误差值对应的中间权重参数，根据中间权重参数更新初始分类器中的模型参数，得到中间分类器，继续对下一样本图中各个样本节点的特征向量进行概率计算，通过对比样本节点的预测节点类别和对应的标准节点类别，迭代计算特征向量对应的权重参数，直至预测节点类别的概率值和对应的标准节点类别的预设值之间的第一误差值符合第一预设误差条件时，得到分类器模型。
在一个实施例中，获取样本无向图集，样本无向图集包括多个样本无向图，各个样本无向图中包括多个样本节点，样本节点携带标准节点类别；将当前样本图中各个样本节点的特征向量输入分类器模型中，输出各个样本节点的加权向量，当前样本图为任意一个样本无向图；将当前样本图中各个样本节点的加权向量输入至初始概率求解模型中，根据初始概率求解模型的模型参数，得到各个样本节点的候选节点类别；根据样本节点的候选节点类别和对应的标准节点类别，确定初始概率求解模型的第二误差值；当第二误差值符合第二预设误差条件时，得到关联概率求解模型；当第二误差值未符合第二预设误差条件时，根据第二误差值更新初始概率求解模型中的模型参数，得到中间概率求解模型，输入下一样本图中各个样本节点的特征向量至中间概率求解模型中，直至中间概率求解模型的第二误差值小于第二预设误差时，得到关联概率求解模型。
具体地，获取环境的无向图之前，根据样本无向图集对初始分类器进行学习训练，得到关联概率求解模型，将样本无向图中各个样本节点的特征向量输入至分类器模型中，输出各个样本节点的加权向量和各个样本节点属于各个空间区域的概率值，将当前样本图中各个样本节点的加权向量输入至初始概率求解模型中，初始概率求解模型的模型参数包括初始权重参数，初始权重参数为随机数值，根据初始概率求解模型计算得到各个样本节点属于各个空间区域的概率值，其中概率值最大对应的空间区域作为该样本节点的候选节点类别，第二预设误差条件为第二误差值为最小值的情况，通过对比样本节点的候选节点类别和对应的标准节点类别，即根据梯度下降法判断候选节点类别的概率值和对应的标准节点类别的概率值之间的第二误差值是否为最小值，迭代计算特征向量对应的权重参数，当候选节点类别的概率值和对应的标准节点类别的概率值之间的第二误差值满足第二预设误差条件时，生成目标权重参数，根据目标权重参数生成关联概率求解模型。
当候选节点类别的概率值和对应的标准节点类别的预设值之间的第二误差值不满足第二预设误差条件时，即第二误差值不为最小值时，生成与第二误差值对应的中间权重参数，根据中间权重参数更新初始概率求解模型中的模型参数，得到中间概率求解模型，继续对下一样本图中各个样本节点的特征向量进行概率计算，通过对比样本节点的候选节点类别的概率值和对应的标准节点类别的概率值，迭代计算特征向量对应的权重参数，直至候选节点类别的概率值和对应的标准节点类别的预设值之间的第二误差值符合第二预设误差条件时，得到关联概率求解模型。
其中，通过分类器模型输出的各个样本节点属于各个空间区域的概率值，仅为通过各个样本节点的特征向量计算得出的概率值，而通过关联概率求解模型输出的各个样本节点属于各个空间区域的概率值，为当前样本节点结合其相邻的样本节点求出的联合概率，即根据当前样本节点周围的样本节点综合判断当前样本节点属于各个空间区域的概率，通过关联概率求解模型输出的概率值验证通过分类器模型输出的概率值是否准确，即提高了各个样本节点属于对应空间区域的准确性。
在一个实施例中，获取根据激光雷达传感器采集的环境地图生成的栅格地图；二值化栅格地图，得到骨架地图；将骨架地图转化为环境无向图。
具体地，根据激光雷达传感器采集环境地图，再将环境地图转换为栅格地图，栅格地图不包含空间连通性的信息，将栅格地图转为骨架地图可得到地图内连通结构的信息，将骨架地图转为无向图可得到连通结构内节点与节点之间的相对空间位置关系。
图2为一个实施例中构建语义地图的方法的流程示意图。应该理解的是，虽然图2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，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种构建语义地图的装置，包括：
无向图获取模块310，用于获取环境无向图，以及环境无向图中各个原始节点对应的特征向量；
分类加权模块320，用于通过分类器模型的模型参数对各个原始节点的特征向量进行加权，输出各个原始节点的加权向量；
概率计算模块330，用于将各个原始节点对应的加权向量输入关联概率求解模型中，输出各个原始节点属于各个空间区域的概率值；
类别确定模块340，用于根据各个原始节点属于各个空间区域的概率值，确定各个原始节点的节点类别；
语义地图生成模块350，用于根据各个原始节点的节点类别生成语义地图。
在一个实施例中，环境无向图包括栅格地图边缘点，语义地图生成模块350包括：
区域划分单元，用于连接环境无向图中与预设类别的原始节点相邻的栅格地图边缘点，得到多个封闭区域；
统计单元，用于统计各个封闭区域内各个节点类别的占比，得到每个节点类别的占比；
目标类别确定单元，用于将占比最大的节点类别作为各个封闭区域的目标类别；
语义地图生成单元，用于根据各个封闭区域的目标类别生成语义地图。
在一个实施例中，每个原始节点的特征向量包括空间特征和连通性特征，分类加权模块320包括：
加权处理单元，用于将各个原始节点的空间特征和连通性特征输入分类器模型中，通过分类器模型的模型参数对各个原始节点的空间特征和连通性特征进行加权处理；
输出单元，用于根据加权处理后的空间特征和连通性特征，输出各个原始节点的加权向量。
在一个实施例中，类别确定模块340包括：
选择单元，用于在各个原始节点属于各个空间区域的概率值中，选择数值最大的概率值作为各个原始节点的候选概率；
类别确定单元，用于根据候选概率对应的空间区域，确定各个原始节点的节点类别。
在一个实施例中，装置还包括：
第一样本获取模块，用于获取样本无向图集，样本无向图集包括多个样本无向图，各个样本无向图中包括多个样本节点，样本节点携带标准节点类别；
预测节点类别模块，用于将当前无向图中各个样本节点的特征向量输入至初始分类器中，根据初始分类器的模型参数，得到各个样本节点的预测节点类别，当前无向图为任意一个样本无向图；
第一比对模块，用于根据样本节点的预测节点类别和对应的标准节点类别，确定初始分类器的第一误差值；
分类器模型生成模块，用于当第一误差值符合第一预设误差条件时，得到分类器模型；
第一训练模块，用于当第一误差值未符合第一预设误差条件时，根据第一误差值更新初始分类器中的模型参数，得到中间分类器，输入下一无向图中各个样本节点的特征向量至中间分类器中，直至中间分类器的第一误差值符合第一预设误差条件时，得到分类器模型。
在一个实施例中，装置还包括：
第二样本获取模块，用于获取样本无向图集，样本无向图集包括多个样本无向图，各个样本无向图中包括多个样本节点，样本节点携带标准节点类别；
加权处理模块，用于将当前样本图中各个样本节点的特征向量输入分类器模型中，输出各个样本节点的加权向量，当前样本图为任意一个样本无向图；
候选节点类别模块，用于将当前样本图中各个样本节点的加权向量输入至初始概率求解模型中，根据初始概率求解模型的模型参数，得到各个样本节点的候选节点类别；
第二比对模块，用于根据样本节点的候选节点类别和对应的标准节点类别，确定初始概率求解模型的第二误差值；
关联概率求解模型生成模块，用于当第二误差值符合第二预设误差条件时，得到关联概率求解模型；
第二训练模块，用于当第二误差值未符合第二预设误差条件时，根据第二误差值更新初始概率求解模型中的模型参数，得到中间概率求解模型，输入下一样本图中各个样本节点的特征向量至中间概率求解模型中，直至中间概率求解模型的第二误差值小于第二预设误差时，得到关联概率求解模型。
在一个实施例中，装置还包括：
栅格地图获取模块，用于获取根据激光雷达传感器采集的环境地图生成的栅格地图；
二值化模块，用于二值化栅格地图，得到骨架地图；
无向图生成模块，用于将骨架地图转化为环境无向图。
图4示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的智能移动设备110(或服务器120)。如图4所示，该计算机设备包括该计算机设备包括通过***总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现构建语义地图的方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行构建语义地图的方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。
在一个实施例中，本申请提供的构建语义地图的装置可以实现为一种计算机程序的形式，计算机程序可在如图4所示的计算机设备上运行。计算机设备的存储器中可存储组成该构建语义地图的装置的各个程序模块，比如，图3所示的无向图获取模块310、分类加权模块320、概率计算模块330、类别确定模块340和语义地图生成模块350。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的构建语义地图的方法中的步骤。
图4所示的计算机设备可以通过如图3所示的构建语义地图的装置中的无向图获取模块310执行获取环境无向图，以及环境无向图中各个原始节点对应的特征向量。计算机设备可通过分类加权模块320执行通过分类器模型的模型参数对各个原始节点的特征向量进行加权，输出各个原始节点的加权向量。计算机设备可通过概率计算模块330执行将各个原始节点对应的加权向量输入关联概率求解模型中，输出各个原始节点属于各个空间区域的概率值。计算机设备可通过类别确定模块340执行根据各个原始节点属于各个空间区域的概率值，确定各个原始节点的节点类别。计算机设备可通过语义地图生成模块350执行根据各个原始节点的节点类别生成语义地图。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述接入物联网平台的方法中任意一项实施例中的步骤。
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上述接入物联网平台的方法中任意一项实施例中的步骤。
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示相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种构建语义地图的方法，其特征在于，所述方法包括：
获取环境无向图，以及所述环境无向图中各个原始节点对应的特征向量；
通过分类器模型的模型参数对各个所述原始节点的特征向量进行加权，输出各个所述原始节点的加权向量；
将各个所述原始节点的加权向量输入关联概率求解模型中，输出各个所述原始节点属于各个空间区域的概率值；
根据各个所述原始节点属于各个空间区域的概率值，确定各个所述原始节点的节点类别；
根据各个所述原始节点的节点类别生成语义地图。
2.根据权利要求1所述的方法，其特征在于，所述环境无向图包括栅格地图边缘点，所述节点类别包括预设类别，所述根据各个所述原始节点的节点类别生成语义地图，包括：
连接所述环境无向图中与所述预设类别的原始节点相邻的栅格地图边缘点，得到多个封闭区域；
统计各个所述封闭区域内各个所述节点类别的占比，得到每个节点类别的占比；
将占比最大的所述节点类别作为各个所述封闭区域的目标类别；
根据各个所述封闭区域的目标类别生成所述语义地图。
3.根据权利要求1所述的方法，其特征在于，每个所述原始节点的特征向量包括空间特征和连通性特征，所述通过所述分类器模型的模型参数对各个所述原始节点的特征向量进行加权，输出各个所述原始节点的加权向量，包括：
将各个所述原始节点的空间特征和连通性特征输入分类器模型中，通过所述分类器模型的模型参数对各个所述原始节点的空间特征和连通性特征进行加权处理；
根据加权处理后的空间特征和连通性特征，输出各个所述原始节点的加权向量。
4.根据权利要求1所述的方法，其特征在于，所述根据各个所述原始节点属于各个空间区域的概率值，确定各个所述原始节点的节点类别，包括：
在各个所述原始节点属于各个空间区域的概率值中，选择数值最大的概率值作为各个所述原始节点的候选概率；
根据所述候选概率对应的空间区域，确定各个所述原始节点的节点类别。
5.根据权利要求1所述的方法，其特征在于，所述获取环境的无向图之前，所述方法还包括：
获取样本无向图集，所述样本无向图集包括多个样本无向图，各个所述样本无向图中包括多个样本节点，样本节点携带标准节点类别；
将当前无向图中各个样本节点的特征向量输入至初始分类器中，根据所述初始分类器的模型参数，得到各个所述样本节点的预测节点类别，所述当前无向图为任意一个样本无向图；
根据样本节点的预测节点类别和对应的标准节点类别，确定所述初始分类器的第一误差值；
当所述第一误差值符合第一预设误差条件时，得到所述分类器模型；
当所述第一误差值未符合所述第一预设误差条件时，根据所述第一误差值更新所述初始分类器中的模型参数，得到中间分类器，输入下一无向图中各个样本节点的特征向量至所述中间分类器中，直至所述中间分类器的第一误差值符合所述第一预设误差条件时，得到所述分类器模型。
6.根据权利要求1所述的方法，其特征在于，所述获取环境的无向图之前，所述方法还包括：
获取样本无向图集，所述样本无向图集包括多个样本无向图，各个所述样本无向图中包括多个样本节点，样本节点携带标准节点类别；
将当前样本图中各个样本节点的特征向量输入所述分类器模型中，输出各个所述样本节点的加权向量，所述当前样本图为任意一个样本无向图；
将当前样本图中各个样本节点的加权向量输入至初始概率求解模型中，根据所述初始概率求解模型的模型参数，得到各个所述样本节点的候选节点类别；
根据样本节点的候选节点类别和对应的标准节点类别，确定所述初始概率求解模型的第二误差值；
当所述第二误差值符合第二预设误差条件时，得到所述关联概率求解模型；
当所述第二误差值未符合所述第二预设误差条件时，根据所述第二误差值更新所述初始概率求解模型中的模型参数，得到中间概率求解模型，输入下一样本图中各个样本节点的特征向量至所述中间概率求解模型中，直至所述中间概率求解模型的第二误差值小于第二预设误差时，得到所述关联概率求解模型。
7.根据权利要求1所述的方法，其特征在于，所述获取环境无向图，包括：
获取根据激光雷达传感器采集的环境地图生成的栅格地图；
二值化所述栅格地图，得到骨架地图；
将所述骨架地图转化为所述环境无向图。
8.一种构建语义地图的装置，其特征在于，所述装置包括：
无向图获取模块，用于获取环境无向图，以及所述环境无向图中各个原始节点对应的特征向量；
分类加权模块，用于通过所述分类器模型的模型参数对各个所述原始节点的特征向量进行加权，输出各个所述原始节点的加权向量；
概率计算模块，用于将各个原始节点对应的加权向量输入关联概率求解模型中，输出各个原始节点属于各个空间区域的概率值；
类别确定模块，用于根据各个所述原始节点属于各个空间区域的概率值，确定各个所述原始节点的节点类别；
语义地图生成模块，用于根据各个所述原始节点的节点类别生成语义地图。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010787694.3A 2020-08-07 2020-08-07 构建语义地图的方法、装置、计算机设备和存储介质 Active CN112037325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010787694.3A CN112037325B (zh) 2020-08-07 2020-08-07 构建语义地图的方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010787694.3A CN112037325B (zh) 2020-08-07 2020-08-07 构建语义地图的方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112037325A true CN112037325A (zh) 2020-12-04
CN112037325B CN112037325B (zh) 2024-07-12

Family

ID=73582749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010787694.3A Active CN112037325B (zh) 2020-08-07 2020-08-07 构建语义地图的方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112037325B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067191A (zh) * 2016-05-25 2016-11-02 深圳市寒武纪智能科技有限公司 一种家用机器人建立语义地图的方法及***
CN106780735A (zh) * 2016-12-29 2017-05-31 深圳先进技术研究院 一种语义地图构建方法、装置及一种机器人
CN108415032A (zh) * 2018-03-05 2018-08-17 中山大学 一种基于深度学习与激光雷达的点云语义地图构建方法
CN109737974A (zh) * 2018-12-14 2019-05-10 中国科学院深圳先进技术研究院 一种3d导航语义地图更新方法、装置及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067191A (zh) * 2016-05-25 2016-11-02 深圳市寒武纪智能科技有限公司 一种家用机器人建立语义地图的方法及***
CN106780735A (zh) * 2016-12-29 2017-05-31 深圳先进技术研究院 一种语义地图构建方法、装置及一种机器人
CN108415032A (zh) * 2018-03-05 2018-08-17 中山大学 一种基于深度学习与激光雷达的点云语义地图构建方法
CN109737974A (zh) * 2018-12-14 2019-05-10 中国科学院深圳先进技术研究院 一种3d导航语义地图更新方法、装置及设备
WO2020119684A1 (zh) * 2018-12-14 2020-06-18 中国科学院深圳先进技术研究院 一种3d导航语义地图更新方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FRIEDMAN S ET AL.: "Voronoi Random Fields: Extracting Topological Structure of Indoor Environments via Place Labeling", 《IJCAI.》, vol. 7, pages 2109 - 2114 *
PORTUGAL D ET AL.: "Extracting Topological Information from Grid Maps for Robot Navigation", 《ICAART》, vol. 2, pages 137 - 143 *

Also Published As

Publication number Publication date
CN112037325B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
CN111127513B (zh) 一种多目标跟踪方法
Gao et al. Long short-term memory-based deep recurrent neural networks for target tracking
CN110390396B (zh) 用于估计观测变量之间的因果关系的方法、装置和***
CN109120462B (zh) 机会网络链路的预测方法、装置及可读存储介质
CN111127364B (zh) 图像数据增强策略选择方法及人脸识别图像数据增强方法
CN112541302A (zh) 空气质量预测模型训练方法、空气质量预测方法及装置
CN110210656B (zh) 基于站点行为分析的共享单车流量预测方法及***
CN113807399A (zh) 一种神经网络训练方法、检测方法以及装置
CN111428854A (zh) 一种结构搜索方法及结构搜索装置
CN112990530B (zh) 区域人口数量预测方法、装置、电子设备和存储介质
CN113895460B (zh) 行人轨迹预测方法、装置及存储介质
CN107798636A (zh) 楼盘信息处理方法、装置、计算机设备及存储介质
Guo et al. Learning and integration of adaptive hybrid graph structures for multivariate time series forecasting
CN117037482A (zh) 道路交通运行状态实时感知方法、***、设备及存储介质
CN117056722A (zh) 一种规划地块人口数量预测方法及***
CN112037325B (zh) 构建语义地图的方法、装置、计算机设备和存储介质
CN116777056A (zh) 预测模型的训练、确定物资需求量的方法和装置
CN111144243A (zh) 基于对抗学习的户型图识别方法和装置
CN117010480A (zh) 模型训练方法、装置、设备、存储介质及程序产品
CN116805384A (zh) 自动搜索方法、自动搜索的性能预测模型训练方法及装置
CN112787882A (zh) 一种物联网边缘流量预测方法、装置及设备
Loch-Dehbi et al. Stochastic reasoning for UAV supported reconstruction of 3D building models
CN116824305B (zh) 应用于云计算的生态环境监测数据处理方法及***
CN115862087B (zh) 基于可靠性建模的无监督行人重识别方法及***
CN117593890B (zh) 一种道路遗撒物体的检测方法、装置、电子设备及存储介质

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
GR01 Patent grant