CN115170445A - 点云数据的确定方法、装置及其相关设备和存储介质 - Google Patents

点云数据的确定方法、装置及其相关设备和存储介质 Download PDF

Info

Publication number
CN115170445A
CN115170445A CN202210755580.XA CN202210755580A CN115170445A CN 115170445 A CN115170445 A CN 115170445A CN 202210755580 A CN202210755580 A CN 202210755580A CN 115170445 A CN115170445 A CN 115170445A
Authority
CN
China
Prior art keywords
target
point cloud
cloud data
region
area
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.)
Withdrawn
Application number
CN202210755580.XA
Other languages
English (en)
Inventor
高鸣岐
张展鹏
成慧
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.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime 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 Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202210755580.XA priority Critical patent/CN115170445A/zh
Publication of CN115170445A publication Critical patent/CN115170445A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请公开了一种点云数据的确定方法、装置及其相关设备和存储介质，该方法包括：获取目标空间区域的区域点云数据；从区域点云数据中查找出属于目标物的目标点云数据；对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据。通过上述方式，本申请能够提高目标物的点云数据的可信程度。

Description

点云数据的确定方法、装置及其相关设备和存储介质
技术领域
本申请涉及数据处理技术领域，特别是涉及一种点云数据的确定方法、装置及其相关设备和存储介质。
背景技术
在机器人领域中，机器人建立待处理区域地图一直是机器人的重要部分，主要任务是将场景中的障碍物和可行走区域区别出来并生成地图，便于机器人进行相关运作、避障等任务。
目前，主要是通过获取待处理区域的点云数据，并基于点云数据构建机器人关于待处理区域的地图。一般情况下，获取到的点云数据噪声尺度比较大、不够平滑或者含有过多无用的点云信息，导致点云数据的可信程度较低，无法用于机器人建图、避障等流程中。
发明内容
本申请至少提供一种点云数据的确定方法、装置及其相关设备和存储介质。
本申请第一方面提供一种点云数据的确定方法，该方法包括：获取目标空间区域的区域点云数据；从区域点云数据中查找出属于目标物的目标点云数据；对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据。
因此，能够通过区域点云数据筛选出属于目标物的目标点云数据，使得后续在基于目标物的目标点云数据构建机器人关于目标空间区域的地图时能够对目标物进行响应，以在构建的地图上显示目标物；另外，通过对属于目标物的目标点云数据进行空域滤波处理，以滤除目标点云数据中的噪声信息或者无效的点云信息，提高了属于目标物的点云数据的稳定性和可信程度，一方面，使得后续在构建机器人关于目标空间区域的地图时能够对目标物进行准确的响应，以在构建的地图上更加精准地显示目标物，构建的机器人关于目标空间区域的地图对目标物区域和可行走区域划分的更加准确；另一方面，由于滤除了目标点云数据中的噪声或者无效的点云信息，减少了点云数据量，提高了后续构建机器人关于目标空间区域的地图的效率。
其中，目标点云数据包括属于目标物的若干目标物点，对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据，包括：将目标空间区域划分为若干子空间区域；对于各子空间区域，检测子空间区域中目标物点的个数；选出个数满足个数要求的子空间区域中的目标物点，以得到经空域滤波处理的目标点云数据。
因此，可通过划分目标空间区域的方式对属于目标物的目标点云数据进行空域滤波，减少了计算量，提高了空域滤波的效率。
其中，目标点云数据包括属于目标物的至少一个目标物点，在对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据之后，点云数据的确定方法还包括：获取目标点云数据中各目标物点的置信度；从目标点云数据中剔除置信度不符合置信度要求的目标物点。
因此，由于经过空域滤波处理得到的属于目标物的经空域滤波处理的目标点云数据可能还包括未被滤除的噪声信息或者无用的点云信息，所以从各目标物点的置信度角度进一步判定各目标物点的可信程度，以从属于目标物的经空域滤波处理的目标点云数据中提取属于目标物的有效点云信息。
其中，目标空间区域包括若干子空间区域，置信度要求包括以下至少一个：所在的子空间区域的置信度大于或等于第一置信度阈值、所在的子空间区域所属的投影区满足第一预设条件，第一预设条件包括属于投影区的子空间区域的数量大于第二数量、且投影区的置信度大于或等于第二置信度阈值；其中，子空间区域所属的投影区为子空间区域在预设平面上的投影区域，子空间区域的置信度是基于子空间区域中的各目标物点的置信度得到的，投影区的置信度是基于属于投影区的子空间区域的置信度得到。
因此，考虑到单一目标物点的置信度高低的偶然性比较强，所以通过判定子空间区域对应的置信度是否符合置信度要求，以确定是否从目标点云数据中剔除此子空间区域中所包括的目标物点，使得确定的属于目标物的点云数据的可信程度更高，即提高了目标物的点云数据的准确性；另外，可灵活设置信度要求。
其中，机器人包括图像采集组件，获取目标空间区域的区域点云数据，包括：利用图像采集组件采集得到目标空间区域的目标深度图像；其中，目标空间区域为图像采集组件的当前视场角范围内的区域；基于目标深度图像中的深度信息，得到目标深度图像对应的关于目标空间区域的区域点云数据。
因此，利用图像采集组件采集得到的目标深度图像生成目标空间区域的区域点云数据，图像采集组件能够在晚上等采光条件比较差的环境下获取图像并生成对应的目标深度图像；并且，图像采集组件的帧率较高，能够实时获取目标空间区域的目标深度图像，使得能够基于目标空间区域的目标深度图像实时生成目标空间区域的区域点云数据，以使得后续能够实时更新构建的机器人关于目标空间区域的地图，从而使得机器人对环境变化的响应更快；另外，图像采集组件的测距精度较高，以使得后续构建的机器人关于目标空间区域的地图细致程度更高即分辨率更高。
其中，在基于目标深度图像中的深度信息，得到目标深度图像对应的关于目标空间区域的区域点云数据之前，点云数据的确定方法还包括：对目标深度图像进行至少一种预处理，至少一种预处理包括裁剪处理、平滑处理和去噪处理中的至少一种。
因此，通过对目标深度图像进行预处理，以提高目标深度图像的可信程度；另外，可灵活设置对目标深度图像进行预处理的方式。
其中，对目标深度图像进行至少一种预处理，包括：响应于预处理包括裁剪处理，将目标深度图像中预设尺寸的边缘区域进行裁剪；响应于预处理包括平滑处理，基于目标深度图像中的各像素点的深度值，对目标深度图像中的各像素点进行中值滤波处理；响应于预处理包括去噪处理，基于目标深度图像中的各像素点的深度值，得到各像素点的梯度值，并从目标深度图像中剔除梯度值大于预设梯度值的像素点。
因此，能够滤除目标深度图像中所包括的噪声信息以及无效的信息，即对目标深度图像进行相关预处理操作能够过滤掉无用的信息以提取出有效的信息，一方面，使得后续基于目标深度图像得到的目标空间区域的区域点云数据所包括的无效点云信息和噪声信息减少，区域点云数据更加平滑，从而使得区域点云数据的稳定性且可信程度提高，进而使得后续基于区域点云数据构建的机器人关于目标空间区域的地图对目标物区域和可行走区域的划分更加准确；另一方面，由于滤除了目标深度图像中的噪声信息以及无效信息，所以后续基于目标深度图像得到的目标空间区域的区域点云数据量减少，提高了处理后续确定属于目标物的点云数据以及构建机器人关于目标空间区域的地图等相关步骤的效率。
其中，从区域点云数据中查找出属于目标物的目标点云数据，包括：基于区域点云数据中各点的高度信息，从区域点云数据中查找出属于目标物的目标点云数据。
因此，能够通过区域点云数据中各点的高度信息筛选出属于目标物的目标点云数据，可滤除无效点云数据，提高目标物点云数据确定的准确性和效率。
其中，目标物为障碍物；基于区域点云数据中各点的高度信息，从区域点云数据中查找出属于目标物的目标点云数据，包括：从区域点云数据中，选出高度信息满足预设要求的点的数据，作为目标物的目标点云数据；其中，预设要求为不属于地面且与地面之间的高度小于机器人的高度。
因此，从区域点云数据中各点高度的角度出发，筛选出区域点云数据中属于有效障碍物的点云数据，减少了属于障碍物的点云数据量，提高了后续构建机器人关于目标区域的地图的效率。
其中，在对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据之后，点云数据的确定方法还包括：基于经空域滤波处理的目标点云数据，确定目标空间区域中的目标物和可行走区域的位置信息；利用目标物和可行走区域的位置信息，构建机器人关于目标空间区域的地图。
因此，由于目标物的位置信息是基于属于目标物的经空域滤波处理的目标点云数据确定得到的，而目标点云数据为对属于目标物的目标点云数据进行空域滤波处理得到的，所以在构建机器人关于目标空间区域的地图时中会对目标物进行准确地响应，以在构建的地图上更加准确地显示目标物，构建的机器人关于目标空间区域的地图对目标物区域和可行走区域的划分更加准确；另外，减少了计算量，提高了构建机器人关于目标空间区域的地图的效率。
本申请第二方面提供一种点云数据的确定装置，该装置包括获取模块、查找模块和滤波模块；获取模块用于获取目标空间区域的区域点云数据；查找模块用于从区域点云数据中查找出属于目标物的目标始点云数据；滤波模块用于对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据。
本申请第三方面提供一种电子设备，该电子设备包括存储器和处理器，存储器存储有程序指令，处理器用于执行程序指令以实现上述的点云数据的确定方法。
本申请第四方面提供一种计算机可读存储介质，该计算机可读存储介质用于存储程序指令，程序指令能够被执行以实现上述的点云数据的确定方法。
附图说明
图1是本申请提供的点云数据的确定方法一实施例的流程示意图；
图2是本申请提供的机器人和障碍物一实施例的示意图；
图3是图1所示步骤S11一实施例的流程示意图；
图4是图1所示步骤S13一实施例的流程示意图；
图5是本申请提供的点云数据的确定方法另一实施例的流程示意图；
图6是本申请提供的点云数据的确定方法另一实施例的流程示意图；
图7是本申请提供的点云数据的确定装置一实施例的结构示意图；
图8是本申请提供的电子设备一实施例的结构示意图；
图9是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
请参阅图1，图1是本申请提供的点云数据的确定方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本申请的实施例并不以图1所示的流程顺序为限。如图1所示，本实施例包括：
需要说明的是，本申请提供的点云数据的确定方法由一些具有处理能力的电子设备执行，例如，可以是需要基于点云数据构建地图的机器人(如，清洁机器人、物流机器人等)、或者也可以是能够与机器人通讯连接的其他的执行设备等，还可以通过处理器执行程序代码实现。
步骤S11：获取目标空间区域的区域点云数据。
本申请实施例的方法用于对目标空间区域中属于目标物的点云数据进行去噪，以滤除噪声信息或者无效的点云信息，从而提高属于目标物的点云数据的可信程度，进而使得后续在基于目标物的点云数据构建机器人关于目标空间区域的地图时能够对目标物进行准确的响应，以在构建的地图对目标物区域和可行走区域划分的更加准确。本文所述的目标空间区域包括但不限于公共场所区域(如，公园、广场、办公场所等)、住宅区域(如，卧室、客厅、厨房等)等，在此不做具体限定。
在一实施方式中，获取的目标空间区域的区域点云数据为图像采集组件坐标系下的点云数据。为了便于后续确定属于目标物的目标点云数据，在其他实施方式中，获取的目标空间区域的区域点云数据也可以为机器人坐标系下的点云数据或者世界坐标系下的点云数据等，在此不做具体限定。
在一实施方式中，机器人包括图像采集组件，可基于图像采集组件采集得到的图像生成目标空间区域的区域点云数据。在一具体实施方式中，图像采集组件可以为深度相机，深度相机能够采集目标空间区域的图像并自主生成对应目标空间区域的深度图像；进一步地，根据深度图像中的深度信息确定得到目标空间区域的区域点云数据。深度相机是自带结构光的相机，可以在昏暗的条件下进行图像采集并生成对应的深度图像，即深度相机能够在晚上等采光条件比较差的环境下获取图像并生成对应的深度图像；并且，深度相机的帧率较高，能够实时获取目标空间区域的深度图像，使得后续能够基于目标空间区域的深度图像实时生成目标空间区域的区域点云数据，从而使得后续能够实时更新构建的机器人关于目标空间区域的地图，机器人对环境变化的响应更快；另外，深度相机的测距精度较高，以使得后续构建的机器人关于目标空间区域的地图细致程度更高即分辨率更高。其中，不对深度相机的具体类型进行限定，可根据实际使用需要具体设置。例如，深度相机为结构光(Structured Light)深度相机、飞行时间(Time of Flight，TOF)深度相机等。
可以理解地，在其他具体实施方式中，图像采集组件也可为双目相机，双目相机从不同位置获取关于目标空间区域的两幅图像；进一步地，双目相机将采集到的关于目标空间区域的两幅图像传输至处理装置，处理装置计算两幅图像对应点间的位置偏差，以得到目标空间区域中各点的三维几何信息，即得到目标空间区域的区域点云数据。
需要说明的是，图像采集组件可设置于机器人上，也可设置于机器人以外的其他位置。其中，在图像采集组件设置于机器人上时，上述所说的目标空间区域为图像采集组件的当前视场角范围内的区域；而在图像采集组件设置于机器人以外的其他位置时，上述所说的目标空间区域具体根据图像采集组件的具***置而定。
可以理解地，在其他具体实施方式中，也可通过激光扫描仪获取目标区域的区域点云数据。具体地，激光扫描仪利用激光测距的原理，通过记录被测物体表面大量的密集的点的三维坐标、反射率和纹理等信息，可恢复建出被测目标的三维模型及线、面、体等各种数据。
步骤S12：从区域点云数据中查找出属于目标物的目标点云数据。
在一实施方式中，可基于目标空间区域的区域点云数据中各点的高度信息，从区域点云数据中查找出属于目标物的目标点云数据。也就是说，从目标空间区域的区域点云数据中各点的高度出发，能够通过各点的高度信息确定属于目标物的点云数据，使得后续在基于目标物的点云数据构建机器人关于目标空间区域的地图时能够对目标物进行响应，以在构建的地图上对应显示目标物。其中，目标物具体可为障碍物或者其他需要在地图上进行显示的物体，在此不做具体限定。可以理解地，在其他实施方式中，也可通过图像分割或者目标识别等算法从区域点云数据中查找出属于目标物的目标点云数据。
在一实施方式中，目标物为障碍物，基于区域点云数据中各点的高度信息，从区域点云数据中查找出属于障碍物的目标点云数据，以使得后续基于障碍物的目标点云数据构建机器人关于目标空间区域的地图时能够对障碍物进行响应，以在构建的地图上显示障碍物，进而使得后续机器人在基于地图的运动过程中能够有效避障，减少机器人与障碍物发生碰撞的可能性。由于机器人的高度是固定的，所以在机器人的运动过程中，比机器人高的物体或者说物体中比机器人高的部分可能不会对机器人的运动产生阻碍，矮于机器人高度的物体或者说物体中矮于机器人的部分对机器人的运动产生阻碍的可能性比较大，即，比机器人矮的物体或者物体中矮于机器人的部分极大可能为会影响机器人运动的有效障碍物。因此，根据区域点云数据中各点的高度信息，从区域点云数据中查找出属于障碍物的目标点云数据，可以理解为从区域点云数据中筛选出属于有效障碍物的点云数据，即能够通过区域点云数据中各点的高度信息确定出在机器人运动过程中可能会对其产生阻碍的有效障碍物的点云数据，提高了对障碍物识别的准确性，使得后续构建的机器人关于目标空间区域的地图对障碍物区域和可行走区域划分地更加准确，从而使得后续机器人在基于此地图运动时能够有效避障，减少机器人与障碍物碰撞的可能性；并且，由于目标点云数据为属于有效障碍物的点云数据，减少了属于障碍物的点云数据量，从而减少了构建机器人关于目标空间区域的地图的计算量，提高了构建机器人关于目标空间区域的地图的效率。
在一具体实施方式中，从区域点云数据中选出高度信息满足预设要求的点的数据，作为障碍物的目标点云数据。可选地，在一实施方式中，预设要求为不属于地面且与地面之间的高度小于机器人的高度；由于机器人在地面上运动，所以对于机器人来说，地面以及与地面之间的高度大于机器人的高度的障碍物可能不会对机器人的运动产生阻碍，所以从区域点云数据中选出不属于地面且与地面之间的高度小于机器人的高度的点的数据作为障碍物的目标点云数据，即是从区域点云数据选出属于有效障碍物的点的数据作为障碍物的目标点云数据。
为了进一步减少机器人基于构建的地图运动时与障碍物发生碰撞的可能性，在其他实施方式中，预设要求也可为不属于地面且与地面之间的高度在第一预设范围内，其中，不对第一预设范围进行限定，可根据实际使用需要具体设置；由于对区域点云数据中各点的高度信息的确定可能存在偏差等原因，所以为了降低后续机器人在运动过程中与障碍物碰撞的可能，将区域点云数据中与地面之间的高度在第一预设范围内的点的数据作为有效障碍物的点云数据，即将矮于机器人高度的点的数据以及部分高于机器人高度的点的数据均作为有效障碍物的点云数据。
示例性地，如图2所示，图2是本申请提供的机器人和障碍物一实施例的示意图，以机器人高度h1为10cm、第一预设范围为0-13cm为例；机器人周围存在物体A，其可具体划分为a组点云数据、b组点云数据以及c组点云数据，由于a组点云数据不属于地面且与地面之间的高度h2为0≤h2≤10，a组点云数据在第一预设范围内，所以a组点云数据属于障碍物的目标点云数据中的一部分；由于b组点云数据不属于地面且与地面之间的高度h3为10≤h3≤13，其高度大于机器人高度h1但在第一预设范围内，所以b组点云数据也属于障碍物的目标点云数据中的一部分；而由于c组点云数据不属于地面且与地面之间的高度h4为h4>13，所以c组点云数据对应的物体部分在机器人运动过程中可能不会对机器人的运动产生阻碍；因此，虽然a组点云数据、b组点云数据以及c组点云数据均是物体A对应的点云数据的一部分，但是在机器人运动过程中，对于机器人来说，可能只有a组点云数据对应的部分物体和b组点云数据对应的部分物体会对应机器人的运动产生阻碍，所以将a组点云数据和b组点云数据作为障碍物的目标点云数据中的一部分，即将物体A中的a组点云数据对应的部分和b组点云数据对应的部分作为有效障碍物。
示例性地，以机器人高度h1为10cm、第一预设范围为0-13cm为例；机器人周围存在物体A，属于物体A的全部点云数据不属于地面，且至少部分点云数据与地面之间的高度h2为0≤h2≤10，属于物体A的至少部分点云数据在第一预设范围内，所以此时可将物体A的全部点云数据对应的部分均作为有效障碍物。
在其他实施方式中，目标物也可以为需要在地图进行显示的其他物体，从区域点云数据中选出高度信息满足第一预设要求的点的数据，作为目标物的目标点云数据，以使得后续在基于目标物的目标点云数据构建机器人关于目标空间区域的地图时能够对目标物进行响应，以在构建的地图上对应显示目标物。
示例性地，目标物为目标货物，从区域点云数据中选出高度信息满足第一预设要求的点的数据，作为目标货物的目标点云数据，以使得后续在基于目标物的目标点云数据构建机器人关于目标空间区域的地图时能够对目标货物进行响应，以在构建的地图上对应显示目标货物，从而后续物流机器人能够准确对目标货物进行搬运。其中，第一预设要求为不属于地面且与地面之间的高度在第二预设范围内，如，第一预设要求为不属于地面且与地面之间的高度大于或等于第一高度阈值且小于或等于第二高度阈值。
示例性地，目标物为窗户，从区域点云数据中选出高度信息满足第一预设要求的点的数据，作为窗户的目标点云数据，以使得后续在基于目标物的目标点云数据构建机器人关于目标空间区域的地图时能够对窗户进行响应，以在构建的地图上对应显示窗户，从而后续擦窗机器人能够准确对窗户进行擦拭。
在一实施方式中，若目标空间区域的区域点云数据为机器人坐标系下的点云数据，机器人坐标系是以机器人底盘上中心的点为坐标系的原点，所以可将区域点云数据中位于机器人坐标系中X轴上的点作为属于地面的点云数据。由于地面可能存在波动，所以在一实施方式中，将与地面之间的高度小于或等于第一预设值的点也作为属于地面的点云数据中的点。其中，不对第一预设值进行限定，可根据实际使用需要具体设置，例如，第一预设值为1cm、1.5cm等。
步骤S13：对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据。
由于查找出的属于目标物的目标点云数据中可能包括噪声信息或者说是无效的点云信息，导致属于目标物的目标点云数据不稳定且可信程度较低，使得后续在构建机器人关于目标空间区域的地图时对目标物的响应不够准确，以无法在构建的地图上准确地显示目标物。因此，本申请的实施方式中，会对属于目标物的目标点云数据进行空域滤波处理，以得到经空域滤波处理的目标点云数据；通过对属于目标物的目标点云数据进行空域滤波处理，以滤除目标点云数据中的噪声信息或者说是无效的点云信息，提高了属于目标物的点云数据的稳定性和可信程度，使得后续在构建机器人关于目标空间区域的地图时能够对目标物进行准确的响应，以在构建的地图上更加精准地显示目标物。
在一实施方式中，可利用均值滤波法、中值滤波法、高斯滤波法或者结合至少两种滤波法等对属于目标物的目标点云数据进行空域滤波处理，以得到经空域滤波处理的目标点云数据。为了减少计算量，在其他实施方式中，目标点云数据包括属于目标物的若干目标物点，可将目标空间区域划分为若干子空间区域，并将符合要求的子空间区域内的目标物点的数据作为目标物的经空域滤波处理的目标点云数据。
上述实施方式，通过确定属于目标物的目标点云数据，并通过对目标点云数据进行空域滤波处理，以得到经空域滤波处理的目标点云数据。故，能够通过区域点云数据筛选出属于目标物的目标点云数据，使得后续在基于目标物的目标点云数据构建机器人关于目标空间区域的地图时能够对目标物进行响应，以在构建的地图上显示目标物；另外，通过对属于目标物的目标点云数据进行空域滤波处理，以滤除目标点云数据中的噪声信息或者无效的点云信息，提高了属于目标物的点云数据的稳定性和可信程度，一方面，使得后续在构建机器人关于目标空间区域的地图时能够对目标物进行准确的响应，以在构建的地图上更加精准地显示目标物，构建的机器人关于目标空间区域的地图对目标物区域和可行走区域划分的更加准确；另一方面，由于滤除了目标点云数据中的噪声或者无效的点云信息，减少了点云数据量，提高了后续构建机器人关于目标空间区域的地图的效率。
请参阅图3，图3是图1所示步骤S11一实施例的流程示意图，需注意的是，若有实质上相同的结果，本实施例并不以图3所示的流程顺序为限。如图3所示，本申请的实施例中，机器人上设置有图像采集组件，利用图像采集组件采集得到的目标空间区域的深度图像生成目标空间区域的区域点云数据，具体包括：
步骤S111：利用所图像采集组件采集得到目标空间区域的目标深度图像。
本申请的实施方式中，利用机器人上设置的图像采集组件采集目标空间区域的图像，并生成对应目标空间区域的目标深度图像。其中，目标空间区域为图像采集组件的当前视场角范围内的区域。
步骤S112：基于目标深度图像中的深度信息，得到目标深度图像对应的关于目标空间区域的区域点云数据。
本申请的实施方式中，基于目标深度图像中的深度信息，得到目标深度图像对应的关于目标空间区域的区域点云数据。深度图像又被称为距离影像，是指图像采集组件到目标空间区域中各点的距离值(深度值)作为像素值的图像，它直接反应了目标空间区域中物体可见表面的集合形状，即深度图像的每个像素点的灰度值可用于表征目标空间区域中某一点距离图像采集组件的远近，所以目标深度图像中的深度信息即为目标空间区域的三维表示形式。具体地，根据目标深度图像中的深度信息，将目标深度图像中的各像素点进行坐标系转换，得到目标深度图像对应的关于目标空间区域的区域点云数据。
在一实施方式中，目标空间区域的区域点云数据为机器人坐标系下的点云数据，需要先基于目标深度图像中的深度信息得到目标空间区域在图像采集组件坐标系下的初始点云数据，然后再基于目标空间区域在图像采集组件坐标系下的初始点云数据得到目标空间区域在机器人坐标系下的区域点云数据。
具体地，首先，根据目标深度图像和图像采集组件的内参，得到目标空间区域在图像采集组件坐标系下的初始点云数据。也就是说，根据目标深度图像中的深度信息和图像采集组件的内参，可以计算出目标深度图像中任何一个像素点在图像采集组件坐标系下的坐标，在图像采集组件的当前视场角范围内，图像采集组件坐标系下各点的坐标就是点云传感数据，即就是图像采集组件坐标系下的初始点云数据。其中，将目标深度图像中各像素点转换为图像采集组件坐标系下的初始点云数据的具体公式如下所示：
Figure BDA0003718855170000111
其中，
Figure BDA0003718855170000112
为目标空间区域在图像采集组件坐标系下的坐标；
Figure BDA0003718855170000113
为目标深度图像中各像素点的坐标；D为深度值；
Figure BDA0003718855170000114
和
Figure BDA0003718855170000115
是图像采集组件的焦距的倒数，一般情况下，
Figure BDA0003718855170000121
和
Figure BDA0003718855170000122
是相同的。
其次，根据目标空间区域在图像采集组件坐标系下的初始点云数据和图像采集组件的外参，得到目标空间区域在机器人坐标系下的区域点云数据。其中，将目标空间区域在图像采集组件坐标系下的初始点云数据转换为机器人坐标系下的区域点云数据的具体公式如下所示：
Figure BDA0003718855170000123
其中，
Figure BDA0003718855170000124
表示目标空间区域在机器人坐标系下的坐标；
Figure BDA0003718855170000125
表示目标空间区域在图像采集组件坐标系下的坐标；r和T表示图像采集组件的外参。
可以理解地，在其他实施方式中，目标空间区域的区域点云数据也可为世界坐标系下的点云数据。此时，需要先计算得到目标空间区域在机器人坐标系下的点云数据；然后，根据机器人在世界坐标系下的坐标，确定机器人坐标系到世界坐标系的转换；然后，将目标空间区域对应的在机器人坐标系下的点云数据转换至世界坐标系进行表示，以得到目标空间区域在世界坐标系下的区域点云数据。具体地，首先获取机器人在机器人坐标系下的位置即机器人在机器人坐标系下的坐标T机，以及获取机器人在世界坐标系下的位置即机器人底盘的中心在世界坐标系下的坐标T0，具体根据机器人的定位算法(如，激光雷达定位算法或视觉SLAM算法)确定机器人底盘的中心在世界坐标系下的坐标T0，其中，T0是一个1×3的坐标；然后，根据机器人在机器人坐标系下的坐标T机和机器人在世界坐标系下的坐标T0，确定机器人坐标系到世界坐标系的旋转矩阵R0，其中，R0是一个3×3的矩阵；然后，根据旋转矩阵R0，将目标空间区域在机器人坐标系下的坐标TR转换至世界坐标系下进行表示，具体公式如下所示：
Tw＝R0*TR+T0
其中，Tw表示目标空间区域在世界坐标系下的坐标，Tw是一个1×3的坐标；R0表示旋转矩阵；TR表示目标空间区域在机器人坐标系下的坐标；T0表示机器人在世界坐标系下的坐标。
由于利用图像采集组件得到的目标空间区域的目标深度图像可能会包含很多噪声信息，同时也可能包含许多无效的信息，使得基于目标深度图像中的深度信息得到的目标空间区域的区域点云数据中包括噪声信息或者无效的点云信息，使得区域点云数据不够平滑、噪声比较大，从而造成目标空间区域的区域点云数据不够稳定且可信程度较低，导致后续基于目标空间区域的区域点云数据构建的机器人关于目标空间区域的地图精确度较低。因此，在一实施方式中，在基于目标深度图像中的深度信息得到目标深度图像对应的关于目标空间区域的区域点云数据之前，会对目标深度图像进行至少一种预处理，其中，至少一种预处理包括裁剪处理、平滑处理和去噪处理中的至少一种。
在一实施方式中，响应于对目标深度图像进行的预处理包括裁剪处理，将目标深度图像中预设尺寸的边缘区域进行裁剪。根据图像采集组件的成像原理可知，在目标深度图像的边缘区域，光的叠加很弱，边缘区域是暗光区域或者说是成像环境比较差的区域，所以目标深度图像的边缘区域的深度信息可信程度比较低，所以通过对目标深度图像进行裁剪处理，能够滤除目标深度图像中位于边缘区域的可信程度比较低的深度信息，提高了目标深度图像中深度信息的稳定性和可信程度。其中，不对预设尺寸进行限定，可根据实际使用需要具体设置。例如，裁剪掉目标深度图像中20个像素宽度大小的边缘区域。
另外，响应于对目标深度图像进行的预处理包括平滑处理，基于目标深度图像中的各像素点的深度值，对目标深度图像中的各像素点进行中值滤波处理。也就是说，通过对目标深度图像中的各像素点进行中值滤波处理以实现对目标深度图像的平滑处理，以在保留目标深度图像细节特征的条件下对目标深度图像的噪声进行抑制，提高了目标深度图像的可靠性。示例性地，利用5×5大小的滑动窗口对目标深度图像进行中值滤波处理；对于目标深度图像上各像素点来说，首先以目标深度图像中上的像素点为中心，构建一个5×5的区域；然后，将这个区域中的各像素点对应的深度值进行排序，将排序结果中位于中间位置的深度值作为该区域的中心对应的像素点的中值滤波值；若像素点的深度值与该像素点对应的中值滤波值的差值的绝对值大于第二预设值，则认为该像素点为噪声点，此时将该像素点的深度值替换为该像素点对应的中值滤波值；若像素点的深度值与该像素点对应的中值滤波值的差值小于或等于第二预设值，则保留该像素点的深度值。其中，不对第二预设值进行限定，可根据实际使用需要具体设置。可以理解地，在其他实施方式中，也可利用高斯滤波、均值滤波或者双边滤波等滤波方式对目标深度图像进行平滑处理，在此不做具体限定。
此外，响应于对目标深度图像进行的预处理包括去噪处理，基于目标深度图像中的各像素点的深度值，得到各像素点的梯度值，并从目标深度图像中剔除梯度值大于预设梯度值的像素点。通过对目标深度图像中的各像素点进行去噪处理，以滤除目标深度图像中的噪声点，或者说对目标深度图像中的噪声进行了平滑抑制。其中，不对预设梯度值进行限定，可根据实际使用需要具体设置。
示例性地，首先，利用3×3大小的Sobel算子矩阵与目标深度图像进行卷积，得到目标深度图像中各像素点的横向梯度值和纵向梯度值。具体公式如下所示：
Figure BDA0003718855170000141
Figure BDA0003718855170000142
其中，Gx表示某一像素点的横向梯度值；Gy表示某一像素点的纵向梯度值；A表示目标深度图像；
Figure BDA0003718855170000143
表示Sobel算子在横向方向上的卷积因子；
Figure BDA0003718855170000144
表示Sobel算子在纵向方向上的卷积因子。
其次，对于目标深度图像中的各像素点来说，结合像素点的横向梯度值和纵向梯度值，得到像素点的梯度值。具体公式如下所示：
Figure BDA0003718855170000145
其中，G表示某一像素点的梯度值；Gx表示某一像素点的横向梯度值；Gy表示某一像素点的纵向梯度值。
最后，判定目标深度图像中各像素点的梯度值与预设梯度值之间的大小关系，若像素点的梯度值大于预设梯度值，则认为该像素点为噪声点，此时从目标深度图像中剔除该像素点，以实现对目标深度图像中的噪声点的滤除。可以理解地，在其他实施方式中，也可利用Canny算子或者Laplacian算子等对目标深度图像进行去噪处理，在此不做具体限定。
在一具体实施方式中，在基于目标深度图像中的深度信息得到目标深度图像对应的关于目标空间区域的区域点云数据之前，会依次对目标深度图像进行裁剪处理、平滑处理和去噪处理，以滤除目标深度图像中所包括的噪声信息以及无效的信息，即对目标深度图像进行相关预处理操作能够提取出有效的信息，一方面，使得后续基于目标深度图像得到的目标空间区域的区域点云数据所包括的无效点云信息减少，区域点云数据更加平滑，从而使得区域点云数据的稳定性且可信程度提高，进而使得后续基于区域点云数据构建的机器人关于目标空间区域的地图更加精确、分辨率更高；另一方面，由于滤除了目标深度图像中的噪声信息或者无效信息，所以后续基于目标深度图像得到的目标空间区域的区域点云数据量减少，提高了处理后续确定属于目标物的点云数据以及构建机器人关于目标空间区域的地图等相关步骤的效率。
请参阅图4，图4是图1所示步骤S13一实施例的流程示意图。需注意的是，若有实质上相同的结果，本申请实施例并不以图4所示的流程顺序为限。如图4所示，本实施例包括：
步骤S131：将目标空间区域划分为若干子空间区域。
本申请的实施方式中，将目标空间区域划分为若干子空间区域。在一实施方式中，为了便于后续确定各子空间区域是否符合要求，将目标空间区域均等划分为若干子空间区域。可以理解地，在其他实施方式中，也可将目标空间区域随机划分为若干子空间区域。
其中，不对划分的子空间区域的大小、尺寸进行限定，可根据实际使用需要具体设置。例如，将目标空间区域均等划分为若干个1立方厘米分辨率的正方体空间区域。
步骤S132：对于各子空间区域，检测子空间区域中目标物点的个数。
本申请的实施方式中，对于各子空间区域，检测子空间区域中目标物点的个数是否符合个数要求。其中，不对个数要求进行限定，可根据实际使用需要具体设置。例如，个数要求为子空间区域中目标物点的个数大于第一数量，第一数量可以为3、4或者5等。
步骤S133：选出个数满足个数要求的子空间区域中的目标物点，以得到经空域滤波处理的目标点云数据。
本申请的实施方式中，选出个数满足个数要求的子空间区域中的目标物点，这些个数符合个数要求的子空间区域中的目标物点构成目标物的经空域滤波处理的目标点云数据。对于任一实体目标物来说，其对应的目标点云数据包括的若干目标物点应该是连续且密集的，在某一子空间区域中的目标物点的个数不满足个数要求时，说明该子空间区域中的目标物点是孤立的，极大可能是离群点即噪声点；而在某一子空间区域中的目标物点的个数满足个数要求时，说明该子空间区域中的目标物点是具有一定连续性且是密集的即说明这些点不是孤立的，则表明该子空间区域中的目标物点属于实体目标物的可能性极大，所以可将这些个数符合个数要求的子空间区域中的目标物点作为属于目标物的经空域滤波处理的目标点云数据，以滤除目标点云数据中的噪声信息，得到属于目标物的目标点云数据中的有效点云信息即经空域滤波处理的目标点云数据。
请参阅图5，图5是本申请提供的点云数据的确定方法另一实施例的流程示意图。需注意的是，若有实质上相同的结果，本申请实施例并不以图5所示的流程顺序为限。如图5所示，本申请实施例包括：
步骤S51：获取目标空间区域的区域点云数据。
步骤S51与步骤S11类似，在此不再赘述。
步骤S52：从区域点云数据中查找出属于目标物的目标点云数据。
步骤S52与步骤S12类似，在此不再赘述。
步骤S53：对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据。
步骤S53与步骤S13类似，在此不再赘述。
步骤S54：获取经空域滤波处理的目标点云数据中各目标物点的置信度。
由于经过空域滤波处理得到的属于目标物的目标点云数据可能还包括未被滤除的噪声信息或者无用的点云信息。因此，本申请的实施方式中，获取经空域滤波处理的目标点云数据中各目标物点的置信度，以便于后续进一步对点云数据的可信程度进行判定。目标物点的置信度表示目标物点实际为目标物上的一点而并非噪声点的可信程度，所以通过确定各目标物点的置信度，能够便于后续根据各目标物点的置信度确定各目标物点实际是否为噪声点，一方面，实现对经空域滤波处理的目标点云数据中的噪声的滤除，以提取属于目标物的有效点云信息，进一步提高了属于目标物的点云数据的可信程度，使得后续在构建机器人关于目标空间区域的地图时能够对目标物进行准确的响应，以在构建的地图上更加精准地显示目标物，减少灰尘等环境信息对后续构建的机器人关于目标空间区域的地图的精准性的影响；另一方面，由于滤除了经空域滤波处理的目标点云数据中的噪声信息，减少了点云数据量，提高了后续构建机器人关于目标空间区域的地图的效率。
在一实施方式中，可根据目标物点的至少一个属性参数对应的置信度，确定目标物点的置信度。例如，可根据目标物点的表征空间分布情况的分布属性参数对应的置信度确定目标物点的置信度。又例如，可根据目标物点的表征数据情况的数据属性参数对应的置信度确定目标物点的置信度。又例如，可同时根据目标物点的表征空间分布情况的分布属性参数对应的置信度以及表征数据情况的数据属性参数对应的置信度，确定目标物点的置信度，以实现从目标物点的空间分布情况角度和从采集组件采集的采集数据的可靠性的角度，共同确定此物目标物点的置信度，目标物点的置信度的可靠性更高。
在一实施方式中，目标物点的分布属性参数为目标物点所在的空间区域中的目标物点的数量，分布属性参数与对应的属性置信度正相关。示例性地，分布属性参数对应的属性置信度为目标物点的密度指数；对于任一实体目标物来说，其对应的目标点云数据所包括的若干目标物点应该是连续且密集的，所以在对应目标物的子空间区域中的目标物点应该也是连续且密集的，因此目标物点所在的空间区域中的目标物点的数量越多，则此空间区域的空间密度指数越大，表明此空间区域中的各目标物点属于目标物的可能性越高，即目标物点属于目标物的可信程度越大。
在一实施方式中，目标物点的数据属性参数为采集数据中与目标物点对应的数据点的梯度，数据属性参数与对应的属性置信度为负相关。示例性地，数据属性参数对应的属性置信度为目标物点梯度的倒数；对于任一实体目标物来说，在目标物的比较平滑的部分区域，其灰度值比较小，梯度值也比较小，所以目标物点对应的数据点的梯度越大，则表明此目标物点属于目标物的可能性越小，即目标物点属于目标物的可信度越小。可以理解地，在其他具体实施方式中，数据属性参数对应的属性置信度也可以为一减去目标物点对应的数据点的梯度等。
在数据属性参数对应的属性置信度为目标物点梯度的倒数时，为了便于后续基于目标物点的数据属性对应的属性置信度确定目标物点的置信度，在一具体实施方式中，可将目标物点梯度的倒数进行归一化处理，以归一化到0-1之间。
在一具体实施方式中，在目标物点仅包括一种属性参数时，如目标物点仅包括表征空间分布情况的分布属性参数或者表征数据情况的数据属性参数时，可直接将属性参数对应的属性置信度作为目标物点的置信度。
在一具体实施方式中，在目标物点包括两种或多种属性参数时，如同时包括表征空间分布情况的分数属性参数和表征数据情况的数据属性参数时，可将目标物点的每个属性参数对应的属性置信度相乘，以得到目标物点的置信度。可以理解地，在其他实施方式中，也可将目标物点的每个属性参数对应的属性置信度进行加权求和或者求均值等处理，以得到目标物点的置信度等，在此不做具体限定。
步骤S55：从经空域滤波处理的目标点云数据中剔除置信度不符合置信度要求的目标物点。
本申请的实施方式中，从经空域滤波处理的目标点云数据中剔除置信度不符合置信度要求的目标物点。目标物点的置信度表明目标物点属于目标物的可信程度，所以根据各目标物点的置信度，能够确定各目标物点属于目标物的可信程度，对于置信度比较小的目标物点，其极大可能为噪声点，对经空域滤波处理的目标点云数据中的可信程度比较低的目标物点进行剔除，以剔除目标点云数据中的噪声信息或者无效的点云信息，实现对属于目标物的有效点云信息的提取，进一步提高了属于目标物的经空域滤波处理的目标点云数据的稳定性和可信程度，使得后续在构建机器人关于目标空间区域的地图时能够对目标物进行准确的响应，以在构建的地图上更加精准地显示目标物或者说构建的地图对目标物区域和可行走区域划分的更加准确。
在一实施方式中，可直接判定目标物点的置信度是否符合置信度要求，以确定是否从经空域滤波处理的目标点云数据中剔除此目标物点。考虑到单一目标物点的置信度高低的偶然性比较强，所以在其他实施方式中，通过判定空间区域对应的置信度是否符合置信度要求，以确定是否从经空域滤波处理的目标点云数据中剔除此空间区域中所包括的目标物点，使得确定的属于目标物的点云数据的可信程度更高，即提高了目标物的点云数据的准确性。
为了便于对空间区域的置信度的确定，可将目标空间区域划分为若干个子空间区域，此时在一实施方式中，置信度要求为所在的子空间区域的置信度大于或等于第一置信度阈值，其中，不对第一置信度阈值进行限定，可根据实际使用需要具体设置。示例性地，目标物点a1和目标物点a2所在的子空间区域为A，由于子空间区域A的置信度小于第一置信度阈值，所以子空间区域A中的目标物点a1和目标物点a2为噪声点的可能性比较大，所以从目标物的经空域滤波处理的目标点云数据中剔除目标物点a1和目标物点a2。
其中，子空间区域的置信度是基于子空间区域中的各目标物点的置信度得到的。在一具体实施方式中，子空间区域的置信度为子空间区域中的各目标物点的置信度之和。示例性地，目标物点a1和目标物点a2所在的子空间区域为A，目标物点a1的置信度为α，目标物点a2的置信度为β，所以子空间区域A的置信度为α+β。可以理解地，在其他具体实施方式中，也可对子空间区域中的各目标物点的置信度进行加权求和，以得到子空间区域的置信度，或者选择子空间区域中各目标物点的置信度最大值、最小值或者均值，作为子空间区域的置信度。
在其他实施方式中，置信度要求也可以为所在的子空间区域所属的投影区域满足第一预设条件，第一预设条件包括属于投影区的子空间区域的数量大于第二数量且投影区的置信度大于或等于第二置信度阈值。其中，子空间区域所属的投影区为子空间区域在预设平面上的投影区域。也就是说，会对每个子空间区域进行投影，投影至预设平面上，以将每个子空间区域中的目标物点从三维压缩到二维，舍弃各目标物点的高度坐标。需要说明的是，在目标物比较稳定时，属于目标物的各目标物点一般在空间区域上是连续的，所以在将目标空间区域划分为若干个子空间区域时，很少会出现一个孤立或者少于第二数量的子空间区域，所以对应到投影区的子空间区域的数量是超过第二数量且投影区的置信度大于或等于第二置信度阈值时，则表明对应该投影区的子空间区域中的点实际为目标物点；而对应到投影区的子空间区域的数量小于第二数量时，则表明对应该投影区的子空间区域中的点可能为噪声点，需要进行剔除。
其中，不对第二数量、第二置信度阈值和预设平面进行限定，可根据实际使用需要具体设置。例如，第二数量为1、第二置信度阈值为15、预设平面为水平面。示例性地，目标物点a和目标物点b所在的子空间区域为A；目标物点c和目标物点d所在的子空间区域为B；子空间区域A和子空间区域B均属于投影区α；由于属于投影区α的子空间区域的数量大于第二数量但投影区的置信度小于第二置信度阈值，所以子空间区域A中的目标物点a和目标物点b以及子空间区域B中的目标物点c和目标物点d为噪声点的可能性比较大，所以从目标物的经空域滤波处理的目标点云数据中剔除目标物点a、b、c和d。
其中，子空间区域的置信度是基于子空间区域中的各目标物点的置信度得到的。在一具体实施方式中，投影区的置信度为属于投影区的子空间区域的置信度之和。示例性地，子空间区域A的置信度为a、子空间区域B的置信度为b、子空间区域A和子空间区域B均属于投影区α；所以，投影区α的置信度为a+b。可以理解地，在其他实施方式中，也可对属于投影区的各子空间区域的置信度进行加权求和，以得到投影区的置信度，或者选择属于投影区的各子空间区域的置信度的最大值、最小值或者均值，作为投影区的置信度。
在其他实施方式中，第一预设条件也可仅包括投影区的置信度大于或等于第二置信度阈值，在此不做具体限定。
在其他实施方式中，步骤S54-步骤S55也可在步骤S53之前执行。
请参阅图6，图6是本申请提供的点云数据的确定方法另一实施例的流程示意图。需注意的是，若有实质上相同的结果，本申请实施例并不以图6所示的流程顺序为限。如图6所示，本申请实施例包括：
步骤S61：获取目标空间区域的区域点云数据。
步骤S61与步骤S11类似，在此不再赘述。
步骤S62：从区域点云数据中查找出属于目标物的目标点云数据。
步骤S62与步骤S12类似，在此不再赘述。
步骤S63：对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据。
步骤S63与步骤S13类似，在此不再赘述。
步骤S64：基于经空域滤波处理的目标点云数据，确定目标空间区域中的目标物和可行走区域的位置信息。
由于属于目标物的经空域滤波处理的目标点云数据可用于构建机器人关于目标空间区域的地图，所以在对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据之后，会构建机器人关于目标空间区域的地图。因此，本申请的实施方式中，首先会基于属于目标物的经空域滤波处理的目标点云数据，确定目标空间区域中的目标物和可行走区域的位置信息。也就是说，由于区域点云数据为目标空间区域的点云数据，在确定了区域点云数据中属于目标物的经空域滤波处理的目标点云数据后，即可根据属于目标物的经空域滤波处理的目标点云数据以及目标空间区域的区域点云数据确定属于可行走区域的点云数据，从而可确定目标空间区域中的目标物和可行走区域的位置信息。
由于目标物是由若干目标物点构成的，所以可通过各目标物点的位置信息确定目标物的位置信息。所以，在一实施方式中，经空域滤波处理的目标点云数据包括属于目标物的若干目标物点的位置信息，根据各目标物点的位置信息，能够确定目标物的位置信息。具体地，各目标物点构成目标物，所以在确定各目标物点的位置信息后，即可确定由各目标物点构成的目标物的位置信息。
在一实施方式中，可直接将目标空间区域的区域点云数据中除去属于目标物的经空域滤波处理的目标点云数据后剩余的点云数据作为属于可行走区域的点云数据，从而根据属于目标物的经空域滤波处理的目标点云数据确定目标空间区域中的目标物和可行走区域的位置信息。考虑到由于目标物的遮挡，目标空间区域中的部分空间区域机器人是无法运动过去的，所以在其他实施方式中，会根据机器人与各目标物点之间的位置关系确定可行走区域的位置信息。具体地，考虑到目标空间区域范围较大，直接根据目标空间区域内各目标物点与机器人的位置关系确定可行走区域的位置信息可能会造成确定的可行走区域的位置信息准确度低，所以将目标空间区域划分为若干子目标空间区域，分别确定每个子目标空间区域中的可行走子区域，从而根据各可行走子区域确定目标空间区域中的可行走区域。
步骤S65：利用目标物和可行走区域的位置信息，构建机器人关于目标空间区域的地图。
本申请的实施方式中，利用目标物和可行走区域的位置信息，构建机器人关于目标空间区域的地图。也就是说，在确定目标空间区域中目标物和可行走区域的位置信息后，即可确定目标空间区域中哪些区域为目标物区域以及哪些区域为机器人可运动行走的区域，根据目标空间区域中的目标物区域以及机器人可运动行走的区域，即可构建机器人关于目标空间区域的地图，以在机器人关于目标空间区域的地图中分别显示目标物区域和可行走区域。由于目标物的位置信息是基于属于目标物的经空域滤波处理的目标点云数据确定得到的，而经空域滤波处理的目标点云数据为对属于目标物的目标点云数据进行空域滤波处理得到的，所以在构建机器人关于目标空间区域的地图时中会对目标物进行准确地响应，以在构建的地图上更加精准地显示目标物，一方面，使得构建的机器人关于目标空间区域的地图对目标物区域和可行走区域的划分更加准确；另一方面，减少了计算量，提高了构建机器人关于目标空间区域的地图的效率。
在一实施方式中，在区域点云数据为机器人坐标系下的点云数据时，目标物和可行走区域的位置信息具体为机器人坐标系下的位置信息，所以此时需要先将目标物和可行走区域在机器人坐标系下的位置信息转换至世界坐标系下进行表示，再对应构建机器人关于目标空间区域的地图。在其他实施方式中，在区域点云数据为图像采集组件坐标系下的点云数据时，也需要对应转换至世界坐标系下进行表示，在此不再赘述。
在一实施方式中，获取目标空间区域的区域点云数据等相关一系列步骤以构建机器人关于目标空间区域的地图可以是在机器人在待处理区域中运动的过程中执行的，且机器人在运动过程中持续获取待处理区域中的不同目标空间区域的区域点云数据，以得到不同目标空间区域的地图。由于机器人在待处理区域中运动时，相对于机器人来说，目标空间区域是在变化的，机器人通过持续获取当前目标空间区域的区域点云数据，以可构建机器人关于当前目标空间区域的地图。也就是说，机器人在待处理区域中的运动过程中，会实时更新构建的机器人关于目标空间区域的地图，使得机器人对环境变化的响应更快。
在一实施方式中，在机器人未构建待处理区域的地图的情况下，响应于构建得到新的目标空间区域的地图，利用当前已构建的所有目标空间区域的地图，构建待处理区域的当前地图；并重复前述步骤，直至机器人已构建待处理区域中所有目标空间区域的地图，以得到待处理区域的最终地图。也就是说，获取目标空间区域的区域点云数据等相关一系列步骤可以在机器人进行相关运作之前(例如，清洁机器人在进行清洁之前)执行，以在机器人进行相关运作之前构建待处理区域的最终地图，使得构建的待处理区域的最终地图更加精准、细致，且构建待处理区域的地图的效率更高。当然，在其他实施方式中，获取目标空间区域的区域点云数据等相关一系列步骤也可以在机器人进行相关运作的过程中(例如，清洁机器人在进行清洁过程中)执行，以在机器人进行相关运作的过程中构建待处理区域的最终地图，提高了构建待处理区域的地图的效率。
可以理解地，在其他实施方式中，在机器人已构建待处理区域的地图的情况下，响应于构建得到新的目标空间区域的地图，利用新的目标空间区域的地图，更新待处理区域的地图。也就是说，获取目标空间区域的区域点云数据等相关的一系列步骤也可以是在机器人运作过程中(例如，清洁机器人在清洁过程中)或者是在机器人运作之前(例如，清洁机器人在清洁之前)执行，以对待处理区域的地图进行实时更新，在待处理区域的地图上实时更新显示目标物的位置以及机器人可行走区域的范围，使得机器人对环境变化的响应更快。
在一具体实施方式中，目标物为障碍物，机器人可以是清洁机器人，获取目标空间区域的区域点云数据等相关的一系列步骤是在清洁机器人在待处理区域中清洁的过程中或者清洁之前执行的。也就是说，清洁机器人在待处理区域中移动而实现清洁的过程中，会利用构建的新的机器人关于目标空间区域的地图对原有的待处理区域的地图进行更新，以使得待处理区域的地图能够实时更新显示障碍物的位置，使得清洁机器人对环境变化的响应更快，达到及时避障和提高清洁效率的目的。可以理解地，在其他具体实时方式中，机器人也可以是医疗机器人、助残机器人、迎宾机器人、物流机器人或者早教机器人等，在此不做具体限定。
请参阅图7，图7是本申请提供的点云数据的确定装置一实施例的结构示意图。点云数据的确定装置70包括获取模块71、查找模块72和滤波模块73。获取模块71用于获取目标空间区域的区域点云数据；查找模块72用于从区域点云数据中查找出属于目标物的目标始点云数据；滤波模块73用于对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据。
其中，上述目标点云数据包括属于目标物的若干目标物点，滤波模块73用于对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据，具体包括：将目标空间区域划分为若干子空间区域；对于各子空间区域，检测子空间区域中目标物点的个数；选出个数满足个数要求的子空间区域中的目标物点，以得到经空域滤波处理的目标点云数据。
其中，上述目标点云数据包括属于目标物的至少一个目标物点，点云数据的确定装置70还包括剔除模块74，剔除模块74用于在对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据之前或之后，具体包括：获取目标点云数据中各目标物点的置信度；从目标点云数据中剔除置信度不符合置信度要求的目标物点。
其中，上述目标空间区域包括若干子空间区域，置信度要求包括以下至少一个：所在的子空间区域的置信度大于或等于第一置信度阈值、所在的子空间区域所属的投影区满足第一预设条件，第一预设条件包括属于投影区的子空间区域的数量大于第二数量、且投影区的置信度大于或等于第二置信度阈值；其中，子空间区域所属的投影区为子空间区域在预设平面上的投影区域，子空间区域的置信度是基于子空间区域中的各目标物点的置信度得到的，投影区的置信度是基于属于投影区的子空间区域的置信度得到。
其中，上述机器人包括图像采集组件，获取模块71用于获取目标空间区域的区域点云数据，具体包括：利用图像采集组件采集得到目标空间区域的目标深度图像；其中，目标空间区域为图像采集组件的当前视场角范围内的区域；基于目标深度图像中的深度信息，得到目标深度图像对应的关于目标空间区域的区域点云数据。
其中，点云数据的确定装置70还包括预处理模块75，预处理模块75用于在基于目标深度图像中的深度信息，得到目标深度图像对应的关于目标空间区域的区域点云数据之前，具体包括：对目标深度图像进行至少一种预处理，至少一种预处理包括裁剪处理、平滑处理和去噪处理中的至少一种。
其中，预处理模块75用于对目标深度图像进行至少一种预处理，具体包括：响应于预处理包括裁剪处理，将目标深度图像中预设尺寸的边缘区域进行裁剪；响应于预处理包括平滑处理，基于目标深度图像中的各像素点的深度值，对目标深度图像中的各像素点进行中值滤波处理；响应于预处理包括去噪处理，基于目标深度图像中的各像素点的深度值，得到各像素点的梯度值，并从目标深度图像中剔除梯度值大于预设梯度值的像素点。
其中，查找模块72用于从区域点云数据中查找出属于目标物的目标点云数据，具体包括：基于区域点云数据中各点的高度信息，从区域点云数据中查找出属于目标物的目标点云数据。
其中，上述目标物为障碍物；查找模块72用于基于区域点云数据中各点的高度信息，从区域点云数据中查找出属于目标物的目标点云数据，具体包括：从区域点云数据中，选出高度信息满足预设要求的点的数据，作为目标物的目标点云数据；其中，预设要求为不属于地面且与地面之间的高度小于机器人的高度。
其中，点云数据的确定装置70还包括构建模块76，构建模块76用于在对目标点云数据进行空域滤波处理，得到经空域滤波处理的目标点云数据之后，具体包括：基于经空域滤波处理的目标点云数据，确定目标空间区域中的目标物和可行走区域的位置信息；利用目标物和可行走区域的位置信息，构建机器人关于目标空间区域的地图。
请参阅图8，图8是本申请提供的电子设备一实施例的结构示意图。电子设备80包括相互耦接的存储器81和处理器82，处理器82用于执行存储器81中存储的程序指令，以实现上述任一点云数据的确定方法实施例的步骤。在一个具体的实施场景中，电子设备80可以包括但不限于：微型计算机、服务器，此外，电子设备80还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
具体而言，处理器82用于控制其自身以及存储器81以实现上述任一点云数据的确定方法实施例的步骤。处理器82还可以称为CPU(Central Processing Unit，中央处理单元)。处理器82可能是一种集成电路芯片，具有信号的处理能力。处理器82还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器82可以由集成电路芯片共同实现。
请参阅图9，图9是本申请提供的计算机可读存储介质一实施例的结构示意图。本申请实施例的计算机可读存储介质90存储有程序指令91，该程序指令91被执行时实现本申请点云数据的确定方法任一实施例以及任意不冲突的组合所提供的方法。其中，该程序指令91可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质90中，以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质90包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (13)

1.一种点云数据的确定方法，其特征在于，所述方法包括：
获取目标空间区域的区域点云数据；
从所述区域点云数据中查找出属于目标物的目标点云数据；
对所述目标点云数据进行空域滤波处理，得到经所述空域滤波处理的所述目标点云数据。
2.根据权利要求1所述的方法，其特征在于，所述目标点云数据包括属于所述目标物的若干目标物点，所述对所述目标点云数据进行空域滤波处理，得到经所述空域滤波处理的所述目标点云数据，包括：
将所述目标空间区域划分为若干子空间区域；
对于各所述子空间区域，检测所述子空间区域中所述目标物点的个数；
选出所述个数满足个数要求的所述子空间区域中的目标物点，以得到所述经空域滤波处理的目标点云数据。
3.根据权利要求1至2任一项所述的方法，其特征在于，所述目标点云数据包括属于所述目标物的至少一个目标物点，在所述对所述目标点云数据进行空域滤波处理，得到经所述空域滤波处理的所述目标点云数据之前或之后，所述方法还包括：
获取所述目标点云数据中各所述目标物点的置信度；
从所述目标点云数据中剔除所述置信度不符合置信度要求的目标物点。
4.根据权利要求3所述的方法，其特征在于，所述目标空间区域包括若干子空间区域，所述置信度要求包括以下至少一个：所在的子空间区域的置信度大于或等于第一置信度阈值、所在的子空间区域所属的投影区满足第一预设条件，所述第一预设条件包括属于所述投影区的所述子空间区域的数量大于第二数量、且所述投影区的置信度大于或等于第二置信度阈值；
其中，所述子空间区域所属的投影区为所述子空间区域在预设平面上的投影区域，所述子空间区域的置信度是基于所述子空间区域中的各所述目标物点的置信度得到的，所述投影区的置信度是基于属于所述投影区的所述子空间区域的置信度得到。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述机器人包括图像采集组件，所述获取目标空间区域的区域点云数据，包括：
利用所述图像采集组件采集得到所述目标空间区域的目标深度图像；其中，所述目标空间区域为所述图像采集组件的当前视场角范围内的区域；
基于所述目标深度图像中的深度信息，得到所述目标深度图像对应的关于所述目标空间区域的所述区域点云数据。
6.根据权利要求5所述的方法，其特征在于，在所述基于所述目标深度图像中的深度信息，得到所述目标深度图像对应的关于所述目标空间区域的所述区域点云数据之前，所述方法还包括：
对所述目标深度图像进行至少一种预处理，所述至少一种预处理包括裁剪处理、平滑处理和去噪处理中的至少一种。
7.根据权利要求6所述的方法，其特征在于，所述对所述目标深度图像进行至少一种预处理，包括：
响应于所述预处理包括裁剪处理，将所述目标深度图像中预设尺寸的边缘区域进行裁剪；
响应于所述预处理包括平滑处理，基于所述目标深度图像中的各像素点的深度值，对所述目标深度图像中的各像素点进行中值滤波处理；
响应于所述预处理包括去噪处理，基于所述目标深度图像中的各像素点的深度值，得到各像素点的梯度值，并从所述目标深度图像中剔除所述梯度值大于预设梯度值的像素点。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述从所述区域点云数据中查找出属于目标物的目标点云数据，包括：
基于所述区域点云数据中各点的高度信息，从所述区域点云数据中查找出属于目标物的目标点云数据。
9.根据权利要求8所述的方法，其特征在于，所述目标物为障碍物；所述基于所述区域点云数据中各点的高度信息，从所述区域点云数据中查找出属于目标物的目标点云数据，包括：
从所述区域点云数据中，选出所述高度信息满足预设要求的点的数据，作为所述目标物的目标点云数据；其中，所述预设要求为不属于地面且与地面之间的高度小于所述机器人的高度。
10.根据权利要求1至9任一项所述的方法，其特征在于，在所述对所述目标点云数据进行空域滤波处理，得到经所述空域滤波处理的所述目标点云数据之后，所述方法还包括：
基于所述经空域滤波处理的目标点云数据，确定所述目标空间区域中的目标物和可行走区域的位置信息；
利用所述目标物和所述可行走区域的位置信息，构建所述机器人关于所述目标空间区域的地图。
11.一种点云数据的确定装置，其特征在于，所述装置包括：
获取模块，用于获取目标空间区域的区域点云数据；
查找模块，用于从所述区域点云数据中查找出属于目标物的目标点云数据；
滤波模块，用于对所述目标点云数据进行空域滤波处理，得到经所述空域滤波处理的所述目标点云数据。
12.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有程序指令，所述处理器用于执行所述程序指令以实现权利要求1-10任一项所述的点云数据的确定方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序指令，所述程序指令能够被执行以实现权利要求1-10任一项所述的点云数据的确定方法。
CN202210755580.XA 2022-06-28 2022-06-28 点云数据的确定方法、装置及其相关设备和存储介质 Withdrawn CN115170445A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210755580.XA CN115170445A (zh) 2022-06-28 2022-06-28 点云数据的确定方法、装置及其相关设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210755580.XA CN115170445A (zh) 2022-06-28 2022-06-28 点云数据的确定方法、装置及其相关设备和存储介质

Publications (1)

Publication Number Publication Date
CN115170445A true CN115170445A (zh) 2022-10-11

Family

ID=83488511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210755580.XA Withdrawn CN115170445A (zh) 2022-06-28 2022-06-28 点云数据的确定方法、装置及其相关设备和存储介质

Country Status (1)

Country Link
CN (1) CN115170445A (zh)

Similar Documents

Publication Publication Date Title
WO2021143778A1 (zh) 一种基于激光雷达的定位方法
Kang et al. Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model
US8199977B2 (en) System and method for extraction of features from a 3-D point cloud
CN108801268B (zh) 目标对象的定位方法、装置及机器人
US10163256B2 (en) Method and system for generating a three-dimensional model
NL2016542B1 (en) Spatial data analysis.
KR101549155B1 (ko) 라이다 자료를 활용한 구조물의 직선경계 추출방법
CN111709988A (zh) 一种物体的特征信息的确定方法、装置、电子设备及存储介质
Byun et al. Toward accurate road detection in challenging environments using 3D point clouds
Guo et al. Extraction of dense urban buildings from photogrammetric and LiDAR point clouds
Bretar Feature extraction from LiDAR data in urban areas
Morris et al. Ladar-based mover detection from moving vehicles
CN115170445A (zh) 点云数据的确定方法、装置及其相关设备和存储介质
Tadic et al. Edge-preserving Filtering and Fuzzy Image Enhancement in Depth Images Captured by Realsense Cameras in Robotic Applications.
Choi et al. Development of point cloud data-denoising technology for earthwork sites using encoder-decoder network
CN115164897A (zh) 点云数据的确定方法、装置及其相关设备和存储介质
CN115035227A (zh) 一种点云数据的处理方法、装置及电子设备
CN111890358B (zh) 双目避障方法、装置、存储介质及电子装置
Zabuawala et al. Fusion of LiDAR and aerial imagery for accurate building footprint extraction
CN115375713B (zh) 地面点云的分割方法、装置及计算机可读存储介质
Grace et al. Active shape from stereo for highway inspection
Stiens et al. Local elevation mapping for automated vehicles using lidar ray geometry and particle filters
Teutsch et al. Fast line and object segmentation in noisy and cluttered environments using relative connectivity
CN115016495A (zh) 机器人地图的生成方法、装置及其相关设备和存储介质
Arefi et al. Ridge based decomposition of complex buildings for 3D model generation from high resolution digital surface models

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20221011