移动路径规划方法及装置与流程

本发明涉及电学领域，具体而言，涉及一种移动路径规划方法及装置。

背景技术：

目前的机器人建图方法多采用非语意的方式，如利用关键点的检测来获得场景中存在物体的位置等信息，不考虑该物体是什么，这样当机器人处于未知环境中，环境的动态变化(如室内的椅子移动，人移动)会导致建图不可靠，需要重复建图等。

针对相关技术中机器人移动路径规划的可靠性低的问题，目前还没有有效地解决方案。

技术实现要素：

本发明实施例提供了一种移动路径规划方法及装置，以至少解决相关技术中机器人移动路径规划的可靠性低的问题。

根据本发明的一个实施例，提供了一种移动路径规划方法，应用于具备驱动装置的电子设备，所述驱动装置用于为所述电子设备提供驱动力以使得所述电子设备能够移动，所述电子设备还具有图像采集单元，所述方法包括：获取所述图像采集单元采集得到的图像信息；匹配所述图像信息中的物体的特征信息并为所述物体分配标识，得到所述电子设备所处环境的地图图像，其中，所述标识用于区分不同的所述物体；在所述地图图像上根据所述特征信息和所述物体携带的标识为所述电子设备规划移动路径。

可选地，匹配所述图像信息中的所述物体的所述特征信息并为所述物体分配所述标识，得到所述电子设备所处环境的所述地图图像包括：识别所述图像信息中的所述特征信息，得到所述物体并为所述物体分配所述标识；匹配所述图像信息中相邻帧的所述特征信息，得到匹配结果；根据所述匹配结果以及所述标识绘制所述地图图像。

可选地，识别所述图像信息中的所述特征信息，得到所述物体并为所述物体分配所述标识包括：提取所述图像信息中每帧图像中携带的所述特征信息；根据提取的所述特征信息识别所述图像信息中的所述物体；根据识别结果为所述物体分配所述标识。

可选地，匹配所述图像信息中相邻帧的所述特征信息，得到匹配结果包括：获取所述图像信息中相邻帧的所述特征信息；匹配相邻两帧图像的所述特征信息，得到所述物体的位置信息和尺寸信息作为所述匹配结果。

可选地，在所述地图图像上根据所述特征信息和所述物体携带的标识为所述电子设备规划移动路径包括：确定所述物体携带的所述标识与物体属性信息的映射关系，其中，所述物体属性信息用于指示预设的物体的属性；根据所述映射关系确定所述电子设备在所述地图图像上的移动策略；根据所述特征信息和所述移动策略规划所述移动路径。

可选地，确定所述物体携带的所述标识与所述物体属性信息的映射关系包括：获取预设的标识与物体动静状态的对应关系，其中，所述物体动静状态指所述物体属于静态物体或者动态物体的概率；根据所述标识与物体动静状态的对应关系确定用于指示所述物体在所述地图图像上存在的概率的概率分布图，其中，所述标识与所述物体属性信息的映射关系包括所述概率分布图。

可选地，根据所述映射关系确定所述电子设备在所述地图图像上的移动策略包括：判断所述概率分布图指示的所述物体在所述地图图像上存在的概率是否落入预设阈值；在判断出所述概率分布图指示的所述物体在所述地图图像上存在的概率落入所述预设阈值的情况下，确定所述电子设备在所述地图图像上采用第一移动策略；在判断出所述概率分布图指示的所述物体在所述地图图像上存在的概率未落入所述预设阈值的情况下，确定所述电子设备在所述地图图像上采用第二移动策略。

可选地，根据所述特征信息和所述移动策略规划所述移动路径包括：

在所述电子设备在所述地图图像上采用所述第一移动策略的情况下，为所述电子设备规划第一移动路径，其中，所述第一移动路径避开所述物体；在所述电子设备在所述地图图像上采用所述第二移动策略的情况下，为所述电子设备规划第二移动路径，其中，在所述电子设备沿所述第二移动路径移动至所述物体时，所述电子设备对所述物体及所述物体的预设距离内的物体进行检测，在未检测到所述物体及所述物体的预设距离内的物体的情况下，更新所述第二移动路径，使所述第二移动路径无需避开所述未检测到的物体。

根据本发明的另一个实施例，提供了一种移动路径规划装置，应用于具备驱动装置的电子设备，所述驱动装置用于为所述电子设备提供驱动力以使得所述电子设备能够移动，所述电子设备还具有图像采集单元，所述装置包括：获取模块，用于获取所述图像采集单元采集得到的图像信息；处理模块，用于匹配所述图像信息中的物体的特征信息并为所述物体分配标识，得到所述电子设备所处环境的地图图像，其中，所述标识用于区分不同的所述物体；规划模块，用于在所述地图图像上根据所述特征信息和所述物体携带的标识为所述电子设备规划移动路径。

可选地，所述处理模块包括：识别单元，用于识别所述图像信息中的所述特征信息，得到所述物体并为所述物体分配所述标识；匹配单元，用于匹配所述图像信息中相邻帧的所述特征信息，得到匹配结果；绘制单元，用于根据所述匹配结果以及所述标识绘制所述地图图像。

可选地，所述识别单元包括：提取子单元，用于提取所述图像信息中每帧图像中携带的所述特征信息；识别子单元，用于根据提取的所述特征信息识别所述图像信息中的所述物体；分配子单元，用于根据识别结果为所述物体分配所述标识。

可选地，所述匹配单元包括：获取子单元，用于获取所述图像信息中相邻帧的所述特征信息；匹配子单元，用于匹配相邻两帧图像的所述特征信息，得到所述物体的位置信息和尺寸信息作为所述匹配结果。

可选地，所述规划模块包括：第一确定单元，用于确定所述物体携带的所述标识与物体属性信息的映射关系，其中，所述物体属性信息用于指示预设的物体的属性；第二确定单元，用于根据所述映射关系确定所述电子设备在所述地图图像上的移动策略；规划单元，用于根据所述特征信息和所述移动策略规划所述移动路径。

可选地，所述第一确定单元用于：获取预设的标识与物体动静状态的对应关系，其中，所述物体动静状态指所述物体属于静态物体或者动态物体的概率；根据所述标识与物体动静状态的对应关系确定用于指示所述物体在所述地图图像上存在的概率的概率分布图，其中，所述标识与所述物体属性信息的映射关系包括所述概率分布图。

可选地，所述第二确定单元用于：判断所述概率分布图指示的所述物体在所述地图图像上存在的概率是否落入预设阈值；在判断出所述概率分布图指示的所述物体在所述地图图像上存在的概率落入所述预设阈值的情况下，确定所述电子设备在所述地图图像上采用第一移动策略；在判断出所述概率分布图指示的所述物体在所述地图图像上存在的概率未落入所述预设阈值的情况下，确定所述电子设备在所述地图图像上采用第二移动策略。

可选地，所述规划单元用于：在所述电子设备在所述地图图像上采用所述第一移动策略的情况下，为所述电子设备规划第一移动路径，其中，所述第一移动路径避开所述物体；在所述电子设备在所述地图图像上采用所述第二移动策略的情况下，为所述电子设备规划第二移动路径，其中，在所述电子设备沿所述第二移动路径移动至所述物体时，所述电子设备对所述物体及所述物体的预设距离内的物体进行检测，在未检测到所述物体及所述物体的预设距离内的物体的情况下，更新所述第二移动路径，使所述第二移动路径无需避开未检测到的物体。

通过本发明，获取图像采集单元采集得到的图像信息；匹配图像信息中的物体的特征信息并为物体分配标识，得到电子设备所处环境的地图图像，其中，标识用于区分不同的物体；在地图图像上根据特征信息和物体携带的标识为电子设备规划移动路径，由此可见，采用上述方案匹配获取到的图像信息中的物体并为图像中的物体分配标识，从而对不同的物体进行区分，得到地图图像，再根据物体的特征信息以及分配给物体的标识为电子设备规划移动路径，使得规划的移动路径可以充分的考虑到场景中物体的实际特征，因此，提高了机器人移动路径规划的可靠性，从而解决了相关技术中机器人移动路径规划的可靠性低的问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种移动路径规划方法的流程图；

图2是根据本发明实施例的一种移动路径规划装置的结构框图一；

图3是根据本发明实施例的一种移动路径规划装置的结构框图二；

图4是根据本发明实施例的一种移动路径规划装置的结构框图三；

图5是根据本发明可选实施例的移动路径规划方法的示意图一；

图6是根据本发明可选实施例的移动路径规划方法的示意图二；

图7是根据本发明可选实施例的移动路径规划方法的示意图三；

图8是根据本发明可选实施例的移动路径规划方法的示意图四。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

实施例1

在本实施例中提供了一种移动路径规划方法，图1是根据本发明实施例的一种移动路径规划方法的流程图，如图1所示，该流程包括如下步骤：

步骤S102，获取图像采集单元采集得到的图像信息；

步骤S104，匹配图像信息中的物体的特征信息并为物体分配标识，得到电子设备所处环境的地图图像，其中，标识用于区分不同的物体；

步骤S106，在地图图像上根据特征信息和物体携带的标识为电子设备规划移动路径。

可选地，上述移动路径规划方法可以但不限于应用于具备驱动装置的电子设备，上述驱动装置用于为电子设备提供驱动力以使得该电子设备能够移动，电子设备还具有图像采集单元。

通过上述步骤，获取图像采集单元采集得到的图像信息；匹配图像信息中的物体的特征信息并为物体分配标识，得到电子设备所处环境的地图图像，其中，标识用于区分不同的物体；在地图图像上根据特征信息和物体携带的标识为电子设备规划移动路径，由此可见，采用上述方案匹配获取到的图像信息中的物体并为图像中的物体分配标识，从而对不同的物体进行区分，得到地图图像，再根据物体的特征信息以及分配给物体的标识为电子设备规划移动路径，使得规划的移动路径可以充分的考虑到场景中物体的实际特征，因此，提高了机器人移动路径规划的可靠性，从而解决了相关技术中机器人移动路径规划的可靠性低的问题。

可选地，在上述步骤S104中，通过对图像信息中特征信息的识别，区分出图像中的物体，并为物体分配对应的标识，再根据匹配相邻帧中物体的特征得到的匹配结果以及标识绘制地图，从而使得得到的地图图像中存在的物体根据其不同的物体属性对应不同的标识，以实现对地图中物体的区分。例如：识别图像信息中的特征信息，得到物体并为物体分配标识，匹配图像信息中相邻帧的特征信息，得到匹配结果，根据匹配结果以及标识绘制地图图像。

可选地，在本实施例中，可以但不限于通过对物体特征信息的识别获得物体的类别或者属性等信息，从而识别出对应的物体并根据识别结果为物体分配标识。例如：提取图像信息中每帧图像中携带的特征信息，根据提取的特征信息识别图像信息中的物体，根据识别结果为物体分配标识。

可选地，可以但不限于根据相邻帧中获取的物体的特征信息对其进行匹配，从而得到物体相对于电子设备的位姿以及尺寸等信息。如：获取图像信息中相邻帧的特征信息，匹配相邻两帧图像的特征信息，得到物体的位置信息和尺寸信息作为匹配结果。

在一个示例中，可以根据图像中的特征信息对物体进行识别得到物体的类别等信息并根据识别的结果为物体分配标识，再匹配相邻帧的特征信息以得到各物体相对于电子设备所在的位置以及物体的尺寸，从而对所处环境的地图图像进行绘制，例如：根据图像中的特征信息对图像中物体进行识别得到下列物体：物体A、物体B、物体C、物体D，并识别出各物体的类别：物体A为沙发，物体B为抱枕，物体C为茶几，物体D为台灯，并将上述确定的标识分配给上述物体。对相邻帧中的特征信息进行匹配得到各物体的尺寸及位置等信息，物体A对应尺寸A位置为地面，物体B对应尺寸B位置为物体A上，物体C对应尺寸C位置为物体A旁，物体D对应尺寸D位置为物体C上。再根据上述物体的尺寸及位置信息在地图图像中绘制上述物体并将图像中的上述物体与标识对应标注。

需要说明的是，上述识别结果可以根据场景的不同进行转换，不同的场景中物体对应的标识也不相同。

可选地，在上述步骤S106中，可以但不限于通过以下方式为电子设备规划移动路径：确定物体携带的标识与物体属性信息的映射关系，其中，物体属性信息用于指示预设的物体的属性，再根据映射关系确定电子设备在地图图像上的移动策略，根据特征信息和移动策略规划移动路径。

在本实施例中，可以但不限于通过以下方式确定物体携带的标识与物体属性信息的映射关系：获取预设的标识与物体动静状态的对应关系，其中，物体动静状态指物体属于静态物体或者动态物体的概率，根据标识与物体动静状态的对应关系确定用于指示物体在地图图像上存在的概率的概率分布图，其中，标识与物体属性信息的映射关系包括概率分布图。

在本实施例中，可以但不限于通过以下方式确定电子设备在地图图像上的移动策略：判断概率分布图指示的物体在地图图像上存在的概率是否落入预设阈值，在判断出概率分布图指示的物体在地图图像上存在的概率落入预设阈值的情况下，确定电子设备在地图图像上采用第一移动策略，在判断出概率分布图指示的物体在地图图像上存在的概率未落入预设阈值的情况下，确定电子设备在地图图像上采用第二移动策略。

可选地，根据特征信息和移动策略规划移动路径可以但不限于包括以下方式：在电子设备在地图图像上采用第一移动策略的情况下，为电子设备规划第一移动路径，其中，规划的第一移动路径避开该物体；在电子设备在地图图像上采用第二移动策略的情况下，为电子设备规划第二移动路径，其中，在电子设备沿第二移动路径移动至物体时，电子设备对物体及物体的预设距离内的物体进行检测，在未检测到物体及物体的预设距离内的物体的情况下，更新第二移动路径，使第二移动路径无需避开未检测到的物体。

在一个示例中，以物体的属性信息为物体的动静状态为例，电子设备中预设有标识与物体动静状态的对应关系，例如：物体为沙发，沙发为静态物体的概率为0.9；物体为转椅，转椅为静态物体的概率为0.3。根据上述对应关系以及物体的标签得到地图上存在对应物体的概率分布图，即标识与物体属性信息的映射关系，例如：在概率分布图中，标识为沙发的位置处映射有概率值0.9，标识为转椅的位置处映射有概率值0.3。将上述预设阈值设置为0.5～1，那么，对于标识为沙发的物体映射的概率值落入了预设阈值内，则采用第一移动策略，在规划路线时避开该物体。而对于标识为转椅的物体，由于其映射的概率值未落入预设阈值内，因此采用第二移动策略，在电子设备移动到该物体前时，对该物体进行检测，如果未检测到该物体，则更新当前的移动路径，使重新规划的移动路径无需避开该未检测到的物体。

实施例2

在本实施例中还提供了一种移动路径规划装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图2是根据本发明实施例的一种移动路径规划装置的结构框图一，如图2所示，该装置包括：

获取模块22，用于获取图像采集单元采集得到的图像信息；

处理模块24，耦合至获取模块22，用于匹配图像信息中的物体的特征信息并为物体分配标识，得到电子设备所处环境的地图图像，其中，标识用于区分不同的物体；

规划模块26，耦合至处理模块24，用于在地图图像上根据特征信息和物体携带的标识为电子设备规划移动路径。

可选地，上述移动路径规划装置可以但不限于应用于具备驱动装置的电子设备，上述驱动装置用于为电子设备提供驱动力以使得该电子设备能够移动，电子设备还具有图像采集单元。

通过上述装置，获取模块获取图像采集单元采集得到的图像信息；处理模块匹配图像信息中的物体的特征信息并为物体分配标识，得到电子设备所处环境的地图图像，其中，标识用于区分不同的物体；规划模块在地图图像上根据特征信息和物体携带的标识为电子设备规划移动路径，由此可见，采用上述方案匹配获取到的图像信息中的物体并为图像中的物体分配标识，从而对不同的物体进行区分，得到地图图像，再根据物体的特征信息以及分配给物体的标识为电子设备规划移动路径，使得规划的移动路径可以充分的考虑到场景中物体的实际特征，因此，提高了机器人移动路径规划的可靠性，从而解决了相关技术中机器人移动路径规划的可靠性低的问题。

图3是根据本发明实施例的一种移动路径规划装置的结构框图二，如图3所示，可选地，处理模块24包括：

识别单元32，用于识别图像信息中的特征信息，得到物体并为物体分配标识；

匹配单元34，耦合至识别单元32，用于匹配图像信息中相邻帧的特征信息，得到匹配结果；

绘制单元36，耦合至匹配单元34，用于根据匹配结果以及标识绘制地图图像。

可选地，识别单元32包括：提取子单元，用于提取图像信息中每帧图像中携带的特征信息；识别子单元，用于根据提取的特征信息识别图像信息中的物体；分配子单元，用于根据识别结果为物体分配标识。

可选地，匹配单元34包括：获取子单元，用于获取图像信息中相邻帧的特征信息；匹配子单元，用于匹配相邻两帧图像的特征信息，得到物体的位置信息和尺寸信息作为匹配结果。

图4是根据本发明实施例的一种移动路径规划装置的结构框图三，如图4所示，可选地，规划模块26包括：

第一确定单元42，用于确定物体携带的标识与物体属性信息的映射关系，其中，物体属性信息用于指示预设的物体的属性；

第二确定单元44，耦合至第一确定单元42，用于根据映射关系确定电子设备在地图图像上的移动策略；

规划单元46，耦合至第二确定单元44，用于根据特征信息和移动策略规划移动路径。

可选地，第一确定单元42用于：获取预设的标识与物体动静状态的对应关系，其中，物体动静状态指物体属于静态物体或者动态物体的概率；根据标识与物体动静状态的对应关系确定用于指示物体在地图图像上存在的概率的概率分布图，其中，标识与物体属性信息的映射关系包括概率分布图。

可选地，第二确定单元44用于：判断概率分布图指示的物体在地图图像上存在的概率是否落入预设阈值；在判断出概率分布图指示的物体在地图图像上存在的概率落入预设阈值的情况下，确定电子设备在地图图像上采用第一移动策略；在判断出概率分布图指示的物体在地图图像上存在的概率未落入预设阈值的情况下，确定电子设备在地图图像上采用第二移动策略。

可选地，规划单元46用于：在电子设备在地图图像上采用第一移动策略的情况下，为电子设备规划第一移动路径，其中，第一移动路径避开物体；在电子设备在地图图像上采用第二移动策略的情况下，为电子设备规划第二移动路径，其中，在电子设备沿第二移动路径移动至物体时，电子设备对物体及物体的预设距离内的物体进行检测，在未检测到物体及物体的预设距离内的物体的情况下，更新第二移动路径，使第二移动路径无需避开未检测到的物体。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述模块分别位于多个处理器中。

下面结合本发明可选实施例进行详细说明。

本发明可选实施例提供了一种移动路径规划方法。在本可选实施例中，上述电子设备以机器人为例。本方法利用深度相机捕捉机器人所处环境图像信息(即观测信息)，利用惯性测量单元获得机器人当前运动信息，这个运动信息包括机器人当前时刻所获得的三轴姿态角(或角速率)以及加速度。图5是根据本发明可选实施例的移动路径规划方法的示意图一，如图5所示，当机器人进入未知空间时，系统将实时处理深度相机和传感器所获得的信息并计算当前机器人位姿和相邻地标位置，逐渐建立机器人相邻区域地图。

上述建图过程具体来说就是机器人通过惯性测量单元提供的运动信息，可以推知机器人在探测每相邻两帧图像时所经历的位姿变换，如果以机器人初始位姿为坐标系原点，则可推知机器人每一时刻所处的位姿。

在获得机器人运动信息后，系统将对相邻两帧图像中所提取的特征点进行匹配，结合已经推知的位姿信息反投影图像中被匹配上特征点的地理位置，经过多幅图像迭代后，每个在多幅图像中同时被匹配上的特征点将会获得一个最优的地理位置估计值，并在空间中相应位置获得一个对应点。如果对机器人运动一段时间后得到的图片流进行处理，将会获得许多空间中的离散点，这些空间中的离散点将在空间中形成一定的分布趋势，即可作为机器人的建图模型。

传统SLAM方法中仅仅将图像中特征点反投影得到这些点在空间中的位置信息，所以当特征点映射到空间中时，仅能获得一幅表征物体在空间中是否存在的散点图，并不能获悉某些成堆出现的点究竟代表什么物体，这样就会丢失大量语义信息。

本可选实施例中，结合深度学习方法对这些特征点分类，并鉴定这些特征点究竟属于哪种物体，当特征点映射到空间中时，不仅可以获得物体在空间中的模型，还可以获得相应的物体标签(相当于上述标识)，比如在图片中检测到一个桌子，那么当属于桌子的特征点群映射到空间中后将会在相应位置被框出来并显示“桌子”标签。

在本可选实施例中，可以采用如下方案结合深度学习对特征点分类：

利用深度学习方法提前训练一个多分类模型，该分类模型应该足够健壮，可以识别绝大部分日常场景中的常见物体，并且识别效果优良，可以在物体形变，光流变化，部分遮挡等条件下依然能够做到准确识别图片中出现的各类物体。

从图像流的第二帧开始，利用已经训练好的模型对摄像机获得的每一帧图像识别，获得各类物体在图像中出现的位置信息，尺度信息和类别标签，即在图像中准确框出各类物体并对每一个检测框分配类别标签。

对图像中每一个被匹配上的特征点，判断该特征点在图像中的位置属于哪一个检测窗口，如果一个特征点落入某一个检测窗口内，该特征点将被赋上与该检测窗口相同的标签，同时将该点在空间中的对应点也附上相同标签；如果某一个特征点没有落入任何一个检测窗口，该特征点将被认为是无关环境点，如地面，墙面等，将不会被赋予标签。

当系统对摄像机获得的一段图片流处理后，会在空间中得到一系列具有属性标签的离散点，将具有相同标签并且在空间中位置临近的点群判断为属于同一个物体的点群，算法会在该点群附近画出一个外接立方体，并对该立方体附上对应属性标签。比如：图6是根据本发明可选实施例的移动路径规划方法的示意图二，对图5进行建图后将得到类似如图6所示的建图结果。可以看到，新建地图清晰，准确的阐明了每个物体的空间方位和类别。

在判断建图物体标签时，除了可以使用上述对特征点分类的方案，还可以采用下述方案识别建图物体：

首先，直接将相邻帧图片放入深度学习网络中进行匹配，并提取相应深度学习特征，取相邻帧被匹配物体重心作为特征点，并给该重心赋上和物体相同的属性标签，反投影至空间中得到该点的空间点，多幅图片迭代后可以得到同一物体重心的最优空间位置，并将该空间位置作为真实物体在建图中的重心。

然后，同时根据图像中检测物体的尺度信息，推算真实物体在建图中的尺度信息，可以在建图模型中得到模拟该物体的一个立方体，立方体的标签属性与重心一致，然后对特征点的空间点分类，所有落入该立方体内部的点均可被视为属于该物体的点。

进而得到建图模型后，即可对后续路径导航做出合理规划。

下面根据一个示例说明本可选实施例中提供的移动路径规划方法。图7是根据本发明可选实施例的移动路径规划方法的示意图三，如图7所示，机器人此刻在室内环境中得到具有语义的三维地图，传统方式设置导航路径时一般会采取自动避开障碍物的方法规划路径，使机器人从出发地移动到目的地，即会产生一条图示箭头所指路径，绕开转椅，然后从两个沙发之间穿过，这样的方案灵活性不强，如果某一时刻转椅被移开，但系统没有及时变更路径规划，机器人仍按照相同路径运动，就不仅造成资源的浪费，而且机器人运动路径也会显得比较呆板，不能具有良好的拟人化行为。

在本可选实施例中，当引入语义后，机器人可以具有自我知觉并自适应环境，能够感知到环境信息的变化并及时做出决策，重新规划更加合理的路线。

机器人根据系统预定义的动静物体概率对应关系(相当于上述预设的标识与物体动静状态的对应关系)得到场景中物体是否确切存在的概率分布图(相当于上述标识与物体属性信息的映射关系)，比方在图示场景中可以预定义一组映射关系如表1所示(需要说明的是，这个映射关系可以是更加复杂的映射关系，也可以是其他形式的映射关系，最终会将机器人感知到的场景转换为一个概率分布)。

表1

图8是根据本发明可选实施例的移动路径规划方法的示意图四，如图8所示，设置静态物体阈值(如0.5)，当物体对应的概率大于0.5时认为当前物体属于静态物体，在机器人规划路径时主动避开该物体；当物体对应的概率小于0.5时，认为当前物体属于动态物体，当机器人走到该物体附近时，可以通过预设方式(如视觉算法，传感器等)再次检测该物体是否存在，如果未检测到该物体并且未检测到其他物体，说明该物体已经被移开且此时机器人面前是一块空地，此时系统将重新规划路径，在已建好的三维地图中将该物体除去并标记为空地，重新规划路径时就可以直接通过，而不是再次绕开。

两次的移动路径规划对比可知，新规划过的路径不仅路长变短，而且规划后路径更贴近于人类的行走习惯，给用户带来更舒适的体验。

在本可选实施例中，在机器人运动建图的过程中融入深度学习的方法对场景进行自动识别和标注，使机器人根据不同的地标做出更合理的路径规划和动作指令；同时在融入深度学习识别算法后，可以提高机器人建图准确度。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求所述为准。

实施例3

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：

S1，获取图像采集单元采集得到的图像信息；

S2，匹配图像信息中的物体的特征信息并为物体分配标识，得到电子设备所处环境的地图图像，其中，标识用于区分不同的物体；

S3，在地图图像上根据特征信息和物体携带的标识为电子设备规划移动路径。

可选地，存储介质还被设置为存储用于执行上述实施例记载的方法步骤的程序代码：

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

可选地，在本实施例中，处理器根据存储介质中已存储的程序代码执行上述实施例记载的方法步骤。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。