开云优惠体育网页版入口

专利名称：基于边界线的目标点搜索方法、芯片及机器人

专利类型：发明专利

专利申请号：CN202210787428.X

专利申请（专利权）人：珠海一微半导体股份有限公司
权利人地址：广东省珠海市横琴新区环岛东路3000号2706

专利发明（设计）人：陈锦杰,黄惠保,周和文,陈卓标,游思遐

专利摘要：本发明公开基于边界线的目标点搜索方法、芯片及机器人，该目标点搜索方法包括：步骤A、机器人从地图中提取出全轮廓线和预设边界点；步骤B、机器人按照预设时针方向遍历全轮廓线中的点，并检测全轮廓线中的点的邻域内是否存在预设边界点；步骤C、根据步骤B检测到的预设边界点所在的边界线的可通行性，确定可达边界点；步骤D、在所述可达边界点对应的预设覆盖区域内，机器人将符合预设通行条件的点设置为目标点。

主权利要求：
1.基于边界线的目标点搜索方法，其特征在于，该目标点搜索方法包括：
步骤A、机器人从地图中提取出全轮廓线和预设边界点；
步骤B、机器人按照预设时针方向遍历全轮廓线中的点，并检测全轮廓线中的点的邻域内是否存在预设边界点；
步骤C、根据步骤B检测到的预设边界点所在的边界线的可通行性，确定可达边界点；
步骤D、在所述可达边界点对应的预设覆盖区域内，机器人将符合预设通行条件的点设置为目标点；
在所述步骤A和步骤B之间，还包括：机器人利用全轮廓线搜索目标障碍物，再将该目标障碍物对应的全轮廓线的中点设置为模拟沿边起点；
然后机器人在步骤B中，从模拟沿边起点开始，按照预设时针方向遍历对应一条全轮廓线中的点，其中，机器人在遍历全轮廓线的过程中，机器人的位姿没有变化；
所述全轮廓线包括绕着障碍物轮廓线延伸的沿边路线、和/或障碍物轮廓线，以使一条全轮廓线与一个障碍物对应；其中，沿边路线与障碍物轮廓线的间距是处于预设防撞范围内；
机器人利用全轮廓线搜索所述目标障碍物的方法包括：
机器人搜索出距离机器人的当前位置点最近的全轮廓线，并将该全轮廓线标记为第一全轮廓线；再将轨迹长度最大的第一全轮廓线所对应的障碍物设置为目标障碍物，其中，该目标障碍物对应的全轮廓线是轨迹长度最大的第一全轮廓线；或者，机器人搜索出轨迹长度最大的全轮廓线，并将该全轮廓线段标记为第一全轮廓线；再将距离机器人的当前位置点最近的第一全轮廓线所对应的障碍物设置为目标障碍物，其中，该目标障碍物对应的全轮廓线是距离机器人的当前位置点最近的第一全轮廓线。
2.根据权利要求1所述目标点搜索方法，其特征在于，在步骤A中，机器人使用图像形态学方法从地图中提取出全轮廓线和预设边界线，其中，所述预设边界点是预设边界线中的点，使得机器人每当提取出预设边界线，则获取该预设边界线中的点的位置信息和该点处标记的环境信息；
其中，所述预设边界线是自由区域与未知区域的交界线；未知区域是由标记为未知位置的像素点组成，自由区域是由标记为可通行位置的像素点组成，使得所述预设边界线的一侧分布有所述标记为未知位置的像素点，所述预设边界线的另一侧分布有所述标记为可通行位置的像素点；
其中，所述步骤B检测到的预设边界点所在的边界线是该预设边界点所在的预设边界线。
3.根据权利要求1或2所述目标点搜索方法，其特征在于，所述机器人使用图像形态学方法从地图中提取出全轮廓线和预设边界线的方法包括：机器人使用图像形态学方法从地图中提取出全轮廓线；
机器人使用图像形态学方法从同一所述地图中提取出障碍物轮廓线；
机器人控制全轮廓线与障碍物轮廓线相减，获得所述预设边界线，并确定提取出预设边界线。
4.根据权利要求3所述目标点搜索方法，其特征在于，所述机器人使用图像形态学方法从地图中提取出全轮廓线和预设边界线的方法包括：机器人按照第一预设灰度阈值对所述地图进行灰度化处理，得到第一一地图图像；然后控制第一一地图图像先腐蚀再膨胀，得到第一二地图图像，然后机器人从所述第一二地图图像中提取出全轮廓图；其中，全轮廓图是全轮廓线的集合；所述全轮廓线包括障碍物轮廓线、和/或绕着障碍物轮廓线延伸的沿边路线；所述沿边路线与障碍物轮廓线的间距是处于预设防撞距离范围内；
机器人按照第二预设灰度阈值对所述地图进行灰度化处理，得到第二一地图图像；然后控制第二一地图图像先腐蚀再膨胀，得到第二二地图图像；然后机器人从所述第二二地图图像中提取出障碍物轮廓图；其中，障碍物轮廓图是障碍物轮廓线的集合；
机器人控制全轮廓图与障碍物轮廓图相减，获得所述预设边界线，以使机器人从全轮廓线中剔除障碍物轮廓线；
其中，第一预设灰度阈值小于第二预设灰度阈值。
5.根据权利要求1所述目标点搜索方法，其特征在于，在步骤B中，所述机器人按照预设时针方向遍历全轮廓线中的点，并检测全轮廓线中的点的邻域内是否存在预设边界点的方法包括：机器人从所述模拟沿边起点开始按照预设时针方向遍历所述步骤A提取出的全轮廓线的过程中，每当遍历到全轮廓线中的点，则将遍历到的点标记为已访问的点，再检测已访问的点的邻域内是否存在所述预设边界点，是则将所述预设边界点按照预设时针方向的逆方向上的排序保存入线性存储空间，以使在机器人按照预设时针方向行走的过程中，从该线性存储空间内读取预设边界点的顺序表示机器人实际所沿的障碍物轮廓线的先后顺序；
其中，所述预设边界点包括所述标记为可通行位置的像素点。
6.根据权利要求3所述目标点搜索方法，其特征在于，在所述步骤C中，根据步骤B检测到的预设边界点所在的边界线的可通行性，确定可达边界点的方法包括：机器人先按照模板图像对所述全轮廓线中的障碍物点进行腐蚀以使障碍物点所在的障碍物占据的区域得到扩大，其中，障碍物点是标记为障碍物占据位置的像素点，模板图像的扩展半径是等于机器人的机身半径；所述全轮廓线包括绕着障碍物轮廓线延伸的沿边路线、和/或障碍物轮廓线；障碍物轮廓线中的点包括障碍物点；
然后，机器人从地图坐标系的原点开始执行填充算法，在从地图坐标系的原点开始朝地图坐标系的象限区域扩展的过程中，判断当前扩展到的可连通点的邻域内是否存在候选边界点，是则将该候选边界点设置为可达边界点；其中，机器人使用填充算法所扩展到的可连通点都是可通行位置的像素点，且所扩展到的可连通点与地图坐标系的原点连通；
其中，机器人将步骤B检测到的每个预设边界点所在的预设边界线标记为待测边界线；
当检测到待测边界线中的两个点之间的直线距离大于机器人的机体直径时，机器人将待测边界线中的点设置为候选边界点。
7.根据权利要求1所述目标点搜索方法，其特征在于，在步骤D中，所述在所述可达边界点对应的预设覆盖区域内，机器人将符合预设通行条件的点设置为目标点的方法包括：机器人分别以所述可达边界点对应的预设覆盖区域内的每个点为中心点，圈定对应的预设覆盖区域；
对于每一个圈定出的预设覆盖区域，机器人获取该预设覆盖区域内各种环境信息类型的点的数量，再通过对每种环境信息类型的点的数量施加对应的权重系数，来获得该预设覆盖区域的中心点的可通行分数，以形成所述可达边界点对应的预设覆盖区域内的一个点的可通行分数；
在机器人获得所述可达边界点对应的预设覆盖区域内的每个点的可通行分数后，机器人将可通行分数最大的一个点设置为所述目标点，以使行走至所述目标点处的机器人不与障碍物碰撞，并确定符合所述预设通行条件；
其中，每个点对应的预设覆盖区域是以该点为中心点、且覆盖半径为一个机身半径的圆形区域；每个点对应的预设覆盖区域内的任一个点与该中心点的距离是小于或等于所述机身半径；每个点对应的预设覆盖区域内的点所标记出的环境信息包括可通行位置、和/或未知位置、和/或障碍物占据位置。
8.根据权利要求7所述目标点搜索方法，其特征在于，在机器人获取一个预设覆盖区域内各种环境信息类型的点的数量的过程中，机器人统计标记为可通行位置的像素点的数量并将其统计数量记为第一像素点数量，机器人还统计标记为未知位置的像素点的数量并将其统计数量记为第二像素点数量，机器人还统计标记为障碍物占据位置的像素点的数量并将其统计数量记为第三像素点数量；
机器人为标记为可通行位置的像素点分配第一通行权重系数，且机器人为标记为未知位置的像素点分配第二通行权重系数，且机器人为标记为障碍物占据位置的像素点分配第三通行权重系数，其中，第一通行权重系数大于第二通行权重系数，第二通行权重系数大于第三通行权重系数；
然后机器人将第一通行权重系数与第一像素点数量的乘积标记为可通行位置的加权结果，同时机器人将第二通行权重系数与第二像素点数量的乘积标记为未知位置的加权结果，同时机器人将第三通行权重系数与第三像素点数量的乘积标记为障碍物占据位置的加权结果；然后机器人将可通行位置的加权结果、未知位置的加权结果以及障碍物占据位置的加权结果相加，再将相加的结果设置为该预设覆盖区域的中心点的可通行分数。
9.一种芯片，其特征在于，该芯片用于存储程序代码，程序代码用于执行权利要求1至8任一项所述基于边界线的目标点搜索方法。
10.一种机器人，其特征在于，该机器人内置权利要求9所述的芯片。 说明书 : 基于边界线的目标点搜索方法、芯片及机器人技术领域[0001] 本发明涉及路径节点搜索的技术领域，涉及一种基于边界线的目标点搜索方法、芯片及机器人。背景技术[0002] 目前，室内移动机器人能够称之为智能的基础是其能够在拥有地图的情况下，完成导航定位功能，一般会通过随机扩展路径节点的方式让机器人获取地图，然而在使用代表多种路况环境信息的数据结构参与搜索的过程中，为了模拟出地图中的真实地形轮廓而会频繁贴近障碍物，甚至延伸入障碍物占据的区域的内部，使得机器人搜索出的路径节点过多过慢，导致机器人导航工作的效率下降，且在局部区域内的通行效果较差，也引起机器人多次碰撞障碍物。发明内容[0003] 为了克服上述技术缺陷，本发明公开一种基于边界线的目标点搜索方法、芯片及机器人，具体的技术方案如下：[0004] 基于边界线的目标点搜索方法，该目标点搜索方法包括：步骤A、机器人从地图中提取出全轮廓线和预设边界点；步骤B、机器人按照预设时针方向遍历全轮廓线中的点，并检测全轮廓线中的点的邻域内是否存在预设边界点；步骤C、根据步骤B检测到的预设边界点所在的边界线的可通行性，确定可达边界点；步骤D、在所述可达边界点对应的预设覆盖区域内，机器人将符合预设通行条件的点设置为目标点。[0005] 进一步地，在步骤A中，机器人使用图像形态学方法从地图中提取出全轮廓线和预设边界线，其中，所述预设边界点是预设边界线中的点，使得机器人每当提取出预设边界线，则获取该预设边界线中的点的位置信息和该点处标记的环境信息；其中，所述预设边界线是自由区域与未知区域的交界线；未知区域是由标记为未知位置的像素点组成，自由区域是由标记为可通行位置的像素点组成，使得所述预设边界线的一侧分布有所述标记为未知位置的像素点，所述预设边界线的另一侧分布有所述标记为可通行位置的像素点；其中，所述步骤B检测到的预设边界点所在的边界线是该预设边界点所在的预设边界线。[0006] 进一步地，所述机器人使用图像形态学方法从地图中提取出全轮廓线和预设边界线的方法包括：机器人使用图像形态学方法从地图中提取出全轮廓线；机器人使用图像形态学方法从同一所述地图中提取出障碍物轮廓线；机器人控制全轮廓线与障碍物轮廓线相减，获得所述预设边界线，并确定提取出预设边界线。[0007] 进一步地，所述机器人使用图像形态学方法从地图中提取出全轮廓线和预设边界线的方法包括：机器人按照第一预设灰度阈值对所述地图进行灰度化处理，得到第一一地图图像；然后控制第一一地图图像先腐蚀再膨胀，得到第一二地图图像，然后机器人从所述第一二地图图像中提取出全轮廓图；其中，全轮廓图是全轮廓线的集合；所述全轮廓线包括障碍物轮廓线、和/或绕着障碍物轮廓线延伸的沿边路线；所述沿边路线与障碍物轮廓线的间距是处于预设防撞距离范围内；机器人按照第二预设灰度阈值对所述地图进行灰度化处理，得到第二一地图图像；然后控制第二一地图图像先腐蚀再膨胀，得到第二二地图图像；然后机器人从所述第二二地图图像中提取出障碍物轮廓图；其中，障碍物轮廓图是障碍物轮廓线的集合；机器人控制全轮廓图与障碍物轮廓图相减，获得所述预设边界线，以使机器人从全轮廓线中剔除障碍物轮廓线；其中，第一预设灰度阈值小于第二预设灰度阈值。[0008] 进一步地，在所述步骤A和步骤B之间，还包括：机器人利用全轮廓线搜索所述目标障碍物，再将该目标障碍物对应的全轮廓线的中点设置为模拟沿边起点；然后机器人在步骤B中，从模拟沿边起点开始，按照预设时针方向遍历对应一条全轮廓线中的点，其中，机器人在遍历全轮廓线的过程中，机器人的位姿没有变化；所述全轮廓线包括绕着障碍物轮廓线延伸的沿边路线、和/或障碍物轮廓线，以使一条全轮廓线与一个障碍物对应；其中，沿边路线与障碍物轮廓线的间距是处于预设防撞范围内。[0009] 进一步地，机器人利用全轮廓线搜索所述目标障碍物的方法包括：机器人搜索出距离机器人的当前位置点最近的全轮廓线，并将该全轮廓线标记为第一全轮廓线；再将轨迹长度最大的第一全轮廓线所对应的障碍物设置为目标障碍物，其中，该目标障碍物对应的全轮廓线是轨迹长度最大的第一全轮廓线；或者，机器人搜索出轨迹长度最大的全轮廓线，并将该全轮廓线段标记为第一全轮廓线；再将距离机器人的当前位置点最近的第一全轮廓线所对应的障碍物设置为目标障碍物，其中，该目标障碍物对应的全轮廓线是距离机器人的当前位置点最近的第一全轮廓线。[0010] 进一步地，在步骤B中，所述机器人按照预设时针方向遍历全轮廓线中的点，并检测全轮廓线中的点的邻域内是否存在预设边界点的方法包括：机器人从所述模拟沿边起点开始按照预设时针方向遍历所述步骤A提取出的全轮廓线的过程中，每当遍历到全轮廓线中的点，则将遍历到的点标记为已访问的点，再检测已访问的点的邻域内是否存在所述预设边界点，是则将所述预设边界点按照预设时针方向的逆方向上的排序保存入线性存储空间，以使在机器人按照预设时针方向行走的过程中，从该线性存储空间内读取预设边界点的顺序表示机器人实际所沿的障碍物轮廓线的先后顺序；其中，所述预设边界点包括所述标记为可通行位置的像素点。[0011] 进一步地，在所述步骤C中，根据步骤B检测到的预设边界点所在的边界线的可通行性，确定可达边界点的方法包括：机器人先按照模板图像对所述全轮廓线中的障碍物点进行腐蚀以使障碍物点所在的障碍物占据的区域得到扩大，其中，障碍物点是标记为障碍物占据位置的像素点，模板图像的扩展半径是等于机器人的机身半径；所述全轮廓线包括绕着障碍物轮廓线延伸的沿边路线、和/或障碍物轮廓线；障碍物轮廓线中的点包括障碍物点；然后，机器人从地图坐标系的原点开始执行填充算法，在从地图坐标系的原点开始朝地图坐标系的象限区域扩展的过程中，判断当前扩展到的可连通点的邻域内是否存在候选边界点，是则将该候选边界点设置为可达边界点；其中，机器人使用填充算法所扩展到的可连通点都是可通行位置的像素点，且所扩展到的可连通点与地图坐标系的原点连通；其中，机器人将步骤B检测到的每个预设边界点所在的预设边界线标记为待测边界线；当检测到待测边界线中的两个点之间的直线距离大于机器人的机体直径时，机器人将待测边界线中的点设置为候选边界点。[0012] 进一步地，在步骤D中，所述在所述可达边界点对应的预设覆盖区域内，机器人将符合预设通行条件的点设置为目标点的方法包括：机器人分别以所述可达边界点对应的预设覆盖区域内的每个点为中心点，圈定对应的预设覆盖区域；对于每一个圈定出的预设覆盖区域，机器人获取该预设覆盖区域内各种环境信息类型的点的数量，再通过对每种环境信息类型的点的数量施加对应的权重系数，来获得该预设覆盖区域的中心点的可通行分数，以形成所述可达边界点对应的预设覆盖区域内的一个点的可通行分数；在机器人获得所述可达边界点对应的预设覆盖区域内的每个点的可通行分数后，机器人将可通行分数最大的一个点设置为所述目标点，以使行走至所述目标点处的机器人不与障碍物碰撞，并确定符合所述预设通行条件；其中，每个点对应的预设覆盖区域是以该点为中心点、且覆盖半径为一个机身半径的圆形区域；每个点对应的预设覆盖区域内的任一个点与该中心点的距离是小于或等于所述机身半径；每个点对应的预设覆盖区域内的点所标记出的环境信息包括可通行位置、和/或未知位置、和/或障碍物占据位置。[0013] 进一步地，在机器人获取一个预设覆盖区域内各种环境信息类型的点的数量的过程中，机器人统计标记为可通行位置的像素点的数量并将其统计数量记为第一像素点数量，机器人还统计标记为未知位置的像素点的数量并将其统计数量记为第二像素点数量，机器人还统计标记为障碍物占据位置的像素点的数量并将其统计数量记为第三像素点数量；机器人为标记为可通行位置的像素点分配第一通行权重系数，且机器人为标记为未知位置的像素点分配第二通行权重系数，且机器人为标记为障碍物占据位置的像素点分配第三通行权重系数，其中，第一通行权重系数大于第二通行权重系数，第二通行权重系数大于第三通行权重系数；然后机器人将第一通行权重系数与第一像素点数量的乘积标记为可通行位置的加权结果，同时机器人将第二通行权重系数与第二像素点数量的乘积标记为未知位置的加权结果，同时机器人将第三通行权重系数与第三像素点数量的乘积标记为障碍物占据位置的加权结果；然后机器人将可通行位置的加权结果、未知位置的加权结果以及障碍物占据位置的加权结果相加，再将相加的结果设置为该预设覆盖区域的中心点的可通行分数。[0014] 一种芯片，该芯片用于存储程序代码，程序代码用于执行所述基于边界线的目标点搜索方法。[0015] 一种机器人，该机器人内置所述的芯片。[0016] 本发明的技术效果在于：根据可通行性、以及预设通行条件，对提取出的预设边界点以及预设边界点所在的边界线进行筛选以使得提取出的轮廓线、边界线更连续平滑，保证目标点选择的稳定性，并通过机器人的可通行性验证，实现机器人在既定方向下的目标点的评估和搜索、以及可达性路径的规划，保证机器人在障碍物之间或者障碍物到边界线之间的可通行区域内安全通过，也有着较好的实时性，使得机器人能够无碰撞地行走至该目标点，也防止机器人被障碍物困。苊庥胝习锲捣迸鲎。附图说明[0017] 图1是本发明实施例公开的基于边界线的目标点搜索方法的流程图。具体实施方式[0018] 下面结合附图对本发明的具体实施方式作进一步说明。本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。需要说明的是，采用搜索算法解决问题时，需要构造一个表明状态特征和不同状态之间关系的数据结构，这种数据结构称为节点。不同的问题需要用不同的数据结构描述。根据搜索问题所给定的条件，从一个节点出发，可以生成一个或多个新的节点，这个过程通常称为扩展。[0019] 作为一种实施例，公开基于边界线的目标点搜索方法，该目标点搜索方法的执行主体是机器人，该目标点搜索方法的执行主体可以理解为机器人内部设置的能够运行程序代码的控制器；如图1所示，该目标点搜索方法包括以下步骤：[0020] 步骤A、机器人从地图中提取出全轮廓线和预设边界点，此时，机器人虽然提取出并能够记录下每条全轮廓线的位置信息及其经过区域的环境信息、和每个预设边界点的位置信息及其所处区域的环境信息，但是机器人在步骤A中还不计算出或没有记录下两个预设边界点之间的相对位置关系、两条全轮廓线之间的相对位置关系、预设边界点与全轮廓线之间的相对位置关系、或预设边界点与全轮廓线中的点之间的相对位置关系；然后执行步骤B；其中，地图是机器人在其所处的工作区域内提前扫描而构建起来的栅格地图，该栅格地图内的每个栅格都映射为地图图像内的对应一个像素点，则每个像素点对应标记有位置信息（坐标信息）和环境信息（有无被障碍物）；在本实施例中，地图区域内的地形轮廓是在地图内描述工作区域的轮廓，以便于机器人直接沿着相应的轮廓行走、或在对描述出的各段轮廓进行选择和排序后获得可通行的点和路线；其中，从地图中提取出全轮廓线视为与障碍物轮廓线平行一致的线段、或障碍物轮廓线，预设边界点是两种不同类型的环境区域的交界线上的点，可以视为相邻接的两个不同类型的环境区域当中一个环境区域的边界线，进一步地，该边界线可以是两个不同类型的环境区域共同的边界线段。[0021] 步骤B、机器人按照预设时针方向遍历全轮廓线中的点，并检测全轮廓线中的点的邻域内是否存在预设边界点，然后执行步骤C；其中，预设时针方向是顺时针方向或逆时针方向；在该步骤B中，机器人按照预设时针方向，沿着全轮廓线，在地图内依次遍历全轮廓线中的每个轮廓点，但机器人的位姿没有发生变化，等效于模拟机器人在实际环境内按照预设时针方向沿着全轮廓线行走并探测每个轮廓点的附近（至少在前后左右方向上探测）是否存在预先标记出（步骤A中提取出）的预设边界点，从而确定出机器人实际行走时所需沿的全轮廓线的遍历顺序以及预设边界点的遍历顺序，进而大体上确定所需行走（或在模拟行走过程中所需探索）的两条全轮廓线之间的相对位置关系、所需行走（或在模拟行走过程中所需探索）的预设边界点与全轮廓线之间的相对位置关系、或所需行走（或在模拟行走过程中所需探索）的预设边界点与全轮廓线中的点之间的相对位置关系，有利于后续规划出导航路径。[0022] 步骤C、根据步骤B检测到的预设边界点所在的边界线的可通行性，确定可达边界点，然后执行步骤D；其中，步骤B检测到的预设边界点所在的边界线的可通行性包括机器人行走至预设边界点、机器人沿着该预设边界点所在的边界线行走，至少体现出步骤B检测到的预设边界点所在的边界线能够容纳机器人的完整机体在其边界线上行走或平行于边界线的轨迹线上行走的效果，在一些实施例中是表现为机器人沿着障碍物轮廓线行走的可通行性；然后，步骤C确定出的可达边界点一定是来源于步骤B检测到的预设边界点所在的边界线，所述可达边界点的数量可以是一个或多个，但不一定是步骤B检测到的预设边界点，从而依据机器人沿着前述边界线行走的可通行性对所有已获取的预设边界点完成筛选。[0023] 步骤D、在所述可达边界点对应的预设覆盖区域内，机器人将符合预设通行条件的点设置为目标点，当机器人行走过该目标点时，不容易贴近障碍物轮廓线，减少机器人与障碍物碰撞的次数，提高机器人行走的安全性。具体地，符合预设通行条件的点是从所述可达边界点对应的预设覆盖区域内筛选出来，也可视为对预设边界点所在的边界线的可通行性判定并在此基础上进行评价择优，使得符合预设通行条件的点是机器人碰撞障碍物的代价最小、且自由通行的代价最高的位置点，进而能够按照预设边界点的检测先后顺序、或所述预设时针方向、或其它关联的访问顺序，从机器人的当前位置点开始依次访问步骤D设置出的目标点。[0024] 综上，本实施例根据可通行性、以及预设通行条件，对提取出的预设边界点以及预设边界点所在的边界线进行筛选以使得提取出的轮廓线、边界线更连续平滑，保证目标点选择的稳定性，并通过机器人的可通行性验证，实现机器人在既定方向下的目标点的评估和搜索、以及可达性路径的规划，保证机器人在障碍物之间或者障碍物到边界线之间的可通行区域内安全通过，也有着较好的实时性，使得机器人能够无碰撞地行走至该目标点，也防止机器人被障碍物困。苊庥胝习锲捣迸鲎玻槐臼凳├哪勘甑闼阉鞣椒ㄒ仓С忠话阏习锫掷哂敕鞘堤宓谋呓缦，提高了应用层程序的可用性。[0025] 作为一种实施例，在步骤A中，机器人使用图像形态学方法从地图中提取出全轮廓线和预设边界线，其中，所述预设边界点是预设边界线中的点，使得机器人每当提取出预设边界线，则获取该预设边界线中的点在地图中的位置信息和该点处标记的环境信息；在本实施例中，该预设边界线中的点在地图中的位置信息包括该预设边界线中的点的坐标信息、以及机器人在该预设边界线中的点处的前进方向信息；该预设边界线中的点处标记的环境信息包括未知位置、可通行位置以及障碍物占据位置。需要说明的是，对于本领域技术人员可理解：栅格地图中标记有机器人的当前位置周围的环境信息，机器人构建的栅格地图区域内的栅格包括标记为自由(free)、占用(occupied)和未知(unknown)三种状态；这些栅格在本实施例中可以使用栅格点表示，即栅格的中心点，每个栅格点对应一个像素点。自由状态的栅格是指未被障碍所占用的栅格，代表机器人可通行的栅格位置点，在栅格地图内标记为自由栅格；自由状态的栅格也可以使用未被障碍所占用的像素点表示，该像素点位于用于划分地图的单元格的中心点处，在栅格地图对应的地图图像内标记为可通行位置；多个自由栅格组成未占用区域，允许机器人在该未占用区域内自由通行。占用状态的栅格是指被障碍物所占用的栅格，在栅格地图内标记为障碍物栅格，多个障碍物栅格可以组成占用区域；占用状态的也可以使用被障碍所占用的像素点表示，在栅格地图对应的地图图像内标记为障碍物占据位置；未知状态的栅格是指机器人在栅格地图内标记出的不清楚具体情况的栅格，其所在的实际位置往往被障碍物所遮挡，可以组成未知区域。未知状态的栅格也可以使用机器人标记出的不清楚具体情况的像素点表示，在栅格地图对应的地图图像内标记为未知位置；多个未知状态的栅格组成未占用区域，允许机器人在该未占用区域内自由通行。在此基础上，所述预设边界线是自由区域与未知区域的交界线，以分割出至少一块自由区域和至少一块未知区域；未知区域是由标记为未知位置的像素点组成，自由区域是由标记为可通行位置的像素点组成，使得所述预设边界线的一侧分布有所述标记为未知位置的像素点，所述预设边界线的另一侧分布有所述标记为可通行位置的像素点，需要说明的是，组成所述预设边界线的像素点，是凭借灰度值来区分开该预设边界线的一侧分布的自由区域内的像素点与该预设边界线的另一侧分布的未知区域内的像素点，则所述预设边界线中的像素点包括标记为障碍物占据位置的像素点、标记为未知位置的像素点、或者标记为可通行位置的像素点，或者，所述预设边界线中的像素点是标记为未知位置的像素点、或者标记为可通行位置的像素点；但是所述预设边界线中的像素点的灰度值，与所述预设边界线分割开的自由区域内的像素点和未知区域内的像素点的灰度值都不相同。防止在预设边界线选择时，因障碍物轮廓点处于临界状态而波动，导致所述预设边界线的频繁切换问题。也能够利用所述预设边界线中的像素点标记的环境信息和位置信息不断探索其一侧的未知区域。[0026] 优选地，未知区域与自由区域的交界线（可以是相邻接的交界区域的两侧的边界线）上的像素点组成所述预设边界线，在一些实施例中，地图中的每个自由区域与其最近的未知区域的交界线段是机器人在步骤A中获得，并被标记为所述预设边界线，使得所述预设边界线可以理解为既不是属于未知区域的边界线，也不属于自由区域的边界线，所述未知区域内填充的栅格（对应的像素点）的数量是大于或等于3个，所述自由区域内填充的栅格（对应的像素点）的数量是大于或等于3个。[0027] 值得注意的是，机器人在执行步骤A、步骤B、步骤C以及步骤D的过程中，是保持停留在同一个位置点处或保持同一个位姿。在地图经过灰度化处理后，所述预设边界线中的像素点的灰度值与组成未知区域的像素点的灰度值不同，而且，所述预设边界线中的像素点的灰度值与组成自由区域的像素点的灰度值不同，其中，所述步骤B检测到的预设边界点所在的边界线是该预设边界点所在的预设边界线。[0028] 作为一种实施例，所述机器人使用图像形态学方法从地图中提取出全轮廓线和预设边界线的方法包括：机器人使用图像形态学方法从地图中提取出全轮廓线，对应地，多条全轮廓线能够组成一帧轮廓图，全轮廓线包括障碍物轮廓线、和/或绕着障碍物轮廓线延伸的沿边路线，从而确定所述全轮廓线的类型是包括机器人可通行的路线、以及阻碍机器人通行的障碍物点的连线。具体地，机器人按照第一预设灰度阈值对所述地图进行灰度化处理，得到第一一地图图像，即获得二值化图像，所述地图中，灰度值大于第一预设灰度阈值的像素点，其灰度值被配置为255，该像素点的颜色被填充为黑色；灰度值小于或等于第一预设灰度阈值的像素点，其灰度值被配置为0，该像素点的颜色被填充为白色。然后控制第一一地图图像先腐蚀再膨胀，得到第一二地图图像，相对于第一一地图图像，第一二地图图像消除第一一地图图像内的亮度较高的细小区域，在纤细点分离物体，对于较大物体，可以在不明显改变其面积的情况下平滑其边界等，即先用腐蚀操作除去较小的白点（去噪），然后再用膨胀操作恢复原来的大白点，这样就实现除去小黑点（进一步的去噪）。然后机器人从所述第一二地图图像中提取出全轮廓图，其中，全轮廓图是全轮廓线的集合；优选地，机器人从第一二地图图像中提取出与障碍物轮廓线平行的沿边路线（绕着障碍物轮廓线延伸的沿边路线的一种实施方式）、以及障碍物轮廓线，其中，沿边路线与障碍物轮廓线的间距处于预设防撞距离范围内，用于表示机器人实际沿着障碍物行走的运动轨迹线，优选地，预设防撞距离范围是设置为大于或等于机器人的机身直径，从而设定碰撞安全范围。因此，所述全轮廓线用于在第一二地图图像中表示机器人所处的工作区域的地形轮廓特征，所述全轮廓线中存在经过障碍物轮廓点的线段，也存在不经过障碍物的线段，都归属于地形轮廓线。其中，障碍物轮廓点是障碍物的轮廓线经过的像素点。[0029] 机器人使用图像形态学方法从同一所述地图中提取出障碍物轮廓线，其中，障碍物轮廓线是经过障碍物的轮廓点，障碍物轮廓线等效于障碍物的轮廓点的连线，即标记为障碍物的轮廓点的像素点的连线；针对同一所述地图（未经过前述灰度化处理的初始地图图像），机器人按照第二预设灰度阈值对所述地图进行灰度化处理，得到第二一地图图像，即获得另一种二值化图像，所述地图中，灰度值大于第二预设灰度阈值的像素点，其灰度值被配置为255，该像素点的颜色被填充为黑色；灰度值小于或等于第二预设灰度阈值的像素点，其灰度值被配置为0，该像素点的颜色被填充为白色；第一预设灰度阈值小于第二预设灰度阈值，优选地，第一预设灰度阈值是配置为127时，第二预设灰度阈值是配置为128；然后机器人控制第二一地图图像先腐蚀再膨胀，得到第二二地图图像，相对于第二一地图图像，第二二地图图像消除第二一地图图像内的亮度较高的细小区域，在纤细点分离物体，对于较大物体，可以在不明显改变其面积的情况下平滑其边界等，即先用腐蚀操作除去较小的白点（去噪），然后再用膨胀操作恢复原来的大白点，这样就实现除去小黑点（进一步的去噪）。优选地，相对于第一二地图图像内的全轮廓线，机器人将所述全轮廓线中的小部分灰度值原本为255的像素点的灰度值配置为0，获得第二二地图图像，从而等效于将在第一二地图图像内标记为障碍物轮廓点的部分像素点重新标记为可通行位置，使得第二二地图图像内的障碍物轮廓线（全轮廓线所包括的）比第一二地图图像内的障碍物轮廓线（目标轮廓线所包括的）缩短、或第二二地图图像内的障碍物轮廓线的数量比第一二地图图像内的障碍物轮廓线的数量少。然后，机器人从所述第二二地图图像提取出障碍物轮廓线；优选地，机器人从所述第二二地图图像中提取出障碍物轮廓图；其中，障碍物轮廓图是障碍物轮廓线的集合。[0030] 优选地，机器人在第二二地图图像内，具体是通过八邻域搜索的方式在既定方向上搜索障碍物的轮廓点，其中，障碍物的轮廓点的邻域内存在标记为可通行位置的像素点，且障碍物轮廓线的一侧是标记为障碍物占据位置的像素点并且是由这些像素点组成的占用区域，障碍物轮廓线的另一侧是标记为可通行位置的像素点并且是由这些像素点组成的未占用区域。[0031] 然后，机器人控制全轮廓线与障碍物轮廓线相减，获得所述预设边界线，并确定提取出预设边界线，其中，全轮廓线在第一二地图图像内的覆盖范围与障碍物轮廓线在第二二地图图像内的覆盖范围，全轮廓线所包括的线条的数目和类型都多于障碍物轮廓线所包括的。在具体实施的过程中，机器人需要以图像为载体，控制全轮廓图与障碍物轮廓图相减，在相减操作所得到的图像内获得所述预设边界线，以使机器人从全轮廓线中剔除障碍物轮廓线；具体是机器人控制全轮廓图的每个像素点的灰度值与障碍物轮廓图内的对应像素点的灰度值进行相减，获得所述预设边界线，即两个轮廓图相减后获得的图像中只剩余的黑色线条，此时已经从全轮廓线中分离出除了所述障碍物轮廓线之外的轮廓线，即所述预设边界线；优选地，相减的一对像素点在其所属的轮廓图内相对于图像坐标系原点的位置关系是相同，第一二地图图像与第二二地图图像是两个尺寸相同的图像，全轮廓图与障碍物轮廓图也是两个尺寸相同的图像，全轮廓图的图像坐标系的原点与障碍物轮廓图的图像坐标系的原点是相同。[0032] 作为一种实施例，在所述步骤A和步骤B之间，还包括：机器人利用全轮廓线（来源于所述步骤A提取出的全轮廓线）搜索目标障碍物，再将该目标障碍物对应的全轮廓线的中点设置为模拟沿边起点；其中，所述步骤A提取出的全轮廓线的数量是一条以上，每一条全轮廓线都与一个障碍物对应，可以是一条全轮廓线对应唯一的一个障碍物，也可以是多条全轮廓线对应一个障碍物。然后机器人在步骤B中，从模拟沿边起点开始，按照预设时针方向遍历对应一条全轮廓线中的点，其中，机器人在遍历全轮廓线及该全轮廓线中的点的过程中，机器人没有行走；预设时针方向相当于模拟沿边方向，包括顺时针方向或逆时针方向，则本实施例中，从模拟沿边起点开始，按照预设时针方向遍历对应一条全轮廓线中的点的遍历行为，等效于一种模拟沿边行为。[0033] 需要说明的是，所述全轮廓线包括绕着障碍物轮廓线延伸的沿边路线、和/或障碍物轮廓线，以使所述全轮廓线与该障碍物对应；其中，绕着障碍物轮廓线延伸的沿边路线包括与障碍物轮廓线平行的沿边线；其中，沿边路线与障碍物轮廓线的间距是处于预设防撞范围内，具体是各障碍物轮廓点与对应沿边路线的侧向距离；预设防撞范围是设置为大于或等于机器人的机身直径。若机器人沿着沿边路线行走，则等效于沿着地形的轮廓线行走，机器人的前进方向被调整为平行于地形的轮廓线，比如，沿着墙体的轮廓线行走时，机器人的前进方向与墙体的轮廓线平行，此时机器人处于沿边行走的工作模式，机器人在该工作模式下会将沿边行走过的每个位置点都标记在即时构建的地图中。[0034] 在上述实施例的基础上，机器人利用全轮廓线搜索所述目标障碍物的方法包括：机器人搜索出距离机器人的当前位置点（地图内对应标记出的位置点）最近的全轮廓线，并将该全轮廓线标记为第一全轮廓线；再将轨迹长度最大的第一全轮廓线所对应的障碍物设置为目标障碍物，其中，该目标障碍物对应的全轮廓线是轨迹长度最大的第一全轮廓线，从而在地图内确定该目标障碍物是轮廓线连续且轮廓线长度最大的障碍物，并取轨迹长度最大的第一全轮廓线的中点设置为所述模拟沿边起点，从而确定模拟沿边行为的开始点。或者，机器人搜索出轨迹长度最大的全轮廓线，并将该全轮廓线标记为第一全轮廓线；再将距离机器人的当前位置点（地图内对应标记出的位置点）最近的第一全轮廓线所对应的障碍物设置为目标障碍物，其中，该目标障碍物对应的全轮廓线是距离机器人的当前位置点最近的第一全轮廓线，从而在地图内确定该目标障碍物是轮廓线连续且轮廓线长度最大的障碍物，并取距离机器人的当前位置点最近的第一全轮廓线的中点设置为所述模拟沿边起点，从而确定模拟沿边行为的开始点。[0035] 值得注意的是，在所述地图内，第一全轮廓线不是封闭的线条，以便于获取第一全轮廓线的中点。第一全轮廓线可以视为该房间的轮廓线，比如墙体，其中，墙体可以拆分为两个临近平行的墙面，房间的轮廓线、或轮廓线段可以视为墙面在水平地面的投影线。[0036] 作为一种实施例，在步骤B中，所述机器人按照预设时针方向遍历全轮廓线中的点，并检测全轮廓线中的点的邻域内是否存在预设边界点的方法包括：机器人从所述模拟沿边起点开始按照预设时针方向遍历所述步骤A提取出的全轮廓线的过程中，每当遍历到全轮廓线中的一个点（具体包括同一条全轮廓线中的点或不同条全轮廓线中的点），则将遍历到的点标记为已访问的点，再检测已访问的点的邻域内是否存在所述预设边界点，是则将所述预设边界点按照预设时针方向的逆方向上的排序保存入线性存储空间，可以选择递推至一个终点，以将所述预设边界点所在的预设边界线中的每个点都保存入线性存储空间，其中，往线性存储空间保存一个点，包括存入该点的位置信息和环境信息，并引入索引号或识别号以标记出全轮廓线中的点的在线性存储空间内的存储顺序、或标记出点在全轮廓线中的排序，还记录为编号，以使用由小到大的编号顺序表示机器人的导航顺序；其中，所述预设边界点包括标记为可通行位置的像素点，以增强机器人在所述预设边界线的可达性，在一些实施例中还包括标记为障碍物占据位置的像素点。优选地，所述终点和所述模拟沿边起点是其中一条预设边界线的两个端点；又由于机器人从模拟沿边起点开始，按照预设时针方向遍历对应一条全轮廓线中的点的搜索行为，等效于一种模拟沿边行为，所以，在机器人按照预设时针方向行走的过程中，从该线性存储空间内读取预设边界点或其所在的预设边界线的顺序表示机器人实际所沿的障碍物轮廓线的先后顺序，这里的预设边界线的数量不限于一条，这里的障碍物轮廓线的数量不限于一条。其中，线性存储空间包括但不限于栈、以及队列。因此，本实施例通过在模拟沿边行为过程中对探测到的预设边界线或预设边界点进行排序，从而能够在既定时针方向上有序地探索场景的位置点，加快搜索可通行的区域位置，包括所述目标点。[0037] 作为一种数据存储方式，机器人从所述模拟沿边起点开始，每当遍历到全轮廓线中的一个点，机器人按照所述预设时针方向顺序，将遍历到的点依次缓存入栈内，其中，最开始缓存入栈内的所述模拟沿边起点被压入栈底；然后按照先进后出的原则，机器人控制较后缓存入栈内的数据优先出栈，并控制较先缓存入栈内的数据延后出栈，其中，需要读数据的时候从栈顶开始弹出数据；因此，机器人将所述预设时针方向上遍历的点依次缓存入栈内后，从栈内读取出点是等效于按照所述预设时针方向的逆方向去遍历栈内已缓存的点，实现以栈的形式去遍历全轮廓线中的每个点并按照栈的先进后出的原则配置好同一条全轮廓线中的每个点的访问顺序以及不同条全轮廓线中的点，组成全轮廓线中的点的序列；每当从栈内读取一个点，则将该点标记为已访问的点以提示机器人不重复访问同一个点，此时是按照所述预设时针方向的逆方向去读取全轮廓线中的点，再检测已访问的点的邻域内是否存在所述预设边界点，是则将所述预设边界点压入新开辟的栈，则后续从这个新开辟的栈内读取出所述预设边界点的顺序是所述预设时针方向，便于机器人按照所述预设时针方向沿着所述预设边界点所在的所述预设边界线（包括障碍物轮廓线）行走，且在实际行走过程中实时从线性存储空间内读取到当前所沿的所述预设边界点，包括所述预设边界点的位置信息和环境信息，此时，所述预设边界点及其所在的预设边界线在所述预设时针方向上的排序，组成预设边界线的序列或预设边界点的序列；可以表示机器人预期需要移动经过的位置点的排列顺序，具体地，按照这个新开辟的栈内读取出所述预设边界点的顺序，有利于连接形成用于机器人遍历所述工作区域的可通行路径。[0038] 需要说明的是，当机器人在未知的房间环境地面上移动以完成相关导航工作时，在机器人移动之前需先搜索这个未知的房间环境内探索合适的导航目标点，以沿着规划路径执行规划清扫、规划导航；一般地，室内环境被墙壁分隔成多个房间，地面上还放置有家私家电等障碍物，为了便于区分，家私家电等障碍物以封闭的方框表示，而房间区域则表示为四个方向中的三个方向上让机器人被障碍物阻挡的区域，容易理解，墙壁、家私家电等能够阻挡机器人移动的物体均可以被视为障碍物。[0039] 作为一种实施例，在所述步骤C中，根据步骤B检测到的预设边界点所在的边界线的可通行性，确定可达边界点的方法包括：机器人先按照模板图像对所述全轮廓线中的障碍物点进行腐蚀处理以使所述全轮廓线所在的障碍物占据的区域得到扩大，其中，障碍物点是标记为障碍物占据位置的像素点，模板图像的扩展半径是等于机器人的机身半径；所述全轮廓线包括与障碍物轮廓线平行的沿边线、和/或障碍物轮廓线，以使所述全轮廓线与该障碍物对应；障碍物轮廓线中的点包括障碍物点；具体地，机器人使用模板图像对所述全轮廓线中的障碍物点进行腐蚀处理的过程中，采用模板图像（相当于边长等于机器人的机身直径）提取所述全轮廓线中的障碍物点（也可视为预设时针方向上组成的点序列）可以分别向左右两侧同时对所述障碍物点进行腐蚀处理，也可以自左向右对所述障碍物点进行腐蚀处理，直至遍历完所述全轮廓线中所有的障碍物点，使得部分标记为可通行位置的像素点被配置为障碍物点，除去较小的白点（去噪），让障碍物轮廓线更加平滑，进而让所述全轮廓线所在的障碍物占据的区域得到扩大。然后，机器人从地图坐标系的原点开始执行填充算法，其中，地图坐标系的原点是扩展起点，也相当于填充起点，地图坐标系的原点是可通行位置的像素点；并从地图坐标系的原点开始朝地图坐标系的象限区域扩展的过程中，判断当前扩展到的可连通点的邻域内是否存在候选边界点，是则将该候选边界点设置为可达边界点并将该候选边界点所在的待测边界线设置为目标边界线，其中，目标边界线可以视为有效的预设边界线；否则将该候选边界点设置为不可达边界点并将该候选边界点所在的待测边界线设置为不可达的预设边界线；区分开目标边界线和不可达的预设边界线之后，确定两个像素点之间不存在障碍物覆盖的连线或边界线。提高机器人的搜索遍历目标点的速度。[0040] 其中，可连通点的邻域可以是该可连通点的四邻域；扩展操作是可以视为填充操作，按照填充算法每扩展到一个新的可连通点，则视为在地图填充到一个新的可连通点，而该填充算法的扩展终点包括障碍物点；其中，机器人使用填充算法所扩展到的可连通点都是可通行位置的像素点，且与地图坐标系的原点连通，以使机器人从地图坐标系的原点开始，按照扩展出来的可连通点行走至障碍物点，受到障碍物点的阻碍，此时停止执行填充算法，在扩展至障碍物点之前，机器人填充到的像素点都是机器人可通行的点（能够在地图内（可以是经过模板图像的腐蚀处理的地图）被填充为相同的颜色，以区别其它相邻区域的边界线）。[0041] 需要说明的是，机器人将步骤B检测到的每个预设边界点所在的预设边界线标记为待测边界线，其中，存在多个预设边界点位于同一条预设边界线，存在多个预设边界点也位于多条离散分布的预设边界线，待测边界线归属于所述预设边界线；当检测到待测边界线中的两个点之间的直线距离大于机器人的机体直径时，机器人将待测边界线中的点设置为候选边界点，以保证机器人能够通过所述待测边界线，并将该待测边界线设置为候选边界线；其中，待测边界线中的两个点之间的直线距离可以是待测边界线中的间距最大的两个点之间的直线距离，但基于前述实施例，所述待测边界线是从全轮廓线中分离出的一种轮廓线（对应为全轮廓线与障碍物轮廓线相减的结果），所以，所述待测边界线不一定是直线段，待测边界线中的间距最大的两个点不一定是该待测边界线的两个端点。[0042] 需要说明的是，机器人采用前述实施例公开的腐蚀、膨胀、填充算法解决问题时，需要构造一个表明自身栅格位置的状态特征和不同栅格位置的状态之间关系的数据结构，这种数据结构称为节点，在地图图像内使用像素点代替。不同的问题需要用不同的数据结构描述。根据搜索目标点问题所给定的条件，从一个像素点出发，可以寻找一个或多个新的像素点，这个过程通常称为扩展。[0043] 需要说明的是，本实施例提及的填充算法可以是种子填充算法，也可以是洪水填充(Floodfill)算法；当填充算法是洪水填充(Floodfill)算法时，机器人从地图坐标系的原点开始把附近与其连通的节点提取出或填充成不同颜色颜色,每当填充到（可以理解为前述的扩展到）的可连通点的邻域内是存在所述候选边界点时，机器人将该候选边界点设置为可达边界点；一直维持填充至障碍物点。无论是遍历所述全轮廓线中的障碍物点还是遍历来源于所述预设边界线中的候选边界点（且是在先执行的步骤A和步骤B中保存下来的数据），都是从所述线性存储空间内读取出来，比如相应点的位置信息依次出栈，使得填充算法的填充方向或扩展方向与出栈的点在地图内的排列顺序对应的方向一致。[0044] 作为一种实施例，机器人执行步骤C后获得的可达边界点的数量可以是一个，该可达边界点可以是墙体的轮廓点，也可以是距离墙体较近（二者的间距是小于机器人的机身半径）的位置点，但是，当机器人导航至该可达边界点时容易碰到墙体。因此，机器人需要在所述可达边界点对应的预设覆盖区域内将符合预设通行条件的点设置为目标点，提高机器人沿着目标点导航的安全程度。则在步骤D中，所述在所述可达边界点对应的预设覆盖区域内，机器人将符合预设通行条件的点设置为目标点的方法包括：机器人分别以所述可达边界点对应的预设覆盖区域内的每个点为中心点，圈定对应的预设覆盖区域，其中，每个所述可达边界点对应的预设覆盖区域、或所述可达边界点对应的预设覆盖区域内的每个点对应的预设覆盖区域是以该点为中心点、且覆盖半径为一个机身半径的圆形区域；每个点对应的预设覆盖区域内的任一个点与该中心点的距离是小于或等于所述机身半径；每个点对应的预设覆盖区域内的点所标记出的环境信息包括可通行位置、和/或未知位置、和/或障碍物占据位置，对应的像素点依次为所述标记为可通行位置的像素点、所述标记为未知位置的像素点、以及所述标记为障碍物占据位置的像素点。对于每一个圈定出的预设覆盖区域，机器人获取该预设覆盖区域内各种环境信息类型的点的数量，再通过对每种环境信息类型的点的数量施加对应的权重系数，来获得该预设覆盖区域的中心点的可通行分数，以形成所述可达边界点对应的预设覆盖区域内的一个点的可通行分数；在本实施例中，一个预设覆盖区域内各种环境信息类型的点包括所述标记为可通行位置的像素点、所述标记为未知位置的像素点、以及所述标记为障碍物占据位置的像素点；为了将目标点设置到可通行区域内，至少是障碍物较少的区域，无论标记为可通行位置的像素点的数量多少，都对其施加较大的权重系数；无论标记为障碍物占据位置的像素点的数量多少，都对其施加较小的权重系数，值得注意的是前述步骤对障碍物点进行腐蚀操作而使得局部区域内的障碍物点增多。在机器人获得所述可达边界点对应的预设覆盖区域内的每个点的可通行分数后，将可通行分数最大的一个点设置为所述目标点，作为在一个可达边界点对应的预设覆盖区域内获得的目标点，以使行走至所述目标点处的机器人不与障碍物碰撞，并确定符合所述预设通行条件，即符合所述预设通行条件的点是可通行分数最大的一个点，且位于所述可达边界点对应的预设覆盖区域内，不一定是所述可达边界点，也不一定位于在所述预设边界线中。当可通行分数越大时，对应点的安全系数越高，表明该点位于较为空旷区域内，存在的未知位置和障碍物占据位置较少，机器人在相应空旷区域内行走得更加安全，当机器导航向所述目标点时至少在所述可达边界点对应的预设覆盖区域内不会碰到障碍物，使得机器人在所述地图对应的实际环境内按照目标点有序且无障碍地行走，或者能够预防机器人行走至半封闭的障碍物区域（三面都被障碍物轮廓线包围，只预留一个可供机器人通行的开口）。[0045] 具体地，在机器人获取一个预设覆盖区域内各种环境信息类型的点的数量的过程中，机器人统计标记为可通行位置的像素点的数量并将其统计数量记为第一像素点数量，用于表示同一个预设覆盖区域内的可通行位置的像素点数量分布特征；机器人还统计标记为未知位置的像素点的数量并将其统计数量记为第二像素点数量，用于表示同一个预设覆盖区域内的未知位置的像素点数量分布特征；机器人还统计标记为障碍物占据位置的像素点的数量并将其统计数量记为第三像素点数量，用于表示同一个预设覆盖区域内的障碍物占据位置的像素点数量分布特征。同时机器人为标记为可通行位置的像素点分配第一通行权重系数，且机器人为标记为未知位置的像素点分配第二通行权重系数，且机器人为标记为障碍物占据位置的像素点分配第三通行权重系数，其中，第一通行权重系数大于第二通行权重系数，第二通行权重系数大于第三通行权重系数，优选地，第一通行权重系数是数值1，第二通行权重系数是数值0.2，第三通行权重系数是数值?1。然后机器人将第一通行权重系数与第一像素点数量的乘积标记为可通行位置的加权结果，同时机器人将第二通行权重系数与第二像素点数量的乘积标记为未知位置的加权结果，同时机器人将第三通行权重系数与第三像素点数量的乘积标记为障碍物占据位置的加权结果；然后机器人将可通行位置的加权结果、未知位置的加权结果以及障碍物占据位置的加权结果相加，再将相加的结果设置为该预设覆盖区域的中心点的可通行分数，进而可以获得步骤C后获得的可达边界点对应的预设覆盖区域内的每个点的可通行分数，即以类似的加权平均计算获得该预设覆盖区域内所覆盖的每个像素点的可通行分数。综上，本实施例通过可通行分数使用加权平均值的方式来评价各种环境信息类型的点的分布特征，也可以作为机器人在一个点对应的预设覆盖区域内通行代价。[0046] 本发明还公开一种芯片，该芯片用于存储程序代码，该程序代码用于执行所述基于边界线的目标点搜索方法，使用图像处理的方法（比如图像形态学方法）提取出地图轮廓线，包括全轮廓线和预设边界线；并在地图轮廓线上寻找到最近障碍物，再模拟沿边行为去遍历全轮廓线中的点，并对探测到的预设边界线中的点进行排序以规划出机器人实际导航方向，且对这些探测到的预设边界线进行可通过性验证，只留下可通过的预设边界点，再利用可通过的预设边界点的一个机身范围内的各种环境类型的像素点的数量权重获得不容易与障碍物碰撞的空旷区域（所述自由区域），能够使得机器人在探索未知区域时更高效、更快速。[0047] 本发明还公开一种机器人，该机器人内置前述实施例的芯片，该芯片用于控制机器人按照前述实施例公开的基于边界线的目标点搜索方法。综上，机器人根据可通行性、以及预设通行条件，对提取出的预设边界点以及预设边界点所在的边界线进行筛选以保证目标点选择的稳定性，并通过机器人的可通行性验证，实现机器人在既定方向下的目标点的评价和搜索、以及可达性路径的规划，保证机器人在障碍物之间或者障碍物到边界线之间的可通行区域内安全通过，也有着较好的实时性，也支持一般障碍物轮廓线与非实体的边界线，提高了应用层程序的可用性；在机器人是扫地机器人时，即可构建扫地机器人的可通行区域与不可通行区域，相比基于栅格的A*等算法，大大减少了计算量，提高了系统的响应速度，对给定的预设边界点和预设边界线的筛选和点的计算任务，且因扫地机器人的结构简单，足够轻量，具有占用资源。煊ρ杆俚奶氐。[0048] 具体地，所述芯片设置在清洁机器人的机体内的电路主板上，包括与非暂时性存储器，例如硬盘、快闪存储器、随机存取存储器，通信的计算处理器，例如中央处理单元、应用处理器，应用处理器根据视觉传感器反馈的障碍物信息执行建图算法，例如即时定位与地图构建(SLAM，全称SimultaneousLocalizationAndMapping)，绘制清洁机器人所在环境中的即时地图并标记障碍物位置，获得相应的地形轮廓线。在一些实施例中，结合缓冲器上所设置激光传感器、悬崖传感器、跌落传感器（一种限位开关触发装置）、磁力计、加速度计、陀螺仪、里程计等传感装置反馈的距离信息、速度信息综合判断清洁机器人当前处于何种工作状态、位于何位置，以及清洁机器人当前位姿等，如过门槛，上地毯，位于台阶悬崖处，尘盒满，被抬起等等，还会针对不同情况给出具体的下一步动作策略，使得清洁机器人的工作更加符合主人的要求，有更好的用户体验。[0049] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

专利地区：广东

专利申请日期：2022-07-06

专利公开日期：2024-11-29

专利公告号：CN115167421B