本发明涉及路径规划技术领域，揭露了一种扫地机器人的工作路径优化方法，包括：匹配出充电区位置，获取环境图集、环境点云集以及传感参数集并进行点云拼接，得到局部环境点云，从局部环境点云识别出实时障碍物信息和实时地面信息，并生成实时更新地图，根据实时更新地图生成初始观测路径，利用扫地机器人按照初始观测路径进行覆盖导航清洁，得到目标更新地图；依次对目标更新地图进行网格划分以及时长标注，得到初始网格图，生成初始网格图的目标覆盖路径，利用扫地机器人按照目标覆盖路径进行导航清洁。本发明还提出一种扫地机器人的工作路径优化装置。本发明可以提高扫地机器人路径优化时的效率。
一种扫地机器人的工作路径优化方法和装置
技术领域
[0001] 本发明涉及路径规划技术领域，尤其涉及一种扫地机器人的工作路径优化方法和装置。
背景技术
[0002] 扫地机器人又称自动打扫机、智能吸尘、机器人吸尘器等，是智能家电的一种，能采用刷扫和真空方式自动在房间内完成地板清理工作，将地面杂物先吸纳进入自身的垃圾收纳盒，从而完成地面清理的功能，随着科技的进步和人们生活水平的提高，扫地机器人在家庭、商业、医疗等领域得到越来越广泛的应用，然而扫地机器人在使用时需要进行工作路径优化，以减少时间，提高清洁效率。
[0003] 现有的扫地机器人路径优化方法多为基于已知环境的路径优化方法，通过实现导入待清洁环境的全局环境地图或是在路径优化前依靠扫地机器人生成待清洁环境的全局环境地图，随后进行选择路径进行清洁工作，实际过程中，家居环境因为物品摆放会造成环境地图频繁更新，基于已知环境的路径优化方法在每次清洁之前都需要花大量时间实现环境的勘察，并返回出发点进行路径规划，且无法根据地面的清洁程度优化清洁路径，可能会导致进行扫地机器人路径优化时的效率较低。
发明内容
[0004] 本发明提供一种扫地机器人的工作路径优化方法和装置，其主要目的在于解决进行扫地机器人路径优化时的效率较低的问题。
[0005] 为实现上述目的，本发明提供的一种扫地机器人的工作路径优化方法，包括：
[0006] 获取待清洁地区的初始地图，利用扫地机器人的环境传感器对所述初始地图进行初始位置匹配，得到充电区位置，利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集；
[0007] 根据所述传感参数集和所述环境图集对所述环境点云集进行点云拼接，得到局部环境点云，对所述局部环境点云进行障碍物识别，得到实时障碍物信息，对所述局部环境点云进行地面识别，得到实时地面信息，利用所述实时障碍物信息、所述实时地面信息以及所述局部环境点云生成局部环境地图，其中，所述根据所述传感参数集和所述环境图集对所述环境点云集进行点云拼接，得到局部环境点云，包括：逐个选取所述环境点云作为目标环境点云，将所述环境图集中与所述目标环境点云对应的环境图片作为目标环境图片，将所述传感参数集中与所述目标环境点云对应的传感参数作为目标传感参数；根据所述目标传感参数对所述目标环境点云进行坐标转化，得到目标世界点云；从所述目标环境图片中提取出环境图片特征，将所有的环境图片特征汇集成环境图片特征集；根据所述环境图片特征集对所有的目标世界点云进行点云拼接，得到初级环境点云；利用如下的高斯均值公式对所述初级环境点云进行点云滤波，得到滤波环境点云：
[0008]
[0009] 其中，P(X)是指所述初级环境点云的概率密度函数，X是指所述初级环境点云，M是指所述初级环境点云的高斯混合成分的总数，k是指所述初级环境点云中第k个高斯混合成分，wk是指所述初级环境点云中第k个高斯混合成分的权重，N是指所述初级环境点云中的点云个数，uk是指所述初级环境点云中第k个高斯混合成分的高斯分布均值向量，σk是指所述初级环境点云中第k个高斯混合成分的高斯分布协方差矩阵，(X|uk,σk)是指以uk为均值，以σk为协方差矩阵时的所述初级环境点云的高斯分布概率密度函数；利用预设的点云优化算法对所述滤波环境点云进行点云重建，得到局部环境点云；
[0010] 根据所述局部环境地图对所述初始地图进行局部更新，得到实时更新地图，根据所述实时更新地图生成初始观测路径，利用所述扫地机器人按照所述初始观测路径进行导航清洁，并返回所述利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集的步骤，直至所述初始地图被完全覆盖更新时，将所述实时更新地图作为目标更新地图；
[0011] 依次对所述目标更新地图进行网格划分以及时长标注，得到初始网格图，根据所有的初始观测路径对所述初始网格图进行更新，得到次级网格图，对所述次级网格图进行实时位置匹配，得到实时机器位置，根据所述实时机器位置和所述充电区位置对所述次级网格图进行更新，得到目标清洁网格图；
[0012] 利用预设的粒子覆盖算法生成所述目标清洁网格图的初始覆盖路径集，利用预设的清洁总时长算法计算出所述初始覆盖路径集对应的清洁总时长集，根据所述清洁总时长集从所述初始覆盖路径集中筛选出目标覆盖路径，利用所述扫地机器人按照所述目标覆盖路径进行导航清洁，其中，所述利用预设的清洁总时长算法计算出所述初始覆盖路径集对应的清洁总时长集，包括：逐个选取所述初始覆盖路径集中的初始覆盖路径作为目标初始覆盖路径，生成所述目标初始覆盖路径的移动网格序列；逐个选取所述移动网格序列中的网格作为目标移动网格，将所述目标移动网格添加至预设的清洁网格组中，将所述移动网格序列中与所述目标移动网格的位置相同的其余网格添加至预设的重复网格组中；利用如下的清洁总时长算法计算出所述目标初始覆盖路径的清洁总时长，并将所有的清洁总时长汇集成清洁总时长集：
[0013]
[0014] 其中，Y是指所述清洁总时长，D是所述清洁网格组的网格总数，d是指所述清洁网格组中的第d个网格，Bd是指所述清洁网格组中的第d个网格的清洁时长，E是指所述重复网格组的网格总数，是指所述扫地机器人的网格移动速度。
[0015] 可选地，所述利用扫地机器人的环境传感器对所述初始地图进行初始位置匹配，得到充电区位置，包括：
[0016] 利用扫地机器人的环境传感器获取天花板图片以及墙壁图片；
[0017] 从所述天花板图片中提取出灯具特征，从所述墙壁图片中提取出装饰特征；
[0018] 根据所述灯具特征在所述初始地图中匹配出灯具位置点，根据所述装饰特征在所述初始地图中匹配出装饰位置点；
[0019] 获取所述天花板图片的天花板角度以及所述墙壁图片的墙壁角度；
[0020] 根据所述灯具位置点、所述装饰位置点、所述天花板角度以及所述墙壁角度进行初始位置匹配，得到充电区位置。
[0021] 可选地，所述利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集，包括：
[0022] 控制所述环境传感器进行匀速旋转，逐帧获取匀速旋转过程中所述环境传感器的摄像机拍摄的环境图片；
[0023] 利用所述环境传感器的点云扫描仪获取所述环境图片所对应的环境点云；
[0024] 利用所述环境传感器的角度传感器获取所述环境图片对应的旋转角度，利用所述环境传感器的重力传感器获取所述环境图片对应的重力方向，将所述重力方向和所述旋转角度汇集成传感参数；
[0025] 将所有的环境图片汇集成环境图片集，将所有的环境点云汇集成环境点云集，将所有的传感参数汇集成传感参数集。
[0026] 可选地，所述利用预设的点云优化算法对所述滤波环境点云进行点云重建，得到局部环境点云，包括：
[0027] 从所述滤波环境点云中提取出最大平面点云，从所述最大平面点云中提取出重力索引和平面索引；
[0028] 根据所述平面索引对所述最大平面点云进行平面约束，得到约束点云数据；
[0029] 利用如下的点云优化算法根据所述重力索引、所述平面索引以及所述约束点云数据计算出所述滤波环境点云的点云外参：
[0030]
[0031] 其中，argmin是自变量最小函数，表示后续函数取最小值时的自变量的取值，R1是指所述点云外参的旋转矩阵，t1是指所述点云外参的平移向量，i是指所述平面索引中约束点云数据的个数，j是指所述重力索引所对应的重力方向的个数，ei是指第i个所述约束点云数据的权重，ni是指第i个所述约束点云数据的法向量，gj″是指第j个所述重力索引所对应的经过旋转轴变换得到的约束点云数据，ci是指第i个所述约束点云数据的中心点；
[0032] 根据所述点云外参对所述滤波环境点云进行点云重建，得到局部环境点云。
[0033] 可选地，所述对所述局部环境点云进行障碍物识别，得到实时障碍物信息，包括：
[0034] 对所述局部环境点云进行初级特征提取，得到初级点云特征；
[0035] 根据所述初级点云特征对所述局部环境点云进行障碍物检测，得到障碍物点云集；
[0036] 逐个选取所述障碍物点云集中的障碍物点云作为目标障碍物点云，对所述目标障碍物点云进行次级特征提取，得到目标障碍物特征；
[0037] 利用如下的方差匹配算法计算出所述目标障碍物特征和预设的障碍特征库中的各个障碍特征之间的匹配度：
[0038]
[0039] 其中，S是指所述匹配度，p是指所述目标障碍物特征，q是指所述障碍特征，T是转置符号，cov()是协方差符号，cov(p,p)是指所述目标障碍物特征的协方差，cov(p,q)是指所述目标障碍物特征与所述障碍特征之间的协方差，cov(q,p)是指所述障碍特征与所述目标障碍物特征之间的协方差，cov(q,q)是指所述障碍特征的协方差；
[0040] 选取与所述目标障碍物特征之间匹配度最大的障碍特征作为标准障碍特征，将所述标准障碍特征的特征语义作为所述目标障碍物点云的点云语义；
[0041] 利用所述点云语义对所述目标障碍物点云进行语义标注，得到目标障碍信息，将所有的目标障碍信息汇集成实时障碍物信息。
[0042] 可选地，所述根据所述实时更新地图生成初始观测路径，包括：
[0043] 从所述实时更新地图中筛选出未更新区域，根据所述未更新区域和所述局部环境地图生成未知环境边缘；
[0044] 从所述未知环境边缘中筛选出距离所述扫地机器人最近的点作为目标次级观测点；
[0045] 根据所述扫地机器人的实时位置和所述目标次级观测点生成最近观测路径，判断所述最近观测路径是否经过障碍物；
[0046] 若是，则根据所述障碍物对所述最近观测路径进行更新，得到初始观测路径；
[0047] 若否，则将所述最近观测路径作为初始观测路径。
[0048] 可选地，所述依次对所述目标更新地图进行网格划分以及时长标注，得到初始网格图，包括：
[0049] 对所述目标更新地图进行平面映射，得到平面更新地图；
[0050] 根据所述实时障碍物信息筛除所述平面更新地图中所有的障碍物区域，得到清洁地区地图；
[0051] 利用固定边长的网格对所述清洁地区地图进行划分，得到划分网格图；
[0052] 逐个选取所述划分网格图中的网格作为目标网格，将所述目标网格所对应的实时地面信息作为目标地面信息；
[0053] 获取所述目标地面信息对应的清洁时长，将所述清洁时长作为目标清洁时长；
[0054] 逐个利用所述目标清洁时长对所述目标网格进行时长标注，当所述目标网格为所述划分网格图中的最后一个网格时，将更新后的所述划分网格图作为初始网格图。
[0055] 可选地，所述利用预设的粒子覆盖算法生成所述目标清洁网格图的初始覆盖路径集，包括：
[0056] 初始化粒子组，逐个选取所述粒子组中的粒子作为目标粒子，将所述目标清洁网格图中的实时机器位置作为所述目标粒子的初始位置；
[0057] 根据所述清洁网格图逐格对所述目标粒子进行位置更新，得到目标更新位置，根据所有的目标更新位置和所述初始位置生成所述目标粒子的移动路径，根据所述移动路径对所述清洁网格图进行网格覆盖更新；
[0058] 判断所述移动路径是否覆盖所述清洁网格图中的所有网格；
[0059] 若否，则返回根据所述清洁网格图逐格对所述目标粒子进行位置更新，得到目标更新位置的步骤；
[0060] 若是，则判断所述目标更新位置是否位于所述目标清洁网格图中的充电区位置；
[0061] 若否，则生成所述目标更新位置到所述充电区位置的回归路径，将所述移动路径和所述回归路径拼接成所述目标粒子的初始覆盖路径；
[0062] 若是，则将所述移动路径作为所述目标粒子的初始覆盖路径；
[0063] 将所有的所述初始覆盖路径汇集成初始覆盖路径集。
[0064] 为了解决上述问题，本发明还提供一种扫地机器人的工作路径优化装置，所述装置包括：
[0065] 参数获取模块，用于获取待清洁地区的初始地图，利用扫地机器人的环境传感器对所述初始地图进行初始位置匹配，得到充电区位置，利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集；
[0066] 点云重建模块，用于根据所述传感参数集和所述环境图集对所述环境点云集进行点云拼接，得到局部环境点云，对所述局部环境点云进行障碍物识别，得到实时障碍物信息，对所述局部环境点云进行地面识别，得到实时地面信息，利用所述实时障碍物信息、所述实时地面信息以及所述局部环境点云生成局部环境地图，其中，所述根据所述传感参数集和所述环境图集对所述环境点云集进行点云拼接，得到局部环境点云，包括：逐个选取所述环境点云作为目标环境点云，将所述环境图集中与所述目标环境点云对应的环境图片作为目标环境图片，将所述传感参数集中与所述目标环境点云对应的传感参数作为目标传感参数；根据所述目标传感参数对所述目标环境点云进行坐标转化，得到目标世界点云；从所述目标环境图片中提取出环境图片特征，将所有的环境图片特征汇集成环境图片特征集；根据所述环境图片特征集对所有的目标世界点云进行点云拼接，得到初级环境点云；利用如下的高斯均值公式对所述初级环境点云进行点云滤波，得到滤波环境点云：
[0067]
[0068] 其中，P(X)是指所述初级环境点云的概率密度函数，X是指所述初级环境点云，M是指所述初级环境点云的高斯混合成分的总数，k是指所述初级环境点云中第k个高斯混合成分，wk是指所述初级环境点云中第k个高斯混合成分的权重，N是指所述初级环境点云中的点云个数，uk是指所述初级环境点云中第k个高斯混合成分的高斯分布均值向量，σk是指所述初级环境点云中第k个高斯混合成分的高斯分布协方差矩阵，(X|uk,σk)是指以uk为均值，以σk为协方差矩阵时的所述初级环境点云的高斯分布概率密度函数；利用预设的点云优化算法对所述滤波环境点云进行点云重建，得到局部环境点云；
[0069] 地图勘测模块，用于根据所述局部环境地图对所述初始地图进行局部更新，得到实时更新地图，根据所述实时更新地图生成初始观测路径，利用所述扫地机器人按照所述初始观测路径进行导航清洁，并返回所述利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集的步骤，直至所述初始地图被完全覆盖更新时，将所述实时更新地图作为目标更新地图；
[0070] 网格划分模块，用于依次对所述目标更新地图进行网格划分以及时长标注，得到初始网格图，根据所有的初始观测路径对所述初始网格图进行更新，得到次级网格图，对所述次级网格图进行实时位置匹配，得到实时机器位置，根据所述实时机器位置和所述充电区位置对所述次级网格图进行更新，得到目标清洁网格图；
[0071] 路径优化模块，用于利用预设的粒子覆盖算法生成所述目标清洁网格图的初始覆盖路径集，利用预设的清洁总时长算法计算出所述初始覆盖路径集对应的清洁总时长集，根据所述清洁总时长集从所述初始覆盖路径集中筛选出目标覆盖路径，利用所述扫地机器人按照所述目标覆盖路径进行导航清洁，其中，所述利用预设的清洁总时长算法计算出所述初始覆盖路径集对应的清洁总时长集，包括：逐个选取所述初始覆盖路径集中的初始覆盖路径作为目标初始覆盖路径，生成所述目标初始覆盖路径的移动网格序列；逐个选取所述移动网格序列中的网格作为目标移动网格，将所述目标移动网格添加至预设的清洁网格组中，将所述移动网格序列中与所述目标移动网格的位置相同的其余网格添加至预设的重复网格组中；利用如下的清洁总时长算法计算出所述目标初始覆盖路径的清洁总时长，并将所有的清洁总时长汇集成清洁总时长集：
[0072]
[0073] 其中，Y是指所述清洁总时长，D是所述清洁网格组的网格总数，d是指所述清洁网格组中的第d个网格，Bd是指所述清洁网格组中的第d个网格的清洁时长，E是指所述重复网格组的网格总数，是指所述扫地机器人的网格移动速度。
[0074] 本发明实施例通过利用扫地机器人的环境传感器对所述初始地图进行初始位置匹配，得到充电区位置，可以确定扫地机器人的初始位置以及结束时的位置，从而方便后续的路径规划，通过利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集，可以记录环境参数，从而方便后续的点云拼接，通过根据所述传感参数集和所述环境图集对所述环境点云集进行点云拼接，得到局部环境点云，可以实时对所述扫地机器人周边的环境进行建模，通过对所述局部环境点云进行障碍物识别，得到实时障碍物信息，对所述局部环境点云进行地面识别，得到实时地面信息，利用所述实时障碍物信息、所述实时地面信息以及所述局部环境点云生成局部环境地图，可以方便所述扫地机器人了解环境特征，从而方便后续的路径规划，通过重复根据所述局部环境地图对所述初始地图进行局部更新，得到目标更新地图，根据所述实时更新地图生成初始观测路径，利用所述扫地机器人按照所述初始观测路径进行导航清洁，可以实现对待清洁区域的全局地图重建，得到更加准确的地图，并在地图勘测重建的过程中进行清扫，从而提高清扫效率。
[0075] 通过依次对所述目标更新地图进行网格划分以及时长标注，得到初始网格图，可以将地图上每个区域的清洁时长数字化，从而方便后续的路径规划，通过利用预设的粒子覆盖算法生成所述目标清洁网格图的初始覆盖路径集，利用预设的清洁总时长算法计算出所述初始覆盖路径集对应的清洁总时长集，根据所述清洁总时长集从所述初始覆盖路径集中筛选出目标覆盖路径，利用所述扫地机器人按照所述目标覆盖路径进行导航清洁，可以根据地面的清洁难度和清洁总时长为每个覆盖路径进行优劣度判别，从而筛选出时长最优的工作路径，同时完成了扫地机器人的自动地图重建与自动归位，提高了清洁效率。因此本发明提出的扫地机器人的工作路径优化方法和装置，可以解决进行扫地机器人路径优化时的效率较低的问题。
附图说明
[0076] 图1为本发明一实施例提供的扫地机器人的工作路径优化方法的流程示意图；
[0077] 图2为本发明一实施例提供的生成局部环境点云的流程示意图；
[0078] 图3为本发明一实施例提供的生成初始网格图的流程示意图；
[0079] 图4为本发明一实施例提供的扫地机器人的工作路径优化装置的功能模块图；
[0080] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0081] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0082] 本申请实施例提供一种扫地机器人的工作路径优化方法。所述扫地机器人的工作路径优化方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述扫地机器人的工作路径优化方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0083] 参照图1所示，为本发明一实施例提供的扫地机器人的工作路径优化方法的流程示意图。在本实施例中，所述扫地机器人的工作路径优化方法包括：
[0084] S1、获取待清洁地区的初始地图，利用扫地机器人的环境传感器对所述初始地图进行初始位置匹配，得到充电区位置，利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集。
[0085] 本发明实施例中，所述待清洁地区是指卧室或客厅等需要扫地机器人进行清洁的区域，所述初始地图可以是所述扫地机器人上次清洁工作时获取的地图或用户录入的房屋结构图，所述房屋结构图可以是点云生成的房屋三维模型图，所述充电区位置是指所述扫地机器人在除工作时间段之外的时间段内收纳和进行充电维护时所处的位置，所述充电区位置为用户设定的位置。
[0086] 详细地，在扫地机器人最开始工作时，需要确定记录当前所处的充电区的位置，以便于在结束清洁工作后返回所述充电区进行扫地机器人的收纳与日常维护。
[0087] 具体地，所述环境传感器包括摄像机、点云扫描仪、重力传感器以及角度传感器，所述环境传感器通过自动转台固定在所述扫地机器人之上。
[0088] 本发明实施例中，所述利用扫地机器人的环境传感器对所述初始地图进行初始位置匹配，得到充电区位置，包括：
[0089] 利用扫地机器人的环境传感器获取天花板图片以及墙壁图片；
[0090] 从所述天花板图片中提取出灯具特征，从所述墙壁图片中提取出装饰特征；
[0091] 根据所述灯具特征在所述初始地图中匹配出灯具位置点，根据所述装饰特征在所述初始地图中匹配出装饰位置点；
[0092] 获取所述天花板图片的天花板角度以及所述墙壁图片的墙壁角度；
[0093] 根据所述灯具位置点、所述装饰位置点、所述天花板角度以及所述墙壁角度进行初始位置匹配，得到充电区位置。
[0094] 详细地，所述利用扫地机器人的环境传感器获取天花板图片以及墙壁图片是指利用扫地机器人的摄像机对天花板进行拍摄，得到天花板图片，对墙壁进行拍摄，得到墙壁照片。
[0095] 具体地，可以利用卷积神经网络从所述天花板图片中提取出灯具特征，从所述墙壁图片中提取出装饰特征，所述灯具特征是指所述天花板图片中的灯具部分的特征，所述装饰特征是指所述墙壁图片中装饰物部分的特征，可以利用三角函数根据所述灯具位置点、所述装饰位置点、所述天花板角度以及所述墙壁角度进行初始位置匹配，得到充电区位置。
[0096] 详细地，所述利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集，包括：
[0097] 控制所述环境传感器进行匀速旋转，逐帧获取匀速旋转过程中所述环境传感器的摄像机拍摄的环境图片；
[0098] 利用所述环境传感器的点云扫描仪获取所述环境图片所对应的环境点云；
[0099] 利用所述环境传感器的角度传感器获取所述环境图片对应的旋转角度，利用所述环境传感器的重力传感器获取所述环境图片对应的重力方向，将所述重力方向和所述旋转角度汇集成传感参数；
[0100] 将所有的环境图片汇集成环境图片集，将所有的环境点云汇集成环境点云集，将所有的传感参数汇集成传感参数集。
[0101] 具体地，所述环境传感器位于所述扫地机器人的自动转台之上，通过自动转台带动环境传感器进行匀速旋转，所述逐帧获取匀速旋转过程中所述环境传感器的摄像机拍摄的环境图片是指每隔固定时间帧利用所述环境传感器的摄像机对周围环境进行拍摄，得到环境图片。
[0102] 详细地，所述摄像机可以是DS‑2CC11A2P(N)‑IR1(IR3)摄像机或DSR‑650WSPL摄像机，所述点云扫描仪可以是结构光相机、TOF相机或激光扫描仪，所述角度传感器可以是SCA610‑CA1H1G角度传感器或SCHAEVITZ TR9420A角度传感器，所述重力传感器可以是XV‑7011BB BK陀螺仪或MPU6050陀螺仪。
[0103] 本发明实施例中，通过利用扫地机器人的环境传感器对所述初始地图进行初始位置匹配，得到充电区位置，可以确定扫地机器人的初始位置以及结束时的位置，从而方便后续的路径规划，通过利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集，可以记录环境参数，从而方便后续的点云拼接。
[0104] S2、根据所述传感参数集和所述环境图集对所述环境点云集进行点云拼接，得到局部环境点云，对所述局部环境点云进行障碍物识别，得到实时障碍物信息，对所述局部环境点云进行地面识别，得到实时地面信息，利用所述实时障碍物信息、所述实时地面信息以及所述局部环境点云生成局部环境地图。
[0105] 本发明实施例中，所述局部环境点云是指所述扫地机器人所处的位置的周围局部环境的点云信息。
[0106] 本发明实施例中，参照图2所示，所述根据所述传感参数集和所述环境图集对所述环境点云集进行点云拼接，得到局部环境点云，包括：
[0107] S21、逐个选取所述环境点云作为目标环境点云，将所述环境图集中与所述目标环境点云对应的环境图片作为目标环境图片，将所述传感参数集中与所述目标环境点云对应的传感参数作为目标传感参数；
[0108] S22、根据所述目标传感参数对所述目标环境点云进行坐标转化，得到目标世界点云；
[0109] S23、从所述目标环境图片中提取出环境图片特征，将所有的环境图片特征汇集成环境图片特征集；
[0110] S24、根据所述环境图片特征集对所有的目标世界点云进行点云拼接，得到初级环境点云；
[0111] S25、利用如下的高斯均值公式对所述初级环境点云进行点云滤波，得到滤波环境点云：
[0112]
[0113] 其中，P(X)是指所述初级环境点云的概率密度函数，X是指所述初级环境点云，M是指所述初级环境点云的高斯混合成分的总数，k是指所述初级环境点云中第k个高斯混合成分，wk是指所述初级环境点云中第k个高斯混合成分的权重，N是指所述初级环境点云中的点云个数，uk是指所述初级环境点云中第k个高斯混合成分的高斯分布均值向量，σk是指所述初级环境点云中第k个高斯混合成分的高斯分布协方差矩阵，(X|uk,σk)是指以uk为均值，以σk为协方差矩阵时的所述初级环境点云的高斯分布概率密度函数；
[0114] S26、利用预设的点云优化算法对所述滤波环境点云进行点云重建，得到局部环境点云。
[0115] 详细地，所述根据传感参数对所述目标环境点云进行坐标转化，得到目标世界点云是指根据所述传感参数中的重力方向对所述目标环境点云进行惯性坐标转化，得到目标惯性点云，利用所述传感参数中的旋转方向对所述目标惯性点云进行世界坐标转化，得到目标世界点云。
[0116] 具体地，可以利用卷积神经网络从所述目标环境图片中提取出环境图片特征，所述根据所述环境图片特征集对所有的目标世界点云进行点云拼接，得到初级环境点云是指根据所述环境图片特征集中的各个环境图片特征与所述目标世界点云进行特征匹配，根据特征匹配的结果进行点云拼接。
[0117] 具体地，所述高斯混合成分是指所述初级环境点云在高斯分布后得到的每个点云集，通过利用所述高斯均值公式对所述初级环境点云进行点云滤波，得到滤波环境点云，可以根据高斯分布对所述初级环境点云进行滤波，从而去除点云噪声，提高点云精度。
[0118] 详细地，所述利用预设的点云优化算法对所述滤波环境点云进行点云重建，得到局部环境点云，包括：
[0119] 从所述滤波环境点云中提取出最大平面点云，从所述最大平面点云中提取出重力索引和平面索引；
[0120] 根据所述平面索引对所述最大平面点云进行平面约束，得到约束点云数据；
[0121] 利用如下的点云优化算法根据所述重力索引、所述平面索引以及所述约束点云数据计算出所述滤波环境点云的点云外参：
[0122]
[0123] 其中，argmin是自变量最小函数，表示后续函数取最小值时的自变量的取值，R1是指所述点云外参的旋转矩阵，t1是指所述点云外参的平移向量，i是指所述平面索引中约束点云数据的个数，j是指所述重力索引所对应的重力方向的个数，ei是指第i个所述约束点云数据的权重，ni是指第i个所述约束点云数据的法向量，gj″是指第j个所述重力索引所对应的经过旋转轴变换得到的约束点云数据，ci是指第i个所述约束点云数据的中心点；
[0124] 根据所述点云外参对所述滤波环境点云进行点云重建，得到局部环境点云。
[0125] 详细地，所述重力索引是指所述初级环境点云中的平面点云与平面索引图之间的对应关系，所述重力索引是指所述初级环境点云与对应的重力方向之间的对应关系，所述最大平面点云是指最多个位于同一平面的点云组成的集合。
[0126] 具体地，可以利用平面约束公式根据所述平面索引对所述最大平面点云进行平面约束，得到约束点云数据，所述点云外参是指所述所述滤波环境点云的点云扫描仪的相机外参，所述根据所述点云外参对所述滤波环境点云进行点云重建，得到局部环境点云是指根据所述点云外参对所述滤波环境点云进行畸变校正，得到局部环境点云。
[0127] 本发明实施例中，通过利用所述点云优化算法根据所述重力索引和所述平面索引计算出所述滤波环境点云的点云外参，能够根据约束点云数据之间的对应关系实现外参矫正，从而提高点云精度。
[0128] 本发明实施例中，所述对所述局部环境点云进行障碍物识别，得到实时障碍物信息，包括：
[0129] 对所述局部环境点云进行初级特征提取，得到初级点云特征；
[0130] 根据所述初级点云特征对所述局部环境点云进行障碍物检测，得到障碍物点云集；
[0131] 逐个选取所述障碍物点云集中的障碍物点云作为目标障碍物点云，对所述目标障碍物点云进行次级特征提取，得到目标障碍物特征；
[0132] 利用如下的方差匹配算法计算出所述目标障碍物特征和预设的障碍特征库中的各个障碍特征之间的匹配度：
[0133]
[0134] 其中，S是指所述匹配度，p是指所述目标障碍物特征，q是指所述障碍特征，T是转置符号，cov()是协方差符号，cov(p,p)是指所述目标障碍物特征的协方差，cov(p,q)是指所述目标障碍物特征与所述障碍特征之间的协方差，cov(q,p)是指所述障碍特征与所述目标障碍物特征之间的协方差，cov(q,q)是指所述障碍特征的协方差；
[0135] 选取与所述目标障碍物特征之间匹配度最大的障碍特征作为标准障碍特征，将所述标准障碍特征的特征语义作为所述目标障碍物点云的点云语义；
[0136] 利用所述点云语义对所述目标障碍物点云进行语义标注，得到目标障碍信息，将所有的目标障碍信息汇集成实时障碍物信息。
[0137] 详细地，可以利用训练后的VGG‑16神经网络模型根据所述初级点云特征对所述局部环境点云进行障碍物检测，得到障碍物点云集。
[0138] 详细地，所述利用所述方差匹配算法计算出所述目标障碍物特征和预设的障碍特征库中的各个障碍特征之间的匹配度，可以根据目标障碍物特征和障碍特征特征间的偏移程度，更好地处理了不同特征之间的相关性。
[0139] 详细地，所述对所述局部环境点云进行地面识别，得到实时地面信息的方法与上述步骤S2中的所述对所述局部环境点云进行障碍物识别，得到实时障碍物信息的方法一致，这里不再赘述。
[0140] 具体地，所述利用所述实时障碍物信息、所述实时地面信息以及所述局部环境点云生成局部环境地图是指对所述所述局部环境点云进行三维建模，得到初始局部地图，并利用所述实时障碍物信息、所述实时地面信息对所述初始局部地图进行标注，得到局部环境地图。
[0141] 本发明实施例中，通过根据所述传感参数集和所述环境图集对所述环境点云集进行点云拼接，得到局部环境点云，可以实时对所述扫地机器人周边的环境进行建模，通过对所述局部环境点云进行障碍物识别，得到实时障碍物信息，对所述局部环境点云进行地面识别，得到实时地面信息，利用所述实时障碍物信息、所述实时地面信息以及所述局部环境点云生成局部环境地图，可以方便所述扫地机器人了解环境特征，从而方便后续的路径规划。
[0142] S3、根据所述局部环境地图对所述初始地图进行局部更新，得到实时更新地图，根据所述实时更新地图生成初始观测路径，利用所述扫地机器人按照所述初始观测路径进行导航清洁。
[0143] 本发明实施例中，所述根据所述局部环境地图对所述初始地图进行局部更新，得到实时更新地图是指提取出所述初始地图的比例尺，根据所述比例尺对所述局部环境地图进行缩放，得到标准局部地图，利用标准局部地图对所述初始地图进行更新，得到实时更新地图。
[0144] 详细地，所述根据所述实时更新地图生成初始观测路径，包括：
[0145] 从所述实时更新地图中筛选出未更新区域，根据所述未更新区域和所述局部环境地图生成未知环境边缘；
[0146] 从所述未知环境边缘中筛选出距离所述扫地机器人最近的点作为目标次级观测点；
[0147] 根据所述扫地机器人的实时位置和所述目标次级观测点生成最近观测路径，判断所述最近观测路径是否经过障碍物；
[0148] 若是，则根据所述障碍物对所述最近观测路径进行更新，得到初始观测路径；
[0149] 若否，则将所述最近观测路径作为初始观测路径。
[0150] 具体地，所述未更新区域是指所述实时更新地图中除所述局部环境地图之外的地区区域，所述根据所述未更新区域和所述局部环境地图生成未知环境边缘是指将所述未更新区域和所述局部环境地图的相交边缘作为未知环境边缘，所述从所述未知环境边缘中筛选出距离所述扫地机器人最近的点作为目标次级观测点是指逐个计算所述未知环境边缘中各点与所述扫地机器人之间的距离，并筛选出距离最近的点作为目标次级观测点，其中，所述扫地机器人处于充电区位置或实时机器位置。
[0151] 详细地，所述根据所述障碍物对所述最近观测路径进行更新，得到初始观测路径是指在所述障碍物与所述最近观测路径重叠区域外生成绕过所述重叠区域的路径，利用所述路径对所述最近观测路径进行更新，得到初始观测路径。
[0152] 详细地，所述利用所述扫地机器人按照所述初始观测路径进行导航清洁是指控制所述扫地机器人沿所述初始观测路径进行清洁，并根据所述实时地面信息实时改变扫地机器人的清洁策略。
[0153] 本发明实施例中，通过重复根据所述局部环境地图对所述初始地图进行局部更新，得到目标更新地图，根据所述实时更新地图生成初始观测路径，利用所述扫地机器人按照所述初始观测路径进行导航清洁，可以实现对待清洁区域的全局地图重建，得到更加准确的地图，并在地图勘测重建的过程中进行清扫，从而提高清扫效率。
[0154] S4、判断所述初始地图是否被完全覆盖更新。
[0155] S5、若否，则返回上述步骤S1中的所述利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集的步骤。
[0156] S6、若是，则将所述实时更新地图作为目标更新地图，依次对所述目标更新地图进行网格划分以及时长标注，得到初始网格图，根据所有的初始观测路径对所述初始网格图进行更新，得到次级网格图，对所述次级网格图进行实时位置匹配，得到实时机器位置，根据所述实时机器位置和所述充电区位置对所述次级网格图进行更新，得到目标清洁网格图。
[0157] 本发明实施例中，所述初始网格图是以多个时区网格构成的地图，每个网格包含了是否清洁以及清洁时长等信息。
[0158] 本发明实施例中，参照图3所示，所述依次对所述目标更新地图进行网格划分以及时长标注，得到初始网格图，包括：
[0159] S31、对所述目标更新地图进行平面映射，得到平面更新地图；
[0160] S32、根据所述实时障碍物信息筛除所述平面更新地图中所有的障碍物区域，得到清洁地区地图；
[0161] S33、利用固定边长的网格对所述清洁地区地图进行划分，得到划分网格图；
[0162] S34、逐个选取所述划分网格图中的网格作为目标网格，将所述目标网格所对应的实时地面信息作为目标地面信息；
[0163] S35、获取所述目标地面信息对应的清洁时长，将所述清洁时长作为目标清洁时长；
[0164] S36、逐个利用所述目标清洁时长对所述目标网格进行时长标注，当所述目标网格为所述划分网格图中的最后一个网格时，将更新后的所述划分网格图作为初始网格图。
[0165] 详细地，所述对所述目标更新地图进行平面映射，得到平面更新地图是指将所述目标更新地图中所述扫地机器人可以通过部分空间映射到平面上，得到平面更新地图。
[0166] 具体地，所述根据所述实时障碍物信息筛除所述平面更新地图中所有的障碍物区域，得到清洁地区地图是指将所述障碍物信息中每个障碍物对应的平面部分区域从所述平面更新地图中删除。
[0167] 详细地，所述清洁时长与所述目标地面信息有关，例如所述目标地面信息为干净地面时，清洁时长为15秒，所述目标地面信息为污染地面时，清洁时长为一分钟。
[0168] 本发明实施例中，所述对所述次级网格图进行实时位置匹配，得到实时机器位置的方法与上述步骤S1中的所述利用扫地机器人的环境传感器对所述初始地图进行初始位置匹配，得到充电区位置的方法一致，这里不再赘述。
[0169] 具体地，所述根据所有的初始观测路径对所述初始网格图进行更新，得到次级网格图是指将所有的所述初始观测路径经过的网格在所述初始网格图中作为已覆盖网格进行标注。
[0170] 详细地，所述根据所述实时机器位置和所述充电区位置对所述次级网格图进行更新，得到目标清洁网格图是指在所述次级网格图中标注处所述实时机器位置和所述充电区位置。
[0171] 本发明实施例中，通过依次对所述目标更新地图进行网格划分以及时长标注，得到初始网格图，可以将地图上每个区域的清洁时长数字化，从而方便后续的路径规划。
[0172] S7、利用预设的粒子覆盖算法生成所述目标清洁网格图的初始覆盖路径集，利用预设的清洁总时长算法计算出所述初始覆盖路径集对应的清洁总时长集，根据所述清洁总时长集从所述初始覆盖路径集中筛选出目标覆盖路径，利用所述扫地机器人按照所述目标覆盖路径进行导航清洁。
[0173] 本发明实施例中，所述初始覆盖路径集是由多个初始覆盖路径构成的路径集，且每个初始覆盖路径是一种可以覆盖所述目标清洁网格图所有未清洁网格的由实时机器位置到充电区位置的路径。
[0174] 本发明实施例中，所述利用预设的粒子覆盖算法生成所述目标清洁网格图的初始覆盖路径集，包括：
[0175] 初始化粒子组，逐个选取所述粒子组中的粒子作为目标粒子，将所述目标清洁网格图中的实时机器位置作为所述目标粒子的初始位置；
[0176] 根据所述清洁网格图逐格对所述目标粒子进行位置更新，得到目标更新位置，根据所有的目标更新位置和所述初始位置生成所述目标粒子的移动路径，根据所述移动路径对所述清洁网格图进行网格覆盖更新；
[0177] 判断所述移动路径是否覆盖所述清洁网格图中的所有网格；
[0178] 若否，则返回根据所述清洁网格图逐格对所述目标粒子进行位置更新，得到目标更新位置的步骤；
[0179] 若是，则判断所述目标更新位置是否位于所述目标清洁网格图中的充电区位置；
[0180] 若否，则生成所述目标更新位置到所述充电区位置的回归路径，将所述移动路径和所述回归路径拼接成所述目标粒子的初始覆盖路径；
[0181] 若是，则将所述移动路径作为所述目标粒子的初始覆盖路径；
[0182] 将所有的所述初始覆盖路径汇集成初始覆盖路径集。
[0183] 详细地，所述根据所述清洁网格图逐格对所述目标粒子进行位置更新，得到目标更新位置，包括：根据所述清洁网格图生成所述目标粒子的可移动方向集；随机选取所述可移动方向集中的移动方向作为目标移动方向，将所述目标移动方向指向的最近的网格作为目标移动网格，利用所述目标移动网格对所述目标粒子进行位置更新，得到目标更新位置，其中，根据所述清洁网格图生成所述目标粒子的可移动方向集是指选取所述清洁网格图中所述目标粒子的上、下、左、右、左上、左下、右上以及右下等八个方向中没有障碍物和已覆盖网格的其余方向汇集成可移动方向集，且在所述可移动方向集中没有可移动方向时，可以将所述已覆盖网格的方向作为可移动方向。
[0184] 具体地，所述根据所有的目标更新位置和所述初始位置生成所述目标粒子的移动路径是指将所有的目标更新位置和所述初始位置按照时序从首到尾进行连接，得到移动路径。
[0185] 具体地，所述根据所述移动路径对所述清洁网格图进行网格覆盖更新是指将所述清洁网格图上与所述移动路径对应的所有网格作为已覆盖网格，所述生成所述目标更新位置到所述充电区位置的回归路径。
[0186] 具体地，所述利用预设的清洁总时长算法计算出所述初始覆盖路径集对应的清洁总时长集，包括：
[0187] 逐个选取所述初始覆盖路径集中的初始覆盖路径作为目标初始覆盖路径，生成所述目标初始覆盖路径的移动网格序列；
[0188] 逐个选取所述移动网格序列中的网格作为目标移动网格，将所述目标移动网格添加至预设的清洁网格组中，将所述移动网格序列中与所述目标移动网格的位置相同的其余网格添加至预设的重复网格组中；
[0189] 利用如下的清洁总时长算法计算出所述目标初始覆盖路径的清洁总时长，并将所有的清洁总时长汇集成清洁总时长集：
[0190]
[0191] 其中，Y是指所述清洁总时长，D是所述清洁网格组的网格总数，d是指所述清洁网格组中的第d个网格，Bd是指所述清洁网格组中的第d个网格的清洁时长，E是指所述重复网格组的网格总数，是指所述扫地机器人的网格移动速度。
[0192] 详细地，所述生成所述目标初始覆盖路径的移动网格序列是指按照时序逐一将所述目标初始覆盖路径覆盖的网格添加到网格序列中，得到移动网格序列，所述网格移动速度是指所述扫地机器人不清洁时移动一格网格的速度。
[0193] 本发明实施例中，通过利用所述清洁总时长算法计算出所述目标初始覆盖路径的清洁总时长，可以结合每个区域的清洁难度以及总路线移速确定扫地机器人的清洁总时长，提高路径优劣度的表征性。
[0194] 具体地，所述根据所述清洁总时长集从所述初始覆盖路径集中筛选出目标覆盖路径是指选取所述清洁总时长集中清洁总时长最小的清洁总时长作为目标清洁总时长，将所述初始覆盖路径集中所述目标清洁总时长对应的初始覆盖路径作为目标覆盖路径。
[0195] 本发明实施例中，通过利用预设的粒子覆盖算法生成所述目标清洁网格图的初始覆盖路径集，利用预设的清洁总时长算法计算出所述初始覆盖路径集对应的清洁总时长集，根据所述清洁总时长集从所述初始覆盖路径集中筛选出目标覆盖路径，利用所述扫地机器人按照所述目标覆盖路径进行导航清洁，可以根据地面的清洁难度和清洁总时长为每个覆盖路径进行优劣度判别，从而筛选出时长最优的工作路径，同时完成了扫地机器人的自动地图重建与自动归位，提高了清洁效率。
[0196] 本发明实施例通过利用扫地机器人的环境传感器对所述初始地图进行初始位置匹配，得到充电区位置，可以确定扫地机器人的初始位置以及结束时的位置，从而方便后续的路径规划，通过利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集，可以记录环境参数，从而方便后续的点云拼接，通过根据所述传感参数集和所述环境图集对所述环境点云集进行点云拼接，得到局部环境点云，可以实时对所述扫地机器人周边的环境进行建模，通过对所述局部环境点云进行障碍物识别，得到实时障碍物信息，对所述局部环境点云进行地面识别，得到实时地面信息，利用所述实时障碍物信息、所述实时地面信息以及所述局部环境点云生成局部环境地图，可以方便所述扫地机器人了解环境特征，从而方便后续的路径规划，通过重复根据所述局部环境地图对所述初始地图进行局部更新，得到目标更新地图，根据所述实时更新地图生成初始观测路径，利用所述扫地机器人按照所述初始观测路径进行导航清洁，可以实现对待清洁区域的全局地图重建，得到更加准确的地图，并在地图勘测重建的过程中进行清扫，从而提高清扫效率。
[0197] 通过依次对所述目标更新地图进行网格划分以及时长标注，得到初始网格图，可以将地图上每个区域的清洁时长数字化，从而方便后续的路径规划，通过利用预设的粒子覆盖算法生成所述目标清洁网格图的初始覆盖路径集，利用预设的清洁总时长算法计算出所述初始覆盖路径集对应的清洁总时长集，根据所述清洁总时长集从所述初始覆盖路径集中筛选出目标覆盖路径，利用所述扫地机器人按照所述目标覆盖路径进行导航清洁，可以根据地面的清洁难度和清洁总时长为每个覆盖路径进行优劣度判别，从而筛选出时长最优的工作路径，同时完成了扫地机器人的自动地图重建与自动归位，提高了清洁效率。因此本发明提出的扫地机器人的工作路径优化方法，可以解决进行扫地机器人路径优化时的效率较低的问题。
[0198] 如图4所示，是本发明一实施例提供的扫地机器人的工作路径优化装置的功能模块图。
[0199] 本发明所述扫地机器人的工作路径优化装置100可以安装于电子设备中。根据实现的功能，所述扫地机器人的工作路径优化装置100可以包括参数获取模块101、点云重建模块102、地图勘测模块103、网格划分模块104及路径优化模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0200] 在本实施例中，关于各模块/单元的功能如下：
[0201] 所述参数获取模块101，用于获取待清洁地区的初始地图，利用扫地机器人的环境传感器对所述初始地图进行初始位置匹配，得到充电区位置，利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集；
[0202] 所述点云重建模块102，用于根据所述传感参数集和所述环境图集对所述环境点云集进行点云拼接，得到局部环境点云，对所述局部环境点云进行障碍物识别，得到实时障碍物信息，对所述局部环境点云进行地面识别，得到实时地面信息，利用所述实时障碍物信息、所述实时地面信息以及所述局部环境点云生成局部环境地图，其中，所述根据所述传感参数集和所述环境图集对所述环境点云集进行点云拼接，得到局部环境点云，包括：逐个选取所述环境点云作为目标环境点云，将所述环境图集中与所述目标环境点云对应的环境图片作为目标环境图片，将所述传感参数集中与所述目标环境点云对应的传感参数作为目标传感参数；根据所述目标传感参数对所述目标环境点云进行坐标转化，得到目标世界点云；从所述目标环境图片中提取出环境图片特征，将所有的环境图片特征汇集成环境图片特征集；根据所述环境图片特征集对所有的目标世界点云进行点云拼接，得到初级环境点云；利用如下的高斯均值公式对所述初级环境点云进行点云滤波，得到滤波环境点云：
[0203]
[0204] 其中，P(X)是指所述初级环境点云的概率密度函数，X是指所述初级环境点云，M是指所述初级环境点云的高斯混合成分的总数，k是指所述初级环境点云中第k个高斯混合成分，wk是指所述初级环境点云中第k个高斯混合成分的权重，N是指所述初级环境点云中的点云个数，uk是指所述初级环境点云中第k个高斯混合成分的高斯分布均值向量，σk是指所述初级环境点云中第k个高斯混合成分的高斯分布协方差矩阵，(X|uk,σk)是指以uk为均值，以σk为协方差矩阵时的所述初级环境点云的高斯分布概率密度函数；利用预设的点云优化算法对所述滤波环境点云进行点云重建，得到局部环境点云；
[0205] 所述地图勘测模块103，用于根据所述局部环境地图对所述初始地图进行局部更新，得到实时更新地图，根据所述实时更新地图生成初始观测路径，利用所述扫地机器人按照所述初始观测路径进行导航清洁，并返回所述利用所述环境传感器实时获取所述扫地机器人周围的环境图集、环境点云集以及传感参数集的步骤，直至所述初始地图被完全覆盖更新时，将所述实时更新地图作为目标更新地图；
[0206] 所述网格划分模块104，用于依次对所述目标更新地图进行网格划分以及时长标注，得到初始网格图，根据所有的初始观测路径对所述初始网格图进行更新，得到次级网格图，对所述次级网格图进行实时位置匹配，得到实时机器位置，根据所述实时机器位置和所述充电区位置对所述次级网格图进行更新，得到目标清洁网格图；
[0207] 所述路径优化模块105，用于利用预设的粒子覆盖算法生成所述目标清洁网格图的初始覆盖路径集，利用预设的清洁总时长算法计算出所述初始覆盖路径集对应的清洁总时长集，根据所述清洁总时长集从所述初始覆盖路径集中筛选出目标覆盖路径，利用所述扫地机器人按照所述目标覆盖路径进行导航清洁，其中，所述利用预设的清洁总时长算法计算出所述初始覆盖路径集对应的清洁总时长集，包括：逐个选取所述初始覆盖路径集中的初始覆盖路径作为目标初始覆盖路径，生成所述目标初始覆盖路径的移动网格序列；逐个选取所述移动网格序列中的网格作为目标移动网格，将所述目标移动网格添加至预设的清洁网格组中，将所述移动网格序列中与所述目标移动网格的位置相同的其余网格添加至预设的重复网格组中；利用如下的清洁总时长算法计算出所述目标初始覆盖路径的清洁总时长，并将所有的清洁总时长汇集成清洁总时长集：
[0208]
[0209] 其中，Y是指所述清洁总时长，D是所述清洁网格组的网格总数，d是指所述清洁网格组中的第d个网格，Bd是指所述清洁网格组中的第d个网格的清洁时长，E是指所述重复网格组的网格总数，是指所述扫地机器人的网格移动速度。
[0210] 详细地，本发明实施例中所述扫地机器人的工作路径优化装置100中所述的各模块在使用时采用与上述图1至图3中所述的扫地机器人的工作路径优化方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0211] 在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
[0212] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
[0213] 另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
[0214] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0215] 因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0216] 本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0217] 此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统实施例中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0218] 最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
