一种基于激光传感器的平面检测方法、装置
阅读：0发布：2020-11-14
专利汇可以提供一种基于激光传感器的平面检测方法、装置专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于激光 传感器 的平面检测方法、装置。该方法包括：在启动检测后，获取激光传感器的数据；将数据输入预先训练的检测模型，检测模型由预先 选定 的介质类型对应的数据训练得到，能够对该选定的介质类型进行识别；利用检测模型判断数据所属的对象是否为平面，若对象是平面则确定该平面的介质类型；对不同的介质类型设置对应的优化方式，根据介质类型优化所述数据。激光传感器通过 机器学习 模型对墙面等平面类的二维激光数据所属的介质类型进行识别，并且根据识别结果优化了所述二维激光数据，进而根据所述二维激光数据形成更精致的地图和更精确的 定位 。，下面是一种基于激光传感器的平面检测方法、装置专利的具体信息内容。
1.一种基于激光传感器的平面检测方法，其特征在于，所述方法包括：
在启动检测后，获取所述激光传感器的数据；
将所述数据输入预先训练的检测模型，所述检测模型由预先选定的介质类型对应的数据训练得到，能够对该选定的介质类型进行识别；
利用所述检测模型判断所述数据所属的对象是否为平面，若所述对象是平面则确定该平面的介质类型；
对不同的介质类型设置对应的优化方式，根据所述介质类型优化所述数据。
2.如权利要求1所述的方法，其特征在于，所述介质类型包括如下的任一种：镜面介质、非黑色金属介质、黑色介质以及其他常规介质。
3.如权利要求1所述的方法，其特征在于，所述检测模型通过以下步骤训练得到：
利用所述激光传感器采集预先选定的介质类型对应的的激光点数据；
对所述激光点数据进行分组和标注，由各分组数据形成样本集，其中，标注的标签至少包括如下信息：样本所属对象是否为平面，平面的介质类型；
构建检测模型，利用所述样本集对所述检测模型进行训练。
4.如权利要求3所述的方法，其特征在于，所述对所述激光点数据进行分组还包括：
将所述激光点数据按照预设点数进行分组，每预设点数的数据为一个样本；
以各样本中第一个点为原点坐标，计算出该样本内其余点的局部坐标值，将上述局部坐标值保存到一个数组中；
根据所述数组确定该分组各点中相距最远距离，如果该最远距离超过第一阈值，则放弃该样本，否则选取该样本形成样本集。
5.如权利要求4所述的方法，其特征在于，所述计算出该分组数据内其余点的局部坐标值，将上述局部坐标值保存到一个数组中还包括；
求取该样本内所有横坐标值和纵坐标值的均值和方差，将所述均值和方差作为数据特征并保存到所述数组中。
6.如权利要求3所述的方法，其特征在于，所述构建检测模型包括：
构建以xgboost算法为基础的检测模型，利用所述xgboost算法根据所述样本集生成对所述介质类型进行检测的决策树。
7.如权利要求3所述的方法，其特征在于，所述利用所述样本集对所述检测模型进行训练还包括：将所述样本集分为训练集和测试集，并将所述训练集划分为多组，对其中一组训练集进行训练，然后用所述测试集进行测试；
若测试结果的准确率低于第二阈值，分析该组测试集中各样本的标签和激光点数据，判断所述激光点数据的数据特征是否与所述标签中的介质类型相符合；
若符合则留下该样本，否则将该样本剔除，直到该组训练集满足准确率要求为止；
加入后续的一组或多组训练集，合并后继续进行训练。
8.如权利要求7所述的方法，其特征在于，所述加入后续的一组或多组训练集，合并后继续进行训练包括：
若当前得到的测试结果的准确率低于第二阈值，保留测试结果的准确率高于第二阈值的训练集组，仅对后加入的一组或多组训练集的数据进行分析，剔除后加入训练集组中不符合的样本。
9.如权利要求2所述的方法，其特征在于，所述根据所述介质类别优化所述数据包括如下任一项或多项：
若所述介质类别为镜面介质或非黑色金属介质，则对相应的数据进行中值滤波，使得所述相应的数据趋于平整；
若所述介质类别为黑色介质，则对相应的数据根据等差数列插入缺失的数据点；
若所述介质类别为其他常规介质，则对相应的数据利用最邻近重采样法增加数据点密度。
10.一种基于激光传感器的平面检测装置，其特征在于，所述装置包括：
数据获取单元，适于在启动检测后，获取所述激光传感器的数据；
数据输入单元，适于将所述数据输入预先训练的检测模型，所述检测模型由预先选定的介质类型对应的数据训练得到，能够对该选定的介质类型进行识别；
类型检测单元，适于利用所述检测模型判断所述数据所属的对象是否为平面，若所述对象是平面则确定该平面的介质类型；
数据优化单元，适于对不同的介质类型设置对应的优化方式，根据所述介质类型优化所述数据。
11.如权利要求10所述的装置，其特征在于，所述装置还包括检测模型训练单元，适于：
利用所述激光传感器采集预先选定的介质类型的激光点数据；
对所述激光点数据进行分组和标注，由各分组数据形成样本集，其中，标注的标签至少包括如下信息：该样本所属对象是否为平面，平面的介质类型；
构建检测模型，利用所述样本集对所述检测模型进行训练或测试。
一种基于激光传感器的平面检测方法、装置
技术领域
背景技术
[0002] 随着机器人和自动驾驶的兴起，机器人的定位与建图slam(simultaneous localization andmapping)等问题受到了越来越多的人关注。激光传感器便是目前可用于解决这一问题的主要传感器，相比于一般测距仪有着速度快、距离远、相对精度较高的优点。在使用激光定位时，激光输出的精度和频率对定位精度有着至关重要的作用，但是面对特殊材质和异形表面时，激光的表现会大打折扣。
[0003] 单线激光传感器是通过一个激光发射器和一个接收器的不断地发送和接收来生成一帧一帧的激光数据的，理想情况下，通过计算发射激光和接收激光的时间差，就可以得出在该角度障碍物的距离，但是有些激光因为角度问题并不会被接收器接收到，有些由于光的漫反射问题导致测的距离会上下浮动。实际使用中由于不同介质墙面反射不尽相同，即使原本墙面是平整的，在激光的数据中可能是一个凹凸不平的面，这种问题会造成激光slam生成的地图跟实际地图不匹配。
发明内容
[0004] 鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于激光传感器的平面检测方法、装置、电子设备和可读存储介质。
[0005] 依据本发明的一个方面，提供了一种基于激光传感器的平面检测方法，方法包括：
[0006] 在启动检测后，获取激光传感器的数据；
[0008] 利用检测模型判断数据所属的对象是否为平面，若对象是平面则确定该平面的介质类型；
[0009] 对不同的介质类型设置对应的优化方式，根据介质类型优化数据。
[0010] 可选的，介质类型包括如下的任一种：镜面介质、非黑色金属介质、黑色介质以及其他常规介质。
[0011] 可选的，检测模型通过以下步骤训练得到：
[0012] 利用激光传感器采集预先选定的介质类型对应的的激光点数据；
[0013] 对激光点数据进行分组和标注，由各分组数据形成样本集，其中，标注的标签至少包括如下信息：样本所属对象是否为平面，平面的介质类型；
[0014] 构建检测模型，利用样本集对检测模型进行训练。
[0015] 可选的，对激光点数据进行分组还包括：
[0016] 将激光点数据按照预设点数进行分组，每预设点数的数据为一个样本；
[0017] 以各样本中第一个点为原点坐标，计算出该样本内其余点的局部坐标值，将上述局部坐标值保存到一个数组中；
[0018] 根据数组确定该分组各点中相距最远距离，如果该最远距离超过第一阈值，则放弃该样本，否则选取该样本形成样本集。
[0019] 可选的，计算出该分组数据内其余点的局部坐标值，将上述局部坐标值保存到一个数组中还包括；
[0020] 求取该样本内所有横坐标值和纵坐标值的均值和方差，将均值和方差作为数据特征并保存到数组中。
[0021] 可选的，构建检测模型包括：
[0023] 可选的，利用样本集对检测模型进行训练还包括：将样本集分为训练集和测试集，并将训练集划分为多组，对第一组训练集进行训练，然后用测试集进行测试；
[0024] 若测试结果的准确率低于第二阈值，分析该组测试集中各样本的标签和激光点数据，判断激光点数据的数据特征是否与标签中的介质类型相符合；
[0025] 若符合则留下该样本，否则将该样本剔除，直到该组训练集满足准确率要求为止；
[0026] 加入后续的一组或多组训练集，合并后继续进行训练。
[0027] 可选的，加入后续的一组或多组训练集，合并后继续进行训练包括：
[0028] 若当前得到的测试结果的准确率低于第二阈值，保留测试结果的准确率高于第二阈值的训练集组，仅对后加入的一组或多组训练集的数据进行分析，剔除后加入训练集组中不符合的样本。
[0029] 可选的，根据介质类别优化数据包括如下任一项或多项：
[0030] 若介质类别为镜面介质或非黑色金属介质，则对相应的数据进行中值滤波，使得相应的数据趋于平整；
[0031] 若介质类别为黑色介质，则对相应的数据根据等差数列插入缺失的数据点；
[0033] 依据本发明的另一方面，提供了一种基于激光传感器的平面检测装置，装置包括：
[0034] 数据获取单元，适于在启动检测后，获取激光传感器的数据；
[0035] 数据输入单元，适于将数据输入预先训练的检测模型，检测模型由预先选定的介质类型对应的数据训练得到，能够对该选定的介质类型进行识别；
[0036] 类型检测单元，适于利用检测模型判断数据所属的对象是否为平面，若对象是平面则确定该平面的介质类型；
[0037] 数据优化单元，适于对不同的介质类型设置对应的优化方式，根据介质类型优化数据。
[0038] 可选的，装置还包括检测模型训练单元，适于：
[0039] 利用激光传感器采集预先选定的介质类型的激光点数据；
[0040] 对激光点数据进行分组和标注，由各分组数据形成样本集，其中，标注的标签至少包括如下信息：该样本所属对象是否为平面，平面的介质类型；
[0041] 构建检测模型，利用样本集对检测模型进行训练或测试。
[0042] 依据本发明的又一方面，提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行如上述任一的方法。
[0043] 依据本发明的再一方面，提供了一种计算机可读存储介质，其中，计算机可读存储介质存储一个或多个程序，一个或多个程序当被处理器执行时，实现如上述任一的方法。
[0044] 由上述可知，本发明的技术方案公开了一种基于激光传感器的平面检测方案，具体包括：在启动检测后，获取激光传感器的数据；将数据输入预先训练的检测模型，检测模型由预先选定的介质类型对应的数据训练得到，能够对该选定的介质类型进行识别；利用检测模型判断数据所属的对象是否为平面，若对象是平面则确定该平面的介质类型；对不同的介质类型设置对应的优化方式，根据介质类型优化数据。通过机器学习模型对墙面等平面类的二维激光数据所属的介质类型进行识别，并且根据识别结果优化了二维激光数据，进而根据二维激光数据形成更精致的地图和更精确的定位。
[0045] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。附图说明
[0046] 通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0047] 图1示出了根据本发明一个实施例的基于激光传感器的平面检测方法的流程示意图；
[0048] 图2示出了根据本发明一个实施例的基于激光传感器的平面检测装置的结构示意图；
[0049] 图3示出了根据本发明一个实施例的电子设备的结构示意图；
[0050] 图4示出了根据本发明一个实施例的计算机可读存储介质的结构示意图；
[0051] 图5示出了根据本发明一个实施例的不同介质类型的激光点数据图形化结构示意图；
[0052] 图6示出了根据本发明一个实施例的训练和测试模型的结构示意图。
具体实施方式
[0053] 下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
[0054] 图1示出了根据本发明一个实施例的基于激光传感器的平面检测方法的流程示意图；方法包括：
[0055] 步骤S110，在启动检测后，获取激光传感器的数据。
[0056] 以360°二维激光传感器为例，获取的数据是距离地面一定高度的平面上的二维数据，其中每帧数据包含360个数据，对应每一度所测量到的距离。
[0057] 如果检测到的对象是一个竖直墙面，则在理想的状态下获取的二维数据在二维坐标中应该大致呈线状，如图5(a)示出的是常规的介质产生的激光反射点数据，如果检测到规则的凹凸平面，则二维坐标中的图像应该是规则的多条线段；然而如果是墙面介质是黑色介质，则部分反射点被吸收，生成缺失的图像如图5(b)所示；若面对反射性强的玻璃等镜面介质，返回的激光反射点则容易产生位置改变，激光点的分布满足预定的曲折度曲线，如图5(c)所示；若常规非黑色的金属介质的材质，反射点也容易形成规则的形状，参见图5(d)。
[0058] 优选地，在获取数据后可以对数据进行预先判断，获知需要关注的区域，截取可能存在墙面等平面的部分。
[0059] 步骤S120，将数据输入预先训练的检测模型，检测模型由预先选定的介质类型对应的数据训练得到，能够对该选定的介质类型进行识别。
[0060] 由于不同的墙面的介质类型不同，获取的激光点数据分布也不同，因此，本实施例根据激光点数据分布特征来判断介质类型，在进行检测模型训练时通过标记标签等形式预先设定相关信息，从而实现对数据所属介质类型的分类与识别。
[0061] 步骤S130，利用检测模型判断数据所属的对象是否为平面，若对象是平面则确定该平面的介质类型。
[0062] 将数据输入预先训练的检测模型，判断数据所属的对象是否为平面，若对象是平面则确定该平面的介质类型。
[0063] 对于输入到预先训练的检测模型的数据，可以进一步判断该数据的反射点来源是否是如墙面之类的平面，如果是平面保存该部分的数据，并且进一步判断该平面的介质类型。
[0064] 步骤S140，对不同的介质类型设置对应的优化方式，根据介质类型优化数据。在该步骤中，根据该部分数据所属的平面的材料介质，根据各介质的反射点的特点，对该部分的数据进行中值滤波、插值或者最邻近重采样等优化处理，从而更真实反映平面的特征，为进一步的定位和建图(slam)提供更好的数据。
[0065] 综上，根据该实施例的上述方案，实现了根据二维激光数据对各种墙体平面材质进行分类检测，进而根据材质介质的特性对数据分别优化处理。
[0066] 在一个实施例中，介质类型包括如下的任一种：镜面介质、非黑色金属介质、黑色介质以及其他常规介质。
[0067] 发明人通过对墙面介质进行分析，发现在镜面介质、纯黑介质和金属介质三种类型介质情况下，现有方案中根据激光数据生成的地图与实际地图的误差比较大，如何通过分析激光的实际表现推测出相应的介质，进一步对激光数据进行修正成为当前的一个难题；则根据训练和测试等试验以及各介质反射点的特性，在该优选的实施例中，将墙面介质分类为如下的类别：镜面介质、非黑色金属介质、黑色介质以及其他常规介质。其他常规介质主要包括墙面介质中除了镜面介质、非黑色金属介质、黑色介质这三类之外的普通墙面介质，加入常规介质进行训练，使本方案能够在对特殊介质进行处理的同时，兼容现有的检测方式。本方案不严格局限于上述三种特殊介质，可以选取其他类型的特殊介质。
[0068] 在一个实施例中，预先训练的检测模型通过以下步骤训练得到：
[0069] 首先，获取到利用激光传感器采集复杂场景下的数据；
[0070] 其次，进行数据预处理，对数据进行分组和标注，根据组数据形成样本集，其中，标注的标签至少包括如下信息：样本所属对象是否为平面，平面的介质类型。
[0071] 在进行预处理中，为了获取长度和计算量等成本适中的样本，可以首先对所采集到的数据进行分组，并且根据检测的目的，还需要对各组数据进行标注，标注的信息包括样本是否代表了平面，该平面的介质类型是哪种等。在实际训练时，需要将各分组数据和标签分离。
[0072] 由各分组数据形成一个样本集，并且将该样本集可以进一步分为训练集和测试集，优选地，可以按照7:3的比例分成训练集和测试集。
[0073] 然后，选择合适的算法构建检测模型，利用数据集对检测模型进行训练和/或测试。
[0074] 在一个实施例中，对数据进行分组包括：将数据按照预设点数进行分组，每预设点数的数据为一个样本；以每个样本中第一个点为原点坐标，计算出组内其余点的局部坐标值，将上述局部坐标值保存到一个数组中；根据数组确定该组各点中相距最远距离，如果该最远距离超过第一阈值，则放弃该组数据，否则选取该组数据形成样本集。
[0075] 为了提高数据的可靠性和有效性，根据墙面的特点，平面数据应当是具有一定密集的系列点。因此可以在每组数据中根据坐标计算各点之间的距离，只有各点的距离均小于预设的阈值时，才将该分组数据作为训练或测试的样本。
[0076] 在一个实施例中，计算出该分组数据内其余点的局部坐标值，将上述局部坐标值保存到一个数组中还包括；求取该样本内所有横坐标值和纵坐标值的均值和方差，将均值和方差作为数据特征并保存到数组中。
[0077] 为了丰富每样本中的数据特征，本实施例中还将样本中所有数据点的坐标值的均值和方差加入到数组中，以方便后续根据数据特征对其所属介质类型进行识别判断，并进一步提高检测结果的准确度。
[0078] 在一个实施例中，构建检测模型包括：构建以xgboost算法为基础的检测模型，利用xgboost算法根据样本集生成对介质类型进行检测的决策树。
[0079] 鉴于训练集数量大，同时考虑到模型的速度，大小和鲁棒性，xgboost是更好的选择。xgboost(极端梯度提升)算法，xgboost是GB算法的高效实现，xgboost中的基学习器除了可以是CART也可以是线性分类器(gblinear)，该技术的具体原理不再赘述。在本实施例中，可采用贪心算法分裂出对应的特征，然后采用二次最优化确定节点和计算损失函数最小值，最后通过多次枚举确定出决策树。
[0080] 参见图6，样本集在进入检测模型后首先生成数据特征，然后进行数据压缩，构建决策树并继而生成决策树，实现对样本所属的介质类型进行分类的。其中还包括采用评价梯度值的方法对决策树进行评价和优化。
[0081] 在训练集完成后，再对检测模型进行测试，从而检测训练的成果，确定训练好的模型是否可用。
[0082] 在一个实施例中，利用样本集对检测模型进行训练还包括：将样本集分为训练集和测试集，并将训练集划分为多组，对第一组训练集进行训练，然后用测试集进行测试。
[0083] 若测试结果的准确率低于第二阈值，分析该组测试集中各样本的标签和激光点数据，判断激光点数据的数据特征是否与标签中的介质类型相符合。
[0084] 若符合则留下该样本，否则将该样本剔除，直到该组训练集满足准确率要求为止。
[0085] 加入后续的一组或多组训练集，合并后继续进行训练。
[0086] 在用训练好的模型来预测测试集时，可以设定第二阈值为比如90％，如果结果准确率低于90％，就对训练集和测试集进行分析，分析激光点的分布，找出可能会对预测结果产生负作用的样本并剔除。例如：标记为正常墙面但实际分布曲折的激光，因为一般激光能反映出物体轮廓，正常墙面应该激光应该在均匀分布的一条线上，该数据是波浪状或不规则的，原因可能墙面凹凸不平导致，属于干扰数据。
[0087] 干扰点剔除方式具体如下：将训练集划分为多组，由于数据预处理时大批量标注数据不易于对每一组数据进行关注和分析，则在训练中能够获知需要关注的区域，对这些区域进行重点筛选和干扰剔除。对每一组训练集分别输入模型利用xgboost算法进行训练，然后用测试集进行测试，如果结果准确率低于90％，对该组数据进行分析并查看标签与激光点的分布，三种特殊材质(镜面介质、纯黑材质表面和金属表面)的激光点的分布不是直线的，镜面介质和金属表面满足预定的曲折度曲线，纯黑材质表面对应的数据点容忍相应的稀疏度(因为会被吸收)。普通墙面数据分布方式一般是整齐均匀分布在一条直线。判断该组数据中是否符合它对应标签应符合的数据特征，具体为：对普通墙面数据确认是否是整齐均匀分布在一条直线上，对黑色介质材料墙面分析其是否稀疏，对镜面和金属材质分析其曲折度和分布是否符合其预定规律。若否，判断该组数据为起负作用的干扰样本并剔除。然后，如果第一组数据的准确率要求90％，则该组达到标准，然后加入后续的一组或多组数据，合并后进行训练。
[0088] 在一个实施例中，所述加入后续的一组或多组训练集，合并后继续进行训练包括：若当前得到的测试结果的准确率低于第二阈值，保留测试结果的准确率高于第二阈值的训练集组，仅对后加入的一组或多组训练集的数据进行分析，剔除后加入训练集组中不符合的样本。
[0089] 在后续训练中，若准确度不满足要求，则只需对新加入的训练组进行筛选。即，若对合并后的多组训练集进行测试，当前得到的测试结果的准确率低于第二阈值，保留测试结果的准确率高于第二阈值的训练集，即保留前期已经达到训练要求的训练集，仅仅对后加入的一组或多组训练集的数据进行分析，即对新增数据进行重点筛选，剔除相应样本。
[0090] 综上，通过去掉对预测干扰较大或模棱两可的样本并重新进行训练，通过对数据进行校正，提高了测试的准确率。并且，本实施例通过上述对大批量标注数据分组处理的方式，解决了人工分析激光数据时，特征提取困难，计算量大，不知道该对哪个区域优化等难题。
[0091] 在一个实施例中，根据介质类别优化数据包括如下任一项或多项：
[0092] 若介质类别为镜面介质或金属介质，则对相应的数据进行中值滤波，使得全部数据趋于平整。
[0093] 若介质类别为黑色介质，则对相应的数据根据等差数列插入缺失的数据点。
[0094] 若介质类别为其他常规介质，则对相应的数据利用最邻近重采样法增加数据点密度。
[0095] 具体优化方式如下：
[0096] 1、激光在镜面的反射是锯齿状的，实际镜面是平整的，所以如果检测结果得到墙面介质到是镜面介质，在优化过程中，就对此部分数据进行中值滤波，使得全部数据趋于平整。对金属介质的判断结果，采用同样方式处理。
[0097] 2、如果检测检测结果得到墙面介质为平整墙面(除了镜面介质、纯黑材质表面和金属表面之外的普通介质)，可以利用最邻近重采样法适当增加点密度来提高激光表现。
[0098] 3、如果检测检测结果得到墙面介质为纯黑材质表面，如果根据激光反射强度和模型输出结果，检测到黑色易吸收激光表面，一些激光点会丢失，就根据等差数列的方法来插入缺失的激光点，插入预定个点来当激光采集到的点。其中，最邻近法(NearestNeighbor)是直接将与某数据点位置最邻近的数据点的数据作为该数据点的新值。该方法的优点是方法简单，处理速度快，且不会改变原始数据值。如此反复，用优化过后的激光数据进行定位或者建图。
[0099] 图2示出了根据本发明一个实施例的基于激光传感器的平面检测装置的结构示意图；装置200包括：
[0100] 数据获取单元210，适于在启动检测后，获取激光传感器的数据。
[0101] 以360°二维激光传感器为例，获取的数据是距离地面一定高度的平面上的二维数据，其中每帧数据包含360个数据，对应每一度所测量到的距离。
[0102] 优选地，在获取数据后可以对数据进行预先判断，获知需要关注的区域，截取可能存在墙面等平面的部分。
[0103] 数据输入单元220，适于将数据输入预先训练的检测模型，检测模型由预先选定的介质类型对应的数据训练得到，能够对该选定的介质类型进行识别。
[0104] 由于不同的墙面的介质类型不同，获取的激光点数据分布也不同，因此，本实施例根据激光点数据分布特征来判断介质类型，在进行检测模型训练时通过标记标签等形式预先设定相关信息，从而实现对数据所属介质类型的分类与识别。
[0105] 类型检测单元230，适于利用检测模型判断数据所属的对象是否为平面，若对象是平面则确定该平面的介质类型。
[0106] 将数据输入预先训练的检测模型，判断数据所属的对象是否为平面，若对象是平面则确定该平面的介质类型。
[0107] 对于输入到预先训练的检测模型的数据，可以进一步判断该数据的反射点来源是否是如墙面之类的平面，如果是平面保存该部分的数据，并且进一步判断该平面的介质类型。
[0108] 数据优化单元240，适于对不同的介质类型设置对应的优化方式，根据介质类型优化数据。
[0109] 根据该部分数据所属的平面的材料介质，根据各介质的反射点的特点，对该部分的数据进行中值滤波、插值或者最邻近重采样等优化处理，从而更真实反映平面的特征，为进一步的定位和建图(slam)提供更好的数据。
[0110] 综上，根据该实施例的检测装置，实现了根据二维激光数据对各种墙体平面材质进行分类检测，进而根据材质介质的特性对数据分别优化处理，解决了人工分析激光数据时，特征提取困难，计算量大，不知道该对哪个区域优化等难题。
[0111] 在一个实施例中，介质类型包括如下的任一种：镜面介质、非黑色金属介质、黑色介质以及其他常规介质。
[0112] 在一个实施例中，预先训练的检测模型通过以下步骤训练得到：
[0113] 首先，获取到利用激光传感器采集复杂场景下的数据；
[0114] 其次，进行数据预处理，对数据进行分组和标注，根据组数据形成样本集，其中，标注的标签至少包括如下信息：该组数据所属对象是否为平面，平面的介质类型。
[0115] 然后，选择合适的算法构建检测模型，利用样本集对检测模型进行训练。
[0116] 在一个实施例中，对数据进行分组包括：将数据按照预设点数进行分组，每预设点数的数据为一个样本；以每个样本中第一个点为原点坐标，计算出组内其余点的局部坐标值，将上述局部坐标值保存到一个数组中；根据数组确定该组各点中相距最远距离，如果该最远距离超过第一阈值，则放弃该组数据，否则选取该组数据形成样本集。
[0117] 在一个实施例中，计算出该分组数据内其余点的局部坐标值，将上述局部坐标值保存到一个数组中还包括；求取该样本内所有横坐标值和纵坐标值的均值和方差，将均值和方差作为数据特征并保存到数组中。
[0118] 在一个实施例中，构建检测模型包括：构建以xgboost算法为基础的检测模型，利用xgboost算法根据样本集生成对介质类型进行检测的决策树。
[0119] 在一个实施例中，利用样本集对检测模型进行训练还包括：将样本集分为训练集和测试集，并将训练集划分为多组，对第一组训练集进行训练，然后用测试集进行测试。
[0120] 若测试结果的准确率低于第二阈值，分析该组测试集中各样本的标签和激光点数据，判断激光点数据的数据特征是否与标签中的介质类型相符合。
[0121] 若符合则留下该样本，否则将该样本剔除，直到该组训练集满足准确率要求为止。
[0122] 加入后续的一组或多组训练集，合并后继续进行训练。
[0123] 在一个实施例中，加入后续的一组或多组训练集，合并后继续进行训练包括：
[0124] 若当前得到的测试结果的准确率低于第二阈值，保留测试结果的准确率高于第二阈值的训练集组，仅对后加入的一组或多组训练集的数据进行分析，剔除后加入训练集组中不符合的样本。
[0125] 在一个实施例中，数据优化单元240适于：
[0126] 若介质类别为镜面介质或金属介质，则对相应的数据进行中值滤波，使得全部数据趋于平整。
[0127] 若介质类别为黑色介质，则对相应的数据根据等差数列插入缺失的数据点。
[0128] 若介质类别为其他常规介质，则对相应的数据利用最邻近重采样法增加数据点密度。
[0129] 综上，本发明的技术方案公开了一种基于激光传感器的平面检测方案，具体包括：在启动检测后，获取激光传感器的数据；将数据输入预先训练的检测模型，检测模型由预先选定的介质类型对应的数据训练得到，能够对该选定的介质类型进行识别；利用检测模型判断数据所属的对象是否为平面，若对象是平面则确定该平面的介质类型；对不同的介质类型设置对应的优化方式，根据介质类型优化数据。通过机器学习模型对墙面等平面类的二维激光数据所属的介质类型进行识别，并且根据识别结果优化了二维激光数据，进而根据二维激光数据形成更精致的地图和更精确的定位。
[0130] 需要说明的是：
[0131] 在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0132] 在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0133] 类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0134] 本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0135] 此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0136] 本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于激光传感器的平面检测装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0137] 例如，图3示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备300包括处理器310和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器
320。存储器320可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器320具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码331的存储空间330。例如，用于存储计算机可读程序代码的存储空间330可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码331。计算机可读程序代码331可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4的计算机可读存储介质。图4示出了根据本发明一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质
400存储有用于执行根据本发明的方法步骤的计算机可读程序代码331，可以被电子设备
300的处理器310读取，当计算机可读程序代码331由电子设备300运行时，导致该电子设备
300执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码331可以执行上述任一实施例中示出的方法。计算机可读程序代码331可以以适当形式进行压缩。
320。存储器320可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器320具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码331的存储空间330。例如，用于存储计算机可读程序代码的存储空间330可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码331。计算机可读程序代码331可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4的计算机可读存储介质。图4示出了根据本发明一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质
400存储有用于执行根据本发明的方法步骤的计算机可读程序代码331，可以被电子设备
300的处理器310读取，当计算机可读程序代码331由电子设备300运行时，导致该电子设备
300执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码331可以执行上述任一实施例中示出的方法。计算机可读程序代码331可以以适当形式进行压缩。
[0138] 应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种汽车制动开关传感器 | 2023-09-20 | 1 |
| 一种基于物联网的射孔枪内盲孔切削加工控制系统及方法 | 2024-02-12 | 1 |
| 一种基于激光传感器的平面检测方法、装置 | 2020-11-14 | 0 |
| 一种远程监控管理系统及其方法 | 2021-06-06 | 0 |
| 一种新型智能式农业灌溉机 | 2021-07-27 | 1 |
| 一种家庭绿植培养装置 | 2020-06-20 | 2 |
| 一种用于活塞杆与活塞的铆压设备 | 2020-10-10 | 2 |
| 无菌发酵罐体机械密封碎屑循环冲洗降温装置 | 2023-01-20 | 1 |
| 一种无线感烟火灾探测报警器 | 2020-08-26 | 1 |
| 一种多功能航标灯装置 | 2020-09-15 | 0 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈