地图评价方法、装置及电子设备

技术领域

本申请实施方式涉及地图技术领域，特别是涉及一种地图评价方法、装置及电子设备。

背景技术

同步定位与建图(simultaneous localization and mapping，SLAM)，SLAM可以描述为：机器人在未知环境中从一个未知位置开始移动，在移动过程中根据位置和地图进行自身定位，同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航。因此，一个精确且完善的地图，可使得机器人在定位、规划、感知等方面获得更好的效果。那么如何评估一个SLAM算法生成的地图是否是可用的、符合标准的地图就成为了现阶段一个必须要面对和解决的问题。

发明内容

本申请实施例提供一种地图评价方法、装置及电子设备，以解决对机器人通过激光雷达构建的地图评价不准确的问题。

本申请实施例提供以下技术方案：

第一方面，本申请实施例提供一种地图评价方法，包括：

获取待评价的目标地图与当前时刻的激光观测数据；

根待评价的目标地图与当前时刻的激光观测数据，确定评价参数；

根据评价参数对目标地图的质量进行评价。

在一些实施例中，该地图评价方法应用于电子设备，激光观测数据包括点云数据，电子设备通信连接机器人，机器人用于构建待评价的目标地图与获取当前时刻的激光观测数据；

待评价的目标地图包括机器人在构建目标地图的过程中各个时刻的位姿与点云数据；

根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数，包括：

根据当前时刻的激光观测数据，确定机器人在当前时刻的位姿与位姿对应的点云数据；

根据机器人在当前时刻的位姿与位姿对应的点云数据，以及机器人在构建目标地图的过程中各个时刻的位姿与点云数据，确定观测匹配分值，其中，评价参数包括观测匹配分值。

在一些实施例中，根据机器人在当前时刻的位姿与位姿对应的点云数据，以及机器人在构建目标地图的过程中各个时刻的位姿与点云数据，确定观测匹配分值，包括：

根据机器人在当前时刻的位姿与机器人在构建目标地图的过程中各个时刻的位姿，确定目标地图的第一位置；

计算机器人在当前时刻的位姿对应的点云数据与目标地图的第一位置对应的点云数据的匹配度；

根据匹配度确定观测匹配分值。

在一些实施例中，根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数，还包括：

对点云数据进行点云聚类，并对经过点云聚类的点云数据进行特征提取，得到特征点云；

根据特征点云与目标地图，确定第一相似匹配分值，其中，评价参数还包括第一相似匹配分值。

在一些实施例中，根据特征点云与目标地图，确定第一相似匹配分值，包括：

对目标地图对应的点云数据进行点云聚类，并对经过点云聚类的点云数据进行特征提取，得到目标特征点云；

对特征点云与目标特征点云进行相似度评价，得到相似度评价结果；

若相似度评价结果大于或等于第一相似度阈值，则根据相似度评价结果确定第一相似匹配分值。

在一些实施例中，根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数，还包括：

获取当前时刻的前一时刻的激光观测数据；

根据当前时刻的激光观测数据与当前时刻的前一时刻的激光观测数据，确定机器人的两帧定位位姿；

根据机器人的两帧定位位姿确定机器人的第一运动轨迹变化量；

根据第一运动轨迹变化量，确定第二相似匹配分值，其中，评价参数包括第二相似匹配分值。

在一些实施例中，机器人还包括里程计，里程计用于获取里程计信息；

根据第一运动轨迹变化量，确定第二相似匹配分值，包括：

获取当前时刻的里程计信息与当前时刻的前一时刻的里程计信息；

根据当前时刻的里程计信息与当前时刻的前一时刻的里程计信息，确定机器人的第二运动轨迹变化量；

若第一运动轨迹变化量与第二运动轨迹变化量的差值小于运动轨迹变化阈值，则根据第一运动轨迹变化量与第二运动轨迹变化量的差值确定第二相似匹配分值。

在一些实施例中，评价参数包括观测匹配分值、第一相似匹配分值和第二相似匹配分值；

根据评价参数对目标地图的质量进行评价，包括：

对观测匹配分值、第一相似匹配分值和第二相似匹配分值进行加权计算，得到第一位置地图质量评分，其中，第一位置地图质量评分用于衡量目标地图在第一位置的局部地图的地图质量；

若第一位置地图质量评分小于第一评分阈值，则目标地图在第一位置的局部地图的地图质量为不合格。

第二方面，本申请实施例提供一种地图评价装置，包括：

数据获取单元，用于获取待评价的目标地图与当前时刻的激光观测数据；

参数确定单元，用于根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数；

地图评价单元，用于根据评价参数对目标地图的质量进行评价。

第三方面，本申请实施例提供一种电子设备，包括：

至少一个处理器；和

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面的地图评价方法。

第四方面，本申请实施例提供一种非易失性计算机可读存储介质，非易失性计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使电子设备执行如第一方面的地图评价方法。

本申请实施方式的有益效果是：区别于现有技术的情况，本申请实施方式提供一种地图评价方法，包括：获取待评价的目标地图与当前时刻的激光观测数据；根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数；根据评价参数对目标地图的质量进行评价。通过获取待评价的目标地图与当前时刻的激光观测数据，根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数，并根据评价参数对目标地图的质量进行评价，本申请能够准确评价机器人通过激光雷达构建的地图的质量。

附图说明

一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本申请实施例提供的一种应用环境的示意图；

图2是本申请实施例提供的一种地图评价方法的流程示意图；

图3是图2中的步骤S202的细化流程图；

图4是图3中的步骤S222的细化流程图；

图5是图2中的步骤S202的另一细化流程图；

图6是图5中的步骤S224的细化流程图；

图7是图2中的步骤S202的又一细化流程图；

图8是图7中的步骤S228的细化流程图；

图9是图2中的步骤S203的细化流程图；

图10是本申请实施例提供的一种地图评价装置的结构示意图；

图11是本申请实施例提供的一种电子设备的结构示意图。

附图标号说明：

具体实施方式

为了便于理解本申请，下面结合附图和具体实施方式，对本申请进行更详细的说明。需要说明的是，当元件被表述“固定于”另一个元件，它可以直接在另一个元件上、或者其间可以存在一个或多个居中的元件。当一个元件被表述“连接”另一个元件，它可以是直接连接到另一个元件、或者其间可以存在一个或多个居中的元件。本说明书所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本说明书所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本说明书中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是用于限制本申请。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

下面结合说明书附图具体阐述本申请的技术方案：

请参阅图1，图1是本申请实施例提供的一种应用环境的示意图；

如图1所示，该应用环境100，包括：机器人10和电子设备20，其中，机器人10和电子设备20之间通过网络通信连接，其中，该网络包括有线网络和/或无线网络。可以理解的是，该网络包括2G、3G、4G、5G、无线局域网、蓝牙等无线网络，也可以包括串口线、网线等有线网络。

在本申请实施例中，该机器人10为能够使用激光雷达构建地图的移动机器人，例如：配送机器人、宠物机器人、搬运机器人、看护机器人、远程监控机器人、扫地机器人等机器人。

其中，该机器人包括主体和驱动轮部件、摄像单元、激光雷达、里程计、通信模块以及控制器。主体的外形可以大体上呈椭圆形、三角形、D形或其他形状。控制器设置于主体，驱动轮部件安装于主体，用于驱动机器人移动。

在本申请实施例中，驱动轮部件包括左驱动轮、右驱动轮及全向轮，左驱动轮和右驱动轮分别安装于主体的相对两侧。全向轮安装于主体的底部的靠前位置，全向轮为活动脚轮，可以水平360度旋转，以使得机器人可以灵活转向。左驱动轮、右驱动轮及全向轮的安装构成三角形，以提高机器人行走的平稳性。

在本申请实施例中，摄像单元，设置于机器人的机身，用于获取图像数据和/或视频数据。其中，摄像单元通信连接控制器，用于获取摄像单元的覆盖范围内的图像数据和/或视频数据，例如：获取某一密闭空间内的图像数据和/或视频数据，或者，获取某一开放空间内的图像数据和/或视频数据，并将获取到的图像数据和/或视频数据发送到控制器。在本申请实施例中，摄像单元包括但不限于红外摄像头、夜视摄像头、网络摄像头、数字摄像头、高清摄像头、4K摄像头、8K高清摄像头等摄像装置。

在本申请实施例中，激光雷达通信连接控制器，该激光雷达设置于机器人的机身，例如：激光雷达设置于机器人的机身的移动底盘，或者，激光雷达设置于机器人的机身的侧面，该激光雷达用于获取激光点云数据。具体的，激光雷达用于获取监控范围内的激光点云数据，机器人的机身设置有通信模块，激光雷达获取的激光点云数据通过通信模组发送到控制器。在本申请实施例中，激光雷达包括脉冲激光雷达、连续波激光雷达等雷达，移动底盘包括全能型通用底盘、拱腰式移动底盘等机器人移动底盘。

在本申请实施例中，里程计通信连接控制器，该里程计设置于机器人的机身，例如：里程计设置于机器人的机身的移动底盘，该里程计用于获取里程计信息。具体的，里程计用于获取机器人在移动过程中的里程数据，机器人的机身设置有通信模块，里程计获取的里程数据通过通信模组发送到控制器。在本申请实施例中，里程计包括但不限于轮式里程计等里程计。

在本申请实施例中，通信模块，通信连接电子设备，用于向电子设备发送数据，例如：向电子设备发送激光雷达获取的点云数据或者激光雷达构建的目标地图，或者，向电子设备发送里程计信息。在本申请实施例中，通信模块可以实现与因特网、互联网的通信，其中，通信模块包括但不限于有线连接模块和无线连接模块，包括CAN通信总线、WIFI模块、ZigBee模块、NB_IoT模块、4G模块、5G模块、蓝牙模块等通信单元。

在本申请实施例中，控制器设置于主体内部，控制器分别与左驱动轮、右驱动轮以及全向轮电连接。控制器作为机器人的控制核心，用于控制机器人行走、后退以及一些业务逻辑处理。例如：控制器用于接收摄像单元发送的图像数据和/或视频数据，并接收激光雷达发送的激光点云数据，并根据激光点云数据，构建目标地图。其中，控制器通过同步定位与建图技术(Simultaneous Localization and Mapping，SLAM)，即激光SLAM算法对监控区域的激光点云数据进行运算，以构建目标地图。在本申请实施例中，激光SLAM算法包括卡尔曼滤波、粒子滤波、图优化方法。

在本申请实施例中，控制器可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISC Machine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。控制器还可以是任何传统处理器、控制器、微控制器或状态机。控制器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置，或者微控制单元(Microcontroller Unit，MCU)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、系统级芯片(System on Chip，SoC)中的一种或多种组合。

可以理解的是，本申请实施例中的机器人10还包括存储模块，存储模块包括但不限于：FLASH闪存、NAND闪存、垂直NAND闪存(VNAND)、NOR闪存、电阻随机存取存储器(RRAM)、磁阻随机存取存储器(MRAM)、铁电随机存取存储器(FRAM)、自旋转移扭矩随机存取存储器(STT-RAM)等设备中的一种或多种。

在本申请实施例中，上述机器人10在活动的过程中，控制器采用同步定位与建图技术(Simultaneous Localization and Mapping，SLAM)，即激光SLAM算法进行定位导航，根据环境数据构建地图和定位。

在本申请实施例中，该电子设备20，通信连接该机器人10，或者电子设备20配置于机器人10，用于获取机器人10发送的待评价的目标地图与当前时刻的激光观测数据，或者，根据机器人10发送的待评价的目标地图与当前时刻的激光观测数据，确定评价参数，并根据评价参数对目标地图的质量进行评价。

其中，该电子设备20为具有一定计算能力的电子设备，该电子设备20包括但不限于终端、服务器，其中，终端包括但不限于：笔记本电脑、台式计算机或移动设备等各种具有计算处理能力的终端，服务器包括但不限于：塔式服务器、机架式服务器、刀片式服务器、云服务器。

在本申请实施例中，若电子设备20为服务器，服务器的数量可以为多个，多个服务器可构成服务器集群，例如：该服务器集群包括：第一服务器、第二服务器，…，第N服务器，或者，该服务器集群可以是一个云计算服务中心，该云计算服务中心包括若干台服务器。优选地，该电子设备20为云服务器(Elastic Compute Service,ECS)。

请参阅图2，图2是本申请实施例提供的一种地图评价方法的流程示意图；

其中，该地图评价方法，应用于电子设备，例如：终端、服务器，具体的，该地图评价方法的执行主体为电子设备中的一个或至少两个处理器，下面以服务器为例说明该地图评价方法。

在本申请实施例中，电子设备通信连接机器人，机器人用于构建待评价的目标地图与获取当前时刻的激光观测数据，具体的，机器人包括激光雷达，激光雷达用于构建待评价的目标地图与获取当前时刻的激光观测数据。

如图2所示，该地图评价方法，包括：

步骤S201：获取待评价的目标地图与当前时刻的激光观测数据；

具体的，服务器接收机器人发送的待评价的目标地图与当前时刻的激光观测数据，其中，待评价的目标地图为机器人在指定区域进行工勘的过程中根据激光雷达SLAM算法生成的地图，当前时刻的激光观测数据为机器人在待评价的目标地图对应的工勘区域内进行激光观测时获取的激光观测数据，该激光观测数据为包含角度和距离数据的激光扫描信息，激光观测数据从激光雷达获取，在本申请的一些实施例中，激光雷达在二维平面上旋转一周即可得到一条激光扫描信息。

步骤S202：根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数；

具体的，服务器根据机器人发送的待评价的目标地图与当前时刻的激光观测数据，确定评价参数，其中，评价参数包括观测匹配分值、第一相似匹配分值和第二相似匹配分值。

具体的，请再参阅图3，图3是图2中的步骤S202的细化流程图；

在本申请实施例中，激光观测数据包括点云数据，待评价的目标地图包括机器人在构建目标地图的过程中各个时刻的位姿与点云数据，机器人还包括里程计，里程计用于获取里程计信息。

如图3所示，该步骤S202：根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数，包括：

步骤S221：根据当前时刻的激光观测数据，确定机器人在当前时刻的位姿与位姿对应的点云数据；

具体的，机器人的位姿包括机器人的位置和姿态，用于指明机器人所处的位置和朝向，其中，位置即为坐标数据，该坐标数据可以为二维坐标数据，也可以为三维坐标数据。

具体的，服务器先对接收的当前时刻的激光观测数据采用滤波算法进行滤波和除去噪点，以规避由于测量精度的误差造成的类似于平面不对应的问题，其中，滤波算法包括但不限于单点过滤、中值滤波、提取houghline等滤波算法。

进一步地，服务器通过轮式里程计运动学模型，将里程计信息转化为机器人位姿变化信息，并通过贝叶斯滤波器初步计算出预测位姿，然后通过系统观测模型根据当前时刻的激光观测数据即点云数据，对贝叶斯滤波器初步计算出的预测位姿进行修正，得到机器人在当前时刻的最终位姿，其中，里程计信息可由机器人在发送当前时刻的激光观测数据的同时发送给服务器。可以理解的是，轮式里程计运动学模型、系统观测模型以及贝叶斯滤波器计算预测位姿均为现有技术，在此不再赘述。

可以理解的是，经过滤波算法进行滤波和除去噪点后的当前时刻的激光观测数据即为机器人在当前时刻的位姿对应的点云数据。

步骤S222：根据机器人在当前时刻的位姿与位姿对应的点云数据，以及机器人在构建目标地图的过程中各个时刻的位姿与点云数据，确定观测匹配分值。

具体的，评价参数包括观测匹配分值，服务器根据机器人在当前时刻的位姿与机器人在构建目标地图的过程中各个时刻的位姿，确定目标地图的第一位置，然后计算机器人在当前时刻的位姿对应的点云数据与目标地图的第一位置对应的点云数据的匹配度，根据匹配度确定观测匹配分值。

具体的，请再参阅图4，图4是图3中的步骤S222的细化流程图；

如图4所示，该步骤S222：根据机器人在当前时刻的位姿与位姿对应的点云数据，以及机器人在构建目标地图的过程中各个时刻的位姿与点云数据，确定观测匹配分值，包括：

步骤S2221：根据机器人在当前时刻的位姿与机器人在构建目标地图的过程中各个时刻的位姿，确定目标地图的第一位置；

在本申请实施例中，机器人在构建目标地图的过程中与机器人在获取当前时刻的激光观测数据时，采用的坐标系是相同的，即原点的位置与各坐标轴的方向都相同。可以理解的是，机器人在构建目标地图的过程中，通过激光雷达获取得到机器人在各个位姿点的预设区域内的点云数据，其中，该预设区域为以位姿点为圆心，半径为预设半径的圆形区域，该预设半径可由本领域技术人员根据实际情况进行设置。

具体的，服务器根据机器人在当前时刻的位姿与机器人在构建目标地图的过程中各个时刻的位姿，确定机器人在构建目标地图的过程中与机器人在当前时刻的位姿相同的位姿点，并根据该位姿点确定目标地图的第一位置，其中，目标地图的第一位置为以该位姿点为圆心，半径为预设半径的预设区域。

步骤S2222：计算机器人在当前时刻的位姿对应的点云数据与目标地图的第一位置对应的点云数据的匹配度；

具体的，服务器在确定目标地图的第一位置后，对目标地图的第一位置对应的点云数据采用滤波算法进行滤波和除去噪点，然后计算机器人在当前时刻的位姿对应的经过滤波和除去噪点后的点云数据与目标地图的第一位置对应的经过滤波和除去噪点后的点云数据的匹配度，其中，机器人在当前时刻的位姿对应的经过滤波和除去噪点后的点云数据与目标地图的第一位置对应的经过滤波和除去噪点后的点云数据的重影点的比例即为匹配度，该匹配度可由百分数表示，重影点即为点云坐标相同的两个点云。

例如：机器人在当前时刻的位姿对应的经过滤波和除去噪点后的点云数据的个数为100个，目标地图的第一位置对应的经过滤波和除去噪点后的点云数据的个数为98个，机器人在当前时刻的位姿对应的经过滤波和除去噪点后的点云数据与目标地图的第一位置对应的经过滤波和除去噪点后的点云数据的重影点的个数为80*2个，即机器人在当前时刻的位姿对应的经过滤波和除去噪点后的80个点云数据与目标地图的第一位置对应的经过滤波和除去噪点后的80个点云数据的重影，则匹配度为重影点的个数与总点云数据的个数，即(80*2)÷(100+98)＝80.8％。

步骤S2223：根据匹配度确定观测匹配分值。

具体的，服务器根据：观测匹配分值＝匹配度*观测匹配阈值，得到观测匹配分值，其中，观测匹配阈值可由本领域人员根据实际情况进行设置。

在本申请实施例中，还可以通过迭代最近点算法对机器人在当前时刻的位姿对应的点云数据与目标地图的第一位置对应的点云数据进行点云匹配，得到匹配度。

请再参阅图5，图5是图2中的步骤S202的另一细化流程图；

在本申请实施例中，评价参数还包括第一相似匹配分值。

如图5所示，该步骤S202：根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数，包括：

步骤S223：对点云数据进行点云聚类，并对经过点云聚类的点云数据进行特征提取，得到特征点云；

具体的，服务器通过无监督学习聚类算法对机器人在当前时刻的位姿对应的点云数据进行聚类，例如：采用DBSCAN聚类算法来对粒子进行聚类。DBSCAN(Density-BasedSpatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法，与其他划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。通过DBSCAN聚类算法可将面积过小、点密度太稀疏的障碍物剔除，这些障碍物可能是树叶等静态障碍物。

进一步地，服务器对经过点云聚类的点云数据进行顾及动态障碍物的特征提取，剔除道路环境中的动态障碍物，如：人、布草车等，得到特征点云。

具体的，服务器先提取地面点云，然后对剩余的非地面点云进行目标分割并聚类，将小于设定尺寸的目标剔除。其中，地面点云的提取方法包括但不限于采用基于深度图像的角度分割方式提取地面点云，即将每一帧内的激光点云投影为深度图像，将无序杂乱的非结构化点云数据转化成有组织的点云数据，应用Savitsky-Golay平滑算法在夹角图像上进行地面标记，并使用广度优先搜索(Breadth-FirstSearch,BFS)将相似的组件标记在一起，得到地面点云所对应的点云数据区域。

具体的，服务器在提取地面点云后，对剔除地面点云后的深度图像进行实时目标分割，从每一帧激光雷达数据中剔除动态障碍物。其中，对剔除地面点云后的深度图像进行实时目标分割，包括：根据激光雷达在同一点发射的两条激光束在深度图像中的夹角确定将深度图像中的相邻两激光点分割为两个类别还是合并为一个类别，并采用广度优先搜索(Breadth-FirstSearch,BFS)连接同一类别的激光点云。当目标分割全部完毕后，服务器对进行目标分割后的不同类别的激光点云簇进行筛选，将在X方向、Y方向、Z方向上的长度小于设定阈值的激光点云簇剔除。可以理解的是，在X方向、Y方向、Z方向上的长度小于设定阈值的激光点云簇即为道路上的动态障碍物，例如：人、布草车等，其中，设定阈值可由本领域技术人员根据实际情况进行设置。

可以理解的是，剔除动态障碍物后的非地面点云是表征空间环境中墙体、柱体等主要结构特征的点云，即特征点云。

步骤S224：根据特征点云与目标地图，确定第一相似匹配分值。

具体的，服务器对目标地图对应的点云数据进行点云聚类，并对经过点云聚类的点云数据进行特征提取，得到目标特征点云，然后对特征点云与目标特征点云进行相似度评价，得到相似度评价结果，根据相似度评价结果，确定第一相似匹配分值。

具体的，请再参阅图6，图6是图5中的步骤S224的细化流程图；

如图6所示，该步骤S224：根据特征点云与目标地图，确定第一相似匹配分值，包括：

步骤S2241：对目标地图对应的点云数据进行点云聚类，并对经过点云聚类的点云数据进行特征提取，得到目标特征点云；

具体的，服务器根据机器人在当前时刻的位姿与机器人在构建目标地图的过程中各个时刻的位姿，确定机器人在构建目标地图的过程中与机器人在当前时刻的位姿相同的位姿点，并根据该位姿点确定目标地图的第一位置。

进一步地，服务器对目标地图的第一位置对应的点云数据进行点云聚类，并对经过点云聚类的点云数据进行特征提取，得到目标特征点云。可以理解的是，该步骤与步骤S223的具体实现方法相似，在此不再赘述。

在本申请实施例中，通过分别对机器人在当前时刻观测得到的点云数据与目标地图对应的点云数据进行点云聚类，并对经过点云聚类的点云数据进行特征提取，得到特征点云和目标特征点云，本申请能够剔除动态障碍物对相似度评价的影响，更准确地得到特征点云与目标特征点云的相似度评价结果。

步骤S2242：对特征点云与目标特征点云进行相似度评价，得到相似度评价结果；

具体的，服务器分别对特征点云和目标特征点云构建特征向量和目标特征向量，并通过皮尔逊相关性分析计算特征向量和目标特征向量的相似度评价结果。可以理解的是，皮尔逊相关性分析为现有技术，在此不在赘述。

步骤S2243：若相似度评价结果大于或等于第一相似度阈值，则根据相似度评价结果确定第一相似匹配分值。

可以理解的是，通过皮尔逊相关性分析计算得到的特征向量和目标特征向量的相似度评价结果的值越大，特征向量和目标特征向量越相似，即特征点云和目标特征点云的坐标相同的个数越多，表明目标地图在该位置的局部地图的精度较高、误差较小。

具体的，若相似度评价结果大于或等于第一相似度阈值，则服务器根据：第一相似匹配分值＝相似度评价结果*第一相似匹配阈值，确定第一相似匹配分值；若相似度评价结果小于第一相似度阈值，则表明目标地图在该位置的局部地图的误差较大，第一相似匹配分值是一个较小值，可根据下述公式计算得到：

第一相似匹配分值＝相似度评价结果*第一相似匹配阈值*第一系数

其中，第一系数是一个较小的值。可以理解的是，第一相似度阈值、第一相似匹配阈值和第一系数可由本领域技术人员根据实际情况进行设置。

例如：若相似度评价结果为0.9，第一相似度阈值为0.6，第一相似匹配阈值为50，则第一相似匹配分值＝0.9*50＝45；若相似度评价结果为0.5，第一相似度阈值为0.6，第一相似匹配阈值为50，第一系数为0.1，则第一相似匹配分值＝0.5*50*0.1＝2.5。

请再参阅图7，图7是图2中的步骤S202的又一细化流程图；

在本申请实施例中，评价参数还包括第二相似匹配分值。

如图7所示，该步骤S202：根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数，包括：

步骤S225：获取当前时刻的前一时刻的激光观测数据；

具体的，服务器实时接收机器人发送的激光观测数据，并存储于服务器的存储器内。当前时刻的前一时刻的激光观测数据，也由服务器存储于存储器内，在服务器的处理器需要时从存储器内调用。可选地，当前时刻的激光观测数据为激光雷达获取到的当前帧激光点云，当前时刻的前一时刻的激光观测数据为激光雷达获取到的当前帧激光点云的上一帧激光点云。在本申请中，当前时刻与前一时刻的时间间隔为激光雷达的扫描周期的整数倍。

步骤S226：根据当前时刻的激光观测数据与当前时刻的前一时刻的激光观测数据，确定机器人的两帧定位位姿；

具体的，服务器根据激光雷达获取到的当前帧激光点云确定机器人在当前时刻的定位位姿，并根据激光雷达获取到的当前帧激光点云的上一帧激光点云确定机器人在当前时刻的前一时刻的定位位姿，其中，定位位姿为机器人的最终位姿，根据激光观测数据确定机器人的定位位姿的具体实现方法与步骤S221中根据当前时刻的激光观测数据确定机器人在当前时刻的最终位姿的方法相同，在此不再赘述。

步骤S227：根据机器人的两帧定位位姿确定机器人的第一运动轨迹变化量；

具体的，第一运动轨迹变化量包括第一运动距离，服务器根据机器人的两帧定位位姿的位置坐标计算得到机器人在两帧定位位姿间的第一运动距离，其中，第一运动距离为当前帧定位位姿的位置坐标与前一帧定位位姿的位置坐标之间的距离，例如：若当前帧定位位姿的位置坐标为P

步骤S228：根据第一运动轨迹变化量，确定第二相似匹配分值。

具体的，服务器根据第一运动轨迹变化量与第二运动轨迹变化量，确定第二相似匹配分值。

具体的，请再参阅图8，图8是图7中的步骤S228的细化流程图；

在本申请实施例中，机器人还包括里程计，里程计用于获取里程计信息；

如图8所示，该步骤S228：根据第一运动轨迹变化量，确定第二相似匹配分值，包括：

步骤S2281：获取当前时刻的里程计信息与当前时刻的前一时刻的里程计信息；

具体的，服务器在接收机器人发送的当前时刻的激光观测数据的同时，接收机器人发送的当前时刻的里程计信息并将里程计信息存储于服务器的存储器内。当前时刻的前一时刻的里程计信息，也由服务器存储于存储器内，在服务器的处理器需要时从存储器内调用。

步骤S2282：根据当前时刻的里程计信息与当前时刻的前一时刻的里程计信息，确定机器人的第二运动轨迹变化量；

具体的，第二运动轨迹变化量包括第二运动距离，服务器通过轮式里程计运动学模型，将当前时刻的里程计信息与当前时刻的前一时刻的里程计信息转化为机器人位姿变化信息，并通过贝叶斯滤波器计算出机器人在当前时刻的预测位姿与机器人在当前时刻的前一时刻的预测位姿。

进一步地，服务器根据机器人在当前时刻的预测位姿的位置坐标与机器人在当前时刻的前一时刻的预测位姿的位置坐标，计算得到机器人的第二运动距离，其中，第二运动距离为当前时刻的预测位姿的位置坐标与当前时刻的前一时刻的预测位姿的位置坐标之间的距离，例如：若当前时刻的预测位姿的位置坐标为P

步骤S2283：若第一运动轨迹变化量与第二运动轨迹变化量的差值小于运动轨迹变化阈值，则根据第一运动轨迹变化量与第二运动轨迹变化量的差值确定第二相似匹配分值。

具体的，第一运动轨迹变化量与第二运动轨迹变化量的差值即为第一运动距离与第二运动距离的差值，服务器计算第一运动距离与第二运动距离之差，得到运动轨迹变化值。若运动轨迹变化值小于或等于运动轨迹变化阈值，则表明机器人的两帧预测位姿与最终位姿非常接近，目标地图在该位置的局部地图精度较高、误差较小，则服务器确根据下述公式计算得到第二相似匹配分值：

第二相似匹配分值＝运动轨迹比值*第二相似匹配阈值。

其中，运动轨迹比值为第一运动距离与第二运动距离的比值(第一运动距离与第二运动距离中的较大值做分母、较小值做分子)，第二相似匹配阈值可由本领域技术人员根据实际情况进行设置。

例如:第一运动距离为0.5米，第二运动距离为0.55米，运动轨迹变化阈值为0.1米，第二相似匹配阈值为50，运动轨迹变化值＝0.55-0.5＝0.05米，运动轨迹变化值小于运动轨迹变化阈值，则运动轨迹比值＝0.5/0.55≈0.91，第二相似匹配分值＝0.91*50＝45.5。

具体的，若运动轨迹变化值大于运动轨迹变化阈值，则表明机器人的两帧预测位姿与最终位姿误差较大，目标地图在该位置的局部地图误差较大，则服务器根据下述公式计算得到第二相似匹配分值：

第二相似匹配分值＝运动轨迹比值*第二相似匹配阈值*第二系数

其中，运动轨迹比值为第一运动距离与第二运动距离的比值(第一运动距离与第二运动距离中的较大值做分母、较小值做分子)，第二系数是一个较小的数。可以理解的是，第二相似匹配阈值和第二系数可由本领域技术人员根据实际情况进行设置。

例如：第一运动距离为0.5米，第二运动距离为0.65米，运动轨迹变化阈值为0.1米，第二相似匹配阈值为50，第二系数为0.5，运动轨迹变化值＝0.65-0.5＝0.15米，运动轨迹变化值大于运动轨迹变化阈值，则运动轨迹比值＝0.5/0.65≈0.77，第二相似匹配分值＝0.77*50*0.5＝19.25。

步骤S203：根据评价参数对目标地图的质量进行评价。

具体的，评价参数包括观测匹配分值、第一相似匹配分值和第二相似匹配分值，服务器根据观测匹配分值、第一相似匹配分值和第二相似匹配分值，对目标地图的质量进行评价。

具体的，请再参阅图9，图9是图2中的步骤S203的细化流程图；

如图9所示，该步骤S203：根据评价参数对目标地图的质量进行评价，包括：

步骤S2031：对观测匹配分值、第一相似匹配分值和第二相似匹配分值进行加权计算，得到第一位置地图质量评分；

具体的，第一位置地图质量评分用于衡量目标地图在第一位置的局部地图的地图质量。服务器分别对观测匹配分值、第一相似匹配分值和第二相似匹配分值赋予不同权重系数，然后对观测匹配分值、第一相似匹配分值和第二相似匹配分值进行加权计算，得到第一位置地图质量评分。

在本申请实施例中，通过对观测匹配分值、第一相似匹配分值和第二相似匹配分值赋予不同权重系数，然后对观测匹配分值、第一相似匹配分值和第二相似匹配分值进行加权计算，得到第一位置地图质量评分，本申请能够灵活运用不同的评价参数对目标地图的质量进行评价，并通过不同的权重系数提高对目标地图的质量进行评价的准确度。

步骤S2032：若第一位置地图质量评分小于第一评分阈值，则目标地图在第一位置的局部地图的地图质量为不合格。

具体的，若第一位置地图质量评分大于或等于第一评分阈值，则服务器确定目标地图在第一位置的局部地图的地图质量为合格；若第一位置地图质量评分小于第一评分阈值，则服务器确定目标地图在第一位置的局部地图的地图质量为不合格。

在本申请实施例中，电子设备还包括显示屏，方法还包括：

若目标地图在第一位置的局部地图的地图质量为不合格，则将该第一位置标记为不合格位置，并控制显示屏显示目标地图在第一位置的局部地图。

在本申请实施例中，根据评价参数对目标地图的质量进行评价，还包括：

根据评价参数得到目标地图在每一位置的局部地图的质量评分；

对目标地图在每一位置的局部地图的质量评分求平均值，得到目标地图的总体质量评分。

在本申请实施例中，方法还包括：

控制显示屏显示目标地图的总体质量评分以及每一不合格位置。

在本申请实施例中，通过提供一种地图评价方法，包括：获取待评价的目标地图与当前时刻的激光观测数据；根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数；根据评价参数对目标地图的质量进行评价。通过获取待评价的目标地图与当前时刻的激光观测数据，根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数，并根据评价参数对目标地图的质量进行评价，本申请能够准确评价机器人通过激光雷达构建的地图的质量。

请再参阅图10，图10是本申请实施例提供的一种地图评价装置的结构示意图；

其中，该地图评价装置，应用于电子设备，例如：终端、服务器，具体的，该地图评价装置应用于电子设备的一个或至少两个处理器。

如图10所示，该地图评价装置101，包括：

数据获取单元1011，用于获取待评价的目标地图与当前时刻的激光观测数据；

参数确定单元1012，用于根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数；

地图评价单元1013，用于根据评价参数对目标地图的质量进行评价。

在本申请实施例中，该地图评价装置亦可以由硬件器件搭建成的，例如，地图评价装置可以由一个或两个以上的芯片搭建而成，各个芯片可以互相协调工作，以完成上述各个实施例所阐述的地图评价方法。再例如，地图评价装置还可以由各类逻辑器件搭建而成，诸如由通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISC Machine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合而搭建成。

本申请实施例中的地图评价装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personaldigital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(NetworkAttached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。

本申请实施例中的地图评价装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。

本申请实施例提供的地图评价装置能够实现图2实现的各个过程，为避免重复，这里不再赘述。

需要说明的是，上述地图评价装置可执行本申请实施例所提供的地图评价方法，具备执行方法相应的功能模块和有益效果。未在地图评价装置实施例中详尽描述的技术细节，可参考上述实施例所提供的地图评价方法。

在本申请实施例中，通过提供一种地图评价装置，包括：数据获取单元，用于获取待评价的目标地图与当前时刻的激光观测数据；参数确定单元，用于根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数；地图评价单元，用于根据评价参数对目标地图的质量进行评价。通过获取待评价的目标地图与当前时刻的激光观测数据，根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数，并根据评价参数对目标地图的质量进行评价，本申请能够准确评价机器人通过激光雷达构建的地图的质量。

请再参阅图11，图11是本申请实施例提供的一种电子设备的结构示意图；

如图11所示，该电子设备110包括一个或多个处理器111以及存储器112。其中，图11中以一个处理器111为例。

处理器111和存储器112可以通过总线或者其他方式连接，图11中以通过总线连接为例。

处理器111，用于提供计算和控制能力，以控制电子设备110执行相应任务，例如，控制电子设备110执行上述任一方法实施例中的地图评价方法，包括：获取待评价的目标地图与当前时刻的激光观测数据，根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数，并根据评价参数对目标地图的质量进行评价。

通过根据待评价的目标地图与当前时刻的激光观测数据，确定评价参数，并根据评价参数对目标地图的质量进行评价，本申请能够准确评价机器人通过激光雷达构建的地图的质量。

处理器111可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、硬件芯片或者其任意组合；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑器件(programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(genericarray logic，GAL)或其任意组合。

存储器112作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本申请实施例中的地图评价方法对应的程序指令/模块。处理器111通过运行存储在存储器112中的非暂态软件程序、指令以及模块，可以实现上述任一方法实施例中的地图评价方法。具体地，存储器112可以包括易失性存储器(volatile memory，VM)，例如随机存取存储器(random access memory，RAM)；存储器112也可以包括非易失性存储器(non-volatile memory，NVM)，例如只读存储器(read-onlymemory，ROM)，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)或其他非暂态固态存储器件；存储器112还可以包括上述种类的存储器的组合。

存储器112可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器112可选包括相对于处理器111远程设置的存储器，这些远程存储器可以通过网络连接至处理器111。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器112中，当被一个或者多个处理器111执行时，执行上述任意方法实施例中的地图评价方法，例如，执行以上描述的图2所示的各个步骤；也可实现图10的各个模块或单元的功能。

在本申请实施例中，电子设备110还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，电子设备110还可以包括其他用于实现设备功能的部件，在此不做赘述。

本申请实施例的电子设备以多种形式存在，在执行以上描述的图2所示的各个步骤；也可实现图10的各个单元的功能时，包括但不限于：终端、服务器等各种具有计算处理能力的电子设备。

本申请实施例还提供了一种计算机可读存储介质，例如包括程序代码的存储器，上述程序代码可由处理器执行以完成上述实施例中的地图评价方法。例如，该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory，RAM)、只读光盘(Compact Disc Read-Only Memory，CDROM)、磁带、软盘和光数据存储设备等。

本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括一条或多条程序代码，该程序代码存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该程序代码，处理器执行该程序代码，以完成上述实施例中提供的地图评价方法的方法步骤。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来程序代码相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上述的本申请的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。