机器人位姿信息的确定方法、装置及计算机设备

技术领域

本公开涉及定位与地图绘建领域，尤其涉及一种机器人位姿信息的确定方法、装置及计算机设备。

背景技术

现今，智能机器人发展迅速，应用范围越来越广。扫地机器人、搬运机器人等已经可以在特定场景下替代完成人类的工作，而这些机器人得以在不同环境中完成移动和作业，需要依靠即时定位与地图绘建技术。

相关技术中的机器人定位移动系统离不开位姿的计算，以当前较为流行的SLAM(Simultaneous Localization and Mapping，即时定位与地图构建)方法为例，机器人利用视觉传感器获取周围环境的图像，并在不同图像中选取特征点，根据特征点的变化及设备参数反推机器人自身的位姿信息以完成定位，还可以进一步在自身定位的基础上构建地图。

然而，在实际应用中，机器人常常会遇到墙壁、地面等大面积纯色区域。此时，机器人进行位姿定位时常常出现与实际环境不符的情况，导致最终定位结果不准确，进而造成移动路径错误，严重时甚至产生事故，这使机器人的应用受到极大限制。

发明内容

基于此，针对上述技术问题，提供一种机器人位姿信息的确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。本公开的技术方案如下：

根据本公开实施例的一个方面，提供一种机器人位姿信息的确定方法，包括：

获取机器人预设范围内的原始图像；

根据预设的图像检测算法对所述原始图像进行特征点识别，获取面积达到预设面积阈值或面积占比达到预设第一比值的纯色区域；其中，所述纯色区域中单位面积内所述特征点的数量少于预设的第一阈值；

在所述原始图像中与所述纯色区域对应的区域添加预设的图形特征，得到中间图像；

将所述中间图像输入至预设的位姿计算模型，经所述位姿计算模型输出得到所述机器人的位姿信息。

在其中一个实施例中，所述根据预设的图像检测算法对所述原始图像进行特征点识别，获取面积达到预设面积阈值或面积占比达到预设第一比值的纯色区域，包括：

对所述原始图像进行边缘检测，得到具有特征点的纹理图像；

通过预设的算法对所述纹理图像进行图像开运算，过滤特征点超出所述第一阈值的区域，得到第一待处理区域；

计算所述第一待处理区域的面积与所述原始图像的面积的比值是否达到所述预设第一比值；若达到，将所述第一待处理区域作为纯色区域。

在其中一个实施例中，在通过预设的算法对所述纹理图像进行图像开运算之前，还包括：

对所述纹理图像进行反色处理。

在其中一个实施例中，所述在所述原始图像中与所述纯色区域对应的区域添加预设的图形特征，得到中间图像，包括：

在所述原始图像中与所述纯色区域对应的区域添加预设的三角形图案和/或网格线；

将所述预设的三角形图案和/或所述网格线覆盖到所述原始图像中与所述纯色区域对应的区域，得到中间图像。

在其中一个实施例中，所述预设面积阈值的取值范围为500～1000像素；

和/或；

所述预设第一比值的取值范围为1％～10％。

根据本公开实施例的另一方面，提供一种机器人位姿信息的确定装置，包括：

图像获取模块，用于获取机器人预设范围内的原始图像；

图像识别模块，用于根据预设的图像检测算法对所述原始图像进行特征点识别，获取面积达到预设面积阈值或面积占比达到预设第一比值的纯色区域；其中，所述纯色区域中单位面积内所述特征点的数量少于预设的第一阈值；

特征添加模块，用于在所述原始图像中与所述纯色区域对应的区域添加预设的图形特征，得到中间图像；

位姿计算模块，用于将所述中间图像输入至预设的位姿计算模型，经所述位姿计算模型输出得到所述机器人的位姿信息。

根据本公开实施例的另一方面，还提供一种运维管理系统，包括中控系统、巡检机器人；所述巡检机器人设有存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。

根据本公开实施例的另一方面，还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

根据本公开实施例的另一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

根据本公开实施例的另一方面，还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例提供的技术方案中，通过对机器人周围的原始图像进行特征点识别，可以识别出原始图像中面积占比较大的纯色区域，并可以根据纯色区域在原始图像中对应区域添加预设的图形特征以得到中间图像，再将中间图像输入位姿计算模型得到机器人的位姿信息。这样，通过识别纯色区域并添加图像特征的方式，可以使原始图像中的墙壁等纯色区域也具有一定数量的特征点，增加了特征点提取的成功率，提高了位姿定位的准确度，解决了机器人位姿定位适用性差的问题。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

为了更清楚地说明本说明书实施方式或相关技术中的技术方案，下面将对实施方式或相关技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是一个实施例中一种机器人位姿信息的确定方法的流程示意图；

图2是一个实施例中获取纯色区域的流程示意图；

图3是一个实施例中在原始图像中添加图形特征的流程示意图；

图4是一个实施例中通过相机获取的机器人前方的原始图像；

图5是一个实施例中对原始图像进行边缘检测得到的纹理图像；

图6是一个实施例中对纹理图像进行反色得到的反色图像；

图7是一个实施例中对图像进行开运算得到第一待处理区域的图像；

图8是一个实施例中向纯色区域添加十字线得到的网格特征示意图；

图9是一个实施例中向原始图像添加网格线得到的中间图像示意图；

图10是一个实施例中一种机器人位姿信息的确定装置的结构示意图；

图11是一个实施例中一种计算机设备的内部结构示意图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。例如若使用到第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

本文所使用的术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”、“前”、“后”、“周向”、“行进方向”以及类似的表述是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

除非另有定义，本文所使用的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义可以相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”、“和/或”、“至少…之一”包括一个或多个相关的所列项目的任意的和所有的组合。需要说明的是，本公开中所描述的相连、连接等，可以是通过器件间的接口或引脚直接连接，也可以是通过引线连接，还可以是通过无线连接(通信连接)。

在机器人的定位系统中，视觉里程计(Visual Odometry，VO)是处理机器人位置信息的模块，它可以根据相机等视觉传感器获取的图像得到机器人的相对移动位置，实时测量机器人位姿并可以创建局部地图。得到位姿信息以后，在一些常用方式中可以结合回环检测等方式进行位姿优化，再通过算法或模型构建与机器人周围环境相关的地图。

这种基于视觉的位姿确定方法需要利用SIFT或ORB等特征提取算法从图像中提取特征点。其中，SIFT算法的全称是尺度不变特征转换(Scale-invariant featuretransform，SIFT)，该算法是一种用来侦测与描述影像中的局部性特征计算机视觉(Computer Vision，CV)的算法，它在尺度空间(由高斯图像做差得到的DoG近似的LoG金字塔)中寻找极值点，并提取出其位置、尺度、旋转不变量。在SIFT算法中，局部影像特征的描述与侦测可以帮助辨识物体，SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。ORB是Oriented Fast and Rotated Brief的简称，可以用来对图像中的关键点快速创建特征向量，这些特征向量可以用来识别图像中的对象。其中，Fast和Brief分别是特征检测算法和向量创建算法。ORB首先会从图像中查找特殊区域，称为关键点。关键点即图像中突出的小区域，比如角点，比如它们具有像素值急剧的从浅色变为深色的特征。然后ORB会为每个关键点计算相应的特征向量。ORB算法创建的特征向量只包含1和0，称为二元特征向量。1和0的顺序会根据特定关键点和其周围的像素区域而变化。该向量表示关键点周围的强度模式，因此多个特征向量可以用来识别更大的区域，甚至图像中的特定对象。ORB的特点是速度非常快，而且在一定程度上不受噪点和图像变换的影响，例如旋转和缩放变换等。

然而，无论是SIFT或ORB，还是其他特征点提取算法，这些算法应用在理论模型中位姿定位准确率很高，但在机器人实际运行过程中，当机器人遇到墙壁、地面等大面积的纯色区域时，却常常出现定位失误的情形，这使得机器人的应用环境大受限制。

申请人经过深入的分析研究发现导致上述问题的原因在于：相关技术中的位姿定位方法需要从图像中纹理密集处提取特征点，而机器人的实际工作环境中经常会出现墙壁、地面等大面积的纯色区域。这些纯色区域纹理稀疏，难以有效提取特征点，最终导致位姿定位的效率和准确度很不理想，相关技术中对机器人位姿定位过程出现的问题并未有很好的解决办法。

针对上述问题，根据本公开实施例的一个方面，如图1所示，提供一种机器人位姿信息的确定方法，包括：

步骤S202，获取机器人预设范围内的原始图像。

具体地，可以通过相机等视觉传感器获取机器人周围的原始图像。例如可以在机器人头部或其他部位设置相机，控制相机向指定方向进行拍摄，得到原始图像。

步骤S204，根据预设的图像检测算法对所述原始图像进行特征点识别，获取面积达到预设面积阈值或面积占比达到预设第一比值的纯色区域；其中，所述纯色区域中单位面积内所述特征点的数量少于预设的第一阈值。

预设的图像检测算法可以是ORB算法，也可以是SIFT算法等能够提取特征点或边缘点的图像处理算法。预设面积阈值可以是不小于500像素的任意值。所述面积占比可以是纯色区域面积与原始图像面积的比值。所述预设第一比值可以不小于1％。

具体地，可以利用图像检测算法对原始图像进行特征检测，识别图像中存在的特征点，并对特征点分布较为稀疏的区域进行统计。查找是否存在面积达到预设面积阈值或面积占比达到预设第一比值，并且单位面积的特征点少于预设第一阈值的区域。若存在，将该区域作为所述纯色区域。例如，可以以不小于预设面积阈值的矩形框在原始图像中随机框选，并分别计算每次框选区域内特征点数量，再根据单位面积特征点数量与第一阈值的关系确定纯色区域。在一些其他实施方式中，还可以通过开运算等方式去除特征点密集的区域后再选取特征点稀疏的区域作为所述纯色区域。

步骤S206，在所述原始图像中与所述纯色区域对应的区域添加预设的图形特征，得到中间图像。

其中，预设的图形特征可以是包含点和/或线条的图案。

具体地，可以通过图像软件或算法在原始图像中纯色区域对应的位置添加图形特征。例如，可以利用算法生成与纯色区域大小相适应的图形特征，再将图形特征添加到原始图像中的对应位置，得到中间图像。可选地，添加的图案可以小于或等于纯色区域。进而使得纯色区域中单位面积内特征点的数量超过预设的第一阈值；进一步地，在一些其他实现方式中，可以使得添加的特征点的数量超过预设的第一阈值若干倍，如两倍、三倍等，一方面增加了特征点提取的成功率，提高了位姿定位的准确度；另一方面，在保证定位精度的情况下，也可以避免特征点添加量过多。在一些其他实现方式中，也可以利用掩膜操作，将带有图形特征的图案与原始图像进行结合，得到纯色区域为图形特征的中间图像。

步骤S208，将所述中间图像输入至预设的位姿计算模型，经所述位姿计算模型输出得到所述机器人的位姿信息。

其中，预设的位姿计算模型可以是基于ORB算法的SLAM(SimultaneousLocalization and Mapping)模型。所述位姿计算模型可以提取输入图像中的特征点，并根据至少两张输入图像获取特征点的位置变化，结合预存的相机内外参等已知参数，确定并输出机器人的位姿信息。

具体地，可以将得到的中间图像输入至训练好的位姿计算模型，由模型对输入的中间图像进行特征提取，基于特征点计算出机器人的位姿后输出位姿信息。其中，所述位姿计算模型可以根据SLAM原理结合ORB算法训练得到。在一些其他实施方式中，所述位姿计算模型也可以使用SIFT算法。

本公开实施例提供的技术方案中，通过对机器人周围的原始图像进行特征点识别，可以识别出原始图像中面积占比较大的纯色区域，并可以根据纯色区域在原始图像中对应区域添加预设的图形特征以得到中间图像，再将中间图像输入位姿计算模型得到机器人的位姿信息。这样，通过识别纯色区域并添加图像特征的方式，可以使原始图像中的墙壁等纯色区域也具有一定数量的特征点，增加了特征点提取的成功率，提高了位姿定位的准确度，解决了机器人位姿定位适用性差的问题。

在一个实施例中，如图2所示，所述根据预设的图像检测算法对所述原始图像进行特征点识别，获取面积达到预设面积阈值或面积占比达到预设第一比值的纯色区域，包括：

步骤S2042，对所述原始图像进行边缘检测，得到具有特征点的纹理图像。

具体地，可以利用ORB算法等边缘检测算法对原始图像进行检测，获取原始图像的边缘特征点信息，得到具有特征点的纹理图像。

步骤S2044，通过预设的算法对所述纹理图像进行图像开运算，过滤特征点超出所述第一阈值的区域，得到第一待处理区域。

其中，开运算是一种图像处理方式，可以将灰度图像进行先腐蚀再膨胀的操作，去除图像噪声并保持图像的原有形状。所述第一阈值可以用于表示预设面积的区域内特征点的数量。

具体地，可以通过预设的图像算法对纹理图像进行开运算，将图像中特征点聚集的区域过滤掉，保留特征点稀疏的第一待处理区域。在一些其他实施方式中，还可以根据预设的第一阈值调整算法的参数，过滤纹理图像中在一定面积内特征点数量超过第一阈值的区域，得到第一待处理区域。

步骤S2046，计算所述第一待处理区域的面积与所述原始图像的面积之间的比值是否达到所述预设第一比值；若达到，将所述第一待处理区域作为纯色区域。

其中，预设第一比值可以根据位姿计算模型的参数设置，例如所述第一比值可以是1％。所述纯色区域可以用于表示图像中面积占比较高且特征点较少的区域。

具体地，可以计算步骤S2044中进行开运算后得到的第一待处理区域的面积，并计算该面积与原始图像总面积的比值，再将计算出的比值与预设第一比值进行比较，若大于或等于所述第一比值，可以将该第一待处理区域作为纯色区域。在一些其他实施方式中，也可以根据位姿计算模型设置一定的面积阈值，并将所述第一待处理区域的面积与所述面积阈值进行比较，若第一待处理区域的面积超过所述面积阈值，将该第一待处理区域作为纯色区域。

上述实施例中，通过边缘检测和开运算可以去除原始图像中特征点密集的小面积区域，得到图像中特征点稀疏且面积占比达到一定阈值的纯色区域，为后续解决难以有效提取图像特征点的问题提供了基础。

在一个实施例中，在通过预设的算法对所述纹理图像进行图像开运算之前，还包括：

对所述纹理图像进行反色处理。

具体地，可以将具有特征点信息的图像进行反色，使包含特征点的纹理特征变为深色，得到反色图像。其中，所述反色图像可以用于进行图像开运算，得到第一待处理区域。

上述实施例中，在进行开运算之前，可以先对纹理图像进行反色处理，使图像中的纹理特征为深色。这样，在进行开运算时可以更加有效地去除特征点密集的小面积区域，提高算法的处理效率。

在一个实施例中，如图3所示，所述在所述原始图像中与所述纯色区域对应的区域添加预设的图形特征，得到中间图像，包括：

步骤S2062，在所述原始图像中与所述纯色区域对应的区域添加预设的三角形图案和/或网格线。

具体地，在根据原始图像得到纯色区域之后，可以利用算法向纯色区域添加含有若干三角形的图案和/或网格线，使纯色区域具有三角形和/或网格特征。

步骤S2064，将所述预设的三角形图案和/或所述网格线覆盖到所述原始图像中与所述纯色区域对应的区域，得到中间图像。

具体地，可以将所述纯色区域中的三角形图案和/或网格线覆盖到原始图像中的对应区域，得到中间图像。

上述实施例中，采用三角形和/或网格线为原始图像中的纯色区域添加图形特征，可以为ORB等特征提取算法提供更多的有效特征点，而且从三角形和/或网格线中提取的特征点更易于位姿的计算，能够更快地得到机器人的位姿信息，符合机器人位姿定位的实时性要求。

在一个实施例中，所述预设面积阈值的取值范围为500～1000像素；

和/或；

所述预设第一比值的取值范围为1％～10％。

具体地，预设面积阈值可以是500像素～1000像素之间的任意值。预设第一比值可以是1％～10％之间的任意值。

上述实施例中，设置500像素和/或1％的比值作为选取纯色区域的限制条件，可以避免将足以提供特征点的小区域作为纯色区域，减轻了算法处理的负担。此外，还可以根据位姿计算任务的需求，将预设面积阈值提高至1000像素或将第一比值提高至10％，可以适用于存在大量墙壁等单一区域的场景，提高位姿测算效率。

为进一步体现本方案的有益效果，下面结合一个具体的实施过程进行说明：

图4是一个实施例中通过相机获取的机器人前方的原始图像，如图4所示，画面中的隔板有一大片颜色单一的区域，不利于机器人位姿定位过程的特征点提取。在获取原始图像后，可以利用边缘检测算法得到图像的边缘纹理特征，如图5所示，图中包含若干可以表示图像特征的边缘点，图中下半部分存在一片面积较大的纯色区域。对图5进行反色处理可以得到如图6所示的反色图像，在图6中，图像特征的边缘点为深色。得到反色图像后，可以利用预设的算法对图6进行开运算，去除边缘点较为密集的小面积区域，得到如图7所示的第一待处理区域。该第一待处理区域的面积超出预设的500像素的面积阈值，以该区域作为纯色区域向其中添加十字线网格作为特征。具体地，可以计算纯色区域的外接矩形，并用十字线将矩形区域划分成网格，将超出矩形区域的网格线进行清除，可以得到如图8所示的网格特征。最后，可以将图8中的网格线覆盖到原始图像中对应的区域，得到如图9所示具有网格特征的中间图像，将图9作为位姿计算模型的输入，可以得到模型输出的位姿信息。

上述实施例中，通过边缘检测、开运算以及特征添加等操作，可以在原始图像中颜色单一的大面积区域加入预设的网格线，使该区域内也具备足够的图形特征以便有效提取图像特征点，提高了位姿定位的效率。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

根据本公开实施例的另一方面，如图10所示，还提供一种机器人位姿信息的确定装置，包括：

图像获取模块302，用于获取机器人预设范围内的原始图像；

图像识别模块304，用于根据预设的图像检测算法对所述原始图像进行特征点识别，获取面积达到预设面积阈值或面积占比达到预设第一比值的纯色区域；其中，所述纯色区域中单位面积内所述特征点的数量少于预设的第一阈值；

特征添加模块306，用于在所述原始图像中与所述纯色区域对应的区域添加预设的图形特征，得到中间图像；

位姿计算模块308，用于将所述中间图像输入至预设的位姿计算模型，经所述位姿计算模型输出得到所述机器人的位姿信息。

在一个实施例中，所述图像识别模块304包括：

边缘检测单元，用于对所述原始图像进行边缘检测，得到具有特征点的纹理图像；

开运算单元，用于通过预设的算法对所述纹理图像进行图像开运算，过滤特征点超出所述第一阈值的区域，得到第一待处理区域；

面积比较单元，用于计算所述第一待处理区域的面积与所述原始图像的面积的比值是否达到所述预设第一比值；若达到，将所述第一待处理区域作为纯色区域。

在一个实施例中，所述图像识别模块304还包括：

反色单元，用于对所述纹理图像进行反色处理。

在一个实施例中，所述特征添加模块306包括：

特征生成单元，用于在所述原始图像中与所述纯色区域对应的区域添加预设的三角形图案和/或网格线；

特征添加单元，用于将所述预设的三角形图案和/或所述网格线覆盖到所述原始图像中与所述纯色区域对应的区域，得到中间图像。

关于上述确定装置的具体限定可以参见上文中对于上述确定方法的限定，在此不再赘述。根据上述确定方法，所述确定装置可以增加第一模块、第二模块等实现相应的方法实施例中的步骤。上述确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

根据本公开实施例的另一方面，提供一种运维管理系统，所述运维管理系统至少包括中控系统和巡检机器人；所述巡检机器人设有存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时可以实现上述各方法实施例中的步骤。

其中，中控系统可以应用于服务器端，所述中控系统可以与所述巡检机器人进行通讯。

具体地，可以根据运维管理需求开发相应的中控系统，所述中控系统可以根据运维任务控制所述巡检机器人在指定区域内移动并进行相应的运维操作。所述运维操作可以是维持设备或系统的正常运行，也可以是对设备或系统进行检查或维护等。例如，一项运维任务是检查特定加工设备的通电指示灯是否正常亮起，中控系统可以根据加工设备的位置规划巡检路线，控制巡检机器人按照所述巡检路线移动至加工设备附近，并对所述加工设备的通电指示灯进行拍摄后上传至中控系统，由中控系统对通电指示灯状况进行确定。其中，所述巡检机器人可以通过处理器执行上述方法实施例中的步骤实现位姿定位，并根据定位信息与所述巡检路线进行移动。

可选地，所述中控系统也可以用于计算机、智能手机等具有处理功能的电子设备终端。

上述实施例中，在中控系统的控制下，巡检机器人可以根据中控系统下发的指令和巡检路线进行移动，利用位姿信息确定方法及时移动至指定位置，并完成相应的运维任务。这样，通过更精确的位姿信息确认机器人自身位置，可以及时根据移动路线进行调整，不仅可以避免移动过程中发生路线错误，还可以更快地到达目标位置执行运维任务，提高了运维系统的工作效率。

根据本公开实施例的另一方面，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现上述确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

根据本公开实施例的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。