具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

如图1所示，该实施例提供一种基于语义的扫地机器人自适应清扫方法。其中，该实施例以家居内的客厅和餐厅作为待清扫场景区域进行说明。具体地，该基于语义的扫地机器人自适应清扫方法包括如下步骤：

步骤1，获取待清扫场景区域的全局地图；其中，此处的全局地图为栅格化地图；该全局地图可以采用激光雷达或者深度/双目相机等感知器件来获取；也就是说，在步骤1中可以获取得到针对客厅和餐厅的栅格化的全局地图；

步骤2，识别得到位于全局地图内的不同物体种类；此处通过针对所获取客厅和餐厅的全局地图的识别处理，可以识别出全局地图中的餐桌、椅子和地毯；

步骤3，利用不同的语义分别对全局地图内的各物体种类进行标识处理，得到经语义化标识处理后的语义化全局地图；

针对在全局地图中识别出来的餐桌、椅子和地毯，分别采用不同的语义进行标识。例如，定义语义1为桌椅类物体，定义语义2为地面附着物，那么就分别利用语义1标识全局地图中所识别出来的餐桌和椅子，利用语义2标识全局地图中所识别出来的地毯；

步骤4，针对不同的语义赋予对应的数值，将各语义所对应的数值分别填入到所述语义化全局地图内且与物体种类相对应的栅格中，得到经数值填入处理后的数值化全局地图；

例如，该实施例在定义语义1后，还令语义1所对应的赋值数值为1，语义2所对应的赋值数值为2，然后把数值“1”填入到全局地图内的餐桌所占用的栅格中，同时全局地图中的椅子所占用的栅格也用数值“1”进行填入处理；另外，数值“2”则填入到全局地图内的地毯所占用的栅格中；

步骤5，将步骤4中的数值化全局地图内具有相同语义的区域分别做分类聚合处理，得到经分类聚合处理后的聚合化全局地图；其中，聚合化全局地图内具有相同语义的区域为同类型区域；

具体到该实施例可以知道，数值化全局地图内的数值均为“1”的餐桌区域和椅子区域具有相同的语义1，数值化全局地图内的数值为“2”的地毯区域则具有语义2，那么，数值为“1”的区域就属于同一个聚类中，数值为“2”的区域则属于单独的一个聚类中，这样就得到了该实施例中的聚合化全局地图；

步骤6，将聚合化全局地图内的各同类型区域内的栅格按照栅格轮廓进行区块划分，形成具有不同语义清扫区域的全局地图，并将该具有不同语义清扫区域的全局地图作为目标全局地图；

也就是说，通过执行步骤5，得到数值均为“1”的第一个聚类后，就沿着形成餐桌区域栅格和形成椅子区域栅格的轮廓做划分，从而形成一个包括了具有语义1的餐桌区域栅格和具有语义1的椅子区域栅格的一个待清扫区域A；沿着数值为“2”的地毯区域栅格的轮廓，则形成另外一个待清扫的区域B；

步骤7，扫地机器人针对目标全局地图内的各不同语义清扫区域分别执行对应的清扫工作模式。在经过步骤6得到了两个不同的待清扫区域A和B后，该实施例的扫地机器人就分别利用预先设置的清扫工作模式对待清扫区域A和待清扫区域B进行清扫处理。

当然，此处步骤7中的扫地机器人针对目标全局地图内的不同语义清扫区域执行不同的清扫工作模式。比如说，在该实施例中：

扫地机器人根据其基于语义的处理方式得到待清扫区域A是餐厅时，则该扫地机器人就启用吸拖一体的清扫工作模式，并且执行的最优清扫路径是采用Y字型往复方式；

扫地机器人根据其基于语义的处理方式得到待清扫区域B是客厅的地毯时，则该扫地机器人就只启用强吸力模式，并且执行的最优清扫路径是采用迂回弓字型方式。

在步骤7中，也可根据清扫需要，针对目标全局地图内的各不同语义清扫区域分别规划出最优清扫路径，扫地机器人按照各最优清扫路径分别清扫对应的语义清扫区域。

需要说明的是，为了对得到的数值化全局地图准确地进行分类聚合处理，以得到针对待清扫场景区域的聚合化全局地图，该实施例按照如下步骤a1～a4的方式处理得到聚合化全局地图：

步骤a1，获取语义化全局地图内的语义大类总数量；其中，获取的语义大类总数量标记为M，第m个语义大类标记为Semantic_m，1≤m≤M；

具体到该实施例，待清扫场景区域所具有的语义大类分别是语义1和语义2，即第一个语义大类是语义1，第二个语义大类是语义2，那么此处所获取的语义大类总数量M为2；

步骤a2，分别获取各语义在语义化全局地图内标识的物体数量；其中，语义大类Semantic_m在所语义化全局地图内标识的物体数量标记为

由于语义1所标识的物体种类是餐桌和椅子，语义2所标识的物体种类是地毯，那么语义1在在语义化全局地图内标识的物体数量为2，语义2在在语义化全局地图内标识的物体数量为1；

步骤a3，针对任一语义大类，随机选取第一预设数目的聚类重心坐标；其中，针对任一语义大类Semantic_m，所述的第一预设数目为为了进行分类聚类，此处先以语义1为例如，随机选取两个聚类重心坐标，此时随机选取的这两个聚类重心分别标记为和

步骤a4，计算标识有所述任一语义大类的所有栅格坐标分别与各聚类重心坐标之间的距离；

假设在该实施例的待清扫场景区域中，餐桌在全局地图中占用的栅格总数量为I，餐桌所占用第i个栅格坐标标记为1≤i≤I；

假设椅子在上述全局地图中占用的栅格总数量为J，椅子所占用第j个栅格坐标标记为1≤j≤J；

针对标识语义1的餐桌所处的各栅格坐标以及椅子所处的各栅格，分别计算餐桌各栅格坐标与上述两个聚类重心(聚类重心G₁和G₂)坐标之间的距离以及计算椅子各栅格坐标与上述两个聚类重心(聚类重心G₁和G₂)坐标之间的距离；

假设餐桌栅格坐标与聚类重心G₁坐标之间的距离标记为餐桌栅格坐标与聚类重心G₂坐标之间的距离标记为

假设椅子栅格坐标与聚类重心G₁坐标之间的距离标记为餐桌栅格坐标与聚类重心G₂坐标之间的距离标记为

步骤a5，将各栅格坐标分别划分到与其距离最近的聚类重心所形成的聚类中，得到第一预设数目的聚类组合；

例如，假设栅格坐标与具距离最近的聚类重心是G₁，栅格坐标与具距离最近的聚类重心是G₂，栅格坐标与具距离最近的聚类重心是G₁，栅格坐标与具距离最近的聚类重心是G₂，那么就将栅格坐标和栅格坐标划分到聚类重心G₁所形成的聚类中，将栅格坐标和栅格坐标划分到聚类重心G₂所形成的聚类中；至于针对餐桌和椅子的其他栅格坐标，以此类推，此处不再赘述；

步骤a6，计算位于所有聚类组合内所有坐标的平均值，将所得平均值作为该任一语义大类所对应聚类组合的重心；

具体地，在该实施例中，计算位于聚类重心G₁所形成聚类组合以及位于聚类重心G₂所形成聚类组合中的所有坐标的平均值，然后把得到的这个平均值作为针对语义1所对应聚类组合的重心

步骤a7，针对上述的任一语义大类，再次随机选取上述的第一预设数目的聚类重心坐标，并执行步骤a4～步骤a6，再次得到该任一语义大类所对应聚类组合的重心；

在执行完毕步骤a6后，再次随机选取两个聚类重心坐标和且再按照步骤a4～a6的方式，再次得到一个针对语义1所对应聚类组合的重心

步骤a8，当步骤a6所得重心与步骤a7所得重心之间的距离小于预设误差时，转入步骤a9；否则，转入步骤a7，直到步骤a6所得重心与再次得到的重心之间的距离小于预设误差时，转入步骤a9；

具体地，如果重心与重心之间的距离小于预设误差时，此时指的是聚类后得到的重心坐标可以较好地作为当前聚类的重心，初步聚类工作结束，就转入步骤a9；否则，再次转入步骤a7，直到步骤a6所得重心与再次得到的重心之间的距离小于预设误差时，转入步骤a9；

步骤a9，计算两个聚类重心坐标相互之间的距离：

当任意两个聚类重心坐标之间距离小于预设的聚类距离参数值时，将该任意两个聚类重心坐标所在的聚类组合作为同一个聚类组合，合并该同一个聚类组合内的所有坐标数据，以合并后的所有坐标数据的平均值作为该同一个聚类组合的重心坐标，且得到更新后的聚类重心坐标组合，转入步骤10；否则，转入步骤a9；其中，当任意两个聚类重心坐标之间距离小于预设的聚类距离参数值时，此时比较两个聚类距离较近，可以将这两类合并成一类处理，从而减少聚类的总数；

步骤a10，再次计算经更新后的所有聚类重心坐标相互之间的距离：

当任意两个聚类重心坐标之间距离大于预设的聚类距离参数值时，转入步骤a11；否则，将该任意两个聚类重心坐标所在的聚类组合作为同一个聚类组合，并合并该同一个聚类组合内的所有坐标数据，以合并后的所有坐标数据的平均值作为该同一个聚类组合的重心坐标，且得到更新后的聚类重心坐标组合，转入步骤a9；

步骤a11，停止分类聚合处理。

当然，该实施例中的待清扫场景区域也可以是客厅、卧室、厨房、餐厅和卫生间的至少一个。