具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

为了解决现有技术的激光扫地机的位姿重定位方法重复直走-旋转-位姿重定位的操作，延长了重定位的时间，旋转过程中的噪声将带来角度不准的问题影响了重定位的准确性，降低了用户体验的技术问题，本申请提出了一种激光扫地机的位姿重定位方法，所述方法应用于激光定位技术领域，所述方法还可以应用于采用激光进行定位的设备。比如，激光扫地机、激光定位的驾驶汽车、激光定位的机器人。所述激光扫地机的位姿重定位方法通过在不走动和不旋转的情况下进行激光扫描，根据历史灰度地图提取线特征和角点信息存储到第一结构体中，根据激光扫描转换得到的点云数据提取线特征和角点信息存储到第二结构体中，将第一结构体和第二结构体进行对比确定激光扫地机的位姿的旋转角度，然后采用似然域概率模型和ICP算法根据激光扫地机的位姿的旋转角度、历史灰度地图、点云数据进行位姿重定位确定，从而实现了采用在不需要激光扫地机走动和/或旋转的情况下扫描一圈周围环境得到的待定位的点云数据即可确定位姿重定位结果，缩短了重定位的时间，避免激光扫地机旋转产生的噪声带来的角度不准问题，提高了位姿重定位结果的准确性，提高了用户体验。

参照图1，本申请实施例中提供一种激光扫地机的位姿重定位方法，所述方法包括：

S1：获取位姿重定位请求；

S2：基于所述位姿重定位请求，获取历史灰度地图，根据所述历史灰度地图进行线特征和角点信息的提取，得到第一线特征数据和第一角点信息数据，将所述第一线特征数据和所述第一角点信息数据存储到第一结构体中；

S3：获取待定位的点云数据和预设角度阈值，采用所述预设角度阈值，对所述待定位的点云数据进行所述线特征和所述角点信息的提取，得到第二线特征数据和第二角点信息数据，将所述第二线特征数据和所述第二角点信息数据存储到第二结构体中；

S4：将所述第一结构体和所述第二结构体进行对比，确定待处理的位姿旋转角度；

S5：采用似然域概率模型，根据所述历史灰度地图和所述待处理的位姿旋转角度进行每个候选位姿点的概率值计算，得到候选位姿点概率值集合；

S6：基于ICP算法和预设损失函数计算误差值的方式，采用预设占用概率平均值和预设概率值，根据所述候选位姿点概率值集合、所述历史灰度地图和所述待定位的点云数据进行位姿重定位确定，得到位姿重定位结果。

本实施例通过基于所述位姿重定位请求，获取历史灰度地图，根据所述历史灰度地图进行线特征和角点信息的提取，得到第一线特征数据和第一角点信息数据，将所述第一线特征数据和所述第一角点信息数据存储到第一结构体中，获取待定位的点云数据和预设角度阈值，采用所述预设角度阈值，对所述待定位的点云数据进行所述线特征和所述角点信息的提取，得到第二线特征数据和第二角点信息数据，将所述第二线特征数据和所述第二角点信息数据存储到第二结构体中，将所述第一结构体和所述第二结构体进行对比，确定待处理的位姿旋转角度，采用似然域概率模型，根据所述历史灰度地图和所述待处理的位姿旋转角度进行每个候选位姿点的概率值计算，得到候选位姿点概率值集合，基于ICP算法和预设损失函数计算误差值的方式，采用预设占用概率平均值和预设概率值，根据所述候选位姿点概率值集合、所述历史灰度地图和所述待定位的点云数据进行位姿重定位确定，得到位姿重定位结果，从而实现了采用在不需要激光扫地机走动和/或旋转的情况下扫描一圈周围环境得到的待定位的点云数据即可确定位姿重定位结果，缩短了重定位的时间，避免激光扫地机旋转产生的噪声带来的角度不准问题，提高了位姿重定位结果的准确性，提高了用户体验。

对于S1，位姿重定位请求可以是用户发送的，还可以是实现本申请的程序文件触发的。实现本申请的程序文件在收到开机信号、开机离地后放回地面信号、轮子打滑信号中的任一种时将触发所述位姿重定位请求。

位姿重定位请求，是需要对激光扫地机的当前位姿(二维空间的位姿)在历史灰度地图中进行重新定位的请求。

对于S2，可以从数据库或本地缓存中获取历史灰度地图；从历史灰度地图中的轮廓中提取直线，将提取的每条直线的开始坐标和结束坐标进行向量表示，将每个向量作为一个线特征(也就是第一线特征)，将所有第一线特征作为第一线特征数据；对第一线特征数据中所有的第一线特征进行相邻的两个第一线特征的角点信息计算，将计算得到的每个角点信息作为一个第一角点信息，将所有第一角点信息作为第一角点信息数据。

将提取的每条直线的开始坐标和结束坐标进行向量表示，比如，线段X1开始坐标为(0,0)和结束坐标为(1,1)，则线段X1进行向量表示为[0 0 1 1]，线段X2开始坐标为(2,2)和结束坐标为(0,0)，则线段X2进行向量表示为[-2 -2 0 0]，在此举例不做具体限定。

第一结构体，也就是结构体。结构体，是指C++结构体。C++结构体，是由程序员定义的数据类型，用于容纳许多不同的数据值。

角点信息，也就是角点的信息。角点，是两条线的交叉处。

进行相邻的两个第一线特征的角点信息计算，也就是将相邻的两个第一线特征进行向量内积计算(也就是内积运算)。

对于S3，可以从数据库中获取预设角度阈值，还可以是第三方应用系统发送的预设角度阈值，还可以将预设角度阈值写入实现本申请的程序文件中。

控制激光扫地机的激光传感器对周围环境激光扫描一圈，将激光扫描得到的激光数据作为待处理的激光数据；激光扫地机在激光扫描过程中扫描到的点以距离和角度的方式采集，也就是说，待处理的激光数据中包括的是每个点的距离和角度。

待定位的点云数据表述为(x，y)，也就是说待定位的点云数据是二维数据。

待定位的点云数据表述为(x，y)中的x和y的计算公式为：

x＝range*cos(θ)

y＝range*sin(θ)

其中，range是待处理的激光数据的点的距离，θ是待处理的激光数据的点的角度。

可选的，采用2d-Lidar(二维激光)点云多直线拟合算法，根据待定位的点云数据进行直线提取，将提取的每条直线的开始坐标和结束坐标进行向量表示，将每个向量作为一个线特征(也就是第二线特征)，将所有第二线特征作为第二线特征数据；对第二线特征数据中所有的第二线特征进行相邻的两个第二线特征的角点信息计算，从计算得到的所有角点信息中找出所有大于预设角度阈值的值，将找出的每个值作为一个第二角点信息，将所有第二角点信息作为第二角点信息数据。采用2d-Lidar点云多直线拟合算法根据待定位的点云数据进行直线提取的具体实现方法可以从现有技术中选择，在此不做赘述。

可选的，采用基于种子区域生长的激光线段特征提取方法，根据待定位的点云数据进行直线提取，将提取的每条直线的开始坐标和结束坐标进行向量表示，将每个向量作为一个线特征(也就是第二线特征)，将所有第二线特征作为第二线特征数据。采用基于种子区域生长的激光线段特征提取方法，根据待定位的点云数据进行直线提取的具体实现方法可以从现有技术中选择，在此不做赘述。

第二结构体，也就是结构体。

可以理解的是，步骤S2和步骤S3可以同步执行，也可以异步执行。

对于S4，将所述第一结构体中的第一角点信息和所述第二结构体中的第二角点信息进行对比，将匹配成功的角点信息在所述第一结构体中的第一线特征和在所述第二结构体中的第二线特征进行对应，根据对应成功的角点信息和对应成功的角点信息在所述第一结构体中的第一线特征进行坐标变换，根据坐标变换结果确定激光扫地机的位姿的旋转角度，将激光扫地机的位姿的旋转角度作为待处理的位姿旋转角度。

对于S5，根据所述历史灰度地图进行栅格地图生成，得到历史栅格地图；采用撒点的方式，在历史栅格地图中进行撒点，将撒点的每个点作为一个候选位姿点，其中，候选位姿点的旋转角度与待处理的位姿旋转角度相同；采用所述似然域概率模型，分别对每个候选位姿点进行概率值计算，将计算得到的每个概率值作为一个候选位姿点概率值，将所有的候选位姿点概率值作为所述候选位姿点概率值集合。

其中，采用所述似然域概率模型，分别对每个候选位姿点进行概率值计算的具体方法可以从现有技术中选择，在此不做赘述。

候选位姿点，是二维空间的位姿。

对于S6，从所述候选位姿点概率值集合中找出所有大于所述预设概率值的候选位姿点概率值，将找出的所有候选位姿点概率值作为待处理的候选位姿点概率值集合；基于ICP算法和预设损失函数计算误差值的方式，对待处理的候选位姿点概率值集合中所有候选位姿点概率值各自对应的候选位姿点进行矫正，得到所述待处理的候选位姿点概率值集合中各个所述候选位姿点概率值各自对应的所述候选位姿点对应的矫正后的位姿点；计算矫正后的位姿点在所述历史栅格地图上映射的栅格的占用概率平均值计算，根据计算得到的占用概率平均值和所述预设占用概率平均值确定所述位姿重定位结果。

位姿重定位结果包括：重定位失败成功时的位姿、重定位失败。重定位失败成功时的位姿，是指历史栅格地图中的位姿，是二维空间的位姿。

基于ICP算法和预设损失函数计算误差值的方式，对待处理的候选位姿点概率值集合中所有候选位姿点概率值各自对应的候选位姿点进行矫正的方法可以从现有技术中选择，在此不做赘述。

ICP算法，也就是Iterative Closest Point，又称最近点迭代算法，是用于进行数据配准的算法。

在一个实施例中，上述根据所述历史灰度地图进行线特征和角点信息的提取，得到第一线特征数据和第一角点信息数据，将所述第一线特征数据和所述第一角点信息数据存储到第一结构体中的步骤，包括：

S21：对所述历史灰度地图进行图像腐蚀、图像膨胀、边缘检测和二值化处理，得到预处理后的历史灰度地图；

S22：采用霍夫变换，根据所述预处理后的历史灰度地图进行直线提取，得到所述第一线特征数据；

S23：对所述第一线特征数据中的所有第一线特征进行相邻的两个所述第一线特征之间的角点信息计算，得到所述第一角点信息数据；

S24：采用顺时针方向，将所述第一线特征数据和所述第一角点信息数据存储到所述第一结构体中。

本实施例通过对所述历史灰度地图进行图像腐蚀、图像膨胀、边缘检测和二值化处理，有利于凸显轮廓，从而有利于提高提取的第一线特征的准确性，也有利于提高位姿重定位的准确性。

对于S21，图像腐蚀，用于将图像中的高亮区域或白色部分进行缩减细化,其运行结果图比原图的高亮区域更小。

图像膨胀，在图像的边缘添加像素值，使得整体的像素值扩张，进而达到图像的膨胀效果。

边缘检测，标识数字图像中亮度变化明显的点，从而大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。

二值化处理，是将图像中的每个像素点取值二值化，从而有利于提高提取直线的准确性。

对所述历史灰度地图依次进行图像腐蚀、图像膨胀、边缘检测和二值化处理，将二值化后的地图作为预处理后的历史灰度地图。也就是说，预处理后的历史灰度地图中每个像素点取值是二值化的。比如，二值化的可以选择取值包括0和1，也就是说，预处理后的历史灰度地图中的像素点的像素值可以是0，也可以是1，在此举例不做具体限定。

可选的，采用opencv(基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库)库对所述历史灰度地图依次进行图像腐蚀、图像膨胀、边缘检测。

二值化处理的方法可以从现有技术中选择，在此不做赘述。

对于S22，采用霍夫变换对所述预处理后的历史灰度地图进行间断点边界形状检测，将检测得到的直线的开始坐标和结束坐标作为第一线特征。

对于S23，分别对所述第一线特征数据中的每个第一线特征找出相邻的第一线特征，得到多个相邻的第一线特征对；分别对每个所述相邻的第一线特征对进行向量内积计算，得到所述多个相邻的第一线特征对各自对应的第一角点信息。

所述对所述第一线特征数据中的每个第一线特征找出相邻的第一线特征的步骤，包括：从所述第一线特征数据中提取一个第一线特征作为目标第一线特征；分别计算目标第一线特征的结束坐标与所述第一线特征数据中每一个第一线特征的开始坐标之间的欧氏距离，得到目标第一线特征对应的欧氏距离集合；从目标第一线特征对应的欧氏距离集合中找出所有大于预设距离的值，将找出的值对应的第一线特征作为目标第一线特征对应的相邻的第一线特征。

对于S24，采用顺时针方向，也就是从预处理后的历史灰度地图的左上角的第一线特征开始往预处理后的历史灰度地图的右下角的第一线特征，将所述第一线特征数据和所述第一角点信息数据存储到所述第一结构体中。

可以理解的是，所述第一结构体中存储的信息包括：相邻的第一线特征对中靠近左上角的第一线特征、第一角点信息、相邻的第一线特征对中靠近预处理后的历史灰度地图的右下角的第一线特征对应的直线的直线标识。

直线标识可以是直线名称、直线ID等唯一标识一条直线的标识。

在一个实施例中，上述采用所述预设角度阈值，对所述待定位的点云数据进行所述线特征和所述角点信息的提取，得到第二线特征数据和第二角点信息数据，将所述第二线特征数据和所述第二角点信息数据存储到第二结构体中的步骤，包括：

S31：将所述待定位的点云数据进行灰度地图转换，得到当前灰度地图；

S32：对所述当前灰度地图进行图像腐蚀、图像膨胀、边缘检测和二值化处理，得到预处理后的当前灰度地图；

S33：采用霍夫变换，根据所述预处理后的当前灰度地图进行直线提取，得到所述第二线特征数据；

S34：基于所述预设角度阈值，对所述第二线特征数据中的所有第二线特征进行相邻的两个所述第二线特征之间的角点信息计算，得到所述第二角点信息数据；

S35：采用顺时针方向，将所述第二线特征数据和所述第二角点信息数据存储到所述第二结构体中。

本实施例通过将所述待定位的点云数据进行灰度地图转换，得到当前灰度地图，然后对当前灰度地图进行图像腐蚀、图像膨胀、边缘检测和二值化处理，有利于凸显轮廓，从而有利于提高提取的第二线特征的准确性，也有利于提高位姿重定位的准确性。

对于S31，将所述待定位的点云数据进行灰度地图转换，就是将有点云的地方转换为黑色，没有点云的地方转换为白色。将所述待定位的点云数据进行灰度地图转换的方法可以从现有技术中选择，在此不做赘述。

对于S32，对所述当前灰度地图依次进行图像腐蚀、图像膨胀、边缘检测和二值化处理，将二值化后的地图作为预处理后的当前灰度地图。

对于S33，采用霍夫变换对所述预处理后的当前灰度地图进行间断点边界形状检测，将检测得到的直线的开始坐标和结束坐标作为第二线特征。

对于S34，分别对所述第二线特征数据中的每个第二线特征找出相邻的第二线特征，得到多个相邻的第二线特征对；分别对每个所述相邻的第二线特征对进行向量内积计算，得到所述多个相邻的第二线特征对各自对应的待分析的角点信息；从所述多个相邻的第二线特征对各自对应的待分析的角点信息中找出所有小于或等于所述预设角度阈值的值，将找出的每个值作为一个第二角点信息。也就是说，相邻的第二线特征对可以有合格的第二角点信息，也可以没有合格的第二角点信息。

对于S35，采用顺时针方向，也就是从预处理后的当前灰度地图的左上角的第二线特征开始往预处理后的当前灰度地图的右下角的第二线特征，将所述第二线特征数据和所述第二角点信息数据存储到所述第二结构体中。

可以理解的是，所述第二结构体中存储的信息包括：相邻的第二线特征对中靠近左上角的第二线特征、第二角点信息、相邻的第二线特征对中靠近预处理后的当前灰度地图的右下角的第二线特征对应的直线的直线标识。

在一个实施例中，上述将所述第一结构体和所述第二结构体进行对比，确定待处理的位姿旋转角度的步骤，包括：

S41：将所述第一结构体中的所述第一角点信息数据与所述第二结构体中的所述第二角点信息数据进行角点信息匹配，得到待处理的角点信息集合；

S42：判断所述待处理的角点信息集合中每个角点信息在所述第一结构体中对应的第一线特征和在所述第二结构体中对应的第二线特征是否对应；

S43：当存在所述待处理的角点信息集合中的所述角点信息在所述第一结构体中对应的第一线特征和在所述第二结构体中对应的第二线特征是对应时，将在所述第一结构体中对应的第一线特征和在所述第二结构体中对应的第二线特征是对应的所述待处理的角点信息集合中的所述角点信息，作为目标角点信息；

S44：根据所述目标角点信息和所述目标角点信息在所述第一结构体中的所述第一线特征进行坐标变换，得到所述待处理的位姿旋转角度。

本实施例实现了根据所述第一结构体和所述第二结构体进行对比确定待处理的位姿旋转角度，为后续进行撒点提供了数据基础。

对于S41，分别将所述第一结构体中的所述第一角点信息数据中的每个第一角点信息在所述第二结构体中的所述第二角点信息数据中进行查找，当查找成功时，将查找到的第二角点信息作为待处理的角点信息，将所有待处理的角点信息作为待处理的角点信息集合。

可选的，将待处理的角点信息集合存储在容器中，从而有利于后续对待处理的角点信息集合的查找和提取。

对于S42，从所述待处理的角点信息集合中提取一个角点信息作为待处理的角点信息；当待处理的角点信息在所述第一结构体中对应的第一线特征的开始坐标和待处理的角点信息在所述第二结构体中对应的第二线特征的开始坐标相同，并且，待处理的角点信息在所述第一结构体中对应的第一线特征的结束坐标和待处理的角点信息在所述第二结构体中对应的第二线特征的结束坐标相同时，确定待处理的角点信息在所述第一结构体中对应的第一线特征和待处理的角点信息在所述第二结构体中对应的第二线特征为对应，否则，确定待处理的角点信息在所述第一结构体中对应的第一线特征和待处理的角点信息在所述第二结构体中对应的第二线特征为不对应；重复执行所述从所述待处理的角点信息集合中提取一个角点信息作为待处理的角点信息的步骤，直至完成对所述待处理的角点信息集合中所有角点信息的提取。

对于S43，从所述待处理的角点信息集合中提取一个角点信息作为待处理的角点信息；当待处理的角点信息在所述第一结构体中对应的第一线特征和待处理的角点信息在所述第二结构体中对应的第二线特征为对应时，将待处理的角点信息作为目标角点信息。

对于S44，根据所述目标角点信息和所述目标角点信息在所述第一结构体中的所述第一线特征进行激光扫地机的位姿坐标转换，将转换得到的位姿中的旋转角度作为所述待处理的位姿旋转角度。

根据所述目标角点信息和所述目标角点信息在所述第一结构体中的所述第一线特征进行激光扫地机的位姿坐标转换的方法，可以从现有技术中选择，在此不做赘述。

在一个实施例中，上述采用似然域概率模型，根据所述历史灰度地图和所述待处理的位姿旋转角度进行每个候选位姿点的概率值计算，得到候选位姿点概率值集合的步骤，包括：

S51：根据所述历史灰度地图进行栅格地图生成，得到历史栅格地图；

S52：采用均匀撒点方式、预设撒点间隔和所述待处理的位姿旋转角度，根据所述历史栅格地图进行位姿点计算，得到多个所述候选位姿点；

S53：采用所述似然域概率模型，针对多个所述候选位姿点中的每个所述候选位姿点，分别根据所述历史栅格地图进行每个所述候选位姿点的概率值计算，得到所述候选位姿点概率值集合。

本实施例实现了先在地图上进行撒点确定候选位姿点，通过候选位姿点有利于减少位姿重定位的计算量，缩短了位姿重定位的时间，提高了用户体验。

对于S51，根据所述历史灰度地图进行栅格地图生成的方法可以从现有技术中选择，在此不做赘述。

栅格地图，也称光栅图像，是指在空间和亮度上都已经离散化了的图像。我们可以把一幅栅格图像考虑为一个矩阵，矩阵中的任一元素对应于图像中的一个点，而相应的值对应于该点的灰度级，数字矩阵中的元素叫做像素。

对于S52，均匀撒点方式是指相邻撒点之间的距离相同。

预设撒点间隔，是个具体数值。

可选的，将所述预设撒点间隔设置为1，也就是每隔1个栅格进行撒点。

撒点，是激光扫地机在历史栅格地图中的假设位置。每个撒点对应一个位姿点。

将撒点在历史栅格地图中的位置数据作为候选位姿点的x位置和y位置，将所述待处理的位姿旋转角度作为候选位姿点的旋转角度。

可以理解的是，确定激光扫地机的所述待处理的位姿旋转角度之后，可以根据已经确定的信息初步确定激光扫地机所在的大致范围，后续可以在初步确定激光扫地机所在的大致范围进行撒点；撒点时采用高斯模型的方式，在初步确定激光扫地机所在的大致范围进行多撒点，初步确定激光扫地机所在的大致范围以外的区域进行少撒点。将撒点得到的每个点的位姿作为一个所述候选位姿点。

对于S53，采用所述似然域概率模型，分别对多个所述候选位姿点中的每个候选位姿点，根据所述历史栅格地图进行概率值计算，将计算得到的每个概率值作为一个候选位姿点概率值，将所有的候选位姿点概率值作为所述候选位姿点概率值集合。似然域概率模型的计算类似查表的过程，因此具有较快的速度。

在一个实施例中，上述基于ICP算法和预设损失函数计算误差值的方式，采用预设占用概率平均值和预设概率值，根据所述候选位姿点概率值集合、所述历史灰度地图和所述待定位的点云数据进行位姿重定位确定，得到位姿重定位结果的步骤，包括：

S61：对所述候选位姿点概率值集合进行归一化处理，得到归一化处理后的概率集合；

S62：从所述归一化处理后的概率集合中找出所有大于所述预设概率值的候选位姿点概率值，得到待处理的候选位姿点概率值集合；

S63：基于所述ICP算法采用预设损失函数计算误差值的方式和随机一致性采样算法，根据所述待定位的点云数据，分别对所述待处理的候选位姿点概率值集合中每个所述候选位姿点概率值对应的所述候选位姿点进行矫正，得到所述待处理的候选位姿点概率值集合中各个所述候选位姿点概率值各自对应的矫正后的位姿点；

S64：采用所述预设占用概率平均值，根据所有所述矫正后的位姿点、所述历史灰度地图和所述待定位的点云数据进行位姿重定位确定，得到所述位姿重定位结果。

本实施例实现了基于ICP算法和预设占用概率平均值和预设概率值确定了位姿重定位结果，从而实现了采用在不需要激光扫地机走动和/或旋转的情况下扫描一圈周围环境得到的待定位的点云数据即可确定位姿重定位结果。

对于S61，对所述候选位姿点概率值集合进行归一化处理，以使所述候选位姿点概率值集合中每个值被归一化为大于0并小于1的小数。归一化处理的方法在此不做赘述。

对于S62，从所述归一化处理后的概率集合中的所有候选位姿点概率值找出所有大于所述预设概率值的候选位姿点概率值，将找出的所有候选位姿点概率值作为待处理的候选位姿点概率值集合。

对于S63，分别基于所述待处理的候选位姿点概率值集合中每个所述候选位姿点概率值对应的所述候选位姿点，将所述待定位的点云数据映射到所述历史栅格地图上，得到所述待处理的候选位姿点概率值集合中各个所述候选位姿点概率值各自对应的所述候选位姿点各自对应的待计算区域；从所述待处理的候选位姿点概率值集合中各个所述候选位姿点概率值各自对应的所述候选位姿点中提取一个候选位姿点作为待矫正的候选位姿点；基于所述ICP算法采用预设损失函数计算误差值的方式和随机一致性采样算法(也称为RANSAC算法)，根据所述待矫正的候选位姿点对应的所述待计算区域，对所述待矫正的候选位姿点进行矫正，得到所述待矫正的候选位姿点对应的所述矫正后的位姿点；重复执行所述从所述待处理的候选位姿点概率值集合中各个所述候选位姿点概率值各自对应的所述候选位姿点中提取一个候选位姿点作为待矫正的候选位姿点的步骤，直至确定所述待处理的候选位姿点概率值集合中各个所述候选位姿点概率值各自对应的候选位姿点对应的矫正后的位姿点。通过所述ICP算法采用预设损失函数计算误差值的方式和随机一致性采样算法结合进行对所述待矫正的候选位姿点进行矫正，避免了ICP算法陷入最小值计算错误的问题，提高了对所述待矫正的候选位姿点进行矫正的准确性。

对于S64，分别基于每个所述矫正后的位姿点将所述待定位的点云数据映射到所述历史灰度地图转换的栅格地图上，计算映射区域中的栅格的占用概率平均值，得到所有所述矫正后的位姿点各自对应的待处理占用概率平均值；根据所有待处理占用概率平均值和所述预设占用概率平均值进行位姿重定位确定，得到所述位姿重定位结果。

在一个实施例中，上述采用所述预设占用概率平均值，根据所有所述矫正后的位姿点、所述历史灰度地图和所述待定位的点云数据进行位姿重定位确定，得到所述位姿重定位结果的步骤，包括：

S641：根据所述历史灰度地图进行栅格地图生成，得到历史栅格地图；

S642：分别根据每个所述矫正后的位姿点，将所述待定位的点云数据映射到所述历史栅格地图上，得到所有所述矫正后的位姿点各自对应的待计算地图区域；

S643：分别对每个所述待计算地图区域进行栅格的占用概率平均值计算，得到所有所述矫正后的位姿点各自对应的待处理占用概率平均值；

S644：从所有所述待处理占用概率平均值中找出所有大于所述预设占用概率平均值的值，得到候选占用概率平均值集合；

S645：当所述候选占用概率平均值集合不为空时，从所述候选占用概率平均值集合中找出最大的占用概率平均值，得到目标占用概率平均值，将所述目标占用概率平均值对应的所述矫正后的位姿点，作为所述位姿重定位结果，否则确定所述位姿重定位结果为重定位失败。

本实施例根据所有所述矫正后的位姿点、所述历史灰度地图和所述待定位的点云数据进行位姿重定位确定，从而实现了采用在不需要激光扫地机走动和/或旋转的情况下扫描一圈周围环境得到的待定位的点云数据即可确定位姿重定位结果。

对于S642，从所有所述矫正后的位姿点中提取一个所述矫正后的位姿点，得到目标矫正后的位姿点；基于所述目标矫正后的位姿点，将所述待定位的点云数据映射到所述历史栅格地图上，将在所述历史栅格地图上映射到的所有栅格作为所述目标矫正后的位姿点对应的待计算地图区域；重复执行所述从所有所述矫正后的位姿点中提取一个所述矫正后的位姿点，得到目标矫正后的位姿点的步骤，直至确定所有所述矫正后的位姿点各自对应的待计算地图区域。可以理解的是，在将所述待定位的点云数据映射到所述历史栅格地图上时，每个栅格最多只会被映射一个点。也就是说，所述待计算地图区域是历史栅格地图的部分区域。

对于S643，从所有所述待计算地图区域中提取任一个待计算地图区域作为目标待计算地图区域；计算所述目标待计算地图区域中所有栅格的占用概率的平均值，将计算得到的平均值(也就是占用概率平均值)作为所述目标待计算地图区域对应的所述矫正后的位姿点对应的待处理占用概率平均值。

比如，当栅格对应的像素点的值为1时则确定该栅格对应的占用概率为0.1，当栅格对应的像素点的值为254时则确定该栅格对应的占用概率为0.9，当栅格对应的像素点的值为255时则确定该栅格对应的占用概率为大于0.1且小于0.9的值，在此举例不做具体限定。

对于S644，从所有所述待处理占用概率平均值中找出所有大于所述预设占用概率平均值的占用概率平均值，将找到的所有占用概率平均值作为候选占用概率平均值集合。

对于S645，当所述候选占用概率平均值集合不为空时，意味着存在占用概率平均值符合最低的占用概率平均值要求，此时可以从所述候选占用概率平均值集合中找出最大的占用概率平均值，将找到的占用概率平均值作为目标占用概率平均值，将所述目标占用概率平均值对应的所述矫正后的位姿点，作为所述位姿重定位结果；当所述候选占用概率平均值集合为空时，意味不存在占用概率平均值符合最低的占用概率平均值要求，也就是说激光扫地机被放到了未成功构建灰度地图的区域，无法进行位姿重定位，此时确定所述位姿重定位结果为重定位失败。

当所述位姿重定位结果为重定位失败时，生成重新扫描构建地图信号，所述重新扫描构建地图信号用于控制激光扫地机进行全面的激光扫描，根据激光扫描结果构建新的灰度地图。

参照图2，本申请还提出了一种激光扫地机的位姿重定位装置，所述装置包括：

请求获取模块100，用于获取位姿重定位请求；

第一结构体确定模块200，用于基于所述位姿重定位请求，获取历史灰度地图，根据所述历史灰度地图进行线特征和角点信息的提取，得到第一线特征数据和第一角点信息数据，将所述第一线特征数据和所述第一角点信息数据存储到第一结构体中；

第二结构体确定模块300，用于获取待定位的点云数据和预设角度阈值，采用所述预设角度阈值，对所述待定位的点云数据进行所述线特征和所述角点信息的提取，得到第二线特征数据和第二角点信息数据，将所述第二线特征数据和所述第二角点信息数据存储到第二结构体中；

待处理的位姿旋转角度确定模块400，用于将所述第一结构体和所述第二结构体进行对比，确定待处理的位姿旋转角度；

候选位姿点概率值集合确定模块500，用于采用似然域概率模型，根据所述历史灰度地图和所述待处理的位姿旋转角度进行每个候选位姿点的概率值计算，得到候选位姿点概率值集合；

位姿重定位结果确定模块600，用于基于ICP算法和预设损失函数计算误差值的方式，采用预设占用概率平均值和预设概率值，根据所述候选位姿点概率值集合、所述历史灰度地图和所述待定位的点云数据进行位姿重定位确定，得到位姿重定位结果。

本实施例通过基于所述位姿重定位请求，获取历史灰度地图，根据所述历史灰度地图进行线特征和角点信息的提取，得到第一线特征数据和第一角点信息数据，将所述第一线特征数据和所述第一角点信息数据存储到第一结构体中，获取待定位的点云数据和预设角度阈值，采用所述预设角度阈值，对所述待定位的点云数据进行所述线特征和所述角点信息的提取，得到第二线特征数据和第二角点信息数据，将所述第二线特征数据和所述第二角点信息数据存储到第二结构体中，将所述第一结构体和所述第二结构体进行对比，确定待处理的位姿旋转角度，采用似然域概率模型，根据所述历史灰度地图和所述待处理的位姿旋转角度进行每个候选位姿点的概率值计算，得到候选位姿点概率值集合，基于ICP算法和预设损失函数计算误差值的方式，采用预设占用概率平均值和预设概率值，根据所述候选位姿点概率值集合、所述历史灰度地图和所述待定位的点云数据进行位姿重定位确定，得到位姿重定位结果，从而实现了采用在不需要激光扫地机走动和/或旋转的情况下扫描一圈周围环境得到的待定位的点云数据即可确定位姿重定位结果，缩短了重定位的时间，避免激光扫地机旋转产生的噪声带来的角度不准问题，提高了位姿重定位结果的准确性，提高了用户体验。

参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3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、网络接口和数据库。其中，该计算机设计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、计算机程序和数据库。该内存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。该计算机设备的数据库用于储存激光扫地机的位姿重定位方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种激光扫地机的位姿重定位方法。所述激光扫地机的位姿重定位方法，包括：获取位姿重定位请求；基于所述位姿重定位请求，获取历史灰度地图，根据所述历史灰度地图进行线特征和角点信息的提取，得到第一线特征数据和第一角点信息数据，将所述第一线特征数据和所述第一角点信息数据存储到第一结构体中；获取待定位的点云数据和预设角度阈值，采用所述预设角度阈值，对所述待定位的点云数据进行所述线特征和所述角点信息的提取，得到第二线特征数据和第二角点信息数据，将所述第二线特征数据和所述第二角点信息数据存储到第二结构体中；将所述第一结构体和所述第二结构体进行对比，确定待处理的位姿旋转角度；采用似然域概率模型，根据所述历史灰度地图和所述待处理的位姿旋转角度进行每个候选位姿点的概率值计算，得到候选位姿点概率值集合；基于ICP算法和预设损失函数计算误差值的方式，采用预设占用概率平均值和预设概率值，根据所述候选位姿点概率值集合、所述历史灰度地图和所述待定位的点云数据进行位姿重定位确定，得到位姿重定位结果。

本实施例通过基于所述位姿重定位请求，获取历史灰度地图，根据所述历史灰度地图进行线特征和角点信息的提取，得到第一线特征数据和第一角点信息数据，将所述第一线特征数据和所述第一角点信息数据存储到第一结构体中，获取待定位的点云数据和预设角度阈值，采用所述预设角度阈值，对所述待定位的点云数据进行所述线特征和所述角点信息的提取，得到第二线特征数据和第二角点信息数据，将所述第二线特征数据和所述第二角点信息数据存储到第二结构体中，将所述第一结构体和所述第二结构体进行对比，确定待处理的位姿旋转角度，采用似然域概率模型，根据所述历史灰度地图和所述待处理的位姿旋转角度进行每个候选位姿点的概率值计算，得到候选位姿点概率值集合，基于ICP算法和预设损失函数计算误差值的方式，采用预设占用概率平均值和预设概率值，根据所述候选位姿点概率值集合、所述历史灰度地图和所述待定位的点云数据进行位姿重定位确定，得到位姿重定位结果，从而实现了采用在不需要激光扫地机走动和/或旋转的情况下扫描一圈周围环境得到的待定位的点云数据即可确定位姿重定位结果，缩短了重定位的时间，避免激光扫地机旋转产生的噪声带来的角度不准问题，提高了位姿重定位结果的准确性，提高了用户体验。

本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种激光扫地机的位姿重定位方法，包括步骤：获取位姿重定位请求；基于所述位姿重定位请求，获取历史灰度地图，根据所述历史灰度地图进行线特征和角点信息的提取，得到第一线特征数据和第一角点信息数据，将所述第一线特征数据和所述第一角点信息数据存储到第一结构体中；获取待定位的点云数据和预设角度阈值，采用所述预设角度阈值，对所述待定位的点云数据进行所述线特征和所述角点信息的提取，得到第二线特征数据和第二角点信息数据，将所述第二线特征数据和所述第二角点信息数据存储到第二结构体中；将所述第一结构体和所述第二结构体进行对比，确定待处理的位姿旋转角度；采用似然域概率模型，根据所述历史灰度地图和所述待处理的位姿旋转角度进行每个候选位姿点的概率值计算，得到候选位姿点概率值集合；基于ICP算法和预设损失函数计算误差值的方式，采用预设占用概率平均值和预设概率值，根据所述候选位姿点概率值集合、所述历史灰度地图和所述待定位的点云数据进行位姿重定位确定，得到位姿重定位结果。

上述执行的激光扫地机的位姿重定位方法，通过基于所述位姿重定位请求，获取历史灰度地图，根据所述历史灰度地图进行线特征和角点信息的提取，得到第一线特征数据和第一角点信息数据，将所述第一线特征数据和所述第一角点信息数据存储到第一结构体中，获取待定位的点云数据和预设角度阈值，采用所述预设角度阈值，对所述待定位的点云数据进行所述线特征和所述角点信息的提取，得到第二线特征数据和第二角点信息数据，将所述第二线特征数据和所述第二角点信息数据存储到第二结构体中，将所述第一结构体和所述第二结构体进行对比，确定待处理的位姿旋转角度，采用似然域概率模型，根据所述历史灰度地图和所述待处理的位姿旋转角度进行每个候选位姿点的概率值计算，得到候选位姿点概率值集合，基于ICP算法和预设损失函数计算误差值的方式，采用预设占用概率平均值和预设概率值，根据所述候选位姿点概率值集合、所述历史灰度地图和所述待定位的点云数据进行位姿重定位确定，得到位姿重定位结果，从而实现了采用在不需要激光扫地机走动和/或旋转的情况下扫描一圈周围环境得到的待定位的点云数据即可确定位姿重定位结果，缩短了重定位的时间，避免激光扫地机旋转产生的噪声带来的角度不准问题，提高了位姿重定位结果的准确性，提高了用户体验。

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，本申请所提供的和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/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。