本发明涉及机器人领域，尤其涉及一种工作地图的生成方法、装置、设备及存储介质。
背景技术：
目前，扫地机器人为了满足用户查看清扫状态的需求，通常可以在用户使用的终端中建立地图，以显示扫地区域和扫地路径，但是现有终端中建立的地图是利用扫地机器人的轨迹和建图数据进行重构设计的。
现有扫地机器人受限于传感器的性能，其建图方式一种是视觉与惯导结合的方式，这种方式创建的地图只能用于辅助定位，其测量的障碍物的轮廓是通过惯导和碰撞传感器对障碍物碰撞接触获取的；另一种是激光雷达与惯导结合的方式，但由于雷达是用于扫描真实环境轮廓的，在家庭场景中扫地机器人在距离地面10cm左右的位置扫描出来的轮廓，是很难辨识的，所以这种方式只能扫描一个水平面，无法获取障碍物的三维尺度信息。因此，现有扫地机器人建立的地图，对于非专业人士(例如，一般消费者)而言无法快速识别扫地机器人所处的位置，从而无法判断清扫区域范围以及是否清扫完毕。
综上所述，现有扫地机器人所创建地图的可读性较差，导致用户无法快速识别扫地机器人所处的位置。
技术实现要素：
本发明实施例提供了一种工作地图的生成方法、装置、设备及存储介质，用以解决现有技术中扫地机器人所创建地图可读性差的问题，生成标注有房屋内各区域属性的工作地图，从而提高扫地机器人工作地图的可读性。
第一方面，本发明实施例提供一种工作地图的生成方法，应用于扫地机器人，包括：
获取包含扫地机器人工作区域的地图数据；
从地图数据中提取工作区域中房屋边界的第一特征数据，识别第一特征数据所表征的房屋尺度信息和房屋形状信息；
基于房屋尺度信息和房屋形状信息，生成用于展示扫地机器人工作区域的标注有房屋内各区域属性的工作地图。
本发明实施例提供的工作地图的生成方法，应用于扫地机器人，首先获取包含扫地机器人工作区域的地图数据，从地图数据中提取工作区域中房屋边界的第一特征数据，识别第一特征数据所表征的房屋尺度信息和房屋形状信息，并基于房屋尺度信息和房屋形状信息，生成用于展示扫地机器人工作区域的工作地图，地图中标注有房屋内各区域属性。与现有技术相比，生成的工作地图中标注有房屋内各区域的区域属性，更加便于用户识别扫地机器人的位置，提高了工作地图的可读性。
在一种可能的实施方式中，从地图数据中提取工作区域中房屋边界的第一特征数据，识别第一特征数据所表征的房屋尺度信息和房屋形状信息，包括：
从地图数据中提取工作区域中房屋边界的第一特征数据；
利用预先训练的第一深度神经网络识别第一特征数据所表征的房屋尺度信息和房屋形状信息，其中预先训练的第一深度神经网络是以预先获取的第一特征数据样本为输入特征，以第一特征数据样本的标注结果作为输出特征训练生成的。
本发明实施例提供的工作地图的生成方法，首先从地图数据中提取工作区域中房屋边界的第一特征数据，然后利用预先训练的第一深度神经网络识别第一特征数据所表征的房屋尺度信息和房屋形状信息，预先训练的第一深度神经网络是以预先获取的第一特征数据样本为输入特征，以第一特征数据样本的标注结果作为输出特征训练生成的。相比于现有技术，通过预先训练的第一深度神经网络来识别第一特征数据，获取所表征的房屋尺度信息和房屋形状信息，以形成更准确的房屋边界，便于用户识别扫地机器人的位置，提高了工作地图的可读性。
在一种可能的实施方式中，基于房屋尺度信息和房屋形状信息，生成用于展示扫地机器人工作区域的标注有房屋内各区域属性的工作地图，包括：
基于预设的环境信息、房屋尺度信息和房屋形状信息，生成标注有房屋内各区域属性的基础户型图；
对基础户型图进行重新绘制和渲染处理，生成标注有房屋内各区域属性的工作地图。
本发明实施例提供的工作地图的生成方法，首先基于预设环境信息、房屋尺度信息和房屋形状信息，生成标注有房屋各区域属性的基础户型图，然后对基础户型图进行重新绘制和渲染处理，生成标注有房屋内各区域属性的工作地图。相比于基础户型图，工作地图对边界信息进行去噪，并基于各区域属性的不同，通过渲染技术对户型图颜色和区间进行重新绘制，有利于用户识别扫地机器人工作领域，提高用户的使用体验。
在一种可能的实施方式中，工作地图的生成方法还包括：
从地图数据中提取工作区域中物体对象的第二特征数据；
利用预先训练的第二深度神经网络识别第二特征数据所表征的物体对象以及物体对象的高度信息，其中预先训练的第二深度神经网络是以预先获取的第二特征数据样本为输入特征，以第二特征数据样本的标注结果作为输出特征训练生成的；
绘制工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。
在一种可能的实施方式中，工作地图的生成方法还包括：根据扫地机器人采集的物体对象的三维点云信息，绘制工作地图中房屋对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。
本发明实施例提供的工作地图的生成方法，首先从地图数据中提取工作区域中物体对象的第二特征数据，然后利用预先训练的第二深度神经网络对第二特征数据进行识别，以获取第二特征数据所表征的物体对象以及物体对象的高度信息，其中预先训练的第二深度神经网络是以预先获取的第二特征数据样本为输入特征，以第二特征数据样本的标注结果作为输出特征训练生成的，最后绘制工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图；或者根据扫地机器人采集的物体对象的三维点云信息，绘制工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。相比于现有技术中的区域地图，不局限于二维的平面地图，将房屋中物体的高度信息增加至地图中构成三维工作地图，便于用户有效识别扫地机器人的位置，提高了扫地机器人工作地图的可读性。
第二方面，本发明实施例提供一种工作地图的生成装置，应用于扫地机器人，装置包括：
获取单元，用于获取包含扫地机器人工作区域的地图数据；
分析单元，用于从地图数据中提取工作区域中房屋边界的第一特征数据，识别第一特征数据所表征的房屋尺度信息和房屋形状信息；
处理单元，用于基于房屋尺度信息和房屋形状信息，生成用于展示扫地机器人工作区域的标注有房屋内各区域属性的工作地图。
在一种可能的实施方式中，分析单元具体用于：
从地图数据中提取工作区域中房屋边界的第一特征数据；
利用预先训练的第一深度神经网络识别第一特征数据所表征的房屋尺度信息和房屋形状信息，预先训练的第一深度神经网络是以预先获取的第一特征数据样本为输入特征，以第一特征数据样本的标注结果作为输出特征训练生成的。
在一种可能的实施方式中，处理单元具体用于：
基于预设的环境信息、房屋尺度信息和房屋形状信息，生成标注有房屋内各区域属性的基础户型图；
对基础户型图进行重新绘制和渲染处理，生成标注有房屋内各区域属性的工作地图。
在一种可能的实施方式中，处理单元还用于：
从地图数据中提取工作区域中物体对象的第二特征数据；
利用预先训练的第二深度神经网络识别第二特征数据所表征的物体对象以及物体对象的高度信息，预先训练的第二深度神经网络是以预先获取的第二特征数据样本为输入特征，以第二特征数据样本的标注结果作为输出特征训练生成的；
绘制工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。
在一种可能的实施方式中，处理单元还用于：
根据扫地机器人采集的物体对象的三维点云信息，绘制工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。
第三方面，本发明实施例还提供一种工作地图的生成设备，包括：
至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时，以实现本发明实施例第一方面提供的工作地图的生成方法。
第四方面，本发明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指令，当计算机程序指令被处理器执行时，使得工作地图的生成设备能够执行本发明实施例第一方面提供的工作地图的生成方法。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1为本发明实施例提供的一种工作地图的生成方法的示意流程图；
图2为本发明实施例提供的另一工作地图的生成方法的示意流程图；
图3为本发明实施例提供的一种工作地图的生成装置的结构示意图；
图4为本发明实施例提供的一种工作地图的生成设备的结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
鉴于现有技术中在应用扫地机器人时，所创建的地图无法有效识别扫地机器人的位置，用户使用体验较差的问题，本发明实施例提供一种工作地图的生成方案，用以提高扫地机器人工作地图的可读性。
下面结合附图对本发明实施例提供的方案进行详细说明。
如图1所示，本发明实施例提供一种工作地图的生成方法，应用于扫地机器人，其可以包括以下步骤：
步骤101，获取包含扫地机器人工作区域的地图数据。
具体实施时，地图数据可以通过同步定位与建图(simultaneouslocalizationandmapping，slam)技术、或者视觉实时定位建图(visualsimultaneouslocalizationandmapping，vslam)技术建立。
步骤102，从地图数据中提取工作区域中房屋边界的第一特征数据，识别第一特征数据所表征的房屋尺度信息和房屋形状信息。
在一种可能的实施方式中，从地图数据中提取工作区域中房屋边界的第一特征数据，识别第一特征数据所表征的房屋尺度信息和房屋形状信息，包括：
从地图数据中提取工作区域中房屋边界的第一特征数据；
利用预先训练的第一深度神经网络识别第一特征数据所表征的房屋尺度信息和房屋形状信息，其中预先训练的第一深度神经网络是以预先获取的第一特征数据样本为输入特征，以第一特征数据样本的标注结果作为输出特征训练生成的。
其中，房屋边界的第一特征数据可以是房屋的长宽、房屋布局位置、房屋之间墙的厚度等。
步骤103，基于房屋尺度信息和房屋形状信息，生成用于展示扫地机器人工作区域的标注有房屋内各区域属性的工作地图。
在一种可能的实施方式中，基于房屋尺度信息和房屋形状信息，生成用于展示扫地机器人工作区域的标注有房屋内各区域属性的工作地图，包括：
基于预设的环境信息、房屋尺度信息和房屋形状信息，生成标注有房屋内各区域属性的基础户型图；
对基础户型图进行重新绘制和渲染处理，生成标注有房屋内各区域属性的工作地图。
具体实施时，基于预设的环境信息、房屋尺度信息和房屋形状信息，对工作区域进行分割划分，确定房屋内各区域的属性，即预估房屋区域的功能，如客厅、厨房、卧室等，从而为不同的区域定义属性。在生成标注有各区域属性的基础户型图后，将边界信息去噪调整，重新绘制边界位置，并基于各区域属性的不同进行渲染处理，生成标注有房屋内各区域属性的工作地图。
需要说明的是，预设的环境信息包括以下一种或多种，家用环境、办公环境、学习环境等。
通过上述方案，首先获取包含扫地机器人工作区域的地图数据，从地图数据中提取工作区域中房屋边界的第一特征数据，识别第一特征数据所表征的房屋尺度信息和房屋形状信息，并基于房屋尺度信息和房屋形状信息，对地图进行重构拟合，生成用于展示扫地机器人工作区域的工作地图，地图中标注有房屋内各区域属性。与现有技术相比，更加明确房屋各区域属性，便于识别扫地机器人的位置，提高了工作地图的可读性。
在一种可能的实施方式中，工作地图的生成方法还包括：
从地图数据中提取工作区域中物体对象的第二特征数据；
利用预先训练的第二深度神经网络识别第二特征数据所表征的物体对象以及物体对象的高度信息，预先训练的第二深度神经网络是以预先获取的第二特征数据样本为输入特征，以第二特征数据样本的标注结果作为输出特征训练生成的；
绘制工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。
在一种可能的实施方式中，工作地图的生成方法还包括：根据扫地机器人采集的物体对象的三维点云信息，绘制工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。
具体实施时，在标注有房屋内各区域属性的工作地图的基础上，绘制工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。其中，物体对象的高度信息包括房屋内床的高度、橱柜高度、桌子高度等。在三维工作地图的生成过程中，对工作地图中物体对象高度信息的获取，可以通过以下两种方式来获取：一种是从地图数据中提取工作区域中物体对象的第二特征数据，然后利用预先训练的第二深度神经网络对第二特征数据进行识别，以获取第二特征数据所表征的物体对象以及物体对象的高度信息，其中预先训练的第二深度神经网络是以预先获取的第二特征数据样本为输入特征，以第二特征数据样本的标注结果作为输出特征训练生成的；另一种是根据扫地机器人采集的物体对象的三维点云信息，绘制工作地图中物体对象的高度信息。
需要说明的是，预先训练的第一深度神经网络和预先训练的第二深度神经网络，可以是同一神经网络模型，也可以是不同的神经网络模型。并且，利用预先训练的第一深度神经网络识别第一特征数据所表征的房屋尺度信息和房屋形状信息，和利用预先训练的第二深度神经网络识别第二特征数据所表征的物体对象以及物体对象的高度信息，两个识别过程可以置于本地端完成，但由于本地端服务器内存有限，不利于数据的更新和存储，也可以置于云端服务器中进行，且云计算的速度较快，有利于深度神经网络的快速识别。
下面结合图2对本发明实施例提供的工作地图的生成方法的具体过程进行详细说明。
如图2所示，本发明实施例提供的工作地图的生成方法可以有以下步骤：
步骤201，获取扫地机器人工作区域的地图数据。
步骤202，提取工作区域中房屋边界的第一特征数据。
其中，房屋边界的第一特征数据可以是房屋的长宽、房屋布局位置、房屋之间墙的厚度等。
步骤203，利用预先训练的第一深度神经网络识别第一特征数据所表征的房屋尺度信息和房屋形状信息。
步骤204，根据第一深度神经网络的识别结果，对工作区域进行尺寸、形状分析，预估房屋区域功能，为房屋不同区域定义属性，完成分割划分。
步骤205，根据分割划分结果，生成标注有各区域属性的基础户型图。
步骤206，将基础户型图边界信息去噪调整，重新绘制边界位置，并基于各区域属性的不同进行渲染处理，生成标注有房屋内各区域属性的工作地图。
步骤207，基于标注有房屋内各区域属性的工作地图，绘制物体对象的高度信息，建立包含房屋中物体对象高度的三维工作地图。
具体实施时，在三维工作地图的生成过程中，对工作地图中物体对象高度信息的获取，可以通过以下两种方式来获取：一种是从地图数据中提取工作区域中物体对象的第二特征数据，然后利用预先训练的第二深度神经网络识别第二特征数据所表征的物体对象以及物体对象的高度信息；另一种是根据扫地机器人采集的物体对象的三维点云信息，绘制工作地图中物体对象的高度信息。
其中，预先训练的第二深度神经网络是以预先获取的第二特征数据样本为输入特征，以第二特征数据样本的标注结果作为输出特征训练生成的。
如图3所示，本发明实施例还提供一种工作地图的生成装置，应用于扫地机器人，装置包括：
获取单元31，用于获取包含扫地机器人工作区域的地图数据；
分析单元32，用于从地图数据中提取工作区域中房屋边界的第一特征数据，识别第一特征数据所表征的房屋尺度信息和房屋形状信息；
处理单元33，用于基于房屋尺度信息和房屋形状信息，生成用于展示扫地机器人工作区域的标注有房屋内各区域属性的工作地图。
在一种可能的实施方式中，分析单元32具体用于：
从地图数据中提取工作区域中房屋边界的第一特征数据；
利用预先训练的第一深度神经网络识别第一特征数据所表征的房屋尺度信息和房屋形状信息，预先训练的第一深度神经网络是以预先获取的第一特征数据样本为输入特征，以第一特征数据样本的标注结果作为输出特征训练生成的。
在一种可能的实施方式中，处理单元33具体用于：
基于预设的环境信息、房屋尺度信息和房屋形状信息，生成标注有房屋内各区域属性的基础户型图；
对基础户型图进行重新绘制和渲染处理，生成标注有房屋内各区域属性的工作地图。
在一种可能的实施方式中，处理单元33还用于：
从地图数据中提取工作区域中物体对象的第二特征数据；
利用预先训练的第二深度神经网络识别第二特征数据所表征的物体对象以及物体对象的高度信息，预先训练的第二深度神经网络是以预先获取的第二特征数据样本为输入特征，以第二特征数据样本的标注结果作为输出特征训练生成的；
绘制工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。
在一种可能的实施方式中，处理单元33还用于：
根据扫地机器人采集的物体对象的三维点云信息，绘制工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。
基于上述本发明实施例相同构思，本发明实施例还提供一种工作地图的生成设备。
如图4所示，本发明实施例还提供一种工作地图的生成设备40，包括：
至少一个处理器41、至少一个存储器42以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器41执行时，以实现本发明实施例中提供的工作地图的生成方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器42，上述指令可由工作地图的生成设备的处理器41执行以完成上述方法。
可选地，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
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。本申请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下面的权利要求指出。
应当理解的是，本公开并不局限于上面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。本公开的范围仅由所附的权利要求来限制。
1.一种工作地图的生成方法，应用于扫地机器人，其特征在于，所述方法包括：
获取包含所述扫地机器人工作区域的地图数据；
从所述地图数据中提取工作区域中房屋边界的第一特征数据，识别所述第一特征数据所表征的房屋尺度信息和房屋形状信息；
基于所述房屋尺度信息和所述房屋形状信息，生成用于展示所述扫地机器人工作区域的标注有房屋内各区域属性的工作地图。
2.根据权利要求1所述的方法，其特征在于，从所述地图数据中提取工作区域中房屋边界的第一特征数据，识别所述第一特征数据所表征的房屋尺度信息和房屋形状信息，包括：
从所述地图数据中提取工作区域中房屋边界的第一特征数据；
利用预先训练的第一深度神经网络识别所述第一特征数据所表征的房屋尺度信息和房屋形状信息，所述预先训练的第一深度神经网络是以预先获取的第一特征数据样本为输入特征，以所述第一特征数据样本的标注结果作为输出特征训练生成的。
3.根据权利要求1所述的方法，其特征在于，所述基于所述房屋尺度信息和所述房屋形状信息，生成用于展示所述扫地机器人工作区域的标注有包含房屋内各区域属性的工作地图，包括：
基于预设的环境信息、所述房屋尺度信息和所述房屋形状信息，生成包含房屋内各区域属性的基础户型图；
对所述基础户型图进行重新绘制和渲染处理，生成标注有房屋内各区域属性的工作地图。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
从所述地图数据中提取工作区域中物体对象的第二特征数据；
利用预先训练的第二深度神经网络识别所述第二特征数据所表征的物体对象以及所述物体对象的高度信息，所述预先训练的第二深度神经网络是以预先获取的第二特征数据样本为输入特征，以所述第二特征数据样本的标注结果作为输出特征训练生成的；
绘制所述工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据所述扫地机器人采集的物体对象的三维点云信息，绘制所述工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。
6.一种工作地图的生成装置，应用于扫地机器人，其特征在于，所述装置包括：
获取单元，用于获取包含所述扫地机器人工作区域的地图数据；
分析单元，用于从所述地图数据中提取工作区域中房屋边界的第一特征数据，识别所述第一特征数据所表征的房屋尺度信息和房屋形状信息；
处理单元，用于基于所述房屋尺度信息和所述房屋形状信息，生成用于展示所述扫地机器人工作区域的标注有房屋内各区域属性的工作地图。
7.根据权利要求6所述的装置，其特征在于，所述分析单元具体用于：
从所述地图数据中提取工作区域中房屋边界的第一特征数据；
利用预先训练的第一深度神经网络识别所述第一特征数据所表征的房屋尺度信息和房屋形状信息，所述预先训练的第一深度神经网络是以预先获取的第一特征数据样本为输入特征，以所述第一特征数据样本的标注结果作为输出特征训练生成的。
8.根据权利要求6所述的装置，其特征在于，所述处理单元具体用于：
基于预设的环境信息、所述房屋尺度信息和所述房屋形状信息，生成标注有房屋内各区域属性的基础户型图；
对所述基础户型图进行重新绘制和渲染处理，生成标注有房屋内各区域属性的工作地图。
9.根据权利要求8所述的装置，其特征在于，所述处理单元还用于：
从所述地图数据中提取工作区域中物体对象的第二特征数据；
利用预先训练的第二深度神经网络识别所述第二特征数据所表征的物体对象以及所述物体对象的高度信息，所述预先训练的第二深度神经网络是以预先获取的第二特征数据样本为输入特征，以所述第二特征数据样本的标注结果作为输出特征训练生成的；
绘制所述工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。
10.根据权利要求8所述的装置，其特征在于，所述处理单元还用于：
根据所述扫地机器人采集的物体对象的三维点云信息，绘制所述工作地图中物体对象的高度信息，生成包含房屋中物体对象高度的三维工作地图。
11.一种工作地图的生成设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-5中任一项所述的工作地图的生成方法。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-5中任一项所述的工作地图的生成方法。
技术总结