地图生成方法、装置、存储介质及电子设备与流程

1.本技术属于机器人视觉领域，特别的涉及一种地图生成方法、装置、存储介质及电子设备。


背景技术：

2.同时定位与地图构建(simultaneous localization and mapping，slam)技术，是指在机器人或者其他载体上通过对各种传感器数据进行采集和计算，生成对其自身位置姿态的定位和场景地图信息的技术。
3.常见的激光slam技术是通过传感器采集到的当前帧点云与上一帧点云或者参考地图进行匹配的方式来构建地图，可应用在不同的场景下。


技术实现要素：

4.本技术实施例提供了一种地图生成方法、装置、存储介质及电子设备，其技术方案如下：
5.第一方面，本技术实施例提供了一种地图生成方法，包括：
6.获取目标图像以及至少两种传感器参数；其中，至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数中任意至少两种参数；
7.对目标图像进行场景识别，得到目标图像对应的场景类型；
8.基于至少两种传感器参数以及场景类型生成目标地图。
9.在第一方面的一种可选方案中，在获取目标图像以及至少两种传感器参数之后，对目标图像进行场景识别，得到目标图像对应的场景类型之前，还包括：
10.对目标图像进行预处理；
11.对目标图像进行场景识别，得到目标图像对应的场景类型，包括：
12.对预处理后的目标图像进行场景识别，得到目标图像对应的场景类型。
13.在第一方面的又一种可选方案中，对目标图像进行预处理，包括：
14.按照相机内参对目标图像进行畸变矫正处理；和/或
15.按照预设图像大小对目标图像进行缩放处理；和/或
16.按照预设图像色彩比例对目标图像进行校正处理；和/或
17.按照预设图像亮度比例对目标图像进行校正处理。
18.在第一方面的又一种可选方案中，对预处理后的目标图像进行场景识别，得到目标图像对应的场景类型，包括：
19.将预处理后的目标图像输入至训练好的场景识别模型中，得到场景参数；每个场景参数各自对应不同的场景类型；
20.根据场景参数确定与目标图像对应的场景类型；场景识别模型由多个包含已知场景类型的样本图像训练得到。
21.在第一方面的又一种可选方案中，基于至少两种传感器参数以及场景类型生成目
标地图，包括：
22.判断场景类型是否为特殊场景；
23.当场景类型为特殊场景时，根据特殊场景调整至少两种传感器参数；
24.基于调整后的至少两种传感器参数生成目标地图。
25.在第一方面的又一种可选方案中，特殊场景包括长走廊场景，至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
26.当场景类型为特殊场景时，根据特殊场景调整至少两种传感器参数，包括：
27.当场景类型为长走廊场景时，按照与长走廊场景对应的预设参数策略提高轮速计传感器参数、惯性传感器参数各自对应的权重，以及降低激光传感器参数对应的权重。
28.在第一方面的又一种可选方案中，特殊场景包括地毯场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
29.当场景类型为特殊场景时，根据特殊场景调整至少两种传感器参数，包括：
30.当场景类型为地毯场景时，基于惯性传感器获取对应于地毯场景的倾角校正参数；
31.按照与地毯场景对应的预设参数策略降低轮速计传感器参数、惯性传感器参数各自对应的权重，以及提高激光传感器参数、倾角校正参数各自对应的权重。
32.在第一方面的又一种可选方案中，特殊场景包括玻璃镜面场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
33.当场景类型为特殊场景时，根据特殊场景调整至少两种传感器参数，包括：
34.当场景类型为玻璃镜面场景时，确定玻璃镜面场景处于目标图像中的位置；
35.根据玻璃镜面场景处于目标图像中的位置删除激光传感器采集到的激光点云数据中与玻璃镜面场景的镜面方向一致的激光点云数据；
36.按照与玻璃镜面场景对应的预设参数策略提高轮速计传感器参数、惯性传感器参数各自对应的权重，以及降低激光传感器参数对应的权重。
37.在第一方面的又一种可选方案中，特殊场景包括门槛场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
38.当场景类型为特殊场景时，根据特殊场景调整至少两种传感器参数，包括：
39.当场景类型为门槛场景时，基于惯性传感器获取对应于门槛场景的倾角校正参数；
40.按照与门槛场景对应的预设参数策略降低轮速计传感器参数、惯性传感器参数各自对应的权重，以及提高激光传感器参数、倾角校正参数各自对应的权重。
41.在第一方面的又一种可选方案中，判断场景类型是否为特殊场景之后，还包括：
42.当场景类型不为特殊场景时，按照与至少两种传感器参数对应的默认参数策略配置至少两种传感器参数各自对应的权重；
43.基于调整后的至少两种传感器参数生成目标地图。
44.第二方面，本技术实施例提供了一种地图生成装置，包括：
45.获取模块，用于获取目标图像以及至少两种传感器参数；其中，至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数中任意至少两种参数；
46.识别模块，用于对目标图像进行场景识别，得到目标图像对应的场景类型；
47.生成模块，用于基于至少两种传感器参数以及场景类型生成目标地图。
48.在第二方面的一种可选方案中，装置还包括：
49.处理模块，用于在获取目标图像以及至少两种传感器参数之后，对目标图像进行场景识别，得到目标图像对应的场景类型之前，对目标图像进行预处理；
50.识别模块，具体用于对预处理后的目标图像进行场景识别，得到目标图像对应的场景类型。
51.在第二方面的又一种可选方案中，处理模块具体用于：
52.按照相机内参对目标图像进行畸变矫正处理；和/或
53.按照预设图像大小对目标图像进行缩放处理；和/或
54.按照预设图像色彩比例对目标图像进行校正处理；和/或
55.按照预设图像亮度比例对目标图像进行校正处理。
56.在第二方面的又一种可选方案中，识别模块包括：
57.识别单元，用于将预处理后的目标图像输入至训练好的场景识别模型中，得到场景参数；每个场景参数各自对应不同的场景类型；
58.第一确定单元，用于根据场景参数确定与目标图像对应的场景类型；场景识别模型由多个包含已知场景类型的样本图像训练得到。
59.在第二方面的又一种可选方案中，生成模块包括：
60.判断单元，用于判断场景类型是否为特殊场景；
61.第二确定单元，用于当场景类型为特殊场景时，根据特殊场景调整至少两种传感器参数；
62.第一生成单元，用于基于调整后的至少两种传感器参数生成目标地图。
63.在第二方面的又一种可选方案中，特殊场景包括长走廊场景，至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
64.第二确定单元，用于当场景类型为长走廊场景时，按照与长走廊场景对应的预设参数策略提高轮速计传感器参数、惯性传感器参数各自对应的权重，以及降低激光传感器参数对应的权重。
65.在第二方面的又一种可选方案中，特殊场景包括地毯场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
66.第二确定单元，用于当场景类型为地毯场景时，基于惯性传感器获取对应于地毯场景的倾角校正参数；
67.按照与地毯场景对应的预设参数策略降低轮速计传感器参数、惯性传感器参数各自对应的权重，以及提高激光传感器参数、倾角校正参数各自对应的权重。
68.在第二方面的又一种可选方案中，特殊场景包括玻璃镜面场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
69.第二确定单元，用于当场景类型为玻璃镜面场景时，确定玻璃镜面场景处于目标图像中的位置；
70.根据玻璃镜面场景处于目标图像中的位置删除激光传感器采集到的激光点云数据中与玻璃镜面场景的镜面方向一致的激光点云数据；
71.按照与玻璃镜面场景对应的预设参数策略提高轮速计传感器参数、惯性传感器参
数各自对应的权重，以及降低激光传感器参数对应的权重。
72.在第二方面的又一种可选方案中，特殊场景包括门槛场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
73.第二确定单元，用于当场景类型为门槛场景时，基于惯性传感器获取对应于门槛场景的倾角校正参数；
74.按照与门槛场景对应的预设参数策略降低轮速计传感器参数、惯性传感器参数各自对应的权重，以及提高激光传感器参数、倾角校正参数各自对应的权重。
75.在第二方面的又一种可选方案中，生成模块包括：
76.第三确定单元，用于在判断场景类型是否为特殊场景之后，当场景类型不为特殊场景时，按照与至少两种传感器参数对应的默认参数策略配置至少两种传感器参数各自对应的权重；
77.第二生成单元，用于基于调整后的至少两种传感器参数生成目标地图。
78.第三方面，本技术实施例提供了一种电子设备，包括处理器以及存储器；
79.处理器与存储器相连；
80.存储器，用于存储可执行程序代码；
81.处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行本技术实施例第一方面或第一方面的任意一种实现方式提供的地图生成方法。
82.第四方面，本技术实施例提供了一种计算机存储介质，计算机存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时，可实现本技术实施例第一方面或第一方面的任意一种实现方式提供的地图生成方法。
83.在本技术实施例中，可先获取目标图像以及至少两种传感器参数，通过对该目标图像进行场景识别，得到与该目标图像对应的场景类型，并可基于至少两种传感器参数以及场景类型生成目标地图。通过在生成地图之前对所处场景进行识别，根据识别出的场景类型可适配相应的地图生成参数，进而可使生成的地图更加准确，给用户带来更好的视觉体验。
附图说明
84.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
85.图1为本技术实施例提供的一种地图生成系统的架构示意图；
86.图2为本技术实施例提供的一种地图生成方法的流程示意图；
87.图3为本技术实施例提供的一种场景类型对应表；
88.图4为本技术实施例提供的又一种地图生成方法的流程示意图；
89.图5为本技术实施例提供的又一种地图生成方法的流程示意图；
90.图6为本技术实施例提供的又一种地图生成方法的流程示意图；
91.图7为本技术实施例提供的一种包含玻璃镜面场景的目标图像示意图；
92.图8为本技术实施例提供的又一种地图生成方法的流程示意图；
93.图9为本技术实施例提供的一种地图生成装置的结构示意图；
94.图10为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
95.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
96.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
97.请参阅图1，图1示出了本技术实施例提供的一种地图生成系统的架构示意图。
98.如图1所示，该地图生成系统100至少可以包括第一采集模块101、第二采集模块102以及处理器103，其中：
99.该地图生成系统100可应用于构建高精地图的装置，例如但不局限于机器人、汽车或是电子设备等，其地图类型可包括2d栅格地图或是3d地图。可以理解的是，本技术中提到的电子设备可以是智能手机、平板电脑、桌面型、膝上型、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、手持计算机、pc设备、个人数字助理(personal digital assistant，pda)、路由设备、虚拟现实设备等。
100.第一采集模块101可用于获取目标图像，其中该目标图像可为根据当前位置所获取的包含周围场景的一张或多张图像，可能的，当该目标图像对应为一张图像时，该图像可包含当前位置从任意一种角度拍摄的周围场景，例如但不局限于包含从正前方、左前方、右前方、左后方、右后方或是正后方等任意一种角度拍摄的周围场景，且作为优选的该目标图像可包含从正前方拍摄的周围场景。可能的，当该目标图像对应为多张图像时，每张图像可包含当前位置从任意一种角度拍摄的周围场景，例如但不局限于当该目标图像对应为三张图像时，该三张图像可分别包含当前位置从正前方、右前方以及左前方拍摄的周围角度。
101.可以理解的是，本技术中的目标图像可由拍摄设备实时获取，例如通过用户操作选择拍摄类应用程序或是根据自动化程序指令开启可用于拍摄图像的设备，此处以可执行自动化程序指令的机器人为例，机器人可根据自动化程序指令控制摄像头开启并对周围场景进行实时拍摄，且该摄像头可以但不局限于为单目摄像头或是双目摄像头。当然，本技术中的目标图像还可为预先存储的图像，该存储的图像可包含当前位置所对应的周围场景的一张或多张图像，不限定于此。
102.第二采集模块102可用于获取至少两种传感器参数，其中传感器类型可以但不局限于为轮速计传感器、惯性传感器或是激光传感器，该轮速计传感器对应的参数可包括轮速计平移参数以及轮速计旋转参数，该惯性传感器对应的参数可包括惯性平移参数以及惯性旋转参数，该激光传感器对应的参数可包括激光点云匹配平移参数以及激光点云匹配旋转参数。可能的，该至少两种传感器参数可包括轮速计传感器以及激光传感器各自对应的参数，也即包括轮速计平移参数、轮速计旋转参数、激光点云匹配平移参数以及激光点云匹配旋转参数。可能的，该至少两种传感器参数可包括惯性传感器以及激光传感器各自对应
的参数，也即包括惯性平移参数、惯性旋转参数、激光点云匹配平移参数以及激光点云匹配旋转参数。可能的，该至少两种传感器参数可包括轮速计传感器、惯性传感器以及激光传感器各自对应的参数，也即包括轮速计平移参数、轮速计旋转参数、惯性平移参数、惯性旋转参数、激光点云匹配平移参数以及激光点云匹配旋转参数。
103.处理器103可用于接收第一采集模块101获取的目标图像，并对该目标图像进行场景识别，以得到该目标图像对应的场景类型。可能的，该目标图像的场景识别方式可为人工识别，也即在获取目标图像之后，可通过测试人员结合场景特征对目标图像进行场景识别，通过人工判断该目标图像中的场景特征所对应的场景类型。可能的，该目标图像的场景识别方式还可为神经网络自动识别，也即在获取到目标图像之后，可将该目标图像输入至训练好的神经网络中，以得到用于表征场景类型的字符串，此处不同的字符串可各自对应一种场景类型。
104.可以理解的是，当目标图像为多张图像时，处理器103还可将该多张图像各自包含的从不同角度拍摄的场景提取至同一图像中，以便于快速识别，本技术不限定于此。
105.进一步的，在处理器103识别出目标图像对应的场景类型之后，还可获取第二采集模块102获取的至少两种传感器参数，并基于该至少两种传感器参数以及场景类型生成目标地图。其中，处理器103在得到场景类型之后，可根据该场景类型确定相应的传感器参数权重，此处提到的传感器类型可对应于上述提到的至少两种传感器类型，且对于每种传感器类型的参数都可确定有相应的权重。此处以该至少两种传感器参数可表示为a1、a2、b1以及b2(a1以及a2可对应为同一种传感器类型的不同类型参数，b1以及b2可对应为同一种传感器类型的不同类型参数)，相应的传感器参数权重为a1、a2、b1以及b2为例，调整后的至少两种传感器参数可表示为a1
×
a1、a2
×
a2、b1
×
b1以及b2
×
b2。
106.需要说明的是，此处可不局限于在处理器103识别出目标图像对应的场景类型之后，再获取由第二采集模块102获取的至少两种传感器参数的顺序，例如还可为在获取由第二采集模块102获取的至少两种传感器参数之后，再识别出目标图像对应的场景类型，或是在获取由第二采集模块102获取的至少两种传感器参数的同时识别出目标图像对应的场景类型，
107.当处理器103调整该至少两种传感器参数各自对应的权重之后，可以但不局限于将该调整后的传感器参数带入至训练好的地图生成神经网络中，以输出目标地图。需要说明的是，此处根据至少两种传感器参数构建地图可通过常见技术手段实现，本技术不过多赘述。
108.接下来，本技术将对地图生成方法进行多个实施例的解释说明。
109.请参阅图2示出的本技术实施例提供的一种地图生成方法的流程示意图。
110.如图2所示，该地图生成方法至少可以包括以下步骤：
111.步骤202、获取目标图像以及至少两种传感器参数。
112.具体地，可先根据当前位置获取包含周围场景的一张或多张图像，可能的，当该目标图像对应为一张图像时，该图像可包含当前位置从任意一种角度拍摄的周围场景，例如但不局限于包含从正前方、左前方、右前方、左后方、右后方或是正后方等任意一种角度拍摄的周围场景，且作为优选的该目标图像可包含从正前方拍摄的周围场景。可能的，当该目标图像对应为多张图像时，每张图像可包含当前位置从任意一种角度拍摄的周围场景，例
如但不局限于当该目标图像对应为三张图像时，该三张图像可分别包含当前位置从正前方、右前方以及左前方拍摄的周围角度。
113.可以理解的是，本技术中的目标图像可由拍摄设备实时获取，例如通过用户操作选择拍摄类应用程序或是根据自动化程序指令开启可用于拍摄图像的设备，此处以可执行自动化程序指令的机器人为例，机器人可根据自动化程序指令控制摄像头开启并对周围场景进行实时拍摄，且该摄像头可以但不局限于为单目摄像头或是双目摄像头。当然，本技术中的目标图像还可为预先存储的图像，该存储的图像可包含当前位置所对应的周围场景的一张或多张图像，不限定于此。
114.进一步的，还可根据当前位置获取至少两种传感器参数，其中传感器类型可以但不局限于为轮速计传感器、惯性传感器或是激光传感器，该轮速计传感器对应的参数可包括轮速计平移参数以及轮速计旋转参数，该惯性传感器对应的参数可包括惯性平移参数以及惯性旋转参数，该激光传感器对应的参数可包括激光点云匹配平移参数以及激光点云匹配旋转参数。可能的，该至少两种传感器参数可包括轮速计传感器以及激光传感器各自对应的参数，也即包括轮速计平移参数、轮速计旋转参数、激光点云匹配平移参数以及激光点云匹配旋转参数。可能的，该至少两种传感器参数可包括惯性传感器以及激光传感器各自对应的参数，也即包括惯性平移参数、惯性旋转参数、激光点云匹配平移参数以及激光点云匹配旋转参数。可能的，该至少两种传感器参数可包括轮速计传感器、惯性传感器以及激光传感器各自对应的参数，也即包括轮速计平移参数、轮速计旋转参数、惯性平移参数、惯性旋转参数、激光点云匹配平移参数以及激光点云匹配旋转参数。
115.可以理解的是，本技术可以但不局限于先获取目标图像再获取至少两种传感器参数的顺序，例如还可为先获取至少两种传感器参数再获取目标图像，或是同时获取目标图像以及至少两种传感器参数。
116.步骤204、对目标图像进行场景识别，得到目标图像对应的场景类型。
117.具体地，在获取到目标图像之后，可对该目标图像进行场景识别，其中该场景识别的方式可以但不局限于包括人工识别或是神经网络自动识别。可能的，可由测试人员结合场景特征对目标图像进行场景识别，通过人工判断该目标图像中的场景特征所对应的场景类型。
118.可能的，还可由神经网络对目标图像进行自动场景识别，通过将该目标图像输入至训练好的神经网络中，以得到用于表征场景类型的字符串，此处不同的字符串可各自对应一种场景类型。需要说明的是，若目标图像为一张图像，可先获取与该图像中包含的场景拍摄角度一致的多张样本图像，再将该多张样本图像输入至神经网络进行训练，直至该神经网络训练完成。若目标图像为多张图像，可先分别获取与每张图像中包含的场景拍摄角度一致的多张样本图像，再可分别将该多张样本图像输入至各自对应的神经网络中进行训练，直至每个神经网络训练完成，其中此处可将多张图像按照场景拍摄角度分别输入至各自对应的神经网络中，当每个神经网络输出的结果一致时可将该结果对应的场景类型作为目标图像的场景类型。还需要说明的是，本技术还可在目标图像为多张图像时，可先分别获取与每张图像中包含的场景拍摄角度一致的多张样本图像，再可将该多张样本图像按照多张图像进行分组并依次输入至神经网络中进行训练，直至神经网络训练完成。
119.步骤206、基于至少两种传感器参数以及场景类型生成目标地图。
120.具体地，在得到与目标图像对应的场景类型之后，可结合至少两种传感器参数以及场景类型生成目标地图。其中，在得到场景类型之后，可根据该场景类型确定相应的传感器参数权重，此处提到的传感器类型可对应于上述提到的至少两种传感器类型，且对于每种传感器类型的参数都可确定有相应的权重。此处以该至少两种传感器参数可表示为a1、a2、b1以及b2(a1以及a2可对应为同一种传感器类型的不同类型参数，b1以及b2可对应为同一种传感器类型的不同类型参数)，相应的传感器参数权重为a1、a2、b1以及b2为例，调整后的至少两种传感器参数可表示为a1
×
a1、a2
×
a2、b1
×
b1以及b2
×
b2。
121.当确定出调整后的至少两种传感器参数之后，可以但不局限于将该调整后的至少两种传感器参数带入至训练好的地图生成神经网络中，以输出目标地图。需要说明的是，此处根据至少两种传感器参数参数构建地图可通过常见技术手段实现，本技术不过多赘述。
122.相较于现有技术中通过固定的传感器参数来生成地图，使得在一些特殊场景中生成的地图失效或者误差过大，本技术实施例中可通过在生成地图之前对所处场景进行识别，根据识别出的场景类型可适配相应的地图生成参数，进而可使生成的地图更加准确，给用户带来更好的视觉体验。
123.作为本实施例的一种可选，在获取目标图像以及至少两种传感器参数之后，对目标图像进行场景识别，得到目标图像对应的场景类型之前，还包括：
124.对目标图像进行预处理；
125.对目标图像进行场景识别，得到目标图像对应的场景类型，包括：
126.对预处理后的目标图像进行场景识别，得到目标图像对应的场景类型。
127.由于获取目标图像的方式多种多样，为保障目标图像的一致性以及场景识别的准确性，具体地，可在获取到目标图像之后对目标图像进行预处理，例如但不局限于按照预设图像格式对该目标图像进行处理，以使该目标图像在处理后格式与该预设图像格式相同。当对目标图像进行预处理之后，可再对该处理后的目标图像进行场景识别，以保障场景类型的识别效率以及准确性。
128.作为本实施例的又一种可选，对目标图像进行预处理，包括：
129.按照相机内参对目标图像进行畸变矫正处理；和/或
130.按照预设图像大小对目标图像进行缩放处理；和/或
131.按照预设图像色彩比例对目标图像进行校正处理；和/或
132.按照预设图像亮度比例对目标图像进行校正处理。
133.具体地，在对目标图像进行预处理时，可通过多种处理方式对该目标图像进行处理，以进一步保障目标图像的一致性以及场景类型的识别准确性。可能的，在获取到目标图像之后，可按照预设图像大小对目标图像进行缩放或是裁剪处理，以使目标图像的大小与预设图像大小一致，例如当预设图像的长宽比与目标图像的长宽比一致时，可按照预设图像的长度或是宽度将目标图像的长度以及宽度进行缩小或放大。当预设图像的长宽比与目标图像的长宽比不一致时，还可先按照预设图像的长度对目标图像的长度进行缩小或放大，并在目标图像的长度与预设图像的长度一致时，再按照预设图像的宽度对目标图像的长度进行裁剪，直至预设图像的长度以及宽度分别与目标图像的长度以及宽度一致。需要说明的是，在对目标图像进行缩放或是裁剪处理时，不影响目标图像中的场景图像，也即保障目标图像中的场景图像的完整性。
134.可能的，在获取目标图像之后，还可按照预设图像色彩比例对目标图像的色彩比例进行校正和调整，以使目标图像的色彩与预设图像的色彩一致，例如但不局限于当预设图像的色彩比例为a：b：c，目标图像的色彩比例为a：b：c时，可先按照a：b的比例将预设图像中对应于b的色彩进行调整，直至目标图像中的a：b与预设图像的a：b一致。接着可按照a：c的比例将预设图像中对应于c的色彩进行调整，直至目标图像中的a：c与预设图像的a：c一致。
135.可能的，在获取目标图像之后，还可按照预设图像的亮度比例对目标图像的亮度比例进行校正和调整，以使目标图像的亮度与预设图像的亮度一致。
136.可能的，在获取目标图像之后，还可根据相机的内置参数对该目标图像进行自动畸变校正处理。此处相机可为用于拍摄该目标图像的设备，例如但不局限于可为单目相机或是双目相机，在拍摄到目标图像之后可先自行判断该目标图像是否存在畸变，若存在则可通过畸变校正处理使该目标图像恢复正常。
137.可以理解的是，本实施例中对目标图像进行预处理的方式可以但不局限于为按照预设图像大小对目标图像进行缩放处理，或是按照预设图像色彩比例对目标图像进行校正处理，或是按照预设图像亮度比例对目标图像进行校正处理，或是按照预设图像大小对目标图像进行缩放处理以及按照预设图像色彩比例对目标图像进行校正处理，或是按照预设图像大小对目标图像进行缩放处理以及按照预设图像亮度比例对目标图像进行校正处理，或是按照预设图像色彩比例对目标图像进行校正处理以及按照预设图像亮度比例对目标图像进行校正处理，或是按照预设图像大小对目标图像进行缩放处理、按照预设图像色彩比例对目标图像进行校正处理以及按照预设图像亮度比例对目标图像进行校正处理。
138.作为本实施例的又一种可选，对预处理后的目标图像进行场景识别，得到目标图像对应的场景类型，包括：
139.将预处理后的目标图像输入至训练好的场景识别模型中，得到场景参数；
140.根据场景参数确定与目标图像对应的场景类型。
141.具体地，在对获取的目标图像进行预处理之后，可将该目标图像输入至训练好的场景识别模型中，以得到相应的场景参数，其中场景识别模型可以但不局限于为任意一种深度学习神经网络，且在对该场景识别模型的训练过程中可将包含与目标图像中场景的拍摄角度一致的不同场景的样本图像输入至该场景识别模型中，对于每个样本图像对应有已知场景类型的场景。可以理解的是，训练好的场景识别模型输出的场景参数可对应有不同的场景类型。
142.此处可参阅图3示出的本技术实施例提供的一种场景类型对应表。如图3所示，该场景类型对应表中可包括有四种场景参数类型以及各自对应的场景类型，其中场景参数a可对应为长走廊场景，场景参数b可对应为地毯场景，场景参数c可对应为玻璃镜面场景，场景参数d可对应为门槛场景。当目标图像输入至训练好的场景识别模型中，输出场景参数a时，可确定该目标图像的场景类型为长走廊场景。当目标图像输入至训练好的场景识别模型中，输出场景参数b时，可确定该目标图像的场景类型为地毯场景。当目标图像输入至训练好的场景识别模型中，输出场景参数c时，可确定该目标图像的场景类型为玻璃镜面场景。当目标图像输入至训练好的场景识别模型中，输出场景参数d时，可确定该目标图像的场景类型为门槛场景。
143.请参阅图4，图4示出了本技术实施例提供的又一种地图生成方法的流程示意图。
144.如图4所示，该地图生成方法至少可以包括以下步骤：
145.步骤402、获取目标图像以及至少两种传感器参数。
146.具体地，步骤402可参阅步骤202，其中至少两种传感器参数可包括轮速计传感器参数、惯性传感器参数以及激光传感器参数，此处不过多赘述。
147.步骤404、对目标图像进行场景识别，得到目标图像对应的场景类型。
148.具体地，步骤404与步骤204一致，此处不过多赘述。
149.步骤406、判断场景类型是否为长走廊场景。
150.具体地，在根据目标图像得到对应的场景类型之后，可先判断该场景类型是否为特殊场景，其中特殊场景可以但不局限于包括长走廊场景、地毯场景、玻璃镜面场景或是门槛场景等任意至少一种场景。可以理解的是，对于不同的场景类型，为保障生成地图的准确性，可对应有各自不同的预设参数策略，进而可根据该预设参数策略对传感器参数进行调整，以得到对应于不同场景类型的目标地图。
151.当确定场景类型属于特殊场景时，可进一步判断该场景类型是否为长走廊场景，需要说明的是，若根据目标图像识别出的场景类型可直接通过名称等方式进行标识，此处可直接判断该场景类型是否为长走廊场景，本技术不限定于此。
152.步骤408、当场景类型为长走廊场景时，按照与长走廊场景对应的预设参数策略提高轮速计传感器参数、惯性传感器参数各自对应的权重，以及降低激光传感器参数对应的权重。
153.具体地，当确定目标图像的场景类型为长走廊场景时，由于在长走廊场景中沿着长走廊前后平移时，激光传感器测量得到的参数几乎未发生变化，进而导致激光传感器参数无法体现出平移状态。为保障生成地图的准确性，可按照与长走廊场景对应的预设参数权重，降低当前激光传感器参数对应的权重直至与该激光传感器参数在长走廊场景对应的预设参数权重一致，同时可提高当前轮速计传感器参数对应的权重直至与该轮速计传感器参数在长走廊场景对应的预设参数权重一致，同时还可提高当前惯性传感器参数对应的权重直至与该惯性传感器在长走廊场景对应的预设参数权重一致。
154.可以理解的是，此处通过降低激光传感器参数的权重来避免或降低因激光传感器退化对生成的地图所带来的精度影响，其中，激光传感器参数可以但不局限于包括激光传感器平移参数以及激光传感器旋转参数，上述提到的预设参数权重可对应包括激光传感器平移参数权重以及激光传感器旋转参数权重。其中，轮速计传感器参数可以但不局限于包括轮速计传感器平移参数以及轮速计传感器旋转参数，上述提到的预设参数权重可对应包括轮速计传感器平移参数权重以及轮速计传感器旋转参数权重。其中，惯性传感器参数可以但不局限于包括惯性传感器平移参数以及惯性传感器旋转参数，上述提到的预设参数权重可对应包括惯性传感器平移参数权重以及惯性传感器旋转参数权重。
155.当然，本技术还可在降低当前激光传感器参数对应的权重直至与该激光传感器参数在长走廊场景对应的预设参数权重一致的情况下，仅提高当前轮速计传感器参数对应的权重直至与该轮速计传感器参数在长走廊场景对应的预设参数权重一致，或是仅提高当前惯性传感器参数对应的权重直至与该惯性传感器在长走廊场景对应的预设参数权重一致，不限定于此。
156.步骤410、基于调整后的至少两种传感器参数生成目标地图。
157.具体地，当确定出调整后的至少两种传感器参数之后，可以但不局限于将该调整后的至少两种传感器参数带入至训练好的地图生成神经网络中，以输出目标地图。需要说明的是，此处根据至少两种传感器参数参数构建地图可通过常见技术手段实现，本技术不过多赘述。
158.请参阅图5，图5示出了本技术实施例提供的又一种地图生成方法的流程示意图。
159.如图5所示，该地图生成方法至少可以包括以下步骤：
160.步骤502、获取目标图像以及至少两种传感器参数。
161.具体地，步骤502可参阅步骤202，其中至少两种传感器参数可包括轮速计传感器参数、惯性传感器参数以及激光传感器参数，此处不过多赘述。
162.步骤504、对目标图像进行场景识别，得到目标图像对应的场景类型。
163.具体地，步骤504与步骤204一致，此处不过多赘述。
164.步骤506、判断场景类型是否为地毯场景。
165.具体地，在根据目标图像得到对应的场景类型之后，可先判断该场景类型是否为特殊场景，其中特殊场景可以但不局限于包括长走廊场景、地毯场景、玻璃镜面场景或是门槛场景等任意至少一种场景。可以理解的是，对于不同的场景类型，为保障生成地图的准确性，可对应有各自不同的预设参数策略，进而可根据该预设参数策略对传感器参数进行调整，以得到对应于不同场景类型的目标地图。
166.当确定场景类型属于特殊场景时，可进一步判断该场景类型是否为地毯场景，需要说明的是，若根据目标图像识别出的场景类型可直接通过名称等方式进行标识，此处可直接判断该场景类型是否为地毯场景，本技术不限定于此。
167.步骤508、当场景类型为地毯场景时，基于惯性传感器获取对应于地毯场景的倾角校正参数。
168.具体地，当确定目标图像的场景类型为地毯场景时，由于接触面存在明显颠簸，在生成地图的运动过程中易因接触面与地面之间产生的倾角造成激光传感器发出的激光点无法准确打在地面上，进而导致激光传感器参数不准确。为避免激光传感器参数的误差较大，可在场景类型为地毯场景时，通过惯性传感器获取激光传感器所发出的激光点与地面之间的倾角，并根据该倾角确定激光点投影到地面上进行倾角校正的倾角校正参数。可以理解的是，倾角校正参数可应用于激光传感器的激光点倾角校正，也即是说倾角校正参数也可作为激光传感器参数中的一种，例如但不局限于激光传感器参数的类型可包括激光传感器平移参数、激光传感器旋转参数以及倾角校正参数。
169.步骤510、按照与地毯场景对应的预设参数策略降低轮速计传感器参数、惯性传感器参数各自对应的权重，以及提高激光传感器参数、倾角校正参数各自对应的权重。
170.具体地，由于地毯场景中地毯的接触面不平整，易在生成地图的运动过程中发生颠簸或打滑现象，进而导致轮速计传感器参数以及惯性传感器参数的误差较大，降低了地图生成的准确性。为保障生成地图的准确性，可按照与地毯场景对应的预设参数权重，降低当前轮速计传感器参数对应的权重直至与该轮速计传感器参数在地毯场景对应的预设参数权重一致，同时还可降低当前惯性传感器参数对应的权重直至与该惯性传感器在地毯场景对应的预设参数权重一致，同时还可提高当前激光传感器参数对应的权重直至与该激光
传感器参数在地毯场景对应的预设参数权重一致，以及还可提高倾角校正参数对应的权重直至与该倾角校正参数在地毯场景对应的预设参数权重一致。需要说明的是，其中倾角校正参数在地毯场景对应的预设参数权重可以但不局限于为0.8至1之间。
171.可以理解的是，此处通过降低轮速计传感器参数的权重以及惯性传感器的权重来避免或降低因轮速计传感器以及惯性传感器误差较大对生成的地图所带来的精度影响，其中，激光传感器参数可以但不局限于包括激光传感器平移参数以及激光传感器旋转参数，上述提到的预设参数权重可对应包括激光传感器平移参数权重以及激光传感器旋转参数权重。其中，轮速计传感器参数可以但不局限于包括轮速计传感器平移参数以及轮速计传感器旋转参数，上述提到的预设参数权重可对应包括轮速计传感器平移参数权重以及轮速计传感器旋转参数权重。其中，惯性传感器参数可以但不局限于包括惯性传感器平移参数以及惯性传感器旋转参数，上述提到的预设参数权重可对应包括惯性传感器平移参数权重以及惯性传感器旋转参数权重。
172.步骤512、基于调整后的至少传感器参数生成目标地图。
173.具体地，当确定出调整后的至少两种传感器参数之后，可以但不局限于将该调整后的至少两种传感器参数带入至训练好的地图生成神经网络中，以输出目标地图。需要说明的是，此处根据至少两种传感器参数参数构建地图可通过常见技术手段实现，本技术不过多赘述。
174.请参阅图6示出的本技术实施例提供的又一种地图生成方法的流程示意图。
175.如图6所示，该地图生成方法至少可以包括以下步骤：
176.步骤602、获取目标图像以及至少两种传感器参数。
177.具体地，步骤602可参阅步骤202，其中至少两种传感器参数可包括轮速计传感器参数、惯性传感器参数以及激光传感器参数，此处不过多赘述。
178.步骤604、对目标图像进行场景识别，得到目标图像对应的场景类型。
179.具体地，步骤604与步骤204一致，此处不过多赘述。
180.步骤606、判断场景类型是否为玻璃镜面场景。
181.具体地，在根据目标图像得到对应的场景类型之后，可先判断该场景类型是否为特殊场景，其中特殊场景可以但不局限于包括长走廊场景、地毯场景、玻璃镜面场景或是门槛场景等任意至少一种场景。可以理解的是，对于不同的场景类型，为保障生成地图的准确性，可对应有各自不同的预设参数策略，进而可根据该预设参数策略对传感器参数进行调整，以得到对应于不同场景类型的目标地图。
182.当确定场景类型属于特殊场景时，可进一步判断该场景类型是否为玻璃镜面场景，需要说明的是，若根据目标图像识别出的场景类型可直接通过名称等方式进行标识，此处可直接判断该场景类型是否为玻璃镜面场景，本技术不限定于此。
183.步骤608、当场景类型为玻璃镜面场景时，确定玻璃镜面场景处于目标图像中的位置。
184.具体地，当确定目标图像的场景类型为玻璃镜面场景时，可在目标图像中确定该玻璃镜面场景的位置。此处可以但不局限于根据上述提到的场景识别模型来确定玻璃镜面的位置，例如在对上述提到的场景识别模型进行训练时，可将已知场景类型以及场景位置的多张样本图像输入至场景识别模型中，输出的结果可包括用于表征场景类型的字符串以
及标记有场景位置的样本图像。可以理解的是，该通过场景识别模型来确定玻璃镜面的位置的方式还可应用于其他特殊场景，本技术不限定于此。
185.步骤610、根据玻璃镜面场景处于目标图像中的位置删除激光传感器采集到的激光点云数据中与玻璃镜面场景的镜面方向一致的激光点云数据。
186.具体地，由于激光传感器的激光点在打到玻璃镜面场景中时会发生无法返回或是多回波等现象，导致部分激光传感器参数误差较大，进而影响地图的精度。为避免部分激光传感器参数误差较大，在确定玻璃镜面场景处于目标图像中的位置之后，可根据该位置过滤出激光传感器参数中处于该位置得到的部分参数，并将剩余的激光传感器参数作为处于玻璃镜面场景中的激光传感器参数。
187.此处可参阅图7示出的本技术实施例提供的一种包含玻璃镜面场景的目标图像示意图。如图7所示，该目标图像中可包含三个区域，其分别为7a、7b以及7c，其中7b区域被标记为玻璃镜面场景的位置。当激光传感器的激光点全部打到该目标图像中时，可选择直接将处于7a区域以及7c区域的激光传感器参数作为该目标图像处于玻璃镜面场景中的激光传感器参数。可以理解的是，此处还可以将激光传感器参数中存在明显误差的激光传感器参数作为玻璃镜面场景中的激光传感器参数并进行删除，本技术不限定于此。
188.步骤612、按照与玻璃镜面场景对应的预设参数策略提高轮速计传感器参数、惯性传感器参数各自对应的权重，以及降低激光传感器参数对应的权重。
189.具体地，由于在玻璃镜面场景中需要筛除部分激光传感器参数，进而导致剩余的激光传感器参数的精度下降，为避免对生成地图的精度造成影响，可按照与玻璃镜面场景对应的预设参数权重，提高当前轮速计传感器参数对应的权重直至与该轮速计传感器参数在玻璃镜面场景对应的预设参数权重一致，同时还可提供当前惯性传感器参数对应的权重直至与该惯性传感器在玻璃镜面场景对应的预设参数权重一致，同时还可降低当前剩余的激光传感器参数对应的权重直至与该激光传感器参数在玻璃镜面场景对应的预设参数权重一致。
190.可以理解的是，此处通过提供轮速计传感器参数的权重以及惯性传感器的权重来保障生成地图的精度，其中，激光传感器参数可以但不局限于包括激光传感器平移参数以及激光传感器旋转参数，上述提到的预设参数权重可对应包括激光传感器平移参数权重以及激光传感器旋转参数权重。其中，轮速计传感器参数可以但不局限于包括轮速计传感器平移参数以及轮速计传感器旋转参数，上述提到的预设参数权重可对应包括轮速计传感器平移参数权重以及轮速计传感器旋转参数权重。其中，惯性传感器参数可以但不局限于包括惯性传感器平移参数以及惯性传感器旋转参数，上述提到的预设参数权重可对应包括惯性传感器平移参数权重以及惯性传感器旋转参数权重。
191.步骤614、基于调整后的至少两种传感器参数生成目标地图。
192.具体地，步骤614可参阅步骤410，此处不过多赘述。
193.请参阅图8，图8示出了本技术实施例提供的又一种地图生成方法的流程示意图。
194.如图8所示，该地图生成方法至少可以包括以下步骤：
195.步骤802、获取目标图像以及至少两种传感器参数。
196.具体地，步骤802可参阅步骤202，其中至少两种传感器参数可包括轮速计传感器参数、惯性传感器参数以及激光传感器参数，此处不过多赘述。
197.步骤804、对目标图像进行场景识别，得到目标图像对应的场景类型。
198.具体地，步骤804与步骤204一致，此处不过多赘述。
199.步骤806、判断场景类型是否为门槛场景。
200.具体地，在根据目标图像得到对应的场景类型之后，可先判断该场景类型是否为特殊场景，其中特殊场景可以但不局限于包括长走廊场景、地毯场景、玻璃镜面场景或是门槛场景等任意至少一种场景。可以理解的是，对于不同的场景类型，为保障生成地图的准确性，可对应有各自不同的预设参数策略，进而可根据该预设参数策略对传感器参数进行调整，以得到对应于不同场景类型的目标地图。
201.当确定场景类型属于特殊场景时，可进一步判断该场景类型是否为门槛场景，需要说明的是，若根据目标图像识别出的场景类型可直接通过名称等方式进行标识，此处可直接判断该场景类型是否为门槛场景，本技术不限定于此。
202.步骤808、当场景类型为门槛场景时，基于惯性传感器获取对应于门槛场景的倾角校正参数。
203.具体地，当确定目标图像的场景类型为门槛场景时，由于接触面存在明显撞击或振动等现象，在生成地图的运动过程中易因接触面与地面之间产生的倾角造成激光传感器发出的激光点无法准确打在地面上，进而导致激光传感器参数不准确。为避免激光传感器参数的误差较大，可在场景类型为门槛场景时，通过惯性传感器获取激光传感器所发出的激光点与地面之间的倾角，并根据该倾角确定激光点投影到地面上进行倾角校正的倾角校正参数。可以理解的是，倾角校正参数可应用于激光传感器的激光点倾角校正，也即是说倾角校正参数也可作为激光传感器参数中的一种，例如但不局限于激光传感器参数的类型可包括激光传感器平移参数、激光传感器旋转参数以及倾角校正参数。
204.步骤810、按照与门槛场景对应的预设参数策略降低轮速计传感器参数、惯性传感器参数各自对应的权重，以及提高激光传感器参数、倾角校正参数各自对应的权重。
205.具体地，由于在经过门槛时易于门槛发送碰撞或振动等现象，进而导致轮速计传感器参数以及惯性传感器参数的误差较大，降低了地图生成的准确性。为保障生成地图的准确性，可按照与门槛场景对应的预设参数权重，降低当前轮速计传感器参数对应的权重直至与该轮速计传感器参数在门槛场景对应的预设参数权重一致，同时还可降低当前惯性传感器参数对应的权重直至与该惯性传感器在门槛场景对应的预设参数权重一致，同时还可提高当前激光传感器参数对应的权重直至与该激光传感器参数在门槛场景对应的预设参数权重一致，以及还可提高倾角校正参数对应的权重直至与该倾角校正参数在门槛场景对应的预设参数权重一致。需要说明的是，其中倾角校正参数在地毯场景对应的预设参数权重可以但不局限于为0.8至1之间。
206.可以理解的是，此处通过降低轮速计传感器参数的权重以及惯性传感器的权重来避免或降低因轮速计传感器以及惯性传感器误差较大对生成的地图所带来的精度影响，其中，激光传感器参数可以但不局限于包括激光传感器平移参数以及激光传感器旋转参数，上述提到的预设参数权重可对应包括激光传感器平移参数权重以及激光传感器旋转参数权重。其中，轮速计传感器参数可以但不局限于包括轮速计传感器平移参数以及轮速计传感器旋转参数，上述提到的预设参数权重可对应包括轮速计传感器平移参数权重以及轮速计传感器旋转参数权重。其中，惯性传感器参数可以但不局限于包括惯性传感器平移参数
以及惯性传感器旋转参数，上述提到的预设参数权重可对应包括惯性传感器平移参数权重以及惯性传感器旋转参数权重。
207.步骤812、基于调整后的至少两种传感器参数生成目标地图。
208.具体地，步骤812可参阅步骤512，此处不过多赘述。
209.作为本实施例的又一种可选，判断场景类型是否为特殊场景之后，还包括：
210.当场景类型不为特殊场景时，按照与至少两种传感器参数对应的默认参数策略配置至少两种传感器参数各自对应的权重；
211.基于调整后的至少两种传感器参数生成目标地图。
212.具体地，当确定目标图像中的场景类型不为特殊场景时，可直接根据默认的权重对各自对应的传感器参数进行配置，其中该默认的权重可理解为在非特殊场景中生成地图的准确性最高的权重。
213.当对传感器参数进行权重调整之后，可将该调整后的传感器参数带入至训练好的地图生成神经网络中，以输出目标地图。需要说明的是，此处根据传感器参数构建地图可通过常见技术手段实现，本技术不过多赘述。
214.需要说明的是，本技术中不同特殊场景下各自对应的传感器参数权重各不相同，针对不同的传感器型号或是传感器配置方式，也可对应采用不同的传感器参数权重，但其变化趋势相对于非特殊场景是一致的。
215.请参阅图9，图9示出了本技术实施例提供的一种地图生成装置的结构示意图。
216.如图9所示，该地图生成装置900至少可以包括获取模块901、识别模块902以及生成模块903，其中：
217.获取模块901，用于获取目标图像以及至少两种传感器参数；
218.识别模块902，用于对目标图像进行场景识别，得到目标图像对应的场景类型；
219.生成模块903，用于基于至少两种传感器参数以及场景类型生成目标地图。
220.在一些可能的实施例中，装置还包括：
221.处理模块，用于在获取目标图像以及至少两种传感器参数之后，对目标图像进行场景识别，得到目标图像对应的场景类型之前，对目标图像进行预处理；
222.识别模块，具体用于对预处理后的目标图像进行场景识别，得到目标图像对应的场景类型。
223.在一些可能的实施例中，处理模块具体用于：
224.按照相机内参对目标图像进行畸变矫正处理；和/或
225.按照预设图像大小对目标图像进行缩放处理；和/或
226.按照预设图像色彩比例对目标图像进行校正处理；和/或
227.按照预设图像亮度比例对目标图像进行校正处理。
228.在一些可能的实施例中，识别模块包括：
229.识别单元，用于将预处理后的目标图像输入至训练好的场景识别模型中，得到场景参数；每个场景参数各自对应不同的场景类型；
230.第一确定单元，用于根据场景参数确定与目标图像对应的场景类型；场景识别模型由多个包含已知场景类型的样本图像训练得到。
231.在一些可能的实施例中，生成模块903包括：
232.判断单元，用于判断场景类型是否为特殊场景；
233.第二确定单元，用于当场景类型为特殊场景时，根据特殊场景调整至少两种传感器参数；
234.第一生成单元，用于基于调整后的至少两种传感器参数生成目标地图。
235.在一些可能的实施例中，特殊场景包括长走廊场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
236.第二确定单元，用于当场景类型为长走廊场景时，按照与长走廊场景对应的预设参数策略提高轮速计传感器参数、惯性传感器参数各自对应的权重，以及降低激光传感器参数对应的权重。
237.在一些可能的实施例中，特殊场景包括地毯场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
238.第二确定单元，用于当场景类型为地毯场景时，基于惯性传感器获取对应于地毯场景的倾角校正参数；
239.按照与地毯场景对应的预设参数策略降低轮速计传感器参数、惯性传感器参数各自对应的权重，以及提高激光传感器参数、倾角校正参数各自对应的权重。
240.在一些可能的实施例中，特殊场景包括玻璃镜面场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
241.第二确定单元，用于当场景类型为玻璃镜面场景时，确定玻璃镜面场景处于目标图像中的位置；
242.根据玻璃镜面场景处于目标图像中的位置删除激光传感器采集到的激光点云数据中与玻璃镜面场景的镜面方向一致的激光点云数据；
243.按照与玻璃镜面场景对应的预设参数策略提高轮速计传感器参数、惯性传感器参数各自对应的权重，以及降低激光传感器参数对应的权重。
244.在一些可能的实施例中，特殊场景包括门槛场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
245.第二确定单元，用于当场景类型为门槛场景时，基于惯性传感器获取对应于门槛场景的倾角校正参数；
246.按照与门槛场景对应的预设参数策略降低轮速计传感器参数、惯性传感器参数各自对应的权重，以及提高激光传感器参数、倾角校正参数各自对应的权重。
247.在一些可能的实施例中，生成模块903包括：
248.第三确定单元，用于在判断场景类型是否为特殊场景之后，当场景类型不为特殊场景时，按照与至少两种传感器参数对应的默认参数策略配置至少两种传感器参数各自对应的权重；
249.第二生成单元，用于基于调整后的至少两种传感器参数生成目标地图。
250.请参阅图10，图10示出了本技术实施例提供的一种电子设备的结构示意图。
251.如图10所示，该电子设备1000可以包括：至少一个处理器1001、至少一个网络接口1004、用户接口1003、存储器1005以及至少一个通信总线1002。
252.其中，通信总线1002可用于实现上述各个组件的连接通信。
253.其中，用户接口1003可以包括按键，可选用户接口还可以包括标准的有线接口、无
线接口。
254.其中，网络接口1004可以但不局限于包括蓝牙模块、nfc模块、wi-fi模块等。
255.其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行路由设备1000的各种功能和处理数据。可选的，处理器1001可以采用dsp、fpga、pla中的至少一种硬件形式来实现。处理器1001可集成cpu、gpu和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
256.其中，存储器1005可以包括ram，也可以包括rom。可选的，该存储器1005包括非瞬时性计算机可读介质。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图10所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及地图生成应用程序。
257.具体地，处理器1001可以用于调用存储器1005中存储的地图生成应用程序，并具体执行以下操作：
258.获取目标图像以及至少两种传感器参数；
259.对目标图像进行场景识别，得到目标图像对应的场景类型；
260.基于至少两种传感器参数以及场景类型生成目标地图。
261.在一些可能的实施例中，处理器1001在获取目标图像以及至少两种传感器参数之后，对目标图像进行场景识别，得到目标图像对应的场景类型之前，还用于执行：
262.对目标图像进行预处理；
263.对目标图像进行场景识别，得到目标图像对应的场景类型，包括：
264.对预处理后的目标图像进行场景识别，得到目标图像对应的场景类型。
265.在一些可能的实施例中，处理器1001对目标图像进行预处理时，用于执行：
266.按照相机内参对目标图像进行畸变矫正处理；和/或
267.按照预设图像大小对目标图像进行缩放处理；和/或
268.按照预设图像色彩比例对目标图像进行校正处理；和/或
269.按照预设图像亮度比例对目标图像进行校正处理。
270.在一些可能的实施例中，处理器1001对预处理后的目标图像进行场景识别，得到目标图像对应的场景类型时，用于执行：
271.将预处理后的目标图像输入至训练好的场景识别模型中，得到场景参数；每个场景参数各自对应不同的场景类型；
272.根据场景参数确定与目标图像对应的场景类型；场景识别模型由多个包含已知场景类型的样本图像训练得到。
273.在一些可能的实施例中，处理器1001基于至少两种传感器参数以及场景类型生成目标地图时，用于执行：
274.判断场景类型是否为特殊场景；
275.当场景类型为特殊场景时，根据特殊场景调整至少两种传感器参数；
276.基于调整后的至少两种传感器参数生成目标地图。
277.在一些可能的实施例中，特殊场景包括长走廊场景，至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
278.当场景类型为特殊场景时，处理器1001根据特殊场景调整至少两种传感器参数时，用于执行：
279.当场景类型为长走廊场景时，按照与长走廊场景对应的预设参数策略提高轮速计传感器参数、惯性传感器参数各自对应的权重，以及降低激光传感器参数对应的权重。
280.在一些可能的实施例中，特殊场景包括地毯场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
281.当场景类型为特殊场景时，处理器1001根据特殊场景调整至少两种传感器参数时，用于执行：
282.当场景类型为地毯场景时，基于惯性传感器获取对应于地毯场景的倾角校正参数；
283.按照与地毯场景对应的预设参数策略降低轮速计传感器参数、惯性传感器参数各自对应的权重，以及提高激光传感器参数、倾角校正参数各自对应的权重。
284.在一些可能的实施例中，特殊场景包括玻璃镜面场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
285.当场景类型为特殊场景时，处理器1001根据特殊场景调整至少两种传感器参数时，用于执行：
286.当场景类型为玻璃镜面场景时，确定玻璃镜面场景处于目标图像中的位置；
287.根据玻璃镜面场景处于目标图像中的位置删除激光传感器采集到的激光点云数据中与玻璃镜面场景的镜面方向一致的激光点云数据；
288.按照与玻璃镜面场景对应的预设参数策略提高轮速计传感器参数、惯性传感器参数各自对应的权重，以及降低激光传感器参数对应的权重。
289.在一些可能的实施例中，特殊场景包括门槛场景；至少两种传感器参数包括轮速计传感器参数、惯性传感器参数以及激光传感器参数；
290.当场景类型为特殊场景时，处理器1001根据特殊场景调整至少两种传感器参数时，用于执行：
291.当场景类型为门槛场景时，基于惯性传感器获取对应于门槛场景的倾角校正参数；
292.按照与门槛场景对应的预设参数策略降低轮速计传感器参数、惯性传感器参数各自对应的权重，以及提高激光传感器参数、倾角校正参数各自对应的权重。
293.在一些可能的实施例中，处理器1001判断场景类型是否为特殊场景之后，还用于执行：
294.当场景类型不为特殊场景时，按照与至少两种传感器参数对应的默认参数策略配
置至少两种传感器参数各自对应的权重；
295.基于调整后的至少两种传感器参数生成目标地图。
296.本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述图2或图4或图5或图6或图8所示实施例中的一个或多个步骤。上述电子设备的各组成模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在所述计算机可读取存储介质中。
297.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字多功能光盘(digital versatile disc，dvd))、或者半导体介质(例如，固态硬盘(solid state disk，ssd))等。
298.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，可以通过计算机程序来指令相关的硬件来完成，该程序可存储于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。而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可存储程序代码的介质。在不冲突的情况下，本实施例和实施方案中的技术特征可以任意组合。
299.以上所述的实施例仅仅是本技术的优选实施例方式进行描述，并非对本技术的范围进行限定，在不脱离本技术的设计精神的前提下，本领域普通技术人员对本技术的技术方案作出的各种变形及改进，均应落入本技术的权利要求书确定的保护范围内。