CN107091646A - 导航控制方法、装置及可移动设备 - Google Patents

Abstract

本发明实施例提供一种导航控制方法、装置及可移动设备，通过采集参考系参数的实际参数数据；根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据；所述移动模型根据所述参考系参数的样本参数数据以及预期行为数据训练获得；结合所述当前实际行为数据以及所述预期行为数据，生成行动指令；按照所述行动指令控制所述可移动设备行走。本发明实施例提高了路线导航的精确度。

Description

导航控制方法、装置及可移动设备

技术领域

本发明实施例涉及计算机应用技术领域，尤其涉及一种导航控制方法、装置及可移动设备。

背景技术

移动机器人是一种可以自动执行工作的智能设备，其能够协助或取代人类的工作，因此可以应用于诸多应用场景中。

移动机器人工作时需要进行路线导航以进行行走，目前的导航方案通常依赖于第三方提供的地图系统，利用GPS(Global Positioning System，全球定位系统)进行定位，精确度不高。

发明内容

本发明实施例提供一种导航控制方法、装置及可移动设备，用于解决现有技术中路线导航精确度不高的技术问题。

本发明实施例的第一方面提供了一种导航控制方法，应用于可移动设备中，包括：

采集参考系参数的实际参数数据；

根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据；所述移动模型根据所述参考系参数的样本参数数据以及预期行为数据训练获得；

结合所述当前实际行为数据以及所述预期行为数据，生成行动指令；

按照所述行动指令控制所述可移动设备行走。

可选地，所述当前实际行为数据获得步骤之前，还包括：

确定所述可移动设备的欲行走路线对应的所述移动模型；

其中，所述参考系参数的样本参数数据由所述可移动设备被人工控制在所述欲行走路线中行走时采集的。

可选地，所述行动指令生成步骤包括：

结合所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令。

可选地，所述行动指令生成步骤包括：

比较所述当前实际行为数据以及当前采集时刻对应的预期行为数据；

如果比较结果在误差允许范围内，结合所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令；

否则，控制所述可移动设备在指定范围内行走，同时继续执行所述采集参考系参数的实际参数数据的步骤。

可选地，所述行动指令生成步骤包括：

结合前一采集时刻的实际行为数据、所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令。

可选地，所述当前实际行为数据获得步骤包括：

判断每一参考系参数的当前实际参数数据是否符合参数要求；

根据符合参数要求的参考系参数的当前实际参数数据以及移动模型，获得当前实际行为数据。

可选地，所述当前实际行为数据获得步骤包括：

根据每一参考系参数的权重系数处理其当前实际参数数据，获得每一参考系参数的当前权重数据；

输入每一参考系参数的当前权重数据至所述移动模型，获得当前实际行为数据。

可选地，还包括：

将所述当前实际行为数据作为当前时刻对应的预期行为数据、所述参考系参数的当前实际参数数据作为当前时刻对应的样本参数数据，以重新训练所述移动模型。

本发明实施例的第二方面提供了一种导航控制装置，应用于可移动设备中，所述装置包括：

采集模块，用于采集参考系参数的实际参数数据；

行为计算模块，用于根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据；所述移动模型根据所述参考系参数的样本参数数据以及预期行为数据训练获得；

指令生成模块，用于结合所述当前实际行为数据以及所述预期行为数据，生成行动指令；

导航控制模块，用于按照所述行动指令控制所述可移动设备行走。

本发明实施例的第三方面提供了一种可移动设备，包括检测组件、存储器以及处理组件；

所述存储器存储一条或多条计算机指令，所述一条或多条计算机指令用于被所述处理组件调用执行；

所述处理组件用于：

触发所述检测组件采集参考系参数的实际参数数据；

根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据；所述移动模型根据所述参考系参数的样本参数数据以及预期行为数据训练获得；

结合所述当前实际行为数据以及所述预期行为数据，生成行动指令；

按照所述行动指令控制所述可移动设备行走。

本发明实施例中，利用参考系参数的样本参数数据以及预期行为数据，可以预先训练获得移动模型，从而可移动设备实际行走时，通过采集参考系参数的实际参数数据利用该移动模型，即可以获得实际行为数据，结合实际行为数据以及预期行为数据，可以生成行动指令，从而根据该行动指令即可以控制可移动设备行走。本申请实施例无需依赖第三方提供的地图系统，通过预先训练的移动模型使得获得的可移动设备的实际行为数据更加精确，提高可移动设备路线导航的精确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。

图1示出了本发明实施例提供的一种导航控制方法一个实施例的流程示意图；

图2示出了本发明实施例提供的一种导航控制方法又一个实施例的流程示意图；

图3示出了本发明实施例提供的一种导航控制装置一个实施例的结构示意图；

图4示出了本发明实施例提供的一种可移动设备一个实施例的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

本发明实施例的技术方案适用于可自动执行工作的可移动设备中，例如移动机器人、自动送餐车等等智能机器人设备。可移动设备通过路线导航可自主行走。正如背景技术中所述，现有技术中通常依赖于第三方提供的地图系统，利用GPS(Global PositioningSystem，全球定位系统)进行自身定位，再结合地图数据来规划可行走路线，以进行行走。但是发明人研究出现，目前GPS定位结果尽管可以达到十几米，但是对于精度要求较高的场景，例如送餐机器人通常应用于最后一公里的特殊环境，利用GPS误差较大，将无法做到如此高精度要求；且需要强依赖于地图系统，而地图数据对于细小路段也无法做到准确及时提供，因此也会影响路线导航精确度。

为了解决现有技术中路线导航精确度较低的技术问题，本发明实施例提供了一种导航控制方法，利用参考系参数的样本参数数据以及预期行为数据，可以预先训练获得移动模型，从而可移动设备实际行走时，通过采集参考系参数的实际参数数据利用该移动模型，即可以获得实际行为数据，结合实际行为数据以及预期行为数据，可以生成行动指令，从而根据该行动指令即可以控制可移动设备行走。本申请实施例无需依赖第三方提供的地图系统，通过预先训练的移动模型使得获得的可移动设备的实际行为数据更加精确，从而提高可移动设备路线导航的精确度。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明实施例提供的一种导航控制方法一个实施例的流程图，本实施例所述方法应用于可移动设备中，该方法可以包括以下几个步骤：

101：采集参考系参数的实际参数数据。

其中，可移动设备在欲行走路线中行走，可以实时或者周期性采集参考系参数的实际参数数据。周期性采集时，实际参数数据的采集频率可以不固定。

本发明实施例中，参考系又称为参照物或者参照系，为了提高准确度，参考系参数可以包括多个。参考系参数通常选择相对固定的参数，以作为参考基准，例如欲行走路线上的周围建筑物等。

可选地，该参考系参数可以包括位置参数、环境参数、运动状态参数以及自身状态参数中的一个或多个。

可移动设备中可以设置多个传感器，例如激光雷达、红外线传感器、GPS(GlobalPositioning System，全球定位系统)、风速计、指南针、摄像头、加速度计、位移传感器、超声波传感器、倾角传感器、扭力传感器、称重传感器等等，因此可以利用可移动设备中的传感器采集各个参考系参数的实际参数数据。

例如，所述位置参数可以包括定位坐标；此外还可以包括利用第三方提供的地图系统获得的街道信息；利用指南针获得方向信息等。该定位坐标可以为GPS定位坐标、基站定位坐标、WIFI(Wireless-Fidelity，无线保真)定位坐标以及AGPS(Assisted GlobalPositioning System，辅助全球定位系统)定位坐标中的一个或多个，GPS定位坐标也即是指利用GPS定位获得的经纬度、基站定位坐标也即是指利用基站定位获得位置信息、WIFI定位坐标是指利用WIFI定位获得位置信息，AGPS定位坐标也即是指利用AGPS定位获得位置信息。

所述环境参数可以包括障碍物信息(利用激光雷达或超声波传感器采集获得)、路面完整度信息(利用激光雷达或红外线传感器采集获得)、风速(利用风速计采集获得)以及所述可移动设备与路面垂直度(利用倾角传感器采集获得)等中的一种或多种；

所述运动状态参数可以包括速度(利用测速计采集获得)、加速度(利用加速度计采集获得)以及位移(利用位移传感器采集获得)等中的一种或多种；

所述自身状态参数至少包括电池电量、马达马力(利用扭力传感器采集获得)以及载重(利用称重传感器采集获得)等中的一种或多种。

102：根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据。

其中，该移动模型可以根据参考系参数的样本参数数据以及预期行为数据训练获得。

可选地，该移动模型可以按照如下方式确定：

确定所述移动机设备的欲行走路线对应的所述移动模型。

可选地，该参考系参数的样本参数数据由所述可移动设备被人工控制在所述欲行走路线中行走时采集的。

由于实际应用中，可以对多条路线预先训练对应的移动模型，作为一种可选方式，确定所述可移动设备的欲行走路线对应的所述移动模型可以包括：

根据接收到的选择请求，确定所述可移动设备的欲行走路线对应的所述移动模型。

该选择请求可以由与可移动设备连接的控制设备发送，该控制设备响应于用户的移动模型选择操作，从而向可移动设备发送选择请求，该选择请求中可以包括移动模型标识，从而可以方便可移动设备确定该移动模型标识对应的移动模型即为欲行走路线对应的移动模型；或者该选择请求中可以包括该欲行走路线的路线标识，可移动设备中预先保存了不同路线标识与不同移动模型的对应关系，从而可移动设备可以根据路线标识查找获得对应的移动模型。

作为又一种可选方式，由于移动模型可以是利用可移动设备被人工控制行走时采集的样本参数数据训练获得。

对于每一条路线，可以设置目标对象进行标识，可移动设备可以采集该目标对象并与该条路线训练获得的移动模型对应保存。

因此确定所述移动机设备的欲行走路线对应的所述移动模型可以包括：

采集所述欲行走路线中的目标对象；

识别所述目标对象，并确定与该目标对象对应的移动模型，即为该欲行走路线对应的移动模型。

该目标对象可以是在欲行走路线中人工预设置的对象，例如标识牌或路牌等。

其中，行为数据可以至少包括位置坐标，此外还可以包括行走方向、行走速度、行走加速度等。

本申请实施例中，实际行为数据是指可移动设备在欲行走路线实际行走时计算获得的行为数据。由于在欲行走路线中行走是一个连续过程，利用当前采集的实际参数数据，可以获得当前实际行为数据，当前实际行为数据也即是指当前采集时刻的实际行为数据。当前实际行为数据即可以至少包括当前位置坐标，此外，可选地，还可以包括当前行走方向、当前行走速度、当前行走加速度等。

预期行为数据是指该欲行走路线对应的理论上的行为数据，在移动模型训练时通过预先设置获得，由于可移动设备在欲行走路线中行走是一个连续过程，预期行为数据也由一系列行为数据构成，可以是包括时间信息的连续数据或者离散数据，分别对应欲行走路线上的不同位置点。因此，为了方便数据处理，可以用时间信息来区分欲行走路线中不同位置点的预期行为数据、不同位置点采集的样本参数数据以及不同位置点采集的实际参数数据等。

进而将不同采集时刻采集的样本参数数据作为输入，以及该采集时刻对应的预期行为数据作为输出，即可以训练获得移动模型的模型系数。

103：结合所述当前实际行为数据以及所述预期行为数据，生成行动指令。

该行动指令中包括行动参数，行动参数可以包括方向、距离、速度、加速度等等。

根据当前实际行为数据，可以确定当前位置坐标，根据当前位置坐标可以确定下一个位置点对应的预期行为数据；由于行为数据中至少包括位置坐标，因此至少根据当前位置坐标以及下一个位置点的位置坐标，即可以确定出方向、距离等行动参数，进而生成行动指令。

其中，由于不同预期行为数据可以采用时间信息来区分，因此可选地，可以是结合所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令。该下一采集时刻对应预期行为数据即可以作为当前位置点的下一个位置点的预期行为数据。需要说明的是，下一个位置点仅是为了方便理解而采用的描述，实际上，以时间信息区分不同预期行为数据时，不同预期行为数据之间仅是通过时间建立的关联关系。

为了方便数据处理，可移动设备从欲行走路线的初始位置行走时开始计时，初始位置对应的采集时刻为0。

考虑实际行走时出现的行走故障等原因可能导致的时间延迟或提前，因此对于不同位置点的预期行为数据对应的时间信息可以是一个时间范围。

因此根据下一采集时刻，可以查找该下一采集时刻所处的时间范围，进而即可以获得该下一采集时刻所处的时间范围对应的预期行为数据。

该下一个采集时刻根据当前采集频率，结合当前采集时刻确定获得。

104：按照所述行动指令控制所述可移动设备行走。

可移动设备执行该行动指令，即可以按照该行动执行指示的方向、距离、速度等行动参数进行行走。

在本实施例中，预先根据参考系参数的样本参数数据以及预期行为数据训练获得移动模型，从而实际行走时，根据当前采集的参考系参数的实际参数数据，利用该移动模型即可以获得当前实际行为数据，结合当前实际行为数据以及预期行为数据，可以生成行动指令，从而可以按照该行动指令进行行走。无需依赖第三方提供的地图系统，无需依赖于GPS定位，即可以获得更加精确的包括位置坐标的实际行为数据，提高了可移动设备的路线导航的精确度，特别是对于细小路段能够提高精确导航，使得适用范围更广泛。

其中，在某些实施例中，移动模型可以具体按照下述方式预先训练获得：

获取所述可移动设备被人工控制在所述欲行走路线中行走时采集的参考系参数的样本参数数据；

利用所述样本参数数据以及预期行为数据，训练获得移动模型。

由于可以采用时间信息区分欲行走路线上预期行为数据以及样本参数数据，因此可以是将不同采集时刻采集的样本参数数据以及该采集时刻对应的预期行为数据，训练获得移动模型。

为了进一步提高模型训练的准确度，可移动设备可以被人工控制在所述欲行走路线中行走多遍。因此，在某些实施例中，所述利用所述样本参数数据以及预期行为数据，训练获得移动模型可以是：

利用每一次行走获得的样本参数数据以及所述预期行为数据，训练获得所述移动模型的多个候选系数；

结合所述多个候选系数确定模型系数，以获得所述移动模型。

移动模型的训练过程也即是训练模型系数的过程。

其中，可以为每一个参考系参数设置权重系数，权重系数表明该参考系数的参考价值，可以是权重系数越大、参考价值越大，越小、参考价值越小；当然也可以是权重系数越小、参考价值越大，越大、参考价值越小。

作为一种可选方式，结合所述多个候选系数确定模型系数可以是从所述多个候选系数中选择最优候选系数作为模型系数。

该最优候选系数的选择可以有多种实现方式：

由于每一次行走时，在某些情况下采集的参考系参数的实际参数数据由于不符合参数要求可能会被过滤掉，无法参与模型训练。

因此可以计算每一次行走使用的各个参考系参数的权重系数的和值，作为计算获得的候选系数的权重系数，选择最优和值对应的候选系数作为模型系数。

当然，作为又一种可选方式，可以是根据所述多个候选系数的权重系数，将多个候选系数进行加权平均，获得的平均数值即可以作为模型系数。

需要说明的是，本申请实施例并不对移动模型的模型公式进行具体限定。该移动模型的模型公式可以选用回归函数方程组，当然也可以选择其他方程组作为模型公式，使得各个参考系参数均可以在一个方程组中得到呈现即可。

在某些实施例中，还可以将所述参考系参数的样本参数数据进行降噪处理，以去除噪声；

再利用降噪处理之后的样本参数数据以及预期行为数据，训练获得移动模型。

可选地，可以利用卡尔曼滤波算法对样本参数数据进行降噪处理。

为了进一步提高路线导航的精确度，在某些实施例中，获得当前实际行为数据之后，可以与当前采集时刻对应的预期行为数据进行比较，判断比较结果是否在误差允许范围内，如果超出误差允许范围，表明可移动设备当前行走轨迹偏差较大，影响路线导航的准确度，需要进行调整。

因此，在某些实施例中，所述行动指令生成步骤包括：

比较所述当前实际行为数据以及当前采集时刻对应的预期行为数据；

如果比较结果在误差允许范围内，结合所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令；

否则，控制所述可移动设备在指定范围内行走，同时继续执行所述采集参考系的实际参数数据的步骤。

也即将可移动设备的当前行为进行调整，该指定范围可以根据比较结果确定，比较结果可以是当前实际行为数据与当前采集时刻对应的预期行为数据的差值等。

例如，当前实际行为数据中的行走方向为北遍东20度，而如果当前采集时刻对应的预期行为数据中的行走方向为北偏东60度，比较结果为相差40度，则指定范围例如可以包括北偏东40度，即控制设备向北偏东40度方向行走。另外，为了避免调整尺度太大导致仍然存在误差，则指定范围为一个较小范围，如上例中可以是北偏东5度，对可移动设备进行微调，直至当前实际行为数据与当前采集时刻对应的预期行为数据的比较结果在误差允许范围内。

可选地，在某些实施例中，该方法还可以包括：

根据超出误差允许范围的数值大小和/或超出误差允许范围的出现次数，调整所述参考系参数的采集频率。

可以是，如果比较结果超出误差允许范围的数值大于预设值，和/或统计超出误差预先范围的出现次数大于预设次数，则可以调整参考系参数的采集频率，例如提高采集频率等。

图2为本申请实施例提供了一种导航控制方法又一个实施例的流程图，本实施例的技术方案应用于可移动设备中，该方法可以包括以下几个步骤：

201：采集参考系参数的实际参数数据。

202：确定所述可移动设备的欲行走路线对应的移动模型。

203：输入当前采集的实际参数数据至移动模型，获得结果数据；

204：如果所述结果数据包括多个，确定最优结果数据并作为当前实际行为数据。

由于移动模型可以采用多个公式构成的方程组，因此可能求解获得多个结果数据。此时，可以从多个结果数据中确定最优结果数据作为当前实际行为数据。

其中，该最优结果数据的确定可以采用卡尔曼滤波算法执行。

也即如果所述结果数据包括多个，利用卡尔曼滤波算法计算最优结果数据；将所述最优结果数据作为当前实际行为数据。

205：比较所述当前实际行为数据以及当前采集时刻对应的预期行为数据。

206：判断比较结果是否在误差允许范围内，如果否，执行步骤207，如果是，执行步骤208。

207：控制所述可移动设备在指定范围内行走，并返回步骤201继续执行。

208：结合前一采集时刻的实际行为数据、所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令。

为了提高行动指令中行动参数的准确度，由于每一个采集时刻均可以计算获得对应的实际行为数据，因为可以结合前一采集时刻的实际行为数据，当前实际行为数据以及下一采集时刻对应的预期行为数据，三个连续位置点的行为数据，即可以准确指示可移动设备下一步的行动参数。

例如结合当前实际行为数据以及下一采集时刻对应的预期行为数据，可以确定出行走方向以及行走距离；

结合前一采集时刻的实际行为数据以及所述当前实际行为数据，可以获得行走速度等。

209：按照所述行动指令控制所述可移动设备行走。

在某些实施例中，还可以判断每一参考系参数的当前实际参数数据是否符合参数要求；

从而根据符合参数要求的参考系参数的当前实际参数数据以及移动模型，获得当前实际行为数据。

可选地，可以是将符合参数要求的参考系参数的当前实际参数数据输入至移动模型，获得结果数据；如果所述结果数据包括多个，确定最优结果数据并作为当前实际行为数据。

其中，每一参考系参数对应的参数要求可以不同，通过参数要求的设定可以过滤掉会影响计算结果的参考系参数，该参数要求可以根据实际要求进行设定。

以参数系参数为GPS定位坐标为例，如果环境状况不好，比如阴雨天气，GPS的信号会比较弱，此时即可以过滤掉该GPS定位坐标，以免影响行为数据的计算。因此GPS定位坐标对应的参数要求可以是当前的采集环境为预设环境等。

在某些实施例中，由于每一参考系参数可以对应有权重系数，权重系数可以表明该参考系参数的参考价值。利用卡尔曼滤波算法求解最优结果数据时，可以首先根据参考系数参数的使用个数以及每一参考系参数的权重系数，调整所述卡尔曼滤波算法中的矩阵系数；具体利用调整之后的卡尔曼滤波算法计算最优结果数据。其中，该矩阵系数可以是卡尔曼滤波算法中的状态转移矩阵，用于将多维的测量值(也即多个参考系参数的参数数据)与多维的状态变量对应起来。

可选地，可以是根据参考系数参数的使用个数以及每一参考系参数的权重系数，计算权重系数加权平均值，利用加权平均值实现对矩阵系数的调整，可以通过与矩阵系数相乘等实现。

该参考系数参数的使用个数即可以是指符合参数要求的参考系参数的个数。

此外，由于每一参考系参数可以对应有权重系数。在某些实施例中，所述当前实际行为数据获得步骤可以包括：

根据每一参考系参数的权重系数处理其当前实际参数数据，获得每一参考系参数的当前权重数据；

输入每一参考系参数的当前权重数据至所述移动模型，获得当前实际行为数据。

也即计算当前实际行为数据时，综合考虑每一参考系参数的权重系数。

其中，还可以是判断每一参考系参数的当前实际参数数据是否符合参数要求；

从而具体是根据符合参数要求的每一参考系参数的权重系数处理其当前实际参数数据，获得符合参数要求的每一参考系参数的当前权重数据；再将符合参数要求的每一参考系参数的当前权重数据至所述移动模型，获得当前实际行为数据。

其中，输入每一参考系参数的权重数据至所述移动模型，若获得多个结果数据，则可以选择最优结果数据作为当前实际行为数据。

在某些实施例中，为了进一步优化所述移动模型，获得当前实际行为数据之后，该方法还可以包括：

将所述当前实际行为数据作为当前时刻对应的预期行为数据、所述参考系参数的当前实际参数数据作为当前时刻对应的样本参数数据，以重新训练所述移动模型。

也即预期行为数据也可以选用每一次实际行走获得的实际行为数据。

利用每一次实际行走获得的实际行为数据以及采集获得的实际参数数据，可以训练获得移动模型的候选系数，该候选系数结合移动模型预先训练获得的多个候选系数，可以重新确定移动模型的模型系数。

由于在实际应用中，可移动设备行走时可能由于人为破坏，或者路面障碍物阻挡等原因导致可移动设备出现故障时，可以由人工干预可移动设备行走。

因此，在某些实施例，该方法还可以包括：

监测所述可移动设备故障时，向控制设备发送故障信息；

接收所述控制设备的控制指令；

按照所述控制指令控制所述可移动设备行走。

其中，监测可移动设备故障可以是监测可移动设备在预设时间内的行走速度均为0、或者位置未变等等，即可以认为可移动设备出现故障。

控制设备与可移动设备连接，该控制设备响应于用户的移动模型选择操作，从控制设备接收到故障信息之后，可以输出提示信息以提示用户，可以响应于用户的控制操作，向可移动设备发送控制指令。该控制指令中可以包括行走参数等，从而可移动设备可以按照控制指令行走。

控制设备接收到故障信息之后，还可以向可移动设备发送报警指令。可移动设备响应于该报警指令，可以输出报警提示信息等，该报警提示信息例如可以是特定声音等等。

图3为本申请实施例提供的一种导航控制装置一个实施例的结构示意图，该导航控制装置应用于可移动设备中，可以包括：

采集模块301，用于采集参考系参数的实际参数数据。

可选地，该采集模块可以实时或者周期性采集参考系参数的实际参数数据。周期性采集时，实际参数数据的采集频率可以不固定。

其中，可移动设备中可以设置多个传感器，例如激光雷达、红外线传感器、GPS、风速计、指南针、摄像头、加速度计、位移传感器、超声波传感器、倾角传感器、扭力传感器、称重传感器等等，因此可以利用可移动设备中的传感器采集各个参考系参数的实际参数数据。

该参考系参数可以包括位置参数、环境参数、运动状态参数以及自身状态参数等中的一种或多种。

可选地，所述位置参数可以包括定位坐标；

所述环境参数可以包括障碍物信息、路面完整度信息、风速和所述可移动设备与路面垂直度等中的一种或多种；

所述运动状态参数可以包括速度、加速度和位移一种或多种；

所述自身状态参数可以包括电池电量、马达马力和载重一种或多种。

行为计算模块302，用于根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据。

其中，所述移动模型根据所述参考系参数的样本参数数据以及预期行为数据训练获。

其中，该装置还可以包括：

确定模块，用于确定所述可移动设备的欲行走路线对应的所述移动模型。

由于实际应用中，可以对多条路线预先训练对应的移动模型，作为一种可选方式，确定所述可移动设备的欲行走路线对应的所述移动模型可以包括：

根据接收到的选择请求，确定所述可移动设备的欲行走路线对应的所述移动模型。

作为又一种可选方式，由于移动模型可以是利用可移动设备被人工控制行走时采集的样本参数数据训练获得。

对于每一条路线，可以设置目标对象进行标识，可移动设备可以采集该目标对象并与该条路线训练获得的移动模型对应保存。

因此确定所述移动机设备的欲行走路线对应的所述移动模型可以包括：

采集所述欲行走路线中的目标对象；

识别所述目标对象，并确定与该目标对象对应的移动模型，即为该欲行走路线对应的移动模型。

指令生成模块303，用于结合所述当前实际行为数据以及所述预期行为数据，生成行动指令。

该行动指令中包括行动参数，行动参数可以包括方向、距离、速度、加速度等等。

其中，由于不同预期行为数据可以采用时间信息来区分，因此可选地，该指令生成模块可以是结合所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令。

考虑实际行走时出现的行走故障等原因可能导致的时间延迟或提前，因此对于不同位置点的预期行为数据对应的时间信息可以是一个时间范围。

因此根据下一采集时刻，可以查找该下一采集时刻所处的时间范围，进而即可以获得该下一采集时刻所处的时间范围对应的预期行为数据。

该下一个采集时刻根据当前采集频率，结合当前采集时刻确定获得。

导航控制模块304，用于按照所述行动指令控制所述可移动设备行走。

可移动设备执行该行动指令，即可以按照该行动执行指示的方向、距离、速度等行动参数进行行走。

在本实施例中，预先根据参考系参数的样本参数数据以及预期行为数据训练获得移动模型，从而实际行走时，根据当前采集的参考系参数的实际参数数据，利用该移动模型即可以获得当前实际行为数据，结合当前实际行为数据以及预期行为数据，可以生成行动指令，从而可以按照该行动指令进行行走。无需依赖第三方提供的地图系统，无需依赖于GPS定位，即可以获得更加精确的包括位置坐标的实际行为数据，提高了可移动设备的路线导航的精确度，特别是对于细小路段能够提高精确导航，使得适用范围更广泛。

在某些实施例中，该装置还可以包括：

模型预训练模块，用于获取所述可移动设备被人工控制在所述欲行走路线中行走时采集的参考系参数的样本参数数据；

利用所述样本参数数据以及预期行为数据，训练获得移动模型。

其中，所述参考系参数的样本参数数据由所述可移动设备被人工控制在所述欲行走路线中行走时采集的。

可选地，所述模型预训练利用所述样本参数数据以及预期行为数据，训练获得移动模型具体是利用每一次行走获得的样本参数数据以及预期行为数据，训练获得所述移动模型的多个候选系数；

结合所述多个候选系数确定模型系数，以获得所述移动模型。

其中，可以为每一个参考系参数设置权重系数，权重系数表明该参考系数的参考价值，可以是权重系数越大、参考价值越大，越小、参考价值越小；当然也可以是权重系数越小、参考价值越大，越大、参考价值越小。

作为一种可选方式，结合所述多个候选系数确定模型系数可以是从所述多个候选系数中选择最优候选系数作为模型系数。

该最优候选系数的选择可以有多种实现方式：

由于每一次行走时，在某些情况下采集的参考系参数的实际参数数据由于不符合参数要求可能会被过滤掉，无法参与模型训练。

因此可以计算每一次行走使用的各个参考系参数的权重系数的和值，作为计算获得的候选系数的权重系数，选择最优和值对应的候选系数作为模型系数。

当然，作为又一种可选方式，可以是根据所述多个候选系数的权重系数，将多个候选系数进行加权平均，获得的平均数值即可以作为模型系数。

在某些实施例中，模型训练模块还可以将所述参考系参数的样本参数数据进行降噪处理，以去除噪声；

再利用降噪处理之后的样本参数数据以及预期行为数据，训练获得移动模型。

为了进一步提高路线导航的精确度，在某些实施例中，所述指令生成模块可以包括：

比较单元，比较所述当前实际行为数据以及当前采集时刻对应的预期行为数据；

结果判断单元，用于判断比较结果是否在误差允许范围内；

指令生成单元，用于在所述判断单元的结果为是时，结合所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令；

控制单元，用于在所述判断单元的结果为否时，控制所述可移动设备在指定范围内行走，并触发所述采集模块。

可选地，在某些实施例中，该装置还可以包括：

频率调整模块，用于根据超出误差允许范围的数值大小和/或出现次数，调整所述参考系参数的采集频率。

可以是，如果比较结果超出误差允许范围的数值大于预设值，和/或统计超出误差预先范围的出现次数大于预设次数，则可以调整参考系参数的采集频率，例如提高采集频率等。

其中，为了提高行动指令中行动参数的准确度，由于每一个采集时刻均可以计算获得对应的实际行为数据，因此，可选地，该指令生成模块可以具体用于：

结合前一采集时刻的实际行为数据、所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令。

此外，作为又一个实施例，该行为计算模块可以包括：

参数判断单元，用于判断每一参考系参数的当前实际参数数据是否符合参数要求；

第一行为计算单元，用于根据符合参数要求的参考系参数的当前实际参数数据以及移动模型，获得当前实际行为数据。

其中，每一参考系参数对应的参数要求可以不同，通过参数要求的设定可以过滤掉会影响计算结果的参考系参数，该参数要求可以根据实际要求进行设定。

其中，第一行为计算单元具体可以是将符合参数要求的参考系参数的当前实际参数数据输入至移动模型，获得结果数据；如果所述结果数据包括多个，确定最优结果数据并作为当前实际行为数据。

作为又一个实施例，该行为计算模块可以包括：

权重计算单元，用于根据每一参考系参数的权重系数处理其当前实际参数数据，获得每一参考系参数的当前权重数据；

第二行为计算单元，用于输入每一参考系参数的当前权重数据至所述移动模型，获得当前实际行为数据。

由于移动模型可以采用多个公式构成的方程组，因此可能求解获得多个结果数据。因此，作为又一个实施例，所述行为计算模块可以包括：

输入单元，用于输入当前采集的实际参数数据至移动模型，获得结果数据；

第三行为计算单元，用于如果所述结果数据包括多个，确定最优结果数据并作为当前实际行为数据。

由于每一参考系参数可以对应有权重系数，权重系数可以表明该参考系参数的参考价值。因此，作为一种可能的实现方式，所述第三行为计算单元可以具体用于：如果所述结果数据包括多个，利用卡尔曼滤波算法计算最优结果数据；将所述最优结果数据作为当前实际行为数据。

可选地，所述第三行为计算单元可以是根据参考系数参数的使用个数以及每一参考系参数的权重系数，调整所述卡尔曼滤波算法中的矩阵系数；具体利用调整之后的卡尔曼滤波算法计算最优结果数数据。

可选地，可以是根据参考系数参数的使用个数以及每一参考系参数的权重系数，计算权重系数加权平均值，利用加权平均值实现对矩阵系数的调整，可以通过与矩阵系数相乘等实现。

在某些实施例中，为了进一步优化所述移动模型，获得当前实际行为数据之后，该方法还可以包括：

数据处理模块，用于将所述当前实际行为数据作为当前时刻对应的预期行为数据、所述参考系参数的当前实际参数数据作为当前时刻对应的样本参数数据，以重新训练所述移动模型。

由于在实际应用中，可移动设备行走时可能由于人为破坏，或者路面障碍物阻挡等原因导致可移动设备出故障时，可以由人工干预可移动设备行走。

因此，在某些实施例，该装置还可以包括：

故障监测模块，用于监测所述可移动设备故障时，向控制设备发送故障信息；

指令接收模块，用于接收所述控制设备的控制指令；

行走控制模块，用于按照所述控制指令控制所述可移动设备行走。

其中，控制设备接收到故障信息之后，还可以向可移动设备发送报警指令。可移动设备响应于该报警指令，可以输出报警提示信息等，该报警提示信息例如可以是声音等等。

在一个可能的设计中，上述各个实施例所述的导航控制装置可以配置可移动设备中，该可移动设备在实际应用中可以是指移动机器人、自动送餐车等等智能机器。

因此，本申请实施例还提供了一种可移动设备，如图4中所示，该可移动设备包括存储器401、检测组件402以及处理组件403。

其中，所述存储器401存储一条或多条计算机指令，所述一条或多条计算机指令用于被所述处理组件403调用执行；

所述处理组件403用于：

触发所述检测组件401采集参考系参数的实际参数数据；

根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据；所述移动模型根据所述参考系参数的样本参数数据以及预期行为数据训练获得；

结合所述当前实际行为数据以及所述预期行为数据，生成行动指令；

按照所述行动指令控制所述可移动设备行走。

可选地，该处理组件403还用于执行前述各方法步骤中的全部或部分步骤。

其中，该处理组件403可以包括一个或多个处理器来执行计算机指令。当然第二处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

该存储器401可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

检测组件402可以由一个或多个传感器构成，例如可以包括激光雷达、红外线传感器、GPS、风速计、指南针、摄像头、加速度计、位移传感器、超声波传感器、倾角传感器、扭力传感器和/或称重传感器等等，

当然，所述可移动设备还可以包括其他部件，例如输入/输出接口、通信组件等。输入/输出接口为处理组件和外围接口模块之间提供接口，上述外围接口模块可以是输出设备、输入设备等。通信组件被配置为便于可移动设备和其他设备之间有线或无线方式的通信，例如和控制设备的通信等等。

本发明实施例提供了一种计算机程序产品，包括计算机可读存储介质，用于储存本发明实施例所述导航控制装置所用的计算机指令，其包含用于执行上述任一实施例中导航控制方法所涉及的程序。

通过本发明实施例的技术方案，无需依赖第三方提供的地图系统，提高可移动设备路线导航的精确度。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

本发明公开了A1、一种导航控制方法，应用于可移动设备中，所述方法包括：

采集参考系参数的实际参数数据；

根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据；所述移动模型根据所述参考系参数的样本参数数据以及预期行为数据训练获得；

结合所述当前实际行为数据以及所述预期行为数据，生成行动指令；

按照所述行动指令控制所述可移动设备行走。

A2、根据A1所述的方法，所述当前实际行为数据获得步骤之前，还包括：

确定所述可移动设备的欲行走路线对应的所述移动模型；

其中，所述参考系参数的样本参数数据由所述可移动设备被人工控制在所述欲行走路线中行走时采集的。

A3、根据A1所述的方法，所述行动指令生成步骤包括：

结合所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令。

A4、根据A3所述的方法，所述行动指令生成步骤包括：

比较所述当前实际行为数据以及当前采集时刻对应的预期行为数据；

如果比较结果在误差允许范围内，结合所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令；

否则，控制所述可移动设备在指定范围内行走，同时继续执行所述采集参考系参数的实际参数数据的步骤。

A5、根据3所述的方法，所述行动指令生成步骤包括：

结合前一采集时刻的实际行为数据、所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令。

A6、根据A1所述的方法，其所述当前实际行为数据获得步骤包括：

判断每一参考系参数的当前实际参数数据是否符合参数要求；

根据符合参数要求的参考系参数的当前实际参数数据以及移动模型，获得当前实际行为数据。

A7、根据A1所述的方法，所述当前实际行为数据获得步骤包括：

根据每一参考系参数的权重系数处理其当前实际参数数据，获得每一参考系参数的当前权重数据；

输入每一参考系参数的当前权重数据至所述移动模型，获得当前实际行为数据。

A8、根据A1所述的方法，所述当前实际行为数据获得步骤包括：

输入当前采集的实际参数数据至移动模型，获得结果数据；

如果所述结果数据包括多个，确定最优结果数据并作为当前实际行为数据。

A9、根据A8所述的方法，所述如果所述结果数据包括多个，确定最优结果数据并作为当前实际行为数据包括：

如果所述结果数据包括多个，利用卡尔曼滤波算法计算最优结果数据；

将所述最优结果数据作为当前实际行为数据。

A10、根据A9所述的方法，所述如果所述结果数据包括多个，利用卡尔曼滤波算法计算最优结果数据包括：

如果所述结果数据包括多个，根据参考系数参数的使用个数以及每一参考系参数的权重系数，调整所述卡尔曼滤波算法中的矩阵系数；

利用调整之后的卡尔曼滤波算法计算最优结果数据。

A11、根据A1所述的方法，还包括：

将所述当前实际行为数据作为当前时刻对应的预期行为数据、所述参考系参数的当前实际参数数据作为当前时刻对应的样本参数数据，以重新训练所述移动模型。

A12、根据A1所述的方法，所述移动模型按照下述方式预先训练获得：

获取所述可移动设备被人工控制在所述欲行走路线中行走时采集的参考系参数的样本参数数据；

利用所述样本参数数据以及预期行为数据，训练获得移动模型。

A13、根据A12所述的方法，所述利用所述样本参数数据以及预期行为数据，训练获得移动模型包括：

利用每一次行走获得的样本参数数据以及预期行为数据，训练获得所述移动模型的多个候选系数；

结合所述多个候选系数确定模型系数，以获得所述移动模型。

A14、根据A1所述的方法，还包括：

监测所述可移动设备故障时，向控制设备发送故障信息；

接收所述控制设备的控制指令；

按照所述控制指令控制所述可移动设备行走。

A15、根据A4所述的方法，还包括：

根据超出误差允许范围的数值大小和/或出现次数，调整所述参考系参数的采集频率。

A16、根据A1所述的方法，所述参考系参数包括位置参数、环境参数、运动状态参数和自身状态参数中的一种或多种；

所述位置参数包括定位坐标；

所述环境参数包括障碍物信息、路面完整度信息、风速和所述可移动设备与路面垂直度中的一种或多种；

所述运动状态参数包括速度、加速度和位移中的一种或多种；

所述自身状态参数包括电池电量、马达马力和载重中的一种或多种。

B17、一种导航控制装置，应用于可移动设备中，所述装置包括：

采集模块，用于采集参考系参数的实际参数数据；

行为计算模块，用于根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据；所述移动模型根据所述参考系参数的样本参数数据以及预期行为数据训练获得；

指令生成模块，用于结合所述当前实际行为数据以及所述预期行为数据，生成行动指令；

导航控制模块，用于按照所述行动指令控制所述可移动设备行走。

B18、根据B17所述的装置，还包括：

确定模块，用于确定所述可移动设备的欲行走路线对应的所述移动模型；

其中，所述参考系参数的样本参数数据由所述可移动设备被人工控制在所述欲行走路线中行走时采集的。

B19、根据B17所述的装置，所述指令生成模块具体用于：

结合所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令。

B20、根据B19所述的装置，所述指令生成模块包括：

比较单元，比较所述当前实际行为数据以及当前采集时刻对应的预期行为数据；

结果判断单元，用于判断比较结果是否在误差允许范围内；

指令生成单元，用于在所述判断单元的结果为是时，结合所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令；

控制单元，用于在所述判断单元的结果为否时，控制所述可移动设备在指定范围内行走，并触发所述采集模块。

B21、根据B19所述的装置，所述指令生成模块具体用于：

结合前一采集时刻的实际行为数据、所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令。

B22、根据B17所述的装置，所述行为计算模块包括：

参数判断模块，用于判断每一参考系参数的当前实际参数数据是否符合参数要求；

第一行为计算单元，用于根据符合参数要求的参考系参数的当前实际参数数据以及移动模型，获得当前实际行为数据。

B23、根据B17所述的装置，所述行为计算模块包括：

权重计算单元，用于根据每一参考系参数的权重系数处理其当前实际参数数据，获得每一参考系参数的当前权重数据；

第二行为计算单元，用于输入每一参考系参数的当前权重数据至所述移动模型，获得当前实际行为数据。

B24、根据B17所述的装置，所述行为计算模块包括：

输入单元，用于输入当前采集的实际参数数据至移动模型，获得结果数据；

第三行为计算单元，用于如果所述结果数据包括多个，确定最优结果数据并作为当前实际行为数据。

B25、根据B24所述的装置，所述第三行为计算单元具体用于：如果所述结果数据包括多个，利用卡尔曼滤波算法计算最优结果数据；将所述最优结果数据作为当前实际行为数据。

B26、根据B25所述的装置，所述第三行为计算单元具体用于：如果所述结果数据包括多个，根据参考系数参数的使用个数以及每一参考系参数的权重系数，调整所述卡尔曼滤波算法中的矩阵系数；利用调整之后的卡尔曼滤波算法计算最优结果数数据；将所述最优结果数据作为当前实际行为数据。

B27、根据B17所述的装置，还包括：

数据处理模块，用于将所述当前实际行为数据作为当前时刻对应的预期行为数据、所述参考系参数的当前实际参数数据作为当前时刻对应的样本参数数据，以重新训练所述移动模型。

B28、根据B17所述的装置，还包括：

模型预训练模块，用于获取所述可移动设备被人工控制在所述欲行走路线中行走时采集的参考系参数的样本参数数据；

利用所述样本参数数据以及预期行为数据，训练获得移动模型。

B29、根据B28所述的装置，所述模型预训练利用所述样本参数数据以及预期行为数据，训练获得移动模型具体是利用每一次行走获得的样本参数数据以及预期行为数据，训练获得所述移动模型的多个候选系数；

结合所述多个候选系数确定模型系数，以获得所述移动模型。

B30、根据B17所述的装置，其还包括：

故障监测模块，用于监测所述可移动设备故障时，向控制设备发送故障信息；

指令接收模块，用于接收所述控制设备的控制指令；

行走控制模块，用于按照所述控制指令控制所述可移动设备行走。

B32、根据B20所述的装置，还包括：

频率调整模块，用于根据超出误差允许范围的数值大小和/或出现次数，调整所述参考系参数的采集频率。

B32、根据B17所述的装置，所述参考系参数包括位置参数、环境参数、运动状态参数和自身状态参数中的一种或多种；

所述位置参数包括定位坐标；

所述环境参数包括障碍物信息、路面完整度信息、风速和所述可移动设备与路面垂直度中的一种或多种；

所述运动状态参数包括速度、加速度和位移中的一种或多种；

所述自身状态参数包括电池电量、马达马力和载重中的一种或多种。

C33、一种可移动设备，包括检测组件、存储器以及处理组件；

所述存储器存储一条或多条计算机指令，所述一条或多条计算机指令用于被所述处理组件调用执行；

所述处理组件用于：

触发所述检测组件采集参考系参数的实际参数数据；

根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据；所述移动模型根据所述参考系参数的样本参数数据以及预期行为数据训练获得；

结合所述当前实际行为数据以及所述预期行为数据，生成行动指令；

按照所述行动指令控制所述可移动设备行走。

Claims (10)

1.一种导航控制方法，其特征在于，应用于可移动设备中，所述方法包括：

采集参考系参数的实际参数数据；

根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据；所述移动模型根据所述参考系参数的样本参数数据以及预期行为数据训练获得；

结合所述当前实际行为数据以及所述预期行为数据，生成行动指令；

按照所述行动指令控制所述可移动设备行走。

2.根据权利要求1所述的方法，其特征在于，所述当前实际行为数据获得步骤之前，还包括：

确定所述可移动设备的欲行走路线对应的所述移动模型；

其中，所述参考系参数的样本参数数据由所述可移动设备被人工控制在所述欲行走路线中行走时采集的。

3.根据权利要求1所述的方法，其特征在于，所述行动指令生成步骤包括：

结合所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令。

4.根据权利要求3所述的方法，其特征在于，所述行动指令生成步骤包括：

比较所述当前实际行为数据以及当前采集时刻对应的预期行为数据；

如果比较结果在误差允许范围内，结合所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令；

否则，控制所述可移动设备在指定范围内行走，同时继续执行所述采集参考系参数的实际参数数据的步骤。

5.根据权利要求3所述的方法，其特征在于，所述行动指令生成步骤包括：

结合前一采集时刻的实际行为数据、所述当前实际行为数据以及下一采集时刻对应的预期行为数据，生成行动指令。

6.根据权利要求1所述的方法，其特征在于，所述当前实际行为数据获得步骤包括：

判断每一参考系参数的当前实际参数数据是否符合参数要求；

根据符合参数要求的参考系参数的当前实际参数数据以及移动模型，获得当前实际行为数据。

7.根据权利要求1所述的方法，其特征在于，所述当前实际行为数据获得步骤包括：

根据每一参考系参数的权重系数处理其当前实际参数数据，获得每一参考系参数的当前权重数据；

输入每一参考系参数的当前权重数据至所述移动模型，获得当前实际行为数据。

8.根据权利要求1所述的方法，其特征在于，还包括：

将所述当前实际行为数据作为当前时刻对应的预期行为数据、所述参考系参数的当前实际参数数据作为当前时刻对应的样本参数数据，以重新训练所述移动模型。

9.一种导航控制装置，其特征在于，应用于可移动设备中，所述装置包括：

采集模块，用于采集参考系参数的实际参数数据；

行为计算模块，用于根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据；所述移动模型根据所述参考系参数的样本参数数据以及预期行为数据训练获得；

指令生成模块，用于结合所述当前实际行为数据以及所述预期行为数据，生成行动指令；

导航控制模块，用于按照所述行动指令控制所述可移动设备行走。

10.一种可移动设备，其特征在于，包括检测组件、存储器以及处理组件；

所述存储器存储一条或多条计算机指令，所述一条或多条计算机指令用于被所述处理组件调用执行；

所述处理组件用于：

触发所述检测组件采集参考系参数的实际参数数据；

根据当前采集的实际参数数据以及移动模型，获得当前实际行为数据；所述移动模型根据所述参考系参数的样本参数数据以及预期行为数据训练获得；

结合所述当前实际行为数据以及所述预期行为数据，生成行动指令；

按照所述行动指令控制所述可移动设备行走。