CN107544248B - 一种移动机器人中的任务优化方法及设备 - Google Patents

一种移动机器人中的任务优化方法及设备 Download PDF

Info

Publication number
CN107544248B
CN107544248B CN201710823805.XA CN201710823805A CN107544248B CN 107544248 B CN107544248 B CN 107544248B CN 201710823805 A CN201710823805 A CN 201710823805A CN 107544248 B CN107544248 B CN 107544248B
Authority
CN
China
Prior art keywords
information
task
task type
user
usage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710823805.XA
Other languages
English (en)
Other versions
CN107544248A (zh
Inventor
陆祎
白静
李宇翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Slamtec Co Ltd
Original Assignee
Shanghai Slamtec Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Slamtec Co Ltd filed Critical Shanghai Slamtec Co Ltd
Priority to CN201710823805.XA priority Critical patent/CN107544248B/zh
Publication of CN107544248A publication Critical patent/CN107544248A/zh
Priority to US16/646,165 priority patent/US11561820B2/en
Priority to PCT/CN2018/104230 priority patent/WO2019052389A1/zh
Priority to EP18855841.5A priority patent/EP3683676A4/en
Application granted granted Critical
Publication of CN107544248B publication Critical patent/CN107544248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
    • G06F9/38—Concurrent instruction execution, e.g. pipeline or look ahead
    • G06F9/3836—Instruction issuing, e.g. dynamic instruction scheduling or out of order instruction execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Manipulator (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请的目的是提供一种移动机器人中的任务优化方法及设备，本申请通过获取移动机器人中的至少一个任务类型和所有用户使用每个任务类型对应的任务时的使用信息；分别对每个任务类型对应的所有用户的使用信息进行机器学习，得到每个任务类型对应的至少一个用户使用习惯信息及其使用概率，实现对所有用户使用任务类型对应的任务时的使用信息进行机器学习；基于每个任务类型对应的至少一个使用习惯信息及其使用概率和实时使用信息，对用户实时使用的任务类型对应的任务进行优化，从而能够帮助移动机器人更加高效智能地完成相应任务类型对应的任务的执行，而且能够减少用户实时使用移动机器人中的任务类型对应的任务所花费的时间和资源。

Description

一种移动机器人中的任务优化方法及设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种移动机器人中的任务优化方法及设备。
背景技术
随着科学技术的不断进步，移动机器人的相关技术越来越成熟，其使用场景也越来越普遍，给人们的生活带来了极大的便利。在移动机器人执行每一项任务功能的时候，由于用户使用习惯的多种多样，移动机器人也就面临这样或那样的挑战。因此，如何提高移动机器人的运行效率，帮助移动机器人更智能地完成任务的需求日益突出。当前移动机器人的任务功能的内容设定主要由开发人员提供，用户只能被动的选择最符合自己当前需求的任务功能，这样既无法提供用户友好的使用习惯，也会在一定程度上造成用户时间和资源的浪费。
因此，如何使移动机器人更加高效智能地完成任务的同时，能够减少用户使用移动机器人该任务时所花费的时间和资源成为业界主要研究的课题。
发明内容
本申请的一个目的是提供一种移动机器人中的任务优化方法及设备，以使移动机器人能够在智能高效地完成用户所需其执行的任务的同时，能够减少用户使用移动机器人该任务时所花费的时间和资源。
根据本申请的一个方面，提供了一种移动机器人中的任务优化方法，其中，所述方法包括：
获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；
分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率；
获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息；
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化。
进一步地，上述方法中，所述基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化，包括：
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率，对所述实时使用信息进行分析匹配，得到与所述实时使用信息匹配的用户使用习惯信息；
基于与所述实时使用信息匹配的用户使用习惯信息，对用户实时使用的任务类型进对应的任务进行优化。
进一步地，上述方法中，所述基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率，对所述实时使用信息进行分析匹配，得到与所述实时使用信息匹配的用户使用习惯信息，包括：
基于所述用户实时使用的任务类型，从每个所述任务类型对应的至少一个使用习惯信息及其使用概率中，获取所述用户实时使用的任务类型对应的至少一个使用习惯信息及其使用概率；
分别计算所述实时使用信息与所述用户实时使用的任务类型对应的每个使用习惯信息之间的相似度；
基于所述相似度和所述使用概率，得到与所述实时使用信息匹配的用户使用习惯信息。
进一步地，上述方法中，所述分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率，包括：
基于预设的机器学习模型，分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率。
进一步地，上述方法中，所述基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化之后，还包括：
将优化后的用户实时使用的任务类型对应的任务，通过消息提醒的方式告知所述用户。
进一步地，上述方法中，所述方法还包括：
基于获取的用户实时使用所述移动机器人中的任务类型对应的任务的使用状态信息，对所述任务类型对应的用户使用习惯信息的使用概率进行更新。
进一步地，上述方法中，所述使用习惯信息包括使用时间、使用地点、使用范围及使用次数中的一项或多项。
根据本申请的另一方面，还提供了移动机器人中的任务优化设备，其中，所述设备包括：
第一获取装置，用于获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；
学习装置，用于分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率；
第二获取装置，用于获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息；
优化装置，用于基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化。
进一步地，上述设备中，所述优化装置用于：
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率，对所述实时使用信息进行分析匹配，得到与所述实时使用信息匹配的用户使用习惯信息；
基于与所述实时使用信息匹配的用户使用习惯信息，对用户实时使用的任务类型进对应的任务进行优化。
进一步地，上述设备中，所述优化装置用于：
基于所述用户实时使用的任务类型，从每个所述任务类型对应的至少一个使用习惯信息及其使用概率中，获取所述用户实时使用的任务类型对应的至少一个使用习惯信息及其使用概率；
分别计算所述实时使用信息与所述用户实时使用的任务类型对应的每个使用习惯信息之间的相似度；
基于所述相似度和所述使用概率，得到与所述实时使用信息匹配的用户使用习惯信息。
进一步地，上述设备中，所述学习装置用于：
基于预设的机器学习模型，分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率。
进一步地，上述设备中，所述优化装置还用于：
将优化后的用户实时使用的任务类型对应的任务，通过消息提醒的方式告知所述用户。
进一步地，上述设备中，所述设备还包括更新装置，其中，所述更新装置用于：
基于获取的用户实时使用所述移动机器人中的任务类型对应的任务的使用状态信息，对所述任务类型对应的用户使用习惯信息的使用概率进行更新。
进一步地，上述设备中，所述使用习惯信息包括使用时间、使用地点、使用范围及使用次数中的一项或多项。
根据本申请的另一方面，还提供了基于计算的设备，其中，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；
分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率；
获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息；
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化。
根据本申请的另一方面，还提供了计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；
分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率；
获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息；
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化。
与现有技术相比，本申请通过获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率，完成针对移动机器人中的每一个任务类型，对所有用户使用任务类型对应的任务时的使用信息进行机器学习，自动生成每个任务类型的对应的至少一个用户使用习惯信息及其使用概率，以便后续当获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息时；基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化，从而能够帮助移动机器人更加高效智能地完成相应任务类型对应的任务的执行，而且能够减少用户实时使用移动机器人中的任务类型对应的任务所花费的时间和资源。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种移动机器人中的任务优化方法的流程示意图；
图2示出根据本申请一个方面的一种移动机器人中的任务优化方法的实际应用场景示意图；
图3示出根据本申请一个方面的一种移动机器人中的任务优化设备的模块示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
图1示出根据本申请一个方面的一种移动机器人中的任务优化方法的流程示意图，应用于用户实时使用移动机器人中的任务时，对移动机器人所要执行的任务类型对应的任务进行优化的过程中，该方法包括步骤S11、步骤S12、步骤S13和步骤S14，其中，具体包括：
所述步骤S11，获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；所述步骤S12，分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率，完成针对移动机器人中的每一个任务类型，对所有用户使用任务类型对应的任务时的使用信息进行机器学习，自动生成每个任务类型的对应的至少一个用户使用习惯信息及其使用概率，以便后续当用户实时使用移动机器人中的任务类型对应的任务时，对该任务进行优化。之后，当用户实时使用机器人中的一任务类型对应的任务时，所述步骤S13，获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息时；所述步骤S14基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化，从而能够帮助移动机器人更加高效智能地完成相应任务类型对应的任务的执行，而且能够减少用户实时使用移动机器人中的任务类型对应的任务所花费的时间和资源。
在此，所述步骤S11中获取的所有用户使用每个所述任务类型对应的任务时的使用信息可以包括但不限于包括使用时间、使用地点、使用范围及使用次数中的一项或多项，其中，所述使用时间可以包括使用开始时间、使用结束时间及使用时长等。当然，本领域技术人员应能理解，其他现有的或今后可能出现的其他任何所述使用信息如可适用于本申请，也应包含在本申请的保护范围内，并在此以引用方式包含于此。
当然，本申请在所述步骤S12中的分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到的每个所述任务类型对应的至少一个用户使用习惯信息也可以是包括但不限于包括使用时间、使用地点、使用范围及使用次数中的一项或多项，其中，所述使用时间可以包括使用开始时间、使用结束时间及使用时长等。当然，本领域技术人员应能理解，其他现有的或今后可能出现的其他任何所述使用习惯信息如可适用于本申请，也应包含在本申请的保护范围内，并在此以引用方式包含于此。
进一步地，所述步骤S12中的分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率，包括：
基于预设的机器学习模型，分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率。在此，根据对移动机器人进行使用的不同使用场景，确定不同的预设的及其学习模型，该及其学习模型对应不同的机器学习算法。
本申请一实施例中，若步骤S11移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息如表-1所示，针对不同的任务类型，每个任务类型对应的使用信息的数量为至少一个，在同一个任务类型对应的不同使用信息中，可以通过对应的预设的机器学习模型，学习出任务类型对应的至少一个使用习惯信息及其使用概率，例如，针对任务类型A，且若任务类型A对应有6组使用习惯信息及其使用概率，则分别为：用习惯信息M1及其使用概率p1，用习惯信息M2及其使用概率p2，用习惯信息M3及其使用概率p3，用习惯信息M4及其使用概率p4，用习惯信息M5及其使用概率p5及用习惯信息M6及其使用概率p6，实现对移动机器人中的每一个任务类型对应的所有用户的使用信息的机器学习，以便后续当用户实时使用移动机器人中的任务类型对应的任务时，对该任务进行优化。
表-1移动机器人中的每个任务类型对应的使用习惯信息及其使用概率
本申请一实施例中，所述步骤S14中的基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化，包括：
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率，对所述实时使用信息进行分析匹配，得到与所述实时使用信息匹配的用户使用习惯信息；基于与所述实时使用信息匹配的用户使用习惯信息，对用户实时使用的任务类型进对应的任务进行优化，实现对用户实时使用移动机器人时的任务类型对应的任务的优化，能够帮助移动机器人更加高效智能地完成相应任务类型对应的任务的执行，而且能够减少用户实时使用移动机器人中的任务类型对应的任务所花费的时间和资源。
进一步地，所述步骤S14基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率，对所述实时使用信息进行分析匹配，得到与所述实时使用信息匹配的用户使用习惯信息，包括：
基于所述用户实时使用的任务类型，从每个所述任务类型对应的至少一个使用习惯信息及其使用概率中，获取所述用户实时使用的任务类型对应的至少一个使用习惯信息及其使用概率；例如，当用户对移动机器人进行实时使用时，获取到用户实时使用的任务类型，例如任务类型为A，则从如表-1中的每个任务类型对应的至少一个使用习惯信息及其使用概率中，获取用户实时使用的任务类型A对应的至少一个使用习惯信息及其使用概率，若任务类型A对应有6组使用习惯信息及其使用概率，分别为：用习惯信息M1及其使用概率p1，用习惯信息M2及其使用概率p2，用习惯信息M3及其使用概率p3，用习惯信息M4及其使用概率p4，用习惯信息M5及其使用概率p5及用习惯信息M6及其使用概率p6。
分别计算所述实时使用信息与所述用户实时使用的任务类型对应的每个使用习惯信息之间的相似度；例如，分别计算实时使用信息与使用习惯信息M1、使用习惯信息M2、使用习惯信息M3、使用习惯信息M4、使用习惯信息M5及使用习惯信息M6之间的相似度，分别对应得到相似度1、相似度2、相似度3、相似度4、相似度5及相似度6，且相似度按照从小到大的顺序排列为：相似度3、相似度1、相似度4、相似度6、相似度5及相似度2。
基于所述相似度和所述使用概率，得到与所述实时使用信息匹配的用户使用习惯信息。例如，若使用习惯信息M1、使用习惯信息M2、使用习惯信息M3、使用习惯信息M4、使用习惯信息M5及使用习惯信息M6分别对应的使用概率按照从大到小的顺序进行排序，得到的排序为：使用概率p3、使用概率p4、使用概率p1、使用概率p6、使用概率p2及使用概率p5，根据上述所述实时使用信息与所述用户实时使用的任务类型对应的每个使用习惯信息之间的相似度和及每个使用习惯信息的使用概率，可以从中匹配出与所述实时使用信息匹配的使用习惯信息应该为使用习惯信息M3，实现对所述实时使用信息对应的使用习惯信息的匹配。
本申请一实施例中，若所述步骤S14中计算得到的实时使用信息与使用习惯信息M1、使用习惯信息M2、使用习惯信息M3、使用习惯信息M4、使用习惯信息M5及使用习惯信息M6之间的相似度，按照从小到大的顺序排列为：相似度3和相似度1、相似度4、相似度6、相似度5及相似度2，其中，相似度3和相似度1相同，故并列排在最前面；同时若使用习惯信息M1、使用习惯信息M2、使用习惯信息M3、使用习惯信息M4、使用习惯信息M5及使用习惯信息M6分别对应的使用概率按照从大到小的顺序进行排序，得到的排序为：使用概率p3、使用概率p4、使用概率p1、使用概率p6、使用概率p2及使用概率p5，由于实时使用信息与使用习惯信息M3之间的相似度为最高，且使用习惯信息M3的使用概率p3大于使用习惯信息M1的使用概率p1，则所述步骤S14可以匹配出与所述实时使用信息匹配的使用习惯信息应该为使用习惯信息M3，实现对所述实时使用信息对应的使用习惯信息的匹配。
本申请一实施例中，当用户实时使用移动机器人中的至少一个任务类型对应的任务中的某一任务类型A对应的任务时，若当前用户使用的实时使用信息中的例如使用时间、使用地点信息，与机器学习之后得到的以前用户使用该任务类型A对应的任务时的一组用户使用习惯信息中的使用时间、使用地点相符合，则可以根据该组用户使用习惯信息中的其它行为，例如使用范围、使用次数等，自动生成或者调整当前任务类型A对应的任务，以达到对实时用户使用任务类型A时对其对应的任务进行优化的目的。
进一步地，所述步骤S14基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化之后，还包括：将优化后的用户实时使用的任务类型对应的任务，通过消息提醒的方式告知所述用户，以便用户能够基于该消息提醒选择对实时使用的任务类型对应的任务进行优化，进而能够减少用户实时使用移动机器人中的任务类型对应的任务所花费的时间和资源，其中，该消息提醒的方式可以是包括但不限于是短信消息提示、窗口弹出消息提示及给出选项选择消息提示等。
本申请一实施例中的一种移动机器人中的任务优化方法，所述方法还包括：
基于获取的用户实时使用所述移动机器人中的任务类型对应的任务的使用状态信息，对所述任务类型对应的用户使用习惯信息的使用概率进行更新。其中，使用状态信息包可以包括不限于包括暂停使用状态、使用过程中的终止使用状态、取消使用状态、选择执行任务的全程使用状态等。例如，如果用户对当前的移动机器人进行的任务类型对应的任务没有进行暂停或取消或使用后终止等使用状态的操作，则可以对实时使用的任务类型对应的用户使用习惯信息的使用概率进行增加并更新；否则相应地对实时使用的任务类型对应的用户使用习惯信息的使用概率进行减少并更新，使得每种任务类型对应的用户使用习惯信息的使用概率更精确。
本申请一个方面的一种移动机器人中的任务优化方法中的一实际应用场景示意图如图2所示，在该应用场景中的包括用户操作系统、任务优化系统及控制决策系统，其中，用户操作系统针对移动机器人中的每个任务类型，采集使用过对应的任务类型的任务的所有用户的使用信息(数据采集)，并将采集的每个任务类型对应的所有用户使用该任务类型对应的任务的使用信息，通过数据传输的形式传输给任务优化系统，所述任务优化系统只喜欢短能够本申请提供的任务优化方法中的上述步骤S11至步骤S14，通过机器学习模型对获取的使用信息进行机器学习、处理及分析等，得到每个任务类型对应的至少一个用户使用习惯信息及其使用概率，当用户实时使用移动机器人中的某一任务类型对应的任务时，监控决策系统将用户的实时使用信息发送至任务优化系统，以使该任务优化系统获取用户实时使用时的实时使用信息，基于该实时使用信息在每个任务类型对应的至少一个用户使用习惯信息及其使用概率中进行匹配习惯，得到最优的与所述实时使用信息匹配度的用户使用习惯信息，并基于最优的与所述实时使用信息匹配度的用户使用习惯信息对用户实时使用的任务类型对应的任务进行优化，并将优化后的用户实时使用的任务类型对应的任务发送给移动机器人，并通过消息提醒的方式告知所述用户，以便用户能够基于该消息提醒选择对实时使用的任务类型对应的任务进行优化，进而能够减少用户实时使用移动机器人中的任务类型对应的任务所花费的时间和资源，其中，该消息提醒的方式可以是包括但不限于是短信消息提示、窗口弹出消息提示及给出选项选择消息提示等。
图3示出根据本申请一个方面的一种移动机器人中的任务优化设备的模块示意图，应用于用户实时使用移动机器人中的任务时，对移动机器人所要执行的任务类型对应的任务进行优化的过程中，该方法包括第一获取装置11、学习装置12、第二获取装置13和优化装置14，其中，具体包括：
所述第一获取装置11用于：获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；所述学习装置12用于：分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率，完成针对移动机器人中的每一个任务类型，对所有用户使用任务类型对应的任务时的使用信息进行机器学习，自动生成每个任务类型的对应的至少一个用户使用习惯信息及其使用概率，以便后续当用户实时使用移动机器人中的任务类型对应的任务时，对该任务进行优化。之后，当用户实时使用机器人中的一任务类型对应的任务时，所述第二获取装置13用于：获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息时；所述优化装置14用于：基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化，从而能够帮助移动机器人更加高效智能地完成相应任务类型对应的任务的执行，而且能够减少用户实时使用移动机器人中的任务类型对应的任务所花费的时间和资源。
在此，所述第一获取装置11中获取的所有用户使用每个所述任务类型对应的任务时的使用信息可以包括但不限于包括使用时间、使用地点、使用范围及使用次数中的一项或多项，其中，所述使用时间可以包括使用开始时间、使用结束时间及使用时长等。当然，本领域技术人员应能理解，其他现有的或今后可能出现的其他任何所述使用信息如可适用于本申请，也应包含在本申请的保护范围内，并在此以引用方式包含于此。
当然，本申请在所述学习装置12中的分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到的每个所述任务类型对应的至少一个用户使用习惯信息也可以是包括但不限于包括使用时间、使用地点、使用范围及使用次数中的一项或多项，其中，所述使用时间可以包括使用开始时间、使用结束时间及使用时长等。当然，本领域技术人员应能理解，其他现有的或今后可能出现的其他任何所述使用习惯信息如可适用于本申请，也应包含在本申请的保护范围内，并在此以引用方式包含于此。
进一步地，所述学习装置12用于：基于预设的机器学习模型，分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率。在此，根据对移动机器人进行使用的不同使用场景，确定不同的预设的及其学习模型，该及其学习模型对应不同的机器学习算法。
本申请一实施例中，若第一获取装置11移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息如表-1所示，针对不同的任务类型，每个任务类型对应的使用信息的数量为至少一个，在同一个任务类型对应的不同使用信息中，可以通过对应的预设的机器学习模型，学习出任务类型对应的至少一个使用习惯信息及其使用概率，例如，针对任务类型A，且若任务类型A对应有6组使用习惯信息及其使用概率，则分别为：用习惯信息M1及其使用概率p1，用习惯信息M2及其使用概率p2，用习惯信息M3及其使用概率p3，用习惯信息M4及其使用概率p4，用习惯信息M5及其使用概率p5及用习惯信息M6及其使用概率p6，实现对移动机器人中的每一个任务类型对应的所有用户的使用信息的机器学习，以便后续当用户实时使用移动机器人中的任务类型对应的任务时，对该任务进行优化。
表-1移动机器人中的每个任务类型对应的使用习惯信息及其使用概率
本申请一实施例中，所述优化装置14用于：
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率，对所述实时使用信息进行分析匹配，得到与所述实时使用信息匹配的用户使用习惯信息；基于与所述实时使用信息匹配的用户使用习惯信息，对用户实时使用的任务类型进对应的任务进行优化，实现对用户实时使用移动机器人时的任务类型对应的任务的优化，能够帮助移动机器人更加高效智能地完成相应任务类型对应的任务的执行，而且能够减少用户实时使用移动机器人中的任务类型对应的任务所花费的时间和资源。
本申请一实施例中，所述优化装置14用于：基于所述用户实时使用的任务类型，从每个所述任务类型对应的至少一个使用习惯信息及其使用概率中，获取所述用户实时使用的任务类型对应的至少一个使用习惯信息及其使用概率；例如，当用户对移动机器人进行实时使用时，获取到用户实时使用的任务类型，例如任务类型为A，则从如表-1中的每个任务类型对应的至少一个使用习惯信息及其使用概率中，获取用户实时使用的任务类型A对应的至少一个使用习惯信息及其使用概率，若任务类型A对应有6组使用习惯信息及其使用概率，分别为：用习惯信息M1及其使用概率p1，用习惯信息M2及其使用概率p2，用习惯信息M3及其使用概率p3，用习惯信息M4及其使用概率p4，用习惯信息M5及其使用概率p5及用习惯信息M6及其使用概率p6。
分别计算所述实时使用信息与所述用户实时使用的任务类型对应的每个使用习惯信息之间的相似度；例如，分别计算实时使用信息与使用习惯信息M1、使用习惯信息M2、使用习惯信息M3、使用习惯信息M4、使用习惯信息M5及使用习惯信息M6之间的相似度，分别对应得到相似度1、相似度2、相似度3、相似度4、相似度5及相似度6，且相似度按照从小到大的顺序排列为：相似度3、相似度1、相似度4、相似度6、相似度5及相似度2。
基于所述相似度和所述使用概率，得到与所述实时使用信息匹配的用户使用习惯信息。例如，若使用习惯信息M1、使用习惯信息M2、使用习惯信息M3、使用习惯信息M4、使用习惯信息M5及使用习惯信息M6分别对应的使用概率按照从大到小的顺序进行排序，得到的排序为：使用概率p3、使用概率p4、使用概率p1、使用概率p6、使用概率p2及使用概率p5，根据上述所述实时使用信息与所述用户实时使用的任务类型对应的每个使用习惯信息之间的相似度和及每个使用习惯信息的使用概率，可以从中匹配出与所述实时使用信息匹配的使用习惯信息应该为使用习惯信息M3，实现对所述实时使用信息对应的使用习惯信息的匹配。
本申请一实施例中，若所述优化装置14中计算得到的实时使用信息与使用习惯信息M1、使用习惯信息M2、使用习惯信息M3、使用习惯信息M4、使用习惯信息M5及使用习惯信息M6之间的相似度，按照从小到大的顺序排列为：相似度3和相似度1、相似度4、相似度6、相似度5及相似度2，其中，相似度3和相似度1相同，故并列排在最前面；同时若使用习惯信息M1、使用习惯信息M2、使用习惯信息M3、使用习惯信息M4、使用习惯信息M5及使用习惯信息M6分别对应的使用概率按照从大到小的顺序进行排序，得到的排序为：使用概率p3、使用概率p4、使用概率p1、使用概率p6、使用概率p2及使用概率p5，由于实时使用信息与使用习惯信息M3之间的相似度为最高，且使用习惯信息M3的使用概率p3大于使用习惯信息M1的使用概率p1，则所述优化装置14可以匹配出与所述实时使用信息匹配的使用习惯信息应该为使用习惯信息M3，实现对所述实时使用信息对应的使用习惯信息的匹配。
本申请一实施例中，当用户实时使用移动机器人中的至少一个任务类型对应的任务中的某一任务类型A对应的任务时，若当前用户使用的实时使用信息中的例如使用时间、使用地点信息，与机器学习之后得到的以前用户使用该任务类型A对应的任务时的一组用户使用习惯信息中的使用时间、使用地点相符合，则可以根据该组用户使用习惯信息中的其它行为，例如使用范围、使用次数等，自动生成或者调整当前任务类型A对应的任务，以达到对实时用户使用任务类型A时对其对应的任务进行优化的目的。
进一步地，所述优化装置14还用于：将优化后的用户实时使用的任务类型对应的任务，通过消息提醒的方式告知所述用户，以便用户能够基于该消息提醒选择对实时使用的任务类型对应的任务进行优化，进而能够减少用户实时使用移动机器人中的任务类型对应的任务所花费的时间和资源，其中，该消息提醒的方式可以是包括但不限于是短信消息提示、窗口弹出消息提示及给出选项选择消息提示等。
本申请一实施例中的一种移动机器人中的任务优化设备，所述设备还包括更新装置，其中，所述更新装置用于：
基于获取的用户实时使用所述移动机器人中的任务类型对应的任务的使用状态信息，对所述任务类型对应的用户使用习惯信息的使用概率进行更新。其中，使用状态信息包可以包括不限于包括暂停使用状态、使用过程中的终止使用状态、取消使用状态、选择执行任务的全程使用状态等。例如，如果用户对当前的移动机器人进行的任务类型对应的任务没有进行暂停或取消或使用后终止等使用状态的操作，则可以对实时使用的任务类型对应的用户使用习惯信息的使用概率进行增加并更新；否则相应地对实时使用的任务类型对应的用户使用习惯信息的使用概率进行减少并更新，使得每种任务类型对应的用户使用习惯信息的使用概率更精确。
综上所述，本申请通过获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率，完成针对移动机器人中的每一个任务类型，对所有用户使用任务类型对应的任务时的使用信息进行机器学习，自动生成每个任务类型的对应的至少一个用户使用习惯信息及其使用概率，以便后续当获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息时；基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化，从而能够帮助移动机器人更加高效智能地完成相应任务类型对应的任务的执行，而且能够减少用户实时使用移动机器人中的任务类型对应的任务所花费的时间和资源。
此外，根据本申请的另一方面，还提供了基于计算的设备，其中，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；
分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率；
获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息；
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化。
根据本申请的另一方面，还提供了计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；
分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率；
获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息；
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用的任务类型对应的任务进行优化。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (16)

1.一种移动机器人中的任务优化方法，其中，所述方法包括：
获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；
分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率；
获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息；
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用所述移动机器人中的任务类型对应的任务进行优化。
2.根据权利要求1所述的方法，其中，所述基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用所述移动机器人中的任务类型对应的任务进行优化，包括：
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率，对所述实时使用信息进行分析匹配，得到与所述实时使用信息匹配的用户使用习惯信息；
基于与所述实时使用信息匹配的用户使用习惯信息，对用户实时使用的任务类型进对应的任务进行优化。
3.根据权利要求2所述的方法，其中，所述基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率，对所述实时使用信息进行分析匹配，得到与所述实时使用信息匹配的用户使用习惯信息，包括：基于所述用户实时使用的任务类型，从每个所述任务类型对应的至少一个使用习惯信息及其使用概率中，获取所述用户实时使用的任务类型对应的至少一个使用习惯信息及其使用概率；
分别计算所述实时使用信息与所述用户实时使用的任务类型对应的每个使用习惯信息之间的相似度；
基于所述相似度和所述使用概率，得到与所述实时使用信息匹配的用户使用习惯信息。
4.根据权利要求1所述的方法，其中，所述分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率，包括：
基于预设的机器学习模型，分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率。
5.根据权利要求1所述的方法，其中，所述基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用所述移动机器人中的任务类型对应的任务进行优化之后，还包括：
将优化后的用户实时使用的任务类型对应的任务，通过消息提醒的方式告知所述用户。
6.根据权利要求1所述的方法，其中，所述方法还包括：
基于获取的用户实时使用所述移动机器人中的任务类型对应的任务的使用状态信息，对所述任务类型对应的用户使用习惯信息的使用概率进行更新。
7.根据权利要求1至6中任一项所述的方法，其中，所述使用习惯信息包括使用时间、使用地点、使用范围及使用次数中的一项或多项。
8.一种移动机器人中的任务优化设备，其中，所述设备包括：
第一获取装置，用于获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；
学习装置，用于分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率；
第二获取装置，用于获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息；
优化装置，用于基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用所述移动机器人中的任务类型对应的任务进行优化。
9.根据权利要求8所述的设备，其中，所述优化装置用于：
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率，对所述实时使用信息进行分析匹配，得到与所述实时使用信息匹配的用户使用习惯信息；
基于与所述实时使用信息匹配的用户使用习惯信息，对用户实时使用的任务类型进对应的任务进行优化。
10.根据权利要求9所述的设备，其中，所述优化装置用于：
基于所述用户实时使用的任务类型，从每个所述任务类型对应的至少一个使用习惯信息及其使用概率中，获取所述用户实时使用的任务类型对应的至少一个使用习惯信息及其使用概率；
分别计算所述实时使用信息与所述用户实时使用的任务类型对应的每个使用习惯信息之间的相似度；
基于所述相似度和所述使用概率，得到与所述实时使用信息匹配的用户使用习惯信息。
11.根据权利要求8所述的设备，其中，所述学习装置用于：基于预设的机器学习模型，分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率。
12.根据权利要求8所述的设备，其中，所述优化装置还用于：
将优化后的用户实时使用的任务类型对应的任务，通过消息提醒的方式告知所述用户。
13.根据权利要求8所述的设备，其中，所述设备还包括更新装置，其中，所述更新装置用于：
基于获取的用户实时使用所述移动机器人中的任务类型对应的任务的使用状态信息，对所述任务类型对应的用户使用习惯信息的使用概率进行更新。
14.根据权利要求8至13中任一项所述的设备，其中，所述使用习惯信息包括使用时间、使用地点、使用范围及使用次数中的一项或多项。
15.一种基于计算的设备，其中，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；
分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率；
获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息；
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用所述移动机器人中的任务类型对应的任务进行优化。
16.一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
获取移动机器人中的至少一个任务类型和所有用户使用每个所述任务类型对应的任务时的使用信息；
分别对每个所述任务类型对应的所有用户的使用信息进行机器学习，得到每个所述任务类型对应的至少一个用户使用习惯信息及其使用概率；
获取用户实时使用所述移动机器人中的任务类型对应的任务的实时使用信息；
基于每个所述任务类型对应的至少一个使用习惯信息及其使用概率和所述实时使用信息，对所述用户实时使用所述移动机器人中的任务类型对应的任务进行优化。
CN201710823805.XA 2017-09-13 2017-09-13 一种移动机器人中的任务优化方法及设备 Active CN107544248B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201710823805.XA CN107544248B (zh) 2017-09-13 2017-09-13 一种移动机器人中的任务优化方法及设备
US16/646,165 US11561820B2 (en) 2017-09-13 2018-09-05 Task optimization method and task optimization device in mobile robot
PCT/CN2018/104230 WO2019052389A1 (zh) 2017-09-13 2018-09-05 一种移动机器人中的任务优化方法及设备
EP18855841.5A EP3683676A4 (en) 2017-09-13 2018-09-05 METHOD AND DEVICE FOR TASK OPTIMIZATION IN A MOBILE ROBOT

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710823805.XA CN107544248B (zh) 2017-09-13 2017-09-13 一种移动机器人中的任务优化方法及设备

Publications (2)

Publication Number Publication Date
CN107544248A CN107544248A (zh) 2018-01-05
CN107544248B true CN107544248B (zh) 2019-12-13

Family

ID=60964140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710823805.XA Active CN107544248B (zh) 2017-09-13 2017-09-13 一种移动机器人中的任务优化方法及设备

Country Status (4)

Country Link
US (1) US11561820B2 (zh)
EP (1) EP3683676A4 (zh)
CN (1) CN107544248B (zh)
WO (1) WO2019052389A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107544248B (zh) * 2017-09-13 2019-12-13 上海思岚科技有限公司 一种移动机器人中的任务优化方法及设备
US10695911B2 (en) * 2018-01-12 2020-06-30 Futurewei Technologies, Inc. Robot navigation and object tracking

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103064743A (zh) * 2012-12-27 2013-04-24 深圳先进技术研究院 一种用于多机器人的资源调度方法及其资源调度系统
CN103149898A (zh) * 2013-02-01 2013-06-12 杭州尚思科技有限公司 一种基于多agent的智能家居学习系统及方法
CN104486416A (zh) * 2014-12-16 2015-04-01 三星电子（中国）研发中心 一种智能家居服务规则的综合利用系统及方法
CN105094093A (zh) * 2015-07-30 2015-11-25 四川长虹电器股份有限公司 一种智能家居控制方法及控制中心
CN106980320A (zh) * 2017-05-18 2017-07-25 上海思岚科技有限公司 机器人充电方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1151016C (zh) * 1999-11-30 2004-05-26 索尼公司 机器人设备及其控制方法,和机器人性格判别方法
KR101800189B1 (ko) * 2012-04-30 2017-11-23 삼성전자주식회사 수술 로봇의 힘 제어 장치 및 방법
US9460401B2 (en) 2012-08-20 2016-10-04 InsideSales.com, Inc. Using machine learning to predict behavior based on local conditions
US20150286487A1 (en) * 2014-04-04 2015-10-08 CafeX Communications Inc. System for monitoring and analyzing application data to proactively offer assistance
US9272418B1 (en) * 2014-09-02 2016-03-01 The Johns Hopkins University System and method for flexible human-machine collaboration
CN104461711B (zh) 2014-12-15 2017-05-17 北京奇虎科技有限公司 计算设备的自适应优化方法及装置
US9694496B2 (en) * 2015-02-26 2017-07-04 Toyota Jidosha Kabushiki Kaisha Providing personalized patient care based on electronic health record associated with a user
US11481092B2 (en) * 2016-05-27 2022-10-25 Global Eprocure Intelligent workspace
CN106055399A (zh) * 2016-05-31 2016-10-26 宇龙计算机通信科技(深圳)有限公司 一种控制应用程序的方法及终端
CN106096576B (zh) * 2016-06-27 2019-05-07 陈包容 一种机器人的智能服务方法
US10452410B2 (en) * 2016-10-25 2019-10-22 International Business Machines Corporation Context aware user interface
CN107544248B (zh) 2017-09-13 2019-12-13 上海思岚科技有限公司 一种移动机器人中的任务优化方法及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103064743A (zh) * 2012-12-27 2013-04-24 深圳先进技术研究院 一种用于多机器人的资源调度方法及其资源调度系统
CN103149898A (zh) * 2013-02-01 2013-06-12 杭州尚思科技有限公司 一种基于多agent的智能家居学习系统及方法
CN104486416A (zh) * 2014-12-16 2015-04-01 三星电子（中国）研发中心 一种智能家居服务规则的综合利用系统及方法
CN105094093A (zh) * 2015-07-30 2015-11-25 四川长虹电器股份有限公司 一种智能家居控制方法及控制中心
CN106980320A (zh) * 2017-05-18 2017-07-25 上海思岚科技有限公司 机器人充电方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
移动机器人的智能导航研究;刘丽 等;《计算机仿真》;20110930;第28卷(第9期);第242-245页 *

Also Published As

Publication number Publication date
US20200272508A1 (en) 2020-08-27
CN107544248A (zh) 2018-01-05
WO2019052389A1 (zh) 2019-03-21
EP3683676A4 (en) 2021-05-26
EP3683676A1 (en) 2020-07-22
US11561820B2 (en) 2023-01-24

Similar Documents

Publication Publication Date Title
US10540573B1 (en) Story cycle time anomaly prediction and root cause identification in an agile development environment
EP3617896A1 (en) Method and apparatus for intelligent response
WO2020077871A1 (zh) 基于大数据的事件预测方法、装置、计算机设备及存储介质
US10430802B2 (en) Screen-image based classification
CN107544248B (zh) 一种移动机器人中的任务优化方法及设备
CN110851324A (zh) 基于日志的巡检处理方法、装置以及电子设备、存储介质
US11556560B2 (en) Intelligent management of a synchronization interval for data of an application or service
CN114820080A (zh) 基于人群流转的用户分群方法、系统、装置及介质
CN115905450A (zh) 一种基于无人机监控的水质异常溯源方法及系统
EP3244347A1 (en) Object recognition in an adaptive resource management system
US9473572B2 (en) Selecting a target server for a workload with a lowest adjusted cost based on component values
CN104580109A (zh) 生成点选验证码的方法及装置
CN111783415A (zh) 模板配置方法以及装置
CN110909072B (zh) 一种数据表建立方法、装置及设备
CN109120509B (zh) 一种信息收集的方法及装置
CN111368864A (zh) 识别方法、可用性评估方法及装置、电子设备、存储介质
US8825588B2 (en) Rule correlation to rules input attributes according to disparate distribution analysis
CN111679924B (zh) 构件化软件系统可靠性仿真方法、装置及电子设备
CN113868400A (zh) 数字人问题应答的方法及装置、电子设备、存储介质
CN114510305A (zh) 模型训练方法、装置、存储介质及电子设备
CN111553749A (zh) 一种活动推送策略配置方法及装置
US20190318652A1 (en) Use of intelligent scaffolding to teach gesture-based ink interactions
CN111049988A (zh) 移动设备的亲密度预测方法、系统、设备及存储介质
CN109325239A (zh) 学生课堂表现管理方法及系统
CN109284097A (zh) 实现复杂数据分析的方法、设备、系统及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant