CN108789431A - 一种智能引导机器人 - Google Patents
一种智能引导机器人 Download PDFInfo
- Publication number
- CN108789431A CN108789431A CN201810591907.8A CN201810591907A CN108789431A CN 108789431 A CN108789431 A CN 108789431A CN 201810591907 A CN201810591907 A CN 201810591907A CN 108789431 A CN108789431 A CN 108789431A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- module
- image
- submodule
- 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.)
- Withdrawn
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/0005—Manipulators having means for high-level communication with users, e.g. speech generator, face recognition means
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种智能引导机器人,包括机体、语音交互模块、视觉模块、导航模块、运动控制模块,所述语音交互模块、视觉模块、导航模块和运动控制模块设置于所述机体上,所述语音交互模块用于用户输入目的地,所述视觉模块用于采集和识别机器人周边环境信息,所述导航模块采集机器人位置信息,并根据目的地生成导航路径,所述运动控制模块用于根据周边环境信息和导航路径控制机器人运动。本发明的有益效果为:提供了一种智能引导机器人,基于语音交互获取任务,在导航模块和运动控制模块的作用下完成引导。
Description
技术领域
本发明涉及机器人技术领域,具体涉及一种智能引导机器人。
背景技术
现有的引导方式绝大多数为人工引导,这极大增加了人力成本的同时降低了办事效率。
要实现机器人引导,离不开图像处理。图像处理一般都是以像素点作为处理的基本单位,一幅128×128的图像,其像素点的个数就达到16384个,这个数值是非常庞大的,这就导致算法时间复杂度非常高。如果将某些满足特定条件的像素点构成一个集合,以这些集合作为处理的基本单位,那么算法所需要的时间将大大缩短。超像素生成就是能够将像素聚集成集合的有效途径。图像超像素是将具有相似属性的像素点聚集成一个区域,代替像素对图像进行表示,图像超像素生成的过程即是依照灰度、纹理、颜色以及形状等特征信息,将相邻的像素点组合在一起,构成一个区域,使得区域内部像素点特征具有一致性,任何两个不同的区域内所包含的像素点具备明显的差异性。
发明内容
针对上述问题,本发明旨在提供一种智能引导机器人。
本发明的目的采用以下技术方案来实现:
提供了一种智能引导机器人,包括机体、语音交互模块、视觉模块、导航模块、运动控制模块,所述语音交互模块、视觉模块、导航模块和运动控制模块设置于所述机体上,所述语音交互模块用于用户输入目的地,所述视觉模块用于采集和识别机器人周边环境信息,所述导航模块采集机器人位置信息,并根据目的地生成导航路径,所述运动控制模块用于根据周边环境信息和导航路径控制机器人运动。
本发明的有益效果为:提供了一种智能引导机器人,基于语音交互获取任务,在导航模块和运动控制模块的作用下完成引导。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的结构示意图;
附图标记:
机体1、语音交互模块2、视觉模块3、导航模块4、运动控制模块5。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种智能引导机器人,包括机体1、语音交互模块2、视觉模块3、导航模块4、运动控制模块5,所述语音交互模块2、视觉模块3、导航模块4和运动控制模块5设置于所述机体1上,所述语音交互模块2用于用户输入目的地,所述视觉模块3用于采集和识别机器人周边环境信息,所述导航模块4采集机器人位置信息,并根据目的地生成导航路径,所述运动控制模块5用于根据周边环境信息和导航路径控制机器人运动。
本实施例提供了一种智能引导机器人,基于语音交互获取任务,在导航模块和运动控制模块的作用下完成引导。
优选的,所述视觉模块3包括图像采集子模块、模型建立子模块、超像素生成子模块、图像识别子模块和结果评价子模块,所述图像采集子模块用于采集机器人周边环境图像,所述模型建立子模块用于建立超像素模型,所述超像素生成子模块用于根据超像素模型生成图像超像素,所述图像识别子模块基于超像素图像对机器人周边环境进行识别,所述结果评价子模块用于对所述图像超像素生成结果进行评价。
所述模型建立子模块用于建立超像素模型:
设输入周边环境图像为HQ,其包含的像素个数为N,对图像进行过分割,得到超像素模型,将其超像素模型表示为:
在式子里,K表示超像素的个数,HQj和HQi分别表示第j个和第i个超像素。
图像过分割作为一种图像分割技术,区别就在于图像过分割是将一幅输入图像分割成更多的尺寸较小的互不重叠的区域,而每一个小的区域,称之为超像素。本优选实施例模型建立子模块通过建立超像素模型,减少了图像表示的数量级,进而降低了后续图像处理算法的复杂度,为图像处理算法的实时性提供了可能。
优选的,所述超像素生成子模块用于根据超像素模型生成图像超像素:
步骤1、给定一幅输入图像,首先放置K个种子像素点,对应K个超像素,对于一个像素点x,计算它到第i个超像素的种子点的第一距离,其中,i=1,2,…,K,选取距离最小的超像素,将像素点x标记为属于该超像素,对输入图像中的全部像素点进行标记,得到了输入图像的初始超像素分割;步骤2、得到初始超像素分割后,对超像素的种子点进行更新,将初始超像素内的所有像素点的几何中心作为新的种子点,对于一个像素点x,计算它到第i个超像素的种子点的第二距离,其中,i=1,2,…,K,选取距离最小的超像素,将像素点x标记为属于该超像素,对图像中的全部像素点进行标记,得到了图像的更新超像素分割;步骤3、重复步骤2,直到新旧的种子点位置变化小于设定阈值,将生成的超像素作为图像最终的超像素分割。
所述第一距离利用下式确定:KW1(x,i)=UA(x,i)+TZ(x,i);
在式子里,KW1(x,i)表示像素点x和第i个超像素的种子点的第一距离,UA(x,i)表示第一距离影响因子,用于表示超像素内部像素点颜色的一致性,TZ(x,i)表示第二距离影响因子,用于表示超像素内部像素的紧凑程度;所述第二距离利用下式确定:KW2(x,i)=ρ1×UA(x,i0+ρ2×TZ(x,i);
在式子里,KW2(x,i)表示像素点x和第i个超像素的种子点的第二距离, ρ1、ρ2表示权重系数;
所述第一距离影响因子利用下式确定:
在式子里,Lx、ax、bx分别表示像素点x在CIELAB颜色空间的L、a、b分量,Li、ai、bi分别表示第i个超像素的种子点在CIELAB颜色空间的L、a、b分量,μ表示所有超像素种子点颜色方差的平均值;所述第二距离影响因子利用下式确定:
在式子里,px、qx分别表示像素点x在X-Y坐标系中的横、纵坐标值,pi、qi分别表示第i个超像素的种子点在X-Y坐标系中的横、纵坐标值;
本优选实施例在超像素生成过程中,同时考虑了超像素内部一致性和紧凑性,获得了既能较好保持内部一致性又具有高紧凑性的超像素,针对图像内容分布的不均匀性,在超像素数目一定的情况下,本发明通过确定权重系数,使得平坦区域可以采用少量尺寸较大的超像素表示,而细节丰富的区域采用数量相对较多、尺寸较小的超像素进行表示,从而图像就能获得更准确的表达,保持更多的图像信息。
优选的,所述结果评价子模块用于对所述图像超像素生成结果进行评价:
利用下式定义分割评价因子:
在式子里,HX表示分割评价因子,U1表示图像标准分割边界的像素落入超像素边界周围1个像素宽度区域内的比例,K表示超像素的个数,mi表示第i个超像素的面积,li表示第i个超像素的周长;所述分割评价因子越大,表示生成的超像素越能准确表达图像信息;
本优选实施例结果评价子模块综合考虑了生成的超像素对图像的边界保持效果和生成的超像素的紧凑性,为后期将超像素作为图像处理基本单位奠定了基础。
采用本发明智能引导机器人进行引导,选取5个目的地进行实验,分别为目的地1、目的地2、目的地3、目的地4、目的地5,对引导效率和引导成本进行统计,同现有人工引导相比,产生的有益效果如下表所示:
引导效率提高 | 引导成本降低 | |
目的地1 | 29% | 27% |
目的地2 | 27% | 26% |
目的地3 | 26% | 26% |
目的地4 | 25% | 24% |
目的地5 | 24% | 22% |
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术目的地应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种智能引导机器人,其特征在于,包括机体、语音交互模块、视觉模块、导航模块、运动控制模块,所述语音交互模块、视觉模块、导航模块和运动控制模块设置于所述机体上,所述语音交互模块用于用户输入目的地,所述视觉模块用于采集和识别机器人周边环境信息,所述导航模块采集机器人位置信息,并根据目的地生成导航路径,所述运动控制模块用于根据周边环境信息和导航路径控制机器人运动。
2.根据权利要求1所述的智能引导机器人,其特征在于,所述视觉模块包括图像采集子模块、模型建立子模块、超像素生成子模块、图像识别子模块和结果评价子模块,所述图像采集子模块用于采集机器人周边环境图像,所述模型建立子模块用于建立超像素模型,所述超像素生成子模块用于根据超像素模型生成图像超像素,所述图像识别子模块基于超像素图像对机器人周边环境进行识别,所述结果评价子模块用于对所述图像超像素生成结果进行评价。
3.根据权利要求2所述的智能引导机器人,其特征在于,所述模型建立子模块用于建立超像素模型:
设输入周边环境图像为HQ,其包含的像素个数为N,对图像进行过分割,得到超像素模型,将其超像素模型表示为:
在式子里,K表示超像素的个数,HQj和HQi分别表示第j个和第i个超像素。
4.根据权利要求3所述的智能引导机器人,其特征在于,所述超像素生成子模块用于根据超像素模型生成图像超像素:
步骤1、给定一幅输入图像,首先放置K个种子像素点,对应K个超像素,对于一个像素点x,计算它到第i个超像素的种子点的第一距离,其中,i=1,2,…,K,选取距离最小的超像素,将像素点x标记为属于该超像素,对输入图像中的全部像素点进行标记,得到了输入图像的初始超像素分割;步骤2、得到初始超像素分割后,对超像素的种子点进行更新,将初始超像素内的所有像素点的几何中心作为新的种子点,对于一个像素点x,计算它到第i个超像素的种子点的第二距离,其中,i=1,2,…,K,选取距离最小的超像素,将像素点x标记为属于该超像素,对图像中的全部像素点进行标记,得到了图像的更新超像素分割;步骤3、重复步骤2,直到新旧的种子点位置变化小于设定阈值,将生成的超像素作为图像最终的超像素分割。
5.根据权利要求4所述的智能引导机器人,其特征在于,所述第一距离利用下式确定:KW1(x,i)=UA(x,i)+TZ(x,i);
在式子里,KW1(x,i)表示像素点x和第i个超像素的种子点的第一距离,UA(x,i)表示第一距离影响因子,用于表示超像素内部像素点颜色的一致性,TZ(x,i)表示第二距离影响因子,用于表示超像素内部像素的紧凑程度;所述第二距离利用下式确定:KW2(x,i)=ρ1×UA(x,i)+ρ2×TZ(x,i);
在式子里,KW2(x,i)表示像素点x和第i个超像素的种子点的第二距离, ρ1、ρ2表示权重系数;
所述第一距离影响因子利用下式确定:
在式子里,Lx、ax、bx分别表示像素点x在CIELAB颜色空间的L、a、b分量,Li、ai、bi分别表示第i个超像素的种子点在CIELAB颜色空间的L、a、b分量,μ表示所有超像素种子点颜色方差的平均值;所述第二距离影响因子利用下式确定:
在式子里,px、qx分别表示像素点x在X-Y坐标系中的横、纵坐标值,pi、qi分别表示第i个超像素的种子点在X-Y坐标系中的横、纵坐标值。
6.根据权利要求5所述的智能引导机器人,其特征在于,所述结果评价子模块用于对所述图像超像素生成结果进行评价:
利用下式定义分割评价因子:
在式子里,HX表示分割评价因子,U1表示图像标准分割边界的像素落入超像素边界周围1个像素宽度区域内的比例,K表示超像素的个数,mi表示第i个超像素的面积,li表示第i个超像素的周长;所述分割评价因子越大,表示生成的超像素越能准确表达图像信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810591907.8A CN108789431A (zh) | 2018-06-11 | 2018-06-11 | 一种智能引导机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810591907.8A CN108789431A (zh) | 2018-06-11 | 2018-06-11 | 一种智能引导机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108789431A true CN108789431A (zh) | 2018-11-13 |
Family
ID=64088169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810591907.8A Withdrawn CN108789431A (zh) | 2018-06-11 | 2018-06-11 | 一种智能引导机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108789431A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111624956A (zh) * | 2019-02-28 | 2020-09-04 | 精工爱普生株式会社 | 维护辅助系统及在维护辅助系统中使用的终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366382A (zh) * | 2013-07-04 | 2013-10-23 | 电子科技大学 | 一种基于超像素的主动轮廓跟踪方法 |
CN104616247A (zh) * | 2015-02-10 | 2015-05-13 | 天津大学 | 一种用于基于超像素sift航拍地图拼接的方法 |
CN106056155A (zh) * | 2016-05-30 | 2016-10-26 | 西安电子科技大学 | 基于边界信息融合的超像素分割方法 |
CN107169533A (zh) * | 2017-06-14 | 2017-09-15 | 大连海事大学 | 一种超像素的概率因子tmf的sar图像海岸线检测算法 |
CN107450564A (zh) * | 2017-09-22 | 2017-12-08 | 芜湖星途机器人科技有限公司 | 自引导机器人 |
-
2018
- 2018-06-11 CN CN201810591907.8A patent/CN108789431A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366382A (zh) * | 2013-07-04 | 2013-10-23 | 电子科技大学 | 一种基于超像素的主动轮廓跟踪方法 |
CN104616247A (zh) * | 2015-02-10 | 2015-05-13 | 天津大学 | 一种用于基于超像素sift航拍地图拼接的方法 |
CN106056155A (zh) * | 2016-05-30 | 2016-10-26 | 西安电子科技大学 | 基于边界信息融合的超像素分割方法 |
CN107169533A (zh) * | 2017-06-14 | 2017-09-15 | 大连海事大学 | 一种超像素的概率因子tmf的sar图像海岸线检测算法 |
CN107450564A (zh) * | 2017-09-22 | 2017-12-08 | 芜湖星途机器人科技有限公司 | 自引导机器人 |
Non-Patent Citations (1)
Title |
---|
董含: ""基于超像素的图像分割方法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111624956A (zh) * | 2019-02-28 | 2020-09-04 | 精工爱普生株式会社 | 维护辅助系统及在维护辅助系统中使用的终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112509151B (zh) | 一种教学场景中虚拟对象的真实感生成方法 | |
CN110163640B (zh) | 一种在视频中植入广告的方法及计算机设备 | |
EP3423990A1 (en) | Locating and augmenting object features in images | |
CN109657612B (zh) | 一种基于人脸图像特征的质量排序系统及其使用方法 | |
GB2548087A (en) | Locating and augmenting object features in images | |
Li et al. | Object detection in the context of mobile augmented reality | |
CN109891880B (zh) | 通过机器学习技术改进2d至3d的自动转换质量的方法 | |
EP2528042B1 (de) | Verfahren und Vorrichtung zum Re-Meshing von 3D-Polygonmodellen | |
CN102360513B (zh) | 基于梯度操作的对象光照迁移方法 | |
CN104143186B (zh) | 一种slic超像素分块优化方法 | |
CN105957124B (zh) | 具有重复场景元素的自然图像颜色编辑方法及装置 | |
CN111179193B (zh) | 基于DCNNs和GANs的皮肤镜图像增强和分类方法 | |
CN110473221A (zh) | 一种目标物体自动扫描系统及方法 | |
US11403800B1 (en) | Image generation from 3D model using neural network | |
CN110084782A (zh) | 基于图像显著性检测的全参考图像质量评价方法 | |
CN105893984A (zh) | 一种基于面部特征的脸谱的人脸投影方法 | |
CN108596881A (zh) | 一种爆破后岩石粒度的智能图像统计方法 | |
CN115619807A (zh) | 基于遗传算法的超像素图像分割方法 | |
CN111986212A (zh) | 一种人像发丝流动特效实现方法 | |
CN108789431A (zh) | 一种智能引导机器人 | |
CN114119924A (zh) | 基于条件生成对抗的三维模型模糊纹理特征显著化方法 | |
CN112365517A (zh) | 一种基于图像颜色和密度特征的超像素分割方法 | |
CN108898679A (zh) | 一种零部件序号自动标注的方法 | |
CN114761993A (zh) | 3d图像分割 | |
CN112861862A (zh) | 基于区域生长与深度学习结合的针对兵马俑点云的无监督分割方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181113 |
|
WW01 | Invention patent application withdrawn after publication |