CN109062212A - 一种用于巡逻的机器人及存储介质 - Google Patents
一种用于巡逻的机器人及存储介质 Download PDFInfo
- Publication number
- CN109062212A CN109062212A CN201810927848.7A CN201810927848A CN109062212A CN 109062212 A CN109062212 A CN 109062212A CN 201810927848 A CN201810927848 A CN 201810927848A CN 109062212 A CN109062212 A CN 109062212A
- Authority
- CN
- China
- Prior art keywords
- patrol
- robot
- planning
- subregion
- time
- 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- Withdrawn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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
Abstract
本发明提供了一种用于巡逻的机器人及存储介质,其中,该机器人的处理器获取主机器人以及至少一个辅机器人当前所处的位置的位置信息;基于所述位置信息,使用存储器中存储的巡逻规划生成算法生成主机器人以及所述至少一个辅机器人的巡逻规划,该巡逻规划包括巡逻路线和/或巡逻时间,在所述巡逻路线完成和/或所述巡逻时间完成时重新生成所述主机器人和所述至少一个辅机器人的巡逻规划;控制通信接口将为所述至少一个辅机器人生成的巡逻规划发送给所述至少一个辅机器人,使得所述至少一个辅机器人按照巡逻规划进行巡逻;按照所述主机器人的巡逻规划执行巡逻。使用本发明,可以提高机器人巡逻的安全性。
Description
技术领域
本发明涉及人工智能,具体涉及一种用于巡逻的机器人及存储介质。
背景技术
随着机器人的应用需求不断增加,人工智能相关技术不断进步,硬件性能的增长,服务机器人近年来开始从实验室走向工厂,并从单一功能向多功能的个人机器人发展。提到机器人,一个最近经常提及的词是人工智能。人工智能是用计算机来实现类似于人的智能行为的一门学科。机器人本身即是人工智能的一个终极应用目标之一。
传统的人工智能作为一门学科,起源于20世纪50年代的达特茅斯会议,后来经过几次大起大落,在基础理论和方法上积累了丰富的成果。从早期的符号计算系统,到专家系统,再到90年代发展起来的机器学习,大数据分析,都可以算是人工智能的范畴。在图像、语音、搜索、数据挖掘、社会计算等领域,又派生出了一些相关的应用研究。其中与机器人联系较为紧密的包括计算机视觉,语音和自然语言处理,还有智能体(Agent)等。
根据以往机器人领域的研究进展和对应用的初步分析可以认为如下的感知、认知技术,将是实现应用的关键。
1、三维导航定位技术。不管什么机器人,只要可移动,即需要在家庭或其他环境中进行导航定位。其中SLAM(Simultaneous Localization and Ming)技术可同时进行定位和建图,在学术研究方面已经有不少技术积累。但对于实际系统,由于实时性低成本(比如无法采用比较昂贵的雷达设备)的要求和家庭环境的动态变化(物品的摆放),因而对导航定位技术提出了更高要求,仍需进一步研发。
2、视觉感知技术。其中包含人脸识别、手势识别、物体识别和情绪识别等相关技术。视觉感知技术,是机器人和人交互的一个非常重要的技术。
3、语言交互技术。其中包含语音识别、语音生成、自然语言理解和智能对话系统等。
4、文字识别技术。生活中有不少文字信息,如书报和物体的标签信息,这也要求机器人能够通过摄像头来进行文字识别。与传统的扫描后识别文字相比,其可通过摄像头来进行文字的识别。
5、认知技术。机器人需要逐步实现规划、推理、记忆、学习和预测等认知功能,从而变得更加智能。
从目前的研究现状看,服务机器人面对的关键技术均有了长足进步,但还有相当多的问题要解决。
其中,一种机器人的应用场景是让机器人在特定区域内进行巡逻。现有的一种机器人巡逻的方式是预先设定好机器人的巡逻路线,机器人按照该预先设置好的巡逻路线进行巡逻。
该方法虽然能够让机器人实现巡逻的功能,但是由于路线是预先设定好的,很容易被不法分子钻空子,安全性得不到保障。
发明内容
本发明实施例提供了一种机器人巡逻方法及用于巡逻的机器人、存储介质,可以提高巡逻的安全性。
本发明实施例的目的是通过以下技术方案实现的:
一种机器人巡逻方法,包括:
主机器人获取所述主机器人以及至少一个辅机器人当前所处的位置的位置信息;
所述主机器人基于所述位置信息,使用巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划,所述巡逻规划包括巡逻路线和/或巡逻时间,在所述巡逻路线完成和/或所述巡逻时间完成时重新生成所述主机器人和所述至少一个辅机器人的巡逻规划;
所述主机器人将为所述至少一个辅机器人生成的巡逻规划发送给所述至少一个辅机器人,使得所述至少一个辅机器人按照巡逻规划进行巡逻;
所述主机器人按照所述主机器人的巡逻规划执行巡逻。
可选的,所述方法还包括:
所述主机器人获取所述主机器人以及所述至少一个辅机器人的历史巡逻规划,所述历史巡逻规划包括历史巡逻路线和/或历史巡逻时间;
所述主机器人所述基于所述位置信息,使用巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划具体包括:
基于所述历史巡逻规划,以及所述位置信息,使用巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划。
可选的,所述巡逻规划生成算法生成的所述巡逻规划包括的所述巡逻路线覆盖整个巡逻区域,所述巡逻规划生成算法生成的所述巡逻规划包括的巡逻时间内所述主机器人和所述至少一个辅机器人能够巡逻所述整个巡逻区域。
可选的,所述巡逻区域包括重点巡逻子区域和非重点巡逻子区域;所述巡逻规划的巡逻路线在所述重点巡逻子区域中的巡逻密度高于所述非重点巡逻子区域的巡逻密度,所述巡逻密度包括巡逻频次和/或巡逻时间。
可选的,若所述辅机器人的数量为至少两个,所述巡逻规划使得任一时间至少有一个主机器人或至少一个辅机器人巡逻所述重点巡逻子区域。
一种用于巡逻的机器人,包括:
位置获取单元,用于获取主机器人以及至少一个辅机器人当前所处的位置的位置信息;
规划生成单元,用于基于所述位置信息,使用巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划,所述巡逻规划包括巡逻路线和/或巡逻时间,在所述巡逻路线完成和/或所述巡逻时间完成时重新生成所述主机器人和所述至少一个辅机器人的巡逻规划;
发送单元,用于将为所述至少一个辅机器人生成的巡逻规划发送给所述至少一个辅机器人,使得所述至少一个辅机器人按照巡逻规划进行巡逻;
执行单元,用于按照所述主机器人的巡逻规划执行巡逻。
可选的,还包括:
历史信息获取单元,用于获取所述主机器人以及所述至少一个辅机器人的历史巡逻规划,所述历史巡逻规划包括历史巡逻路线和/或历史巡逻时间;
所述规划生成单元具体用于:基于所述历史巡逻规划,以及所述位置信息,使用巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划。
可选的,所述规划生成单元生成的所述巡逻规划包括的所述巡逻路线覆盖整个巡逻区域,所述规划生成单元生成的所述巡逻规划包括的巡逻时间内所述主机器人和所述至少一个辅机器人能够巡逻所述整个巡逻区域。
可选的,所述巡逻区域包括重点巡逻子区域和非重点巡逻子区域;所述巡逻规划的巡逻路线在所述重点巡逻子区域中的巡逻密度高于所述非重点巡逻子区域的巡逻密度,所述巡逻密度包括巡逻频次和/或巡逻时间。
可选的,若所述辅机器人的数量为至少两个,所述巡逻规划使得任一时间至少有一个主机器人或至少一个辅机器人巡逻所述重点巡逻子区域。
一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取主机器人以及至少一个辅机器人当前所处的位置的位置信息;
基于所述位置信息,使用所述存储介质中存储的巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划,所述巡逻规划包括巡逻路线和/或巡逻时间,在所述巡逻路线完成和/或所述巡逻时间完成时重新生成所述主机器人和所述至少一个辅机器人的巡逻规划;
将为所述至少一个辅机器人生成的巡逻规划发送给所述至少一个辅机器人,使得所述至少一个辅机器人按照巡逻规划进行巡逻;
按照所述主机器人的巡逻规划执行巡逻。
可选的,所述计算机程序被处理器执行时还实现以下步骤:
获取所述主机器人以及所述至少一个辅机器人的历史巡逻规划,所述历史巡逻规划包括历史巡逻路线和/或历史巡逻时间;
其中,所述处理器基于所述位置信息,使用所述存储介质中存储的巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划的方式具体包括:
基于所述历史巡逻规划,以及所述位置信息,使用所述存储介质中存储的巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划。
可选的,所述巡逻规划生成算法生成的所述巡逻规划包括的所述巡逻路线覆盖整个巡逻区域,所述巡逻规划生成算法生成的所述巡逻规划包括的巡逻时间内所述主机器人和所述至少一个辅机器人能够巡逻所述整个巡逻区域。
可选的,所述巡逻区域包括重点巡逻子区域和非重点巡逻子区域;所述巡逻规划的巡逻路线在所述重点巡逻子区域中的巡逻密度高于所述非重点巡逻子区域的巡逻密度,所述巡逻密度包括巡逻频次和/或巡逻时间。
可选的,若所述辅机器人的数量为至少两个,所述巡逻规划使得任一时间至少有一个主机器人或至少一个辅机器人巡逻所述重点巡逻子区域。
一种用于巡逻的机器人,包括:存储器、处理器和通信接口,其中,所述存储器用于存储可执行程序代码和数据,所述通信接口用于所述机器人与至少一个辅机器人进行通信交互,所述处理器用于调用所述存储器存储的可执行程序代码,执行以下步骤:
获取主机器人以及所述至少一个辅机器人当前所处的位置的位置信息;
基于所述位置信息,使用所述存储器中存储的巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划,所述巡逻规划包括巡逻路线和/或巡逻时间,在所述巡逻路线完成和/或所述巡逻时间完成时重新生成所述主机器人和所述至少一个辅机器人的巡逻规划;
控制所述通信接口将为所述至少一个辅机器人生成的巡逻规划发送给所述至少一个辅机器人,使得所述至少一个辅机器人按照巡逻规划进行巡逻;
按照所述主机器人的巡逻规划执行巡逻。
可选的,所述处理器还用于调用所述存储器存储的可执行程序代码,执行以下步骤:
获取所述主机器人以及所述至少一个辅机器人的历史巡逻规划,所述历史巡逻规划包括历史巡逻路线和/或历史巡逻时间;
其中,所述处理器基于所述位置信息,使用所述存储器中存储的巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划的方式具体包括:
基于所述历史巡逻规划,以及所述位置信息,使用所述存储器中存储的巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划。
可选的,所述巡逻规划生成算法生成的所述巡逻规划包括的所述巡逻路线覆盖整个巡逻区域,所述巡逻规划生成算法生成的所述巡逻规划包括的巡逻时间内所述主机器人和所述至少一个辅机器人能够巡逻所述整个巡逻区域。
可选的,所述巡逻区域包括重点巡逻子区域和非重点巡逻子区域;所述巡逻规划的巡逻路线在所述重点巡逻子区域中的巡逻密度高于所述非重点巡逻子区域的巡逻密度,所述巡逻密度包括巡逻频次和/或巡逻时间。
可选的,若所述辅机器人的数量为至少两个,所述巡逻规划使得任一时间至少有一个主机器人或至少一个辅机器人巡逻所述重点巡逻子区域。
从上可知,使用本实施例提供的用于巡逻的机器人,可以根据机器人当前所处的位置自适应地生成巡逻规划,并按照巡逻规划进行巡逻,由于巡逻规划是实时生成的,因此没有规律可循,可以减少被不法分子钻空子的可能,从而提高了安全性;进一步地,在一种实施方式中,对重要巡逻子区域和非重要巡逻子区域进行了区分,从而使得重要巡逻子区域的巡逻频次和巡逻时间都相对更多一些,能够进一步保证重要巡逻子区域的安全。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例提供的机器人巡逻方法的流程图;
图2为本发明一个实施例提供的用于巡逻的机器人的结构图;
图3为本发明另一个实施例提供的用于巡逻的机器人的结构图。
具体实施方式
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,本领域普通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。
先介绍本发明实施例提供的机器人巡逻方法,图1描述了本发明一个实施例提供的机器人巡逻方法的流程。如图1所示,该机器人巡逻方法可以包括:
101、主机器人获取主机器人以及至少一个辅机器人当前所处的位置的位置信息。
其中,辅机器人的数量可以根据巡逻区域的大小进行配置。
其中,主机器人的当前位置的位置信息由主机器人获取;辅机器人的当前位置的位置信息由辅机器人获取,辅机器人在获取了位置信息后,进一步将获取的位置信息发送给主机器人。主机器人和辅机器人获取当前位置的位置信息的方式可以相同也可以不同。
例如,根据机器人当前所处的位置的不同,机器人获取当前所处的位置的位置信息的方式会有不同。
例如,在当前所处的位置为室外区域时,可以使用卫星定位系统获取所述机器人当前所处的位置,所述的卫星定位系统可以是全球定位系统(GPS:Global PositioningSystem),北斗卫星定位系统,GLONASS卫星定位系统,和/或伽利略卫星导航系统。
例如,在当前所处的位置为室内区域时,由于卫星定位系统不能定位,因此可以使用室内定位技术,例如可以使用WiFi室内定位技术,UWB室内定位技术,蓝牙室内定位技术,红外线室内定位技术,RFID室内定位技术,和超声波室内定位技术等等。
可以理解的是,即便当前所处的位置为室外区域,也可以使用上述室内定位技术进行定位。
102、所述主机器人基于所述位置信息,使用巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划,所述巡逻规划包括巡逻路线和/或巡逻时间,在所述巡逻路线完成和/或所述巡逻时间完成时重新生成所述主机器人和所述至少一个辅机器人的巡逻规划。
其中,所述的巡逻规划生成算法可以是预先训练好的,该算法具体可以是一种数学模型,例如可以是卷积神经网络(CNN:Convolutional Neural Network,)模型,或循环神经网络(RNN:Recurrent Neural Networks)模型,或者也可以是深度神经网络(DNN:DeepNeural Networks)模型。
其中,所述巡逻规划包括的巡逻路线可以是整个巡逻区域的巡逻路线,也可以是一个巡逻子区域的巡逻路线,所述巡逻子区域可以是预先设置好的,也可以是临时生成的,所述巡逻时间是指完成所述巡逻路线的时间。巡逻路线的长度和巡逻时间决定了机器人巡逻时的巡逻速度。所述的巡逻子区域的面积可以是相等的,也可以是不相等的,例如可以根据巡逻子区域的周边环境或子区域内的地形地势等进行自适应的划分。
所述巡逻区域包括重点巡逻子区域和非重点巡逻子区域;所述巡逻规划的巡逻路线在所述重点巡逻子区域中的巡逻密度高于所述非重点巡逻子区域的巡逻密度,所述巡逻密度包括巡逻频次和/或巡逻时间;也就是说,重点巡逻子区域的巡逻频次要高于非重点巡逻子区域的巡逻频次,和/或重点巡逻子区域的巡逻时间要长于非重点巡逻子区域的巡逻时间。在一种实施方式中,为了提高重点巡逻子区域的安全性,若所述辅机器人的数量为至少两个时,所述巡逻规划使得任一时间至少有一个主机器人或至少一个辅机器人巡逻所述重点巡逻子区域。
其中,所述整个巡逻区域中包括的一些巡逻子区域属于重点巡逻子区域,在一种实施方式中,如果各个巡逻子区域的面积是相等的,在所述巡逻规划对应的是重点巡逻子区域时,巡逻时间要长于非重点巡逻子区域对应的巡逻时间;在各个巡逻子区域的面积不相等时,重点巡逻子区域的面积可以小于非重点巡逻子区域的面积,此时重点巡逻子区域对应的巡逻时间可以与非重点巡逻自弃与对应的时间相等,当然也可以不同。
其中,在所述巡逻规划生成算法生成的所述巡逻规划包括的所述巡逻路线覆盖整个巡逻区域时,所述巡逻规划生成算法生成的所述巡逻规划包括的巡逻时间内主机器人和所述至少一个辅机器人能够巡逻所述整个巡逻区域。机器人就可以根据巡逻时间和巡逻路线的长度确定巡逻的速度。可以理解的是,在一些实施方式中,所述巡逻规划可以是分段的,所述巡逻规划可以包括每一段的巡逻速度/巡逻时间。
在一种实施方式中,基于所述位置信息,使用巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划前,所述方法还可以包括:
获取所述主机器人以及所述至少一个辅机器人的历史巡逻规划,所述历史巡逻规划包括历史巡逻路线和/或历史巡逻时间;
相应地,所述基于所述位置信息,使用巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划具体可以包括:
基于所述历史巡逻规划,以及所述位置信息,使用巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划。
在获取了历史巡逻路线时,如果历史巡逻路线是巡逻子区域对应的巡逻路线,巡逻规划生成算法就可以知道已经巡逻了哪些子区域,从而生成的巡逻规划可以更倾向于巡逻尚未进行巡逻的子区域,需要说明的是,巡逻规划生成算法仅仅是会增加生成的巡逻规划是对应未进行巡逻的子区域的可能,但是并不表示新生成的巡逻规划仅仅是对应未进行巡逻的子区域;或者,巡逻规划生成算法可以知道历史的巡逻路线,从而使得生成巡逻路线较大可能的不会与历史巡逻路线相同,需要说明的是,巡逻规划生成算法仅仅是会增加生成的巡逻路线与历史巡逻路线不相同的可能,但是并不是表示新生成的巡逻路线一定会与历史巡逻路线不相同。
在获取了历史巡逻时间时,就可以知道已经巡逻了多长时间,算法可以预先设置好了多长时间必须进行至少一次的整个巡逻区域的巡逻,因此根据历史巡逻时间就可以知道巡逻完未完成巡逻的子区域所能够使用的时间,从而自适应地确定新生成的巡逻规划对应的巡逻时间。
103、所述主机器人将为所述至少一个辅机器人生成的巡逻规划发送给所述至少一个辅机器人,使得所述至少一个辅机器人按照巡逻规划进行巡逻。
104、所述主机器人按照所述主机器人的巡逻规划执行巡逻。
从上可知,使用本实施例提供的机器人巡逻方法,可以根据机器人当前所处的位置自适应地生成巡逻规划,并按照巡逻规划进行巡逻,由于巡逻规划是实时生成的,因此没有规律可循,可以减少被不法分子钻空子的可能,从而提高了安全性;进一步地,在一种实施方式中,对重要巡逻子区域和非重要巡逻子区域进行了区分,从而使得重要巡逻子区域的巡逻频次和巡逻时间都相对更多一些,能够进一步保证重要巡逻子区域的安全。
在本发明的一种实施方式中,所述的巡逻规划生成算法部署在神经网络中,神经网络可以由多个神经元组成。以辅机器人的数量为一个为例,在所述神经网络中,所述的巡逻规划生成算法可以表示成如下所述的计算式:
vi=f(vi-1+w)=f(Api-1+Bti-1+Cw)
其中,vi表示生成的当前巡逻规划,vi=via+vib,via是主机器人的巡逻规划,也可以表示成pia+tia;vib是辅机器人的巡逻规划,也可以表示成pib+tib;pia和pib分别表示主机器人和辅机器人当前巡逻规划对应的巡逻路线,tia和tib分别表示主机器人和辅机器人当前巡逻规划对应的巡逻时间;w表示位置信息,可以表示成wia+wib,wia和wib分别表示主机器人和辅机器人的位置信息;vi-1表示历史巡逻规划,vi-1=via-1+vib-1,其中,via-1为所述主机器人的历史巡逻规划,可以表示成pia-1+tia-1,pia-1表示主机器人的历史巡逻规划的历史巡逻路线,tia-1表示主机器人的历史巡逻规划的历史巡逻时间;vib-1为所述辅机器人的历史巡逻规划,可以表示成pib-1+tib-1,pib-1表示辅机器人的历史巡逻规划的历史巡逻路线,tib-1表示辅机器人的历史巡逻规划的历史巡逻时间;f()表示的是神经元对应的激活函数,A、B和C是激活函数对应的模块参数。在一种实施方式中,激活函数f()具体可以是sigmoid函数,即f()可以表示成如下的形式:
其中,激活函数f()的模块参数是预先训练好的,在一种实施方式中模块参数A、B和C具体可以通过如下训练函数训练获得:
其中,M是训练函数的参数,N是训练集合中巡逻规划的数量,训练几何中的巡逻规划是主机器人和辅机器人配套的,pn是训练集合中巡逻规划中的巡逻路线,pn包括了主机器人和辅机器人的巡逻路线,tn是训练集合中巡逻规划中的巡逻时间,tn包括了主机器人和辅机器人的巡逻时间。
其中,在生成了当前巡逻规划后,可以将所述当前巡逻规划与所述历史巡逻规划进行递归整合生成新的历史巡逻规划,以便于生成下一个巡逻规划。在一个实施方式中,可以采用如下计算式进行递归整合:
vi=avi+bvi-1
其中,该计算式左侧的vi表示的是递归整合后需要存储的历史巡逻规划,计算式右侧的vi表示的是所述当前巡逻规划,vi-1表示的是递归整合前已经存储的历史巡逻规划;a和b表示的是加权因子,且a+b=1;其中,由于越久之前的巡逻规划距离当前的时间越长,对应的巡逻子区域未被巡逻的时间也越长,因此需要将b设置为大于a。
图2描述了本发明一个实施例提供的一种用于巡逻的机器人的结构,其中,该机器人可以为前述实施例描述的主机器人,可以用于实现前述实施例中主机器人的全部功能。如图2所示,该机器人可以包括:
位置获取单元201,用于获取主机器人以及至少一个辅机器人当前所处的位置的位置信息;
其中,根据机器人当前所处的位置的不同,机器人获取当前所处的位置的位置信息的方式会有不同。
例如,在当前所处的位置为室外区域时,可以使用卫星定位系统获取所述机器人当前所处的位置,所述的卫星定位系统可以是全球定位系统(GPS:Global PositioningSystem),北斗卫星定位系统,GLONASS卫星定位系统,和/或伽利略卫星导航系统。
例如,在当前所处的位置为室内区域时,由于卫星定位系统不能定位,因此可以使用室内定位技术,例如可以使用WiFi室内定位技术,UWB室内定位技术,蓝牙室内定位技术,红外线室内定位技术,RFID室内定位技术,和超声波室内定位技术等等。
可以理解的是,即便当前所处的位置为室外区域,也可以使用上述室内定位技术进行定位。
规划生成单元202,用于基于所述位置信息,使用巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划,所述巡逻规划包括巡逻路线和/或巡逻时间,在所述巡逻路线完成和/或所述巡逻时间完成时重新生成所述主机器人和所述至少一个辅机器人的巡逻规划;
其中,所述的巡逻规划生成算法可以是预先训练好的,该算法具体可以是一种数学模型,例如可以是卷积神经网络(CNN:Convolutional Neural Network,)模型,或循环神经网络(RNN:Recurrent Neural Networks)模型,或者也可以是深度神经网络(DNN:DeepNeural Networks)模型。
其中,所述巡逻规划包括的巡逻路线可以是整个巡逻区域的巡逻路线,也可以是一个巡逻子区域的巡逻路线,所述巡逻子区域可以是预先设置好的,也可以是临时生成的,所述巡逻时间是指完成所述巡逻路线的时间。巡逻路线的长度和巡逻时间决定了机器人巡逻时的巡逻速度。所述的巡逻子区域的面积可以是相等的,也可以是不相等的,例如可以根据巡逻子区域的周边环境或子区域内的地形地势等进行自适应的划分。
所述巡逻区域包括重点巡逻子区域和非重点巡逻子区域;所述巡逻规划的巡逻路线在所述重点巡逻子区域中的巡逻密度高于所述非重点巡逻子区域的巡逻密度,所述巡逻密度包括巡逻频次和/或巡逻时间;也就是说,重点巡逻子区域的巡逻频次要高于非重点巡逻子区域的巡逻频次,和/或重点巡逻子区域的巡逻时间要长于非重点巡逻子区域的巡逻时间。
其中,所述整个巡逻区域中包括的一些巡逻子区域属于重点巡逻子区域,在一种实施方式中,如果各个巡逻子区域的面积是相等的,在所述巡逻规划对应的是重点巡逻子区域时,巡逻时间要长于非重点巡逻子区域对应的巡逻时间;在各个巡逻子区域的面积不相等时,重点巡逻子区域的面积可以小于非重点巡逻子区域的面积,此时重点巡逻子区域对应的巡逻时间可以与非重点巡逻自弃与对应的时间相等,当然也可以不同。
其中,在所述巡逻规划生成算法生成的所述巡逻规划包括的所述巡逻路线覆盖整个巡逻区域时,所述巡逻规划生成算法生成的所述巡逻规划包括的巡逻时间内主机器人和所述至少一个辅机器人能够巡逻所述整个巡逻区域。机器人就可以根据巡逻时间和巡逻路线的长度确定巡逻的速度。可以理解的是,在一些实施方式中,所述巡逻规划可以是分段的,所述巡逻规划可以包括每一段的巡逻速度/巡逻时间。
在一种实施方式中,所述机器人还可以包括:
历史信息获取单元,用于获取所述主机器人以及所述至少一个辅机器人的历史巡逻规划,所述历史巡逻规划包括历史巡逻路线和/或历史巡逻时间;
相应地,所述规划生成单元可以具体用于:基于所述历史巡逻规划,以及所述位置信息,使用巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划。
在获取了历史巡逻路线时,如果历史巡逻路线是巡逻子区域对应的巡逻路线,巡逻规划生成算法就可以知道已经巡逻了哪些子区域,从而生成的巡逻规划可以更倾向于巡逻尚未进行巡逻的子区域,需要说明的是,巡逻规划生成算法仅仅是会增加生成的巡逻规划是对应未进行巡逻的子区域的可能,但是并不表示新生成的巡逻规划仅仅是对应未进行巡逻的子区域;或者,巡逻规划生成算法可以知道历史的巡逻路线,从而使得生成巡逻路线较大可能的不会与历史巡逻路线相同,需要说明的是,巡逻规划生成算法仅仅是会增加生成的巡逻路线与历史巡逻路线不相同的可能,但是并不是表示新生成的巡逻路线一定会与历史巡逻路线不相同。
在获取了历史巡逻时间时,就可以知道已经巡逻了多长时间,算法可以预先设置好了多长时间必须进行至少一次的整个巡逻区域的巡逻,因此根据历史巡逻时间就可以知道巡逻完未完成巡逻的子区域所能够使用的时间,从而自适应地确定新生成的巡逻规划对应的巡逻时间。
发送单元203,用于将为所述至少一个辅机器人生成的巡逻规划发送给所述至少一个辅机器人,使得所述至少一个辅机器人按照巡逻规划进行巡逻;
执行单元204,用于按照所述主机器人的巡逻规划执行巡逻。
从上可知,使用本实施例提供的机器人,可以根据机器人当前所处的位置自适应地生成巡逻规划,并按照巡逻规划进行巡逻,由于巡逻规划是实时生成的,因此没有规律可循,可以减少被不法分子钻空子的可能,从而提高了安全性;进一步地,在一种实施方式中,对重要巡逻子区域和非重要巡逻子区域进行了区分,从而使得重要巡逻子区域的巡逻频次和巡逻时间都相对更多一些,能够进一步保证重要巡逻子区域的安全。
本发明实施例还提供一种用于巡逻的机器人,该机器人可以看作是前述实施例描述的主机器人,可以用于执行前述实施例提供的机器人巡逻方法。如图3所示,该机器人至少可以包括:存储器10、至少一个处理器20,例如CPU(Central Processing Unit,中央处理器),以及至少一个通信接口30,通信接口30可以用于该机器人与至少一个辅机器人之间建立通信连接,以便该机器人能与至少一个辅机器人进行信息交互。其中,存储器10、处理器20和通信接口30可以通过一条或多条总线进行通信连接。本领域技术人员可以理解,图3中示出的机器人的结构并不构成对本发明实施例的限定,它既可以是总线形结构,也可以是星型结构,还可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
其中,存储器10可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器10可选的还可以是至少一个位于远离前述处理器20的存储装置。存储器10可以用于存储可执行程序代码和数据,本发明实施例不作限定。
在图3所示的机器人中,处理器20可以用于调用存储器10存储的可执行程序代码,执行以下步骤:
获取主机器人以及至少一个辅机器人当前所处的位置的位置信息;
基于该位置信息,使用存储器10中存储的巡逻规划生成算法生成主机器人以及上述至少一个辅机器人的巡逻规划,该巡逻规划可以包括巡逻路线和/或巡逻时间,在巡逻路线完成和/或巡逻时间完成时重新生成主机器人和上述至少一个辅机器人的巡逻规划;
控制通信接口30将为上述至少一个辅机器人生成的巡逻规划发送给上述至少一个辅机器人,使得上述至少一个辅机器人按照巡逻规划进行巡逻;
按照主机器人的巡逻规划执行巡逻。
可选的,处理器20还可以用于调用存储器10存储的可执行程序代码,执行以下步骤:
获取主机器人以及上述至少一个辅机器人的历史巡逻规划,该历史巡逻规划可以包括历史巡逻路线和/或历史巡逻时间;
其中,处理器20基于该位置信息,使用存储器10中存储的巡逻规划生成算法生成主机器人以及上述至少一个辅机器人的巡逻规划的方式具体可以包括:
基于该历史巡逻规划,以及该位置信息,使用存储器10中存储的巡逻规划生成算法生成主机器人以及上述至少一个辅机器人的巡逻规划。
可选的,该巡逻规划生成算法生成的巡逻规划包括的巡逻路线覆盖整个巡逻区域,该巡逻规划生成算法生成的巡逻规划包括的巡逻时间内主机器人和上述至少一个辅机器人能够巡逻整个巡逻区域。
可选的,巡逻区域可以包括重点巡逻子区域和非重点巡逻子区域;该巡逻规划的巡逻路线在重点巡逻子区域中的巡逻密度高于非重点巡逻子区域的巡逻密度,该巡逻密度可以包括巡逻频次和/或巡逻时间。
可选的,若辅机器人的数量为至少两个,该巡逻规划使得任一时间至少有一个主机器人或至少一个辅机器人巡逻重点巡逻子区域。
实施图3所示的用于巡逻的机器人,可以根据机器人当前所处的位置自适应地生成巡逻规划,并按照巡逻规划进行巡逻,由于巡逻规划是实时生成的,因此没有规律可循,可以减少被不法分子钻空子的可能,从而提高了安全性;进一步地,在一种实施方式中,对重要巡逻子区域和非重要巡逻子区域进行了区分,从而使得重要巡逻子区域的巡逻频次和巡逻时间都相对更多一些,能够进一步保证重要巡逻子区域的安全。
上述机器人内的各单元模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明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存储有计算机程序,该计算机程序被处理器执行时可以实现以下步骤:
获取主机器人以及至少一个辅机器人当前所处的位置的位置信息;
基于该位置信息,使用存储介质中存储的巡逻规划生成算法生成主机器人以及上述至少一个辅机器人的巡逻规划,该巡逻规划可以包括巡逻路线和/或巡逻时间,在巡逻路线完成和/或巡逻时间完成时重新生成主机器人和上述至少一个辅机器人的巡逻规划;
将为上述至少一个辅机器人生成的巡逻规划发送给上述至少一个辅机器人,使得上述至少一个辅机器人按照巡逻规划进行巡逻;
按照主机器人的巡逻规划执行巡逻。
可选的,该计算机程序被处理器执行时还可以实现以下步骤:
获取主机器人以及上述至少一个辅机器人的历史巡逻规划,该历史巡逻规划可以包括历史巡逻路线和/或历史巡逻时间;
其中,处理器基于该位置信息,使用存储介质中存储的巡逻规划生成算法生成主机器人以及上述至少一个辅机器人的巡逻规划的方式具体可以包括:
基于该历史巡逻规划,以及该位置信息,使用存储介质中存储的巡逻规划生成算法生成主机器人以及上述至少一个辅机器人的巡逻规划。
可选的,该巡逻规划生成算法生成的巡逻规划包括的巡逻路线覆盖整个巡逻区域,该巡逻规划生成算法生成的巡逻规划包括的巡逻时间内主机器人和上述至少一个辅机器人能够巡逻整个巡逻区域。
可选的,巡逻区域可以包括重点巡逻子区域和非重点巡逻子区域;该巡逻规划的巡逻路线在重点巡逻子区域中的巡逻密度高于非重点巡逻子区域的巡逻密度,该巡逻密度可以包括巡逻频次和/或巡逻时间。
可选的,若辅机器人的数量为至少两个,该巡逻规划使得任一时间至少有一个主机器人或至少一个辅机器人巡逻重点巡逻子区域。
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,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一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。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(ROM:Read-Only Memory)或随机存储记忆体(RAM:RandomAccess Memory)等。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取主机器人以及至少一个辅机器人当前所处的位置的位置信息;
基于所述位置信息,使用所述存储介质中存储的巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划,所述巡逻规划包括巡逻路线和/或巡逻时间,在所述巡逻路线完成和/或所述巡逻时间完成时重新生成所述主机器人和所述至少一个辅机器人的巡逻规划;
将为所述至少一个辅机器人生成的巡逻规划发送给所述至少一个辅机器人,使得所述至少一个辅机器人按照巡逻规划进行巡逻;
按照所述主机器人的巡逻规划执行巡逻。
2.如权利要求1所述的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时还实现以下步骤:
获取所述主机器人以及所述至少一个辅机器人的历史巡逻规划,所述历史巡逻规划包括历史巡逻路线和/或历史巡逻时间;
其中,所述处理器基于所述位置信息,使用所述存储介质中存储的巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划的方式具体包括:
基于所述历史巡逻规划,以及所述位置信息,使用所述存储介质中存储的巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划。
3.如权利要求1或2所述的计算机可读存储介质,其特征在于,所述巡逻规划生成算法生成的所述巡逻规划包括的所述巡逻路线覆盖整个巡逻区域,所述巡逻规划生成算法生成的所述巡逻规划包括的巡逻时间内所述主机器人和所述至少一个辅机器人能够巡逻所述整个巡逻区域。
4.如权利要求3所述的计算机可读存储介质,其特征在于,所述巡逻区域包括重点巡逻子区域和非重点巡逻子区域;所述巡逻规划的巡逻路线在所述重点巡逻子区域中的巡逻密度高于所述非重点巡逻子区域的巡逻密度,所述巡逻密度包括巡逻频次和/或巡逻时间。
5.如权利要求4所述的计算机可读存储介质,其特征在于,若所述辅机器人的数量为至少两个,所述巡逻规划使得任一时间至少有一个主机器人或至少一个辅机器人巡逻所述重点巡逻子区域。
6.一种用于巡逻的机器人,其特征在于,包括:存储器、处理器和通信接口,其中,所述存储器用于存储可执行程序代码和数据,所述通信接口用于所述机器人与至少一个辅机器人进行通信交互,所述处理器用于调用所述存储器存储的可执行程序代码,执行以下步骤:
获取主机器人以及所述至少一个辅机器人当前所处的位置的位置信息;
基于所述位置信息,使用所述存储器中存储的巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划,所述巡逻规划包括巡逻路线和/或巡逻时间,在所述巡逻路线完成和/或所述巡逻时间完成时重新生成所述主机器人和所述至少一个辅机器人的巡逻规划;
控制所述通信接口将为所述至少一个辅机器人生成的巡逻规划发送给所述至少一个辅机器人,使得所述至少一个辅机器人按照巡逻规划进行巡逻;
按照所述主机器人的巡逻规划执行巡逻。
7.如权利要求6所述的用于巡逻的机器人,其特征在于,所述处理器还用于调用所述存储器存储的可执行程序代码,执行以下步骤:
获取所述主机器人以及所述至少一个辅机器人的历史巡逻规划,所述历史巡逻规划包括历史巡逻路线和/或历史巡逻时间;
其中,所述处理器基于所述位置信息,使用所述存储器中存储的巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划的方式具体包括:
基于所述历史巡逻规划,以及所述位置信息,使用所述存储器中存储的巡逻规划生成算法生成所述主机器人以及所述至少一个辅机器人的巡逻规划。
8.如权利要求6或7所述的用于巡逻的机器人,其特征在于,所述巡逻规划生成算法生成的所述巡逻规划包括的所述巡逻路线覆盖整个巡逻区域,所述巡逻规划生成算法生成的所述巡逻规划包括的巡逻时间内所述主机器人和所述至少一个辅机器人能够巡逻所述整个巡逻区域。
9.如权利要求8所述的用于巡逻的机器人,其特征在于,所述巡逻区域包括重点巡逻子区域和非重点巡逻子区域;所述巡逻规划的巡逻路线在所述重点巡逻子区域中的巡逻密度高于所述非重点巡逻子区域的巡逻密度,所述巡逻密度包括巡逻频次和/或巡逻时间。
10.如权利要求9所述的用于巡逻的机器人,其特征在于,若所述辅机器人的数量为至少两个,所述巡逻规划使得任一时间至少有一个主机器人或至少一个辅机器人巡逻所述重点巡逻子区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810927848.7A CN109062212A (zh) | 2018-08-15 | 2018-08-15 | 一种用于巡逻的机器人及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810927848.7A CN109062212A (zh) | 2018-08-15 | 2018-08-15 | 一种用于巡逻的机器人及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109062212A true CN109062212A (zh) | 2018-12-21 |
Family
ID=64686044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810927848.7A Withdrawn CN109062212A (zh) | 2018-08-15 | 2018-08-15 | 一种用于巡逻的机器人及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109062212A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115116192A (zh) * | 2022-07-15 | 2022-09-27 | 北京理工大学珠海学院 | 一种基于智能机器人的安防监控系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000039914A (ja) * | 1998-07-22 | 2000-02-08 | Toshiba Corp | プラント監視装置 |
CN102096413A (zh) * | 2010-12-23 | 2011-06-15 | 中国民航大学 | 保安巡逻机器人系统及其控制方法 |
CN103092203A (zh) * | 2013-01-15 | 2013-05-08 | 深圳市紫光杰思谷科技有限公司 | 主从机器人之间相对运动的控制方法 |
CN103576683A (zh) * | 2012-08-03 | 2014-02-12 | 中国科学院深圳先进技术研究院 | 多巡逻机器人的调度方法和系统 |
CN104267727A (zh) * | 2014-09-30 | 2015-01-07 | 深圳市科松电子有限公司 | 一种巡逻机器人及其控制系统 |
CN105511469A (zh) * | 2015-12-18 | 2016-04-20 | 北京联合大学 | 一种无人智能巡逻电动车及巡逻系统 |
CN106292657A (zh) * | 2016-07-22 | 2017-01-04 | 北京地平线机器人技术研发有限公司 | 可移动机器人及其巡逻路径设置方法 |
CN106548231A (zh) * | 2016-11-24 | 2017-03-29 | 北京地平线机器人技术研发有限公司 | 移动控制装置、可移动机器人和移动到最佳交互点的方法 |
CN107622646A (zh) * | 2017-11-12 | 2018-01-23 | 彭耀芬 | 一种智能安防机器人系统 |
CN107741747A (zh) * | 2017-09-25 | 2018-02-27 | 广东工商职业学院 | 基于无人机的自动森林巡逻系统和方法 |
-
2018
- 2018-08-15 CN CN201810927848.7A patent/CN109062212A/zh not_active Withdrawn
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000039914A (ja) * | 1998-07-22 | 2000-02-08 | Toshiba Corp | プラント監視装置 |
CN102096413A (zh) * | 2010-12-23 | 2011-06-15 | 中国民航大学 | 保安巡逻机器人系统及其控制方法 |
CN103576683A (zh) * | 2012-08-03 | 2014-02-12 | 中国科学院深圳先进技术研究院 | 多巡逻机器人的调度方法和系统 |
CN103092203A (zh) * | 2013-01-15 | 2013-05-08 | 深圳市紫光杰思谷科技有限公司 | 主从机器人之间相对运动的控制方法 |
CN104267727A (zh) * | 2014-09-30 | 2015-01-07 | 深圳市科松电子有限公司 | 一种巡逻机器人及其控制系统 |
CN105511469A (zh) * | 2015-12-18 | 2016-04-20 | 北京联合大学 | 一种无人智能巡逻电动车及巡逻系统 |
CN106292657A (zh) * | 2016-07-22 | 2017-01-04 | 北京地平线机器人技术研发有限公司 | 可移动机器人及其巡逻路径设置方法 |
CN106548231A (zh) * | 2016-11-24 | 2017-03-29 | 北京地平线机器人技术研发有限公司 | 移动控制装置、可移动机器人和移动到最佳交互点的方法 |
CN107741747A (zh) * | 2017-09-25 | 2018-02-27 | 广东工商职业学院 | 基于无人机的自动森林巡逻系统和方法 |
CN107622646A (zh) * | 2017-11-12 | 2018-01-23 | 彭耀芬 | 一种智能安防机器人系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115116192A (zh) * | 2022-07-15 | 2022-09-27 | 北京理工大学珠海学院 | 一种基于智能机器人的安防监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110134140B (zh) | 一种环境信息未知连续状态下基于势函数奖赏dqn的无人机路径规划方法 | |
CN109085833A (zh) | 一种巡逻机器人及存储介质 | |
US11561544B2 (en) | Indoor monocular navigation method based on cross-sensor transfer learning and system thereof | |
Stein et al. | Genesis-rt: Generating synthetic images for training secondary real-world tasks | |
KR20190109324A (ko) | 로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템 | |
CN112561395A (zh) | 无人机协同方法、系统、装置、电子设备及存储介质 | |
CN109088452A (zh) | 机器人充电方法及机器人 | |
CN109961509A (zh) | 三维地图的生成及模型训练方法、装置及电子设备 | |
CN108981712A (zh) | 机器人巡逻方法及机器人 | |
CN109086731A (zh) | 一种用于进行行为监控的机器人及存储介质 | |
CN109270931A (zh) | 控制机器人巡逻的方法及装置 | |
Yang et al. | Autonomous UAV navigation in dynamic environments with double deep Q-networks | |
CN109062212A (zh) | 一种用于巡逻的机器人及存储介质 | |
CN109141454A (zh) | 一种充电机器人及存储介质 | |
CN109048899A (zh) | 一种巡逻机器人及存储介质 | |
CN108958024A (zh) | 机器人巡逻方法及机器人 | |
Wang et al. | Research on autonomous planning method based on improved quantum Particle Swarm Optimization for Autonomous Underwater Vehicle | |
CN109191633A (zh) | 员工识别方法及机器人 | |
CN109015639A (zh) | 一种控制机器人巡逻的装置及存储介质 | |
Dhami et al. | Pred-nbv: Prediction-guided next-best-view planning for 3d object reconstruction | |
Huang et al. | A deep reinforcement learning approach to preserve connectivity for multi-robot systems | |
CN109118580A (zh) | 目标货物堆监控方法及相关装置 | |
CN108877115A (zh) | 疏散指引方法及机器人 | |
CN108858201A (zh) | 一种用于看护儿童的机器人及存储介质 | |
CN109066857A (zh) | 对巡逻机器人进行充电的方法及充电机器人 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181221 |