CN109902876A - 一种确定智能设备移动方向的方法、装置及路径规划系统 - Google Patents
一种确定智能设备移动方向的方法、装置及路径规划系统 Download PDFInfo
- Publication number
- CN109902876A CN109902876A CN201910156350.XA CN201910156350A CN109902876A CN 109902876 A CN109902876 A CN 109902876A CN 201910156350 A CN201910156350 A CN 201910156350A CN 109902876 A CN109902876 A CN 109902876A
- Authority
- CN
- China
- Prior art keywords
- smart machine
- time step
- moving direction
- stop place
- visual angle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000013459 approach Methods 0.000 claims abstract description 15
- 230000000007 visual effect Effects 0.000 claims description 98
- 230000007613 environmental effect Effects 0.000 claims description 42
- 230000033001 locomotion Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 14
- 230000006854 communication Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000004936 stimulating effect Effects 0.000 description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Landscapes
- Processing Or Creating Images (AREA)
- Navigation (AREA)
Abstract
本申请公开了一种确定智能设备移动方向的方法、装置及路径规划系统，引入了想象力模块，确定智能设备的移动方向，从而控制智能设备前往路径指令中指示的目标位置。通过引入的想象力模块计算出体现模拟路径的特征序列，并依据该特征序列通过解码器确定智能设备前往目标位置过程中每一个时间步骤对应的移动方向。由于依据了体现该模拟路径的特征序列，故确定出的移动方向能够更倾向于让智能设备最终到达目标位置。相对于传统方式中仅根据当前状态、环境为智能设备确定出的移动方向来说，本申请所确定的移动方向对于完成目标，即最终将智能设备移动至目标位置更为准确，提高了智能设备在路径指令下到达目标位置的可能性。
Description
技术领域
本申请涉及自动控制领域，特别是涉及一种确定智能设备移动方向的方法、装置及路径规划系统。
背景技术
随着科学技术的发展，目前智能设备的应用越来越广泛，例如机器人服务员、机器人扫地仪以及具备自动驾驶或辅助驾驶功能的车辆等。在智能设备的工作场景中，往往需要前往路径指令指示的目标位置。因此，如何控制智能设备准确的前往目标位置，是至关重要的问题。
目前，可以利用编码器-解码器这种结构控制智能设备前往目标位置。其中，编码器的作用是对用自然语言描述的指令(例如：离开健身房左转，下楼梯，经过右边的两个沙发，向右转进入房间并停止)进行编码，得到体现所述指令含义的编码结果，解码器的作用是对前述编码结果进行解码，得到智能设备的移动方向。进一步地，可以根据所述移动方向控制智能设备移动。
但是，这种编码器-解码器的结构得到的前进方向往往不够准确，从而使得智能设备不能准确的到达目标位置。
发明内容
本申请所要解决的技术问题传统编码器-解码器的结构得到的移动方向往往不够准确，从而使得智能设备不能准确的到达目标位置，提供一种确定智能设备移动方向的方法、装置及路径规划系统。
第一方面，本申请实施例提供了一种确定智能设备移动方向的方法，所述方法包括：
获取路径指令，所述路径指令包括前往目标位置的指令信息；
确定所述智能设备前往所述目标位置过程中每一个时间步骤对应的移动方向；第j个时间步骤包括所述智能设备前往所述目标位置过程中从第j个停留位置到第j+1个停留位置的时间过程，第j个时间步骤对应的移动方向为所述智能设备从第j个停留位置前往第j+1个停留位置所采用的方向；
第j个时间步骤对应的移动方向，通过如下方式确定：
获取解码模块在第i个时间步骤输出的解码结果；
获取通过编码模块对所述路径指令编码得到的语义特征向量；
获取所述智能设备在第j个停留位置获取的环境数据；
根据第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过想象力模块得到体现模拟路径的特征序列；所述模拟路径包括模拟所述智能设备从第j个停留位置到达所述目标位置的路径；i小于j；
根据所述特征序列通过所述解码模块确定第j个时间步骤对应的移动方向。
第二方面，本申请实施例提供了一种确定智能设备移动方向的装置，所述装置包括：
获取单元，用于获取路径指令，所述路径指令包括前往目标位置的指令信息；
确定单元，用于确定所述智能设备前往所述目标位置过程中每一个时间步骤对应的移动方向；第j个时间步骤包括所述智能设备前往所述目标位置过程中从第j个停留位置到第j+1个停留位置的时间过程，第j个时间步骤对应的移动方向为所述智能设备从第j个停留位置前往第j+1个停留位置所采用的方向；
第j个时间步骤对应的移动方向，通过如下方式确定：
获取解码模块在第i个时间步骤输出的解码结果；
获取通过编码模块对所述路径指令编码得到的语义特征向量；
获取所述智能设备在第j个停留位置获取的环境数据；
根据所述解码模块在第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过想象力模块得到体现模拟路径的特征序列；所述模拟路径包括模拟所述智能设备从第j个停留位置到达所述目标位置的路径；i小于j；
根据所述特征序列通过所述解码模块确定第j个时间步骤对应的移动方向。
第三方面，本申请实施例提供了一种确定智能设备移动方向的设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行以上第一方面任一项所述的确定智能设备移动方向的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行以上第一方面任一项所述的确定智能设备移动方向的方法。
第五方面，本申请实施例提供了一种路径规划系统，所述路径规划系统包括智能设备，所述智能设备包括图像采集结构和移动结构；
所述智能设备，用于获取路径指令，所述路径指令包括前往目标位置的指令信息；
所述智能设备还用于确定前往所述目标位置过程中每一个时间步骤对应的移动方向；第j个时间步骤包括所述智能设备前往所述目标位置过程中从第j个停留位置到第j+1个停留位置的时间过程，第j个时间步骤对应的移动方向为所述智能设备从第j个停留位置前往第j+1个停留位置所采用的方向；
所述智能设备还用于在每个时间步骤驱动所述移动结构按照所对应的移动方向移动；
第j个时间步骤对应的移动方向，通过如下方式确定：
获取解码模块在第i个时间步骤输出的解码结果；
获取通过编码模块对所述路径指令编码得到的语义特征向量；
根据所述图像采集结构获取所述智能设备在第j个停留位置获取的环境数据；
根据第i个时间步骤输出的解码结果、所述语义特征向量以及第j个停留位置获取的环境数据，通过想象力模块得到体现模拟路径的特征序列；所述模拟路径包括模拟所述智能设备从第j个停留位置到达所述目标位置的路径；i小于j；
根据所述特征序列通过所述解码模块确定第j个时间步骤对应的移动方向。
与现有技术相比，本申请实施例具有以下优点：
在本申请实施例中，引入了想象力模块，利用编码模块、想象力模块以及解码模块确定智能设备的移动方向，从而控制智能设备前往路径指令中指示的目标位置。为了提高智能设备达到目标位置的可能性，通过引入的想象力模块计算出体现模拟路径的特征序列，并依据该特征序列通过解码器确定智能设备前往目标位置过程中每一个时间步骤对应的移动方向。该模拟路径是利用想象力模块根据第i个时间步骤所述解码模块的解码结果、所述编码模块编码得到的语义特征向量以及智能设备在第j个停留位置获取的环境数据计算得到的，以模拟智能设备从第j个停留位置移动至目标位置的可能路径，在该模拟路径中，智能设备在第j个停留位置的移动方向能够使得该智能设备最终模拟到达目标位置，在通过解码器为每一个时间步骤例如第j个时间步骤确定移动方向时，由于依据了体现该模拟路径的特征序列，故确定出的移动方向能够更倾向于让智能设备最终到达目标位置。相对于传统方式中仅根据当前状态、环境为智能设备确定出的移动方向来说，本申请所确定的移动方向对于完成目标，即最终将智能设备移动至目标位置更为准确，提高了智能设备在路径指令下到达目标位置的可能性。
附图说明
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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为本申请实施例中一个示例性应用场景的框架示意图；
图2为本申请实施例提供的一种确定智能设备移动方向的方法的流程示意图；
图3为本申请实施例提供的一种确定第j个时间步骤对应的移动方向的方法的流程示意图；
图4为本申请实施例提供的一种编码模块的结构示意图；
图5为本申请实施例提供的一种得到特征序列的方法的流程示意图；
图6为本申请实施例提供的一种确定智能设备移动方向的示意图；
图7为本申请实施例提供的一种确定特征序列的示意图；
图8为本申请实施例提供的一种确定智能设备移动方向的装置的结构示意图；
图9为本申请实施例提供的一种确定智能设备移动方向的装置的结构示意图；
图10为本申请实施例提供的一种确定智能设备移动方向的装置的结构示意图；
图11为本申请实施例提供的一种路径规划系统的结构示意图；
图12为本申请实施例提供的一种智能设备确定第j个时间步骤对应的移动方向的方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请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”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在传统技术中，可以利用编码器-解码器这种结构确定智能设备前往目标位置的过程中各个时间步骤对应的移动方向。但是，利用传统技术，在确定各个步骤对应的移动方向时，是利用当前时间步骤对应的状态和环境来确定移动方向，该移动方向是智能设备所处的当前环境下较优的移动方向，但是基于该移动方向移动，不一定能够到达所述目标位置。
鉴于此，本申请实施例提供了一种确定智能设备移动方向的方法，引入了想象力模块，该想象力模块可以计算出体现模拟路径的特征序列，并依据该特征序列通过解码器确定智能设备前往目标位置过程中每一个时间步骤对应的移动方向。该模拟路径是模拟智能设备从第j个停留位置移动至目标位置的可能路径，在该模拟路径中，智能设备在第j个停留位置的移动方向能够使得该智能设备最终模拟到达目标位置。这样一来，在通过解码器为每一个时间步骤例如第j个时间步骤确定移动方向时，由于依据了体现该模拟路径的特征序列，故确定出的移动方向能够更倾向于让智能设备最终到达目标位置。
本申请实施例提供的确定智能设备移动方向的方法，可以由处理设备执行，所述处理设备可以是服务器，所述处理设备也可以是所述智能设备的处理器，本申请实施例不做具体限定。
在本申请实施例中，所述智能设备可以为机器人，也可以为具备自动驾驶或辅助驾驶功能的车辆等等，本申请实施例不做具体限定。
首先对智能设备移动的过程进行简单介绍。在实际应用中，智能设备在前往路径指令指示的目标位置的过程中，一般不是不停歇的前往目标位置，而是移动一段之后在该位置停留一会，在智能设备停留时，智能设备上的图像采集结构例如摄像头可以在水平方向和竖直方向转动调节航向(heading)和仰角(elevation)来采集图像，从而根据所采集的图像以及指令信息等确定继续移动的方向。确定移动方向之后，智能设备可以根据该方向继续移动至下一个停留位置。也就是说，智能设备在前往路径指令指示的目标位置的过程中，可能会包括多个停留位置，在各个停留位置确定智能设备继续移动的移动方向。
在本申请实施例中，将智能设备前往所述目标位置过程中从第j个停留位置到第j+1个停留位置的时间过程称为第j个时间步骤，将智能设备在第j个停留位置确定的移动方向称为第j个时间步骤对应的移动方向，可以理解的是，第j个时间步骤对应的移动方向为所述智能设备从第j个停留位置前往第j+1个停留位置所采用的方向。
以下结合图1所示的场景介绍本申请实施例提供的确定智能设备移动方向的方法。在图1所示的场景中，编码模块102、想象力模块103和解码模块104可以根据路径指令101确定出智能设备在第j个时间步骤对应的移动方向105。具体地，编码模块102可以对路径指令101进行编码，得到可以体现所述路径指令所表达的语义的语义特征向量106，该语义特征向量106作为想象力模块的其中一个输入，想象力模块可以计算得到特征序列107，解码模块104对所述特征序列进行处理，得到第j个时间步骤对应的移动方向105。
在本申请实施例中，所述路径指令101用于指示智能设备前往目标位置。在本申请实施例的一种实现方式中，所述路径指令101可以为用自然语言描述的指令。例如：向前100米，经过沙发，而后右转，进入房间并停止。
在本申请实施例中，所述路径指令101中包括前往目标位置的指令信息，以指示所述智能设备到达所述目标位置。本申请实施例不具体限定所述指令信息，所述指令信息例如可以包括体现前往目标位置所经过的对象的信息，所述对象可以为沙发、椅子等等；所述指令信息例如可以包括前往目标位置所经过的路程的信息，所述路程可以包括100米、200米等等。
本申请实施例也不具体限定所述路径指令101所包括的具体内容，所述路径指令除了可以包括所述指令信息之外，还可以包括其它信息，例如包括起点位置的信息等等。
如上所述，所述语义特征向量106是所述想象力模块103的其中一个输入，在本申请实施例中，在确定第j个时间步骤对应的移动方向105时，想象力模块103的输入除了包括语义特征向量106之外，还包括第i个时间步骤解码模块104输出的解码结果108和智能设备在第j个停留位置获取的环境数据109。在本申请实施例中，i为小于j的正整数，本申请实施例不具体限定i的具体取值。也就是说，想象力模块可以根据第i个时间步骤解码模块104输出的解码结果108、编码模块102对路径指令进行编码得到的语义特征向量106、以及智能设备在第j个停留位置获取的环境数据109，得到所述特征序列107。其中，该模拟路径是模拟智能设备从第j个停留位置移动至目标位置的可能路径，也就是说，若智能设备按照所述模拟路径移动，则一定可以到达所述目标位置。因此，根据所述特征序列107所确定出的移动方向，可以使得智能设备最终到达目标位置的可能性更高，从而提高了智能设备在路径指令下到达目标位置的可能性。
为了便于理解，下面通过实施例对本申请提供的确定智能设备移动方向的方法进行介绍。参见图2，该图为本申请实施例提供的一种确定智能设备移动方向的方法的流程示意图。
在本实施例中，所述方法例如可以包括以下步骤S201-S202实现。
S201：获取路径指令，所述路径指令包括前往目标位置的指令信息。
S202：确定所述智能设备前往所述目标位置过程中每一个时间步骤对应的前进方向。
其中，第j个时间步骤包括所述智能设备前往所述目标位置过程中从第j个停留位置到第j+1个停留位置的时间过程，第j个时间步骤对应的移动方向为所述智能设备从第j个停留位置前往第j+1个停留位置所采用的方向。
关于路径指令、指令信息以及时间步骤的描述，可以参考上文的相关描述，此处不再赘述。
在本申请实施例中，为了提高智能设备达到目标位置的可能性，引入了想象力模块，通过编码模块、想象力模块以及解码模块确定所述智能设备前往所述目标位置过程中每一个时间步骤对应的移动方向。以下以确定第j个时间步骤对应的移动方向为例，介绍通过编码模块、想象力模块以及解码模块确定所述智能设备前往所述目标位置过程中每一个时间步骤对应的移动方向的实现方式。
参见图3，该图为本申请实施例提供的一种确定第j个时间步骤对应的移动方向的方法的流程示意图。
本申请实施例提供的确定第j个时间步骤对应的移动方向的方法，可以通过如下步骤S301-S305实现。
S301：获取解码模块在第i个时间步骤输出的解码结果。
S302：获取通过编码模块对所述路径指令进行编码得到的语义特征向量。关于S301至S302，需要说明的是，本申请实施例不具体限定所述编码模块，作为一种示例，所述编码模块可以体现为卷积神经网络(Recurrent Neural Network，RNN)例如长短记忆(LongShort-Term Memory，LSTM)网络模型。如前文，所述路径指令可以为用自然语言描述的指令。编码模块对路径指令进行编码在具体实现时，可以首先对所述路径指令进行分词处理，得到若干个分词，并确定若干个分词分别对应的词嵌入向量，然后利用若干个分词对应的词嵌入向量确定所述语义特征向量。在本申请实施例中，所述路径指令可以表示为I＝{x1,x2,…,xq}，其中I表示路径指令，x1,x2,…,xq表示对路径指令进行分词得到的q个分词，x的下标表示分词在所述路径中出现的先后顺序，例如x1表示所述路径指令中最先出现的分词，xq表示路径指令中最后出现的分词。
以下结合图4介绍编码模块对路径指令进行编码得到语义特征向量的具体实现方式。图4为本申请实施例提供的一种编码模块的结构示意图。
在图4中，所述编码模块体现为LSTM网络模型401，所述LSTM网络模型401可以经过p次循环得到所述语义特征向量，其中p的数目与对路径指令进行分词得到的分词数目相同。循环一次LSTM网络模型401输出一个隐含状态。在本申请实施例中，第q次循环时可以根据第第q-1次循环输出的隐含状态，得到第q次循环对应的隐含状态。图4中为了体现循环过程，示出了p个LSTM网络模型401，但是在实际应用中，所述编码模块可以只包括一个LSTM网络模型401，也可以包括多个LSTM网络模型401。
在本申请实施例中，LSTM网络模型在第q次循环输出隐含状态可以通过如下公式(1)确定。
其中：
LSTM为一个输出状态的函数；在本申请实施例的以下描述中，公式中出现的LSTM均为一个输出状态的函数；
为LSTM网络模型在第q次循环时输出隐含状态；
为LSTM网络模型在第q-1次循环时输出隐含状态；
wq-1为第q个分词xq的词嵌入向量，例如，w0为第一个分词x1的词嵌入向量，w1为第二个分词x2的词嵌入向量，以此类推，wp-1为第p个分词xp的词嵌入向量。
本申请实施例中提及的语义特征向量，可以包括所述LSTM网络模型401在p次循环时中输出的p个隐含状态。可以理解的是，第p次循环时LSTM网络模型输出的隐含状态，是根据对所述路径指令进行分词得到的p个分词分别对应的词嵌入向量得到的，因此，第p个LSTM网络模型输出的隐含状态，可以体现所述路径指令的完整语义。
需要说明的是，本申请实施例不具体限定所述编码模块对所述路径指令进行编码的时机，作为一种示例，所述编码模块可以在接收到路径指令时，对所述路径指令进行编码。作为又一种示例，所述编码模块在对路径指令进行编码时可以体现所述智能设备的移动进度，即可以体现智能设备当前移动到的停留位置，对于这种情况，所述编码模块可以在所述智能设备到达第j个停留位置时对所述路径指令进行编码，以使得所述编码得到的语义特征向量体现智能设备在第j个停留位置时所述智能设备的移动进度。S303：获取所述智能设备在第j个停留位置获取的环境数据。
如前文，智能设备上的图像采集结构例如摄像头可以在水平方向和竖直方向转动调节航向(heading)和仰角(elevation)来采集图像。在本申请实施例中，可以利用所述智能设备上安装的图像采集结构例如摄像头获取智能设备在第j个停留位置的环境数据。
S304：根据第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过想象力模块得到体现模拟路径的特征序列；所述模拟路径为从所述智能设备从第j个停留位置到达所述目标位置的模拟路径；i小于j。
可以理解的是，若要模拟智能设备从第j个停留位置到达目标位置，一方面可以结合智能设备当前位置周围的环境信息，而智能设备上一般安装有图像采集结构例如摄像头，可以通过智能设备上安装的智能采集设备获取的环境数据来体现智能设备当前位置周围的环境信息。另一方面还可以结合路径指令所包括的指令信息，而所述语义特征向量可以体现所述指令信息。又一方面还可以结合智能设备在第j个时间步骤之前的时间步骤的移动方向，可以理解的是，在每一个时间步骤例如第i个时间步骤，所述解码模块会输出一个对应于第i个时间步骤的解码结果，而第i个时间步骤的解码结果可以体现第i个时间步骤的移动方向。故而在本申请实施例中，在执行S301-S303获取所述解码模块在第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据之后，所述想象力模块可以根据所述解码模块在第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，计算得到体现模拟路径的特征序列。所述模拟路径可以为模拟所述智能设备从第j个停留位置到达所述目标位置的路径。
如前文，智能设备上的图像采集结构例如摄像头可以在水平方向和竖直方向转动调节航向(heading)和仰角(elevation)来采集图像。在本申请实施例中，可以将智能设备的图像采集空间划分成若干个例如l个视角。在本申请实施例中，所述图像采集空间是指智能设备可以采集到图像的三维立体空间。本申请实施例不具体限定对所述图像采集空间进行划分得到l个视角的方式，作为一种示例，可以通过预设角度范围对所述图像采集空间进行划分，从而得到l个视角。
在本申请实施例中，考虑到智能设备移动时包括航向和仰角这两个参数，因此，所述预设角度范围也可以包括航向和仰角两个参数，对所述图像采集空间尽心划分时，按照预设角度将航向覆盖的角度范围划分成第一数目个角度范围，以及按照仰角的方向将仰角覆盖的角度范围划分成第二预设数目个角度范围，所述第一数目个角度范围和所述第二预设数目个角度范围两两组合得到第三数目个角度范围组合，一个角度范围组合对应一个视角。例如，航向覆盖的角度范围为360度，按照30度将航向覆盖的角度范围划分成12个角度范围；仰角覆盖的角度范围从-30度到+30度，将仰角覆盖的角度范围划分为0度以下、0度以及0度以上3个角度范围，前述12个角度范围和3个角度范围两两组合，得到36个角度范围组合，即得到36个视角。
可以理解的是，在实际应用中，所述环境数据与所述智能设备所采集的各个视角的图像相关，在本申请实施例的一种实现方式中，可以利用所述智能设备在第j个停留位置的各个视角分别对应的视角特征向量，来表示所述环境数据。关于所述视角特征向量的描述，可以参考下文对于公式(15)的描述部分，此处不再赘述。
在本申请实施例中，i为小于j的一个正整数，考虑到i与j越接近，解码模块在第i个时间步骤输出的解码结果，与第j个时间步骤所述智能设备的状态之间的相关性越高，相应的，计算得到的特征序列更加准确。因此，在本申请实施例的一种实现方式中，所述i的取值可以等于j-1。
S305：根据所述特征序列通过所述解码模块确定第j个时间步骤对应的移动方向。
需要说明的是，本申请实施例中第j个时间步骤对应的移动方向，可以理解成从前述l个视角中确定出一个视角，作为所述第j个时间步骤对应的移动方向。
本申请实施例不具体限定所述解码模块，作为一种示例，所述解码模块可以包括第一LSTM网络模型和动作估计器。在本申请实施例中，当所述解码模块包括所述第一LSTM网络和动作估计器时，S305在具体实现时，可以包括三种实现方式。
第一种实现方式：根据所述第一LSTM网络模型确定所述特征序列对应的解码结果；根据所述解码结果通过所述动作估计器，得到所述智能设备的移动方向。
在第一种实现方式中，是将所述特征序列可以作为所述第一LSTM网络模型的输入，从而确定出所述第j个时间步骤对应的移动方向。
对于第一种实现方式，第一LSTM网络模型确定所述特征序列对应的解码结果在具体实现时，可以通过如下公式(2)确定。
在公式(2)中：
为所述特征序列对应的解码结果；
为所述解码模块在第i个时间步骤输出的解码结果；
vi为所述第i个时间步骤所述智能设备的移动方对应的视角特征向量；关于所述视角特征向量的描述，可以参考下文公式(15)的描述，此处不详述；
mj表示所述特征序列；
用于表征所述智能设备在第i个停留位置所注意的解码模块输出的语义特征向量中的隐含状态，即用于表征所述第i个停留位置与路径指令中的哪一个位置吻合；可以通过如下公式(3)确定：
在公式(3)中：
ATT为一个相似度计算函数，表示计算和……以及的相似程度；在本申请实施例的以下实施例中公式中出现的ATT均为相似度计算函数；
为所述特征序列对应的解码结果；
为用于编码的LSTM网络模型(例如图4中的401)在第1次循环时输出隐含状态；为用于编码的LSTM网络模型(例如图4中的401)在第2次循环时输出隐含状态；为用于编码的LSTM网络模型(例如图4中的401)在第p次循环时输出隐含状态。
在第一种实现方式中，根据所述解码结果通过所述动作估计器，得到所述智能设备的移动方向，在具体实现时，可以通过如下公式(4)实现。
在公式(4)中：
pj为一个概率序列，用于表征各个视角为所述智能设备的移动方向的概率；
为所述特征序列对应的解码结果，即为所述第一LSTM网络模型的输出；
表示在第j个停留位置时，所述特征序列对应的解码结果所注意的视角特征向量；可以通过如下公式(5)得到。
在公式(5)中：
为所述特征序列对应的解码结果；
表示在第j个停留位置时，第0个视角对应的视角特征向量；表示在第j个停留位置时，第1个视角对应的视角特征向量；表示在第j个停留位置时，第l个视角对应的视角特征向量；
V(j)表示在第j个停留位置时，各个视角特征向量构成的视角特征矩阵，V(j)可以通过如下公式(6)实现。
在公式(6)中：
表示在第j个停留位置时，第0个视角对应的视角特征向量；表示在第j个停留位置时，第1个视角对应的视角特征向量；表示在第j个停留位置时，第l个视角对应的视角特征向量。
需要说明的是，在本申请实施例中，动作估计器可以利用softmax函数实现，也就是说，公式(4)在具体实现时，例如可以通过如下公式(7)实现。
在公式(7)中，
Wo、WV和Wh为已知参数；
表示维度为l+1，值为1的矩阵的转置；
关于公式(7)中其它变量的描述，可以参考公式(4)中对于各个变量的描述部分，此处不再赘述。
第二种实现方式：根据所述特征序列通过所述动作估计器，得到所述智能设备的移动方向。
在第二种实现方式中，所述特征序列作为所述动作估计器的输入，从而确定出所述第j个时间步骤对应的移动方向。
对于第二种实现方式，所述第一LSTM网络模型首先计算得到解码结果，然后，动作估计器基于所述解码结果和所述特征序列确定出所述第j个时间步骤对应的移动方向。
对于第二种实现方式，第一LSTM网络模型确定计算得到解码结果在具体实现时，可以通过如下公式(8)确定。
公式(8)与公式(2)类似，只不过公式(8)没有变量mj即没有所述特征序列，关于公式(8)中其它变量的描述，可以参考公式(2)中对于各个变量的描述部分，此处不再赘述。
在第二种实现方式中，根据所述解码结果通过所述动作估计器，得到所述智能设备的移动方向，在具体实现时，可以通过如下公式(9)实现。
公式(9)与公式(4)类似，只是公式(9)与公式(4)相比，多了一个变量mj即多了所述特征序列；关于公式(9)中其它变量的描述，可以参考公式(4)中对于各个变量的描述部分，此处不再赘述。
相应的，当动作估计器可以利用softmax函数实现，也就是说，公式(9)在具体实现时，例如可以通过如下公式(10)实现。
公式(10)与公式(7)类似，只是公式(10)与公式(7)相比，多了一个变量mj即多了所述特征序列；关于公式(10)中其它变量的描述，可以参考公式(7)中对于各个变量的描述部分，此处不再赘述。
第三种实现方式：根据所述第一LSTM网络模型确定所述特征序列对应的解码结果，根据所述解码结果和所述特征序列通过所述动作估计器，得到所述智能设备的移动方向。
可以理解的是，由于所述特征序列可以体现所述模拟路径，而在该模拟路径中，智能设备在第j个停留位置的移动方向能够使得该智能设备最终模拟到达目标位置。因此在通过解码器为每一个时间步骤例如第j个时间步骤确定移动方向时，由于依据了体现该模拟路径的特征序列，故确定出的移动方向能够更倾向于让智能设备最终到达目标位置。而在利用所述特征序列确定智能设备的移动方向时，为了使得确定出的移动方向使得智能设备达到目标位置的可能性更高，可以尽可能多利用所述特征序列，因此，在第三种实现方式中，所述特征序列既作为所述第一LSTM网络模型的输入，又作为所述动作估计器的输入。
对于第三种实现方式，可以利用前述公式(2)计算得到所述特征序列对应的解码结果，并利用前述公式(9)得到所述智能设备的移动方向。
通过以上描述可知，在本申请实施例中，引入了想象力模块，利用编码模块、想象力模块以及解码模块确定智能设备的移动方向，从而控制智能设备前往路径指令中指示的目标位置。为了提高智能设备达到目标位置的可能性，通过引入的想象力模块计算出体现模拟路径的特征序列，并依据该特征序列通过解码器确定智能设备前往目标位置过程中每一个时间步骤对应的移动方向。该模拟路径是利用想象力模块根据第i个时间步骤所述解码模块的解码结果、所述编码模块编码得到的语义特征向量以及智能设备在第j个停留位置获取的环境数据计算得到的，以模拟智能设备从第j个停留位置移动至目标位置的可能路径，在该模拟路径中，智能设备在第j个停留位置的移动方向能够使得该智能设备最终模拟到达目标位置，在通过解码器为每一个时间步骤例如第j个时间步骤确定移动方向时，由于依据了体现该模拟路径的特征序列，故确定出的移动方向能够更倾向于让智能设备最终到达目标位置。相对于传统方式中仅根据当前状态、环境为智能设备确定出的移动方向来说，本申请所确定的移动方向对于完成目标，即最终将智能设备移动至目标位置更为准确，提高了智能设备在路径指令下到达目标位置的可能性。
如前文，想象力模块可以计算得到所述特征序列，以下结合所述想象力模块的具体结构介绍所述想象力模块计算得到所述特征序列的实现方式。
在本申请实施例的一种实现方式中，所述想象力模块可以包括第二长短记忆LSTM网络模型和注意力模型，对于这种情况，步骤S302中“根据所述解码模块在第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过所述想象力模块得到体现模拟路径的特征序列”在具体实现时，可以通过图5所示的步骤S501-S502实现。
S501：根据第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过第二LSTM网络模型进行k次循环得到所述模拟路径中k个时间步骤分别对应的状态。
在本申请实施例中，所述模拟路径包括模拟所述智能设备到达所述目标位置的k个时间步骤，本申请实施例不具体限定所述k的具体取值，所述k可以为大于等于1的整数。
在本申请实施例中，所述第二LSTM网络模型在所述k个时间步骤的每一个时间步骤，可以计算得到与该时间步骤对应的状态。具体地，可以根据第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过第二LSTM网络模型进行k次循环得到所述模拟路径中k个时间步骤分别对应的状态。其中，第一次循环得到第一个时间步骤所对应的状态，第二次循环得到第二个时间步骤所对应的状态，依次类推，第m次循环得到第m个时间步骤对应的状态。
在本申请实施例中，在所述k次循环中，第m次循环通过如下方式得到第m个时间步骤对应的状态：
若m＝1，则第1个时间步骤对应的状态，可以通过如下公式(11)计算得到。
在公式(11)中，
表示第1个时间步骤对应的状态；
W′h、Wv和Wa为已知参数；
为所述解码模块在第i个时间步骤输出的解码结果；
vi用于表征智能设备在第i个停留位置的视角，vi可以体现为智能设备在第i个停留位置的视角对应的视角特征向量；
为所述智能设备在第j个停留位置关注的视角，时根据所述环境数据确定的，所述智能设备在第j个停留为孩子关注的视角，可以表示智能设备所倾向的移动方向；关于的具体计算方式，可以参见以下公式(14)。
通过以上公式(11)可知，当m＝1时，第m个时间步骤对应的状态，是根据所述解码模块在第i个时间步骤输出的解码结果、所述智能设备在第i个停留位置的视角以及所述智能设备在第j个停留位置关注的视角确定的。
在本申请实施例中，若m大于1，则第m个时间步骤对应的状态，可以通过如下公式(12)计算得到。
在公式(12)中，
表示第m个时间步骤对应的状态；
表示第m-1个时间步骤对应的状态；
表征模拟路径中，所述第m-1个时间步骤所注意的解码模块输出的语义特征向量中的隐含状态，即用于表征所述第m-1个停留位置与路径指令中的哪一个位置吻合；可以通过如下公式(13)确定：
关于至的描述，可以参考公式(3)中的描述，此处不再赘述。
在本申请实施例中，前述公式(12)中提及的智能设备在第j个停留位置关注的视角可以是根据所述解码模块在第i个时间步骤输出的解码结果和所述智能设备在第j个停留位置时各个视角对应的视角的特征向量确定的。可参考公式(14)进行理解。
在公式(14)中：
表示在第j个停留位置时，第0个视角对应的视角特征向量；表示在第j个停留位置时，第1个视角对应的视角特征向量；表示在第j个停留位置时，第l个视角对应的视角特征向量。
关于所述智能设备在第j个停留位置时各个视角对应的视角的特征向量，需要说明的是，在本申请实施例中，一个视角的视角特征向量，可以由两部分组成，一部分为外观特征向量，一部分为方向特征向量。
可参考公式(15)进行理解。
在公式(15)中：
表示智能设备在第j个停留位置时第n个视角对应的视角的特征向量；
表示智能设备在第j个停留位置时第n个视角对应的视角的外观特征向量；
表示智能设备在第j个停留位置时第n个视角对应的视角的方向特征向量。
可以理解的是，智能设备在第j个停留位置时，可以采集各个视角对应的图像。本申请实施例中所述l个视角中第n个视角的外观特征向量，可以通过所述智能设备采集的第n个视角的图像确定。
如前文所述，一个视角可以包括航向和仰角这两个维度的参数，而智能设备在第j个停留位置对应一个视角。在本申请实施例中，智能设备在第j个停留位置时，第n个视角的方向特征向量，可以根据第n个视角对应的航向角与所述智能设备在第j个停留位置对应的航向角的差值、第n个视角对应的仰角与所述智能设备在第j个停留位置对应的仰角的差值。可参考公式(16)进行理解。
在公式(16)中：
表示智能设备在第j个停留位置时，第n个视角的方向特征向量；
表示智能设备在第j个停留位置时，第n个视角对应的航向角与所述智能设备在第j个停留位置对应的航向角的差值；
表示智能设备在第j个停留位置时，第n个视角对应的仰角与所述智能设备在第j个停留位置对应的仰角的差值。
S502：根据所述解码结果和所述模拟路径中k个时间步骤分别对应的状态，通过所述注意力模型确定所述特征序列。
在本申请实施例中，可以通过如下公式(17)确定所述特征序列。
在公式(17)中，
表示第1个时间步骤对应的状态；表示第2个时间步骤对应的状态，依次类推，表示第k个时间步骤对应的状态；
为所述解码模块在第i个时间步骤输出的解码结果。
在本申请实施例中，所述编码模块、想象力模块以及解码模块可以是通过训练数据训练得到的，在本申请实施例中，所述训练数据可以为训练路径指令和该训练路径指令对应的各个时间步骤的移动方向。在本申请实施例中，由于在训练初期，训练模型难以收敛，由于强化学习得到的奖励信号无法确定当前模型的输出是否是正确的，而监督学习是由标签的学习，可以利用所述训练数据的标签确定当前模型的输出是否正确。因此，在本申请实施例中，为了尽快训练得到可用的编码模块、想象力模块以及解码模块，可以采用先监督学习再强化学习的训练方式训练。在监督学习训练得到相对可靠的模型之后再利用强化学习训练，可以提升训练得到所述编码模块、想象力模块以及解码模块的效率。
在本申请实施例中，由于监督学习的训练数据携带有标签，即知道智能设备下一步要选择的视角，所以有监督学习的损失函数是交叉熵(cross entropy loss)。当用强化学习训练的时候，可以用当前的训练模型来采样一个视点(viewpoint)序列V＝[v1,v2,….,vl]，然后计算奖励(reward)，并计算梯度，最后用随即梯度下降来训练整个模型。对于强化学习可以定义奖励(reward)为视点(viewpoint)序列V最后一个点vl到目标点的距离的相反数。在本申请实施例中，可以将模型中所有的参数记做θ，所述θ可以包括前述公式(7)中的Wo、WV和Wh以及前述公式(11)中的W′h、Wv和Wa。
对于强化学习，目标函数为可以通过公式(18)来表示，梯度可以近似通过以下公式(19)来表示。
其中V(s)是用随机采样得到的，V(b)是用贪心方式得到的(即每次取概率最大的那个视角)，V(b)可以称作参考序列，是用来减少梯度估计的方差的。
关于以上实施例的公式中提及的LSTM和ATT，以下详细介绍其工作原理。
以上实施例中的公式中出现的LSTM，其本质上是一个带状态的函数，抽象表示为ht＝LSTM(ht-1,xt)，其中向量xt是时间步骤t的输入，ht-1是经过前一个时间步骤之后的隐含状态。在LSTM内部，我们用T来表示线性变换，计算过程可以通过如下公式(20)至公式(22)表示：
ct＝ft⊙ct-1+it⊙gt 公式(21)
ht＝ot⊙tanh(ct) 公式(22)
在公式(20)至公式(22)中：
it、ft、ct和ot分别称为输入门、遗忘门、记忆门和输出门；
tanh(·)是双曲正切函数；
σ是神经网络常见的激活函数sigmoid函数。
如前文，以上实施例中的公式中出现的ATT，为一个相似度计算函数。ATT也可以表示注意力模型，注意力模型可以通过以下公式(23)表示。
z＝ATT(q,[a1,a2,…,ay]) 公式(23)
在公式(23)中：
q和ai均为向量；
注意力模型可以用来确定前一个时间步骤注意的是哪几个ai，也就是计算一个权重值，权重高的表示被注意。方法是用一个多层感知器(multilayer perceptron，MLP)来计算ai和q的相似度ei,然后计算注意力的权重 使用这些权重可以生成上下文向量context vector z＝∑wi ai，并在时间步骤t时用到LSTM里面:ht＝LSTM(ht-1,[xt,z])。
以上对本申请实施例提供的确定智能设备移动方向的方法进行了简单介绍，以下结合应用场景介绍该方法。
可参见图6，图6示出了本申请实施例提供的一种确定智能设备移动方向的示意图。
图6中的601表示编码模块对路径指令进行编码，关于601的描述可以参考上文对于图4的描述部分，此处不再详述。
图6中的602表示解码模块确定智能设备的移动方向，在602中解码模块包括LSTM网络模型621和动作估计器AP 622，需要说明的是，图6中示出了多组LSTM网模型络621和动作估计器AP 622，这只是为了方便理解而示出，以体现智能设备前往目标位置经历r个时间步骤，每个时间步骤利用解码模块计算得到智能设备的移动方向，如图6中所示，在第1个时间步骤解码模块计算得到的智能设备的移动方向通过p1体现。在实际应用中，所述解码模块可以包括多组LSTM网络模型621和动作估计器AP 622，也可以包括一组LSTM网络模型621和动作估计器AP 622。
需要说明的是，计算各个时间步骤智能设备的移动方向的方法的类似的，以下结合图6对计算第2个时间步骤智能设备的移动方向进行说明。
具体地，可以利用前述公式(2)计算得到LSTM网络模型的输出再利用前述公式(9)计算得到p2。
需要说明的是，在图6中，m1为第一个时间步骤所述想象力模块计算得到的特征序列，m2为第二个时间步骤所述想象力模块计算得到的特征序列，类似地，mr为第二个时间步骤所述想象力模块计算得到的特征序列。虽然在图6中，所述特征序列既作为所述LSTM网络模型621的输入，又作为所述动作估计器622的输入，但是图6只是示意型说明，在实际应用中，所述特征序列可以仅作为所述LSTM网络模型621的输入，还可以仅作为所述动作估计器622的输入。
关于图6中所述LSTM网络模型621的输入以及所述动作估计器622的输入，可以参考公式(2)和公式(9)的描述，此处不再赘述。
以下结合图7介绍想象力模型计算得到第j个时间步骤对应的所述特征序列的实现方式，图7为本申请实施例提供的一种确定特征序列的示意图。
从图7可以看出，所述想象力模块710在第j个时间步骤输出的特征序列作为所述LSTM网络模型621和动作估计器622的输入，以确定第j个时间步骤智能设备的移动方向。
在图7中，所述想象力模块710包括LSTM网络模型711和注意力模型712，需要说明的是，图7中示出了多组LSTM网模型络711和注意力模型712，但这只是为了方便理解而示出，以体现想象力模块模拟所述智能设备从第j个停留位置到达目标位位置的模拟路径，包括k个时间步骤。在实际应用中，所述想象力模块710可以仅包括一组LSTM网模型络711和注意力模型712，也可以包括多组LSTM网模型络711和注意力模型712。
在本申请实施例中，LSTM网络模型711可以利用前述公式公式(11)和公式(12)计算得到k个时间步骤中各个时间步骤对应的状态，即对应图7中LSTM网络模型711的输出；然后，利用前述公式(17)计算得到智能设备位于第j个时间步骤时的特征序列。
关于图7中所述LSTM网络模型711的输入以及所述注意力模型712的输入，可以参考公式(11)、公式(12)和公式(17)的描述，此处不再赘述。
基于前述实施例提供的一种确定智能设备移动方向的方法，本实施例提供确定智能设备移动方向的装置800，参见图8，所述装置800包括获取单元801和确定单元802。
获取单元801，用于获取路径指令，所述路径指令包括前往目标位置的指令信息；
确定单元802，用于利用编码模块、想象力模块以及解码模块确定所述智能设备前往所述目标位置过程中每一个时间步骤对应的移动方向；第j个时间步骤包括所述智能设备前往所述目标位置过程中从第j个停留位置到第j+1个停留位置的时间过程，第j个时间步骤对应的移动方向为所述智能设备从第j个停留位置前往第j+1个停留位置所采用的方向；
第j个时间步骤对应的移动方向，通过如下方式确定：
获取通过所述编码模块对所述路径指令进行编码得到的语义特征向量；
根据所述解码模块在第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过所述想象力模块得到体现模拟路径的特征序列；所述模拟路径包括模拟所述智能设备从第j个停留位置到达所述目标位置的路径；i小于j；
根据所述特征序列通过所述解码模块确定第j个时间步骤对应的移动方向。
可选的，所述解码模块，包括第一长短记忆LSTM网络模型和动作估计器；所述利用所述解码模块，根据所述特征序列确定所述智能设备的移动方向，包括：
根据所述第一LSTM网络模型确定所述特征序列对应的解码结果；根据所述解码结果通过所述动作估计器，得到所述智能设备的移动方向；和/或，
根据所述特征序列通过所述动作估计器，得到所述智能设备的移动方向。
可选的，所述模拟路径包括模拟所述智能设备到达所述目标位置的k个时间步骤；所述想象力模块包括第二长短记忆LSTM网络模型和注意力模型；所述根据所述解码模块在第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过所述想象力模块得到体现模拟路径的特征序列，包括：
根据所述解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过第二LSTM网络模型进行k次循环得到所述模拟路径中k个时间步骤分别对应的状态；
根据所述解码结果和所述模拟路径中k个时间步骤分别对应的状态，通过所述注意力模型确定所述特征序列。
可选的，在所述k次循环中，第m次循环通过如下方式得到第m个时间步骤对应的状态：
若m等于1，则根据所述解码结果、所述智能设备在第i个停留位置的视角以及所述智能设备在第j个停留位置关注的视角，确定第m个时间步骤对应的状态；所述智能设备在第j个停留位置关注的视角，是根据所述环境数据确定的；
若m大于1，则根据第m-1个时间步骤对应的状态经过第m次循环，确定第m个时间步骤对应的状态。
可选的，所述智能设备在第j个停留位置关注的视角，是根据所述解码结果，以及所述智能设备在第j个停留位置时各个视角对应的视角的特征向量确定的。
可选的，所述智能设备在第j个停留位置时第n个视角的视角特征向量，是根据第n个视角对应的航向角与所述智能设备在第j个停留位置对应的航向角的差值、第n个视角对应的仰角与所述智能设备在第j个停留位置对应的仰角的差值、以及所述智能设备在第j个停留位置采集的各个视角的图像确定的。
可选的，所述环境数据包括所述智能设备在第j个停留位置的l个视角分别对应的视角特征向量；所述l个视角是通过预设角度范围对所述智能设备的图像采集空间划分得到的。
可选的，所述编码模块、想象力模块以及解码模块，是利用训练数据，采用先监督学习再强化学习的训练方式训练得到的，所述训练数据为训练路径指令和该训练路径指令对应的各个时间步骤的移动方向。
通过以上描述可知，在本申请实施例中，引入了想象力模块，利用编码模块、想象力模块以及解码模块确定智能设备的移动方向，从而控制智能设备前往路径指令中指示的目标位置。为了提高智能设备达到目标位置的可能性，通过引入的想象力模块计算出体现模拟路径的特征序列，并依据该特征序列通过解码器确定智能设备前往目标位置过程中每一个时间步骤对应的移动方向。该模拟路径是利用想象力模块根据第i个时间步骤所述解码模块的解码结果、所述编码模块编码得到的语义特征向量以及智能设备在第j个停留位置获取的环境数据计算得到的，以模拟智能设备从第j个停留位置移动至目标位置的可能路径，在该模拟路径中，智能设备在第j个停留位置的移动方向能够使得该智能设备最终模拟到达目标位置，在通过解码器为每一个时间步骤例如第j个时间步骤确定移动方向时，由于依据了体现该模拟路径的特征序列，故确定出的移动方向能够更倾向于让智能设备最终到达目标位置。相对于传统方式中仅根据当前状态、环境为智能设备确定出的移动方向来说，本申请所确定的移动方向对于完成目标，即最终将智能设备移动至目标位置更为准确，提高了智能设备在路径指令下到达目标位置的可能性。
本申请实施例还提供了一种确定智能设备移动方向的设备，下面结合附图对确定智能设备移动方向的设备进行介绍。请参见图9所示，本申请实施例提供了一种确定智能设备移动方向的设备900，该设备900可以是服务器，可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Units，简称CPU)922(例如，一个或一个以上处理器)和存储器932，一个或一个以上存储应用程序942或数据944的存储介质930(例如一个或一个以上海量存储设备)。其中，存储器932和存储介质930可以是短暂存储或持久存储。存储在存储介质930的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器922可以设置为与存储介质930通信，在确定智能设备移动方向的900上执行存储介质930中的一系列指令操作。
确定智能设备移动方向的设备900还可以包括一个或一个以上电源926，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口958，和/或，一个或一个以上操作系统941，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图9所示的服务器结构。
其中，CPU 922用于执行如下步骤：
获取路径指令，所述路径指令包括前往目标位置的指令信息；
利用编码模块、想象力模块以及解码模块确定所述智能设备前往所述目标位置过程中每一个时间步骤对应的移动方向；第j个时间步骤包括所述智能设备前往所述目标位置过程中从第j个停留位置到第j+1个停留位置的时间过程，第j个时间步骤对应的移动方向为所述智能设备从第j个停留位置前往第j+1个停留位置所采用的方向；
第j个时间步骤对应的移动方向，通过如下方式确定：
获取通过所述编码模块对所述路径指令进行编码得到的语义特征向量；
根据所述解码模块在第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过所述想象力模块得到体现模拟路径的特征序列；所述模拟路径包括模拟所述智能设备从第j个停留位置到达所述目标位置的路径；i小于j；
根据所述特征序列通过所述解码模块确定第j个时间步骤对应的移动方向。
请参见图10所示，本申请实施例提供了一种确定智能设备移动方向的设备1000，该设备1000还可以是终端设备，该终端设备可以为包括手机、平板电脑、个人数字助理(Personal Digital Assistant，简称PDA)、销售终端(Point of Sales，简称POS)、车载电脑等任意终端设备，以终端设备为手机为例：
图10示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图10，手机包括：射频(Radio Frequency，简称RF)电路1010、存储器1020、输入单元1030、显示单元1040、传感器1050、音频电路1060、无线保真(wireless fidelity，简称WiFi)模块1070、处理器1080、以及电源1090等部件。本领域技术人员可以理解，图10中示出的手机结构并不构成对手机的限定，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。
下面结合图10对手机的各个构成部件进行具体的介绍：
RF电路1010可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器1080处理；另外，将设计上行的数据发送给基站。通常，RF电路1010包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，简称LNA)、双工器等。此外，RF电路1010还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，简称GSM)、通用分组无线服务(GeneralPacket Radio Service，简称GPRS)、码分多址(Code Division Multiple Access，简称CDMA)、宽带码分多址(Wideband Code Division Multiple Access，简称WCDMA)、长期演进(Long Term Evolution，简称LTE)、电子邮件、短消息服务(Short Messaging Service，简称SMS)等。
存储器1020可用于存储软件程序以及模块，处理器1080通过运行存储在存储器1020的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器1020可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1020可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元1030可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元1030可包括触控面板1031以及其他输入设备1032。触控面板1031，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1031上或在触控面板1031附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板1031可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1080，并能接收处理器1080发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1031。除了触控面板1031，输入单元1030还可以包括其他输入设备1032。具体地，其他输入设备1032可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1040可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1040可包括显示面板1041，可选的，可以采用液晶显示器(LiquidCrystal Display，简称LCD)、有机发光二极管(Organic Light-Emitting Diode，简称OLED)等形式来配置显示面板1041。进一步的，触控面板1031可覆盖显示面板1041，当触控面板1031检测到在其上或附近的触摸操作后，传送给处理器1080以确定触摸事件的类型，随后处理器1080根据触摸事件的类型在显示面板1041上提供相应的视觉输出。虽然在图10中，触控面板1031与显示面板1041是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板1031与显示面板1041集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器1050，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1041的亮度，接近传感器可在手机移动到耳边时，关闭显示面板1041和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路1060、扬声器1061，传声器1062可提供用户与手机之间的音频接口。音频电路1060可将接收到的音频数据转换后的电信号，传输到扬声器1061，由扬声器1061转换为声音信号输出；另一方面，传声器1062将收集的声音信号转换为电信号，由音频电路1060接收后转换为音频数据，再将音频数据输出处理器1080处理后，经RF电路1010以发送给比如另一手机，或者将音频数据输出至存储器1020以便进一步处理。
WiFi属于短距离无线传输技术，手机通过WiFi模块1070可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图10示出了WiFi模块1070，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1080是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1020内的软件程序和/或模块，以及调用存储在存储器1020内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器1080可包括一个或多个处理单元；优选的，处理器1080可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1080中。
手机还包括给各个部件供电的电源1090(比如电池)，优选的，电源可以通过电源管理系统与处理器1080逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例所述的一种确定智能设备移动方向的方法中的任意一种实施方式。
基于以上实施例提供的确定智能设备移动方向的方法，本申请实施例还提供了一种路径规划系统，以下对所述智能规划系统进行介绍。
本申请实施例提供的路径规划系统，包括前述实施例中提及的智能设备，更具体地，参见图11所示，图11为本申请实施例提供的一种路径规划系统的结构示意图。所述路径规划系统1100中的智能设备1110可以包括图像采集结构1111和移动结构1112。
所述智能设备1110可以用于获取路径指令，所述路径指令包括前往目标位置的指令信息；
所述智能设备1110还用于确定前往所述目标位置过程中每一个时间步骤对应的移动方向；第j个时间步骤包括所述智能设备前往所述目标位置过程中从第j个停留位置到第j+1个停留位置的时间过程，第j个时间步骤对应的移动方向为所述智能设备从第j个停留位置前往第j+1个停留位置所采用的方向；
所述智能设备1110还用于在每个时间步骤驱动所述移动结构1112按照所对应的移动方向移动。
具体地，所述智能设备1110可以通过图12所示的方法确定第j个时间步骤对应的移动方向。图12为本申请实施例提供的一种智能设备确定第j个时间步骤对应的移动方向的方法的流程示意图。
S1201：获取解码模块在第i个时间步骤输出的解码结果。
S1202：获取通过编码模块对所述路径指令编码得到的语义特征向量。
S1203：根据所述图像采集结构获取所述智能设备在第j个停留位置获取的环境数据。
S1204：根据第i个时间步骤输出的解码结果、所述语义特征向量以及第j个停留位置获取的环境数据，通过想象力模块得到体现模拟路径的特征序列；所述模拟路径包括模拟所述智能设备从第j个停留位置到达所述目标位置的路径；i小于j。
S1205：根据所述特征序列通过所述解码模块确定第j个时间步骤对应的移动方向。
需要说明的是，S1201-S1205的具体实现，与S301-S305的实现类似，故相关描述可以参考上文对于S301-S305的描述部分，此处不再详述。
通过以上描述可知，本申请实施例提供的路径规划系统，由于该路径规划系统中智能设备在确定智能设备在各个时间步骤对应的移动方向时，引入了想象力模块，利用编码模块、想象力模块以及解码模块确定智能设备的移动方向，从而控制智能设备前往路径指令中指示的目标位置。为了提高智能设备达到目标位置的可能性，通过引入的想象力模块计算出体现模拟路径的特征序列，并依据该特征序列通过解码器确定智能设备前往目标位置过程中每一个时间步骤对应的移动方向。该模拟路径是利用想象力模块根据第i个时间步骤所述解码模块的解码结果、所述编码模块编码得到的语义特征向量以及智能设备在第j个停留位置获取的环境数据计算得到的，以模拟智能设备从第j个停留位置移动至目标位置的可能路径，在该模拟路径中，智能设备在第j个停留位置的移动方向能够使得该智能设备最终模拟到达目标位置，在通过解码器为每一个时间步骤例如第j个时间步骤确定移动方向时，由于依据了体现该模拟路径的特征序列，故确定出的移动方向能够更倾向于让智能设备最终到达目标位置。相对于传统方式中仅根据当前状态、环境为智能设备确定出的移动方向来说，本申请所确定的移动方向对于完成目标，即最终将智能设备移动至目标位置更为准确，提高了智能设备在路径指令下到达目标位置的可能性。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (15)
1.一种确定智能设备移动方向的方法，其特征在于，所述方法包括：
获取路径指令，所述路径指令包括前往目标位置的指令信息；
确定所述智能设备前往所述目标位置过程中每一个时间步骤对应的移动方向；第j个时间步骤包括所述智能设备前往所述目标位置过程中从第j个停留位置到第j+1个停留位置的时间过程，第j个时间步骤对应的移动方向为所述智能设备从第j个停留位置前往第j+1个停留位置所采用的方向；
第j个时间步骤对应的移动方向，通过如下方式确定：
获取解码模块在第i个时间步骤输出的解码结果；
获取通过编码模块对所述路径指令编码得到的语义特征向量；
获取所述智能设备在第j个停留位置获取的环境数据；
根据第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过想象力模块得到体现模拟路径的特征序列；所述模拟路径包括模拟所述智能设备从第j个停留位置到达所述目标位置的路径；i小于j；
根据所述特征序列通过所述解码模块确定第j个时间步骤对应的移动方向。
2.根据权利要求1所述的方法，其特征在于，所述解码模块，包括第一长短记忆LSTM网络模型和动作估计器；所述根据所述特征序列通过所述解码模块确定第j个时间步骤对应的移动方向，包括：
根据所述第一LSTM网络模型确定所述特征序列对应的解码结果；根据所述解码结果通过所述动作估计器，得到第j个时间步骤对应的移动方向；和/或，
根据所述特征序列通过所述动作估计器，得到第j个时间步骤对应的移动方向。
3.根据权利要求1所述的方法，其特征在于，所述模拟路径包括模拟所述智能设备到达所述目标位置的k个时间步骤；所述想象力模块包括第二长短记忆LSTM网络模型和注意力模型；所述根据第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过想象力模块得到体现模拟路径的特征序列，包括：
根据所述解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过第二LSTM网络模型进行k次循环得到所述模拟路径中k个时间步骤分别对应的状态；
根据所述解码结果和所述模拟路径中k个时间步骤分别对应的状态，通过所述注意力模型确定所述特征序列。
4.根据权利要求3所述的方法，其特征在于，在所述k次循环中，第m次循环通过如下方式得到第m个时间步骤对应的状态：
若m等于1，则根据所述解码结果、所述智能设备在第i个停留位置的视角以及所述智能设备在第j个停留位置关注的视角，确定第m个时间步骤对应的状态；所述智能设备在第j个停留位置关注的视角，是根据所述环境数据确定的；
若m大于1，则根据第m-1个时间步骤对应的状态经过第m次循环，确定第m个时间步骤对应的状态。
5.根据权利4所述的方法，其特征在于，所述智能设备在第j个停留位置关注的视角，是根据所述解码结果，以及所述智能设备在第j个停留位置时各个视角对应的视角的特征向量确定的。
6.根据权利要求5所述的方法，其特征在于，所述智能设备在第j个停留位置时第n个视角的视角特征向量，是根据第n个视角对应的航向角与所述智能设备在第j个停留位置对应的航向角的差值、第n个视角对应的仰角与所述智能设备在第j个停留位置对应的仰角的差值、以及所述智能设备在第j个停留位置采集的各个视角的图像确定的。
7.根据权利要求1所述的方法，其特征在于，所述环境数据包括所述智能设备在第j个停留位置的l个视角分别对应的视角特征向量；所述l个视角是通过预设角度范围对所述智能设备的图像采集空间划分得到的。
8.根据权利要求1-7任意一项所述的方法，其特征在于，所述编码模块、想象力模块以及解码模块，是利用训练数据，采用先监督学习再强化学习的训练方式训练得到的，所述训练数据为训练路径指令和该训练路径指令对应的各个时间步骤的移动方向。
9.一种确定智能设备移动方向的装置，其特征在于，所述装置包括：
获取单元，用于获取路径指令，所述路径指令包括前往目标位置的指令信息；
确定单元，用于确定所述智能设备前往所述目标位置过程中每一个时间步骤对应的移动方向；第j个时间步骤包括所述智能设备前往所述目标位置过程中从第j个停留位置到第j+1个停留位置的时间过程，第j个时间步骤对应的移动方向为所述智能设备从第j个停留位置前往第j+1个停留位置所采用的方向；
第j个时间步骤对应的移动方向，通过如下方式确定：
获取解码模块在第i个时间步骤输出的解码结果；
获取通过编码模块对所述路径指令编码得到的语义特征向量；
获取所述智能设备在第j个停留位置获取的环境数据；
根据第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过想象力模块得到体现模拟路径的特征序列；所述模拟路径包括模拟所述智能设备从第j个停留位置到达所述目标位置的路径；i小于j；
根据所述特征序列通过所述解码模块确定第j个时间步骤对应的移动方向。
10.根据权利要求9所述的装置，其特征在于，所述解码模块，包括第一长短记忆LSTM网络模型和动作估计器；所述根据所述特征序列通过所述解码模块确定第j个时间步骤对应的移动方向，包括：
根据所述第一LSTM网络模型确定所述特征序列对应的解码结果；根据所述解码结果通过所述动作估计器，得到所述智能设备的移动方向；和/或，
根据所述特征序列通过所述动作估计器，得到第j个时间步骤对应的移动方向。
11.根据权利要求9所述的装置，其特征在于，所述模拟路径包括模拟所述智能设备到达所述目标位置的k个时间步骤；所述想象力模块包括第二长短记忆LSTM网络模型和注意力模型；所述根据第i个时间步骤输出的解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过想象力模块得到体现模拟路径的特征序列，包括：
根据所述解码结果、所述语义特征向量以及所述智能设备在第j个停留位置获取的环境数据，通过第二LSTM网络模型进行k次循环得到所述模拟路径中k个时间步骤分别对应的状态；
根据所述解码结果和所述模拟路径中k个时间步骤分别对应的状态，通过所述注意力模型确定所述特征序列。
12.根据权利要求11所述的装置，其特征在于，在所述k次循环中，第m次循环通过如下方式得到第m个时间步骤对应的状态：
若m等于1，则根据所述解码结果、所述智能设备在第i个停留位置的视角以及所述智能设备在第j个停留位置关注的视角，确定第m个时间步骤对应的状态；所述智能设备在第j个停留位置关注的视角，是根据所述环境数据确定的；
若m大于1，则根据第m-1个时间步骤对应的状态经过第m次循环，确定第m个时间步骤对应的状态。
13.一种确定智能设备移动方法的设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-8任一项所述的确定智能设备移动方向的方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-8任一项所述的确定智能设备移动方向的方法。
15.一种路径规划系统，其特征在于，所述路径规划系统包括智能设备，所述智能设备包括图像采集结构和移动结构；
所述智能设备，用于获取路径指令，所述路径指令包括前往目标位置的指令信息；
所述智能设备还用于确定前往所述目标位置过程中每一个时间步骤对应的移动方向；第j个时间步骤包括所述智能设备前往所述目标位置过程中从第j个停留位置到第j+1个停留位置的时间过程，第j个时间步骤对应的移动方向为所述智能设备从第j个停留位置前往第j+1个停留位置所采用的方向；
所述智能设备还用于在每个时间步骤驱动所述移动结构按照所对应的移动方向移动；
第j个时间步骤对应的移动方向，通过如下方式确定：
获取解码模块在第i个时间步骤输出的解码结果；
获取通过编码模块对所述路径指令编码得到的语义特征向量；
根据所述图像采集结构获取所述智能设备在第j个停留位置获取的环境数据；
根据第i个时间步骤输出的解码结果、所述语义特征向量以及第j个停留位置获取的环境数据，通过想象力模块得到体现模拟路径的特征序列；所述模拟路径包括模拟所述智能设备从第j个停留位置到达所述目标位置的路径；i小于j；
根据所述特征序列通过所述解码模块确定第j个时间步骤对应的移动方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910156350.XA CN109902876B (zh) | 2019-03-01 | 2019-03-01 | 一种确定智能设备移动方向的方法、装置及路径规划系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910156350.XA CN109902876B (zh) | 2019-03-01 | 2019-03-01 | 一种确定智能设备移动方向的方法、装置及路径规划系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109902876A true CN109902876A (zh) | 2019-06-18 |
| CN109902876B CN109902876B (zh) | 2024-09-06 |
Family
ID=66946064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910156350.XA Active CN109902876B (zh) | 2019-03-01 | 2019-03-01 | 一种确定智能设备移动方向的方法、装置及路径规划系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109902876B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046981A (zh) * | 2020-03-17 | 2020-04-21 | 北京三快在线科技有限公司 | 一种无人车控制模型的训练方法及装置 |
| CN111815053A (zh) * | 2020-07-09 | 2020-10-23 | 北京中超伟业信息安全技术股份有限公司 | 一种针对工业时序数据的预测方法及系统 |
| CN116090688A (zh) * | 2023-04-10 | 2023-05-09 | 中国人民解放军国防科技大学 | 基于改进指针网络的移动目标遍历访问序列规划方法 |
| CN116663864A (zh) * | 2023-07-28 | 2023-08-29 | 天之翼(苏州)科技有限公司 | 应用人工智能的无人机飞行调度分析方法、服务器及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563886A (zh) * | 2017-08-10 | 2018-01-09 | 浙江工业大学 | 基于银行导览系统的智能服务机器人系统 |
| CN107646118A (zh) * | 2015-03-24 | 2018-01-30 | 开利公司 | 用于确定与楼层平面图相关的rf传感器性能的系统和方法 |
-
2019
- 2019-03-01 CN CN201910156350.XA patent/CN109902876B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107646118A (zh) * | 2015-03-24 | 2018-01-30 | 开利公司 | 用于确定与楼层平面图相关的rf传感器性能的系统和方法 |
| CN107563886A (zh) * | 2017-08-10 | 2018-01-09 | 浙江工业大学 | 基于银行导览系统的智能服务机器人系统 |
Non-Patent Citations (2)
| Title |
|---|
| 李伟龙 等: "基于多尺度空间表征的生物启发目标指引导航模型", 电子与信息学报, no. 06, 13 March 2017 (2017-03-13) * |
| 陈娟;: "传感环境下基于局部Voronoi图的启发式反监控路径发现算法", 计算机应用, no. 01, 10 January 2015 (2015-01-10) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046981A (zh) * | 2020-03-17 | 2020-04-21 | 北京三快在线科技有限公司 | 一种无人车控制模型的训练方法及装置 |
| CN111815053A (zh) * | 2020-07-09 | 2020-10-23 | 北京中超伟业信息安全技术股份有限公司 | 一种针对工业时序数据的预测方法及系统 |
| CN111815053B (zh) * | 2020-07-09 | 2021-03-16 | 北京中超伟业信息安全技术股份有限公司 | 一种针对工业时序数据的预测方法及系统 |
| CN116090688A (zh) * | 2023-04-10 | 2023-05-09 | 中国人民解放军国防科技大学 | 基于改进指针网络的移动目标遍历访问序列规划方法 |
| CN116090688B (zh) * | 2023-04-10 | 2023-06-23 | 中国人民解放军国防科技大学 | 基于改进指针网络的移动目标遍历访问序列规划方法 |
| CN116663864A (zh) * | 2023-07-28 | 2023-08-29 | 天之翼(苏州)科技有限公司 | 应用人工智能的无人机飞行调度分析方法、服务器及介质 |
| CN116663864B (zh) * | 2023-07-28 | 2023-10-10 | 天之翼(苏州)科技有限公司 | 应用人工智能的无人机飞行调度分析方法、服务器及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109902876B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490213B (zh) | 图像识别方法、装置及存储介质 | |
| CN109902876A (zh) | 一种确定智能设备移动方向的方法、装置及路径规划系统 | |
| CN110288979B (zh) | 一种语音识别方法及装置 | |
| CN110531860A (zh) | 一种基于人工智能的动画形象驱动方法和装置 | |
| CN109919251A (zh) | 一种基于图像的目标检测方法、模型训练的方法及装置 | |
| CN110930483B (zh) | 一种角色控制的方法、模型训练的方法以及相关装置 | |
| CN110009052A (zh) | 一种图像识别的方法、图像识别模型训练的方法及装置 | |
| CN110288077A (zh) | 一种基于人工智能的合成说话表情的方法和相关装置 | |
| WO2018171223A1 (zh) | 一种看护机器人的数据处理方法及装置 | |
| CN110570840B (zh) | 一种基于人工智能的智能设备唤醒方法和装置 | |
| CN110503942A (zh) | 一种基于人工智能的语音驱动动画方法和装置 | |
| CN109107161A (zh) | 一种游戏对象的控制方法、装置、介质以及设备 | |
| CN107682536A (zh) | 一种语音控制方法、终端和计算机可读存储介质 | |
| CN111680123B (zh) | 对话模型的训练方法、装置、计算机设备及存储介质 | |
| CN110517339B (zh) | 一种基于人工智能的动画形象驱动方法和装置 | |
| CN110853617A (zh) | 一种模型训练的方法、语种识别的方法、装置及设备 | |
| CN111598169B (zh) | 一种模型训练方法、游戏测试方法、模拟操作方法及装置 | |
| CN113821720A (zh) | 一种行为预测方法、装置及相关产品 | |
| CN110135497A (zh) | 模型训练的方法、面部动作单元强度估计的方法及装置 | |
| CN110443190A (zh) | 一种对象识别方法和装置 | |
| CN110555337B (zh) | 一种指示对象的检测方法、装置以及相关设备 | |
| CN110517340A (zh) | 一种基于人工智能的脸部模型确定方法和装置 | |
| CN111515970B (zh) | 一种互动方法、拟态机器人和相关装置 | |
| CN112488157A (zh) | 一种对话状态追踪方法、装置、电子设备及存储介质 | |
| CN112540668A (zh) | 一种基于AI及IoT的智能教学辅助方法及系统 |
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 |